无人船集群自适应协同观测与动态风险识别方法及相关装置
本发明属于无人系统技术与水灾害防控的交叉领域,涉及一种无人船集群自适应协同观测与动态风险识别方法及相关装置。
背景技术:
1、水灾害(例如洪涝灾害、泥沙淤积、水体污染等)是危害流域生态安全和人类社会的重大隐患,现有的水文监测与预警主要依赖于固定监测站网、遥感卫星和人工巡查,然而,这些手段存在诸多局限:固定站点数量有限且空间分布不连续,难以及时反映大范围区域的水情全貌;卫星遥感受制于重访周期和气象条件,在急骤发生的洪水或水质突变中往往滞后于灾害演变;人工巡查耗时费力,在灾害来临时存在人员安全风险且无法持续深入灾区,此外,传统监测通常各自关注单一要素,如水位流量监测、泥沙监测或水质监测分属不同系统,缺乏对灾害成因和综合风险的整体识别能力。
2、近年来,无人驾驶艇(无人船)作为新兴的水上监测平台受到关注,单艘无人船已被用于水文测流、水质采样、水下地形测绘等任务,能够减少人力并提高危险环境下的作业安全,然而,单艇作业模式在覆盖范围、信息丰富度以及故障冗余方面仍有不足。
3、随着群体智能和多机器人系统的发展,多个无人船组成协同集群开展任务成为可能,理论上,无人船集群通过信息共享和分工协作,能够获取更加全面的环境信息、更高效地完成大范围测量任务,并提高系统容错性,然而,在水灾害防治领域,目前尚缺乏一种成熟的方法将多无人船集群与灾害风险识别预警紧密结合,一方面,多艇协同控制在复杂水环境下面临挑战(如水流扰动下的队形维持、通信不稳定等);另一方面,将多传感器数据实时融合并转化为灾害动态风险预警仍是一个技术难题。
技术实现思路
1、本发明的目的在于克服上述现有技术的缺点,提供了一种无人船集群自适应协同观测与动态风险识别方法及相关装置,该方法及相关装置能够主动、全面、高效的对灾害进行感知与预警。
2、为达到上述目的,本发明公开了一种无人船集群自适应协同观测与动态风险识别方法,包括:
3、建立监测任务规划和集群配置;
4、根据初始化任务确定每艘无人船的航行路线和监测区域;
5、启动无人船集群,根据设定任务,实时采集水文数据,并基于实时感知信息进行协同观测;
6、将各无人船采集的多源数据进行汇聚并融合分析;
7、基于融合后的数据,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别。
8、进一步的,所述水文数据包括流速、泥沙浓度、水质参数及水下地形数据;所述融合后的数据包括不同位置的水流速度与流量、泥沙含量、水下地形图、水质参数以及采样检验结果,所述水质参数包括浊度、ph、溶解氧及污染物浓度。
9、进一步的,所述根据初始化任务确定每艘无人船的航行路线和监测区域的过程为:
10、基于利用voronoi-thiessen多边形方法划分监测区域;
11、基于使用多目标遗传算法规划无人船的航行路线。
12、进一步的,所述启动无人船集群,根据设定任务,实时采集水文数据,并基于实时感知信息进行协同观测的过程为:
13、所有无人船在启动观测循环前,通过自组网时间戳对齐,建立统一时基;
14、以(2–5 s)为周期,读取无人船的原始数据,所述无人船的原始数据包括adcp流速剖面、qdot浑浊度/泥沙、水质w、声呐深度以及水下目标特征t,采用滑动窗口滤波和离群点剔除对原始数据进行清洗、降采样;
15、无人船的构造状态包={位置,航向,能量,观测向量,置信度},在网状链路内广播,选定领航艇或岸基节点对所有做时空插值-融合,生成集群态势图;
16、在集群态势图中运行两级判别;
17、采用拍卖-竞价规则指派无人船;
18、中标艇实时调用mpc+搜索重新规划到位置的避障航迹, 若多艇协同扫测,则需要进入队形控制。
19、进一步的,所述将各无人船采集的多源数据汇聚并融合分析的过程为:
20、对各无人船采集的多源数据进行同质传感器数据级融合;
21、对各无人船采集的多源数据进行异构传感器特征级融合;
22、对融合后的结果进行空间插值与场景重建;
23、将融合后的结果写入数据库。
24、进一步的,所述基于融合后的数据,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别的过程为:
25、将融合后的数据进行归一化处理;
26、将归一化处理的结果预测未来τ的水位、流速以及泥沙输移-冲淤,曲线;
27、将所述预测得到的未来τ的水位、流速以及泥沙输移-冲淤,曲线输入到贝叶斯网络概率模型中,确定各类灾害的发生概率;
28、根据各类灾害的发生概率进行危险等级的判定。
29、进一步的,所述贝叶斯网络概率模型为:
30、。
31、本发明公开了一种无人船集群自适应协同观测与动态风险识别系统,包括:
32、建立模块,用于建立监测任务规划和集群配置;
33、确定模块,用于根据初始化任务确定每艘无人船的航行路线和监测区域;
34、采集模块,用于启动无人船集群,根据设定任务,实时采集水文数据,并基于实时感知信息进行协同观测;
35、融合模块,用于将各无人船采集的多源数据进行汇聚并融合分析;
36、识别模块,用于基于融合后的数据,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别。
37、本发明公开了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述无人船集群自适应协同观测与动态风险识别方法的步骤。
38、本发明公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述无人船集群自适应协同观测与动态风险识别方法的步骤。
39、本发明具有以下有益效果:
40、本发明所述无人船集群自适应协同观测与动态风险识别方法及相关装置在具体操作时,将各无人船采集的多源数据汇聚并融合分析,基于融合后的数据,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别。本发明在实际应用上提高了风险预测效率,降低人力检测成本,扩大水域检测的覆盖面积,适用范围广。
1.一种无人船集群自适应协同观测与动态风险识别方法,其特征在于,包括:
2.根据权利要求1所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述水文数据包括流速、泥沙浓度、水质参数及水下地形数据;所述融合后的数据包括不同位置的水流速度与流量、泥沙含量、水下地形图、水质参数以及采样检验结果,所述水质参数包括浊度、ph、溶解氧及污染物浓度。
3.根据权利要求1所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述根据初始化任务确定每艘无人船的航行路线和监测区域的过程为:
4.根据权利要求1所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述启动无人船集群,根据设定任务,实时采集水文数据,并基于实时感知信息进行协同观测的过程为:
5.根据权利要求1所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述将各无人船采集的多源数据进行汇聚并融合分析的过程为:
6.根据权利要求1所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述基于融合后的数据,实时评估潜在水灾害的发生概率与危害等级,进行动态风险识别的过程为:
7.根据权利要求6所述的无人船集群自适应协同观测与动态风险识别方法,其特征在于,所述贝叶斯网络概率模型为:
8.一种无人船集群自适应协同观测与动态风险识别系统,其特征在于,包括:
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述无人船集群自适应协同观测与动态风险识别方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述无人船集群自适应协同观测与动态风险识别方法的步骤。
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