CN110288165B - 基于快速聚类和优化分配的多目标无人监测跟踪方法 - Google Patents

Abstract

本发明公开了一种基于快速聚类和优化分配的多目标无人监测跟踪方法，能够将整块复杂不确定的待监测区域快速划分为多个具有价值聚类的子区域，以分开监测，降低了系统整体的难度，也提高了无人监测的工作效率；根据现实情况对各区域内的无人机进行再分配调整，提升了系统的灵活性；结合相关算法将复杂的多目标跟踪问题转化为无人器的轨迹优化问题，通过优化后的多无人器的协同控制，保障了无人监测跟踪系统的稳定性与精准度。

Description

基于快速聚类和优化分配的多目标无人监测跟踪方法

技术领域

本发明涉及一种基于快速聚类和优化分配的多目标无人监测跟踪方法。

背景技术

我国是海洋大国，拥有1.8万千米的海岸线，蕴藏了大量的生物、矿产等自然资源，广袤富饶的海洋对于祖国具有重要的经济、军事战略价值。随着我国经济的发展以及周边国际环境的日益变化，我们强大的经济体需要与之相匹配的安全力量来守护这片宝贵的海上领土，因此全天候的海上监测任务十分迫切。

目前除了海警船、军舰、巡逻机等传统监测手段，还普遍采用了灵活的无人监测方法包括无人艇、无人机等，扩大了海上监测的覆盖范围，也降低了成本。但是已有的无人监测方法往往未考虑到覆盖区域的划分、无人器的分配方式以及无人器的协同控制等问题，也未能将以上几个重要模块有机结合在一起。其中针对区域覆盖范围，有人提出将整块待监测区域分解为多个子区域，以分开监测，提高工作效率，并采用了传统的K-mean、均值漂移等聚类算法，而这些算法存在参数不确定、计算复杂、响应速度慢、效率低等局限性。

经研究调查，现有公开编号为CN201810318518.8的中文专利涉及一种多无人机协同侦察移动目标的方法：将待侦察区域简单划分为大小相同的一组子区域并分配数量相同的无人机进行侦察。该方法存在以下的缺陷：第一，该方法对于待检测区域的划分不合理，当目标较多且是动态时，仅以大小划分并不适合覆盖复杂多变的海上区域；第二，当子区域内出现多个目标时，该方法只是简单地调动相邻子区域内的无人机协助，而对于无人机数目的再分配、以及多无人机的协同控制方法等模块都未阐述，系统稳定性无法得到保障，因此该方法存在一些不足。现有公开编号为1000-3096(2018)01-0106-06的中文论文提出了基于无人机/无人艇的最优动态覆盖观测技术，其采取了基于高斯混合模型的区域特征提取理论,从任务区域中提取出若干个子区，此方法计算量较大，在做聚类前需要找到数据集的均值和标准差，并采用最大期望(EM)的优化算法进行参数的多次迭代，降低了响应速度。

发明内容

发明目的：本发明的目的是提供一种基于快速聚类和优化分配的多目标无人监测跟踪方法，针对现有技术的不足，通过整合各个模块，即能够将区域划分模块、无人机分配模块以及多目标跟踪模块有机结合在一起；对目标点的聚类速度进行了优化，以此加快待监测区域的划分；根据实际情况对各子区域内的无人机数目进行优化再调节。

技术方案：本发明所述的基于快速聚类和优化分配的多目标无人监测跟踪方法，包括以下步骤：

步骤A，构建局部密度rho函数和高密度的点距离delta函数，基于rho函数和delta函数对待监测区域内的目标点进行聚类，其中选择rho和delta值都较大的目标点作为聚类中心，周围的目标点采取跟随策略,其归类到密度比自己大的最近邻居所在的簇，以此将整个区域分解成多个具有价值聚类的子区域；

步骤B，对子区域分配无人机，以最大期望观测收益为指标初步分配各个子区域内无人机的数量；其中根据实际情况，当子区域内的目标数大于无人机数时，发送信号给目标数小于无人机数的子区域的无人机请求进行协助，前来协助的无人机则以该子区域内发现目标的最后一架无人机作为虚拟领航者；从其它子区域前来协助的无人机作为跟随者跟随虚拟领航者；

步骤C，根据优化一致性算法多目标跟踪问题转化为无人器的轨迹优化。

有益效果：本发明能够将整块复杂不确定的待监测区域快速划分为多个具有价值聚类的子区域，以分开监测，降低了系统整体的难度，也提高了无人监测的工作效率；本发明可以根据现实情况对各区域内的无人机进行再分配调整，提升了系统的灵活性；本发明结合相关算法将复杂的多目标跟踪问题转化为无人器的轨迹优化问题，通过优化后的多无人器的协同控制，保障了无人监测跟踪系统的稳定性与精准度。

附图说明

图1是本发明实施例的工作流程示意图；

图2是本发明实施例的聚类决策图的示意图；

图3是.本发明实施例的优化分配模块的示意图；

图4是本发明实施例的最优化一致性策略的示意图。

具体实施方式

如图1所示，一种基于快速聚类和优化分配的多目标无人监测跟踪方法中，采取了基于区域划分、无人机优化分配、多目标一致性跟踪的模块整合思路，其模块A用于区域的划分，即基于密度的快速聚类算法将整块复杂不确定的待监测区域划分为多个具有价值聚类子区域，以分开监测，提高工作效率；模块B用于各子区域内无人机的优化分配，首先以最大观测收益值为指标初步分配m架无人机，然后根据实际情况对无人机的数量进行优化再调节，当子区域内的目标数n大于无人机数m时，发送信号给n小于m的子区域内的无人机请求进行协助；模块C用于多目标的一致性跟踪，前来协助的无人机则以该子区域内发现目标的最后一架无人机作为虚拟领航者，根据优化一致性跟踪协议对该区域内的剩余目标继续监测跟踪。

如图2所示，一种基于快速聚类和优化分配的多目标无人监测跟踪方法中，基于密度的快速聚类算法用于海上一块具有15个目标点的待监测区域的划分，而这个15个目标点对应决策图中的15个数据点，因为第1号和第10号数据点相较于其它数据点同时具有较大的p值和δ值,即局部密度值和高密度点的距离值，于是将这两个数据点作为数据集的两个聚类中心，而其周围的点让周围的点采取“跟随”策略，各归类到密度比自己大的最近邻居所在的簇。

如图3所示，一种基于快速聚类和优化分配的多目标无人监测跟踪方法中，无人机优化分配模块用于各子区域内无人机的优化分配，包括初步分配和再分配。第一部分是以最大期望观测收益为指标初步分配各个子区域内无人机的数量；第二部分是根据子区域内的目标数和对应无人机数目的对比，以进行无人机的数目再调节。假设第i个子区域内的目标数n为3，对应的无人机数目m为5，则其中的3架无人机对3个目标进行对应监测跟踪，而其它多余的2架无人机可加入相邻子区域或者需要协助的子区域；而当第i个子区域内的目标数n为5，而对应的无人机数目m为3，则发送信号给上述未监测到目标或者目标数少于无人机数的子区域内的无人机请求进行协助，且前来协助无人机的数目为2，这两架无人机以该子区域内发现目标的最后一架无人机为虚拟领航者，采用领航-跟随的编队控制结构对剩余的2个目标继续进行监测跟踪。由此一来，该方法能够根据实际情况对无人机的分配数目进行再调节。

如图4所示，在每次优化一致性算法迭代中，通过对目标函数和代价函数的优化并在过程中添加约束条件，能够基于信息交换优化目标函数J_i生成的经过预测范围N_p个点的轨迹，并通过得到轨迹的所有测量值，计算了第i架无人机的最优方向，即代价函数

的优化值。而无人机的运动学轨迹模型能够根据对状态信息进行预测，进一步反馈给目标函数。其中，F(J_i)表示目标函数，

表示代价函数，u(k)表示控制输入。

实现本发明目的的技术解决方案为：一种基于快速聚类和优化分配的多目标无人监测跟踪方法，主要分为了以下三个模块：区域划分、无人机优化分配、多目标一致性跟踪。

模块A用于区域的划分，即基于一种新型快速的聚类算法将整块复杂不确定的待监测区域划分为多个具有价值聚类子区域，以分开监测，提高工作效率，具体包含以下步骤：

步骤A-1，假设集群中心被局部密度较低的邻居包围，并且它们与局部密度较高的任何点之间的距离都相对较大，新型快速的聚类算法就是基于快速搜索和查找密度峰聚类。

首先定义待聚类目标点的数据集和相应指标集

I_s＝{1，2，…N}，则局部密度rho函数的公式如下所示：

其中，p_i表示局部密度函数，d_ij＝dist(X_i，X_j)表示数据点X_i和X_j之间的距离，d_c表示截止距离，如果x＜0，则χ(x)＝1，否则χ(x)＝0。

步骤A-2，通过计算点X_i与任何其它密度较高的点之间的最小距离来测量高密度点的距离delta函数，其公式如下所示：

其中，δ_i表示点i与高密度点的距离。

步骤A-3.选择合适的聚类中心点。

步骤A-3-1，依据上述步骤的rho和delta画出一个平面决策图。

步骤A-3-2，根据决策图，选出rho和delta值都大的点作为聚类中心。其中为了能够快速选择出中心点，减少因为人工筛选造成的时间，首先对rho、delta值进行排序，再选取一个合理的阈值，最后将rho、delta值都大于设定阈值的目标点选定为聚类中心点。

步骤A-3-3，选定中心点后，周围的点采取“跟随”策略归类到密度比自己大的最近邻居所在的簇，每个簇都有一个属于自己的核心，即聚类中心，聚类中心可以将周围的目标点纳入自己的簇内，以此形成多个簇，通过聚类算法可以将一整片广阔的待监测区域划分为多个具有高价值聚类的子区域，每个子区域内都有一定数目的目标，为每个子区域分配合适数目的无人机，无人机进一步对相应目标进行监测跟踪。

基于以上步骤就可以将整块复杂不确定的待监测区域划分为多个具有价值聚类子区域，接下来为每一个子区域分配合理数量的无人机对各区域内的目标进行监测跟踪。

模块B用于各子区域内无人机的优化分配，具体包含以下步骤：

步骤B-1，对所述子区域初步分配无人机。以最大期望观测收益为指标初步分配各个子区域内无人机的数量，如下所示：

其中，M表示无人机的分配指标，λ₁、λ₂表示权重系数，E_i表示期望观测收益，T_i、T_j表示理想观测时间，第一部分用于表示总的期望观测收益，而第二部分用于平衡各无人机的任务执行代价。

步骤B-2，根据各子区域内的实际情况进行无人机的再分配调节。

步骤B-2-1，假设第i个子区域内的目标数为n,无人机数目为m。

如果子区域内无人机没有监测到可疑目标即n＝0时，则该区域内的无人机加入相邻子区域或者需要协助的子区域。

步骤B-2-2，如果子区域内的目标数少于无人机数即n≤m且n≠0时，则该子区域内的无人机对目标继续进行对应监测跟踪，而其它无人机加入相邻子区域或者需要协助的子区域；

步骤B-2-3，如果该子区域内监测到多个可疑目标并且目标数大于无人机数即n＞m时，则发送信号给上述未监测到可疑目标或者目标数少于无人机数的子区域内的无人机请求进行协助，并且前来协助无人机的数目为n-m。

步骤B-2-4，根据上述步骤，当监测目标数大于该区域内的无人机数时，来自其它区域的无人机以该子区域内发现目标的最后一架无人机为虚拟领航者,结合领航-跟随法和优化一致性算法将复杂的多目标跟踪问题转化为无人机的轨迹优化控制问题。

模块C用于优化一致性算法多目标跟踪问题转化为无人器的轨迹优化，具体包含以下步骤：

步骤C-1，根据领航-跟随法建立对多无人机的协同编队，以提高系统的稳定性。

步骤C-1-1，假设选择的海上监测无人机为四旋翼无人机，并采用

控制，选定上述发现目标的最后一架无人机为虚拟领航者，而从其它子区域前来协助的无人机作为跟随者，跟随者与领航者之间通过保持着一定的距离与角度，并实时调整距离和方向夹角，实现队形的稳定。

无人机在惯性坐标系下的运动方程如下所示：

其中，

分别表示无人机在x，y方向的速度，ψ_i、ω_i分别表示无人机的偏航角、偏航角角速度。

步骤C-1-2，并定义系统误差为：

其中，e_ψ表示方向误差，e_x、e_y表示位置编队误差，ψ_L、ψ_F表示领航者、跟随者的方向，l_x、l_y表示在x、y方向上领航者与跟随者的实际距离，l_x ^d、l_y ^d表示在x、y方向上领航者与跟随者的期望距离。

步骤C-2，利用优化一致性算法将多目标的跟踪问题转化为无人机的轨迹优化问题，采用预测控制理论，根据部分无人机(领航无人机)的状态信息使得同一区域内的所有无人机的状态都都达到一致，进一步定义成本函数(代价函数)，权衡无人机群体合作与响应需求，并可以直接地在代价函数中添加附加约束条件，以实现多人机对多目标的精准监测跟踪。

步骤C-2-1，首先依据图论定义基本的一致性协议和跟踪一致性的条件，以一阶连续系统为为例，公式如下所示：

其中，i＝1,2,3，…n；j＝1,2,3，…n。ξ(t)、u_i(t)分别表示一阶连续时间下无人机t时刻的状态、控制输入，ξ_i[k]、u_i[k]表示离散时间k时刻下第i架无人机的信息状态和控制输入，Δ_k表示步长，a_ij表示邻接矩阵。

步骤C-2-2，然后考虑到控制信号饱和度以及收敛速度和跟踪误差，设定目标函数以保障需求响应和合作条件的性能指标。

初步的目标函数J_i设置如下所示：

其中，N_p表示预测范围，

表示状态ξ_i、ξ_j的预测，δ_ξ、δ_e表示由邻接矩阵值组成的矩阵，当第i架无人机和第j架无人机之间没有通信时，其矩阵δ_ξ的输入参数为0，同理当无人机i没有相关的参考信息时，矩阵δ_e的输入参数为0。

而N_u表示控制范围，Δu_i[k]表示控制增量，λ_u[k]表示系统未来行为函数,

表示状态预测矩阵，

表示状态ξ_i位于范围预测k的矩阵，T表示由Δ_k组成的矩阵，U_i表示具有未来控制输入的向量，

表示控制增量的矩阵，

表示k时刻控制

的矩阵，U_aux表示处理控制增量间差异的辅助矩阵。

基于此以上目标函数包含了控制工作、状态能量和跟踪误差的平衡。

步骤C-2-3，进一步对上述目标函数进行优化。

为了保证至少拥有一条通向所有无人机的路径，包括虚拟领航者，对目标函数进行优化，得到新的目标函数，如下所示：

其中，

表示状态的增量矩阵，E_ref表示新的预测矩阵。

步骤C-2-4，为了使得上述目标函数最小化，实现无人机的二次规划，再设定一个代价函数(成本函数)。代价函数如下所示：

其中，θ_i表示无人机的实际方向，其用于找到一个θ_i的值使得代价函数

最小，

表示期望的方向。通过代价函数权衡了无人机群体合作与响应需求。

步骤C-2-5，为了在通信信道中受到海上复杂环境影响造成的临时故障时，也能保持任意两个相邻的无人机在一个连接半径内，在上述代价函数中添加一个连通性约束条件。

定义i是j的邻接点，约束条件如下所示：

其中，d_ij ^M表示i、j两个位置之间的欧式距离的曼哈顿形式，

分别表示k时刻x、y坐标的信息状态，

表示使用导数项临界点的估计状态，r_com表示通信半径。

Claims (4)

1.一种基于快速聚类和优化分配的多目标无人监测跟踪方法，其特征在于包括以下步骤：

步骤A，构建局部密度rho函数和高密度的点距离delta函数，基于rho函数和delta函数对待监测区域内的目标点进行聚类，其中选择rho和delta值均大于设定阈值的目标点作为聚类中心，周围的目标点采取跟随策略,其归类到密度比自己大的最近邻居所在的簇，以此将整个区域分解成多个具有高价值聚类的子区域；

步骤B，对子区域分配无人机，以最大期望观测收益为指标初步分配各个子区域内无人机的数量；其中根据各自区域内的实际情况对无人机的数目再调节，当子区域内的目标数大于无人机数时，发送信号给目标数小于无人机数的子区域的无人机请求进行协助，前来协助的无人机则以该子区域内发现目标的最后一架无人机作为虚拟领航者；从其它子区域前来协助的无人机作为跟随者跟随虚拟领航者；

步骤C，根据优化一致性算法多目标跟踪问题转化为无人机的轨迹优化；

利用优化一致性算法复杂的多目标跟踪问题转化为无人机的轨迹优化问题，首先依据图论定义基本的一致性协议和跟踪一致性的条件，则，一阶连续系统公式如下所示：

其中，i＝1,2,3，…n；j＝1,2,3，…n，ξ(t)、u_i(t)分别表示一阶连续时间下无人机t时刻的状态、控制输入，ξ_i[k]、u_i[k]表示离散时间k时刻下第i架无人机的信息状态和控制输入，Δ_k表示步长，a_ij表示邻接矩阵；

然后考虑到控制信号饱和度以及收敛速度和跟踪误差，提出目标函数，以保障需求响应和合作条件的性能指标，初步的目标函数J_i设置如下所示：

其中，N_p表示预测范围，

表示状态ξ_i、ξ_j的预测，δ_ξ、δ_e表示由邻接矩阵值组成的矩阵，当第i架无人机和第j架无人机之间没有通信时，其矩阵δ_ξ的输入参数为0，同理当无人机i没有相关的参考信息时，矩阵δ_e的输入参数为0；

而N_u表示控制范围，Δu_i[k]表示控制增量，λ_u[k]表示系统未来行为函数,

表示状态预测矩阵，

表示状态ξ_i位于范围预测k的矩阵，T表示由Δ_k组成的矩阵，U_i表示具有未来控制输入的向量，

表示控制增量的矩阵，

表示k时刻控制

的矩阵，U_aux表示处理控制增量间差异的辅助矩阵；

对目标函数进行优化，得到新的目标函数，一阶连续如下所示：

其中，

表示状态的增量矩阵，F_ref表示新的预测矩阵；

设定代价函数，实现无人机的二次规划，权衡无人机的群体合作与响应需求；代价函数如下所示：

其中，θ_i表示无人机的实际方向，其用于找到一个θ_i的值使得代价函数

最小，

表示期望的方向；

对上述代价函数添加连通性约束条件，定义i是j的邻接点，约束条件如下所示：

其中，d_ij ^M表示i、j两个位置之间的欧式距离的曼哈顿形式，

分别表示k时刻x、y坐标的信息状态，

表示使用导数项临界点的估计状态，r_com表示通信半径。

2.根据权利要求1所述的基于快速聚类和优化分配的多目标无人监测跟踪方法，其特征在于在步骤A中，包括以下步骤：

步骤A-1，待聚类目标点的数据集和相应指标集定位为

I_S＝{1，2，…N}，以此构建局部密度rho函数，rho函数的公式如下所示：

其中，p_i表示局部密度函数，d_ij＝dist(X_i，X_j)表示数据点X_i和X_j之间的距离，d_c表示截止距离，如果x＜0，则χ(x)＝1，否则χ(x)＝0；

步骤A-2，通过计算点X_i与任何其它密度高的点之间的最小距离来测量高密度点的距离delta函数，其公式如下所示：

其中，δ_i表示点i与高密度点的距离；

步骤A-3，依据上述步骤的rho和delta画出一个平面决策图,根据决策图，选出rho和delta值都大的点作为聚类中心，其中为了能够快速选择出中心点，减少因为人工筛选造成的时间，首先对rho、delta值进行排序，再选取一个合理的阈值，最后将rho、delta值都大于设定阈值的目标点选定为聚类中心点。

3.根据权利要求1所述的基于快速聚类和优化分配的多目标无人监测跟踪方法，其特征在于在步骤B中，以最大期望观测收益为指标初步分配各个子区域内无人机的数量，如下所示：

其中，M表示无人机的分配指标，λ₁、λ₂表示权重系数，E_i表示期望观测收益，T_i、T_j表示理想观测时间，第一部分用于表示总的期望观测收益，而第二部分用于平衡各无人机的任务执行代价。

4.根据权利要求1所述的基于快速聚类和优化分配的多目标无人监测跟踪方法，其特征在于在步骤B中，跟随者与领航者之间通过保持着一定的距离与角度，并实时调整距离和方向夹角，实现队形的稳定，无人机在惯性坐标系下的运动方程如下所示：

其中，

分别表示无人机在x、y方向的速度，ψ_i、ω_i分别表示无人机的偏航角、偏航角角速度；

并定义系统误差为：

其中，e_ψ表示方向误差，e_x、e_y表示位置编队误差，ψ_L、ψ_F表示领航者、跟随者的方向，l_x、l_y表示在x、y方向上领航者与跟随者的实际距离，l_x ^d、l_y ^d表示在x、y方向上领航者与跟随者的期望距离。

Images