CN117990111B - 一种基于mbse模型的探月机器人局部路径规划方法及系统 - Google Patents
一种基于mbse模型的探月机器人局部路径规划方法及系统 Download PDFInfo
- Publication number
- CN117990111B CN117990111B CN202410397843.3A CN202410397843A CN117990111B CN 117990111 B CN117990111 B CN 117990111B CN 202410397843 A CN202410397843 A CN 202410397843A CN 117990111 B CN117990111 B CN 117990111B
- Authority
- CN
- China
- Prior art keywords
- data
- exploration robot
- lunar exploration
- planning
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 32
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 5
- 239000000523 sample Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于MBSE模型的探月机器人局部路径规划方法及系统，涉及月球探测路径规划技术领域。针对现有的探月机器人MBSE建模时，路径规划计算量大、建模成本高和难度大，影响MBSE模型运行速度的问题，本发明采用历史数据与神经网络相结合，既充分利用了历史数据的参考作用，又适用于各种参数的情况，提升了路径规划的效率，节约研发成本；针对样本数据的选取，设计了评估函数，保留了历史数据中优质的参数，并且根据最近距离和预设安全距离的关系进行评估函数中权重值设置，使得在不同情况下都能保证预测结果的最优化。
Description
技术领域
本发明涉及月球探测路径规划技术领域，尤其涉及一种基于MBSE模型的探月机器人局部路径规划方法及系统。
背景技术
MBSE（Model-Based Systems Engineering）即基于模型的系统工程，用于支持系统需求、设计、分析、检验和验证活动，具有整合多学科环境、覆盖整个寿命周期、使用标准化的语言、自动化的环境以及与仿真结合等特点，近年来已得到广泛的应用。
在基于MBSE模型的探月机器人建模时，除了常规的系统设计，更需要考虑复杂且未知的月球环境，探月机器人要求具备自主导航的能力，才能有效执行任务。路径规划是实现自主导航的关键技术，它可以帮助探月机器人根据环境信息和任务需求，自主生成从起始点到目标点的最优或次优路径。
现有技术中对于探月机器人路径规划的主要方法包括人工势场法、遗传算法、动态窗口法（DWA）、基于搜索的方法、基于优化的方法、基于学习的方法等。但是这些各有优缺点，往往需要将不同的规划方法结合起来，以提高路径规划的效果和鲁棒性，这就导致了路径规划的效率降低、计算量增大，进而影响了MBSE模型的运行速度，同时出现探月机器人路径规划实时性差、能耗高、可靠性低、建模成本高和难度大的问题。
因此，在基于MBSE模型的探月机器人建模时，如何设计一种算法简单、效果好的探月机器人路径规划方法，是本领域技术人员仍需不断研究的方向。
发明内容
本发明提供一种基于MBSE模型的探月机器人局部路径规划方法及系统，以解决现有的探月机器人建模时，路径规划计算量大、建模成本高和难度大，影响MBSE模型运行速度的问题。
一种基于MBSE模型的探月机器人局部路径规划方法，具体包括如下步骤：
步骤S1，获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数；
步骤S2，获取待规划路径的探月机器人的待测数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数；
步骤S3，计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入步骤S4；
步骤S4，将所述步骤S2获取的待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型；所述神经网络模型的训练方法为：
步骤S41，对步骤S1获取的历史数据进行评估，将满足评估要求的历史数据作为样本数据；
步骤S42，通过所述样本数据对所述神经网络模型进行训练，得到训练好的神经网络模型；所述神经网络模型的输入为所述原始数据，输出为所述规划数据；
步骤S5，将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
进一步的，所述步骤S3，欧式距离的计算公式为：
；
其中，Oj为第j个原始数据与待测数据的欧式距离，n为每个原始数据中参数数据的个数，xij为第j个原始数据中第i个参数数据，xi0为待测数据中第i个参数数据。
进一步的，所述步骤S4中，循环神经网络模型的结构为：
输入层维度为7，输出层维度为2，隐含层神经元数量为24，批处理大小为32，学习率为0.001，迭代次数为100，优化器为Adam。
进一步的，所述步骤S4中，循环神经网络模型的损失函数为交叉熵损失函数。
进一步的，所述步骤S41中，对步骤S1获取的历史数据进行评估，采用的评估函数为：
；
其中，P为评估值，R1为当前速度归一化后的值，ω1为当前速度的权重，R2为当前路径中拐点数量归一化后的值，ω2为当前拐点数量的权重，R3为当前路径与障碍物的最近距离归一化后的值，ω3为当前最近距离的权重，ω1+ω2+ω3=1。
进一步的，ω1和ω3的确定方法为：
根据所述探月机器人的当前位置参数、探月机器人的几何参数，障碍物的位置参数、障碍物的几何参数，计算所述探月机器人与所述障碍物的最近距离，根据所述最近距离和预设安全距离的关系，确定评估函数中的ω1和ω3。
进一步的，ω1和ω3的关系如下：
当所述最近距离大于预设安全距离时，ω1>ω3，当所述最近距离小于等于预设安全距离时，ω1≤ω3。
进一步的，所述步骤S41中，评估要求为：当评估值P大于预设评估值P0，则满足要求。
一种基于MBSE模型的探月机器人局部路径规划系统，所述系统采用如上任一项所述的基于MBSE模型的探月机器人局部路径规划方法，具体包括如下模块：
历史数据获取模块：获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数；
待测数据获取模块：与所述历史数据获取模块连接，用于获取待规划路径的探月机器人的当前数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数；
欧式距离计算模块：与所述待测数据获取模块连接，用于计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入路径预测模块；
路径预测模块：与所述欧式距离计算模块连接，用于将待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型；
数据保存模块：与所述路径预测模块连接，用于将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
与现有技术相比较，本发明的有益效果在于：
其一，本发明采用历史数据与神经网络相结合，既充分利用了历史数据的参考作用，又适用于各种参数的情况，降低了路径规划的计算量，提高了MBSE模型运行速度，提升了路径规划的效率，节约研发成本；
其二，本发明通过计算待测数据与历史数据的欧式距离，当欧式距离小于预设值，则探月机器人按照该历史数据对应的路径参数和运动参数前进，充分利用了历史数据的参考作用，提升了路径规划的效率；
其三，本发明在样本数据筛选时，设计了评估函数，根据计算结果对历史数据进行筛选，保留更加优质的历史数据，使得神经网络模型规划的路径和运动参数更加准确，提升了稳定性和鲁棒性；
其四，在进行评估函数设计时，充分考虑了探月机器人路径规划重要参数，包括行驶速度、安全距离、拐点数量，确保了任务的高效执行和机器人的安全；
其五，本发明对规划的局部路径和探月机器人的运动参数进行评估时，根据最近距离和预设安全距离的关系进行权重值设置，使得在不同情况下都能保证预测结果的最优化。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为基于MBSE模型的探月机器人局部路径规划方法流程示意图；
图2为基于MBSE模型的探月机器人局部路径规划系统结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
下面结合附图对本发明的具体实施方式做出说明。
MBSE模型用于支持系统需求、设计、分析、检验和验证活动，具有整合多学科环境、覆盖整个寿命周期、使用标准化的语言、自动化的环境以及与仿真结合等特点，近年来已得到广泛的应用。通过MBSE模型对探月机器人进行系统建模，设计方案形象直观，系统结构和功能清晰明确，可提高设计质量和开发效率，节约研发成本。基于MBSE模型对探月机器人进行建模时，通常包括如下步骤：
步骤SA1，确定探月机器人的功能性指标和非功能性指标；所述功能性指标包括：移动功能需求、勘察功能需求、转移功能需求、运输功能需求、改装功能需求和挖掘功能需求；所述非功能性指标包括：重量需求、功率需求、尺寸需求、探测距离需求、速度需求、越障需求、最大输出力需求和最大工作距离需求；
步骤SA2，将所述功能性指标和非功能性指标输入SysML建模软件，生成需求图；对需求图中的模糊性需求进行准确表达，得到技术指标；
步骤SA3，根据所述技术指标确定探月机器人的系统组成；所述系统包括控制系统、机械臂作业系统、移动系统、能源系统、通信系统和改装系统；
步骤SA4，确定各系统内部组成关系以及接口关系；
步骤SA5，根据所述系统架构模型和各系统内部组成关系以及接口关系，采用Magic Draw软件构建探月机器人MBSE模型；
步骤SA6，采用仿真软件对所述探月机器人模型进行验证，具体包括利用MagicDraw软件建立SysML模型，对系统架构的功能性指标和非功能性指标进行验证；利用CATIA软件建立机器人三维实体模型，对三维实体模型进行验证；利用MWorks软件建立机械臂Modelica模型，对机械臂模型进行验证；
步骤SA7，根据验证结果，对所述探月机器人模型进行优化。
上述建模过程中，若路径规划计算量大，则会导致建模成本高和难度大，同时也会降低MBSE模型的运行速度。本发明采用历史数据与神经网络相结合，既充分利用了历史数据的参考作用，又适用于各种参数的情况，提升了路径规划的效率，降低了路径规划的计算量，提高了MBSE模型的运行速度，节约研发成本；针对样本数据的选取，设计了评估函数，保留了历史数据中优质的参数，并且根据最近距离和预设安全距离的关系进行评估函数中权重值设置，使得在不同情况下都能保证预测结果的最优化。
实施例1
如图1所示，本发明提出了一种基于MBSE模型的探月机器人局部路径规划方法，具体包括如下步骤：
步骤S1，获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数。
步骤S2，获取待规划路径的探月机器人的待测数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数。
步骤S3，计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入步骤S4；
所述步骤S3，欧式距离的计算公式为：
；
其中，Oj为第j个原始数据与待测数据的欧式距离，n为每个原始数据中参数数据的个数，xij为第j个原始数据中第i个参数数据，xi0为待测数据中第i个参数数据。
欧式距离是一种信号相似度的度量方式。在信号处理中，两个信号的欧式距离越小，表示它们越相似；反之，欧式距离越大，表示它们差异越大。本发明通过计算欧式距离来寻找历史数据中与待测数据最接近的数据。当欧式距离小于预设值，则探月机器人按照该历史数据对应的路径参数和运动参数前进，充分利用了历史数据的参考作用，提升了路径规划的效率，节约研发成本。
步骤S4，将所述步骤S2获取的待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型；
在探月机器人局部路径规划时，输入数据为包含探月机器人的当前的速度参数、位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、几何参数，目标点位置参数的序列输出，位置、速度数据之间存在时间上的对应关系。因此，选择能够很好处理序列数据的神经网络模型，更有利于提升预测结果的高效性和准确性。
循环神经网络模型（RNN）特别适合于处理序列数据，RNN的动态性质也使得它能够适应动态变化的月球环境，除此之外，通过RNN可以生成平滑的轨迹，减少能源消耗和机械磨损，同时提高机器人的移动效率。这种特性使得RNN适用于需要实时响应的局部路径规划任务。
本发明中采用的循环神经网络模型的结构为：
输入层维度为7，输出层维度为2，隐含层神经元数量24，批处理大小为32，学习率为0.001，迭代次数为100，优化器为Adam。
输入层的7个维度分别对应输入的7种参数：探月机器人的当前的速度参数、位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、几何参数，目标点位置参数；
输出层的7个维度分别对应输出的2中参数：规划的路径和探月机器人运动的参数。
循环神经网络模型的损失函数为交叉熵损失函数。
在序列生成任务中，每个时间步的输出都可能是一个类别，因此可以使用交叉熵损失来处理这类任务。在每个时间步上，将RNN的输出与真实的下一个标记进行比较，并计算交叉熵损失。交叉熵损失函数的优点在于其能有效衡量模型预测与真实分布之间的差异，促进模型快速收敛，并提高分类问题的准确性。
所述神经网络模型的训练方法为：
步骤S41，对步骤S1获取的历史数据进行评估，将满足评估要求的历史数据作为样本数据；
步骤S42，通过所述样本数据对所述神经网络模型进行训练，得到训练好的神经网络模型；所述神经网络模型的输入为所述原始数据，输出为所述规划数据。
所述步骤S41中，对步骤S1获取的历史数据进行评估，采用的评估函数为：
；
其中，P为评估值，R1为当前速度归一化后的值，ω1为当前速度的权重，R2为当前路径中拐点数量归一化后的值，ω2为当前拐点数量的权重，R3为当前路径与障碍物的最近距离归一化后的值，ω3为当前最近距离的权重，ω1+ω2+ω3=1。
进一步的，ω1和ω3的确定方法为：
根据所述探月机器人的当前位置参数、探月机器人的几何参数，障碍物的位置参数、障碍物的几何参数，计算所述探月机器人与所述障碍物的最近距离，根据所述最近距离和预设安全距离的关系，确定评估函数中的ω1和ω3。
进一步的，ω1和ω3的关系如下：
当所述最近距离大于预设安全距离时，ω1>ω3，当所述最近距离小于等于预设安全距离时，ω1≤ω3。
探月机器人在进行路径规划时，必须综合考虑行驶速度、安全距离以及平滑性等多个因素，以确保任务的高效执行和机器人的安全；
对探月机器人行驶速度的考虑：机器人的行驶速度直接影响到任务完成的时间效率。在路径规划过程中，需要根据任务需求、地形复杂度以及机器人的机械性能来确定最佳的行驶速度。过快的速度可能导致机器人失去稳定性或无法准确感知和响应环境变化，而过慢的速度则可能延长任务执行时间，增加能源消耗。
对探月机器人安全距离的考虑：安全距离是指机器人在移动过程中与障碍物或其他危险源保持的最小距离。在路径规划中，必须充分考虑障碍物的大小、形状和位置，以及机器人的避障能力，确保机器人在整个移动过程中都能保持足够的安全距离。这有助于降低机器人与障碍物碰撞的风险，保护机器人的安全。
对探月机器人运行路径平滑性的考虑：路径的平滑性对于机器人的运动性能和能源消耗具有重要影响。在路径规划中，应尽量避免急转弯、急刹车等突然的动作，以减少机器人的机械磨损和能源消耗。通过优化路径的平滑性，可以使机器人的运动更加流畅、稳定，提高任务执行的效率和可靠性。
在一个具体实施例中，当所述最近距离大于预设安全距离时，ω1=0.5，ω3=0.3，ω2=0.2，当所述最近距离小于等于预设安全距离时，ω1=0.3，ω3=0.5，ω2=0.2，与ω1=ω2=ω3相比，同一条路径下，效率提升了8%。
本发明设计的评估函数，考虑了速度、拐点数量和最近距离，是对神经网络输出的路径和运动参数的评估，当机器人距离障碍物较远时，着重考虑运动速度，以提升效率，当机器人距离障碍物较近时，着重考虑安全性，而拐点数量就是考虑路径的平滑性；对规划的局部路径和探月机器人的运动参数进行评估时，根据最近距离和预设安全距离的关系进行权重值设置，使得在不同情况下都能保证预测结果的最优化。
评估结果的要求为：当评估值P大于预设评估值P0，则满足要求。评估值通常用于衡量模型或算法的性能，在实际数据或模拟环境中进行实验，验证评估值的合理性和有效性，设置评估值时，需要考虑实际应用的限制和要求，如机器人的物理特性、环境的不确定性等。P0为可根据实际测试情况进行适应性调整。在一个具体实施例中，将预设评估值P0设置为80%，与不进行评估相比，路径可行性得到明显提升。
本发明在样本数据筛选时，设计了评估函数，根据计算结果对历史数据进行筛选，保留更加优质的历史数据，使得神经网络模型规划的路径和运动参数更加准确，提升了稳定性和鲁棒性；在进行评估函数设计时，充分考虑了探月机器人路径规划重要参数，包括行驶速度、安全距离、拐点数量，确保了任务的高效执行和机器人的安全。
步骤S5，将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
本发明采用历史数据与神经网络相结合，既充分利用了历史数据的参考作用，又适用于各种参数的情况，降低了路径规划的计算量，提高了MBSE模型的运行速度，提升了路径规划的效率，节约研发成本。
实施例2
如图2所示，本发明还提出一种基于MBSE模型的探月机器人局部路径规划系统，所述系统采用如实施例1任一项所述的基于MBSE模型的探月机器人局部路径规划方法，具体包括如下模块：
历史数据获取模块：获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数；
待测数据获取模块：与所述历史数据获取模块连接，用于获取待规划路径的探月机器人的当前数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数；
欧式距离计算模块：与所述待测数据获取模块连接，用于计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入路径预测模块；
路径预测模块：与所述欧式距离计算模块连接，用于将待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型；
数据保存模块：与所述路径预测模块连接，用于将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
需要说明的是，本发明所用术语仅为了描述特定实施例，而非限制本发明范围。如本发明说明书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
还需说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”等应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (7)
1.一种基于MBSE模型的探月机器人局部路径规划方法，其特征在于，包括如下步骤：
步骤S1，获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数；
步骤S2，获取待规划路径的探月机器人的待测数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数；
步骤S3，计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入步骤S4；欧式距离的计算公式为：
；
其中，Oj为第j个原始数据与待测数据的欧式距离，n为每个原始数据中参数数据的个数，xij为第j个原始数据中第i个参数数据，xi0为待测数据中第i个参数数据；
步骤S4，将所述步骤S2获取的待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型，训练方法为：
步骤S41，对步骤S1获取的历史数据进行评估，将满足评估要求的历史数据作为样本数据；对步骤S1获取的历史数据进行评估时，采用的评估函数为：
；
其中，P为评估值，R1为当前速度归一化后的值，ω1为当前速度的权重，R2为当前路径中拐点数量归一化后的值，ω2为当前拐点数量的权重，R3为当前路径与障碍物的最近距离归一化后的值，ω3为当前最近距离的权重，ω1+ω2+ω3=1；
步骤S42，通过所述样本数据对所述神经网络模型进行训练，得到训练好的神经网络模型；所述神经网络模型的输入为所述原始数据，输出为所述规划数据；
步骤S5，将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
2.根据权利要求1所述的基于MBSE模型的探月机器人局部路径规划方法，其特征在于，所述步骤S4中，所述神经网络模型的结构为：
输入层维度为7，输出层维度为2，隐含层神经元数量为24，批处理大小为32，学习率为0.001，迭代次数为100，优化器为Adam。
3.根据权利要求1所述的基于MBSE模型的探月机器人局部路径规划方法，其特征在于，所述步骤S4中，所述神经网络模型的损失函数为交叉熵损失函数。
4.根据权利要求1所述的基于MBSE模型的探月机器人局部路径规划方法，其特征在于，ω1和ω3的确定方法为：
根据所述探月机器人的当前位置参数、探月机器人的几何参数，障碍物的位置参数、障碍物的几何参数，计算所述探月机器人与所述障碍物的最近距离，根据所述最近距离和预设安全距离的关系，确定评估函数中的ω1和ω3。
5.根据权利要求4所述的基于MBSE模型的探月机器人局部路径规划方法，其特征在于，ω1和ω3的关系如下：
当所述最近距离大于预设安全距离时，ω1>ω3，当所述最近距离小于等于预设安全距离时，ω1≤ω3。
6.根据权利要求1所述的基于MBSE模型的探月机器人局部路径规划方法，其特征在于，所述步骤S41中，评估要求为：当评估值P大于预设评估值P0，则满足要求。
7.一种基于MBSE模型的探月机器人局部路径规划系统，其特征在于，所述系统采用权利要求1至6任一项所述的基于MBSE模型的探月机器人局部路径规划方法，具体包括如下模块：
历史数据获取模块：获取探月机器人局部路径规划的历史数据，包括：原始数据和规划数据，所述原始数据包括：路径规划时探月机器人的速度参数、探月机器人的位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数，所述规划数据包括：规划的局部路径和探月机器人的运行参数；
待测数据获取模块：与所述历史数据获取模块连接，用于获取待规划路径的探月机器人的当前数据，包括探月机器人的当前速度参数、探月机器人的当前位置参数、探月机器人的几何参数、探月机器人的最大速度参数，障碍物的位置参数、障碍物的几何参数，目标点位置参数；
欧式距离计算模块：与所述待测数据获取模块连接，用于计算所述待测数据与所述历史数据中每一条原始数据的欧式距离；若所述欧式距离的最小值小于等于预设最小值，则获取所述欧式距离对应的规划数据，所述探月机器人按照该规划数据前进；若所述欧式距离大于预设最小值，则进入路径预测模块；
路径预测模块：与所述欧式距离计算模块连接，用于将待测数据输入训练好的神经网络模型，输出规划数据，所述探月机器人按照所述规划数据前进；所述神经网络模型采用循环神经网络模型；
数据保存模块：与所述路径预测模块连接，用于将本次探月机器人局部路径规划的原始数据和规划数据存入历史数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397843.3A CN117990111B (zh) | 2024-04-03 | 2024-04-03 | 一种基于mbse模型的探月机器人局部路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410397843.3A CN117990111B (zh) | 2024-04-03 | 2024-04-03 | 一种基于mbse模型的探月机器人局部路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117990111A CN117990111A (zh) | 2024-05-07 |
| CN117990111B true CN117990111B (zh) | 2024-07-12 |
Family
ID=90895462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410397843.3A Active CN117990111B (zh) | 2024-04-03 | 2024-04-03 | 一种基于mbse模型的探月机器人局部路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117990111B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765626A (zh) * | 2019-02-20 | 2019-05-17 | 吉林大学 | 一种基于最小二乘克希霍夫偏移的探月雷达数据处理方法 |
| CN111580519A (zh) * | 2020-05-12 | 2020-08-25 | 北京控制工程研究所 | 一种地月时延下月面探测准实时遥操作系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110333739B (zh) * | 2019-08-21 | 2020-07-31 | 哈尔滨工程大学 | 一种基于强化学习的auv行为规划及动作控制方法 |
| CN115540878B (zh) * | 2022-09-27 | 2024-08-23 | 北京航天飞行控制中心 | 月面行驶导航方法、装置、电子设备及存储介质 |
| CN115933652B (zh) * | 2022-11-29 | 2024-07-09 | 北京航天飞行控制中心 | 基于序列图像拼接融合的月球车直驱遥操作驾驶方法 |
| CN117308968A (zh) * | 2023-08-31 | 2023-12-29 | 上海宇航系统工程研究所 | 一种bs架构的月表大范围路径规划系统及方法 |
| CN117516572A (zh) * | 2023-11-20 | 2024-02-06 | 中国人民解放军战略支援部队航天工程大学 | 一种基于强化学习的月面路径规划方法 |
| CN117707168A (zh) * | 2023-12-18 | 2024-03-15 | 四川华控图形科技有限公司 | 一种基于深度强化学习的机器人避障路径规划方法 |
-
2024
- 2024-04-03 CN CN202410397843.3A patent/CN117990111B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765626A (zh) * | 2019-02-20 | 2019-05-17 | 吉林大学 | 一种基于最小二乘克希霍夫偏移的探月雷达数据处理方法 |
| CN111580519A (zh) * | 2020-05-12 | 2020-08-25 | 北京控制工程研究所 | 一种地月时延下月面探测准实时遥操作系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117990111A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
| Subramani et al. | Risk-optimal path planning in stochastic dynamic environments | |
| Wen et al. | MRPB 1.0: A unified benchmark for the evaluation of mobile robot local planning approaches | |
| CN112356830A (zh) | 一种基于模型强化学习的智能泊车方法 | |
| CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
| Saulnier et al. | Information theoretic active exploration in signed distance fields | |
| CN114357872B (zh) | 一种基于stacking模型融合的船舶运动黑箱辨识建模与运动预测方法 | |
| CN114237256A (zh) | 一种适用于欠驱动机器人的三维路径规划与导航方法 | |
| CN117141520B (zh) | 一种实时轨迹规划方法、装置和设备 | |
| CN108320051B (zh) | 一种基于gru网络模型的移动机器人动态避碰规划方法 | |
| CN110895146A (zh) | 一种移动机器人同步定位与地图构建方法 | |
| Luo et al. | A multi-scale map method based on bioinspired neural network algorithm for robot path planning | |
| CN115933641A (zh) | 基于模型预测控制指导深度强化学习的agv路径规划方法 | |
| CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
| Guo et al. | Local path planning of mobile robot based on long short-term memory neural network | |
| CN109976189A (zh) | 一种智能舰艇自动巡航模拟仿真方法 | |
| Cen | Target location detection of mobile robots based on R-FCN deep convolutional neural network | |
| Ren et al. | Improved shape-based distance method for correlation analysis of multi-radar data fusion in self-driving vehicle | |
| CN114386599B (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
| CN111309035A (zh) | 多机器人协同移动与动态避障方法、装置、设备及介质 | |
| CN117990111B (zh) | 一种基于mbse模型的探月机器人局部路径规划方法及系统 | |
| CN116907510B (zh) | 一种基于物联网技术的智能化运动识别方法 | |
| Meng et al. | Automatic control method of automobile steering-by-wire based on fuzzy PID | |
| Neloy et al. | Alpha-N-V2: Shortest path finder automated delivery robot with obstacle detection and avoiding system | |
| CN113703025B (zh) | 一种面向gnss多种失效状态的车辆定位误差智能预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |