【技术实现步骤摘要】
本专利技术设计涉及路径规划，尤其涉及一种基于前视声呐的水下航行器在复杂环境中的路径规划方法。
技术介绍
1、确保水下专业的安全开展对于各领域都有着非常重要的价值，高效的路径规划是水下专业安全的关键技术之一。对于搭载前视声呐的无人水下航行器而言，结合深度学习、路径规划算法与前视声呐成像速度快、功耗低的优势，可以有效实现对水下静态、突现、动态障碍物的安全规避和最优路径规划。
2、目前，主流路径规划的研究主要采用蚁群算法、神经网络法以及自由空间法等，但是蚁群算法在复杂环境中存在收敛速度慢的情况；神经网络法则很难使用相应的规划公式来表达；对于自由空间法而言，巨大的计算量是它难以克服的难题，使得该方法难以有效应对水下复杂场景的实时规划。同时，传统路径规划算法大多只能静态已知障碍物表现出较佳的规避能力，缺乏对突发障碍物及动态障碍物的规避能力，且传统算法同样难以有效克服容易陷入局部最优解的情况。
技术实现思路
1、针对现有技术中的不足，本专利技术提供了一种基于前视声呐的水下航行器在复杂环境中的路径规划方法，以解决现有技术中对复杂水下环境中的静态、突现、动态障碍物及多种障碍物混合的避障性能低下，同时存在路径规划算法效率低，容易陷入局部最优解的技术问题。
2、本专利技术提供了一种基于前视声呐的水下航行器在复杂环境中的路径规划方法，包括如下步骤：
3、步骤1：构建路径规划模型，其中包括：对声呐图像进行目标识别的yolo目标检测网络，进行全局路径规划的a*算法，进行局
4、步骤2：优化yolo目标检测网络结构：增加一个用于小目标检测的解耦头；
5、优化a*算法：构建分段权值，通过分段权值进行成本代价和预估代价的加权求和；
6、步骤3：构建边界限制机制以及防漏检机制；
7、步骤4：获取水下复杂环境的前声呐图像集，并对前声呐图像集进行坐标转换以及预处理；
8、步骤5：通过步骤4处理后的前声呐图像集对路径规划模型进行训练，并用训练好的路径规划模型进行路径规划。
9、进一步地，所述步骤2中，增加一个解耦头的具体方法为：对第一次上采样中合并的特征图依次进行融合特征提取、ema处理后进行尺度特征输出，并将ema处理结果经过卷积后与作为第一次上采样输入的特征合并后用于下一尺度特征输出。
10、进一步地，所述步骤2中的a*算法中最优代价函数公式为：
11、f(n)＝g(n)+w(t)*h(n)
12、式中，g(n)为成本函数；h(n)为启发函数；w(t)为分段权值。
13、进一步地，在a*算法中，当规划节点与障碍物的距离大于10个节点时，选择欧式距离公式进行成本代价和预估代价的计算；当规划节点与障碍物的距离小于等于10个节点时，选择曼哈顿距离公式进行成本代价和预估代价的计算。
14、进一步地，所述a*算法中，当探测距离可以覆盖终点却搜索不到终点时，回溯当前节点之前的数个节点，判断是否有大位移角度变化，当发生大位移角度变化时，启动等待程序，等待程序具体为：等待重启时间后重新搜索，当能重新搜索到终点时，停止等待程序，继续后续步骤；当不能搜索到终点时，重复等待过程，直至重复次数达到上限。
15、进一步地，所述重启时间的计算公式为：
16、
17、式中，t为重启时间；为动态障碍物与当前位置的距离倒数；boxobstacle为动态障碍物的大小特征；为动态障碍物移动速度的大小；σ代表加权分数与时间之间的线性比例映射关系，可以根据实际任务需要进行调整。
18、进一步地，在每次计算重启时间时，清空上一次的动态障碍物相关数据，通过优化后的yolo目标检测网络以及bot-sort算法重新获取动态障碍物相关数据。
19、进一步地，当目标距离大于20个节点时，w(t)设置为2；当目标距离小于20个节点时，w(t)设置为0.5。
20、进一步地，所述步骤2中，还包括：优化dwa算法：在第一次采样得到的最优速度组合周围，进行第二次采样。
21、进一步地，所述步骤2中，优化dwa算法还包括：在运用dwa算法进行局部避障过程中引入终点引导机制。
22、进一步地，所述dwa的总评价函数为：
23、g(v,w)＝σ(α·target(v,w)+β·dist(v,w)+γ·velocity(v,w))+δ·(final(v,w))
24、式中，target(v,w)为距离目标点的评价函数；dist(v,w)为轨迹距离障碍物的评价函数；velocity(v,w)为速度评价函数。
25、进一步地，所述步骤4中，对前声呐图像集进行坐标转换的具体公式如下：
26、
27、式中，x,y,l,h分别表示从yolo目标检测网络中所检测到的障碍物区域预测框的中心位置坐标信息(x,y)和长、高信息；w0、表示yolo目标检测网络检测图像的分辨率；w1、表示yolo目标检测网络检测图像的路径规划背景框的尺寸。
28、进一步地，所述步骤5中，在路径规划模型训练过程中障碍物的设置方式包括：随机添加突现障碍物。
29、进一步地，所述步骤1中，设置在a*算法全局规划路径时，采用前180°方式进行路径搜索。
30、本专利技术的有益效果：
31、本专利技术构建的路径规划模型是实现了检测-跟踪-规划一体式避障策略，可以分别针对动态障碍物的目标特征、位置移动方向、速度距离变化三个特点进行分析和规划。同时，对路径规划模型中各算法进行了优化，可以为路径规划算法提供实时精确的障碍物区域大小及位置信息，极大简化了路径规划步骤并缩短检测时间，提升了水下航行器的实时响应速度。
32、本专利技术结合、优化了全局规划的a*算法以及局部避障的dwa算法，可以更好的解决局部突发事件，进一步提升路径规划的效率，并解决可能存在的全局算法失效和陷入局部死循环问题。
33、本专利技术采取设置边界限定机制、防遗漏机制，可以避免模拟航行器误入视觉盲区，可以实现障碍物信息纠错。
34、本专利技术在路径规划模型中使用随机添加突现障碍物的方式，可以有效提高路径规划模型应对突发障碍物的效率和准确性。
本文档来自技高网...【技术保护点】
1.一种基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中，增加一个解耦头的具体方法为：对第一次上采样中合并的特征图依次进行融合特征提取、EMA处理后进行尺度特征输出，并将EMA处理结果经过卷积后与作为第一次上采样输入的特征合并后用于下一尺度特征输出。
3.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中的A*算法中最优代价函数公式为：
4.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，在A*算法中，当规划节点与障碍物的距离大于10个节点时，选择欧式距离公式进行成本代价和预估代价的计算；当规划节点与障碍物的距离小于等于10个节点时，选择曼哈顿距离公式进行成本代价和预估代价的计算。
5.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述A*算法中，当探测距离可以覆盖终点却搜索不到终点时，回溯当
6.如权利要求5所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述重启时间的计算公式为：
7.如权利要求5或6所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，在每次计算重启时间时，清空上一次的动态障碍物相关数据，通过优化后的YOLO目标检测网络以及BoT-SORT算法重新获取动态障碍物相关数据。
8.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中，还包括：优化DWA算法：在第一次采样得到的最优速度组合周围，进行第二次采样。
9.如权利要求8所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中，优化DWA算法还包括：在运用DWA算法进行局部避障过程中引入终点引导机制，所述DWA的总评价函数为：
10.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤4中，对前声呐图像集进行坐标转换的具体公式如下：
...【技术特征摘要】
1.一种基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中，增加一个解耦头的具体方法为：对第一次上采样中合并的特征图依次进行融合特征提取、ema处理后进行尺度特征输出，并将ema处理结果经过卷积后与作为第一次上采样输入的特征合并后用于下一尺度特征输出。
3.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述步骤2中的a*算法中最优代价函数公式为：
4.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，在a*算法中，当规划节点与障碍物的距离大于10个节点时，选择欧式距离公式进行成本代价和预估代价的计算；当规划节点与障碍物的距离小于等于10个节点时，选择曼哈顿距离公式进行成本代价和预估代价的计算。
5.如权利要求1所述的基于前视声呐的水下航行器在复杂环境中的路径规划方法，其特征在于，所述a*算法中，当探测距离可以覆盖终点却搜索不到终点时，回溯当前节点之前的数个节点，判断是否有大位移角度变化，当发生大位移角度变化时，启动等待程序...
【专利技术属性】
技术研发人员：郑林涵，朱琎，杨奕飞，徐立新，洪智超，马国军，吕鹏飞，徐文龙，
申请(专利权)人：江苏科技大学，
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。