无人水下航行器未知环境轮廓构建方法

李 杨, 于浩淼, 郭 晨, 贾兆岩

无人水下航行器未知环境轮廓构建方法

李 杨1, 于浩淼1, 郭 晨1, 贾兆岩2

(1. 大连海事大学 船舶电气工程学院, 辽宁 大连, 116026; 2. 中国兵器工业集团 航空弹药研究院有限公司, 黑龙江 哈尔滨, 150001)

无人水下航行器(UUV)运行时所携带的多元测距声呐在水下环境获取到的数据置信度较低。因此, 采用均值漂移聚类算法对所获取到的数据进行预处理, 将异常数据与正常数据分为不同的数据类, 得到边界点的集合; 然后利用Alpha-Shapes算法将边界点连接成轮廓线; 并且为了满足UUV跟踪的理想路径需平滑的要求, 利用贝塞尔曲线对构建的轮廓线进行拟合; 最后, 利用控制方法来实现对所构建地图的跟踪, 从而解决了UUV在未知海洋环境下的地图构建问题。

无人水下航行器; 未知环境; 轮廓构建; 均值漂移算法; Alpha-Shapes算法; 贝塞尔曲线

0 引言

受自然环境影响, 水下航行器在复杂的海洋环境中执行指定任务的难度系数很高[1]。无人水下航行器(unmanned undersea vehicle, UUV)的灵活性、安全性及自主性都使其相较于其他水下航行器具备一定的优势, 因此, 其工作范围得到大大提升[2]。UUV的这些特性使其能够更好地完成水下环境侦察、资源勘探、紧急救援等难度较大、危险系数较高的任务[3]。强大的自主性使其能够在水下同步实现未知环境探测与巡岸跟踪。但由于工作过程中没有人的参与, UUV只能通过自身携带多元测距声呐以及其他传感器对水下周围环境进行感知[4]。目前, 声呐是水下测距应用最广泛的传感器[5]。但在探测过程中, 声呐会受到外界环境的干扰使其获取到的数据具有弱观性[6]｡

国内外对UUV环境构建的研究主要集中于图像特征提取及定位导航。Kimball等[7]针对冰川的定深航行问题, 收集水下多波束声呐图像, 利用估计器不仅可以延续之前获取的冰川位置, 又能对冰川的平移与旋转进行精确估计。张洁等[8]在UUV地图构建问题中引入了数字图像处理方法, 用于处理在水下获取到的声呐数据, 并采用最近邻数据关联(nearest neighbor filter, NNF)算法将所采用的数据关联, 再利用扩展卡尔曼滤波(extended Kalman filter, EKF)同时定位与建图(simultaneous localization and mapping, SLAM)估计UUV姿态, 并同步构建基于障碍物特征的水下环境地图。王宏健等[9]针对EKF在各种不确定情况下的精度降低问题, 提出了通过利用Saga- Husa自适应EKF与强跟踪EKF相结合的算法来提高UUV在水下进行地图构建的精准度。迟东南[10]针对UUV巡岸控制问题, 提出了利用小波变换将获取到的声呐数据中的高频数据进行放大, 再利用支持向量聚类算法将异常点与正常点分为不同的数据类, 进而通过贝塞尔曲线对轮廓线进行拟合, 最后对拟合后的轮廓线进行巡岸跟踪控制。李海丰等[11]针对视觉SLAM误差较大的问题, 提出了一种多特征融合的点、线、面SLAM(point line plane SLAM, PLP-SLAM)算法。该算法利用点特征估计机器人位姿, 构建观测模型, 并利用线段和平面特征来描述环境信息。黄靖伟[12]和王富民[13]等都针对视觉SLAM在水下应用过程中面对的问题进行了解决与优化。

文中UUV对海中某小岛进行轮廓构建与同步巡岸, 目的是对海岛水下情况进行侦察, 及时发现可疑问题。首先, 由于UUV携带的声呐采集到的数据受环境干扰具有弱观性, 因此, 采用均值漂移聚类算法对数据进行预处理, 剔除误差较大的异常数据, 进而得到数据点云; 然后利用Alpha-Shapes算法根据数据点云中的边界点构建出岛屿的地图轮廓; 此时得到的轮廓线无法满足UUV本身航行特性对理想路径的平滑要求, 因此利用贝塞尔曲线对构建的轮廓线进行拟合。与文献[14]采用的3次样条函数相比, 曲线的拟合效果更好, 更加平滑, 便于后续跟踪。最后, UUV将拟合后的轮廓线作为理想路径进行跟踪。

1 数据预处理

UUV所携带声呐采用声波返回原理获取到的数据置信度低, 因此采用均值漂移聚类算法[15]对此类数据进行预处理, 能够减少后续构建轮廓的误差。

均值漂移聚类根据概率密度函数内的采样数据来确定其局部最大值的位置, 是一种根据概率求解局部极值的算法。其采用的是一种基于核密度的无参估计, 只要参数确定, 概率分布即可确定。

无参估计在多维空间中具有下述形式

其中

将式(3)变为轮廓函数的形式

式(4)即为均值漂移聚类中对应于特征值的概率密度函数计算公式。

因为均值漂移算法需要求解的是局部极值, 且核函数是可微的, 所以求式(4)的梯度可以得到

(6)

式中, 等号右侧第1项为常量, 第2项为漂移向量

依照上述内容可总结为如图1所示的聚类算法流程图。

图1 聚类算法流程图

经过判断就可以从最初位置“漂移”至极值点位置, 完成聚类。

2 地图轮廓构建

2.1 边界点网格筛选

首先对数据预处理后得到的平面点云进行数据网格化, 这样可以减少Alpha-Shapes算法的判断时间。将点云划为如图2所示的图像网格。网格大小会影响后续边界点的提取, 因此, 为了削弱网格边长选取对提取边界点的影响, 给出尺寸计算公式

图2 网格图例

Fig. 2 Grid legend

经过网格化后, 若图像内有数据点则像素为1, 否则为0。依次对每个网格进行判断, 若像素为1, 且相邻网格也为1, 即可判断此网格为内部点网格, 不必用Alpha-Shapes算法进行判断; 否则即为边界点网格, 可用Alpha-Shapes算法来判断。因此使用网格法可减少Alpha-Shapes算法的判断时间。

2.2 边界点查找

任取边界点网格内点与其邻域内个近邻点, 取这个点欧氏距离的平均值, 即

Alpha-Shapes轮廓提取参数

3 曲线拟合

为了满足UUV在水下未知环境探测时的惯性要求, 需要对已得到的轮廓线进行平滑处理, 将得到的平滑曲线作为理想路径, 便于UUV进行跟踪。

3.1 贝塞尔曲线拟合

贝塞尔曲线[17]是应用于二维图像的数学曲线, 是计算机图形学中相当重要的参数曲线。贝塞尔曲线主要包括起始点、终止点以及控制点, 其中, 起始点和终止点也被称为数据点。在操作过程中, 通过改变和调整控制点的位置来实现贝塞尔曲线的变化。因此, 控制点决定了曲线的弯曲程度。

3.2 2阶贝塞尔曲线

2阶贝塞尔曲线由1个控制点和2个数据点组成, 如图3所示。在和线段上分别找到和两点。连接, 找到上一点。将点从点移向点,点从点移向点, 这段时间内点的移动轨迹即为2阶贝塞尔曲线。

2阶贝塞尔曲线可以理解为是2个数据点不断变化的1阶贝塞尔曲线。

由文献[17]可得1阶贝塞尔曲线公式为

图3 2阶贝塞尔曲线图

由1阶贝塞尔曲线可知

同理可得3阶、4阶等高阶公式。

3.3 曲线拟合

UUV在跟踪目标路径的过程中会遇到2种情况: 转弯路段和非转弯路段。

转弯路段的情况如图3所示, 在这样的环境下选择2阶贝塞尔曲线进行拟合。非转弯路段的情况是由于UUV在水下探测过程中无法一次性获得全局数据, 而局部数据无法代表整段航程的轮廓线特点, 因此, 将这部分局部数据暂定为非转弯路段。

满足此条件控制点个数的最小值即为贝塞尔曲线的阶次。

出于安全考虑, UUV在跟踪环境轮廓线的同时也要与其保持一定的安全距离。安全距离与UUV自身的属性如质量、重心、回转半径以及水动力系数等因素有关, 即

4 仿真结果及分析

根据图4所示流程图, 对图5的小岛进行地图构建并跟踪。

图4 仿真流程图

UUV在水下利用声呐探测到数据点后, 利用均值漂移聚类算法对数据进行预处理, 得到如图6的岛屿轮廓数据点云。得到岛屿数据云点集后, 利用Alpha-Shapes算法在无序的点集中提取出轮廓, 如图7所示。

上述操作得到的是封闭的多边形, 无法满足UUV在水下探测时的跟踪条件。因此, 利用贝塞尔曲线对岛屿边缘轮廓进行拟合, 在保证安全距离的条件下, 得到如图8所示的平滑轮廓线。图9为边缘轮廓线与平滑后的轮廓线的对比图, 可以看出, 贝塞尔曲线使原本轮廓线不平滑的弯折处更加平滑, 利于后续UUV进行巡岸跟踪。图10将文中采用的贝塞尔曲线与3次样条拟合算法得到的轮廓线与边缘轮廓进行对比, 从中可以看出, 获取点集数量较多时, 贝塞尔曲线的拟合效果要优于3次样条法[14], 得到的曲线更加平滑, 更加贴合真实路径。该平滑曲线即为UUV水下探测跟踪岛屿的理想路径。

图5 岛礁环境卫星图

图6 岛屿数据点以及噪声点分布

图7 岛屿边缘轮廓

图8 边缘平滑曲线

图9 边缘轮廓线与平滑后轮廓线对比

图10 3次样条法与贝塞尔曲线拟合轮廓线对比

构建岛屿轮廓是为了便于实现UUV在水下的路径跟踪。利用欠驱动UUV路径跟踪控制方法[18]对平滑后的岛屿轮廓边缘路径进行跟踪。由于巡岸跟踪主要关注的是水平面运动, 因此, 只需建立3个自由度的2阶UUV水平面动力学和运动学模型。然后通过引入Serret-Frenet坐标系来改进传统的视线法(Line-of-sight, LOS)制导方法。进而将航迹跟踪位置误差转化为航行器的艏向角误差。最后利用非奇异终端滑模控制方法设计控制器来镇定艏向角误差。图11为在此控制方法下欠驱动UUV部分路径跟踪示意图。仿真结果如图12～13所示, 给出了某一段时间内变量的响应曲线。

图11 UUV部分路径跟踪效果

图12 UUV水平面跟踪艏向角响应曲线

图13 UUV水平面跟踪误差曲线

5 结束语

针对欠驱动UUV巡岸地图构建问题, 首先采用均值漂移聚类算法对水下探测过程中声呐获取到的数据进行预处理, 剔除噪声点, 得到包含岛屿信息的云点集; 再利用Alpha-Shapes算法从云点集中提取出岛屿轮廓点, 顺次连接得到岛屿轮廓线; 然后, 基于UUV水下探测的属性, 利用贝塞尔曲线对岛屿轮廓线进行拟合, 得到平滑曲线; 最后将该平滑曲线作为理想路径, 在保证一定安全距离的情况下, 实现了欠驱动UUV基于非奇异终端滑模控制方法对规划好的路径进行跟踪; 仿真试验证实了文中方法可以实现欠驱动UUV在未知环境的地图构建, 并能够通过设计路径跟踪控制器执行巡岸任务。

[1] 陈强. 水下无人航行器[M]. 北京: 国防工业出版社, 2014.

[2] 陈子印. 欠驱动无人水下航行器三维路径跟踪反步控制方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2013.

[3] 韩亚楠. 复杂海洋环境下的欠驱动AUV路径跟踪控制 [D]. 大连: 大连海事大学, 2020.

[4] Liang X, Qu X R, Hou Y H, et al. Three-dimensional Path Following Control of Underactuated Autonomous Underwater Vehicle Based on Damping Backstepping[J]. International Journal of Advanced Robotic Systems, 2017, 14(4): 1-9.

[5] Chen L, Yang A L, Hu H S, et al. RBPF-MSIS: Toward Rao-Blackwellized Particle Filter SLAM for Autonomous Underwater Vehicle with Slow Mechanical Scanning Imaging Sonar[J]. IEEE Systems Journal, 2020, 14(3): 3301- 3312.

[6] 严浙平, 迟冬南, 赵智, 等. 支持向量聚类的UUV障碍物孤立点惰性检测[J]. 哈尔滨工程大学学报, 2012, 33(11): 1377-1383.

Yan Zhe-ping, Chi Dong-nan, Zhao Zhi, et al. Outlier Inertia Detection of UUV Obstacles Based on Support Vector Clustering[J]. Journal of Harbin Engineering University, 2012, 33(11): 1377-1383.

[7] Kimball P, Rock S. Sonar-based Iceberg-relative Navigation for Autonomous Underwater Vehicles[J]. Deep-Sea Research II, 2011, 58(11-12): 1301-1310.

[8] 张洁, 何波, 姚科, 等. 基于前视声纳的AUV同时定位与地图构建[J]. 微计算机信息(测控自动化), 2009, 36(4): 255-257.

Zhang Jie, He Bo, Yao Ke, et al. Simultaneous Localization and Mapping for an Autonomous Underwater Vehicle Using Forward-looking Sonar[J]. Microcomputer Information, 2009, 36(4): 255-257.

[9] 王宏健, 王晶, 边信黔, 等. 基于组合EKF的自主水下航行器SLAM [J]. 机器人, 2012, 34(1): 56-64.

Wang Hong-jian, Wang Jing, Bian Xin-qian, et al. SLAM of AUV Based on the Combined EKF[J]. Robot, 2012, 34(1): 56-64.

[10] 迟冬南. 未知环境UUV多元声测距与同步巡岸控制方法[D]. 哈尔滨: 哈尔滨工程大学, 2013.

[11] 李海丰, 胡遵河, 陈新伟. PLP-SLAM: 基于点、线、面特征融合的视觉SLAM方法[J]. 机器人, 2017, 39(2): 214-220.

Li Hai-feng, Hu Zun-he, Chen Xin-wei. PLP-SLAM: A Visual SLAM Method Based on Point-Line-Plane Feature Fusion[J]. Robot, 2017, 39(2): 214-220.

[12] 黄靖伟. 基于水下图像信息的同步定位与地图构建方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2019.

[13] 王富民. 自主水下机器人同时定位和地图构建方法研究[D]. 沈阳: 沈阳工业大学, 2020.

[14] 李航. 基于激光测距的UUV地图轮廓构建与同步巡岸控制方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2018.

[15] 王健. 基于均值漂移聚类和优化的粒子滤波跟踪算法研究[D]. 天津: 河北工业大学, 2014.

[16] 廖中平, 陈立, 白慧鹏, 等. 自适应-shapes平面点云边界提取方法[J]. 长沙理工大学学报(自然科学版), 2019, 16(2): 15-21.

Liao Zhong-ping, Chen Li, Bai Hui-peng, et al. Adaptive Alpha-shapes Plane Point Cloud Boundary Extraction Method[J]. Journal of Changsha University of Science and Technology(Natural Science), 2019, 16(2): 15-21.

[17] Song B Y, Wang Z D, Zou L. An Improved PSO Algorithm for Smooth Path Planning of Mobile Robots Using Continuous High-degree Bezier Curve[J]. Applied Soft Computing Journal, 2021, 100: 106960.

[18] 李明, 李铜桥. 基于非奇异终端滑模的欠驱动UUV航迹跟踪控制[J]. 应用科技, 2018, 45(2): 11-16.

Li Ming, Li Tong-qiao. Path-following Control for an Underactuated UUV Based on Non-singular Terminal Sliding Mode[J]. Applied Science and Technology, 2018, 45(2): 11-16.

Construction Method of Unknown Environment Contour for Unmanned Undersea Vehicle

LI Yang1, YU Hao-miao1, GUO Chen1, JIA Zhao-yan2

(1. Dalian Maritime University, College of Marine Electrical Engineering, Dalian 116026, China; 2. NORINCO Group Air Ammunition Research Institute Co., Ltd, Harbin 150001, China)

The confidence level of data measured by multivariate ranging sonar in an unmanned undersea vehicle(UUV) in an underwater environment is generally low. Therefore, the mean shift clustering algorithm was used to preprocess the obtained data. First, the abnormal and normal data are divided into different data categories to obtain the set of boundary points. Second, the boundary points are connected with contour lines using the Alpha-Shapes algorithm. Furthermore, the Bézier curve is used to fit the constructed contour lines to obtain an ideal, smooth tracking path of the UUV. Finally, a control method was used to track the constructed map. Thus, the problem of UUV map construction in an unknown marine environment was effectively addressed.

unmanned undersea vehicle; unknown environment; contour construction; mean shift algorithm; Alpha- Shapes algorithm; Bézier curve

李杨, 于浩淼, 郭晨, 等. 无人水下航行器未知环境轮廓构建方法[J]. 水下无人系统学报, 2022, 30(2): 197-203.

U674.91; TJ630.34

A

2096-3920(2022)02-0197-07

10.11993/j.issn.2096-3920.2022.02.009

2021-05-20;

2021-07-26.

国家自然科学基金项目(51809028, 51879027); 中国博士后科学基金面上项目(2020M670733); 辽宁省博士科研启动基金计划项目(2019-BS-022); 中央高校基础研究基金项目(3132019318).

李 杨(1997-), 女, 在读硕士, 主要研究方向为无人水下航行器运动控制技术.

(责任编辑: 许 妍)