水下機器人路徑規(guī)劃問題的關鍵技術研究.pdf

1、自主式水下機器人自主能力的真正含義是具有和外部環(huán)境進行交互的能力，這種交互的一個重要方面就是具有全局路徑規(guī)劃以及突發(fā)事件下的動態(tài)重規(guī)劃和躲避障礙的能力。要實現(xiàn)水下機器人的自主航行和自主作業(yè)，機器人的路徑規(guī)劃是一個重要環(huán)節(jié)，研究水下機器人的路徑規(guī)劃技術對于提高其智能化水平和加快工程化應用進程具有重要的意義。本文以“十五”國防預研項目(4131607)和“十一五”國防預研項目(51316080202)為背景，對自主式水下機器人在海洋環(huán)境下的

2、全局路徑規(guī)劃技術、局部路徑規(guī)劃技術、避碰規(guī)劃技術、區(qū)域探測路徑規(guī)劃技術進行了深入的研究。
　　 首先，介紹了水下機器人動力學模型，以及水下機器人的系統(tǒng)組成，概述了水下機器人體系結構的研究現(xiàn)狀，并按照精度隨智能降低而提高的原理(IPDI)為某型水下機器人設計了分層遞階控制體系結構，它分為六層三列，按照這個體系結構實現(xiàn)的自主控制可以滿足任務的需要。
　　 提出了海洋環(huán)境下的全局路徑規(guī)劃方法。針對海洋環(huán)境障礙物分布稀疏的特點，

3、提出了用于小范圍區(qū)域全局路徑規(guī)劃的最短切線路徑算法，它計算簡單、運行效率高。針對大范圍海洋區(qū)域，提出了基于VCF電子海圖的多目標優(yōu)化遺傳算法。算法采用可變長的實數(shù)坐標的染色體編碼方式，在適應度評價函數(shù)的設計中綜合考慮了多個影響因素，不可行路徑被加以懲罰值也參與了種群進化。設計了選擇、交叉、變異、修補和刪除等五類遺傳算子，在生成初始種群和設計遺傳算子時引入領域知識，以實現(xiàn)所生成路徑盡量不穿越障礙區(qū)域的目的，有效地提高了算法的收斂速度。該算

4、法實現(xiàn)了用盡量短的時間在大范圍海洋區(qū)域規(guī)劃出一條近似最優(yōu)路徑的研究目標，規(guī)劃路徑合理可行。
　　 提出了基于模糊邏輯的局部路徑規(guī)劃方法。在復雜的海洋條件下，導航、傳感等數(shù)據(jù)本身就存在著巨大的不確定性和不準確性，此方法可用來處理這些近似信息。在分析了海流、障礙物和機器人三者之間的關系后，得出相應的模糊規(guī)則表作為局部路徑規(guī)劃的依據(jù)。該方法綜合考慮了海流的影響和機器人平臺的運動特性，以相對簡單的形式較好地解決了考慮海流影響的水下機器人

5、局部路徑規(guī)劃問題。模糊控制理論用于機器人路徑規(guī)劃同樣會出現(xiàn)局部最小問題。提出了基于傳感信息的實時路徑規(guī)劃方法，通過設置虛擬目標點以及follow-left-wall行為和follow-right-wall行為的激活和退出條件，使水下機器人能夠脫離局部極小狀態(tài)從而達到目標位置。
　　 提出了基于傳感信息的反應式行為自動設計方法，將避碰路徑規(guī)劃行為當成一個整體進行設計，不必考慮如何分解行為，采用Q學習對機器人反應式行為進行自主學習，

6、以產生期望的優(yōu)化行為。學習結束后抽取的控制規(guī)則作為反應式行為去執(zhí)行，這樣產生的行為不僅更具目的性和適應性，而且具有反應式行為的較高的反應速度。另外，針對學習系統(tǒng)的輸入輸出空間是連續(xù)變化的要求，提出了一種Fuzzy Q(λ)學習算法，它將模糊理論與Q學習相結合，采用Q(λ)學習算法不斷更新模糊規(guī)則庫中的結果向量權值直至其收斂，從而得到一個完整的模糊規(guī)則庫。
　　 提出了基于區(qū)域探測作業(yè)任務的全覆蓋路徑規(guī)劃算法。對基本區(qū)域設計了權值