[發明專利]一種基于CW-RNN網絡的UUV實時避碰規劃方法

有效

• 申請號: 201810044019.4
• 申請日: 2018-01-17
• 公開（公告）號: CN108459614B
• 公開（公告）日: 2020-12-04
• 發明（設計）人: 王宏健;林常見;袁建亞;練青坡;王成龍;付明玉
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G05D1/10
• 分類號: G05D1/10;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于CW-RNN網絡的UUV實時避碰規劃方法，其特征在于：所述方法步驟如下，步驟(1)：構建全局坐標系和局部坐標系，建立聲納仿真模型；步驟(2)：設計用于實時避碰規劃的CW-RNN網絡；步驟(3)：構建數據集，包括訓練集和測試集，分別用于神經網絡的訓練階段和測試階段；步驟(4)：利用訓練集中數據訓練CW-RNN網絡，得到基于CW-RNN網絡的實時避碰規劃器；步驟(5)：將聲納探測信息及目標點信息輸入至基于CW-RNN網絡的避碰規劃器，獲得UUV下一時刻的轉艏及速度的調整指令；

步驟(1)中所述的全局坐標系采用北東坐標系，地圖左下角為原點，正北方向為X軸，正東方向為Y軸；局部坐標系原點選在UUV重心處，X’軸取在UUV縱向剖面內，指向UUV艏端，Y’軸與縱剖面垂直，指向右舷；二維多波束聲納仿真模型水平開角為120°，最大探測半徑為120m，共80個波束，波束角為1.5°，每個波束上探測噪聲為±1％；

步驟(2)中所述的CW-RNN網絡為端對端模型，可以直接根據傳感器探測信息得出規劃結果，該網絡模型包含四層，分別為輸入層、隱藏層、中間層以及輸出層；輸入層由81個單元組成，其中前80個單元分別對應仿真聲納的80個波束中包含的距離信息，第81個單元對應UUV當前位置與目標點之間的夾角；隱藏層由CW-RNN組成，序列長度為10，上一時刻的隱藏層的輸出為下一時刻隱藏層的輸入；中間層由23個單元組成；輸出層由2個單元組成，分別對應所規劃的下一時刻UUV的轉艏和速度；輸入層與隱藏層、隱藏層與中間層、中間層與輸出層間的連接方式為全連接；

步驟(3)中構建訓練集時，在全局坐標系中生成若干組隨機地圖及實時路徑，并在每個路徑節點采集聲納信息，所采集的信息為訓練樣本，將實時路徑中UUV艏向調整的角度及速度作為訓練標簽；構建測試集時，在全局坐標系中生成若干組隨機地圖及實時路徑，并在每個路徑節點采集聲納信息，所采集的信息為測試樣本，將實時路徑中UUV轉艏及速度作為測試標簽；

步驟(4)中所述的獲得實時避碰規劃器的過程如下，將訓練數據中的聲納信息作為輸入數據，將訓練集中相對應的標簽作為輸出數據，對CW-RNN網絡進行訓練，從而獲得基于CW-RNN網絡的實時避碰規劃器；損失函數為均方差函數，在訓練過程中，采用小批量梯度下降誤差反向傳播算法優化CW-RNN網絡的權值；

所述的CW-RNN網絡實現方式如下，將隱藏層分為4個模塊，每個模塊包含45個單元，第i個模塊對應的時鐘周期T_i＝2^i-1；

相對應的，W_xs和W_ss也被分為4組，即W_xs為輸入層與隱藏層間的權重矩陣，W_ss為隱藏層與隱藏層間的權重矩陣，

其中，W_ss為上三角矩陣，即W_ssi＝{0,…,0,W_ssi,i,…,W_ssi,4}；

只有滿足tMODT_i＝0時，模塊i才被激活，被激活的模塊參與運算，并更新自身狀態，未被激活的模塊不參與運算，并保持原狀態，即

步驟(3)所述的數據集中數據具體如下，仿真聲納探測到的距離信息為其中為當前時刻第i個波束探測到的距離信息，當第i個波束未探測到障礙時，為了簡化輸入信息，將t時刻聲納探測到的距離信息做如下處理：將t時刻UUV所在位置與目標點形成的角度表示為則t時刻CW-RNN網絡的輸入向量t時刻CW-RNN網絡的標簽l_t＝[Δθ_t,v_t]，其中Δθ_t和v_t分別表示期望的UUV轉艏和速度的調整指令，在訓練開始前對數據集中數據做如下預處理：將數據集中數據分為n個批量；數據集的歸一化方法為減去列最小值后除以列最大值和列最小值的差，在訓練過程中輸入數據和標簽對應關系為：若時刻t＜10，則[x₁,…,x_t]對應標簽l_t，若t≥10，則[x_t-9,…,x_t]對應標簽l_t。