未知环境下基于感知自适应的多AUV目标搜索算法

李 娟, 张秉健, 杨莉娟, 王蒙迪

(1. 哈尔滨工程大学水下机器人技术重点实验室, 黑龙江 哈尔滨 150001; 2. 哈尔滨工程大学自动化学院, 黑龙江 哈尔滨 150001; 3. 江南造船(集团)有限责任公司, 上海 201913)

0 引 言

随着现代科学技术的不断发展,越来越多的国家利用自主水下航行器(autonomous underwater vehicles, AUV)系统来进行海洋开发和水下目标搜索[1-2],AUV已经成为许多国家海洋战略研究中的重要技术领域。当AUV处于完全未知的区域中时,由于水下环境变化复杂,水下通信的信号微弱、环境噪声对AUV的任务干扰性大等特点[3],要求AUV能够利用对外界环境的感知[4],自主高效地实时规划任务航线来对该区域实现目标搜索。在完全未知的水下环境中执行目标搜索任务时,还要求其能够识别目标,并通过观测获取目标特征信息。近年来,传统方法以搜索论为基础,实现水下梳子型扫描,或者预先离线设计覆盖任务区域的多AUV搜索航迹[5-7]。在未知环境中,目标的环境信息未知,无法进行预先规划,只能根据任务执行过程中实时感知的环境信息进行在线航迹决策。

未知环境下目标搜索和定位问题[8-11]备受国内外学者的关注。文献[12]提出了基于预测控制思想的协同区域搜索算法,研究了各种通信限制对区域搜索功能的影响,提高了区域搜索效能;文献[13]提出了分散控制算法,用于细菌启发性搜索目标,提高计算效率;文献[14]提出了强鲁棒性蚁群优化和杜鹃搜索优化方法,该方法建立在三维路径规划时,其路径长度优于其他算法;文献[15]针对洋流对AUV目标搜索的影响,提出了基于粒子群优化和速度合成算法,进一步提高AUV工作效率,降低能量消耗;文献[16]提出分步方案来解决多体协同搜素和区域覆盖,搜索机器人提供先验的环境概况,而服务机器人则根据先验信息来完成后验更新,提高了搜索效率,但增加了能源消耗;文献[17-18]通过未知环境中移动机器人用于监视任务最大化,提出了自适应算法,该方法通过不断地适应性调整来完成监视任务,但该算法在航迹规划中,对视域范围内获取信息的情况有很强的依赖性。近年来,智能仿生算法在AUV路径规划中的应用十分广泛,常见的的算法包括蚁群算法[19-20]、粒子群优化算法[21]、神经网络算法[22]与遗传算法[23-24]等。相比于传统搜索论,这些方法虽然在已知环境下的全局优化搜索方面较为明显,但在未知环境下缺乏灵活规划航迹能力,不能较全面地观测目标特征,搜索效率较低,适应性差。

本文首先分配分布式结构体系的多AUV协同搜索目标,考虑到传感器与运动过程中非线性噪声影响,分析未知环境下的目标特性,采用基于感知自适应算法为AUV提供最优一步的航迹规划,在此基础上将自适应算法与贝叶斯估计融合,在无目标状态下利用分区域栅格值优化搜索策略,提出了基于分区域自主搜索目标的感知自适应算法,其能够实现多AUV自适应搜索并定位目标。最后通过仿真实验验证了该算法相对于传统梳子型搜索以及离线全局优化算法,保障了有效的定位精度的同时搜索效率提高。

1 问题描述

假设每艘AUV均装配声呐、像机和通信设备,并且由这些AUV对某未知水下任务区域进行目标搜索与定位,由于水下所有的环境特征信息预先未知,前视声呐与AUV自身运动控制中出现的非线性噪声影响,会降低AUV搜索效率,严重干扰任务的顺利进行。

传统的梳子形区域目标搜索中,在有限的能源下AUV搜索效率很低,而在全局优化算法的离线设计任务航迹中,并没有考虑到前视声呐的非线性影响,如图1所示。

图1 离线轨迹的目标搜索Fig.1 Offline trajectory target search

图1中共设有9个未知目标点,由A出发到达B点,AUV在离线的优化路径作用下,前视声呐的视域范围内,搜索到任务目标的数量为6个,有3个目标被遗漏。比较目标6与目标1,搜索过程距离目标6较近,视觉受限小,定位效果相比目标1要好。说明在完全未知环境下,离线设计AUV全局优化路径并不能遍历所有目标点,且不能有效观测到目标特征,容易遗漏重要数据,降低AUV搜索效率。

因此，考虑到上述问题,AUV执行未知区域的搜索任务时,还应满足以下任务要求:

(1) 在有限条件下AUV搜索到更多的任务目标信息。

(2) 不仅要求AUV探测到任务目标,还需较为精确地获取位置信息等。

(3) AUV面对未知复杂的环境能够实时自主地规划航迹。

(4) AUV要根据不同的目标特性做出不同的任务决策。

本文研究目的是寻求一种搜索策略,在满足定位精度要求的条件下,自适应面对外界环境变化,尽可能获取更多的未知目标信息,扩大区域覆盖范围,提高多AUV搜索效率。

2 数学模型分析

2.1 AUV前视声呐模型

本文拟采用SeaBat6012前视声纳,其工作视域R为150 m,水平开角α为120°,垂直开角β为15°,水平波束数目为80条,垂直波束数目为3层,共240条探测波束。前视声纳能够探测到在其视域内所有的目标,并求得目标与240条波束的交点坐标和交点到声纳的距离[25]。

前视声呐获取信息的方法是利用栅格的方法,将前视声呐的视域划分为一个二维的栅格数组,通过填充每个栅格来表示该栅格内有无探测到目标,如图2所示。

图2 前视声纳模型Fig.2 Front view sonar model

建立前视声呐视域的数学模型,假设(xc,yc,zc)为质心,(xs,ys,zs)是前视声呐安装点的坐标,Lcs为前视声呐安装点到AUV质心的距离,其中(xc,yc,zc)=(0,0,0),(xs,ys,zs)=(Lcs,0,0),则AUV前视声呐的视域范围为

(1)

式中，(xbs,ybs,zbs)可表示为

(2)

式中,(xabs,yabs,zabs)为目标在船体坐标系Oxsyszs下的坐标。

需要特别注意的是,由于AUV所配置前视声呐在数据采集过程中容易受到水介质等影响,产生非线性干扰造成测量误差。因此,前视声纳的非线性可表示为

(3)

式中,yx-q表示声呐探测目标的特征信息；L表示前视声呐的视域阈值；x与q分别表示AUV与目标的位置关系；h表示无噪声的传感器函数；d表示x与q的距离；ζ表示非线性高斯噪声。当目标出现在前视声纳的视域范围内,AUV对目标位置估计的不确定度与其距离成正比。

2.2 AUV运动模型

若把AUV视为一个质点,(x,y,z)是AUV在k时刻的坐标。暂时不考虑深度参数，则其运动模型可以描述为

(4)

式中，x表示经度；y表示纬度；T为过程时间；Vk是由DVL测得的速度；φk是由罗盘测量的艏向角。

在上述运动模型中,真实输入为

(5)

模型可以描述为

Xk+1=f(Xk,uk,ωk)=Xk+Γ(uk+ωk)

(6)

式中，Xk=(xkykφ)T代表AUV在k时刻的位置,Γ(uk+ωk)是非线性项。

在运动方程中,非线性项噪声对AUV航位推算的准确性有较大影响,长期干扰会出现累计误差,造成航位推算失效。

2.3 未知目标特性

AUV搜索的目标分为静态目标和动态目标,当未知目标出现在视域范围时,要求AUV能够识别其目标特性,并针对不同的目标特性,做出不同的任务决策。

当静态目标出现在AUV的视域范围内时,AUV首先判断该目标信息是否已经存在数据库中,若不存在,将该目标信息添加至数据库中。反之,利用目标信息与数据库中相应信息作对比分析,记入较为准确的数据。静态目标的特征模型可以表示为

(7)

当动态目标出现在AUV的视域范围内时,AUV首先分析该目标的运动特性,根据其运动特性预测航迹信息,随后可实现跟踪或摧毁任务。假设动态目标为CT模型[26],即角速度为常值的转弯模型,其状态向量可表示为

(8)

在直角坐标系下,运动目标数学模型的离散时间方程为

(9)

式中,ω是转弯角速度;T为采样时间。

3 基于分区域的感知自适应目标搜索算法

在未知环境下,目前优化方法中多数是基于离线设计的全局路径优化,由于AUV只能沿着预设航迹执行搜索,不能实时面对复杂的随机环境,因此提出基于分区域的感知自适应搜索算法。

3.1 基于感知自适应算法的目标搜索

基于感知的自适应算法(cognitive-based adaptive optimization, CAO)搜索是一个动态局部优化过程[27],与传统优化方案相比,其能够实时获得优化标准函数的最佳一步法解决方案,因此自适应算法总是能够有效地将AUV快速移动到最优标准函数的位置。

首先定义一个优化标准函数,即

(10)

式中,x与q分别表示AUV与目标的位置信息；v表示AUV的视域范围；D表示任务区域;K为人为定义常数,优化标准函数是使AUV能够靠近并看清目标的代价约束条件。函数第1项表示AUV视域内出现目标后,利用优化函数规划航迹,使其不断靠近目标位置,函数第2项则是利用摄像机等设备近距离观测目标特征信息。

将上述定义函数用于多AUV的优化标准,满足一些合理的局部路径约束条件[28](如避障)及存在非线性WGN(nonlinear WGN,NWGN)的影响下,多AUV的优化标准函数为

(11)

式中,N表示任务中AUV的数量;ζk为零均值NWGN。虽然假设噪声序列ζk是随机的零均值信号,但他不满足加性WGN(additive WGN,AWGN)的属性。

该算法能够有效地处理优化问题,其中目标函数和约束的显式形式是未知的,但是在每个时间节点处可获得这些函数的噪声测量估计,使用函数近似估计每个时刻k处的未知目标函数J,根据:

(12)

(13)

AUV的下一步位置集合被选为如下R个候选位置，即

(14)

舍去违背AUV正常运行轨迹的预测数据后,计算新的AUV位置如下，即

(15)

AUV不断感知环境,自适应搜索到的目标,还需将目标信息标记存储,可利用贝叶斯估计来定位目标的位置信息。如下为AUV的运动方程与观测方程，即

(16)

观测方程具体表示为

(17)

AUV的目标定位可以表示为对每一时刻联合后验概率密度的估计,即

p(xv,k,θ|z0∶k,u0∶k,xv,0)

(18)

上述各个变量及其内容如表1所示。

表1 贝叶斯估计变量及其内容

假设AUV的状态转移过程是马尔可夫(Markov)过程[29],根据贝叶斯估计理论[30],已知AUV的运动模型和观测模型,可以通过二阶递归的时间更新和量测更新来完成。

(1) 时间更新

p(xv,k,θ|z0∶k-1,u0∶k,xv,0)=

p(xv,k-1,θ|z0∶k-1,u0∶k,xv,0)dxv,k-1=

(19)

(2) 量测更新

p(xv,k,θ|z0∶k,u0∶k,xv,0)=

(20)

根据0到k时刻的控制输入u0∶k及0到k时刻的观测值z0∶k递归计算k时刻AUV的状态xv,k,同时计算当前观测过程中,所有已观测的目标特征状态θ的联合后验概率密度p(xk,θ|z1∶k,u0∶k,x0)得

p(xk,θ|z0∶k,u0∶k,x0)=

p(xv,k-1,θ|z0∶k-1,u0∶k-1,xv,0)dxv,k-1

(21)

式中,η表示归一化常数,概率p(xv,k-1,θ|z0∶k-1,u0∶k-1,xv,0)为k-1时刻的条件概率密度,p(xv,k,θ|z0∶k,u0∶k,xv,0)为k时刻的条件概率密度。

3.2 分区域策略

当AUV视域范围内无任何目标或其他特征信息时,为了让AUV能够合理地执行区域覆盖与目标搜索任务,可以根据AUV自身的设备条件将区域分割,本文假设未知环境为大范围的矩形区域,将该矩形区域划分为若干个子区域,每个子区域的边界值约为AUV视域的2倍。

子区域利用栅格法设有独立的代价值,AUV根据每个子区域的代价值和到达距离,决定选择搜索区域的优先级,任务区域以任务锁定的方式执行,当AUV在进入该区域前,会首先判断该区域是否被设置为任务锁定,即

(22)

若区域未锁定,将此区域定位为下一步的任务区域;反之,判断此区域被锁定的执行者是否属于该AUV,即

Task={1,2…..,n}

(23)

式中,n为任务AUV的数量。

若锁定区域为该AUV任务区域,则其将针对驶向本区域执行航迹规划,反之,计算其他未被锁定的任务区域,计算区域优先级,选择最优区域执行航迹规划。

在AUV执行区域选择的过程时,将每个区域的区域点设在形心处,AUV优先选择代价值最小且满足路径代价最短的区域作为任务区,运用分区域策略可以提高AUV感知自适应算法的搜索效率及其覆盖面积。

4 实验仿真验证与分析

4.1 实验参数

实验仿真环境为900×900 m的未知水下区域环境,AUV的任务航迹均由感知自适应算法实时规划,目标个数与目标点的位置为随机设计,实验预设3个AUV,并以分布式结构体系执行未知环境下的目标搜索与定位任务,仿真实验实际参数如下。

AUV:AUV分别从x方向(150,0),(450,0),(750,0)作为初始任务位置,速度为2节。

航位推算系统:采样时间为1 s,速度误差为0.025 m/s,位置误差0.25 m,艏向最大偏转角不超过60°,观测噪声设为WGN。

随机设计目标的位置信息后,将栅格法应用在未知环境中,根据AUV所配置的传感器视域范围,将该区域分为9个子区域,初始化所有子区域,每个子区域有独立的代价值和区域锁定值,多AUV协同搜索任务开始时,未知环境下会在随机位置中出现动态目标,按照恒定角速度做匀速曲线运动,如图3所示。

图3 AUV任务开始Fig.3 AUV task start

4.2 结果分析

本实验仿真中,AUV以分布式结构体系搜索静态目标,未知动态目标出现在3号AUV视域范围内时,3号AUV结束当前的搜索状态,调整搜索模式后,预测动态目标轨迹并保持动态目标在视域范围内,如图4所示。

图4 发现动态目标Fig.4 Discover dynamic targets

假设动态目标为敌方AUV,我方AUV与动态目标达到某一程度后销毁动态目标,进而继续按照感知自适应算法搜索静态目标。为了验证算法的效率和可靠性,将实验结束的条件设定为区域内所有静态目标被搜索,且全部达到预设的定位精度,则任务结束时的搜索状态如图5和图6所示。

图5 任务结束Fig.5 End task

图6 观测矩阵协方差Fig.6 Observation matrix covariance

如图6所示,AUV进行自适应目标搜索与定位的过程中,AUV的联合概率密度协方差是逐渐减小且趋于稳定的,避免了累计误差的出现,且达到了设定目标定位允许的误差范围。应用此算法时,考虑到前视声呐传感器非线性的影响,即通过算法优化使得AUV能够在一定范围内靠近目标,保障前视声呐较为准确地看清区域目标位置,使得所探测到目标都能够满足定位精度要求,与全局静态路径规划相比,减少关键目标位置的遗失。此次仿真任务所用时间为2 940步,若选用梳子形扫描并达到定位精度,则每个AUV至少需要4 450步才能完成搜索任务,在进行100次实验过程中,所用时间都低于梳子形扫描的时间,相对于传统的搜索模式,在搜索效率上明显提高,如图7所示。

图7 实验数据比较Fig.7 Comparison of experimental data

5 结 论

在未知复杂的水下环境中,利用多AUV对外界随机环境的感知,实时规划任务航线,对该区域执行目标搜索与定位任务。基于分区域的感知自适应算法对区域目标进行搜索,在搜索过程中尽可能接近并看清目标的位置信息,保障每个探测过的目标位置均达到预设精度,且相比较传统搜索算法和离线设计全局优化路线,能够更好地提高搜索效率,减少关键信息的遗漏。通过实验仿真验证了该方法在未知领域内搜索的可行性和有效性。