多AUV协同的港口水下安全防护关键技术研究

In this project, in order to deal with the harbor safe protection under construction of "The Belt and Road" especially in the field of underwater enemy invasion problem, the innovative use of multiple AUV cooperative control are applied to realize the safe protection of harbor underwater area. Several key technology study focusing on multi-AUV cooperative coverage search, underwater target recognition, underwater enemy target interception is conducted systematically. First of all, a heuristic multi-AUV collaborative coverage search method based on neuron excitation is proposed to ensure that multi-AUV has no collision and less repetition to achieve collaborative full-coverage search in port area. Secondly, a new method based on adversary network and Fast-RCNN (Region-based Convolutional Neural Network) is proposed for underwater enemy target fast recognition. The adversary network method is applied to produce occlusions, deformations, illumination changes especially for graphics data acquisition difficulty, together with multi-AUV information fusion strategy, and realize the identification of enemy target quickly with underwater environment. Finally, the multi-AUV cooperative interception strategy for invasion target is put forward, using Convolutional Neural Networks for fast matching of moving targets and motion estimation, in combination with Moving Target-D*Lite heuristic search algorithm to reach the interception path planning. On the basis of theoretical research, experimental verification of pool and harbor region is carried out through modeling and simulation, combined with multiple AUV system in the laboratory.

本项目针对“一带一路”建设中的港口安全防护问题特别是水下敌对目标入侵问题，创新性地运用多AUV协同实现港口区域的水下安全防护，重点针对多AUV协同覆盖式搜索、水下敌对目标识别与拦截等关键技术展开系统性研究。首先，提出基于神经元激励的启发式多AUV协同覆盖式搜索方法，保证多AUV无碰撞、少重复地实现港口区域的协同全覆盖搜索。其次，提出基于对抗式网络与Fast R-CNN的水下敌对目标快速识别方法，特别针对图形数据获取困难，应用对抗式网络产生可能的遮挡、变形、光照变化，结合多AUV信息融合策略，实现水下敌对目标的快速识别。最后，提出多AUV协同下的入侵目标拦截策略，运用CNN网络实现运动目标的快速匹配和运动估计，运用带优化的最小时间拦截策略并结合MT-D*Lite启发式搜索算法实现拦截路径的规划。在理论研究基础上，通过建模仿真，结合实验室多套AUV系统进行水池和港口区域的实验验证。

本项目针对港口安全防护问题特别是水下敌对目标入侵问题，运用多AUV协同技术实现港口区域的水下安全防护，重点针对AUV路径规划与避障技术、水下敌对目标识别与跟踪、多AUV协同任务分配与拦截技术等展开系统性研究。首先，提出基于启发式搜索策略的D*路径规划算法，综合考虑障碍物代价模型、转角代价模型以及海流能耗模型，同时利用三次均匀B样条曲线进行路径平滑处理，实现海流能耗下的优化路径。其次，提出基于对抗式网络与Faster R-CNN的水下敌对目标快速识别方法，特别针对图形数据获取困难，应用对抗式网络产生可能的遮挡、变形、光照变化，结合图像增强策略，实现水下敌对目标的快速识别。与标准的Faster R-CNN网络相比，VOC07上的mAP升幅为2.3%，水下数据集上有2.6%mAP提升。针对水下目标图像数据不足的问题，通过深度卷积生成对抗网络进行数据增强，进而研究基于改进YOLOv5和Deep Sort算法的水下目标检测跟踪方法。在YOLOv5检测网络中加入微小目标检测头，提升检测器的尺度变化适应能力，将卷积块注意力模型引入检测网络中，在探测大范围水下场景中提升目标物的显著程度，用Deep Sort融合目标运动和表面特征信息实现目标实时跟踪。针对多AUV水下协同任务分配问题，用拍卖算法对蜂群优化选择过程进行部分改进，以使得任务分配的结果更接近全局最优，并将AUV能量储备考虑在内。在算法计算时，采用分级任务分配的模式，降低计算时的数据维度。在第一级目标分配中，采用拍卖算法进行准确的一一分配。在第二级的选择过程中，利用改进的蜂群算法进行迭代寻优，并在适应度中引入一个收缩因子，以使任务分配的最终结果更接近于帕累托最优状态，具有较快的收敛速度和良好稳定性。最后，针对多AUV拦截单入侵目标问题，提出了一种多AUV拦截算法——预测规划拦截法。首先，预测拦截点位置；其次，规划AUV到预测拦截点的路径。在三维工作环境中，将该问题转化为求解带约束条件的优化问题，采用粒子群算法，求出的最优解即为最佳预测拦截点。一旦预测到拦截点的位置信息，就通过人工势场法规划环境中各个AUV的拦截路径。当入侵目标被任一AUV拦截时，则认为拦截成功。在理论研究基础上，通过建模仿真，进行了多AUV系统的仿真验证，表明本项目所提方法能够有效实现港口区域的水下协同防护。