一种用于大水面水库渔业巡护的无人艇自主导航与水面航迹控制系统的制作方法
本发明属于无人艇自主导航与控制,具体涉及一种用于大水面水库渔业巡护的无人艇自主导航与水面航迹控制系统,其融合了工业互联网架构与视觉智能技术,尤其适用于复杂水面环境下的自主巡检与航迹控制。
背景技术:
1、近年来,人工智能和无人系统领域的技术迭代很快,水面无人艇(unmannedsurface vessel, usv)在渔业巡护、水域环境监测这些民用场景里,已经用得比较多了。自主导航和航迹控制技术,算是无人艇完成智能化作业的核心支撑,它的性能好坏,直接关系到作业任务完成得怎么样。不过,现有的技术方案,适用性上还有不少局限,问题挺突出。
2、在航迹控制这块,有个公开号cn121349076a的专利,提出一种无人艇航向航速制导方法,想通过搭个航向、航速双闭环的控制框架,把路径跟踪的精度提上去。但它的横向误差收敛过程,很依赖参数化参考路径模型和视线跟踪角,环境感知能力完全绑死在预设的路径模型上,没涉及怎么用视觉智能技术,让无人艇在动态场景下自己去感知,然后自适应调整航迹。另一个公开号cn119024855b的专利,是一种无人艇路径跟踪控制方法,同样靠pid控制反馈机制来做路径跟踪,控制参数的调整只根据历史偏差和预测偏差来,没把实时视觉感知信息当决策依据用,碰到水面动态障碍物这种突发情况,就应付不来。
3、再看视觉感知技术领域,公开号cn120747891a的专利,提出一种基于视觉slam的无人艇定位建图方法,用点线融合特征和光流法来完成定位建图,好处是让无人艇摆脱了对gps这类有源定位设备的依赖。但这个方案的重心,只放在定位建图过程本身,没做到把视觉slam输出的环境信息,跟航迹控制模块深度耦合起来,想构建一个感知、决策、控制全链路实时闭环,就很难。还有个公开号cn118823562a的专利,专门针对水下目标检测场景设计,用了图像和声学数据的多模态融合技术,它的适用场景,跟大水面渔业巡护场景,差别其实挺大的。
4、在视觉目标检测与导引技术方面,公开号cn121121001a的专利,提出一种基于eco-detr目标检测的无人艇近程双视觉导引入坞方法及系统,用改进过的rt-detr网络,也就是eco-detr目标检测模型,来完成无人艇导引入坞任务。这个方案通过gefnet主干网络和acfm颈部网络,做多尺度特征融合,但应用场景只局限在近程导引入坞环节,没把视觉检测模块和开阔水域的自主航迹控制模块,系统性地集成到一块儿。
5、综合来看,现有技术至少有三个明显的研究空白:第一,还没形成ai视觉检测和航迹控制深度耦合的闭环系统架构;第二,缺一个专门针对大水面水库渔业巡护场景定制的,视觉导航和自主航迹控制一体化的方案;第三,现有系统架构没把云、边、端三层功能有效衔接起来,发挥不出工业互联网的全栈技术优势,也就没法形成视觉模型在云端持续迭代,同时艇端能实时推理的协同联动机制。
技术实现思路
1、本发明想克服现有技术的这些缺陷,提出一种用在大水面水库渔业巡护场景的,无人艇自主导航与水面航迹控制系统。核心实现目标有这么几个:融合工业视觉、ai视觉这些视觉智能技术,搭一个视觉感知和航迹控制深度耦合的闭环系统,让无人艇在水库复杂水文环境下的自主导航能力,能整体上一个台阶;基于工业互联网架构,构建云-边-端一体化系统,让视觉模型云端训练和艇端实时推理能协同跑起来,同时支持航迹远程监控和智能决策功能;把视觉检测和视觉测量模块集成起来,对水面目标(像违法捕捞船只、养殖网箱、障碍物这些)做到精准识别,并动态调整航迹,满足渔业巡护的场景化需求。
2、为了达成这些目标,本发明设计的这个用于大水面水库渔业巡护的无人艇自主导航与水面航迹控制系统,整体由艇载感知与控制子系统、岸基/云端工业互联网平台,还有用户监控终端,这三部分组成: 艇载感知与控制子系统,部署在无人艇平台上,主要承担环境感知、自主决策和运动控制功能; 岸基/云端工业互联网平台,跟艇载感知与控制子系统建立通信连接,主要承担数据管理、模型训练和远程监控功能;
3、艇载感知与控制子系统,包含多源视觉感知模块、导航定位模块和航迹控制模块,这三个核心单元: 多源视觉感知模块,负责采集水面视觉图像,靠部署在艇端的目标检测模型,对视觉图像做实时推理,输出视野范围内感兴趣目标的类别、位置和尺寸信息,这些感兴趣目标,至少得涵盖其他船只、浮标和障碍物这三类; 导航定位模块,负责实时解算无人艇的位姿信息; 航迹控制模块,包含一个基于模型预测控制的航迹跟踪器,能根据导航定位模块输出的当前位姿信息、多源视觉感知模块提供的动态障碍物信息,还有岸基/云端工业互联网平台下发的全局巡航线,完成局部航迹重规划和运动控制,最终实现自主导航和避障功能。
4、视觉感知模块内置了基于深度学习的ai视觉目标检测模型,专门用来完成水面目标的视觉检测和视觉测量任务;这个目标检测模型,用的是改进的eco-detr网络架构,以gefnet为主干网络、acfm为颈部网络,能做到多尺度水面目标的高精度检测和特征融合。
5、更具体的技术方案是,多源视觉感知模块包含下面两个单元: 视觉推理引擎,加载了预训练好的eco-detr目标检测模型,以gefnet为主干网络,acfm为颈部网络,stfp为检测头,能输出视觉图像中感兴趣目标的类别、边界框坐标和置信度信息; 视觉测量模块,结合相机内参、实时水位高程信息和无人艇姿态角,采用基于消失点与地平线约束的单目测距算法,解算感兴趣目标相对于无人艇的方位角和距离,得到目标的空间位置信息。一旦视觉模块检测到预设航线范围内出现动态障碍物,航迹控制模块就会自动触发局部航迹重规划,生成避障航点引导无人艇绕行,等完全绕过障碍物后,再重新回归全局航线,最终形成“视觉感知-航迹决策-运动控制”这样一个完整的实时闭环。
6、更具体的技术方案是,航迹控制模块里那个基于模型预测控制的航迹跟踪器,包含下面三个单元: 风险评估单元,负责根据动态障碍物信息,基于最近会遇距离和最近会遇时间,完成碰撞风险评估,一旦判定有碰撞风险,就触发局部航迹重规划; 避障约束构建单元,负责把障碍物信息,作为模型预测控制的避障约束条件输进去; 优化求解单元,负责在满足无人艇动力学约束的前提下,通过滚动优化求解,得到最优控制序列,生成避障航点引导无人艇绕行,等避障动作完成后,再把无人艇重新引导回预设的全局巡航线。
7、更具体的技术方案是,避障约束条件采用硬约束和软约束结合的双层架构: 硬约束层的规则是:以多源视觉感知模块输出的障碍物位置,作为椭圆型避障约束区域的中心,在模型预测控制的预测时域内,构建硬性约束条件,要求所有预测轨迹点跟障碍物位置的距离,不能小于预设安全距离,这构成了系统的底层安全边界; 软约束层的规则是:在模型预测控制的优化目标函数里,引入一个基于速度障碍法的避障代价项,引导无人艇在还没碰到硬约束边界的时候,就主动调整航向和航速,实现平滑避障; 硬约束层和软约束层协同运行,能同时兼顾航行过程的平顺性和安全性。
8、更具体的技术方案是,风险评估单元里,最近会遇距离和最近会遇时间的计算方式如下: 设无人艇位置为 r1,速度为 v1;目标位置为 r2,速度为 v2;定义相对位置 r=r2−r1,相对速度 v=v2−v1;最近会遇距离(dcpa)为:
9、
10、最近会遇时间(tcpa)为:
11、
12、当最近会遇距离小于预设安全阈值,或者最近会遇时间小于预设反应阈值时,就判定存在碰撞风险。
13、更具体的技术方案是,导航定位模块通过扩展卡尔曼滤波,融合rtk-gnss的位置、速度观测值,和imu的角速度、加速度测量值,实时解算无人艇的三维位置、速度与姿态角;姿态角具体包括横摇角、纵摇角和艏向角。
14、更具体的技术方案是,艇载感知与控制子系统,还包含艇载边缘计算单元,运行基于linux或机器人操作系统的实时操作系统,用来部署多源视觉感知模块、导航定位模块和航迹控制模块; 岸基/云端工业互联网平台包含: 数据中台,负责通过mqtt或websocket协议,跟无人艇保持通信,接收并存储无人艇上传的位姿数据、感知结果、设备运行状态和关键帧图像。
15、ai模型训练与部署模块,用于利用云端gpu算力对无人艇上传的标注数据进行增量训练,优化所述目标检测模型,并通过ota技术将优化后的模型推送至所述艇载边缘计算单元;
16、航迹规划与监控模块,用于提供监控面板以显示无人艇实时位置、航迹回放和视觉感知画面,并支持下发全局航点。
17、进一步的技术方案是,系统包含:
18、艇端毫秒级闭环,即所述多源视觉感知模块、导航定位模块与航迹控制模块协同工作,形成“视觉感知-风险判定-局部航迹决策-运动控制”的实时闭环;
19、云端任务级闭环,即所述ai模型训练与部署模块通过增量训练与ota更新,形成ai视觉模型的云端持续迭代与艇端实时推理联动的闭环。
20、进一步的技术方案是,在风浪扰动工况下,所述航迹控制模块采用自抗扰控制算法替代所述模型预测控制;所述自抗扰控制算法通过扩张状态观测器对风浪引起的复合扰动进行在线估计与动态补偿;
21、同时,所述多源视觉感知模块输出的目标方位角偏差及相对距离偏差作为前馈补偿量引入所述自抗扰控制算法的控制量生成环节,实现抗扰与导引一体化控制。
22、进一步的技术方案是,多源视觉感知模块还包括红外热成像相机,用于在夜间或低能见度作业场景下切换至红外热成像模式进行水面目标感知,以保障全天候自主巡护能力。
23、ai模型训练与部署模块:用于利用云端gpu算力对所述ai视觉目标检测模型进行训练、优化和版本更新;所述模块基于无人艇上传的标注数据(如特定水库区域的浮筒、渔网、违法捕捞船只等目标样本)进行增量训练,优化后的模型通过ota(over-the-air)技术推送至所述艇载感知与控制子系统,实现ai视觉能力的持续进化;
24、改进的eco-detr网络采用gefnet主干网络提取多尺度视觉特征,通过acfm颈部网络实现特征融合,利用stfp检测头模块(即公开号为cn121121001a专利中所述stfp检测头模块)输出目标类别、边界框坐标及置信度,实现水面目标的视觉检测;在此基础上,所述视觉测量模块基于相机内参及实时水位高程信息,假设目标底部与水面的接触点为特征点,结合无人艇姿态角,采用基于消失点与地平线约束的单目测距算法估算检测目标相对于无人艇的方位角与距离,并通过多帧平滑滤波抑制波浪扰动带来的测距抖动。
25、本发明的优点和有益效果在于:
26、构建视觉-控制深度耦合的闭环系统:相比于现有技术中视觉感知与航迹控制相对独立的方案,本发明将视觉检测与测量结果直接作为mpc控制器的动态约束条件,实现了感知-决策-控制的实时闭环,显著提升了无人艇在动态水域环境下的自主导航能力。
27、实现云-边-端一体化的工业互联网架构:通过云端ai模型训练与ota推送机制,使艇载视觉模型的识别能力能够持续进化,适应不同水库区域特定的目标特征(如不同形状的养殖网箱、不同型号的违法船只),相比现有静态模型方案具有更强的场景适应性和可扩展性。
28、提升渔业巡护的精准性与安全性:引入基于dcpa/tcpa的动态风险评估机制,结合视觉感知的实时目标信息,实现了对水面动态障碍物的主动避障,同时视觉检测功能可精准识别和跟踪违法捕捞船只、定位养殖设施,为渔业管理提供精确的态势信息。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com