CN111176324B - 一种多无人机分布式协同编队规避动态障碍的方法 - Google Patents
一种多无人机分布式协同编队规避动态障碍的方法 Download PDFInfo
- Publication number
- CN111176324B CN111176324B CN201911414211.9A CN201911414211A CN111176324B CN 111176324 B CN111176324 B CN 111176324B CN 201911414211 A CN201911414211 A CN 201911414211A CN 111176324 B CN111176324 B CN 111176324B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- obstacle
- cluster
- distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 241000540325 Prays epsilon Species 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims 1
- 230000003068 static effect Effects 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008447 perception Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004132 cross linking Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G05D1/10—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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种多无人机分布式协同编队规避动态障碍方法,利用分布式控制方法,通过最优化探测并集区域,解决部分协同规避动态障碍物问题,本发明采用了无人机集群自适应自主决策机制,使得协同避障最优化,并尽可能使集群损失最小,综合效益最大化。
Description
【技术领域】
本发明涉及无人机技术领域,尤其涉及一种多无人机的协同编队规避动态障碍的方法。
【背景技术】
多无人机协同编队执行复杂危险任务是未来发展必然趋势,对于多无人机协同编队,首先要进行信息感知,并对多源信息进行融合;其次对各种任务进行分配和决策;进而对每架无人机进行航迹规划生成期望轨迹;然后利用编队控制方法实现多机编队飞行任务;在编队控制设计过程中需重点考虑组网通信问题;最后,搭建模拟多无人机协同编队飞行虚拟仿真平台和实物演示平台,验证算法可行性和有效性。而在此过程中,势必会遇到障碍物阻碍多机协同飞行,这种障碍物可能是静态、也可能是动态的。在无人机领域,对于静态障碍物的处理已有诸多方法,然而对于动态障碍物的处理至今仍存在诸多问题。
无人机集群避障主要涉及传感器感知和路径规划。无人机安全航行的前提是基于传感器实时感知周围的环境信息,即检测、识别和跟踪威胁无人机飞行的障碍物。路径规划就是在环境感知信息基础上,结合无人机执行任务需求,设计一种多层避障模型,使无人机集群在飞行过程中安全可靠地避开遇到的静态与动态障碍物,提高自身的生存与作业能力。
因此,有必要研究一种多无人机的协同编队规避动态障碍的方法来应对现有技术的不足,以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此,本发明提供了一种多无人机的协同编队规避动态障碍的方法,采用了无人机集群自适应自主决策机制,使得协同避障最优化,并尽可能使集群损失最小,综合效益最大化。
一方面,本发明提供一种多无人机的协同编队规避动态障碍的方法,所述方法具体包括以下步骤:
S1:获取无人机集群的初步局部位姿和初步全局位姿;
S2:对全局位姿进行纠正和优化;
S3:通过优化后的全局位姿和无人机的里程计,获取无人机自移动距离和障碍距离;
S4:通过GPS定位系统,计算出每架无人机与邻近友机之间实际距离,与预先设定相对距离作差比较,得到误差值;
S5:对S4中误差值进行回环比较,获取有效误差值;
S6:以S3中自移动距离和障碍距离以及S5中有效误差值,作为建图的源数据,得到含障碍物的集群拓扑概略图;
S7:S6中的集群拓扑概略图随着时间推移,不断发生变化的过程中,通过闭环反馈判断是否运行到最后一帧,将最后一帧集群拓扑概略图送到上位机进行集群拓扑概略图精确细化处理并进行避障。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S1具体为:通过惯导信息和GPS分别获取无人机集群的初步局部位姿和初步全局位姿。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S2具体包括:
S21:结合时间序列上的点云的匹配优化所获得的空间位姿变换,对全局位姿进行纠正;
S22:纠正后的全局位姿通过集群无线通信,在有效通信范围内,将位姿信息传输到邻近的个体无人机,代入个体无人机的微处理器,通过软件编写位姿迭代最优算法,得到优化的全局位姿。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S3中自移动距离为无人机在两个不同时刻所在位置的移动距离,障碍距离为无人机在两个不同时刻与可探测到的移动障碍物之间的距离。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4具体为:通过无人机上的GPS定位系统,获取无人机自身的位置信息,并通过邻近友机的位置信息进行作差,得到实际相对距离,将实际相对距离与预先设定的相对距离作差比较,得到误差值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S5具体包括:
S51:在得到误差值后,进行回环比较;
S52:如果回环比较结果低于预设阈值或高于预设阈值,则判定数据伪;
S531:对于伪数据,结合图像信息做实际比对;
S532:若图像信息与实际信息相符,则采取躲避或吸引策略;
S533:若图像信息与实际信息不符,则进入失效的回环检测,数据丢弃,重新进行下一时刻的回环检测;
S54:如果回环比较结果满足预设阈值区间,则判定数据真,获取有效误差值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S7中拓扑图随时间变化过程具体如下:
将无人机集群抽象成若干节点构成的拓扑图,节点i的更新方程为:
其中θi(t)为节点i在t时刻的航向角,t为一个离散时间序列;Ni(t)表示ni(t)表示节点i在t时刻的邻接点集合,ni(t)表示节点i在t时刻的邻接点数量。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S7中精确细化处理及避障方法具体为:
θ(t+1)=θ(t)+u(t);
e(t)=Lσ(t)θ(t);
e(t)为平均航向角偏差向量;
施加如下控制输入:
其中,对每个p∈P,Gp为非奇异对角阵;u(t)的第i个元素为:
闭环系统为:
当θ(t)和σ(t)分别收敛至和/>则/>每个节点的状态收敛至其所有邻节点状态的平均值;
当集群系统中所有个体达到平均值后,集群系统处于稳定状态,集群系统相对于障碍物进行整体避障。
与现有技术相比,本发明可以获得包括以下技术效果:本发明采用了无人机集群自适应自主决策机制,使得协同避障最优化,并尽可能使集群损失最小,综合效益最大化。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的一种多无人机的协同编队规避动态障碍的方法中构图的流程。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本发明提供一种多无人机的协同编队规避动态障碍的方法,所述方法具体包括以下步骤:
S1:获取无人机集群的初步局部位姿和初步全局位姿;
S2:对全局位姿进行纠正和优化;
S3:通过优化后的全局位姿和无人机的里程计,获取无人机自移动距离和障碍距离;
S4:通过GPS定位系统,计算出每架无人机与邻近友机之间实际距离,与预先设定相对距离作差比较,得到误差值;
S5:对S4中误差值进行回环比较,获取有效误差值;
S6:以S3中自移动距离和障碍距离以及S5中有效误差值,作为建图的源数据,得到含障碍物的集群拓扑概略图;
S7:S6中的集群拓扑概略图随着时间推移,不断发生变化的过程中,通过闭环反馈判断是否运行到最后一帧,将最后一帧集群拓扑概略图送到上位机进行集群拓扑概略图精确细化处理并进行避障。
所述S1具体为:通过惯导信息和GPS分别获取无人机集群的初步局部位姿和初步全局位姿。
所述S2具体包括:
S21:结合时间序列上的点云的匹配优化所获得的空间位姿变换,对全局位姿进行纠正;
S22:纠正后的全局位姿通过集群无线通信,在有效通信范围内,将位姿信息传输到邻近的个体无人机,代入个体无人机的微处理器,通过软件编写位姿迭代最优算法,得到优化的全局位姿。
所述S3中自移动距离为无人机在两个不同时刻所在位置的移动距离,障碍距离为无人机在两个不同时刻与可探测到的移动障碍物之间的距离。
所述S4具体为:通过无人机上的GPS定位系统,获取无人机自身的位置信息,并通过邻近友机的位置信息进行作差,得到实际相对距离,将实际相对距离与预先设定的相对距离作差比较,得到误差值。
所述S5具体包括:
S51:在得到误差值后,进行回环比较;
S52:如果回环比较结果低于预设阈值或高于预设阈值,则判定数据伪;
S531:对于伪数据,结合图像信息做实际比对;
S532:若图像信息与实际信息相符,则采取躲避或吸引策略;
S533:若图像信息与实际信息不符,则进入失效的回环检测,数据丢弃,重新进行下一时刻的回环检测;
S54:如果回环比较结果满足预设阈值区间,则判定数据真,获取有效误差值。
所述S7中拓扑图随时间变化过程具体如下:
将无人机集群抽象成若干节点构成的拓扑图,节点i的更新方程为:
其中θi(t)为节点i在t时刻的航向角,t为一个离散时间序列;Ni(t)表示ni(t)表示节点i在t时刻的邻接点集合,ni(t)表示节点i在t时刻的邻接点数量;
所述S7中精确细化处理及避障方法具体为:
θ(t+1)=θ(t)+u(t);
e(t)=Lσ(t)θ(t);
e(t)为平均航向角偏差向量;
施加如下控制输入:
其中,对每个p∈P,Gp为非奇异对角阵;u(t)的第i个元素为:
闭环系统为:
当θ(t)和σ(t)分别收敛至和/>则/>每个节点的状态收敛至其所有邻节点状态的平均值;
当集群系统中所有个体达到平均值后,集群系统处于稳定状态,集群系统相对于障碍物进行整体避障。
本发明所述方法利用分布式控制方法,通过最优化探测并集区域,解决部分协同规避动态障碍物问题。其中,并集区域是指,对于每一架无人机,其机头朝向的探测范围可认为是一个扇形区域,即在此扇形区域内的物体都可以被探测到。从而,当两架机头朝向相同的无人机,那么存在两个扇形区域,这两个扇形区域所构成的整个区域,则称为:这两个扇形区域组成的并集区域。
针对复杂而多变的集群避障具有的极大的状态不确定性和极强的时间约束,在不确定和部分确定条件下,进行了实时在线的主动感知和目标区分,为集群避障的上层决策提供指导。避障过程中,实时采集各类传感器信号,结合信息融合理论与部分可观马尔科夫等规划理论,推测并优化最佳的个体机动和集群行为,协同感应、定时并协同攻击,将动态障碍物抽象成数学模型,且该模型与飞机本身模型不同,一旦建立模型后,模型速度可作为输入数据导入,使障碍物由静变动,可以延伸知:当速度导入为0时,障碍物即为静态,同样适用。步骤为:首先对每个飞行器设计控制输入量,该控制输入量类似后文ui(t)这个量,其中主要是自身信息与邻近飞机信息的逐个作差;其次,通过每一时刻的不断迭代,与试验开始的预设值进行比较,利用上位机既有算法进行不断修正,修正的核心是通过约束条件进行限制;最终期望达到比较后的差值逐渐恒定,即意味着整个含障碍物的系统趋于稳定;实现无人机集群避障的最优效果。
在实际避障过程中,大规模的无人机集群必须迅速并准确地分布于各个作战区域,进行有效的作战编队,针对这一类非线性复杂系统本发明采用了一些外部干预,并进行控制规划深度化和广度化对集群效果进行量化,使得无人机集群能够进行精准的多机协同避障,达到预期要求。
集群避障中,无人机个体是需要相互不断传递信息,并与环境交互,相互作用,促使其达到合理避障要求。因此,多机协同避障不单单与障碍物本身有关,也与友机态势及自身飞行状态等因素息息相关。本发明采用了无人机集群自适应自主决策机制,使得协同避障最优化,并尽可能使集群损失最小,综合效益最大化,本发明中的避障,不仅局限于友机之间的避障,也包含友机与障碍物之间的避障,而障碍物同样被模型化,因此障碍物既可以是动态,也可以是静态。
本发明采用了激光雷达建模和处理技术,快速激光环境感知和立体场景构建,实现无人机集群在开放环境下的准确感知,也为对无人机集群执行识别、追踪等其他智能任务提供了基础。激光环境感知和三维建图的过程中涉及到两个相互交织环节:定位和建图。在定位和建图完成以后,得到的拓扑图是包含障碍物的,而这时在无人机的控制输入算法中已包含各类约束条件,且约束条件随着障碍物的不同而动态发生改变,只需将此算法导入无人机中的微处理器,即相当于将所建拓扑图的信息分发到集群中各无人机,各无人机只需执行控制输入量,即可以实现互相避碰、避开障碍的效果。由于障碍物也是数学模型化,故障碍物既可以是动态,也可以是静态,相应地,涉及到无人机的位姿估计(里程计)和环境点云匹配。首先,借助于惯导信息和GPS可以分别获取无人机集群的初步局部位姿和全局位姿;再结合时间序列上的点云的匹配优化所获得的空间位姿变换进一步对全局位姿进行纠正;最终通过全局优化得到有效的全局位姿。在这个过程中将融合局部-全局信息进行局部匹配与全局优化结合来达到准确和快速的三维建图,具体流程如图1所示。
本发明的具体控制方法如下:
将无人机集群抽象成若干节点构成的拓扑图,节点i在t时刻的航向角用θi(t)表示,t是一个离散时间序列。Ni(t)表示ni(t)表示节点i在t时刻的邻接点集合。ni(t)表示节点i在t时刻的邻接点数量。节点i的更新方程:
对于一个无向图G,顶点集V={1,2,...,n},边集E={(i,j)|i,j∈V},没有自循环。(i,j)∈E当且仅当i≠j。由于群集中节点间的邻接关系随着时间变化,因此描述它的图也随着时间变化。一般性处理如下闭环系统:
θ(t+1)=θ(t)+u(t)
e(t)是平均航向角偏差向量。e(t)=Lσ(t)θ(t)。施加如下控制输入:
其中,对每个p∈P,Gp都是一个非奇异对角阵。u(t)的第i个元素为:
从而,闭环系统更一般的形式是:
其中σ(t)表示拓扑图,Lσ(t)表示该拓扑图对应的拉普拉斯矩阵;对于不同的有向拓扑图,拉普拉斯矩阵是唯一的。
综上,只要网络能收敛,例如θ(t)和σ(t)分别收敛至和/>那么意味着每个节点的状态收敛至其所有邻节点状态的平均值,所述节点状态的平均值,是整个系统做平均所得到的,是不含障碍物的集群系统,当集群系统中所有个体达到这个平均值以后,相当于集群系统达到一个稳定的状态,从而其相对于障碍物可以看作一个整体,形成对障碍物的整体避障,从而实现无人机集群对障碍物的状态交联,完成避障。
本发明采用了无人机集群自适应自主决策机制,使得协同避障最优化,并尽可能使集群损失最小,综合效益最大化。
以上对本申请实施例所提供的一种多无人机的协同编队规避动态障碍的方法,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (6)
1.一种多无人机的协同编队规避动态障碍的方法,其特征在于,所述方法具体包括以下步骤:
S1:获取无人机集群的初步局部位姿和初步全局位姿;
S2:对全局位姿进行纠正和优化;
S3:通过优化后的全局位姿和无人机的里程计,获取无人机自移动距离和障碍距离;
S4:通过GPS定位系统,计算出每架无人机与邻近友机之间实际距离,与预先设定相对距离作差比较,得到误差值;
S5:对S4中误差值进行回环比较,获取有效误差值;
S6:以S3中自移动距离和障碍距离以及S5中有效误差值,作为建图的源数据,得到含障碍物的集群拓扑概略图;
S7:S6中的集群拓扑概略图随着时间推移,不断发生变化的过程中,通过闭环反馈判断是否运行到最后一帧,将最后一帧集群拓扑概略图送到上位机进行集群拓扑概略图精确细化处理,实现在保持编队的同时,避免与障碍物发生碰撞;
所述S7中拓扑图随时间变化过程具体如下:
将无人机集群抽象成若干节点构成的拓扑图,节点i的更新方程为:
其中θi(t)为节点i在t时刻的航向角,t为一个离散时间序列;Ni(t)表示ni(t)表示节点i在t时刻的邻接点集合,ni(t)表示节点i在t时刻的邻接点数量;
所述S7中精确细化处理方法具体为:
θ(t+1)=θ(t)+u(t);
e(t)=Lσ(t)θ(t);
e(t)为平均航向角偏差向量;
施加如下控制输入:
其中,对每个p∈P,Gp为非奇异对角阵;u(t)的第i个元素为:
所述S7中整体避障具体为:
闭环系统为:
当θ(t)和σ(t)分别收敛至和/>则/>每个节点的状态收敛至其所有邻节点状态的平均值;
当集群系统中所有个体达到平均值后,集群系统处于稳定状态,集群系统相对于障碍物进行整体避障。
2.根据权利要求1所述的方法,其特征在于,所述S1具体为:通过惯导信息和GPS分别获取无人机集群的初步局部位姿和初步全局位姿。
3.根据权利要求1所述的方法,其特征在于,S2具体包括:
S21:结合时间序列上的点云的匹配优化所获得的空间位姿变换,对初步全局位姿进行纠正;
S22:纠正后的全局位姿通过集群无线通信,在有效通信范围内,将位姿信息传输到邻近的个体无人机,代入个体无人机的微处理器,通过软件编写位姿迭代最优算法,得到优化的全局位姿。
4.根据权利要求1所述的方法,其特征在于,所述S3中自移动距离为无人机在两个不同时刻所在位置的移动距离,障碍距离为无人机在两个不同时刻与可探测到的移动障碍物之间的距离。
5.根据权利要求1所述的方法,其特征在于,所述S4具体为:通过无人机上的GPS定位系统,获取无人机自身的位置信息,并通过邻近友机的位置信息进行作差,得到实际相对距离,将实际相对距离与预先设定的相对距离作差比较,得到误差值。
6.根据权利要求5所述的方法,其特征在于,所述S5具体包括:
S51:在得到误差值后,进行回环比较;
S52:如果回环比较结果低于预设阈值或高于预设阈值,则判定数据伪;
S531:对于伪数据,结合图像信息做实际比对;
S532:若图像信息与实际信息相符,则采取躲避或吸引策略;
S533:若图像信息与实际信息不符,则进入失效的回环检测,数据丢弃,重新进行下一时刻的回环检测;
S54:如果回环比较结果满足预设阈值区间,则判定数据真,获取有效误差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414211.9A CN111176324B (zh) | 2019-12-31 | 2019-12-31 | 一种多无人机分布式协同编队规避动态障碍的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911414211.9A CN111176324B (zh) | 2019-12-31 | 2019-12-31 | 一种多无人机分布式协同编队规避动态障碍的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176324A CN111176324A (zh) | 2020-05-19 |
CN111176324B true CN111176324B (zh) | 2023-08-11 |
Family
ID=70652361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911414211.9A Active CN111176324B (zh) | 2019-12-31 | 2019-12-31 | 一种多无人机分布式协同编队规避动态障碍的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176324B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7351280B2 (ja) * | 2020-09-30 | 2023-09-27 | トヨタ自動車株式会社 | 情報処理装置及び方法 |
CN116367291B (zh) * | 2023-06-01 | 2023-08-18 | 四川腾盾科技有限公司 | 基于自适应功率控制的无人机干扰规避群拓扑优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107632614A (zh) * | 2017-08-14 | 2018-01-26 | 广东技术师范学院 | 一种基于刚性图理论的多无人机编队自组织协同控制方法 |
CN109436363A (zh) * | 2018-09-27 | 2019-03-08 | 航天时代飞鸿技术有限公司 | 一种针对大过载、折叠翼式无人机的弹射起飞控制方法 |
CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学(深圳) | 基于互回环检测的多无人机slam地图融合算法 |
CN110196599A (zh) * | 2019-06-26 | 2019-09-03 | 华南理工大学 | 一种避碰与连接保持约束下的无人艇分布式编队控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107504972B (zh) * | 2017-07-27 | 2018-08-07 | 北京航空航天大学 | 一种基于鸽群算法的飞行器航迹规划方法及装置 |
-
2019
- 2019-12-31 CN CN201911414211.9A patent/CN111176324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107632614A (zh) * | 2017-08-14 | 2018-01-26 | 广东技术师范学院 | 一种基于刚性图理论的多无人机编队自组织协同控制方法 |
CN109436363A (zh) * | 2018-09-27 | 2019-03-08 | 航天时代飞鸿技术有限公司 | 一种针对大过载、折叠翼式无人机的弹射起飞控制方法 |
CN109615698A (zh) * | 2018-12-03 | 2019-04-12 | 哈尔滨工业大学(深圳) | 基于互回环检测的多无人机slam地图融合算法 |
CN110196599A (zh) * | 2019-06-26 | 2019-09-03 | 华南理工大学 | 一种避碰与连接保持约束下的无人艇分布式编队控制方法 |
Non-Patent Citations (1)
Title |
---|
无人机平台用多源信息融合导航技术;王于坤 等;《弹箭与制导学报》;第37卷(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111176324A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep-reinforcement-learning-based autonomous UAV navigation with sparse rewards | |
Hu et al. | Voronoi-based multi-robot autonomous exploration in unknown environments via deep reinforcement learning | |
Zhihao et al. | Virtual target guidance-based distributed model predictive control for formation control of multiple UAVs | |
CN113495578B (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
Rahimi et al. | Time-varying formation control of a collaborative heterogeneous multi agent system | |
Tran et al. | Switching time-invariant formation control of a collaborative multi-agent system using negative imaginary systems theory | |
Pan et al. | Multi-robot obstacle avoidance based on the improved artificial potential field and PID adaptive tracking control algorithm | |
CN110658821B (zh) | 一种多机器人抗干扰分组时变编队控制方法及系统 | |
Yan et al. | Consensus formation tracking for multiple AUV systems using distributed bioinspired sliding mode control | |
Xu et al. | Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems | |
Bipin et al. | Autonomous navigation of generic monocular quadcopter in natural environment | |
Vargas et al. | MPC-based distributed formation control of multiple quadcopters with obstacle avoidance and connectivity maintenance | |
Varadharajan et al. | Swarm relays: Distributed self-healing ground-and-air connectivity chains | |
CN111176324B (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 | |
Neto et al. | Multi-agent rapidly-exploring pseudo-random tree | |
Tran et al. | Switching formation strategy with the directed dynamic topology for collision avoidance of a multi‐robot system in uncertain environments | |
CN113848974A (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
Yao et al. | Null-space-based modulated reference trajectory generator for multi-robots formation in obstacle environment | |
Wu et al. | Vision-based target detection and tracking system for a quadcopter | |
CN114138002A (zh) | 分布式多无人机编队群集行为动态障碍物避障控制方法 | |
Liu et al. | Distributed formation control of underactuated ships with connectivity preservation and collision avoidance | |
Wang et al. | Multiple quadrotors formation flying control design and experimental verification | |
CN112947086A (zh) | 一种无人机和无人车组成的异构多智能体系统编队控制中执行器故障的自适应补偿方法 | |
Ghommam et al. | Distance-based formation control for quadrotors with collision avoidance via Lyapunov barrier functions | |
Min et al. | Decentralized UAV formation tracking flight control using gyroscopic force |
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 |