CN110377059A - 一种基于狮群算法的多auv围捕者协同控制方法 - Google Patents
一种基于狮群算法的多auv围捕者协同控制方法 Download PDFInfo
- Publication number
- CN110377059A CN110377059A CN201910810291.3A CN201910810291A CN110377059A CN 110377059 A CN110377059 A CN 110377059A CN 201910810291 A CN201910810291 A CN 201910810291A CN 110377059 A CN110377059 A CN 110377059A
- Authority
- CN
- China
- Prior art keywords
- seize
- person
- surrounding
- target
- auv
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241000282320 Panthera leo Species 0.000 title claims abstract description 20
- 230000004888 barrier function Effects 0.000 claims abstract description 13
- 238000013459 approach Methods 0.000 claims description 18
- 230000008602 contraction Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 229940004975 interceptor Drugs 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000006185 dispersion Substances 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 4
- 230000007812 deficiency Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001568 sexual effect Effects 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
- G05D1/12—Target-seeking control
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)
- Manipulator (AREA)
Abstract
本发明属于多水下机器人协同控制领域，具体涉及一种基于狮群算法的多AUV围捕者协同控制方法。本发明针对单个AUV无法完成复杂水下任务、围捕机器人智能性交互性不足以及实际三维环境中存在障碍物的情况，提出了一种基于狮群算法的多AUV围捕者协同控制方法。本发明针对围捕者数量为三个或三个以上的情况。在围捕者小组中围捕者移动性能相当的情况下，通过下潜与上浮操作，与目标保持同一水深的同时，将目标包围在几何中心，并以目标为圆心，距离r为半径，均匀的分布在目标周围，完成协同围捕。本发明应用狮群算法(LGA)进行AUV围捕协同控制，围捕效率更高，收敛特性更好。
Description
技术领域
本发明属于多水下机器人协同控制领域，具体涉及一种基于狮群算法的多AUV围捕者协同控制方法。
背景技术
随着人类对海洋的开发不断加快和深入，水下机器人技术成为人类探索海洋的一大重要手段，引起了众多科研人员的极度重视，进而开始蓬勃发展。近年来自主水下机器人在海洋环境监测、数据采集、区域搜索及海地目标探测等方面扮演着越来越重要的角色。但是因水下机器人承担的任务复杂度越来越大，单个AUV己经开始无法满足工作需要。由此，研究人员开始对多AUV系统进行深入研究。多AUV系统空间分布能力及在任务执行过程中所展现的高效性、鲁棒性和灵活性都是单个AUV所力不能及的。
移动目标围捕就是追捕者对移动目标进行包围，使得移动目标无路可逃，进而采取下一步行动。这就需要多追捕者之间不能是单纯的独立追捕，而是要进行协作，从而高效地完成围捕任务。这种多AUV协同围捕问题是多AUV协同任务自组织研究中极为重要的一部分，其中的关键技术将会被运用于民事、工业等领域。
协同围捕方法体现了AUV系统的智能性和合理性，是多AUV系统实现对未知环境任务探索的基础。围捕方法是否合理直接影响多AUV系统中各个成员的自身发挥潜力，以及整个系统的任务完成效率。以往的围捕方法主要集中在模糊控制、博弈论、合同网拍卖、强化学习等，但随着机器人数量的增加，目标数量的增加，系统性能明显降低，容错性较差，不适用于动态的协同围捕。
现有的围捕方法存在以下几个问题需要解决：
(1)传统围捕算法往往会设计目标机器人逃逸策略，限制了被围捕机器人的智能性。
(2)实验环境过于理想化，没有障碍物，且水域环境假定为二维环境，水下机器人的活动方向并不能像实际环境中那样进行三维航行。水下和海洋中的协同围捕所面临的真实环境要复杂许多，高低起伏的水底，各种水生生物对水下机器人的避障高要求都使问题便得更加复杂。
(3)现有阶段的围捕技术，多集中在个体机器人的策略提高研究，而非机器人间的协同策略研究，尤其是针对水下深海复杂环境的协同围捕技术，多机器人间的交互能力较差。
发明内容
本发明的目的在于针对单个AUV无法完成复杂水下任务、围捕机器人智能性交互性不足以及实际三维环境中存在障碍物的情况提供一种基于狮群算法的多AUV围捕者协同控制方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：对围捕者进行角色分配，由与围捕目标距离最近的机器人担任佯攻者；与围捕目标距离最远的担任伏击者；其余机器人担任拦截者；
步骤2：围捕者正面抵近，伏击者保持与围捕目标的初始跟踪距离，佯攻者和拦截者以伏击者为参照中心，形成正面抵近的初始曲线队形；
步骤3：围捕者协同包围，拦截者和佯攻者以伏击者和围捕目标连线为对称轴，等弧长的分布在协同包围的初始包围目标曲线上，围捕者完成协同包围，形成初始包围目标曲线；
步骤4：围捕者协同收缩，形成初始包围目标曲线以后，围捕者的角色自动切换，攻击能力最强的围捕机器人变为伏击者，距离伏击者最远的一对机器人成为佯攻者，其余为拦截者，分配后角色固定直到任务完成；收缩的过程中，伏击者基于围捕目标的位置跟踪围捕目标，并收缩与围捕目标的间距，拦截者和佯攻者在伏击者收缩间距之后协同收缩与围捕目标的间距，依次循环，直至全体围捕者达到设定的成功距离，即成功完成围捕任务。
本发明还可以包括：
所述的步骤2中正面抵近的初始曲线具体为：在为以围捕目标为原点，以伏击者与围捕目标连线所在直线为y轴，且伏击者在y轴的负半轴上的二维坐标系中，正面抵近的初始曲线l1的方程为：
其中，x0、y0表示围捕者的坐标，a、b为曲线参数，且应满足如下关系：
所述的围捕者正面抵近的过程中，伏击者始终保持与围捕目标的初始间距r0，拦截者和佯攻者等弧长的分布在正面抵近的初始曲线l1上。
所述的步骤3中协同包围的初始包围目标曲线具体为：在基于地球经纬度信息建立的惯性坐标系中初始包围目标曲线的方程为：
其中点Pj为围捕目标，其坐标为(Xj,Yj,Zj)。
所述的步骤4中协同收缩阶段所有围捕者和围捕目标之间的位姿关系为：
其中，fi(t)为第i个围捕者在时刻t时与围捕目标之间的相对距离，不同的围捕者在同一时刻fi(t)相等；θi表示围捕角；表示围捕基准角；τi表示个体围捕角偏差容忍度。
所述的步骤3中拦截者和佯攻者在初始包围目标曲线上的动态目标点坐标为
其中，点P1为伏击者；点Pj为围捕目标；Pi表示第i对邻近伏击者的围捕者；n表示围捕机器人的个数。
所述的步骤3中拦截者和佯攻者前往初始包围目标曲线上的动态目标点时与围捕目标间距始终保持不少于初始跟踪距离r0，具体路径规划方法为：
拦截者和佯攻者将以围捕目标为中心半径为r0的圆形区域作为障碍物，采用人工势场法进行路径规划与避障；
设AUV的评估坐标点为P(i)，规划的任务方向会对AUV产生一个正向吸引势场UA(i)，分散在海底的障碍物则会与其形成一个排斥的势场UR(i)j，引力场和斥力场的计算方法为：
其中，参数kA，kR为引力常数和斥力常数；D(i)表示评估坐标点与动态目标点的距离，d(i,j)表示评估坐标点与障碍物间距；
设AUV声纳波束探测到的障碍物为n个，则总势场Usum为：
通过计算总势场函数的负向梯度对AUV进行导航：
gradf(x,y,z)＝-▽Usum
AUV计算每一个评估坐标点P(i)的引力场和斥力场，选择最低的势场值点，作为下一步前进点，循环直到成功。
所述的步骤4中协同收缩阶段，围捕者的角色自动切换后只设置一个伏击者和一对佯攻者，拦截者和佯攻者的个数都是偶数，且对称地分布于围捕目标与伏击者连线的两侧；如果只有三个围捕机器人时，合并拦截者与佯攻者的角色；有三个以上围捕机器人时，除了一个伏击者和一对佯攻者，其余都是拦截者。
本发明的有益效果在于：
本发明针对单个AUV无法完成复杂水下任务、围捕机器人智能性交互性不足以及实际三维环境中存在障碍物的情况，提出了一种基于狮群算法的多AUV围捕者协同控制方法。本发明针对围捕者数量为三个或三个以上的情况。在围捕者小组中围捕者移动性能相当的情况下，通过下潜与上浮操作，与目标保持同一水深的同时，将目标包围在几何中心，并以目标为圆心，距离r为半径，均匀的分布在目标周围，完成协同围捕。本发明应用狮群算法(LGA)进行AUV围捕协同控制，围捕效率更高，收敛特性更好。
附图说明
图1是本发明的总体流程图。
图2是本发明中围捕成功判定示意图。
图3本发明中角色分配示意图。
图4本发明中坐标系模型示意图。
图5本发明中正面抵近的初始曲线图。
图6本发明中协同包围阶段初始包围目标曲线图。
具体实施方式
下面结合附图对本发明做进一步描述。
在三维的深海环境，目标可以在三维的深海中通过上浮或下潜对抗围捕，也可以在复杂的二维海底进行逃跑。选定的围捕者应执行何种行为协同策略，可以将目标高效地围捕在一个收敛空间区域是本发明要解决的核心问题。本发明假设所有水下自治机器人都具备相同的导航、避障、位置识别功能，其能量储备及消耗速率相同，并且具备从众多AUV中选取合适围捕者的决策机制。因此，只需要研究如何进行AUV围捕者的行为协同控制即可，即如何应用狮群算法(LGA)进行AUV围捕协同控制，并使其围捕效率更高，收敛特性更好。狮群算法详细流程图如图1。
本发明针对围捕者数量为三个或三个以上的情况。在围捕者小组中围捕者移动性能相当的情况下，协同围捕的目的是：通过下潜与上浮操作，与目标保持同一水深。同时，围捕者将目标包围在几何中心，并以目标为圆心，距离r为半径，均匀的分布在目标周围，如图2所示。半径r定义为围捕半径。其中，θ1～θi是围捕水下自治机器人包围目标后形成的围捕角。围捕角θ1～θi分别相等，且满足水下自治机器人围捕小组，在对目标收缩的过程中，维持围捕角不变，当围捕小组将围捕半径r动态收缩到目标半径rψ，即r＝rψ时，表示围捕成功。
基于上述问题描述，为了实现本发明的目的，本方法采用如下步骤：
步骤001.围捕者正面抵近，伏击者保持与目标的初始跟踪距离，佯攻者和拦截者以伏击者为参照中心，形成正面抵近的初始曲线队形。
步骤002.围捕者协同包围，拦截者和佯攻者以伏击者和目标连线为对称轴，等弧长的分布在协同包围的初始目标曲线上，围捕者完成协同包围，形成初始目标曲线。
步骤003.围捕者协同收缩，所有的围捕者就位，完成包围后，进入收缩阶段。收缩的过程中，伏击者首先向目标动态靠近，其他围捕者同步跟随伏击者的动作，其他围捕者完成跟随后，伏击者再次动态靠近，其他围捕者再次跟随，依次循环，直至全体围捕者达到设定的成功距离，即成功完成围捕任务。
所述步骤001正面抵近阶段包括如下步骤：
步骤00101.对围捕者进行角色分配。由与目标距离最近的机器人担任佯攻者，绕过目标，前往佯攻位置；与目标距离最远的担任伏击者，前往伏击位置；其余机器人担任拦截者，前往拦截位置，如图3所示。
步骤00102.对围捕机器人进行运动建模，如图4所示。
基于地球经纬度信息建立固定的惯性坐标系，并为每个AUV建立位置函数模型，第i个AUV在惯性坐标系中的位置和姿态如下表示：
Γi＝[XiYiZiΦiΨiΩi]T
其中[XiYiZi]T表示在X，Y，Z轴方向的坐标；[ΦiΨiΩi]T表示横滚角，航向角，俯仰角；
基于每个AUV的出生位置和出生方向，建立运动载体坐标系，并为每个AUV建立运动姿态函数模型，第i个AUV在载体坐标系中的运动状态如下表示：
εi＝[μiviωiφiτiπi]T
其中[μiviω]T表示在x,y,z轴方向的线速度；[φiτiπi]T表示转动角速度；
第i个AUV的惯性坐标系和载体坐标系的位姿转换模型，如下表示：
Γi＝J(λi)εi
其中，J(λi)表示第i个AUV从载体坐标系到惯性坐标系的线性转换矩阵。
步骤00103.AUV实现对目标成功围捕的约束条件如下：
其中VH表示围捕机器人的平均速度，VT表示目标的平均速度，n表示围捕水下机器人的个数。
步骤00104.为了不对目标形成局部扰动，初始的正面抵近曲线须在伏击者与目标形成的圆的外侧，如图5所示，正面抵近的过程中，伏击者始终保持与目标的间距r0。拦截者和佯攻者保持在动态曲线l2的外侧，等弧长的分布在曲线l1上。
正面抵近的初始曲线如下表示：
其中，x0、y0表示围捕者的坐标，a、b为曲线参数，应满足如下关系：
所述步骤002协同包围阶段包括如下步骤：
步骤00201.伏击者保持与目标之间的初始跟踪距离r0，其他围捕者进入正面抵近曲线后，进入协同包围阶段。协同包围的初始目标曲线如下表示：
围捕者完成协同包围，形成的初始目标曲线，如图6所示，PiL、PiR表示伏击者两侧的第i对围捕者。
步骤00202.在协同包围阶段中，伏击者的运动模型为：
ε1＝δΓj
其中，ε1为伏击者的运动参数，Γj为目标j的位姿信息，δ为状态调节参数。
步骤00203.各个围捕者在初始目标曲线上的动态目标点坐标为：
其中，n表示围捕机器人的个数，Pi表示第i对邻近伏击者的围捕者。
拦截者和佯攻者求得目标坐标后，根据路径规划算法前往动态点，且与目标间距始终保持不少于初始跟踪距离r0。
步骤00204.拦截者和佯攻者将以目标为中心半径为r0的圆形区域作为障碍物，采用人工势场法进行路径规划与避障。
设AUV的评估坐标点为P(i)，规划的任务方向会对AUV产生一个正向吸引势场UA(i)，分散在海底的障碍物则会与其形成一个排斥的势场UR(i)j，引力场和斥力场的计算如下所示：
其中，参数kA，kR为引力常数和斥力常数。D(i)表示评估坐标点与目标点的距离，d(i,j)表示评估坐标点与障碍物间距。
设AUV声纳波束探测到的障碍物为n个，则总势场Usum为：
通过计算总势场函数的负向梯度对AUV进行导航：
gradf(x,y,z)＝-▽Usum
AUV计算每一个评估坐标点P(i)的引力场和斥力场，选择最低的势场值点，作为下一步前进点，循环直到成功。
所述步骤003协同收缩阶段包括如下步骤：
步骤00301.形成初始包围目标曲线以后，围捕者的角色自动切换，攻击能力最强的围捕机器人变为伏击者，距离伏击者最远的机器人成为佯攻者，其余为拦截者，分配后角色固定直到任务完成。
步骤00302.伏击者基于目标位置跟踪目标，并收缩与目标的间距。拦截者和佯攻者在伏击者收缩间距之后，协同收缩与目标的间距。
步骤00303.只设置一个伏击者和一对佯攻者。拦截者和佯攻者的个数都是偶数，且对称地分布于目标与伏击者连线的两侧。有三个围捕机器人时，合并拦截者与佯攻者的角色；有三个以上围捕机器人时，除了一个伏击者和一对佯攻者，其余都是拦截者。
步骤00304.在收缩阶段，所有围捕者水下自治机器人和目标之间的位姿关系为：
其中，fi(t)为第i个围捕者在时刻t时与目标之间的相对距离，不同的围捕者水下自治机器人在同一时刻fi(t)相等。θi表示围捕角，表示围捕基准角。τi表示个体围捕角偏差容忍度。
步骤00305.在收缩的过程中，伏击者首先向目标动态靠近Δfi，其他围捕者同步跟随伏击者的动作，完成跟随后，伏击者再次动态靠近Δfi，其他围捕者再次跟随，依次循环，直至全体围捕者达到设定的成功距离，即成功完成围捕任务。
以上所述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 (9)
1.一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于，包括以下步骤：
步骤1：对围捕者进行角色分配，由与围捕目标距离最近的机器人担任佯攻者；与围捕目标距离最远的担任伏击者；其余机器人担任拦截者；
步骤2：围捕者正面抵近，伏击者保持与围捕目标的初始跟踪距离，佯攻者和拦截者以伏击者为参照中心，形成正面抵近的初始曲线队形；
步骤3：围捕者协同包围，拦截者和佯攻者以伏击者和围捕目标连线为对称轴，等弧长的分布在协同包围的初始包围目标曲线上，围捕者完成协同包围，形成初始包围目标曲线；
步骤4：围捕者协同收缩，形成初始包围目标曲线以后，围捕者的角色自动切换，攻击能力最强的围捕机器人变为伏击者，距离伏击者最远的一对机器人成为佯攻者，其余为拦截者，分配后角色固定直到任务完成；收缩的过程中，伏击者基于围捕目标的位置跟踪围捕目标，并收缩与围捕目标的间距，拦截者和佯攻者在伏击者收缩间距之后协同收缩与围捕目标的间距，依次循环，直至全体围捕者达到设定的成功距离，即成功完成围捕任务。
2.根据权利要求1所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤2中正面抵近的初始曲线具体为：在为以围捕目标为原点，以伏击者与围捕目标连线所在直线为y轴，且伏击者在y轴的负半轴上的二维坐标系中，正面抵近的初始曲线l1的方程为：
其中，x0、y0表示围捕者的坐标，a、b为曲线参数，且应满足如下关系：
所述的围捕者正面抵近的过程中，伏击者始终保持与围捕目标的初始间距r0，拦截者和佯攻者等弧长的分布在正面抵近的初始曲线l1上。
3.根据权利要求1或2所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤3中协同包围的初始包围目标曲线具体为：在基于地球经纬度信息建立的惯性坐标系中初始包围目标曲线的方程为：
其中点Pj为围捕目标，其坐标为(Xj,Yj,Zj)。
4.根据权利要求1或2所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤4中协同收缩阶段所有围捕者和围捕目标之间的位姿关系为：
其中在基于地球经纬度信息建立的惯性坐标系中，点Pj为围捕目标，其坐标为(Xj,Yj,Zj)；fi(t)为第i个围捕者在时刻t时与围捕目标之间的相对距离，不同的围捕者在同一时刻fi(t)相等；θi表示围捕角；表示围捕基准角；τi表示个体围捕角偏差容忍度。
5.根据权利要求3所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤4中协同收缩阶段所有围捕者和围捕目标之间的位姿关系为：
其中，fi(t)为第i个围捕者在时刻t时与围捕目标之间的相对距离，不同的围捕者在同一时刻fi(t)相等；θi表示围捕角；表示围捕基准角；τi表示个体围捕角偏差容忍度。
6.根据权利要求3所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤3中拦截者和佯攻者在初始包围目标曲线上的动态目标点坐标为
其中，点P1为伏击者；点Pj为围捕目标；Pi表示第i对邻近伏击者的围捕者；n表示围捕机器人的个数。
7.根据权利要求5所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤3中拦截者和佯攻者在初始包围目标曲线上的动态目标点坐标为
其中，点P1为伏击者；点Pj为围捕目标；Pi表示第i对邻近伏击者的围捕者；n表示围捕机器人的个数。
8.根据权利要求6或7所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤3中拦截者和佯攻者前往初始包围目标曲线上的动态目标点时与围捕目标间距始终保持不少于初始跟踪距离r0，具体路径规划方法为：
拦截者和佯攻者将以围捕目标为中心半径为r0的圆形区域作为障碍物，采用人工势场法进行路径规划与避障；
设AUV的评估坐标点为P(i)，规划的任务方向会对AUV产生一个正向吸引势场UA(i)，分散在海底的障碍物则会与其形成一个排斥的势场UR(i)j，引力场和斥力场的计算方法为：
其中，参数kA，kR为引力常数和斥力常数；D(i)表示评估坐标点与动态目标点的距离，d(i,j)表示评估坐标点与障碍物间距；
设AUV声纳波束探测到的障碍物为n个，则总势场Usum为：
通过计算总势场函数的负向梯度对AUV进行导航：
AUV计算每一个评估坐标点P(i)的引力场和斥力场，选择最低的势场值点，作为下一步前进点，循环直到成功。
9.根据权利要求8所述的一种基于狮群算法的多AUV围捕者协同控制方法，其特征在于：所述的步骤4中协同收缩阶段，围捕者的角色自动切换后只设置一个伏击者和一对佯攻者，拦截者和佯攻者的个数都是偶数，且对称地分布于围捕目标与伏击者连线的两侧；如果只有三个围捕机器人时，合并拦截者与佯攻者的角色；有三个以上围捕机器人时，除了一个伏击者和一对佯攻者，其余都是拦截者。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810291.3A CN110377059A (zh) | 2019-08-29 | 2019-08-29 | 一种基于狮群算法的多auv围捕者协同控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910810291.3A CN110377059A (zh) | 2019-08-29 | 2019-08-29 | 一种基于狮群算法的多auv围捕者协同控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110377059A true CN110377059A (zh) | 2019-10-25 |
Family
ID=68261161
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910810291.3A Pending CN110377059A (zh) | 2019-08-29 | 2019-08-29 | 一种基于狮群算法的多auv围捕者协同控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110377059A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750093A (zh) * | 2019-11-19 | 2020-02-04 | 中南大学 | 可扩展集群微粒机器人自组织协同跟踪控制方法 |
| CN111026137A (zh) * | 2019-12-26 | 2020-04-17 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
| CN111240333A (zh) * | 2020-01-18 | 2020-06-05 | 湖南科技大学 | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 |
| CN111240332A (zh) * | 2020-01-18 | 2020-06-05 | 湖南科技大学 | 一种复杂凸环境下群机器人协同作业的多目标围捕方法 |
| CN111797529A (zh) * | 2020-07-07 | 2020-10-20 | 中国人民解放军军事科学院评估论证研究中心 | 一种计算机仿真模拟延缓海上行动的方法 |
| CN111967672A (zh) * | 2020-08-18 | 2020-11-20 | 合肥工业大学 | 一种基于狮群进化算法的面向空间众包平台的路径规划方法 |
| CN112269396A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学 | 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法 |
| CN113253738A (zh) * | 2021-06-22 | 2021-08-13 | 中国科学院自动化研究所 | 多机器人协作围捕方法、装置、电子设备及存储介质 |
| CN113759942A (zh) * | 2021-09-23 | 2021-12-07 | 哈尔滨工程大学 | 一种多智能机器人水下协同围捕控制系统及方法 |
| CN117666624A (zh) * | 2024-01-31 | 2024-03-08 | 四川腾盾科技有限公司 | 一种固定翼无人机集群目标跟踪队形排列方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608347A (zh) * | 2017-09-04 | 2018-01-19 | 广东华中科技大学工业技术研究院 | 一种分布式控制无人艇集群围追跟踪方法 |
| CN109491402A (zh) * | 2018-11-01 | 2019-03-19 | 中国科学技术大学 | 基于集群控制的多无人机协同目标监视控制方法 |
| CN109872330A (zh) * | 2019-01-25 | 2019-06-11 | 安徽理工大学 | 一种改进狮群优化的二维Otsu快速图像分割方法 |
-
2019
- 2019-08-29 CN CN201910810291.3A patent/CN110377059A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107608347A (zh) * | 2017-09-04 | 2018-01-19 | 广东华中科技大学工业技术研究院 | 一种分布式控制无人艇集群围追跟踪方法 |
| CN109491402A (zh) * | 2018-11-01 | 2019-03-19 | 中国科学技术大学 | 基于集群控制的多无人机协同目标监视控制方法 |
| CN109872330A (zh) * | 2019-01-25 | 2019-06-11 | 安徽理工大学 | 一种改进狮群优化的二维Otsu快速图像分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王杰: "多AUV围捕决策与行为协同控制研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750093A (zh) * | 2019-11-19 | 2020-02-04 | 中南大学 | 可扩展集群微粒机器人自组织协同跟踪控制方法 |
| CN111026137A (zh) * | 2019-12-26 | 2020-04-17 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
| CN111026137B (zh) * | 2019-12-26 | 2022-10-28 | 西北工业大学 | 一种攻击角约束下同时攻击目标的三维分布式协同导引方法 |
| CN111240333A (zh) * | 2020-01-18 | 2020-06-05 | 湖南科技大学 | 一种复杂非凸环境下群机器人协同作业的多目标围捕方法 |
| CN111240332A (zh) * | 2020-01-18 | 2020-06-05 | 湖南科技大学 | 一种复杂凸环境下群机器人协同作业的多目标围捕方法 |
| CN111797529B (zh) * | 2020-07-07 | 2021-10-15 | 中国人民解放军军事科学院评估论证研究中心 | 一种计算机仿真模拟延缓海上行动的方法 |
| CN111797529A (zh) * | 2020-07-07 | 2020-10-20 | 中国人民解放军军事科学院评估论证研究中心 | 一种计算机仿真模拟延缓海上行动的方法 |
| CN111967672A (zh) * | 2020-08-18 | 2020-11-20 | 合肥工业大学 | 一种基于狮群进化算法的面向空间众包平台的路径规划方法 |
| CN112269396A (zh) * | 2020-10-14 | 2021-01-26 | 北京航空航天大学 | 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法 |
| CN113253738A (zh) * | 2021-06-22 | 2021-08-13 | 中国科学院自动化研究所 | 多机器人协作围捕方法、装置、电子设备及存储介质 |
| CN113759942A (zh) * | 2021-09-23 | 2021-12-07 | 哈尔滨工程大学 | 一种多智能机器人水下协同围捕控制系统及方法 |
| CN113759942B (zh) * | 2021-09-23 | 2024-05-31 | 哈尔滨工程大学 | 一种多智能机器人水下协同围捕控制系统及方法 |
| CN117666624A (zh) * | 2024-01-31 | 2024-03-08 | 四川腾盾科技有限公司 | 一种固定翼无人机集群目标跟踪队形排列方法 |
| CN117666624B (zh) * | 2024-01-31 | 2024-04-30 | 四川腾盾科技有限公司 | 一种固定翼无人机集群目标跟踪队形排列方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110377059A (zh) | 一种基于狮群算法的多auv围捕者协同控制方法 | |
| Zhu et al. | Task assignment and path planning of a multi-AUV system based on a Glasius bio-inspired self-organising map algorithm | |
| Zhou et al. | An improved flower pollination algorithm for optimal unmanned undersea vehicle path planning problem | |
| CN106774331A (zh) | 一种分布式控制无人艇集群分簇编队方法 | |
| Zhang et al. | AUV-assisted subsea exploration method in 6G enabled deep ocean based on a cooperative pac-men mechanism | |
| CN108489491A (zh) | 一种水下自主航行器的三维航迹智能规划方法 | |
| CN109062229A (zh) | 基于双目视觉的水下机器人系统的领航跟随编队方法 | |
| CN108445894A (zh) | 一种考虑无人艇运动性能的二次路径规划方法 | |
| CN114077256A (zh) | 一种水上无人船路径规划方法 | |
| CN109857117A (zh) | 一种基于分布式模式匹配的无人艇集群编队方法 | |
| Chen et al. | Multi-AUV cooperative hunting control with improved Glasius bio-inspired neural network | |
| CN107562074A (zh) | 一种面向mauvs围捕的任务分配方法 | |
| CN113759935A (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
| Yao et al. | Review of path planning for autonomous underwater vehicles | |
| Guo et al. | An unmanned aerial vehicles collaborative searching and tracking scheme in three-dimension space | |
| Ding et al. | Research on obstacle avoidance of multi-AUV cluster formation based on virtual structure and artificial potential field method★ | |
| Liu et al. | Cooperative target tracking in aquatic environment using dual robotic dolphins | |
| Yan et al. | A Path Planning Algorithm based on Artificial Potential Field Method and Ant Colony Algorithm | |
| Tolba et al. | Taking swarms to the field: Constrained spiral flocking for underwater search | |
| CN114415652B (zh) | 一种轮式机器人路径规划方法 | |
| Wu et al. | UAV formation control based on consistency | |
| Zhang et al. | USVs Cooperative Collision Avoidance Based on Man–Machine Interaction and the Artificial Potential Field Method | |
| Wu et al. | Collaborative defense with multiple USVs and UAVs based on swarm intelligence | |
| Liu et al. | An Overview of Behavioral Cooperative Control of Multiple Unmanned Surface Vehicles | |
| CN109085751A (zh) | 一种基于多粒度强化学习的六足机器人导航方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |