论文部分内容阅读
水面机器人(Autonomous Surface Vessels,ASVs)又称无人水面艇(Unmanned Surface Vessels,USVs),是国内外军用和民用无人技术竞争的热点之一。相对于军事领域,水面机器人在民用领域的发展相对滞后,因此得到研究者的广泛关注。和军用领域的水面机器人不同的是,民用领域的要求更具有针对性,比如城内湖泊的智能安防、水面搜救、水质在线监测、水面垃圾清理等等。对于如此需求,设计一款能够自主完成任务的水面机器人显得尤为重要。本文在实验室老师机械结构研究的基础上,主要完成水面机器人控制系统硬件平台设计、基于激光雷达的水面障碍物检测算法设计和基于改进Q-Learning算法的路径规划算法设计。在控制系统硬件平台方面,考虑到水面航行特殊的安全性要求,系统控制采用双线路冗余备份,极大提高了水面机器人控制的可靠性。相对于海洋环境,民用领域的内陆湖泊河道环境更加复杂,干扰目标更多,水面机器人的自主巡航难度更大,从而对水面环境目标的智能感知和识别提出了新的挑战。目前,国内外水面环境目标的感知和识别主要采用毫米波雷达技术,存在抗干扰能力差、分辨率低的问题,激光雷达具有分辨率高、抗干扰能力强、体积小等优势,很好的弥补了毫米波雷达的缺陷,但是针对激光雷达在水面环境的图像处理算法以及激光雷达与水面机器人结合的避障算法研究还不多,存在一是激光雷达图像处理不够贴近实际航行环境,没有考虑水面孤立点以及航行安全距离问题;二是避障算法结合激光雷达数据不够紧密,动态避障很难实现的问题。因此本项目重点完成以下工作:一,在激光雷达图像处理方面,对激光雷达数据的进行预处理滤波(图像形态学处理),以及基于距离和反射率的障碍环境聚类分析(K近邻聚类),主要消除水面波动和反射带来的孤立点,完成障碍物检测识别;二,路径规划和障碍规避部分,针对传统Q-Learning算法的各种缺陷,提出了一种新的奖惩函数,改进了 Q-Learning算法容易陷入局部最优的缺点,综合了水面机器人航行时导航和避障两种行为,更加符合水面机器人实际航行环境,通过不断更新迭代值函数(Q(s,a))来预测水面机器人的运动轨迹,从而实现动态规划和动态避障。为了验证所设计算法可行性,我们进行了计算机仿真实验,以及水库和苏州河道水面实际航行测试。仿真实验的路径规划比较图显示该改进算法的有效性。实际航行测试中,水面机器人能够根据不同环境的变化,完成自主巡航和动态避障的要求,整个系统的可行性和有效性由此得到验证。