原文传递
复杂环境下AUV航路轨迹预测方法研究
| 论文题名： | 复杂环境下AUV航路轨迹预测方法研究 |
| 关键词： | 航迹预测;门控循环神经单元;自适应项数;多项式拟合 |
| 摘要： | 海洋蕴藏着极其丰富的生物资源和矿产资源，我国始终重视对海洋的探索与保护。我国是海洋大国，也是海权大国，十四五规划将建设现代海洋产业体系、打造可持续生态环境建设、深度参与全球海洋治理作为重点规划内容，而自主式水下潜航器(AutonomousUnderwaterVehicle，AUV)无论是在民用还是军事领域，都具有重要地位，因此，对AUV技术进行研究具有重大意义。其中，航迹预测是一大研究方向，应用场景广泛，包括AUV的抓捕、拦截、回收等。传统的航迹预测主要基于运动学模型、神经网络、卡尔曼滤波和多项式拟合算法等实现单步/多步预测，这些算法根据AUV的时空轨迹数据进行预测，而未考虑复杂环境下AUV的运动不仅仅与历史运动趋势有关，同时也受时变环境影响而会产生航迹变化。因此，上述算法存在对AUV航迹变化学习较慢、预测精度较低的问题。为此，论文针对复杂环境下的AUV航迹预测问题开展研究，主要工作如下: (1)针对常规多项式拟合单步预测算法需预先确定拟合数据范围以及项数的问题，提出一种基于滑动窗口的项数自适应多项式拟合算法。采用滑动窗口调整拟合数据范围，并通过累计平方误差曲线特性对数据集进行分区，综合评估区间大小、累计平方误差、参数复杂度确定最佳拟合项数，实现项数自适应多项式拟合。将该算法进行一定的改进，应用于实现AUV航迹单步预测，并提出根据障碍物位置信息对预测结果进行修正。实验证明该算法应用于AUV航迹单步预测效果良好。 (2)为考虑更加复杂的海洋环境因素以及实现AUV航迹多步预测，针对传统循环神经网络模型预测AUV航迹时对航迹变化的学习存在滞后性的问题，提出一种基于地理位置信息的G-GRU多步预测网络(Geography-basedGatedRecurrentUnitNetwork，G-GRU)。对航迹中所有AUV坐标探测半径内的障碍物位置信息进行记录;为解决维度膨胀问题，针对栅格地图与经纬度坐标地图存在的差异，分别提出一种信息压缩方法，并将障碍物位置信息、海流信息以及AUV时空轨迹数据共同构成地理位置信息向量，以该向量作为输入构建G-GRU多步预测网络，实验证明，相对于原始GRU预测网络，该模型能够达到更高的预测精度，减少了对于航迹变化学习的滞后性。 |
| 作者： | 华园园 |
| 专业： | 计算机技术 |
| 导师： | 徐东;陈诗军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工程大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
