一种水下无人平台高可靠性智能定位方法

1.本发明涉及一种水下无人平台高可靠性智能光学定位方法，属于自主水下航行器自主对接与回收技术领域。


背景技术：

2.自主水下航行器(autonomous underwater vehicle，auv)是海洋探测与资源开发的重要工具，是水下空间站、海底观测网的重要组成部分。目前，auv的技术发展水平还不能满足大规模、广泛应用的需求，自主技术、协同技术和导航规划技术等需要开发改进。其中，自主技术是auv安全、准确地执行长期作业任务的关键技术。高可靠性的面向多坞多体场景的智能体协同定位方法与自主回坞方法对导引形式和位姿解算的精度和速度等提出了新的要求，此外多坞验证辨识与多机协同的交互机制是多坞多体场景的重要特征，对提高auv系统对接速度和对接成功率具有现实意义。研究面向多坞多体场景的智能体协同定位与自主恢复方法对建立基于水下空间站、海底观测网的水下安防战略具有重大意义。
3.从auv的导引形式来看，主要分为声学、电磁、光学和视觉四种形式。声学导引距离远，但精度较低，数据更新率低，易受到噪声的干扰；电磁和视觉导引作用距离通常在28m以下，精度在厘米级。其中，视觉导引易受到背景光变化，海水折射、反射及浑浊程度的影响；电磁导引易受到auv本身的电磁噪声以及外磁场的干扰。在实际应用中，视觉导引的作用距离常常在8m作用，可用程度有限。硬件方面，视觉导引所用单目或双目摄像头体积大，成本高，安装位置要求较高。视觉导引产生的传感器数据为视频流，每秒产生的数据量在gb量级，数据的存取压力较大。视觉导引的位姿解算算法的运算量较大，处理时间较长，对运算平台要求高，在auv航速较高时，解算速度往往达不到任务需求。光学导引虽然也易受到背景光变化，海水折射、反射以及浑浊程度的影响，但传感器体积小，产生的数据量小，通过对导引光源和定位算法的创新设计，可以实现快速的高精度定位。


技术实现要素：

4.要解决的技术问题
5.为了克服现有技术在导引形式、硬件成本、位姿解算速率等auv自主技术中的问题，提高auv的自主可用程度，本发明提出一种水下无人平台高可靠性智能光学定位方法。
6.技术方案
7.本发明的目的通过以下技术方案和装置予以实现：建立auv三维位姿角度-坐标数据集，训练auv三维位姿解算网络模型和硬件部署解算auv三维位姿。在auv位姿解算过程中，多象限传感器的电压数据为输入，auv的实时相对位置为输出。回收坞的信标系统由三个光源组成，以等边三角形排布在坞站的回坞口处。大视角面阵传感器是光学导引的主要传感器件，布置在auv的头部位置，负责接收坞站信标系统的光强信号。快速三维位姿解算算法以大视角面阵传感器测得的光强信号为输入，并特别针对大视角面阵传感器进行优化，通过预设的信标系统光源的几何结构关系，先计算出auv与各光源的夹角角度，再通过
算法解算出auv与坞站回坞口的距离和auv的相对位置坐标。快速三维位姿解算算法的核心指标是准确快速。通过搭建小运算规模的auv坐标解算模型，通过仿真建立大规模的auv水下定位角度坐标数据集，以优化的方式auv坐标解算模型的参数进行优化，并设计多维度的几何损失关系，实现了基于大视角面阵传感器的快速位姿解算。
8.1.建立auv三维位姿角度-坐标数据集
9.1)建立信标系统坐标系。信标系统位于回收坞上，三个导引光源呈等边三角形排列，边长为r，导引光源的发散角为
±
30
°
。以等边三角形的内心作为回收坞坐标系的原点，建立直角坐标系如图1所示。其中，三个导引光源的坐标分别为
10.2)根据auv坐标数据解算auv角度数据。如图2所示，假设auv位于坐标d(x,y,z)处，此时向量解得和形成的夹角形成的夹角和形成的夹角形成的夹角形成的夹角和形成的夹角
11.3)建立auv三维位姿角度-坐标数据集。限定auv坐标d的坐标范围，记s为导引的最远距离，则-s
·
sin 30
°
《x《s
·
sin 30
°
，-s
·
sin 30
°
《y《s
·
sin 30
°
，0《z《s。在auv的坐标范围内，均匀采样获得一个坐标的值为d0(x0,y0,z0)，对应的角度数据由步骤2解算为r0(α0,β0,γ0)，此时获得一组auv的三维位姿角度-坐标数据d0(x0,y0,z0)-r0(α0,β0,γ0)。
12.2.训练auv三维位姿解算网络模型
13.1)建立auv三维位姿解算网络模型。auv三维位姿解算网络模型为多层感知机网络、transformer回归网络等深度网络回归模型。
14.2)训练auv三维位姿解算网络auv三维位姿解算网络的输入为auv三维位姿角度-坐标数据集中的角度信息，输出为解算的坐标位置，损失函数为解算的坐标位置与实际的坐标位置几何关系的均方差误差。使用深度学习算法对网络参数进行优化，保存训练后的模型参数。
15.3.硬件部署解算auv三维位姿
16.1)多象限探测器解算信标系统的导引灯角度。信标系统中导引光源在auv头部的多象限探测器中产生的电压大小为u1,u2,u3,u4，并由以下关系式确定水平偏角φ与竖直偏角θ的角度：
[0017][0018][0019]
其中，kx、ky、mx、my为多象限传感器的标定值，是常数。
[0020]
2)计算任意两个导引灯与多象限探测器中心的夹角。夹角的对应关系如图2所示，夹角大小由以下关系式计算：
[0021][0022][0023][0024]
3)位姿解算网络解算坐标值。使用训练好的auv三维位姿解算网络解算auv的位姿。auv三维位姿解算网络的输入为(α,β,γ)，输出为该角度对应的坐标位置(x,y,z)。
[0025]
有益效果
[0026]
本发明提出一种水下无人平台高可靠性智能光学定位方法。通过建立auv三维位姿角度-坐标数据集和auv三维位姿解算网络模型，设计auv三维位姿解算几何损失函数，实现了快速且准确的auv三维位姿解算。模型位姿解算的角度误差在0.00013
°
，满足水下无人平台导引回坞中对定位精度的要求。该方法所依赖的硬件为多象限传感器，具有体积小、探测数据量小、设备安装简单等优点，该方法在部署过程中，还拥有硬件运算量小，位姿解算迅速等优点，其运算量仅为894.0mac，参数量仅为831。
附图说明
[0027]
图1是信标系统坐标图
[0028]
图2是auv三维位姿角度关系图
[0029]
图3是本发明建立auv三维位姿角度-坐标数据集流程图
[0030]
图4是本发明训练流程图
[0031]
图5是本发明测试流程图
具体实施方式
[0032]
先结合实施例，附图对本发明做进一步描述：
[0033]
该实施例中的水下无人平台高可靠性智能光学定位方法包括如下步骤：
[0034]
首先：建立auv三维位姿角度-坐标数据集，参阅图3，包括如下子步骤
[0035]
步骤1：建立auv与回收坞的三维坐标系。如图1所示。
[0036]
步骤2：随机均匀采样得到一个坐标数据。限定auv坐标d的坐标范围，记s为导引的最远距离，则-s
·
sin 30
°
《x《s
·
sin 30
°
，-s
·
sin30
°
《y《s
·
sin30
°
，0《z《s。在auv的坐标范围内，随机均匀采样获得一个坐标的值为d0(x0,y0,z0)。
[0037]
步骤3：计算坐标值对应的角度值。解得此时获得一组auv的三维位姿角度-坐标数据d0(x0,y0,z0)-r0(α0,β0,γ0)，参阅图2.
[0038]
其次：训练auv三维位姿解算网络模型，如图4所示，包括如下子步骤：
[0039]
步骤4：建立auv三维位姿角度-坐标数据集。重复步骤2和3总共1000万次，产生1000万组角度-坐标数据。
[0040]
步骤5：建立auv三维位姿解算网络模型。auv三维位姿解算网络模型为七层感知机网络，每一层的神经元个数分别为(3,6,12,24,12,6,3)，除了最后一层使用sigmoid激活函数外，其他层均适用relu激活函数。
[0041]
步骤6：训练auv三维位姿解算网络模型。使用adam优化算法，学习率设置为10-5
。auv三维位姿解算网络的输入为步骤4中一组角度-坐标数据的角度数据r0(α0,β0,γ0)，输出为解算的坐标位置d
p
(x
p
,y
p
,z
p
)。
[0042]
步骤7：定义auv三维位姿解算几何损失函数。auv三维位姿解算几何损失函数为解算的坐标位置d
p
(x
p
,y
p
,z
p
)与坐标位置d0(x0,y0,z0)几何关系的均方差。其中，d
p
(x
p
，y
p
，z
p
)所对应的角度坐标由步骤3计算为r
p
(α
p
，β
p
，γ
p
)，表示网络解算出的auv坐标距离信标系统原点的距离，表示数据集中坐标位置d0(x0，y0，z0)与信标系统原点的距离。auv三维位姿解算几何损失函数具体定义为：
[0043]
l＝λ
cord
l
cord
+λ
rad
l
rad
+λdld，
[0044]
其中，l
cord
＝|d
p-d0|2，l
rad
＝|r
p-r0|2，λ
cord
＝1，λ
rad
＝1000，λd＝1。
[0045]
步骤7：优化auv三维位姿解算网络模型参数。每一次优化都从步骤3中的数据中随机取64个数据，按照步骤5中定义的优化方法和步骤6中定义的损失函数，对步骤5中的auv三维位姿解算网络模型参数使用反向传播的方法优化1000万次。得到最优参数的auv三维位姿解算网络模型。
[0046]
最后，硬件部署解算auv三维位姿，如图5所示，包括如下子步骤：
[0047]
步骤8：由多象限传感器计算信标系统的导引灯偏角。多象限传感器探测每个导引灯得到一组电压值u1，u2，u3，u4，并由以下关系式确定导引灯的水平偏角φ与竖直偏角θ的角度：
[0048][0049][0050]
三个导引灯的水平偏角与竖直偏角记为φa，θa，φb，θb，φc，θc。
[0051]
步骤9：计算任意两个导引灯与多象限探测器中心的夹角。关系式为：
[0052][0053][0054][0055]
解得夹角角度分别为rr(αr，βr，γr)。
[0056]
步骤10：auv三维位姿解算网络模型解算auv坐标。以步骤9中得到的夹角rr(αr,βr,
γr)作为步骤7中得到的auv三维位姿解算网络模型的输入，输出得到auv坐标dr。

技术特征：
1.一种水下无人平台高可靠性智能定位方法，其特征在于，所述方法基于如下硬件设置进行：由三个光源组成信标系统以等边三角形排布在坞站的回坞口处，大视角面阵传感器布置在auv的头部位置，负责接收坞站信标系统的光强信号；所述方法包括如下过程：首先：建立auv三维位姿角度-坐标数据集，包括如下子步骤：1)建立信标系统坐标系；信标系统位于回收坞上，三个导引光源呈等边三角形排列，边长为r，导引光源的发散角为
±
30
°
；以等边三角形的内心作为回收坞坐标系的原点，建立直角坐标系；所述三个导引光源的坐标分别为角坐标系；所述三个导引光源的坐标分别为2.2)根据auv坐标数据解算auv角度数据：假设auv位于坐标d(x,y,z)处，此时向量解得和形成的夹角形成的夹角形成的夹角和形成的夹角形成的夹角和形成的夹角3)建立auv三维位姿角度-坐标数据集：限定auv坐标d的坐标范围，记s为导引的最远距离，则-s
·
sin30
°
<x<s
·
sin30
°
，-s
·
sin30
°
<y<s
·
sin30
°
，0<z<s；在auv的坐标范围内，均匀采样获得一个坐标的值为d0(x0,y0,z0)，对应的角度数据由步骤2解算为r0(α0,β0,γ0)，此时获得一组auv的三维位姿角度-坐标数据d0(x0,y0,z0)-r0(α0,β0,γ0)；而后：训练auv三维位姿解算网络模型，包括如下子步骤：1)建立auv三维位姿解算网络模型；auv三维位姿解算网络模型为多层感知机网络、transformer回归网络等深度网络回归模型；2)训练auv三维位姿解算网络；auv三维位姿解算网络的输入为auv三维位姿角度-坐标数据集中的角度信息，输出为解算的坐标位置，损失函数为解算的坐标位置与实际的坐标位置几何关系的均方差误差；使用深度学习算法对网络参数进行优化，保存训练后的模型参数；最后：硬件部署解算auv三维位姿，包括如下子步骤：1)多象限探测器解算信标系统的导引灯角度；信标系统中导引光源在auv头部的多象限探测器中产生的电压大小为u1,u2,u3,u4，并由以下关系式确定水平偏角φ与竖直偏角θ的角度：的角度：其中，kx、ky、mx、my为多象限传感器的标定值，是常数；2)计算任意两个导引灯与多象限探测器中心的夹角；夹角大小由以下关系式计算：
位姿解算网络解算坐标值；使用训练好的auv三维位姿解算网络解算auv的位姿；auv三维位姿解算网络的输入为α,β,γ，输出为该角度对应的坐标位置x,y,z。

技术总结
本发明涉及一种水下无人平台高可靠性智能光学定位方法，属于自主水下航行器自主对接与回收技术领域。本发明通过建立AUV三维位姿角度-坐标数据集和AUV三维位姿解算网络模型，设计AUV三维位姿解算几何损失函数，实现了快速且准确的AUV三维位姿解算。模型位姿解算的角度误差在0.00013


技术研发人员：李学龙 李晨 孙哲
受保护的技术使用者：西北工业大学
技术研发日：2023.02.23
技术公布日：2023/9/7