基于主动声源搜寻的AUV引导方法研究

自主水下机器人(Autonomous Underwater Vehicle,AUV)可以在更深的海域中进行大范围的搜寻,加快深海搜救进度。为了解决AUV在复杂海洋环境下搜索过程中的问题,提高AUV在深海大范围搜寻主动声源过程中的搜寻效率,提出一种基于AUV的主动声源搜寻方法。将AUV搜寻主动声源的过程分为:疑似海域的大范围多目标搜索规划和实时引导搜寻2个阶段。本文主要研究在实时引导搜寻阶段采用基于改进差分进化算法进行动态引导规划,同时考虑引导中避免进入声源声影区导致声源信号丢失的影响,提高AUV声源搜寻效率。通过仿真结果,本文方法与传统的蝗虫优化算法以及粒子群算法对比,规划路径收敛速度更快,路径长度更短,满足AUV在深海大范围搜寻主动声源的搜寻任务效率需求。

基于上下文感知的强化学习AUV控制器研究

为了提升基于强化学习的自主水下航行器(Autonomous Underwater vehicle,AUV)控制器在复杂海况中对环境干扰的鲁棒性,设计一种利用上下文信息进行环境感知的强化学习控制器。结合水下机器人运动学及动力学方程对深度跟踪任务进行建模,构建了基于PPO-clip算法的深度控制器,并在算法中融入了上下文变量和域随机化方法。在仿真环境中分别进行海流干扰、暗涌干扰以及两者共同干扰环境的深度跟踪任务,仿真结果表明,本文提出的方法对强化学习控制器的抗干扰能力有明显的提升,在多种环境干扰下更精准地完成深度跟踪任务。