优先发表
优先发表栏目展示本刊经同行评议确定正式录用的文章，这些文章目前处在编校过程，尚未确定卷期及页码，但可以根据DOI进行引用。
显示方式:
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0007
摘要:
水下视觉目标跟踪是自主水下航行器(AUV)场景理解的核心技术之一。然而, 复杂水下环境中的光照不均、背景干扰和目标外观变化等问题, 严重影响传统视觉目标跟踪方法的准确性和稳定性。现有方法主要依赖目标的表观建模, 难以实现复杂环境下可靠跟踪, 尤其是在相似目标干扰的情况下, 容易导致误识别和目标漂移。文中提出了一种基于场景感知的水下单目标跟踪方法, 通过基于区域分割的图卷积模块提取场景内所有目标区域, 并结合图卷积网络建模目标区域与周围关键区域的长距离依赖关系, 显著提升对相似目标的区分能力。此外, 文中引入双视图对比学习策略, 通过生成随机扰动的目标特征视图, 实现图卷积模块的无监督在线更新, 使得模型能够在复杂环境下保持较强的适应性和稳定性。实验表明, 所提方法在跟踪精度和鲁棒性方面显著优于经典方法, 尤其在光照变化大、背景复杂和相似目标干扰较强的场景下, 成功率和精确度均有明显提升。这表明文中研究有效解决了水下目标跟踪中因光照变化和背景干扰导致的目标漂移问题, 能在相似目标存在时保持稳定跟踪, 为水下无人系统提供了高效可靠的目标跟踪解决方案。
水下视觉目标跟踪是自主水下航行器(AUV)场景理解的核心技术之一。然而, 复杂水下环境中的光照不均、背景干扰和目标外观变化等问题, 严重影响传统视觉目标跟踪方法的准确性和稳定性。现有方法主要依赖目标的表观建模, 难以实现复杂环境下可靠跟踪, 尤其是在相似目标干扰的情况下, 容易导致误识别和目标漂移。文中提出了一种基于场景感知的水下单目标跟踪方法, 通过基于区域分割的图卷积模块提取场景内所有目标区域, 并结合图卷积网络建模目标区域与周围关键区域的长距离依赖关系, 显著提升对相似目标的区分能力。此外, 文中引入双视图对比学习策略, 通过生成随机扰动的目标特征视图, 实现图卷积模块的无监督在线更新, 使得模型能够在复杂环境下保持较强的适应性和稳定性。实验表明, 所提方法在跟踪精度和鲁棒性方面显著优于经典方法, 尤其在光照变化大、背景复杂和相似目标干扰较强的场景下, 成功率和精确度均有明显提升。这表明文中研究有效解决了水下目标跟踪中因光照变化和背景干扰导致的目标漂移问题, 能在相似目标存在时保持稳定跟踪, 为水下无人系统提供了高效可靠的目标跟踪解决方案。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0013
摘要:
针对带有推进器失效故障和动力学未知的无人艇自主控制问题, 提出一种基于模型预测控制的自适应容错控制方法。首先, 由于执行器发生部分失效故障, 建立含有故障的无人艇动力学模型; 将动力学模型中未知非线性动态和外部扰动形成集总非线性函数, 利用神经网络逼近动力学中未知部分; 为了实现对期望轨迹的高性能精确跟踪, 构造以控制输入和状态误差为变量的指标函数, 结合模型预测控制和反步控制设计了一种自适应自主容错控制策略; 基于李雅普诺夫稳定性理论证明了闭环系统内所有信号都有界, 在此框架下构建的控制策略既可以补偿执行器故障和未知非线性动态对系统造成的影响, 也可以保证系统的跟踪误差收敛到理想的精度。仿真结果验证了提出的方法的有效性和合理性。
针对带有推进器失效故障和动力学未知的无人艇自主控制问题, 提出一种基于模型预测控制的自适应容错控制方法。首先, 由于执行器发生部分失效故障, 建立含有故障的无人艇动力学模型; 将动力学模型中未知非线性动态和外部扰动形成集总非线性函数, 利用神经网络逼近动力学中未知部分; 为了实现对期望轨迹的高性能精确跟踪, 构造以控制输入和状态误差为变量的指标函数, 结合模型预测控制和反步控制设计了一种自适应自主容错控制策略; 基于李雅普诺夫稳定性理论证明了闭环系统内所有信号都有界, 在此框架下构建的控制策略既可以补偿执行器故障和未知非线性动态对系统造成的影响, 也可以保证系统的跟踪误差收敛到理想的精度。仿真结果验证了提出的方法的有效性和合理性。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0170
摘要:
针对欠驱动无人船 (USV) 存在未建模动力学、参数不确定性和干扰等未知状况, 提出一种基于极速学习的鲁棒自适应路径跟踪控制方案。首先, 采用纵荡视线制导律, 同时制导纵荡速度与航向角, 避免制导过程的奇异现象, 使得USV快速收敛至期望路径; 其次, 将包含系统不确定性和外部干扰的未知动态封装成一个集总未知项, 利用极速学习机的单隐层前馈网络 (SLFN) 随机产生隐层节点在线辨识该未知项, 避免依赖USV先验知识和“维度爆炸”问题; 然后, 通过设计逼近残差自适应补偿器, 同时在线更新SLFN的输出权重和逼近残差, 形成双通道学习机制, 不仅可以增强逼近能力, 而且提高了跟踪精度; 最后,设计自适应路径跟踪控制器, 使得USV的纵荡速度与航向角制导误差可以渐进收敛到原点附近的小邻域。文中仿真研究验证了所提方案的有效性和优越性。
针对欠驱动无人船 (USV) 存在未建模动力学、参数不确定性和干扰等未知状况, 提出一种基于极速学习的鲁棒自适应路径跟踪控制方案。首先, 采用纵荡视线制导律, 同时制导纵荡速度与航向角, 避免制导过程的奇异现象, 使得USV快速收敛至期望路径; 其次, 将包含系统不确定性和外部干扰的未知动态封装成一个集总未知项, 利用极速学习机的单隐层前馈网络 (SLFN) 随机产生隐层节点在线辨识该未知项, 避免依赖USV先验知识和“维度爆炸”问题; 然后, 通过设计逼近残差自适应补偿器, 同时在线更新SLFN的输出权重和逼近残差, 形成双通道学习机制, 不仅可以增强逼近能力, 而且提高了跟踪精度; 最后,设计自适应路径跟踪控制器, 使得USV的纵荡速度与航向角制导误差可以渐进收敛到原点附近的小邻域。文中仿真研究验证了所提方案的有效性和优越性。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0176
摘要:
水下传感器网络(USNs)在海洋环境监测等领域具有重要作用, 同时面临诸多的安全挑战。信任模型能有效抵御面临的内部攻击, 保障网络的可靠性。现有信任评估方法大多依赖于信任特征的线性加权和阈值比较的决策方式。然而, 水下环境是动态的, 水流和温度等环境条件在时空上不断变化, 会导致节点信任特征的变化差异和信任值的整体波动。这种动态特性使得最优权重和合理阈值难以有效确定, 影响评估的准确性与决策的可靠性。为解决这一问题, 文中提出了一种基于模糊聚类和动态权重分配的智能信任评估方法。该方法首先对USNs进行分层动态拓扑建模, 以增强普适性; 在此基础上综合计算节点的通信、能量和数据特征, 以全面反映节点的状态; 然后使用无监督机器学习算法模糊C均值聚类, 实现自适应的节点信任决策, 同时采用主客观结合策略, 根据网络和环境条件为特征动态分配权重, 从而实现对节点信任度的智能评估。仿真实验结果表明, 该方法能够有效评估水下环境中节点的信任度, 提高信任决策的可靠性, 增强网络的安全性。
水下传感器网络(USNs)在海洋环境监测等领域具有重要作用, 同时面临诸多的安全挑战。信任模型能有效抵御面临的内部攻击, 保障网络的可靠性。现有信任评估方法大多依赖于信任特征的线性加权和阈值比较的决策方式。然而, 水下环境是动态的, 水流和温度等环境条件在时空上不断变化, 会导致节点信任特征的变化差异和信任值的整体波动。这种动态特性使得最优权重和合理阈值难以有效确定, 影响评估的准确性与决策的可靠性。为解决这一问题, 文中提出了一种基于模糊聚类和动态权重分配的智能信任评估方法。该方法首先对USNs进行分层动态拓扑建模, 以增强普适性; 在此基础上综合计算节点的通信、能量和数据特征, 以全面反映节点的状态; 然后使用无监督机器学习算法模糊C均值聚类, 实现自适应的节点信任决策, 同时采用主客观结合策略, 根据网络和环境条件为特征动态分配权重, 从而实现对节点信任度的智能评估。仿真实验结果表明, 该方法能够有效评估水下环境中节点的信任度, 提高信任决策的可靠性, 增强网络的安全性。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0015
摘要:
水声通信因其高传播时延、信道时变特性及带宽受限等因素, 在传输调度决策方面面临诸多挑战。为提升复杂水声环境下的通信效率, 文中提出了一种基于多智能体强化学习(MARL)的水声网络跨层传输方法(MARL-TS)。该方法针对高水声传播时延和动态信道环境, 以传输节点的数据缓存状态与信道条件为基础, 以通信网络的传输效率和传输时延为优化目标, 自适应地进行跨层优化, 实现功率分配与时隙资源调度的联合优化。为学习最优传输策略, 文中构建了可学习的策略生成网络与价值评价网络, 并结合多智能体协同学习, 提升策略优化的效率与自适应决策能力。仿真实验表明, 与现有基于强化学习的多路访问控制(MAC)协议相比, MARL-TS在传输能效优化和传输时延降低等方面表现出显著优势, 尤其在多节点高负载场景下展现了更强的适应性与稳定性, 为复杂水下通信系统的优化提供了新的思路。
水声通信因其高传播时延、信道时变特性及带宽受限等因素, 在传输调度决策方面面临诸多挑战。为提升复杂水声环境下的通信效率, 文中提出了一种基于多智能体强化学习(MARL)的水声网络跨层传输方法(MARL-TS)。该方法针对高水声传播时延和动态信道环境, 以传输节点的数据缓存状态与信道条件为基础, 以通信网络的传输效率和传输时延为优化目标, 自适应地进行跨层优化, 实现功率分配与时隙资源调度的联合优化。为学习最优传输策略, 文中构建了可学习的策略生成网络与价值评价网络, 并结合多智能体协同学习, 提升策略优化的效率与自适应决策能力。仿真实验表明, 与现有基于强化学习的多路访问控制(MAC)协议相比, MARL-TS在传输能效优化和传输时延降低等方面表现出显著优势, 尤其在多节点高负载场景下展现了更强的适应性与稳定性, 为复杂水下通信系统的优化提供了新的思路。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0173
摘要:
为应对日益复杂的海洋任务, 文中构建了一个由空中无人机-海面无人艇-水下航行器组成的空海异构无人系统, 研究其协同控制问题。对于异构无人系统的信息交互问题, 各域均由一个领航者与多个跟随者组成, 跨域通信由各域领航者完成。同时, 针对各域领航者轨迹问题, 提出了一种基于人工势场法的协同轨迹规划算法, 使各域领航者避障下到达目标位置。对于受限的通信资源问题, 为各域跟随者设计了一种基于间歇通信的脉冲层级编队控制协议, 实现了避障下的编队控制, 且减少了通信开销。另外, 针对协同控制算法的收敛时间与通信能耗的多目标优化问题, 通过设计收缩-扩张系数和动态密集距离策略, 提出了一种改进的多目标量子行为粒子群优化算法, 用于智能选择各域脉冲间隔, 从而协同控制算法的收敛时间与通信能耗间达到良好折衷。仿真结果表明, 空海异构无人系统能够在避障下实现编队控制, 同时减少通信开销, 与传统的多目标量子行为粒子群优化算法相比, 所提智能优化算法具有更好的收敛性与全局搜索能力。
为应对日益复杂的海洋任务, 文中构建了一个由空中无人机-海面无人艇-水下航行器组成的空海异构无人系统, 研究其协同控制问题。对于异构无人系统的信息交互问题, 各域均由一个领航者与多个跟随者组成, 跨域通信由各域领航者完成。同时, 针对各域领航者轨迹问题, 提出了一种基于人工势场法的协同轨迹规划算法, 使各域领航者避障下到达目标位置。对于受限的通信资源问题, 为各域跟随者设计了一种基于间歇通信的脉冲层级编队控制协议, 实现了避障下的编队控制, 且减少了通信开销。另外, 针对协同控制算法的收敛时间与通信能耗的多目标优化问题, 通过设计收缩-扩张系数和动态密集距离策略, 提出了一种改进的多目标量子行为粒子群优化算法, 用于智能选择各域脉冲间隔, 从而协同控制算法的收敛时间与通信能耗间达到良好折衷。仿真结果表明, 空海异构无人系统能够在避障下实现编队控制, 同时减少通信开销, 与传统的多目标量子行为粒子群优化算法相比, 所提智能优化算法具有更好的收敛性与全局搜索能力。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0003
摘要:
复杂特殊的水下环境导致水下图像质量较低, 存在对比度低、模糊及水下退化等特性, 这极大地影响了水下目标检测性能。针对这一问题, 文中提出了一种基于小波变换特征增强的水下目标检测方法。引入了离散小波变换将深度学习框架中提取到的多层次特征进行高低频分解, 进而将分解得到的频域特征分量通过文中设计的基于注意力机制的频域交互模块进行交互增强, 优化特征表达能力, 经过增强后的特征继续通入目标检测网络用于改善目标检测的性能。最终经过实验证明, 文中提出的水下目标检测方法与常见的目标检测方法相比, 在性能上具有一定优势, 能够有效提升水下目标检测的能力。
复杂特殊的水下环境导致水下图像质量较低, 存在对比度低、模糊及水下退化等特性, 这极大地影响了水下目标检测性能。针对这一问题, 文中提出了一种基于小波变换特征增强的水下目标检测方法。引入了离散小波变换将深度学习框架中提取到的多层次特征进行高低频分解, 进而将分解得到的频域特征分量通过文中设计的基于注意力机制的频域交互模块进行交互增强, 优化特征表达能力, 经过增强后的特征继续通入目标检测网络用于改善目标检测的性能。最终经过实验证明, 文中提出的水下目标检测方法与常见的目标检测方法相比, 在性能上具有一定优势, 能够有效提升水下目标检测的能力。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0167
摘要:
为实现无人水面艇(USV)的自主充电, 提出了一种基于MobileNetV2的船载充电部件检测与岸基机械臂对接方法。首先通过双目相机D435i采集RGB图与深度图作为输入, 利用基于MobileNetV2的检测网络估计充电部件的位姿; 随后通过坐标变换计算充电部件在机械臂基座坐标系下的位姿, 驱动机械臂末端充电插头靠近充电部件, 实现初步对接; 再利用对接策略完成内部孔洞的搜索, 从而实现最终对接。在现实环境中搭建充电部件对接实验平台, 验证了该方法的有效性, 该方法能够准确识别出USV上的充电部件, 并采用基于重力补偿的比例-微分力矩控制策略控制机械臂完成充电插头与充电部件的对接, 为USV自主充电提供了新的思路。
为实现无人水面艇(USV)的自主充电, 提出了一种基于MobileNetV2的船载充电部件检测与岸基机械臂对接方法。首先通过双目相机D435i采集RGB图与深度图作为输入, 利用基于MobileNetV2的检测网络估计充电部件的位姿; 随后通过坐标变换计算充电部件在机械臂基座坐标系下的位姿, 驱动机械臂末端充电插头靠近充电部件, 实现初步对接; 再利用对接策略完成内部孔洞的搜索, 从而实现最终对接。在现实环境中搭建充电部件对接实验平台, 验证了该方法的有效性, 该方法能够准确识别出USV上的充电部件, 并采用基于重力补偿的比例-微分力矩控制策略控制机械臂完成充电插头与充电部件的对接, 为USV自主充电提供了新的思路。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0034
摘要:
无人艇(USV)集群在复杂海洋任务中展现出显著优势, 但其路径规划面临高维、动态、多约束等挑战。传统路径规划算法因协同机制薄弱与适应性不足, 难以满足日渐复杂的需求,而深度强化学习(DRL)技术的发展为USV集群路径规划提供了新的研究方向。文中系统综述了基于DRL的USV集群协同路径规划技术框架及典型算法。首先, 梳理了USV集群路径规划的技术演进脉络与多维约束条件, 分析了集中式和分布式决策框架的适用场景与局限性。其次, 探讨了多种典型DRL算法的原理、应用场景及改进方向, 分析了其优势与不足。最后, 总结了该领域面临的主要挑战和发展方向, 旨在为基于DRL的USV集群协同路径规划研究提供参考。
无人艇(USV)集群在复杂海洋任务中展现出显著优势, 但其路径规划面临高维、动态、多约束等挑战。传统路径规划算法因协同机制薄弱与适应性不足, 难以满足日渐复杂的需求,而深度强化学习(DRL)技术的发展为USV集群路径规划提供了新的研究方向。文中系统综述了基于DRL的USV集群协同路径规划技术框架及典型算法。首先, 梳理了USV集群路径规划的技术演进脉络与多维约束条件, 分析了集中式和分布式决策框架的适用场景与局限性。其次, 探讨了多种典型DRL算法的原理、应用场景及改进方向, 分析了其优势与不足。最后, 总结了该领域面临的主要挑战和发展方向, 旨在为基于DRL的USV集群协同路径规划研究提供参考。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0182
摘要:
针对水下目标检测算法图像特征处理困难、模型结构冗余、参数量庞大等问题, 提出基于轻量化门控卷积网络的实时Transformer水下目标检测方法, 该方法首先基于门控思想构建卷积门控线性单元, 动态调节特征的传递, 并以此为基础提出门控通道交互模块, 该模块通过完全解耦token mixer和channel mixer, 并针对token mixer部分引入结构重新参数化技术, 极大降低模型在推理过程中的计算成本。混合编码器针对门控骨干网络提取的3个特征分别进行尺度内信息交互和多尺度特征融合, 实现浅层高频率信息和深层语义空间信息之间的高度融合。文中模型在多个不同模态数据集上进行了大量实验, 其中mAP@0.5达到了0.849, 整体参数量为23.3, FPS检测帧率为136.8, 保持该系列模型优秀检测精度的同时, 实现了较小的模型参数量和较高的检测帧率, 整体优于其他模型。结果表明, 文中模型与一系列优秀的目标检测模型相比具有优秀的检测性能和高效的实时检测能力。
针对水下目标检测算法图像特征处理困难、模型结构冗余、参数量庞大等问题, 提出基于轻量化门控卷积网络的实时Transformer水下目标检测方法, 该方法首先基于门控思想构建卷积门控线性单元, 动态调节特征的传递, 并以此为基础提出门控通道交互模块, 该模块通过完全解耦token mixer和channel mixer, 并针对token mixer部分引入结构重新参数化技术, 极大降低模型在推理过程中的计算成本。混合编码器针对门控骨干网络提取的3个特征分别进行尺度内信息交互和多尺度特征融合, 实现浅层高频率信息和深层语义空间信息之间的高度融合。文中模型在多个不同模态数据集上进行了大量实验, 其中mAP@0.5达到了0.849, 整体参数量为23.3, FPS检测帧率为136.8, 保持该系列模型优秀检测精度的同时, 实现了较小的模型参数量和较高的检测帧率, 整体优于其他模型。结果表明, 文中模型与一系列优秀的目标检测模型相比具有优秀的检测性能和高效的实时检测能力。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0165
摘要:
声呐图像目标自主检测是水下无人系统的关键技术, 但面临着虚警率高的挑战, 限制了其在水下无人系统中执行任务的质效。文中设计了一种基于YOLO11的水下目标检测方法, 为降低其虚警率, 提出采用通过在声呐图像上自训练深度学习检测器的虚警率检测方法。该方法依据声呐图像目标检测数据集自动生成代理分类任务, 进行预训练提高深度学习检测器对目标和背景特征学习效果, 从而提升检测器对目标和背景的分辨能力以降低虚警率。实测结果表明, 在检测器置信取各自F1-score最大值处对应值时, 文中方法训练的得到的YOLO11检测器相较于传统的迁移学习方法可降低11.62%的虚警率, 且有着更高召回率。该方法实现了在不使用外部数据集的条件下提高了深度学习检测器的泛化性, 为水下小样本目标检测场景提供了一种高效的自训练方式。
声呐图像目标自主检测是水下无人系统的关键技术, 但面临着虚警率高的挑战, 限制了其在水下无人系统中执行任务的质效。文中设计了一种基于YOLO11的水下目标检测方法, 为降低其虚警率, 提出采用通过在声呐图像上自训练深度学习检测器的虚警率检测方法。该方法依据声呐图像目标检测数据集自动生成代理分类任务, 进行预训练提高深度学习检测器对目标和背景特征学习效果, 从而提升检测器对目标和背景的分辨能力以降低虚警率。实测结果表明, 在检测器置信取各自F1-score最大值处对应值时, 文中方法训练的得到的YOLO11检测器相较于传统的迁移学习方法可降低11.62%的虚警率, 且有着更高召回率。该方法实现了在不使用外部数据集的条件下提高了深度学习检测器的泛化性, 为水下小样本目标检测场景提供了一种高效的自训练方式。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0164
摘要:
船舶自动识别系统(AIS)提供着大量的实时船舶航行数据, 已成为海上交通管理、搜救行动和风险评估等诸多领域不可或缺的关键数据来源。其中船舶轨迹预测问题受到广泛关注, 然而, 实现精准的长时间轨迹预测面临两大问题: 一是AIS数据本身的完整性问题; 二是预测模型的效率问题。因此, 如何有效地处理AIS数据缺失以及如何构建轻量且高效的预测模型成为了亟待解决的关键问题。文中提出了一种基于样条插值的轻量化AIS船舶轨迹预测方法, 采用样条插值来填补缺失的AIS数据, 并引入了一种轻量化的线性层结构以降低深度学习模型的复杂度。实验结果表明, 该方法能够有效插值缺失的AIS数据, 显著减少深度学习模型的参数量和计算量, 进而提升对船舶轨迹的预测精度。
船舶自动识别系统(AIS)提供着大量的实时船舶航行数据, 已成为海上交通管理、搜救行动和风险评估等诸多领域不可或缺的关键数据来源。其中船舶轨迹预测问题受到广泛关注, 然而, 实现精准的长时间轨迹预测面临两大问题: 一是AIS数据本身的完整性问题; 二是预测模型的效率问题。因此, 如何有效地处理AIS数据缺失以及如何构建轻量且高效的预测模型成为了亟待解决的关键问题。文中提出了一种基于样条插值的轻量化AIS船舶轨迹预测方法, 采用样条插值来填补缺失的AIS数据, 并引入了一种轻量化的线性层结构以降低深度学习模型的复杂度。实验结果表明, 该方法能够有效插值缺失的AIS数据, 显著减少深度学习模型的参数量和计算量, 进而提升对船舶轨迹的预测精度。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0010
摘要:
针对水下无人系统中的信息泄露问题, 提出了一种面向联邦学习的安全通信方案。考虑水声信道复杂性和带宽限制, 引入了基于Kashin压缩的无偏梯度压缩方法, 通过正交投影和量化操作降低传输梯度维度, 减少通信成本并保持信息完整性。为应对信息泄露, 设计了基于反馈信道的保密方案, 利用归一化水声信道传递矩阵和随机序列生成密钥, 确保窃听方无法解密模型参数。通过结合多目标优化技术, 找到Pareto最优解实现模型精度和安全吞吐量的平衡。仿真结果显示, 与现有方案相比, 所提方案能够有效提升训练精度和安全吞吐量, 同时保持较低延迟。
针对水下无人系统中的信息泄露问题, 提出了一种面向联邦学习的安全通信方案。考虑水声信道复杂性和带宽限制, 引入了基于Kashin压缩的无偏梯度压缩方法, 通过正交投影和量化操作降低传输梯度维度, 减少通信成本并保持信息完整性。为应对信息泄露, 设计了基于反馈信道的保密方案, 利用归一化水声信道传递矩阵和随机序列生成密钥, 确保窃听方无法解密模型参数。通过结合多目标优化技术, 找到Pareto最优解实现模型精度和安全吞吐量的平衡。仿真结果显示, 与现有方案相比, 所提方案能够有效提升训练精度和安全吞吐量, 同时保持较低延迟。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0153
摘要:
分离头盖是深海无人系统的特种耐压结构, 需兼顾水下长期耐压与水面快速分离功能。为研究深海特种耐压结构水面-水下复杂工况综合性能, 研制了分离头盖实尺度结构模型开展水压试验和分离试验研究。首先, 针对分离头盖水下服役时面临的长周期海水压力环境试验工况需求, 基于国内现有的常规深海环境模拟试验系统, 提出了一种通过带皮囊球的舱室装置来实现大深度海水-压力耦合环境模拟的试验方法。再者, 针对分离头盖出水后的水面状态(空气中)快速分离试验工况需求, 建立了一套安全可靠的斜法兰连接结构模型快速分离试验系统。分离头盖实尺度模型试验结果表明, 论文提出的特种耐压结构水面-水下复杂工况试验方法合理可行, 不仅可用于分离头盖的水压试验和分离试验研究, 也可为其他深海装备类似耐压结构的相关设计与试验提供一定参考。
分离头盖是深海无人系统的特种耐压结构, 需兼顾水下长期耐压与水面快速分离功能。为研究深海特种耐压结构水面-水下复杂工况综合性能, 研制了分离头盖实尺度结构模型开展水压试验和分离试验研究。首先, 针对分离头盖水下服役时面临的长周期海水压力环境试验工况需求, 基于国内现有的常规深海环境模拟试验系统, 提出了一种通过带皮囊球的舱室装置来实现大深度海水-压力耦合环境模拟的试验方法。再者, 针对分离头盖出水后的水面状态(空气中)快速分离试验工况需求, 建立了一套安全可靠的斜法兰连接结构模型快速分离试验系统。分离头盖实尺度模型试验结果表明, 论文提出的特种耐压结构水面-水下复杂工况试验方法合理可行, 不仅可用于分离头盖的水压试验和分离试验研究, 也可为其他深海装备类似耐压结构的相关设计与试验提供一定参考。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0181
摘要:
在水下传感器网络中, 复杂的水声通信环境与受限的节点资源使恶意节点的攻击更具隐蔽性和威胁性, 因此研究有效的恶意节点检测方法对维护网络稳定与数据安全至关重要。文中提出了一种基于变分自动编码器的水下传感器网络信任模型, 通过评估节点行为可信度来判定是否为恶意节点。首先汇聚节点收集水下节点传输过程中的行为特征数据, 从中提取位置、数据包投递比率及延迟等指标, 构成信任数据集; 然后对数据集进行编码训练, 利用变分推理将数据映射到潜在空间, 并获得该空间的概率分布; 最后依据概率分布解码重构数据, 得到节点行为可信度, 从而完成对节点的信任评估。对比实验结果表明, 相较于Itrust等方法, 该模型在信任评估准确度方面至少提升了10.5%, 同时在运行稳定性方面具有明显的优势。
在水下传感器网络中, 复杂的水声通信环境与受限的节点资源使恶意节点的攻击更具隐蔽性和威胁性, 因此研究有效的恶意节点检测方法对维护网络稳定与数据安全至关重要。文中提出了一种基于变分自动编码器的水下传感器网络信任模型, 通过评估节点行为可信度来判定是否为恶意节点。首先汇聚节点收集水下节点传输过程中的行为特征数据, 从中提取位置、数据包投递比率及延迟等指标, 构成信任数据集; 然后对数据集进行编码训练, 利用变分推理将数据映射到潜在空间, 并获得该空间的概率分布; 最后依据概率分布解码重构数据, 得到节点行为可信度, 从而完成对节点的信任评估。对比实验结果表明, 相较于Itrust等方法, 该模型在信任评估准确度方面至少提升了10.5%, 同时在运行稳定性方面具有明显的优势。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0179
摘要:
随着无人艇在海上搜索领域的广泛应用, 传统的路径规划算法不能满足复杂的救援场景, 会导致局部最优、任务完成率低、收敛速度慢等情况。为此, 提出了一种无人艇集群协同搜救的路径规划方法。首先, 基于多智能体深度确定性策略梯度算法引入长短期记忆模块, 增强USV对路径规划中时序信息的利用能力; 其次, 设计了多层级表征经验池, 提高训练效率和数据利用率, 减少不同经验间的干扰; 最后, 采用随机网络蒸馏作为好奇心机制, 为USV探索新区域提供内在奖励, 解决奖励稀疏导致的收敛问题。仿真实验结果表明, 改进后的算法与原始算法相比, 收敛速度提升了约38.46%, 路径长度也缩短了27.02%, 以及避障能力上有显著提升。
随着无人艇在海上搜索领域的广泛应用, 传统的路径规划算法不能满足复杂的救援场景, 会导致局部最优、任务完成率低、收敛速度慢等情况。为此, 提出了一种无人艇集群协同搜救的路径规划方法。首先, 基于多智能体深度确定性策略梯度算法引入长短期记忆模块, 增强USV对路径规划中时序信息的利用能力; 其次, 设计了多层级表征经验池, 提高训练效率和数据利用率, 减少不同经验间的干扰; 最后, 采用随机网络蒸馏作为好奇心机制, 为USV探索新区域提供内在奖励, 解决奖励稀疏导致的收敛问题。仿真实验结果表明, 改进后的算法与原始算法相比, 收敛速度提升了约38.46%, 路径长度也缩短了27.02%, 以及避障能力上有显著提升。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0163
摘要:
以OFDM为代表的多载波通信是目前水声高谱效传输的主流体制, 可有效应对水声多路径传播带来的频率选择性衰落问题, 然而在快时变场景下的子载波间干扰(ICI)会严重影响传输可靠性。针对水声快变信道下的时间-频率双选择性衰落问题, 为了降低OFDM系统的接收误码率, 提出一种结合深度学习和领域知识的水声快变信道均衡方法, 不同于将传统信道估计和均衡检测结果作为深度神经网络(DNN)的预处理结果或者补充信息源, 文中使用经典频域均衡模型的结构化信息辅助DNN模型训练和推理, 以抵抗ICI的不利影响, 并适应实际部署信道环境与训练信道环境失配的场景。仿真和海上测试结果表明所提出方法能够有效降低接收机误码率, 能够实现更快的模型收敛速度, 并在未知信道条件下具有实现更强泛化性能的潜力。
以OFDM为代表的多载波通信是目前水声高谱效传输的主流体制, 可有效应对水声多路径传播带来的频率选择性衰落问题, 然而在快时变场景下的子载波间干扰(ICI)会严重影响传输可靠性。针对水声快变信道下的时间-频率双选择性衰落问题, 为了降低OFDM系统的接收误码率, 提出一种结合深度学习和领域知识的水声快变信道均衡方法, 不同于将传统信道估计和均衡检测结果作为深度神经网络(DNN)的预处理结果或者补充信息源, 文中使用经典频域均衡模型的结构化信息辅助DNN模型训练和推理, 以抵抗ICI的不利影响, 并适应实际部署信道环境与训练信道环境失配的场景。仿真和海上测试结果表明所提出方法能够有效降低接收机误码率, 能够实现更快的模型收敛速度, 并在未知信道条件下具有实现更强泛化性能的潜力。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0012
摘要:
复杂的水下环境会严重影响成像设备的稳定性和获取图像的质量, 从而给水下无人自主系统视觉多目标跟踪带来极大挑战。为了解决水下相机抖动和图像退化带来的困难, 文中提出一种适用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。首先, 针对水下目标多样及图像退化等问题, 提出基于重参数化和注意力机制改进的YOLOv8 算法(RA-YOLOv8), 通过融合结构重参数化的多尺度特征提取卷积结构(DBB-RFAConv)和注意力机制, 有效增强网络的多尺度特征提取能力和提高模型的检测精度; 然后, 针对水下相机抖动问题给目标实时跟踪带来的挑战, 提出基于Inner-PIoUv2 改进的ByteTrack算法(IP2-ByteTrack), 使用 Inner-PIoUv2 作为跟踪算法匹配过程中的相似度度量, 增强模型在水下检测和跟踪任务中的性能, 提高跟踪轨迹匹配准确性; 最后, 基于RA-YOLOv8 和IP2-ByteTrack 算法, 提出一种用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。实验结果表明, 所提算法在复杂水下环境中表现出优异的性能, 能够有效解决现有方法在水下多目标跟踪中的不足。
复杂的水下环境会严重影响成像设备的稳定性和获取图像的质量, 从而给水下无人自主系统视觉多目标跟踪带来极大挑战。为了解决水下相机抖动和图像退化带来的困难, 文中提出一种适用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。首先, 针对水下目标多样及图像退化等问题, 提出基于重参数化和注意力机制改进的YOLOv8 算法(RA-YOLOv8), 通过融合结构重参数化的多尺度特征提取卷积结构(DBB-RFAConv)和注意力机制, 有效增强网络的多尺度特征提取能力和提高模型的检测精度; 然后, 针对水下相机抖动问题给目标实时跟踪带来的挑战, 提出基于Inner-PIoUv2 改进的ByteTrack算法(IP2-ByteTrack), 使用 Inner-PIoUv2 作为跟踪算法匹配过程中的相似度度量, 增强模型在水下检测和跟踪任务中的性能, 提高跟踪轨迹匹配准确性; 最后, 基于RA-YOLOv8 和IP2-ByteTrack 算法, 提出一种用于水下无人自主系统的融合重参数化与注意力机制的水下视觉多目标跟踪算法。实验结果表明, 所提算法在复杂水下环境中表现出优异的性能, 能够有效解决现有方法在水下多目标跟踪中的不足。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0180
摘要:
海洋环境噪声是海洋中永恒存在的声场, 与海浪、风雨、海洋生物、船舶及工业等诸多因素有关, 诸多影响因素的叠加使水下噪声功率有较强的随机性, 但海面温度及潮汐高度等因素的持续作用也会使水下噪声功率具有一定的周期性特征。水下环境噪声在水声通信时会直接影响通信误包率, 提高发送功率可增大接收信噪比, 降低误包率, 但也导致通信平均能耗较高。因此, 为了降低水声通信的误包率与平均能耗, 文中提出基于支持向量回归(SVR)算法对信噪比时间序列进行分析与预测, 并提出基于信噪比预测的水声通信发送功率自适应方法。仿真结果表明, 相比于指数平滑及差分整合移动平均自回归模型(ARIMA)方法, 基于线性核函数的支持向量回归算法对信噪比预测效果最好, 在测试数据上的预测误差最小。在不同调制方式下, 水声通信发送功率自适应方法都能在提高数据包传输成功率的同时降低每千字节能耗。
海洋环境噪声是海洋中永恒存在的声场, 与海浪、风雨、海洋生物、船舶及工业等诸多因素有关, 诸多影响因素的叠加使水下噪声功率有较强的随机性, 但海面温度及潮汐高度等因素的持续作用也会使水下噪声功率具有一定的周期性特征。水下环境噪声在水声通信时会直接影响通信误包率, 提高发送功率可增大接收信噪比, 降低误包率, 但也导致通信平均能耗较高。因此, 为了降低水声通信的误包率与平均能耗, 文中提出基于支持向量回归(SVR)算法对信噪比时间序列进行分析与预测, 并提出基于信噪比预测的水声通信发送功率自适应方法。仿真结果表明, 相比于指数平滑及差分整合移动平均自回归模型(ARIMA)方法, 基于线性核函数的支持向量回归算法对信噪比预测效果最好, 在测试数据上的预测误差最小。在不同调制方式下, 水声通信发送功率自适应方法都能在提高数据包传输成功率的同时降低每千字节能耗。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2025-0004
摘要:
在多自主水下航行器(AUV)拦截水下目标时, AUV需在竞争与合作的双重挑战下根据敌友信息做出精准决策。现有研究多集中于简单环境下的单目标拦截, 缺乏对复杂环境下多目标拦截协作机制的深入探讨。针对这一问题, 文中提出一种多智能体深度强化学习框架, 帮助AUV在具有复杂障碍和时变海流的环境中学习拦截策略, 重点开发其在多对多态势下的协作机制。首先设计了一种分层机动框架, 通过3层循环增强AUV决策能力。然后基于多智能体近端策略优化算法, 构建可伸缩的状态和动作空间, 设计复合奖励函数, 提高AUV拦截效率和协同能力。最后在集中训练-分布式执行架构下, 提出种群扩展-课程式学习训练方案, 帮助AUV掌握具有泛化性的协同策略。训练结果表明, 所提框架下的拦截策略能快速收敛, 保障高成功率。仿真实验表明, 训练得到的AUV团队可在多种种群配置下使用同一套模型, 在避开障碍物的同时通过合作有效地拦截多个入侵目标。
在多自主水下航行器(AUV)拦截水下目标时, AUV需在竞争与合作的双重挑战下根据敌友信息做出精准决策。现有研究多集中于简单环境下的单目标拦截, 缺乏对复杂环境下多目标拦截协作机制的深入探讨。针对这一问题, 文中提出一种多智能体深度强化学习框架, 帮助AUV在具有复杂障碍和时变海流的环境中学习拦截策略, 重点开发其在多对多态势下的协作机制。首先设计了一种分层机动框架, 通过3层循环增强AUV决策能力。然后基于多智能体近端策略优化算法, 构建可伸缩的状态和动作空间, 设计复合奖励函数, 提高AUV拦截效率和协同能力。最后在集中训练-分布式执行架构下, 提出种群扩展-课程式学习训练方案, 帮助AUV掌握具有泛化性的协同策略。训练结果表明, 所提框架下的拦截策略能快速收敛, 保障高成功率。仿真实验表明, 训练得到的AUV团队可在多种种群配置下使用同一套模型, 在避开障碍物的同时通过合作有效地拦截多个入侵目标。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0178
摘要:
针对传统子空间类的波达方向估计算法对不同相干性的分布源定位时, 需要预先知道分布源的相干性问题, 文中提出一种基于深度神经网络的水下分布源波达方向估计算法。利用部分相干分布源信号模型中时间和角度相干分量的可分性, 通过分段均值归一化方法简化信号模型, 设计的深度神经网络学习不同相干系数下的数据, 提升了对不同相干性分布源波达方向角的估计能力。仿真结果说明该方法可在无相干性先验下有效估计不同相干系数下的分布源。文中方法在不同信噪比(SNR)、不同快拍数、不同相干系数情况下与4种传统子空间类方法及1种深度卷积神经网络分布源波达方向估计方法的均方根误差结果进行了对比。结果表明文中方法在相干分布源, 不同信噪比和快拍数下, 均方根误差结果平均要优于其他对比方法0.42°。非相干分布源在SNR大于0和快拍数大于600时均方根误差结果平均要优于其他方法0.04°。在不同相干系数下文中方法总体要优于其他对比方法。
针对传统子空间类的波达方向估计算法对不同相干性的分布源定位时, 需要预先知道分布源的相干性问题, 文中提出一种基于深度神经网络的水下分布源波达方向估计算法。利用部分相干分布源信号模型中时间和角度相干分量的可分性, 通过分段均值归一化方法简化信号模型, 设计的深度神经网络学习不同相干系数下的数据, 提升了对不同相干性分布源波达方向角的估计能力。仿真结果说明该方法可在无相干性先验下有效估计不同相干系数下的分布源。文中方法在不同信噪比(SNR)、不同快拍数、不同相干系数情况下与4种传统子空间类方法及1种深度卷积神经网络分布源波达方向估计方法的均方根误差结果进行了对比。结果表明文中方法在相干分布源, 不同信噪比和快拍数下, 均方根误差结果平均要优于其他对比方法0.42°。非相干分布源在SNR大于0和快拍数大于600时均方根误差结果平均要优于其他方法0.04°。在不同相干系数下文中方法总体要优于其他对比方法。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0149
摘要:
欠驱动自主水下航行器(AUV)具有模型高度非线性、被控变量强耦合且存在参数不确定等特点, 同时还受海洋环境中难以量测的扰动影响, 上述因素导致系统控制器的设计难度较大。另外, 现有成果大多采用AUV的简化模型或仅考虑某一维度的模型, 由于AUV被控变量强耦合, 因此所设计的控制器只适用于简化模型, 无法扩展到原始的非线性AUV系统。为解决上述问题, 文中针对欠驱动AUV系统, 设计了一种基于T-S模糊模型的自适应滑模控制器, 该控制器具有高通用性和强鲁棒性, 适用于复杂的AUV系统。首先, 采用T-S模糊建模方法对非线性、存在参数不确定的AUV系统进行线性化, 得到系统全局线性化模型。同时, 将系统内部不易获得精确值的参数项转化为系统不确定项, 得到了其重构表达, 并将其分解以提高控制器参数求解自由度。其次, 考虑系统存在内部执行器故障及外部环境干扰的情况, 设计了自适应滑模控制器, 能够对未知参数进行估计, 从而自适应更新控制律以稳定系统。通过Lyapunov稳定性理论确保了闭环系统的稳定性以及系统状态可达性。最后, 仿真实验验证了文中所设计控制器的有效性。
欠驱动自主水下航行器(AUV)具有模型高度非线性、被控变量强耦合且存在参数不确定等特点, 同时还受海洋环境中难以量测的扰动影响, 上述因素导致系统控制器的设计难度较大。另外, 现有成果大多采用AUV的简化模型或仅考虑某一维度的模型, 由于AUV被控变量强耦合, 因此所设计的控制器只适用于简化模型, 无法扩展到原始的非线性AUV系统。为解决上述问题, 文中针对欠驱动AUV系统, 设计了一种基于T-S模糊模型的自适应滑模控制器, 该控制器具有高通用性和强鲁棒性, 适用于复杂的AUV系统。首先, 采用T-S模糊建模方法对非线性、存在参数不确定的AUV系统进行线性化, 得到系统全局线性化模型。同时, 将系统内部不易获得精确值的参数项转化为系统不确定项, 得到了其重构表达, 并将其分解以提高控制器参数求解自由度。其次, 考虑系统存在内部执行器故障及外部环境干扰的情况, 设计了自适应滑模控制器, 能够对未知参数进行估计, 从而自适应更新控制律以稳定系统。通过Lyapunov稳定性理论确保了闭环系统的稳定性以及系统状态可达性。最后, 仿真实验验证了文中所设计控制器的有效性。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0144
摘要:
由于冲击响应具有短时性和复杂性, 常使用冲击响应谱(SRS)作为分析冲击响应的工具。为克服传统冲击响应谱求解方法存在的计算速度与计算精度之间的矛盾, 文中提出基于深度学习的冲击响应谱快速求解器, 并根据冲击响应谱的特点设计自适应阈值选择机制, 提升求解器计算精度。对比求解器得到的冲击响应谱与采用传统方法计算的结果, 两者显示出高度一致性, 从而验证了求解器的有效性。此外, 文中在求解过程中引入L2正则化技术, 有效避免了过拟合现象的发生, 进一步增强了求解器的鲁棒性。
由于冲击响应具有短时性和复杂性, 常使用冲击响应谱(SRS)作为分析冲击响应的工具。为克服传统冲击响应谱求解方法存在的计算速度与计算精度之间的矛盾, 文中提出基于深度学习的冲击响应谱快速求解器, 并根据冲击响应谱的特点设计自适应阈值选择机制, 提升求解器计算精度。对比求解器得到的冲击响应谱与采用传统方法计算的结果, 两者显示出高度一致性, 从而验证了求解器的有效性。此外, 文中在求解过程中引入L2正则化技术, 有效避免了过拟合现象的发生, 进一步增强了求解器的鲁棒性。
, 最新更新时间 , doi: 10.11993/j.issn.2096-3920.2024-0143
摘要:
针对舰艇多自由度设备在爆炸冲击载荷下的响应分析难题, 文中提出了一种基于深度学习的冲击响应预测模型。传统单自由度模型无法高效分析多自由度系统的复杂冲击响应, 而本模型通过深度学习技术, 特别是利用神经网络的数据特征提取和非线性建模能力, 从数值仿真数据中学习冲击谱与输入冲击载荷的关联, 实现了对舰艇结构中关键点冲击响应谱的高效、准确计算。这一方法填补了现有模型在处理多自由度设备时的不足, 满足了对复杂系统冲击响应快速准确分析的需求。实验结果表明, 该模型能准确预测多自由度设备的冲击响应谱, 与仿真数据的相对误差控制在8%以内, 有效解决了传统模型在多自由度系统分析中的局限性。
针对舰艇多自由度设备在爆炸冲击载荷下的响应分析难题, 文中提出了一种基于深度学习的冲击响应预测模型。传统单自由度模型无法高效分析多自由度系统的复杂冲击响应, 而本模型通过深度学习技术, 特别是利用神经网络的数据特征提取和非线性建模能力, 从数值仿真数据中学习冲击谱与输入冲击载荷的关联, 实现了对舰艇结构中关键点冲击响应谱的高效、准确计算。这一方法填补了现有模型在处理多自由度设备时的不足, 满足了对复杂系统冲击响应快速准确分析的需求。实验结果表明, 该模型能准确预测多自由度设备的冲击响应谱, 与仿真数据的相对误差控制在8%以内, 有效解决了传统模型在多自由度系统分析中的局限性。
