CN111258332B - 一种无人机群编队方法 - Google Patents

一种无人机群编队方法 Download PDF

Info

Publication number
CN111258332B
CN111258332B CN202010374550.5A CN202010374550A CN111258332B CN 111258332 B CN111258332 B CN 111258332B CN 202010374550 A CN202010374550 A CN 202010374550A CN 111258332 B CN111258332 B CN 111258332B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
unmanned
moment
time
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
Application number
CN202010374550.5A
Other languages
English (en)
Other versions
CN111258332A (zh
Inventor
曹先彬
杜文博
徐亮
赵雅昆
郑磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tasson Science and Technology Co Ltd
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010374550.5A priority Critical patent/CN111258332B/zh
Publication of CN111258332A publication Critical patent/CN111258332A/zh
Application granted granted Critical
Publication of CN111258332B publication Critical patent/CN111258332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人机群编队方法，针对空中交通高密度、高复杂度的状况，实现了无人机群在复杂环境下的自主编队飞行，同时无人机群还能到达目标点、够完成既定任务，这为无人机群的编队问题提供了一个全新的解决方案。本发明围绕着无人机群的集群编队控制，从提高空中交通系统安全性和高效性两方面出发，开展无人机群编队方法研究，对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要的意义。本发明能够处理大量无人机的集群编队问题，同时使得无人机群能够整体向目标点移动，完成下一阶段任务，算法复杂度低，计算精度高，可以有效解决复杂环境下的无人机群自主编队问题。

Description

一种无人机群编队方法
技术领域
本发明涉及无人机技术领域，尤其涉及一种无人机群编队方法。
背景技术
无人机凭借机动灵活、可控性强的特点，目前已在快递运输、农药喷洒、军事侦察等诸多领域具有应用。相比于单个无人机执行任务，无人机群编队飞行具有诸多好处。多架无人机编队飞行协同执行任务，可以在一定程度上提高单机单次执行任务的成功概率。例如，在目标打击任务中，多架无人机可以同时从不同角度对同一目标进行全方位的打击，对目标造成更大的杀伤；无人机群也可以对多个目标进行攻击，提高战斗的时效性。
无人机群编队飞行，是指将多架无人机按照一定的队形进行排列，并实现队形的动态调整、信息互换以及飞行控制等功能。无人机群编队控制由于问题复杂，历来是无人机控制研究中的难点。对于一般的控制方法，需要事先调整数量巨大的控制参数，并在控制过程中频繁地切换参数，控制器设计任务十分繁重。
发明内容
有鉴于此，本发明提供了一种无人机群编队方法，用以有效解决复杂环境下的无人机群自主编队问题。
因此，本发明提供了一种无人机群编队方法，包括如下步骤：
S1：每架无人机获取当前时刻探测半径范围内其它无人机的飞行状态信息，包括其它无人机的位置信息、速度信息和加速度信息；
S2：每架无人机对当前时刻探测半径范围内的空间区域进行划分，按照自身与其他无人机之间的距离分为吸引区域、一致区域和冲突区域，并判断探测半径范围内的其它无人机所处区域；
S3：每架无人机判断当前时刻冲突区域内是否存在其它无人机；若是，则执行步骤S4~步骤S8；若否，则执行步骤S5~步骤S8；
S4：该无人机通过引入势函数，调整自身当前时刻速度的方向，使自身与其它无人机之间的距离不小于最小距离；
S5：该无人机根据当前时刻一致区域和吸引区域内其他无人机的飞行状态信息，确定自身在下一时刻的飞行策略；
S6：该无人机探测当前时刻可能存在的打击风险，并根据打击风险的位置，对自身在下一时间步的飞行策略进行修正；
S7：无人机群中领导者无人机根据下一个目标点的位置，对修正后的飞行策略再次进行修正；
S8：判断是否无人机群中所有无人机当前时刻的速度方向的最大偏差角度在规定范围内，且所有无人机的位置在下一个目标点的规定距离内；若是，则结束编队，任务完成；若否，则返回步骤S1，进行下一时刻的编队；
所述步骤S2中，判断探测半径范围内的其它无人机所处区域，具体包括：
假设无人机群中无人机的总数量为
Figure 313610DEST_PATH_IMAGE001
，对于无人机群中任意一架无人机
Figure 699592DEST_PATH_IMAGE002
，
Figure 338384DEST_PATH_IMAGE003
，无人机
Figure 936856DEST_PATH_IMAGE002
与探测半径
Figure 344703DEST_PATH_IMAGE004
范围内其它无人机
Figure 636007DEST_PATH_IMAGE005
之间的距离为
Figure 496516DEST_PATH_IMAGE006
，无人机
Figure 164258DEST_PATH_IMAGE002
的 一致半径和冲突半径分别为
Figure 426612DEST_PATH_IMAGE007
和 ；
若
Figure 33359DEST_PATH_IMAGE009
，则无人机
Figure 363847DEST_PATH_IMAGE005
处于吸引区域；
若
Figure 356073DEST_PATH_IMAGE010
，则无人机
Figure 379393DEST_PATH_IMAGE005
处于一致区域；
若
Figure 89860DEST_PATH_IMAGE011
，则无人机
Figure 958459DEST_PATH_IMAGE005
处于冲突区域；
所述步骤S4，该无人机通过引入势函数，调整自身当前时刻的速度方向，使自身与其它无人机之间的距离不小于最小距离，具体包括：
假设在平面空域内，无人机
Figure 70771DEST_PATH_IMAGE002
的位置矢量、速度矢量和加速度矢量分别为
Figure 999413DEST_PATH_IMAGE012
、
Figure 197176DEST_PATH_IMAGE013
和
Figure 869466DEST_PATH_IMAGE014
，在初始时刻
Figure 429760DEST_PATH_IMAGE015
，
Figure 404670DEST_PATH_IMAGE001
架无人机随机分布在特定平面空域内，根据牛顿运动定律， 无人机
Figure 948783DEST_PATH_IMAGE002
的运动公式如下：
Figure 300130DEST_PATH_IMAGE016
选取无人机
Figure 573986DEST_PATH_IMAGE002
与冲突区域内无人机
Figure 578851DEST_PATH_IMAGE005
之间的势函数为：
Figure 485627DEST_PATH_IMAGE017
其中，
Figure 499719DEST_PATH_IMAGE018
表示无人机
Figure 34606DEST_PATH_IMAGE002
和无人机
Figure 210372DEST_PATH_IMAGE005
之间的相对位置向量，
Figure 604445DEST_PATH_IMAGE019
为常数， 无人机
Figure 563173DEST_PATH_IMAGE002
和无人机
Figure 218146DEST_PATH_IMAGE005
之间所产生的力为：
Figure 236917DEST_PATH_IMAGE020
无人机
Figure 242919DEST_PATH_IMAGE005
在无人机
Figure 474180DEST_PATH_IMAGE002
的冲突区域内，则
Figure 514818DEST_PATH_IMAGE021
，得到
Figure 173332DEST_PATH_IMAGE022
，无人机
Figure 666630DEST_PATH_IMAGE002
和无 人机
Figure 967162DEST_PATH_IMAGE005
之间为排斥力；无人机
Figure 737672DEST_PATH_IMAGE002
受到的合力的向量形式为：
Figure 957300DEST_PATH_IMAGE023
其中，
Figure 78840DEST_PATH_IMAGE024
表示无人机
Figure 917483DEST_PATH_IMAGE002
冲突区域内无人机的总数量；无人机
Figure 667133DEST_PATH_IMAGE002
受到冲突区域内其 它无人机的排斥力所引起的加速度为：
Figure 933030DEST_PATH_IMAGE025
其中，
Figure 135341DEST_PATH_IMAGE026
为无人机
Figure 43254DEST_PATH_IMAGE002
的质量；无人机
Figure 522777DEST_PATH_IMAGE002
进行冲突解脱的下一步运动迭代公式为：
Figure 349787DEST_PATH_IMAGE027
其中，
Figure 914761DEST_PATH_IMAGE028
表示无人机
Figure 360786DEST_PATH_IMAGE002
在
Figure 819449DEST_PATH_IMAGE029
时刻的位置，
Figure 427148DEST_PATH_IMAGE030
表示无人机
Figure 604051DEST_PATH_IMAGE002
在
Figure 181663DEST_PATH_IMAGE029
时刻的速度，
Figure 370199DEST_PATH_IMAGE031
表示无人机
Figure 273433DEST_PATH_IMAGE002
在
Figure 672053DEST_PATH_IMAGE032
时刻的位置，
Figure 194301DEST_PATH_IMAGE033
表示无人机
Figure 768502DEST_PATH_IMAGE002
在
Figure 577058DEST_PATH_IMAGE032
时刻的 速度，
Figure 603920DEST_PATH_IMAGE034
表示无人机
Figure 54493DEST_PATH_IMAGE002
在
Figure 217621DEST_PATH_IMAGE032
时刻的加速度，
Figure 462658DEST_PATH_IMAGE035
为时间步长。
在一种可能的实现方式中，在本发明提供的上述无人机群编队方法中，步骤S5，该无人机根据当前时刻一致区域和吸引区域内其他无人机的飞行状态信息，确定自身在下一个时间步的飞行策略，具体包括：
记无人机
Figure 976816DEST_PATH_IMAGE002
在
Figure 988938DEST_PATH_IMAGE032
时刻的一致区域和吸引区域内其他无人机的个数分别为
Figure 6572DEST_PATH_IMAGE036
和
Figure 688089DEST_PATH_IMAGE037
，定义无人机
Figure 423964DEST_PATH_IMAGE002
在下一个时间步
Figure 216340DEST_PATH_IMAGE029
时刻的一致运行速度
Figure 416377DEST_PATH_IMAGE038
和吸引运行速度
Figure 268795DEST_PATH_IMAGE039
分别如下：
Figure 491966DEST_PATH_IMAGE040
Figure 822453DEST_PATH_IMAGE041
其中，
Figure 814680DEST_PATH_IMAGE042
表示无人机
Figure 978945DEST_PATH_IMAGE005
在
Figure 548467DEST_PATH_IMAGE032
时刻的速度，
Figure 823590DEST_PATH_IMAGE043
表示无人机
Figure 60537DEST_PATH_IMAGE002
和无人机
Figure 864545DEST_PATH_IMAGE005
在
Figure 186941DEST_PATH_IMAGE032
时刻的相对位置向量；
无人机
Figure 734597DEST_PATH_IMAGE002
在下一个时间步
Figure 966996DEST_PATH_IMAGE029
时刻的速度计算公式为：
Figure 332118DEST_PATH_IMAGE044
无人机
Figure 17177DEST_PATH_IMAGE002
在下一个时间步
Figure 634103DEST_PATH_IMAGE029
时刻的位置计算公式为：
Figure 580063DEST_PATH_IMAGE045
。
在一种可能的实现方式中，在本发明提供的上述无人机群编队方法中，步骤S6，该无人机探测当前时刻可能存在的打击风险，并根据打击风险的位置，对自身在下一时间步的飞行策略进行修正，具体包括：
假设无人机
Figure 850507DEST_PATH_IMAGE002
在探测半径范围内可能存在的打击风险的个数为
Figure 85179DEST_PATH_IMAGE046
，对无人机
Figure 240217DEST_PATH_IMAGE002
的速度进行如下调整：
Figure 306262DEST_PATH_IMAGE047
其中，
Figure 622974DEST_PATH_IMAGE048
表示无人机
Figure 141680DEST_PATH_IMAGE002
与打击风险
Figure 100409DEST_PATH_IMAGE049
在
Figure 896326DEST_PATH_IMAGE032
时刻的相对位置；对无人机
Figure 774152DEST_PATH_IMAGE002
在下 一个时间步
Figure 921100DEST_PATH_IMAGE029
时刻的速度计算公式修正如下：
Figure 11416DEST_PATH_IMAGE050
。
在一种可能的实现方式中，在本发明提供的上述无人机群编队方法中，步骤S7，无人机群中领导者无人机根据下一个目标点的位置，对修正后的飞行策略再次进行修正，具体包括：
对领导者无人机在下一个时间步
Figure 661840DEST_PATH_IMAGE029
时刻的速度计算公式修正如下：
Figure 976147DEST_PATH_IMAGE051
其中，
Figure 344811DEST_PATH_IMAGE052
表示优选方向，是无人机群目的地或者下一个目标点的方向，
Figure 504397DEST_PATH_IMAGE053
表示优 先方向
Figure 9328DEST_PATH_IMAGE052
的影响权重。
本发明提供的上述无人机群编队方法，针对空中交通高密度、高复杂度的状况，实现了无人机群在复杂环境下的自主编队飞行，同时无人机群还能到达目标点、够完成既定任务，这为无人机群的编队问题提供了一个全新的解决方案。本发明围绕着无人机群的集群编队控制，从提高空中交通系统安全性和高效性两方面出发，开展无人机群编队方法研究，对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要的意义。本发明能够处理大量无人机的集群编队问题，同时使得无人机群能够整体向目标点移动，完成下一阶段任务，算法复杂度低，计算精度高，可以有效解决复杂环境下的无人机群自主编队问题。本发明能够在复杂的空域环境下完成无人机群的自主编队控制，可以使无人机在飞行过程中保持队形，减小能源消耗，提高飞行效率，并且为无人机的后续操作提供便利，具有积极的意义。
附图说明
图1为本发明提供一种无人机群编队方法的流程图；
图2为无人机探测范围示意图；
图3为无人机在冲突解脱后，根据吸引区域和一致区域内其它无人机的位置和速度以及可能存在的打击得到下一步飞行策略的示意图；
图4为领导者无人机对步骤S6所得到的飞行策略进行修正的示意图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本发明。
本发明提供的一种无人机群编队方法，如图1所示，包括如下步骤：
S1：每架无人机获取当前时刻探测半径范围内其它无人机的飞行状态信息，包括其它无人机的位置信息、速度信息和加速度信息；
S2：每架无人机对当前时刻探测半径范围内的空间区域进行划分，按照自身与其他无人机之间的距离分为吸引区域、一致区域和冲突区域，并判断探测半径范围内的其它无人机所处区域；
S3：每架无人机判断当前时刻冲突区域内是否存在其它无人机；若是，则执行步骤S4~步骤S8；若否，则执行步骤S5~步骤S8；
S4：该无人机通过引入势函数，调整自身当前时刻速度的方向，使自身与其它无人机之间的距离不小于最小距离；当该无人机的冲突区域内没有其它无人机后，执行步骤S5；
S5：该无人机根据当前时刻一致区域和吸引区域内其他无人机的飞行状态信息，确定自身在下一时刻的飞行策略；
S6：该无人机探测当前时刻可能存在的打击风险，并根据打击风险的位置，对自身在下一时间步的飞行策略进行修正；以保证无人机群的安全；
S7：无人机群中领导者无人机根据下一个目标点的位置，对修正后的飞行策略再次进行修正；以使无人机群能够完成既定任务；
S8：判断是否无人机群中所有无人机当前时刻的速度方向的最大偏差角度在规定范围内，且所有无人机的位置在下一个目标点的规定距离内；若是，则结束编队，任务完成；若否，则返回步骤S1，进行下一时刻的编队。
本发明提供的上述无人机群编队方法，每个无人机可以获取探测半径范围内其它无人机的飞行状态信息，无人机群中的每个无人机根据自身与探测半径范围内其它无人机的距离、结合集群编队算法来确定自身在下一个时间步的飞行策略，包括飞行方向以及速度大小，从而实现集群编队的效果。集群编队算法的简单规则是：如果无人机与探测范围内的其它无人机距离较远，则倾向于通过改变飞行策略靠近其它无人机；如果无人机与探测范围内的其它无人机距离适中，则倾向于与其它无人机保持速度一致；如果无人机与探测范围内的其它无人机距离很近，则需要远离避免发生冲突。无人机在飞行过程中还需要考虑到可能存在的外在打击，无人机需要避开这些打击来保障自身的安全。并且，在无人机群编队飞行过程中，一些具有领导力的无人机知道无人机群下一步的目标位置，它们会通过自己的飞行策略来引导其它无人机飞行，从而使得整个无人机群在实现编队的过程中尽快到达目标点，完成既定任务。
下面通过一个具体的实施例对本发明提供的上述无人机群编队方法的具体实施进行详细说明。
实施例1：
第一步，每架无人机获取探测半径范围
Figure 963377DEST_PATH_IMAGE004
内的其它无人机的飞行状态信息，包 括其它无人机的位置信息、速度信息和加速度信息。假设在初始时刻，无人机群中无人机的 总数量为
Figure 819338DEST_PATH_IMAGE001
，对于无人机群中任意一架无人机
Figure 517035DEST_PATH_IMAGE002
，
Figure 142052DEST_PATH_IMAGE003
，无人机
Figure 532582DEST_PATH_IMAGE002
与探测半径
Figure 610259DEST_PATH_IMAGE004
范围内其它无人机
Figure 377227DEST_PATH_IMAGE005
之间的距离为
Figure 856750DEST_PATH_IMAGE006
，无人机
Figure 683760DEST_PATH_IMAGE002
的一致半径和冲突半径分别为
Figure 983155DEST_PATH_IMAGE007
和按 照其它无人机与无人机
Figure 622263DEST_PATH_IMAGE002
之间的距离分为吸引区域、一致区域和冲突区域，如图2所示，若
Figure 354596DEST_PATH_IMAGE009
，则无人机
Figure 406866DEST_PATH_IMAGE005
处于吸引区域；若
Figure 515636DEST_PATH_IMAGE010
，则无人机
Figure 969751DEST_PATH_IMAGE005
处于一致区域；若
Figure 872985DEST_PATH_IMAGE011
，则无人机
Figure 412551DEST_PATH_IMAGE005
处于冲突区域。
第二步，假设在平面空域内，无人机
Figure 59433DEST_PATH_IMAGE002
的位置矢量、速度矢量和加速度矢量分别为
Figure 368054DEST_PATH_IMAGE012
、
Figure 442190DEST_PATH_IMAGE013
和
Figure 937893DEST_PATH_IMAGE014
，在初始时刻
Figure 388466DEST_PATH_IMAGE015
，
Figure 817173DEST_PATH_IMAGE001
架无人机随机分布在特定平面空域内，无人机
Figure 62210DEST_PATH_IMAGE002
需要 首先考虑与冲突区域内其它无人机进行冲突解脱。根据牛顿运动定律，无人机
Figure 576368DEST_PATH_IMAGE002
的运动公 式如下：
Figure 299473DEST_PATH_IMAGE016
由牛顿第二定理，
Figure 317108DEST_PATH_IMAGE054
，
Figure 998625DEST_PATH_IMAGE055
为合外力，
Figure 79DEST_PATH_IMAGE056
为质量。无人机
Figure 526875DEST_PATH_IMAGE002
为了与冲突区域内 的其它无人机进行冲突解脱，需要抽象出与其它无人机之间的排斥力，这样可以求出无人 机
Figure 930175DEST_PATH_IMAGE002
的加速度。由物理知识可知，分子间的作用力是由势场引起的，因此，引入势函数来描 述无人机
Figure 657959DEST_PATH_IMAGE002
和冲突区域内其它无人机之间的排斥力。选取无人机
Figure 5764DEST_PATH_IMAGE057
与冲突区域内无人机
Figure 477196DEST_PATH_IMAGE005
之间的势函数为：
Figure 735002DEST_PATH_IMAGE017
其中，
Figure 492743DEST_PATH_IMAGE018
表示无人机
Figure 203210DEST_PATH_IMAGE002
和无人机
Figure 337388DEST_PATH_IMAGE005
之间的相对位置向量，
Figure 449701DEST_PATH_IMAGE019
为常数，无 人机
Figure 643921DEST_PATH_IMAGE002
和无人机
Figure 841685DEST_PATH_IMAGE005
之间所产生的力为：
Figure 654920DEST_PATH_IMAGE020
由于无人机
Figure 746373DEST_PATH_IMAGE005
在无人机
Figure 986861DEST_PATH_IMAGE002
的冲突区域内，因此，
Figure 796554DEST_PATH_IMAGE021
，因此
Figure 147901DEST_PATH_IMAGE022
，无人机
Figure 234806DEST_PATH_IMAGE002
和无人机
Figure 505250DEST_PATH_IMAGE005
之间为排斥力；无人机
Figure 412026DEST_PATH_IMAGE002
受到的合力的向量形式为：
Figure 691698DEST_PATH_IMAGE023
其中，
Figure 367530DEST_PATH_IMAGE024
表示无人机
Figure 74455DEST_PATH_IMAGE002
冲突区域内无人机的总数量；则无人机
Figure 468527DEST_PATH_IMAGE002
受到冲突区域内 其它无人机的排斥力所引起的加速度为：
Figure 286310DEST_PATH_IMAGE025
其中，
Figure 82228DEST_PATH_IMAGE026
为无人机
Figure 960054DEST_PATH_IMAGE002
的质量；则无人机
Figure 575843DEST_PATH_IMAGE002
进行冲突解脱的下一步运动迭代公式 为：
Figure 197317DEST_PATH_IMAGE058
其中，
Figure 847742DEST_PATH_IMAGE028
表示无人机
Figure 896469DEST_PATH_IMAGE002
在
Figure 265133DEST_PATH_IMAGE029
时刻的位置，
Figure 424719DEST_PATH_IMAGE030
表示无人机
Figure 195229DEST_PATH_IMAGE002
在
Figure 414858DEST_PATH_IMAGE029
时刻的速度，
Figure 5239DEST_PATH_IMAGE031
表示无人机
Figure 109462DEST_PATH_IMAGE002
在
Figure 859112DEST_PATH_IMAGE032
时刻的位置，
Figure 125008DEST_PATH_IMAGE033
表示无人机
Figure 327319DEST_PATH_IMAGE002
在
Figure 704074DEST_PATH_IMAGE032
时刻的 速度，
Figure 308231DEST_PATH_IMAGE034
表示无人机
Figure 10607DEST_PATH_IMAGE002
在
Figure 700215DEST_PATH_IMAGE032
时刻的加速度，
Figure 880660DEST_PATH_IMAGE035
为时间步长。无人机
Figure 745848DEST_PATH_IMAGE002
按照基于势函数的冲 突解脱方法飞行，从而进行冲突解脱。
第三步，当无人机
Figure 212602DEST_PATH_IMAGE002
进行冲突解脱后，
Figure 264871DEST_PATH_IMAGE059
，此时无人机
Figure 373641DEST_PATH_IMAGE002
的下一步速度受到 自身的当前速度、一致区域和吸引区域内其它无人机的影响。记无人机
Figure 827757DEST_PATH_IMAGE002
在
Figure 730991DEST_PATH_IMAGE032
时刻的一致区 域和吸引区域内其他无人机的个数分别为
Figure 4977DEST_PATH_IMAGE036
和
Figure 651859DEST_PATH_IMAGE037
，则根据自然界中鱼群鸟群等的集群行 为，可以定义无人机
Figure 960481DEST_PATH_IMAGE057
在下一个时间步
Figure 34616DEST_PATH_IMAGE060
时刻的一致运行速度
Figure 920532DEST_PATH_IMAGE038
和吸引运行速 度
Figure 980892DEST_PATH_IMAGE061
分别如下：
Figure 534233DEST_PATH_IMAGE040
Figure 654636DEST_PATH_IMAGE041
其中，
Figure 168794DEST_PATH_IMAGE042
表示无人机
Figure 891899DEST_PATH_IMAGE005
在
Figure 440692DEST_PATH_IMAGE032
时刻的速度，
Figure 591051DEST_PATH_IMAGE043
表示无人机
Figure 451560DEST_PATH_IMAGE002
和无人机
Figure 119301DEST_PATH_IMAGE005
在
Figure 522601DEST_PATH_IMAGE032
时刻的相对位置向量；
如
Figure 867298DEST_PATH_IMAGE062
，则
Figure 356048DEST_PATH_IMAGE063
，考虑无人机
Figure 952115DEST_PATH_IMAGE002
具有惯性，保持当前的速 度不变；如果
Figure 944342DEST_PATH_IMAGE064
，则
Figure 702082DEST_PATH_IMAGE065
，无人机
Figure 412549DEST_PATH_IMAGE002
除了具有 自身的惯性速度，还受到一致区域内其它无人机的影响；如果
Figure 281148DEST_PATH_IMAGE066
，则
Figure 393460DEST_PATH_IMAGE067
；如果
Figure 587681DEST_PATH_IMAGE068
和
Figure 519865DEST_PATH_IMAGE069
都不为0，则定义
Figure 457734DEST_PATH_IMAGE070
；
综合起来，无人机
Figure 158974DEST_PATH_IMAGE057
在下一个时间步
Figure 524096DEST_PATH_IMAGE060
时刻的速度计算公式为：
Figure 943576DEST_PATH_IMAGE044
无人机
Figure 888399DEST_PATH_IMAGE002
在下一个时间步
Figure 834358DEST_PATH_IMAGE029
时刻的位置计算公式为：
Figure 245748DEST_PATH_IMAGE071
。
第四步，除了考虑第三步中探测范围内一致区域和吸引区域对无人机
Figure 277158DEST_PATH_IMAGE002
的飞行策 略影响，无人机
Figure 432195DEST_PATH_IMAGE002
还需要探测可能存在的打击风险，比如雷达区域、导弹覆盖区域等。根据 打击风险所在的位置来对第三步所得到的飞行策略进行修正，以保障无人机群的飞行安 全。假设无人机
Figure 232661DEST_PATH_IMAGE002
在探测半径范围内可能存在的打击风险的个数为
Figure 814952DEST_PATH_IMAGE046
，则需要对无人机
Figure 599238DEST_PATH_IMAGE002
的速度进行如下调整：
Figure 292387DEST_PATH_IMAGE047
其中，
Figure 947359DEST_PATH_IMAGE048
表示无人机
Figure 700552DEST_PATH_IMAGE002
与打击风险
Figure 706554DEST_PATH_IMAGE049
在
Figure 937815DEST_PATH_IMAGE032
时刻的相对位置，即无人机
Figure 978452DEST_PATH_IMAGE002
向着 远离风险的方向飞行，这对于保障无人机群的飞行安全具有重要意义。因此，如图3所示，对 无人机
Figure 902546DEST_PATH_IMAGE002
在下一个时间步
Figure 130265DEST_PATH_IMAGE029
时刻的速度计算公式修正如下：
Figure 165217DEST_PATH_IMAGE050
。
第五步，无人机群中存在一些具有领导力的无人机，它们需要根据下一个目标点 的位置对第四步所得到的飞行策略进行修正，使得无人机群在编队飞行的同时，还能够完 成既定任务。在此基础上，把无人机群中的无人机分为领导者与跟随者，领导者的运动会影 响其它无人机，从而使得无人机群中的其它无人机与领导者同步。假设无人机群中只有少 数无人机带有信息（即知道目的地或下一步的目标），其它无人机并不知道谁是领导者，即 在不改变无人机群中非领导者的飞行规则（第四步的规则）下加入一些领导者无人机来加 强无人机群的编队飞行效果以及飞往既定目标。对于整个无人机群来说，领导者也只是一 个普通的无人机，它们只影响其邻居中的其它无人机。对于掌握目的地或下一步目标信息 的领导者无人机，它们的运动规则是在第四步的运动规则基础上加上一个优先方向
Figure 60361DEST_PATH_IMAGE072
，
Figure 155356DEST_PATH_IMAGE072
的方向是无人机群目的地或者下一个目标的方向。因此，如图4所示，对领导者无人机在下 一个时间步
Figure 604791DEST_PATH_IMAGE029
时刻的速度计算公式修正如下：
Figure 709014DEST_PATH_IMAGE051
其中，
Figure 458664DEST_PATH_IMAGE052
表示优选方向，是无人机群目的地或者下一个目标点的方向，
Figure 724560DEST_PATH_IMAGE053
表示优 先方向
Figure 926871DEST_PATH_IMAGE052
的影响权重。对于非领导者无人机来说，它们的下一步速度方向不做改变，甚至 不需要知道无人机群中的领导者是谁，从而使得整个无人机群在编队飞行的同时，不增加 额外的通信代价就能够通过少数领导者无人机掌握的信息简单高效地引导种群飞往目标 位置，完成既定任务。
第六步，检测所有无人机的当前位置、飞行速度和航向角度。判断无人机群是否达 到最终目标；若所有无人机的速度方向的最大偏差角度在
Figure 303626DEST_PATH_IMAGE073
以内，且所有无人机的位置在下 一个目标点距离
Figure 642204DEST_PATH_IMAGE074
内，则无人机群的编队目标最终完成；否则，返回第一步，进行下一时刻 的编队。
本发明模拟自然界中鱼群、鸟群等动物群的运动过程，它们的运动具有很明显的特征：群体中的个体聚集性很强，运动速度、方向具有一致性。因此，本发明在仿照动物集群的基础上，同时考虑无人机群在实际执行任务时可能会遭遇到打击，以及无人机群中存在部分具有领导力的无人机，它们知道无人机群下一步的目标，因此，它们需要通过自己的飞行策略来引导其它无人机飞行，从而使得整个无人机群在实现编队的过程中还能够到达下一个目标点，完成既定任务。
本发明提供的上述无人机群编队方法，针对空中交通高密度、高复杂度的状况，实现了无人机群在复杂环境下的自主编队飞行，同时无人机群还能到达目标点、够完成既定任务，这为无人机群的编队问题提供了一个全新的解决方案。本发明围绕着无人机群的集群编队控制，从提高空中交通系统安全性和高效性两方面出发，开展无人机群编队方法研究，对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要的意义。本发明能够处理大量无人机的集群编队问题，同时使得无人机群能够整体向目标点移动，完成下一阶段任务，算法复杂度低，计算精度高，可以有效解决复杂环境下的无人机群自主编队问题。本发明能够在复杂的空域环境下完成无人机群的自主编队控制，可以使无人机在飞行过程中保持队形，减小能源消耗，提高飞行效率，并且为无人机的后续操作提供便利，具有积极的意义。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (4)

1.一种无人机群编队方法，其特征在于，包括如下步骤：
S1：每架无人机获取当前时刻探测半径范围内其它无人机的飞行状态信息，包括其它无人机的位置信息、速度信息和加速度信息；
S2：每架无人机对当前时刻探测半径范围内的空间区域进行划分，按照自身与其他无人机之间的距离分为吸引区域、一致区域和冲突区域，并判断探测半径范围内的其它无人机所处区域；
S3：每架无人机判断当前时刻冲突区域内是否存在其它无人机；若是，则执行步骤S4~步骤S8；若否，则执行步骤S5~步骤S8；
S4：该无人机通过引入势函数，调整自身当前时刻速度的方向，使自身与其它无人机之间的距离不小于最小距离；当该无人机的冲突区域内没有其它无人机后，执行步骤S5；
S5：该无人机根据当前时刻一致区域和吸引区域内其他无人机的飞行状态信息，确定自身在下一时刻的飞行策略；
S6：该无人机探测当前时刻可能存在的打击风险，并根据打击风险的位置，对自身在下一时间步的飞行策略进行修正；
S7：无人机群中领导者无人机根据下一个目标点的位置，对修正后的飞行策略再次进行修正；
S8：判断是否无人机群中所有无人机当前时刻的速度方向的最大偏差角度在规定范围内，且所有无人机的位置在下一个目标点的规定距离内；若是，则结束编队，任务完成；若否，则返回步骤S1，进行下一时刻的编队；
所述步骤S2中，判断探测半径范围内的其它无人机所处区域，具体包括：
假设无人机群中无人机的总数量为
Figure 238066DEST_PATH_IMAGE001
，对于无人机群中任意一架无人机
Figure 214112DEST_PATH_IMAGE002
，
Figure 285974DEST_PATH_IMAGE003
，无人机
Figure 663865DEST_PATH_IMAGE002
与探测半径
Figure 671136DEST_PATH_IMAGE004
范围内其它无人机
Figure 134478DEST_PATH_IMAGE005
之间的距离为
Figure 213292DEST_PATH_IMAGE006
，无人机
Figure 508007DEST_PATH_IMAGE002
的一致半径和冲突半径分别为
Figure 14075DEST_PATH_IMAGE007
和
Figure 636818DEST_PATH_IMAGE008
；
若
Figure 253744DEST_PATH_IMAGE009
，则无人机
Figure 402965DEST_PATH_IMAGE010
处于吸引区域；
若
Figure 79934DEST_PATH_IMAGE011
，则无人机
Figure 189973DEST_PATH_IMAGE010
处于一致区域；
若
Figure 345011DEST_PATH_IMAGE012
，则无人机
Figure 817580DEST_PATH_IMAGE010
处于冲突区域；
所述步骤S4，该无人机通过引入势函数，调整自身当前时刻的速度方向，使自身与其它无人机之间的距离不小于最小距离，具体包括：
假设在平面空域内，无人机
Figure 727767DEST_PATH_IMAGE002
的位置矢量、速度矢量和加速度矢量分别为
Figure 387419DEST_PATH_IMAGE013
、
Figure 782366DEST_PATH_IMAGE014
和
Figure 578283DEST_PATH_IMAGE015
，在初始时刻
Figure 862634DEST_PATH_IMAGE016
，
Figure 71899DEST_PATH_IMAGE001
架无人机随机分布在特定平面空域内，根据牛顿运动定律，无人机
Figure 834318DEST_PATH_IMAGE002
的运动公式如下：
Figure 688005DEST_PATH_IMAGE017
选取无人机
Figure 612099DEST_PATH_IMAGE002
与冲突区域内无人机
Figure 511921DEST_PATH_IMAGE010
之间的势函数为：
Figure 874770DEST_PATH_IMAGE018
其中，
Figure 910859DEST_PATH_IMAGE019
表示无人机
Figure 943537DEST_PATH_IMAGE002
和无人机
Figure 65077DEST_PATH_IMAGE010
之间的相对位置向量，
Figure 231616DEST_PATH_IMAGE020
为常数，无人机
Figure 856632DEST_PATH_IMAGE002
和无人机
Figure 653687DEST_PATH_IMAGE021
之间所产生的力为：
Figure 934627DEST_PATH_IMAGE022
无人机
Figure 842540DEST_PATH_IMAGE021
在无人机
Figure 649959DEST_PATH_IMAGE002
的冲突区域内，则
Figure 352336DEST_PATH_IMAGE023
，得到
Figure 619107DEST_PATH_IMAGE024
，无人机
Figure 330711DEST_PATH_IMAGE002
和无人机
Figure 930319DEST_PATH_IMAGE021
之间为排斥力；无人机
Figure 865914DEST_PATH_IMAGE002
受到的合力的向量形式为：
Figure 183763DEST_PATH_IMAGE025
其中，
Figure 105583DEST_PATH_IMAGE026
表示无人机
Figure 825277DEST_PATH_IMAGE002
冲突区域内无人机的总数量；无人机
Figure 135036DEST_PATH_IMAGE002
受到冲突区域内其它无人机的排斥力所引起的加速度为：
Figure 2497DEST_PATH_IMAGE027
其中，
Figure 790325DEST_PATH_IMAGE028
为无人机
Figure 302209DEST_PATH_IMAGE002
的质量；无人机
Figure 517290DEST_PATH_IMAGE002
进行冲突解脱的下一步运动迭代公式为：
Figure 606468DEST_PATH_IMAGE029
其中，
Figure 463566DEST_PATH_IMAGE030
表示无人机
Figure 892273DEST_PATH_IMAGE002
在
Figure 215938DEST_PATH_IMAGE031
时刻的位置，
Figure 995675DEST_PATH_IMAGE032
表示无人机
Figure 187622DEST_PATH_IMAGE002
在
Figure 736415DEST_PATH_IMAGE031
时刻的速度，
Figure 558878DEST_PATH_IMAGE033
表示无人机
Figure 996550DEST_PATH_IMAGE002
在
Figure 929871DEST_PATH_IMAGE034
时刻的位置，
Figure 129908DEST_PATH_IMAGE035
表示无人机
Figure 123272DEST_PATH_IMAGE002
在
Figure 877601DEST_PATH_IMAGE034
时刻的速度，
Figure 286717DEST_PATH_IMAGE036
表示无人机
Figure 544523DEST_PATH_IMAGE002
在
Figure 771105DEST_PATH_IMAGE034
时刻的加速度，
Figure 481572DEST_PATH_IMAGE037
为时间步长。
2.如权利要求1所述的无人机群编队方法，其特征在于，步骤S5，该无人机根据当前时刻一致区域和吸引区域内其他无人机的飞行状态信息，确定自身在下一个时间步的飞行策略，具体包括：
记无人机
Figure 694379DEST_PATH_IMAGE002
在
Figure 869008DEST_PATH_IMAGE039
时刻的一致区域和吸引区域内其他无人机的个数分别为
Figure 938595DEST_PATH_IMAGE040
和
Figure 339621DEST_PATH_IMAGE041
，定义无人机
Figure 152856DEST_PATH_IMAGE002
在下一个时间步
Figure 650834DEST_PATH_IMAGE031
时刻的一致运行速度
Figure 953639DEST_PATH_IMAGE042
和吸引运行速度
Figure 904277DEST_PATH_IMAGE043
分别如下：
Figure 957422DEST_PATH_IMAGE044
Figure 44326DEST_PATH_IMAGE045
其中，
Figure 783612DEST_PATH_IMAGE046
表示无人机
Figure 221547DEST_PATH_IMAGE010
在
Figure 376585DEST_PATH_IMAGE034
时刻的速度，
Figure 521258DEST_PATH_IMAGE047
表示无人机
Figure 103549DEST_PATH_IMAGE002
和无人机
Figure 825518DEST_PATH_IMAGE021
在
Figure 49826DEST_PATH_IMAGE034
时刻的相对位置向量；
无人机
Figure 111323DEST_PATH_IMAGE002
在下一个时间步
Figure 67777DEST_PATH_IMAGE031
时刻的速度计算公式为：
Figure 214725DEST_PATH_IMAGE048
无人机
Figure 773882DEST_PATH_IMAGE002
在下一个时间步
Figure 689886DEST_PATH_IMAGE031
时刻的位置计算公式为：
Figure 817242DEST_PATH_IMAGE049
。
3.如权利要求2所述的无人机群编队方法，其特征在于，步骤S6，该无人机探测当前时刻可能存在的打击风险，并根据打击风险的位置，对自身在下一时间步的飞行策略进行修正，具体包括：
假设无人机
Figure 451485DEST_PATH_IMAGE002
在探测半径范围内可能存在的打击风险的个数为
Figure 17596DEST_PATH_IMAGE050
，对无人机
Figure 850423DEST_PATH_IMAGE052
的速度进行如下调整：
Figure 210997DEST_PATH_IMAGE053
其中，
Figure 768755DEST_PATH_IMAGE054
表示无人机
Figure 607398DEST_PATH_IMAGE002
与打击风险
Figure 560310DEST_PATH_IMAGE055
在
Figure 91786DEST_PATH_IMAGE034
时刻的相对位置；对无人机
Figure 700622DEST_PATH_IMAGE002
在下一个时间步
Figure 546218DEST_PATH_IMAGE031
时刻的速度计算公式修正如下：
Figure 291320DEST_PATH_IMAGE056
。
4.如权利要求3所述的无人机群编队方法，其特征在于，步骤S7，无人机群中领导者无人机根据下一个目标点的位置，对修正后的飞行策略再次进行修正，具体包括：
对领导者无人机在下一个时间步
Figure 56014DEST_PATH_IMAGE031
时刻的速度计算公式修正如下：
Figure 886566DEST_PATH_IMAGE057
其中，
Figure 4695DEST_PATH_IMAGE058
表示优选方向，是无人机群目的地或者下一个目标点的方向，
Figure 869883DEST_PATH_IMAGE059
表示优先方向
Figure 805478DEST_PATH_IMAGE058
的影响权重。
CN202010374550.5A 2020-05-07 2020-05-07 一种无人机群编队方法 Active CN111258332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010374550.5A CN111258332B (zh) 2020-05-07 2020-05-07 一种无人机群编队方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010374550.5A CN111258332B (zh) 2020-05-07 2020-05-07 一种无人机群编队方法

Publications (2)

Publication Number Publication Date
CN111258332A CN111258332A (zh) 2020-06-09
CN111258332B true CN111258332B (zh) 2020-08-07

Family

ID=70953498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010374550.5A Active CN111258332B (zh) 2020-05-07 2020-05-07 一种无人机群编队方法

Country Status (1)

Country Link
CN (1) CN111258332B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114020036B (zh) * 2021-12-03 2023-12-12 南京大学 一种多无人机编队阵型变换时的防碰撞方法
CN114610060A (zh) * 2022-03-01 2022-06-10 重庆邮电大学 无人机集群分层加速度同步方法
CN114815876A (zh) * 2022-03-24 2022-07-29 南京航空航天大学 一种基于旋翼无人机的编队领导者选择算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7706979B1 (en) * 2005-05-03 2010-04-27 Stanley Robert Herwitz Closest points of approach determination for unmanned aerial vehicle ground-based sense-and-avoid display system
CN107677275A (zh) * 2017-09-15 2018-02-09 北京航空航天大学 一种混合空域异质飞行器路径规划方法及装置
CN108196579A (zh) * 2018-01-24 2018-06-22 电子科技大学 基于几何分布的无人机分级编队方法
CN108459612A (zh) * 2017-02-21 2018-08-28 北京航空航天大学 基于人工势场法的无人机编队控制方法及装置
CN109782798A (zh) * 2019-01-22 2019-05-21 北京航空航天大学 一种基于Boid模型的无人机群编队方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7706979B1 (en) * 2005-05-03 2010-04-27 Stanley Robert Herwitz Closest points of approach determination for unmanned aerial vehicle ground-based sense-and-avoid display system
CN108459612A (zh) * 2017-02-21 2018-08-28 北京航空航天大学 基于人工势场法的无人机编队控制方法及装置
CN107677275A (zh) * 2017-09-15 2018-02-09 北京航空航天大学 一种混合空域异质飞行器路径规划方法及装置
CN108196579A (zh) * 2018-01-24 2018-06-22 电子科技大学 基于几何分布的无人机分级编队方法
CN109782798A (zh) * 2019-01-22 2019-05-21 北京航空航天大学 一种基于Boid模型的无人机群编队方法

Also Published As

Publication number Publication date
CN111258332A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111258332B (zh) 一种无人机群编队方法
CN108680063B (zh) 一种针对大规模无人机集群动态对抗的决策方法
WO2021174765A1 (zh) 基于多无人机协同博弈对抗的控制系统
Wang et al. Improving maneuver strategy in air combat by alternate freeze games with a deep reinforcement learning algorithm
Jordan The future of unmanned combat aerial vehicles: An analysis using the Three Horizons framework
CN108459616B (zh) 基于人工蜂群算法的无人机群协同覆盖航路规划方法
CN109709981B (zh) 一种无人机群竞技对抗方法
CN113791634A (zh) 一种基于多智能体强化学习的多机空战决策方法
CN110928329A (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
CN112666981B (zh) 基于原鸽群动态群组学习的无人机集群动态航路规划方法
CN111077909B (zh) 一种基于视觉信息的新型无人机自组群自洽优化控制方法
CN114063644B (zh) 基于鸽群反向对抗学习的无人作战飞机空战自主决策方法
Wang et al. Multiple UAVs routes planning based on particle swarm optimization algorithm
CN114460959A (zh) 一种基于多体博弈的无人机群协同自主决策方法及装置
CN114492805A (zh) 一种基于模糊推理的空战机动决策设计方法
CN110673488A (zh) 一种基于优先级随机抽样策略的Double DQN无人机隐蔽接敌方法
CN109782798B (zh) 一种基于Boid模型的无人机群编队方法
Xiang et al. Research on UAV swarm confrontation task based on MADDPG algorithm
CN112651486A (zh) 一种提高maddpg算法收敛速度的方法及其应用
King et al. Entropy-based team self-organization with signal suppression
Zhuang et al. Optimization of high-speed fixed-wing UAV penetration strategy based on deep reinforcement learning
KR20210006169A (ko) 생체 모방 기법을 활용한 드론 회피 기동 방법
Liu et al. Discrete pigeon-inspired optimization-simulated annealing algorithm and optimal reciprocal collision avoidance scheme for fixed-wing UAV formation assembly
CN113741186A (zh) 一种基于近端策略优化的双机空战决策方法
CN115061495B (zh) 一种基于鹰鸽博弈的无人机群组对抗自主控制方法

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20221110

Address after: Room 701, 7 / F, building 6, courtyard 8, KEGU 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing 100176

Patentee after: BEIJING TASSON TECHNOLOGY Ltd.

Address before: 100191 No. 37, Haidian District, Beijing, Xueyuan Road

Patentee before: BEIHANG University

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 701, 7th Floor, Building 6, Courtyard 8, Kegu 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing, 100176

Patentee after: Beijing Tasson Technology Ltd.

Address before: Room 701, 7 / F, building 6, courtyard 8, KEGU 1st Street, Beijing Economic and Technological Development Zone, Daxing District, Beijing 100176

Patentee before: BEIJING TASSON TECHNOLOGY Ltd.