[发明专利]基于视觉深度估计的无人水下航行器自主决策控制方法

说明书

本发明公开了一种基于视觉深度估计的无人水下航行器自主决策控制方法，包括：实时提取水下航行器拍摄到的视频图像，将视频图像分帧处理后输入至几何分析深度估计网络进行处理，对图像的深度特征进行提取，获得水下航行器与障碍物的距离和轮廓特征信息、并将其合成深度图像；将连续多帧深度图像输入至自主决策控制网络中，采用卷积神经网络提取整合深度图像的深度特征，将深度特征作为状态信息输入至强化学习网络中进行训练，经不断迭代优化获得对应于水下航行器的线速度和角速度。

技术领域

本发明涉及水下航行器智能航行领域，尤其涉及一种基于视觉深度估计的无人水下航行器自主决策控制方法。

背景技术

无人水下航行器(Unmanned Underwater Vehicle，UUV)作为船舶与海洋工程和机器人技术的交叉学科产物，是囊括了力学、控制、通信、机械等多方面技术的高智能体，具有安全系数高、造价低、尺寸小、重量轻、灵活性高、活动范围广等独特优势，且能够在水中进行长期观察、探测和打捞作业，因此被广泛应用于军事、科学、经济等众多领域。在军事领域上，UUV作为未来海洋战争的一种新型现代化高科技装备，在反潜、反雷、海上封锁和反封锁等方面都有着重要的用途；在科学领域上，UUV可进行水文调查、海洋勘测和海洋观测；在经济领域上，UUV对于石油开采、海底电缆的检测、港口建设、水下施工、海洋救援、打捞船只、海底地形探测及海洋渔业等方面都有着巨大的作用。在上述水下特定作业任务中，UUV需要按照预设目标进行自主航行与避碰，这就必须保证UUV具备一定的自主航行能力，进而保证作业任务的顺利完成。为此，根据UUV不同的作业任务需求，通过设计相应的智能神经网络控制算法保证UUV对目标区域的精准自主航行，进而满足海洋开发应用中对UUV运动控制技术的需求，目前已成为水下机器人学的国际研究热点之一。

有别于水面船舶的水平面三自由度运动，UUV在水下三维空间的运动属于六自由度运动形式。考虑到水下海洋环境是非结构化环境，具有复杂性、多变性和随机性等特点，UUV在近海面运动时会受到海浪的干扰作用，随着工作深度的增加还会受到海流干扰作用，引起动态模型非线性阻尼动力参数的摄动，同时UUV本体的水动力特性非常复杂，各运动自由度之间的状态变量具有强耦合性，模型参数具有强非线性，使得UUV系统具有强非线性、强耦合性、水动力系数不确定性、未建模动态及外界未知干扰等动态特征。UUV水下空间运动模型是非线性、强耦合且存在参数可变的不确定性运动控制，且在实际应用中存在流体的不确定扰动，故给控制系统的设计带来较大困难。

目前来看，随着无人水下航行器水下作业任务的复杂程度日益提高，对航行器的水下操纵能力提出了更高的要求，在系统存在内部不确定性和外部扰动影响的情况下，基于模型的传统控制方法旨在从感知环境信息中搜索可用的路径或轨迹，然后开发对应的控制器来精确跟踪所搜索的路径或轨迹，但是存在一系列控制环节繁琐、环境感知复杂、系统模型不精确等局限性；纵观水下航行器的传统控制策略，由于海洋环境复杂多变，获取的感知信息具有极大随机性，致使提取特征的准确率急剧下降。此外，感知环境的多变性也决定了应对策略的无序性和应激性，致使固定模型驱动的决策方法的失效，这些问题都会一定程度地造成水下航行器水下控制功能失效。

发明内容

根据现有技术存在的问题，本发明公开了一种基于视觉深度估计的无人水下航行器自主决策控制方法，具体包括如下步骤：

实时提取水下航行器拍摄到的视频图像，将视频图像分帧处理后输入至几何分析深度估计网络中，对图像的深度特征进行提取，获得水下航行器与障碍物的距离和轮廓特征信息，并将其合成深度图像；将连续多帧深度图像输入至自主决策控制网络中，采用卷积神经网络提取整合深度图像中的深度特征，将深度特征作为状态信息输入至强化学习网络中进行训练，经不断迭代优化获得对应于水下航行器的线速度和角速度；