论文部分内容阅读
有效合理的开发、探测海洋资源是摆在我们面前的一个挑战和机遇。在复杂多变的海洋环境下,无人艇区别于无人机、移动机器人的适用性进一步得到凸显,其发展越来越受到国内外学者的关注。无人艇的路径规划也成为了其发展过程中必不可少的关键环节,其目的是通过优化算法规划出最优的路径。
在该领域积累了大量的规划算法,主要包括A*算法、快速行进法、人工势场法、遗传算法、蚁群算法、快速扩展搜索随机树等。上述算法存在信息量缺失带来的路径次最优化和动态生成性能差等问题。同时,在结合海事避碰规则的分析研究,在无人艇的航行避障中仍处于尚未成型阶段。随着计算机运算效率的极大提升,神经网络的应用也得到了进一步的发展。神经网络和深度学习的思想越来越多的用于无人艇的路径规划和控制算法,并具有优越的工程适用性。
本文主要围绕无人艇的路径规划算法进行优化分析,总结了无人艇的传统路径规划算法,并着眼于深度学习算法开发基于CNN-LSTM的规划算法,充分利用卷积神经网络CNN(Convolutional Neural Networks)、长短循环记忆LSTM(Long Short-Term Memory Neural Networks)算法分别对图像空间、时序信息的挖掘能力,采用分层思想处理环境信息,并提高USV的避障能力和结合海事规则的决策能力。
本文通过构建无人艇路径问题数学模型,在介绍了快速行进算法FM(Fast Marching Method)的结构基础上,结合障碍船只航速、航向角等信息,提出一种改进的约束性Constrained-FM算法,并通过仿真试验,验证其初步具有动态规划算法的有效性。
进一步的,本文建立了包含卷积神经网络和长短循环记忆的深度学习模型。经过公式推导证明LSTM有效解决了RNN(Recurrent Neural Networks)算法的梯度消失和梯度爆炸现象。在此基础上,提出了适用于本文路径规划问题的算法参数配置,并且在文献数据支撑情况下,对该算法进行了有效性验证,得到了很好的准确性。
本文构建了基于C-LSTM的路径规划算法框架,同时构建了适用于复杂海洋环境的训练和验证数据集。为进一步提高算法网络结构的准确性,本文针对算法过拟合、隐含层单元数、激活函数选取等参数配置问题进行了讨论分析,保证了算法的有效性。在此基础上,进行了基于C-LSTM的静态路径生成能力研究分析,结果表明C-LSTM算法实现了在静态海图下,识别岸基岛礁等障碍物,规划安全可行路径的任务。该算法在全局路径规划生成的高质量路径,优于FM算法和LSTM算法,进一步验证了该算法的可行性。
同时,本文进行了基于C-LSTM算法的无人艇动态路径生成仿真试验,并分析了其生成能力。本文进行了6种动态航行仿真试验,包含静态障碍物和动态航行船只,模拟了已知环境、未知环境、追赶、对遇和左、右舷交叉相遇等不同情景。结果显示,在面对已知环境试验下,LSTM算法其航速变化和航向偏离程度要优于改进的约束型C-FM算法,引入CNN算法,实现了对未知环境(不规则障碍物)的更优航行稳定性。同时,C-LSTM算法在无人艇追赶、对遇、左舷交叉等状态下,体现出很好的路径再规划能力,并能更好通过调整航速航向信息,有效遵循海事规则COLREGS。此外,在右舷交叉相遇仿真实验中,障碍船不执行避让策略后,C-LSTM算法利用降速策略完成对障碍船只的避让,该算法保证了动态航行的避障特性。
在该领域积累了大量的规划算法,主要包括A*算法、快速行进法、人工势场法、遗传算法、蚁群算法、快速扩展搜索随机树等。上述算法存在信息量缺失带来的路径次最优化和动态生成性能差等问题。同时,在结合海事避碰规则的分析研究,在无人艇的航行避障中仍处于尚未成型阶段。随着计算机运算效率的极大提升,神经网络的应用也得到了进一步的发展。神经网络和深度学习的思想越来越多的用于无人艇的路径规划和控制算法,并具有优越的工程适用性。
本文主要围绕无人艇的路径规划算法进行优化分析,总结了无人艇的传统路径规划算法,并着眼于深度学习算法开发基于CNN-LSTM的规划算法,充分利用卷积神经网络CNN(Convolutional Neural Networks)、长短循环记忆LSTM(Long Short-Term Memory Neural Networks)算法分别对图像空间、时序信息的挖掘能力,采用分层思想处理环境信息,并提高USV的避障能力和结合海事规则的决策能力。
本文通过构建无人艇路径问题数学模型,在介绍了快速行进算法FM(Fast Marching Method)的结构基础上,结合障碍船只航速、航向角等信息,提出一种改进的约束性Constrained-FM算法,并通过仿真试验,验证其初步具有动态规划算法的有效性。
进一步的,本文建立了包含卷积神经网络和长短循环记忆的深度学习模型。经过公式推导证明LSTM有效解决了RNN(Recurrent Neural Networks)算法的梯度消失和梯度爆炸现象。在此基础上,提出了适用于本文路径规划问题的算法参数配置,并且在文献数据支撑情况下,对该算法进行了有效性验证,得到了很好的准确性。
本文构建了基于C-LSTM的路径规划算法框架,同时构建了适用于复杂海洋环境的训练和验证数据集。为进一步提高算法网络结构的准确性,本文针对算法过拟合、隐含层单元数、激活函数选取等参数配置问题进行了讨论分析,保证了算法的有效性。在此基础上,进行了基于C-LSTM的静态路径生成能力研究分析,结果表明C-LSTM算法实现了在静态海图下,识别岸基岛礁等障碍物,规划安全可行路径的任务。该算法在全局路径规划生成的高质量路径,优于FM算法和LSTM算法,进一步验证了该算法的可行性。
同时,本文进行了基于C-LSTM算法的无人艇动态路径生成仿真试验,并分析了其生成能力。本文进行了6种动态航行仿真试验,包含静态障碍物和动态航行船只,模拟了已知环境、未知环境、追赶、对遇和左、右舷交叉相遇等不同情景。结果显示,在面对已知环境试验下,LSTM算法其航速变化和航向偏离程度要优于改进的约束型C-FM算法,引入CNN算法,实现了对未知环境(不规则障碍物)的更优航行稳定性。同时,C-LSTM算法在无人艇追赶、对遇、左舷交叉等状态下,体现出很好的路径再规划能力,并能更好通过调整航速航向信息,有效遵循海事规则COLREGS。此外,在右舷交叉相遇仿真实验中,障碍船不执行避让策略后,C-LSTM算法利用降速策略完成对障碍船只的避让,该算法保证了动态航行的避障特性。