基于人工智能的AUV水下导航方法及系统

摘要: 本发明属于auv水下导航领域,特别是涉及基于人工智能的auv水下导航方法及系统。背景技术:1、随着海洋资源勘探、海底管道巡检及海洋环境监测等领域技术的发展,自主...
基于人工智能的AUV水下导航方法及系统

本发明属于auv水下导航领域,特别是涉及基于人工智能的auv水下导航方法及系统。

背景技术:

1、随着海洋资源勘探、海底管道巡检及海洋环境监测等领域技术的发展,自主式水下航行器(autonomous underwater vehicle,auv)已成为执行水下作业任务的重要平台,其自主导航与路径跟踪控制能力直接决定任务执行的效率与安全性。目前,auv水下导航方法主要分为路径规划与路径跟踪控制两个层面。在路径规划方面,传统方法包括人工势场法、图搜索法等,其中人工势场法因其计算简洁而被广泛采用。在路径跟踪控制方面,视线导引算法因其结构简单、易于实现而被普遍应用于auv的航向控制;模型预测控制则因其能够处理系统约束而被用于运动控制。

2、然而,上述传统方法存在诸多不足。在路径规划层面,人工势场法易陷入局部极小值,且存在目标不可达的问题,难以在复杂障碍物环境中生成最优路径。在路径跟踪控制层面,视线导引算法在姿态精度上误差较大,且难以有效应对时变洋流干扰和模型不确定性;模型预测控制虽然能够处理约束条件,但其控制性能在强洋流和波浪扰动下会显著下降。此外,auv动力学模型存在高度非线性、欠驱动、模型参数时变及未建模动态等特性,传统方法难以实现精确建模与自适应控制。更为关键的是,现有方法中路径规划与路径跟踪控制多为独立设计,缺乏有效的闭环协同机制,难以在动态变化的水下环境中实现从全局路径规划到局部运动修正的端到端自适应导航。

技术实现思路

1、基于此,有必要提供一种能够解决上述问题的基于人工智能的auv水下导航方法及系统。

2、第一方面,本申请提供了一种基于人工智能的auv水下导航方法,包括:

3、获取环境先验数据、航行任务数据、auv实时状态数据、局部环境感知数据和auv动力学模型参数;

4、根据环境先验数据,通过人工势场算法,构建得到环境代价势场,并基于航行任务数据和环境代价势场,通过启发式搜索算法生成全局参考路径集;

5、根据auv实时状态数据和全局参考路径集,通过视线导引算法,计算得到路径跟踪偏差数据,并通过注意力机制融合局部环境感知数据和路径跟踪偏差数据,得到联合状态向量;

6、将联合状态向量输入至预训练的sac强化学习网络中,输出期望运动修正数据;

7、根据auv实时状态数据、auv动力学模型参数和期望运动修正数据,通过动力学推演,生成目标状态向量,并根据auv实时状态数据和目标状态向量,通过模型预测控制算法,求解得到控制输入量;

8、根据控制输入量生成推进器推力分配数据,推进器推力分配数据用于驱动auv航行。

9、第二方面,本申请还提供了一种基于人工智能的auv水下导航系统,包括:

10、数据获取模块,用于获取环境先验数据、航行任务数据、auv实时状态数据、局部环境感知数据和auv动力学模型参数;

11、路径规划模块,用于根据环境先验数据,通过人工势场算法,构建得到环境代价势场,并基于航行任务数据和环境代价势场,通过启发式搜索算法生成全局参考路径集;

12、导引融合模块,用于根据auv实时状态数据和全局参考路径集,通过视线导引算法,计算得到路径跟踪偏差数据,并通过注意力机制融合局部环境感知数据和路径跟踪偏差数据,得到联合状态向量;

13、学习修正模块,用于将联合状态向量输入至预训练的sac强化学习网络中,输出期望运动修正数据;

14、预测控制模块,用于根据auv实时状态数据、auv动力学模型参数和期望运动修正数据,通过动力学推演,生成目标状态向量,并根据auv实时状态数据和目标状态向量,通过模型预测控制算法,求解得到控制输入量;

15、推力分配模块,用于根据控制输入量生成推进器推力分配数据,推进器推力分配数据用于驱动auv航行。

16、第三方面,本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于人工智能的auv水下导航方法的步骤。

17、第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于人工智能的auv水下导航方法的步骤。

18、上述基于人工智能的auv水下导航方法及系统,通过人工势场与启发式搜索生成全局参考路径集,能够为auv提供全局最优的航行参考,同时可以解决人工势场法易陷入局部极小值的问题;通过视线导引与注意力机制融合生成联合状态向量,能够增强auv对动态环境信息的感知与表征能力,提升路径跟踪的精度与鲁棒性;将联合状态向量输入预训练的sac强化学习网络,利用其最大化熵与探索特性输出期望运动修正数据,能够使auv在复杂未知环境中具备自适应的在线决策与运动调节能力;结合动力学推演与模型预测控制求解控制输入量,在满足系统动力学约束与时变洋流干扰的同时,保证控制解的可行性与最优性;通过推进器推力分配数据驱动auv执行,实现从规划到控制的全链路协同优化,提升了auv在复杂水下环境中的导航精度、自主性与环境适应性。

1.一种基于人工智能的auv水下导航方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述根据所述环境先验数据,通过人工势场算法,构建得到环境代价势场,包括:

3.根据权利要求2所述的方法,其特征在于,所述将所述联合状态向量输入至预训练的sac强化学习网络中,输出期望运动修正数据,包括:

4.根据权利要求3所述的方法,其特征在于,所述auv动力学模型参数包括质量矩阵、科里奥利向心力矩阵、阻尼矩阵、恢复力向量、水动力系数和推进器饱和极限,其中,所述水动力系数包括水动力附加质量系数和水动力阻尼系数;所述期望运动修正数据包括速度增量和艏向角增量;所述auv实时状态数据包括当前速度向量、当前姿态角、当前位置和当前加速度;

5.根据权利要求4所述的方法,其特征在于,所述根据所述auv实时状态数据和所述目标状态向量,通过模型预测控制算法,求解得到控制输入量,包括:

6.根据权利要求4所述的方法,其特征在于,所述第一状态方程的计算式为:

7.根据权利要求1所述的方法,其特征在于,所述根据所述控制输入量生成推进器推力分配数据,包括:

8.一种基于人工智能的auv水下导航系统,其特征在于,所述系统包括:

9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。