智能水下机器人技术展望

智能水下机器人技术展望智能水下机器人作为一个复杂的系统,集成了人工智能、水下目标的探测和识别、数据融合、智能控制以及导航和通信各子系统,是一个可以在复杂海洋环境中执行各种军用和民用任务的智能化无人平台.由于水下机器人在海事研究和海洋开发中具有远大前景,在未来水下信息获取、精确打击和“非对称情报战”中也有广泛应用,因此水下机器人技术在世界各个国家中都是一个重要和积极的研发领域.基于实践和在相关技术难题上的经验,对智能水下机器人的发展现状和前景进行了描述,对这些问题可能的解决方案提出了建设性的意见.这些相关的技术包括:水下机器人载体设计技术、体系结构、基础运动控制技术、智能规划与决策技术、系统仿真技术、水下目标探测与识别技术、系统可靠性与容错技术等.随着科学技术的发展,人工智能技术将会在智能水下机器人上得到更为广泛的应用.然而水下机器人技术仍然处于基础研究和试验开发阶段,距离全面应用还有很长的路要走。海洋是人类发展的四大战略空间(陆、海、空、天)中继陆地之后的第2大空间,是生物资源、能源、水资源和金属资源的战略性开发基地,是最现实、最有发展潜力的空间,对我国经济与社会发展产生着直接、巨大的支撑作用.所以,对海洋进行广泛深入的开发必将成为我国在21世纪的发展主题之一.作为人类探索和开发海洋的助手,水下机器人特别是智能水下机器人将在这一领域显示它们多方面的用途.智能水下机器人是将人工智能、自动控制、模式识别、信息融合与理解、系统集成等技术应用于传统的载体上,在无人驾驶的情况下自主地完成复杂海洋环境中预定任务的机器人.依据俄罗斯科学家B.C.亚斯特列鲍夫等人所著的《水下机器人》一书,第3代(智能)水下机器人是一种具有人工智能的系统,具有很高的自主能力、记忆能力和学习能力,自主适应外界环境的变化.操作人员只需下达使命给机器人,与战术甚至与战略有关的任务,都由水下机器人自主完成.智能水下机器人代表了水下机器人技术目前发展的方向.文章基于在水下机器人方面的实践经验,对智能水下机器人技术的发展现状和前景进行了描述,包括水下机器人载体设计技术、体系结构、基础运动控制技术、智能规划与决策技术、系统仿真技术、水下目标探测与识别技术、系统可靠性与容错技术等.对存在的一些技术问题,给出了可能的解决方案和建设性的意见.1智能水下机器人的关键技术展望智能水下机器人技术发展已取得令人振奋的进展,但仍然面临大量的技术难题需要克服,距离智能水下机器人作为满足海洋研究开发或成为武器装备的目标还需要一段较长的时间.智能水下机器人涉及到的关键技术如下。111智能水下机器人载体设计技术智能水下机器人需适应复杂的海洋环境,其载体不仅要具有耐压、水密和承受负载的能力,而且要具有低阻力、高推进效率和实现空间运动的能力.另外,在十分有限的空间,需配置不同性能的多种传感器以满足环境探测、目标识别、自主航行和自主完成任务的需要.这些设备的系统集成设计要确保系统的信息流与控制流的正常工作,所以系统各个部分的电磁兼容和集成设计就显得十分重要.11111载体一体化设计技术一体化设计采用标准化和模块化设计.为降低其生产成本、使用成本,提高其可靠性,扩展其应用,国内外正推进智能水下机器人的标准化和模块化,要求研究有关的机械、电气和软件标准接口概念,设计和建造中尽可能采用模块化设计,并重视开展总体布局与结构优化设计,主要功能部件小型化、智能化、低功耗设计.正研制的试验型机器人系统,尝试了一体化设计思想,采用功能模块化设计.从水池与海中试验结果可以看出,该机器人具有系统可靠性、功能优越性.为适应较大范围的航行,从流体动力学角度来看,智能水下机器人的基本形状宜采用回转细长体,类似于鱼雷.并尽可能采用新型的轻质复合材料,这些材料具有重量轻、浮力大、强度高、耐腐蚀及抗生物附着能力强的特点,可使智能水下机器人具有大的正浮力,从而提高续航力和有效负载.另外,复合材料的噪音小,这将降低传感器的背景噪声.仿生技术应用到智能水下机器人载体的可能性与现实性近年来,国内外不少学者十分重视研究仿生学,并试图将其应用到智能水下机器人载体的设计.由于鱼类摆尾效率高、噪声低、操纵灵活且尾迹小,从水动力学、声学角度看,是十分理想的水中推进和操纵方式.若掌握了鱼类游动的原理,用到智能水下机器人上,甚至用到船舶上,将会引起舰船技术革命[1].目前,国内外针对不同的仿生对象建造了不同原理性样机,取得多项研究成果.哈尔滨工程大学从2000年开始研究开发了“仿生2I”样机系统,如图1所示,长214m,潜深10m,负载能力70kg,现已完成水池与海中的试验,水下航行速度达112m/s,并能灵活地进行回转机动[2]仿生水下机器人载体“仿生Ⅰ”号.必须指出,目前鱼类摆动游动的仿生学研究还处在机理研究阶段,要实现真正意义的仿生和与可配置多种传感器实现多自由度闭环控制,满足各种探测识别传感器的要求,把潜在的优势变成现实的水下机器人载体还要走相当长的路.11113小型化技术应用在智能水下机器人的前景由于小型化技术使得水下机器人具有体积小、阻力低、机动灵活、隐身性能好、突击能力强、成本低、可批量生产、搭载方便的特点,使得微小型水下机器人非常适合发展成为一种无人化、智能化的水下作业系统,由于微小型水下机器人体积小,尤其在海底地形非常复杂的情况下,微小型水下机器人的机动特性和智能程度是任务能否顺利完成的关键.由于微小型水下机器人在未来具有极为广阔的应用前景,发达国家已经投入了大量的人力物力致力于这类智能载体的研发,并已研制出多种系统样机.与此同时,在微小型水下航行器的导航、控制、环境感知、能源与动力等关键共性技术方面取得了长足进展,使微小型水下航行器的自主水平不断提高,续航能力大幅度增加.目前,哈尔滨工程大学水下机器人国家重点实验室”研制的微小型水下机器人实验样机,如图2所示,已完成了水池试验和湖中试验,该实验样机总长0195m,排水量80kg,潜深50m,最大航度210kn,可定深定向航行,续航力超过15km,具有自主航行和探测能力.如何提高水下机器人的自主性,适应复杂的海洋环境并完成各种任务,是体现系统智能化的重要表现.微小型水下机器人载体“微龙Ⅰ号”研究体系结构的目的是不断改进和完善现有的体系结构,加强对未来的预报预测能力,使系统更具有前瞻性和自主学习能力,这与智能水下机器人的研究任务是一致的,也是提高智能水平(自主性和适应性)的关键技术之一.人工智能技术是智能水下机器人具有自主能力的基础.而体系结构技术包括人工智能技术、各种控制技术在内的集成技术,相当于人的大脑和神经系统.软件体系负责智能水下机器人总体集成和系统调度,直接影响其智能水平,它涉及到基础模块的选取、模块之间的关系、数据(信息)与控制流、通讯和接口的协议规范,全局性信息资源的管理及总体调度机构.模拟人类大脑“形式”工作方式的、基于人工智能推演的分层递阶体系结构,即根据时间和功能来划分体系结构中的层次和模块,是最为广泛遵循的原则.最具代表性的是美国航天航空局(NASA)和美国国家标准局(NBS)提出的NASREM的结构[3].该系统结构中各模块的功能和关系非常清楚,有利于系统的构成和各模块内算法的装填和更换,但同时带来了系统响应慢等其他方面的问题.美国麻省理工学院(MIT)的布鲁克斯(RodneyA.Brooks)模拟人类大脑物理结构的基于连接主义的反射性,以移动式机器人研究为背景,提出以一种依据行为来划分层次和构造模块的思路[4].它的特点基本与分层递阶体系相反.在人工智能的研究中,采用基于符号的推理和人工神经网络技术是2种主要方法.对于智能水下机器人技术研究中基于符号的推理能力在高层是必备的,但是它存在知识获取困难、系统较脆弱、学习能力差和实时性差等局限性.符号推理和人工神经网络的结合方式而人工神经网络有较强的学习、联想、自组织和自适应能力,尤其在处理一些不精确的、不完全的信息时,更显出其优越性.它采用并行、分布式的存储和处理机制,使得系统具有容错性和鲁棒性.这些特性在某些方面弥补了基于符号推理知识的不足.因而逻辑推理和人工神经网络技术的结合非常重要.根据水下机器人的特点,采用符号推理和人工神经网络的结合(如图3所示),建立了分层递阶控制的软件体系结构,该体系结构分为6层、3列、全局数据库和人机接口等.6层为物理层、感知层、反应层、动作层、规划层和使命层;3列为感知融合列、动作规划列和学习评价列;一共20个功能模块(不包含物理层).该体系经过2005年的海中调试,取得了比较理想的结果[5].水下机器人运动控制技术水下机器人的运动具有明显的非线性与交叉耦合性.为了完成不同的任务,要求水下机器人在多个自由度上有较高的控制精度.所以,需要建立完善的集成运动控制系统,使之能够紧急避障(基于行为的反映)并与控制信息进行统一描述,同时将信息融合、故障诊断、容错控制策略集成.考虑到水下机器人运动的时变性、环境的复杂性和不确定性,很难建立精确的水下机器人运动模型.多数研究人员把注意力和精力放在神经网络和模糊逻辑控制技术上[6].神经网络控制的优点是充分考虑到了水下机器人的强非线性和各个自由度之间的耦合性,能够跟踪学习系统自身或外围环境的缓慢变化.其缺点是结构和参数不易确定,同时当外界干扰的幅度和周期跟水下机器人自身的运动幅度和周期相近,神经网络的学习就出现明显的滞后现象,使得控制出现振荡的现象.模糊控制器的设计比较简单,而且稳定性也较好,但是众多的模糊变量以及隶属度函数的选取需要有丰富的操纵经验,在实际海上试验中,调试时间往往是有限的,过于复杂的参数调整制约了模糊控制技术在水下机器人运动控制中的应用。通常水下机器人的控制方式有PID控制器、神经网络控制器和模糊逻辑控制器3种,但是,由于这3种方法在实际运用都存在一些参数难以确定的缺陷,为了解决好这一问题,从模糊逻辑控制方式出发,借鉴PID控制的结构形式,同时考虑神经网络的自学习能力,推导出了一种全新的而又简单有效的控制方法,将它定义为改进的S面控制方法.在水池试验、湖上试验和海上试验中都表明该方法大大改进了控制器的控制精度与控制收敛速度.总体而言,智能运动控制方法是水下机器人运动控制的发展方向,但是在具有自适应特征的同时仍然需要保证水下机器人运动控制的稳定性以及在实际应用中的可行性.14智能规划与决策技术复杂的海洋环境对智能规划与决策系统提出了较高的要求.试验环境中海流的变化是相当明显的,海流的大小与方向不仅与时间有关,而且随地点的不同而变化.对智能控制系统的规划与决策技术来针对海洋有流环境下机器人全局路径规划的特殊性,提出了2种解决该问题的路径规划新方法.一种是坐标系旋转法,这种方法的基本思想是将坐标系绕着Z轴旋转,直到X正半轴方向指向来流方向.在搜索过程中只要保证机器人的姿态始终与X正半轴方向一致,就可以实现机器人艏向严格顶流的要求;另一种是基于栅格的位形空间激活值传播法[9].该方法能方便地实现各种优化条件,并适用于各种复杂的环境,具有较佳的控制生成路径的能力和可扩展性,而且算法本身具有内在的并行性,最为重要的是该方法很好地满足了机器人艏向尽量顶流的要求,并已成功地应用于海中试验,路径规划海上试验结果为了使机器人适应海洋环境,将强化学习机制引入到机器人避碰规划中,目的是使机器人具有较好的避碰能力.采用具有竞争思想和自组织机制的神经网络实现了Q学习,网络的输出对应每个动作的Q值,网络的输入对应描述环境的状态.同时采用势场法来综合考虑各种传感器的信息,从而确定外部强化值.让机器人在比较复杂的环境中以漫游方式进行避碰行为学习,仿真结果如图6和图7所示.仿真结果表明具有Q学习机制的机器人经过学习后可以在比较复杂的环境中运动,从而提高机器人机器人学习初始阶段的运动轨迹机器人经过一段时间学习后的运动轨迹人对环境的适应能力.Fig6TrackofAUVduringthebeginningoflearningperiod智能水下机器人虽然仅有短短20多年，但是发展迅速，在各个领域都能见到他们的身影，管道容器检查，科学研究教学，水下娱乐，能源和