《表6 ANN及其改进算法特性分析》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《AUV路径规划算法研究现状与展望》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

人工神经网络（artificial neural networks，ANN）是一种受生物神经网络功能的运作启发而产生的算法数学模型，具有强大的自学习和自适应能力。因此，在AUV路径搜索中存在许多应用[66-67]。然而，ANN算法也存在处理时间长、计算效率低等问题。针对上述问题，2016年，Ni等[68]基于生物启发式神经网络（biologically inspired neural network，BINN）提出一种改进的AUV路径规划算法，该算法对神经网络模型的分流方程进行了改进，以解决3D水下环境中AUV的实时路径规划问题，有效避障的同时提高了算法的计算效率。此外，人工神经网络算法易与其他算法相结合。因此，其改进算法以及与其他算法的结合就成为路径搜索领域的热门话题。为了解决AUV“太靠近”障碍物和路径优化的问题，2018年，Cao等[69]提出一种势场生物启发式神经网络（potential field bio-inspired neural network，PBNN）算法，通过生物启发神经网络算法用来规划实时无碰撞路径，引入势场防止AUV“太靠近”障碍物，在点对点路径规划中引入引力势场来优化路径，从而实时规划出安全平滑的路径。考虑到突发障碍物的影响，文献[70]提出一种三维生物启发式神经网络模型进行动态规划与避障，有效地促使AUV自主避障，自适应地规划出一条无碰撞的行驶路径，实时性较好，但并未考虑实际海流的影响，导致仿真环境与实际工况存在一定偏差。因此，在实际水下路径搜索中需要考虑海流对AUV能耗的影响，2019年，Zhu等[71]提出一种改进的多AUV自组织神经网络算法（self-organizing map neural network，SOMNN），用于3D水下环境中AUV的实时避障和路径规划，选择不同方位下海流的最短路径，在保证总能耗最小的前提下进行路径规划，获得最优规划路径。ANN及其改进算法不同特性分析如表6所示。