一种基于树型网络的多AUV分布式协同流场估计方法
文献发布时间:2023-06-19 19:28:50
技术领域
本发明属于多水下机器人协同环境监测领域,主要涉及一种基于树型网络的多AUV分布式协同流场估计方法。
背景技术
随着人类对海洋战略地位、海洋资源开发、海洋科学研究价值认识的不断深化,世界各国对海洋的关注提高到前所未有的战略高度。而海洋监测是研究海洋、开发海洋、利用海洋的基础。其中,海洋流场是海洋监测中具有代表性的海洋环境量。海洋流场是具有相对稳定流速和流向的大规模海水运动,它影响着海洋气候的演变、海洋生物的分布以及水上水下航行器的运行轨迹。由于海洋流场信息的重要意义,如何实现高精度海流估计并重构海域内流场具有重要的研究意义。
自主式水下航行器(Autonomous Underwater Vehicle,AUV)由于其可靠性高、成本低、灵活性强等特点,被广泛应用于海洋流场的估计任务。现有研究大多考虑单AUV进行海洋流场的估计,且都需要搭载相应的传感器测量AUV周围的局部流速。但某些场景下,精确的局部流速测量是无法获得的。例如,最常使用的流速测量仪多普勒流速剖面仪(Acoustic Doppler Current Profiler,ADCP),在水深过深、水质过于浑浊或清澈、以及水底走沙的场景下均无法准确地测量流速。此外,基于单AUV的流场估计方法难以应对大范围的海洋流场估计任务。而现有的多AUV流场估计方法又没有考虑AUV间的协同作业,因此在大范围估计海洋流场的效率和精度都有待提高。
发明内容
本发明的目的在于,针对现有技术的不足,提供一种基于树型网络的多AUV分布式协同流场估计方法,解决局部流速测量无法获得以及集中式计算无法实现时,多AUV高效率高精度的大范围海洋流场协同估计问题。
为了解决上述问题,本发明提供了如下技术方案:
本发明首先提供了一种基于树型网络的多AUV分布式协同流场估计方法,其包括以下步骤:
步骤1:将目标海洋区域
/>
其中,
步骤2:在三维空间中建立AUV的动力学模型:
其中,r
步骤3:令AUV从水面开始下潜,在目标海洋区域
步骤4:当所有AUV浮出水面后,根据AUV间的相对位置测量关系以及通信距离,以分布式方式得到一个树型网络
步骤5:在步骤4生成的树型网络
作为本发明的优选方案,所述的步骤3具体包括如下子步骤:
步骤3.1:在水下航行过程中,航行器v
其中,
步骤3.2:当航行器v
作为本发明的优选方案,所述的步骤4具体包括如下子步骤:当所有AUV浮出水面后,航行器v
步骤4.1:搜索通信范围内的AUV,并与其建立双向通信连接;
步骤4.2:通过GPS获得自身与通信邻居v
步骤4.3:如果自身测量了与通信邻居v
步骤4.4:在通过上述步骤得到的多AUV通信网络
对于步骤4.4中的树型网络
与现有技术相比,本发明的有益效果为:
(1)本发明仅需要AUV入水和出水时刻的绝对位置信息和在水下的相对位置信息作为流场估计算法的输入,不需要AUV携带设备测量局部流速,也不需要AUV在水下的绝对位置信息,适用于局部流速无法测量的场景,以及深水区域的流场测量场景。
(2)本发明提出一种基于树型网络的多AUV分布式协同流场估计算法,该方法只要求AUV间的通信网络是连通的,且最后的算法运行在一个树型网络上,通信代价低,适用于通信资源受限以及集中式计算中心不存在的场景,可以解决大范围的海洋流场高效估计问题。
附图说明
图1为本发明方法中的原理示意图。
图2为本发明方法中AUV间相对位置测量网络、通信网络以及算法部署的树型网络的关系示意图。
图3为本发明方法实施例中模拟的真实连续流场示意图。
图4为本发明方法实施例中各个AUV的初始猜测轨迹示意图。
图5为本发明方法实施例中最终得到的估计流场以及估计轨迹示意图。
图6为本发明方法实施例中最终得到的估计流场的误差示意图。
具体实施方式
下面结合附图对本发明方法的实施方式做详细说明。
基于对现有技术的认识,本发明建立了一种基于树型网络的多AUV分布式协同流场估计方法。该方法考虑了AUV在水下航行过程中无法获得GPS位置信息的实际情况,并且无需AUV进行局部海洋流场的直接测量。该方法利用多AUV在水下航行过程中测量得到的彼此之间的相对位置信息,以及AUV浮出水面后的GPS位置信息,来估计一个分层结构的三维连续流场。考虑到多AUV系统遇到应用规模较大或者涉及数据隐私的场景,集中式计算无法实现。因此该方法是一种分布式方法,即每个AUV的行为都只依赖于本地观测值以及和相邻AUV的通信。
本发明提出的基于树型网络的多AUV分布式协同流场估计方法,首先建立目标海域的三维连续流场参数模型;然后建立三维空间中AUV的运动学模型,其中AUV的运动受待估计流场的影响;在水下航行过程中,AUV通过自身携带的距离传感器测量与相邻AUV的相对位置,并在浮出水面后通过GPS获得自己的绝对出水位置。接着,当所有AUV浮出水面后,根据AUV间的通信距离以及相对位置测量关系,通过任意分布式最小生成树算法得到一个树型网络。最后,基于得到的树型网络,每个AUV运行相同的流场估计算法,在分布式框架下实现连续流场的参数估计。
本发明提出的一种基于树型网络的多AUV分布式协同流场估计方法,其原理如图1所示,具体步骤包括:
步骤1:将目标海洋区域
其中,
步骤2:在三维空间中建立AUV的动力学模型:
其中,
其中,θ
步骤3:令AUV从水面开始下潜,在目标海洋区域
步骤3.1:在水下航行过程中,航行器v
其中,
步骤3.2:当航行器v
步骤4:当所有AUV浮出水面后,航行器v
步骤4.1:搜索通信范围内的AUV,并与其建立双向通信连接;
步骤4.2:通过GPS获得自身与通信邻居v
步骤4.3:如果自身测量了与通信邻居v
步骤4.4:在通过上述步骤得到的多AUV通信网络
对于步骤4.4中的树型网络
步骤5:在步骤4.4中行成的树型网络
步骤5.1:令n=0;若v
步骤5.2:按下面的公式进行参数
1.令
2.令n=n+1;
3.令
4.令n=n+1;
步骤5.3:对于所有
1.将
2.令
3.令n=n+1;
4.将
5.令
6.令n=n+1;
步骤5.4:令
步骤5.5:若
步骤5.6:将
步骤5.7:回到步骤5.1;
其中,步骤5.2中和步骤5.3中的系数
其中,步骤5.3中的集合
其中,步骤5.2中的
其中,
其中,步骤5.3中的
通过步骤5的分布式算法,在经过足够次数迭代后,每个节点都将计算出真实流场参数α
本发明方法所采用的水下AUV和传感器均为常规型号设备;本领域技术人员通过编程即可实现本发明方法。
下面结合一个具体实施验证本发明的有效性。
考虑一个10km×10km×2km的三维海洋流场,模拟的真实流场参数为:N
其余参数如下表所示:
AUV在真实流场下的实际运动轨迹和在初始猜测流场(随机生成流场参数)下的初始猜测轨迹如图4所示。由于猜测的流场和真实流场不一致,因此猜测轨迹和真实轨迹不重合。由于树型网络的具体拓扑结构不影响算法的性能,因而在该试验中直接指定一个树型网络
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是局限性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护范围之内。
- 一种基于多流卷积神经网络的光场深度估计方法及其实现系统
- 一种基于流场速度分解方法的AUV稳定悬停装置