[發(fā)明專利]一種基于LSTM-RNN的UUV動(dòng)態(tài)規(guī)劃方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810043819.4
• 申請(qǐng)日: 2018-01-17
• 公開（公告）號(hào): CN108279692B
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 王宏健;林常見;么洪飛;肖瑤;張宏瀚;張雪蓮
• 申請(qǐng)（專利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類號(hào): G05D1/06
• 分類號(hào): G05D1/06;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開了一種基于LSTM?RNN的UUV動(dòng)態(tài)規(guī)劃方法，屬于無(wú)人潛航器領(lǐng)域，包括如下步驟：步驟(1)：選擇幾何模型構(gòu)建障礙環(huán)境模型；步驟(2)：利用蟻群算法建立用于獲取數(shù)據(jù)集的UUV動(dòng)態(tài)規(guī)劃器；步驟(3)：設(shè)計(jì)用于動(dòng)態(tài)規(guī)劃的LSTM?RNN網(wǎng)絡(luò)模型；步驟(4)：獲取數(shù)據(jù)集：步驟(5)：利用數(shù)據(jù)集中訓(xùn)練集的數(shù)據(jù)訓(xùn)練LSTM?RNN網(wǎng)絡(luò)，得到基于LSTM?RNN網(wǎng)絡(luò)的動(dòng)態(tài)規(guī)劃器；步驟(6)：將聲納探測(cè)信息及目標(biāo)點(diǎn)信息輸入至基于LSTM?RNN網(wǎng)絡(luò)的運(yùn)動(dòng)規(guī)劃器，獲得UUV下一時(shí)刻的航向及航速。本方法具有強(qiáng)大的學(xué)習(xí)能力，同時(shí)還具有非常強(qiáng)的泛化能力，這使得所實(shí)現(xiàn)的動(dòng)態(tài)規(guī)劃器適用于復(fù)雜的環(huán)境。同時(shí)滿足實(shí)時(shí)性的要求，并且所規(guī)劃的路徑符合UUV的運(yùn)動(dòng)特性。

技術(shù)領(lǐng)域

本發(fā)明屬于無(wú)人潛航器領(lǐng)域，尤其涉及一種基于LSTM-RNN的UUV動(dòng)態(tài)規(guī)劃方法。

背景技術(shù)

UUV在未知環(huán)境下的動(dòng)態(tài)路徑規(guī)劃能力是體現(xiàn)其智能水平的重要指標(biāo)之一。傳統(tǒng)動(dòng)態(tài)規(guī)劃方法往往遭受著環(huán)境模型精度與規(guī)劃實(shí)時(shí)性矛盾的困擾，且在具有大量隨機(jī)運(yùn)動(dòng)障礙的復(fù)雜環(huán)境中，還需設(shè)計(jì)輔助策略才能實(shí)現(xiàn)理想的規(guī)避，這些輔助策略的設(shè)計(jì)是相當(dāng)復(fù)雜的，而且需要大量的計(jì)算時(shí)間。因此，探尋一種簡(jiǎn)單、廉價(jià)、高效、易于實(shí)現(xiàn)的動(dòng)態(tài)路徑規(guī)劃方法具有重大的理論和實(shí)踐價(jià)值。

隨著陸地資源消耗日趨枯竭,各國(guó)開始大量投入金錢、時(shí)間和人力開發(fā)水下資源,水下無(wú)人潛航器被重點(diǎn)所關(guān)注,而各種各樣的無(wú)人潛航器在達(dá)到復(fù)雜作業(yè)及安全航行時(shí),均要按照相應(yīng)的航行路徑進(jìn)行操作,才能完成一次水下潛航。為了實(shí)施最佳航行計(jì)劃、保持潛航器能在預(yù)定的航向上運(yùn)行,要保證潛航器的操縱性,潛航器具備很好的操縱性時(shí),能穩(wěn)定維持行駛航向、深度及航速,又能快速對(duì)航向、深度及航速進(jìn)行改變,正確的執(zhí)行種種操作。水下無(wú)人潛航器路徑的控制,也影響著無(wú)人潛航器的工作性能,需要對(duì)水下潛航器的路徑進(jìn)行有效的控制。

路徑規(guī)劃，即找到一條從起點(diǎn)到終點(diǎn)的無(wú)碰撞安全路徑，并且使特定的規(guī)劃指標(biāo)如路徑最短、風(fēng)險(xiǎn)最小、任務(wù)完成量最多等達(dá)到最優(yōu)。路徑規(guī)劃算法在國(guó)內(nèi)外已有相當(dāng)多的研究，比較常用的有A*算法、Dijkstra算法、蟻群和遺傳等仿生智能算法。然而基于上述傳統(tǒng)算法的實(shí)時(shí)路徑規(guī)劃系統(tǒng)，存在環(huán)境模型的精度以及路徑的優(yōu)化程度與規(guī)劃的實(shí)時(shí)性相互矛盾的問(wèn)題。深度學(xué)習(xí)是目前最具潛力的人工智能算法，其強(qiáng)大的非線性擬合能力可以為UUV提供一套簡(jiǎn)單、高效、易于實(shí)現(xiàn)的運(yùn)動(dòng)規(guī)劃系統(tǒng)。這使得UUV具有了一定的自主學(xué)習(xí)的能力，從而減少了其對(duì)感知設(shè)備的依賴，增強(qiáng)了其在避碰過(guò)程中的靈活度。運(yùn)動(dòng)規(guī)劃系統(tǒng)的規(guī)劃能力隨著UUV在運(yùn)動(dòng)的過(guò)程中的不斷學(xué)習(xí)而逐步提高。

中國(guó)專利CN107368076A公開了一種智能環(huán)境下機(jī)器人運(yùn)動(dòng)路徑深度學(xué)習(xí)控制規(guī)劃方法，該方法使用深度學(xué)習(xí)DBN網(wǎng)絡(luò)解決運(yùn)載機(jī)器人全局路徑規(guī)劃問(wèn)題。所提深度學(xué)習(xí)DBN網(wǎng)絡(luò)包括一層輸入層、三層隱藏層以及一層輸出層，其中可視層與第一隱藏層構(gòu)成第一層限制玻爾茲曼機(jī)RBM，第一隱藏層與第二隱藏層構(gòu)成第二層限制玻爾茲曼機(jī)RBM，第二隱藏層與第三隱藏層構(gòu)成BP網(wǎng)絡(luò)層。該專利采用逐層訓(xùn)練的方法依次對(duì)兩層限制玻爾茲曼機(jī)RBM和BP網(wǎng)絡(luò)層進(jìn)行訓(xùn)練。與全局路徑規(guī)劃不同，動(dòng)態(tài)規(guī)劃器需要根據(jù)過(guò)去一段時(shí)間內(nèi)的環(huán)境信息實(shí)時(shí)輸出規(guī)劃結(jié)果。相較于限制玻爾茲曼機(jī)RBM，LSTM-RNN具有處理較長(zhǎng)時(shí)間序列的能力，且更適用于復(fù)雜的規(guī)劃問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的在于公開靈活度高，能夠適應(yīng)復(fù)雜環(huán)境的一種基于LSTM-RNN的UUV動(dòng)態(tài)規(guī)劃方法。

本發(fā)明的目的是這樣實(shí)現(xiàn)的：

一種基于LSTM-RNN的UUV動(dòng)態(tài)規(guī)劃方法，包含如下步驟：

步驟(1)：選擇幾何模型構(gòu)建障礙環(huán)境模型：