论文部分内容阅读
水面无人艇(Unmanned Surface Vehicle,USV)是一种具有自主导航、自主避障和自主识别与探测等功能的水面无人平台,在海洋资源探索开发以及军事领域得到越来越广泛的应用。路径规划是水面无人艇智能程度的重要体现,而路径规划的智能性会使水面无人艇的自主性能有极大提升。本文主要从全局路径规划、局部路径规划、危险规避和多任务条件下的路径规划四个层面对水面无人艇的路径规划进行研究,在研究过程中引入贝叶斯网络、强化学习等人工智能算法,提升水面无人艇路径规划的智能性。论文的主要工作如下:
提出了一种基于贝叶斯网络(BN)-A*算法的水面无人艇全局路径规划方法,解决了采用A*算法进行全局路径规划过程中路径的安全性问题。以海图为基础构建栅格环境模型,基于贝叶斯网络对栅格环境模型危险度进行预测,根据预测后的危险度,在A*算法的估价函数中引入安全代价,通过改进A*算法完成路径搜索,进一步确保全局路径规划的安全性。通过仿真试验对比了所提出算法的有效性。
针对局部路径规划对环境模型稳定性的要求,提出了一种考虑感知信息误差的水面无人艇局部环境建模方法。建立了一种新的障碍物更新机制,确保局部环境模型中障碍物的稳定性。
针对人工势场法存在的缺陷,对人工势场法进行了改进,通过修改斥力函数,解决了目标点附近有障碍物导致目标不可达的问题;通过修改引力函数,解决了距离目标较远时可能会碰到障碍物的问题;通过引入模拟退火算法,使人工势场法在陷入局部最优后跳出局部最优解。通过仿真试验验证了改进算法的有效性。
对水面无人艇在航行过程中对静态障碍物的危险规避和动态障碍物危险规避进行了研究,通过碰撞锥理论解决了多静态障碍物环境下水面无人艇的危险规避,基于海事规则完成水面无人艇对动态障碍物的规避,通过仿真试验验证了水面无人艇能够对静态障碍物和动态障碍物完成危险规避。
针对水面无人艇在执行任务过程中的任务约束条件,提出了一种多任务约束条件下基于强化学习的水面无人艇路径规划算法,通过强化学习使水面无人艇能够依据任务规则自主规划出路径。基于Q_learning算法进行训练,完成多任务约束条件下的无人艇路径规划。针对Q_learning算法在多任务约束条件下收敛较慢的问题,提出了一种基于任务分解奖赏函数的Q_learning算法。以2018MaritimeRobotXChanllenge比赛中的任务为背景进行仿真试验,验证了在多任务约束条件下,采用强化学习进行路径规划的可行性,并通过外场试验,验证了该算法能够满足实际要求。
提出了一种基于贝叶斯网络(BN)-A*算法的水面无人艇全局路径规划方法,解决了采用A*算法进行全局路径规划过程中路径的安全性问题。以海图为基础构建栅格环境模型,基于贝叶斯网络对栅格环境模型危险度进行预测,根据预测后的危险度,在A*算法的估价函数中引入安全代价,通过改进A*算法完成路径搜索,进一步确保全局路径规划的安全性。通过仿真试验对比了所提出算法的有效性。
针对局部路径规划对环境模型稳定性的要求,提出了一种考虑感知信息误差的水面无人艇局部环境建模方法。建立了一种新的障碍物更新机制,确保局部环境模型中障碍物的稳定性。
针对人工势场法存在的缺陷,对人工势场法进行了改进,通过修改斥力函数,解决了目标点附近有障碍物导致目标不可达的问题;通过修改引力函数,解决了距离目标较远时可能会碰到障碍物的问题;通过引入模拟退火算法,使人工势场法在陷入局部最优后跳出局部最优解。通过仿真试验验证了改进算法的有效性。
对水面无人艇在航行过程中对静态障碍物的危险规避和动态障碍物危险规避进行了研究,通过碰撞锥理论解决了多静态障碍物环境下水面无人艇的危险规避,基于海事规则完成水面无人艇对动态障碍物的规避,通过仿真试验验证了水面无人艇能够对静态障碍物和动态障碍物完成危险规避。
针对水面无人艇在执行任务过程中的任务约束条件,提出了一种多任务约束条件下基于强化学习的水面无人艇路径规划算法,通过强化学习使水面无人艇能够依据任务规则自主规划出路径。基于Q_learning算法进行训练,完成多任务约束条件下的无人艇路径规划。针对Q_learning算法在多任务约束条件下收敛较慢的问题,提出了一种基于任务分解奖赏函数的Q_learning算法。以2018MaritimeRobotXChanllenge比赛中的任务为背景进行仿真试验,验证了在多任务约束条件下,采用强化学习进行路径规划的可行性,并通过外场试验,验证了该算法能够满足实际要求。