CN110517286B - 基于多智能体控制的单目标动态跟踪与围捕方法 - Google Patents

Abstract

本发明涉及一种基于多智能体控制的单目标动态跟踪与围捕方法。目前缺乏运用多智能体控制对运动目标进行编队式跟踪与控制的方法。本发明方法通过使用序列多假设跟踪算法对运动目标状态进行估计，在杂波环境下获得目标状态后，引入基于一致性思想设计分布式控制器实现多智能体对单目标动态围捕，最后通过传感器控制方法对目标估计轨迹进行跟踪。发明方法可以使多智能体系统形成编队、保持编队，并实现对单目标的动态跟踪与围捕，加深了传统算法中对传感器控制问题及目标跟踪问题的结合。

Description

基于多智能体控制的单目标动态跟踪与围捕方法

技术领域

本发明属于计算机技术领域，具体涉及一种基于多智能体控制的单目标动态跟踪与围捕方法。

背景技术

在当今的技术发展与社会服务中，由于执行任务复杂度的提高，单一的智能体已经无法完成越来越复杂的任务需求，需要通过多个智能体的协同完成任务。而多智能体协调控制系统因其兼具分布式感知与执行能力以及整体的协调并行能力，并且具有较强的鲁棒性和容错性而得到广泛关注。目前国内外对编队控制的研究内容主要包括编队形成、编队保持、队形切换、编队避障四个方面。单目标动态跟踪与围捕主要分为轨迹跟踪和动态围捕两部分。本发明中用到的轨迹跟踪方法是序列多假设跟踪算法，动态围捕算法的设计是基于一致性理论。目前，单一的多传感器控制算法以及单一的目标跟踪算法已经有了深入的研究，但是运用多智能体控制对运动目标进行编队式跟踪与控制的研究还较为缺乏。

发明内容

本发明针对现有技术的不足，提供一种多智能体控制的单目标动态跟踪与围捕方法。

本发明方法通过使用序列多假设跟踪算法对运动目标状态进行估计，在杂波环境下获得目标状态后，引入基于一致性思想设计分布式控制器实现多智能体对单目标动态围捕，最后通过传感器控制方法对目标估计轨迹进行跟踪。

本发明方法包括以下各步骤：

步骤(1).采用序列多假设跟踪算法获取目标状态估计：

步骤(1-1).描述目标状态估计问题为极大后验估计问题：

其中，

为目标状态估计值，z_k＝{z_k,1,z_k,2,…,z_k,n}，为第k次的目标测量值，n为第k次测量的数据个数，

为杂波量测，x_k为目标状态，s_k为传感器状态，Z^k＝{z₁,z₂,…,z_k}为到第k次目标测量的累积值，

表示概率。

航迹的状态估计由Kalman滤波更新，获取新的数据测量后，通过设置门检的方法，由马氏距离给出：

其中，z_k,i表示第i个信号点状态观测值，

表示状态观测预测值，

表示状态预测值，S_k|k-1表示传感器状态预测值，H为状态观测矩阵，T表示矩阵转置；选取最小的马氏距离η_min，即当所有z_k,i∈z_k，

时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

步骤(1-2).通过序列多假设跟踪算法进行数据关联：

在序列传感器条件下，使用分配集：

；

γ_k定义为：

依据贝叶斯公式，序列多假设跟踪算法的概率为：

ψ分别是新目标和虚警的测量数量，c'表示归一化系数，

是第l条假设，

为第i个目标的测量密度，

第j次测量的杂波测量密度，Τ_i是和原有目标关联的数量，δ_t表示轨迹t被传感器检测到，χ_t表示轨迹t被删除，P_D、P_χ分别表示目标点被检测到的概率和被删除的概率，m_k表示在k时刻假设的数量。

步骤(1-3).对产生的多假设进行剪枝：

采用多扫描剪枝技术，剪除不可能的假设和低概率假设，始终保持固定的假设数量。

步骤(2).多智能体控制的单目标动态围捕：

假设多智能体系统为一阶模型：

q＝1,2,…,w；w为智能体的个数；

设计控制器

其中a_qg表示两个智能体之间的权重， x_q(t)、x_g(t)为智能体的状态，b_q为偏差向量。

当q＝1时，围捕智能体x₁的控制与运动方程为：

其中x_m(t) 为运动目标在t时刻的状态，d为偏差距离，θ₁是目标的轨迹切线方向与X轴的夹角，b₁矩阵的四个维度，分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度。

当q＝2,3时，围捕智能体x₂、x₃的控制与运动方程为：

q＝2,3；β₁表示围捕智能体x₁运动的方向和X轴的夹角，α₂为+120°、α₃为-120°；θ_q表示偏离围捕智能体x₁运动方向±120°。

当q＝4时，围捕智能体x₄的控制与运动方程为：

θ₄是围捕智能体x₁和围捕智能体x₂、x₃的中点坐标连线求出的角度，b₄是在偏差角度θ₄上的向量。

本发明的有益效果：利用传感器控制方法使多智能体形成编队对单运动目标跟踪和围捕，本发明的序列多假设跟踪算法可使多智能体系统在杂波环境下对获取目标信息的利用率得到提高。本发明设计的控制器可以使多智能体编队形成更快、队形保持更稳定。相较于传统目标跟踪手段，本发明提出的算法有效提高了目标跟踪和编队控制的稳定性，一定程度上实现了目标跟踪和编队控制的联合。

附图说明

图1是目标跟踪过程中目标位置估计图；

图2是目标跟踪过程中目标速度估计图；

图3是多智能体系统偏差向量及虚拟点示意图；

图4是多智能体系统围捕单运动目标效果图；

图5是多智能体系统围捕单运动目标速度变化图。

具体实施方式

以下结合实施例以及附图对本发明作进一步说明。

一种基于多智能体控制的单目标动态跟踪与围捕方法，包括以下各步骤：

步骤(1).采用序列多假设跟踪算法获取目标状态估计：

步骤(1-1).描述目标状态估计问题为极大后验估计问题：

其中，

为目标状态估计值，z_k＝{z_k,1,z_k,2,…,z_k,n}，为第k次的目标测量值，n为第k次测量的数据个数，

为杂波量测，x_k为目标状态，s_k为传感器状态，Z^k＝{z₁,z₂,…,z_k}为到第k次目标测量的累积值，

表示概率。

航迹的状态估计由Kalman滤波更新，获取新的数据测量后，为避免不合理的假设，通过设置门检的方法，由以下马氏距离给出：

其中，z_k,i表示第i个信号点状态观测值，

表示状态观测预测值，

表示状态预测值，S_k|k-1表示传感器状态预测值，H为状态观测矩阵，T表示矩阵转置；选取最小的马氏距离η_min，即当所有z_k,i∈z_k，

时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

步骤(1-2).通过序列多假设跟踪算法进行数据关联：

本发明使用序列传感器研究目标跟踪过程中的测量关联问题，这里的序列传感器意味着在不同的时刻可以选择不同的传感器来跟踪同一个目标，但是在某一特定时刻，只有一个传感器对目标进行跟踪。

在序列传感器条件下，使用分配集：

；

分配集描述独立测量值来自哪个传感器或者虚警。

其中，γ_k定义为：

依据贝叶斯(Bayes)公式，序列多假设跟踪算法的概率为：

ψ分别是新目标和虚警的测量数量，c'表示归一化系数，

是第l条假设，

为第i个目标的测量密度，

第j次测量的杂波测量密度，Τ_i是和原有目标关联的数量，δ_t表示轨迹t被传感器检测到，χ_t表示轨迹t被删除，P_D、P_χ分别表示目标点被检测到的概率和被删除的概率，m_k表示在k时刻假设的数量。

步骤(1-3).对产生的多假设进行剪枝：

进行步骤(1-2)会产生很多的假设，包括不可能的假设，若不进行剪除，在得到多测量数据后，假设数目会进行指数增长，采用多扫描剪枝技术，剪除不可能的假设和低概率假设，始终保持固定的假设数量。

经过反复的迭代计算，可以得到每个时刻目标运动状态的估计值，在几何坐标上表示为一条目标运动的估计轨迹。

目标跟踪过程中目标位置估计见图1，目标跟踪过程中目标速度估计见图2。

步骤(2).多智能体控制的单目标动态围捕：

目前多智能体动态围捕研究中目标运动模型大多采用匀速直线运动模型，本文目标运动模型采用CT(匀速转弯运动)运动模型，状态向量为

则系统的状态方程为：状态方程：x(k)＝Ax(k-1)+w(k-1)；观测方程为：z(k)＝Hx(k)+υ(k)。

A为状态转移矩阵，H是观测矩阵，ω(k)、υ(k)为高斯噪声，满足ω(k)～N(0,Q_k)，υ(k)～N(0,R_k)，状态转移矩阵A为：

其中ω表示转弯角速度。设多智能体系统为一阶模型：

q＝1,2,…,w；w为智能体的个数；

在系统一致性基础上设计控制器

其中a_qg表示两个智能体之间的权重，x_q(t)、x_g(t)为智能体的状态，b_q为偏差向量，在系统一致性的基础上使多智能体间形成一定的向量偏差，是形成多智能体编队和围捕动态目标的关键。

当q＝1时，x₁从运动目标获取信息，x_g(t)为运动目标在t时刻的状态。围捕智能体要围捕动态目标，需让围捕智能体x₁位置实时保持在目标预测轨迹上。沿目标运动轨迹的切线方向(即目标的运动方向)加上偏差向量b₁，此时围捕智能体x₁不再和运动目标达到系统一致，而是和运动目标位置加上向量b₁后的虚拟点达成系统一致。偏差向量b₁和虚拟点示意见图3。

围捕智能体x₁的控制与运动方程为：

其中x_m(t)为运动目标在t时刻的状态，d为偏差距离，θ₁是目标的轨迹切线方向与X轴的夹角，b₁矩阵的四个维度，分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度。

当q＝2,3时，从围捕智能体x₁获取信息，x_g(t)为围捕智能体x₁在t时刻的状态。围捕智能体x₂、x₃需围绕在目标的两翼，为了保持固定的多智能体编队队形运行，b_2,3为偏离围捕智能体x₁运动方向固定角度的两个向量。在t时刻，围捕智能体x₂、x₃不再和围捕智能体x₁达到系统一致，而是和围捕智能体x₁的位置加上向量b_2,3后的虚拟点达成系统一致偏差向量b_2,3和虚拟点示意见图3。

围捕智能体x₂、x₃的控制与运动方程为：

q＝2,3；β₁表示围捕智能体x₁运动的方向和X轴的夹角，α₂为+120°、α₃为-120°。θ_q表示偏离围捕智能体x₁运动方向±120°。

当q＝4时，围捕智能体x₁、x₂、x₃分别围绕在目标位置的前方和两翼，围捕智能体x₄需跟随目标运动，围捕智能体x₄的状态由围捕智能体x₂、x₃共同决定，采取的方法由围捕智能体x₂、x₃的中点决定围捕智能体x₄的状态，x_g(t)为0.5(x₂(t)+x₃(t))。围捕智能体x₄不再和围捕智能体x₂、x₃的中点达到系统一致，而是和围捕智能体x₂、x₃的中点位置加上向量b_2,3后的虚拟点达成系统一致。

围捕智能体x₄的控制与运动方程为：

θ₄是围捕智能体x₁和围捕智能体x₂、x₃的中点坐标连线求出的角度，b₄是在偏差角度θ₄上的向量。偏差向量b₄和虚拟点示意见图3。

多智能体系统围捕单运动目标效果见图4，多智能体系统围捕单运动目标速度变化见图 5。由图4、5可见，实现了目标跟踪和编队控制的联合。

Claims (1)

1.基于多智能体控制的单目标动态跟踪与围捕方法，其特征在于该方法具体如下：

步骤(1).采用序列多假设跟踪算法获取目标状态估计：

步骤(1-1).描述目标状态估计问题为极大后验估计问题：

其中，

为目标状态估计值，z_k＝{z_k,1,z_k,2,…,z_k,n}，为第k次的目标测量值，n为第k次测量的数据个数，

为杂波量测，x_k为目标状态，s_k为传感器状态，Z^k＝{z₁,z₂,…,z_k}为到第k次目标测量的累积值，

表示概率；

航迹的状态估计由Kalman滤波更新，获取新的数据测量后，通过设置门检的方法，由马氏距离给出：

其中，z_k,i表示第i个信号点状态观测值，

表示状态观测预测值，

表示状态预测值，S_k|k-1表示传感器状态预测值，H为状态观测矩阵，T表示矩阵转置；选取最小的马氏距离η_min，即当所有z_k,i∈z_k，

时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

步骤(1-2).通过序列多假设跟踪算法进行数据关联：

在序列传感器条件下，使用分配集：

γ_k定义为：

依据贝叶斯公式，序列多假设跟踪算法的概率为：

ψ分别是新目标和虚警的测量数量，c'表示归一化系数，

是第l条假设，

为第i个目标的测量密度，

第j次测量的杂波测量密度，Τ_i是和原有目标关联的数量，δ_t表示轨迹t被传感器检测到，χ_t表示轨迹t被删除，P_D、P_χ分别表示目标点被检测到的概率和被删除的概率，m_k表示在k时刻假设的数量；

步骤(1-3).对产生的多假设进行剪枝：

采用多扫描剪枝技术，剪除不可能的假设和低概率假设，始终保持固定的假设数量；

步骤(2).多智能体控制的单目标动态围捕：

多智能体系统为一阶模型：

w为智能体的个数；

设计控制器

其中a_qg表示两个智能体之间的权重，x_q(t)、x_g(t)为智能体的状态，b_q为偏差向量；

当q＝1时，围捕智能体x₁的控制与运动方程为：

其中x_m(t)为运动目标在t时刻的状态，d为偏差距离，θ₁是目标的轨迹切线方向与X轴的夹角，b₁矩阵的四个维度，分别表示为X方向位置、X方向速度、Y方向位置、Y方向速度；

当q＝2,3时，围捕智能体x₂、x₃的控制与运动方程为：

q＝2,3；β₁表示围捕智能体x₁运动的方向和X轴的夹角，α₂为+120°、α₃为-120°；θ_q表示偏离围捕智能体x₁运动方向±120°；

当q＝4时，围捕智能体x₄的控制与运动方程为：

θ₄是围捕智能体x₁和围捕智能体x₂、x₃的中点坐标连线求出的角度，b₄是在偏差角度θ₄上的向量。

Images