文摘

实时路径规划自主水下航行器(AUV)是一个非常困难的和具有挑战性的任务。Bioinspired神经网络(BINN)已经被用来解决这个问题的许多独特的优点:也就是说,不需要学习过程和实现也容易。然而,也有一些缺点当BINN应用于水下机器人路径规划在三维(3 d)未知的环境中,包括复杂的计算问题时,环境是非常大的和重复的路径问题障碍的大小大于传感器的探测范围。为了应对这些问题,本文提出一种改进的动态BINN。在这个方法中,AUV被视为BINN的核心和BINN的大小是基于传感器的探测范围。然后BINN将AUV和计算可以减少。一个虚拟目标提出的路径规划方法,确保水下机器人可以有效地转移到真正的目标,避免大尺寸自动障碍。此外,一个目标吸引子的概念介绍了提高计算效率的神经活动。最后,进行了一些实验在不同三维水下环境。实验结果表明,提出的基于BINN方法可以处理对AUV高效实时路径规划问题。

1。介绍

自主水下航行器(AUV)近年来引起了人们广泛的关注,由于其应用于商业和军事领域(1,2]。水下机器人可以用于搜索失踪的飞机和船只的残骸,捕捉水下者,海上救援,水雷,反潜战,等等3- - - - - -5]。在这些水下机器人的应用,应该有效地解决许多问题,如定位、路径规划和目标检测(6- - - - - -8]。在这些问题中,实时路径规划是非常基本的和必要的单个AUV或multi-AUV系统时执行一个任务在复杂的水下环境9- - - - - -11]。实时路径规划的任务在这个研究是找到一个最优或次优的无碰撞路径从初始位置到目标位置在水下环境中快速高效地,这是一个困难和具有挑战性的任务,因为水下环境的复杂性。

做了大量的研究工作在水下机器人的路径规划问题。例如,切赫et al。12)提出了一种新颖的基于快速行进的方法提取连续路径从离散环境表示,当前考虑水下。朱et al。13]Dempster-Shafer推理规则应用于超声波传感器的读数熔合成一个地图,地图和bioinspired神经网络计划为AUV短而光滑的路径。Yilmaz et al。14)定义了路径规划问题作为优化框架,提出了一个基于混合整数线性规划方法。前面介绍的这些方法都是在二维(2 d)环境中,测试不满足水下机器人路径规划的实际需求。

最近,越来越多的研究人员关注的路径规划问题的三维(3 d)水下环境。胡锦涛et al。(15)开发了一个自主机器人鱼,能够建立3 d运动,通过使用一个控制律与吸引力向一个目标和一个排斥力与障碍。Aghababa [16]5进化算法应用于解决三维路径规划问题,包括遗传算法、迷因算法,粒子群算法、蚁群优化和重组青蛙跳跃的算法。朱et al。17)提出了一种改进的自组织映射和速度合成方法multi-AUV水下三维空间路径规划。以上这些方法都有自己的优势;然而,也有一些缺点,应进一步研究。例如,应用方法的效果不是很好的在水下环境中;一些基于进化计算的方法是复杂的;和方法的基础上,假设水下环境是完全不适合实际情况。

上面介绍了处理这些问题,提出了一些改进和创新方法的实时水下机器人的路径规划。例如,人民币和曲18)设计一个最优的实时无碰撞轨迹AUV在3 d未知水下空间。算法,3 d运动规划问题简化为二维问题,可以大大减少计算工作。Acosta et al。19)一个水下机器人路径规划发展提出了一个基于知识的方法,通过开发一个实时专家系统。Saravanakumar和同20.)提出了一种多点势场方法,和一个简单的策略是用来避免局部最小值在3 d空间。因为实时路径规划的复杂性AUV在3 d的水下环境中,传统的方法有一些技术瓶颈。例如,基于模糊逻辑的方法不能很容易找到所有的模糊规则和一般的基于神经网络的方法通常需要一个学习的过程,不适合实时路径规划。

因此,越来越多的研究人员关注bioinspired方法(21,22]。Bioinspired智能方法是一种新型的更逼真的工作机制,一个个人或一群生物,通常有更高的效率比传统的人工智能算法(23]。在这些bioinspired智能方法,bioinspired神经网络(BINN)开发处理实时路径规划问题(24- - - - - -26]。这个BINN启发从生物膜模型神经系统(27)和分流模型(28]。它是拓扑组织不需要任何学习过程。因此,它可以工作在实时;即,机器人运动规划立即响应的动态环境。此外,这个BINN模型不敏感,任何无关的障碍或传感器噪声对其工作机制(29日]。然而,这种bioinspired智能方法在本质上存在一些问题,如目标的复杂计算和低效的使用信息。为了处理这些问题,提出了一种改进的基于BINN实时路径规划方法对水下机器人。在拟议的方法中,目标信息直接使用在神经元的活动加速目标信息的传输过程。此外,为了减少BINN的大小,提出了一种动态模型,AUV被视为BINN和BINN的大小的核心是基于传感器的探测范围。最后,进行了仿真实验,实验结果显示该方法的效率。

总结了本文的主要贡献如下。 BINN模型是动态的,BINN将重建AUV的运动。AUV的工作环境可以很大,不会影响BINN的计算基于实时路径规划方法。 目标信息增强的影响,通过引入一个目标吸引子的概念,从而提高计算效率。 实时性能得到了改进,使用虚拟目标概念提出的动态BINN模型相结合,可以降低负面影响大尺寸传感器探测范围小的障碍。 一些3 d仿真实验进行了水下环境,真正的水下环境模拟等复杂的海底和海洋中动态障碍。

本文组织如下。部分2提出了改进的动态bioinspired基于神经网络的水下机器人路径规划方法。在各种情况下的仿真实验给出了部分3。节4,一些表演的建议的方法进行了较为详细的试验研究。最后,给出了结论部分5。

2。建议的方法

本文对水下机器人实时路径规划问题在3 d未知的水下环境中进行了研究。研究了路径规划任务,水下机器人没有关于环境的知识,除了目标的位置。水下机器人配有各种传感器来检测环境在一个有限的范围内。所以,在某种程度上,工作环境也不知道水下机器人。在这项研究中,水下环境模型提出了一个离散的三维网格地图(30.,31日),这是贴上 。然后整个水下机器人的工作空间是离散细胞相同的大小,和环境可以被定义为一组 地图。细胞(用 )将被标记为一个障碍如果占领;否则,它将被标记为一个自由的世界。实时路径规划的任务是生成一个最优或次优路径AUV迅速和安全地从开始位置到目标位置的AUV的运动。有效地完成这项任务,提出了一种改进的基于BINN方法。使用这个BINN的主要原因是,它不需要一个学习的过程,非常适合于实时路径规划。的一般过程的细节BINN建立机器人路径规划方法中可以看到一些相关文献,如(24,32,33];这里只有BINN提出的改进方法是详细介绍如下。

2.1。动态BINN模型

在一般BINN模型中,每个神经元(用 )与离散点的环境;也就是说,整个神经网络将覆盖整个环境。因此,计算时间和精力成本时将非常大的工作环境是非常大的。当BINN模型用于一个水下机器人工作在3 d环境中,神经元的数量将会非常大,神经网络的计算效率会降低。处理这一问题,提出了一种动态模型,AUV被视为BINN的核心模型和神经网络重建AUV的运动。原理图的动态模型如图1。BINN模型的大小设置为最大探测半径 机载传感器;也就是说,每个神经元的距离 提出了动态BINN模型BINN的核心 (神经元在AUV)的位置应满足 在哪里 是两个位置的距离来计算函数在3 d空间: 在哪里 和 的坐标吗 th和 分别th位置。


图1
拟议中的BINN的3 d模型。

备注1。轻松实现提出了基于动态BINN路径规划方法,离散维环境的设置一样的BINN神经网络在这项研究中(见图1)。神经元的减少,环境的离散尺寸应设置尽可能大;但是,如果环境的离散尺度太大,生成的路径不能足够光滑。因此,距离 两个相邻神经元的设置一样的AUV的一步;也就是说, 在哪里 是AUV的速度 是一个单位的时间。
进一步介绍这个动态BINN模型,这种神经网络的一个例子在2 d环境如图2。从图2,我们可以发现,动态BINN模型的大小远小于环境,不管环境有多大,神经元网络的大小是固定的。AUV的运动,只有一小部分的神经元需要更新他们的活动,可以降低计算成本和能源,特别是当环境很大。

(一)
(一)
(b)
(b)
图2
的动态工作机制提出了BINN在2 d空间:(a)在真实的工作环境;(b)网格地图的环境。
2.2。虚拟目标选择

在实时路径规划任务,目标是AUV的位置在一开始,但环境是动态的和未知的。所以AUV应该检测环境和实时生成路径。因为工作环境往往是非常大的,它是不可能的一个方法来计算一个水下机器人路径考虑整个环境。因此,提出了一种动态BINN模型;然而,不能直接使用到这个目标信息动态模型因为AUV的机载传感器的探测范围有限和环境是未知的。会重复的路径如果有大尺寸的障碍(其大小大于传感器的探测范围)计划的路线,因为AUV不知道哪个方向应该使用基于一般的路径规划方法。为了处理这些问题,一个虚拟目标概念引入提出的路径规划方法。

基本原则选择虚拟目标总结如下。 虚拟目标必须位于动态BINN模型的边界。 虚拟目标应尽可能接近真实的目标,从而使生成的路径短,最大程度。 虚拟目标应该基于当前BINN AUV的访问。 没有任何障碍在AUV虚拟目标的前进方向。选择虚拟目标是基于以下具体规定: 在哪里 和 是细胞的位置虚拟目标,真正的目标,分别; 代表一个细胞的网格单元; 真正的目标是最近的细胞;和 是一组网格细胞应该满意了吗 在哪里 是细胞在AUV的位置; 是一个函数来判断电池是否被障碍,其中0表示自由细胞和1意味着占领一个障碍;和 是一个函数来判断是否有任何障碍AUV虚拟目标的前进方向。

有不同的虚拟目标选择的条件。来说明虚拟目标选择规则显然,这些情况的一个例子是图所示3由一个2 d环境。例如,在图3(一个),没有什么在AUV的探测距离;然后神经元最接近目标被选中作为虚拟目标。在图的情况3 (c),如果选择了虚拟目标只有根据神经元的距离真正的目标,路径将会重演。因此,应该使用环境的历史信息。即神经元,这是免费的,离真正的目标和满足需求中没有障碍这个神经元与真正的目标将被选择作为虚拟目标。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
虚拟目标选择的原理图。

备注2。该方法生成的路径的基础上,提出虚拟目标选择方法可能不是最好的一个(见图3 (d)),但它是最优路径的水下机器人在未知的环境中,因为AUV的探测范围是有限的。
的伪代码工作过程的虚拟目标选择本文总结了算法1。

(一) , ;
%得到AUV的当前位置 和目标 ,分别。
(b) ;
%初始化虚拟目标的位置 。
(c) ;
%计算水下机器人和目标之间的距离。
(d)如果 ,然后
%, 传感器的探测距离;
,然后转到步骤(g);
结束
(e) ;
%, 是最小距离目标神经元;
(f) :num_
为 :num_
为 :num_
%, 是当前神经元的位置;
如果 & & ,然后
, ;
结束
结束
结束
结束
%, 是一个函数来判断是否有任何障碍AUV虚拟目标的前进方向。
(g)。
算法1
虚拟目标选择算法的伪代码。
2.3。目标吸引子

后的动态模型和虚拟目标被选中时,当前位置的路径AUV虚拟目标可以生成基于分流模型(24,34]: 在哪里 的神经活动吗 th神经元; , , 都是非负的常量代表被动率和神经元活动的上、下界分别; 的神经连接的数量吗 th神经元相邻神经元感受野内。在3 d BINN动态模型中,至少有一个神经元(参见图26的邻居1); 横向连接的重量吗 th神经元的 th神经元,这是一个距离的函数(见[24]);和 和 代表着兴奋和抑制性神经元的输入,目标和周围的阳性神经元兴奋性输入和障碍意味着抑制性输入。函数 是一个linear-above-threshold函数定义为 , 被定义为 。

活动更新不断,目标在全球范围内吸引了整个状态空间BINN和障碍总是保持相应的神经元活动在一个非常低的水平。AUV总是选择最好的邻近的神经元活动最大的下一个位置。选择规则如下: 在哪里 是所有邻近的神经元的活动; 神经元的位置,这些神经元的最大活动。所示的活动更新方程(6),目标信息将被转移到AUV的位置由神经元的活动;然后将建立一个路径增加活动的价值。但是通过这种方式,活动的计算效率会非常低。加速神经网络的目标信息传输速度,介绍了目标吸引子的概念和一般分流模型修改 在哪里 提出的目标吸引子。 兴奋性连接的重量吗 来 , 代表了神经元对AUV的位置。则定义为目标吸引子 在哪里 是一个积极的常数不超过1 代表之间的欧氏距离 和 ; 是两条线之间的夹角(一个是来自哪里 来 ,另一个是 到目标;参见图4),这是一个变量 在这项研究中。从整体来看周围的神经元 ,我们可以看到,如果一个神经元是接近目标,角 更小的价值 更低。


图4
目标分流方程中吸引子的概念。

在改进的分流方程,包括兴奋性输入 , 和 。在这里,目标是最关键的因素,这将影响活动分布在两个方面。在某种程度上,目标在全球范围内直接影响整个状态空间,因为它吸引了AUV在AUV的术语 。另一方面,积极的神经活动来源于目标神经元传播到整个空间的术语 。因此,新添加的项收敛速度加快神经元活动,另一方面,通过建立AUV和目标之间的直接关系,该方法可以使路径短,因为AUV的直接吸引到目标,不会冲突与障碍的重量远小于权重的障碍。

整个工作流程的建议的方法总结如下。

(1)建立了水下模型,和AUV确保自己的位置和目标位置。

(2)随着AUV,传感器检测总是区分的障碍或明确的空间范围。

(3)神经网络和虚拟目标动态变化,和动态神经网络更新的活动景观(8)。

(4)当目标是AUV的范围内,真正的目标位置将取代虚拟目标。

(5)当AUV变得目标位置,任务是成功地实现。

3所示。仿真实验

证明该方法用于实时路径规划的有效性在3 d未知的水下环境中,各种在MATLAB平台上进行了仿真实验。当AUV在水里工作,主要有两个条件:一个条件是,目标是漂浮在水中间,另一个是,目标是在海底。所以这两个条件都是模拟不同情况下本文包括有一些障碍在水中移动。此外,两个实验进行了考虑情况下有更多的有挑战性的任务。为了容易实现仿真实验,AUV被假定为一个点没有任何形状,和信号增益和噪声调制并不认为在这项研究中。参数在所有的实验都是一样的,表中列出1和2。水下机器人用蓝色固体圆和目标是由红色三角形。使生成的路径的实验容易理解,路径规划过程在不同阶段不同的观点所示。本文用视角 在哪里 意味着方位和 意味着高度的3 d实验结果。

表1
拟议中的BINN模型的参数。
表2
实验参数设置。
3.1。目标是漂浮在水的中间

测试提出了水下机器人路径规划方法的性能,进行了这些实验的目标是漂浮在水的中间。在水里,有一些障碍,如相对静态障碍(例如,漂浮的垃圾和沉船)和运动障碍(例如,鱼类和其他水下机器人)。因此,两个不同的实验。

3.1.1。在静态环境下

证明该方法的基本性能,进行了这个实验,环境是静态的,充满障碍的各种尺寸(见图5(一个))。水下机器人和目标的初始位置(87、87、65)和(5)15日,15日,分别。这个实验的实时路径规划结果如图5 (b)来5 (d)。的动态活动景观三个配置文件 设在图所示6。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图5
在静态环境下路径规划实验的结果:(a) = 0,步视图= (−24°,22°);视图(b)一步= 28日= (−40°,26°);(c)一步= 59,查看= (−35°,26°);(d) = 100步,查看= (−32°,26°)。
(一)
(一)
(b)
(b)
(c)
(c)
图6
的动态活动景观三个配置文件 设在在静态实验环境:(a) = 10步, ;(b) = 50步, ;(c) = 100步, 。

结果在图5表明,该方法可以找到一个相对平滑的路径为AUV水的中间目标。AUV能够避免的障碍会自动根据生成的路径。在第一次,AUV一无所知的障碍,所以它直接到目标位置,直到检测到障碍 ;然后AUV成功避免了障碍,直接向目标不断(见图5 (b))。AUV的运动,提出了基于BINN AUV的方法可以生成一个适当的虚拟目标,从而使AUV去目标以最优的和安全的路径(见图5 (c)和5 (d))。结果在图6表明,该神经网络可以移动AUV,神经活动是最大的虚拟和真实目标的位置,但最小的障碍。

3.1.2。在动态环境中

测试的性能建议的方法在动态环境中,进行了这个实验,最初的环境是一样的,静态实验(见图7(一)),预期的障碍 和 将随机而AUV在向目标移动。而环境图5(一个)的障碍 阻止AUV的方式移动到目标,但障碍呢 是远离AUV的道路。在动态复杂环境下的路径规划结果如图7 (b)来7 (d)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图7
动态环境中的路径规划实验的结果:(a) = 0,步视图= (−49°,30°);= = 32 (b)的一步,视图(−45°34°);(c)一步= 54,查看= (12°20°);(d) = 99步,查看= (14°20°)。

结果在图7表明,提出的基于动态BINN路径规划方法可以生成实时的道路。主要原因是该BINN AUV的运动模型可以移动,如果AUV检测障碍物进入其探测范围,将立即重新计划(参见图的路径7 (b))。这个特征是非常重要的水下机器人路径规划的动态水下环境。当障碍探测范围的AUV能够再次回到最优路径,从而保持整个路径优化和安全AUV(见图7 (d))。

3.2。目标位于海底

在水下机器人路径规划任务,有时目标可能在海底。海底环境非常不同于水的中间。有一些大的水下山脉或深谷,这将使路径规划更加困难当目标位于海床。为了测试该方法的性能在这些情况下,进行了一些实验。

3.2.1之上。在水下山

在这个实验中,目标是位于大水下山脉,和AUV在这座山的前面。这个实验的环境图所示8(一个),水下机器人和目标的位置在哪里(10、25、5)(65、97、20),分别。路径规划结果在这个实验中数据所示8 (b)来8 (d)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图8
路径规划实验的结果当水下山背后的目标是:(a) = 0,步视图= (38°,20°);(b) = 20步,查看= (48°,18°);(c) = 50步,查看= (−24°,24°);(d) = 82步,查看= (101°,18°)。

结果在图8表明该AUV仍然可以找到一条通往目标有效,当目标位于一个水下山背后大于传感器的探测范围。背后的AUV可以直接转到山上,目标所在。当AUV检测到有一个很大的障碍,计算自适应虚拟目标,使AUV移动山成功(见图8 (b))。最终的路径AUV在这个实验中显示,该方法可以有效地处理大型障碍物的路径规划(见图8 (d))。

3.2.2。在深海底峡谷

当目标位于水下山谷深处,路径规划的任务将变得非常困难。进一步测试该方法在这种情况下的性能,进行了一个实验,水下机器人和目标的初始位置在图所示9(一个)。AUV的位置和目标(15)5日23日(85年,50岁,4),分别。路径规划结果在这个实验中数据所示9 (b)来9 (d)。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图9
路径规划实验的结果,目标是在深海底峡谷:(a) = 0,步视图= (−15°28°);(b) = 30步,查看= (−50°24°);(c) = 66步,查看= (−58°,20°);(d) = 102步,查看= (12°20°)。

这个实验的结果表明,该方法可以生成一个路径AUV从开始位置到目标在一个山谷包围高地没有碰撞的山(见图9 (b))。

3.3。更有挑战性的任务

进一步测试该方法的有效性在一些有挑战性的任务,进行了两个实验,目标是动态的,或有一个水下机器人和目标之间的水下洞穴。

3.3.1。目标是动态的

来说明该方法的性能在目标位置的实时路径规划将改变,因为海流或其他原因(35),进行了一个实验,实验环境是一样的3.2。1(见图8(一个))。这个实验的参数和假设都是相同的部分3.2。1,除了目标会随机在相对低速(设置为 在这项研究中)。AUV的初始位置和目标(50,5、30)和(50岁,60岁,8),分别在图所示10 ()。这个实验的结果数据所示10 (b)来10 (d)。随着目标的运动,AUV不断调整其目的地和虚拟目标(见图10 (c))。最后,AUV捕获的目标位置(60、95 45)如图10 (d)。这个实验的结果表明,该方法可以自动再生为AUV当目标的位置发生变化时,这是一个非常重要的性能在海里AUV的路径规划。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图10
实验结果动态路径规划的目标:(a) = 0,步视图= (−49°,18°);视图(b)一步= 19日= (−51°,18°);(c)一步= 54,查看= (−43°,22°),(d) = 94步,查看= (26°16°)。
3.3.2。有一个水下机器人和目标之间的水下洞穴

进一步测试的性能在一些特殊的水下环境中建议的方法,进行了仿真实验,一个水下洞穴AUV和目标之间存在(见图(11日))。这个实验的结果显示在图11。AUV的运动在这个实验中表明,水下机器人将进入洞穴首先因为没有任何先验知识的环境。然而,AUV可以逃离洞穴和达到目标的基础上,提出了动态BINN方法(见图11 (b)来11 (d))。虽然路径不是最短的一个目标,该方法的性能是好的在这个具有挑战性的任务。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图11
的路径规划结果实验,水下机器人和目标之间的水下洞穴出口:(a) = 0,步视图= (76°−14°);= = 73 (b)的一步,视图(−29°,23°);(c) = 134步,查看= (−40°30°);(d) = 184步,查看= (−79°,22°)。

4所示。讨论

仿真实验的结果3表明,提出的路径规划算法可以处理3 d未知的水下环境中的路径规划问题。的性能和改进建议的方法将在本节中讨论。

的主要改进建议的方法是计算效率,所以提出了实时路径规划方法的性能首先讨论在一个非常大的水下环境中。然后进行仿真实验,该方法的参数是一样的3大,除了环境(维度 )和障碍的分布更为复杂。90年初始位置(20日,10)和目标位置(250、40、40)。最后建议的方法生成的路径图所示12。结果在图12表明,该方法可以处理水下机器人路径规划的一个非常大的环境效率。显示该方法的性能在这个大的环境中,这个任务的计算时间比较与实验部分3(见表3)。结果在表3表明,提出的基于动态BINN方法的计算时间几乎线性依赖于路径长度和建议的方法的性能没有明显影响的大小环境。这种性能优于普通BINN基于模型的方法需要计算所有神经元的活动在整个环境中(见[24,29日])。此外,在表7个实验的结果3表明,该方法的计算效率很好,这是非常重要的实时路径规划的任务。

表3
比较不同实验的计算时间。

图12
的路径规划结果的实验在一个非常大的水下环境中(查看= (−30°,18°))。

虚拟目标选择策略中引入部分2.2和基于该方法的仿真结果表明,该重复路径问题有效解决。一般BINN基础方法,机器人将被困在一些困难的环境时,环境是未知的和传感器的范围是有限的,而障碍很大,大的山等部分3.2。1和水下洞穴的部分3.3。2。然而,该方法可以处理这些挑战性的问题基于虚拟目标选择策略,充分利用历史信息的环境,不应该有任何障碍前进方向从AUV虚拟目标(见图3)。该方法的性能优于传统的人工势场方法和其他优化方法,将遇到的局部最小值的问题20.,36]。

另一个改进建议的方法是目标吸引子的计算神经元的活动(见(6)),这将在最后讨论部分。实验进行了比较,该方法与方法相比有相同的参数和工作流程提出方法,除了目标吸引子被撤6)。实验部分3.3。1用作参考。实验结果如图所示13和表4。对比实验的结果表明,水下机器人到达目标(95,45岁)94步基于建议的方法,但AUV达到目标(95年53岁,52)98步基于没有目标吸引子的方法。原因是目标吸引子可以增加神经元活动的计算效率,效率是增加3倍以上使用目标吸引子(见表4)。结果表明,该方法可以改善的目标吸引子的实时性能BINN基于路径规划方法。另一方面,目标吸引子直接吸引了AUV的目标和水下机器人更有能力适应目标轨迹的变化比没有目标吸引子,这有助于AUV得到目标速度和生成的路径更短(见图13和表4)。这种性能因素是非常有用的在动态路径规划任务目标。

表4
比较实验目标吸引子。
(一)
(一)
(b)
(b)
图13
比较实验结果为一个动态的目标:根据该方法(a);(b)基于该方法没有目标吸引子。

如上的讨论和工作过程中引入部分2,几点提出基于BINN值得注意。 这个模型最初是来源于霍奇金和赫胥黎的27)生物膜模型,这是生理上的。 提出BINN拓扑组织,和机器人运动规划是基于神经网络的动态活动景观,而不需要学习的过程。 因为一般BINN线性的计算复杂度取决于神经网络中的神经元的数量,它是不适合非常复杂和大型的环境。在拟议的方法中,这个问题是有效地解决。 BINN提出的计算方法是简单的比其他优化方法,如遗传算法和基于算法的方法(37]。此外,提出了基于BINN方法不同于以前的基于通用BINN模型的路径规划方法,神经网络是静态的,只使用目标的距离信息(13,24,38]。

5。结论

3 d实时路径规划的AUV水下环境一直在调查。提出了动态bioinspired神经网络,一个虚拟目标策略是用来帮助AUV找到一个最优或次优路径从开始位置到目标有效。在提出基于BINN方法中,目标吸引子是引入神经元活动更新方程,以提高计算效率bioinspired神经网络的实时路径规划。该方法可以处理各种情况下的路径规划问题:也就是说,目标是漂浮在水和出现在海底,环境大,目标的位置发生变化。然而,仍然有一些限制在BINN路径规划方法应进一步研究:也就是说,没有任何先验知识的环境或任务可以使用,这使得整个效率低。来处理这个问题,一些基于学习的方法,如基于强化学习方法可能被融合到BINN方法来保证实时性能和充分利用先验信息。在未来的工作中真正的实验将进行水下机器人路径规划和一些新的bioinspired方法研究了提高路径规划的效率。

相互竞争的利益

作者宣称,关于这项工作他们没有利益冲突。

确认

作者要感谢中国国家自然科学基金(61203365和61203365),江苏省自然科学基金(BK2012149),中央大学的基础研究基金(2015 b20114和2015 b14614)和江苏省研究生创新项目(KYLX15_0496)的支持。