小张同学的博客😎

A Real-Time Path Planning Algorithm for AUV in Unknown Underwater Environment Based on Combining PSO and Waypoint Guidance

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | 规划 • 基于优化

A Real-Time Path Planning Algorithm for AUV in Unknown Underwater Environment Based on Combining PSO and Waypoint Guidance * Authors: [[Zheping Yan]], [[Jiyun Li]], [[Yi Wu]], [[Gengshi Zhang]] DOI: 10.3390/s19010020 初读印象 comment:: 在该算法中，使用多光束前向声纳（FLS）来检测障碍物，而FLS的输出数据用于生成这些障碍的轮廓（多边形）。粒子群优化用于搜索适当的临时航路点，其中考虑路径计划的优化参数。随后，在目的地和这些临时航路点的指导下自动生成最佳路径。文章骨架 %%创新点到底是什么?%% novelty:: 使用FLS进行局部路径规划的障碍检测以及临时航路点生成。使用PSO算法优化航路点。 %%有什么意义？%% significance:: 更符合实际使用。 %%使用了什么方法?%% usage method:: 使用 #PSO 算法优化FLS得到 ...

Global path planning for multiple AUVs using GWO

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | 规划 • 基于优化 • 编队

Global path planning for multiple AUVs using GWO * Authors: [[Madhusmita Panda]], [[Bikramaditya Das]], [[Bibhuti Bhusan Pati]] DOI: 10.24425/ACS.2020.132586 初读印象 comment:: 本文采用灰狼优化（Grey Wolf Optimization，GWO）算法求解编队中多AUV的次优路径。将所得结果与遗传算法（GA）应用于同一问题的结果进行了比较。GWO被用作编队中三个AUV的GPP算法。在弱通信条件下，设计了一种基于局部信息的滑模控制器，在保持编队队形的同时最小化跟踪误差。通过Lyapunov稳定性分析验证了滑模面的稳定性。通过合理的路径规划，AUV可以在更短的时间内以更少的能量消耗到达目标，从而使路径成本最小化。因此，较低的路径成本导致较便宜的水下任务。文章骨架 %%创新点到底是什么?%% novelty:: 应用GWO生成AUV的次优路径。提出的性能拥有路径规划是与著名的GA路径规划结果考虑障碍自由,丰富环境 ...

A Survey on Formation Control Algorithms for Multi-AUV System

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | 编队 • 控制

A Survey on Formation Control Algorithms for Multi-AUV System * Authors: [[Xin Li]], [[Daqi Zhu]], [[Yuang Qian]] DOI: 10.1142/S2301385014400093 初读印象 comment:: 随着自主水下航行器 (AUV) 应用技术的发展，多个AUV的编队控制已成为世界范围内的研究热点。本文首先将控制方法概括为: 虚拟结构法、基于行为的方法、领导者-跟随者法和人工势场法。其次，根据该领域的研究和发展现状，分析了地层控制特别是多AUV系统的特殊性和不同点。关键技术问题归纳为三个方面: AUV的动态复杂性问题; 环境复杂性问题; 严重的水下通信约束问题。最后，讨论了多AUV系统的主要发展趋势。 Inroduction:: 主要讲了编队从无人机和路上的规划移植到水下的有部分不适。 Algorithms:: 虚拟结构方案：编队效果好，但是动作固定，刚性体的结构动态能力差。基于行为的方法：该方法将编队任务分解为机器人的一系列基本行为。人工势场法：这种方法的基 ...

Feedback-Dubins-RRT Recovery Path Planning of UUV in an Underwater Obstacle Environment

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | 规划 • 回收 • RRT • Dubins

Feedback-Dubins-RRT Recovery Path Planning of UUV in an Underwater Obstacle Environment * Authors: [[Bing Hao]], [[Zheping Yan]], [[Xuefeng Dai]], [[Qi Yuan]] DOI: 10.1155/2020/8824202 初读印象 comment:: 本文研究了一种已知起始向量和终止向量的UUV回收路径规划方法。根据障碍物的距离和方向信息设计局部结构图。根据局部结构图，采用带反馈的快速探索随机树（ RRT）方法生成逐渐接近目标区域的3D Dubins路径，讨论UUV到达特定目标区域的环境特性。文章骨架 %%创新点到底是什么?%% novelty:: 针对障碍物密集的环境，提出了一种基于距离和方向信息构建障碍物与目标向量之间的局部结构图的方法。 %%有什么意义？%% significance:: 避障能力更强 %%使用了什么方法?% usage method:: #RRT #Dubins曲线 %%优点和缺点?%% merits ...

A Review of the Path Planning and Formation Control for Multiple Autonomous Underwater Vehicles

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | 编队 • 综述

A Review of the Path Planning and Formation Control for Multiple Autonomous Underwater Vehicles * Authors: [[Behnaz Hadi]], [[Alireza Khosravi]], [[Pouria Sarhadi]] DOI: 10.1007/s10846-021-01330-4 初读印象 comment:: 本文综述了AUV编队控制的不同结构，并讨论了它们的优缺点。除了编队控制，研究中考虑了AUVs的合作路径规划以及合作结构的局限性。此外，避免障碍物碰撞和防止群体成员之间的相遇是编队控制和协同路径规划中的关键问题。一些领域仍有待研究，正如技术建议所暗示的那样，这将有助于未来的研究。最后给出了AUV三角形编队路径规划的仿真实例。文章骨架 %%简介%% introduction:: 本文对水下机器人编队控制和多路径规划的研究现状进行了系统的综述。介绍了AUV的各种编队控制体系结构。分析了编队控制中存在的问题，包括控制技术、稳定性分析、AUV模型、性能限制、 ...

AUV智能化现状与发展趋势

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下

AUV智能化现状与发展趋势.pdf 初读印象 comment:: ：归纳总结了国内外 AUV 单体平台与人工智能方法相结合的主要成果．从探测感知、航行控制决策、路径规划、故障诊断等核心技术环节进行深入剖析，探讨了人工智能方法在 AUV 典型作业场景下的应用．最后，指出了AUV的智能化发展趋势．文章骨架 %%创新点到底是什么?%% novelty:: %%有什么意义？%% significance:: %%使用了什么方法?%% usage method:: %%优点和缺点?%% merits :: demerits:: %%机构&作者%% who::封锡盛 — 沈阳自动化研究所 %%未来展望%% prospect::AUV轨迹规划受到自身动力学模型的精度与外部环境扰动（洋流）的影响。借助深度强化学习等新一代人工智能方法，实现AUV 对复杂海洋环境的理解并做出智能决策。参考文献 [1]黄琰, 李岩, 俞建成,等. AUV智能化现状与发展趋势[J]. 机器人, 2020, 42(2):215-231.

AUV水下对接运动控制研究

发表于 2023-02-16 | 更新于 2023-03-14 | 阅读文章水下 | B样条 • 遗传算法

AUV水下对接运动控制研究.pdf 初读印象 comment:: 首先针对欠驱动水下机器人的控制特性和非完整约束条件进行分析，基于这样的特点，以最短路径为目标函数，结合三次B样条曲线的曲率连续特性，以及遗传算法对庞大的搜索空间寻求最优解的能力，规划出符合载体运动学约束条件的期望三维空间路径。其次，详细推导如何将非线性系统通过反馈变换转换成链式模型，使用近似线性化的全状态反馈进行链式路径跟踪控制器的设计。文章骨架 %%创新点到底是什么?%% ==novelty:: ==使用遗传算法选取适合的控制点 %%有什么意义？%% ==significance:: ==考虑了运动学约束，以俯仰角和回转半径为约束条件。 %%使用了什么方法?%% ==usage method:: == #遗传算法优化+ #B样条曲线在路径曲线的起始点和终止点根据终端约束条件设置多重控制点，以保证得到的B样条曲线满足几何约束条件；使用遗传算法选出符合俯仰角和回转半径约束条件的中间控制点序列控制点结合前两步筛选出来的控制点，由这些控制点序列得到多条三次B样条路径曲线根据第三步得到的样条曲线计算它们各自的路径长度 ...