基于前视声呐的水下移动障碍物运动参数预测

发布时间：2021-08-10 05:39

　　针对水下未知环境中移动障碍物的运动速度预测,提出一种基于多波束前视声呐预测方法.首先,对多波束前视声呐采集的障碍物三维点云数据进行滤波处理,并采用并行搜索树算法进行数据分块处理以分离出单个障碍物.然后,分别计算声呐每一采样时刻障碍物虚拟质心位置,并修正由无人潜航器船位差所产生的虚拟质心位置变化;建立自适应神经模糊推理系统模型,根据输入的虚拟质心位置依次预测移动障碍物的速度和方向角.最后,进行Matlab仿真实验,仿真结果表明:基于前视声呐探测数据获取的虚拟质心能够准确反映移动障碍物的运动趋势,基于此的自适应神经模糊推理系统能够准确预测移动障碍物的运动参数. 

【文章来源】：华中科技大学学报(自然科学版). 2019,47(05)北大核心EICSCD

【文章页数】：5 页

【部分图文】：

探测点与声呐的位置关系图1中探测点Pin的坐标是以声呐为参考点表

．训练次数设置为100次，允许偏差设置为0.001，在声呐模型运行过程中自动生成20组测试样本．建立运动方向预测自适应神经模糊推理系统ANFIS2模型，输入量4个，模糊规则256条，节点数551个，输入隶属函数选用高斯型，输出变量2个，输出类型选用线性函数．采用的50组数据样本和ANFIS1中的基本相同，同时做了一些调整，使用ANFIS1运行过程生成的速度数据替换原来的速度数据作为新增输入量，另外输出量改为艏向角和潜浮角，20组测试样本也做了同样的调整．航向角预测结果如图2所示，图中箭头表示运动方向．从图2可以看出虚拟质心运动轨迹与障碍物中心运动轨迹的速度和运动方向大致相同．图2声呐及障碍物运动轨迹4.2数据对比与分析为了直观地显示移动障碍物速度预测的结果，从Matlab软件中导出部分实验数据，见表1和表2．表1为球形障碍物的运动速度vs、艏向角和潜浮角的预测结果，速度预测的算术平均偏差仅为0.0039m/s，艏向角预测算术平均偏差为0.0049rad，潜浮角预测算术平均偏差为0.0040rad．速度预测相对平均偏差为0.30%，艏向角预测相对平均偏差为0.11%，潜浮角预测相对平均偏差为1.15%，与表1球形障碍物参数预测结果取样次数vs/(ms-1)/rad/rad真实值预测值真实值预测值真实值预测值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-

【参考文献】：
期刊论文
[1]基于帧差法的多波束前视声呐运动目标检测[J]. 崔杰,胡长青,徐海东.  仪器仪表学报. 2018(02)
[2]基于经验模式分解和自适应神经模糊推理的风速短期智能预测混合方法[J]. 刘辉,张雷,田红旗,梁习锋,李燕飞.  中南大学学报(自然科学版). 2016(02)
[3]深海油气勘探中的海底地形勘测技术[J]. 陈义兰,刘乐军,刘晓瑜,李西双.  海洋测绘. 2015(02)
[4]一种结合匹配区选择和障碍物探测的水下路径规划方法[J]. 李兰玉,熊凌,李开寒.  武汉科技大学学报. 2014(04)
[5]海洋勘测水下无人航行器的自主控制技术研究[J]. 严浙平,赵玉飞,陈涛.  哈尔滨工程大学学报. 2013(09)
[6]基于改进自适应神经模糊推理模型的回流焊参数设定方法[J]. 沙建军,潘尔顺.  上海交通大学学报. 2011(12)
[7]速度矢量坐标系下水下机器人动态避障方法[J]. 毛宇峰,庞永杰,李晔,曾文静.  哈尔滨工程大学学报. 2010(02)



本文编号：3333575