文摘

Multi-AUV合作目标搜索问题未知三维水下环境不仅是一个研究热点,但也是一个具有挑战性的任务。为了完成这个任务,每个自主水下航行器(AUV)需要迅速行动没有碰撞和配合其他水下找到目标。本文改进的海豚群算法——基于(DSA)的方法,提出了和搜索问题分为三个阶段,即随机巡航,动态联盟,和团队搜索。在拟议的方法中,利维的飞行方法用于提供一个随机游走AUV检测目标信息在随机巡航阶段。然后自组织映射(SOM)神经网络用于实时构建动态联盟。最后,提出了一种改进的DSA算法实现团队搜索。此外,一些进行了模拟,结果表明,该方法能够指导multi-AUVs实现未知三维水下环境中的目标搜索任务效率。

1。介绍

自主水下航行器(AUV)已经广泛应用领域的科学、商业和军事,比如搜索失踪的飞机和船只的残骸,海上救援,和开发海洋资源1- - - - - -4]。最近Multi-AUV系统吸引了越来越多的关注,由于其高并行性、鲁棒性和协作效率高(5,6]。Multi-AUV系统能够快速有效地完成困难的任务比单个AUV,所以它是一个非常重要的研究领域的发展方向AUV (7- - - - - -9]。

搜索是一个非常重要的目标和基本任务multi-AUVs的应用程序。此外,这是一个非常具有挑战性的任务领域的多个水下机器人。做了大量的工作来处理目标搜索问题。例如,肖et al。10)提出了一个合作可替换主体搜索算法来解决这个问题寻找一个目标在2 d平面多个约束。李,段(11)提出了一个游戏理论制定多无人机协同搜索和监测。Cai和杨12)提出了一个新颖的潜在实地粒子群优化方法的一组在未知环境中移动机器人协同搜索目标。大多数存在方法都集中在地面移动机器人的搜索问题2 d环境。然而,搜索任务之间有明显差异的地面移动机器人和水下机器人。水下环境三维(3 d)和有很多的不确定性13- - - - - -15),这是更复杂的比2 d地面环境。所以,一般合作搜索方法不能直接用于multi-AUVs地面移动机器人。

许多研究已经完成处理各种任务multi-AUVs合作搜索任务。例如,朱et al。16)生物自组织映射方法,提出了一个动态任务分配和multi-AUV系统的路径规划。曹et al。17)提出了一个集成的算法一个合作团队的Multi-AUVs结合Glasius bioinspired bioinspired级联神经网络跟踪控制的方法来提高搜索效率和减少跟踪错误。易et al。18)研究了一群机器人的任务分配问题在3 d动态环境中,和一种改进的方法,集成了生物神经系统的优势和特点。李等人。19为AUV)提出了一个bioinspired地磁导航的方法,而不是使用任何先天的地磁信息。这些方法上面所讨论的都是multi-AUV搜索任务的关键技术,并研究结果提供了一个很好的multi-AUVs的基本合作的搜索任务。以上这些方法却很少考虑合作搜索任务作为一个整体,和动态的搜索任务目标往往是忽略了。

完成合作任务有效地搜索multi-AUVs,搜索任务的复杂性在3 d未知的水下环境中应考虑以极大的不确定性。水下机器人的安全性和合作效率的两个主要问题在搜索任务(20.,21]。最近,许多研究人员在这个领域做了大量的工作。例如,镍等。22)提出了一种分区和列并行搜索策略和搜索形成控制算法基于一种改进的脊髓神经系统在三维水下环境障碍。阿伯et al。23)提出了一个覆盖路径规划技术搜索操作,考虑了不确定性的车辆位置和检测性能。曹et al。24)研究了三维水下环境中的目标搜索的问题,和一个集成的策略,提出了包括地图构建基于Dempster-Shafer理论的证据和路径规划基于bioinspired神经动力学模型。然而,仍然有一些缺点应该解决的现有方法,如动态目标搜索的效率低的复杂的三维水下环境。

合作的方法搜索多个水下机器人可以分为两种类型根据目标信息。一个是基于目标先验分布的已知信息,如启发式搜索方法(25,26]。另一种是基于传感器信息没有任何目标的信息,如该地区搜索方法(27]。本文集中于传感器的信息化合作基于群体智能算法的搜索任务。

在拟议的方法中,一种新颖的集成搜索方法,提出了包括随机巡航策略,动态联盟建设,找到目标的位置的方法。首先,征税flight-based随机巡航提出策略给AUV随机漫步巡航在水下环境中(28,29日]。在这项研究中,随机行走算法提高了调整模块基于模糊规则,使它适合AUV的运动特点和水下环境的复杂性30.]。获取目标信息后,确定动态联盟团队搜索使用SOM神经网络算法(31日,32]。然后,一种改进的海豚群算法——基于(DSA)是用于计划每个AUV的路径搜索目标(33,34]。合作搜索方法本文充分考虑的障碍,使搜索任务更符合实际情况,提高该方法的实用性。

总结了本文的主要贡献如下。(1)合作的3 d未知的水下环境中搜索任务,完成一个multi-AUVs系统。(2)提出一种改进的DSA-based方法为multi-AUV目标搜索,这是一个集成的几种方法,如模糊规则的随机行走算法对水下机器人巡航和改善DSA-based团队搜索方法。(3)DSA-based方法改进的能力。降低了算法的计算时间,算法的搜索效率和自适应性的水下三维水下环境增加了。(4)一些3 d模拟是进行水下环境中,搜索任务的情况下模拟静态指标和动态指标。,该算法与一般的海豚群算法和PSO算法在这些模拟。

本文组织如下。部分2提出了问题陈述。提出合作搜索方法对多个水下机器人基于改进的DSA节中给出3。部分4给出了仿真研究和结果分析。讨论了该方法的性能5。最后,给出了结论部分6。

2。问题陈述

摘要multi-AUV未知三维水下环境合作目标搜索问题进行了研究。技术细节并不是集中在这项研究中,包括AUV的形状和运动、环境检测和通信问题。本文的搜索任务是一个水下机器人系统是用来发现一些在这水下环境目标。介绍了问题如下:(1)水下机器人是贴上 ,和目标的集合来表示 。 水下机器人的数量用于搜索任务,然后呢的数量目标。(2)目标有一些信息能被探测到的水下机器人(如热源的红外辐射,辐射的放射性源,或难闻的气味的来源),和目标的强度信息环境中定义如下: 在哪里代表目标信息的强度;和目标的坐标吗和一个点分别在环境中;是最大的信息强度;代表了目标信息的传播半径;和功能定义位置之间的距离和 。(3)每个AUV被认为是一个全向机器人,有一个与其他水下视觉能力和沟通的能力,相互识别,识别目标的信息,实时侦测障碍物,并确定其位置。对于简化不失一般性,AUV可以改变移动方向。AUV的移动速度可以改变周围一定范围内的标准(定义为速度 )。(4)水下机器人没有知识环境和目标的位置,除了搜索目标的数量。AUV越接近目标时,目标信息的强度更大。如果目标是在视觉范围内的AUV(表示 ,这是非常小的,因为水下环境黑暗),它是由这个AUV发现并锁定。

的搜索任务目标基于multi-AUVs如图1。工作流程和提出解决方案的三个主要阶段研究如图2将详细介绍如下。

3所示。建议的方法

为了完成合作任务寻找multi-AUV系统在未知三维水下环境中,应该有效地解决一些关键问题,包括随机巡航策略,动态联盟建设,寻找目标根据目标的位置信息。摘要multi-AUV合作目标搜索的方法基于一种改进的DSA算法。

在引入该方法之前,有必要定义一些旗帜。一个国旗来标示 ,表明AUV地位巡航、搜索或锁定。另一个标志是用 ,指示目标身份未知的、已知或锁定:

3.1。利维Flight-Based随机巡航

当AUV没有找到任何目标信息,准备好了吗 。AUV的是随机巡航在水下环境中,在一个适当的随机巡航策略是至关重要的。摘要征收飞行用于随机改变AUV的位置。利维飞行本质上提供了一个随机行走的机器人,而随机步长来自征税分布(35]: 在哪里是一个索引。然后下一个AUV的位置可以决定 在哪里是AUV的位置当时t;调整参数应与AUV的速度;意味着中的元素的乘法;可以通过在那年的算法计算(36]: 在哪里和来自正态分布。

根据AUV一般征税飞行,可以得到一个随机路径搜索目标信息。然而,一些重要的事情一般不会考虑随机行走算法,因为它是常用的优化算法。例如,AUV可能跑出搜索区域和碰撞与障碍和其他水下机器人,和税产生的步长算法不适合水下机器人的运动。解决上面这些问题,基于模糊规则调整模块算法引入一般征税。它的结构如图3。

提出调整模块的输入之一是环境信息(包括距离的障碍,距离的邻居AUV,搜索区域边界之间的距离,定义为 , ,和 ,分别)。考虑AUV的真实运动,另一个输入调整模块的定义如下: 在哪里仿真步长。调整模块的输出调整步长和运动方向 。

摘要调整模块是基于一些模糊规则。考虑到水下环境的复杂性,输入的成员变量 , ,和划分为三个模糊集,这是什么(代表近、中、远)。的成员变量和划分为五个模糊集,是吗 。本文中使用的隶属函数是高斯函数。使AUV有效地找到目标信息,被定义为 ,代表直接和转(转角度的范围是随机的 )。根据经验,总总结了九个模糊规则调整模块,和风格的这些规则如下:

在这个阶段,所有水下机器人随机移动搜索领域的检测目标信息,直到一个水下机器人找到目标信息。然后到下一个阶段。

3.2。基于SOM神经网络的动态联盟

AUV后找到目标信息,设置为AUV的旗帜和检测目标的旗帜是贴上 。在检测到目标AUV找到,找到目标信息应该构建一个动态AUV联盟搜索目标更快和更有效,可以被看作是一个任务分配问题。

在这项研究中,基于SOM神经网络的动态联盟分配策略。SOM神经网络包含两层,即输入层和输出层(图4)。神经网络的输出层中的每个神经元都应对输入通过竞争的机会。最后,只有一个神经元成为赢家。SOM神经网络的竞争、合作和自组织,可以用来解决multi-AUV系统有效的任务分配问题。

提出了SOM神经网络的输入层神经元组成 ,代表AUV的坐标在三维水下环境。和其他水下机器人的坐标表示作为输出层神经元: 。每个神经元的输出层是完全连接到输入层的神经元,一个输入神经元,不仅有一个赢家。

选择赢家在迭代期间,和成功者的数量取决于大小的AUV的团队。对于一个给定的目标作为输入,输出神经元竞争获胜者在迭代根据指定的标准描述为(37]: 在哪里表示,th的神经元th组输出的神经元是赢家;是一组神经元,在迭代没有赢家。如果th神经元的选择是一个赢家,相关AUV的旗帜是设置为 。所有获胜者水下机器人构建动态联盟。

3.3。基于改进的DSA团队搜索

在这个阶段,水下机器人在每个团队将搜索目标的确切位置根据的强度信息,这是一个合作搜索问题的最优解。考虑到复杂的水下环境和水下机器人之间的合作在一个团队中,提出一种改进的海豚群算法(DSA) multi-AUV合作搜索,这是一种有效的全局搜索方法解决各种优化问题,通过模拟实际海豚的掠夺性的过程(33]。本文使用DSA方法的主要原因是,DSA具有更好的全局搜索能力,更好的稳定,和较高的收敛速度,相比之下,传统的进化算法。使DSA更高效的团队的搜索方法,本文提出了一些改进,介绍如下。

在拟议的DSA-based方法中,每个海豚代表一个水下机器人,水下环境的三维搜索空间。海豚被定义为 ,和它的位置 ,这是AUV的坐标的一样吗 。对于每一个海豚 ,有两个相应的变量和 ,在哪里和代表获得的优化解决方案海豚所有的海豚分别组织在一个单一的搜索时间。是海豚的数量在一个组,即AUV团队的大小。的适应度函数是判断的基础地位是否更好,定义如下: 在哪里目标的信息强度吗 ; 参数调节障碍或其他水下机器人对目标的影响;是一个函数来检查是否存在一个障碍,然后呢是一个函数来判断是否有其他水下机器人太近相撞。这两个函数定义如下: 在哪里是两个水下机器人的安全距离,以避免碰撞在一起。

有四个关键阶段DSA-based搜索过程,即探索阶段(即搜索阶段;区分DSA的搜索阶段和multi-AUVs系统的搜索任务,在这篇文章中,我们命名它为探索阶段),调用阶段,接待阶段,和捕食的阶段。介绍了每个阶段的细节如下:(1)探索阶段。在这个阶段中,每一个海豚通过发出声音来探索其附近地区 ,对随机方向, ,和是一个常数代表声音的速度属性。在最大探索时间 ,的声音的海豚使在时间将会寻找新的解决方案 : 在哪里 ,和海豚是总探索时间。的价值为在时间的计算

的价值为可以得到: 在哪里的设置方法的海豚在探索时间 。

在multi-AUV目标搜索任务中,水下机器人的运动特性应考虑三维水下环境。在一般DSA-based方法中,声音的方向是随机的,这将减少合作搜索的影响。处理这个问题,声音的随机方向DSA-based方法取而代之的是一个3 d动态移动方向模型,如图所示5。

提出方向的模型,它的核心是AUV的位置,机载传感器的探测距离,代表了声音的方向。从所有可能的方向被认为是方向模型,最大探索时间可以不考虑和水下机器人只需要搜索的最优方向一旦在一个探索的时间。然后,新的解决方案在方程(11可以计算) (2)调用阶段和接待阶段。在调用阶段,每一个海豚会使声音通知其他海豚在探索阶段的结果。在接待阶段,海豚将决定他们是否能接收信息从其他海豚,根据传输时间矩阵 。在这项研究中,为简化,假设水下机器人之间的通信是正常的;这意味着从打电话的声音信息阶段可以收到所有海豚在接待阶段。

然后在这两个阶段的海豚更新如下: 在哪里的价值是获得所有的海豚在同一组。(3)捕食的阶段。在这个阶段,海豚显示需要更新他们的立场计算了前一阶段。然而,在一组相同的基于DSA的方法,这可能会导致水下机器人在同一团队之间的碰撞。处理这一问题,结合水下机器人的运动特征和水下环境,自适应参考点( )本文提出了如下: 在哪里是一个常数;和是一个任意单位向量。然后,该算法的更新公式所取代

毕竟海豚新职位 ,然后更新通过

所有的AUV将走向新的位置 ,直到目标是发现。否则,DSA-based方法将再次去探索阶段。整个提出方法的伪代码如图6及其工作流程总结如下。

步骤1。水下巡航在未知环境中随机使用随机行走算法,并检测目标信息。

步骤2。如果检测到目标信息,动态AUV联盟搜索目标是由SOM神经网络构造算法。

步骤3。动态联盟中的每个AUV指引找到目标的位置使用海豚群算法。

步骤4。AUV一旦发现目标,然后一个水下机器人联盟将跟踪的目标,和其他人在同一联盟去Step1。

第5步。如果所有的目标是发现,搜索任务结束。

4所示。仿真实验

证明该方法的有效性为合作目标寻找multi-AUVs在未知的3 d环境中,一些由电脑模拟进行4 g RAM和i5 - 2450 m 2.5 GHz CPU在MATLAB平台。为了简化实现,本研究假设如下:(1)点的水下机器人和目标被假定没有任何形状。(2)障碍扩大正确模拟来处理这个问题的真正的水下机器人的形状和大小。(3)目标假定随机移动的环境和AUV速度大于目标速度;否则,它将很难找到目标。在模拟AUV的步长是4米和目标的步长是2米。(4)水下机器人、障碍物和目标位置是随机部署在三维水下环境。

所有模拟都是相同的参数和给定的表1。环境的大小 。显示的优点提出了改进DSA-based算法(I-DSA),这是与一般算法搜索算法(PSO)和普通DSA (G-DSA)方法。在目标搜索任务的传导,巡航阶段和方法的动态联盟三种方法一样,期望最终团队搜索的方法是不同的。在一般PSO-based团队搜索方法,主要的参数和 ,的认知和社会缩放因子(38)和设置和在这项研究中。G-DSA-based方法有相同的参数作为I-DSA-based方法有可比性,除了G-DSA生成方向随机和有多个迭代的更新 。

4.1。目标是静态的

为了测试该方法的基本性能,寻找的第一个模拟静态目标进行。搜索过程的基础上,提出I-DSA方法如图7。图7(一)显示了水下机器人的初始位置和目标。水下机器人的初始位置 , , , , ,和 。和目标的初始位置和 。图7 (d)基于该方法显示了最终的轨迹。比较实验结果如图所示8和表2。在这项研究中,索引是用来比较的综合性能的搜索方法,即计算效率 ,这是定义如下: 在哪里使用的总时间找到所有的目标和吗所有的水下机器人的总步骤用于搜索任务。的值越小 ,搜索方法的计算效率就越高。

结果在图7表明,该方法可以有效地找到目标。在第一次,AUV水下环境中的障碍物和目标一无所知,所以每个AUV邮轮在水下环境中随机。然后,信息检测到水下机器人,一个联盟寻找吗是由水下机器人吗 , ,和(图7 (b))。当目标发现并锁定了吗(图7 (c)),另外两个水下机器人在这个联盟克鲁斯再次随机搜索的其他目标。最后,两个目标是发现和搜索任务完成后(图7 (d))。结果在图8和表2表明,所有三种方法可以找到静态目标有效。因为目标是静态的,G-DSA方法需要更少的步骤和它的长度小于该I-DSA方法。然而,计算效率G-DSA小于该方法。

4.2。目标是动态的

进一步测试的性能建议的方法在动态目标的搜索任务,这是进行模拟。在这个仿真,可以在水下环境中随机移动的目标。该方法的结果如图所示9和初始位置的水下机器人和目标相同的静态模拟(图9(一个))。最后基于PSO方法和轨迹G-DSA方法模拟如图10。这个模拟的结果列在表中3。

基于该方法在搜索过程中,目标由联盟搜索 , ,和首先。然后,发现并锁定了吗 。这个过程是类似与静态模拟(图9 (b))。然而,水下机器人和将构造一个新的联盟搜索 ,的信息检测到。与此同时,移动后(图9 (c))。最后,是发现的 ,搜索任务完成,和最终目标的位置和(图9 (d))。仿真结果表明,该方法可以搜索动态目标在未知环境下成功比G-DSA相对平滑的路径方法和PSO方法(数据9 (d)和10)。此外,表中的数据3表明,该方法有更大的优势与最短路径,最短的时间,和计算效率最高的动态目标搜索任务比其他两种方法,显示了该方法效率更高的动态目标搜索任务。

5。讨论

模拟的结果4表明,该方法能有效实现multi-AUV合作搜索任务在未知的3 d环境中,展现出极大的优越性与DSA和PSO算法进行比较。一些表演的建议的方法将在本节中讨论。

为了测试该方法在搜索目标的影响在一个非常复杂的形势下,进行模拟,该方法的参数是一样的那些部分4环境中,除了有一些动态障碍(的步长动态障碍是3米)。在这个仿真,水下机器人和目标的数量是3和1,分别显示目标搜索过程。水下机器人的初始位置 , ,和 ,和目标的初始位置(图(11日))。最后建议的方法生成的路径图所示11 (d)。在这个模拟过程中,搜索任务的总时间是15.580 (s),和所有的水下机器人的路径长度是465.19米。提议的方法的计算效率在这个任务中是0.146,从而增加明显而在静态环境下的任务。主要原因是该方法应该计算环境实时在巡航阶段,需要大量的时间在动态环境中。尽管如此,这个模拟的结果表明,水下机器人的基础上,提出的方法可以有效地找到目标,避免同时移动的障碍,在动态未知的3 d环境中(数据11 (b)- - - - - -11 (d))。

为了说明算法的广泛应用,仿真是进行更多的目标。环境和建议的方法的参数是一样的那些部分4,除了目标的数量增加到4。水下机器人的初始位置是相同的部分4和目标的初始位置 , , ,和(图12(一个))。搜索过程的结果在图所示12。搜索过程的总时间是31.326 (s),和所有的水下机器人的路径长度是851.47米。该方法的计算效率这个任务是0.181;主要原因是需要时间来找到目标信息,和合作绩效显然会减少当目标的数量的比例与水下机器人的数量减少(数字12 (b)- - - - - -12 (d))。仿真结果表明,该方法可以处理这个具有挑战性的任务。此外,该仿真证明了多个水下机器人可以提高搜索效率,和搜索效率和成功率会大大增加如果有多水下机器人加入任务。

6。结论

multi-AUV合作目标搜索问题未知三维水下环境研究本文提出了和一种新颖的集成方法。在拟议的方法中,一种改进的随机行走算法用于AUV随机巡航在未知的环境和SOM神经网络算法是用来构建动态联盟的水下找到目标信息。并提出一种改进的海豚群算法(DSA)意识到最后的团队寻找目标。该方法可以处理的问题合作搜索任务有效地在各种情况下,如目标是动态的和有一些障碍环境中移动。此外,水下机器人的运动特性被认为是在该搜索方法,这使它容易应用该方法的实际应用在multi-AUVs搜索任务目标。在未来的工作中,真正的实验为多个水下机器人合作搜索将测试该方法的实际性能。此外,一些其他bioinspired方法研究,实现目标搜索multi-AUVs更有效率。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者声明他们没有利益冲突。

确认

这项工作得到了国家自然科学基金(61873086,61873086,61573128),和中央大学的基础研究基金(2018 b23214)。