一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法与流程

技术特征：

1.一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：本方法采用四层模糊神经网络来实现对于AUVs的控制，所使用的模糊神经网络自上而下为输入层、模糊化层、规则层与解模糊层，对应的阶段子任务为：

（1）搜索：AUVs采用分区随机搜索方式对水下工作区域进行初步搜索，在工作的时候，根据传感器的信息进行避碰与路径规划，其中各个AUVs单独完成搜索，自主执行规划；

（2）围捕：单个AUV在工作区域中发现了规划执行目标之后，通知混合分层式体系中其他AUVs，并且第一个发现目标的AUV成为当前leader，本leader基于成员和目标航行器的位置信息分配围捕任务，并将各子任务发布给相应的围捕成员。各成员收到任务后迅速向目标点运动，对入侵者实施围捕；

（3）避障：确定目标之后，AUV在自身行进转轮的驱动下进行接近，基于传感器感知到的障碍信息选择避碰路线，其中障碍包括静态障碍物、团队成员与敌方AUV；

（4）分散：搜索和围捕目标完成之后，自动分散AUVs回到规划执行的工作区域内，准备下一次目标的搜索和围捕。

2.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：搜索策略：

某个AUV设定当前位置为（x_i,y_i）,搜索范围为x_il≤x_i≤x_ir ，y_id≤y_i≤y_iu，则当前的AUV随机选取搜索点（x^'_i,y^'_i）满足式子：

其中l 为一常值，表示AUV 的下一个目标点离所有AUV当前位置的最小距离不能低于此值，可以定义为工作的规划区域；

围捕策略：

H₁、H₂、H₃、H₄、H₅为当前参与搜索和围捕的AUV，α表示当前目标与AUV之间的夹角，则目标运动势点坐标表示需满足式子：

然后将各个航行器按照极角从小到大排序，与势点坐标集合匹配，按序排列之后得出最优化的围捕分配方式；

避障策略：

基于蚂蚁算法，应用人工势场法，使得障碍物对AUV产生斥力，基于已有的AUV六自由度运动模型和PID控制器；

3.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：模糊神经网络中：

第一层：输入节点层，一共设置有两个节点，其中分别表示控制过程中的偏差与偏差变化率，不对信号进行任何非线性处理；

第二层：输入隶属度函数节点层，每个输入节点对应13个模糊分区，为保持水下机器人控制的多对称性，对应输入变量隶属度函数的位置；

第三层：模糊规则节点层，每一节点完成一条模糊规则的蕴含关系计算，对每一规则进行AND运算；

第四层：输出节点层，输出AUV各个行动主轴上的控制力力矩，偏差和偏差变化率的隶属度函数采用相同的分布方式。

4.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：模糊神经网络中，开始加速与基于高斯函数的模糊神经网络相差不大，由于S型隶属函数自身的特征，基于S型隶属函数的模糊神经网络必然比基于高斯型隶属函数的模糊神经网络更快地跟上速度规划器，向目标点靠近，同样由于前面分析的原因，速度一旦达到一个相对稳定的值后，则不容易随位置偏差的变化重新调整。

5.根据权利要求1所述的一种基于模糊控制算法的AUVs搜索和围捕任务分配控制方法，其特征在于：混合分层式体系包括各个AUV内设置有任务规划层，任务规划层与行为控制层之间相互联系，行为控制层则通过传感模块接收环境信息反馈，通过控制器来控制AUV运动模型，在环境中进行移动。