一种基于深度学习的水下航行器集群运动仿真方法技术

本发明专利技术涉及一种基于深度学习的水下航行器集群运动仿真方法，首先，获取真实AUV集群运动数据，并对数据进行清洗，制作数据集；其次，搭建神经网络并配置训练方法，将数据集输入网络进行训练；考虑到实际的AUV运动约束，根据训练结果划分区间设计仿真策略；之后，将仿真参数迁移至仿真系统中，在仿真系统中AUV部署集群算法后，仿真AUV集群将会模拟出真实AUV集群在任务水域进行集群任务时对指令的响应状态；最终可结合真实数据评估仿真效果。本方法降低了AUV仿真实验成本，提高了仿真效率，对集群算法在AUV实物平台上的迁移有重要意义。法在AUV实物平台上的迁移有重要意义。法在AUV实物平台上的迁移有重要意义。

【技术实现步骤摘要】
一种基于深度学习的水下航行器集群运动仿真方法


[0001]本专利技术涉及自主水下航行器(Autonomous Underwater Vehicles，AUV)集群运动仿真设计，具体涉及一种基于深度学习的运动仿真方法。

技术介绍

[0002]随着人工智能技术的迅猛发展，深度学习神经网络的应用已越来越广泛，已被广泛应用于路径规划，控制器设计，自主感知，参数优化等多个方面。
[0003]AUV是一种无人、无缆、完全自主航行的水下航行器，对海洋工程任务如海洋勘探、资源调查等，对军事任务如对敌侦查、目标定位等，有着重要作用。AUV集群，即使用多个AUV，通过设计AUV个体之间简单的交互运动规则，群体涌现出宏观运动形态，从而实现群体层面的任务，如集群围捕，大海域目标搜索。AUV集群相较于单AUV工作模式和多AUV协同编队拥有较大优势。由于AUV集群实物实验涉及多条AUV，实验成本较高且算法参数设计较为复杂，因此在计算机平台上对AUV集群进行仿真实验，可以降低实验成本，减少实验误差，方便集群算法后续在AUV实验平台上的迁移。
[0004]通常情况下，对水下航行器进行系统仿真，需要通过风洞实验、悬臂水池实验以及计算流体力学获取水动力系数，从而建立精确的数学模型，之后进行仿真。该过程需借助专业的实验场地，操作复杂且成本昂贵。另一方面，AUV在任务水域航行，受到真实环境风、流以及其他环境因素影响可能与水池实验有较大区别，并且AUV在集群运动过程中，会频繁地调整航向，如何在仿真系统中模拟出真实环境对AUV转向运动的影响是AUV集群运动仿真的关键。

技术实现思路

[0005]要解决的技术问题
[0006]为了克服现有技术不足，在计算机仿真平台上实现对AUV集群运动的快速仿真，本专利技术提供了一种基于深度学习的水下航行器集群运动仿真方法。
[0007]技术方案
[0008]一种基于深度学习的水下航行器集群运动仿真方法，其特征在于步骤如下：
[0009]步骤1：使AUV集群在任务水域进行集群任务，获取真实AUV集群运动数据；
[0010]步骤2：制作数据集；所述数据集包括AUV期望航向指令Heading
exp
，收到指令时的实际航向Heading
current
，以及一个控制周期之后的实际航向Heading
output
；
[0011]步骤3：搭建神经网络，并配置训练方法；
[0012]所述神经网络输入特征为期望航向与当前航向的差值Heading
diff
：
[0013]Heading
diff
＝Heading
exp
‑
Heading
current
[0014]所述神经网络输出标签为一个控制周期之后的航向变化量Heading
change
：
[0015]Heading
change
＝Heading
output
‑
Heading
current
[0016]步骤4：采用步骤3所述的神经网络对步骤2的数据集进行训练；
[0017]步骤5：区间划分设计仿真策略
[0018]通过神经网络训练，给定Heading
diff
后得到对应Heading
chang
；
[0019]根据Heading
diff
的绝对值|Heading
diff
|将区间分为I1，I2，I3三段：
[0020][0021]与区间对应的航向变化量仿真策略为：
[0022][0023]对以上三个区间以及其对应的仿真策略进行说明：
[0024]当|Heading
diff
|∈I1，此时期望航向与当前航向的差值小于一个控制周期内最大转向角RA
max
，在仿真中，可使得一个控制周期内航向变化量为期望航向与当前航向的差值，即Heading
change
＝Heading
diff
；
[0025]当|Heading
diff
|∈I2，此时Heading
diff
大于RA
max
，且小于反转阈值角度RA
reverse
，此时Heading
chang
仿真策略为取该区间内训练输出的平均值并在此基础上加入随机扰动Heading
chang
符号与Heading
diff
保持一致；
[0026]当|Heading
diff
|∈I3，此时Heading
diff
大于RA
reverse
，Heading
change
与Heading
diff
符号相反，取值为该区间内训练输出的平均值并在此基础上加入随机扰动
[0027]其中随机扰动模拟了环境对航行器产生的影响，其服从均匀分布：
[0028][0029]U代表均匀分布；
[0030]步骤6：系统仿真
[0031]将拟合好的参数导入仿真系统中，完成AUV集群运动仿真。
[0032]本专利技术进一步的技术方案：步骤3所述的神经网络使用tensorflow2中的keras框架，在环境中导入tensorflow模块，通过Sequential函数逐层搭建网络，使用单层全连接网络tf.keras.layers.Dense()，设置激活函数为“elu”。
[0033]本专利技术进一步的技术方案：步骤4设置数据集中测试集比例为20％。
[0034]一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。
[0035]一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现上述的方法。
[0036]一种计算机程序，其特征在于包括计算机可执行指令，所述指令在被执行时用于
实现上述的方法。
[0037]有益效果
[0038]本专利技术提供的一种基于深度学习的水下航行器集群运动仿真方法，通过学习AUV集群在任务水域的真实数据，使仿真平台中的AUV可以表现出真实AUV的运动特性，同时反映出环境对AUV运动的影响，进而可以在仿真平台上进行AUV集群运动仿真实验。本专利技术提高了AUV集群运动仿真效率，使得仿真实验更加贴合实际场景。带来了如下有益效果：
[0039]1、通过使用深度学习神经网络，使AUV不需要正向数学建模以及相关水池实验便可得到AUV的对于控制指令的响应状态，减少了仿真实验成本，提高了仿真效率。
[0040]2、训练所使用的数据全部来自本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水下航行器集群运动仿真方法，其特征在于步骤如下：步骤1：使AUV集群在任务水域进行集群任务，获取真实AUV集群运动数据；步骤2：制作数据集；所述数据集包括AUV期望航向指令Heading
exp
，收到指令时的实际航向Heading
current
，以及一个控制周期之后的实际航向Heading
output
；步骤3：搭建神经网络，并配置训练方法；所述神经网络输入特征为期望航向与当前航向的差值Heading
diff
：Heading
diff
＝Heading
exp
‑
Heading
current
所述神经网络输出标签为一个控制周期之后的航向变化量Heading
change
：Heading
chan
＝Heading
output
‑
Heading
current
步骤4：采用步骤3所述的神经网络对步骤2的数据集进行训练；步骤5：区间划分设计仿真策略通过神经网络训练，给定Heading
diff
后得到对应Heading
change
；根据Heading
diff
的绝对值|Heading
diff
|将区间分为I1，I2，I3三段：与区间对应的航向变化量仿真策略为：对以上三个区间以及其对应的仿真策略进行说明：当|Heading
diff
|∈I1，此时期望航向与当前航向的差值小于一个控制周期内最大转向角RA
max
，在仿真中，可使得一个控制周期内航向变化量为期望航向与当前航向的差值，即Heading
change
＝Heading
diff
；当|Headi...

【专利技术属性】
技术研发人员：彭星光，佘俊阳，宋保维，潘光，李乐，张福斌，高剑，张立川，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：