曹文强,闫敬,关新平等 | 基于流速场预测的水下机器人编队包围算法（有视频）
文摘
科技
2024-09-16 12:00
北京
![]()
![]()
文章下载
曹文强, 闫敬, 杨睍，陈彩莲, 关新平. 基于流速场预测的水下机器人编队包围算法设计. 中国科学：信息科学, 2024, doi: 10.1360/SSI-2024-0151
![]()
水下编队围捕旨在通过多水下机器人协同工作组成特定编队队形，以实现合作与非合作水下目标的近距离、全方位监测。一方面，水下编队围捕可以形成对敌方的包围圈，限制其活动范围，进而提升战略打击与干扰能力；另一方面，水下编队围捕可以执行复杂环境监测任务，提升海洋资源探测与海事救援效率。然而，复杂海洋环境尤其是水下流速场导致水下机器人姿态波动频繁，控制稳定性差，例如，潮汐使水下机器人周期性振荡，涡流使水下机器人非周期性移动；另外，还导致水下机器人传感器数据不准确，无法有效识别和定位目标，例如，在浑浊水域中，机器人的视觉系统会失效。针对上述问题，本文研究了基于流速场预测的水下机器人编队包围问题，文中所提流速场预测方法可摆脱对网格栅格的依赖，提高流速场预测精度，同时，所提控制算法可使水下机器人在障碍物环境完成目标包围任务。首先, 根据水下机器人真实轨迹与估计轨迹，设计了基于高斯径向基网络的分布式三维流速场参数估计器，以实现流速场实时预测。进而，结合水流预测信息、水下机器人状态与障碍物信息，提出了基于数据驱动的水动力学模型估计器，设计了基于导航向量场的目标编队包围算法，使水下机器人在躲避障碍的同时对移动目标实现包围控制。最后， 给出导航向量场和模型估计器权重更新率的理论推导过程。仿真与实验结果表面所提流速场预测方法可摆脱对划分栅格的依赖，提高流速场预测精度；此外，所提算法还能驱动水下机器人在障碍物与未知流速场环境下完成目标包围任务，兼顾了流速场预测精度与控制稳定性。(1) 提出分布式三维流速场参数估计器，与声学层析流速场预测方法[4,5]相比，所提方法无需通过增加传感器个数来扩大观测范围，同时，与分层流速场估计方法[12,13]相比， 所提方法具有更高预测精度。 (2) 提出基于LGVF的水下机器人编队包围控制算法，与文献[17~19]相比，所提算法摆脱了对模型参数的依赖，同时，与文献[22~24]相比，所提算法可在障碍物与未知流速场环境下控制水下机器人完成编队包围任务。本次实验在8.3m x 5.1m x 2m的水池环境进行。实验硬件平台见图8所示，其中，水下机器人总重量约为10kg，搭载6台350W推进器，可产生最大前向、侧向和垂直推力分别为9千克力、9千克力和7千克力，最大前进速度可达2.91577kn。障碍物信息可由成像声呐探测获得，其最大探测范围为40m至120m。水下机器人的位置可由UWB（Ultra Wide Band）系统和SBL（Short Baseline）系统获得，水下机器人姿态信息由水下机器人搭载的陀螺仪实时获取。声呐探测与SBL定位信息见文献[28]。本次实验通过在浮台上施加周期性压力，驱动浮台上下振动来挤压水池水面，导致水体向外扩散，来形成水池水流。通过调节施加在浮台上的压力周期和幅度，可以控制水波的特性，从而实现对水池水流的主动调控。本次实验中通过声学多普勒流速剖面仪（Acoustic Doppler Current Profiler, ADCP）获取p1c=[4,1,-0.2]T。m处真实值流速为viB(p1C)=[-5.45
11.50 –2.69]Tcm/s，AUVs 初始位置为p1(1)=[2.09, 1.55, -0.2]Tm和p2(1)=[2.0, 2.6, -0.2]Tm。在流速预测部分, 图9(a)是AUV的估计轨迹与实际轨迹。基于此，计算积分运动误差，图9(b)是流速场参数迭代过程，可见参数收敛到了最优值。最后，p1c 处的流速预测值与实际值见图9(c)所示，可见两者相差不大。在包围控制部分，图9(d)表示移动目标包围过程，图9(e)表示水下机器人与目标的距离变化，其收敛到了预期距离，图9(f)表示水下机器人的避障距离，其可有效避开障碍物，从上述结果可看出，在容许的误差范围内，所提算法可完成目标追踪任务。为进一步验证所提方法的有效性，采用文献[17,18]的方法进行实验对比，实验结果见图9(g)-(i)，可发现水下机器人与目标间距离没有收敛到期望距离，并且水下机器人与障碍物发生了碰撞。![]()
