CN111580545A - 一种异构无人机集群分布式时空协调控制方法 - Google Patents
一种异构无人机集群分布式时空协调控制方法 Download PDFInfo
- Publication number
- CN111580545A CN111580545A CN202010216706.7A CN202010216706A CN111580545A CN 111580545 A CN111580545 A CN 111580545A CN 202010216706 A CN202010216706 A CN 202010216706A CN 111580545 A CN111580545 A CN 111580545A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- uav
- coordinator
- expected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000006870 function Effects 0.000 claims abstract description 47
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 39
- 238000004891 communication Methods 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000005096 rolling process Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 56
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000007480 spreading Effects 0.000 claims description 6
- 238000003892 spreading Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 239000002245 particle Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001960 triggered 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
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
本发明公开了一种异构无人机集群分布式时空协调控制方法,将集群内个体划分为领航者、协调者和跟随者,由不同任务角色产生不同功能形成异构无人机集群,进一步建立了异构集群无人机分布式时空协调控制框架,设计了异构无人机集群的协调机制,并根据角色功能分别设计代价函数,将协调控制问题转化为滚动时域优化问题,进而采用群体智能优化算法进行求解,以实现集群无人机形成并保持期望队形。本发明设计的协调机制决定不同角色和个体之间的从属关系和期望相对位置关系,限定信息交互的对象和内容,从而实现机间高效的通信和运动协调作用,支持了集群的可扩展性。
Description
技术领域
本发明属于异构集群无人机协调控制技术领域,尤其涉及一种面向集群无人机队形生成与保持的多任务角色切换机制和分布式时空协调控制方法。
背景技术
集群往往是指大规模有限智能个体之间通过局部交互实现群体智能涌现的一种组织形式。其中,“大规模”说明个体数量之庞大;“有限智能个体”一方面强调了个体具有一定的自主能力从而体现其智能性,另一方面也说明个体只遵循简单的行为规则且单凭个体能力不足以独立完成复杂任务;“局部交互”说明个体只能获得与之相邻的其他个体和环境的信息;“群体智能涌现”则是指通过个体之间的相互作用实现整体能力大于个体能力之和的效果。在自然界中,鸟群、鱼群、蚁群、蜂群等生物群体都可以看作集群,且生物的集群运动往往能获取最大群体优势。研究者们通过观察和模拟生物集群行为,总结出集群具有可扩展性好、灵活性高和鲁棒性强等特点。受自然界生物集群的启发,Beni等人在1993年提出了集群智能(Swarm Intelligence)的概念,并将其作为一种人工智能模式引入到传统的多个体系统中拓展为大规模集群系统,引起了众多研究者们的关注。
无人机是可进行远程控制或自主控制装置操纵的、具有特定任务导向性的非载人飞行器,旨在减少飞行员的牺牲并突破有人机的限制去完成更加复杂的任务。近年来,无人机所执行任务的复杂程度不断增加,应用的领域不断拓展,特别是高度对抗性、高度不确定性、高度动态性的战场环境和多元化、信息化的作战模式促使无人机系统向着集群化、自主化和智能化的方向发展。因此,集群无人机通常是由大规模的具有一定自主能力的同构/异构小型无人机构成,集群中不存在中心控制且个体往往只能进行局部的感知和通信。由于引入集群智能的自组织机制和分布式架构,将使得具备自主能力的大规模集群无人机能够在没有集中控制的情况下通过相互信息交互产生整体效应,实现较高程度的自主协作,从而能在尽量少的人的干预下完成预期任务,体现其“数量提升能力、成本创造优势、整体大于部分之和”的意义。
集群无人机领域的关键技术包括集群通信组网、协同感知与态势共享、协同任务分配与决策、集群运动控制等。其中,集群运动控制是直接作用于集群无人机的重要环节,可进一步分为有定形的编队控制和无定形的群集控制。无人机编队控制旨在使众多无人机达到期望的约束状态,往往是某种特定的几何形状;而群集控制则侧重于使得集群无人机保持一种聚集且不相互碰撞的状态,个体之间的相对位置关系没有严格的限制。目前,集群无人机运动控制的主要方法有:领航跟随法、人工势场法、一致性协议法和基于行为法等。其中,领航跟随法是在无人机集群中指定一个或多个领航者,其他均为跟随者,群体的运动通过对领航者状态信息的共享而实现,进而可以通过对领航者的控制实现对整个集群的控制。传统的领航跟随法往往没有精确的队形反馈,如果领航者出现故障会导致集群的混乱,鲁棒性有待提高。此外,当需要进行全局通信时与集中式控制相似,计算量较大,不利于群体的扩展。
发明内容
为了解决上述已有技术存在的不足,本发明提出一种异构无人机集群分布式时空协调控制方法,本发明的具体技术方案如下:
一种异构无人机集群分布式时空协调控制方法,其特征在于,包括以下步骤:
S1:通过角色和功能分划形成异构无人机集群;
设期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,对无人机集群进行角色划分,分别为领航者、协调者和跟随者,设存在一个虚拟引导点,以一定速度向目标区域运动,领航者的功能为跟随虚拟引导点,间接引导无人机集群进行同样的追随;协调者的功能为协调其周围的邻机向着以自身为几何中心的正六边形的相应顶点运动;跟随者是以在自己的邻机中找到协调者为目标,并根据协调者分配的期望相对位置信息指导自身的运动;
领航者既从属于虚拟引导点也从属于协调者,跟随者从属于某一个协调者,两个协调者之间地位等同不存在从属关系,无人机的角色在初始时设定并根据协调机制在运动过程中进行调整;
S2:设计异构无人机集群的机间协调机制;
S2-1:定义邻机;
设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},第i架无人机记为UAVi,与其建立通信的无人机为UAVi的邻机,无人机的最大通信距离为Dcm,其通信范围是以自身为圆心、Dcm为半径的圆;在t时刻,UAVi的位置向量为pi(t)=[xi(t),yi(t)]T,其中,xi(t)为UAVi的横坐标,yi(t)为UAVi的纵坐标,若满足||pi(t)-pj(t)||≤Dcm,其中,pj(t)为UAVj的位置向量,V为无人机集群的集合,则第j架无人机UAVj在t时刻是UAVi的邻机,若UAVj是UAVi的邻机,则UAVi也必定是UAVj的邻机,二者能够进一步协调的前提是二者互为邻机;
S2-2:定义协调者邻机的期望相对位置;
期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,期望每架无人机与其周围的邻机都保持相等的期望机间距离,设这一相等的期望机间距离为Ds,且等边三角形作为期望队形中空间拓扑单元的几何形状限制了每架无人机的邻机最大个数M=6,以协调者UAVi自身位置为圆心、Ds为半径的圆周上的6个等分点即为其邻机的期望相对位置,且按逆时针确定位置的序号,协调者将其邻机与各个期望相对位置一一对应;
S2-3:确定异构无人机集群的机间协调机制:
S2-3-1:当协调者UAVi与无人机X成为邻机后,无论X是何角色,UAVi需根据就近原则将某个期望相对位置分配给X,并记录期望相对位置的分配情况;
S2-3-2:当跟随者UAVj与无人机Y成为邻机后,若Y为协调者,则将接收到Y为自己分配的期望相对位置序号;若Y为从属于协调者X的跟随者,X还有未分配且UAVj易到达的期望相对位置,则Y充当“临时协调者”将该位置序号转化为相对于自身的位置序号并告知UAVj,此时UAVj直接从属于Y,间接从属于X;X没有未分配且UAVj易到达的期望相对位置,Y的角色将变为协调者,重复步骤S2-3-1的操作;
S3:建立异构无人机集群分布式时空协调控制框架;
基于分布式模型预测控制建立分布式时空协调控制框架,利用子系统模型在预测时域中对输入的控制量进行在线优化,求得使代价函数最小化的最优控制序列,并取预测时域中的第一个区间优化后的控制输入作为最优控制量作用于系统以更新系统的状态;通过代价函数将本机信息和邻机信息进行耦合的方式来反映分布式模型预测方法中子系统中间的交互作用;具体的,基于其建立异构无人机集群的分布式时空协调控制框架包括以下步骤:
S3-1:建立无人机运动学模型作为子系统模型;
考虑无人机运动学模型为非线性二阶系统,设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},在t时刻,第i架无人机状态向量为zi(t),控制向量为ui(t),其运动方程为式(1):
其中,为zi(t)的一阶导数,t0为初始时刻,z0为初始状态,fi表征了zi(t)和ui(t)之间的非线性关系;状态向量为zi(t)、控制向量为ui(t)分别满足一定的物理性能约束集Z、U,具体为式(2):
zi(t;sc)∈Z
ui(t;sc)∈U (2)
其中,sc为预测时域,sc的定义方法为:设预测周期为常量Tp,控制向量更新周期为常量Tc,Tc<Tp;令t0为初始时刻,每隔Tc施加一次控制,控制时刻记为tc=t0+cTc,c=1,2,...,则预测时域记为sc=[tc,tc+TP];zi(t;sc)和ui(t;sc)分别为在预测时域sc内的状态向量序列和控制向量序列;
S3-2:设计异构无人机的代价函数;
当UAVi为领航者时,其代价函数JL为式(3):
其中,pi p(t;sc)为UAVi在预测时域sc中的预测位置向量序列,为虚拟引导点在预测时域sc中的估计位置向量,||·||代表两点之间的距离,领航者的代价函数只反映其与虚拟引导点之间的从属关系,其与协调者之间的从属关系体现在协调者的代价函数中;
当UAVi为跟随者时,其代价函数JF为式(4),由邻机项和目标引导项构成,
为该跟随者所属的协调者的估计位置向量,Ds为期望机间距离,ix为水平方向的单位向量,为旋转矩阵,其旋转角θnc=qnc·θ0,qnc为该跟随者的协调者为其分配的期望位置序号,qnx∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
当UAVi为协调者时,其代价函数JC为式(5),由不同邻机信息的加权和构成,
其中,wj为不同邻机在协调者代价函数中的权重,与邻机的角色有关;Mi为当前时刻UAVi邻机的个数;为UAVi的第j个邻机的估计位置向量;为协调者基于其自身预测位置为其第j个邻机分配的预测期望位置向量;
为旋转矩阵,其旋转角θc,j=qc,j·θ0,qc,j是该协调者为其第j个邻机分配的期望位置序号,qc,j∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
S3-3:代入分布式模型预测控制问题;
对于有Mi架邻机的第i架无人机UAVi,给定预测时域sc=[tc,tc+TP]的初始状态zi(tc;sc)之后,在该时域的最优控制序列ui *(t;sc)则可通过求解式(6)的滚动时域优化问题得到:
其中,Ji为待优化的代价函数,需根据UAVi的角色从步骤S3-2中选择代价函数的具体形式;取最优控制序列ui *(t;sc)中的第一组控制向量作为tc时刻求解的最优控制输入ui *(tc),作用于该时刻的状态zi(tc)并根据子系统模型计算出子系统在tc+1时刻的状态zi(tc+1);
S4:输出异构无人机集群的分布式时空协调控制结果;
给定期望队形的基本空间拓扑单元的形状、虚拟引导点的运动规律和目标区域信息以明确异构无人机集群的任务场景;
在每个控制时刻,根据前一个预测时域求解出的最优控制输入计算出当前时刻无人机的状态,基于步骤S2的异构无人机集群的机间协调机制进行邻机信息交互以确定各个无人机的期望相对位置,并采用优化算法对步骤S3-3求解得到该控制时刻的最优控制输入,然后进入下一个时域;随着时间的推移,各个无人机根据每个时刻的控制向量不断更新自身状态,形成状态随时间变化的运动轨迹,进而实现异构无人机集群的协调控制以完成给定的任务。
本发明的有益效果在于:
1.通过对集群无人机的角色和其功能进行划分,由不同功能的无人机组成异构集群,在本发明设计的异构无人机机间协调机制的驱动下,能够充分发挥不同角色的作用。
2.基于本发明建立的分布式时空协调控制框架,集群内个体在决定自身的行为时既考虑自身状态,也考虑了其邻机行为的影响,通过减小与期望相对位置的偏差实现了空间上状态的协调,引入预测时域滚动优化的控制策略实现了时间上状态的协调,最终可以实现集群无人机在进行机间高效的通信和有效的协调作用下形成期望队形并保持,在这种期望队形下也可以保证集群运动具有聚集而不碰撞的特点,在一定程度上还保留了个体汇入集群的可扩展性。
3.本发明所提出的异构集群无人机分布式时空协调控制方法顺应了“在功能结构上实现开放、异构和分布”这一集群无人机的主要发展趋势,充分体现出了集群无人机分布式与自组织的特点,并通过仿真验证了其具有一定的可行性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,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,可以根据这些附图获得其他的附图。其中:
图1是本发明的期望队形的示意图;
图2是本发明的异构无人机集群的角色从属关系示意图;
图3是本发明的邻机的定义;
图4是本发明的协调者邻机的期望相对位置;
图5是本发明的步骤S2-3-1的就近分配示意图;
图6-图7是本发明的步骤S2-3-2跟随者UAVj与无人机Y成为邻机后的示意图;
图8是本发明的异构无人机集群分布式时空协调控制框架示意图;
图9是本发明实施例的10架无人机初始位置及速度;
图10是本发明实施例仿真过程中典型时刻的各无人机实时位置;
图11是本发明实施例全过程10架无人机的轨迹图;
图12是本发明实施例部分机间距离随时间变化曲线。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
异构无人机集群既有利于形成优势互补的整体能力,又给时空运动协调控制带来了新的技术挑战。面向异构集群无人机之间的队形和避碰需求,设定期望状态为每个个体与其周围个体的距离相等,即期望集群形成以等边三角形为基本空间拓扑单元的稳定队形并保持。图1给出了一种期望队形的示例,这种期望队形可以保证集群保持聚集且不互相碰撞,具有可扩展性。考虑异构集群无人机个体差异,为了使初始状态分散的异构集群无人机在虚拟引导点的作用下执行指定飞行任务,并进行局部自组织通信以逐渐形成上述期望队形,需要一种支持个体灵活汇入的异构集群无人机时空协调控制方法,同时减少不必要的信息交互以提高计算效率。
本发明从异构集群无人机的自组织机制和分布式特征出发,提出了一种异构无人机集群分布式时空协调控制方法,将集群内个体划分为领航者、协调者和跟随者,由不同任务角色产生不同功能形成异构无人机集群,进一步建立了异构集群无人机分布式时空协调控制框架,设计了异构无人机集群的协调机制,并根据角色功能分别设计代价函数,将协调控制问题转化为滚动时域优化问题,进而采用群体智能优化算法进行求解,以实现集群无人机形成并保持期望队形。本发明的协调机制将决定不同角色和个体之间的从属关系和期望相对位置关系,进而限定信息交互的对象和内容,从而实现机间高效的通信和运动协调作用,在一定程度上支持了集群的可扩展性。
具体的,一种异构无人机集群分布式时空协调控制方法,包括以下步骤:
S1:通过角色和功能分划形成异构无人机集群;
设期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,对无人机集群进行角色划分,分别为领航者、协调者和跟随者,设存在一个虚拟引导点,以一定速度向目标区域运动,领航者的功能为跟随虚拟引导点,间接引导无人机集群进行同样的追随;协调者的功能为协调其周围的邻机向着以自身为几何中心的正六边形的相应顶点运动;跟随者是以在自己的邻机中找到协调者为目标,并根据协调者分配的期望相对位置信息指导自身的运动;
领航者既从属于虚拟引导点也从属于协调者,跟随者从属于某一个协调者,两个协调者之间地位等同不存在从属关系,协调者一方面促进期望队形的形成,另一方面充当领航者与跟随者之间的纽带,使得集群内个体之间进行高效有序的协调;无人机的角色在初始时设定并根据协调机制在运动过程中进行调整;图2给出前述从属关系在异构集群无人机中的一种示例。
S2:设计异构无人机集群的机间协调机制;
S2-1:定义邻机;
设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},第i架无人机记为UAVi,与其建立通信的无人机为UAVi的邻机,无人机的最大通信距离为Dcm,其通信范围是以自身为圆心、Dcm为半径的圆;在t时刻,UAVi的位置向量为pi(t)=[xi(t),yi(t)]T,其中,xi(t)为UAVi的横坐标,yi(t)为UAVi的纵坐标,若满足||pi(t)-pj(t)||≤Dcm,其中,pj(t)为UAVj的位置向量,V为无人机集群的集合,则第j架无人机UAVj在t时刻是UAVi的邻机,如图3所示,若UAVj是UAVi的邻机,则UAVi也必定是UAVj的邻机,二者能够进一步协调的前提是二者互为邻机;
S2-2:定义协调者邻机的期望相对位置;
期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,期望每架无人机与其周围的邻机都保持相等的期望机间距离,设这一相等的期望机间距离为Ds,且等边三角形作为期望队形中空间拓扑单元的几何形状限制了每架无人机的邻机最大个数M=6,以协调者UAVi自身位置为圆心、Ds为半径的圆周上的6个等分点即为其邻机的期望相对位置,且按逆时针确定位置的序号,如图4所示,协调者将其邻机与各个期望相对位置一一对应;
S2-3:确定异构无人机集群的机间协调机制:
S2-3-1:当协调者UAVi与无人机X成为邻机后,无论X是何角色,UAVi需根据就近原则将某个期望相对位置分配给X,并记录期望相对位置的分配情况,如图5所示;
S2-3-2:当跟随者UAVj与无人机Y成为邻机后,若Y为协调者,则将接收到Y为自己分配的期望相对位置序号,如图4所示邻机4为跟随者时,其接收到来自协调者UAVi为自己分配的是5号期望相对位置;若Y为从属于协调者X的跟随者,X还有未分配且UAVj易到达的期望相对位置,则Y充当“临时协调者”将该位置序号转化为相对于自身的位置序号并告知UAVj,此时UAVj直接从属于Y,间接从属于X,如图6所示,UAVj初次与Y建立通信后,它可以到达相对于协调者X的4号空位,而该空位是相对于Y的5号位置;X没有未分配且UAVj易到达的期望相对位置,Y的角色将变为协调者,重复步骤S2-3-1的操作,如图7所示,UAVj初次与Y建立通信后,相对于协调者X的空位均不易到达,此时将触发Y从跟随者到协调者的角色切换,并且Y将以协调者的身份将空位4分配给UAVj;
S3:建立异构无人机集群分布式时空协调控制框架;
基于分布式模型预测控制建立分布式时空协调控制框架,利用子系统模型在预测时域中对输入的控制量进行在线优化,求得使代价函数最小化的最优控制序列,并取预测时域中的第一个区间优化后的控制输入作为最优控制量作用于系统以更新系统的状态;通过代价函数将本机信息和邻机信息进行耦合的方式来反映分布式模型预测方法中子系统中间的交互作用;具体的,基于其建立异构无人机集群的分布式时空协调控制框架包括以下步骤:
S3-1:建立无人机运动学模型作为子系统模型;
考虑无人机运动学模型为非线性二阶系统,设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},在t时刻,第i架无人机状态向量为zi(t),控制向量为ui(t),其运动方程为式(1):
其中,为zi(t)的一阶导数,t0为初始时刻,z0为初始状态,fi表征了zi(t)和ui(t)之间的非线性关系;状态向量为zi(t)、控制向量为ui(t)分别满足一定的物理性能约束集Z、U,具体为式(2):
zi(t;sc)∈Z
ui(t;sc)∈U (2)
其中,sc为预测时域,sc的定义方法为:设预测周期为常量Tp,控制向量更新周期为常量Tc,Tc<Tp;令t0为初始时刻,每隔Tc施加一次控制,控制时刻记为tc=t0+cTc,c=1,2,...,则预测时域记为sc=[tc,tc+TP];zi(t;sc)和ui(t;sc)分别为在预测时域sc内的状态向量序列和控制向量序列;
S3-2:设计异构无人机的代价函数;
当UAVi为领航者时,其代价函数JL为式(3):
其中,pi p(t;sc)为UAVi在预测时域sc中的预测位置向量序列,为虚拟引导点在预测时域sc中的估计位置向量,||·||代表两点之间的距离,领航者的代价函数只反映其与虚拟引导点之间的从属关系,其与协调者之间的从属关系体现在协调者的代价函数中;
当UAVi为跟随者时,其代价函数JF为式(4),由邻机项和目标引导项构成,目标引导项保证了跟随者在没有找到协调者时仍有向目标区域靠近的趋势,体现了个体的自驱动性,也为后续集群的自组织建立通信提供条件;
为该跟随者所属的协调者的估计位置向量,Ds为期望机间距离,ix为水平方向的单位向量,为旋转矩阵,其旋转角θnc=qnc·θ0,qnc为该跟随者的协调者为其分配的期望位置序号,qnc∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
当UAVi为协调者时,其代价函数JC为式(5),由不同邻机信息的加权和构成,
其中,wj为不同邻机在协调者代价函数中的权重,与邻机的角色有关;Mi为当前时刻UAVi邻机的个数;为UAVi的第j个邻机的估计位置向量;为协调者基于其自身预测位置为其第j个邻机分配的预测期望位置向量;
为旋转矩阵,其旋转角θc,j=qc,j·θ0,qc,j是该协调者为其第j个邻机分配的期望位置序号,qc,j∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
S3-3:代入分布式模型预测控制问题;
对于有Mi架邻机的第i架无人机UAVi,给定预测时域sc=[tc,tc+TP]的初始状态zi(tc;sc)之后,在该时域的最优控制序列ui *(t;sc)则可通过求解式(6)的滚动时域优化问题得到:
其中,Ji为待优化的代价函数,需根据UAVi的角色从步骤S3-2中选择代价函数的具体形式;取最优控制序列ui *(t;sc)中的第一组控制向量作为tc时刻求解的最优控制输入ui *(tc),作用于该时刻的状态zi(tc)并根据子系统模型计算出子系统在tc+1时刻的状态zi(tc+1);
S4:输出异构无人机集群的分布式时空协调控制结果;
给定期望队形的基本空间拓扑单元的形状、虚拟引导点的运动规律和目标区域信息以明确异构无人机集群的任务场景;
在每个控制时刻,根据前一个预测时域求解出的最优控制输入计算出当前时刻无人机的状态,基于步骤S2的异构无人机集群的机间协调机制进行邻机信息交互以确定各个无人机的期望相对位置,并采用优化算法对步骤S3-3求解得到该控制时刻的最优控制输入,然后进入下一个时域;随着时间的推移,各个无人机根据每个时刻的控制向量不断更新自身状态,形成状态随时间变化的运动轨迹,进而实现异构无人机集群的协调控制以完成给定的任务。
为了方便理解本发明的上述技术方案,以下通过一个具体实施例对本发明的上述技术方案进行详细说明,验证本发明所提出一种基于多角色协调机制的集群无人机队形生成与保持的控制方法的有效性。
实施例1
本实施例的具体步骤如下:
1.设置仿真所需参数。
令最大通信距离Dcm=250m,期望队形的机间距离Ds=200m;分布式模型预测控制中的控制周期Tc=0.3s,预测周期Tp=2.4s;粒子群优化算法中的粒子个数Np=30,迭代次数的阈值Niter=20,学习因子c1=2,c2=2,惯性系数权重w=0.9;虚拟引导点始终沿x轴正方向做vr=100m/s的匀速直线运动。
给定10架无人机的初始状态,有部分无人机之间已经建立通信,其余均为孤立的跟随者无人机,如图9所示。各无人机的初始状态和角色设置情况如表1所示。
表1 10架无人机的初始状态
2.考虑无人机运动方程为二维平面内的质点运动学模型。
设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N}。以O为惯性坐标系原点建立直角坐标系Oxy。根据假设,令所有无人机均在水平面Oxy上运动,第i架无人机的质点运动学模型可由方程组(7)表示:
其中,(xi,yi)表示第i架无人机的位置;vi,ai分别为第i架无人机的速度和加速度,ωi分别为其航向角和航向角速度;定义沿Ox方向为0,逆时针方向为正。加速度和航向角速度需要满足一定的物理性能约束范围,由式(8)描述:
3.依据本发明内容中的技术方案进行基于MATLAB的程序设计,采用粒子群优化算法进行优化求解,预测模型也采用质点动力学模型,基于多角色协调机制的集群无人机队形生成与保持的控制方法实现流程如下:
(1)设置相关参数和约束边界条件;
(3)各无人机在预测时域中进行初次PSO优化求解,得到t0时刻的最优控制序列ui *(t;s0);
(4)推进一个控制周期,tc=t0+Tc;
(5)将最优控制序列的第一组控制向量ui *(t0;s0)代入无人机运动方程求得zi(tc);
(7)主循环:
(7-1)判断是否满足运动终止条件;
(7-2)各无人机在预测时域中进行一次PSO优化求解,得到tc时刻的最优控制序列ui *(t;sc);
(7-3)推进一个控制周期,tc→tc+1;
(7-4)将最优控制序列的第一组控制向量ui *(tc;sc)代入无人机运动方程求得zi(tc+1);
(7-5)根据机间协调机制,确定邻机之间从属关系和期望相对位置信息;
(7-7)保存数据,绘制实时轨迹;
(7-8)重复(7-1)-(7-7);
(8)结束。
4.输出并分析仿真结果。
仿真过程中的典型时刻集群无人机的位置和通信情况如图10所示,全过程10架无人机的轨迹图如图11所示,部分机间距离随时间变化曲线如图12所示。
从图10中可以看出,在本发明所提出的方法使得原本没有邻机的无人机也能够逐渐汇入已经建立一定通信的大部队,最终形成并保持了以等边三角形为基本空间拓扑单元的期望队形。从图12中可以看出,机间距离在约t=24s时能够达到相邻两架无人机在期望距离200m的±1%范围内,之后则一直保持稳定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本发明中,术语“第一”、“第二”、“第三”、“第四”仅用于描述目的,而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上,除非另有明确的限定。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种异构无人机集群分布式时空协调控制方法,其特征在于,包括以下步骤:
S1:通过角色和功能分划形成异构无人机集群;
设期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,对无人机集群进行角色划分,分别为领航者、协调者和跟随者,设存在一个虚拟引导点,以一定速度向目标区域运动,领航者的功能为跟随虚拟引导点,间接引导无人机集群进行同样的追随;协调者的功能为协调其周围的邻机向着以自身为几何中心的正六边形的相应顶点运动;跟随者是以在自己的邻机中找到协调者为目标,并根据协调者分配的期望相对位置信息指导自身的运动;
领航者既从属于虚拟引导点也从属于协调者,跟随者从属于某一个协调者,两个协调者之间地位等同不存在从属关系,无人机的角色在初始时设定并根据协调机制在运动过程中进行调整;
S2:设计异构无人机集群的机间协调机制;
S2-1:定义邻机;
设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},第i架无人机记为UAVi,与其建立通信的无人机为UAVi的邻机,无人机的最大通信距离为Dcm,其通信范围是以自身为圆心、Dcm为半径的圆;在t时刻,UAVi的位置向量为pi(t)=[xi(t),yi(t)]T,其中,xi(t)为UAVi的横坐标,yi(t)为UAVi的纵坐标,若满足||pi(t)-pj(t)||≤Dcm,其中,pj(t)为UAVj的位置向量,V为无人机集群的集合,则第j架无人机UAVj在t时刻是UAVi的邻机,若UAVj是UAVi的邻机,则UAVi也必定是UAVj的邻机,二者能够进一步协调的前提是二者互为邻机;
S2-2:定义协调者邻机的期望相对位置;
期望队形是由等边三角形为基本空间拓扑单元铺展而成的晶格结构,期望每架无人机与其周围的邻机都保持相等的期望机间距离,设这一相等的期望机间距离为Ds,且等边三角形作为期望队形中空间拓扑单元的几何形状限制了每架无人机的邻机最大个数M=6,以协调者UAVi自身位置为圆心、Ds为半径的圆周上的6个等分点即为其邻机的期望相对位置,且按逆时针确定位置的序号,协调者将其邻机与各个期望相对位置一一对应;
S2-3:确定异构无人机集群的机间协调机制:
S2-3-1:当协调者UAVi与无人机X成为邻机后,无论X是何角色,UAVi需根据就近原则将某个期望相对位置分配给X,并记录期望相对位置的分配情况;
S2-3-2:当跟随者UAVj与无人机Y成为邻机后,若Y为协调者,则将接收到Y为自己分配的期望相对位置序号;若Y为从属于协调者X的跟随者,X还有未分配且UAVj易到达的期望相对位置,则Y充当“临时协调者”将该位置序号转化为相对于自身的位置序号并告知UAVj,此时UAVj直接从属于Y,间接从属于X;X没有未分配且UAVj易到达的期望相对位置,Y的角色将变为协调者,重复步骤S2-3-1的操作;
S3:建立异构无人机集群分布式时空协调控制框架;
基于分布式模型预测控制建立分布式时空协调控制框架,利用子系统模型在预测时域中对输入的控制量进行在线优化,求得使代价函数最小化的最优控制序列,并取预测时域中的第一个区间优化后的控制输入作为最优控制量作用于系统以更新系统的状态;通过代价函数将本机信息和邻机信息进行耦合的方式来反映分布式模型预测方法中子系统中间的交互作用;具体的,基于其建立异构无人机集群的分布式时空协调控制框架包括以下步骤:
S3-1:建立无人机运动学模型作为子系统模型;
考虑无人机运动学模型为非线性二阶系统,设无人机集群由N架无人机UAV组成,即V={UAVi|i=1,2,...,N},在t时刻,第i架无人机状态向量为zi(t),控制向量为ui(t),其运动方程为式(1):
其中,为zi(t)的一阶导数,t0为初始时刻,z0为初始状态,fi表征了zi(t)和ui(t)之间的非线性关系;状态向量为zi(t)、控制向量为ui(t)分别满足一定的物理性能约束集Z、U,具体为式(2):
zi(t;sc)∈Z
ui(t;sc)∈U (2)
其中,sc为预测时域,sc的定义方法为:设预测周期为常量Tp,控制向量更新周期为常量Tc,Tc<Tp;令t0为初始时刻,每隔Tc施加一次控制,控制时刻记为tc=t0+cTc,c=1,2,...,则预测时域记为sc=[tc,tc+TP];zi(t;sc)和ui(t;sc)分别为在预测时域sc内的状态向量序列和控制向量序列;
S3-2:设计异构无人机的代价函数;
当UAVi为领航者时,其代价函数JL为式(3):
其中,pi p(t;sc)为UAVi在预测时域sc中的预测位置向量序列,为虚拟引导点在预测时域sc中的估计位置向量,||·||代表两点之间的距离,领航者的代价函数只反映其与虚拟引导点之间的从属关系,其与协调者之间的从属关系体现在协调者的代价函数中;
当UAVi为跟随者时,其代价函数JF为式(4),由邻机项和目标引导项构成,
为该跟随者所属的协调者的估计位置向量,Ds为期望机间距离,ix为水平方向的单位向量,为旋转矩阵,其旋转角θnc=qnc·θ0,qnc为该跟随者的协调者为其分配的期望位置序号,qnc∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
当UAVi为协调者时,其代价函数JC为式(5),由不同邻机信息的加权和构成,
其中,wj为不同邻机在协调者代价函数中的权重,与邻机的角色有关;Mi为当前时刻UAVi邻机的个数;为UAVi的第j个邻机的估计位置向量;为协调者基于其自身预测位置为其第j个邻机分配的预测期望位置向量;
为旋转矩阵,其旋转角θc,j=qc,j·θ0,qc,j是该协调者为其第j个邻机分配的期望位置序号,qc,j∈{1,2,3,4,5,6},θ0与期望队形的基本空间拓扑单元的形状有关,对于等边三角形θ0=60°;
S3-3:代入分布式模型预测控制问题;
对于有Mi架邻机的第i架无人机UAVi,给定预测时域sc=[tc,tc+TP]的初始状态zi(tc;sc)之后,在该时域的最优控制序列ui *(t;sc)则可通过求解式(6)的滚动时域优化问题得到:
其中,Ji为待优化的代价函数,需根据UAVi的角色从步骤S3-2中选择代价函数的具体形式;取最优控制序列ui *(t;sc)中的第一组控制向量作为tc时刻求解的最优控制输入ui *(tc),作用于该时刻的状态zi(tc)并根据子系统模型计算出子系统在tc+1时刻的状态zi(tc+1);
S4:输出异构无人机集群的分布式时空协调控制结果;
给定期望队形的基本空间拓扑单元的形状、虚拟引导点的运动规律和目标区域信息以明确异构无人机集群的任务场景;
在每个控制时刻,根据前一个预测时域求解出的最优控制输入计算出当前时刻无人机的状态,基于步骤S2的异构无人机集群的机间协调机制进行邻机信息交互以确定各个无人机的期望相对位置,并采用优化算法对步骤S3-3求解得到该控制时刻的最优控制输入,然后进入下一个时域;随着时间的推移,各个无人机根据每个时刻的控制向量不断更新自身状态,形成状态随时间变化的运动轨迹,进而实现异构无人机集群的协调控制以完成给定的任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216706.7A CN111580545B (zh) | 2020-03-25 | 2020-03-25 | 一种异构无人机集群分布式时空协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010216706.7A CN111580545B (zh) | 2020-03-25 | 2020-03-25 | 一种异构无人机集群分布式时空协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111580545A true CN111580545A (zh) | 2020-08-25 |
CN111580545B CN111580545B (zh) | 2021-04-16 |
Family
ID=72114842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010216706.7A Expired - Fee Related CN111580545B (zh) | 2020-03-25 | 2020-03-25 | 一种异构无人机集群分布式时空协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111580545B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558483A (zh) * | 2020-12-29 | 2021-03-26 | 北京电子工程总体研究所 | 一种基于模型预测控制的编队控制方法及系统 |
CN113037804A (zh) * | 2021-02-03 | 2021-06-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种异构无人集群通信资源虚拟化方法及系统 |
CN113138554A (zh) * | 2021-04-06 | 2021-07-20 | 武汉理工大学 | 一种混合交通场景下的多船分布式协同控制方法 |
CN113359860A (zh) * | 2021-07-20 | 2021-09-07 | 北京航空航天大学 | 一种基于通信状态的无人机集群重构方法 |
CN114006777A (zh) * | 2022-01-04 | 2022-02-01 | 广东工业大学 | 一种集群周期协同控制方法和装置 |
CN114779828A (zh) * | 2022-06-22 | 2022-07-22 | 四川腾盾科技有限公司 | 基于异构队形基准点无人机集群拓扑控制与智能防撞方法 |
CN118192673A (zh) * | 2024-05-20 | 2024-06-14 | 北京数易科技有限公司 | 一种智能无人机集群协同控制方法、系统及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106896824A (zh) * | 2015-12-17 | 2017-06-27 | 中国科学院沈阳自动化研究所 | 一种基于目标函数的多auv编队控制方法 |
US10168674B1 (en) * | 2013-04-22 | 2019-01-01 | National Technology & Engineering Solutions Of Sandia, Llc | System and method for operator control of heterogeneous unmanned system teams |
CN109375643A (zh) * | 2018-10-24 | 2019-02-22 | 中北大学 | 基于领航-跟随式三角形编队的多四旋翼对峙跟踪目标制导律 |
CN110162086A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种基于模型预测控制框架的集群无人机编队方法 |
CN110286694A (zh) * | 2019-08-05 | 2019-09-27 | 重庆邮电大学 | 一种多领导者的无人机编队协同控制方法 |
US10437261B2 (en) * | 2010-07-01 | 2019-10-08 | Sikorsky Aircraft Corporation | Formation flying method and system |
-
2020
- 2020-03-25 CN CN202010216706.7A patent/CN111580545B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10437261B2 (en) * | 2010-07-01 | 2019-10-08 | Sikorsky Aircraft Corporation | Formation flying method and system |
US10168674B1 (en) * | 2013-04-22 | 2019-01-01 | National Technology & Engineering Solutions Of Sandia, Llc | System and method for operator control of heterogeneous unmanned system teams |
CN106896824A (zh) * | 2015-12-17 | 2017-06-27 | 中国科学院沈阳自动化研究所 | 一种基于目标函数的多auv编队控制方法 |
CN109375643A (zh) * | 2018-10-24 | 2019-02-22 | 中北大学 | 基于领航-跟随式三角形编队的多四旋翼对峙跟踪目标制导律 |
CN110162086A (zh) * | 2019-03-21 | 2019-08-23 | 中山大学 | 一种基于模型预测控制框架的集群无人机编队方法 |
CN110286694A (zh) * | 2019-08-05 | 2019-09-27 | 重庆邮电大学 | 一种多领导者的无人机编队协同控制方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112558483A (zh) * | 2020-12-29 | 2021-03-26 | 北京电子工程总体研究所 | 一种基于模型预测控制的编队控制方法及系统 |
CN113037804A (zh) * | 2021-02-03 | 2021-06-25 | 中国人民解放军军事科学院国防科技创新研究院 | 一种异构无人集群通信资源虚拟化方法及系统 |
CN113037804B (zh) * | 2021-02-03 | 2022-09-20 | 中国人民解放军军事科学院国防科技创新研究院 | 一种异构无人集群通信资源虚拟化方法及系统 |
CN113138554A (zh) * | 2021-04-06 | 2021-07-20 | 武汉理工大学 | 一种混合交通场景下的多船分布式协同控制方法 |
CN113138554B (zh) * | 2021-04-06 | 2023-09-05 | 武汉理工大学 | 一种混合交通场景下的多船分布式协同控制方法 |
CN113359860A (zh) * | 2021-07-20 | 2021-09-07 | 北京航空航天大学 | 一种基于通信状态的无人机集群重构方法 |
CN114006777A (zh) * | 2022-01-04 | 2022-02-01 | 广东工业大学 | 一种集群周期协同控制方法和装置 |
CN114779828A (zh) * | 2022-06-22 | 2022-07-22 | 四川腾盾科技有限公司 | 基于异构队形基准点无人机集群拓扑控制与智能防撞方法 |
CN118192673A (zh) * | 2024-05-20 | 2024-06-14 | 北京数易科技有限公司 | 一种智能无人机集群协同控制方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111580545B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111580545B (zh) | 一种异构无人机集群分布式时空协调控制方法 | |
CN109508035B (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
CN110162086A (zh) | 一种基于模型预测控制框架的集群无人机编队方法 | |
D’Amato et al. | Bi-level flight path planning of UAV formations with collision avoidance | |
Belta et al. | Abstraction and control for groups of robots | |
CN111443728B (zh) | 一种基于混沌灰狼优化的无人机编队控制方法 | |
Qi et al. | Formation tracking and obstacle avoidance for multiple quadrotors with static and dynamic obstacles | |
CN110597059B (zh) | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 | |
CN113050677A (zh) | 多无人机队形保持和变换的控制方法、系统、存储介质 | |
CN115509251A (zh) | 基于mappo算法的多无人机多目标协同跟踪控制方法 | |
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 | |
Sislak et al. | Automated conflict resolution utilizing probability collectives optimizer | |
Liu et al. | Leader-following flocking for unmanned aerial vehicle swarm with distributed topology control | |
CN112947575A (zh) | 基于深度强化学习的无人机集群多目标搜索方法及系统 | |
CN115047910A (zh) | 一种基于雁形阵的无人机编队巡航控制方法 | |
Wang et al. | Decentralized MPC-based trajectory generation for multiple quadrotors in cluttered environments | |
Sun et al. | A survey of cooperative path planning for multiple UAVs | |
Liu et al. | Multiple UAV formations delivery task planning based on a distributed adaptive algorithm | |
Azoulay et al. | UAV Flocks Forming for Crowded Flight Environments. | |
Acevedo et al. | Persistent monitoring with a team of autonomous gliders using static soaring | |
CN113359852B (zh) | 一种仿原鸽个体属性智能行为的无人机集群协同控制方法 | |
Wang et al. | Revolutionary entrapment model of uniformly distributed swarm robots in morphogenetic formation | |
Wang et al. | Advances in cooperative target searching by multi-UAVs | |
Park et al. | Vmcs: elaborating apf-based swarm intelligence for mission-oriented multi-uv control | |
Goswami et al. | Multi-agent shape formation and tracking inspired from a social foraging dynamics |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210416 |