外文翻译-自行航水器真正自治

自行航水器 真正自治 每埃 丁 肯特 关爱 1 康斯贝格海上 2 挪威国防研究机构 (威 经过几十年的研究和开发 ,智能水下机器人 (天成为被越来越多的用户接受各种军用和民用设施。 统的数量卖给全球民用和军用的客户到三位数。这些系统的大部分已经生产在过去的五年里 ,所以该行业在快速增长。 欲探索提供一个安全、成本效益和可靠的替代载人或远程控制系统。对 于军事用户来说 ,他们可以减少人员的接触和 产等危险环境我的字段或 口、水路。他们还促进秘密或秘密信息收集在敌人后方。对于民用用户来说 ,欲使其具有成本效益的灵活性和敏捷性传感器平台 ,特别是在更深的水。 限制其潜在用途。进一步发展在 主将启用新的操作 ,如秘密 ,很长时间耐力任务 (周 )在未知的和 /或敌对的地区。虽然一些实验已经在冰上操作 ,如发生失败的机率是许多潜在用户高得令人无法接受。消除未知领域的长航时自主操作因此 区的一个重要目标。 无人水下航行器 的 自治水平通过水下主要是由他们的表现在三个方面 : 能源自治 可靠的电源 ,低功耗 务。 导航自治 精确导航和定位很少或根本没有位置估计误差增长一段时间。 决策自主权 意识的能力 ,解释和行动不可预见的环境的变化和 身。 这三个领域应以平衡的方式解决。特别是 ,导航和决策自主权以各种方式相互关联的 轨迹会影响导航系统和单个传感器性能 ,而导航系统的性能将影响 现任务目标的能力。决定采取行动自主权子系统包括车辆轨迹的变化 ,而且传感器配置和利用。 2。导航的自主权 精确 导航仍然是一个重大挑战所有水下平台上 ,包括水下。在过去的二十年里 ,全球导航卫星系统 ,如 球定位系统 )解决了这个问题对于大多数表面 ,地面和空中的基础应用。与当地或广域增强系统 ,随时随地可用 位精度。没有类似的系统存在定位低于海平面。 自主操作在深水或秘密军事行动需要 理水下操作很长一段时间。 哲学之一是采用最好的惯性导航系统 (起协助传感器和技术的大型工具箱 ,的导航系统 (人。 ,2003)。 合惯性导航系统结构 一英寸计算的位置 ,速度和 态度使用高频数据从一个惯性测量单元 (一个惯性传感器包括三个加速度计和三个陀螺仪测量角速率测量特定的力量。如果自己离开 短的一段时间后 ,有不可接受的位置错误。位置误差的增长是由乌兹别克斯坦伊斯兰运动的类 ,见表 1。目前可行的最佳可用惯性大小为 出了位置误差增长 1 敝中断 / h 的顺序 (1 ),当集成在一英寸。减少这种错误的要辅助冗余传感器测量。这些传感器通常通过卡尔曼滤波与 成 ,执行这个集成数学最优的方式。 图 1 显示了一个示意图的 成 尔曼滤波器是基于 1。分类的可行的艾莫斯欲 助 多数现代水下的解决方案是一个低漂移多普勒速度日志 (助 够整合各种形式的位置测量更新。 度依赖于声波的频率。更高的频率就会得到更好的精度为代价的减少范围 ,如表 2 所示。优先级之间的范围和精度依赖于应用程序。 表 2。 围和精度取决于其声学频率 (o。年代的速度 )。 图 1。 合惯性导航系统的框图。 无人水下航行器 的水平位置漂移 助 误差 估计 定速度 (即北部和东部速度 )。这个错误的主要贡献者是 度误差 ,和标题错误。 度估计误差主要是由低频误差 身决定的。这个错误是不明显的 ,如果车辆旅行沿着一条直线 ,没有帮助。另一方面 ,高频速度错误估计的乌兹别克斯坦伊斯兰运动。没有帮助 ,甚至是最准确的 有一个速度的不确定性比 度后很短的一段时间。 这意味着 沿着轨道位置误差迅速由 错误。 考虑一个水下机器人速度 2 米 /秒。根据表 2,以及跟踪误 差漂移的 300 千赫 /小时 ,而 1200 千赫 移的 /小时。 标题的错误是由 能的集成系统。标题估计误差通常是低频率、相应 螺动力学的偏见。参考表 1,1 敝中断 / h 导航类惯性传感器通常 准确性 ( )= 秒 (这对应于一个错误漂移的 ( )100%的旅行距离 ( ( )弧度 )。在 45 纬度 ,这等于旅行距离的 或 /小时 2 m / s 速度。 卡尔曼滤 波器可以弥补一部分的比例因子误差 直线运行更复杂的任务时 ,或者当位置更新是可用的。预期的最先进的 差漂移是总结在表 3 中 ,对一个典型的直线运输阶段和一个典型的割草机调查模式。表 3。高质量的典型位置误差漂移 型和 助 如 中提到的 ,一种有效的帮助工具限制 位置误差漂移。然而 ,即使包括此功能情况下会发生被丢弃在那里不能工作或测量由于质量下降。例如这将发生在操作 上面的传感器范围或在非常粗糙的深度测量法由于底锁的损失。在这两种情况下 ,在缺乏 据 ,替代速度信息需要实现一个可接受的低漂移 解决方案之间的位置更新。两个特别有效的替代方式是利用车辆动力学模型描述车辆动力学或与 括从量。后者措施车辆的速度相对于周围的流体。同样 ,车辆动力学模型预测同 。 图 2。导航 机期间 :左边图显示系统包括时没有 正确的。红色 (固体 )轨迹被认为是真理。蓝色 (o)数据显示 ,量。没有测量段对应于 30 分钟。绿色 (虚线 )是实时导航解决方案。 注意 ,当帮助 量和数据 动力学模型中 ,重要的是要还包括实时海流在 海流往往会构成主要误差源协助 度数据时 ,特别是当应用 跟踪数据。额外的信息帮助和海流估计模型 ,读者可以参考 (et ,2007)和 (et ,2008)。 助 一些传感器由一个水 下机器人连续观察同样的海底的一部分传感器测量 ,如合成孔径声纳 (三维声纳 ,或相机。通过关联这些连续测量相同的海底补丁在一个小的时间间隔 ,水下的变化测量位置之间的这些测量时间可能派生。相关日志 (另一个速度传感器 ,它提供了一个类似的测量 ,但使用不同的测量原理。 这些传感器提供一个不同的测量速度与 成。这种技术帮助这里被称为微 助当时间间隔很短 ,测量越来越像一个纯粹的速度测量。这种技术因此 供冗余 ,但也可能大幅 减少位置误差漂移是否足够准确的测量。在这方面 ,情景应用程序是一个特别有吸引力的传感器。 续使用 成一个更大的数组。正常工作 ,该数组位置位移之间必须找到 确率极高。这被称为 流离失所的天线相位中心 )(平托 ,2002;汉森等人。 ,2003)。通过使用这个位置位移速度测量 ,它可能是一个数量级甚至比 准确。 。这项技术是完全自治的 ,但需要一个合适的 感器上。 定全球定位系统表面 如图 1 所示 ,几个备选方案可能包括为综合惯性导航系统提供的位置更新。获取 面修复是最直观的方法和应该使用每当实用。浮出水面之间的时间取决于所需的导航精度和额外的协助传感器。可以使用 位服务如下 : 标准定位服务 (精确定位服务 (差分 实时运动 全球 提供给所有用户。 有授权用户和主要用于军事目的。 收器应该选择军事欲 ,至少对于否认地区的业务。 比 , 准确性 。欲详细海底映射通常会配备 在某些情况下甚至 务 用的一个例子是图 3 所示。 合 短基线 ) 首选的方法获取最大的位置精度。调查船设有一个 统 ,追踪了 超短基线 (位系统 ,例如康斯贝格 结合 全球地位估计可以获得 ,然后传送到 用声学链接。的位置估计的准确性取决于 度。无人水下航行器的位置从独立 一测量精度在 订单的范围 (视线从水面舰艇 虽然这定位源不会在自主操 作 ,这是非常有用的提供准确的导航系统初始化时操作在深水中。传输的一系列 置修复 产生一个非常低的初始位置估计误差 (通常的 1 米 ),和一个非常低的标题估计错误 ,进而最小化漂移当没有可用的位置帮助。 结合 获得的导航精度与 明 000 精度测试由中华商务技术 2000 年 10 月在墨西哥湾。测试是在 1300 米深度 ,和十一个不同的标题 (5 线的绘制方向相反 )当井口最大化的可见性映射任何相关错误或船。当导航数据后处理和井口观察 ),位置精度在 (1 )北部和东部。最后一个地图 迹和实验验证导航精度 (井口的确切位置是提前知道 )图 4 所示。绝对位置精度 4 米 (1 )后来在连续 得 。 图 4。井口映射多次与不同标题的位置精度评估最终的地图 ,并因此导航系统。真正的井口的位置是位于坐标 (0,0)相对的北部和东部。 基线 ) 水下转发器可以用来提供 下的位置测量。如果多个转发器排列在一个网络为了这个目的 ,它被称为长基线 (统。 问 络 ,并使用应答 从每个应答器计算范围从 发器。如果每个应答器的 3 d 位置是已知的 ,三角的 以计算一个独特的位置如果回复收到三个或多个转发器。如果只有两个转发器范围内 (稀疏 统 ),解决方案存在两种可能的位置。这些都是反映转发器之间的基线。 络部署和校准 ,海面上的船 ,因此不是一个严格意义上的自主解决方案。然而 ,一旦建立了网络 ,主导航与有界错误漂移偶尔通过访问网络。 下应答器定位 ) 测量范围从水下转发器也可能耦合 辅助 紧。这一概念 ,叫做海底应答器定位 (合 成基线 ,有优势 ,它甚至将与一个应答器。一个例子说明一个应答器的部署图 5所示。应答器的位置可以确定在 1米相对全球基准 (如 84)在 1000 米深度如果应用康斯贝格 统在盒子的过程。 作为 或转发器之间 ,新的范围从不同的方向将获得的。结合 可以提供一个导航精度相当使用支持 助船。图 6 显示了 下机器人的轨迹和 答器的位置。与 航位置的唯一来源更新。 30千赫 统使用了大约 里范围。 里的两条直线有两个转发器 4 公里。 航后处理 ,导航数据相比 ,独立 据存储在调查船。示。自部署转发器是费时 ,助的一个重要特征导航是只有一个应答器绑 需位置误差漂移。系统只有一个应答器工作时 ,任意数量的转发器以最优的方式合并。相比传统的 统 ( ),高了精度与 于紧密耦合 ,增加操作区和呢显著降低部署成本。进一步讨论使用 风险减少在冰主调查中可以找到 (et ,2008)。图 5。康斯贝格海上释放应答器图 6。 图 5。康斯贝格海上释放应答器 图 6。在 20140:01:01。 ” 坐标二维 试航轨迹。两个 发器部署 4 公里。 图 7。 置精度和 助。固体红色 :区别 期处理导航解决方案和独立 期处理导航解决方案。红色虚线 :预计 1 位置不确定性与 航系统。 帮助 量范围时 ,汽车只需要一个传感器。通过使用两个车载传感器 ,还可能获得轴承测量。它们之间的基线 (距离 )应该尽可能长时间 (原则上这变成了 一种短基线系统 ,类似于测量范围 ,轴承测量也与 密集成 ,进一步提高整体精度。 一个可能的发展是 署转发器本身。一旦部署 ,当前一代的康斯贝格转发器电池容量为两到三年操作 ,即将到来的转发器的电池容量为 5 年。这种方式 ,够部署的水声浮标轨迹 航。这些转发器也可以用作声学通信继电器。这个概念可以表示并发部署和导航 ( 形导航 无人水下航行控制器 的一些典型传感器由一个水下机器人提供水深测量 ;作为主要产品或副产品。在这些传感器 束 度计 ,干涉扫描声波。水深测量从这些传感器可以与 字地形模型 (海底 ,因此 位置在这个 能估计。这种技术被称为地形导航。执行相关的算法在概念上可以分为全局搜索算法和紧密集成算法。 全球搜索算法的例子有地形轮廓匹配 (1980)金点质量过滤器 (可能 ),和粒子过滤器 (伯格曼等人 ,1999)。有每个这些不同程度的复杂算法 ,但本质上它们 深传感器和 计全球地位 测量与 被集成。这些算法处理高度非线性深度测量法的结果 ,但在地 形很少有收敛问题变化。 紧密集成算法 ,如地形引用组合导航 (指标 )(哈根 &哈根 ,2000),和桑迪亚综合地形辅助导航 (印度被单布 )(1978 年豪思律师事务所 ),水深范围测量紧密集成。这些算法处理线性和弱非线性地形很好 ,但可能有一些地形高度非线性的问题。 地形导航是一种完全自主技术 ,但它需要一个 使命。不幸的是这一信息并不总是可用的。解决这个问题称为并发映射和导航 (复合材料 ),由 并同时使用地形导航算法结合位置误差漂移。图 8。可能最大的概率密度函数的等高线 (左 )和云粒子 滤波器 (右 )与工具处理 9 根 ,2006)。红线是先验导航解决方案 ,黑线是真实的地形导航位置和青色标志位置估计算法。 观 助 为一个扩展的微观 我们可以考虑传感器测量同一片海底在哪里看到与一个任意大小的测量之间的时间间隔。作为一个例子 ,考虑从侧 象的检测图像。如果 过多次相同的对象 ,对象的定位精度是主要导致了水下导航精度 ,那么区别对象的估计位置的两次观察了宝贵的相对位 置误差测量。这种类型的测量可以集成 该技术在此被称为宏观 助。复合材料密切相关 ,另一个例子是使用稀疏的水深信息从一个干涉声纳在任务重叠覆盖区域。这种技术是完全自治的 ,但需要一个成像或水深传感器。也只能绑定位置误差漂移技术。初始的全局误差 是观测到的 ,可以用常规的地形导航 。 航后处理 当讨论导航在自主操作 ,重要的是要区分实时性能和后处理。 实时性能显然决定实际的数据收集。 ,这取决于应用程序 (例如 ,当创建水深地图或在我的侦察 )可能希望在后处理进一步提高导航 精度。这是标准程序 ,后处理是使用 德 ,2004)。 后期处理会提高估计精度以及完整性。精度的增加是由于平滑的使用 ,这是一种最优估计方法 ,利用过去和未来测量。平滑时特别有效位置更新稀缺 ,面修复的情况 ,与几个参考区域地形导航 ,分散水下转发器。导航后处理的影响在运行 15 公里直线轨迹与 决在图 9 所示。影响较小 ,但仍然显著 ,当运行一个割草机的模式。导航后处理的另一个重要特性是增加导航完整性和增加恢复错误的数据集的能力。一方面 ,野生点过滤时可以更可靠的过去和未来的测量都可以考虑。 图 9。导航的影响后处理与 续运行轨迹时修复每 15 公里。绿图 :预测实时位置精度 (1 )。红图 :预测后期处理位置精度 (1 )。真正的导航错误已经通过实验验证是一致的和在其预测的不确定性。 3。决策自主权 绝大多数的今天的水下操作与预定的任务计划指定前进路线和车辆参数对整个任务。复杂的任务 ,不能提前准确地指定必须通过间歇沟通解决与人类操作员。这显然限制了车辆的性能和适用性。一个真正自主车辆必须能够感知自己的条件和环境 ,并适当地回应意想不到的或动态的情况。更新的态势感知需要一组广泛的传感器和数据分析工具 ,但最具挑战性的部分决策自主权仍选择有利的行动基于可用的信息。 从概念上讲 ,决策自主权可以分为两类 :处理内部故障的能力 (可持续发展 ),处理不可预测的外部事件的能力 (自适应性 )。后者是重要优化任务执行由自适应实时任务规划基于例如观察深度测量法和海流条件。它还促进等新颖应用自适应数据收集和与其他车辆的合作。可持续发展是至关重要的实现长航时的任务 ,随着子系统故障的概率增加与执行任务的持续时间 ,和任务在极端的环境中 ,如在冰下 ,失败的后果可能是不可接受的。在所有情况下 ,行动必须选择 ,这样总体任务的目标是取得最高学位。 这些行动可能包括修改任务计划 ,算法自动再计划因此要求 。 概述了常见的不同的体系结构使用时 ,设计一个自动控制系统。 介绍了自主路径规划 ,解释的后果控制架构规划算法的复杂性。计划需要车辆的环境知识 ,和 讨论的方式来表示这些知识。汽车真正的自治 ,重要的是 ,它的传感器也能自主操作 ,这是在 讨论。处理内部故障的能力都是在 。自主车辆可能需要配合其他车辆 ,自治和不是。一些场景需要这样的合作是 中给出。最后 ,自主车辆的一个例子是在 ,这非常简要描述 。 制架构 控制体系结 构是一个软件框架 ,它管理传感器和致动器系统 ,从而使 行指定的任务。基本上有三种不同的方法来控制架构 :深思熟虑、活性和混合动力系统 (阿金 ,1998)( ,1998)(et ,2000)( 003)。故意 (分层 )架构是基于计划使用一个世界模型。他们允许推理和对环境进行预测。来自世界传感器的数据流模型 ,它使用的是与一组预定义的任务目标计划新的行动是由执行机构 (图 10)。这个 “ 计划是适合结构化和可预测的环境 ,及其定义良好、紧密耦合结构简化了系统设计和验证的过程。然而 ,问题出现时试图维持一个准确、实时的世界模型复杂、动态和只有部分可观测的环境中典型的水下作业。系统响应可能会过于缓慢或不稳定。 图 10。刻意控制架构是基于世界模型和计划反应 (也称为行为 )控制架构是基于简单的 “ 感觉 方案 ,通常不涉及世界模型和规划。基本上 ,一群并行行为独立行动产生输出到执行器根据输入传感器数据 (图 11)。任务通常被描述为一个序列阶段每一组活跃的行为。 “ 交通 ” 阶段例如可能活跃的行为 “ 避免碰撞 ” ,“ 去路标 ” 和 “ 错误处理 ” 。系统的全 局协调的行为出现元素活跃行为及其与环境的相互作用。 图 11。无功控制体系结构是基于独立、并行行为 . 因为每个行为追求自己的目标 ,行为可能问题矛盾的行为 ,使行为协调反应系统的一个重要组成部分。行为协调方式的不同可分为合作和竞争方法 (卡雷拉斯et ,2000)。合作方式 ,行为投票所需的行动 (如期望的方向移动 )。由此产生的行动可以得票最多 ,或行为输出的加权平均。票可以乘以增益值根据投票行为的优先级。还可以实现负选票 ,甚至否决投票 ,避免车辆禁止进入或危险地区。 行为协调的竞争方法有一个行为控制车辆在任何给定 的时间。例如著名的包容架构 (布鲁克斯 ,1986 年 ),在 为将会覆盖 (包含 )低优先级的行为当激活。例如 ,“ 避免碰撞 ” 的行为将包含一个 “ 路标 ” 行为当车辆正在接近一个障碍。 竞争比合作行为的协调提供了更多的鲁棒性协调从安全行为可能在危险情况下原状。因为只有一个行为行为 ,竞争的方式也更加模块化、更容易曲调。合作行为协调 ,另一方面 ,倾向于提供更多的优化路径。这可以被考虑到 “ 避免碰撞 ” 行为可以 辆路径在一个更早的时间 ,使生成的路径平滑和更短视。合作的方法还允许 工作在几个目标同时 ,它与竞争的方法是不可能的。 被动控制是基于传感器和适当的实时的低层次的决策。然而 ,无功控制很少产生一个合理的解决方案在全球层面 ,因为无法感应到的全球控制决策依赖于信息 ,在决策的时候。对于这样的问题 ,故意控制更合适。此外 ,很难预测整个车辆行为反应控制时使用。因此 ,大多数 构使用反应技术在低水平的控制与深思熟虑的技术水平就越高。这样的架构被称为混合架构。最受欢迎的是三层体系结构 ,它包含一个活性层 ,一位高管层和故意层 (手枪 ,1998)(et ,1998)见图 12。 图 12。混合控制体系结构结合活性和刻意控制。高管层作为一个主管 ,接受方向从故意层和测序的活性层。同样 ,它从被动接收状态和传感器数据处理层和发送调用故意层。的决策周期通常是毫秒 ,一秒、分钟反应 ,分别执行和深思熟虑的层 ( 003)。 径规划 不管选择的控制体系结构 ,某种形式的规划通常是需要维护系统的安全性和效率。规划之前和期间都可以做任务 (重新规划 )。通过重新规划道路 ,车辆能够占在其内部状态和环境变化。计划通常是一个明确的路径 ,但也可以在人工势场的形式使用 的车辆引导 (et ,2004)。至少 ,这一计划可能由一系列行为无功控制器的参数设置。重新规划将通过改变路径 ,添加或删除 引资人工势场或改变参数集序列。不管实现 ,它是重要的规划机制能够使车辆避免危险地区 ,以及达到的目标任务 . 所需的路径计划的详细程度取决于车辆的控制体系结构。纯粹的深思熟虑的架构需要一个全面详细的计划 ,同时反应体系结构不需要其他的计划可能比一个序列的行为参数。一个混合建筑只需要一个计划 ,故意层 ,而降低活性层会照顾小的调整和防撞。因此 ,混合架构的收益率简单 的计划任务不是深思熟虑的架构。 计划设定的前提也是导航系统的性能。如果导航不确定性很大 ,一个健壮的计划 ,具有良好的清除障碍是必要的。此外 ,一个计划的细节变得无用 ,如果车辆没有足够的导航功能。因此 ,导航自主自治系统 ,依靠计划的一个关键特性。如果一个计划可以指定相对于车辆的当前位置 ,当地 (相对 )导航精度的重要参数。这是有利的 ,因为当地导航比全球更准确。 有多种方法可用来生成显式路径 (拉 ,2006)。一个方法是自由的环境转换成图 ,如图 13 所示。图搜索算法可以应用于找到一个有利的路径基于一些优化标准。一个例子是迪杰 斯特拉算法 (迪杰斯特拉 ,1959)发现两点之间的最短路径。鲁棒性导航可以引入不确定性减少的大小通过安全自由地区的利润率。如果环境是无法提前知道 ,那么可以使用一个动态图搜索算法 (如 D *算法 (拉 ,2006)。 图 13。面积与一个椭球障碍转化为一个 顶点。 可能需要可行的路径 ,即它必须坚持动态约束的车辆。这样的约束必须被包括在图搜索算法。这样做的一个方法是将环境转换为一个多维空间 ,每个点是一个可能的配置 (状态 )的车辆。这个空间被称为配置空间 ,或状态空间 (拉 ,2006)。如果这个空间离散 ,图搜 索算法容易实现。创建一个配置空间和转换障碍进入这个空间 ,并不是一件容易的事情 ,可能需要大量的计算资源。此外 ,对于复杂的车辆配置空间有许多维度 (一个用于每个自由度 ),增加的时间需要执行一个成功的搜索。由于配置空间的复杂性、动态对象也很难实现。 也可以用动态规划解决的路径发现问题。方法从最优化理论 (赖特 ,1999)可以应用于找到一个优化的计划对一些目标函数 (例如通过最小化的能量使用 )。目标函数可能包括约束和优化方法依赖于环境的离散化。然而 ,有几个缺点使用优化算法。优化问题并不简单制定 ,算法可以 使用很多时间和计算资源 计算的解决方案 ,仍然可能不是全局最优。此外 ,大多数算法需要一个可行的路径开始 ,又可能难以计算。 对水下车辆 ,严格可行路径的必要性应该仔细考虑。环境通常是一个大型 3 人烟稀少的障碍和很少充分提前知道。在这种情况下安全边缘周围的路径将保证车辆的安全 ,即使车辆路径的被迫离开是因为动态约束。这种方式避免了动态约束大大简化了路径规划的路径。 规划的复杂性也可以减少通过隐式路径规划不为工具创建一个明确的路径 ,而是将环境转换为一个人工势场 (et ,2004)。在这个领域 ,障 碍和其他被禁止的领域作为 车推离 ,而目标作为引资牵引车辆。影响车辆的矢量和作为车辆的低电平控制系统的输入。这在全球导航方法是健壮的错误 ,并快速计算。然而 ,就像所有规划算法 ,它是依赖于一个完全已知的环境或传感器探测障碍物的能力。此外 ,车辆可以被困在局部最小值 ,如果不小心删除此 (或滞留检测 )。图 14 显示了一个人工势场目标所在地旁边一堵墙。 图 14。一个人工势场与目标位置旁边一堵墙。注意当地最低在对面的墙上。 为任务的目标除了凌日位置 ,路径规划可以变得更加复杂。 区域范围就是一个例子 ,其中一 个区域是映射或成像传感器 (如声纳 ,相机或回声测深仪 )。如果使用图搜索算法 ,问题就像旅行售货员问题 (动物 et ,1999)。动态编程和人工潜在领域也成为更高级的任务相当复杂。在这种情况下 ,它可以有利于利用假设和启发式路径规划。保险规划 ,这是一个许多研究感兴趣的区域 (资产阶级 et ,1999)(伤害 et ,1996)(黄 ,2001)(001),简单的割草机模式通常是合适的。无障碍环境的覆盖规划问题然后找到行间距 ,减少模式的方向和高度。障碍可以通过将环境划分为无障碍处理细胞 (黄 ,2001)。 如果不计算昂贵的查询算法 ,它是可能的 ,并且有利于重新计划在任务的路径。 重新计划能力的路径使得车辆能够考虑内部和外部的变化 ,并删除一个先验已知环境的需求。 例如 ,对于保险计划使用割草机模式 ,该模式可以在每个向优化轨道间距根据实际海底覆盖 ,或搜索方向基于发现深度测量法和海洋洋流 (哈根等 ,2007)。该计划还必须 输入系统的其他部分 ,比如当 航系统请求修复。 根据定义 ,一些任务无法有一个明确的计划为车辆路径。一个例子是自适应数据收集 ,车辆可以执行额外的 测量对象的传感器数据或遵循一个传感器数据梯度 (如。温度、盐度或浮游生物密度 )。在这两种情况下 ,生成的路径是完全依赖于感知环境。这些任务必须以目标为导向。如果使用计划 ,重新规划是必要的 ,每一次梯度估计更新或一个对象。重新规划的频率可能严重限制允许规划算法的计算时间 ,特别是在梯度的情况下。如果限制太严格 ,规划任务必须减少活性层给予更多的责任。 识表示 有价值的路径规划需要一些输入关于环境的知识。先验知识 ,例如障碍和深度测量法 ,任务期间收集的数据可能是有用的。这可以作为地理信息地图层和通常包括参数 (et ,2006): 水深 (先验 ;更新任务期间 ) 冰层覆盖深度 障碍位置 (和可能的分类 ) 感兴趣的对象 (如矿山或残骸 ) 禁止 /危险区域 可靠性 /年龄 /信息的准确性 海洋洋流 海底类型传统上 ,大量的工作已经花在发展中节省内存表示地图 ,如四叉树、锡模型和空间 (,2004)。虽然这些方法可以减少内存需求由几个订单的级没有信息丢失 ,时间可以增加访问信息巨大的变化。当前 算机系统有足够的记忆存储做一个统一的网格表示一个合理的选择。 深思熟虑的架构 ,依赖高水平的规划 ,所需的网格间距的映射将在很大程度上的环境。如果环境与密度稀疏障碍很简单 ,只需要一个粗糙的地图。然而 ,一个复杂的环境 (如港口 )需要一个 图。反应体系结构可能不需要地图 ,或者只有非常粗 ,不管环境。混合架构 ,故意层和底活性层 ,只需要一个深思熟虑的计划层。因此 ,它只需要一个粗网格地图上的任何环境。有多粗都依赖任务的多少控制执行的故意 ,又有多少是由活性层。 注意产品的任务 ,如等深线图 ,通常会被存储在另一个高分辨率格式 ,不需要保存在内存中。 感器的自主权 从最终用户的角度看 ,一个水下机器人只不过是平台携带传感器 (或其他有效载荷 ),任务的执行实际的目标 ;数据收集。在完全自主 务 ,机载传感器和其他子系统的性能通常是在初始阶段的检查任务 ,信范围内的表面的容器。使用声学或射频链接 ,操作员可以确保所有子系统执行假设在计划阶段 ,并根据需要采取纠正措施。如果条件的变化而变化 ,不同的传感器设置可能会预定程序的不同部分的任务计划。 然而 ,当自主操作的区域环境条件是未知或迅速变化 ,这可能是不够的 , 一些传感器包括一些功能自动适应 不同条件 ;一些非常简单 ,没有参数 ,可以改变。然而 ,大多数传感器目前可用的设计是基于一个假设 ,即人类操作员将监测传感器数据并根据需要调整传感器参数。这是特别适用于更高级的传感器如一边扫描声波 ,多波束回声测深仪 ,合成孔径声波和光学成像系统。 在接下来的段落中 ,我们将使用 1030 康斯贝格 涉合成孔径声纳(为一个例子 (将 et ,2008)。这个传感器是用于高分辨率成像 (2 - 5 厘米 ,高分辨率的深度测量法 高度大约 10 倍。 030 送宽带脉冲港口和右舷定期 ;通常 ,几赫兹。信号从海底反射的对象和水量两长多元化接收机接收数组 ,以及发射机。一个复杂的信号处理链 ,在连续数据从多个 原始数据转换成声纳图像和深度测量法(哈根 et ,2001)(汉森 et ,2003)。 情景应用程序的性能受到广泛的因素 稳定运动的导航精度 ,自我噪音 ,和声音的速度变化 ,等等。 在浅水区 ,性能通常由声学有限多路径 ,例如 ,同时接收的信号从发射机到接收机之间不同的路径 (从海底反射 ,从表面上看 ,海底表面 ,表面然后海底 ,等等 )。一个完全自主的 根据声纳数据和知识的环境 ,优化操作以优化性能。最明显的候选人参数修改包括传输波束宽度和方向 ,以及 高度。应用这些更改之后 ,自治系统可能确定性能仍然不足 ;例如实际的范围 ,可以产生良好的声纳图像小于要求实现全面覆盖底部。这将触发重新规划的任务 ,由间距测量线紧。 误处理 健壮的错误处理是至关重要的实现车辆的可持续性和生存能力。保守的方法是使车辆执行紧急提升当遇到任何严重的错误或异常情况。这将确保车辆能够收回 ,即使结果是失败的任务。 冰层中的或秘密任务 ,紧急提升 过程是不可能的。确保车辆在紧急情况下的生存因此变得非常困难。在秘密或秘密行动 ,防止发现比恢复车辆可能更重要。在很多情况下 ,一个选择可能是执行紧急降落 ,允许车辆在海底休息 ,直到恢复操作是可能的。 很明显 ,一个更加智能的错误处理需要长时间耐力和复杂的任务。这将增加生存能力在危险情况下如上所述 ,也使车辆完成任务最好的程度。错误处理算法的一个挑战是错误可能是算法本身。这使得冗余重要 ,需要一个底线错误处理过程提供紧急上升 /下降。 聪明的错误处理要求车辆感知外部环境和内部状态。通过测量传感器的性能可以改变任务计划优化性 能 ,所述路径规划。车辆也应该能够估计操作之前的剩余时间的能量 ,确保它总是有足够的能量回程。 冰层中 的错误处理可分为三层。顶端的层是关心实现任务目标尽其所能在这种情况下。这一层将 能需要一个不同的软件模块为每个类型的任务。中间层是 关心让车辆指定会合的位置。任务不会成功 ,但车辆至少会恢复在一个安全的位置。底层是最后一道防线 ,并将试图确保车辆的生存能力。这一层 ,将执行紧急上升 /下降。底层的重要性使其优势如果这是实现在软件和硬件 (如。 ,如果 电力系统突然出现故障 ,硬件解决方案将确保一个提升过程启动 )。 作系统 合作系统是一个不断上升的话题在水下智能车辆领域提供很多潜在的好处。系统都可以欲 ,或者是水下和水面车辆的混合物。一些车辆可能自治而其他可以远程控制或载人。以下是一些合作的例子。 任务时间调查特定区域可能是通过使用几种自动车辆明显减少了。这些车辆之间的通信的程度取决于所涉及的规划水平 (从而控制架构 )。如果每辆车的一部分区域独立探索 ,没有车辆间通信是必要的。然而 ,也有可能对车辆进行交互 ,例如通过传输他们的位置和传感器发现其他车辆的指导方 针。这是自适应数据收集、特别感兴趣的的共同努力下 ,所有的车辆都可以通过集中的方向从主 控制算法受群体智慧 (动物 et ,1999)。使用几欲移动时可能会形成有利的跟踪传感器数据梯度 ,计算空间梯度基于数据从单一车辆需要密集的操纵。 两个欲探索不同的传感器套件可以合作的任务 ,目的是检测和检