CN110347181A - 基于能耗的无人机分布式编队控制方法 - Google Patents

Abstract

本发明公开了一种基于能耗的无人机分布式编队控制方法，包括：构造多无人机的网络结构拓扑图，所述网络结构拓扑图包括n个节点，每个节点代表一个无人机，其中，n为整数，且n≥2；根据所述网络结构拓扑图生成邻接矩阵；设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置；根据所述邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数；根据所述编队代价函数得到最优控制模型；将编队代价与控制输入进行加权，通过改变编队代价与控制输入的权重系数的比值，改变无人机飞行速度，控制无人机的能量消耗。与现有技术相比，本发明能够保证在最小能耗的情况下完成无人机编队任务，且算法简单，易于实现。

Description

基于能耗的无人机分布式编队控制方法

技术领域

本发明涉及一种基于能耗的无人机分布式编队控制方法，属于无人机控制技术领域。

背景技术

无人机编队控制是指多无人机在执行任务的过程中，如何形成并保持特定的几何形状，从而更好的适应不同的任务及环境。与单无人机相比，其执行任务的可靠性以及完成任务的效率更高，近几年在军事、民用等重要领域得到了广泛应用。根据是否需要全局信息，无人机编队控制可以分为集中式和分布式两种方法。分布式编队控制在计算过程中只需要局部信息，并且具有代价小、灵活性高、可扩展性高、适应性强等优点，已经成为了控制领域的一个研究热点。

近几年，针对无人机群的分布式控制方法不断增加。然而，对于实际应用而言，无人机因其质量体积需要尽量小，一般携带的能量都很少，不能持续长时间飞行。表1是几种不同机型无人机产品参数的统计数据，由表1可以看出，无人机的重量都比较小，飞行时间都很有限。现有控制算法侧重于编队的稳定性，而忽略了飞行过程中的能耗问题，所设计的控制器未必能适用于实际系统，即在控制目标实现前，无人机的能量已消耗殆尽。目前，存在一些节省能耗的控制算法，例如协同无人机的推力和升降力以处理速度和飞行路径角从而对无人机的能量进行调节，自顶向下的三维最优持久图策略来优化编队拓扑从而达到最小化编队能耗等，但是，这些控制算法设计都比较复杂，运算效率低，实施难度较高。

表1

发明内容

本发明的目的在于，提供一种基于能耗的无人机分布式编队控制方法，可以至少解决上述技术问题之一。

为解决上述技术问题，本发明采用如下的技术方案：

一种基于能耗的无人机分布式编队控制方法，包括以下步骤：步骤S1，构造多无人机的网络结构拓扑图，所述网络结构拓扑图包括n个节点，每个节点分别代表一个无人机，其中，n为整数，且n≥2；步骤S2，根据所述网络结构拓扑图生成邻接矩阵，并使每个节点仅与邻居节点进行通信；步骤S3，设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置；步骤S4，根据所述邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数；步骤S5，根据所述编队代价函数得到最优控制模型，求解最优控制输入以及返回值函数；步骤S6，将编队代价与控制输入进行加权，通过改变编队代价与控制输入的权重系数的比值，改变无人机飞行速度，控制无人机的能量消耗。

前述的基于能耗的无人机分布式编队控制方法中，所述步骤S2中，以a_ij表示所述网络结构拓扑图的邻接矩阵的第(i，j)个元素，若第i个无人机与第j个无人机可使用彼此的信息时，a_ij＝1，否则a_ij＝0；若第i个无人机与第j个无人机是邻居，则a_ij＞0；其中，i∈{1，…，n}，j∈{1，…，n}。

前述的基于能耗的无人机分布式编队控制方法中，所述步骤S3中，以表示第i个无人机的目标位置，以表示第j个无人机的目标位置，以d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集其中，i∈{1，…，n}，j∈{1，…，n}。

前述的基于能耗的无人机分布式编队控制方法中，所述步骤S4中，所述编队代价函数为式中，x_i表示第i个无人机的状态，x_j表示第j个无人机的状态，d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集其中，i∈{1，…，n}，j∈{1，…，n}。

前述的基于能耗的无人机分布式编队控制方法中，所述步骤S5中所述最优控制模型为：式中，s_i表示对编队性能的权重系数，r_i表示对能量的权重系数，s_i＞0，r_i＞0，i∈{1，…，n}；求解最优控制输入若s_ir_i＝1，则值函数为 且多无人机系统收敛于预定编队位置集。

前述的基于能耗的无人机分布式编队控制方法中，所述步骤S6中，若某个无人机的剩余能量达到预设阈值，则通过减小编队代价与控制输入的权重系数的比值，减小该无人机的飞行速度，保证在最小能耗的情况下完成编队任务。

与现有技术相比，本发明将能源消耗考虑进无人机编队控制问题中，并将能耗问题转化为对速度的最优控制问题；通过调节系数的大小控制无人机飞行速度，比值越大，飞行速度越快，能耗越大；反之，飞行速度越慢，能耗越小；算法设计简单，在整个计算过程中，每个节点只用到了邻居节点的信息，计算量小，从而很大程度地提高了算法的运算效率；能够减少编队控制过程的能量损耗；采用分布式控制方式，系统的自适应性得到提高且运算效率高；仅需调试加权系数，实际应用中易于实现。

附图说明

图1、图2为本发明实施例提供的无人机群分布式编队控制方法的流程图；

图3为具有2个无人机的的无人机群的网络拓扑图；

图4为具有2个无人机的无人机群的目标编队位置示意图；

图5为具有4个无人机的的无人机群的网络拓扑图；

图6为具有4个无人机的无人机群的目标编队位置示意图。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明实施例提供一种基于能耗的无人机分布式编队控制方法，如图1所示，主要包括以下步骤：

步骤S1，构造多无人机的网络结构拓扑图，网络结构拓扑图包括n个节点，每个节点分别代表一个无人机，其中，n为整数，且n≥2；

步骤S2，根据网络结构拓扑图生成邻接矩阵，并使每个节点仅与邻居节点进行通信；

步骤S2中，以a_ij表示网络结构拓扑图的邻接矩阵的第(i，j)个元素，若第i个无人机与第j个无人机之间可以进行通信、可使用彼此的信息时，a_ij＝1，否则a_ij＝0；若第i个无人机与第j个无人机是邻居，则a_ij＞0；其中，i∈{1，…，n}，j∈{1，…，n}。

步骤S3，设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置；

步骤S3中，以表示第i个无人机的目标位置，以表示第j个无人机的目标位置，以d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集其中，i∈{1，…，n}，j∈{1，…，n}。

本实施例中，步骤S2与步骤S3的执行没有先后顺序，对此实施例不做具体限定。

步骤S4，根据邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数，编队代价函数为：

式中，x_i表示第i个无人机的状态即第i个无人机的当前位置，x_j表示第j个无人机的状态即第j个无人机的当前位置，d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集 其中，i∈{1，…，n}，j∈{1，…，n}。编队代价越大，编队达成的越不好，而编队代价越小，说明第i个无人机的编队效果越好，当编队代价为零时，即说明编队完成。

步骤S5，根据编队代价函数得到最优控制模型，求解最优控制输入以及返回值函数；

步骤S5中最优控制模型为：

式中，s_i表示对编队性能的权重系数，r_i表示对能量的权重系数，s_i越大表示对编队性能越看重，r_i越大表示对能耗越看重，s_i＞0，r_i＞0，i∈{1，…，n}；

得到最优解：

若s_ir_i＝1，则值函数为：

且无人机群到达指定位置，编队完成，多无人机系统收敛于预定编队位置集，预定编队位置集是指预先设置的各无人机的目标位置。

对上述步骤S5求最优解进行进一步说明：

对给定系统(2)，构造其哈密顿-雅克比-贝尔曼(Hamilton-Jacobi-Bellman，HJB)方程如下：

其中，

并且

将H对u_i进行偏微分，得到(9)

将(9)带入(5)和(8)，我们得到(10)

方程(10)有无穷多解，对于如下解(11)

第i个无人机只需计算其邻居的相对位置，因此控制算法(11)是分布式。

对(9)进行积分，可得到

因此可得到(12)

再将(11)带入(12)，得到

假设s_ir_i＝1，便可得到值函数(14)

由于值函数(14)是正的，基于(5)和(7)，以及(11)中定义的u_i，有因此，方程(6)和(11)导出(15)

根据拉萨尔不变性原则可知，当时，系统收敛于集的最大不变子集。根据(15)可知，仅在如下情况下，

这说明编队完成。

步骤S6，将编队代价与控制输入进行加权，通过改变编队代价与控制输入的权重系数的比值，改变无人机飞行速度，控制无人机的能量消耗。

步骤S6中，根据实际需要，调节所求最优控制输入中的系数系数越大，飞行速度越快，能耗越高；反之飞行速度越慢，能耗也随之降低。若某个无人机的剩余能量达到预设阈值(预设阈值可以根据实际情况进行设置，对此本实施例不做具体限定)，则通过减小编队代价与控制输入的权重系数的比值，减小该无人机的飞行速度，虽然编队的时间延长了一些，但能耗得到了很大的减小，保证在最小能耗的情况下完成编队任务。

至此，所有步骤结束。

下面以一个具有2个无人机的无人机群(n＝2)为例，对基于能耗的无人机分布式编队控制方法进行说明，如图2所示：

1、构造该无人机群的网络结构拓扑图如图3所示，每个节点代表一个无人机。令a_ij表示图的邻接矩阵的第(i，j)个元素，当第i个无人机与第j个无人机可以使用彼此的信息时，a_ij＝1，否则a_ij＝0。当a_ij＞0时，表示第i个无人机与第j个无人机是邻居。x_i代表第i个无人机的状态，以d_ij代表第i个无人机与第j个无人机的相对位置。这里设定a₁₁＝1，a₁₂＝1。

2、设定目标编队位置，以表示第i个无人机的目标位置，向量集表示第i个无人机与第j个无人机的目标相对位置。如图4所示，设定

3、根据上述给定参数定义编队代价函数：

编队代价越小，说明第i个无人机的编队效果越好。

4、根据编队代价函数，提出编队控制问题的最优控制算法，2个无人机的编队最优控制问题为：

其中，s_i＞0，r_i＞0，i∈{1，2}，则得到最优解：

如果s_ir_i＝1，可得到值函数为：

并且无人机群到达指定位置，编队完成。

5、调节系数从而改变无人机飞行速度，控制能耗大小。假设第2个无人机剩余的的能量小，则可以通过减小控制输入的系数进而减小第2个无人机的飞行速度，虽然编队的时间延长了一些，但能耗得到了很大的减小。

下面再以一个具有4个无人机的无人机群(n＝4)为例，对基于能耗的无人机分布式编队控制方法进行说明，如图2所示：

1、构造该无人机群的网络结构拓扑图如图5所示，每个节点代表一个无人机。令a_ij表示图的邻接矩阵的第(i，j)个元素，当第i个无人机与第j个无人机可以使用彼此的信息时，a_ij＝1，否则a_ij＝0。当a_ij＞0时，表示第i个无人机与第j个无人机是邻居。x_i代表第i个无人机的状态，以d_ij代表第i个无人机与第j个无人机的相对位置。这里设定a₁₁＝1，a₁₂＝1，a₄₁＝1，a₄₃＝1，a₃₄＝1，a₃₂＝1，a₂₁＝1，a₂₃＝1。

2、设定目标编队位置，以表示第i个无人机的目标位置，向量集表示第i个无人机与第j个无人机的目标相对位置。如图6所示，设定

3、根据上述给定参数定义编队代价函数：

编队代价越小，说明第i个无人机的编队效果越好。

4、根据编队代价函数，提出编队控制问题的最优控制算法，4个无人机的编队最优控制问题为

其中，s_i＞0，r_i＞0，i∈{1，…，4}，则得到最优解：

如果s_ir_i＝1，可得到值函数为：

并且无人机群到达指定位置，编队完成。

5、调节系数从而改变无人机飞行速度，控制能耗大小。假设第4个无人机剩余的的能量小，则可以通过减小控制输入的系数进而减小第4个无人机的飞行速度，虽然编队的时间延长了一些，但能耗得到了很大的减小。

本发明研究将能耗与编队目标相结合考虑，该算法所提出的最优控制算法能够在最低消耗能量的情况下完成编队任务，并且在整个计算过程中，每个节点只用到了邻居节点的信息，计算量大大减小，从而很大程度地提高了算法的运算效率。如上所述为本发明的实施例介绍，在前面的理论推导中可看出算法的可靠性。在实际应用中，可根据实际需要，对加权系数进调节，从而达到最优方案。

本实施例将无人机的飞行速度作为控制输入引入到控制问题中，通过调节控制输入中的参数来调节飞行速度，从而将编队控制的能耗问题转化为最优速度控制问题；提出一种将编队目标与控制输入加权的算法，给定编队目标，即预设的无人机群需要到达的位置；根据无人机实时位置与目标位置之间的误差设定编队代价函数，编队代价越大，编队达成的越不好，当编队代价为零时，即说明编队完成；在此基础上，引入控制输入，将编队代价与控制输入进行加权，通过改变编队代价与控制输入的权重系数的比值，控制无人机的能量消耗，即根据实际需要，决定编队的侧重点，若某个无人机剩余的能量少，则可以通过减小其飞行速度来达到减小能量消耗的目的，从而保证在最小能量消耗的情况下完成编队任务。实现这一算法的难点在于：第一：为保证算法为分布式，无人机的控制输入仅可以利用相邻无人机的信息；第二：考虑无人机携带能量的不同，加权系数需要独立设置，若某几个无人机携带的能量较其他的无人机少，则将其s_i/r_i的比值调小些，可事先进行仿真模拟，调出较好的系数比值，再进行实际应用。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于能耗的无人机分布式编队控制方法，其特征在于，包括以下步骤：

步骤S1，构造多无人机的网络结构拓扑图，所述网络结构拓扑图包括n个节点，每个节点分别代表一个无人机，其中，n为整数，且n≥2；

步骤S2，根据所述网络结构拓扑图生成邻接矩阵，并使每个节点仅与邻居节点进行通信；

步骤S3，设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置；

步骤S4，根据所述邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数；

步骤S5，根据所述编队代价函数得到最优控制模型，求解最优控制输入以及返回值函数；

步骤S6，将编队代价与控制输入进行加权，通过改变编队代价与控制输入的权重系数的比值，改变无人机飞行速度，控制无人机的能量消耗。

2.根据权利要求1所述的基于能耗的无人机分布式编队控制方法，其特征在于，所述步骤S2中，以a_ij表示所述网络结构拓扑图的邻接矩阵的第(i，j)个元素，若第i个无人机与第j个无人机可使用彼此的信息时，a_ij＝1，否则a_ij＝0；若第i个无人机与第j个无人机是邻居，则a_ij＞0；其中，i∈{1，…,n}，j∈{1，…，n}。

3.根据权利要求1或2所述的基于能耗的无人机分布式编队控制方法，其特征在于：所述步骤S3中，以表示第i个无人机的目标位置，以表示第j个无人机的目标位置，以d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集其中，i∈{1，…，n}，j∈{1，…，n}。

4.根据权利要求1至3任一项所述的基于能耗的无人机分布式编队控制方法，其特征在于，所述步骤S4中，所述编队代价函数为式中，x_i表示第i个无人机的状态，x_j表示第j个无人机的状态，d_ij表示第i个无人机与第j个无人机的目标相对位置，向量集其中，i∈{1，…，n}，j∈{1，…，n}。

5.根据权利要求1至4任一项所述的基于能耗的无人机分布式编队控制方法，其特征在于，所述步骤S5中所述最优控制模型为：

式中，s_i表示对编队性能的权重系数，r_i表示对能量的权重系数，s_i＞0，r_i＞0,i∈{1,…,n}；

求解最优控制输入

若则值函数为且多无人机系统收敛于预定编队位置集。

6.根据权利要求1至5任一项所述的基于能耗的无人机分布式编队控制方法，其特征在于，所述步骤S6具体包括：实时检测各无人机的剩余能量，若某个无人机的剩余能量达到预设阈值，则通过减小编队代价与控制输入的权重系数的比值，减小该无人机的飞行速度，保证在最小能耗的情况下完成编队任务。