CN110058607B - 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 - Google Patents
一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 Download PDFInfo
- Publication number
- CN110058607B CN110058607B CN201910275000.5A CN201910275000A CN110058607B CN 110058607 B CN110058607 B CN 110058607B CN 201910275000 A CN201910275000 A CN 201910275000A CN 110058607 B CN110058607 B CN 110058607B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cluster
- bird
- neighbor
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000003993 interaction Effects 0.000 claims abstract description 61
- 230000007246 mechanism Effects 0.000 claims abstract description 45
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 230000010287 polarization Effects 0.000 claims abstract description 14
- 230000002776 aggregation Effects 0.000 claims abstract description 13
- 240000006766 Cornus mas Species 0.000 claims abstract 2
- 230000000694 effects Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 6
- 230000001846 repelling effect Effects 0.000 description 4
- 241000209020 Cornus Species 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 244000062645 predators Species 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Images
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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法,步骤一:搭建无人机单机模型;步骤二:设计无人机状态控制器;步骤三:仿欧椋鸟群集结的无人机集群速度极化;步骤四:仿欧椋鸟智能的无人机集群交互机制切换;步骤五:仿欧椋鸟超机动的无人机集群超机动转弯;步骤六:输出无人机集群轨迹。本发明方法可实现数十乃至数百架无人机集群飞行和超机动转弯。本方法涵盖了集群控制、集群重构、集群转弯的功能,模拟欧椋鸟群体基于拓扑距离与固定邻居交互机制,用于多无人机交互。本发明不依赖于特定环境,面对不同任务均表现出较强的适应性与有效性。
Description
技术领域
本发明是一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法,属于无人机自主控制领域。
背景技术
无人机集群是提高无人机性能的一种重要且有效的手段,受限于人工智能技术的发展,单架无人机的智能程度短期不可能达到有人驾驶飞机的水平,因此单架无人机的性能在近期内也不能达到有人驾驶飞机的水平。自然界存在许多生物集群的现象,组成这些生物集群的是一个个弱小的生物个体,它们的个体生存能力十分低下,但整个集群却大大提高了整个物种的生存率。比如欧椋鸟,它们往往以数千只的规模组成鸟群集体行动,如外出觅食、归巢和迁徙。
超机动飞行无论对单架无人机还是整个无人机集群具有重要意义。无人机作战中,超机动转弯既可以规避敌方雷达的照射和锁定,又可以躲避敌方导弹的攻击,并且在攻击时能更容易占据有利位置发动攻击。
传统的分布式无人机集群机动是通过集群间的机间的避撞-聚集机制实现。由集群中一架或几架无人机最先开始,这些无人机发生转弯后,一方面会靠近其周围的其他无人机,形成将要发生碰撞的趋势,避撞机制会将这些无人机“推向”转弯方向;另一方面,最先发生转弯的无人机也会远离一部分其他无人机,而聚集机制又会将这些无人机“拉向”转弯方向。在这种集群转弯机制下,无人机集群的密度会发生疏密变化,整个集群转弯会发生很大延迟,但转弯速度也会大大降低。而传统集中式无人机集群机动可以由长机向所有僚机发送协调转弯的指令,各个僚机收到指令后按长机预定的程序转弯,这种方法可以显著提高集群转弯速度,但对集群通讯要求很高,当通讯延迟较大时,也会对转弯协调产生很大影响,从而大大拉低了集群转弯速度。
欧椋鸟群虽然具有庞大的规模体积,但其整体机动性却极强,且不会破坏集群的完整性,据观察,欧椋鸟群的运动速度在7~12m·s-1。它们之间的交互往往具有固定的拓扑关系,并且在转弯的过程中,由集群中某一点的一只或几只欧椋鸟发起,其转弯信息沿邻居关系迅速传遍整个集群,如图1。其中空心箭头表示转向信息传递方向,直线虚线表示分隔不同时间开始转弯的个体,坐标系中的曲线实线、曲线虚线、点划曲线虚线分别表示转向信息传递过程中的欧椋鸟角速度定性描述。利用欧椋鸟集群强大的运动机制,设计一种适用于无人机集群大机动转弯方法。
发明内容
本发明提出一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法,其目的是设计用于支持无人机大规模集群整体转弯的交互机制,从集群内部一架或几架无人机的转弯,实现整个无人机集群超机动协调转弯。
本发明提出的大规模无人机集群转弯方法适应性较好,为解决无人机大规模集群超机动转弯提供一种可行技术手段,其流程如图2,其主要实施步骤如下。
步骤一:搭建无人机单机模型
根据大规模无人机集群运动特性,无人机集群在水平方向机动比垂直方向机动更加快速与省油,以此建立单架无人机的三自由度运动学和动力学模型,其中输入变量有:发动机推力与无人机质量的比值at,无人机空气阻力系数k,无人机偏航角速度ω;无人机状态量有:位置p=(px,py),速度大小v,偏航角ψ;无人机性能参数有:最大推质比am,最大空气阻力系数kmax,最小空气阻力系数kmin,最大偏航角速度ωm。关于上述输入量、状态量及性能参数的关系和动力学运动学模型如下:
其中无人机以北东地地理坐标系为导航坐标系。
步骤二:设计无人机状态控制器
针对步骤一中搭建的无人机模型,设计一种对应的PID控制器对单架无人机的状况控制。控制器模型如下:
步骤三:仿欧椋鸟群集结的无人机集群速度极化
(1)欧椋鸟群集结交互机制。
欧椋鸟群集结交互机制包括个体与邻居间的聚拢行为机制、排斥行为机制和对齐行为机制。且发生交互的邻居个数是固定的,按照几何距离由近至远选择固定数量的邻居交互。
欧椋鸟通常是成百上千的个体集结成一个群体统一行动,如外出觅食,迁徙等。在每次离巢前会经历一个集结的过程,即整个集群由无序散乱的状态快速聚合成一个相对集中密集的飞行集群。欧椋鸟在开始集结成群的过程中,会寻找与自己周围的其他欧椋鸟向它们靠拢,与它们保持速度一致,这个交互的邻居数量是相对固定的,大约是6、7只。由于在初期欧椋鸟相互之间相对陌生,因此每只欧椋鸟仅仅依靠距离选取离自己最近的个体进行交互,以期以最快的速度聚拢成群,其交互机制如图3所示。由于欧椋鸟集群没有固定的形状,并且出于对超机动性的要求,它们在聚拢行为上的约束远不如排斥行为强。排斥行为是为了欧椋鸟个体之间的防撞,因此在两只欧椋鸟相距较近的时候需要极大的动作去拉大间距;而聚拢行为是保证集群的凝聚,在距离要求上存在一个缓冲,并且在应对捕食者时,欧椋鸟集群在短时间内需要做出集群形状的瞬间改变,甚至分裂,因此对于欧椋鸟来说,太强的聚拢约束不利于大机动。
(2)仿欧椋鸟集群集结的无人机速度极化
无人机集群在初始时刻呈现混乱无序的状态,表现为速度大小与方向的差别较大,如图4所示,其中空心三角形表示按距离选择固定数量邻居交互的无人机。根据欧椋鸟集群集结的交互机制,提出无人机极化交互规则,每架无人机通过极化交互规则从无序状态组成速度趋于一致的集群状态。无人机选择与自己距离最近的一定数量的无人机交互,采用速度对齐,近距排斥,远距吸引的交互机制形成速度一致并且密度均匀的无人机集群,如图5所示,其中空心三角形表示按距离选择固定数量邻居交互的无人机,实心三角形表示以下步骤四中阐述的切换到固定邻居模式交互的无人机。所述的无人机极化交互规则如下:
其中,ve=(vesinψe,vecosψe),Rc表示集群达到稳定状态后个体间最佳距离,α表示比例系数,用来调节速度对齐和距离排斥/聚集效应的权重,Ni表示无人机i的邻居,Ns表示邻居无人机数量,vc表示集群迁徙速度。
步骤四:仿欧椋鸟智能的无人机集群交互机制切换
(1)欧椋鸟交互规则智能演化
欧椋鸟在集结前后的邻居交互机制是不同的,集结前采用按距离由近至远选取的固定数量的邻居交互机制,集结后集群内部趋于稳定之后智能地演化为固定个体的邻居交互机制。
欧椋鸟在完成集群集结后,便进入集群相对稳定的飞行阶段,集群内欧椋鸟的相对位置以及集群密度也基本不变。按照集群集结时的按距离的交互机制,在集群集结过程中欧椋鸟之间相对位置变化大,发生交互的个体会快速变更,而完成集结后集群内部处于稳定状态,欧椋鸟与周围发生交互的邻居按照该交互机制也会变得相对固定,而欧椋鸟是一种社会性动物,此时它们之间会建立一种渐渐固定的社会关系,即使之后这种相对位置发生短期的变动,也不会影响原本的交互关系。因此在欧椋鸟集群稳定下来后,欧椋鸟的交互邻居会固定下来,即每只欧椋鸟会一直与当前交互的邻居发生交互,在视觉等条件允许范围内,不随距离改变而更换交互对象,直到集群解散,如图6所示,其中实心三角形表示切换到固定邻居模式交互的无人机。
(2)仿欧椋鸟智能交互演化的无人机交互机制切换
无人机集群中,每架无人机与其邻居的速度一致性通过如下公式衡量:
当φi满足
认为无人机i达到集群内稳定状态,此时无人机将达到稳态的当前邻居作为固定邻居。即将无人机i当前发生交互的Nn架邻居无人机将一直与无人机i交互,而无人机i将不再与其他无人机交互。
当无人机i的邻居固定后,若存在非邻居无人机k与无人机i满足距离小于Rc,则无人机i会对无人机k产生排斥速度以避撞:
其中Mi表示与无人机i的距离小于Rc的非邻居无人机的集合。
步骤五:仿欧椋鸟超机动的无人机集群超机动转弯
(1)欧椋鸟集群超机动转弯信息传播
欧椋鸟转弯信息沿固定邻居的拓扑关系从集群的某一点传播到整个集群。
欧椋鸟集群具有超高的机动性,它们在转弯时,由集群内一只或相邻的几只个体最先开始转弯,集群中与这些最先开始转弯的个体属于固定邻居关系的其他未转弯个体,当它们观测到其邻居中某一个体的速度方向与自己相差较大,则将跟随该个体转向。由于固定的邻居关系,转弯信息会以极高的速度在集群内部传播,使得整个集群几乎同时发生转弯而保持集群密度和外形相对不变。欧椋鸟集群在转弯过程中保持平移,即集群整体不产生角运动。
(2)仿欧椋鸟超机动的无人机超机动转弯
步骤六:输出无人机集群轨迹
初始化无人机集群。无人机集群初始状态有:集群中无人机的数量Nu,初始时间t0,仿真步进周期ΔT,无人机的初始位置无人机的初始速度vi(t0),无人机初始偏航角ψi(t0),每架无人机的邻居数Nn,调节参数α、β、η以及阈值输出无人机集群的轨迹,如图11所示。
本发明提出一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法,其优点及功效在于:可实现数十乃至数百架无人机集群飞行和超机动转弯。本方法涵盖了集群控制、集群重构、集群转弯的功能,模拟欧椋鸟群体基于拓扑距离与固定邻居交互机制,用于多无人机交互。本发明不依赖于特定环境,面对不同任务均表现出较强的适应性与有效性。
附图说明
图1本发明的基于欧椋鸟固定邻居的超机动转弯信息传递机制
图2本发明的基于欧椋鸟智能的无人机大规模超机动转弯方法流程图
图3本发明的基于欧椋鸟集群的无人机机间交互机制
图4 100架无人机迭代次数为1时的集群仿真二维示意图
图5 100架无人机迭代次数为1500时的集群仿真二维示意图
图6 100架无人机迭代次数为2999时的集群仿真二维示意图
图7 100架无人机迭代次数为3000时的集群仿真二维示意图
图8 100架无人机迭代次数为3003时的集群仿真二维示意图
图9 100架无人机迭代次数为3006时的集群仿真二维示意图
图10 100架无人机迭代次数为3009时的集群仿真二维示意图
图11 100架无人机二维轨迹示意图
图3中标号及符号说明如下:
vi无人机i当前速度
vj无人机j当前速度
fd基于距离排斥/吸引的交互项
fv基于速度一致的交互项
Rc邻居间最佳间距
具体实施方式
以下结合附图及具体实施例,对本发明的技术方案做进一步的说明。
该方法适用于固定翼、多旋翼以及直升机等无人机机型,对于多旋翼和直升机,由于其可以悬停的特性,在做超机动转弯时,可以将速度减为零,然后可以做任意转弯角的机动;如果要保持较高的速度进行超机动转弯,则其转弯模型与固定翼模型相同。该方法适用于固定翼以及高速飞行的多旋翼、直升机。这里采用固定翼无人机模型,将其运动简化为速度大小和偏航角的运动。并使用社会力交互机制,每架无人机与固定的邻居无人机交互。通过仿真得到理想的集群飞行转弯航迹,验证本发明的有效性。
下面通过一个具体的无人机大规模集群超机动转弯的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CoreTM i7-6700处理器,3.40GHz主频,16.0GB内存,软件为MATLAB 2014a版本。该方法具体步骤如下:
步骤一:搭建无人机模型
根据大规模无人机集群运动特性,无人机集群在水平方向机动比垂直方向机动更加快速与省油,以此建立三自由度无人机动力学与运动学模型,设置输入变量:发动机推力与无人机质量的比值at,无人机空气阻力系数k,无人机偏航角速度ω;无人机状态量有:位置p=(px,py),速度大小v,偏航角ψ;无人机性能参数有:最大推质比am=2m·s-2,最大空气阻力系数kmax=0.5s-1,最小空气阻力系数kmin=0.1s-1,最大偏航角速度ωm=π/4rad·s-1。关于上述输入量、状态量及性能参数的关系和动力学运动学模型如下:
其中无人机以北东地地理坐标系为导航坐标系。
步骤二:设计无人机状态控制器
针对步骤一中搭建的无人机模型,设计一种对应的PID控制器对单架无人机的状况控制。控制器模型如下:
步骤三:仿欧椋鸟群集结的无人机集群速度极化
(1)欧椋鸟群集结交互机制。
欧椋鸟通常是成百上千的个体集结成一个群体统一行动,如外出觅食,迁徙等。在每次离巢前会经历一个集结的过程,即整个集群由无序散乱的状态快速聚合成一个相对集中密集的飞行集群。欧椋鸟在开始集结成群的过程中,会寻找与自己周围的其他欧椋鸟向它们靠拢,与它们保持速度一致,这个交互的邻居数量是相对固定的,大约是6、7只。由于在初期欧椋鸟相互之间相对陌生,因此每只欧椋鸟仅仅依靠距离选取离自己最近的个体进行交互,以期以最快的速度聚拢成群,其交互机制如图3所示。由于欧椋鸟集群没有固定的形状,并且出于对超机动性的要求,它们在聚拢行为上的约束远不如排斥行为强。排斥行为是为了欧椋鸟个体之间的防撞,因此在两只欧椋鸟相距较近的时候需要极大的动作去拉大间距;而聚拢行为是保证集群的凝聚,在距离要求上存在一个缓冲,并且在应对捕食者时,欧椋鸟集群在短时间内需要做出集群形状的瞬间改变,甚至分裂,因此对于欧椋鸟来说,太强的聚拢约束不利于大机动。
(2)仿欧椋鸟集群集结的无人机速度极化
无人机集群在初始时刻呈现混乱无序的状态,表现为速度大小与方向的差别较大,如图4所示,其中空心三角形表示按距离选择固定数量邻居交互的无人机。根据欧椋鸟集群集结的机制,每架无人机通过局部交互规则从无序状态组成速度趋于一致的集群状态。无人机选择与自己距离最近的一定数量的无人机交互,采用速度对齐,近距排斥,远距吸引的交互机制形成速度一致并且密度均匀的无人机集群,如图5所示。无人机极化交互规则如下:
其中,ve=(ve sinψe,ve cosψe),Rc=20m表示集群达到稳定状态后个体间最佳距离,α=0.5表示比例系数,用来调节速度对齐和距离排斥/聚集效应的权重,Ni表示无人机i的邻居,Ns=6表示邻居无人机数量,vc=(0 8)表示集群迁徙速度。
步骤四:仿欧椋鸟智能的无人机集群交互机制切换
(1)欧椋鸟交互规则智能演化
欧椋鸟在完成集群集结后,便进入集群相对稳定的飞行阶段,集群内欧椋鸟的相对位置以及集群密度也基本不变。按照集群集结时的按距离的交互机制,在集群集结过程中欧椋鸟之间相对位置变化大,发生交互的个体会快速变更,而完成集结后集群内部处于稳定状态,欧椋鸟与周围发生交互的邻居按照该交互机制也会变得相对固定,而欧椋鸟是一种社会性动物,此时它们之间会建立一种渐渐固定的社会关系,即使之后这种相对位置发生短期的变动,也不会影响原本的交互关系。因此在欧椋鸟集群稳定下来后,欧椋鸟的交互邻居会固定下来,即每只欧椋鸟会一直与当前交互的邻居发生交互,在视觉等条件允许范围内,不随距离改变而更换交互对象,直到集群解散,如图6所示,其中实心三角形表示切换到固定邻居模式交互的无人机。
(2)仿欧椋鸟智能交互演化的无人机交互机制切换
无人机集群中,每架无人机与其邻居的速度一致性通过如下公式衡量:
当φi满足
当无人机i的邻居固定后,若存在非邻居无人机k与无人机i满足距离小于Rc,则无人机i会对无人机k产生排斥速度以避撞:
其中Mi表示与无人机i的距离小于Rc的非邻居无人机的集合。
步骤五:仿欧椋鸟超机动的无人机集群超机动转弯
(1)欧椋鸟集群超机动转弯信息传播
欧椋鸟集群具有超高的机动性,它们在转弯时,由集群内一只或相邻的几只个体最先开始转弯,集群中与这些最先开始转弯的个体属于固定邻居关系的其他未转弯个体,当它们观测到其邻居中某一个体的速度方向与自己相差较大,则将跟随该个体转向。由于固定的邻居关系,转弯信息会以极高的速度在集群内部传播,使得整个集群几乎同时发生转弯而保持集群密度和外形相对不变。欧椋鸟集群在转弯过程中保持平移,即集群整体不产生角运动。
(2)仿欧椋鸟超机动的无人机超机动转弯
步骤六:输出无人机集群轨迹
Claims (2)
1.一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法,其特征在于:该方法步骤如下:
步骤一:搭建无人机单机模型
根据大规模无人机集群运动特性,无人机集群在水平方向机动比垂直方向机动更加快速与省油,以此建立单架无人机的三自由度运动学和动力学模型,其中输入变量有:发动机推力与无人机质量的比值at,无人机空气阻力系数k,无人机偏航角速度ω;无人机状态量有:位置p=(px,py),速度大小v,偏航角ψ;无人机性能参数有:最大推质比am,最大空气阻力系数kmax,最小空气阻力系数kmin,最大偏航角速度ωm;关于上述输入量、状态量及性能参数的关系和动力学运动学模型如下:
其中无人机以北东地地理坐标系为导航坐标系;
步骤二:设计无人机状态控制器
针对步骤一中搭建的无人机模型,设计一种对应的PID控制器对单架无人机的状况控制;控制器模型如下:
其中,表示PID控制器参数,ve表示期望的飞行速度大小,ψe表示期望的偏航角,ac表示控制器输出的实际推质比,ωc表示控制器输出的实际偏航角速度;ev表示无人机实际飞行速度与期望飞行速度的速度差,表示该速度差的导数,eψ表示无人机实际偏航角与期望偏航角的角度差,表示该角度差的导数,ve表示期望的飞行速度大小;
步骤三:仿欧椋鸟群集结的无人机集群速度极化
S31.欧椋鸟群集结交互机制;
欧椋鸟群集结交互机制包括个体与邻居间的聚拢行为机制、排斥行为机制和对齐行为机制;且发生交互的邻居个数是固定的,按照几何距离由近至远选择固定数量的邻居交互;
S32.仿欧椋鸟集群集结的无人机速度极化
根据欧椋鸟集群集结的交互机制,提出无人机极化交互规则,每架无人机通过极化交互规则从无序状态组成速度趋于一致的集群状态;无人机选择与自己距离最近的一定数量的无人机交互,采用速度对齐,近距排斥,远距吸引的交互机制形成速度一致并且密度均匀的无人机集群;
步骤四:仿欧椋鸟智能的无人机集群交互机制切换
S41.欧椋鸟交互规则智能演化
欧椋鸟在集结前后的邻居交互机制是不同的,集结前采用按距离由近至远选取的固定数量的邻居交互机制,集结后集群内部趋于稳定之后智能地演化为固定个体的邻居交互机制;
S42.仿欧椋鸟智能交互演化的无人机交互机制切换
无人机集群中,每架无人机与其邻居的速度一致性通过如下公式衡量:
当φi满足
认为无人机i达到集群内稳定状态,此时无人机将达到稳态的当前邻居作为固定邻居;即将无人机i当前发生交互的Nn架邻居无人机将一直与无人机i交互,而无人机i将不再与其他无人机交互;
当无人机i的邻居固定后,若存在非邻居无人机k与无人机i满足距离小于Rc,则无人机i会对无人机k产生排斥速度以避撞:
其中Mi表示与无人机i的距离小于Rc的非邻居无人机的集合;α表示比例系数,用来调节速度对齐和距离排斥/聚集效应的权重,fd和fv分别表示基于距离和速度算出来的控制力,pi和pj分别表示无人机i及其邻居无人机j的位置向量;
步骤五:仿欧椋鸟超机动的无人机集群超机动转弯
S51.欧椋鸟集群超机动转弯信息传播
欧椋鸟转弯信息沿固定邻居的拓扑关系从集群的某一点传播到整个集群;
S52.仿欧椋鸟超机动的无人机超机动转弯
步骤六:输出无人机集群轨迹
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275000.5A CN110058607B (zh) | 2019-04-08 | 2019-04-08 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910275000.5A CN110058607B (zh) | 2019-04-08 | 2019-04-08 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110058607A CN110058607A (zh) | 2019-07-26 |
CN110058607B true CN110058607B (zh) | 2020-07-07 |
Family
ID=67318519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910275000.5A Active CN110058607B (zh) | 2019-04-08 | 2019-04-08 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110058607B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110597059B (zh) * | 2019-09-05 | 2021-05-04 | 武汉大学 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
CN110727289A (zh) * | 2019-11-26 | 2020-01-24 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机飞行控制方法 |
CN112068587B (zh) * | 2020-08-05 | 2021-09-03 | 北京航空航天大学 | 基于欧椋鸟通信机制的有人/无人机共融集群交互方法 |
CN112569598A (zh) * | 2020-12-22 | 2021-03-30 | 上海幻电信息科技有限公司 | 目标对象控制方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7431243B1 (en) * | 2006-03-23 | 2008-10-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Guidance and control for an autonomous soaring UAV |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
CN106843269A (zh) * | 2017-01-22 | 2017-06-13 | 北京航空航天大学 | 一种基于小型鸟类集群飞行机制的无人机编队方法 |
CN107424156A (zh) * | 2017-06-28 | 2017-12-01 | 北京航空航天大学 | 基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法 |
CN108268053A (zh) * | 2018-01-11 | 2018-07-10 | 北京航空航天大学 | 仿候鸟进化雪堆博弈的无人机自主集群编队轮换控制方法 |
CN108731684A (zh) * | 2018-05-07 | 2018-11-02 | 西安电子科技大学 | 一种多无人机协同区域监视的航路规划方法 |
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
CN108829131A (zh) * | 2018-06-12 | 2018-11-16 | 北京航空航天大学 | 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 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
-
2019
- 2019-04-08 CN CN201910275000.5A patent/CN110058607B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7431243B1 (en) * | 2006-03-23 | 2008-10-07 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Guidance and control for an autonomous soaring UAV |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
CN106843269A (zh) * | 2017-01-22 | 2017-06-13 | 北京航空航天大学 | 一种基于小型鸟类集群飞行机制的无人机编队方法 |
CN107424156A (zh) * | 2017-06-28 | 2017-12-01 | 北京航空航天大学 | 基于仿仓鸮眼视觉注意的无人机自主编队精准测量方法 |
CN108268053A (zh) * | 2018-01-11 | 2018-07-10 | 北京航空航天大学 | 仿候鸟进化雪堆博弈的无人机自主集群编队轮换控制方法 |
CN108731684A (zh) * | 2018-05-07 | 2018-11-02 | 西安电子科技大学 | 一种多无人机协同区域监视的航路规划方法 |
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
CN108829131A (zh) * | 2018-06-12 | 2018-11-16 | 北京航空航天大学 | 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 |
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
Non-Patent Citations (5)
Title |
---|
《Close formation flight of swarm unmanned aerial vehicles via metric-distance brain storm optimization》;Haibin Duan.etc;《Memetic Computing》;20180306;第1-13页 * |
《Large Scale UAVs Collaborative Formation Simulation Based on Starlings’ Flight Mechanism》;Rong Xie.etc;《Web and Big Data》;20181231;第11268卷;第65-78页 * |
《Receding horizon control for multiple UAV formation flight based on modified brain storm optimization》;Qiu, HX.etc;《Nonlinear Dynamics》;20141231;第78卷(第3期);第1973-1988页 * |
《从狼群智能到无人机集群协同决策》;段海滨等;《中国科学: 信息科》;20190103;第49卷(第1期);第112-118页 * |
《引入欧椋鸟群飞行机制的改进粒子群算法》;孙锋利等;《计算机应用研究》;20120531;第29卷(第5期);第1666-1669,1697页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110058607A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110058607B (zh) | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 | |
CN106843269B (zh) | 一种基于小型鸟类集群飞行机制的无人机编队方法 | |
Moore et al. | Robust post-stall perching with a simple fixed-wing glider using LQR-Trees | |
Chen et al. | Path planning for multi-UAV formation | |
CN111522258B (zh) | 多无人机协同控制仿真系统及其构建方法、仿真方法 | |
CN109062252B (zh) | 基于人工势场法的四旋翼无人机集群控制方法及其装置 | |
CN109669475A (zh) | 基于人工蜂群算法的多无人机三维编队重构方法 | |
CN110531786B (zh) | 基于dqn的无人机机动策略自主生成方法 | |
CN105549617B (zh) | 一种仿鸟群行为和虚拟结构的无人机编队控制方法 | |
CN107102565A (zh) | 无人机集群软件在环仿真系统 | |
Hoburg et al. | System identification of post stall aerodynamics for UAV perching | |
CN108279704B (zh) | 一种增加通信链路的多无人机的协同控制策略 | |
Hassanalian et al. | Conceptual design and analysis of separation flight for an unmaned air vehicle to five micro air vehicles | |
Cao et al. | UAV path planning based on improved particle swarm algorithm | |
Abbas et al. | Improved leader follower formation controller for multiple quadrotors based AFSA | |
CN112306097A (zh) | 一种新型无人机路径规划方法 | |
CN114815875B (zh) | 一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法 | |
CN109491402B (zh) | 基于集群控制的多无人机协同目标监视控制方法 | |
CN112034880A (zh) | 一种新型多无人机协同航路规划方法 | |
CN116560249A (zh) | 一种机动飞行的高自由度简化建模与轨迹仿真方法 | |
CN113377122B (zh) | 一种可栖落机动的变体飞行器切换自适应控制方法 | |
CN115510910A (zh) | 一种优化飞行模拟器动感模拟算法中的滤波器参数的方法 | |
Lucena et al. | Towards a double hybrid vtol UAV system | |
Mirzaeinia et al. | Performance enhancement and load balancing of swarming drones through position reconfiguration | |
Tingting et al. | Formation control of multiple UAVs via pigeon inspired optimisation |
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 |