CN110597059B - 面向无人系统的椋群式智能群体动态网络拓扑构建方法 - Google Patents
面向无人系统的椋群式智能群体动态网络拓扑构建方法 Download PDFInfo
- Publication number
- CN110597059B CN110597059B CN201910836698.3A CN201910836698A CN110597059B CN 110597059 B CN110597059 B CN 110597059B CN 201910836698 A CN201910836698 A CN 201910836698A CN 110597059 B CN110597059 B CN 110597059B
- Authority
- CN
- China
- Prior art keywords
- network
- agent
- group
- nodes
- obstacle
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提出了一种面向无人系统的椋群式智能群体动态网络拓扑构建方法,进行网络拓扑构建实现agent群体协同,包括初始化agent群体及相应参数;设置网络状态转换机制,针对当前帧,根据agent群体和障碍的物理位置判断执行相应网络状态操作,如果无障碍则构建标号小世界网络,如果群体即将接近障碍影响区域则构建6‑邻居网络,如果群体位于障碍影响区域则进行网络拓扑分裂;进行agent群体中每个agent下一时刻速度与位置更新直到agent群体抵达目的地或者达到最大迭代次数。本发明的agent群体系统同步能力将高于传统规则网络、随机网络等,并且具有可扩展性和稳定性,将在无人系统方面具有非常广阔的应用前景。
Description
技术领域
本发明属于人工智能群智能应用技术领域,尤其涉及一种面向无人系统的椋群式动态网络拓扑构建方法。
背景技术
无人系统是世界各国争相研究的热点课题,其技术正朝着集群化、自主化、智能化的方向发展。无人系统,以无人机为例,如无人机自主飞行控制、无人机集群密集编队、无人机集群对抗等应用,往往需要一定规模的空中智能体(agent)(如传感器、飞行器、机器人等)密切协作才能完成精准飞行任务。agent群体协同中如何使团队合作达到最大化效果,agent之间信息交互扮演着十分重要的作用。离开信息交互,agent将变成一个个孤立的个体,无法发挥其优势。因此,实际应用中需要为agent群体设计一种用于信息交互、具有动态可适应变化的、抗毁性的复杂网络拓扑。良好的网络拓扑设计将有助于信息快速传播,实现信息同步,达到事半功倍的效果。
当前以动力学模型为主要研究方法的agent群体协同研究中,往往根据事先编制的运动轨迹实现它们之间相互避撞,执行简单围捕任务,仅适用于一些无人系统商演的特定场景,尚不能执行较复杂任务,更不具备对抗能力;而一些传统的规则网络、随机网络等建模方法则存在通讯成本高、信息传播慢的问题。
协同是无人集群系统顺利完成任务的重要保障。当前围绕多智能体的研究较多,重点在于如何协调智能体,让它们能够有条不紊地执行任务。国外代表性的多智能体研究项目主要有Swarm-bots、I-Swarm、SMAVNET、AirShiel等。如比利时布鲁塞尔自由大学Dorigo等人[2005]主持Swarm-bots项目,通过对人工智能领域的研究,设计了一种协调无人机群的方法,并通过300多次实验验证了其可行性。美国休斯研究实验室Seyfried等人[2005]以地面微型移动机器人群为实验平台,研究了基于虚拟信息素(VirtualPheromone)的群体机器人I-SWARM项目。瑞士洛桑理工学院Hauert[2009]开展了SMAVNET研究项目,利用Reynolds模型的聚集、避让、并列三条准则,让无人机群在复杂环境中构建一个应急通信网络。德国研究技术部资助的国家安全研究计划AirShiel项目[2009]利用一群微型无人机对发生自然灾害时地面状况探测进行灾害分析。这些群体无人机由高度灵活的通信系统支持,群体中无人机可以与邻居无人机、地面站进行通信。
除此之外,国外也开展了很多关于无人自组织网络的研究。美国科罗多拉大学开展了AUGNet项目[2004],研究基于自组网(Ad hoc)的无人机组网技术,并将其应用于风暴探测、火灾侦察中。Majid等人[2004]研究了无人机作为中继节点来增强大规模无线移动自组网节点的连接性,确保网络中任意两个节点可以通信。这些研究从网络通信的角度对无人机群进行控制,在理论上具有良好的可行性,但是这些方法侧重于无人机的通信拓扑和信息传播方式,却较少考虑无人机的物理位置信息。因此,在遇到紧急情况时难以协调。
当前,通过对自然界生物群体行为进行研究,将生物群体的协作方法应用于无人机群协同中,为解决大规模无人机群协同完成任务提供了崭新思路。但是由于群体动态特性难以用数学模型精确地进行描述,因而群体行为的稳定性难以得到保障。Guzey[2018]针对无人机群设计了一种基于神经网络的自适应感知控制方法,该方法能够对无人机群进行控制,使其达到预定编队形状。虽然仿真结果验证了其有效性,但仅能对固定高度的无人机群进行控制,在三维空间中的应用还需要作进一步地改进。
国内无人机集群研究起步较晚,相关方面成果并不多见。Zuo[2009]提出了以最小通信量为基础的分散协同控制策略,具有异构性、可扩展性和动态可重构性等特点,可靠性和鲁棒性较好。周锐等[2008]将多智能体系统引入到无人机集群对抗决策系统中,建立了无人机运动模型,为无人机设计了独立的个体行为集,并针对每种行为给出了决策方法。该方法能够有效地规避障碍物,但对于大规模无人机群并不适用。罗德林等[2015]提出一种联合扩展卡尔曼滤波(EKF)和模型预测控制的控制器设计方法,并通过仿真验证了EKF方法能够准确地预测动态障碍物的轨迹,无人机之间通过协作可以有效地降低预测误差。但是这种方法没有考虑无人机之间的信息传播拓扑,在无人机数量较多时信息传播速度可能有所阻碍。
agent之间信息交互的拓扑结构的研究通常结合图论中的网络知识,将系统中的每个agent个体用网络节点进行表示,个体之间的联系用连接边来表示,而agent群体则采用分布式控制方式进行自适应调整,即每个个体只根据有限的邻居信息来更新自身状态。相比于集中式,分布式控制方式具有更好的鲁棒性和灵活性,但系统对网络联通性和信息传播性能的要求会更高。
自然界里生物群体(如鸟群、鱼群、虫群等)所表现的自组织、自适应的群智行为,遵循一定物理自然规律和物理系统基本规则;同时,大量生物个体通过相互交互作用所形成的拓扑结构代表着一定的社会网络。宏观上生物群体所表现的有序现象正是生物系统、物理系统和社会生态系统三者之间耦合结果。因此,针对现有技术的难题,本发明提出从认知物理学角度思考和阐析生物群集智能涌现,将其映射到agent群体协同应用中,并通过复杂网络技术构建无人系统的网络拓扑结构。
发明内容
本发明的目的是提供一种受欧椋鸟群集协同飞行启发的,面向无人系统的椋群式agent群体动态网络拓扑构建方法。
为了达到这个目的,本发明提供的技术方案为一种面向无人系统的椋群式智能群体动态网络拓扑构建方法,包括通过以下步骤进行网络拓扑构建实现agent群体协同,所述agent是智能体,
步骤S1,初始化agent群体及相应参数,包括设置群体规模以及最大迭代次数,为agent群体中每个agent定义初始速度以及初始位置;
步骤S2,设置网络状态转换机制,包括网络状态转换的设定触发时机根据agent群体和障碍的物理位置确定,当整个agent群完全分散在障碍的两侧时触发整体拓扑分裂成子拓扑,当离开障碍所在作用范围时触发子拓扑从分裂状态重组为一个整体;
步骤S3,针对当前帧,根据agent群体和障碍的物理位置判断执行相应网络状态操作,包括以下三种情形,
情形3.1:如果无障碍,则构建标号小世界网络;所述标号小世界网络,是指网络中的各个节点按照一定的顺序进行编号,然后依据编号而构建的小世界网络;
情形3.2:如果群体接近障碍影响区域,则构建6-邻居网络;所述6-邻居网络是一种网络结构,网络中每个节点最多只与邻域内最邻近的6个邻居存在相互作用,如果两个节点存在相互作用,则用边将这两个节点连接起来;
情形3.3:如果群体位于障碍影响区域,则进行网络拓扑分裂,分裂的各部分agent分别构建各自标号小世界网络;
步骤S4,进行agent群体中每个agent下一时刻速度与位置更新,然后针对新的当前帧返回步骤S3进行相应处理,直到agent群体抵达目的地或者达到最大迭代次数。
而且,情形3.1和情形3.3中,构建标号小世界网络,实现方式包括以下步骤,
步骤3.1.1,对所有节点进行排序,并按照一定顺序对节点进行编号,求出所有agent节点中横坐标最小节点;
步骤3.1.2,计算除横坐标最小节点以外其它节点与群体重心的连线所在角度;
步骤3.1.3,对计算的角度从大到小进行排序,根据该顺序对相应节点进行标号,其中,横坐标最小节点作为第一个节点;
步骤3.1.4,对空间编号有序排列的节点建立标号小世界网络;
步骤3.1.5,确定小世界网络参数,包括根据欧椋鸟群集行为模式确定小世界网络的邻居节点数N邻。
而且,情形3.2中,
根据agent群中是否有agent进入了障碍的最大影响范围内,来判断agent群的拓扑结构是否将会需要分裂,根据规模巨大的欧椋鸟群集活动中个体采用拓扑距离与其最邻近的6或7个个体进行交互的特点,构建6-邻居网络。
而且,步骤3中,基于平面空间区域划分,判断agent所在平面空间区域,以判断执行相应网络状态操作。
而且,应用于无人系统。
而且,所述agent是无人系统应用中的传感器、飞行器或机器人。
本发明具有如下特点和有益效果:
(1)基于改进的NW小世界网络模型,agent群体系统的同步能力将高于传统规则网络、随机网络等。所设计的网络拓扑结构方式具有较大群聚特性;任意结点之间两两可达,适应于拒止环境;同时,全局通讯费用较少,有利于网络模型中群体之间信息迅速传播和扩散,并在局域群体中较快达成共识,有利于协作行为的涌现,可实现agent群体系统同步,同步能力将远远高于传统规则网络、随机网络等。
(2)大规模agent群体系统具有灵活性和可扩展性。网络拓扑不依赖于agent群体系统智能个体数量,agent可以随时加入或退出网络结构,而不影响系统的整体结构,使大规模agent群体系统具有灵活性和可扩展性。
虽然目前欧椋鸟群集飞行现象依然是个不解之谜,对其协同飞行的机理、机制的研究尚处在起步阶段,将其与群体智能相结合还有很大的研究空间。但随着观测手段、观测技术以及物理学、生物学、生命科学、人工智能等各个学科不断发展,这些问题都将会逐步地得到解决,大规模agent群体的协同应用也将进入一个蓬勃发展的新时期。
附图说明
图1是本发明实施例构建椋群式动态网络拓扑流程图;
图2是本发明实施例平面空间区域划分示意图;
图3是本发明实施例随机化重连过程示意图,其中图3a为最邻近耦合网络示意图,图3b为NW小世界网络示意图,图3c为最邻近耦合网络与随机网络叠合示意图;
图4是本发明实施例标号小世界网络构建示意图,其中图4a为原节点分布示意图,图4b为节点排序与标号示意图,图4c为根据图4b生成的标号小世界网络示意图;
图5是本发明实施例6-邻居网络示意图;
图6是本发明实施例agent集体避开障碍示意图;
图7是本发明实施例agent所受外界合力示意图;
图8是本发明实施例网络拓扑动态变化效果示意图。
具体实施方式
以下结合附图和实施例对本发明技术方案进行具体的描述。
本发明的技术方案提出将当前生物学的成果发现映射到agent的协同功能上:生物学家对生物群集行为开展了持久而深入的研究,特别是凝缩密集型群体,像沙丁鱼群、蝗虫群和欧椋鸟群等生物大规模而有序的活动规律。目前科学家尚不能解释数量庞大的沙丁鱼群是如何做到动作整齐划一的。牛津大学实验室对2万只蝗虫的观察实验发现蝗虫聚集时通过同类相食来集结成群。欧椋鸟群集的自然原因虽未得到详尽的科学解释,但最新PNAS研究成果[Ballerini et al.2008;Cavagna et al.,2010]表明欧椋鸟群集飞行特点在于每只鸟只留意自己身边6或7只鸟的行为趋向,并有能力迅速地对近邻鸟的行为做出反应,调整自己的飞行速度和方向。Ballerini等[2008]利用计算机视觉技术记录了欧椋鸟群中特定个体的三维位置,发现鸟群中个体分布存在各向异性。在规模巨大的欧椋鸟群中,个体采用拓扑距离(topological distance)与其最近6、7个个体进行交互,并非由群体中个体的度量距离(metric distance)决定。Cavagna et al.[2010]使用立体成像技术得到欧椋鸟群高精度空间位置信息以及速度信息,通过这些信息研究了欧椋鸟群对外界扰动的反应情况。个体会受到很远处个体的间接影响,但这种影响远远小于个体直接范围内的个体对它的影响,从而进一步揭示了欧椋鸟群飞行高度一致的原因。以上这些最新的欧椋鸟群的生物学重要发现为agent群体协同研究提供了一条崭新的思路。
Watts和Strogatz[1998]曾提出小世界网络模型。研究成果表明,相比于一般网络拓扑而言,小世界网络既具有规则网络的局部高聚集系数,又具有随机网络的较短平均路径长度的特性。因此,它非常适合于agent群体内部交互信息的快速传播。
因此,本发明结合欧椋鸟群集行为的最新生物学研究成果,建立欧椋鸟与agent之间的映射关系,让agent群模拟欧椋鸟群的行为。同时,通过认知物理学、复杂网络建模技术与群智能算法三者相结合,以通信网络为中心,以群体交互协同能力为基础,采用小世界网络,将大规模/特大规模agent单平台节点进行综合集成,构建具有低成本、可重构、抗攻击等优势以及具有生物群智特征的开放式、自组织、动态的信息交互拓扑体系架构,实现对agent的通信与自主控制。
本发明所述智能体(agent)为一个模拟生物智能的实体,能根据外界环境的变化,通过学习和积累经验与知识,对自身行为和状态进行调整,实现与群体其它agent的交互和协作。具体实施时,agent可以是无人系统应用中的传感器、飞行器、机器人等应用实体。
如图1所示,实施例提供的椋群式动态网络拓扑构建方法,包括步骤如下:
步骤1:初始化群体及其参数。
实施例中,本步骤初始化agent群体及其参数,为后续步骤做准备,包括:
(1)设置群体规模N以及最大迭代次数itermax。
重复以下步骤2~步骤4,直至agent群全部抵达目的地或者循环达到最大迭代次数。
步骤2:设置网络状态转换机制。
一般无障碍情况下,agent群构建小世界网络。然而,agent群在运动过程中常常会遇到障碍物或捕食者(为方便叙述,下文以“障碍”进行叙述)。在此情况下,需要对agent群进行网络拓扑分裂;而在agent群避开障碍后,还需要对其进行网络拓扑重组。从网络构建到网络分裂以及从网络分裂到网络重组,可采用6-邻居网络进行自然过渡。
本发明构建标号小世界网络、6-邻居网络、网络拓扑分裂以及网络拓扑重组,需要进行网络状态转换机制设计以确定这四者之间相互转换的触发时机。设定触发时机根据agent群体和障碍的物理位置确定。整体拓扑分裂成子拓扑的时机应当是整个agent群接近障碍影响区域的时刻;拓扑从分裂状态重组为一个整体应当是离开障碍所在作用范围的那一刻。
本发明实施例提出,通过平面空间区域划分和判断单个agent所在平面空间区域,可以简便地确定agent群体和障碍的物理位置关系,则可确定网络转换的触发时机,包括以下处理:
步骤2.1:平面空间区域划分。
如图2所示的平面空间区域,黑色实心圆表示障碍,点划线表示障碍的影响区域,设障碍中心为O(xo,yo)。障碍将整个平面空间划分为6个区域。设agent群体的重心为Q(xq,yq),其中,xi、yi分别表示第i个节点的横坐标和纵坐标。N表示群体总节点数。
图2中,l1为Q与O的连线,其直线方程表示为l1:l2和l3分别为过l1与障碍最大影响区域连线的两个交点i1和i2的切线。通过与障碍最大影响区域的圆方程联立,可以求解两交点的坐标,设为i1(xi1,yi1),i2(xi2,yi2)。
步骤2.2:判断agent所在平面空间区域。
本发明提出使用矢量夹角和矢量叉积来判断agent位于平面空间哪一个区域。
矢量叉积的基本计算方法如下。设矢量R1=(x1,y1)和R2=(x2,y2),定义R1和R2的矢量叉积,即R1×R2=x1×y2-x2×y1,它表示由原点(0,0)、R1、R2以及R1+R2所组成的平行四边形的带符号面积,可以根据它的符号来判断两个矢量相互之间的顺时针关系或逆时针关系。根据规则1,判断R1和R2的矢量方向关系。
规则1(矢量关系规则):R1相对于R2的方向,包括以下三种情况。
假设某agent的坐标为P(x1,y1),计算矢量与的夹角α,如果α>90°,则agent在区域1或者区域2内;否则,计算矢量与的夹角β。如果β>90°,则agent在区域5或者区域6内。如果以上两种情况都不符合,则agent在区域3或者区域4内。此时,利用矢量叉积进行判断,如果与的叉积则agent在区域3内;否则,agent在区域4内。
步骤2.3:定义网络拓扑转换规则。
规则2(网络拓扑转换规则):判断agent所处哪个区域内后,设计网络拓扑之间的转换时机,遵循以下3个基本规则,即
以上3种情况包括了agent群经过障碍时的所有可能情况,可以实现agent群的标号小世界网络、6-邻居网络、网络分裂、网络重组四者之间的状态过渡。
步骤3:针对当前帧,根据agent群体和障碍的物理位置判断执行相应网络状态操作。
网络状态操作时,考虑以下三种情形。
情形3.1:如果无障碍,则构建标号小世界网络。
Watts和Strogatz[1998]曾提出小世界网络概念,并建立了WS小世界网络模型,通过在最邻近耦合网络(图3a,p=0)上随机重连对边来构建网络。重连概率越高,越趋近于随机网络。虽然WS模型较好地描述了一个同时具有高群聚系数和低平均路径长度的网络,但随机化重连过程会破坏网络连通性,导致出现孤立节点的问题。在此基础上,Newman和Watts[1999]提出了NW小世界网络模型(图3b,0<p<1),用随机化加边代替WS模型的随机化重连。随机化加边数量取决于概率p,p越大,则网络越趋近于最邻近耦合网络与随机网络的叠加(图3c,p=1)。
实际应用中,由于agent群在运动过程中某时刻空间位置往往是无序分布的。如果按照随机标号来构建小世界网络,必然会与最邻近耦合网络的含义相悖,而且也将增加平均路径长度,使得agent之间信息传播速度减慢。为了避免出现这种情况,在构建小世界网络之前,首先需要对所有节点按照空间位置顺时针或逆时针进行排序,同时排序时避免出现交叉连线,这样就可以对节点进行标号,并构建小世界网络。
本发明采用NW网络(即NW小世界网络模型的网络结构),并对其应用方法进行改进,即在构建NW网络之前对每个节点进行预处理(包括排序、标号),在此基础上构建带标号的小世界网络。并且,从欧椋鸟群集行为模式得到启发来确定NW网络的邻居节点数。
所述带标号的小世界网络,是指:网络中的各个节点按照一定的顺序进行编号,然后依据这些编号而构建的小世界网络称为带标号的小世界网络。
这样做的理由是:实际应用中,物理环境无序分布的无人系统中的节点是不能按照随机标号来构建小世界网络的,因为这样不仅与最邻近耦合网络的含义相悖,而且为了加快信息传播的长程连接,在这种情况下失去意义,导致平均最短路径长度增加。为了避免这种情况的发生,在构建小世界网络之前,首先应对所有的节点进行排序,并按照该顺序进行编号。
步骤3.1.1:对所有节点进行排序,并按照一定顺序对节点进行编号,求出所有agent节点中横坐标最小的节点n(min)。
步骤3.1.2:计算除横坐标最小节点以外其它节点与群体重心的连线所在角度。
根据节点(xi,yi)与重心(xq,yq)相对位置的不同,求出节点相对于重心的角度α。
步骤3.1.3:对步骤3.1.2所得到的所有角度进行排序,并按照顺序对节点进行编号。
对以上计算的角度从大到小进行排序,根据该顺序对相应节点进行标号,其中,n(min)作为第一个节点。
步骤3.1.4:对空间编号有序排列的节点建立标号小世界网络。
根据群体总节点数N和邻居节点数N邻构建最邻近耦合网络。从不包括节点本身的所有节点对中任意选出N×N邻/2个节点对。对每个节点对d,生成(0,1)内的随机数rd。如果rd<p,则在该节点对内生成一条连线。这里,p为给定的随机加边概率。
标号小世界网络构建示意图如图4所示。图4a为原节点分布。图4b为对节点进行排序、标号后的结果。这里,虚线只是表示节点编号顺序,而并非实际网络连接。图4c为根据图4b的排序后的节点生成的标号小世界网络。其中,实线表示小世界网络的节点连边,长划线表示小世界网络的随机加边。
步骤3.1.5:确定标号小世界网络的参数,包括概率p和邻居节点数N邻。
在小世界网络中,需要确定的关键参数包括p和N邻。不同的p和N邻的组合会对平均路径长度和群聚系数产生较大影响,因此需要确定一个较优的取值。
从网络特性与p的关系分析的现有研究成果来看,在p=0.1附近,对于任意N,网络均有着较小的平均路径长度和较大的群聚系数,亦即具有良好的小世界特性。由此,p可取值为0.1。
N邻的取值难以从数学角度推得。本发明从欧椋鸟群集行为模式得到启发,来确定N邻。在欧椋鸟群中,每只欧椋鸟一般只与其周围最邻近的6或7个欧椋鸟进行信息交换。最新研究成果表明,6或7个个体组成的拓扑网络能够有效地平衡个体交流和整个种群凝聚性,信息交流足以遍布整个种群、影响整个种群的行为。因此,在小世界网络中N邻取值为6(N邻必须为偶数,因此不取7)。
情形3.2:如果agent群接近障碍影响区域,则构建6-邻居网络。
在特殊情况下往往需要对网络进行分裂和重组。如果在整体网络与分裂网络之间没有任何过渡,那么在agent群还没有完全分裂时构建网络拓扑很可能会造成拓扑混乱,造成网络之间出现交叉现象,影响agent之间交互和网络拓扑质量。因此,需要设计一种特殊拓扑,在agent群遇到障碍进行网络拓扑分裂、以及从分裂的拓扑重组为一个整体网络拓扑时起到过渡作用。
步骤3.2.1:判断agent群的拓扑结构是否需要分裂。
判断条件为agent群是否有agent进入了障碍的最大影响范围内,也就是即将接近障碍影响区域,因此将要分裂,为提供过渡,本发明提出构建6-邻居网络。
步骤3.2.2:根据规模巨大的欧椋鸟群集活动中个体采用拓扑距离与其最邻近的6、7个个体进行交互的特点,构建6-邻居网络。
设t时刻节点i的邻域为即该节点能够感知的、其视野范围内最邻近的6个邻居的节点集合。对于邻域内所有节点,用一条无向边将它们连接起来,表示这两个节点之间有信息交互。由这些节点和边构成新的网络拓扑。agent群随着时间不断地运动,每个节点的邻域也会随着时间而发生改变,一些节点会移入其邻域内,而另一些节点可能移出其邻域,使得网络拓扑会随着时间而变化。本发明将这种网络称为6-邻居网络。
6-邻居网络定义为:一种网络结构,网络中每个节点最多只与它邻域内最邻近的6个邻居存在相互作用。如果两个节点存在相互作用,则用边将这两个节点连接起来。
如图5所示,黑点表示agent,黑色实线表示agent之间的无向边连接,虚线圆表示agent感知范围。6-邻居网络由这些黑点与黑边组成。
情形3.3:如果agent群已经进入障碍影响区域,即位于障碍影响区域,整个agent群完全分散在障碍的两侧,则进行网络拓扑分裂。
当遇到紧急情况时,如遇到障碍,agent群不一定会保持原有队形,可能会分散为两个甚至多个部分,每个部分沿着各自方向前进。此时,由于障碍的存在,各部分距离较远,如果为agent群建立整体网络拓扑,不仅在通信方面会造成延迟,而且由于各agent运动方向不同,可能会产生诱导性错误信息,使整个agent群的信息交互发生混乱。因此,需要根据agent群的空间位置,对原有网络拓扑进行分裂,将其划分成若干部分,各个部分单独地建立各自的网络拓扑。
用“左”和“右”来描述agent群在空间上的位置关系。如图6所示,用带方向箭头的圆点代表agent,中间的实心圆代表障碍,虚线圆表示障碍的影响范围。agent群在经过障碍所在区域附近时,一部分agent沿着障碍的左侧运动,另一部分则沿着障碍的右侧运动。为了判断agent在左侧还是在右侧,构造一条能够将平面分成两部分的直线,通过这条直线来判断所有agent的物理空间位置。
步骤3.3.1:判断agent在障碍的左侧还是右侧。
根据步骤2.2提供的方式判断agent所在平面空间区域。
步骤3.3.2:网络拓扑分裂。
判断每个agent所在位置后,就可以将整个agent群分成两个部分。
步骤3.3.3:两个部分的agent分别构建各自标号小世界网络。
每个部分都可以利用前述方法(步骤3.1.1~3.1.5)对每个节点进行节点排序,根据排序后的节点构建各自标号小世界网络。
步骤4:agent群中每个agent下一时刻速度与位置更新。
构建网络拓扑是一个动态过程。步骤3是当前时刻,步骤4是要进行到下一个时刻,所以要确定网络节点在下一时刻的位置。位置由速度决定,所以要先更新速度。实施例进行agent群体中每个agent下一时刻速度与位置更新,然后针对新的帧返回步骤3进行相应处理,直到agent群体抵达目的地或者达到最大迭代次数。
如图7所示,agent运动过程中会受到来自目的地的吸引力障碍的排斥力以及节点与节点之间的力(吸引力或排斥力)的作用。如果agent群没有遇到障碍,则采用人工势场法分别计算与并求出合力的大小和方向。在合力作用下,agent运动方向发生改变,更新为下一时刻位置。
步骤4.1:定义排斥势场函数和吸引势场函数。
其中,η是斥力因子,节点当前位置为P,障碍位置为Po,rb为障碍对移动节点的最大影响半径。超过一定距离后,障碍对该节点将不存在排斥影响。
其中,ξ为引力因子,节点当前位置为P,目的地位置为Pg。
当agent保持稳定时,吸引势场和排斥势场的大小应当相等。对方程Uatt=Urep进行求解,当两个agent的相对距离稳定在某个值的时候,可以借助式(3)求出参数η,ξ的值。
步骤4.2:定义agent之间的相互作用关系。
在个体视觉能力范围内定义感知半径Rp、排斥半径Re以及吸引半径Ra这3个半径参数。Rp为agent搜索空间的最大范围,即视野半径。Re为agent与同伴之间保持的最小距离,以避免两者发生相互碰撞。为了保持整个群体的凝聚力,agent被距离较远的同伴所吸引,Ra设置为agent搜索空间的最大范围。agent之间的相互作用关系遵循规则3。
规则3(agent相互作用规则):设agent i与agent j之间的距离为di,j。每个agent在运动过程中与其同伴agent之间通过拓扑-距离关系决定排斥力或吸引力,满足以下Reynolds“排斥-保持-吸引”三条基本规则a、b、c,同时满足偏离规则d。
具体实施时,感知半径Rp、排斥半径Re、吸引半径Ra取值可根据具体的应用预先设定。
步骤4.3:计算agent所受外界合力。
步骤4.4:agent群的速度更新、位置更新。
根据总势场的大小和方向,计算下一时刻各节点的位置。
agent i在t+1次迭代中的速度更新方程如式(5)所示。
根据更新的速度来更新位置,agent i在t+1次迭代中的位置更新方程如式(6)所示。
因此,经过以上步骤1~步骤4,可实现agent群体的动态变化网络拓扑。图8给出网络拓扑动态变化过程的效果示意图。其中,a部分表示agent群位于障碍最大影响范围(Obstacle)之外,构建标号小世界网络。b部分表示agent群中有节点在区域1或区域2内,构建6-邻居网络。c部分表示agent群所有节点在区域3或区域4内,agent群进行网络分裂。d部分表示agent群有节点在区域5或区域6内,构建6-邻居网络。e部分表示agent群所有节点离开障碍的最大影响范围,agent群进行网络重组,重新构建标号小世界网络。
具体实施时,可采用软件方式实现流程的自动运行。运行流程的装置也应当在本发明的保护范围内。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种面向无人系统的椋群式智能群体动态网络拓扑构建方法,其特征在于:包括通过以下步骤进行网络拓扑构建实现agent群体协同,所述agent是智能体,
步骤S1,初始化agent群体及相应参数,包括设置群体规模以及最大迭代次数,为agent群体中每个agent定义初始速度以及初始位置;
步骤S2,设置网络状态转换机制,包括:网络状态转换的设定触发时机根据agent群体和障碍的物理位置确定,当整个agent群完全分散在障碍的两侧时触发整体拓扑分裂成子拓扑,当离开障碍所在作用范围时触发子拓扑从分裂状态重组为一个整体;
步骤S3,针对当前帧,根据agent群体和障碍的物理位置判断执行相应网络状态操作,包括以下三种情形,
情形3.1:如果无障碍,则构建标号小世界网络;所述标号小世界网络,是指网络中的各个节点按照一定的顺序进行编号,然后依据编号而构建的小世界网络;
情形3.2:如果群体接近障碍影响区域,则构建6-邻居网络;所述6-邻居网络是一种网络结构,网络中每个节点最多只与邻域内最邻近的6个邻居存在相互作用,如果两个节点存在相互作用,则用边将这两个节点连接起来;
情形3.3:如果群体位于障碍影响区域,则进行网络拓扑分裂,分裂的各部分agent分别构建各自标号小世界网络;
情形3.1和情形3.3中,构建标号小世界网络,实现方式包括以下步骤,
步骤3.1.1,对所有节点进行排序,并按照一定顺序对节点进行编号,求出所有agent节点中横坐标最小节点;
步骤3.1.2,计算除横坐标最小节点以外其它节点与群体重心的连线所在角度;
步骤3.1.3,对计算的角度从大到小进行排序,根据该顺序对相应节点进行标号,其中,横坐标最小节点作为第一个节点;
步骤3.1.4,对空间编号有序排列的节点建立标号小世界网络;
步骤3.1.5,确定小世界网络参数,包括根据欧椋鸟群集行为模式确定小世界网络的邻居节点数N邻;
步骤S4,进行agent群体中每个agent下一时刻速度与位置更新,然后针对新的帧返回步骤S3进行相应处理,直到agent群体抵达目的地或者达到最大迭代次数。
2.如权利要求1所述面向无人系统的椋群式智能群体动态网络拓扑构建方法,其特征在于:情形3.2中,
根据agent群中是否有agent进入了障碍的最大影响范围内,来判断agent群的拓扑结构是否将会需要分裂,根据规模巨大的欧椋鸟群集活动中个体采用拓扑距离与其最邻近的6或7个个体进行交互的特点,构建6-邻居网络。
3.如权利要求1所述面向无人系统的椋群式智能群体动态网络拓扑构建方法,其特征在于:步骤3中,基于平面空间区域划分,判断agent所在平面空间区域,以判断执行相应网络状态操作。
4.如权利要求1或2或3所述面向无人系统的椋群式智能群体动态网络拓扑构建方法,其特征在于:应用于无人系统。
5.如权利要求4所述面向无人系统的椋群式智能群体动态网络拓扑构建方法,其特征在于:所述agent是无人系统应用中的传感器、飞行器或机器人。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836698.3A CN110597059B (zh) | 2019-09-05 | 2019-09-05 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836698.3A CN110597059B (zh) | 2019-09-05 | 2019-09-05 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110597059A CN110597059A (zh) | 2019-12-20 |
CN110597059B true CN110597059B (zh) | 2021-05-04 |
Family
ID=68857677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836698.3A Active CN110597059B (zh) | 2019-09-05 | 2019-09-05 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110597059B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260031B (zh) * | 2020-01-14 | 2022-03-01 | 西北工业大学 | 一种基于深度强化学习的无人机集群目标防卫方法 |
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 |
CN112034843A (zh) * | 2020-08-10 | 2020-12-04 | 深圳技术大学 | 多智能主体协同搬运物件的方法、系统和存储介质 |
CN112306020B (zh) * | 2020-10-29 | 2021-10-26 | 西北工业大学 | 一种多智能体集群对指定目标位置的均匀球面分散控制方法 |
CN112434437B (zh) * | 2020-12-02 | 2023-08-25 | 大连大学 | 考虑节点重组的装备保障超网络动态演化模型构建方法 |
CN114296482B (zh) * | 2021-12-27 | 2023-11-28 | 北京理工大学 | 一种基于自变增益策略的无人机集群避障方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133988A (zh) * | 2014-07-14 | 2014-11-05 | 西南交通大学 | 一种基于矩阵乘积的复杂网络构建方法 |
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 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002206819A (ja) * | 2001-01-04 | 2002-07-26 | Tatsutoshi Hashimoto | スターリングエンジン |
CN101901012B (zh) * | 2010-03-19 | 2012-02-22 | 华东交通大学 | 一种分布式的多机器人同步蜂拥控制方法 |
CN102185916B (zh) * | 2011-04-27 | 2013-06-26 | 西安电子科技大学 | 具有小世界和无标度特性的传感器网络建立方法 |
CN106503168A (zh) * | 2016-10-31 | 2017-03-15 | 武汉大学 | 标准化遥感卫星数据集成通用元数据模型的建立方法 |
CN106843269B (zh) * | 2017-01-22 | 2019-05-31 | 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 |
CN110058607B (zh) * | 2019-04-08 | 2020-07-07 | 北京航空航天大学 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
-
2019
- 2019-09-05 CN CN201910836698.3A patent/CN110597059B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104133988A (zh) * | 2014-07-14 | 2014-11-05 | 西南交通大学 | 一种基于矩阵乘积的复杂网络构建方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN110597059A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597059B (zh) | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 | |
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
Zhao et al. | Self-adaptive collective motion of swarm robots | |
CN108549407B (zh) | 一种多无人机协同编队避障的控制算法 | |
CN104407619B (zh) | 不确定环境下的多无人机同时到达多个目标方法 | |
Hauert et al. | Evolved swarming without positioning information: an application in aerial communication relay | |
CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
Chang et al. | Coactive design of explainable agent-based task planning and deep reinforcement learning for human-UAVs teamwork | |
Roca et al. | Emergent behaviors in the internet of things: The ultimate ultra-large-scale system | |
Misra et al. | Bio-inspired group mobility model for mobile ad hoc networks based on bird-flocking behavior | |
Bogdanowicz | Flying swarm of drones over circulant digraph | |
CN112016660B (zh) | 一种物理力和数据联合驱动的三维集群行为模拟方法 | |
CN113050677A (zh) | 多无人机队形保持和变换的控制方法、系统、存储介质 | |
CN115047910A (zh) | 一种基于雁形阵的无人机编队巡航控制方法 | |
CN115033016B (zh) | 一种异构无人集群编队避障方法及系统 | |
Carli et al. | Consensus-based algorithms for controlling swarms of unmanned aerial vehicles | |
Agrawal et al. | A novel controller of multi-agent system navigation and obstacle avoidance | |
Santos et al. | Hierarchical congestion control for robotic swarms | |
Ahmad et al. | PACNav: a collective navigation approach for UAV swarms deprived of communication and external localization | |
CN113759935A (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
Chiew et al. | Swarming coordination with robust control Lyapunov function approach | |
CN112000070B (zh) | 一种异构集群协同运动规划方法 | |
CN111176324B (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 | |
Falomir et al. | Mobility strategies based on virtual forces for swarms of autonomous UAVs in constrained environments | |
CN114527784A (zh) | 一种基于行为控制方法的无人机集群整体避障方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |