CN109117571A - 一种用于无人机集群的互联协作运动自动控制方法 - Google Patents

Abstract

本发明涉及一种用于无人机集群的互联协作运动自动控制方法，与现有技术相比解决了无人机集群无法实现群体自动协同控制的缺陷。本发明包括以下步骤：无人机集群的初始化；无人机个体的空间布局；无人机个体的运动规划布局；子无人机在自由运动空间搜索的控制运动。本发明将自然界植物物种繁衍传播方式和种群分布演化的策略用于无人机集群互联协作控制，具有分布式协同交互紧密、群体智能涌现明显的特点，可解决现有协调控制方案对无人机集群规模的限制，实现分布式自适应协调控制。

Description

一种用于无人机集群的互联协作运动自动控制方法

技术领域

本发明涉及无人机集群控制技术领域，具体来说是一种用于无人机集群的互联协作运动自动控制方法。

背景技术

当前无人机集群研究取得了较大进展，从某种程度上已经能协作完成一些简单的任务，比如编队、组合变形等。但对于无人机集群协作、智能控制和实体应用来说，仍然存在着一些有待解决的问题：如何有效的利用通过简单的个体行为规则使系统产生的个体不具备的行为特征和行为功能涌现是群体机器人需要研究解决的一个重要问题。

行为涌现具有随机性、非线性、时变性等特点，涌现的产生机理、不同个体规则产生涌现的行为特征以及涌现行为的控制问题也是非常值得研究的问题。类似于自然界群集行为表现出的功能化行为特性和行为功能的涌现将会越来越多的被群体机器人研究所参照和采纳。

因此，如何设计出一种针对无人机集群运动进行自动控制的方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中无人机集群无法实现自动协同控制的缺陷，提供一种用于无人机集群的互联协作运动自动控制方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种用于无人机集群的互联协作运动自动控制方法，包括以下步骤：

无人机集群的初始化，设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围；

无人机个体的空间布局，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层；根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定；

无人机个体的运动规划布局，设定父无人机和子无人机的运动规划功能；

子无人机在自由运动空间搜索的控制运动，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间内运动并相互通信，同时将信息融合并传输给父无人机。

所述无人机个体的运动规划布局包括以下步骤：

根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量；

子无人机个体位置的确定，i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置好的植物种群高斯分布演化模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量。

所述子无人机在自由运动空间搜索的控制运动包括以下步骤：

以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}；

对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m；

顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数；

从顶点P₁出发，依次连接目标轨迹点P₁₁、P₁₂、……、P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹；

子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

还包括无人机群的位置调度，父无人机与当前适应度值最高的子无人机进行水平位置调度，将父无人机调度至期望到达区域；

其包括以下步骤：

父无人机在其所在的父无人机层进行水平移动，移动至当前适应度值最高区域；

子无人机根据父无人机的新位置信息，生成满足分布参数的个体无人机新位置序列PC₁、PC₂、……、PC_n；

位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列全部满足要求；

子无人机群垂直上升至临时调度层；

子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n；

直到n号子无人机移动到PC_n，位置调度完成。

有益效果

本发明的一种用于无人机集群的互联协作运动自动控制方法，与现有技术相比将自然界植物物种繁衍传播方式和种群分布演化的策略用于无人机集群互联协作控制，具有分布式协同交互紧密、群体智能涌现明显的特点，可解决现有协调控制方案对无人机集群规模的限制，实现分布式自适应协调控制。

本发明借鉴自然界植物种群生存繁衍规律，构建无人机集群在动态环境下任务执行稳定性的行为策略，增强无人机集群动态保持种群多样性、适应动态复杂环境的能力和完成任务的速度，更适合在现实环境中执行任务。

附图说明

图1为本发明的方法顺序图；

图2为本发明中基于植物种群分布演化的多个父种无人机集群互联协作示意图；

图3为本发明中无人机集的空间布局图；

图4为本发明中子无人机空间状态分布图；

图5为本发明中子无人机划分有限自由空间状态分布图；

图6为本发明中子无人机在自由运动空间的目标运动轨迹图；

图7a为现有技术中多峰函数所模拟的复杂地形图；

图7b为图7a的等高线地形图；

图7c为利用本发明方法的无人机第一代进化的自由作业空间分布图；

图7d为利用本发明方法的无人机第二代进化的自由作业空间分布图；

图7e为利用本发明方法的无人机第三代进化的自由作业空间分布图；

图7f为利用本发明方法的无人机第四代进化的自由作业空间分布图；

图7g为利用本发明方法的无人机第五代进化的自由作业空间分布图；

图7h为利用本发明方法的无人机第六代进化的自由作业空间分布图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

本发明提出“基于植物种群分布演化的控制模型”用于确定无人机集群的全局变化，构建父种无人机携带多个后代个体无人机的群体结构，分别设计父无人机和子无人机的运动规划功能。父种无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索病虫害信息并相互联系沟通，同时将信息汇聚上报给父种无人机。同时无人机集群可以快速确定区域内的侦测情况，能够实现父无人机与子无人机的位置互换。

如图1所示，本发明所述的一种用于无人机集群的互联协作运动自动控制方法，包括以下步骤：

第一步，无人机集群的初始化。

设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围。

第二步，无人机个体的空间布局。

如图3所示，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层，临时调度层用于父无人机与子无人机进行位置调整使用。

根据无人机集群之间的相对位置，按现有技术在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定。

第三步，无人机个体的运动规划布局，设定父无人机和子无人机的运动规划功能。其具体步骤如下：

(1)根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量，默认为0。

(2)子无人机个体位置的确定。

i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置的植物种群分布格局中典型的高斯分布模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量，默认为0。

如图2所示，基于植物种群分布格局中典型的高斯分布模型，针对于同一个父无人机而言，其子无人机根据分布模型以父无人机为基准进行确定；针对于多个父无人机协同而言，根据已设定的父无人机间距阈值d_m，以此进一步扩大无人机集群的工作范围，提高对复杂环境的作业效果。

第四步，子无人机在自由运动空间搜索的控制运动。

在本步骤中，通过引入基于泰森多边形的区域自由运动空间划分，可以有效地降低无人机之间运动规划的复杂度，极大减小个体碰撞的概率，降低无人机运动规划和避障行为的能耗；然后，以顶点和初始位置为基点组确定自由运动序列点，在全局区域覆盖的前提下融入随机行为，增加了无人机集群对于复杂作业环境的适应性和有效性，同时可以极大降低完全随机运动的盲目性和全覆盖路径规划的复杂度，实验效果非常好。

如图4所示，各子无人机在空间内呈不规则分布，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索信息并相互通信，同时将信息融合并传输给父无人机。其具体步骤如下：

(1)如图5所示，以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}，

根据泰森多边形的性质，可以保证每个区域中有且只有一个无人机个体，而且区域内的位置到内部控制点的距离小于到外部控制点的距离。

(2)对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

(3)构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

(4)生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m。

根据牛顿多边形的性质，每个多边形都为凸多边形，所以可以保证无人机运动的轨迹点一定在其自由运动空间内。以顶点P₁为例，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数，顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数。

(5)如图6所示，从顶点P₁出发，依次连接目标轨迹点P₁₁,P₁₂,……,P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

同理，依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹。

(6)子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

在实际应用中，由于父无人机与子无人机的承载功能不同，因此，子无人机在进行相关侦测活动后，通常情况下需要父无人机对其进一步处理。在此，还提供无人机群进行位置调度方法。

第五步，无人机群进行位置调度。

无人机集群采用分层式设计，按照从上至下依次为临时调度层、子无人机层、父无人机层。采用分层设计的优点为：

子无人机数量较多，但是其垂直向上方向不存在障碍物，因此通过增加临时调度层，通过垂直上升动作，方便将子无人机统一调度到临时调度层，然后按照其适应度值排序，逐一下降到子无人机层进行水平位置调度，可以极大减少同一水平面位置调度中过多的避障和复杂路径规划行为，提高执行效率，降低能耗和事故率。

父无人机数量远小于子无人机数量，其单独一层，避免了位置调度中过多的避障和复杂路径规划行为，可以提高执行效率，降低能耗和事故率。

如图3所示，父无人机与当前适应度值最高的子无人机进行水平位置调度，将父无人机调度至期望到达区域。其具体步骤如下：

(1)父无人机在其所在的父无人机层进行水平移动，移动至当前适应度值最高区域。

(2)子无人机根据父无人机的新位置信息，生成满足分布参数的个体无人机新位置序列，PC₁、PC₂、……,PC_n。

(3)位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列点全部满足要求。

(4)子无人机群垂直上升至临时调度层。

(5)子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n。

(6)直到n号子无人机移动到PC_n，位置调度完成。

在此，采用三维空间的多峰函数Rastrigin函数

来模拟一个复杂的地形。如图7a所示，该地形只有一个最低点，但是有非常多的局部最低点，快速寻找到最低点非常困难，图7b表示了该地形的等高线地形图。

仿真实验的目的是应用本发明所述方法让一群无人机去搜索这片复杂地形中的最低海拔位置，搜索范围在[-5.12,5.12]²，全局最优位置为(0，0)。无人机群的初始状态是在搜索范围内随机分布，其随机分布状态如图7b中*的分布状态。

如图7c、图7d、图7e、图7f、图7g和图7h所示，从第一代进化开始，每个无人机个体都会动态的拥有自己的自由作业空间，父种无人机都会逐渐的向最优位置靠近；到第六代的时候，如图7h所示，无人机群已经锁定全局最优位置所在的区域，并且已经非常接近最优位置。相比其他群体智能方法，本发明所述方法所需要的群体迭代调度次数更少，较大的降低了群体机器人控制的复杂度，非常适合应用于群体机器人领域，尤其是无人机集群。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种用于无人机集群的互联协作运动自动控制方法，其特征在于，包括以下步骤：

11)无人机集群的初始化，设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围；

12)无人机个体的空间布局，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层；根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定；

13)无人机个体的运动规划布局，设定父无人机和子无人机的运动规划功能；

14)子无人机在自由运动空间搜索的控制运动，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间内运动并相互通信，同时将信息融合并传输给父无人机。

2.根据权利要求1所述的一种用于无人机集群的互联协作运动自动控制方法，其特征在于，所述无人机个体的运动规划布局包括以下步骤：

21)根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量；

22)子无人机个体位置的确定，i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置好的植物种群高斯分布演化模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量。

3.根据权利要求1所述的一种用于无人机集群的互联协作运动自动控制方法，其特征在于，所述子无人机在自由运动空间搜索的控制运动包括以下步骤：

31)以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}；

32)对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

33)构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

34)生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m；

顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数；

35)从顶点P₁出发，依次连接目标轨迹点P₁₁、P₁₂、……、P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹；

36)子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

4.根据权利要求1所述的一种用于无人机集群的互联协作运动自动控制方法，其特征在于，还包括无人机群的位置调度，父无人机与当前适应度值最高的子无人机进行水平位置调度，将父无人机调度至期望到达区域；

其包括以下步骤：

41)父无人机在其所在的父无人机层进行水平移动，移动至当前适应度值最高区域；

42)子无人机根据父无人机的新位置信息，生成满足分布参数的个体无人机新位置序列PC₁、PC₂、……、PC_n；

43)位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列全部满足要求；

44)子无人机群垂直上升至临时调度层；

45)子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n；

46)直到n号子无人机移动到PC_n，位置调度完成。