CN109299210A - 一种基于信息融合的多无人机分布式协同搜索方法 - Google Patents

Abstract

本发明专利涉及一种基于信息融合的多无人机分布式协同搜索方法。本发明主要由搜索地图更新模型、无人机搜索决策模型、搜索概率地图融合实现。通过无人机的自主决策，使无人机对搜索候选区域实现搜索全覆盖，通过搜索反馈的目标存在概率和通过通信获得别的无人机的搜素概率地图融合的方法，增强无人机对目标的搜索捕获能力，节约搜索时间，降低无人机能耗。

Description

一种基于信息融合的多无人机分布式协同搜索方法

技术领域

本发明属于多无人机分布式协同搜索技术领域，特别涉及一种基于信息融合的多无人机分布式协同搜索方法，该方法不仅易于工程实现，节约搜索时间，提高搜索置信度，且可以避免无人机的决策陷入局部最优，同样可以防止无人机在某搜索区不断轮寻，无法遍历整一个搜索候选区域。

背景技术

传统方法以搜索论为基础，从最大化目标概率的角度出发。然而，多无人机协同搜索是一个动态的描述过程，目前的实现方案通常基于搜索图(占用图，概率图)等来描述环境信息。目前最相近的方法包括两种，一种是集中式的搜索图方法，即用一个中央节点去维护全局的地图信息，然后基于当前所有UAV状态，采用滚动时域求解输出所有UAV的航迹，但是这种方法对于计算资源要求很高，很难在约束决策内获得可行解；另一种是分布式模型模型预测方法(DMPC)，在这种模型下，每架无人机进行单独的计算和控制，无人机之间可以进行相互通信，根据无人机自身的状态和控制序列和别的无人机的状态和控制序列，综合考虑多无人机在搜索目标时的目标发现收益，环境搜索收益和执行代价，求解出当前时刻的最优解，由于DMPC控制模型的预测时间T有限，整个模型会陷入某些搜索区域，很难形成一个自主的区域全覆盖，对于搜索问题来说，这种方法无法满足快速搜索区域的全覆盖以及快速降低地图的不确定性。

发明内容

鉴于上述问题，本发明提出以下方案，其目的在于希望通过这种协同搜索方法，提高多机协同的效率。通过无人机的自主决策，使无人机对搜索候选区域实现搜索全覆盖，通过搜索反馈的目标存在概率和通过通信获得别的无人机的搜素概率地图融合的方法，增强无人机对目标的搜索捕获能力，节约搜索时间，降低无人机能耗。

为了实现上述目的，本发明采取的技术方案为：一种基于信息融合的多无人机分布式协同搜索方法，该方法由搜索地图更新模型、无人机搜索决策模型、搜索概率地图融合实现，其中：

1)建立搜索地图更新模型包括：

建立搜索环境栅格：搜索环境栅格化，栅格步长为无人机单位时间内的飞行距离，每格的质心坐标设置为栅格坐标；

1)建立搜索地图更新模型包括：

建立搜索环境栅格：搜索环境栅格化，栅格步长为无人机单位时间内的飞行距离，每格的质心坐标设置为栅格坐标；

无人机搜索任务的目标定义成最小化无人机搜索到全部目标的时间即：(t为搜索完成Q个目标的时间)

当

其中B⁺代表网格存在目标的阈值，超过这个概率阈值即可认为目标网格内存在目标，反之不存在，Q为目标搜索目标数量，t为搜索完成Q个目标的时间。

将任务区域划分成若干个离散网格，采用贝叶斯概率模型来描述目标的状态位置；时间采用离散化表示即为时刻k。将P_c(k)∈[0,1]为目标存在概率，网格内存在目标无人机检测出的概率p_d(检测概率)和网格不存在目标无人机检测出目标的概率p_f(虚警概率)有关；

目标存在概率更新公式为：

其中表示在k-1时刻第i架无人机第c块待检测区域的先验目标存在概率，表示第k时刻第i架无人机第c块区域是否存在目标。(我改好了)

将目标存在概率更新公式进行非线性到线性形式转换：

无人机i对网格c的探测总次数为m_i,c，设无人机i对c的探测结果为存在的次数为a_i,c，探测结果为不存在的次数为m_i,c-a_i,c，即可得到：

如果网格c中存在目标，每次探测过程都是独立同分布的，根据大数定理：

m_i,c→∞

当m_i,c趋近于∞时，

即F_i,c→-∞，当网格内存在目标时，当探测次数趋近于∞时网格内目标存在概率是1，

如果网格内不存在目标，

当m_i,c趋近于∞时，即可得到

即F_i,c→+∞，就是当网格内不存在目标，探测次数趋近于∞时网格内目标存在概率是0；

建立无人机搜索决策包括：多无人机在基站中进行一次无需返回基地的MTSP搜索子区域规划，包括搜索子区域的分配以及执行顺序，无人机从基地飞出，到达第一个子区域后，决策分为在子区域进行重复的n次轮询和进入下一个候选区域，每一时刻，无人机的传感器都会反馈给无人机一个结果，并且随着概率更新公式更新，当无人机从未到过此地时，如果发现目标则进行次搜索，反之走下一步，如果无人机到达过这里，那么进行次搜索，若目标存在的概率大于阈值，那么可以认为该目标存在，在走完第一次不用返回出发点的MTSP后，候选集合发生变化；每架无人机的候选集合为第一次规划完路径之后所有路径的集合S_i减去P_c＜B^-的区域，B^-表示确定搜索候选区域不存在目标的阈值；

对于一个单独的候选区域来说，无人机对其每一次的探索过程看成一个独立事件，在m次搜索中，传感器返回1的结果是k次，二项式分布表示成：

表示为无人机对搜索区域的初始信息，如果无人机的传感器对地图探索区域的连续为1，那么m次探测结果均为1之后，无人机对搜索区域的目标存在概率为因此确定搜索区域的最短次数为

该公式说明在第一次无人机传感器返回结果为1的情况下，无人机需要至少次搜索才可以确定搜索区域是否存在目标；

该公式说明无人机对区域平均搜索次，才能满足确定区域内存在目标；采用遗传算法求解路径规划；

3)搜索概率地图融合包括：将能互相通信的各个无人机的搜索概率地图进行信息融合，使得无人机获得未曾搜索过区域的信息。

相比于现有的技术，本发明的优点有：

1)与目前通过Voronoi图进行搜索区域分割相比，每个搜素候选区域可能被不同的无人机轮询，可以提高结果的置信度，设计相应控制律引导无人机收敛到各自Voronoi图的这种方法，分割复杂，带有不确定因素，而本发明的搜索策略易于工程实现。

2)与目前通过滚动时域决策(RHO)来求解的方法相比，本发明可以避免无人机的决策陷入局部最优，同样可以防止无人机在某搜索区不断轮寻，无法遍历整一个搜索候选区域。

3)本发明使得每个无人机独立维护一个搜索决策地图，不同搜索地图之间可以发生信息融合，这样可以节约搜索时间，提高搜索置信度，这种分布式的决策方案使得某一无人机失联时，整一个搜索过程仍然可以继续执行

附图说明

图1是本发明的搜索策略流程图；

图2是本发明的地图栅格图；

图3是本发明的MTSP求解结果示例；

图4是本发明的TSP求解结果示例；

图5是本发明的无人机数量与搜索时刻关系图；

图6是本发明的不同融合方式在分布式策略时搜索时刻与无人机数量的影响；

图7是本发明的不同融合方式在分布式策略时差错率与无人机数量的影响。

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

多无人机协同搜索方法流程图如图1所示。

本发明搜索方法实现主要由三部分组成：搜索地图更新模型、无人机搜索决策模型、搜索概率地图融合。

1)搜索地图更新模型

1.1搜索环境栅格

为了简化搜索环境的解空间，需对搜索环境进行栅格化，这方便我们对每一格区域进行目标存在率及置信率评价。地图栅格图如图2所示。栅格步长可以暂定为UAV单位时间内的飞行距离。将每格的质心坐标设置为栅格坐标。

1.2搜索目标数学模型

由于无人机搜索资源有限(携带的传感器能力弱，无人机续航能力差)，因此无人机搜索任务的目标定义成最小化无人机搜索到全部目标的时间，通过数学模型来表达即为：

当

因此可以推导出：

其中B⁺代表网格存在目标的阈值，超过这个概率阈值即可认为目标网格内存在目标，反正不存在。因此搜索的目标定义为最小化搜索到全部目标的时间。

搜索感知地图反映了无人机对当前搜索环境的理解和认知，是无人机自身所维护的一种内部数据结构。随着无人机对环境的不断感知，搜索感知地图则按照特定的规则进行动态更新，这一动态更新过程则反映了无人机不断加深对搜环境的理解。无人机在这种“理解”的基础上，进行在线搜索决策。由于目标环境是动态变化的。将任务区域划分成若干个离散网格，采用概率模型来描述目标的状态位置是一种自然的选择。将p_mn(k)∈[0^,1]为目标存在概率。它描述了目标存在的可能性。

目标存在概率通过贝叶斯法则更新，网格存在目标的概率与传感器的检测概率(网格内存在目标无人机检测出的概率)p_d和虚警概率(网格不存在目标无人机检测出目标的概率)p_f有关。目标存在概率更新公式为：

其中表示在t-1时刻，第i架无人机，第c块待检测区域的先验目标存在概率。表示t时刻，第i架无人机，第c块区域是否存在目标。将上式进行非线性到线性形式转换：

带入即可得到：

F_i,c,k＝F_i,c,k-1+v_i,c,k

其中

假设无人机i对网格c的探测总次数设为m_i,c,k，假设无人机i对c的探测结果O_m,n,i，设O_m,n,i＝1的次数为a_i,c,k，设观测结果为不存在的次数，即O_m,n,i＝0的次数为m_i,c,k-a_i,c,k。带入上式中即可得到：

可以得出如果网格c中存在目标，观测结果是一个二项分布的随机变量。p(O_m,n,i＝1|X_c＝1)＝p_d p(O_m,n,i＝0|X_c＝1)＝1-p_d

已知每次探测过程都是独立同分布的，我们可以根据大数定理：

m_i,c,k→∞

将4-7等式两边均除以m_i,c,k，即可得到

当m_i,c,k趋近于∞时，上式：

即F_i,c,k→-∞，根据线性变化公式可知p_i,c,k→1，其物理意义就是当网格内存在目标时，当探测次数趋近于∞时网格内目标存在概率是1。

如果网格内不存在目标，即X_c＝0。

p(O_m,n,i＝1|X_c＝0)＝p_f

p(O_m,n,i＝0|X_c＝0)＝1-p_f

由于观测结果O_m,n,i服从二项分布的随机变量，且对于所有k,观测结果O_m,n,i是独立同分布的。

因此：

将上式等式两边均除以m_i,c,k，即可得到

当m_i,c,k趋近于∞时，上式：

即F_i,c,k→+∞，根据线性变化公式可知p_i,c,k→0，其物理意义就是当网格内存在目标时，当探测次数趋近于∞时网格内目标存在概率是0。

随着探测次数的增加，无人机对目标区域的认知趋近于网格内目标存在的真实结果。

2)无人机搜索决策模型

无人机有自主决策的能力，但是能力有限，每个无人机都拥维护格子的概率地图。策略描述如下：多无人机在基站中进行一次无需返回基地的MTSP搜索子区域规划，包括搜索子区域的分配以及执行顺序，无人机从基地飞出，到达第一个子区域后，决策可以分为在子区域进行重复的n次轮询和进入下一个候选区域。由于概率地图是随着时间进行更新的，因此可以认为每一时刻，无人机的传感器都会反馈给无人机一个结果，并且随着概率更新公式更新。初始化目标概率地图为0.5，即存在的概率与不存在的概率相同，表示无人机对环境一无所知。当无人机从未到过此地时，如果发现目标则进行次搜索(发现目标，马上确定下来)，反之走下一步，如果无人机到达过这里，那么进行次搜索。如果目标存在的概率大于阈值，那么可以认为该目标存在。在走完第一次不用返回出发点的MTSP后，候选集合发生了变化。每架无人机的候选集合为第一次规划完路径之后所有路径的集合S_i减去P_c＜B^-的区域。这样每架无人机拥有了不相交的候选区域，对于每架无人机来说，进行一次TSP(单旅行商)算法分配候选区域以及目标的执行顺序。下面给出的推导过程：

对于一个单独的候选区域来说，无人机对其每一次的探索过程都可以看成一个独立事件，在m次搜索中，传感器返回1的结果是k次，那么这个二项式分布就可以表示成：

表示为无人机对搜索区域的初始信息，如果无人机的传感器对地图探索区域的连续为1，那么m次探测结果均为1之后，无人机对搜索区域的目标存在概率为因此确定搜索区域的最短次数为

因此在第一次无人机传感器返回结果为1的情况下，无人机需要至少次搜索才可以确定搜索区域是否存在目标。

设x为m次无人机对目标区域中返回0的次数，y为返回1的次数，因此

m＝x+y

y＝mp

x＝m(1-p)

该公式说明无人机对区域平均搜索次，才能满足确定区域内存在目标。如果发现的总共的目标数等于Q，那么整个过程结束，否则继续这个过程。在上文已经证明了对同一区域的搜索次数增加会提高目标在区域中的存在概率。因此继续这个过程是有效并且唯一的方法。

2.2遗传算法求解路径规划

单无人机的搜索路径规划是一个TSP问题，多无人机的多候选区域搜索路径问题是一个多旅行商问题(MTSP)，在搜索策略开始的时候无人机在基地进行一个多无人机路径预规划，给出N个搜索候选区域，M台无人机进行目标分配，要求距离最短，并且每个无人机分配到的搜索目标区域数量相对均匀。

遗传算法通过给解向量编码，形成初始种群，然后用变异，交叉，重组，自然选择等算子，进行并行迭代，求的优化解。其主要步骤为：

1.先初始产生l个编码个体；

2.计算每个个体的目标函数；

3.利用轮盘法选出N个个体作为下一代变异对象；

4.对选出的个体按概率循环变异，交叉选择，产生新的一代群体

5.比较现有记录，选择群体中最优的L个个体重复第二步，遗传到足够多代之后获得一个近似的最优解，算法结束。

对于一个TSP问题来说只要设计好遗传编码，就可以求解这个问题，例如将候选搜索区域编码为1,2,3,4,5,6,7,8,9,10，其中1表示成出发的搜素区域，某一条染色体即可编码为1,2,3,4,5,6,7,8,9,10,1。

而多旅行商问题的编码设计需要在染色体插入虚拟的节点，例如N1,N2而1,N1,N2三个节点之间的距离无限大。这样就可以把路线分成三段。

该问题的目标函数即用来评价个体的好坏。这里从这几方面去考虑：

1)总路程最短：即所有无人机加起来的搜索距离最短,可以写成

2)均衡度：仅仅追求总路程最短很有可能出现某条路线过长，负载过重，因此需要引入均衡度概念，一般来说均衡度可以定义为均衡度定义为越接近0，每条线路越均衡。

统一完量纲后求解，TSP求解即是MTSP求解的退化版，具体GA算法求解过程在此不再赘述。MTSP求解结果示例以及TSP求解结果示例如图3、4所示。

3)无人机搜索概率地图融合

在无信息融合的分布式搜索策略中，每个无人机都拥有自己的搜索地图。但是每架无人机只在自己的所要搜寻的区域进行搜寻，也就是说某块区域分配给了某架无人机进行搜寻，这种情况不需要进行信息的融合。如果在上述策略的基础上，在无人机的候选区域的选择中，每架无人机的搜索候选区域改为所有区域的集合C减去已确定的区域。但是由于候选的区域过多，没有必要做一次完整的TSP，因此可以和集中式的策略相同，设置一个J，在连续出现J次结果为0之后第J+1次的概率小于设置的阈值即可认为网格关闭。

由于搜索的策略改变导致相同的网格可能由不同无人机访问，因此假设无人机可以通信，并且在一定的通信能力之下。我们可以将能互相通信的无人机的概率地图进行信息融合，提供了以下几种信息融合方法：

1.相信别人的概率地图反馈的结果。即

2.每架无人机将反馈的结果进行加权平均。最易理解的形式即

3.采取被应用在SLAM算法中的IOG融合方法：

整个搜索策略结构如下：

策略过程：DDI_Merge:

控制台：MTSP搜索区域分配，对于第i个无人机分配路径R_i

对于第i无人机：

Q⁺＝0

检测通讯距离内的无人机

进行概率地图融合

其中B^-表示，确定搜索候选区域不存在目标的阈值，其余变量与上文描述一致。

图5、6是搜索策略在检测概率p_d＝0.9，虚警概率p_f＝0.2，阈值上限B⁺＝0.99，目标数量Q＝4并且随机分布在10×10的网格当中的仿真结果。

图5可以看出当无人机数量增多，该策略找寻目标耗时减少。并且随着确定网格存在目标的阈值变大后，搜索目标耗时增多，该仿真均在500次重复计算求平均值下进行。图6可以发现采用上述分布式策略后，采用置信其他无人机的方式，在不同无人机数量表现下，完成搜索任务耗时最少，IOG的融合方式次之，三种融合方法都比不融合的方法耗时要少。

通过在上述理论的基础上，我们可以在现有的无人机能力范围内，通过多无人机，制定不同的协作策略，带来无人机在生活中更多的应用。

1)实现无人机协作，带来无人机执行任务时的性能优化

在当下的无人机能力限制(续航时间短，传感器探测能力有限)下，利用无人机去完成一些任务十分困难，在无人机搜索这个方向上，通过策略上的优化，带来多无人机搜索能力的提高(快速高效完成搜索任务)。

2)多无人机协同搜索的应用

无人机具有高机动性，零伤亡，费用低等优点，因此当下被广泛应用于未知环境的搜索，探查。多无人机协同目标搜索在目标侦查、灾区搜救。地形勘察等方面有很大的应用和发展价值。

图7可以发现当采用分布式协同搜索方式时，使用各无人机概率图求平均的方式随着无人机数量的增加差错率最低，IOG的融合策略次之，置信和不融合的融合策略差错率较高，并且随着无人机数量的增加，差错率没有下降的趋势。

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 (3)

1.一种基于信息融合的多无人机分布式协同搜索方法，该方法由搜索地图更新模型、无人机搜索决策模型、搜索概率地图融合实现，其中：

1)建立搜索地图更新模型包括：

建立搜索环境栅格：搜索环境栅格化，栅格步长为无人机单位时间内的飞行距离，每格的质心坐标设置为栅格坐标；

无人机搜索任务的目标定义成最小化无人机搜索到全部目标的时间即：其中，t为搜索完成Q个目标的时间，

当时，

其中B⁺代表网格存在目标的阈值，超过这个概率阈值即认为目标网格内存在目标，反之不存在，Q为目标搜索目标数量，t为搜索完成Q个目标的时间；

将任务区域划分成若干个离散网格，采用贝叶斯概率模型来描述目标的状态位置；时间采用离散化表示即为时刻k，将P_c(k)∈[0，1]为目标存在概率，网格内存在目标无人机检测出的概率即检测概率p_d和网格不存在目标无人机检测出目标的概率即虚警概率p_f有关；

目标存在概率更新公式为：

其中表示在k-1时刻第i架无人机第c块待检测区域的先验目标存在概率，表示第k时刻第i架无人机第c块区域是否存在目标；

将目标存在概率更新公式进行非线性到线性形式转换：

无人机i对网格c的探测总次数为m_i，c，设无人机i对c的探测结果为存在的次数为a_i，c，探测结果为不存在的次数为m_i，c-a_i，c，即得到：

如果网格c中存在目标，每次探测过程都是独立同分布的，根据大数定理：

m_i，c→∞

当m_i，c趋近于∞时，

即F_i，c→-∞，当网格内存在目标时，当探测次数趋近于∞时网格内目标存在概率是1，

如果网格内不存在目标，

当m_i，c趋近于∞时，即得到

即F_i，c→+∞，就是当网格内不存在目标，探测次数趋近于∞时网格内目标存在概率是0；

建立无人机搜索决策包括：多无人机在基站中进行一次无需返回基地的MTSP搜索子区域规划，包括搜索子区域的分配以及执行顺序，无人机从基地飞出，到达第一个子区域后，决策分为在子区域进行重复的n次轮询和进入下一个候选区域，每一时刻，无人机的传感器都会反馈给无人机一个结果，并且随着概率更新公式更新，当无人机从未到过此地时，如果发现目标则进行次搜索，反之走下一步，如果无人机到达过这里，那么进行次搜索，若目标存在的概率大于阈值，认为该目标存在，在走完第一次不用返回出发点的MTSP后，候选集合发生变化；每架无人机的候选集合为第一次规划完路径之后所有路径的集合S_i减去P_c＜B^-的区域，B^-表示确定搜索候选区域不存在目标的阈值；

对于一个单独的候选区域来说，无人机对其每一次的探索过程看成一个独立事件，在m次搜索中，传感器返回1的结果是k次，二项式分布表示成：

P_c ⁰表示为无人机对搜索区域的初始信息，如果无人机的传感器对地图探索区域的连续为1，那么m次探测结果均为1之后，无人机对搜索区域的目标存在概率为因此确定搜索区域的最短次数为

该公式说明在第一次无人机传感器返回结果为1的情况下，无人机需要至少次搜索才能确定搜索区域是否存在目标；

该公式说明无人机对区域平均搜索次，才能满足确定区域内存在目标；采用遗传算法求解路径规划；

3)搜索概率地图融合包括：将能互相通信的各个无人机的搜索概率地图进行信息融合，使得无人机获得未曾搜索过区域的信息。

2.如权利要求1所述的多无人机分布式协同搜索方法，其特征在于：采用下述任一方式进行信息融合：

①相信别人的概率地图反馈的结果；

②每架无人机将反馈的结果进行加权平均；

③采取被应用在SLAM算法中的IOG融合方法。

3.如权利要求1或2所述的多无人机分布式协同搜索方法，其特征在于：遗传算法求解路径规划中的目标函数中使用总路程最短和均衡度来评价，其中，总路程最短，即所有无人机加起来的搜索距离最短，即均衡度定义为l_i，l_j为搜索路径两个相邻节点的路径，均衡度定义为越接近0，每条线路越均衡。