CN111273697B - 一种无人机群冲突解脱方法 - Google Patents

一种无人机群冲突解脱方法 Download PDF

Info

Publication number
CN111273697B
CN111273697B CN202010374786.9A CN202010374786A CN111273697B CN 111273697 B CN111273697 B CN 111273697B CN 202010374786 A CN202010374786 A CN 202010374786A CN 111273697 B CN111273697 B CN 111273697B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
alliance
main
vehicles
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
CN202010374786.9A
Other languages
English (en)
Other versions
CN111273697A (zh
Inventor
杜文博
曹先彬
谭滔
徐亮
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.)
Beihang University
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 CN202010374786.9A priority Critical patent/CN111273697B/zh
Publication of CN111273697A publication Critical patent/CN111273697A/zh
Application granted granted Critical
Publication of CN111273697B publication Critical patent/CN111273697B/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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种无人机群冲突解脱方法，包括：初始化运行时间周期T和各无人机及联盟参数，无人机参数包括己方位置、目标位置及所属联盟，联盟参数包括联盟内部各无人机位置及其权重等；通过场方法构建的人工势场与人工涡旋场来计算加速度参考值，并结合权重信息确定各无人机的最终控制输出量；无人机群任务执行过程中检测能否进行联盟合并，并相应地对联盟信息进行更新，其中基于夏普利值法来对联盟内无人机权值。本发明充分利用了联盟内部信息，并从博弈论方法的角度对场方法易陷入局部最优的缺陷进行了补正，对空域内存在大量无人机的集群控制问题有较好的处理能力，为无人机群协同工作时的冲突解脱问题提供了一种有效而稳定的解决方案。

Description

一种无人机群冲突解脱方法
技术领域
本发明属于飞行器技术领域，涉及一种无人机群的合作博弈与冲突解脱方法。
背景技术
随着无人机技术的发展，无人机可帮助人们执行的任务日益增多也愈加复杂，在单个无人机已无法满足任务需求的情况下，如何让多无人机进行协同合作成为了人们关注的重点。冲突解脱完成的目标即确保无人机群工作过程中的安全性，使任务执行机群从起始点到达目标点的过程中避免与其他已知或未知的物体发生碰撞。考虑到无人机群执行任务的低空环境较为复杂多变，且参与协同的机体数目较多，调整无人机飞行策略方法的时效性与灵活性值得密切关注。
目前对于无人机冲突解脱的方法主要划分为集中式冲突解脱方法与分布式冲突解脱方法。第一种，集中式冲突解脱方法一般是由地面控制中心对所有空域中的飞行器进行管控，譬如枚举法对工作区域内所有无人机的可行路径空间进行搜索并选择最优解，或使用粒子群算法启发式搜索可行域中的最优解。该类方法的优势在于可以宏观地获得全局最优的飞行策略，从而可以完成“战略性”地冲突解脱任务，因而适用于具有长距离飞行任务的机群；但同时该类方法计算量庞大，执行缓慢，且对飞行器的通信能力要求较高，而这些都与无人机群的任务要求方面产生了较大矛盾。第二种，分布式冲突解脱方法如场方法、博弈论方法等，则不需要地面控制中心的参与，飞行器间的协调要求可以通过工作区域中所参与飞行器直接通信完成，甚至不需要通信也可以完成，灵活性很高，在面对较大规模无人机群的协同任务情景下也能获得可观的结果。
场方法作为路径规划的常用算法之一，其思路是设计一个抽象的虚拟力场来控制机体运动，其中可通过人工势场来计算各机体的线加速度，通过人工涡旋场来计算各机体的角加速度，总体上通过目标点提供的“引力”与障碍物的“斥力”来实现冲突解脱并完成目标任务的。由于该方法模拟了物理学情景，所以规划出来的路径较为平滑安全；但这种方法同时也对参数设计较为敏感，容易陷入局部最优，因此如何克服这一问题是场方法实现的关键。
博弈论方法解决的是在存在竞争或合作的情景当中，个体如何选择自己的策略使其收益最大化的问题，对于不同的情景又可划分为策略博弈、扩展博弈、合作博弈等。对于策略博弈，通常的方法是通过求解纳什均衡解并验证其唯一性来保证全局的最优解；而对于合作博弈则没有固定的方法来求解全局最优，一般考虑的求解工具包括核、冯诺依曼-摩根斯坦稳定解集、夏普利值等方法。
对于无人机群而言，由于任务的复杂性，单个机体的轨迹改变必然会影响到其他机体的航线，因此在冲突发生的时候，理想的结果是让那些可能对其他机体航线影响较大的机体尽量减小其轨迹变化，而让那些不太会对其他机体航线产生干扰的机体来完成避撞的机动。
发明内容
本发明针对无人机群协同工作时数量多、复杂度高的情景，设计了一种结合虚拟物理场与社会博弈行为的无人机群冲突解脱方法。本方法首先根据目标点以及侦测区内已知的物体，通过场方法来构建人工力场并计算得到各无人机的基本加速度参考量；其次，构建无人机之间的联盟关系；接下来在此基础上通过夏普利值法来计算并赋予联盟内部各无人机其权值（干扰因子），并且每隔时间周期T对其进行更新，定义各无人机对联盟的边际贡献为该无人机加入联盟前后其他无人机受到的（联盟内部的）作用力改变矢量的标量和，而各无人机的夏普利值即为该无人机对联盟的边际贡献之和除以各种可能的联盟组合数，因此其权值可设定为归一化后的夏普利值；最后借助无人机群中的过往经验及公共知识进一步优化控制输出，解决一般场方法可能陷入局部最优的问题，以实现智能调控的目的。
本发明提供了一种无人机群冲突解脱方法，包括如下步骤：
S1：初始化运行时间周期T，同时初始化各无人机参数及各联盟参数，使各无人机各自构建联盟，设置各无人机位置、各无人机所处联盟、各无人机对应的权值以及对应的目标点位置；
S2：根据场方法计算初始时刻主体无人机的基本控制量，并结合所述主体无人机对应的权值计算出所述主体无人机的最终控制输出量；
S3：判断所述主体无人机所处联盟范围内能否检测到新出现的其他无人机，若检测到所述其他无人机，则进行步骤S4，若未检测到所述其他无人机，则执行步骤S6；
S4：若检测到的所述其他无人机不在任何一个联盟当中，则所述其他无人机加入所述主体无人机所处联盟，否则将所述主体无人机和所述其他无人机双方联盟合并；
S5：根据场方法计算当前时刻所述主体无人机的基本控制量，并结合所述主体无人机对应的权值计算出所述主体无人机的最终控制输出量；
S6：判断所述主体无人机是否到达对应目标点；若未到达则经过时间周期T后返回执行步骤S3，否则继续执行步骤S7；
S7：所述主体无人机任务完成，将所述主体无人机从其所处联盟中移除，当所有无人机均被移除之后，无人机群冲突解脱任务完成。
进一步，步骤S2具体过程如下：
初始时刻，主体无人机
Figure 795864DEST_PATH_IMAGE001
侦测范围内视为无其他无人机，
Figure 978584DEST_PATH_IMAGE002
，
Figure 289480DEST_PATH_IMAGE003
表示整 体环境中所有无人机的数量，根据主体无人机
Figure 12585DEST_PATH_IMAGE001
对应的目标点
Figure 92536DEST_PATH_IMAGE004
与主体无人机
Figure 242895DEST_PATH_IMAGE001
的距离 计算主体无人机
Figure 775508DEST_PATH_IMAGE001
的基本控制量：
Figure 505566DEST_PATH_IMAGE005
Figure 505271DEST_PATH_IMAGE006
其中，
Figure 764214DEST_PATH_IMAGE007
表示目标点
Figure 846439DEST_PATH_IMAGE008
对主体无人机
Figure 849030DEST_PATH_IMAGE009
的作用量（势场）；
Figure 700312DEST_PATH_IMAGE010
表示目标点
Figure 661314DEST_PATH_IMAGE004
的 位置；
Figure 168519DEST_PATH_IMAGE011
表示位于
Figure 974801DEST_PATH_IMAGE010
处的目标对位于
Figure 149430DEST_PATH_IMAGE012
处主体无人机的线性作用量；
Figure 812493DEST_PATH_IMAGE013
表示主体 无人机
Figure 72573DEST_PATH_IMAGE001
的最终控制输出量；
Figure 682546DEST_PATH_IMAGE014
表示由目标点对主体无人机的作用量产生的加速度（引 力）。
进一步，步骤S4中，将所述主体无人机和所述其他无人机双方联盟合并的具体过程如下：
当前时刻在主体无人机
Figure 711682DEST_PATH_IMAGE001
所处原联盟
Figure 751838DEST_PATH_IMAGE015
范围内检测到新出现其他无人机
Figure 233635DEST_PATH_IMAGE016
时， 将主体无人机
Figure 647298DEST_PATH_IMAGE001
和无人机
Figure 327678DEST_PATH_IMAGE016
双方联盟进行合并，其中，主体无人机
Figure 801385DEST_PATH_IMAGE001
所处原联盟
Figure 770478DEST_PATH_IMAGE017
的联盟 基数大小
Figure 456674DEST_PATH_IMAGE018
，无人机
Figure 460402DEST_PATH_IMAGE016
所处联盟
Figure 105010DEST_PATH_IMAGE019
的联盟基数大小
Figure 561400DEST_PATH_IMAGE020
，设在当前时刻
Figure 113604DEST_PATH_IMAGE021
时,主体无人机
Figure 706259DEST_PATH_IMAGE001
所处原联盟
Figure 256189DEST_PATH_IMAGE017
在其范围内新检测到无人机联盟集合为
Figure 199874DEST_PATH_IMAGE022
，
Figure 546980DEST_PATH_IMAGE023
为原联盟
Figure 259721DEST_PATH_IMAGE015
检测到的其他联盟，
Figure 980553DEST_PATH_IMAGE024
，
Figure 145955DEST_PATH_IMAGE003
表示整体 环境中所有无人机的数量，设无人机联盟集合
Figure 39961DEST_PATH_IMAGE022
的联盟基数大小
Figure 872788DEST_PATH_IMAGE025
，则
Figure 764521DEST_PATH_IMAGE026
，
设
Figure 682798DEST_PATH_IMAGE027
，则将联盟
Figure 318179DEST_PATH_IMAGE019
合并入原联盟
Figure 739933DEST_PATH_IMAGE017
，形成新联盟
Figure 68146DEST_PATH_IMAGE028
，接着利用夏普 利值法更新新联盟
Figure 208140DEST_PATH_IMAGE028
中各无人机的权值，具体合并操作包括如下子步骤：
S41：设置联盟
Figure 709529DEST_PATH_IMAGE019
中无人机
Figure 254298DEST_PATH_IMAGE016
在新联盟
Figure 487834DEST_PATH_IMAGE028
中的权值
Figure 911862DEST_PATH_IMAGE029
；
S42：原联盟
Figure 154624DEST_PATH_IMAGE017
中各无人机对任意联盟
Figure 550970DEST_PATH_IMAGE030
的边际贡献
Figure 955407DEST_PATH_IMAGE031
计算公式为：
Figure 69994DEST_PATH_IMAGE032
其中，
Figure 647605DEST_PATH_IMAGE033
表示原联盟
Figure 164037DEST_PATH_IMAGE017
中的任意无人机，
Figure 739375DEST_PATH_IMAGE034
；
Figure 137996DEST_PATH_IMAGE035
表征不包含
Figure 722561DEST_PATH_IMAGE033
的 任意联盟
Figure 93499DEST_PATH_IMAGE030
内部各无人机的相互作用；
Figure 842668DEST_PATH_IMAGE036
表征不包含
Figure 463005DEST_PATH_IMAGE033
的任意联盟
Figure 851261DEST_PATH_IMAGE030
中加入
Figure 76706DEST_PATH_IMAGE033
后任意联盟内部各无人机的相互作用；
Figure 790584DEST_PATH_IMAGE037
表示任意联盟
Figure 367059DEST_PATH_IMAGE030
中的无人机，
Figure 293427DEST_PATH_IMAGE038
，
Figure 373378DEST_PATH_IMAGE039
表示任意联盟
Figure 726999DEST_PATH_IMAGE030
的联盟基数大小；
Figure 321929DEST_PATH_IMAGE040
表示无人机
Figure 786408DEST_PATH_IMAGE033
在原联盟
Figure 517604DEST_PATH_IMAGE017
中的权值；
Figure 45056DEST_PATH_IMAGE041
表示由 于无人机
Figure 127281DEST_PATH_IMAGE037
而产生的人工势场对主体无人机
Figure 129872DEST_PATH_IMAGE001
提供的线加速度；
Figure 981153DEST_PATH_IMAGE042
表示由于无人机
Figure 676577DEST_PATH_IMAGE037
而产生的人工涡旋场对主体无人机
Figure 183782DEST_PATH_IMAGE001
提供的角加速度；
S43：原联盟
Figure 786801DEST_PATH_IMAGE017
中任意无人机
Figure 758168DEST_PATH_IMAGE043
的夏普利值
Figure 155652DEST_PATH_IMAGE044
计算公式为：
Figure 415732DEST_PATH_IMAGE045
其中，
Figure 760125DEST_PATH_IMAGE046
为任意联盟
Figure 131806DEST_PATH_IMAGE030
的联盟基数大小；
S44：更新原联盟
Figure 903453DEST_PATH_IMAGE017
中主体无人机
Figure 447567DEST_PATH_IMAGE001
在新联盟
Figure 595651DEST_PATH_IMAGE028
的权值：
Figure 276031DEST_PATH_IMAGE047
S45：更新新联盟
Figure 749738DEST_PATH_IMAGE048
的联盟基数大小
Figure 453252DEST_PATH_IMAGE049
；
S46：最后将共享信息矩阵合并，即更新
Figure 201765DEST_PATH_IMAGE050
。
进一步，步骤S5具体过程如下：
当前时刻，主体无人机
Figure 67477DEST_PATH_IMAGE001
所处原联盟
Figure 977664DEST_PATH_IMAGE017
范围内检测到加入了其他无人机
Figure 434053DEST_PATH_IMAGE016
，由于 无人机
Figure 986258DEST_PATH_IMAGE016
而产生的人工势场对主体无人机
Figure 844492DEST_PATH_IMAGE001
提供的线加速度
Figure 660001DEST_PATH_IMAGE051
如下：
Figure 338107DEST_PATH_IMAGE052
Figure 694002DEST_PATH_IMAGE053
其中，
Figure 203481DEST_PATH_IMAGE054
表示无人机
Figure 723980DEST_PATH_IMAGE016
产生的势场对主体无人机
Figure 686120DEST_PATH_IMAGE001
的作用量；
Figure 517809DEST_PATH_IMAGE055
表示位 于
Figure 85057DEST_PATH_IMAGE056
处的无人机对位于
Figure 242369DEST_PATH_IMAGE012
处的主体无人机
Figure 160646DEST_PATH_IMAGE001
的线性作用量；
Figure 796027DEST_PATH_IMAGE056
表示无人机
Figure 483360DEST_PATH_IMAGE016
的位置，
由所构建的虚拟人工涡旋场对主体无人机
Figure 811573DEST_PATH_IMAGE001
提供的角加速度
Figure 951568DEST_PATH_IMAGE057
如下：
Figure 452956DEST_PATH_IMAGE059
Figure 994796DEST_PATH_IMAGE060
其中，
Figure 228331DEST_PATH_IMAGE061
表示
Figure 855622DEST_PATH_IMAGE016
产生的涡旋场对主体无人机
Figure 632472DEST_PATH_IMAGE001
的作用量；
Figure 28819DEST_PATH_IMAGE062
表示位于
Figure 495572DEST_PATH_IMAGE056
处的无人机
Figure 610159DEST_PATH_IMAGE016
对位于
Figure 125453DEST_PATH_IMAGE012
处的主体无人机
Figure 641885DEST_PATH_IMAGE001
的扭转作用量；
Figure 279540DEST_PATH_IMAGE063
是无人机
Figure 881423DEST_PATH_IMAGE016
的保护区域半径长 度，一旦其他无人机进入无人机
Figure 200409DEST_PATH_IMAGE064
保护区域即认为冲突不可逆转；
Figure 571347DEST_PATH_IMAGE065
为无人机
Figure 583166DEST_PATH_IMAGE016
的可调保护区域，
Figure 406765DEST_PATH_IMAGE066
为斥力涡旋场的影响范围，
结合人工势场与虚拟人工涡旋场，并用权值进行加权处理得到主体无人机
Figure 795021DEST_PATH_IMAGE001
的最 终控制输出量
Figure 808415DEST_PATH_IMAGE013
：
Figure 991134DEST_PATH_IMAGE067
。
进一步，步骤S4中，对于单个无人机，其将对其所处联盟范围内能够检测到的所有其他无人机发出结盟请求，若对方不在任何一个联盟当中，则两者结成联盟关系，否则该无人机加入对方联盟当中。
本发明的有益效果：
1）本发明基于社会博弈行为，对无人机群中各无人机进行差异分化，弥补了虚拟场方法因缺乏个体信息而易陷入局部最优的缺陷，解决了无人机群在复杂环境下协同控制问题；
2）本发明利用夏普利值计算无人机群中各机体对其他机体干扰因子的方法，并结合场方法，使得具有较大干扰因子的机体具有更大的“质量”与更小的“加速度”，从而实现各机体间的智能调控；
3）本发明同时兼具场方法控制量连续平滑与博弈论方法差异性调度的优点，同时也具有可移植性，适用于其它复杂情景下的协同控制问题。
附图说明
图1为本发明的一个无人机群冲突解脱情景中主体联盟内部构成示意图；
图2为本发明的无人机群冲突解脱方法流程图；
图3为本发明的主体无人机
Figure 302030DEST_PATH_IMAGE009
初始状态下的联盟共享信息矩阵；
图4为本发明联盟内不存在其他无人机时的场方法示意图；
图5为本发明的无人机之间结盟逻辑图；
图6为本发明的联盟合并后的共享信息矩阵；
图7为本发明联盟内存在其他无人机时的场方法示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施实例中的附图，对本发明实施中的技术方案进行清楚、完整的描述。
对于无人机群，期望保证各无人机能够安全地从起始地到达目的地，并尽可能地 减少总体的无人机路径损耗，即要求无人机群的总路径长度尽可能短，总耗时尽可能少。为 此，本发明提供了一种无人机群冲突解脱方法，图1所示为一个无人机群冲突解脱情景中主 体联盟内部构成示意图，主体无人机
Figure 759556DEST_PATH_IMAGE009
（
Figure 839508DEST_PATH_IMAGE068
，
Figure 255445DEST_PATH_IMAGE069
表示整体环境中所有无人机 的数量）的可侦测范围用圆形点状阴影范围表示，联盟内部其他无人机（图中除主体无人机
Figure 53637DEST_PATH_IMAGE009
之外的无人机）的可侦测范围均用圆形竖虚线阴影范围表示，主体联盟可侦测范围即为 所有圆形阴影区域的并集，主体无人机
Figure 49275DEST_PATH_IMAGE009
需要在避开所有其他无人机的情况下到达其目 标点
Figure 983733DEST_PATH_IMAGE008
的位置。
应该理解，本文中所述的“主体无人机
Figure 570572DEST_PATH_IMAGE009
”是指整体环境下的任意一架无人机；“主 体联盟”是指“主体无人机
Figure 124569DEST_PATH_IMAGE009
”所属的联盟。
具体地，如图2所示，本发明的无人机群冲突解脱方法包括以下步骤：
S1：初始化运行时间周期T，设置各无人机参数及各联盟参数并进行初始化
对于各无人机，设置需要在其内部存储的重要参数信息包括其位置、其所处联盟 及其对应的目标点位置；而对于各联盟，其需要设置的共享给其联盟成员的参数信息包括 联盟的基数大小、其各成员无人机的位置及各成员无人机对应的权值。初始时刻，主体无人 机
Figure 392739DEST_PATH_IMAGE001
仅凭借自身信息单独构建初始联盟
Figure 447283DEST_PATH_IMAGE070
，设置主体无人机
Figure 939444DEST_PATH_IMAGE001
的位置
Figure 446649DEST_PATH_IMAGE071
及其对应的权值
Figure 518510DEST_PATH_IMAGE072
，初始联盟
Figure 427560DEST_PATH_IMAGE073
的联盟基数大小
Figure 559464DEST_PATH_IMAGE074
。 主体无人机
Figure 350703DEST_PATH_IMAGE009
初始状态下的联盟共享信息矩阵如图3所示，其中仅储存有主体无人机
Figure 226255DEST_PATH_IMAGE009
的参数信息（联盟信息共享矩阵的列数为联盟内的无人机数目，因此此处仅有一列），第一 行为主体无人机
Figure 255391DEST_PATH_IMAGE009
的序号信息，第二行为主体无人机
Figure 292617DEST_PATH_IMAGE009
的位置信息，第三行为主体无人 机
Figure 39993DEST_PATH_IMAGE009
在联盟内的权值信息。
S2：根据场方法计算初始时刻各无人机基本控制量，并结合基本控制量与权值计算出各无人机的最终控制输出量，对各无人机进行控制输出。
初始时刻，主体无人机
Figure 453657DEST_PATH_IMAGE001
侦测范围内视为无其他无人机，如图4所示，仅依赖其目 标点
Figure 74650DEST_PATH_IMAGE004
与主体无人机
Figure 282777DEST_PATH_IMAGE001
的距离计算出主体无人机
Figure 48608DEST_PATH_IMAGE001
的基本控制量：
Figure 265962DEST_PATH_IMAGE005
Figure 4111DEST_PATH_IMAGE006
其中，
Figure 383140DEST_PATH_IMAGE007
表示目标点
Figure 839529DEST_PATH_IMAGE004
对主体无人机
Figure 391733DEST_PATH_IMAGE001
的作用量（势场）；
Figure 984389DEST_PATH_IMAGE010
表示目标点
Figure 596635DEST_PATH_IMAGE004
的 位置；
Figure 274741DEST_PATH_IMAGE011
表示位于
Figure 833899DEST_PATH_IMAGE010
处的目标点
Figure 281061DEST_PATH_IMAGE004
对位于
Figure 67139DEST_PATH_IMAGE012
处的主体无人机
Figure 498120DEST_PATH_IMAGE001
的线性作用量；
Figure 595389DEST_PATH_IMAGE013
表示主体无人机
Figure 897057DEST_PATH_IMAGE001
的最终控制输出量；
Figure 851107DEST_PATH_IMAGE014
表示由目标点
Figure 503805DEST_PATH_IMAGE004
对主体无人机
Figure 404765DEST_PATH_IMAGE001
的作用量 （引力）产生的加速度。
S3: 判断在主体无人机
Figure 92098DEST_PATH_IMAGE001
所处原联盟范围内能否检测到新出现的其他无人机；若 检测到其他无人机，则进行步骤S4，若未检测到其他无人机，则执行步骤S6。
S4: 当前时刻在主体无人机
Figure 154732DEST_PATH_IMAGE001
所处原联盟范围内检测到新出现其他无人机
Figure 294726DEST_PATH_IMAGE016
（定 义无人机
Figure 733798DEST_PATH_IMAGE075
所处联盟
Figure 72375DEST_PATH_IMAGE076
）时，将主体无人机
Figure 571490DEST_PATH_IMAGE009
和无人机
Figure 760350DEST_PATH_IMAGE016
双方联盟进行合并，其中，主体 无人机
Figure 268691DEST_PATH_IMAGE001
所处原联盟
Figure 665038DEST_PATH_IMAGE017
的联盟基数大小
Figure 335053DEST_PATH_IMAGE018
，无人机
Figure 715219DEST_PATH_IMAGE016
所处联盟
Figure 558410DEST_PATH_IMAGE019
的联盟基数大 小
Figure 74842DEST_PATH_IMAGE020
，设在当前时刻
Figure 650180DEST_PATH_IMAGE021
时，主体无人机
Figure 986483DEST_PATH_IMAGE001
所处原联盟
Figure 367786DEST_PATH_IMAGE017
在其范围内新检测到无人 机联盟集合为
Figure 738725DEST_PATH_IMAGE022
，
Figure 750543DEST_PATH_IMAGE023
为原联盟
Figure 574143DEST_PATH_IMAGE015
检测到的其他联盟，
Figure 699749DEST_PATH_IMAGE024
， 设
Figure 987511DEST_PATH_IMAGE025
，则
Figure 170231DEST_PATH_IMAGE026
。应该注意的是，对于检测本身而 言，要检测到无人机
Figure 481126DEST_PATH_IMAGE075
还是检测到联盟
Figure 141915DEST_PATH_IMAGE077
是等效的（通过通信可以让无人机
Figure 284183DEST_PATH_IMAGE016
传递联盟
Figure 637804DEST_PATH_IMAGE019
信息）；这里用无人机联盟集合而不是无人机集合，是为了防止联盟
Figure 170416DEST_PATH_IMAGE019
重复加入，因为一 个联盟内可能有多架无人机，若多架无人机同时被主体无人机联盟检测到，则可能出现重 复。
无人机之间结盟逻辑如图5所示。若主体无人机的联盟当中只有它自身，即其为独立无人机，则其将对侦测区域内的所有其他无人机发出结盟请求，若侦测到的目标无人机也是独立无人机，则两者结成联盟关系，否则主体无人机加入目标无人机联盟当中；若主体无人机不是独立无人机，则其将对整体联盟的可侦测区域内发现的所有其他无人机发出请求结盟，若侦测到的目标无人机是独立无人机，则让目标无人机加入主体无人机的联盟当中，否则让双方联盟进行合并操作。
当前时刻，主体无人机
Figure 697213DEST_PATH_IMAGE001
所处原联盟
Figure 631671DEST_PATH_IMAGE017
的联盟基数大小
Figure 952931DEST_PATH_IMAGE018
，无人机
Figure 972839DEST_PATH_IMAGE016
所 处联盟
Figure 509518DEST_PATH_IMAGE019
的联盟基数大小
Figure 564062DEST_PATH_IMAGE020
，设
Figure 56223DEST_PATH_IMAGE027
，则将联盟
Figure 829007DEST_PATH_IMAGE019
合并入原联盟
Figure 900868DEST_PATH_IMAGE017
，形成 新联盟
Figure 809919DEST_PATH_IMAGE028
，接着利用夏普利值法更新联盟
Figure 676243DEST_PATH_IMAGE028
中各无人机的权值。基于夏普利值法 来对联盟内无人机权值更新的思路是：对于联盟内部的无人机，若一架无人机的航迹策略 变动对其他无人机影响较大，则赋予其更大权值（干扰因子），反之则赋予较小权值；而权值 大的无人机在通过场方法计算控制输出量的过程中会相对权值小的无人机不容易发生航 迹变化。
具体合并操作包括如下子步骤：
S41：设置联盟
Figure 670744DEST_PATH_IMAGE019
中无人机
Figure 546296DEST_PATH_IMAGE016
在新的联盟
Figure 309853DEST_PATH_IMAGE028
中的权值
Figure 409396DEST_PATH_IMAGE029
；
S42：原联盟
Figure 891193DEST_PATH_IMAGE017
中各无人机对任意联盟
Figure 304857DEST_PATH_IMAGE030
的边际贡献
Figure 188499DEST_PATH_IMAGE031
计算公式为：
Figure 399556DEST_PATH_IMAGE078
其中，
Figure 368649DEST_PATH_IMAGE033
表示原联盟
Figure 586004DEST_PATH_IMAGE017
中的任意无人机，
Figure 324153DEST_PATH_IMAGE034
；
Figure 968761DEST_PATH_IMAGE035
表征不包含无人机
Figure 221888DEST_PATH_IMAGE033
的任意联盟
Figure 711775DEST_PATH_IMAGE030
内部各无人机的相互作用，这里的
Figure 366747DEST_PATH_IMAGE035
只是一种符号表示，并不需要计 算；
Figure 916677DEST_PATH_IMAGE036
表征不包含
Figure 860362DEST_PATH_IMAGE033
的任意联盟
Figure 153940DEST_PATH_IMAGE030
中加入
Figure 866682DEST_PATH_IMAGE033
后联盟内部各无人机的相互作用；
Figure 853092DEST_PATH_IMAGE037
表示任意联盟
Figure 806443DEST_PATH_IMAGE030
中的无人机，
Figure 638133DEST_PATH_IMAGE038
，
Figure 267697DEST_PATH_IMAGE039
表示任意联盟
Figure 425009DEST_PATH_IMAGE030
的联盟基数大小；
Figure 812128DEST_PATH_IMAGE040
表 示无人机
Figure 713088DEST_PATH_IMAGE033
在原联盟
Figure 197159DEST_PATH_IMAGE017
中的权值；
Figure 259793DEST_PATH_IMAGE041
表示由于无人机
Figure 196525DEST_PATH_IMAGE037
而产生的人工势场对主体无人 机
Figure 370017DEST_PATH_IMAGE001
提供的线加速度；
Figure 911857DEST_PATH_IMAGE042
表示由于无人机
Figure 410971DEST_PATH_IMAGE037
而产生的人工涡旋场对主体无人机
Figure 38262DEST_PATH_IMAGE001
提供 的角加速度。
S43：原联盟
Figure 815112DEST_PATH_IMAGE017
中各无人机的夏普利值
Figure 8196DEST_PATH_IMAGE044
计算公式为：
Figure 678212DEST_PATH_IMAGE045
S44：更新原联盟
Figure 527219DEST_PATH_IMAGE017
中主体无人机
Figure 370410DEST_PATH_IMAGE001
在新联盟
Figure 621263DEST_PATH_IMAGE028
的权值：
Figure 196601DEST_PATH_IMAGE047
S45：更新新联盟
Figure 595221DEST_PATH_IMAGE048
的联盟基数大小
Figure 179786DEST_PATH_IMAGE049
；
S46：最后将共享信息矩阵合并，即更新新联盟
Figure 550725DEST_PATH_IMAGE050
，联盟合并后的 共享信息矩阵如图6所示，此时联盟信息共享矩阵的列数即为联盟内的无人机数目，第一行 储存联盟内无人机（包括主体无人机
Figure 296964DEST_PATH_IMAGE009
和无人机
Figure 386143DEST_PATH_IMAGE075
）的序号信息，第二行储存联盟内无人 机的位置信息，第三行储存联盟内各无人机在联盟内的权值信息。
S5：根据场方法计算当前时刻主体无人机
Figure 308487DEST_PATH_IMAGE001
的基本控制量，并结合主体无人机对 应的权值计算出主体无人机的最终控制输出量；
在后续飞行过程中，在主体无人机
Figure 737194DEST_PATH_IMAGE001
所处联盟与其他无人机
Figure 185493DEST_PATH_IMAGE016
所处联盟合并后， 则需要根据无人机
Figure 293126DEST_PATH_IMAGE001
对应的目标点以及其侦测区内已知的物体来构建虚拟力场，图7示出 了联盟内存在其他无人机时的场方法示意图。具体地，通过目标点以及侦测区内其他个体 来构建虚拟人工势场以计算各无人机的线速度，如图7中实线所示；通过侦测区内其他个体 来构建虚拟人工涡旋场以计算各无人机的角加速度，如图7中虚线所示，并在初始化时统一 涡旋场方向（如顺时针方向）以避免各无人机机体发生碰撞。依此方法可得到当前时刻各无 人机的基本控制量。
其中，由于无人机
Figure 219494DEST_PATH_IMAGE016
而产生的人工势场对主体无人机
Figure 299446DEST_PATH_IMAGE001
提供的线加速度
Figure 449804DEST_PATH_IMAGE051
计算 公式可如下：
Figure 247996DEST_PATH_IMAGE079
Figure 978055DEST_PATH_IMAGE053
其中，
Figure 912512DEST_PATH_IMAGE056
表示无人机
Figure 437035DEST_PATH_IMAGE016
的位置；
Figure 722523DEST_PATH_IMAGE054
表示无人机
Figure 787431DEST_PATH_IMAGE016
产生的势场对主体无人机
Figure 844904DEST_PATH_IMAGE001
的 作用量；
Figure 805907DEST_PATH_IMAGE055
表示位于
Figure 313111DEST_PATH_IMAGE056
处的无人机
Figure 119393DEST_PATH_IMAGE016
对位于
Figure 294023DEST_PATH_IMAGE012
处的主体无人机
Figure 691506DEST_PATH_IMAGE001
的线性作用量。
由所构建的虚拟人工涡旋场对主体无人机
Figure 951586DEST_PATH_IMAGE001
提供的角加速度
Figure 561559DEST_PATH_IMAGE057
计算公式可如 下：
Figure 387433DEST_PATH_IMAGE080
Figure 690238DEST_PATH_IMAGE060
其中，
Figure 906456DEST_PATH_IMAGE061
表示无人机
Figure 116857DEST_PATH_IMAGE016
产生的涡旋场对主体无人机
Figure 734920DEST_PATH_IMAGE001
的作用量；
Figure 754434DEST_PATH_IMAGE081
表示 位于
Figure 723527DEST_PATH_IMAGE056
处的无人机
Figure 472040DEST_PATH_IMAGE016
对位于
Figure 475768DEST_PATH_IMAGE012
处主体无人机
Figure 854797DEST_PATH_IMAGE001
的扭转作用量；
Figure 311186DEST_PATH_IMAGE063
是无人机
Figure 863390DEST_PATH_IMAGE016
的保护区域 半径长度，一旦其他无人机进入无人机
Figure 190466DEST_PATH_IMAGE016
的保护区域即认为冲突不可逆转；
Figure 537134DEST_PATH_IMAGE065
则 为无人机
Figure 277557DEST_PATH_IMAGE016
的可调保护区域，
Figure 571135DEST_PATH_IMAGE066
可视为斥力涡旋场的影响范围。
结合势场与涡旋场，并用权值进行加权处理可得主体无人机
Figure 286806DEST_PATH_IMAGE001
的最终控制输出量
Figure 7637DEST_PATH_IMAGE013
如下式所示：
Figure 969777DEST_PATH_IMAGE067
。
S6：判断主体无人机
Figure 67046DEST_PATH_IMAGE001
是否到达目标点
Figure 899872DEST_PATH_IMAGE004
；若未到达目标点
Figure 588343DEST_PATH_IMAGE004
处，则经过在初 始时刻设置的运行时间周期T后返回执行步骤S3，否则继续执行步骤S7。
S7：主体无人机
Figure 506620DEST_PATH_IMAGE001
到达目标点
Figure 407580DEST_PATH_IMAGE004
，任务完成，将其从其所处联盟中移除，当无人机 群中的所有无人机均被移除之后，无人机群冲突解脱任务完成。
本发明重点关注了无人机群的协同控制问题，从无人机群协同工作时的安全与效率出发，开展了无人机群控制方法研究。本发明充分利用了联盟内部信息，并从博弈论方法的角度对场方法易陷入局部最优的缺陷进行了补正，对空域内存在大量无人机的集群控制问题有较好的处理能力，为无人机群协同工作时的冲突解脱问题提供了一种有效而稳定的解决方案。因此，本发明对于无人机群运行的效率、协同工作的稳定及工作场景的推广具有重要的现实意义。
对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以对本发明的实施例做出若干变型和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种无人机群冲突解脱方法，其特征在于，包括如下步骤：
S1：初始化运行时间周期T，同时初始化各无人机参数及各联盟参数，使各无人机各自构建联盟，设置各无人机位置、各无人机所处联盟、各无人机对应的权值以及对应的目标点位置；
S2：根据场方法计算初始时刻主体无人机的基本控制量，并结合所述主体无人机对应的权值计算出所述主体无人机的最终控制输出量；
S3：判断所述主体无人机所处联盟范围内能否检测到新出现的其他无人机，若检测到所述其他无人机，则进行步骤S4，若未检测到所述其他无人机，则执行步骤S6；
S4：若检测到的所述其他无人机不在任何一个联盟当中，则所述其他无人机加入所述主体无人机所处联盟，否则将所述主体无人机和所述其他无人机双方联盟合并；具体过程如下：
若所述主体无人机的联盟当中只有它自身，即其为独立无人机，则其将对侦测区域内的所有其他无人机发出结盟请求，若检测到的其他无人机也是独立无人机，则两者结成联盟关系，否则所述主体无人机加入所述其他无人机所处联盟当中；若所述主体无人机不是独立无人机，则其将对整体联盟的可侦测区域内发现的所有其他无人机发出结盟请求，若检测到的其他无人机是独立无人机，则让所述其他无人机加入所述主体无人机的联盟当中，否则将所述主体无人机和所述其他无人机双方联盟合并，具体过程如下：
当前时刻在主体无人机
Figure 190487DEST_PATH_IMAGE001
所处原联盟
Figure 373207DEST_PATH_IMAGE002
范围内检测到新出现其他无人机
Figure 418523DEST_PATH_IMAGE003
时，将所述主体无人机
Figure 79312DEST_PATH_IMAGE001
和所述无人机
Figure 159263DEST_PATH_IMAGE004
双方联盟进行合并，其中，所述主体无人机
Figure 247305DEST_PATH_IMAGE001
所处原联盟
Figure 779917DEST_PATH_IMAGE005
的联盟基数大小
Figure 742932DEST_PATH_IMAGE006
，所述无人机
Figure 677390DEST_PATH_IMAGE004
所处联盟
Figure 936333DEST_PATH_IMAGE007
的联盟基数大小
Figure 956241DEST_PATH_IMAGE008
，设在当前时刻t时，所述主体无人机
Figure 958833DEST_PATH_IMAGE001
所处原联盟
Figure 747797DEST_PATH_IMAGE002
在其范围内新检测到无人机联盟集合为
Figure 443220DEST_PATH_IMAGE009
，
Figure 950425DEST_PATH_IMAGE010
为所述原联盟
Figure 491128DEST_PATH_IMAGE002
检测到的其他联盟，
Figure 400178DEST_PATH_IMAGE011
，M表示整体环境中所有无人机的数量，设无人机联盟集合
Figure 735345DEST_PATH_IMAGE012
的联盟基数大小
Figure 729845DEST_PATH_IMAGE013
，则
Figure 339818DEST_PATH_IMAGE014
，
设
Figure 103375DEST_PATH_IMAGE015
，则将所述联盟
Figure 140601DEST_PATH_IMAGE007
合并入所述原联盟
Figure 356819DEST_PATH_IMAGE002
，形成新联盟
Figure 6368DEST_PATH_IMAGE016
，接着利用夏普利值法更新所述新联盟
Figure 624431DEST_PATH_IMAGE016
中各无人机的权值，具体合并操作包括如下子步骤：
S41：设置所述联盟
Figure 832559DEST_PATH_IMAGE007
中所述无人机
Figure 536073DEST_PATH_IMAGE004
在所述新联盟
Figure 222269DEST_PATH_IMAGE016
中的权值
Figure 960418DEST_PATH_IMAGE017
；
S42：所述原联盟
Figure 339446DEST_PATH_IMAGE002
中各无人机对任意联盟
Figure 530256DEST_PATH_IMAGE018
的边际贡献
Figure 20144DEST_PATH_IMAGE019
计算公式为：
Figure 347220DEST_PATH_IMAGE020
其中，
Figure 897150DEST_PATH_IMAGE021
表示所述原联盟
Figure 575256DEST_PATH_IMAGE002
中的任意无人机，
Figure 868834DEST_PATH_IMAGE022
；
Figure 315996DEST_PATH_IMAGE023
表征不包含
Figure 771248DEST_PATH_IMAGE021
的任意联盟
Figure 671071DEST_PATH_IMAGE018
内部各无人机的相互作用；
Figure 502760DEST_PATH_IMAGE024
表征不包含
Figure 574403DEST_PATH_IMAGE021
的任意联盟
Figure 200556DEST_PATH_IMAGE018
中加入
Figure 853254DEST_PATH_IMAGE021
后联盟内部各无人机的相互作用；
Figure 488635DEST_PATH_IMAGE025
表示任意联盟
Figure 441547DEST_PATH_IMAGE018
中的无人机，
Figure 504181DEST_PATH_IMAGE026
，N表示任意联盟
Figure 378596DEST_PATH_IMAGE018
的联盟基数大小；
Figure 817668DEST_PATH_IMAGE027
表示无人机
Figure 828349DEST_PATH_IMAGE021
在原联盟
Figure 327464DEST_PATH_IMAGE002
中的权值；
Figure 689175DEST_PATH_IMAGE028
表示由于无人机
Figure 400779DEST_PATH_IMAGE025
而产生的人工势场对所述主体无人机
Figure 531546DEST_PATH_IMAGE001
提供的线加速度；
Figure 703027DEST_PATH_IMAGE029
表示由于无人机
Figure 552034DEST_PATH_IMAGE025
而产生的人工涡旋场对所述主体无人机
Figure 801750DEST_PATH_IMAGE001
提供的角加速度；
S43：所述原联盟
Figure 52602DEST_PATH_IMAGE002
中任意无人机
Figure 627940DEST_PATH_IMAGE021
，
Figure 964244DEST_PATH_IMAGE022
的夏普利值
Figure 283230DEST_PATH_IMAGE030
计算公式为：
Figure 388589DEST_PATH_IMAGE031
其中，
Figure 400407DEST_PATH_IMAGE032
为任意联盟
Figure 692848DEST_PATH_IMAGE018
的联盟基数大小；
S44：更新所述原联盟
Figure 815525DEST_PATH_IMAGE002
中所述主体无人机
Figure 775391DEST_PATH_IMAGE001
在所述新联盟
Figure 692531DEST_PATH_IMAGE016
的权值：
Figure 3427DEST_PATH_IMAGE033
S45：更新所述新联盟
Figure 664215DEST_PATH_IMAGE016
的联盟基数大小
Figure 478588DEST_PATH_IMAGE034
；
S46：最后将共享信息矩阵合并，即更新
Figure 832209DEST_PATH_IMAGE035
；
S5：根据场方法计算当前时刻所述主体无人机的基本控制量，并结合所述主体无人机对应的权值计算出所述主体无人机的最终控制输出量；
S6：判断所述主体无人机是否到达对应目标点；若未到达则经过时间周期T后返回执行步骤S3，否则继续执行步骤S7；
S7：所述主体无人机任务完成，将所述主体无人机从其所处联盟中移除，当所有无人机均被移除之后，无人机群冲突解脱任务完成。
2.根据权利要求1所述的方法，其特征在于，步骤S2具体过程如下：
初始时刻，主体无人机
Figure 863356DEST_PATH_IMAGE036
侦测范围内视为无其他无人机，
Figure 327836DEST_PATH_IMAGE037
，M表示整体环境中所有无人机的数量，根据主体无人机
Figure 996714DEST_PATH_IMAGE036
对应的目标点
Figure 521237DEST_PATH_IMAGE038
与主体无人机
Figure 541145DEST_PATH_IMAGE036
的距离计算主体无人机
Figure 543736DEST_PATH_IMAGE036
的基本控制量：
Figure 332701DEST_PATH_IMAGE039
Figure 28124DEST_PATH_IMAGE040
其中，
Figure 269750DEST_PATH_IMAGE041
表示目标点
Figure 76032DEST_PATH_IMAGE038
对主体无人机
Figure 985082DEST_PATH_IMAGE036
的作用量；
Figure 585827DEST_PATH_IMAGE042
表示目标点
Figure 580328DEST_PATH_IMAGE038
的位置；
Figure 924722DEST_PATH_IMAGE043
表示位于
Figure 688279DEST_PATH_IMAGE042
处的目标点
Figure 459926DEST_PATH_IMAGE038
对位于
Figure 443187DEST_PATH_IMAGE044
处主体无人机
Figure 591272DEST_PATH_IMAGE036
的线性作用量；
Figure 209335DEST_PATH_IMAGE045
表示主体无人机
Figure 417462DEST_PATH_IMAGE036
的最终控制输出量；
Figure 120976DEST_PATH_IMAGE046
表示由目标点
Figure 807173DEST_PATH_IMAGE038
对主体无人机
Figure 545321DEST_PATH_IMAGE036
的作用量产生的加速度。
3.根据权利要求1所述的方法，其特征在于，步骤S5具体过程如下：
当前时刻，主体无人机
Figure 658771DEST_PATH_IMAGE036
和无人机
Figure 849581DEST_PATH_IMAGE004
双方联盟进行合并之后，根据场方法计算当前时刻主体无人机
Figure 339468DEST_PATH_IMAGE036
的基本控制量，由于无人机
Figure 932123DEST_PATH_IMAGE004
而产生的人工势场对主体无人机
Figure 482053DEST_PATH_IMAGE036
提供的线加速度
Figure 160159DEST_PATH_IMAGE047
如下：
Figure 188158DEST_PATH_IMAGE048
Figure 369741DEST_PATH_IMAGE049
其中，
Figure 90572DEST_PATH_IMAGE050
表示无人机
Figure 255974DEST_PATH_IMAGE051
产生的势场对主体无人机
Figure 845919DEST_PATH_IMAGE036
的作用量；
Figure 147587DEST_PATH_IMAGE052
表示位于
Figure 773741DEST_PATH_IMAGE053
处的无人机
Figure 426439DEST_PATH_IMAGE054
对位于
Figure 796241DEST_PATH_IMAGE055
处的主体无人机
Figure 217995DEST_PATH_IMAGE036
的线性作用量；
Figure 280629DEST_PATH_IMAGE053
表示无人机
Figure 155044DEST_PATH_IMAGE054
的位置，
由无人机
Figure 594115DEST_PATH_IMAGE054
产生的涡旋场对主体无人机
Figure 870376DEST_PATH_IMAGE036
提供的角加速度
Figure 103911DEST_PATH_IMAGE056
如下：
Figure 200043DEST_PATH_IMAGE057
Figure 177226DEST_PATH_IMAGE058
其中，
Figure 573573DEST_PATH_IMAGE059
表示无人机
Figure 978009DEST_PATH_IMAGE054
产生的涡旋场对主体无人机
Figure 827016DEST_PATH_IMAGE036
的作用量；
Figure 843776DEST_PATH_IMAGE060
表示位于
Figure 94629DEST_PATH_IMAGE053
处的无人机
Figure 669967DEST_PATH_IMAGE054
对位于
Figure 740691DEST_PATH_IMAGE055
处主体无人机
Figure 59677DEST_PATH_IMAGE036
的扭转作用量；
Figure 165036DEST_PATH_IMAGE061
是无人机
Figure 911275DEST_PATH_IMAGE054
的保护区域半径长度，一旦其他无人机进入无人机
Figure 734875DEST_PATH_IMAGE054
的保护区域即认为冲突不可逆转；
Figure 857552DEST_PATH_IMAGE062
为无人机
Figure 551838DEST_PATH_IMAGE054
的可调保护区域，
Figure 468979DEST_PATH_IMAGE063
为斥力涡旋场的影响范围，
结合人工势场与虚拟人工涡旋场，并用权值进行加权处理得到主体无人机
Figure 779874DEST_PATH_IMAGE036
的最终控制输出量
Figure 440663DEST_PATH_IMAGE064
：
Figure 255035DEST_PATH_IMAGE065
其中，
Figure 608656DEST_PATH_IMAGE046
表示由目标点
Figure 141268DEST_PATH_IMAGE038
对主体无人机
Figure 340168DEST_PATH_IMAGE036
的作用量产生的加速度。
4.根据权利要求1所述的方法，其特征在于，步骤S4中，对于单个无人机，其将对其所处联盟范围内能够检测到的所有其他无人机发出结盟请求，若对方不在任何一个联盟当中，则两者结成联盟关系，否则所述单个无人机加入对方联盟当中。
CN202010374786.9A 2020-05-07 2020-05-07 一种无人机群冲突解脱方法 Active CN111273697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010374786.9A CN111273697B (zh) 2020-05-07 2020-05-07 一种无人机群冲突解脱方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010374786.9A CN111273697B (zh) 2020-05-07 2020-05-07 一种无人机群冲突解脱方法

Publications (2)

Publication Number Publication Date
CN111273697A CN111273697A (zh) 2020-06-12
CN111273697B true CN111273697B (zh) 2020-08-11

Family

ID=70999491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010374786.9A Active CN111273697B (zh) 2020-05-07 2020-05-07 一种无人机群冲突解脱方法

Country Status (1)

Country Link
CN (1) CN111273697B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240066B (zh) * 2021-05-14 2023-01-13 中国民航大学 一种基于Shapley值的改进蚁群算法的无人机冲突解脱方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109191923A (zh) * 2018-09-25 2019-01-11 中国人民解放军国防科技大学 一种无人机飞行冲突解脱方法及解脱系统
WO2019099343A1 (en) * 2017-11-14 2019-05-23 Interdigital Patent Holdings, Inc. Distributed detect and avoid for unmanned vehicles
WO2019122842A1 (en) * 2017-12-21 2019-06-27 AV8OR IP Limited Autonomous unmanned aerial vehicle and method of control thereof
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
WO2019099343A1 (en) * 2017-11-14 2019-05-23 Interdigital Patent Holdings, Inc. Distributed detect and avoid for unmanned vehicles
WO2019122842A1 (en) * 2017-12-21 2019-06-27 AV8OR IP Limited Autonomous unmanned aerial vehicle and method of control thereof
CN109191923A (zh) * 2018-09-25 2019-01-11 中国人民解放军国防科技大学 一种无人机飞行冲突解脱方法及解脱系统
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Satisficing Conflict Resolution Approach for Multiple UAVs;Li, Yumeng 等;《IEEE INTERNET OF THINGS JOURNAL》;20190430;第6卷(第2期);1866-1878 *
一种改进蚁群算法的无人机避险方法仿真研究;吴学礼 等;《河北科技大学学报》;20180430;第39卷(第02期);166-175 *
基于路径规划的无人机飞行冲突解脱技术;魏潇龙 等;《火力与指挥控制》;20161031;第41卷(第10期);48-54,58 *

Also Published As

Publication number Publication date
CN111273697A (zh) 2020-06-12

Similar Documents

Publication Publication Date Title
Duan et al. Dynamic discrete pigeon-inspired optimization for multi-UAV cooperative search-attack mission planning
Wu et al. Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm
CN110007688B (zh) 一种基于强化学习的无人机集群分布式编队方法
CN106705970B (zh) 一种基于蚁群算法的多无人机协同路径规划方法
CN108549233B (zh) 一种带有直觉模糊信息的无人机空战机动博弈方法
CN111722643B (zh) 仿狼群合作狩猎机制的无人机集群动态任务分配方法
CN112180967B (zh) 基于评判-执行架构的多无人机协同对抗决策方法
CN114185362B (zh) 一种基于郊狼信息熵的无人机集群任务动态分配方法
CN113095481A (zh) 一种基于并行自我博弈的空战机动方法
CN112269396A (zh) 一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法
CN112198892B (zh) 一种多无人机智能协同突防对抗方法
CN106647744A (zh) 一种机器人路径规划方法及装置
Liu et al. Sliding mode control of multi-agent system with application to UAV air combat
CN111813144B (zh) 一种基于改进羊群算法的多无人机协同航路规划方法
CN101188025A (zh) 一种高效实时的群体动画框架
Zhang et al. Research on autonomous maneuvering decision of UCAV based on deep reinforcement learning
CN109857117A (zh) 一种基于分布式模式匹配的无人艇集群编队方法
CN111273697B (zh) 一种无人机群冲突解脱方法
CN115494873A (zh) 时序约束下一种基于蒙特卡洛树搜索架构的异构多无人机协同任务分配方法
Yang et al. Three-dimensional UAV cooperative path planning based on the MP-CGWO algorithm
Yuan et al. Distributed game strategy for unmanned aerial vehicle formation with external disturbances and obstacles
CN113625767A (zh) 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法
Price et al. GA directed self-organized search and attack UAV swarms
CN115903885B (zh) 一种基于任务牵引的蜂群Agent模型的无人机飞控方法
CN109544082A (zh) 一种用于数字化战场对抗的系统和方法

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