針對水下未知環(huán)境中移動障礙物的運動速度預(yù)測,提出一種基于多波束前視聲吶預(yù)測方法.首先,對多波束前視聲吶采集的障礙物三維點云數(shù)據(jù)進行濾波處理,并采用并行搜索樹算法進行數(shù)據(jù)分塊處理以分離出單個障礙物.然后,分別計算聲吶每一采樣時刻障礙物虛擬質(zhì)心位置,并修正由無人潛航器船位差所產(chǎn)生的虛擬質(zhì)心位置變化;建立自適應(yīng)神經(jīng)模糊推理系統(tǒng)模型,根據(jù)輸入的虛擬質(zhì)心位置依次預(yù)測移動障礙物的速度和方向角.最后,進行Matlab仿真實驗,仿真結(jié)果表明:基于前視聲吶探測數(shù)據(jù)獲取的虛擬質(zhì)心能夠準確反映移動障礙物的運動趨勢,基于此的自適應(yīng)神經(jīng)模糊推理系統(tǒng)能夠準確預(yù)測移動障礙物的運動參數(shù). 

【文章來源】：華中科技大學學報(自然科學版). 2019,47(05)北大核心EICSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

探測點與聲吶的位置關(guān)系圖1中探測點Pin的坐標是以聲吶為參考點表

．訓練次數(shù)設(shè)置為100次，允許偏差設(shè)置為0.001，在聲吶模型運行過程中自動生成20組測試樣本．建立運動方向預(yù)測自適應(yīng)神經(jīng)模糊推理系統(tǒng)ANFIS2模型，輸入量4個，模糊規(guī)則256條，節(jié)點數(shù)551個，輸入隸屬函數(shù)選用高斯型，輸出變量2個，輸出類型選用線性函數(shù)．采用的50組數(shù)據(jù)樣本和ANFIS1中的基本相同，同時做了一些調(diào)整，使用ANFIS1運行過程生成的速度數(shù)據(jù)替換原來的速度數(shù)據(jù)作為新增輸入量，另外輸出量改為艏向角和潛浮角，20組測試樣本也做了同樣的調(diào)整．航向角預(yù)測結(jié)果如圖2所示，圖中箭頭表示運動方向．從圖2可以看出虛擬質(zhì)心運動軌跡與障礙物中心運動軌跡的速度和運動方向大致相同．圖2聲吶及障礙物運動軌跡4.2數(shù)據(jù)對比與分析為了直觀地顯示移動障礙物速度預(yù)測的結(jié)果，從Matlab軟件中導出部分實驗數(shù)據(jù)，見表1和表2．表1為球形障礙物的運動速度vs、艏向角和潛浮角的預(yù)測結(jié)果，速度預(yù)測的算術(shù)平均偏差僅為0.0039m/s，艏向角預(yù)測算術(shù)平均偏差為0.0049rad，潛浮角預(yù)測算術(shù)平均偏差為0.0040rad．速度預(yù)測相對平均偏差為0.30%，艏向角預(yù)測相對平均偏差為0.11%，潛浮角預(yù)測相對平均偏差為1.15%，與表1球形障礙物參數(shù)預(yù)測結(jié)果取樣次數(shù)vs/(ms-1)/rad/rad真實值預(yù)測值真實值預(yù)測值真實值預(yù)測值10.81580.8190-2.5526-2.5529-0.2583-0.255320.77630.7794-2.5690-2.5715-0.1860-0.186330.81330.8116-2.5207-2.5214-0.1661-0.166740.79540.7977-2.5431-2.5492-0.2275-0.227150.79470.7988-

【參考文獻】：
期刊論文
[1]基于幀差法的多波束前視聲吶運動目標檢測[J]. 崔杰,胡長青,徐海東.  儀器儀表學報. 2018(02)
[2]基于經(jīng)驗?zāi)Ｊ椒纸夂妥赃m應(yīng)神經(jīng)模糊推理的風速短期智能預(yù)測混合方法[J]. 劉輝,張雷,田紅旗,梁習鋒,李燕飛.  中南大學學報(自然科學版). 2016(02)
[3]深海油氣勘探中的海底地形勘測技術(shù)[J]. 陳義蘭,劉樂軍,劉曉瑜,李西雙.  海洋測繪. 2015(02)
[4]一種結(jié)合匹配區(qū)選擇和障礙物探測的水下路徑規(guī)劃方法[J]. 李蘭玉,熊凌,李開寒.  武漢科技大學學報. 2014(04)
[5]海洋勘測水下無人航行器的自主控制技術(shù)研究[J]. 嚴浙平,趙玉飛,陳濤.  哈爾濱工程大學學報. 2013(09)
[6]基于改進自適應(yīng)神經(jīng)模糊推理模型的回流焊參數(shù)設(shè)定方法[J]. 沙建軍,潘爾順.  上海交通大學學報. 2011(12)
[7]速度矢量坐標系下水下機器人動態(tài)避障方法[J]. 毛宇峰,龐永杰,李曄,曾文靜.  哈爾濱工程大學學報. 2010(02)



本文編號：3333575