[发明专利]一种基于GRU网络的UUV实时避碰规划方法

说明书

本发明公开了一种基于GRU网络的UUV实时避碰规划方法，属于水下航行器避障领域。本发明包括：将UUV布放在起始位置；仿真声纳开始获取UUV当前位置的环境信息；将仿真声纳获取的环境信息输入到GRU网络，获得下一时刻UUV转艏及速度的调整指令；UUV执行运动指令，到达下一路径点；判断UUV是否到达目标点，若是则避碰规划器停止工作。本发明利用GRU强大的拟合长时间序列的能力，解决了UUV实时避碰规划的问题，克服了现有的实时避碰规划方法存在环境模型的精度与规划的实时性之间的矛盾，实现了一个简单、高效、易于实现的端到端的实时避碰规划器。

技术领域

本发明涉及一种基于GRU网络的UUV实时避碰规划方法，属于水下航行器避障领域。

背景技术

作为新一代水下机器人，UUV具有活动范围大、隐蔽性强、机动性好、安全、智能等优点，是完成各种水下任务的重要工具。在民用领域，UUV可用于海底考察、数据收集、铺设管线、钻井支援、海底施工、水下设备维护与维修等。在军用领域，UUV可用于侦查、布雷、扫雷、援潜和救生等。实时避碰规划能力是保证UUV安全航行的关键技术，是UUV完成各种任务的基础。

实时避碰规划，即UUV在航行过程中根据传感器探测到的已知的环境信息找到一条从起点到终点的无碰撞安全路径。常用的传统的实时避碰规划方法包括蚁群算法、人工免疫算法、遗传算法、粒子群优化算法、人工势场法、A*算法、Dijkstra算法等。对于实时避碰规划问题，除了考虑安全性和避碰运动平滑性等，系统的实时性也是重要的指标，然而基于上述传统算法的实时避碰规划系统，存在环境模型的精度以及路径的优化程度与规划的实时性相互矛盾的问题。深度学习是目前最具潜力的人工智能算法，其强大的非线性拟合能力可以为UUV提供一套简单、高效、易于实现的实时避碰规划系统。这使得UUV具有了一定的自主学习的能力，从而减少了其对感知设备的依赖，增强了其在避碰过程中的灵活度。实时避碰规划系统的规划能力随着UUV在运动的过程中的不断学习而逐步提高。即使训练集中只包含简单环境下的避碰规划样本，训练完成后的基于GRU网络的UUV实时避碰规划器也可以灵活处理复杂多变环境下的避碰规划问题。

中国专利CN107368076A公开了一种智能环境下机器人运动路径深度学习控制规划方法，该方法使用深度学习DBN网络解决运载机器人全局路径规划问题。所提深度学习DBN网络包括一层输入层、三层隐藏层以及一层输出层，其中可视层与第一隐藏层构成第一层限制玻尔兹曼机RBM，第一隐藏层与第二隐藏层构成第二层限制玻尔兹曼机RBM，第二隐藏层与第三隐藏层构成BP网络层。该专利采用逐层训练的方法依次对两层限制玻尔兹曼机RBM和BP网络层进行训练。与全局路径规划不同，避碰规划器需要根据过去一段时间内的环境障碍信息实时输出规划结果。相较于限制玻尔兹曼机RBM，GRU网络具有处理较长时间序列的能力，且更适用于复杂的规划问题。

发明内容

本发明的目的是这样实现的：

一种基于GRU网络的UUV实时避碰规划方法，其特征在于，包括以下步骤：

步骤一 构建全局坐标系和局部坐标系，建立声纳仿真模型；

全局坐标系采用北东坐标系，地图左下角为原点，正北方向为X轴，正东方向为Y轴；局部坐标系原点选在UUV重心处，X轴取在UUV纵向剖面内，指向UUV艏端，Y轴与纵剖面垂直，指向UUV右舷；二维多波束声纳仿真模型水平开角为120°，最大探测半径为120m，共80个波束，波束角为1.5°，每个波束上探测噪声为±1％；

步骤二 设计用于实时避碰规划的GRU网络；

所设计的GRU网络为端对端模型，可以直接根据传感器探测信息得出规划结果，该网络模型包含四层，分别为输入层、隐藏层、中间层以及输出层；

步骤三 构建数据集；