Table of Contents
وسایل نقلیه مستقل زیر آب (AUVs) نیاز به الگوریتم های برنامه ریزی راه موثر برای حرکت در محیط های پیچیده زیر آب دارند، این الگوریتم ها باید شرایط پویا، موانع و محدودیت های انرژی را برای اطمینان از عملیات ایمن و کارآمد در نظر بگیرند.
چالش های برنامه ریزی در زیر آب
محیط های زیر آب غیر قابل پیش بینی هستند و اغلب فاقد سیگنال های قابل اعتماد GPS هستند که باعث می شود محلی سازی دشوار باشد و نیاز به الگوریتم هایی برای انطباق با شرایط در حال تغییر داشته باشد.علاوه بر این موانع مانند سنگ، صخره های مرجانی و زندگی دریایی خطرات ناوبری را ایجاد می کنند.
اجزای کلیدی الگوریتم های قوی
الگوریتم های برنامه ریزی راه موثر برای AUV ها شامل چندین جزء هستند:
- [[۱] [۱۰] مدل سازی: [[۱۰] [۱۰] [۱] ایجاد نقشه های دقیق از زیر آب و موانع.
- سازگاری معنایی: راه های تنظیم در زمان واقعی بر اساس داده های سنسور.
- بهره وری انرژی: راه های بهینه سازی برای حفظ عمر باتری.
- [در این میان] [از این رو] حاشیه های امن [و] [[[۱]] [۱] [۱۰] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱۰] [۱] [۱۰] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۵] [۱] [۱] [۱] [۵] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]]] [۱]]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱]] [۱] [۱] [۱]] [۱] [
تکنیک های برنامه ریزی مسیر
چندین تکنیک برای توسعه الگوریتم های برنامه ریزی مسیر قوی استفاده می شود:
- الگوریتم: کوتاه ترین راه را در نظر گرفتن موانع پیدا می کند.
- به طور تقریبی در حال گسترش درختان تصادفی (RRT): به طور موثر فضاهای بزرگ برای مسیرهای امکان پذیر را بررسی می کند.
- روش های زمینه ای سیاسی: [FLT 1] از نیروهای مجازی برای حرکت در اطراف موانع استفاده می کند.
- کنترل پیش بینی مدل: طرح های با پیش بینی دولت های آینده.
مسیر های آینده
انتظار می رود پیشرفت در تکنولوژی سنسور و یادگیری ماشین، تقویت برنامه ریزی مسیر را بهبود بخشد. یکپارچه سازی داده های زمان واقعی و الگوریتم های سازگار باعث افزایش استقلال AUV در محیط های پیچیده می شود.