基于相对测量的水下机器人主动定位方法研究

doi:10.12263/DZXB.20200632

电子学报 ›› 2021, Vol. 49 ›› Issue (7): 1249-1256.DOI: 10.12263/DZXB.20200632

• 学术论文 • 下一篇

基于相对测量的水下机器人主动定位方法研究

冀大雄¹, 方文巍¹, 朱华², 李硕³, 唐元贵³, 田宇³, 姚倩⁴

^1.浙江大学海洋学院海洋电子与智能系统研究所，浙江舟山 316000
^2.鹏城实验室，广东深圳 518057
^3.中国科学院沈阳自动化研究所，辽宁沈阳 110169
^4.舟山精卫智能科技有限公司，浙江舟山 316000

收稿日期:2020-06-29 修回日期:2020-11-17 出版日期:2021-07-25 发布日期:2021-08-11
作者简介:冀大雄　男, 1981年生于湖北襄阳.现为浙江大学海洋学院副教授.主要研究方向为海洋机器人、机器学习和智能控制.E⁃mail: jidaxiong@zju.edu.cn
方文巍　男, 1996年生于浙江绍兴.浙江大学海洋学院硕士研究生.研究方向为海洋机器人技术、人工智能理论在海洋机器人中的应用.E⁃mail: 532141411@qq.com
朱　华（通信作者）　男, 1989年生于江西赣州.现为鹏城实验室助理研究员.主要研究方向为多机器人定位、运动控制、行为协调与控制.E⁃mail：zhuh@pcl.ac.cn
李　硕　男, 1970年生于重庆.现为中国科学院沈阳自动化研究所研究员、博士生导师.主要研究方向为水下机器人技术.E⁃mail：shuoli@sia.cn
唐元贵　男，1980年生于山东德州. 现为中国科学院沈阳自动化研究所研究员、硕士生导师.主要研究方向为水下机器人技术.E⁃mail: tyg@sia.cn
田　宇　男, 1982年生于辽宁鞍山.现为中国科学院沈阳自动化研究所研究员.主要研究方向为水下机器人技术.E⁃mail：tiany@sia.cn
姚　倩　女, 1981年生于辽宁丹东.现为舟山精卫智能科技有限公司总经理.主要研究方向为人工智能技术在海洋经济活动中的应用.E⁃mail：yaoqian929@sina.com
基金资助:
国家重点研发计划(2016YFC0300801);国家自然科学基金(51679213);浙江省基础公益研究计划(LGF20E090004)

Active Localization of Autonomous Underwater Vehicle Using Noisy Relative Measurement

JI Da-xiong¹, FANG Wen-wei¹, ZHU Hua², LI Shuo³, TANG Yuan-gui³, TIAN Yu³, YAO Qian⁴

^1.The Institute of Marine Electronics and Intelligent Systems，Ocean College，Zhejiang University，Zhoushan，Zhejiang 316000，China
^2.Peng Cheng Laboratory，Shenzhen，Guangdong 518057，China
^3.Shenyang Institute of Automation，Chinese Academy of Sciences，Shenyang，Liaoning 110169，China
^4.Zhoushan Jingwei Intelligent Technology Co. ，Ltd. ，Zhoushan，Zhejiang 316000，China

Received:2020-06-29 Revised:2020-11-17 Online:2021-07-25 Published:2021-08-11

摘要/Abstract

摘要：

水下机器人的自主快速精确定位是完成海洋资源勘探、目标探测定位与追踪等水下作业任务的前提.论文研究基于相对测量的水下机器人主动定位方法，解决存在大的初始定位偏差情况下多水下机器人的快速定位问题.论文提出包括测量、估计和控制三个模块的多水下机器人快速主动定位框架，降低相对测量误差、初始偏差带来的定位不确定性，同时使多机器人定位具有良好的可扩展性.提出的主动接近信标策略优势在于：被定位机器人与信标的相对几何位置收敛过程中，机器人的定位估计快速指数收敛.利用受噪声干扰的相对测距信息，论文采用强化学习方法实现提出的主动接近信标机动策略.开展的数值仿真实验结果表明：相对于基于圆形轨迹、梳状形轨迹机动策略的定位方法，论文所提方法使得水下机器人定位过程具有更好的快速性和鲁棒性.

关键词: 自主水下机器人, 主动定位, 运动规划, 初始定位偏差, 目标追踪, 强化学习

Abstract:

Rapid localization of autonomous underwater vehicles (AUVs) plays an important role in target pursuit tasks. We study active localization method for AUVs using noisy relative measurement, which achieves the precise position estimate of AUVs as quickly as possible under inaccurate initial estimates. A framework for active localization of AUVs with excellent scalability is proposed, which is composed of measurement module, control module and estimation module. In control module we design the motion strategy for AUV, which makes simultaneous convergence of position estimate and the relative geometric location between AUV and beacon. Using noisy relative measurement, a method based on reinforcement learning is adopted to achieve the motion strategy. The numerical simulation results show that the proposed framework and motion strategy has better rapidity and robustness than the traditional localization method.

Key words: autonomous underwater vehicles, active localization, motion plan, unactuated initial estimates, target pursuit, reinforcement learning

中图分类号:

TP242.6

冀大雄, 方文巍, 朱华, 李硕, 唐元贵, 田宇, 姚倩. 基于相对测量的水下机器人主动定位方法研究[J]. 电子学报, 2021, 49(7): 1249-1256.

JI Da-xiong, FANG Wen-wei, ZHU Hua, LI Shuo, TANG Yuan-gui, TIAN Yu, YAO Qian. Active Localization of Autonomous Underwater Vehicle Using Noisy Relative Measurement[J]. Acta Electronica Sinica, 2021, 49(7): 1249-1256.

图/表 10

图1 基于单信标的水下多机器人定位示意图

图2 多水下机器人主动定位框架

表1 环境特征与特征空间映射关系

特征空间 $Φ$	环境特征
$Φ 1$	$d i (k + 1) > d i (k) + l i (k) / 2, β 1 > β 2$
$Φ 2$	$d i (k) < d i (k + 1) ≤ d i (k) + l i (k) / 2, β 1 > β 2$
$Φ 3$	$d i (k) - l i (k) / 2 < d i (k + 1) ≤ d i (k), β 1 > β 2$
$Φ 4$	$d i (k + 1) ≤ d i (k) - l i (k) / 2, β 1 > β 2$
$Φ 5$	$d i (k + 1) > d i (k) + l i (k) / 2, β 1 ≤ β 2$
$Φ 6$	$d i (k) < d i (k + 1) ≤ d i (k) + l i (k) / 2, β 1 ≤ β 2$
$Φ 7$	$d i (k) - l i (k) / 2 < d i (k + 1) ≤ d i (k), β 1 ≤ β 2$
$Φ 8$	$d i (k + 1) ≤ d i (k) - l i (k) / 2, β 1 ≤ β 2$

表1 环境特征与特征空间映射关系

特征空间 $Φ$	环境特征
$Φ 1$	$d i (k + 1) > d i (k) + l i (k) / 2, β 1 > β 2$
$Φ 2$	$d i (k) < d i (k + 1) ≤ d i (k) + l i (k) / 2, β 1 > β 2$
$Φ 3$	$d i (k) - l i (k) / 2 < d i (k + 1) ≤ d i (k), β 1 > β 2$
$Φ 4$	$d i (k + 1) ≤ d i (k) - l i (k) / 2, β 1 > β 2$
$Φ 5$	$d i (k + 1) > d i (k) + l i (k) / 2, β 1 ≤ β 2$
$Φ 6$	$d i (k) < d i (k + 1) ≤ d i (k) + l i (k) / 2, β 1 ≤ β 2$
$Φ 7$	$d i (k) - l i (k) / 2 < d i (k + 1) ≤ d i (k), β 1 ≤ β 2$
$Φ 8$	$d i (k + 1) ≤ d i (k) - l i (k) / 2, β 1 ≤ β 2$

图 3 两种方式表征的特征空间

表2 回报函数表

$R (Φ, a)$	$a 1$	$a 2$	……	$a 16$
$Φ 1$	$R (Φ 1, a 1)$	$R (Φ 1, a 2)$	……	$R (Φ 1, a 16)$
$Φ 2$	$R (Φ 2, a 1)$	$R (Φ 2, a 2)$	……	$R (Φ 2, a 16)$
$Φ 3$	$R (Φ 3, a 1)$	$R (Φ 3, a 2)$	……	$R (Φ 3, a 16)$
$Φ 4$	$R (Φ 4, a 1)$	$R (Φ 4, a 2)$	……	$R (Φ 4, a 16)$
$Φ 5$	$R (Φ 5, a 1)$	$R (Φ 5, a 2)$	……	$R (Φ 5, a 16)$
$Φ 6$	$R (Φ 6, a 1)$	$R (Φ 6, a 2)$	……	$R (Φ 6, a 16)$
$Φ 7$	$R (Φ 7, a 1)$	$R (Φ 7, a 2)$	……	$R (Φ 7, a 16)$
$Φ 8$	$R (Φ 8, a 1)$	$R (Φ 8, a 2)$	……	$R (Φ 8, a 16)$

表2 回报函数表

$R (Φ, a)$	$a 1$	$a 2$	……	$a 16$
$Φ 1$	$R (Φ 1, a 1)$	$R (Φ 1, a 2)$	……	$R (Φ 1, a 16)$
$Φ 2$	$R (Φ 2, a 1)$	$R (Φ 2, a 2)$	……	$R (Φ 2, a 16)$
$Φ 3$	$R (Φ 3, a 1)$	$R (Φ 3, a 2)$	……	$R (Φ 3, a 16)$
$Φ 4$	$R (Φ 4, a 1)$	$R (Φ 4, a 2)$	……	$R (Φ 4, a 16)$
$Φ 5$	$R (Φ 5, a 1)$	$R (Φ 5, a 2)$	……	$R (Φ 5, a 16)$
$Φ 6$	$R (Φ 6, a 1)$	$R (Φ 6, a 2)$	……	$R (Φ 6, a 16)$
$Φ 7$	$R (Φ 7, a 1)$	$R (Φ 7, a 2)$	……	$R (Φ 7, a 16)$
$Φ 8$	$R (Φ 8, a 1)$	$R (Φ 8, a 2)$	……	$R (Φ 8, a 16)$

图 4 策略学习过程

图 5 不同机动策略下AUV位置估计

图 6 不同机动策略下AUV位置估计误差

图 7 不同机动策略下AUV位置估计误差比较

表3 AUV定位性能分析结果

机动策略	初始位置估计	$(200 m, - 100 m) T$		$(- 400 m, 300 m) T$
机动策略	实际初始位置	收敛时间（s）	定位精度（m）	收敛时间（s）	定位精度（m）
主动接近信标	$(400 m, - 300 m) T$	357	2.73	383	2.79
主动接近信标	$(800 m, - 600 m) T$	751	2.67	776	2.74
圆形轨迹	$(400 m, - 300 m) T$	1000	6.36	1749	5.87
圆形轨迹	$(800 m, - 600 m) T$	1845	18.27	2899	45
梳状形轨迹	$(400 m, - 300 m) T$	879	5.15	1618	5.93
梳状形轨迹	$(800 m, - 600 m) T$	1800	19.28	3000	135

表3 AUV定位性能分析结果

机动策略	初始位置估计	$(200 m, - 100 m) T$		$(- 400 m, 300 m) T$
机动策略	实际初始位置	收敛时间（s）	定位精度（m）	收敛时间（s）	定位精度（m）
主动接近信标	$(400 m, - 300 m) T$	357	2.73	383	2.79
主动接近信标	$(800 m, - 600 m) T$	751	2.67	776	2.74
圆形轨迹	$(400 m, - 300 m) T$	1000	6.36	1749	5.87
圆形轨迹	$(800 m, - 600 m) T$	1845	18.27	2899	45
梳状形轨迹	$(400 m, - 300 m) T$	879	5.15	1618	5.93
梳状形轨迹	$(800 m, - 600 m) T$	1800	19.28	3000	135

参考文献 24

1	WYNN R B， HUVENNE V A I， et al. Autonomous underwater vehicles （AUVs）： their past， present and future contributions to the advancement of marine geoscience［J］. Marine Geology， 2014， 352（1）： 451 - 468.
2	CHEUNG M Y. Underwater Multi‑vehicle Co‑operative Target‑Tracking［D］. Cambridge： Massachusetts Institute of Technology， 2019.
3	FISCHELL E M， RYPKEMA N R， SCHMIDT H. Relative autonomy and navigation for command and control of low‑cost autonomous underwater vehicles［J］. IEEE Robotics and Automation Letters， 2019， 4（2）： 1800 - 1806.
4	VASILIJEVIC A， et al. Coordinated navigation of surface and underwater marine robotic vehicles for ocean sampling and environmental monitoring［J］. IEEE ASME Transactions on Mechatronics， 2017， 22（3）： 1174 - 1184.
5	FALLON M F， et al. Cooperative AUV navigation using a single maneuvering surface craft［J］. The International Journal of Robotics Research， 2010， 29（12）： 1461 - 1474.
6	QURAISHI A， et al. A flexible navigation support system for a team of underwater robots［A］. 2019 International Symposium on Multi‑robot and Multi‑agent Systems ［C］. USA： Rutgers University， 2019. 70 - 75.
7	刘健，冀大雄. 用固定单信标修正水下机器人导航误差［J］. 控制与决策， 2010， 25（9）： 1354 - 1358.
	LIU Jian， JI Da‑xiong. Navigation error amendment for underwater robot using single beacon［J］. Control and Decision， 2010， 25（9）： 1354 - 1358.（in Chinese）
8	WANG S， CHEN L， Hu H， et al. Single beacon based localization of AUVs using moving horizon estimation［A］. IEEE/RSJ International Conference on Intelligent Robots Systems［C］. Tokyo， Japan： IEEE， 2013. 885 - 890.
9	ZHU Z， HU S J. Model and algorithm improvement on single beacon underwater tracking［J］. IEEE Journal of Oceanic Engineering， 2018， 43（4）： 1143 - 1160.
10	JAIN R P， ALESSANDRETTI A， AGUIAR A P， et al. A nonlinear model predictive control for an AUV to track and estimate a moving target using range measurements［A］. Third Iberian Robotics Conference［C］. Germany： Springer， 2017. 161 - 170.
11	BISHOP A N， FIDAN B， et al. Optimality analysis of sen‑ sor‑target localization geometries［J］. Automatica， 2010， 46（3）： 479 - 492.
12	BINGHAM B. Predicting the navigation performance of underwater vehicles［A］. 2009 IEEE/RSJ International Conference on Intelligent Robots and Systems［C］. USA： IEEE， 2009. 261 - 266.
13	BAJCSY R， ALOIMONOS Y， TSOTSOS J K. Revisiting active perception［J］. Autonomous Robots， 2018， 42（2）： 177 - 196.
14	HOOK J V， TOKEKAR P， ISLER V. Algorithms for cooperative active localization of static targets with mobile bearing sensors under communication constraints［J］. IEEE Transactions on Robotics， 2015， 31（4）： 864 - 876.
15	ENGIN S， ISLER V. Active Localization of Multiple Targets Using Noisy Relative Measurements ［DB/OL］. .
16	WILLNERS J S， TOOHEY L， PETILLOT Y. Sampling‑ based path planning for cooperative autonomous maritime vehicles to reduce uncertainty in range‑only localization［J］. IEEE Robotics and Automation Letters， 2019， 4（4）： 3987 - 3994.
17	TAN Y T， GAO R， CHITRE M. Cooperative path planning for range‑only localization using a single moving beacon［J］. IEEE Journal of Oceanic Engineering， 2014， 39（2）： 371 - 385.
18	REIF U. The extended Kalman filter as an exponential observer for nonlinear systems［J］. IEEE Transactions on Signal Processing， 1999， 47（8）： 2324 - 2328.
19	曹俊. 基于单信标测距的水下载体定位研究［D］. 哈尔滨：哈尔滨工程大学，2017.
20	JI D， DENG Z， LI S， et al. A novel case of practical exponential observer using extended Kalman filter［J］. IEEE Access， 2018， 6（1）： 58004 - 58011.
21	CARLUCHO I， MARIANO D P， WANG S， et al. AUV position tracking control using end‑to‑end deep reinforcement learning［A］. OCEANS［C］. Charleston： MTS/IEEE， 2018. 1 - 8.
22	RICHARD S S， ANDREW G B. Reinforcement Learning： An Introduction ［M］. Cambridge： MIT Press， 2018.
23	MASMITJA I， GOMARIZ S， et al. Optimal path shape for range‑only underwater target localization using a wave glider［J］. The International Journal of Robotics Research， 2018， 37（12）： 1447 - 1462.
24	XU C L， XU C H， WU C D， et al. A novel self‑adapting filter based navigation algorithm for autonomous underwater vehicles［J］. Ocean Engineering， 2019， 187： 1 - 12.

[1]	卓亚琦, 魏家辉, 李志欣. 基于双注意模型的图像描述生成方法研究[J]. 电子学报, 2022, 50(5): 1123-1130.
[2]	易令, 李泽平. 基于深度强化学习的码率自适应算法研究[J]. 电子学报, 2022, 50(5): 1192-1200.
[3]	张涛, 张文涛, 代凌, 陈婧怡, 王丽, 魏倩茹. 基于序贯博弈多智能体强化学习的综合模块化航空电子系统重构方法[J]. 电子学报, 2022, 50(4): 954-966.
[4]	肖硕, 黄珍珍, 张国鹏, 杨树松, 江海峰, 李天旭. 基于SAC的多智能体深度强化学习算法[J]. 电子学报, 2021, 49(9): 1675-1681.
[5]	管永明, 王刚, 骆凯波, 吕梁, 吕晓雯, 史玉良. 基于极端不平衡学习的泛化低压异常箱表关系识别研究与应用[J]. 电子学报, 2021, 49(8): 1507-1514.
[6]	周东明, 张灿龙, 李志欣, 王智文. 基于多层级视觉融合的图像描述模型[J]. 电子学报, 2021, 49(7): 1286-1290.
[7]	韩冲, 王俊丽, 吴雨茜, 张超波. 基于神经进化的深度学习模型研究综述[J]. 电子学报, 2021, 49(2): 372-379.
[8]	刘润滋, 吴伟华, 张文柱, 周笛, 张琰. 基于图学习的密集空间网络传输资源调度方法[J]. 电子学报, 2021, 49(11): 2133-2137.
[9]	石义乐, 杨文忠, 杜慧祥, 王丽花, 王婷, 理珊珊. 基于深度学习的图像描述综述[J]. 电子学报, 2021, 49(10): 2048-2060.
[10]	陈思光, 陈佳民, 赵传信. 基于深度强化学习的云边协同计算迁移研究[J]. 电子学报, 2021, 49(1): 157-166.
[11]	黄志清, 曲志伟, 张吉, 张严心, 田锐. 基于深度强化学习的端到端无人驾驶决策[J]. 电子学报, 2020, 48(9): 1711-1719.
[12]	杨启萌, 禹龙, 田生伟, 艾山·吾买尔. 基于深度强化学习的维吾尔语人称代词指代消解[J]. 电子学报, 2020, 48(6): 1077-1083.
[13]	朱斐, 刘全, 傅启明, 陈冬火, 王辉, 伏玉琛. 一种不稳定环境下的策略搜索及迁移方法[J]. 电子学报, 2017, 45(2): 257-266.
[14]	刘全, 于俊, 王辉, 傅启明, 朱斐. 一种基于随机投影的贝叶斯时间差分算法[J]. 电子学报, 2016, 44(11): 2752-2757.
[15]	仵博, 郑红燕, 冯延蓬, 陈鑫. 一种基于模型的可分解贝叶斯在线强化学习[J]. 电子学报, 2014, 42(7): 1429-1434.

基于相对测量的水下机器人主动定位方法研究

Active Localization of Autonomous Underwater Vehicle Using Noisy Relative Measurement

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 24

相关文章 15

编辑推荐

Metrics