CN110673649A - 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 - Google Patents
基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN110673649A CN110673649A CN201911099833.7A CN201911099833A CN110673649A CN 110673649 A CN110673649 A CN 110673649A CN 201911099833 A CN201911099833 A CN 201911099833A CN 110673649 A CN110673649 A CN 110673649A
- Authority
- CN
- China
- Prior art keywords
- formation
- topology
- unmanned aerial
- optimization
- aerial vehicle
- 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.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 181
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000011159 matrix material Substances 0.000 claims abstract description 49
- 230000005540 biological transmission Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006866 deterioration Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000005562 fading Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000033001 locomotion Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质,该时变信道下无人机编队一致性控制方法包括:由编队中的无人机进行分布式数据传输得到编队拓扑;选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;对编队进行拓扑重构和优化;根据优化后的编队拓扑进行一致性控制。本发明的有益效果是:本发明可以有效地改善拓扑结构,增强恶化多径信道下的编队控制,并且能够保证在有限的收敛时间内的控制精度,取得了非常好的技术效果。
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质。
背景技术
随着对单个无人机研究的深入,单个无人机的局限越来越明显,多无人机编队控制问题一直是无人机领域都是一个热点话题。无人机编队飞行就是将两架或以上相同类型或者不同类型的无人机按照特定的队形完成指定的飞行任务,如果战场环境或者任务模式发生变化的时候,必须根据面对的实际情况进行编队重构,变换为新的队形。多无人机编队协同执行任务相比于单架无人机有如下优点:
(1)提高任务完成的成功率。编队飞行的情况下,成员之间可以通过彼此之间的合作来提高完成任务的成功率。
(2)提高任务执行的效率。若编队成员是彼此功能不同的机型,他们可以相互配合提高执行任务的效率。
(3)提高生存率。多架无人机可以组成一个相互通信的信息网,每架无人机都是其中的一个节点,任意一加无人机损坏都不会影响其他无人机的工作,大大提高了整个编队系统的抗干扰能力和稳定性。
由此可见,无人机编队协同执行任务将起到事半功倍的效果。但是如果没有高效的编队控制方法,无人机编队执行任务的能力就会大打折扣。如果编队成员之间任务分配,队形设计,时间协调等出现错乱的话,都会使得整个编队陷入混乱,甚至会发生碰撞、坠机等事故,造成任务失败。若是在战斗过程中发生此类情况,这对于目标任务和整个战局都会造成无法挽回的恶劣影响。
由于多无人机协同具有的这些优点,无人机协同作战思想也越来越受到军事领域的关注,但这一作战理念在实际运用中仍然面临一些技术上的难点:
(1)目前无人机的任务分配算法以集中式任务分配算法为主,但在实际无人机多任务进攻系统中,由于存在不同类型的无人机以及多个进攻目标,对于复杂的任务分配问题,求解效率较低且无法获得满意解。
(2)目前无人机的协调航迹规划主要采用基于离线路径规划的方法,然而由于战场环境的复杂性及被攻击目标的机动性,离线设计的协调轨迹往往难以适应无人机协调攻击的实际需求。因此,如何根据实际战场环境,设计基于实时协调轨迹的多无人机航迹规划算法,是今后无人机协调航迹规划领域亟待解决的重点和难点问题,同时也是提高无人机协同攻击有效性和灵活性的关键。
(3)目前无人机的协同控制算法主要以渐近稳定的控制律为主,而实际系统中,有限时间控制律能实现更高的跟踪精度和更快的收敛速度。因此,如何在保持无人机模型非线性的同时,设计具有强鲁棒性的无抖振、高精度、有限时间收敛的协同控制律,是确保无人机实现有效协同打击的关键所在。
当前多无人机编队协同控制的研究成果及文献非常丰富。这些方法都是基于各自针对的问题而提出,既有相应的优点,也存在着一定的不足,下面分别对各种编队控制策略进行探讨。常用的编队控制策略主要有以下几种:
(1)基于行为方式的编队控制方法
这种方法的核心思想是将编队群体中的各个智能体对其输入信息的行为响应划分为若干固定的模式,例如:目标跟踪、队形保持、内部碰撞避免、障碍物回避以及随机行为等。然后将以上5种行为的控制输入描述为具体的数学公式,根据具体编队任务设计一个局部控制器,通过不同的权重来组合所需要的具体行为,形成该智能体实际的运动速度和方向。但这种方法控制精度低,易受测量误差和干扰的影响。
(2)基于领航跟随方式的编队控制方法
领航跟随方式就是在编队中指定某一个智能体作为领航者,其他的智能体跟随领航者一起运动,并与领航者保持一定的相对距离,它将队形控制问题转化为跟随智能体跟踪领航者的朝向和位置的问题。但这种方法严格以来领航节点的性能表现,若领航节点出错甚至损坏,则整个编队会受到致命的打击破坏,鲁棒性差。
(3)基于虚拟结构的编队控制方法
虚拟结构法的基本思想是将多智能体编队系统的队形看作一个虚拟的刚性整体,编队中每个智能体看作刚性整体结构上固定的一个点;当队形移动时,智能体跟踪刚性结构上的点运动。与领航跟随方式相比,这种方法不需要显式的定义编队中的领航者,每个智能体只跟随虚拟刚体中的点来运动。但这种方法不能充分利用机间通信,未考虑研究通信结构对改善编队控制效果的可能性。
(4)基于人工势场的编队控制方法
人工势场法的是借鉴物理学中势能场的概念,其基本思想是让环境中的障碍物对智能体产生排斥力,而目标位置对智能体产生吸引力,在两者合力的作用下智能体能够沿着使势能最小的方向运动。近年来人工势场法常常被用来研究路径规划和多机器人的运动控制问题,该方法的计算简便,能够进行实时控制。但缺点是存在局部极值点,而且构造势场函数的难度较大。
发明内容
本发明提供了一种基于拓扑优化的时变信道下无人机编队一致性控制方法,包括如下步骤:
步骤1,计算当前拓扑步骤:由编队中的无人机进行分布式数据传输得到编队拓扑;
步骤2,计算代数特征值步骤:选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
步骤3,数据处理步骤:根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
步骤4,拓扑优化步骤:当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;
步骤5,控制步骤:根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后执行计算当前拓扑步骤。
作为本发明的进一步改进,在所述拓扑优化步骤中,从队形重构和功率再分配两个角度进行拓扑优化。
作为本发明的进一步改进,在所述数据处理步骤中,编队一致性控制率为:
其中,c1,c2,c3是正实数,ξ∈(0,1),ζ∈(1,∞),wij表示节点i和节点j之间的通信质量权重,ui(t)表示三维坐标下第i无人机的速度,同时ui(t)也是相应的控制输入。
作为本发明的进一步改进,在所述拓扑优化步骤中,首先通过队形重构进行拓扑优化,在计算得到最优队形后,计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点;然后,无人机通过增加设定的功率开销,调整功率分配进行拓扑优化,从而实现功率优化,功率优化建模如下:
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w ′ ij,i,j=1,2,...,N,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,P表示由张成子空间1⊥的向量组成的矩阵。
本发明还提供了一种基于拓扑优化的时变信道下无人机编队一致性控制系统,包括:
计算当前拓扑模块:用于由编队中的无人机进行分布式数据传输得到编队拓扑;
计算代数特征值模块:用于选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
数据处理模块:用于根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
拓扑优化模块:用于当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;
控制模块:用于根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后运行计算当前拓扑模块。
作为本发明的进一步改进,在所述拓扑优化模块中,从队形重构和功率再分配两个角度进行拓扑优化。
作为本发明的进一步改进,在所述数据处理模块中,编队一致性控制率为:
其中,c1,c2,c3是正实数,ξ∈(0,1),ζ∈(1,∞),wij表示节点i和节点j之间的通信质量权重,ui(t)表示三维坐标下第i无人机的速度,同时ui(t)也是相应的控制输入。
作为本发明的进一步改进,在所述拓扑优化模块中,首先通过队形重构进行拓扑优化,在计算得到最优队形后,计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点;然后,无人机通过增加设定的功率开销,调整功率分配进行拓扑优化,从而实现功率优化,功率优化建模如下:
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w ′ ij,i,j=1,2,...,N,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,P表示由张成子空间1⊥的向量组成的矩阵。
本发明还提供了一种基于拓扑优化的时变信道下无人机编队一致性控制装置,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现本发明所述的时变信道下无人机编队一致性控制方法的步骤。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现本发明所述的时变信道下无人机编队一致性控制方法的步骤。
本发明的有益效果是:本发明可以有效地改善拓扑结构,增强恶化多径信道下的编队控制,并且能够保证在有限的收敛时间内的控制精度,取得了非常好的技术效果。
附图说明
图1是本发明的方法流程图;
图2是本发明的队形重构图;
图3是本发明的队形重构结果图;
图4是本发明的功率分配结果图;
图5是本发明的拓扑优化结果图。
具体实施方式
在低空高动态环境中,多无人机编队控制所面临的主要挑战之一是多径衰落信道中的时变连通性,导致控制律的低精度和不确定的收敛时间。为了解决这个问题,本发明公开了一种基于拓扑优化的时变信道下无人机编队一致性控制方法,通过队形重构和功率分配两种拓扑优化思路进行分布式一致性控制,以保证在有限的收敛时间内的控制精度。特别地,将拉普拉斯矩阵的第二特征值作为评价衡量拓扑连通度的指标并入拓扑优化的目标函数中。
如图1所示,本发明公开了一种基于拓扑优化的时变信道下无人机编队一致性控制方法,包括:
步骤1,计算当前拓扑步骤:由编队中的无人机进行分布式数据传输得到编队拓扑,编队也就是指无人机编队;
步骤2,计算代数特征值步骤:选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
步骤3,数据处理步骤:根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
当无人机编队在多径信道下运动时,由于路径损耗,多径效应和阴影衰落的存在会导致无人机拓扑的恶化,这会影响到一致性控制的性能。
步骤4,拓扑优化步骤:当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;在本本发明中我们考虑到影响到无人机通信的因素,从队形重构和功率再分配两个角度进行了拓扑优化;
步骤5,控制步骤:根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后执行步骤1,计算当前拓扑步骤。
编队拓扑模型:
给定一个带有N个无人机的编队系统,将每个无人机视为一个节点,则编队网络拓扑可以用无向图G=(V,E,W)来表示。V={v1,v2,...,vn}是一个非空有限节点集,E={(vi,vj):vi,vj∈V(G)}是表示节点i和节点j之间连通性的边集。每个边由eij=(vi,vj)表示,W=[wij]是一个非负邻接矩阵,表示两个节点的链接权重。此外,节点vi的邻居节点集表示为Ni={vj∈V(G):eij∈E(G)},节点vi的入度表示为D(G)=diag{degin(vi),i=1,2,...,N}是无向图G=(V,E,W)的度矩阵。图G=(V,E,W)的Laplacian矩阵定义为L=D(G)-W(G)。在本发明中,我们将邻接矩阵W=[wij]定义为通信质量矩阵,其中wij定义为当前信道下两节点i和j允许通信的概率。假设UAV节点i朝节点j的有向天线增益为Cij,发射功率为Pij,加性噪声的平均功率为σ2,则接收端节点j的信噪比Γij在信道增益为Gij下可表示为
为了后续的收敛分析,我们考虑快瑞利衰落特性信道,则信道增益Gij可以表示为
其中hij表示瑞利分布下的多径衰落,是均值为0,单位方差的复高斯过程,dij表示节点i和节点j间的距离,n是与信道环境忧患的阴影衰落指数。在编队控制中,节点间控制信息的交互需要足够大的信噪比,假设通信的最小信噪比门限为γ,可以计算得到节点i和节点j允许通信的概率为
编队一致性控制率:
在本发明中,我们忽略飞行过程中UAV的姿态变换,将单个无人机视作质点。在N个成员的编队系统中,每个无人机可以通过通信拓扑G=(V,E,W)获得其他成员的位置和速度。我们用一阶积分模型描述无人机运动特性:
其中,xi(t),ui(t)表示三维坐标下第i无人机的位置和速度。特别地,ui(t)也是相应的控制输入。我们引入rij=ri-rj,i,j=1,2,...,N,i≠j作为表示队形的构型参考向量,R=[rij]为编队的构型参考矩阵。
可以称系统在固定时间Tmax内达到一致性,实现构型变换。
为了实现固定时间的编队一致性,在本发明中我们设计如下编队一致性控制率:
其中,c1,c2,c3是正实数,ξ∈(0,1),ζ∈(1,∞)。特别地,wij表示节点i和节点j之间的通信质量权重。也就是说,第i无人机的控制输入仅依赖于其一跳内的邻居节点vj∈Ni。
则通过上述控制率使系统实现固定时间一致性的充要条件是系统拓扑无向图是联通的,也就是系统的Laplacian矩阵L≥0,可以计算得到最大收敛时间
拓扑优化:
对一个系统的一致性控制来说,邻接矩阵的代数特征值常被认为是决定系统稳定性和鲁棒性的重要指标。因此在本发明中,我们考虑多径信道下对通信质量矩阵的约束,研究拓扑优化问题
^:maximizeλ2(LG)
其中,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,其各特征值0≤λ1≤λ2≤...≤λN,为了解决这个问题,我们基于时变信道下的通信质量矩阵从队形重构和功率分配两个方面进行优化。
首先,我们通过队形重构来进行拓扑优化。根据通信质量矩阵的定义,发送节点和接收节点的连接权重非线性反比于两者之间的距离。因此,我们考虑如下重构问题:
s.t.dij=||xi-xj||2≥ρ1
其中x=[xi]T∈R3×N,i=1,2,...N是系统的位置向量,LG(x)是通信质量矩阵的Laplacian矩阵。λ2(LG(x))表示Laplacian矩阵的第二小特征值,即代数特征值。ρ1表示编队中节点之间的距离约束。
经过处理变换,上述问题等同于
s.t.dij=||xi-xj||2≥ρ1
PTLG(x)P≥0
其中P表示由张成子空间1⊥的向量组成的矩阵,求解这个优化问题,我们调用MATLAB函数FMINCON进行迭代计算优化。在计算得到最优队形后,可以计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点。
由于距离约束的存在,仅通过队形的重构在某些场景下仍不能使控制率达到对精度和速度的要求。在这种情况下,我们允许无人机通过增加一定的功率开销,调整功率分配进行拓扑优化。在固定开销下计算功率分配方案是一个典型的优化问题。
在研究中,我们将上述功率优化问题建模如下
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w ′ ij,i,j=1,2,...,N。
本发明还公开了一种基于拓扑优化的时变信道下无人机编队一致性控制系统,包括:
计算当前拓扑模块:用于由编队中的无人机进行分布式数据传输得到编队拓扑;
计算代数特征值模块:用于选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
数据处理模块:用于根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
拓扑优化模块:用于当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;
控制模块:用于根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后运行计算当前拓扑模块。
在所述拓扑优化模块中,从队形重构和功率再分配两个角度进行拓扑优化。
在所述数据处理模块中,编队一致性控制率为:
其中,c1,c2,c3是正实数,ξ∈(0,1),ζ∈(1,∞),wij表示节点i和节点j之间的通信质量权重,ui(t)表示三维坐标下第i无人机的速度,同时ui(t)也是相应的控制输入。
在所述拓扑优化模块中,首先通过队形重构进行拓扑优化,在计算得到最优队形后,计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点;然后,无人机通过增加设定的功率开销,调整功率分配进行拓扑优化,从而实现功率优化,功率优化建模如下:
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w ′ ij,i,j=1,2,...,N,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,P表示由张成子空间1⊥的向量组成的矩阵。
本发明还公开了一种基于拓扑优化的时变信道下无人机编队一致性控制装置,包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现本发明所述的时变信道下无人机编队一致性控制方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现本发明所述的时变信道下无人机编队一致性控制方法的步骤。
实验结果:
假设六台无人机组成的编队系统的初始队形为
其余参数设置如下,每个节点在各个方向的发射功率为10db,接收端加性噪声为σ2=10-7dbm,SNR门限为γ=2db,阴影衰落系数n=2,Cij=1,i,j=1,2,...,N,计算可以得到当前的代数特征值λ2=3.08,最大收敛时间Tmax=134.80s。然而随着信道环境的代表,阴影衰落指数n变化至3时,此时的通信质量矩阵会恶化,计算得到当前的代数特征值λ2=0.42,最大收敛时间Tmax=982.27s,严重影响了任务时效性。
此时我们通过队形重构,距离约束设置为ρ1=3m,优化出最优队形如图2所示。
计算此时的代数特征值λ2=3.85,最大收敛时间Tmax=107.78s,与之前相比减小了89%,如图3所示。
由于距离约束的存在,优化的队形可能仍不能满足任务需求,此刻我们再使用攻略分配优化,在给定功率SNR开销0,4,8,12,16,20,24,28,32,46,40db,仿真结果如图4所示。
如图4所示,当功率开销为20db时,此时拓扑代数特征值为λ2=4.59,最大收敛时间Tmax=90.38s,提高了控制率的性能。经过两次拓扑优化的性能比较如图5所示。
根据仿真结果,设计的拓扑优化方法可以有效地改善拓扑结构,增强时变多径信道下的编队控制效果。
在本发明中,考虑了多径衰落信道中的编队控制问题,并设计了一个基于固定时间的一致性控制律。特别地,我们建立了通信质量矩阵,通过使用代数特征值来分析拓扑对控制律的影响。此外,我们从队形重构和功率分配两个方面优化拓扑。在满足距离约束的情况下,所提出的队形重构可以最大化当前拓扑的代数特征值并最小化一致性收敛时间。此外,我们设计了功率分配的优化方法,可以在给定的功率开销下实现预期的分配,增加拓扑的代数特征值,减少最大收敛时间。根据仿真结果,设计的拓扑优化方法可以有效地改善拓扑结构,增强恶化多径信道下的编队控制。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (10)
1.一种基于拓扑优化的时变信道下无人机编队一致性控制方法,其特征在于,包括如下步骤:
步骤1,计算当前拓扑步骤:由编队中的无人机进行分布式数据传输得到编队拓扑;
步骤2,计算代数特征值步骤:选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
步骤3,数据处理步骤:根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
步骤4,拓扑优化步骤:当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;
步骤5,控制步骤:根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后执行计算当前拓扑步骤。
2.根据权利要求1所述的时变信道下无人机编队一致性控制方法,其特征在于,在所述拓扑优化步骤中,从队形重构和功率再分配两个角度进行拓扑优化。
4.根据权利要求2所述的时变信道下无人机编队一致性控制方法,其特征在于,在所述拓扑优化步骤中,首先通过队形重构进行拓扑优化,在计算得到最优队形后,计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点;然后,无人机通过增加设定的功率开销,调整功率分配进行拓扑优化,从而实现功率优化,功率优化建模如下:
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w′ij,i,j=1,2,...,N,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,p′ij,pij分别代表优化前后第i无人机在第j无人机方向上的功率分配方案,P表示由张成子空间1⊥的向量组成的矩阵,PT表示其转置矩阵。
5.一种基于拓扑优化的时变信道下无人机编队一致性控制系统,其特征在于,包括:
计算当前拓扑模块:用于由编队中的无人机进行分布式数据传输得到编队拓扑;
计算代数特征值模块:用于选取编队拓扑中入度最大的点作为编队的中心点,由中心点结合全局编队拓扑信息计算出拓扑拉普拉斯矩阵的代数特征值;
数据处理模块:用于根据代数特征值与编队一致性控制率的关系估算预测一致性控制的最大收敛时间;
拓扑优化模块:用于当编队检测到信道恶化,预测到一致性控制结果达不到任务预期时,对编队进行拓扑重构和优化;
控制模块:用于根据优化后的编队拓扑进行一致性控制,并通过分布式传输进行拓扑更新,然后运行计算当前拓扑模块。
6.根据权利要求5所述的时变信道下无人机编队一致性控制系统,其特征在于,在所述拓扑优化模块中,从队形重构和功率再分配两个角度进行拓扑优化。
8.根据权利要求6所述的时变信道下无人机编队一致性控制系统,其特征在于,在所述拓扑优化模块中,首先通过队形重构进行拓扑优化,在计算得到最优队形后,计算出对应队形的构型参考矩阵R=[rij],并将其通过集中式传输到每个节点;然后,无人机通过增加设定的功率开销,调整功率分配进行拓扑优化,从而实现功率优化,功率优化建模如下:
PTLG′P≥0
其中,G′是进行总开销为ψ的功率分配后的拓扑,相应的边权重为w′ij,i,j=1,2,...,N,LG是通信质量矩阵W的Laplacian矩阵,λ2(LG)表示LG的代数特征值,p′ij,pij分别代表优化前后第i无人机在第j无人机方向上的功率分配方案,P表示由张成子空间1⊥的向量组成的矩阵,PT表示其转置矩阵。
9.一种基于拓扑优化的时变信道下无人机编队一致性控制装置,其特征在于:包括:存储器、处理器以及存储在所述存储器上的计算机程序,所述计算机程序配置为由所述处理器调用时实现权利要求1-4中任一项所述的时变信道下无人机编队一致性控制方法的步骤。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序配置为由处理器调用时实现权利要求1-4中任一项所述的时变信道下无人机编队一致性控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099833.7A CN110673649B (zh) | 2019-11-12 | 2019-11-12 | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099833.7A CN110673649B (zh) | 2019-11-12 | 2019-11-12 | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110673649A true CN110673649A (zh) | 2020-01-10 |
CN110673649B CN110673649B (zh) | 2022-09-09 |
Family
ID=69087199
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911099833.7A Active CN110673649B (zh) | 2019-11-12 | 2019-11-12 | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110673649B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596688A (zh) * | 2020-05-27 | 2020-08-28 | 北京理工大学 | 基于连续通信的多无人机编队一致性控制方法 |
CN112327934A (zh) * | 2020-12-10 | 2021-02-05 | 电子科技大学 | 基于时变拓扑和时变通信时延的无人机系统编队控制方法 |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112612279A (zh) * | 2020-12-24 | 2021-04-06 | 浙江工业大学 | 基于复拉普拉斯矩阵的二阶编队控制方法 |
CN112666982A (zh) * | 2021-01-07 | 2021-04-16 | 西安理工大学 | 无线紫外光协作无人机编队快速集结方法 |
CN112684705A (zh) * | 2020-12-18 | 2021-04-20 | 杭州电子科技大学 | 一种四旋翼飞行器编队追踪控制方法 |
CN112904723A (zh) * | 2021-01-19 | 2021-06-04 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
CN113946162A (zh) * | 2021-10-18 | 2022-01-18 | 北京微纳星空科技有限公司 | 一种无人机编队及报警方法、装置、电子设备及存储介质 |
CN114371625A (zh) * | 2022-01-11 | 2022-04-19 | 哈尔滨工业大学 | 节点数变化的多智能体编队控制方法 |
CN117290115A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种无人机集群分布式目标分配模型的计算方法及系统 |
CN117290115B (zh) * | 2023-11-27 | 2024-07-16 | 北京航空航天大学 | 一种无人机集群分布式目标分配模型的计算方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871636A (zh) * | 2016-05-27 | 2016-08-17 | 合肥工业大学 | 基于最小树形图的无人机编队通信拓扑的重构方法及系统 |
CN107092273A (zh) * | 2017-05-08 | 2017-08-25 | 合肥工业大学 | 无人‑有人机编队通信拓扑启发式优化方法及装置 |
CN107491086A (zh) * | 2017-08-03 | 2017-12-19 | 哈尔滨工业大学深圳研究生院 | 时变网络拓扑下的无人机编队避障方法及系统 |
CN109582036A (zh) * | 2018-12-03 | 2019-04-05 | 南京航空航天大学 | 四旋翼无人机一致性编队控制方法 |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
-
2019
- 2019-11-12 CN CN201911099833.7A patent/CN110673649B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105871636A (zh) * | 2016-05-27 | 2016-08-17 | 合肥工业大学 | 基于最小树形图的无人机编队通信拓扑的重构方法及系统 |
US20170346679A1 (en) * | 2016-05-27 | 2017-11-30 | Hefei University Of Technology | Method and System for Reconstructing Unmanned Aerial Vehicle Formation Communication Topology Based on Minimum Cost Arborescence |
CN107092273A (zh) * | 2017-05-08 | 2017-08-25 | 合肥工业大学 | 无人‑有人机编队通信拓扑启发式优化方法及装置 |
CN107491086A (zh) * | 2017-08-03 | 2017-12-19 | 哈尔滨工业大学深圳研究生院 | 时变网络拓扑下的无人机编队避障方法及系统 |
CN109582036A (zh) * | 2018-12-03 | 2019-04-05 | 南京航空航天大学 | 四旋翼无人机一致性编队控制方法 |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111596688A (zh) * | 2020-05-27 | 2020-08-28 | 北京理工大学 | 基于连续通信的多无人机编队一致性控制方法 |
CN111596688B (zh) * | 2020-05-27 | 2022-02-08 | 北京理工大学 | 基于连续通信的多无人机编队一致性控制方法 |
CN112363539B (zh) * | 2020-11-18 | 2021-09-21 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112327934A (zh) * | 2020-12-10 | 2021-02-05 | 电子科技大学 | 基于时变拓扑和时变通信时延的无人机系统编队控制方法 |
CN112684705A (zh) * | 2020-12-18 | 2021-04-20 | 杭州电子科技大学 | 一种四旋翼飞行器编队追踪控制方法 |
CN112612279A (zh) * | 2020-12-24 | 2021-04-06 | 浙江工业大学 | 基于复拉普拉斯矩阵的二阶编队控制方法 |
CN112666982A (zh) * | 2021-01-07 | 2021-04-16 | 西安理工大学 | 无线紫外光协作无人机编队快速集结方法 |
CN112904723A (zh) * | 2021-01-19 | 2021-06-04 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
CN112904723B (zh) * | 2021-01-19 | 2022-07-22 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
CN113946162A (zh) * | 2021-10-18 | 2022-01-18 | 北京微纳星空科技有限公司 | 一种无人机编队及报警方法、装置、电子设备及存储介质 |
CN114371625A (zh) * | 2022-01-11 | 2022-04-19 | 哈尔滨工业大学 | 节点数变化的多智能体编队控制方法 |
CN114371625B (zh) * | 2022-01-11 | 2022-10-25 | 哈尔滨工业大学 | 节点数变化的多智能体编队控制方法 |
CN117290115A (zh) * | 2023-11-27 | 2023-12-26 | 北京航空航天大学 | 一种无人机集群分布式目标分配模型的计算方法及系统 |
CN117290115B (zh) * | 2023-11-27 | 2024-07-16 | 北京航空航天大学 | 一种无人机集群分布式目标分配模型的计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110673649B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110673649B (zh) | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 | |
Liu et al. | Multi-UAV path planning based on fusion of sparrow search algorithm and improved bioinspired neural network | |
CN111811511A (zh) | 一种基于降维解耦机制的无人机集群实时航迹生成方法 | |
Shin et al. | UAV swarms: Decision-making paradigms | |
CN114169234A (zh) | 一种无人机辅助移动边缘计算的调度优化方法及系统 | |
CN113434966B (zh) | 基于弹性力场的蜂群避撞控制方法 | |
Ali et al. | A Leader‐Follower Formation Control of Multi‐UAVs via an Adaptive Hybrid Controller | |
CN111983923A (zh) | 一种受限多智能体系统编队控制方法、系统及设备 | |
Han et al. | Multi-uav automatic dynamic obstacle avoidance with experience-shared a2c | |
Huang et al. | Vision-based distributed multi-UAV collision avoidance via deep reinforcement learning for navigation | |
Ghouri et al. | Attitude control of quad-copter using deterministic policy gradient algorithms (DPGA) | |
Cheng et al. | Autonomous decision-making generation of UAV based on soft actor-critic algorithm | |
Yan et al. | Joint design of channel estimation and flocking control for multi-AUV-based maritime transportation systems | |
CN116208968B (zh) | 基于联邦学习的轨迹规划方法及装置 | |
CN116757249A (zh) | 一种基于分布式强化学习的无人机集群策略意图识别方法 | |
CN110673651A (zh) | 一种通信受限条件下的无人机群鲁棒编队方法 | |
CN114564044B (zh) | 一种输入限幅事件触发的无人机有限时间编队控制方法 | |
CN116321181A (zh) | 一种多无人机辅助边缘计算的在线轨迹及资源优化方法 | |
Wang et al. | Knowledge distillation based cooperative reinforcement learning for connectivity preservation in uav networks | |
CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
Wang et al. | Collision-aware UAV trajectories for data collection via reinforcement learning | |
Yang et al. | An interrelated imitation learning method for heterogeneous drone swarm coordination | |
Chen et al. | Model-aided Federated Reinforcement Learning for Multi-UAV Trajectory Planning in IoT Networks | |
CN117553803B (zh) | 一种基于深度强化学习的多无人机智能路径规划方法 | |
Khosravi et al. | Cooperative receding horizon control of double integrator vehicles for multi-target interception |
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 |