CN107844129B - 基于路径规划和信息融合的多无人机协同搜索方法及系统 - Google Patents

Abstract

本发明提供一种基于路径规划和信息融合的多无人机协同搜索方法及系统，所述多无人机协同搜索方法包括以下步骤：实时路径规划步骤，无人机根据当前的地图信息，根据算法决定下一时刻的运动以及观察对象；搜索地图更新步骤，根据观察结果更新概率地图和确定度地图；信息融合步骤，每架无人机广播自己的地图信息并接受其他无人机的地图信息，计算实时的搜索地图信息；决策制定步骤，利用更新后的地图信息判断目标是否存在无人机当前位置，进而根据所述确定度地图辅助决策的制定。本发明能够显著改善搜索时间，减小任务执行的飞行代价，提高搜索准确性，并且还创新性地融合了实时路径规划和信息融合机制，使得搜索机制更完善、更高效且更可靠。

Description

基于路径规划和信息融合的多无人机协同搜索方法及系统

技术领域

本发明涉及一种无人机协同搜索方法，尤其涉及一种基于路径规划和信息融合的多无人机协同搜索方法，并涉及采用了该基于路径规划和信息融合的多无人机协同搜索方法的多无人机协同搜索系统。

背景技术

现有的无人机目标搜寻技术主要分为两类：搜索区域的有效覆盖和基于贝叶斯更新的概率地图机制。与搜索区域的有效覆盖相关的无人机目标搜寻工作致力于快速地搜索整个区域，降低目标区域的整体不确定性，不考虑目标的具体定位。基于贝叶斯更新和概率地图机制的无人机目标搜寻技术将目标区域建模为分离的矩形单元，并根据地图的单元划分生成相应的概率地图，概率值可以表征目标是否存在于对应单元。参与任务的每一架无人机根据传感器的观察结果和先验信息，利用贝叶斯公式更新独自的概率地图。当概率地图中任一单元的概率大于预设的概率阈值后，目标的位置就可以被确定。

变量X_c可以用于表征目标是否存在于单元c。则：

无人机根据传感器的观察信息更新概率地图，但是由于环境和无人机的实际性能影响，无人机并不能保证做出完全正确的观察。假设

表示无人机UAV_i在t时刻对单元c的观察结果，且

表示没有观察到目标，

表示观察到目标。结合无人机在单元c的观察情况和目标的真实位置，有以下四种情形：(1)目标存在于单元c且被观察到；(2)目标存在于单元c但未被观察到；(3)目标不存在于单元c但被观察到；(4)目标不存在于单元c且未被观察到。

因此，无人机的传感器模型可以表征为：检测概率

和误检概率

是无人机UAV_i在t时刻对单元c的目标存在概率的表示。根据先验概率和传感器的观察结果，无人机的概率地图信息可基于贝叶斯公式进行更新：

定义概率阈值为B_up,当任一无人机的概率地图中的任一单元满足

时，目标位置可以被确定。

以上所述现有技术主要存在以下缺陷：第一、区域覆盖为主的无人机目标搜寻技术忽略了无人机的自身限制(传感器性能和通信能力)以及环境的动态变化，很难高效地定位目标。第二、基于贝叶斯更新的概率地图机制主要存在以下三个问题：1、多数相关工作没有对无人机的移动模型进行研究，而只是简单地规定无人机按照固定的路径或随机的方式在搜索区域内运动，不会根据现有的信息进行路径规划，导致搜索效率极低；2、多无人机协同工作相比于单无人机的优势在于可以更快更准确的定位目标，但现有工作多采用集中式信息处理结构，即每架无人机将信息发送给地面基站，经处理后在由地面基站将更新信息发送给无人机。类似架构很难保证目标搜索的实时性和准确性，且大部分相关工作并没有考虑到通信的相关限制，趋于理想化；3、现有模型中，当概率地图中存在大于预设阈值的概率值时，目标就会被确定，这很可能会导致错误的决策判断。例如，假设单元c的初始概率

无人机UAV_i的传感器参数为p＝0.9,q＝0.1,概率阈值为B_up＝0.99且X_c＝0，如果无人机在单元c中连续三次观察为

根据贝叶斯公式

的概率更新，则显然存在

单元c被错误判断为目标所在位置。因此现有的任务结束条件存在着明显的缺陷，这很可能会导致目标搜索任务的失败。

发明内容

本发明所要解决的技术问题是需要提供一种能够提供实时的多无人机路径规划，充分利用无人机掌握的信息获知无人机的实时运动，进而提供高效可靠的信息融合方法，改善目标搜索准确性，做到准确率和搜索时间的双重改善的基于路径规划和信息融合的多无人机协同搜索方法，并提供采用了该基于路径规划和信息融合的多无人机协同搜索方法的多无人机协同搜索系统。

对此，本发明提供一种基于路径规划和信息融合的多无人机协同搜索方法，包括以下步骤：

实时路径规划步骤，无人机根据当前的地图信息，根据算法决定下一时刻的运动以及观察对象；

搜索地图更新步骤，根据观察结果更新概率地图和确定度地图；

信息融合步骤，每架无人机广播自己的地图信息并接受其他无人机的地图信息，计算实时的搜索地图信息；

决策制定步骤，利用更新后的地图信息判断目标是否存在无人机当前位置，进而根据所述确定度地图辅助决策的制定。

本发明的进一步改进在于，所述实时路径规划步骤中，通过贪婪搜索算法和/或K跳搜索算法决定下一时刻的运动以及观察对象。

本发明的进一步改进在于，设无人机UAV_i在t时刻位于单元c，无人机的移动模型决定了其在t+1时刻的观察对象

所述贪婪搜索算法中，无人机选择其概率地图中临近单元c^′中概率值最大的单元作为下一时刻的观察对象，其中，贪婪搜索算法的移动模型为

所述K跳搜索算法中，检测无人机所处位置临近单元c^k的地图信息，K跳搜索算法的移动模型为

其中，c_next为下一时刻的观察对象，c^*为目标存在概率最大值对应的搜索单元，

为c^*对应的目标搜索概率，

为目标存在概率。

本发明的进一步改进在于，所述搜索地图更新步骤中，单架无人机根据其移动模型选择下一时刻的观察对象并在新的单元中获取观察结果；无人机实时的根据观察结果和先验信息更新概率地图和确定度地图。

本发明的进一步改进在于，所述搜索地图更新步骤中，基于公式

和公式

无人机实时的根据观察结果和先验信息更新概率地图和确定度地图；其中，p为检测概率，q为误检概率，

为上一时刻的目标存在概率，

表示没有观察到目标，

表示观察到目标，变量ε∈[0,1]用于记录单元c被观察的次数，

为t时刻单元c的目标存在概率确信度，

为t-1时刻单元c的目标存在概率确信度。

本发明的进一步改进在于，所述搜索地图更新步骤中，通过时间戳机制记录搜索地图更新的时间线，存在任何的地图信息变动时都会被时间戳机制所捕获并保存于地图信息中。

本发明的进一步改进在于，所述信息融合步骤中，通过信息融合机制

计算实时的搜索地图信息；其中，

为无人机j关于单元c_i的目标存在概率，count表明在无人机UAV_i通信距离范围内的所有无人机，t_j表示

的时间戳，t_min是所有时间戳中最早的值。

本发明的进一步改进在于，所述决策制定步骤中，利用更新后的地图信息判断目标是否存在无人机当前位置，若目标存在，则利用单元c存在目标的平均观察次数

来决定确定度阈值；若目标不存在，则利用单元c存在目标的最少观察次数

来决定确定度阈值；其中，

为平均观察次数对应的目标存在概率，B_up为概率阈值，

为最少观察次数对应的目标存在概率。

本发明的进一步改进在于，当目标存在时，对特定的参数检测概率p、误测概率q、概率阈值B_up以及初始概率

平均观察次数t_avg可以表示为：

根据平均观察次数t_avg的计算结果，结合确定度更新规则

进而实现确定度阈值ε_up的确定；当目标不存在时，对特定的参数检测概率p、误测概率q、概率阈值B_up以及初始概率

最少观察次数t_m可以表示为：

根据最少观察次数t_m的计算结果，结合确定度更新规则

进而实现确定度阈值ε_down的确定。

本发明还提供一种基于路径规划和信息融合的多无人机协同搜索系统，采用了如上所述的基于路径规划和信息融合的多无人机协同搜索方法。

与现有技术相比，本发明的有益效果在于：通过提出的基于实时概率信息的无人机移动模型，实现了无人机任务执行过程中的实时路径规划，可显著改善搜索时间，减小任务执行的飞行代价；然后，还提出了基于时间戳的信息融合步骤，大幅度地改善了搜索时间和搜索准确性；加之，通过确定度地图来约束任务的结束条件，以极小的时间代价换取了大幅的搜索准确率提升，改善了传统模型的缺陷；最后，还创新性地融合了实时路径规划和信息融合机制，使得搜索机制更完善、更高效且更可靠。

通过实验分析和数据显示可知，本发明针对10*10的单元(搜索区域建模)，在无人机传感器参数为检测概率p＝0.9和误测概率q＝0.1的情况下，目标搜索任务的准确率可以达到97.4％，相较于传统模型，搜索时间改善了50％以上。

附图说明

图1是本发明一种实施例的工作流程示意图；

图2是本发明一种实施例的概率地图示意图。

具体实施方式

下面结合附图，对本发明的较优的实施例作进一步的详细说明。

如图1所示，本例提供一种基于路径规划和信息融合的多无人机协同搜索方法，包括以下步骤：

实时路径规划步骤，无人机根据当前的地图信息，根据算法决定下一时刻的运动以及观察对象；

搜索地图更新步骤，根据观察结果更新概率地图和确定度地图；

信息融合步骤，每架无人机广播自己的地图信息并接受其他无人机的地图信息，计算实时的搜索地图信息；

决策制定步骤，利用更新后的地图信息判断目标是否存在无人机当前位置，进而根据所述确定度地图辅助决策的制定。

路径规划算法决定了无人机执行任务的飞行路线，对搜索时间有着巨大的影响。实时的路径规划依赖于无人机的移动模型。例如，假设无人机UAV_i在t时刻位于单元c，无人机的移动模型决定了其在t+1时刻的观察对象c′∈{c_up,c_down,c_leftc_right,c}。本例中，主要提出了两种无人机移动模型；本例所述实时路径规划步骤中，通过贪婪搜索算法和/或K跳搜索算法决定下一时刻的运动以及观察对象。

设无人机UAV_i在t时刻位于单元c，无人机的移动模型决定了其在t+1时刻的观察对象c′∈{c_up,c_down,c_leftc_right,c}；本例所述贪婪搜索算法中，无人机选择其概率地图中临近单元c^′中概率值最大的单元作为下一时刻的观察对象，因为更高的概率值表明了无人机在该单元中已经多次的观察到目标

这样的单元值得无人机进行更多次的观察；贪婪搜索算法的移动模型为

所述K跳搜索算法中，检测无人机所处位置临近单元c^k的地图信息，也就是无人机UAV_i在k步单位时间可到达的区域，而不是仅仅将下一时刻的观察对象局限于所处位置的四周(c′)；K跳搜索算法的移动模型为

其中，c_next为下一时刻的观察对象，c^*为目标存在概率最大值对应的搜索单元，

为c^*对应的目标搜索概率，

为目标存在概率。

如图1所示，本例所述搜索地图更新步骤中，单架无人机根据其移动模型选择下一时刻的观察对象并在新的单元中获取观察结果；无人机实时的根据观察结果和先验信息更新概率地图和确定度地图。

相比于传统的概率地图模型，本例创新地增加了确定度地图来表征目标的位置存在可能性。对于相同的单元c，尽管无人机和所处时刻都不相同，目标存在概率

和

可能具有相同的值，但是这两种情形的可信度确不一定相同。例如任务刚开始时，初始的

相比于经过多次观察后的

显然更不可信。通常来讲，对相同的概率值而言，经过更多次观察而得到的概率值更值得信赖。基于上述原因，我们提出了确定度地图的概念。变量ε∈[0,1]可以用于记录单元c被观察的次数。该变量的初始值为0，并且经过多次观察后，参数值将变为1，即

也就是说，本例所述搜索地图更新步骤中，基于公式

和公式

无人机实时的根据观察结果和先验信息更新概率地图和确定度地图；其中，p为检测概率，q为误检概率，

为上一时刻的目标存在概率，

表示没有观察到目标，

表示观察到目标，变量ε∈[0,1]用于记录单元c被观察的次数，

为t时刻单元c的目标存在概率确信度，

为t-1时刻单元c的目标存在概率确信度。

为了记录搜索地图更新的时间线，本例提出了时间戳机制，该时间戳机制可以保证在同一时刻，单元c只会被最多一架无人机观察；所述搜索地图更新步骤中，通过时间戳机制记录搜索地图更新的时间线，存在任何的地图信息变动时都会被时间戳机制所捕获并保存于地图信息中。

本例所述信息融合步骤中，通过信息融合机制

计算实时的搜索地图信息；其中，

无人机j关于单元c_i的目标存在概率，count表明在无人机UAV_i通信距离范围内的所有无人机，t_j表示

的时间戳，t_min是所有时间戳中最早的值。

无人机协同工作的效率会显著影响目标搜寻的时间代价和准确性，原因在于：1、目标搜寻任务开展过程中，无人机的飞行路线会出现大量的路径重叠，显然会带来很高的时间代价；2、无人机传感器的性能难以保证目标搜索的准确性，随着参与任务的无人机数量增加，任务失败的概率也会上升。为了克服上述问题，需要一个机制去整合所有无人机的地图信息并更新概率地图和确定度地图，更新后的地图信息可以更好地代表目标是否存在于具体的区域。

每架无人机利用飞行自组织网络将其维护的地图信息广播给在其通信范围内的无人机并接收其他无人机的广播。利用接收到的信息和其本身的搜索地图，无人机UAV_i将重新计算目标存在概率

。由于无人机当前位置不同，观察结果出错，通信距离限制等原因，无人机间可能拥有不同的搜索地图信息。因此通过信息融合改善目标搜索的有效性需要解决两个问题：1、无人机数据传输能力的影响；2、搜索地图是如何更新的。

本例假设无人机的数据传输距离被限制为r(欧氏距离)，也就是说，无人机只有在相聚不超过r时才能进行数据的交换。图2所示的是搜索区域的模型以及无人机(UAV₁,UAV₄)的概率地图。其中，4架无人机参与了目标搜寻任务，无人机间的距离用l_i,j(i,j＝1,2,3,4)表示，

代表无人机UAV_i的概率地图中单元c_i的目标存在概率。由图2可知，无人机UAV₁可以与无人机UAV₂和无人机UAV₃交换地图信息，因为它们间的相互距离满足l_i,j<r(i,j＝1,2,3)，因此无人机UAV₁的搜索地图将会综合其他无人机的地图信息而被重写。相应的，由于无法与其他无人机通信，无人机UAV₄的概率地图只包含了其自身携带的信息。

信息融合技术的关键点在于如何整理多个无人机的地图信息，这会直接决定无人机目标搜索任务的性能。本例提出的是一种创新的信息融合机制，可以有效的根据地图信息的时间戳来高效整合信息。

本例基于时间戳(Time-Stamp Weighted,TSW)的信息融合机制：每架无人机根据在t时刻对所处单元c_i的观察结果和其地图先验信息，利用公式

和公式

进行地图信息的更新，并广播其地图信息。接收到该广播的无人机将更新其搜索地图中关于单元c_i的地图信息。对指定单元c，具有更新时间戳的地图信息通常被认为更值得信赖，基于这种思想，TSW信息融合机制可以表示为：

其中，count表明在无人机UAV_i通信距离范围内的所有无人机，t_j表示

的时间戳，t_min是所有时间戳中最早的值。注意到TSW信息融合机制将时间戳作为权重系数去计算新的地图信息，而不只是简单地将所有的信息平均化或直接替换。

本例所述决策制定步骤中，利用更新后的地图信息判断目标是否存在无人机当前位置，若目标存在，则利用单元c存在目标的平均观察次数

来决定确定度阈值；若目标不存在，则利用单元c存在目标的最少观察次数

来决定确定度阈值；其中，

为平均观察次数对应的目标存在概率，B_up为概率阈值，

为最少观察次数对应的目标存在概率。

更为具体的，之前的大部分无人机目标搜索的相关研究中，任务的结束条件时只要任意无人机UAV_i在其概率地图的任意单元c发现其概率值满足

但是由于环境的动态变化以及无人机自身性能的影响，无人机目标搜索任务很可能以失败告终。本例利用确定度地图去约束任务的终止条件以达到改善目标搜索任务的搜索时间和搜索准确性。

目标存在的条件：在传统模型上，我们额外定义了确定度阈值ε_up去决定目标的存在。相比于简单地利用概率阈值B_up去确定目标的存在与否，本例中，单元c存在目标的条件是任一无人机在任一时刻，其地图信息满足

和

因此，即使无人机UAV_i在单元c满足

无人机可能仍需要对单元c进行多次观察以获得更高的确定度值，与此同时，单元c的目标存在概率值也将不断地根据观察结果而更新。假设目标不存在于单元c，那么上述的观察结果很可能满足

也就是

很可能会降低，从而无法满足目标存在的条件。通过极小的时间代价，搜索任务失败的概率将大幅度降低。

本例利用单元c存在目标的平均观察次数

来决定确定度阈值。根据公式

的演变，对特定的参数检测概率p、误测概率q、概率阈值B_up以及初始概率

平均观察次数t_avg可以表示为：

根据公式

的计算结果，结合确定度更新规则

根据公式

可以计算出平均观察次数t_avg，这个平均观察次数t_avg代表了需要观察到的次数，而公式

提供了确定度的迭代更新方式，单元c被观察和没被观察有对应的更新原则(分别对应公式额上下两部分)，很明显，公式

的上半部分经过t_avg次迭代之后可以得到确定度阈值ε_up，因此，确定度阈值ε_up也可以相应地被确定。

目标不存在的条件：传统模型中，目标不存在单元c的判定条件为

为了改善搜索时间，在此基础上，本例定义另一个确定度阈值ε_down去加速搜索进程。假设目标存在于单元c，经过多次观察后，其目标存在概率应该大于0.5。因此，如果单元c满足

和

该单元将被认定为不包含目标，也就不再会被无人机花费时间代价去观察。

本发明利用单元c存在目标的最少观察次数

来决定确定度阈值。根据公式

演变，对特定的参数p，q，B_up以及

t_m可以表示为：

根据公式

的计算结果，结合确定度更新规则

根据公式

可以计算出最少观察次数t_m，这个最少观察次数t_m代表了需要观察到的最少次数，而公式

提供了确定度的迭代更新方式，单元c被观察和没被观察有对应的更新原则(分别对应公式额上下两部分)，很明显，公式

的上半部分经过t_m次迭代之后可以得到确定度阈值ε_down，因此，确定度阈值ε_down也可以相应地被确定。

本例还提供一种基于路径规划和信息融合的多无人机协同搜索系统，采用了如上所述的基于路径规划和信息融合的多无人机协同搜索方法。

也就是说，本例采用无人机实时的地图信息去知道无人机的路径规划，具有的可适应性强和效率高等特点；利用地图信息更新的时间线来整合所有无人机的地图信息，相比于其他算法，更加高效和可靠，具有很强的现实性；且针对传统模型的缺陷，创新地提出用确定度信息去约束搜索任务的结束条件，代价小，效率高。

综上可知，本例通过提出的基于实时概率信息的无人机移动模型，实现了无人机任务执行过程中的实时路径规划，可显著改善搜索时间，减小任务执行的飞行代价；然后，还提出了基于时间戳的信息融合步骤，大幅度地改善了搜索时间和搜索准确性；加之，通过确定度地图来约束任务的结束条件，以极小的时间代价换取了大幅的搜索准确率提升，改善了传统模型的缺陷；最后，还创新性地融合了实时路径规划和信息融合机制，使得搜索机制更完善、更高效且更可靠。

通过实验分析和数据显示可知，本发明针对10*10的单元(搜索区域建模)，在无人机传感器参数为检测概率p＝0.9和误测概率q＝0.1的情况下，目标搜索任务的准确率可以达到97.4％，相较于传统模型，搜索时间改善了50％以上。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (5)

1.一种基于路径规划和信息融合的多无人机协同搜索方法，其特征在于，包括以下步骤：

实时路径规划步骤，无人机根据当前的地图信息，根据算法决定下一时刻的运动以及观察对象；

搜索地图更新步骤，根据观察结果更新概率地图和确定度地图；

信息融合步骤，每架无人机广播自己的地图信息并接受其他无人机的地图信息，计算实时的搜索地图信息；

决策制定步骤，利用更新后的地图信息判断目标是否存在无人机当前位置，进而根据所述确定度地图辅助决策的制定；

所述搜索地图更新步骤中，通过时间戳机制记录搜索地图更新的时间线，存在任何的地图信息变动时都会被时间戳机制所捕获并保存于地图信息中；

基于时间戳(Time-Stamp Weighted,TSW)的信息融合机制中，每架无人机根据在t时刻对所处单元c的观察结果和其地图先验信息，利用公式

和

进行地图信息的更新，并广播其地图信息；在接收到该广播的无人机将更新其搜索地图中关于单元c的地图信息；所述信息融合步骤中，通过信息融合机制

计算实时的搜索地图信息，其中，

为无人机j关于单元c_i的目标存在概率，

为信息融合后的目标存在概率，count表明在无人机UAV_L通信距离范围内的所有无人机，t_j表示

的时间戳，t_min是所有时间戳中最早的值；

所述搜索地图更新步骤中，基于公式

和公式

无人机实时的根据观察结果和先验信息更新概率地图和确定度地图；其中，p为检测概率，q为误检概率，

为目标存在概率，

为上一时刻的目标存在概率，

表示没有观察到目标，

表示观察到目标，变量ε∈[0,1]用于记录单元c被观察的次数，

为t时刻单元c的目标存在概率确信度，

为t-1时刻单元c的目标存在概率确信度；

所述决策制定步骤中，利用更新后的地图信息判断目标是否存在无人机当前位置，若目标存在，则利用单元c存在目标的平均观察次数

来决定确定度阈值；若目标不存在，则利用单元c存在目标的最少观察次数

来决定确定度阈值；其中，

为平均观察次数对应的目标存在概率，B_up为概率阈值，

为最少观察次数对应的目标存在概率；

当目标存在时，对特定的参数检测概率p、误检概率q、概率阈值B_up以及初始概率

平均观察次数t_avg可以表示为：

根据平均观察次数t_avg的计算结果，结合确定度更新规则

进而实现确定度阈值ε_up的确定；当目标不存在时，对特定的参数检测概率p、误测概率q、概率阈值B_up以及初始概率

最少观察次数t_m可以表示为：

根据最少观察次数t_m的计算结果，结合确定度更新规则

进而实现确定度阈值ε_down的确定；单元c存在目标的条件是任一无人机在任一时刻，其地图信息满足

和

2.根据权利要求1所述的基于路径规划和信息融合的多无人机协同搜索方法，其特征在于，所述实时路径规划步骤中，通过贪婪搜索算法和/或K跳搜索算法决定下一时刻的运动以及观察对象。

3.根据权利要求2所述的基于路径规划和信息融合的多无人机协同搜索方法，其特征在于，设无人机UAV_L在t时刻位于单元c，无人机的移动模型决定了其在t+1时刻的观察对象c′∈{c_up,c_down,c_left,c_right,c}；所述贪婪搜索算法中，无人机选择其概率地图中临近单元c′中概率值最大的单元作为下一时刻的观察对象，其中，贪婪搜索算法的移动模型为

所述K跳搜索算法中，检测无人机所处位置临近单元c^k的地图信息，K跳搜索算法的移动模型为

其中，c_next为下一时刻的观察对象，c^*为目标存在概率最大值对应的搜索单元，

为c^*对应的目标搜索概率，

为目标存在概率。

4.根据权利要求3所述的基于路径规划和信息融合的多无人机协同搜索方法，其特征在于，所述搜索地图更新步骤中，单架无人机根据其移动模型选择下一时刻的观察对象并在新的单元中获取观察结果；无人机实时的根据观察结果和先验信息更新概率地图和确定度地图。

5.一种基于路径规划和信息融合的多无人机协同搜索系统，其特征在于，采用了如权利要求1至4任意一项所述的基于路径规划和信息融合的多无人机协同搜索方法。

Images