本發(fā)明涉及水下機器人水下障礙物避讓，具體為一種基于深度學習的水下機器人智能控制方法及系統(tǒng)。

背景技術：

1、水下機器人在海洋水底檢修中發(fā)揮著至關重要的作用。然而，海底環(huán)境的高壓、低溫、暗黑等特點，使得人類無法直接進行觀察和操作，而水下機器人作為一種有效的工具，為我們提供了探索、研究和維護海洋水底的可能性。

2、然而，水下機器人在海底工作時不可避免地面臨著巨大的壓力挑戰(zhàn)，此外，在執(zhí)行任務時，水下機器人還需要避讓海底生物和巖石等物體，以保護自身和海洋環(huán)境的安全。然而，避讓過程中可能會面臨多種復雜因素的影響，例如洋流、溫度和壓力的變化，在傳統(tǒng)技術中，通常都是選擇固定的避讓路徑、預先設定的速度和運動方向，存在一些局限性，未能根據(jù)實時洋流變化進行及時反應。這可能導致水下機器人在避讓過程中產生不穩(wěn)定現(xiàn)象，甚至影響到其任務執(zhí)行效率和安全性。

技術實現(xiàn)思路

1、（一）解決的技術問題

2、針對現(xiàn)有技術的不足，本發(fā)明提供了一種基于深度學習的水下機器人智能控制方法及系統(tǒng)，以解決背景技術中提到的問題。

3、（二）技術方案

4、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：一種基于深度學習的水下機器人智能控制系統(tǒng)，包括，

5、水下機器人導航采集模塊，用于使用激光雷達，識別和分類不同類型的障礙物，并構建三維環(huán)境模型后，實時采集環(huán)境障礙物直徑zj，并設置為障礙物直徑zj的三倍直徑外進行緊急避讓，生成第一避讓路徑；

6、避讓過程采集模塊，并采集推進器在遇到障礙物避讓過程中的推進器降速度、垂直上下移動深度和橫向移動距離數(shù)據(jù)，建立避讓運行數(shù)據(jù)集；

7、第一分析模塊，根據(jù)避讓運行數(shù)據(jù)集，建立水下避讓三維模型，計算水下機器人避讓過程中的避讓速率指數(shù)brsl；

8、海流評估模塊，在水下機器人處于工作狀態(tài)時，對水下機器人所在區(qū)域海流速度和方向進行監(jiān)測，獲得第一數(shù)據(jù)集，使用深度學習算法，建立深度學習校準模型，利用流體動力學和基于避讓運行數(shù)據(jù)集，構建洋流影響指數(shù)yl，若洋流影響指數(shù)yl超過第一負荷閾值x，發(fā)出第一校準指令；

9、第二影響模塊，在深度學習校準模型中引入第二校準調節(jié)機制，在水下機器人處于工作狀態(tài)時，實時采集獲取推進器在遇到障礙物避讓過程中，實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl，將實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl作為第二輸入值，通過深度學習校準模型，根據(jù)實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl計算對水下機器人相對強弱指數(shù)的影響程度，獲得相對強弱指數(shù)xd，如果相對強弱指數(shù)xd導致水下機器人推進器轉速傳感器讀數(shù)偏差超出允許范圍，對水下機器人進行第二校準。

10、優(yōu)選的，所述避讓過程采集模塊包括環(huán)境感知單元、水生定位單元和生成第一避讓路徑單元；

11、所述環(huán)境感知單元用于使用激光雷達，識別和分類不同類型的障礙物，包括生物、巖石和人工結構；

12、水生定位單元，用于在深海環(huán)境中，集成海底地形圖和已知障礙物的位置，并結合聲納、lidar和攝像頭數(shù)據(jù)，利用地圖信息系統(tǒng)gis，構建三維環(huán)境模型；

13、生成第一避讓路徑單元，用于不同環(huán)境中采集多樣化的數(shù)據(jù)集，涵蓋各種水下環(huán)境和障礙物類型，并使用水下仿真平臺生成模擬數(shù)據(jù)集，進行算法驗證和訓練后，實時采集環(huán)境障礙物直徑zj，并設置為障礙物直徑zj的三倍直徑外進行緊急避讓，生成第一避讓路徑。

14、優(yōu)選的，所述避讓過程采集模塊包括數(shù)據(jù)采集單元和降速度計算單元；

15、所述數(shù)據(jù)采集單元，用于對采集的避讓運行數(shù)據(jù)集進行預處理，包括數(shù)據(jù)清洗、去除異常值和數(shù)據(jù)對齊；

16、降速度計算單元，用于計算水下機器人的推進器在遇到障礙物時的平均降速度jsd，通過速度傳感器采集推進器在遇到障礙物時的速度變化的時間序列數(shù)據(jù)，假設采集到的速度數(shù)據(jù)序列為，其中，t是時間，是對應時間點的速度，并提取速度數(shù)據(jù)序列中遇到障礙物時的初始速度和避讓過程結束時的最終速度，以及避讓過程的持續(xù)時間，無量綱處理后，通過以下公式計算推進器在避讓過程中的平均降速度：

17、。

18、優(yōu)選的，所述避讓過程采集模塊還包括垂直上下移動深度計算單元和橫向移動距離計算單元；

19、所述垂直上下移動深度計算單元，用于記錄推進器在遇到障礙物時的垂直方向的移動深度變化數(shù)據(jù)，通過以下公式計算避讓過程中的平均垂直移動深度：

20、；

21、其中，是第k個采樣點的垂直深度，n是總的采樣點數(shù)，k是從1到n的整數(shù)，用來表示每個垂直方向移動深度數(shù)據(jù)點的位置；

22、所述橫向移動距離計算單元，用于記錄推進器在遇到障礙物時的橫向移動距離變化數(shù)據(jù)，通過以下公式計算獲取平均橫向移動距離：

23、；

24、式中，是避讓過程開始時的時間，是避讓過程結束時的時間，是避讓過程的持續(xù)時間，是推進器在時間t的橫向移動距離，表示橫向移動距離對時間t的變化率，當時間t是連續(xù)的時，積分符號∫表示在給定時間段內對函數(shù)進行累積求和；這里的dt是微小的時間變化，表示在時間軸上進行無限小的步長前進時的時間增量。

25、優(yōu)選的，所述第一分析模塊包括建模單元和避讓速率計算單元，

26、所述建模單元用于對避讓運行數(shù)據(jù)集進行預處理后，融入三維環(huán)境模型的基礎上，建立水下避讓三維模型，將所述第一避讓路徑輸入至水下避讓三維模型中，通過在模型中繪制路徑線條或將路徑數(shù)據(jù)導入到模型中的路徑控制器中來實現(xiàn)；

27、所述避讓速率計算單元用于根據(jù)避讓運行數(shù)據(jù)集，作為輸入至水下避讓三維模型，計算水下機器人避讓過程中的避讓速率指數(shù)brsl；所述避讓速率指數(shù)brsl的獲取方式為，提取平均降速度、平均垂直移動深度和平均橫向移動距離，無量綱處理后，通過以下公式生成避讓速率指數(shù)brsl：

28、

29、公式的含義為：brsl越大，表示水下機器人在遇到障礙物時避讓的速率越高。

30、優(yōu)選的，所述海流評估模塊包括海流采集單元和影響計算單元；

31、所述海流采集單元，用于在水下機器人處于工作狀態(tài)時，對水下機器人所在區(qū)域海流速度和方向進行監(jiān)測，獲得第一數(shù)據(jù)集并無量綱處理，所述第一數(shù)據(jù)集包括洋流速度、水下機器人重量、洋流和水下機器人運動方向角度差值和水下機器人的表面積；

32、所述影響計算單元，用于使用深度學習算法，建立深度學習校準模型，利用流體動力學和基于第一數(shù)據(jù)集和避讓運行數(shù)據(jù)集，構建洋流影響指數(shù)yl：

33、

34、式中，為在洋流過程中的水下機器人的實時降速度，表示在洋流沖擊時，計算水下機器人的實時降速度和平均降速度的絕對差值；表示水下機器人的實時垂直移動深度，表示在洋流沖擊時，計算水下機器人的實時垂直移動深度和平均垂直移動深度的絕對差值；表示在洋流過程中的水下機器人的實時橫向移動距離，表示在洋流沖擊時，計算水下機器人的實時橫向移動距離與平均橫向移動距離的絕對差值；表示為平均洋流速度，其中，，，且，w1、w2、w3和w4為權重值，其具體值由用戶調整設置；

35、洋流和水下機器人運動方向角度差值是由水下機器人實時角度和洋流角度差值，計算獲得，如果為0，說明水下機器人運動方向和洋流的運動方向相同；如果越大，則說明水下機器人運動方向和洋流的運動方向相對于彼此垂直或相反，越大，沖擊力越大。

36、優(yōu)選的，所述海流評估模塊還包括第一評估單元，

37、所述第一評估單元用于設定第一負荷閾值x，并將洋流影響指數(shù)yl與所述第一負荷閾值x進行對比評估，獲得第一評估結果，包括：

38、若洋流影響指數(shù)yl＞第一負荷閾值x，表示水下機器人受當前洋流環(huán)境影響超過第一負荷閾值x，則發(fā)出第一校準指令，減緩推進器的20%的功率或推進力，并調整水下機器人的姿態(tài)，調整舵面或螺旋槳的角度與洋流運動方向相同；

39、若洋流影響指數(shù)yl≤第一負荷閾值x，表示水下機器人未受當前洋流環(huán)境影響超過第一負荷閾值x，則不做校準。

40、優(yōu)選的，所述第二影響模塊包括第二采集單元和第二計算單元；

41、所述第二采集單元，用于在水下機器人處于工作狀態(tài)時，實時采集獲取推進器在遇到障礙物避讓過程中，實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl；

42、所述第二計算單元，用于將實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl，無量綱處理后，作為第二輸入值，輸入至深度學習校準模型中，以回歸方程中與測量條件數(shù)據(jù)相對應的回歸系數(shù)作為影響因子，通過以下公式計算獲取相對強弱指數(shù)xd：

43、

44、其中，為實時垂直下降深度sdz的影響因子，為水下溫度值wd的影響因子；為下潛海水壓力值yl的影響因子；、和為權重系數(shù)，，，c為預設修正因子系數(shù)，取值為1.125。

45、優(yōu)選的，所述第二影響模塊還包括第三評估單元，所述第三評估單元用于預設偏差閾值p，并將相對強弱指數(shù)xd與偏差閾值p進行對比，獲得第二評估結果，包括：

46、若相對強弱指數(shù)xd＞偏差閾值p，則表示偏差超出允許的范圍，則觸發(fā)第二校準指令，調節(jié)減緩推進器的3%—5%的功率或推進力，并在實時垂直下降深度sdz每下降10米，減緩推進器的2%的功率或推進力；

47、若相對強弱指數(shù)xd≤偏差閾值p，則表示偏差未超出允許的范圍，則不做校準。

48、一種基于深度學習的水下機器人智能控制方法，步驟一、使用激光雷達識別和分類不同類型的障礙物，并構建三維環(huán)境模型；實時采集環(huán)境障礙物直徑jzj，并設置為障礙物直徑jz的三倍外進行緊急避讓，生成第一避讓路徑；

49、步驟二、采集推進器在遇到障礙物避讓過程中的降速度、垂直上下移動深度和橫向移動距離數(shù)據(jù)，建立避讓運行數(shù)據(jù)集，并構建水下避讓三維模型，計算水下機器人避讓過程中的避讓速率指數(shù)brsl；

50、步驟三、監(jiān)測水下機器人所在區(qū)域的海流速度和方向，獲得第一數(shù)據(jù)集，使用深度學習算法建立深度學習校準模型，構建洋流影響指數(shù)yl并評估，若洋流影響指數(shù)yl超過第一負荷閾值x，發(fā)出第一校準指令，包括：減緩推進器的20%的功率或推進力，并調整水下機器人的姿態(tài)，調整舵面或螺旋槳的角度與洋流運動方向相同；

51、步驟四、實時采集推進器在遇到障礙物避讓過程中的實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl，將實時垂直下降深度sdz、水下溫度值wd和下潛海水壓力值yl作為第二輸入值，計算相對強弱指數(shù)xd并評估，若相對強弱指數(shù)xd超過偏差閾值p發(fā)出第二校準指令，包括：調節(jié)減緩推進器的3%—5%的功率或推進力，并在實時垂直下降深度sdz每下降10米，減緩推進器的2%的功率或推進力。

52、（三）有益效果

53、本發(fā)明提供了一種基于深度學習的水下機器人智能控制方法及系統(tǒng)。具備以下有益效果：

54、（1）該系統(tǒng)利用激光雷達實時感知海底環(huán)境，構建三維環(huán)境模型，并基于深度學習算法進行實時決策和調整。具體而言，系統(tǒng)可以根據(jù)實時收集的數(shù)據(jù)，自主生成避讓路徑，并針對海底洋流、溫度和壓力等因素進行智能調節(jié)，以確保水下機器人在遇到障礙物時能夠安全、高效地避讓，從而保障任務的順利執(zhí)行。

55、（2）第一校準指令的發(fā)出基于洋流影響指數(shù)yl，使得水下機器人能夠及時調整推進器功率或推進力，并調整姿態(tài)以適應洋流變化，從而減小了洋流對機器人運動的干擾，提升了水下機器人的運動穩(wěn)定性和控制能力。第一避讓路徑的生成以及第二校準指令的發(fā)出，是基于實時采集的障礙物直徑、推進器運動數(shù)據(jù)以及環(huán)境參數(shù)進行的深度學習分析和決策。這種智能化的決策機制使得水下機器人在遇到障礙物時能夠快速、精準地調整路徑和速度，有效避免了碰撞和意外情況，提高了運動過程的安全性和穩(wěn)定性。第一校準指令的發(fā)出和第二校準指令的實施，通過校準推進器功率或推進力，調整姿態(tài)，以及根據(jù)環(huán)境參數(shù)調整機器人運動速度和方向，能夠使得水下機器人在避讓過程中保持更加平穩(wěn)的運動軌跡，減少能量損耗，提高了能源利用效率。

56、（3）第一校準指令和第二校準指令，多級控制步驟，減少了人工干預的需求。通過實時監(jiān)測和智能調節(jié)，水下機器人能夠在復雜的海底環(huán)境中自主完成避讓和調整，減輕了操作人員的負擔，降低了人為操作引起的誤差和風險。促進提升了水下機器人的運動穩(wěn)定性和智能化水平，使其能夠更加高效地執(zhí)行海底檢修任務。穩(wěn)定的運動軌跡和智能化的避讓決策機制將有助于提高任務的執(zhí)行效率，減少任務執(zhí)行時間，從而節(jié)約資源和成本。