[发明专利]目标定位跟踪方法及装置、水下机器人和存储介质

说明书

本发明公开了一种目标定位跟踪方法及装置、水下机器人和存储介质，所述目标定位跟踪方法包括以下步骤：获取当前时刻非合作目标的多模态信息；根据所述多模态信息生成所述非合作目标在当前时刻对应的实际位置概率图；将所述实际位置概率图输入深度神经网络中，得到最优策略；将所述最优策略输入深度强化学习网络中，得到所述非合作目标的运动轨迹；控制所述机器人基于所述非合作目标的运动轨迹跟踪所述非合作目标，解决对非合作目标的定位跟踪精度低导致非合作目标跟踪丢失的问题，提高对非合作目标的跟踪精度。

技术领域

本发明涉及水下机器人运动领域，尤其涉及一种目标定位跟踪方法及装置、水下机器人和存储介质。

背景技术

大范围海域下对非合作目标的监测跟踪在海洋生物观测、海防等领域具有重要应用价值，随着水下机器人(AUV)机动和感知能力的不断提升，水下机器人越来越多地承担了水下环境监测、军事侦察等任务，出于任务的隐秘性或者对海洋生物保护的考虑。相关技术中，通常由携带被动声纳的水下机器人获取非合作目标的方位信息。但是存在的弊端是：在大范围海域中，被动声纳只能获得非合作目标的纯方位信息，无法预知非合作目标的具体运动模式，导致非合作目标的定位跟踪精度降低，不利于对非合作目标的跟踪。

发明内容

本发明主要目的在于提供一种目标定位跟踪方法及装置、水下机器人和存储介质，旨在提高对非合作目标的跟踪精度。

为实现上述目的，本发明提供一种目标定位跟踪方法，在一实施例中，所述目标定位跟踪方法包括以下步骤：

获取当前时刻非合作目标的多模态信息；

根据所述多模态信息生成所述非合作目标在当前时刻对应的实际位置概率图；

将所述实际位置概率图输入深度神经网络中，得到最优策略；

将所述最优策略输入深度强化学习网络中，得到所述非合作目标的运动轨迹；

控制所述机器人基于所述非合作目标的运动轨迹跟踪所述非合作目标。

在一实施例中，所述根据所述多模态信息生成所述非合作目标在当前时刻对应的实际位置概率图的步骤，包括：

对当前时刻获取的多模态信息进行栅格化以得到多个具有坐标信息的栅格；

采用所述坐标信息计算所述非合作目标在各个栅格中的实际位置概率；

根据所述实际位置概率生成所述非合作目标在当前时刻对应的实际位置概率图。

在一实施例中，所述采用所述坐标信息计算所述非合作目标在各个栅格中的实际位置概率的步骤，包括：

采用实际位置概率公式计算非合作目标的实际位置概率，其中，所述实际位置概率计算公式为：

其中，所述Z_grid为观测站追踪者与每个栅格的相对角度，P_grid为栅格坐标，P_trus为非合作目标的实际位置，P_auv为观测站追踪者的位置，为观测站追踪者与非合作目标的相对测量角度，σ_sonar为测量噪声。

在一实施例中，所述将所述实际位置概率图输入深度神经网络中，得到最优策略的步骤包括：

将非合作目标在当前时刻对应的实际位置概率图与非合作目标在当前时刻的上一时刻对应的实际位置概率图进行卷积得到似然直方图；

对所述似然直方图进行编码得到最优策略。

在一实施例中，所述将非合作目标在当前时刻对应的实际位置概率图与非合作目标在当前时刻的上一时刻对应的实际位置概率图进行卷积得到似然直方图的步骤，包括：