AUV自主控制全局模型及智能决策算法研究

分析了自主式水下潜器(AUV)自主控制全局模型的内涵,指出应该包含环境信息、使命信息以及自身状态三个部分;用栅格法建立了环境模型;定义了"多区域地形勘察"使命案例;分析了与决策算法相关的AUV自身状态的表示方法;在此基础上开发了智能决策算法,算法包含路径选优和速度规划两部分;应用图论及运筹学的方法实现了路径选优,应用遗传算法实现了速度规划;用Petri网为AUV的使命控制过程建模,最终完成了智能决策算法和使命控制系统的集成;经仿真验证,所开发的智能决策决策算法正确有效,AUV使命的控制和执行自主可靠.     

基于三维成像声纳技术的AUV前视避障方法

针对自主式水下航行器（ AUV）在水下自主航行过程中的避障问题,提出了一种基于三维成像声纳技术的前视避障方法。该方法使用三维成像声纳探测目标,通过声纳目标图像处理提取目标,完成目标的运动状态分析和轨迹预测。通过设置碰撞区域,建立避障模型和设计避障规则,实现了AUV的智能化避障。借助于其他传感器,这些关联模块构成了一个集目标探测、目标提取、轨迹预测、避障与路线回归等功能于一体的闭环系统。     

基于深度强化学习的AUV路径规划研究

针对三维海洋环境水下自主航行器(AUV)路径规划问题,传统的路径规划算法在三维空间中搜索时间长,对环境的依赖性强,且环境发生改变时,需要重新规划路径,不满足实时性要求。为了使AUV能够自主学习场景并做出决策,提出一种改进的Dueling DQN算法,更改了传统的网络结构以适应AUV路径规划场景。此外,针对路径规划在三维空间中搜寻目标点困难的问题,在原有的优先经验回放池基础上提出了经验蒸馏回放池,使智能体学习失败经验从而提高模型前期的收敛速度和稳定性。仿真实验结果表明：所提出的算法比传统路径规划算法具有更高的实时性,规划路径更短,在收敛速度和稳定性方面都优于标准的DQN算法。     

水下机器人抗积分饱和控制及主动容错控制方法

针对自主式水下机器人(AUV)推力饱和时一般模型控制器控制性能下降问题,提出了基于平滑变参数条件积分法的抗积分饱和控制方法.为适应AUV因抛载等引起的动力学性能变化,提出了一种基于抗积分饱和一般模型控制的主动容错控制方法,同时还研究了传感器故障问题并提出了一种传感器故障容错控制方法.进行了"海狸"号水下机器人试验样机的仿真及水池实验,实验结果验证了所提出的抗积分饱和控制方法的有效性,也验证所提出的容错控制方法在AUV发生故障及动力学性能变化时可有效减小速度、角速度跟踪误差.     

不同分离方式下AUV载荷分离运动的安全性分析

考虑到分离运动中载荷与运载体之间的相互影响,建立了在不同分离方式下具有同一形式的多刚体运动方程,基于分离后载荷与运载体之间的距离理论,提出了一种分离安全度模型,对不同分离方式下的分离安全性进行了定量分析。结果表明,当运载体为正浮力且无控时,采用推冲分离方式进行分离不会发生碰撞,且在一定条件下较重力解脱方式为优。     

基于遗传算法的水下智能机器人避碰行为学习

智能机器人行为学习可以看成是从感知空间到动作空间中寻找一种映射文中采用遗传算法来实现寻找一种最佳映射,使机器人具有较好的避磁能力,把机器人旋转角和平移距离分别划分成７个等级和４个等级,每一个等级看成机器人的一种行为,把机器人发生碰撞之前所走的路径长度作适度函数,通过遗传算法中的选择,交叉和变异等操作机器人学会避碰行为,在文中的最后给出了仿真的实验结果。     

基于CADCON的群体AUV三维仿真

近年的AUV仿真工作更多地集中于对AUV水动力学特性仿真数学模型的建立上，不能满足AUV群体协作策略级仿真的需要。CADCON是AUSI基于Internet架构开发的群体协作AUV三维水下环境分布式仿真平台，提供了可定制的虚拟海洋环境和一系列可灵活配置的AUV模型以及AUV群体行为组件开发接口。该文介绍了CADCON的功能和体系结构，归纳了基于CADCON平台进行AUV群体协作仿真的基本流程和参数配置方法，给出了Visual C＋＋环境下的AUV群体行为组件开发的基本方法，该方法的可行性已得到实验验证。     

基于自适应交互多模型算法的传感器故障诊断

在标准的交互多模型算法中,模型切换概率和模型噪声方差都假定为先验信息,但是系统的模型信息一般隐含在当前的量测信息中,因此本文提出一种在线辨识模型切换概率和噪声方差的自适应交互多模型算法,在建立传感器的全局故障和局部故障模型的基础上,对自主水下航行器多个传感器的局部故障与全局故障进行了诊断.在仿真过程中发现,与一般的多模型自适应估计方法(MMAE)相比,此方法算法简单,能够更加准确可靠地诊断故障.     

Single axis FOG aided attitude estimation algorithm for mobile robots

This paper is focused on an attitude estimation method for Autonomous Underwater Vehicles (AUVs). Data acquired by a commercial Micro-Electro-Mechanical Systems (MEMS) Inertial Measurement Unit (IMU), equipped with magnetometers, and a Fibre Optic Gyroscope (FOG) are fused to estimate the attitude of the vehicle. One of the most used attitude estimation filter, a Nonlinear Complementary Filter (NCF), is proposed as the basis of this work; then, some adaptations to the original formulation of the filter are illustrated to better suit it to the field of underwater robotics. The proposed improvements include the online tuning of the gains of the filter to cope with sensor disturbances and the employment of the data acquired by a FOG. In addition, a fast procedure for the calibration of a magnetometer is introduced to increase the reliability of its readings. The resulting filter is used to estimate the attitude of an AUV; the performance of the proposed solution is tested and evaluated, in particular when unpredictable magnetic disturbances are present, highlighting the improvements that the applied changes allow to achieve in the specific field of application.     

一种基于注意力机制的AUV控制层指令理解方法

为了更好地衔接水下机器人(AUV)规划层与控制层,参考Itti视觉注意力模型,提出了基于注意力机制的规划指令理解模型,建立了规划指令理解与再次规划环节.通过使用模糊推理的方法对指令元素特征、指令元素显著性进行分析处理,得到规划指令注意力聚焦;根据注意力聚焦进行再次规划,保证规划层关注的状态得到优先执行.仿真实验表明文章提出的规划指令理解环节实现了对规划层指令意图的获取,使规划指令得到更好地执行,有效地改善运动控制效果,提高了控制层的智能水平.