CN109407680A - 无人船编队重构的分布式目标协同分配方法 - Google Patents
无人船编队重构的分布式目标协同分配方法 Download PDFInfo
- Publication number
- CN109407680A CN109407680A CN201811626628.7A CN201811626628A CN109407680A CN 109407680 A CN109407680 A CN 109407680A CN 201811626628 A CN201811626628 A CN 201811626628A CN 109407680 A CN109407680 A CN 109407680A
- Authority
- CN
- China
- Prior art keywords
- unmanned boat
- cost
- point
- target point
- bid
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 64
- 238000004891 communication Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 9
- 239000000203 mixture Substances 0.000 claims description 8
- 230000001568 sexual effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000004744 fabric Substances 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 27
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种无人船编队重构的分布式目标协同分配方法,包括:S1、建立无人船编队重构中目标分配模型;S2、无人船ui根据代价函数计算方式得出代价向量ci;S3、无人船ui根据代价向量ci与出价规则自主决策选择目标点进行出价,得到各自的一组价格向量Poldi;S4、无人船ui将各自的价格向量信息Poldi广播给各自的邻居无人船;S5、完成分配。本发明所述的无人船编队重构的分布式目标协同分配方法,提出的一种无通信中心分布式协同目标分配方法,减小了对通信中心的依赖与通讯带宽,提高系统鲁棒性。同时考虑欠驱动无人船的特性,设计出一种基于Dubins曲线的代价函数,量化描述无人船到目标点的代价,解决基于直线的代价函数所忽略的运动学约束问题。
Description
技术领域
本发明涉及无人船编队技术领域,具体而言,尤其涉及一种无人船编队重构的分布式目标协同分配方法。
背景技术
针对编队重构中目标任务分配问题,国内外已经取得相应的研究结果,主要研究还是集中在无人机编队的目标分配,在无人船编队中的应用研究较少。其中这些分配方法包括遗传算法,匈牙利算法,粒子群算法。但这些方法存在以下不足:
第一,现有的一些方法主要是在集中式控制架构下实现的。如图9所示,编队中所有无人船仅与基站或者唯一的通信中心进行通讯,对通信中心或者基站设备的通讯带宽与性能要求极高。当通信中心出现故障时,分配会出现无法完成的情况,容错性与鲁棒性低。并且实际无人船编队的应用中,受无人船在某些海域的可通讯距离影响,当无人船编队与通讯中心或者基站之间的距离超出某一范围时,集中式的分配方法可行性大幅降低。
第二,现有的分配方法中针对无人船到目标点的距离代价问题的研究较少。现有的无人船编队技术研究大多将无人船当作全驱动船舶,无人船质点到目标点的直线路径距离当作距离代价。如图8所示,以目标位置点为圆心,r为半径的圆上分布着两条艏向角度不同的无人船。若以直线距离作为两条无人船到目标点的代价,那么船1与船2到目标点距离均为r,代价相同。然而无人船2受到由欠驱动性及惯性和最大方向舵偏角的约束所构成的运动学约束影响,无法在原地完成转向后直线到达目标点,实际路径距离L2远大于船1到目标点的路径距离L1,相应的代价也将增加。若以直线路径距离作为代价用来分配目标,不能真实的量化无人船到目标点的实际代价,则分配结果的可行性较低,会出现无人船无法到达所分配目标点的情况。
发明内容
根据上述提出现有的无人船编队重构分配方法,对通信中心的依赖度较高,通信控制中心计算量大,并且缺少考虑欠驱动无人船固有的运动学约束的技术问题,而提供一种无人船编队重构的分布式目标协同分配方法。本发明主要利用Dubins曲线的代价函数,将无人船到目标点之间的距离代价量化描述,以及无通信中心的分布式协同拍卖分配算法,使得分配结果更具可执行性,减小了通讯带宽,分散了系统计算量,而且降低了对通信中心的依赖性,从而提高了系统鲁棒性与容错性。
本发明采用的技术手段如下:
一种无人船编队重构的分布式目标协同分配方法,包括:
S1、在初始化模块中,建立无人船编队重构中目标点分配模型:编队中无人船集合U,发布预设队形中目标点集M的位姿状态信息。
S2、在自主计算与投标决策模块中,无人船ui根据代价函数计算方式得出代价向量ci。
S3、在自主计算与投标决策模块中,无人船ui根据代价向量ci与出价规则自主决策选择目标点进行出价,得到各自的一组价格向量Poldi。
S4、在信息交换更新模块中,无人船ui将各自的价格向量信息Poldi广播给各自的邻居无人船,接受邻居无人船的价格信息并更新每个点的价格向量信息为Pi。
S5、在一致性判断模块中,无人船ui将更新后的价格向量信息Pi与决策阶段的价格向量信息Poldi进行对比,若两者相同则计数器counti加一,若两者不同则计数器counti置零,并返回步骤S3,在下一轮迭代的投标决策阶段,再次挑选兴趣目标点做出出价;当计数器counti加一后,判断counti和D是否相等,若counti和D不相等,返回步骤S3,在下一轮迭代的投标决策阶段,再次挑选兴趣目标点做出出价,直至counti计数达到D时,确保每只无人船所记录价格向量达成一致,均获得各个目标点全局价格,每只无人船所得目标点即是各自所分配到的目标位置点,从而完成分配。
进一步地,在步骤S1中,具体包括,建立无人船编队重构中目标点分配模型:编队中n条无人船构成无人船集合U={u1,u2,…,un},预设队形中的n个目标位置点构成目标点集合M={m1,m2,…,mn},每条无人船能够到达任意一点。
进一步地,在步骤S2中,具体包括,队形重构中目标点的分配即根据无人船到目标点的代价将集合M中的目标位置点mj,分配给集合U中无人船ui,使得总代价最小,路径距离最短,如式(1)所示:
其中,C(·)为无人船从起始点到目标位置点的距离代价函数,为无人船ui的起点位姿状态,为无人船uj的目标位置点位姿状态,满足约束:
所述距离代价函数:无人船从初始点到目标位置点的路径距离认为是无人船到目标点的代价,距离越短则代价越小。
针对受运动学约束的欠驱动无人船设计一种基于Dubins曲线的代价函数,从而更加贴近无人船到相应目标点的路径距离,使得分配结果更具可执行性;基于Dubins曲线的代价函数设计基于以下思想:在起始位置点与目标位置点的艏向角和最小转向半径已知的情况下,从起始点到目标点的最短路径由一段直线以及最小半径转向圆弧构成,那么任意目标位置点mj与无人船ui之间均有一条对应的Dubins曲线Lij使得无人船ui到达目标点mj,Lij的长度即是无人船ui到目标点mj的代价cij。
无人船ui在起始点位姿状态向量目标位置点mj终止位姿状态向量最小转向半径r;分别在无人船起始点A处与终止位置点C处,以无人船前向速度方向为切线做切圆;
圆心O1,O2坐标分别可以求得:
切点B坐标为:
无人船从起始点A到目标位置点B的Dubins曲线由直线AB与圆弧BC构成代价cij为:
n条无人船与n个目标点之间将会产生n2个代价元素cij;
定义决策变量xij如下:
公式(1)、(2)可转化为:
其中(8)为分配目标点所需实现的目标函数,即总代价最小,行程距离最短;约束条件(9)表示每条无人船只能分配到一个目标点。
所述分布式架构如下:用无向树G(V,E)抽象描述无人船编队分布式通讯网络拓扑,其中V为拓扑中节点的集合,即无人船集合U;E是任意连接通信节点的边,若(ui,uk)∈E,则无人船ui与无人船uk可实现通信。
无人船ui的邻居节点定义为:编队中各无人船作为独立的智能体节点,仅与邻居节点进行通信来完成信息的交换,不依赖通讯中心。
所述分布式目标协同分配方法如下:
在编队队形重构的目标点分配问题中,将构成预设队形的目标点当作竞拍物品,目标点集合M={m1,m2,…,mn}即一系列竞拍物品组成的商品集;将编队中无人船当作竞拍智能体,无人船集合U={u1,u2,…,un}即一系列智能体组成的竞拍智能体集合;由代价函数产生的一系列代价值cij看作是目标点对无人船产生的收益值;
收益值cij是根据代价函数计算得到,代价值越大说明距离越远,目标点mj对无人船ui的吸引力越小,代价向量Ci=[cim1,cim2,cim3,…cimn]看作无人船ui到一系列目标点的代价。
将价格向量Pi=[pim1,pim2,pim3,…pimn]看作无人船ui对一系列目标点标价的记录,起始Pi均为零向量。
将构成预设队形的n个目标点坐标信息发送至各无人船后开始拍卖过程,拍卖分配过程中每次迭代主要分为三个阶段:投标决策阶段、价格信息交换更新阶段、一致性阶段,三个阶段中所有的计算均在本地执行;
进一步地,在步骤S3中,具体包括,在投标决策阶段,无人船ui根据公式(10)挑选出总代价最小的兴趣目标点ji,记录最小总代价为vi以及除去目标点ji以外的最小总代价wi,并对目标点ji根据式(13)进行出价
公式(13)中ε为每次出价中的一个补增量,其作用是保证每次出价都至少增加ε,避免在wi与vi相等的情况下,出价恒定不变;无人船ui自主选择出兴趣目标点并出价后,生成一组的价格向量Poldi。
进一步地,在步骤S4中,具体包括,在价格信交息换更新阶段,无人船ui将投标决策阶段生成的一组价格向量Poldi向邻居船只发送,同时接受邻居船只所发送的价格信息,并根据式(14)记录更新每个目标点的价格信息用作下轮迭代中的一组目标点的竞拍起始价格向量Pi。
进一步地,在步骤S5中,具体包括,与邻居船只进行信息交换更新后,进入一致性阶段,无人船ui将更新后的价格Pi与决策阶段的价格Poldi进行对比,若两者相同则计数器counti加一,若两者不同则计数器counti置零,并在下一轮迭代的投标决策阶段根据式(10)再次挑选兴趣目标点做出出价,直至counti计数达到D时,确保每只无人船所记录价格向量达成一致,均获得各个目标点全局价格,每只无人船根据式(10)所得目标点即是各自所分配到的目标位置点,从而完成分配。
进一步地,在步骤S5中,D的取值如式(15):
本发明所述的无人船编队重构的分布式目标协同分配方法,针对无人船编队队形重构中目标点分配问题,提出了一种无人船编队重构中分布式协同目标分配方法。第一,本发明考虑欠驱动无人船的实际运动学特性,设计出一种基于Dubins曲线的代价函数,将无人船到目标点之间的距离代价量化描述,解决基于直线的代价函数所忽略的运动学约束。使得分配结果更具可执行性。
第二,本发明将市场竞拍机制的思想应用到无人船编队重构中目标点分配问题上,设计出一种无通信中心的分布式协同拍卖分配算法,与集中式分配方法相比,本发明所提分布式协同竞拍分配方法,仅需要通过编队中无人船之间的局部通信交互信息,即可完成分配,不依赖于通信中心或者基站。当编队中某一条无人船出现通讯故障时,其他无人船也可通过与其他无人船的通讯来交互信息完成分配,提高了系统的容错性与鲁棒性,同时也提高了无人船的自主性与智能化水平。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是基于dubins曲线的距离代价示意图。
图2是无人船编队分布式通信拓扑结构图。
图3是无人船分布式协同分配方法示意图。
图4是无人船编队从I字型重构到D字型的目标分配结果示意图。
图5是无人船编队从D字型重构到M字型的目标分配结果示意图。
图6是无人船编队从M字型重构到U字型的目标分配结果示意图。
图7是无人船编队从M字型重构到U字型带dubins曲线路径的分配结果示意图。
图8是艏向角度不同的无人船示意图。
图9是集中式通信拓扑示意图。
图10是分布式通信拓扑示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种无人船编队重构的分布式目标协同分配方法,包括:
S1、在初始化模块中,建立无人船编队重构中目标点分配模型:编队中n条无人船构成无人船集合U={u1,u2,…,un},预设队形中的n个目标位置点构成目标点集合M={m1,m2,…,mn},每条无人船能够到达任意一点。
S2、在自主计算与投标决策模块中,无人船ui根据代价函数计算方式得出代价向量ci;具体包括,队形重构中目标点的分配即根据无人船到目标点的代价将集合M中的目标位置点mj,分配给集合U中无人船ui,使得总代价最小,路径距离最短,如式(1)所示:
其中,C(·)为无人船从起始点到目标位置点的距离代价函数,为无人船ui的起点位姿状态,为无人船uj的目标位置点位姿状态,满足约束:
所述距离代价函数:无人船从初始点到目标位置点的路径距离认为是无人船到目标点的代价,距离越短则代价越小;
针对受运动学约束的欠驱动无人船设计一种基于Dubins曲线的代价函数,从而更加贴近无人船到相应目标点的路径距离,使得分配结果更具可执行性;
基于Dubins曲线的代价函数设计基于以下思想:在起始位置点与目标位置点的艏向角和最小转向半径已知的情况下,从起始点到目标点的最短路径由一段直线以及最小半径转向圆弧构成,那么任意目标位置点mj与无人船ui之间均有一条对应的Dubins曲线Lij使得无人船ui到达目标点mj,Lij的长度即是无人船ui到目标点mj的代价cij;
无人船ui在起始点位姿状态向量目标位置点mj终止位姿状态向量最小转向半径r;
分别在无人船起始点A处与终止位置点C处,以无人船前向速度方向为切线做切圆;
圆心O1,O2坐标分别可以求得:
切点B坐标为:
无人船从起始点A到目标位置点B的Dubins曲线由直线AB与圆弧BC构成代价cij为:
n条无人船与n个目标点之间将会产生n2个代价元素cij;
定义决策变量xij如下:
公式(1)、(2)可转化为:
其中(8)为分配目标点所需实现的目标函数,即总代价最小,行程距离最短;约束条件(9)表示每条无人船只能分配到一个目标点;
所述分布式架构如下:用无向树G(V,E)抽象描述无人船编队分布式通讯网络拓扑,其中V为拓扑中节点的集合,即无人船集合U;E是任意连接通信节点的边,若(ui,uk)∈E,则无人船ui与无人船uk可实现通信;
无人船ui的邻居节点定义为:编队中各无人船作为独立的智能体节点,仅与邻居节点进行通信来完成信息的交换,不依赖通讯中心。
所述分布式目标协同分配方法如下:
在编队队形重构的目标点分配问题中,将构成预设队形的目标点当作竞拍物品,目标点集合M={m1,m2,…,mn}即一系列竞拍物品组成的商品集;将编队中无人船当作竞拍智能体,无人船集合U={u1,u2,…,un}即一系列智能体组成的竞拍智能体集合;由代价函数产生的一系列代价值cij看作是目标点对无人船产生的收益值;
收益值cij是根据代价函数计算得到,代价值越大说明距离越远,目标点mj对无人船ui的吸引力越小,代价向量Ci=[cim1,cim2,cim3,…cimn]看作无人船ui到一系列目标点的代价;
将价格向量Pi=[pim1,pim2,pim3,…pimn]看作无人船ui对一系列目标点标价的记录,起始Pi均为零向量。
将构成预设队形的n个目标点坐标信息发送至各无人船后开始拍卖过程,拍卖分配过程中每次迭代主要分为三个阶段:投标决策阶段、价格信息交换更新阶段、一致性阶段,三个阶段中所有的计算均在本地执行;
S3、在自主计算与投标决策模块中,无人船ui根据代价向量ci与出价规则自主决策选择目标点进行出价,得到各自的一组价格向量Poldi;
在投标决策阶段,无人船ui根据公式(10)挑选出总代价最小的兴趣目标点ji,记录最小总代价为vi以及除去目标点ji以外的最小总代价wi,并对目标点ji根据式(13)进行出价
公式(13)中ε为每次出价中的一个补增量,其作用是保证每次出价都至少增加ε,避免在wi与vi相等的情况下,出价恒定不变;
无人船ui自主选择出兴趣目标点并出价后,生成一组的价格向量Poldi。
S4、在信息交换更新模块中,无人船ui将各自的价格向量信息Poldi广播给各自的邻居无人船,接受邻居无人船的价格信息并更新每个点的价格向量信息为Pi;在价格信交息换更新阶段,无人船ui将投标决策阶段生成的一组价格向量Poldi向邻居船只发送,同时接受邻居船只所发送的价格信息,并根据式(14)记录更新每个目标点的价格信息用作下轮迭代中的一组目标点的竞拍起始价格向量Pi。
S5、在一致性判断模块中,与邻居船只进行信息交换更新后,进入一致性阶段,无人船ui将更新后的价格向量信息Pi与决策阶段的价格向量信息Poldi进行对比,
若两者相同则计数器counti加一,
若两者不同则计数器counti置零,并返回步骤S3,在下一轮迭代的投标决策阶段,根据式(10)再次挑选兴趣目标点做出出价,
当计数器counti加一后,判断counti和D是否相等,若counti和D不相等,返回步骤S3,根据式(10)再次挑选兴趣目标点做出出价,直至counti计数达到D时,确保每只无人船所记录价格向量达成一致,均获得各个目标点全局价格,每只无人船根据式(10)所得目标点即是各自所分配到的目标位置点,从而完成分配。D的取值如式(15):
本发明所述的无人船编队重构的分布式目标协同分配方法,降低对通信中心的依赖,减少计算负荷,提高系统的鲁棒性。并考虑了欠驱动无人船的运动学约束,将其与距离代价融合,从而提高分配结果的可执行性。这种编队重构的目标分配方法能够在编队护航、海上巡逻和目标监视等任务重发挥重要的作用。
如图10所示,本发明所提分布式协同竞拍分配方法,仅需要通过编队中无人船之间的局部通信交互信息,即可完成分配,不依赖于通信中心或者基站。当编队中某一条无人船出现通讯故障时,其他无人船也可通过与其他无人船的通讯来交互信息完成分配,提高了系统的容错性与鲁棒性。同时也提高了无人船的自主性与智能化。
实施例1,如图1至图7所示,下面以一个具体的由9艘无人船组成的无人船编队进行编队重构的目标点分配为例对本发明进一步说明。编队中9条无人船构成无人船集合U={u1,u2,…,u9},预设队形中的9个目标位置点构成目标点集合M={m1,m2,…,m9}。队形重构中目标点的分配即根据无人船到目标点的距离代价将集合M中的9个目标位置点分配给集合U中9艘无人船,使得总代价最小,即总路径距离最短。
如图1,以在起始点的位姿状态为的无人船u1到目标位置点m1终止位姿状态为的距离代价计算为例。最小转向半径为r,从起始点到目标点的最短路径由一段直线以及最小半径转向圆弧构成,对应的Dubins曲线L11使得无人船u1到达目标点m1,L11的长度即是无人船u1到目标点m1的代价c11。分别在无人船起始点A处与终止位置点C处,以无人船前向速度方向为切线做切圆。圆心O1,O2坐标分别可以求得:
切点B坐标为:
无人船u1从起始点到目标位置点的Dubins曲线由直线AB与圆弧BC构成,代价c11为:
任意无人船ui与到目标点mj的距离代价值cij采取上述代价函数计算方式得到。
本例仿真中分布式通讯架构如图2所示:无人船u1可以接受无人船u9的信息,无人船u2可以接受无人船u1的信息,无人船u3可以接受无人船u2的信息,无人船u4可以接受无人船u3的信息,无人船u5可以接受无人船u4的信息,无人船u6可以接受无人船u5的信息,无人船u7可以接受无人船u6的信息,无人船u8可以接受无人船u7的信息,无人船u9可以接受无人船u8的信息。
所述分布式目标协同分配方法如下:
将构成预设队形的9个目标点当作9个竞拍物品,目标点集合M={m1,m2,…,m9}即一系列竞拍物品组成的商品集;将编队中9艘无人船当作竞拍智能体,无人船集合U={u1,u2,…,u9}即一系列智能体组成的竞拍智能体集合;由代价函数产生的一系列代价值cij看作是目标点对无人船产生的收益值。以无人船u1为例,代价向量C1=[c11,c22,c13,…c19]看作无人船u1到9个目标点的代价。将价格向量P1=[p11,p12,p13,…p19]看作无人船u1对一系列目标点标价的记录,起始P1为零向量。其余无人船的代价向量与价格向量与无人船u1的形式相同。
将构成预设队形的9个目标点坐标信息以及终止位姿状态信息发送至9艘无人船后开始分布式拍卖协同分配过程,过程中每次迭代主要分为三个阶段:自主计算与投标决策阶段、价格信息交换更新阶段、一致性阶段,三个阶段均在各艘无人船本地运行。如图3所示,以无人船u1为例,其余无人船运行方式相同。
自主计算与投标决策阶段:无人船u1按照距离代价函数计算方式得到一组代价向量C1=[c11,c22,c13,…c19],根据式(20)挑选出总代价最小的兴趣目标点j1,记录最小总代价为v1以及除去目标点j1以外的最小总代价w1,并对目标点j1根据式(23)进行出价
本例仿真中ε取值为0.2。无人船u1自主选择出兴趣目标点并出价后,生成一组的价格向量并保存为Pold1。进入价格信息交换更新阶段。
价格信息交换更新阶段:无人船u1将投标决策阶段生成的一组价格向量Poldi向邻居船只u2发送,同时接受邻居船只u9发送的价格信息,并根据式(24)记录更新每个目标点的邻居价格信息用作下轮迭代中的一组目标点的竞拍起始价格向量P1。进入一致性阶段。
一致性判断阶段:无人船u1将更新后的价格P1与自主计算与投标决策阶段的价格Pold1进行对比,若两者相同则计数器count1加一,若两者不同则计数器count1置零,并在下一轮迭代的投标决策阶段根据式(23)再次挑选兴趣目标点做出出价,直至count1计数达到D时,每只无人船根据式(20)所得目标点即是各自所分配到的目标位置点,完成分配。
图4所示为无人船编队从I字型重构到D字型的目标分配结果,图5所示为无人船编队从D字型重构到M字型的目标分配结果,图6所示为无人船编队从M字型重构到U字型的目标分配结果,图7所示无人船编队从M字型重构到U字型带dubins曲线路径的分配结果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种无人船编队重构的分布式目标协同分配方法,其特征在于,包括:
S1、在初始化模块中,建立无人船编队重构中目标点分配模型:编队中无人船集合U,发布预设队形中目标点集M的位姿状态信息;
S2、在自主计算与投标决策模块中,无人船ui根据代价函数计算方式得出代价向量ci;
S3、在自主计算与投标决策模块中,无人船ui根据代价向量ci与出价规则自主决策选择目标点进行出价,得到各自的一组价格向量Poldi;
S4、在信息交换更新模块中,无人船ui将各自的价格向量信息Poldi广播给各自的邻居无人船,接受邻居无人船的价格信息并更新每个点的价格向量信息为Pi;
S5、在一致性判断模块中,无人船ui将更新后的价格向量信息Pi与决策阶段的价格向量信息Poldi进行对比,
若两者相同则计数器counti加一,
若两者不同则计数器counti置零,并返回步骤S3,在下一轮迭代的投标决策阶段,再次挑选兴趣目标点做出出价;
当计数器counti加一后,判断counti和D是否相等,若counti和D不相等,返回步骤S3,在下一轮迭代的投标决策阶段,再次挑选兴趣目标点做出出价,直至counti计数达到D时,确保每只无人船所记录价格向量达成一致,均获得各个目标点全局价格,每只无人船所得目标点即是各自所分配到的目标位置点,从而完成分配。
2.根据权利要求1所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S1中,具体包括,建立无人船编队重构中目标点分配模型:
编队中n条无人船构成无人船集合U={u1,u2,…,un},预设队形中的n个目标位置点构成目标点集合M={m1,m2,…,mn},每条无人船能够到达任意一点。
3.根据权利要求1所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S2中,具体包括,队形重构中目标点的分配即根据无人船到目标点的代价将集合M中的目标位置点mj,分配给集合U中无人船ui,使得总代价最小,路径距离最短,如式(1)所示:
其中,C(·)为无人船从起始点到目标位置点的距离代价函数,为无人船ui的起点位姿状态,为无人船uj的目标位置点位姿状态,满足约束:
所述距离代价函数:无人船从初始点到目标位置点的路径距离认为是无人船到目标点的代价,距离越短则代价越小;
无人船ui在起始点位姿状态向量目标位置点mj终止位姿状态向量最小转向半径r;
分别在无人船起始点A处与终止位置点C处,以无人船前向速度方向为切线做切圆;
圆心O1,O2坐标分别可以求得:
切点B坐标为:
无人船从起始点A到目标位置点B的Dubins曲线由直线AB与圆弧BC构成代价cij为:
n条无人船与n个目标点之间将会产生n2个代价元素cij;
定义决策变量xij如下:
公式(1)、(2)可转化为:
其中(8)为分配目标点所需实现的目标函数,即总代价最小,行程距离最短;约束条件(9)表示每条无人船只能分配到一个目标点;
所述分布式架构如下:用无向树G(V,E)抽象描述无人船编队分布式通讯网络拓扑,其中V为拓扑中节点的集合,即无人船集合U;E是任意连接通信节点的边,若(ui,uk)∈E,则无人船ui与无人船uk可实现通信;
无人船ui的邻居节点定义为:编队中各无人船作为独立的智能体节点,仅与邻居节点进行通信来完成信息的交换,不依赖通讯中心;
所述分布式目标协同分配方法如下:
在编队队形重构的目标点分配问题中,将构成预设队形的目标点当作竞拍物品,目标点集合M={m1,m2,…,mn}即一系列竞拍物品组成的商品集;将编队中无人船当作竞拍智能体,无人船集合U={u1,u2,…,un}即一系列智能体组成的竞拍智能体集合;由代价函数产生的一系列代价值cij看作是目标点对无人船产生的收益值;
收益值cij是根据代价函数计算得到,代价值越大说明距离越远,目标点mj对无人船ui的吸引力越小,代价向量Ci=[cim1,cim2,cim3,…cimn]看作无人船ui到一系列目标点的代价;
将价格向量Pi=[pim1,pim2,pim3,…pimn]看作无人船ui对一系列目标点标价的记录,起始Pi均为零向量。
4.根据权利要求3所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S3中,具体包括,在投标决策阶段,无人船ui根据公式(10)挑选出总代价最小的兴趣目标点ji,记录最小总代价为vi以及除去目标点ji以外的最小总代价wi,并对目标点ji根据式(13)进行出价
公式(13)中ε为每次出价中的一个补增量,其作用是保证每次出价都至少增加ε,避免在wi与vi相等的情况下,出价恒定不变;
无人船ui自主选择出兴趣目标点并出价后,生成一组的价格向量Poldi。
5.根据权利要求4所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S4中,具体包括,在价格信交息换更新阶段,无人船ui将投标决策阶段生成的一组价格向量Poldi向邻居船只发送,同时接受邻居船只所发送的价格信息,并根据式(14)记录更新每个目标点的价格信息用作下轮迭代中的一组目标点的竞拍起始价格向量Pi;
6.根据权利要求5所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S5中,具体包括,与邻居船只进行信息交换更新后,进入一致性阶段,无人船ui将更新后的价格Pi与决策阶段的价格Poldi进行对比,若两者相同则计数器counti加一,若两者不同则计数器counti置零,并在下一轮迭代的投标决策阶段根据式(10)再次挑选兴趣目标点做出出价,直至counti计数达到D时,确保每只无人船所记录价格向量达成一致,均获得各个目标点全局价格,每只无人船根据式(10)所得目标点即是各自所分配到的目标位置点,从而完成分配。
7.根据权利要求6所述的无人船编队重构的分布式目标协同分配方法,其特征在于,
在步骤S5中,D的取值如式(15):
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626628.7A CN109407680B (zh) | 2018-12-28 | 2018-12-28 | 无人船编队重构的分布式目标协同分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811626628.7A CN109407680B (zh) | 2018-12-28 | 2018-12-28 | 无人船编队重构的分布式目标协同分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109407680A true CN109407680A (zh) | 2019-03-01 |
CN109407680B CN109407680B (zh) | 2021-06-08 |
Family
ID=65462500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811626628.7A Active CN109407680B (zh) | 2018-12-28 | 2018-12-28 | 无人船编队重构的分布式目标协同分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407680B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857117A (zh) * | 2019-03-07 | 2019-06-07 | 广东华中科技大学工业技术研究院 | 一种基于分布式模式匹配的无人艇集群编队方法 |
CN109901584A (zh) * | 2019-03-21 | 2019-06-18 | 南京大学 | 一种基于自组织的机器人编队方法、可读存储介质及机器人 |
CN110163502A (zh) * | 2019-05-21 | 2019-08-23 | 北京壹氢科技有限公司 | 一种多弹协同多阶段目标分配方法 |
CN111208835A (zh) * | 2020-02-27 | 2020-05-29 | 大连海事大学 | 一种基于拓扑重构的船舶编队切换控制方法 |
CN111623780A (zh) * | 2020-06-08 | 2020-09-04 | 大连海事大学 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
CN112184400A (zh) * | 2019-07-03 | 2021-01-05 | 中南大学 | 一种基于局部信息的异构多智能体多阶段分布式拍卖算法 |
CN112269395A (zh) * | 2020-10-11 | 2021-01-26 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN112596528A (zh) * | 2020-12-17 | 2021-04-02 | 中国科学院合肥物质科学研究院 | 一种用于打捞水面垃圾无人船的控制方法 |
CN112987776A (zh) * | 2020-12-01 | 2021-06-18 | 一飞智控(天津)科技有限公司 | 单机故障返航路径规划方法、系统、无人机及存储介质 |
CN114137955A (zh) * | 2021-10-26 | 2022-03-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于改进市场法的多机器人快速协同建图方法 |
CN114326715A (zh) * | 2021-12-09 | 2022-04-12 | 东南大学 | 一种变维多智能体系统的编队控制方法与装置 |
CN116841208A (zh) * | 2023-08-30 | 2023-10-03 | 白杨时代(北京)科技有限公司 | 一种无人水下航行器编队控制模拟方法、系统和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010076787A2 (en) * | 2008-12-30 | 2010-07-08 | Elbit Systems Ltd. | Autonomous navigation system and method for a maneuverable platform |
CN107947845A (zh) * | 2017-12-05 | 2018-04-20 | 中国科学院自动化研究所 | 基于通信中继的无人机编队协同目标分配方法 |
CN108200175A (zh) * | 2018-01-04 | 2018-06-22 | 浙江大学 | 基于协同云控制的多无人船编队协同控制系统及方法 |
CN108549369A (zh) * | 2018-03-12 | 2018-09-18 | 上海大学 | 一种复杂海况下多无人艇协同编队的系统及方法 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
CN108873894A (zh) * | 2018-06-11 | 2018-11-23 | 上海大学 | 一种基于多无人艇的目标跟踪协同控制系统和方法 |
-
2018
- 2018-12-28 CN CN201811626628.7A patent/CN109407680B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010076787A2 (en) * | 2008-12-30 | 2010-07-08 | Elbit Systems Ltd. | Autonomous navigation system and method for a maneuverable platform |
CN107947845A (zh) * | 2017-12-05 | 2018-04-20 | 中国科学院自动化研究所 | 基于通信中继的无人机编队协同目标分配方法 |
CN108200175A (zh) * | 2018-01-04 | 2018-06-22 | 浙江大学 | 基于协同云控制的多无人船编队协同控制系统及方法 |
CN108549369A (zh) * | 2018-03-12 | 2018-09-18 | 上海大学 | 一种复杂海况下多无人艇协同编队的系统及方法 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN108680063A (zh) * | 2018-05-23 | 2018-10-19 | 南京航空航天大学 | 一种针对大规模无人机集群动态对抗的决策方法 |
CN108873894A (zh) * | 2018-06-11 | 2018-11-23 | 上海大学 | 一种基于多无人艇的目标跟踪协同控制系统和方法 |
Non-Patent Citations (2)
Title |
---|
PENG ZHOUHUA: "Distributed coordinated control of multiple underactuated marine surface vehicles along one curve", 《2016 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》 * |
吕光颢: "无人船集群队形重构的目标任务分配", 《中国舰船研究》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109857117A (zh) * | 2019-03-07 | 2019-06-07 | 广东华中科技大学工业技术研究院 | 一种基于分布式模式匹配的无人艇集群编队方法 |
CN109857117B (zh) * | 2019-03-07 | 2021-10-29 | 广东华中科技大学工业技术研究院 | 一种基于分布式模式匹配的无人艇集群编队方法 |
CN109901584A (zh) * | 2019-03-21 | 2019-06-18 | 南京大学 | 一种基于自组织的机器人编队方法、可读存储介质及机器人 |
CN110163502A (zh) * | 2019-05-21 | 2019-08-23 | 北京壹氢科技有限公司 | 一种多弹协同多阶段目标分配方法 |
CN110163502B (zh) * | 2019-05-21 | 2021-03-05 | 北京壹氢科技有限公司 | 一种多弹协同多阶段目标分配方法 |
CN112184400A (zh) * | 2019-07-03 | 2021-01-05 | 中南大学 | 一种基于局部信息的异构多智能体多阶段分布式拍卖算法 |
CN112184400B (zh) * | 2019-07-03 | 2024-04-02 | 中南大学 | 一种基于局部信息的异构多智能体多阶段分布式拍卖算法 |
CN111208835A (zh) * | 2020-02-27 | 2020-05-29 | 大连海事大学 | 一种基于拓扑重构的船舶编队切换控制方法 |
CN111208835B (zh) * | 2020-02-27 | 2023-08-01 | 大连海事大学 | 一种基于拓扑重构的船舶编队切换控制方法 |
CN111623780A (zh) * | 2020-06-08 | 2020-09-04 | 大连海事大学 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
CN111623780B (zh) * | 2020-06-08 | 2023-09-08 | 大连海事大学 | 一种基于优先级目标分配的多无人船协同路径规划方法 |
CN112269395B (zh) * | 2020-10-11 | 2022-11-25 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN112269395A (zh) * | 2020-10-11 | 2021-01-26 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN112987776A (zh) * | 2020-12-01 | 2021-06-18 | 一飞智控(天津)科技有限公司 | 单机故障返航路径规划方法、系统、无人机及存储介质 |
CN112596528B (zh) * | 2020-12-17 | 2022-03-11 | 中国科学院合肥物质科学研究院 | 一种用于打捞水面垃圾无人船的控制方法 |
CN112596528A (zh) * | 2020-12-17 | 2021-04-02 | 中国科学院合肥物质科学研究院 | 一种用于打捞水面垃圾无人船的控制方法 |
CN114137955B (zh) * | 2021-10-26 | 2023-04-28 | 中国人民解放军军事科学院国防科技创新研究院 | 基于改进市场法的多机器人快速协同建图方法 |
CN114137955A (zh) * | 2021-10-26 | 2022-03-04 | 中国人民解放军军事科学院国防科技创新研究院 | 基于改进市场法的多机器人快速协同建图方法 |
CN114326715A (zh) * | 2021-12-09 | 2022-04-12 | 东南大学 | 一种变维多智能体系统的编队控制方法与装置 |
CN114326715B (zh) * | 2021-12-09 | 2023-10-03 | 东南大学 | 一种变维多智能体系统的编队控制方法与装置 |
CN116841208A (zh) * | 2023-08-30 | 2023-10-03 | 白杨时代(北京)科技有限公司 | 一种无人水下航行器编队控制模拟方法、系统和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109407680B (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407680A (zh) | 无人船编队重构的分布式目标协同分配方法 | |
CN110865653B (zh) | 一种分布式集群无人机队形变换方法 | |
Chen et al. | When UAV swarm meets edge-cloud computing: The QoS perspective | |
CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
Liu et al. | Distributed and energy-efficient mobile crowdsensing with charging stations by deep reinforcement learning | |
Hu et al. | Ready player one: UAV-clustering-based multi-task offloading for vehicular VR/AR gaming | |
Puig et al. | A new global optimization strategy for coordinated multi-robot exploration: Development and comparative evaluation | |
CN113495578A (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
KR101339480B1 (ko) | Rrt 기반의 듀얼 트리 구조를 이용한 이동 로봇의 궤적 계획 방법 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN108664022A (zh) | 一种基于拓扑地图的机器人路径规划方法及系统 | |
CN113238583B (zh) | 一种固定翼无人机密集编队飞行与防撞控制方法 | |
CN113050677A (zh) | 多无人机队形保持和变换的控制方法、系统、存储介质 | |
CN111552314A (zh) | 多无人机自适应编队跟踪控制方法 | |
CN111522258A (zh) | 多无人机协同控制仿真系统及其构建方法、仿真方法 | |
CN113671987B (zh) | 基于非死锁合同网算法的多机分布式时序任务分配方法 | |
CN109839933A (zh) | 一种基于vdsom算法的多机器人任务分配方法 | |
CN114489127B (zh) | 一种面向无人机集群的自组织队形编队方法 | |
CN114063570B (zh) | 机器人喷涂控制方法、装置、电子设备及存储介质 | |
CN110442134B (zh) | 一种基于双层网络的多智能体群集控制方法 | |
CN110362105A (zh) | 基于多uav的传感器网络无线充电方法 | |
CN113612528A (zh) | 一种无人机集群数字孪生仿真系统网络连通性修复方法 | |
CN114154819A (zh) | 一种基于任务相似度的多agv分布式调度方法与系统 | |
Cheikhrouhou et al. | Move and improve: A distributed multi-robot coordination approach for multiple depots multiple travelling salesmen problem | |
Hu et al. | Multi-UAV coverage path planning: A distributed online cooperation method |
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 |