买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开的一种多无人船协同包围方法，属于多无人船协同控制领域。本发明实现方法为：采用基于GWO参数优化的CNN‑BiLSTM模型进行逃逸船轨迹预测；将协同包围任务分解为包围点设定、分配、跟踪3个相互交替的子环节；考虑包围点分布的均衡性、与障碍物的最小距离以及对逃逸船的拦截效果，设计评价函数建立包围点设定模型，基于粒子群算法进行包围点设定模型求解；考虑追捕船到包围点的距离成本、转向成本、障碍物密度，基于匈牙利算法实现包围点最优分配；考虑逃逸船安全域禁入和追捕船组内避碰，设计改进快速行进平方法实现追捕船到所分配包围点的动态路径规划；通过分层求解方法求解动态目标跟踪问题，形成追捕船包围编队，实现多船协同包围。

主权项：1.一种多无人船协同包围方法，其特征在于：包括如下步骤，步骤一：模拟逃逸船沿不同方向行驶的多条轨迹，分析逃逸船在行驶过程中的航迹、航向和航速变化情况，模拟逃逸船轨迹数据，并得到如下逃逸船轨迹特性分析结果：逃逸船无论选择何种起点和终点，行驶轨迹都等效为平滑轨迹，航向角的变化缓慢，行驶速度维持在稳定的区间。所述稳定的区间指在整个行驶过程中逃逸船速度的变化量小于2ms；步骤二：基于步骤一逃逸船轨迹特性分析结果，构建用于预测逃逸船轨迹的GWO-CNN-BiLSTM网络，GWO-CNN-BiLSTM网络主要由GWO优化模块和CNN-BiLSTM预测模块构成；采集逃逸船行驶轨迹中的x坐标、y坐标、航速和航向特征数据，进行数据归一化处理，选取每连续25个时刻的数据作为一个训练样本，其中以t-23至t时刻的数据作为网络输入，t+1时刻的数据作为网络输出；将特征数据输入进GWO-CNN-BiLSTM网络，利用CNN卷积层对多维数据进行卷积计算和特征提取，生成一维特征数据，再利用最大池化层提取主要特征，忽略不重要的特征，降低数据复杂程度；经过最大池化的一维数据输入进BiLSTM层，充分提取数据的时间序列特征；利用GWO优化算法对CNN-BiLSTM网络的超参数进行寻优；CNN-BiLSTM网络中有3个超参数分别为CNN卷积层卷积核大小sc、BiLSTM隐含层神经元数量nr和学习率lr；利用GWO算法对3个超参数进行寻优，提高CNN-BiLSTM网络的学习和泛化能力，并增强CNN-BiLSTM网络的预测准确性；在完成预测模型的构建后，将GWO-CNN-BiLSTM预测模型用于逃逸船的实时轨迹预测，采集逃逸船t-23至t时刻的轨迹数据输入到预测模型中，输出逃逸船t+1时刻的预测位置。步骤三：基于步骤二预测得到的逃逸船t+1时刻的位置，综合考虑包围点分布的均衡性、与障碍物的最小距离以及对逃逸船的拦截效果，设计包围点设定评价函数；通过包围点设定评价函数将包围点设定问题转化为多变量优化问题，基于粒子群算法对评价函数进行优化求解，求解得到的粒子群全局最优位置即为包围点设定的结果；步骤四：基于步骤三得到的包围点设定的结果，综合考虑追捕船与包围点之间的距离、追捕船的转向成本以及直线路径上的障碍物密度，建立基于距离平衡原则的包围点最优分配模型；考虑到包围点与追捕船之间是一一对应关系，引入匈牙利算法求解包围点分配模型得到包围点分配结果，根据包围点分配结果避免潜在的分配冲突；步骤五：基于步骤四得到的包围点分配结果，实现追捕船对包围点的动态跟踪；由于包围点随着逃逸船不断运动，包围点跟踪问题转化为动态目标跟踪问题，通过分层求解方法求解动态目标跟踪问题，在上层完成以包围点为目标点的动态路径规划，在下层基于自适应LOS算法完成路径快速跟踪，实现追捕船对包围点的动态跟踪；步骤六：对追捕者的状态进行更新；步骤七：根据追捕者和逃逸者的位置分布，结合包围成功或失败的判定条件，对包围阶段进行判定；如果包围还在进行中，重新进行步骤三、步骤四、步骤五中的包围点设定、包围点分配和包围点跟踪环节；如果包围成功或失败的条件已经满足，协同包围任务结束。

全文数据：

权利要求：

百度查询： 北京理工大学 一种多无人船协同包围方法