【技术实现步骤摘要】
本专利技术属于海上无人船控制，尤其涉及一种海上无人船控制系统和方法。
技术介绍
1、海上无人船是一种能够在海洋环境中自主或远程执行各种任务的水面舰艇，具有体积小、速度高、成本低和无人员伤亡风险等优点，可以在危险区域或者不适宜派遣有人舰船的区域执行任务，拓展了船舶的水上作业范围，具有很高的费效比。海上无人船的关键技术在于感知、导航和控制这三个方向。感知技术为无人船提供了眼睛和耳朵；导航技术用来接近或规避某些目标，相当于航迹规划或者是综合避障；控制技术就是无人船的运动姿态进行航线、航向的控制。其中，智能控制系统的性能，直接影响着无人船航行的操纵性、经济性和安全性。
2、目前，国内外有很多企业、研究机构和大学开展了无人船的开发工作，但是无人船的控制系统还存在一些问题和挑战，主要有以下几个方面：
3、无人船的水动力系数往往随环境和时间而变化，事先不容易获得精确的数值，导致基于数学模型的控制算法的精度和鲁棒性不足。
4、无人船的运动控制本质上是复杂非线性、不确定性系统的控制，又易受风、浪、流等干扰，其运动控制的难度大于有人船舶。
5、无人船的控制系统需要能够适应不同的任务需求和环境条件，具有一定的自适应性和智能性，能够根据实时的感知信息和导航指令，动态调整控制策略和参数。
6、无人船的控制系统需要能够与其他无人系统(如无人机、无人潜艇等)协同配合，实现多智能体的协同控制，提高任务效率和安全性。
7、针对上述问题和挑战，本专利技术提出了一种海上无人船控制系统和方法，旨在
8、通过上述分析，现有技术存在的问题及缺陷为：
9、(1)无人船的水动力系数往往随环境和时间而变化，事先不容易获得精确的数值，导致基于数学模型的控制算法的精度和鲁棒性不足。无人船的运动控制本质上是复杂非线性、不确定性系统的控制，又易受风、浪、流等干扰，其运动控制的难度大于有人船舶。
10、(2)无人船的控制系统需要能够适应不同的任务需求和环境条件，具有一定的自适应性和智能性，能够根据实时的感知信息和导航指令，动态调整控制策略和参数。无人船的控制系统需要能够与其他无人系统(如无人机、无人潜艇等)协同配合，实现多智能体的协同控制，提高任务效率和安全性。
11、(3)对采集的图像识别准确率比较低；图像处理效率低。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种海上无人船控制系统和方法。
2、本专利技术是这样实现的，一种海上无人船控制系统包括：
3、无人船平台，包括船体、螺旋桨、舵机、电池等组成的无人船硬件，以及安装在无人船上的各类传感器、通信设备、任务载荷等组成的无人船软件；
4、无人船控制器，包括一个或多个微处理器、存储器、接口电路等组成的无人船控制硬件，以及运行在无人船控制器上的无人船控制软件；
5、所述无人船控制软件包括：
6、感知模块，与控制模块连接，用于接收和处理无人船平台上的各类传感器的数据；
7、导航模块，与控制模块连接，用于根据无人船的任务需求和感知信息，生成无人船的航迹规划和避障指令；
8、控制模块，与控制模块连接，用于根据无人船的导航指令和感知信息，生成无人船的控制信号，控制无人船的螺旋桨和舵机，实现无人船的航速和航向的控制；
9、协同模块，与控制模块连接，用于与其他无人系统进行通信和协调，实现多智能体的协同控制。
10、进一步，所述接收和处理无人船平台上的各类传感器的数据，包括无人船的位置、航向、航速、加速度、姿态等状态信息，以及周围环境的风、浪、流、目标等信息；
11、所述感知模块还包括一个基于深度学习的图像识别算法，用于对无人船平台上的光学传感器(如摄像头、激光雷达等)采集的图像进行目标检测和分类，识别出水面上的船舶、岛礁、浮标等目标，以及水下的暗礁、浅滩等障碍物。
12、进一步，所述图像识别方法：
13、(1)通过构建带有标签的图像作为样本集对神经网络进行训练，将训练好的神经网络保存；
14、(2)将待识别光学传感器采集的图像作为输入，根据输出向量得到识别结果；
15、所述的深度神经网络为多层的卷积深度神经网络，包括输入层、3个卷积层、3个池化层和1个输出层，其中：输入层是二维图像的像素点，第一个卷积层有24个卷积特征图，第二个卷积层有48个卷积特征图，输出层设置为10个节点；
16、所指的训练是指：将样本集(包括图像和标签)输入到设置好的神经网络，利用受限制的玻尔兹曼机(rbm)改进算法进行预训练，然后对得到的模型结合反向传播bp算法调整参数和偏置，完成对神经网络的完整的训练过程；
17、所述的训练包括：
18、首先对网络初始化；对卷积核、全连接层权值和偏置进行随机初始化；
19、将训练样本和标签集导入初始化好的网络进行预训练；首先改进rbm模型，引入条件高斯分布，构建基于补充因子的受限制玻尔兹曼机(crbm)，然后引入卷积操作，构建一个基于卷积的crbm(ccrbm)。接下来使用weight uncertainty方法来训练ccrbm模型以缓解过拟合问题。最后，基于ccrbm模型构建一个基于卷积的补充深度置信网(ccdbn)。利用图像数据进行预训练，预训练结束后，将ccdbn作为深度神经网络模型，输入图像，得到结果。
20、将实际输出与标签进行对比，得到误差，将ccdbn作为神经网络，利用weightuncertainty bp算法进行微调，得到训练好的神经网络模型；
21、所述的训练样本包括：输入二维图像和标签。过程分为预训练过程和全局的权值微调过程。预训练过程逐层进行，为无监督学习；训练过程中，输入图像经过逐层变换，在输出层输出，得到实际输出向量；
22、所述的识别包括：将待识别光学传感器采集的图像输入训练好的ccdbn模型中，得到输出向量从而识别光学传感器采集的图像所属的类别；
23、所述的识别包括：
24、获取相关类型的输入光学传感器采集的图像数据，将光学传感器采集的图像进行预处理，归一化、并调整像素尺寸(像素为32*32最为合适)；
25、得到预处理之后的光学传感器采集的图像，输入到已经训练好的ccdbn神经网络中，等待输出，取输出向量最大值的行号为识别结果，即完成对输入的实值图像的识别。
26、进一步，所述导航模块包括一个全局路径规划算法和一个局部路径规划算法，全局路径规划算法用于根据无人船的起点和终点，以及电子海图中的水深、水域范围等信息，生成无人船的全局最优航线，局部路径规划算法用于根据无人船的实时位置和周围环境的动态变化，生成无人船的局部最优航线，同时考虑国际海上避碰规则，避免与其他船舶或障碍物发生碰撞。
27、进一步，所述本文档来自技高网...
【技术保护点】
1.一种海上无人船控制系统，其特征在于，所述海上无人船控制系统包括：
2.如权利要求1所述海上无人船控制系统，其特征在于，所述接收和处理无人船平台上的各类传感器的数据，包括无人船的位置、航向、航速、加速度、姿态等状态信息，以及周围环境的风、浪、流、目标等信息；
3.如权利要求2所述海上无人船控制系统，其特征在于，所述图像识别方法：
4.如权利要求1所述海上无人船控制系统，其特征在于，所述导航模块包括一个全局路径规划算法和一个局部路径规划算法，全局路径规划算法用于根据无人船的起点和终点，以及电子海图中的水深、水域范围等信息，生成无人船的全局最优航线，局部路径规划算法用于根据无人船的实时位置和周围环境的动态变化，生成无人船的局部最优航线，同时考虑国际海上避碰规则，避免与其他船舶或障碍物发生碰撞。
5.如权利要求1所述海上无人船控制系统，其特征在于，所述控制模块包括一个自适应模糊控制算法，用于根据无人船的实时状态误差和状态误差变化率，自动调整控制器的参数和规则，提高无人船的控制精度和鲁棒性，同时考虑无人船的能耗和运动约束，优化无人船的控制
6.如权利要求1所述海上无人船控制系统，其特征在于，所述协同模块包括一个基于博弈论的协同决策算法，用于根据无人船和其他无人系统的任务需求和资源情况，分配无人船的协同角色和协同策略，使得无人船和其他无人系统能够有效地协作完成复杂的任务，同时保证无人船的安全和效率。
7.一种实施如权利要求1-6任意一项所述海上无人船控制系统的海上无人船控制方法，其特征在于，所述海上无人船控制方法包括：
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求7所述海上无人船控制方法的步骤。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求7所述海上无人船控制方法的步骤。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1所述海上无人船控制系统。
...【技术特征摘要】
1.一种海上无人船控制系统，其特征在于，所述海上无人船控制系统包括：
2.如权利要求1所述海上无人船控制系统，其特征在于，所述接收和处理无人船平台上的各类传感器的数据，包括无人船的位置、航向、航速、加速度、姿态等状态信息，以及周围环境的风、浪、流、目标等信息；
3.如权利要求2所述海上无人船控制系统，其特征在于，所述图像识别方法：
4.如权利要求1所述海上无人船控制系统，其特征在于，所述导航模块包括一个全局路径规划算法和一个局部路径规划算法，全局路径规划算法用于根据无人船的起点和终点，以及电子海图中的水深、水域范围等信息，生成无人船的全局最优航线，局部路径规划算法用于根据无人船的实时位置和周围环境的动态变化，生成无人船的局部最优航线，同时考虑国际海上避碰规则，避免与其他船舶或障碍物发生碰撞。
5.如权利要求1所述海上无人船控制系统，其特征在于，所述控制模块包括一个自适应模糊控制算法，用于根据无人船的实时状态误差和状态误差变化率，自动调整控制器的参数和规则，提高无人船的控制精度和鲁...
【专利技术属性】
技术研发人员：何士龙，巩庆涛，李康强，胡鑫，李鑫，杨尧尧，孙月君，刘付印，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。