CN112130582A - 一种多智能体编队形成方法 - Google Patents
一种多智能体编队形成方法 Download PDFInfo
- Publication number
- CN112130582A CN112130582A CN202010947337.9A CN202010947337A CN112130582A CN 112130582 A CN112130582 A CN 112130582A CN 202010947337 A CN202010947337 A CN 202010947337A CN 112130582 A CN112130582 A CN 112130582A
- Authority
- CN
- China
- Prior art keywords
- agent
- intelligent
- path
- point
- current
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000006854 communication Effects 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 245
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 7
- 230000007175 bidirectional communication Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000009795 derivation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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)
- Feedback Control In General (AREA)
Abstract
本发明提供一种多智能体编队形成方法,在期望队形形成时依赖于初始建立的通信链路进行目标点分配和路径规划,并通过各智能体的初始状态信息解算出期望路径;其次,仅用Dubins路径上的关键路径点表征期望路径,大大简化了智能体从初始位置到达目标点的路径规划过程;再者,在执行位置变换操作的过程中,智能体仅通过自带的传感器和短距通信模块进行量测,根据量测结果判断自身是否同时满足设定避让条件,是否需要对交点附近的路段进行二次采样,从而降低自身速度,避免与其他智能体发生碰撞;由此可见,本发明不依赖通信条件,在前进过程中依靠传感器量测信息即可迅速形成期望队形,具有一定的可扩展性,尤其适用于无人潜航器(UUV)。
Description
技术领域
本发明属于多智能体编队控制技术领域,尤其涉及一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法。
背景技术
随着任务复杂程度的不断提高,单个智能体已经不足以完成一些复杂度较高的任务,然而多个智能体通过协同控制可以有效地完成复杂任务,并提升整个系统的鲁棒性,因此多智能体协同控制引起了人们的重视,并成为多智能体系统的一个重要的研究方向。编队控制是多智能体协同控制的一个具体问题,它要求多个智能体能够形成指定队形前进。
编队形成是指多无人机从不同的初始构型演变成特定几何构型的过程。编队形成问题常被解耦为任务分配和路径规划两个子问题。形成编队后还需要对多智能体进行控制,使多智能体能够保持期望队形。常用的编队控制策略包括领航—跟随法、人工势场法、虚拟结构法和基于行为的方法,其中领航—跟随法的应用较为广泛,该方法指跟随者可以以一定距离跟随其领航者,实现该策略的控制方法主要有滑模控制、反步控制、模型预测控制和PID控制等。然而,这些方法均需要依赖较为理想的通信拓扑结构和理想的通信条件,不适用于通信环境较为恶劣的环境。
发明内容
为解决上述问题,本发明提供一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,在前进过程中依靠自带的传感器量测信息即可使智能体由初始位置形成期望队形,并且多智能体数量可扩展。
一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,各智能体的初始位置在同一水平面上,且相邻智能体间建立有双向通信链路,各智能体通过双向通信链路将各自的初始状态信息依次向后传递给末尾的终端智能体;
所述终端智能体用于根据各智能体的初始状态信息获取期望队形中各智能体的绝对位置和期望艏向角,将期望队形中各智能体的绝对位置作为各智能体的目标点,并利用拍卖算法为每个智能体分配不同的目标点;所述终端智能体还用于获取各智能体到各自对应的目标点的Dubins路径,依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则交换两个智能体对应的目标点,直到遍历所有智能体的两两组合;重新获取各智能体到其对应的目标点的Dubins路径,再依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则记录交点坐标,直到遍历所有智能体的两两组合;
所述终端智能体通过双向通信链路将全局信息向前传递给各智能体,其中,所述全局信息包括各智能体与期望队形中目标点的匹配关系、各智能体对应的Dubins路径、各Dubins路径之间的交点坐标以及目标点的绝对位置坐标与期望艏向角;
分别将各智能体作为当前智能体执行以下步骤:
当前智能体对自身对应的Dubins路径进行采样,得到M个一阶路径点;
当前智能体依次以自身对应的第2,3,…,M个一阶路径点作为虚拟领航者执行位置变换操作,直到当前智能体到达目标点;其中,在当前智能体执行位置变换操作的过程中,通过自带的传感器和短距通信模块判断自身是否同时满足设定避让条件,若同时满足,则当前智能体对以当前所在位置为起点,即将通过的交点为终点之间的路径进行重采样,得到多个二阶路径点,依次以各二阶路径点作为虚拟领航者执行位置变换操作,直到智能体通过所述交点,其中,相邻二阶路径点之间的欧氏距离小于相邻一阶路径点之间的欧氏距离。
进一步地,智能体从左到右依次编号为1,2,…,N,其中,N为智能体的数量;
所述设定避让条件为:当前智能体对应的Dubins路径与其他智能体对应的Dubins路径存在交点、当前智能体进入自身对应的路径交点的邻域范围内、与该路径交点对应的另一个智能体也在该邻域范围内、当前智能体与进入所述邻域范围内的另一个智能体之间的距离小于设定安全距离、当前智能体的编号小于进入所述邻域范围内的另一个智能体的编号。
进一步地,所述位置变换操作包括以下步骤:
S1:当前智能体通过自带传感器量测得到当前的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度;其中,各路径点的绝对位置坐标和艏向角为已知量,第m个路径点的虚拟前进速度由其与第m-1个路径点的欧氏距离决定,虚拟角速度由其与第m-1个路径点的艏向角差决定,且所述欧式距离越小,虚拟前进速度和虚拟角速度越慢,同时,m>1,m≠M;第M个路径点的虚拟前进速度和虚拟角速度大小为0;
S2:根据当前智能体对应的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度,采用基于积分滑模控制设计的运动学控制器得到当前智能体的前进速率控制律和艏向角控制律;
S3:将当前智能体的前进速率控制律和艏向角控制律输入PID动力学控制器中,得到当前智能体对应的水动力模型的控制输入向量τ=(τ1,τ2,τ3)T,其中,τ1和τ2分别为当前智能体在自身本体坐标系x轴和y轴方向上的速度,τ3为角速度;
S4:当前智能体根据对应的控制输入向量τ=(τ1,τ2,τ3)T更新自身的位置、艏向角、前进速度以及角速度,并反馈给运动学控制器和PID动力学控制器,使当前智能体与其虚拟领航者保持期望的相对位置关系。
其中,k1∈R+,ε1为在智能体本体坐标系下,智能体的实际位置与期望位置之间的误差在x轴方向上的分量,ε2为在智能体本体坐标系,智能体的实际位置与期望位置之间的误差在y轴方向上的分量,为智能体与其虚拟领航者之间的艏向角偏差的导数,中间变量ρ1和ρ2为:
ρ1=-coseα(eyrL+uL)
ρ2=sineα(vL-exrL)
其中,eα为智能体与其虚拟领航者之间的艏向角偏差,ex为在智能体对应的虚拟领航者机体坐标系下,智能体的实际位置与期望位置之间的误差在x轴方向上的分量,ey为在智能体对应的虚拟领航者机体坐标系下,智能体的实际位置与期望位置之间的误差在y轴方向上的分量,rL为智能体对应的虚拟领航者的角速度,uL为智能体对应的虚拟领航者的前进速度,vL为智能体对应的虚拟领航者的横向速度;
其中,αL为智能体对应的虚拟领航者的艏向角,b∈R+。
进一步地,所述Dubins路径依次由第一曲线段、直线段以及第二曲线段构成,且智能体对自身对应的Dubins路径进行采样时,构成Dubins路径的第一曲线段、直线段以及第二曲线段均至少包含一个路径点,第一曲线段与第二曲线段的采样步长小于直线段的采样步长。
进一步地,所述利用拍卖算法为每个智能体分配不同的目标点具体为:
步骤一:定义一个N×N的二维数组,其中,N为智能体的数量,二维数组的列表示各目标点对应的编号T1~TN,二维数组的行表示各智能体对应的编号UUV1~UUVN;分别计算各智能体与每一个目标点之间的欧式距离,将各智能体与各目标点之间的欧式距离作为代价值计入二维数组的对应元素中;
步骤二:分别将各行代价值中的最低代价值与次低代价值作差,将所得的差值作为各行代价值对应的智能体的出价;
步骤三:将出价最高的智能体作为竞价获胜者,该智能体所在行中的最低代价值对应的目标点作为该智能体最终分配得到的目标点;
步骤四:将当前完成匹配的目标点所在列的代价值更新为当前列的代价值与当前完成匹配的智能体的出价之和,未分配到目标点的智能体的所在行重复步骤2-步骤3的竞价过程,直到所有智能体均分配到对应的目标点。
进一步地,将初始位置中前进方向坐标最小的智能体作为基点智能体,期望队形中各智能体的前进方向坐标至少为智能体转弯半径与基点智能体前进方向坐标之和的两倍。
进一步地,所述智能体为无人潜航器。
有益效果:
1、本发明提供一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,在期望队形形成时依赖于初始建立的通信链路进行目标点分配和路径规划,并通过各智能体的初始状态信息解算出期望路径;其次,为满足初始通信链路的通信带宽限制,仅用Dubins路径上的关键路径点表征期望路径,大大简化了智能体从初始位置到达目标点的路径规划过程;再者,在执行位置变换操作的过程中,智能体仅通过自带的传感器和短距通信模块进行量测,根据量测结果判断自身是否同时满足设定避让条件,是否需要对交点附近的路段进行二次采样,从而降低自身速度,避免与其他智能体发生碰撞;
由此可见,本发明不依赖通信条件,智能体仅可通过自身搭载的传感器进行量测得到有用的信息,进而在前进过程中依靠传感器量测信息迅速形成期望队形;本发明能够将模型特征具体化,扩大了编队形成方法的适用性,不仅适用于理想条件下的多智能体编队形成方法,同时也适用于带宽有限的短距通信限制下的欠驱动多智体编队形成,具有一定的可扩展性,尤其适用于无人潜航器(UUV)。
2、本发明提供一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,应用领航-跟随法和积分滑模控制及PID控制设计了智能体的动力学控制器和运动学控制器,进而设计智能体的速率与艏向角控制律,该控制律能够在编队形成期间使智能体按照期望路径到达期望队形中的目标点,可使跟随者与领航者的速度矢量保持一致,有利于使各智能体在前进过程中保持期望队形并前进。
附图说明
图1(a)为UUV满足短距通信的随机位置分布示意图;
图1(b)为期望队形分布示意图(10个UUV人字形为例);
图1(c)为队形生成阶段各UUV轨迹示意图;
图2为UUV领航-跟随模式的运动学模型示意图;
图3为跟随者UUV控制系统示意图;
图4为RSR、RSL、LSL、LSR型Dubins路径示意图;
图5为跟随者UUV期望艏向角计算方法示意图;
图6为单个UUV跟随期望轨迹航行示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,各智能体的初始位置在同一水平面上,且从左到右依次编号为1,2,…,N,其中,N为智能体的数量;同时,相邻智能体间建立有双向通信链路,各智能体通过双向通信链路将各自的初始状态信息依次向后传递给末尾的终端智能体。其中,初始状态信息包括UUV的编号、绝对位置坐标、艏向角、速度上限以及转向半径。
也就是说,初始时刻N个智能体UUV依次通过母船放置于水面,在横轴方向上一字排开,从左到右的UUV编号记为1,2,…,N,每个个体的编号与各自的绝对位置信息以及艏向角相对应,同时由于各UUV只能与短距通信范围内的UUV进行信息交互,进而在放置过程中,从第1个UUV开始向第2个UUV传递自身的绝对位置信息和艏向角信息,第2个UUV向第3个UUV传递自身及第1个UUV的绝对位置与艏向角信息,依次传递信息直至UUV组的绝对位置与艏向信息汇总于第N个UUV处,将第N个UUV记为末端UUV,从而建立初始通信链路如图1(a)所示。
所述终端智能体用于根据各智能体的初始状态信息获取期望队形中各智能体的绝对位置和期望艏向角,将期望队形中各智能体的绝对位置作为各智能体的目标点,并利用拍卖算法为每个智能体分配不同的目标点;所述终端智能体还用于获取各智能体到各自对应的目标点的Dubins路径,依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则交换两个智能体对应的目标点,直到遍历所有智能体的两两组合;重新获取各智能体到其对应的目标点的Dubins路径,再依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则记录交点坐标,直到遍历所有智能体的两两组合。
需要说明的是,为扩大算法的适用性,在终端UUV处计算期望队形中各点的绝对位置坐标与期望的艏向角时,将初始位置中前进方向坐标(纵坐标)最小的智能体作为基点智能体,期望队形中各智能体的前进方向坐标(纵坐标)至少为智能体转弯半径与基点智能体前进方向坐标(纵坐标)之和的两倍。根据基点UUV的绝对位置信息与艏向角信息,计算期望队形中各点的绝对位置与艏向角,如图1(b)所示。
所述终端智能体通过双向通信链路将全局信息向前传递给各智能体,其中,所述全局信息包括各智能体与期望队形中目标点的匹配关系、各智能体对应的Dubins路径、各Dubins路径之间的交点坐标以及目标点的绝对位置坐标与期望艏向角。
分别将各智能体作为当前智能体执行以下步骤:
当前智能体对自身对应的Dubins路径进行采样,得到M个一阶路径点;
当前智能体依次以自身对应的第2,3,…,M个一阶路径点作为虚拟领航者执行位置变换操作,直到当前智能体到达目标点;其中,在当前智能体执行位置变换操作的过程中,通过自带的传感器和短距通信模块判断自身是否同时满足设定避让条件,若同时满足,则当前智能体对以当前所在位置为起点,即将通过的交点为终点之间的路径进行重采样,得到多个二阶路径点,依次以各二阶路径点作为虚拟领航者执行位置变换操作,直到智能体通过所述交点,其中,相邻二阶路径点之间的欧氏距离小于相邻一阶路径点之间的欧氏距离。
所述设定避让条件为:当前智能体对应的Dubins路径与其他智能体对应的Dubins路径存在交点、当前智能体进入自身对应的路径交点的邻域范围内、与该路径交点对应的另一个智能体也在该邻域范围内、当前智能体与进入所述邻域范围内的另一个智能体之间的距离小于设定安全距离、当前智能体的编号小于进入所述邻域范围内的另一个智能体的编号。
所述位置变换操作包括以下步骤:
S1:当前智能体通过自带传感器量测得到当前的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度;其中,各路径点的绝对位置坐标和艏向角为已知量,第m个路径点的虚拟前进速度由其与第m-1个路径点的欧氏距离决定,虚拟角速度由其与第m-1个路径点的艏向角差决定,且所述欧式距离越小,虚拟前进速度和虚拟角速度越慢,同时,m>1,m≠M;第M个路径点的虚拟前进速度和虚拟角速度大小为0;
S2:根据当前智能体对应的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度,采用基于积分滑模控制设计的运动学控制器得到当前智能体的前进速率控制律和艏向角控制律;
S3:将当前智能体的前进速率控制律和艏向角控制律输入PID动力学控制器中,得到当前智能体对应的水动力模型的控制输入向量τ=(τ1,τ2,τ3)T,其中,τ1和τ2分别为当前智能体在自身本体坐标系x轴和y轴方向上的速度,τ3为角速度;
S4:当前智能体根据对应的控制输入向量τ=(τ1,τ2,τ3)T更新自身的位置、艏向角、前进速度以及角速度,并反馈给运动学控制器和PID动力学控制器,使当前智能体与其虚拟领航者保持期望的相对位置关系。
需要说明的是,UUV的水动力模型为
其中
为UUV机体坐标系和大地坐标系之间的旋转矩阵,μ=(Y,X,α)T为UUV在大地坐标系中的位置和艏向角,艏向角定义为机体坐标系x轴正向与大地坐标系X轴正向的夹角,如图2所示。V=(u,v,r)T为UUV机体坐标系x轴和y轴方向的速度以及UUV的角速度,τ=(τ1,τ2,τ3)T为模型的控制输入,考虑的UUV为欠驱动模型,即v=0,因此τ=(τ1,0,τ2)T。C(V)为科里奥利斜对称矩阵,D(V)为阻尼矩阵。
跟随者UUV的控制系统结构如图3所示。F代表跟随者UUV,Fd为跟随者相对于领航者的期望点,和分别为跟随UUV的期望前进速率和期望艏向角。运动学控制器主要应用了积分滑模控制方法和其他几何方法得到跟随者UUV的期望前进速率和艏向角,并作为动力学控制器的参考输入。动力学控制器应用了PID控制得到UUV水动力模型的控制输入,在该控制输入的作用下,UUV模型更新状态,并将输出反馈给运动学控制器。
步骤一:建立领航-跟随模式的运动学模型
跟随者UUV的控制器结构如图3所示。其中F代指跟随者UUV,Fd为跟随者的期望点。运动学控制器主要应用了积分滑模控制方法和其他几何方法得到跟随者UUV的前进速度和艏向角的控制律,记为和并作为动力学控制器的参考输入。动力学控制器应用了PID控制得到UUV水动力模型的控制输入,在该控制输入的作用下,UUV模型更新状态,并将输出反馈给运动学和动力学控制器。
UUV领航-跟随模式的运动学模型如图2所示。图中L代表领航者,F代表跟随者,Fd代表跟随者的期望位置。lLF为领航者和跟随者的欧氏距离,为领航者和跟随者的连线与大地坐标系Y轴正方向的夹角,二者的期望值为和 计算方法为:
将跟随者实际位置F与期望位置Fd的误差转换到领航者机体坐标系中得到E1=(ex,ey)T,其中
领航者与跟随者的艏向角偏差eα定义为:
eα=αL-αF
步骤二:设计UUV的控制器
(1)UUV的运动学控制器
跟随者UUV和领航者UUV的随体坐标系间的坐标转换矩阵R1(α)定义为:
将E1转换到跟随者UUV的机体坐标系下得到
E2=(ε1,ε2)T=R1(α)×E1
对ε1求导可得
其中
ρ1=-coseα(eyrL+uL)
ρ2=sineα(vL-exrL)
引入积分滑模面S
其中k1∈R+,
对S求导可得
艏向角的控制律求解方法如图5所示。跟随者UUV的期望朝向由实际位置F指向期望位置Fd。艏向角控制律如下,其中b∈R+。
(2)UUV的动力学控制器
下面介绍如何利用拍卖算法为每个智能体分配不同的目标点,具体为:
步骤一:定义一个N×N的二维数组,其中,二维数组的列表示各目标点对应的编号T1~TN,二维数组的行表示各智能体对应的编号UUV1~UUVN;分别计算各智能体与每一个目标点之间的欧式距离,将各智能体与各目标点之间的欧式距离作为代价值计入二维数组的对应元素中;
步骤二:分别将各行代价值中的最低代价值与次低代价值作差,将所得的差值作为各行代价值对应的智能体的出价;
步骤三:将出价最高的智能体作为竞价获胜者,该智能体所在行中的最低代价值对应的目标点作为该智能体最终分配得到的目标点;
步骤四:将当前完成匹配的目标点所在列的代价值更新为当前列的代价值与当前完成匹配的智能体的出价之和,未分配到目标点的智能体的所在行重复步骤2-步骤3的竞价过程,直到所有智能体均分配到对应的目标点。
下面介绍终端UUV如何计算各UUV的期望路径,如何获取各Dubins路径之间的交点。
需要说明的是,本发明以初始位置为起点,UUV在期望队形中的目标点为终点,为各UUV生成Dubins路径。为方便寻找交点,只考虑了LSL、RSR、RSL、LSR型Dubins路径,如图4所示。
由于初始得到的Dubins路径可能存在交点,则本发明需要判断得到的Dubins路径间是否存在交点,若存在交点则需修正对应路径。各UUV的Dubins路径共有三段组成:起始弧线段、中间直线段和结尾弧线段。用四个点可代表一个UUV的Dubins路径:起始点中间直线段的起点中间直线段的终点和目标点其中,中间直线段的两端点也分别是起始弧线段的终点和结尾弧线段的起点。四个点都包含绝对位置坐标和UUV在该点的期望艏向角信息。首先根据这四点的信息计算出三段路径的方程如下:
其中Ri为第i个UUV的转向半径。第i个UUV和第j个UUV的交点共有9种情况(i的起始弧线段和j的起始弧线段交点,i的起始弧线段和j的直线段交点,以此类推)。针对每种情况,求解对应方程组的解,并判断得到的解是否在规划的路径上,若在则该点为两UUV的交点。
若i和j间存在如前所述的交点,则交换i和j的目标位置,并重新生成Dubins路径。通过该方法可以减少路径交点,最终得到的轨迹如图1(c)所示。应用前述方法计算新的路径是否存在交点,若存在则储存交点信息。
在终端UUV处通过双向串行通信链路将各UUV与期望队形中的各目标点的匹配信息、期望路径的中间直线段(S)的端点信息、路径交点信息、总领航UUV的编号、以及目标点的处的位置与期望艏向角传递给各UUV。
第i个UUV通过初始点、目标点、转向半径和中间直线段两端点解算出自己的期望路径。对Dubins路径中的弧线段和直线段路径变步长采样(弧段采样步长小,直线段采样步长大,交点附近采样步长小)得到M个路径点(每个路径点包含坐标和UUV在该点的艏向角信息)。依次以第2,3,…,M个路径点为虚拟领航者,应用运动学控制器和PID动力学控制器使UUV按照期望路径到达目标位置,令第i个UUV的第m个路径点的虚拟速度um和虚拟角速度rm由其与第m-1个路径点的欧氏距离艏向角差决定,关系表示如下:
0≤um≤umax,0≤rm≤rmax。其中umax和rmax为速度和角速度的最大值。目标点处(第M个路径点)的虚拟速度和虚拟角速度大小为0,单个UUV的轨迹跟踪实现如图6所示。
若第i个UUV接近与第j个UUV的路径交点,则应用短距通信和传感器量测信息判断第j个UUV是否在附近,若二者距离小于安全距离,且j<i,则第i个UUV减速甚至停下,让第j个UUV先行。
最终各UUV按照期望路径到达目标位置,UUV群体形成期望队形。
此外,由于水下常用的声通信且无法传输大量信息,因此在期望队形成型后,应用传感器量测的方法使各UUV保持期望队形。
(1)形成期望队形后,各UUV利用传感器量测与自身欧氏距离最近的UUV,将该UUV作为自身的领航者。编队在前进方向上最靠前的UUV为队伍的总领航者UUV。
(2)随着总领航者UUV的运动,各跟随者UUV通过传感器量测的信息得到其领航者的相对坐标、相对速度和艏向角等信息,应用运动学控制器和PID动力学控制器与领航者UUV保持期望的相对位置,即和并与领航者UUV保持同方向、同速前进。
通过仿真验证可以说明,应用上述设计实施方案可使UUV形成并保持指定队形。
由此可见,本发明具体考虑了多UUV的编队队形形成,UUV为欠驱动模型,具有较大的转向半径,水下常用的声通信无法传输大量信息,且容易受水质、水温、水压和水下噪声的影响,而UUV可通过自身搭载的传感器进行量测和信息处理,从而得到有用的信息。基于上述特征,本发明基于拍卖算法和Dubins路径规划给出了编队形成的方法,在队形形成时依赖于初始建立的通信链路进行目标点分配和路径规划,为满足初始通信链路的通信带宽限制,仅用关键路径点表征期望路径,各UUV通过关键点信息解算出期望路径。应用领航-跟随法和积分滑模控制及PID控制设计了UUV的控制器,使UUV按照期望路径到达期望队形中的目标位置,形成期望队形并前进。考虑到水下声通信无法传输大量信息,而UUV可通过自身搭载的传感器进行量测和信息处理,从而得到有用的信息,因此在前进过程中依靠传感器量测信息保持队形。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (8)
1.一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,各智能体的初始位置在同一水平面上,且相邻智能体间建立有双向通信链路,各智能体通过双向通信链路将各自的初始状态信息依次向后传递给末尾的终端智能体;
所述终端智能体用于根据各智能体的初始状态信息获取期望队形中各智能体的绝对位置和期望艏向角,将期望队形中各智能体的绝对位置作为各智能体的目标点,并利用拍卖算法为每个智能体分配不同的目标点;所述终端智能体还用于获取各智能体到各自对应的目标点的Dubins路径,依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则交换两个智能体对应的目标点,直到遍历所有智能体的两两组合;重新获取各智能体到其对应的目标点的Dubins路径,再依次判断任意两个智能体对应的Dubins路径是否存在交点,若存在,则记录交点坐标,直到遍历所有智能体的两两组合;
所述终端智能体通过双向通信链路将全局信息向前传递给各智能体,其中,所述全局信息包括各智能体与期望队形中目标点的匹配关系、各智能体对应的Dubins路径、各Dubins路径之间的交点坐标以及目标点的绝对位置坐标与期望艏向角;
分别将各智能体作为当前智能体执行以下步骤:
当前智能体对自身对应的Dubins路径进行采样,得到M个一阶路径点;
当前智能体依次以自身对应的第2,3,…,M个一阶路径点作为虚拟领航者执行位置变换操作,直到当前智能体到达目标点;其中,在当前智能体执行位置变换操作的过程中,通过自带的传感器和短距通信模块判断自身是否同时满足设定避让条件,若同时满足,则当前智能体对以当前所在位置为起点,即将通过的交点为终点之间的路径进行重采样,得到多个二阶路径点,依次以各二阶路径点作为虚拟领航者执行位置变换操作,直到智能体通过所述交点,其中,相邻二阶路径点之间的欧氏距离小于相邻一阶路径点之间的欧氏距离。
2.如权利要求1所述的一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,智能体从左到右依次编号为1,2,...,N,其中,N为智能体的数量;
所述设定避让条件为:当前智能体对应的Dubins路径与其他智能体对应的Dubins路径存在交点、当前智能体进入自身对应的路径交点的邻域范围内、与该路径交点对应的另一个智能体也在该邻域范围内、当前智能体与进入所述邻域范围内的另一个智能体之间的距离小于设定安全距离、当前智能体的编号小于进入所述邻域范围内的另一个智能体的编号。
3.如权利要求1所述的一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,所述位置变换操作包括以下步骤:
S1:当前智能体通过自带传感器量测得到当前的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度;其中,各路径点的绝对位置坐标和艏向角为已知量,第m个路径点的虚拟前进速度由其与第m-1个路径点的欧氏距离决定,虚拟角速度由其与第m-1个路径点的艏向角差决定,且所述欧式距离越小,虚拟前进速度和虚拟角速度越慢,同时,m>1,m≠M;第M个路径点的虚拟前进速度和虚拟角速度大小为0;
S2:根据当前智能体对应的虚拟领航者的位置、艏向角、虚拟前进速度以及虚拟角速度,采用基于积分滑模控制设计的运动学控制器得到当前智能体的前进速率控制律和艏向角控制律;
S3:将当前智能体的前进速率控制律和艏向角控制律输入PID动力学控制器中,得到当前智能体对应的水动力模型的控制输入向量τ=(τ1,τ2,τ3)T,其中,τ1和τ2分别为当前智能体在自身本体坐标系x轴和y轴方向上的速度,τ3为角速度;
S4:当前智能体根据对应的控制输入向量τ=(τ1,τ2,τ3)T更新自身的位置、艏向角、前进速度以及角速度,并反馈给运动学控制器和PID动力学控制器,使当前智能体与其虚拟领航者保持期望的相对位置关系。
其中,k1∈R+,ε1为在智能体本体坐标系下,智能体的实际位置与期望位置之间的误差在x轴方向上的分量,ε2为在智能体本体坐标系,智能体的实际位置与期望位置之间的误差在y轴方向上的分量,为智能体与其虚拟领航者之间的艏向角偏差的导数,中间变量ρ1和ρ2为:
ρ1=-coseα(eyrL+uL)
ρ2=sineα(vL-exrL)
其中,eα为智能体与其虚拟领航者之间的艏向角偏差,ex为在智能体对应的虚拟领航者机体坐标系下,智能体的实际位置与期望位置之间的误差在x轴方向上的分量,ey为在智能体对应的虚拟领航者机体坐标系下,智能体的实际位置与期望位置之间的误差在y轴方向上的分量,rL为智能体对应的虚拟领航者的角速度,uL为智能体对应的虚拟领航者的前进速度,vL为智能体对应的虚拟领航者的横向速度;
其中,αL为智能体对应的虚拟领航者的艏向角,b∈R+。
5.如权利要求1所述的一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,所述Dubins路径依次由第一曲线段、直线段以及第二曲线段构成,且智能体对自身对应的Dubins路径进行采样时,构成Dubins路径的第一曲线段、直线段以及第二曲线段均至少包含一个路径点,第一曲线段与第二曲线段的采样步长小于直线段的采样步长。
6.如权利要求1所述的一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,所述利用拍卖算法为每个智能体分配不同的目标点具体为:
步骤一:定义一个N×N的二维数组,其中,N为智能体的数量,二维数组的列表示各目标点对应的编号T1~TN,二维数组的行表示各智能体对应的编号UUV1~UUVN;分别计算各智能体与每一个目标点之间的欧式距离,将各智能体与各目标点之间的欧式距离作为代价值计入二维数组的对应元素中;
步骤二:分别将各行代价值中的最低代价值与次低代价值作差,将所得的差值作为各行代价值对应的智能体的出价;
步骤三:将出价最高的智能体作为竞价获胜者,该智能体所在行中的最低代价值对应的目标点作为该智能体最终分配得到的目标点;
步骤四:将当前完成匹配的目标点所在列的代价值更新为当前列的代价值与当前完成匹配的智能体的出价之和,未分配到目标点的智能体的所在行重复步骤2-步骤3的竞价过程,直到所有智能体均分配到对应的目标点。
7.如权利要求1所述的一种基于拍卖算法和Dubins路径规划的多智能体编队形成方法,其特征在于,将初始位置中前进方向坐标最小的智能体作为基点智能体,期望队形中各智能体的前进方向坐标至少为智能体转弯半径与基点智能体前进方向坐标之和的两倍。
8.如权利要求1~7任一权利要求所述的一种基于拍卖算法和Dubins路径规划的多智能体编队变换方法,其特征在于,所述智能体为无人潜航器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947337.9A CN112130582B (zh) | 2020-09-10 | 2020-09-10 | 一种多智能体编队形成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010947337.9A CN112130582B (zh) | 2020-09-10 | 2020-09-10 | 一种多智能体编队形成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112130582A true CN112130582A (zh) | 2020-12-25 |
CN112130582B CN112130582B (zh) | 2021-09-10 |
Family
ID=73845417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010947337.9A Active CN112130582B (zh) | 2020-09-10 | 2020-09-10 | 一种多智能体编队形成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112130582B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112985414A (zh) * | 2021-04-09 | 2021-06-18 | 北京猎户星空科技有限公司 | 一种多智能体导航方法、装置、设备和介质 |
CN113031595A (zh) * | 2021-02-26 | 2021-06-25 | 北京卫星制造厂有限公司 | 一种基于多智能体协同转运实时在线位姿补偿控制方法 |
CN114047744A (zh) * | 2021-09-08 | 2022-02-15 | 哈尔滨工程大学 | 基于采样通信的自适应反步滑模多无人艇编队控制方法 |
CN114265406A (zh) * | 2021-12-21 | 2022-04-01 | 南京理工大学 | 一种基于机器视觉的智能车编队控制系统及其控制方法 |
CN117572876A (zh) * | 2024-01-15 | 2024-02-20 | 湖南大学 | 一种基于依赖关系的多智能体避碰控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6926233B1 (en) * | 2004-02-21 | 2005-08-09 | Corcoran, Iii James John | Automatic formation flight control system (AFFCS)—a system for automatic formation flight control of vehicles not limited to aircraft, helicopters, or space platforms |
US20050230563A1 (en) * | 2004-02-21 | 2005-10-20 | Corcoran James J Iii | Automatic formation flight control system |
CN101329183A (zh) * | 2007-06-22 | 2008-12-24 | 株式会社日立制作所 | 路径搜索方法以及路径搜索系统 |
CN101709973A (zh) * | 2009-11-26 | 2010-05-19 | 哈尔滨工业大学 | 一种大规模编队相对导航方法 |
CN102393747A (zh) * | 2011-08-17 | 2012-03-28 | 清华大学 | 无人机集群的协作交互方法及无人机的可视导航系统 |
CN102410841A (zh) * | 2010-09-17 | 2012-04-11 | 日立汽车系统株式会社 | 路径搜索装置、导航装置及路径搜索系统 |
CN105487554A (zh) * | 2016-01-12 | 2016-04-13 | 武汉顶翔智控科技有限公司 | 一种多旋翼无人机自动返航路径规划算法 |
CN106041931A (zh) * | 2016-06-30 | 2016-10-26 | 广东工业大学 | 一种多障碍空间多agv机器人协作防碰撞路径优化方法 |
CN106502250A (zh) * | 2016-11-23 | 2017-03-15 | 北京邮电大学 | 三维空间内多机器人编队的路径规划算法 |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
CN110398980A (zh) * | 2019-06-05 | 2019-11-01 | 西安电子科技大学 | 一种无人机群协同探测及避障的航迹规划方法 |
-
2020
- 2020-09-10 CN CN202010947337.9A patent/CN112130582B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6926233B1 (en) * | 2004-02-21 | 2005-08-09 | Corcoran, Iii James John | Automatic formation flight control system (AFFCS)—a system for automatic formation flight control of vehicles not limited to aircraft, helicopters, or space platforms |
US20050230563A1 (en) * | 2004-02-21 | 2005-10-20 | Corcoran James J Iii | Automatic formation flight control system |
CN101329183A (zh) * | 2007-06-22 | 2008-12-24 | 株式会社日立制作所 | 路径搜索方法以及路径搜索系统 |
CN101709973A (zh) * | 2009-11-26 | 2010-05-19 | 哈尔滨工业大学 | 一种大规模编队相对导航方法 |
CN102410841A (zh) * | 2010-09-17 | 2012-04-11 | 日立汽车系统株式会社 | 路径搜索装置、导航装置及路径搜索系统 |
CN102393747A (zh) * | 2011-08-17 | 2012-03-28 | 清华大学 | 无人机集群的协作交互方法及无人机的可视导航系统 |
CN105487554A (zh) * | 2016-01-12 | 2016-04-13 | 武汉顶翔智控科技有限公司 | 一种多旋翼无人机自动返航路径规划算法 |
CN106041931A (zh) * | 2016-06-30 | 2016-10-26 | 广东工业大学 | 一种多障碍空间多agv机器人协作防碰撞路径优化方法 |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
CN106502250A (zh) * | 2016-11-23 | 2017-03-15 | 北京邮电大学 | 三维空间内多机器人编队的路径规划算法 |
CN110398980A (zh) * | 2019-06-05 | 2019-11-01 | 西安电子科技大学 | 一种无人机群协同探测及避障的航迹规划方法 |
Non-Patent Citations (4)
Title |
---|
RAJA ROUT AND BIDYADHAR SUBUDHI: "A backstepping approach for the formation control of multiple autonomous", 《JOURNAL OF MARINE ENGINEERING & TECHNOLOGY》 * |
WEI ZHANG等: "The robust H-infinity control of UUV with Riccati equation", 《OCEAN ENGINEERING》 * |
庞师坤等: "基于传感器探测系统的多自治水下机器人编队协调控制", 《上海交通大学学报》 * |
曹昊哲: "带有避碰机制的2阶非线性多智能体系统", 《兵工学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113031595A (zh) * | 2021-02-26 | 2021-06-25 | 北京卫星制造厂有限公司 | 一种基于多智能体协同转运实时在线位姿补偿控制方法 |
CN113031595B (zh) * | 2021-02-26 | 2023-02-03 | 北京卫星制造厂有限公司 | 一种基于多智能体协同转运实时在线位姿补偿控制方法 |
CN112985414A (zh) * | 2021-04-09 | 2021-06-18 | 北京猎户星空科技有限公司 | 一种多智能体导航方法、装置、设备和介质 |
CN114047744A (zh) * | 2021-09-08 | 2022-02-15 | 哈尔滨工程大学 | 基于采样通信的自适应反步滑模多无人艇编队控制方法 |
CN114047744B (zh) * | 2021-09-08 | 2023-06-13 | 哈尔滨工程大学 | 基于采样通信的自适应反步滑模多无人艇编队控制方法 |
CN114265406A (zh) * | 2021-12-21 | 2022-04-01 | 南京理工大学 | 一种基于机器视觉的智能车编队控制系统及其控制方法 |
CN114265406B (zh) * | 2021-12-21 | 2024-04-12 | 南京理工大学 | 一种基于机器视觉的智能车编队控制系统及其控制方法 |
CN117572876A (zh) * | 2024-01-15 | 2024-02-20 | 湖南大学 | 一种基于依赖关系的多智能体避碰控制方法 |
CN117572876B (zh) * | 2024-01-15 | 2024-04-12 | 湖南大学 | 一种基于依赖关系的多智能体避碰控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112130582B (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112130582B (zh) | 一种多智能体编队形成方法 | |
Chen et al. | Distributed model predictive control for vessel train formations of cooperative multi-vessel systems | |
CN111898804B (zh) | 局部规划的道路自适应采样方法 | |
Pamosoaji et al. | PSO-based minimum-time motion planning for multiple vehicles under acceleration and velocity limitations | |
CN109521797A (zh) | 无人船引导水下航行器群的优化割草型编队控制方法 | |
CN111045453A (zh) | 一种基于无人艇与多水下机器人的协同控制系统及方法 | |
Boivin et al. | UAV collision avoidance using cooperative predictive control | |
Jung et al. | An efficient underwater coverage method for multi-AUV with sea current disturbances | |
Li et al. | Multi-UUV formation coordination control based on combination of virtual structure and leader | |
CN113093804B (zh) | 基于反演滑模控制的无人艇编队控制方法和控制系统 | |
Filaretov et al. | The method of path planning for AUV-group moving in desired formation in unknown environment with obstacles | |
CN113296505B (zh) | 一种基于速变los的无人船多模式路径跟踪控制方法 | |
CN112578814B (zh) | 一种用于多自主水下航行器编队直线航迹跟踪控制方法 | |
Fu et al. | Collision-free and kinematically feasible path planning along a reference path for autonomous vehicle | |
Moran | Autonomous path following of truck-trailer vehicles using linear-fuzzy control | |
Chen et al. | A trajectory planning method considering intention-aware uncertainty for autonomous vehicles | |
Wang et al. | Consensus path-following control of multiple underactuated unmanned underwater vehicles | |
CN113624237B (zh) | 一种基于Dubins路径的航程调整无人机航迹规划方法 | |
Zhao et al. | Trajectory control of underactuated hovercraft | |
Zhang et al. | On the robust model predictive control method of dynamic positioning to line for UUV recovery | |
Yukhimets et al. | METHOD OF SPATIAL PATH PLANNING FOR MOBILE ROBOT IN UNKNOWN ENVIRONMENT. | |
Han et al. | A distributed range-only collision avoidance approach for low-cost large-scale multi-robot systems | |
Qu et al. | Simultaneous planning and executing trajectory tracking control for underactuated unmanned surface vehicles from theory to practice | |
Aguiar et al. | Coordinated path-following of multiple underactuated autonomous vehicles with bidirectional communication constraints | |
Björnberg | Shared control for vehicle teleoperation with a virtual environment interface |
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 |