面向多任务点的无人艇协同路径规划方法与流程

技术特征：
1.一种面向多任务点的无人艇协同路径规划方法，其特征在于，用于将任务点高效分配给无人艇，并规划无人艇在任务点间的安全避障路径；所述方法包括以下步骤：s1：对无人艇任务区域内的海图进行栅格化处理，每个栅格定义为一个神经元，代表一个无人艇的候选运行区域；定义各神经元的邻域神经元，构造神经网络；更新计算各神经元在各时刻的输出活性值；s2：结合洋流速度对无人艇运动的影响，进一步更新各神经元的输出活性值；根据无人艇当前位置所处的神经元，选择其输出活性值最大的邻域神经元为下一时刻运行位置；s3：无人艇运行至下一时刻位置后，将所有神经元活性值清零并更新神经网络，重复步骤s1和s2，执行搜索任务，直至无人艇到达任务点。2.如权利要求1所述的面向多任务点的无人艇协同路径规划方法，其特征在于，步骤s2中，进行下一步搜索位置规划时，排除已经搜索过的邻域神经元。3.如权利要求1所述的面向多任务点的无人艇协同路径规划方法，其特征在于，无人艇运行至第一任务点后，将第一任务点视为运行初始位置，将下一任务点视为运行目标位置，重复步骤s1至s3，直至运行至下一任务点。4.如权利要求1至3所述的面向多任务点的无人艇协同路径规划方法，其特征在于，更新计算神经元在各时刻的输出活性值的方法包括：x
i
(t 1)＝f(y
i
)其中，x
i
(t 1)代表当前神经元i在t 1时刻的输出活性值，x
j
(t)表示邻域神经元j在t时刻的输出活性值，y
i
是一个中间变量，记录了神经元i的初步输出，n指的是当前神经元i的邻域神经元j的总个数；w
ij
是相邻神经元之间的连接权重：其中，r代表神经元i的邻域半径，|i-j|表示神经元i和神经元j之间的欧几里得距离；b
i
是神经元i的输入偏置，记录了神经元i处的地形信息：其中g是一个远大于1的数，其中，障碍物栅格指被障碍物或无人艇所占据的栅格，目标栅格指被任务点占据的栅格，空闲栅格指未被障碍物或任务点等占据的栅格；f(y
i
)函数是一个转换函数，目的是控制每一个神经元的输出在0到1之间：β为设定系数。
5.如权利要求4所述的面向多任务点的无人艇协同路径规划方法，其特征在于，结合洋流速度，更新神经元输出活性的方法包括：洋流速度v
c
、无人艇相对洋流的运行速度v
r
，及无人艇的合成速度v
a
之间，存在如下恒等式：||v
a
||
22
||v
c
||
22-2||v
a
||2||v
c
||2cos<v
a
,v
c
>＝||v
r
||
22
所述合成速度，为无人艇在洋流影响下，沿当前神经元至其邻域神经元之间的方向运行的速度；对上述恒等式对v
a
求解，采用求得的最大值，计算无人艇由当前神经元i至邻域神经元j之间的运行时间t
ij
；更新计算神经元权重w
ij
：基于更新后的神经元权重，重新计算各神经元活性值；寻找邻域内活性值最大的神经元j*作为下一步位置：6.如权利要求4所述的面向多任务点的无人艇协同路径规划方法，其特征在于，针对平衡任务分配问题，每个无人艇对应一个任务点，进一步包括以下步骤：确定平衡任务分配问题的数学表达式：确定平衡任务分配问题的数学表达式：确定平衡任务分配问题的数学表达式：其中c＝[c
ik
]∈r
n
×
n
是候选解矩阵，是最优解矩阵。c
ik
＝1代表第i艘无人艇被分配执行第k项任务，c
ik
＝0代表第i艘无人艇没有被分配执行第k项任务，n为无人艇的数量以及任务的数量；j
ik
为第i艘无人艇完成第k项任务的代价:x
i
(t 1)代表无人艇所在位置的神经元的活性，用来表示每个任务点的搜索难易度，活性越大，搜索越容易，活性越小，搜索越复杂；利用代价构造代价矩阵：j＝[j
ik
]∈r
n
×
n
；利用匈牙利算法对代价矩阵求解，逐一将每个任务分配给每个无人艇。7.如权利要求6所述的面向多任务点的无人艇协同路径规划方法，其特征在于，若任务点数量大于无人艇数量，代价矩阵的构造方法进一步包括：
将各任务视为虚拟无人艇，与实际无人艇一起，作为代价矩阵的各行；构建虚拟任务，与实际任务一起，作为代价矩阵的各列，以使代价矩阵为方阵；将各实际无人艇执行虚拟任务的代价值设定为无限大，将各虚拟无人艇执行虚拟任务的代价值设定为0；将各虚拟无人艇执行自身实际任务的代价值设定为无限大；计算代价矩阵中其他元素的代价值，获得代价矩阵。8.如权利要求7所述的面向多任务点的无人艇协同路径规划方法，其特征在于，若任务点数量大于无人艇数量，每个无人艇分得多个任务点，分配结果进一步处理如下：若各任务点之间形成闭合路径，则断开路径，并将其合并到已分配的无人艇任务列表中；在断开路径的步骤中，计算闭合路径各任务点与无人艇已分配任务列表中最后一个任务点之间的代价，选择代价最小的点为断点。

技术总结
本发明提出一种面向多任务点的无人艇协同路径规划方法，包括以下步骤：基于已知的海洋地图信息，无人艇任务区域内的海图进行栅格化处理，并更新各栅格即神经元的活性值；考虑洋流影响，更新各神经元的输出活性值，进而规划单个无人艇从起始点至目标点的路径；根据GBNN算法构建代价矩阵，并利用匈牙利算法解决任务点数量与无人艇数量相等时的平衡分配问题；可以进一步对传统匈牙利算法进行改进，将各任务视为虚拟无人艇，与实际无人艇一起，更新构造代价矩阵，对矩阵求解，分配任务。该方法使规划结果更接近于实际场景，可解决不平衡任务分配问题时避免了局部最优解。务分配问题时避免了局部最优解。务分配问题时避免了局部最优解。


技术研发人员：姚鹏 钟晨 娄雅亭
受保护的技术使用者：中国海洋大学
技术研发日：2021.12.09
技术公布日：2022/2/8