-
Patent Agency Ranking
公开(公告)号：CN110716574B
公开(公告)日：2023-05-02
申请号：CN201910934428.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G05D1/06
Abstract: 本发明属于UUV控制技术领域，具体涉及一种基于深度Q网络的UUV实时避碰规划方法。本发明使网络体系在复杂环境的局部避碰规划时具有自我学习的能力实现端到端模型，不对输入的声呐数据进行人工提取特征和特征匹配，直接从原始数据集上学习状态与动作的映射关系，将深度学习和强化学习相结合应用到避碰规划问题的解决上。本发明使用深度强化学习，无需像深度学习那样进行大规模的采样和做标签，也不像传统的方法需建立环境和UUV本身的数学模型，无需环境的模型，采用强化学习不会因为路径过于复杂而无法执行策略，使其在实际应用中缩短了项目的开发周期、实施更加简洁、高效、鲁棒性高。
-
公开(公告)号：CN109582027A
公开(公告)日：2019-04-05
申请号：CN201910032577.3
申请日：2019-01-14
Applicant: 哈尔滨工程大学
Abstract: 本发明属于无人水面艇避障领域，具体涉及一种基于改进粒子群优化算法的USV集群避碰规划方法。本发明主要包括以下步骤：根据导航雷达和光电传感器的参数特性建立USV综合视域模型；构建坐标系；构建环境模型；设计用于USV集群避碰规划的滚动优化策略和改进粒子群优化算法；将综合传感器探测到的信息及目标点的信息输入到改进粒子群优化算法中，获得USV下一时刻的航行和航速的调整指令。本发明不仅克服了标准粒子群优化算法易于陷入局部最优的缺点，而且结合了USV当前环境信息，提高了USV避碰规划的实时性，在适应度函数中加入了USV的转角优化，在获得最优路径的同时也提高了路径的平滑性。
-
公开(公告)号：CN109582027B
公开(公告)日：2022-02-22
申请号：CN201910032577.3
申请日：2019-01-14
Applicant: 哈尔滨工程大学
Abstract: 本发明属于无人水面艇避障领域，具体涉及一种基于改进粒子群优化算法的USV集群避碰规划方法。本发明主要包括以下步骤：根据导航雷达和光电传感器的参数特性建立USV综合视域模型；构建坐标系；构建环境模型；设计用于USV集群避碰规划的滚动优化策略和改进粒子群优化算法；将综合传感器探测到的信息及目标点的信息输入到改进粒子群优化算法中，获得USV下一时刻的航行和航速的调整指令。本发明不仅克服了标准粒子群优化算法易于陷入局部最优的缺点，而且结合了USV当前环境信息，提高了USV避碰规划的实时性，在适应度函数中加入了USV的转角优化，在获得最优路径的同时也提高了路径的平滑性。
-
公开(公告)号：CN110991647A
公开(公告)日：2020-04-10
申请号：CN201911125114.8
申请日：2019-11-18
Applicant: 哈尔滨工程大学
Abstract: 本发明属于UUV态势评估领域，具体涉及一种基于本体的UUV态势感知推理方法。本发明能够有效的解决UUV在水下环境的态势感知推理问题，以完成对UUV在执行任务时所面对的态势进行评估，从而便于后续的决策和事件处理。本发明具体包括以下步骤：(1)基于本体对UUV态势感知中的态势感知要素进行建模，充分表达态势感知要素之间的关联关系；(2)对本体进行实例化，输入态势感知要素实例；(3)将本体和贝叶斯之间进行结构转换，建立态势感知要素关系描述与态势感知推理之间的桥梁，为后期的推理奠定基础；(4)利用转换后的贝叶斯网络对态势感知进行推理，得到当前态势感知推理结果。
-
公开(公告)号：CN110716574A
公开(公告)日：2020-01-21
申请号：CN201910934428.6
申请日：2019-09-29
Applicant: 哈尔滨工程大学
IPC: G05D1/06
Abstract: 本发明属于UUV控制技术领域，具体涉及一种基于深度Q网络的UUV实时避碰规划方法。本发明使网络体系在复杂环境的局部避碰规划时具有自我学习的能力实现端到端模型，不对输入的声呐数据进行人工提取特征和特征匹配，直接从原始数据集上学习状态与动作的映射关系，将深度学习和强化学习相结合应用到避碰规划问题的解决上。本发明使用深度强化学习，无需像深度学习那样进行大规模的采样和做标签，也不像传统的方法需建立环境和UUV本身的数学模型，无需环境的模型，采用强化学习不会因为路径过于复杂而无法执行策略，使其在实际应用中缩短了项目的开发周期、实施更加简洁、高效、鲁棒性高。
-
-
-
-
Search Results
5
records
(took 0.032 seconds)
