CN109343569A

CN109343569A - 多无人机集群自组织协同察打任务规划方法

Info

Publication number: CN109343569A
Application number: CN201811372826.5A
Authority: CN
Inventors: 甄子洋; 邢冬静; 郜晨; 薛艺璇
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2018-11-19
Filing date: 2018-11-19
Publication date: 2019-02-15

Abstract

本发明公开了一种多无人机集群自组织协同察打任务规划方法。该方法包括以下步骤：步骤1、将二维任务区域离散化，通过栅格化处理建立无人机进行察打任务决策的离散状态空间；步骤2、基于分布式蚁群算法决策得到无人机的航路点，实现多无人机集群的协同搜索和打击；分布式蚁群算法中的每只蚂蚁代理与一架无人机对应，通过网络相连接构成一个分布式的系统，蚂蚁代理之间通过通信网络交换各自的信息；每只蚂蚁代理分配一个独立的处理器，根据自身状态以及获知的其他蚂蚁代理的状态，进行自主决策；步骤3、生成从当前航路点到下一时刻航路点的可飞航路。相比现有技术，本发明具有较好的鲁棒性，能够适应无人机的加入与退出。

Description

多无人机集群自组织协同察打任务规划方法

技术领域

本发明涉及一种多无人机集群自组织协同察打任务规划方法，属于无人机集群任务规划技术领域。

背景技术

无人机(UAV)起源于军事领域，与有人飞机相比，具有可重复使用、可回收、无人员伤亡、持续工作能力强、全寿命周期成本低等优势。由于作战环境的日益复杂，以及单架无人机的执行任务能力有限，多无人机集群协同作战将成为未来无人机作战的重要发展趋势，以实现无人机之间的能力互补，从而提升整个系统的效能。而高效、合理的任务规划方法，是发挥多无人机集群协同作战优势、实现资源有效利用的前提。

目前，任务规划的研究思路主要分为自顶向下和自底向上。自顶向下主要采用分层递阶求解的思路，能有效降低问题求解难度和复杂性，但当环境动态变化时，该方法将消耗更多的计算代价与通信代价。而自底向上主要采用自组织方法，强调个体对环境的动态响应，该方法最初起源于对自然界昆虫群落的行为研究，通过模拟蜂群、蚁群、鸟群、鱼群等生物群体的行为实现无人机集群自组织控制，这是一类分布式协调方法，具有计算简单、鲁棒性好等优点，适合执行诸如区域察打、侦察压制等简单反应性作战任务。

现有的多无人机集群协同察打任务规划方法大都采用分层递阶的求解思路，将任务规划问题分解为任务分配和航迹规划，这两个问题都是复杂多目标组合优化与决策问题，采用的算法包括最优化算法和启发式算法两类。最优化算法如枚举法、动态规划(DP)、分支界定(BAB)等，能够求得问题最优解，但随着问题规模的增大，计算量呈指数增长。而启发式算法如蚁群算法(ACO)、粒子群算法(PSO)等，虽不能保证解的最优性，但胜在收敛速度较快。这类智能优化算法也表现出了极好的自组织行为品质，通过引入这些算法，可实现无人机集群的自组织控制。目前基于自组织的任务规划研究还处于起步阶段，且现有的无人机协同任务自组织大多未考虑无人机的航程约束，不符合实际作战应用，因此需要进行进一步的深入研究。

发明内容

本发明所要解决的技术问题在于克服现有集中式系统计算量大、鲁棒性差等缺点，提供一种多无人机集群自组织协同察打任务规划方法，利用分布式蚁群算法生成无人机的航路点，然后基于简单Dubins曲线进行航路规划，各无人机基于自身状态以及所获知的邻居无人机的状态，进行独立自主决策，从而完成搜索与打击任务，该分布式结构具有较好的鲁棒性，能够适应无人机的加入与退出。

本发明具体采用以下技术方案解决上述技术问题：

一种多无人机集群自组织协同察打任务规划方法，包括以下步骤：

步骤1、将二维任务区域离散化，通过栅格化处理建立无人机进行察打任务决策的离散状态空间；

步骤2、基于分布式蚁群算法决策得到无人机的航路点，实现多无人机集群的协同搜索，当无人机搜索到目标时，立即对目标进行打击；分布式蚁群算法中的每只蚂蚁代理与一架无人机对应，通过网络相连接构成一个分布式的系统，蚂蚁代理之间通过通信网络交换各自的信息；每只蚂蚁代理分配一个独立的处理器，根据自身状态以及获知的其他蚂蚁代理的状态，进行自主决策；

步骤3、生成从当前航路点到下一时刻航路点的可飞航路。

以上技术方案中的分布式蚁群算法可采用现有的各类蚁群算法，但为了提高搜索性能，本发明进一步通过设计双重信息素更新机制保证蚂蚁代理之间的区域搜索协调，具体如下：

所述分布式蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制；局部信息素更新机制设计为：

其中，为k时刻蚂蚁代理i的本地信息素结构中，栅格(x,y)处的信息素浓度，为蚂蚁代理j造成的信息素衰减量，为蚂蚁代理i的邻居集合，为局部信息素衰减常量，为蚂蚁代理i所预测的蚂蚁代理j在k时刻的位置，R为蚂蚁代理的探测半径，为栅格(x,y)与之间的距离；

全局信息素更新机制设计为：

其中，F∈(0,1)为环境不确定因子，为全局信息素更新常量。

为了提高任务区域的覆盖率，本发明进一步在分布式蚁群算法中引入了新的启发函数，具体如下：

所述分布式蚁群算法中的启发函数如下：

其中grid_(x,y)＝0表示栅格(x,y)未被搜索过，grid_(x,y)＝1表示栅格(x,y)已被搜索过，N_L,N_W分别为任务区域横向和纵向的栅格数量。

为了保证无人机能够在最大航程范围内返回起点，更符合实际作战应用，本发明进一步在蚁群算法的状态转移规则中引入了无人机的航程约束，具体如下：

所述分布式蚁群算法的状态转移规则设计为：

其中ω₁,ω₂为权重系数，且满足ω₁+ω₂＝1；为常规的状态转移规则，为考虑航程约束的状态转移规则，分别设计为：

其中，α是常规状态转移中信息素浓度重要程度因子，β是常规状态转移中启发函数重要程度因子，L_left(k+1)为无人机在k+1时刻的剩余航程，D_left(k+1)为候选栅格点到起点的距离，grid^*(k+1)为由蚁群算法决策得到的无人机下一时刻的航路点。

为了使得生成的无人机可飞航迹航迹平滑，算法更简单，航迹规划实时性更好，本发明进一步基于简单Dubins曲线生成所述从当前航路点到下一时刻航路点的可飞航路，具体方法如下：根据当前航路点位置和无人机的速度，以及步骤2得到的下一时刻航路点的位置，以无人机最小转弯半径为起始圆半径，可得到由一条圆弧和一条切线组成的简单Dubins路径，作为无人机的可飞航迹，到达目标航路点的速度方向由过目标航路点的起始圆的切线方向所决定。

相比现有技术，本发明技术方案及其进一步改进方案具有以下有益效果：

1.本发明采用分布式体系结构，各无人机基于自身状态以及所获知的邻居无人机的状态，进行独立自主决策，从而完成搜索与打击任务，该分布式结构具有较好的鲁棒性，能够适应无人机的加入与退出；在每一决策步长内，无人机进行的决策与规划包括两方面：基于分布式蚁群算法生成航路点和基于简单Dubins曲线生成航迹，通过这两个过程的不断循环，实现对任务区域的持续察打。

2.本发明进一步对分布式蚁群算法进行了改进，通过设计信息素更新机制保证蚂蚁代理之间的区域搜索协调；通过引入启发函数，提高任务区域的覆盖率；同时考虑了无人机的航程约束，保证无人机能够在最大航程范围内返回起点，更符合实际作战应用。

3.本发明采用简单Dubins曲线进行航迹平滑，考虑无人机的机动性能约束，生成无人机的可飞航迹。

附图说明

图1为本发明多无人机集群自组织协同察打方法一个优选实施例的流程示意图；

图2为任务空间离散化原理示意图；

图3为分布式蚁群算法结构图；

图4为简单Dubins曲线示意图；

图5为采用本发明方法所得的多无人机集群协同察打轨迹图；

图6为采用本发明方法所得的多无人机集群协同察打任务区域覆盖率变化图。

具体实施方式

针对现有集中式系统计算量大、鲁棒性差等缺点，本发明的解决思路是利用分布式蚁群算法生成无人机的航路点，然后基于简单Dubins曲线进行航路规划，各无人机基于自身状态以及所获知的邻居无人机的状态，进行独立自主决策，从而完成搜索与打击任务，该分布式结构具有较好的鲁棒性，能够适应无人机的加入与退出。具体而言，本发明所提出的多无人机集群自组织协同察打任务规划方法，包括以下步骤：

步骤3、生成从当前航路点到下一时刻航路点的可飞航路。

在此基础上，本发明还进一步对分布式蚁群算法进行了改进，通过设计信息素更新机制保证蚂蚁代理之间的区域搜索协调；通过引入启发函数，提高任务区域的覆盖率；同时考虑了无人机的航程约束，保证无人机能够在最大航程范围内返回起点，更符合实际作战应用；并采用简单Dubins曲线进行航迹平滑。

为了便于公众理解，下面以一个优选实施例并结合附图来对本发明技术方案进行详细说明：

如图1所示，本实施例的多无人机集群自组织协同察打任务规划方法，具体包括以下步骤：

步骤1，将二维任务区域离散化，建立无人机进行察打任务决策的离散状态空间；将任务区域进行栅格化处理，把无人机在任务区域内的运动体现为在栅格点中的运动。如图2所示，记无人机的速度为v，最大转角为θ_max，探测半径为R，在单位决策时间内的位移为d，则图中灰色栅格表示无人机下一时刻的候选航路点。

步骤2，基于改进蚁群算法决策得到无人机的航路点，实现多无人机集群的协同搜索，当无人机搜索到目标时，立即对目标进行打击。每只蚂蚁代理与一架无人机对应，通过网络相连接构成一个分布式的系统，如图3所示，蚂蚁代理之间通过通信网络交换各自的位置、速度等信息；每只蚂蚁代理分配一个独立的处理器，根据自身状态以及获知的其他蚂蚁代理的状态，进行自主决策，包括搜索目标和攻击目标的决策，同时对本地信息素进行更新。蚂蚁代理按照所设计的状态转移规则进行移动，状态转移规则的设计与信息素浓度和启发函数有关，并在此基础上考虑了航程约束，确保无人机能够在最大航程范围内返回起点。

其中，蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制。每只蚂蚁代理根据自身状态以及其他蚂蚁的状态对其当前搜索区域进行局部信息素更新；由于存在环境不确定性，每隔一段时间，进行一次全局信息素更新。

局部信息素更新机制设计为：

其中，为k时刻蚂蚁代理i的本地信息素结构中，栅格(x,y)处的信息素浓度，为蚂蚁代理j造成的信息素衰减量，为蚂蚁代理i的邻居集合，为局部信息素衰减常量，为蚂蚁代理i所预测的蚂蚁代理j在k时刻的位置，R为蚂蚁代理的探测半径，为栅格(x,y)与之间的距离。

全局信息素更新机制设计为：

其中，F∈(0,1)为环境不确定因子，为全局信息素更新常量。

为了提高无人机协同搜索的任务区域覆盖率，定义蚁群算法中的启发函数如下：

蚁群算法的状态转移规则设计为：

其中ω₁,ω₂为权重系数，且满足ω₁+ω₂＝1。为常规的状态转移规则，为考虑航程约束的状态转移规则，分别设计为：

步骤3，考虑无人机实际飞行时的机动性能约束，基于简单Dubins曲线生成从当前航路点到下一时刻航路点的可飞航路。如图4所示，根据当前航路点位置P_s和无人机的速度v_s，以及步骤2得到的下一时刻航路点的位置P_f，以无人机最小转弯半径R_min为起始圆半径，可得到由一条圆弧和一条切线组成的简单Dubins路径，作为无人机的可飞航迹，到达目标航路点的速度方向v_f由过目标航路点的起始圆的切线方向所决定。

为了验证本发明所设计的多无人机集群自组织协同察打任务规划方法的有效性，基于MATLAB进行如下仿真实验。实验设定：无人机任务区域为50km×50km，离散化为1000×1000的栅格网络；在任务区域内共分布了18个未知的目标；假设有2架无人机，起始位置分别在(0,0)km和(50,0)km，无人机的速度为250m/s，即每秒移动5个栅格距离，探测半径R＝1km，最小转弯半径R_min＝100m，最大转角θ_max＝45°。

图5所示为当无人机的最大航程L_max＝250km时，所生成的多无人机集群协同察打轨迹图，从图中可以看到，两架无人机共搜索到了6个目标，航迹平整且少有重叠，并且在航程约束的作用下，无人机均返回了各自的起点。图6为任务区域覆盖率变化曲线，可以看到覆盖率一直在上升，说明无人机在持续搜索未知区域。实验表明，本发明所述的一种多无人机集群自组织协同察打任务规划方法可以有效地对任务区域进行持续察打，并能够保证无人机在最大航程范围内返回各自起点，更符合实际作战应用。

Claims

1.一种多无人机集群自组织协同察打任务规划方法，其特征在于，包括以下步骤：

步骤3、生成从当前航路点到下一时刻航路点的可飞航路。

2.如权利要求1所述方法，其特征在于，所述分布式蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制；局部信息素更新机制设计为：

全局信息素更新机制设计为：

其中，F∈(0,1)为环境不确定因子，为全局信息素更新常量。

3.如权利要求1所述方法，其特征在于，所述分布式蚁群算法中的启发函数如下：

4.如权利要求1所述方法，其特征在于，所述分布式蚁群算法的状态转移规则设计为：

5.如权利要求1所述方法，其特征在于，在步骤3中，基于简单Dubins曲线生成所述从当前航路点到下一时刻航路点的可飞航路，具体方法如下：根据当前航路点位置和无人机的速度，以及步骤2得到的下一时刻航路点的位置，以无人机最小转弯半径为起始圆半径，可得到由一条圆弧和一条切线组成的简单Dubins路径，作为无人机的可飞航迹，到达目标航路点的速度方向由过目标航路点的起始圆的切线方向所决定。