CN108829131A - 一种基于多目标自适应变异鸽群优化的无人机集群避障法 - Google Patents

Abstract

本发明是一种基于多目标自适应变异鸽群优化的无人机集群避障方法，其实现步骤为：步骤一：初始化；步骤二：根据集群权重确定无人机期望集群速度变化；步骤三：根据避障权重确定无人机期望避障速度；步骤四：多目标自适应变异鸽群优化初始化；步骤五：通过多目标自适应变异鸽群优化计算集群和避障权重；步骤六：运行无人机模型；步骤七：判断是否结束仿真；该方法旨在提供一种分布式的无人机自主集群避障控制方法，在提高无人机集群在避障过程中的鲁棒性、适应性和简单性，从而有效提高复杂环境中的集群任务执行能力水平。

Description

一种基于多目标自适应变异鸽群优化的无人机集群避障法

技术领域

本发明涉及一种基于多目标自适应变异鸽群优化的无人机集群避障法，属于无人机控制领域。

背景技术

无人机(Unmanned Aerial Vehicle,UAV)是一种由自身程序控制或无线电遥控的，用来执行特定任务的无人驾驶飞行器，具有“平台无人，系统有人”基本特征。在执行3D任务——枯燥(Dull)、恶劣(Dirty)和危险(Dangerous)任务时，无人机相比有人机能够体现出更大优势。

Lanchester定律指出战斗力等于参战单位总数乘以单位战斗效率，故而作战单元数量是比单元作战能力更重要的战争胜负决定因素，因此无人机集群能够实现对敌优势战机更大的胜率。随着无人机分布式机载能力的提高，无人机可独立完成OODA循环——观察(Oberve)、调整(Orient)、决策(Decide)以及行动(Act)。尽管如此，实现无人机集群作战的过程中依然存在大量关键性技术问题，比如，复杂障碍环境下的无人机集群控制。本发明旨在通过设计一种无人机集群避障控制方法，提高无人机自主集群控制水平，使无人机具备在复杂环境中的任务执行能力。

目前，常见的无人机集群避障方法或为集中式，或依赖先验信息，或基于凸优化理论，其中：集中式集群避障方法虽然简单易行，但当中心运算节点出现故障时，该方法无法继续执行，鲁棒性差；依赖先验信息的集群避障方法均需要预先获知任务区域内的完整障碍信息，无法适应复杂动态的任务环境；基于凸优化理论的集群避障方法，要求集群内的无人机进行基于一致性算法的凸区域交集计算、最优编队目标位置求取、以及目标位置分配，无人机间交互信息复杂，对单机通讯带宽要求较高。本发明针对现有无人机集群避障方法在鲁棒性、适应性、简单性方面的不足，在多目标优化框架下，基于多目标鸽群优化的设计了一种分布式的无人机自主集群避障控制方法。

当无人机集群在障碍环境下飞行时，每架无人机需要完成多个任务目标：1)检测到障碍后，快速避开障碍；2)与其他无人机形成预设构型；3)全过程与障碍保持安全距离；4)全过程与其他无人机保持安全距离。由此可见，无人机集群避障控制可以简化为一个多目标优化问题，但集群避障的实时性对多目标优化算法的时间复杂度以及收敛速度提出了较高的要求。多目标鸽群优化时间复杂度小，收敛速度快，但较易陷入局部最优，对此可通过自适应变异帮助多目标鸽群优化跳出局部最优，获得较好的全局搜索能力。综上所述，本发明提出了一种基于多目标自适应变异鸽群优化的无人机集群避障方法，以解决现有无人机集群避障控制方法在鲁棒性、适应性和简单性方面的不足，有效提高无人机自主集群控制水平。

发明内容

1、发明目的：

本发明提供了一种基于多目标自适应变异鸽群优化的无人机集群避障法，其目的是提供一种分布式的无人机自主集群避障控制方法，旨在提高无人机在集群避障过程中的鲁棒性、适应性和简单性，从而有效提高复杂环境中的集群任务执行能力水平。

2、技术方案：

本发明针对无人机集群避障控制问题，开发了一种基于多目标自适应变异鸽群优化的无人机集群避障法，该方法的实现流程如图1所示，具体实现步骤如下：

步骤一：初始化

生成n架无人机的初始状态，包括位置Pⁱ、水平速度航向角ψⁱ，高度变化率λⁱ和权重wⁱ，其中无人机编号i＝1,2,...,n，Pⁱ＝(xⁱ,yⁱ,hⁱ)，xⁱ、yⁱ和hⁱ分别为无人机i在地面坐标系下的横轴坐标、纵轴坐标和高度，V_{xy_max}、V_{xy_min}分别为最大水平速度和最小水平速度，n_max为最大过载，重力加速度g＝10m/s²，λ_min≤λⁱ≤λ_max，λ_max、λ_min分别为最大高度变化率和最小高度变化率， 和分别为无人机i的集群权重和避障权重；生成m个圆柱障碍的基本信息，包括底面圆心横坐标底面圆心纵坐标半径高其中障碍编号j'＝1,2,...,m；当前仿真时间t＝0。

步骤二：根据集群权重确定无人机期望集群速度变化

根据当前仿真时间t时的无人机集群状态，计算无人机i的期望集群速度变化

其中j为无人机编号，x^j和y^j分别为无人机j在地面坐标系下的横轴坐标和纵轴坐标，和ψ^j分别为无人机j的水平速度和航向角，邻居集合Kf、K_a、K_c、K_h和K_v分别为集群构型控制系数、邻居对齐控制系数、避撞控制系数、高度一致控制系数以及高度变化率一致控制系数，为无人机i和无人机j间的期望距离，无人机i和无人机j间的距离 为无人机最小容许间距，h_e为集群期望高度。

步骤三：根据避障权重确定无人机期望避障速度

如果无人机i与障碍j'底面圆心的水平距离小于感知距离R_p，并且无人机i与障碍j'底面圆心的连线与集群期望航向角θ_e间的夹角|θ^ij'|小于无人机视场角θ_v，则无人机i可以探测到障碍j'，即其中 为无人机i感知到的障碍集合，为中的元素个数，θ^ij'为集群期望航向角θ_e所在射线旋转到无人机i与障碍j'底面圆心的连线所需的最小角度，顺时针旋转时θ^ij'为负，逆时针旋转时θ^ij'为正；如果无人机i的期望避障航向角sign()为符号函数，R_c为避障安全控制距离；如果 其中j'₁是距离无人机i距离最近障碍的编号，j'₂是无人机i与障碍j'₁的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号，分别为障碍j'₁的底面圆心横坐标和纵坐标，分别为障碍j'₂的底面圆心横坐标和纵坐标；根据计算无人机i的期望避障速度voⁱ：

其中ve是集群期望水平速度。

步骤四：多目标自适应变异鸽群优化初始化

随机初始化N只鸽子的初始状态，包括位置速度其中i'为鸽子编号，X^i’和V^i'均为2维的行向量，X^i’每维的取值范围为[0,1]，V^i'每维的取值范围为[V_L,V_U]，V_U为速度上限，V_L为速度下限；迭代次数Nc＝1；计算每只鸽子的多目标代价函数Cost^i'：

其中a₁、a₂分别为集群构型代价权重以及速度一致代价权重，为避障最小安全距离。

步骤五：通过多目标自适应变异鸽群优化计算集群和避障权重

对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，鸽子i'的排名rank_i'；如果Nc>1，N＝N-N_d，删去rank_i'＞N-N_d的鸽子，其中N_d是每次迭代递减的鸽子数量；计算鸽子中心X_c：

其中n_c为第一前沿S¹中的鸽子数目。

将S¹存入历史集合S_H中，对S_H中的鸽子进行非占优排序和拥挤度比较，得到历史集合第一前沿随机选取S_H中的任一只鸽子作为全局最优X_g；计算鸽子速度

其中R为地图和指南针算子，tr为过渡因子，rand为[0,1]范围内的随机数，Nc_max为最大迭代次数。

如果大于V_U，如果小于V_L，计算鸽子位置

其中自适应变异因子f_ad：

其中为均值为0、方差为的高斯随机数，ε为自适应变异控制因子。

如果大于1，如果小于0，由式(3)计算Cost^i'，如果或者重新随机生成如果占优则如果Nc小于等于最大迭代次数Nc_max，Nc＝Nc+1，重复执行步骤五，否则对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，计算权重wⁱ：

其中b₁、b₂分别为避障代价影响因子以及集群代价影响因子。

步骤六：运行无人机模型

根据期望集群速度变化和期望避障速度，计算控制输入uⁱ：

如果其中u_lim为控制输入的死区；根据uⁱ计算无人机自驾仪的控制输入：

其中和分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的控制输入，τ_v、τ_ψ和(τ_h,τ_λ)分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的时间常数。

根据无人机自驾仪的控制输入计算无人机状态：

步骤七：判断是否结束仿真

仿真时间t＝t+ts，其中ts为采样时间；若t大于最大仿真运行时间T_max，则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线；否则，返回步骤二。

本发明提出了一种基于多目标自适应变异鸽群优化的无人机集群避障法。该方法是在多目标优化框架下，基于多目标自适应变异鸽群优化设计的一种分布式控制方法，主要优势主要体现在两个方面：一方面，该方法通过将无人机集群避障控制转化为单机实时解决的多目标优化问题，无中心节点，不依赖先验信息，具有较强的鲁棒性和适应性，有效提高了无人机自主集群能力；另一方面，该方法仅需要无人机间彼此交互位置和速度信息，自适应变异缩短了多目标鸽群优化收敛于全局最优/次优的时间，降低了单机计算和通信负载。

附图说明

图1基于多目标自适应变异鸽群优化的无人机集群避障控制流程

图2无人机集群避障飞行轨迹

图3无人机集群避障飞行轨迹俯视图

图4无人机集群避障高度变化曲线

图5无人机集群避障水平速度变化曲线

图6无人机集群避障航向角变化曲线

图7无人机集群避障高度变化率变化曲线图中标号及符号说明如下：

t——仿真时间

i——无人机编号

——无人机i的期望集群速度变化

voⁱ——无人机i的期望避障速度

Nc——迭代次数

N——鸽子数目

N_d——每次迭代递减的鸽子数量

X_c——鸽子中心

X_g——全局最优

——Nc+1迭代次数时鸽子i'的速度

f_ad——自适应变异因子

——Nc+1迭代次数时鸽子i'的位置

Cost^i'——鸽子i'的多目标代价函数

Nc_max——最大迭代次数

wⁱ——无人机i的权重

T_max——最大仿真运行时间

ts——采样时间

x——无人机在地面坐标系下的横轴坐标

y——无人机在地面坐标系下的纵轴坐标

h——无人机高度

V_xy——水平速度

ψ——航向角

λ——高度变化率

具体实施方式

见图1至图7，下面通过一个具体的无人机集群避障控制实例来验证本发明所提出的方法的有效性。实验计算机配置为Intel Core i7-6700HQ处理器，2.60Ghz主频，16G内存，软件为MATLAB 2014a版本。该方法具体步骤如下：

步骤一：初始化

生成7架无人机的初始状态，即无人机1至7的初始位置P¹至P⁷分别为(20m,80m,69.2665m)、(10m,90m,43.6688m)、(10m,70m,11.5694m)、(0m,100m,47.4858m)、(0m,60m,77.5678m)、(-10m,110m,94.6116m)以及(-10m,50m,82.8438m)，初始水平速度初始航向角ψⁱ＝0rad，初始高度变化率λⁱ＝0m/s，初始权重wⁱ＝[1,1]，其中无人机编号i＝1,2,...,7，最大水平速度V_{xy_max}＝15m/s，最小水平速度V_{xy_min}＝5m/s，最大过载n_max＝10g，重力加速度g＝10m/s²，最大高度变化率λ_max＝5m/s，最小高度变化率λ_min＝-5m/s；生成2个圆柱障碍的基本信息，障碍1的圆心坐标障碍2的圆心坐标半径其中j'＝1,2；当前仿真时间t＝0。

步骤二：根据集群权重确定无人机期望集群速度变化

根据当前仿真时间t时的无人机集群状态，由式(1)计算无人机i的期望集群速度变化其中邻居集合集群构型控制系数K_f＝0.2，邻居对齐控制系数K_a＝0.2，高度一致控制系数K_h＝30，高度变化率一致控制系数K_v＝10，期望距离无人机最小容许间距集群期望高度h_e＝50m。

步骤三：根据避障权重确定无人机期望避障速度

如果无人机i与障碍j'底面圆心的水平距离小于感知距离R_p，并且无人机i与障碍j'底面圆心的连线与集群期望航向角θ_e间的夹角|θ^ij'|小于无人机视场角θ_v，则无人机i可以探测到障碍j'，即其中R_p＝200m，θ_e＝0rad， 为无人机i感知到的障碍集合；如果中的元素个数无人机i的期望避障航向角避障安全控制距离R_c＝115m；如果 其中j'₁是距离无人机i距离最近障碍的编号，j'₂是无人机i与障碍j'₁的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号；由式(2)根据计算无人机i的期望避障速度voⁱ，其中集群期望水平速度ve＝10m/s。

步骤四：多目标自适应变异鸽群优化初始化

随机初始化58只鸽子的初始状态，包括位置速度其中i'为鸽子编号，X^i‘每维的取值范围为[0,1]，V^i'每维的取值范围为[-0.05,0.05]；迭代次数Nc＝1；由式(3)计算每只鸽子的多目标代价函数Costⁱ'，其中集群构型代价权重a₁＝1，速度一致代价权重a₂＝1，避障最小安全距离

步骤五：通过多目标自适应变异鸽群优化计算集群和避障权重

对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，鸽子i'的排名rank_i'；如果Nc>1，N＝N-2，删去rank_i'＞N-2的鸽子；由式(4)计算鸽子中心X_c；将S¹存入历史集合S_H中，对S_H中的鸽子进行非占优排序和拥挤度比较，得到历史集合第一前沿随机选取S_H中的任一只鸽子作为全局最优X_g；由式(5)计算鸽子速度其中地图和指南针算子R＝0.3，过渡因子tr＝3，rand为[0,1]范围内的随机数，最大迭代次数Nc_max＝20；如果大于0.05，如果小于-0.05，由式(7)计算自适应变异因子f_ad，其中自适应变异控制因子ε＝0.01；由式(6)计算鸽子位置如果大于1，如果小于0，由式(3)计算Cost^i'，如果或者重新随机生成如果占优则如果Nc小于等于20，Nc＝Nc+1，重复执行步骤五，否则对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，由式(8)计算权重wⁱ，其中避障代价影响因子b₁＝0，集群代价影响因子b₂＝1。

步骤六：运行无人机模型

根据期望集群速度变化和期望避障速度，由式(9)计算控制输入uⁱ；如果根据uⁱ，由式(10)计算无人机自驾仪的控制输入，其中无人机速度保持自驾仪时间常数τ_v＝1s、航向保持自驾仪时间常数τ_ψ＝0.75s，高度保持自驾仪时间常数(τ_h,τ_λ)＝(1s,0.3s)；根据无人机自驾仪的控制输入，由式(11)计算无人机状态。

步骤七：判断是否结束仿真

仿真时间t＝t+0.5s，若t大于最大仿真运行时间20s，则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线；否则，返回步骤二。无人机集群避障飞行轨迹如图2所示，无人机集群避障飞行轨迹俯视图如图3所示，无人机集群高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线分别如图4至图7所示，仿真结果验证了通过本发明所提出的基于多目标自适应变异鸽群优化的无人机集群避障控制方法，无人机集群可实现自主集群避障。

Claims (1)

1.一种基于多目标自适应变异鸽群优化的无人机集群避障方法，其特征在于：该方法具体实现步骤如下：

步骤一：初始化

生成n架无人机的初始状态，包括位置Pⁱ、水平速度航向角ψⁱ，高度变化率λⁱ和权重wⁱ，其中无人机编号i＝1,2,...,n，Pⁱ＝(xⁱ,yⁱ,hⁱ)，xⁱ、yⁱ和hⁱ分别为无人机i在地面坐标系下的横轴坐标、纵轴坐标和高度，V_{xy_max}、V_{xy_min}分别为最大水平速度和最小水平速度，n_max为最大过载，重力加速度g＝10m/s²，λ_min≤λⁱ≤λ_max，λ_max、λ_min分别为最大高度变化率和最小高度变化率， 和分别为无人机i的集群权重和避障权重；生成m个圆柱障碍的基本信息，包括底面圆心横坐标底面圆心纵坐标半径高其中障碍编号j'＝1,2,...,m；当前仿真时间t＝0；

步骤二：根据集群权重确定无人机期望集群速度变化

根据当前仿真时间t时的无人机集群状态，计算无人机i的期望集群速度变化

其中j为无人机编号，x^j和y^j分别为无人机j在地面坐标系下的横轴坐标和纵轴坐标，和ψ^j分别为无人机j的水平速度和航向角，邻居集合K_f、K_a、K_c、K_h和K_v分别为集群构型控制系数、邻居对齐控制系数、避撞控制系数、高度一致控制系数以及高度变化率一致控制系数，为无人机i和无人机j间的期望距离，无人机i和无人机j间的距离 为无人机最小容许间距，h_e为集群期望高度；

步骤三：根据避障权重确定无人机期望避障速度

如果无人机i与障碍j'底面圆心的水平距离小于感知距离R_p，并且无人机i与障碍j'底面圆心的连线与集群期望航向角θ_e间的夹角|θ^ij'|小于无人机视场角θ_v，则无人机i可以探测到障碍j'，即其中 为无人机i感知到的障碍集合，为中的元素个数，θ^ij'为集群期望航向角θ_e所在射线旋转到无人机i与障碍j'底面圆心的连线所需的最小角度，顺时针旋转时θ^ij'为负，逆时针旋转时θ^ij'为正；如果无人机i的期望避障航向角sign()为符号函数，R_c为避障安全控制距离；如果 其中j'₁是距离无人机i距离最近障碍的编号，j'₂是无人机i与障碍j'₁的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号，分别为障碍j'₁的底面圆心横坐标和纵坐标，分别为障碍j'₂的底面圆心横坐标和纵坐标；根据计算无人机i的期望避障速度voⁱ：

其中ve是集群期望水平速度；

步骤四：多目标自适应变异鸽群优化初始化

随机初始化N只鸽子的初始状态，包括位置速度V₁ ^i'，其中i'为鸽子编号，X^i’和V^i'均为2维的行向量，X^i’每维的取值范围为[0,1]，V^i'每维的取值范围为[V_L,V_U]，V_U为速度上限，V_L为速度下限；迭代次数Nc＝1；计算每只鸽子的多目标代价函数Cost^i'：

其中a₁、a₂分别为集群构型代价权重以及速度一致代价权重，为避障最小安全距离；

步骤五：通过多目标自适应变异鸽群优化计算集群和避障权重

对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，鸽子i'的排名rank_i'；如果Nc>1，N＝N-N_d，删去rank_i'＞N-N_d的鸽子，其中N_d是每次迭代递减的鸽子数量；计算鸽子中心X_c：

其中n_c为第一前沿S¹中的鸽子数目；将S¹存入历史集合S_H中，对S_H中的鸽子进行非占优排序和拥挤度比较，得到历史集合第一前沿 随机选取S_H中的任一只鸽子作为全局最优X_g；计算鸽子速度

其中R为地图和指南针算子，tr为过渡因子，rand为[0,1]范围内的随机数，Nc_max为最大迭代次数；如果大于V_U，如果小于V_L，计算鸽子位置

其中自适应变异因子f_ad：

其中为均值为0、方差为的高斯随机数，ε为自适应变异控制因子；如果大于1，如果小于0，由式(3)计算Cost^i'，如果或者重新随机生成如果占优则如果Nc小于等于最大迭代次数Nc_max，Nc＝Nc+1，重复执行步骤五，否则对N只鸽子进行非占优排序和拥挤度比较，得到第一前沿S¹，计算权重wⁱ：

其中b₁、b₂分别为避障代价影响因子以及集群代价影响因子；

步骤六：运行无人机模型

根据期望集群速度变化和期望避障速度，计算控制输入uⁱ：

如果其中u_lim为控制输入的死区；根据uⁱ计算无人机自驾仪的控制输入：

其中和分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的控制输入，τ_v、τ_ψ和(τ_h,τ_λ)分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的时间常数；根据无人机自驾仪的控制输入计算无人机状态：

步骤七：判断是否结束仿真

仿真时间t＝t+ts，其中ts为采样时间；若t大于最大仿真运行时间T_max，则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线；否则，返回步骤二。