CN108196579B - 基于几何分布的无人机分级编队方法 - Google Patents

基于几何分布的无人机分级编队方法 Download PDF

Info

Publication number
CN108196579B
CN108196579B CN201810068871.5A CN201810068871A CN108196579B CN 108196579 B CN108196579 B CN 108196579B CN 201810068871 A CN201810068871 A CN 201810068871A CN 108196579 B CN108196579 B CN 108196579B
Authority
CN
China
Prior art keywords
sub
cluster
leader
unmanned aerial
aerial vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810068871.5A
Other languages
English (en)
Other versions
CN108196579A (zh
Inventor
李龙江
蒋毓晨
毛玉明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201810068871.5A priority Critical patent/CN108196579B/zh
Publication of CN108196579A publication Critical patent/CN108196579A/zh
Application granted granted Critical
Publication of CN108196579B publication Critical patent/CN108196579B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开一种基于几何分布的无人机分级编队方法,应用于无人机领域,通过子集群内采用能量最优的编队控制;子集群间采用密度的几何编队控制,实现无人机集群编队飞行过程中队形保持的目的;并且本发明的方法提高了集群编队控制的精度与灵活性,避免飞行路径冲突、发生碰撞事故。

Description

基于几何分布的无人机分级编队方法
技术领域
本发明属于无人机领域,特别涉及一种无人机编队控制技术。
背景技术
无人驾驶飞机,简称为无人机,与传统的有人驾驶飞机不同,无人机具有体积小、灵活性高、无人员伤亡等优势。近年来无人机在军用和民用领域得到了广泛的应用,吸引了越来越多的研究人员和机构。但是单个无人机的性能有限,其任务执行能力也会受到相应程度的影响。如在军事领域,单架无人机在作战半径、杀伤能力等方面受限,会降低作战任务的成功率。此外,如果单架无人机在执行任务途中发生故障,需要立刻中断任务返航,则可能对整个任务的执行造成严重影响。
无人机集群编队飞行作为近年来研究的一个前沿领域,可充分利用无人机性能,执行更为复杂的任务。无人机集群编队飞行是指将多架具有自主功能的无人机按照一定的结构进行三维空间排列,使其在飞行过程中保持稳定的队形,并能根据外部情况和任务需求进行动态调整,以体现整个机群的协同一致性。
无人机集群编队执行任务的能力由无人机集群的密度和规模所决定,随着集群规模和密度的增长,如何提高集群编队控制的精度,避免飞行路径冲突、发生碰撞事故,成为无人机集群编队控制研究的关键问题。
发明内容
为解决上述技术问题,本发明提出一种基于几何分布的无人机分级编队方法,通过子集群内采用能量最优的编队控制结合子集群间采用基于预测的体密度几何编队控制,达到无人机集群编队飞行过程中队形保持的目的。
为达到上述目的,本发明采用以下技术方案实现。
本发明的技术方案为:基于几何分布的无人机分级编队方法,包括三个模块:
1、建立无人机集群分层分级编队组网架构
将无人机集群分为若干个子集群,每个子集群由一架引领机(可有备份引领机)和多架成员机组成。无人机分层分级组网架构由两个层级组成,分别是引领机组成的引领层和由各子集群的成员机组成的子群层。在引领层,各引领机通过远距离低速链路构成网状拓扑。在子群层,各子集群的引领机通过近距离高速链路和本子集群的成员机构成星型拓扑。
子集群内部各成员机通过近距离高速链路和引领机进行通信,成员机通过基于能量最优的编队控制方法来调整自身飞行航向、速度等参数。子集群之间的通信由处于引领层的各引领机通过远距离低速链路进行通信来完成,引领机间通过基于密度的几何编队控制方法来调整自身飞行的加速度,间接完成了对引领机所属子集群的整体航向、速度参数的调整。
2、能量最优的编队控制算法
A1、建立子集群中成员机的受力模型;
A2、根据步骤A1的受力模型建立子集群中成员机的动力学模型;
A3、根据步骤A2建立的动力学模型,将编队控制问题转化为系统的总能量问题;按照最优的编队位置对应着系统总能量最低的状态进行子集群内部编队控制。
3、密度的几何编队控制算法
B1、预测子集群在Δt时间后所处的空间坐标;
其中,Δt表示邻居引领机发出其空间坐标到当前引领机接收到该坐标信息存在的时延;
B2、基于Voronoi图估算子集群所占空域的三维体积;
B3、根据步骤B2得到的子集群所占空域三维体积估算子集群的无人机体密度;
B4、建立引领机二阶运动学模型;
B5、计算当前引领机的加速度;步骤B5具体为:
B51、初始化,包括引领机空间坐标集合、局部子集群无人机体密度集合、集群无人机期望体密度以及子集群期望半径;
B52、若当前引领机所属子集群的体密度等于集群无人机期望体密度,则结束;否则执行步骤B53;
B53、遍历当前引领机的邻居引领机空间坐标集合,若当前引领机与邻居引领机的距离不等于2倍子集群期望半径,则根据当前引领机与邻居引领机的距离、子集群期望半径的梯度以及最大通信半径,计算该次遍历的邻居引领机对当前引领机影响的加速度分量;否则此次遍历的加速度分量为0;
对每次遍历得到的加速度分量求和,得到当前引领机的总加速度矢量。
B6、根据步骤B5得到的当前引领机的加速度,结合B4建立的引领机二阶运动学模型;对当前引领机飞行状态进行调整。
综上,本发明的基于几何分布的无人机分级编队方法流程为:
S1、将无人机集群横向划分为若干子集群,纵向划分为引领层和子群层;所述引领层由横向划分得到的若干子集群的引领机组成;所述子群层由横向划分得到的若干子集群的成员及组成;
所述引领层中各引领机通过远距离低速链路构成网状拓扑通信;所述子群层中各子集群的引领机通过近距离高速链路和本子集群的成员机构成星型拓扑通信。
S2、在子集群内部采用能量最优的编队控制;
S3、在子集群之间采用密度的几何编队控制。
本发明的有益效果:本发明的基于几何分布的无人机分级编队方法,具有以下有益效果:
1、提高了控制的灵活性,允许由一个或多功能控制者协同控制;
2、分层分级的编队组网架构可以有效降低通信负载与通信时延;
3、子集群内部基于能量最优的编队控制可以有效避免无人机碰撞;
4、子集群间基于密度的几何编队控制可以有效提升大规模无人机集群下编队的精准度和鲁棒性。
附图说明
图1为本发明的无人机分层分级编队组网架构图;
图2为Delaunay三角剖分及Voronoi图生成过程图;
图3为基于能量最优的子集群内无人机编队控制算法流程图;
图4为基于密度的子集群间无人机编队控制算法流程图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描述,显然,所描述实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本发明针对现有的无人机随着集群规模和密度的增长,集群编队控制的精度哪一控制的问题,提出了一种基于几何分布的无人机分级编队方法,由三个模块组成;分别是建立集群编队组网架构方法、子集群内编队控制方法和子集群间编队控制方法。因为三维空间中的实施方法将很容易由二维空间中的实施方法导出,为了更简洁明了地叙述本发明地实施方案,通过将三维空间中地无人机集群映射到二维空间中,在二维空间中对本发明地具体实施方案做更进一步的说明。具体如下:
(1)建立无人机集群分层分级编队组网架构
本发明是一种基于几何分布的无人机分级编队方法,因此必须首先建立无人机编队的分层分级组网架构,具体的组网架构如图1所示。
本发明将无人机集群分为若干个子集群,每个子集群由一架引领机(可有备份引领机)和多架成员机组成。无人机分层分级组网架构由两个层级组成,分别是引领机组成的引领层和由各子集群的成员机组成的子群层。在引领层,各引领机通过远距离低速链路构成网状拓扑。在子群层,各子集群的引领机通过近距离高速链路和本子集群的成员机构成星型拓扑。本发明中划分集群采用均分的方式,在实际应用中也可以根据具体需要对集群进行划分。
子集群内部各成员机通过近距离高速链路和引领机进行通信,成员机通过基于能量最优的编队控制方法来调整自身飞行航向、速度等参数。子集群之间的通信由处于引领层的各引领机通过远距离低速链路进行通信来完成,引领机间通过基于密度的几何编队控制方法来调整自身飞行的加速度,间接完成了对引领机所属子集群的整体航向、速度参数的调整。
(2)子集群内基于能量最优的编队控制方法,具体流程图如图3所示。
A1:建立子集群中成员机的受力模型
Figure GDA0002187545220000041
公式(1)表示成员机i受引领机∝的吸引势,用来将子集群内的成员机聚集起来,C是常数,xi∝是成员机i到引领机∝的距离,l是引领机∝吸引力的作用范围。
Figure GDA0002187545220000042
公式(2)表示成员机i受子集群内其它无人机β的排斥势,用来避免无人机间的碰撞,Cr是常数,
Figure GDA0002187545220000043
是成员机i与β的距离,lr是排斥力的作用范围。
Figure GDA0002187545220000044
公式(3)表示成员机i方向上受引领机∝的影响,用来保持和引领机间飞行状态的一致性,C0是常数,
Figure GDA0002187545220000051
是成员机i与∝的距离,lo是方向上该影响的作用范围,其中(·)代表单位矢量。
排斥力和吸引力的作用约束范围关系为lo<l,即
Figure GDA0002187545220000052
的作用范围较大,
Figure GDA0002187545220000053
的作用范围较小,排斥力作用范围在邻居之间,吸引力和方向上的作用范围在整个子集群范围内。
A2:建立子集群中成员机的动力学模型
Figure GDA0002187545220000054
Figure GDA0002187545220000055
公式(4)中,xi是成员机i的位置矢量,其微分
Figure GDA0002187545220000056
是成员机i的速度矢量vi
公式(5)表示成员机i的飞行运动学方程,其中是成员机i的速度矢量随时间的微分,其中子集群内的成员机会受到引领机的吸引势
Figure GDA0002187545220000059
的影响、本集群内其它无人机的排斥势
Figure GDA00021875452200000510
的影响以及相邻无人机在飞行方向上的影响Λi
A3:子集群内部基于能量最优的编队控制方法
通过步骤A2建立子集群内成员机动力学模型后,编队的控制问题即可以转化为系统的总能量问题。最优的编队位置对应着系统总能量最低的状态。
E=(T+U) (6)
公式(6)为子系统总能量,子集群系统的总能量E由每个成员机的动能和
Figure GDA00021875452200000511
以及每对无人机间的势能和
Figure GDA00021875452200000512
(由排斥势能和吸引势能组成)。
通过d/dt(T+U)=-∑ivi·Λi可知当∑ivi·Λi=0时无人机子集群的能量将会降低到一个最低的状态。即v·xi∝=0时,子系统总能量最小。因此在子集群内部,当每一架成员机i与以l0为半径的范围内的无人机β满足v·xi∝=0时(即d<l0),子集群内的无人机会处于具有一个固定距离和速度的相对稳定状态。
因此,根据公式(5)可得成员机的加速度
Figure GDA00021875452200000513
通过向成员机的自动驾驶仪输入ai,来控制成员机的运动速度和航向,以调节子集群内无人机位置状态,使其最终处于一个具有固定距离和速度的相对稳定状态。
(3)子集群间基于密度的几何编队控制方法
B1:预测子集群在Δt时间后所处的空间坐标
假设子集群内无人机均匀分布,并且子集群的空间坐标可以由引领机的空间坐标代表,引领机j可通过机载GPS设备确定其二维空间坐标(x′j,y′j),引领机j与通信范围D内引领机通过远距离低速链路交换空间坐标后,即可获得局部通信范围内所有引领机的空间坐标(x′m,y′m),m∈djm<D,其中djm为引领机j与m间的距离,m∈djm<D表示引领机m是属于通信范围djm内的引领机。
由于通信延迟等因素的影响,邻居引领机m发出其空间坐标到当前引领机j接收到该坐标信息会存在Δt的时延,导致当前引领机j所收到的邻居引领机m的空间坐标存在一定偏差,因此需要借助邻居引领机的瞬时速度v′来预测Δt时延后邻居引领机的位置坐标。
借助公式(7)可以预测得到Δt时延后当前引领机j的位置坐标(xj,yj)以及邻居无人机的空间坐标(xm,ym)。
B2:基于Voronoi图估算子集群所占空域面积
由B1预测得到了Δt后的引领机空间坐标,那么子集群所占的空域面积可以通过下述方法得到。
基于局部引领机的空间坐标进行Delaunay三角剖分,引领机的空间坐标如图2(a)所示,Delaunay三角剖分如图2(b)所示。Delaunay三角形的外心正是Voronoi图的顶点,由此得到如图2(c)所示的Voronoi图。若引领机j与引领机m所属的Voronoi小元胞具有公共边,则称引领机j与引领机m互为邻居。
Figure GDA0002187545220000062
无论引领机j所属子集群所形成图2(c)中的Voronoi小元胞是否封闭,其所属子集群所占的空域面积均可通过公式(8)估算出,其中
Figure GDA0002187545220000063
是引领机j到Voronoi小元胞每条边的距离rk的加权平均值,wk是距离rk的权重值,如图2(d)中的r1与r2
B3:估算子集群的无人机密度
引领机j所属子集群的无人机密度可以由公式(9)估算。
ρj=Nj/Sj (9)
其中,Nj是引领机j所属子集群的无人机总数量,由引领机通过和子集群内成员机通信交互得到。Sj是引领机j所属子集群所占空域的面积,由步骤1基于Voronoi图的方法估算。
B4:建立引领机的二阶运动学模型
在本模型中,忽略引领机的物理尺寸,假设引领机为质点模型,并由基于二阶运动学的自动驾驶仪控制。自动驾驶仪通过接收加速度作为输入参数,自动调整飞行状态。
Figure GDA0002187545220000072
公式(10)是简化的引领机二阶运动学模型。(xj,yj)是引领机j在平面坐标系中的位置坐标,vj是引领机j的速度,aj是引领机j的加速度,是引领机j航向角(即当前运动方向和正北的夹角)。公式(11)是引领机的运动学约束条件。引领机j的速度vj和加速度aj均有上下界约束。
B5:基于密度控制的引领机加速度方程
引领机j的加速度大小由当前引领机与邻居引领机的距离和子集群期望半径的梯度决定,若
Figure GDA0002187545220000074
则加速度的方向由其邻居引领机m指向引领机j,否则若
Figure GDA0002187545220000075
则加速度的方向由引领机j指向其邻居引领机m。
邻居引领机m对引领机j影响的加速度分量
Figure GDA0002187545220000082
如公式(12)所示,其中
Figure GDA0002187545220000083
是子集群的期望半径由预设的集群无人机期望密度
Figure GDA0002187545220000084
通过公式(8-9)得到,djm是引领机j和m之间的距离,kj、lj为常量,
Figure GDA0002187545220000085
是位移的单位矢量,用来表示加速度的方向。
本发明中,当前引领机通过利用空间坐标、速度、子集群密度等信息,自主进行编队控制决策,本发明方法输出加速度至自动驾驶仪完成飞行控制过程。
本发明设定当前引领机j的空间坐标为(xj,yj),速度为vj,航向角为输出的加速度为aj。所属当前引领机j所属子集群密度为ρj,邻居子集群引领机空间坐标集合为C(x,y),集群期望密度
Figure GDA0002187545220000087
子集群的期望半径是
Figure GDA0002187545220000088
加速度的计算流程图见图4,具体步骤如下:
B51:初始化算法环境,包括输入引领机j的坐标(xj,yj),所属子集群无人机密度ρj,邻居引领机坐标集合C(x,y),子集群的期望半径是
Figure GDA0002187545220000089
集群期望密度
Figure GDA00021875452200000810
以及初始化输出参数引领机j的加速度aj=0。
B52:若则结束算法,否则转至B53;
B53:遍历集合C,对(xm,ym)∈C依次执行以下操作后转至步骤B54
B531、计算djm,若
Figure GDA00021875452200000812
则转至B532,否则返回B53继续遍历
B532、计算加速度分量
Figure GDA00021875452200000813
B54:计算总加速度
Figure GDA00021875452200000814
B55、若aj≠0,则输出参数aj并转至步骤B52;
否则执行以下操作:
B551、添加扰动因子后的加速度
Figure GDA0002187545220000091
B552、输出参数aj并转至步骤B52。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。

Claims (5)

1.基于几何分布的无人机分级编队方法,其特征在于,包括:
S1、将无人机集群横向划分为若干子集群,纵向划分为引领层和子群层;所述引领层由横向划分得到的若干子集群的引领机组成;所述子群层由横向划分得到的若干子集群的成员机组成;
S2、在子集群内部采用能量最优的编队控制;
S3、在子集群之间采用密度的几何编队控制。
2.根据权利要求1所述的基于几何分布的无人机分级编队方法,其特征在于,所述引领层中各引领机通过远距离低速链路构成网状拓扑通信;所述子群层中各子集群的引领机通过近距离高速链路和本子集群的成员机构成星型拓扑通信。
3.根据权利要求1所述的基于几何分布的无人机分级编队方法,其特征在于,所述在子集群内部采用能量最优的编队控制,具体包括以下步骤:
A1、建立子集群中成员机的受力模型;
A2、根据步骤A1的受力模型建立子集群中成员机的动力学模型;
A3、根据步骤A2建立的动力学模型,将编队控制问题转化为系统的总能量问题;按照最优的编队位置对应着系统总能量最低的状态进行子集群内部编队控制。
4.根据权利要求1所述的基于几何分布的无人机分级编队方法,其特征在于,所述在子集群之间采用基于预测的体密度的几何编队控制,具体包括以下步骤:
B1、预测子集群在Δt时间后所处的空间坐标;
其中,Δt表示邻居引领机发出其空间坐标到当前引领机接收到该坐标信息存在的时延;
B2、基于Voronoi图估算子集群所占空域的三维体积;
B3、根据步骤B2得到的子集群所占空域三维体积估算子集群的无人机体密度;
B4、建立引领机二阶运动学模型;
B5、计算当前引领机的加速度;
B6、根据步骤B5得到的当前引领机的加速度,结合B4建立的引领机二阶运动学模型;对当前引领机飞行状态进行调整。
5.根据权利要求4所述的基于几何分布的无人机分级编队方法,其特征在于,步骤B5具体为:
B51、初始化,包括引领机空间坐标集合、局部子集群无人机体密度集合、集群无人机期望体密度以及子集群期望半径;
B52、若当前引领机所属子集群的体密度等于集群无人机期望体密度,则结束;否则执行步骤B53;
B53、遍历当前引领机的邻居引领机空间坐标集合,若当前引领机与邻居引领机的距离不等于2倍子集群期望半径,则根据当前引领机与邻居引领机的距离、子集群期望半径的梯度以及最大通信半径,计算该次遍历的邻居引领机对当前引领机影响的加速度分量;否则此次遍历的加速度分量为0;
对每次遍历得到的加速度分量求和,得到当前引领机的总加速度矢量。
CN201810068871.5A 2018-01-24 2018-01-24 基于几何分布的无人机分级编队方法 Expired - Fee Related CN108196579B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810068871.5A CN108196579B (zh) 2018-01-24 2018-01-24 基于几何分布的无人机分级编队方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810068871.5A CN108196579B (zh) 2018-01-24 2018-01-24 基于几何分布的无人机分级编队方法

Publications (2)

Publication Number Publication Date
CN108196579A CN108196579A (zh) 2018-06-22
CN108196579B true CN108196579B (zh) 2020-01-31

Family

ID=62590960

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810068871.5A Expired - Fee Related CN108196579B (zh) 2018-01-24 2018-01-24 基于几何分布的无人机分级编队方法

Country Status (1)

Country Link
CN (1) CN108196579B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563240B (zh) * 2018-07-26 2020-09-29 电子科技大学 一种大规模微型无人机的编队及控制方法
CN108983818B (zh) * 2018-08-10 2021-05-11 电子科技大学 基于虚拟结构的无人机队形变换方法
CN109104237A (zh) * 2018-09-07 2018-12-28 佛山皖和新能源科技有限公司 一种无人机集群飞行控制节点设定及管理方法
WO2021065285A1 (ja) * 2019-09-30 2021-04-08 日本電気株式会社 搬送制御方法、搬送装置、及び搬送制御システム
CN110926479B (zh) * 2019-12-20 2023-04-28 杜明利 自动生成室内三维导航地图模型的方法和系统
CN111258332B (zh) * 2020-05-07 2020-08-07 北京航空航天大学 一种无人机群编队方法
CN112965525B (zh) * 2021-02-10 2022-11-22 成都两江前沿科技有限公司 约束条件下的大规模固定翼无人机集群编队方法
CN113268076B (zh) * 2021-03-06 2022-10-04 南京航空航天大学 一种多无人机集群编队协同控制算法
CN113359838B (zh) * 2021-06-25 2022-10-18 中国人民解放军火箭军工程大学 一种多uav协同飞行控制系统及方法
CN115542943A (zh) * 2022-10-21 2022-12-30 北京计算机技术及应用研究所 一种基于自抗扰控制器的无人机编队队形保持控制方法
CN116974297B (zh) * 2023-06-27 2024-01-26 北京五木恒润科技有限公司 基于多目标优化的冲突消解方法、装置、介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286071A (zh) * 2008-04-24 2008-10-15 北京航空航天大学 基于微粒群优化和遗传算法的多无人机三维编队重构方法
CN103777640A (zh) * 2014-01-15 2014-05-07 北京航空航天大学 一种分布式控制无人机群集中分簇编队方法
CN106843269A (zh) * 2017-01-22 2017-06-13 北京航空航天大学 一种基于小型鸟类集群飞行机制的无人机编队方法
WO2017172801A1 (en) * 2016-03-28 2017-10-05 Hyperloop Technologies, Inc. Systems and methods for leak detection and sealing
CN107329492A (zh) * 2017-08-18 2017-11-07 上海顺砾智能科技有限公司 一种无人机集群的编队控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105912017B (zh) * 2016-04-20 2017-05-03 合肥工业大学 一种无人机编队管理方法和无人机的控制系统
CN107179777A (zh) * 2017-06-03 2017-09-19 复旦大学 多智能体集群协同方法与多无人机集群协同系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101286071A (zh) * 2008-04-24 2008-10-15 北京航空航天大学 基于微粒群优化和遗传算法的多无人机三维编队重构方法
CN103777640A (zh) * 2014-01-15 2014-05-07 北京航空航天大学 一种分布式控制无人机群集中分簇编队方法
WO2017172801A1 (en) * 2016-03-28 2017-10-05 Hyperloop Technologies, Inc. Systems and methods for leak detection and sealing
CN106843269A (zh) * 2017-01-22 2017-06-13 北京航空航天大学 一种基于小型鸟类集群飞行机制的无人机编队方法
CN107329492A (zh) * 2017-08-18 2017-11-07 上海顺砾智能科技有限公司 一种无人机集群的编队控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《从鸟群群集飞行到无人机自主集群编队》;邱华鑫 等;《工程科学学报》;20170331;第317-322页 *

Also Published As

Publication number Publication date
CN108196579A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108196579B (zh) 基于几何分布的无人机分级编队方法
CN108459612B (zh) 基于人工势场法的无人机编队控制方法及装置
CN109508035B (zh) 基于分布式控制的多区域分级式无人机编队路径规划方法
CN111522361B (zh) 主-从模式的多无人机编队一致性控制方法
Zhang et al. Spill detection and perimeter surveillance via distributed swarming agents
CN110347181B (zh) 基于能耗的无人机分布式编队控制方法
CN110162035B (zh) 一种集群机器人在有障碍物场景中的协同运动方法
CN104407619A (zh) 不确定环境下的多无人机同时到达多个目标方法
CN113220022B (zh) 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法
CN105045286A (zh) 一种基于自驾仪和遗传算法的监测无人机悬停范围的方法
CN112631335A (zh) 一种基于事件触发的多四旋翼无人机固定事件编队方法
Mansouri et al. Distributed model predictive control for unmanned aerial vehicles
CN115291622A (zh) 一种避障无人机分布式编队分数阶滑模控制方法
CN113759935B (zh) 基于模糊逻辑的智能群体编队移动控制方法
CN115712308A (zh) 基于分布式模型预测控制及队形控制的多机编队防撞方法
CN117193369A (zh) 预设时间下的无人机集群博弈纳什均衡搜索方法及系统
CN114138022A (zh) 一种基于精英鸽群智能的无人机集群分布式编队控制方法
CN113110593B (zh) 基于虚拟结构和估计信息传输的飞行编队协同自适应控制方法
CN110162084B (zh) 基于一致性理论的飞航导弹集群系统编队控制方法
Jia et al. Distributed analytical formation control and cooperative guidance for gliding vehicles
Jia et al. Formation shape control of multi-UAV with collision avoidance
Medvedev et al. 3D Area Monitoring Using Group Control Technique and Dynamic Repellers
CN114355974B (zh) 基于卡尔曼滤波的虚拟力导向无人机编队抖动消除方法
CN114167896B (zh) 一种基于状态预测的人工势能场无人机集群控制方法
Chowdhury et al. Design and flight test validation of a uas lateral-directional model predictive controller

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200131