第6章 USV局部危险避障系统及综合仿真实验分析

2023-12-04 10:40

本文主要是介绍第6章 USV局部危险避障系统及综合仿真实验分析,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

水面无人艇局部危险避障算法研究

Local Risk Obstacle Avoidance Algorithm of USV


博主 的硕士毕业论文

第6章 USV局部危险避障系统及综合仿真实验分析

  以上三章分别就三层水面无人艇局部危险避障算法进行了深入研究,并分别在仿真实验平台上进行了验证和讨论。本章将综合考虑三层避障算法,并将三层避障算法合理地结合起来,建立能同时考虑已知静态环境下的全局优化目标(路径短、能耗低等),又能根据传感器信息实时规避未知障碍物的USV局部危险避障系统。之后简要的介绍自行开发的水面无人艇局部危险避障仿真实验平台;然后将在仿真实验平台上建立包含三种障碍物的真实环境,并对USV局部危险避障系统进行综合仿真实验分析。

6.1 USV局部危险避障系统

  本文提出的USV局部危险避障系统(见图6-1所示)基本思路为:以已知静态路径规划算法规划出来的局部静态最优路径为基础和依据向前航行,并不断的感知外界环境,若遇到新的障碍物,则以期望的航向和航速为优化性能指标,进行实时局部危险避障,实现边行进边规避障碍物的实时避障。
  在给定水面无人艇航行任务后,首先由离线的全局路径规划系统指定局部危险避障的子目标段。在无人艇航向过程中,每行进到子目标段的起点,便进入USV局部危险避障系统,并主动获取已知静态障碍物信息;同时进入“基于PSO的已知静态路径规划模块”,由该模块实时解算局部静态最优路径,所以该模块强调的是在较短的时间内得到子目标段内的路径最优化问题,对应的是本论文第三章的研究内容。当该模块求得局部最优路径之后,便已经根据当前环境信息确定了该子目标段的若干子目标点。此时,无人艇便可以朝着每个子目标点行进。
  无人艇在朝向子目标点行进途中,便一直利用自身携带的传感器作为环境反馈装置,实时探测环境信息,对威胁到无人艇行进的障碍物进行快速合理的规避,所以强调的是迅速可靠的产生可行路径。若在子目标点处,无人艇探测到运动状态可知或可预测的障碍物,便进入“基于PSO并融合海事规则的已知动态路径规划模块”,由该模块实时解算出满足海事规则的,最优航速和航向改变量,该模块对应的是本论文第四章的研究内容。在前两个模块的基础上,若无人艇实时探测到运动状态不可知或不可预测的障碍物,此时,无人艇首要任务便是进行快速避障,进入“基于滚动窗口的未知局部危险避障模块”,根据滚动窗口内障碍物所处的危险状态,实时规划出下一控制周期的运动状态,该模块对应的是本论文第五章的研究内容。
这里写图片描述
图6-1 水面无人艇局部危险避障系统

6.2 水面无人艇局部危险避障算法仿真实验平台

  为了可视化验证本文提出的三层水面无人艇局部危险避障算法的可行性,开发了此水面无人艇局部危险避障算法仿真实验平台,主界面如图6-2所示。
这里写图片描述
图6-2 水面无人艇局部危险避障算法仿真实验平台主界面

  该水面无人艇局部危险避障算法仿真实验平台,是在Microsoft Visual C++平台上进行开发的,并利用微软基础类库MFC实现C++的图形化界面。在用户界面上,采用了当今广泛流行使用的Ribbon界面进行设计。
  Ribbon界面最早应用于 Office 2007 中,在后来的Windows系统中,Ribbon界面已广泛的应用到了系统应用以及各种第三方应用中。与传统的菜单式用户界面相比较而言,Ribbon界面具有较多的优势:所有功能有组织的集中存放,无需查找级联菜单和工具栏;更好的组织命令;可以图示显示命令;更加适合触摸屏操作等。
  所以,在进行用户界面设计时,抛弃了传统的菜单式界面,转而采用Ribbon界面进行设计。
  本文开发的仿真实验平台,包括上方的Ribbon功能区(涵盖本仿真实验平台所有功能),中间的主显示绘图区域,绘图区域角落的避障信息显示,以及下方可实时显示绘图区域鼠标指向坐标的状态栏。下面分别对平台各区域做简要的说明。

6.2.1 Ribbon功能区

  Ribbon功能区涵盖了本仿真实验平台所有功能,根据三层避障算法的特点分为三个类别(即选项卡):已知局部危险避障,未知局部危险避障和设置。
  (1)“已知局部危险避障”类别包含了四个面板(见图6-3)。
这里写图片描述
图6-3 仿真实验平台Ribbon界面(1)
  “初始化设置”面板为设置无人艇的起始点和初始速度,对话框见图6-4。
这里写图片描述
图6-4 初始化对话框
  “基于PSO的已知静态避障策略”面板用来进行第一层避障算法的计算。包括静态圆形、静态矩形障碍物的设置,对话框见图6-5(1)(2);粒子群优化算法参数设置,对话框见图6-5(3);以及只进行粒子群优化算法的“计算路径”按钮,只进行路径优化“优化路径”按钮,和“计算并优化”按钮。
这里写图片描述
图6-5 静态已知环境建模及参数设置对话框
  “基于PSO的已知动态避障策略”面板用来进行第二层避障算法的计算。包括动态圆形、动态矩形障碍物的设置,对话框见图6-6(1)(2);粒子群优化算法参数设置,对话框见图6-6(3);进行粒子群优化算法的“计算”按钮;以及可设置显示避障结束点处动态障碍物位置的“动态显示”按钮。
这里写图片描述
图6-6 动态已知环境建模及参数设置对话框
  “数据”面板中的“数据输出”按钮,用来对环境信息和计算信息进行输出,保存计算数据以供分析。
  (2)“未知局部危险避障”类别包含了两个面板(见图6-7)。
这里写图片描述
图6-7 仿真实验平台Ribbon界面(2)
  “环境参数设置-未知”面板用来进行未知圆形、未知矩形障碍物的设置,对话框见图6-8(1)(2)。“基于滚动窗口法的避障策略”面板用来进行第三层避障算法的计算,包括无人艇未知局部危险避障参数设置,对话框见图6-8(3);进行滚动窗口算法计算的“计算”按钮。
这里写图片描述
图6-8 动态已知环境建模及参数设置对话框
  (3)“设置”类别包含了三个面板(见图6-9)。
  “窗口”面板可进行窗口大小的设置,对话框见图6-10;“视图”面板可设置状态栏、标题栏的显示与否;“显示设置”面板可设置主显示绘图区域中视图信息、始末点、路径节点、各个障碍物的显示方式。
这里写图片描述
图6-9 仿真实验平台Ribbon界面(3)

这里写图片描述
图6-10 改变窗口大小对话框

6.2.2 其它区域说明

  (1)中间的主显示绘图区域是用来可视化显示算法避障效果的,包括绘制障碍环境、避障路径、及显示相关参数。
  (2)绘图区域角落为避障信息显示区域。
  右上方的“Scale:1:4”为视图显示的比例尺。
  右下方区域中,“DynamicPSO”代表第二层已知动态路径规划方法中的粒子群优化算法,下方的“Generations”代表迭代次数,“Particle_num”代表粒子数,“WeightV”代表航速改变权值,“WeightDa”代表航向角改变权值。而“StaticPSO”代表第一层已知静态路径规划方法中的粒子群优化算法,下方的“Generations”代表迭代次数,“Particle_num”代表粒子数,“SetV_numMAX”代表调整速度最大次数,“SetInitialV”代表初始化速度值(为2π/ SetInitialV)。
  左下方区域中,“Test_Num”代表自打开程序进行过计算的次数;“ThisPSO_Num”代表在同一组粒子群参数下进行的计算次数;“StaticPSO_BestIndex”代表已知静态路径规划算法最佳代数;“UsedTime(S)”代表计算第一层已知静态路径规划算法的耗时;“UsedTime(D)”代表计算第二层已知动态路径规划算法的耗时;“BestFitness_CalculatePSO”代表计算第一层已知静态路径规划算法不进行路径优化的最优路径长度;“BestFitness_OptimizePath”代表第一层已知静态路径规划算法并进行路径平滑优化处理的最优路径长度;“BestFitness_DynamicPSO”代表经过前两层路径规划算法得到的最优路径长度。
  (3)下方状态栏处可实时显示绘图区域鼠标指向坐标的区域,可方便进行判断,及添加障碍物。

6.3 综合仿真实验及结果分析

  下面将结合前文提出的三层水面无人艇局部危险避障算法,建立较为真实的障碍环境,同时使用三层避障算法进行避障仿真分析。
  水面无人艇在沿全局优化路径行进的途中,不断的在全局优化路径中选取子路径起点和子路径终点,设置子路径段,供局部危险避障算法计算。假设无人艇运行到某海域,由全局路径优化算法指定了本段局部危险避障算法的起点“Start”和终点“Goal”。至此,无人艇便进入了局部危险避障。下面将分步进行描述本段子路径段的局部危险避障。
  首先给出无人艇以及各个算法的初始化设置。子路径段起点“Start”和终点“Goal”之间的距离为4400m。设置无人艇航速为40Kn。在第一层基于PSO的已知静态路径规划中,粒子群优化算法的惯性权重ω采用线型递减策略,且 ωmax=0.95,ωmin=0.2;c1=c2=2;迭代次数100,粒子数50。在第二层基于PSO的已知动态路径规划中,粒子群优化算法的惯性权重ω采用线型递减策略,且ωmax=0.95,ωmin=0.2;c1=c2=2;m1=1,m2=70;设置粒子群迭代次数50,粒子数50。在第三层基于滚动窗口的未知环境下的避障中,滚动窗口半径为800m,控制周期为2s。
  (1) 基于PSO的已知静态路径规划
  在该段路径中存在四个已知静态圆形障碍物(SOC1、SOC2、SOC3、SOC4),和两个已知静态矩形障碍物(SOR1、SOR2),相关参数见表6-1和表6-2,每个粒子共八个维度。经过第一层基于PSO的已知静态路径规划算法的解算,得到最优路径为4491.78m,计算耗时为1.466s,如图6-11所示,规划的路径节点见表6-3所列。
这里写图片描述
图6-11 基于PSO的已知静态路径规划

表 6-1 已知静态圆形障碍物SOC参数

序号极径(m)极角(rad)直径(m)
11000.000.000400
22000.000.000800
32630.596.131200
43492.850.231400

表 6-2 已知静态矩形障碍物SOR参数

序号中心点极径(m)中心点极角(rad)半长(m)半宽(m)方向角(°)
12340.9405.93411220140
23820.9956.17812024200

表 6-3 已知静态路径规划路径节点

路径点极径(m)极角(rad)路径点极径(m)极角(rad)
11000.000.22652630.590.125
22000.000.22663492.850.048
32229.950.18273714.150.034
42455.240.14883930.800.022

  (2) 起点“Start”和“Path1”之间的避障
这里写图片描述
图6-12 “Start”和“Path1”之间的避障

这里写图片描述
图6-13 “Path1”和 “Path2”之间的避障

  如图6-12所示,无人艇在起点“Start”处首先探测到了已知动态矩形障碍物DOR1(上海外高桥18,000箱级集装箱船,相关参数见表6-4),并与无人艇呈252.03°相遇,即夹角在195°和315°之间,为海事规则中的交叉相遇情形,需要从DOR1的后方通过,即无人艇左转向通行。通过第二层基于PSO的已知动态路径规划算法解算,耗时0.094s,得到的避障方法为向左舷转向13.01°,航速不变行进,相关参数见表6-5。无人艇运行到避障结束点后,就已成功完成了对障碍物DOR1的规避,此时便转向朝向本段的子目标点Path1行进。
  
表 6-4 已知动态矩形障碍物DOR1参数

序号中心点极径(m)中心点极角(rad)半长(m)半宽(m)方向角(°)速度(Kn)
1581.3776840.4642002826520

表 6-5 已知动态环境避障路径节点及改变量

路径点航向(°)改变量航速(Kn)改变量极径(m)极角(rad)航速(Kn)解算时间(s)
013.010.00539.770.453400.094

  无人艇从起点“Start”开始行进时,便不断的进行未知障碍物的探测。当无人艇运行到(极径:539.78m,极角:0.453rad)位置时探测到未知动态矩形障碍物UOR1(相关参数见表6-6),此刻开始进行基于滚动窗口的避障。经过判断此时刻无人艇处在潜在危险状态,在下一个周期内不会发生碰撞,如表6-7所列第一周期极角不变,所以继续行进。在第2周期,无人艇处于准危险状态,避障模块做出解算,调整航向。行进到第3周期结束时,UOR1就已完全消失在无人艇的滚动窗口中,无人艇也完成了对UOR1的避障。在第4周期开始转向,从第5周期开始无人艇便沿着到达子目标点“Path1”的方向前进。

表 6-6 未知动态矩形障碍物UOR1参数

序号中心点极径(m)中心点极角(rad)半长(m)半宽(m)方向角(°)速度(Kn)
16000.001203218030

表 6-7 “Start”和“Path1”之间的未知动态避障路径节点

序号极角(rad)序号极角(rad)序号极角(rad)
10.45330.98150.318
20.98140.632————

  (3) “Path1”和“Path2”之间的避障
  无人艇在第一路径点“Path1”处探测到了已知动态矩形障碍物DOR2(上海外高桥18,000箱级集装箱船,相关参数见表6-8),已知动态圆形障碍物DOC1和DOC2(相关参数见表6-9)。经第二层基于PSO的已知动态路径规划算法判断DOC1和DOR2均不会与无人艇相碰,不予进行避障考虑。而DOC2与无人艇呈182.03°相遇,即夹角在165°和195°之间,为海事规则中的正面相遇情形,需要从DOC2的左侧通行,即无人艇左转向通行。通过第二层基于PSO的已知动态路径规划算法解算,耗时0.125s,得到的避障方法为向左舷转向13.01°,航速不变行进。无人艇运行到避障结束点后,就已成功完成了对障碍物DOC2的规避,此时便转向朝向本段的子目标点Path2行进,如图6-1,3所示。

表 6-8 已知动态矩形障碍物DOR2参数

序号中心点极径(m)中心点极角(rad)半长(m)半宽(m)方向角(°)速度(Kn)
11360.005.7932002832017

表 6-9 已知圆形动态障碍物DOC1、DOC2参数

序号极径(m)极角(rad)直径(m)方向角(°)速度(Kn)
11501.470.7292006010
21620.490.2241201955

表 6-10 已知动态环境避障路径节点及改变量

路径点航向(°)改变量航速(Kn)改变量极径(m)极角(rad)航速(Kn)解算时间(s)
09.660.001457.180.280400.125

  (4) “Path5”和“Path6”之间的避障

这里写图片描述
图6-14 各路径点之间的避障
  “Path5”和“Path6”之间的避障如图6-14(1)所示。无人艇在“Path5”处探测到了已知动态矩形障碍物DOR3,通过基于PSO的已知动态路径规划算法解算出“P_AD5”动态路径点。向前运动的途中先后探测到了UOC1和UOC2,并通过基于滚动窗口的避障算法解算出实时规划路径,如途中虚线。相关障碍物参数和路径节点就不再赘述。
  (5) “Path6”和“Path7”之间的避障
  “Path6”和“Path7”之间的避障如图6-14(2)所示。无人艇在“Path6”处探测到了已知动态矩形障碍物DOC3,通过基于PSO的已知动态路径规划算法解算处“P_AD6”动态路径点。
  (6) “Path8”和目标点“Goal”之间的避障
  “Path8”和目标点“Goal”之间的避障如图6-14(3)所示。无人艇在从“Path8”驶向目标点“Goal”途中,探测到了UOC3,并通过基于滚动窗口的避障算法解算出实时规划路径,如途中虚线。

这里写图片描述
图6-15 最终避障示意图

  为了验证本论文提出的水面无人艇三层局部危险避障算法,在仿真平台上建立了包含三种障碍物的综合避障场景。从上述仿真结果和分析中可以得出,在综合避障场景中,本论文提出的避障算法较好的完成了各项避障任务;且该避障算法有效可行、运行速度快,可以很好的满足在线实时避障的要求,使得水面无人艇具备了对真实复杂、具有多种不确定性因素环境的自主适应性。

博主 的硕士毕业论文


===========文档信息============
版权声明:非商用自由转载-保持署名-注明出处
署名(BY) :dkjkls(dkj卡洛斯)
文章出处:http://blog.csdn.net/dkjkls

这篇关于第6章 USV局部危险避障系统及综合仿真实验分析的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/453165

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

水位雨量在线监测系统概述及应用介绍

在当今社会,随着科技的飞速发展,各种智能监测系统已成为保障公共安全、促进资源管理和环境保护的重要工具。其中,水位雨量在线监测系统作为自然灾害预警、水资源管理及水利工程运行的关键技术,其重要性不言而喻。 一、水位雨量在线监测系统的基本原理 水位雨量在线监测系统主要由数据采集单元、数据传输网络、数据处理中心及用户终端四大部分构成,形成了一个完整的闭环系统。 数据采集单元:这是系统的“眼睛”,

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

嵌入式QT开发:构建高效智能的嵌入式系统

摘要: 本文深入探讨了嵌入式 QT 相关的各个方面。从 QT 框架的基础架构和核心概念出发,详细阐述了其在嵌入式环境中的优势与特点。文中分析了嵌入式 QT 的开发环境搭建过程,包括交叉编译工具链的配置等关键步骤。进一步探讨了嵌入式 QT 的界面设计与开发,涵盖了从基本控件的使用到复杂界面布局的构建。同时也深入研究了信号与槽机制在嵌入式系统中的应用,以及嵌入式 QT 与硬件设备的交互,包括输入输出设

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

【区块链 + 人才服务】可信教育区块链治理系统 | FISCO BCOS应用案例

伴随着区块链技术的不断完善,其在教育信息化中的应用也在持续发展。利用区块链数据共识、不可篡改的特性, 将与教育相关的数据要素在区块链上进行存证确权,在确保数据可信的前提下,促进教育的公平、透明、开放,为教育教学质量提升赋能,实现教育数据的安全共享、高等教育体系的智慧治理。 可信教育区块链治理系统的顶层治理架构由教育部、高校、企业、学生等多方角色共同参与建设、维护,支撑教育资源共享、教学质量评估、

软考系统规划与管理师考试证书含金量高吗?

2024年软考系统规划与管理师考试报名时间节点: 报名时间:2024年上半年软考将于3月中旬陆续开始报名 考试时间:上半年5月25日到28日,下半年11月9日到12日 分数线:所有科目成绩均须达到45分以上(包括45分)方可通过考试 成绩查询:可在“中国计算机技术职业资格网”上查询软考成绩 出成绩时间:预计在11月左右 证书领取时间:一般在考试成绩公布后3~4个月,各地领取时间有所不同

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识