基于神经动力学的水下目标观测路径规划

颜明重，黄冰逸，朱大奇

(上海海事大学 a.水下机器人与智能系统实验室；b.信息工程学院,上海 201306)

基于神经动力学的水下目标观测路径规划

颜明重a，黄冰逸b，朱大奇a

(上海海事大学 a.水下机器人与智能系统实验室；b.信息工程学院,上海 201306)

针对水下工程应用中的自治水下机器人目标观测的路径需求问题，提出基于生物启发神经动力学的路径规划方法，在二维栅格地图的基础上，建立二维生物启发神经网络模型，引入来自目标观测任务区域的激励信号和障碍物的抑制信号，任务区域能够全局地吸引机器人，障碍物对机器人具有局部排斥作用，从而使得机器人能够近距离观测目标。仿真结果表明，在未知的动态水下环境中，机器人能够有效规避障碍物，自主规划出目标观测路径和返航路径。

海洋工程；路径规划；生物启发神经动力学；水下机器人

自治水下机器人(autonomous underwater vehicle, AUV)以自主的管理和控制方式来执行水下任务，具有长航程和大范围活动的优点，主要应用于海洋资源勘探、海洋科学调查和军事海防等。路径规划是AUV自主完成任务所需的关键技术之一。AUV的航行路径与其任务密切相关，最常见的路径规划是从起点到目标位置的一条无碰路径，这类路径规划常用于AUV的布放和回收，已经有了较广泛和深入的研究[1-4]。另一种路径规划是对目标区域的全覆盖探测，这种路径规划要求AUV对局部区域进行无遗漏的访问，主要用于搜寻和发现水下相关目标，或者用于探测水下目标区域的某些信息，比如地形地貌等[5-6]。随着应用领域的不断拓宽，AUV所承担的任务更加多样，其航行路径也越发复杂，比如AUV在执行水下结构体的表面检查[7]、水下管线跟踪排查[8]以及海底火山观测[9]等任务时，其路径必须近距离环绕各种不规则目标物的表面。针对这种路径的规划，一般是根据具体的任务采取离线规划的方法，在普遍适用性和实时应对未知状况方面仍然需要进一步改善。

为此，提出一种普遍适用、能够应对未知环境的在线动态路径规划方法，旨在满足AUV执行水下目标物观测任务时的路径需求。AUV的路径规划模型采用基于生物启发神经动力学(bio-inspired neurodynamics)的二维神经网络来表示，神经网络的激励输入来自于任务线路(区域)，抑制输入来自于障碍物。AUV根据神经网络的动态输出(神经元活性值)在线规划出符合任务需求的路径，当AUV完成目标观测任务后，也能自动规划出返航路径。

1 基于生物启发神经动力学的神经网络模型

1.1 模型基本原理

以二维栅格地图表示AUV的工作环境，每个栅格的状态为“Free”或“Occupied”，分别表示自由空间和障碍物，如图1a)所示。对于AUV所要观测的目标物，由于AUV不能与之相碰撞，因此地图上相应栅格的状态视同障碍物，也标记为“Occupied”。在栅格地图的基础上，建立基于生物启发神经动力学的二维神经网络模型。网络中的神经元与地图栅格一一对应，神经元之间的连接与栅格的连通相对应，如图1b)所示。

在神经网络中，设计神经元的外部输入信号如下。

(1)

式中：Ik为神经网络中第k个神经元的外部输入；E为正常数。

地图中的目标物或障碍物标记为“occupied”，神经网络中相应位置的神经元引入外部抑制信号-E；在AUV执行水下观测任务中，目标物的边缘是AUV必须访问的区域(称为任务区域)，在该区域的神经元引入外部激励E；地图中其他区域为自由空间，相应位置的神经元外部输入为0。

神经网络中，每个神经元活性值的变化规律由生物启发神经动力学方程来表示[10]：

(2)

(3)

1.2 模型特性分析

图2a)所示为一张20×20大小的栅格地图，右下角为障碍物，左上角是目标物。根据该地图，建立神经网络模型，得到神经网络的活性分布如图2b)所示。任务区域的神经元由于激励信号的作用，呈现较大的正活性，并且向相邻的神经元传递，整个网络的正活性分布呈现出任务区域处最高、越远离任务区域越低的特征。障碍物区域的神经元由于抑制信号的作用而始终表现为负活性，在神经网络活性分布图中位于低谷处。

2 路径规划

2.1 路径规划流程

在执行水下目标物观测的任务时，AUV的目标观测路线(任务路径)与目标物的外形有关。在完成观测任务后，还要求AUV能够自动返航，以确保安全回收，见图3。由此可知，AUV的路径规划必须具备避开障碍物、沿着任务路线航行和返航等3个功能。

为规划AUV的任务路径，制定如图4所示的路径规划流程。AUV首先从任务模块接受目标观测任务，接下来判断是否突发紧急事件，比如硬件故障、系统运行错误或者电源不足等。如果AUV突发事故，则启动任务重规划，进入返航路径规划。如果AUV工作正常，则启动任务路径规划，并调用避碰规划模块来协助任务直至完成，最后进入返航规划。AUV执行返航任务时，同样调用避碰规划模块来协助返航。

2.2 任务路径规划

AUV的水下工作环境用离散的二维栅格地图表示，地图栅格与神经网络中的神经元在空间位置上呈现对应关系。任务路径规划以神经元的活性大小来确定，具体算法见图5。

AUV路径下一步选择规则定义为[7]

(4)

这种策略是从AUV当前位置的邻域中找出神经元活性值最大的位置，作为路径的下一步。

如果AUV完成当前任务，则根据式(4)找出下一步路径，将当前神经元的外部输入置零，AUV进入下一步位置，继续探测环境、更新地图和神经网络。当AUV完成观测任务，则进入返航规划。式(4)保证了AUV始终趋向任务区域(最大正活性)而远离障碍物(负活性)。从神经网络活性值的空间分布来看，AUV是沿着神经网活性最大梯度的方向“往上爬”，障碍物处于低谷，必然不会成为AUV的路径选择，由此AUV能够自动避障。

2.3 返航路径规划

AUV与水面不具有物理连接且自带能源有限，因此路径规划不仅要考虑任务的执行，还必须考虑返航，以确保设备安全回收。在AUV完成目标观测任务后，或者遇到突发紧急情况，AUV获得返航指令，开启返航路径规划，步骤如下。

1)接受返航指令，确定回收点的位置。

2)神经元的外部激励置零(任务未完成时)。

3)在回收位置处的神经元输入激励信号。

4)更新神经网络。

5)由式(4)确定返航路径。

6)重复执行步骤4)和5)，直至AUV到达回收点。

3 仿真实验及分析

3.1 静态已知环境下的路径规划

设AUV的水下工作环境以20×20的二维栅格地图来表示(如图6a)所示)，环境中的障碍物与目标物信息为已知，AUV起始位置是(1,1)，设定返航点在(1,20)。AUV的任务是从起点出发，执行近距离环绕目标物的观测任务，完成任务后返航至回收位置(1,20)。图6a)显示了AUV的工作环境地图，图6b)显示障碍物及目标物所占据区域的神经元活性为负，任务区域的神经元活性则处于最高位。AUV按“往高处爬”的策略，从起点出发，自动避开障碍物，逐渐接近任务区域。图7显示了AUV完成目标观测并实现返航的路径效果。当AUV完成目标观测后，任务区域神经元的外部激励消失，活性值下降，如图7b)所示。

3.2 动态环境中的路径规划

水下环境往往复杂且不确定，难以预料的动态障碍物可能会影响水下机器人的正常作业任务。因此，AUV必须考虑对动态障碍物进行实时规避。基于生物启发神经动力学的神经网络是一个动态变化的系统，能够根据地图信息实时更新，从而指导AUV实时规划路径和避障。

图8所示的地图中，1为动态障碍物，2和3为静态障碍物。AUV从起点位置(1,1)出发，航行至(4,8)，障碍物1由右至左移动到其正前方(占据了(3,9)(4,9)及(5,9))，正好拦住其前进路径，如图8a)所示。此时神经网络随地图信息的变化实时更新，动态障碍物区域的神经元活性变为负值。按路径选择策略，AUV立刻避开该障碍区域，右拐到达(5,8)，接着继续向(6,8)和(7,9)航行，逐渐接近目标区域，安全避开了障碍物，如图8b)所示。

3.3 未知环境中的路径规划

在未知的水下环境中，目标物及障碍物的位置和形状是由AUV的相关传感器探测所得，局部的目标物和障碍物的信息，同样能支持AUV实现目标观测及返航的局部路径规划。

水下环境地图的初始状态首先设置为“Free”，神经网络中的所有神经元初始激励和抑制输入均设为0，AUV随机寻找下一步路径。当AUV的传感器探测到局部的目标或者障碍物时，栅格地图的局部信息和神经网络的局部输入同步更新，AUV开始按式(4)规划路径。图9显示了AUV从起始位置(1,1)出发，当前航行至(6,4)的路径效果。图9a)可见地图更新了在传感器有限的探测范围内的部分目标物信息，图9b)显示被探测到的局部目标物在神经网络中的活性值处于低谷，而任务区域的神经元活性值处于高位。随着地图信息与神经网络的实时更新，AUV沿着任务区域，不断向前航行，在目标物边缘形成一条观测线路，直至任务完成。当AUV完成观测任务，最终到达(2,4)位置，此时任务区域的激励全部消失，神经元的正活性值逐渐衰减归零，见图10。

4 结论

本文提出了基于生物启发神经动力学的神经网络模型，用于解决AUV观测水下目标的路径问题。该神经网络具有无需样本数据训练和学习的优点，其抑制输入的局部停留和激励输入的全局传播特性，使得AUV能够有效避开动态障碍物，实时规划出满足任务需求的路径。未来的研究工作可将该神经网络模型拓展到三维，以解决水下空间中的三维路径规划问题。

[1] LIU C, FAN S, LI B, et al. Path planning for autonomous underwater vehicle docking in stationary obstacle environment[C]. Proceedings of OCEANS, Shanghai,2016.

[2] HERNANDEZ J D, VIDAL E, VALLICROSA G, et al. Online path planning for autonomous underwater vehicles in unknown environments[C]. IEEE Conference on Robotics and Automation,2015.

[3] 李晔,姜言清,张国成,等.考虑几何约束的AUV回收路径规划[J].机器人,2015,37(4):478-485.

[4] 温志文,蔡卫军,杨春武.基于改进蚁群算法的UUV三维路径规划方法[J].鱼雷技术,2016,24(2):120-125.

[5] URA T, KURIMOTO Y, KONDO H, et al. Observation behavior of an AUV for ship wreck investigation[C].Proceedings of MTS/IEEE OCEANS,2005:2686-2691.

[6] 颜明重,邓志刚,申雄,等.小型水下机器人在复杂水下地形中的目标搜寻应用[J].船海工程,2012,41(2):174-177.

[7] MAKI T, URA T, SAKAMAKI T. Map based path-planning and guidance scheme of an AUV for inspection of artificial structures[C].Proceedings of MTS/IEEE OCEANS,2009:1-7.

[8] BAGNITSKY A, INZARTSEV A, PAVIN A, et al. Side scan sonar using for underwater cables & pipelines tracking by means of AUV[C].IEEE Symposium on and Workshop on Scientific Use of Submarine Cables and Related Technologies,2011:1-10.

[9] ANDONIAN M, CHYBA M, GRAMMATICO S, et al. Using geometric control to design trajectories for an AUV to map and sample the summit of the Loihi submarine volcano[C]. IEEE/OES Autonomous Underwater Vehicles,2010:191-200.

[10] LUO C M, YANG S X. A bioinspired neural network for real-time concurrent map building and complete coverage robot navigation in unknown environments[J]. IEEE transactions on neural networks,2008,19(7):1 279-1 298.

A Novel Path Planning Algorithm Based on Neurodynamics for Observation of Underwater Structures

YAN Ming-zhonga, HUANG Bing-yib, ZHU Da-qia

(a.Laboratory of Underwater Vehicles and Intelligent Systems; b.School of Information Engineering,Shanghai Maritime University, Shanghai 200015, China)

A novel path planning based on bio-inspired neurodynamics for autonomous underwater vehicles (AUVs) to carry out observation of underwater structures at close range was proposed. The model was topologically expressed in a 2D neural network based on a 2D grid map. In the model, the excitatory and inhibitory inputs to the neurons in the network were generated from the target surroundings of underwater structures and obstacles respectively. Obstacles locally push the AUVs away by negative neural activity in the network, while the AUV was globally attracted through the positive neural activity to reach the target near surroundings of the objects. The AUV choosed its path from the dynamically changing activity landscape of the neural network to continue its observation mission. The simulation results showed that the proposed path planning is effective for AUVs to implement close-range observations of underwater structures with obstacle avoidance in an unknown dynamic underwater environment, and it also can plan the path of the return voyage when missions are completed.

ocean engineering; path planning; bio-inspired neurodynamics; autonomous underwater vehicle

10.3963/j.issn.1671-7953.2017.02.024

2016-08-31

国家自然科学基金(51575336)

颜明重(1977—)，男，博士，讲师

TP183；TP249

A

1671-7953(2017)02-0103-06

修回日期：2016-09-21

研究方向:水下机器人路径规划与水下视觉技术