CN112306020A - 一种多智能体集群对指定目标位置的均匀球面分散控制方法 - Google Patents
一种多智能体集群对指定目标位置的均匀球面分散控制方法 Download PDFInfo
- Publication number
- CN112306020A CN112306020A CN202011183291.4A CN202011183291A CN112306020A CN 112306020 A CN112306020 A CN 112306020A CN 202011183291 A CN202011183291 A CN 202011183291A CN 112306020 A CN112306020 A CN 112306020A
- Authority
- CN
- China
- Prior art keywords
- cluster
- agent
- target
- configuration
- control law
- 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 28
- 239000006185 dispersion Substances 0.000 title claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 20
- 238000013016 damping Methods 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 16
- 239000003795 chemical substances by application Substances 0.000 description 80
- 239000011159 matrix material Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000006872 improvement Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000004615 ingredient Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- -1 i.e. Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
- G05B19/41855—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication by local area network [LAN], network structure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25232—DCS, distributed control system, decentralised control unit
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多智能体集群对指定目标位置的均匀球面分散控制方法,包括步骤如下:S1:确定三维空间直角坐标系,以及所应满足的动力学模型;S2:获得集群智能体的个数,以及各智能体在指定坐标系下的初始状态量;S3:获得多智能体集群所需生成的目标构型参数;S4:根据智能体集群的当前运动初始状态量以及目标构型参数,为每个智能体设计控制律,并确定控制律的参数取值;S5:根据控制律进行多智能体集群运动控制,并以某一终止时刻或集群状态量稳定在一定误差范围内为终止条件。本发明由于控制律设计较为简单,需要人为调节的参数较少,因此适用于大规模多智能体集群的自主队形控制。
Description
技术领域
本发明涉及多智能体集群运动控制领域,也适用于机器人、无人机或航天器集群运动控制,尤其涉及大规模多智能体集群生成球面构型的运动控制方法。
背景技术
多智能体集群编队运动控制是多智能体集群运动控制中的一个重要研究方向,其典型应用场景包括航天器/无人机集群编队形成与保持,地面上大型物资的协同搬 运等等。但传统的编队运动控制依赖于各智能体期望位置的实时精确设定,这在集群 个体数较为庞大、实际运动场景发生复杂变化等情况下会变得较为困难。受生物集群 中的行为协同机制、自然界中物质扩散机制等的启发,人们设计了一些基于行为的多 智能体编队运动控制方法。如沈林成等人基于拟态物理法为无人机集群设计运动控 制律,使得无人机集群仅依赖局部信息即可形成均匀分布的环形编队构型。李维等人 研究了球面上的多智能体运动控制问题,通过合适的吸引力与排斥力设计,使得智能 体集群实现会合(rendenvous)、均匀分散(uniform deployment)等运动行为。但此 类方法在三维甚至更高维空间中的集群运动控制问题中缺乏相关研究,或者普遍存 在控制律形式复杂的缺点。在实际应用中,有些任务对智能体集群编队构型的精度并 没有太高要求,如对空间物体的捕获、地面大型物资的协同运输等任务,或者面对大 规模集群运动控制问题,需要控制律的设计以及参数选取方法较为简单,同时使得集 群具有较灵活、适应复杂多变环境的运动特性。因此,有必要设计一种较为简单的控 制律,实现多智能体集群三维构型的自主形成。
发明内容
本发明的目的在于为多智能体集群对指定目标位置生成均匀球面分散构型提供一种较为简便的控制方法,从而解决现有技术中多智能体集群编队控制依赖于精确 位置确定、灵活性较差的问题。
为了解决上述问题,本文采用的技术方案如下:
一种多智能体集群对指定目标位置的均匀球面分散控制方法,包括步骤如下:
S1:确定多智能体集群运动所处的三维空间直角坐标系,以及所应满足的动力学模型;
S2:获得集群智能体的个数,包括目标位置在内的集群通信网络拓扑,以及各智能体在指定坐标系下的初始状态量;
S3:获得多智能体集群所需生成的目标构型参数;
S4:根据智能体集群的当前运动初始状态量以及目标构型参数,为每个智能体设计控制律,并确定控制律的参数取值;
S5:根据所设计的控制律,进行多智能体集群运动控制,并根据具体需要,以某 一终止时刻或集群状态量稳定在一定误差范围内为终止条件;
S6:判断集群运动形成的构型是否满足要求,若不满足则根据S4重新进行参数 调整。
作为本发明的进一步改进,多智能体均采用质点模型,各智能体运动状态量仅考虑指定空间直角坐标系下的三维位置坐标和三维速度坐标,共6个状态分量,不考 虑智能体的加速度,也不考虑智能体的姿态及其变化率。
作为本发明的进一步改进,所述初始状态量包括集群各智能体i的位置量和速度量。
作为本发明的进一步改进,所述目标构型参数包括目标构型的中心位置和目标构型半径。
作为本发明的进一步改进,所述S2中集群通信网络拓扑包括目标位置,并且要 求具有向生成树结构,同时各智能体均能明确测得阈值范围内的邻近个体位置,并不 要求所有个体之间存在直接通信关系。
作为本发明的进一步改进,所述阈值范围Do为集群智能体之间的排斥作用力距离检测阈值,可按如下公式取值
其中,rd为目标球面构型半径,n为集群智能体的个数。
作为本发明的进一步改进,所述S4中的控制律具体包括群集力、阻尼力、个体 间排斥项和目标位置排斥项四项,每个智能体的运动设计如下形式的控制律:
第一项称为群集力,第二项称为阻尼力,第三项称为个体间排斥项,第四项称为目标位置排斥项,其形式分别为
其中,ξi(t)和ζi(t)分别表示t时刻下智能体i的位置坐标和速度坐标,ξt(t)表示t时刻下智能体i的期望位置坐标,即目标构型中心位置;aij表示个体i与j之间的通 信关系,b为目标状态量比例系数,Vij为集群个体i与j间的排斥势函数,Vit为集群 个体i与目标间的排斥势函数,c、γ、k、k0分别为群集力系数、阻尼力系数、个体间 排斥力系数以及个体与目标位置间排斥力系数。
作为本发明的进一步改进,所述控制律最终球形构型为:
其中r为集群最终稳定构型的半径,Dot为集群智能体与目标位置间的排斥作用力距离检测阈值;Fp(n,r,k)表示各个智能体所受其他个体的排斥力之和的大小,由智能 体集群在球面上均匀分散的数值仿真结果得到近似公式为
本发明的有益效果是:
本发明基于一致性算法和人工势场法,提供了较为简便的多智能体球面构型形成控制方法,并根据最终构型平衡条件提供了一个表达式,为参数选取提供参考依据。 无需指定目标构型中每一智能体的期望位置,只需指定目标构型中心位置和期望半 径,便可通过合适的控制律参数取值,控制智能体集群自主生成目标构型,充分体现 了多智能体集群的智能性与协同运动特性;控制律参数较少且明晰,并且与最终构形 参数之间存在明确的关系式,可通过大规模搜索算法进行参数整定,并可根据对控制 效果的具体要求添加更多的约束条件进行优化。由于控制律设计较为简单,需要人为 调节的参数较少,因此适用于大规模多智能体集群的自主队形控制。
附图说明
图1是本发明的多智能体集群生成指定均匀球面构型的计算流程示意图。
图2是多智能体集群控制量中的一致性算法项示意图(显示了集群内部、集群向目标的聚集效果)。
图3是多智能体集群控制量中的个体间排斥项以及个体与目标间排斥项示意图。
图4是具体实施例中航天器集群在主航天器LVLH坐标系下的初始位置分布图。
图5是具体实施例中航天器集群在主航天器LVLH坐标系下的运动轨迹图。
图6是具体实施例中集群各航天器中心相对于主航天器中心的位置各分量随时间变化图。
图7是具体实施例中集群各航天器中心相对于主航天器中心的速度各分量随时间变化图。
图8是具体实施例中集群各航天器的控制量各分量随时间变化图。
图9是具体实施例中集群各航天器间的最大和最小距离随时间变化图。
图10是具体实施例中集群各航天器与主航天器表面间的最小距离随时间变化图。
具体实施方式:
为了使本领域人员更好地理解本发明中的技术方案,下面列举一个具体实施例,说明本专利所述的多智能体集群对指定目标位置的均匀球面分散控制方法的具体计 算过程。应当理解,下面所描述的实施例仅是本专利中的部分实施例,而不是全部实 施例。基于本发明中的实施例,在本领域及相关领域技术人员在未做出创造性劳动的 前提下所获得的所有其他实施例,均属于本专利的保护范围。
本发明一种多智能体集群对指定目标位置的均匀球面分散控制方法,包括步骤如下:
S1:明确多智能体集群运动所处的三维空间直角坐标系,以及所应满足的动力学模型;
其中,各智能体均采用质点模型,即所述的各智能体运动状态量仅考虑指定空间直角坐标系下的三维位置坐标和三维速度坐标,共6个状态分量,不考虑智能体的 加速度,也不考虑智能体的姿态及其变化率。
S2:给定集群智能体的个数n,包括目标位置在内的集群通信网络拓扑,以及各 智能体在指定坐标系下的初始状态量。初始状态量包括集群各智能体i(i=1,2,3,...,n)的位置量ξi(0)和速度量ζi(0)。
其中,所述S2中集群通信网络拓扑包括目标位置,并且要求具有有向生成树结 构(以目标位置为唯一根节点,即集群所有个体均可明确测得自身相对于目标位置的 位置向量),同时各智能体均可明确测得由发明内容S4中公式(8)所述的阈值范围内 的邻近个体位置,并不要求所有个体之间存在直接通信关系。
S3:明确多智能体集群所需生成的目标构型参数;
其中,所设计的控制方法经过适当的参数调整后,能够使多智能体集群以自组织的方式形成满足S3中确定的目标构型参数条件的均匀球面分布构型,而无需一一指 定各智能体的绝对或相对位置,因而对于大规模多智能体集群球形编队控制具有较 好的适用性。目标构型参数包括目标构型的中心位置ξt(t)和目标构型半径rd。
S4:根据智能体集群的当前运动状态量以及目标构型参数,为每个智能体设计控制律,并根据发明内容S4中的公式(12)及参数调整规则,确定控制律的参数取值;
其中,所述S4中的控制律由一致性算法聚集项(在发明内容S4的公式(4)中对 应于群集力和阻尼力)和人工势场排斥项(在发明内容S4的公式(4)中对应于个体间 排斥项和目标位置排斥项)组成,无需为了生成球面构型而特地考虑球面运动条件, 控制律原理较为简单。最终球形构型效果的实现依赖于所述S4中的公式(12)及参数 调整规则所确定的参数取值。
其中,所述S4中的控制律具体包括群集力、阻尼力、个体间排斥项和目标位置 排斥项四项。其中群集力基于一致性算法设计,用于实现集群中心向目标位置的趋近, 同时集群整体实现自组织聚集(图2)。阻尼力亦基于一致性算法设计,用于减少个 体间的相对运动以及个体相对于目标位置的运动。个体间排斥项基于人工势场法设 计,用于使得集群在期望构型球面附近尽可能均匀分布(图3)。目标位置排斥项亦 基于人工势场法设计,用于使得集群向目标构型球面上运动(图3)。
S5:根据所设计的控制律,进行多智能体集群运动控制,并根据具体需要,以某 一终止时刻或集群状态量稳定在一定误差范围内为终止条件;
S6:判断集群运动形成的构型是否满足要求,若不满足则根据发明内容S4中的 公式(12)及参数调整规则,重新进行参数调整。
其中,所述S6中的参数调整步骤能够减少最终构型参数期望值与实际值间的差异,并能够增强最终构型的均匀性、球面性,改善集群运动所实现的效果。
具体地,本发明一种多智能体集群对指定目标位置的均匀球面分散控制方法,具体包含如下步骤:
S1:(给定动力学模型)在指定的三维空间直角坐标系中,明确集群中各智能体 i的运动所遵循的动力学方程。其具体形式为
其中ξi(t)和ζi(t)分别表示t时刻下智能体i的位置坐标和速度坐标(可简写为ξi和ζi,但仍然为时变量)。如果不考虑智能体运动所受的动力学约束,则可将上式简 化为
即控制量直接对应于智能体的加速度。
本发明不考虑智能体的异构性,即认为各个智能体具有相同的质量。为简化问题讨论,假设每个智能体均具有时不变的单位质量,从而控制量具有加速度量纲,于是 系统动力学方程可简化为
S2:(指定通信网络结构和初始状态)给定n个智能体组成的集群通信网络拓扑 结构(用于控制律中的群集力和阻尼力确定,与个体间排斥项和目标位置排斥项无 关),以及各智能体i的初始位置ξi(0)和速度ζi(0);
S3:(指定目标构型)给定集群运动目标构型中心位置ξt(t)(可简写为ξt)及半径R;
S4:(控制律设计)为每个智能体的运动设计如下形式的控制律:
第一项称为群集力,第二项称为阻尼力,第三项称为个体间排斥项(沿Vij的负梯度方向,Vij称为集群个体i与j间的排斥势函数),第四项称为目标位置排斥项(沿 Vit的负梯度方向,Vit称为集群个体i与目标间的排斥势函数),其形式分别为
其中,ξi(t)和ζi(t)分别表示t时刻下智能体i的位置坐标和速度坐标(可简写为ξi和ζi),ξt(t)表示t时刻下智能体i的期望位置坐标(即目标构型中心位置),aij表 示个体i与j之间的通信关系(如果个体j的信息能传给个体i,则aij=1,否则aij=0), b为目标状态量比例系数,Vij为集群个体i与j间的排斥势函数(其公式详见具体实 施方式中的公式6),Vit为集群个体i与目标间的排斥势函数(其公式详见具体实施 方式中的公式7),c、γ、k、k0分别为群集力系数、阻尼力系数、个体间排斥力系数以 及个体与目标位置间排斥力系数。
控制律后两项中的势函数形式分别为
Do为集群智能体之间的排斥作用力距离检测阈值,可按如下公式取值
其中,rd为目标球面构型半径,n为集群智能体的个数。
(该值大于智能体在半径为rd的球面上均匀分布时对应的多面体平均棱长,可保证周围的最近邻个体均处于该阈值确定的范围内),Dot为集群智能体与目标位置间的 排斥作用力距离检测阈值,aij为集群通信网络拓扑(在集群个体数较少时可取为双向 全连通拓扑)中个体i与j之间的通信关系权值,其取值为
c称为群集项增益系数,γ称为阻尼系数,b称为牵制系数,k称为个体间排斥系数,k0称为目标位置排斥系数。
控制律公式10可对集群整体写成矩阵形式为
其中X(t)=(ξ1(t),ζ1(t),ξ2(t),ζ2(t),...,ξn(t),ζn(t))T为集群各智能体状态量构成的列向量; Ln为集群通信网络拓扑邻接矩阵An=(aij)n×n对应的拉普拉斯矩阵;Gn=bIn为牵制矩阵, 可取b=n。其他系数可根据由最终稳定构型平衡条件
(加括号的项在集群运动稳定时为0,可以略去)得到的如下关系式取值:
其中r为集群最终稳定构型的半径(为期望的值),Dot为集群智能体与目标位置 间的排斥作用力距离检测阈值(可取为目标球面构型半径rd);Fp(n,r,k)表示各个智能 体所受其他个体的排斥力之和的大小,由智能体集群在球面上均匀分散的数值仿真 结果得到近似公式为
为了保证集群在指定位置成功生成接近于某一半径均匀分布的球面分布构型,控制律各参数取值可参考具体实施例,在此基础上给出如下参数调整规则:
1.一般地,在控制律各参数参考取值的基础上,目标构型半径r接近于1时,将 智能体与目标作用力方向变化阈值Dot取为目标构型半径即可;
2.如果上一步参数取值无法满足要求,则尽可能只通过改变智能体与目标作用力方向变化阈值Dot,来使期望构型半径r满足要求,Dot的变化方向与r的变化方向一 致;
3.如果上一步参数调整无法满足需求,则将个体间排斥系数k、目标位置排斥系数k0分别向各自的r3倍和r2倍方向调整;
4.如果集群生成的构型相对于标准球面存在波动,则通过适当增大群集项增益系数c可抑制这种波动;
5.如果集群最终构型的中心位置相对于期望位置存在偏移,则通过适当增大牵制系数b可抑制这种偏移。
S5:(集群运动控制)利用上述控制律及系数取值,控制多智能体集群运动到目 标构型处,可以取指定时刻、集群状态量稳定在一定误差范围内等条件为终止条件;
S6:(效果评价与迭代调整)通过定性或定量分析,评价集群运动是否实现了期 望的运动效果,如果不满足需要则对控制律各系数进行迭代调整。
以下结合具体实施例对本发明进行详细说明。
实施例
本发明选择航天器编队控制问题,来验证本发明中的控制方法在航天器球形编队形成控制中的有效性。
S1:给出航天器集群运动的动力学模型。考虑绕主航天器做近距离运动的n颗 航天器组成的集群。在主航天器当地水平-当地垂直(LVLH)坐标系下,每颗航天器 的动力学方程可由航天器相对运动的CW方程表示为如下形式:
其中Xi(t)=(ξi(t),ζi(t))T为当前时刻t下航天器i的状态向量,ξi(t)=(xi(t),yi(t),zi(t))T为当前时刻t下航天器i的位置向量,为当前时刻t下航天器的 速度向量,Ui(t)为当前时刻t下航天器i的控制向量(由于不考虑航天器质量,与航 天器的加速度对应)。D为航天器的系统动力学矩阵,B为航天器的控制矩阵,其形 式分别为
其中
On和In分别表示n阶零矩阵和n阶单位矩阵,ω表示主航天器绕中心天体公转角 速度。这里我们假设主航天器在距地面901km的圆轨道上运动,在不考虑地球非球 形引力摄动、大气阻力等摄动因素的情况下,算得ω≈0.0010rad/s(在本实施例中,默 认长度单位为km,时间单位为s,角度单位为rad,因而可将单位名称省略)。
S2:给定航天器集群通信网络拓扑结构和初始状态。取集群航天器个数n=100。集群内部通信网络拓扑采用全连通结构,并假设集群所有个体均可获知目标位置和 目标构型半径信息。集群初始时刻在主航天器LVLH坐标系中的[0,1]×[0,1]×[0,1]区间 内随机分布,但各航天器中心与其他航天器中心保持0.4km以上的安全距离,同时 与原点(即主航天器中心位置)保持0.8km以上的距离。集群初始速度为0。
S3:给定航天器集群的目标球形构型位置及半径。这里我们让航天器集群在主航天器周围形成球形包围构型,因此取目标构型中心为原点,即ξt=(0,0,0)T,并给定期 望构型半径为0.8km,即R=0.8。根据公式12可算得集群期望生成的构型半径 r=0.7503。
S4:控制律参数确定。取主航天器通信权值b=100,群集项增益系数c=1.0×10-6,阻尼系数γ=1.0×10-4,集群航天器间排斥系数k=1.0×10-6,主航天器排斥系数 k0=1.0×10-3,主航天器作用力变化阈值Dot=0.8。
S5:运用上述控制律,控制航天器集群由初始运动状态出发运动2000s,得到仿 真结果如附图4~图10所示。由航天器与目标位置间最大和最小距离随时间变化图 (图10)可以发现,集群运动较好地收敛到以主航天器为中心、半径为 0.7724±0.0001km的球形构型上,较好地接近于目标构型。
S6:如果认为所生成的构型无法满足要求,则根据发明内容S4中的参数调整规 则进行参数调整。如可通过向上微调Dot,使得生成的构型半径更接近于0.8km。
以上披露的所有文章和参考资料,包括发明申请和出版物,出于各种目的通过援引结合于此。描述组合的术语“基本由…构成”应该包括所确定的元件、成分、部件或 步骤以及实质上没有影响该组合的基本新颖特征的其他元件、成分、部件或步骤。使 用术语“包含”或“包括”来描述这里的元件、成分、部件或步骤的组合也想到了基本由 这些元件、成分、部件或步骤构成的实施方式。这里通过使用术语“可以”,旨在说明 “可以”包括的所描述的任何属性都是可选的。
多个元件、成分、部件或步骤能够由单个集成元件、成分、部件或步骤来提供。 另选地,单个集成元件、成分、部件或步骤可以被分成分离的多个元件、成分、部件 或步骤。用来描述元件、成分、部件或步骤的公开“一”或“一个”并不说为了排除其他 的元件、成分、部件或步骤。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显 而易见的。因此,本教导的范围不应该参照上述描述来确定,而是应该参照前述权利 要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的,所有文 章和参考包括发明申请和公告的公开都通过参考结合在本文中。在前述权利要求中 省略这里公开的主题的任何方面并不是为了放弃该主体内容,也不应该认为申请人 没有将该主题考虑为所公开的发明主题的一部分。
Claims (8)
1.一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,包括步骤如下:
S1:确定多智能体集群运动所处的三维空间直角坐标系,以及所应满足的动力学模型;
S2:获得集群智能体的个数,包括目标位置在内的集群通信网络拓扑,以及各智能体在指定坐标系下的初始状态量;
S3:获得多智能体集群所需生成的目标构型参数;
S4:根据智能体集群的当前运动初始状态量以及目标构型参数,为每个智能体设计控制律,并确定控制律的参数取值;
S5:根据所设计的控制律,进行多智能体集群运动控制,并根据具体需要,以某一终止时刻或集群状态量稳定在一定误差范围内为终止条件;
S6:判断集群运动形成的构型是否满足要求,若不满足则根据S4重新进行参数调整。
2.根据权利要求1所述的一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,多智能体均采用质点模型,各智能体运动状态量仅考虑指定空间直角坐标系下的三维位置坐标和三维速度坐标,共6个状态分量,不考虑智能体的加速度,也不考虑智能体的姿态及其变化率。
3.根据权利要求1所述的一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,所述初始状态量包括集群各智能体i的位置量和速度量。
4.根据权利要求1所述的一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,所述目标构型参数包括目标构型的中心位置和目标构型半径。
5.根据权利要求1所述的一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,所述S2中集群通信网络拓扑包括目标位置,并且要求具有向生成树结构,同时各智能体均能明确测得阈值范围内的邻近个体位置,并不要求所有个体之间存在直接通信关系。
7.根据权利要求1所述的一种多智能体集群对指定目标位置的均匀球面分散控制方法,其特征在于,所述S4中的控制律具体包括群集力、阻尼力、个体间排斥项和目标位置排斥项四项,每个智能体的运动设计如下形式的控制律:
第一项称为群集力,第二项称为阻尼力,第三项称为个体间排斥项,第四项称为目标位置排斥项,其形式分别为
其中,ξi(t)和ζi(t)分别表示t时刻下智能体i的位置坐标和速度坐标,ξt(t)表示t时刻下智能体i的期望位置坐标,即目标构型中心位置;aij表示个体i与j之间的通信关系,b为目标状态量比例系数,Vij为集群个体i与j间的排斥势函数,Vit为集群个体i与目标间的排斥势函数,c、γ、k、k0分别为群集力系数、阻尼力系数、个体间排斥力系数以及个体与目标位置间排斥力系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183291.4A CN112306020B (zh) | 2020-10-29 | 2020-10-29 | 一种多智能体集群对指定目标位置的均匀球面分散控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011183291.4A CN112306020B (zh) | 2020-10-29 | 2020-10-29 | 一种多智能体集群对指定目标位置的均匀球面分散控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112306020A true CN112306020A (zh) | 2021-02-02 |
CN112306020B CN112306020B (zh) | 2021-10-26 |
Family
ID=74332021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011183291.4A Active CN112306020B (zh) | 2020-10-29 | 2020-10-29 | 一种多智能体集群对指定目标位置的均匀球面分散控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112306020B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140232987A1 (en) * | 2011-09-23 | 2014-08-21 | Carl Zeiss Ag | Device and method for imaging an ocular fundus |
CN104181813A (zh) * | 2014-06-11 | 2014-12-03 | 北京理工大学 | 具有连通性保持的拉格朗日系统自适应控制方法 |
GB201421540D0 (en) * | 2013-12-06 | 2015-01-21 | Bae Systems Plc | Payload delivery |
US20150301529A1 (en) * | 2012-02-13 | 2015-10-22 | C & P Technologies, Inc. | Method and apparatus for dynamic swarming of airborne drones for a reconfigurable array |
CN105045285A (zh) * | 2015-09-14 | 2015-11-11 | 东南大学 | 球面环绕编队控制的几何设计方法 |
CN107367944A (zh) * | 2017-09-04 | 2017-11-21 | 贾永楠 | 一种面向多智能体系统的集群控制方法 |
CN107992090A (zh) * | 2018-01-25 | 2018-05-04 | 西北工业大学深圳研究院 | 一种应用于网络化集群智能体系统的自适应编队方法 |
CN108549407A (zh) * | 2018-05-23 | 2018-09-18 | 哈尔滨工业大学(威海) | 一种多无人机协同编队避障的控制算法 |
CN108958028A (zh) * | 2018-05-24 | 2018-12-07 | 大连理工大学 | 基于改进粒子群算法的群机器人协同搜索方法 |
US20180356842A1 (en) * | 2017-02-28 | 2018-12-13 | Gopro, Inc. | Autonomous Tracking Based On Radius |
CN109062252A (zh) * | 2018-08-27 | 2018-12-21 | 中国人民解放军战略支援部队航天工程大学 | 基于人工势场法的四旋翼无人机集群控制方法及其装置 |
CN109084774A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 一种基于信道状态信息的无人机集群定位方法 |
CN109445447A (zh) * | 2019-01-14 | 2019-03-08 | 北京航空航天大学 | 一种多智能体编队跟踪控制方法及系统 |
US20190122568A1 (en) * | 2017-08-11 | 2019-04-25 | Airdog, Inc. | Autonomous vehicle operation |
US20190179345A1 (en) * | 2017-12-13 | 2019-06-13 | Digital Aerolus, Inc. | Control of vehicle movement by application of geometric algebra and state and error estimation |
CN110502032A (zh) * | 2019-08-31 | 2019-11-26 | 华南理工大学 | 一种基于行为控制的无人机集群编队飞行方法 |
CN110597059A (zh) * | 2019-09-05 | 2019-12-20 | 武汉大学 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
CN111273685A (zh) * | 2020-01-21 | 2020-06-12 | 沈阳航空航天大学 | 一种异构多无人机自主聚集、分离及合并集群方法 |
CN111651705A (zh) * | 2020-05-18 | 2020-09-11 | 北京航空航天大学 | 集群编队跟踪控制方法 |
CN111766783A (zh) * | 2020-06-29 | 2020-10-13 | 北京航空航天大学 | 一种面向集群系统的有限时间内收敛的编队合围跟踪方法 |
CN111831008A (zh) * | 2020-06-18 | 2020-10-27 | 航空工业信息中心 | 一种基于分布式架构的无人机编队协同控制系统及其方法 |
-
2020
- 2020-10-29 CN CN202011183291.4A patent/CN112306020B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140232987A1 (en) * | 2011-09-23 | 2014-08-21 | Carl Zeiss Ag | Device and method for imaging an ocular fundus |
US20150301529A1 (en) * | 2012-02-13 | 2015-10-22 | C & P Technologies, Inc. | Method and apparatus for dynamic swarming of airborne drones for a reconfigurable array |
GB201421540D0 (en) * | 2013-12-06 | 2015-01-21 | Bae Systems Plc | Payload delivery |
CN104181813A (zh) * | 2014-06-11 | 2014-12-03 | 北京理工大学 | 具有连通性保持的拉格朗日系统自适应控制方法 |
CN105045285A (zh) * | 2015-09-14 | 2015-11-11 | 东南大学 | 球面环绕编队控制的几何设计方法 |
US20180356842A1 (en) * | 2017-02-28 | 2018-12-13 | Gopro, Inc. | Autonomous Tracking Based On Radius |
US20190122568A1 (en) * | 2017-08-11 | 2019-04-25 | Airdog, Inc. | Autonomous vehicle operation |
CN107367944A (zh) * | 2017-09-04 | 2017-11-21 | 贾永楠 | 一种面向多智能体系统的集群控制方法 |
US20190179345A1 (en) * | 2017-12-13 | 2019-06-13 | Digital Aerolus, Inc. | Control of vehicle movement by application of geometric algebra and state and error estimation |
CN107992090A (zh) * | 2018-01-25 | 2018-05-04 | 西北工业大学深圳研究院 | 一种应用于网络化集群智能体系统的自适应编队方法 |
CN108549407A (zh) * | 2018-05-23 | 2018-09-18 | 哈尔滨工业大学(威海) | 一种多无人机协同编队避障的控制算法 |
CN108958028A (zh) * | 2018-05-24 | 2018-12-07 | 大连理工大学 | 基于改进粒子群算法的群机器人协同搜索方法 |
CN109084774A (zh) * | 2018-08-07 | 2018-12-25 | 西安电子科技大学 | 一种基于信道状态信息的无人机集群定位方法 |
CN109062252A (zh) * | 2018-08-27 | 2018-12-21 | 中国人民解放军战略支援部队航天工程大学 | 基于人工势场法的四旋翼无人机集群控制方法及其装置 |
CN109445447A (zh) * | 2019-01-14 | 2019-03-08 | 北京航空航天大学 | 一种多智能体编队跟踪控制方法及系统 |
CN110502032A (zh) * | 2019-08-31 | 2019-11-26 | 华南理工大学 | 一种基于行为控制的无人机集群编队飞行方法 |
CN110597059A (zh) * | 2019-09-05 | 2019-12-20 | 武汉大学 | 面向无人系统的椋群式智能群体动态网络拓扑构建方法 |
CN111273685A (zh) * | 2020-01-21 | 2020-06-12 | 沈阳航空航天大学 | 一种异构多无人机自主聚集、分离及合并集群方法 |
CN111651705A (zh) * | 2020-05-18 | 2020-09-11 | 北京航空航天大学 | 集群编队跟踪控制方法 |
CN111831008A (zh) * | 2020-06-18 | 2020-10-27 | 航空工业信息中心 | 一种基于分布式架构的无人机编队协同控制系统及其方法 |
CN111766783A (zh) * | 2020-06-29 | 2020-10-13 | 北京航空航天大学 | 一种面向集群系统的有限时间内收敛的编队合围跟踪方法 |
Non-Patent Citations (2)
Title |
---|
常凯等: "无人机编队对地面目标追踪问题研究", 《电光与控制》 * |
薛向宏等: "主从式编队航天器连通性保持与碰撞规避", 《宇航学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112306020B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liao et al. | Distributed formation and reconfiguration control of VTOL UAVs | |
Nodland et al. | Neural network-based optimal adaptive output feedback control of a helicopter UAV | |
CN108897338B (zh) | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 | |
Fedele et al. | A kinematic model for swarm finite-time trajectory tracking | |
CN109683626B (zh) | 一种基于自适应rbf神经网络的四旋翼无人机编队控制方法 | |
CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
Ren et al. | Overview of recent research in distributed multi-agent coordination | |
Kumar et al. | Rotorcraft parameter estimation using radial basis function neural network | |
Ulus et al. | Neural network and fuzzy logic-based hybrid attitude controller designs of a fixed-wing UAV | |
Li et al. | Optimized neural network based sliding mode control for quadrotors with disturbances | |
Lee et al. | Automatic gain tuning method of a quad-rotor geometric attitude controller using A3C | |
El Gmili et al. | Quadrotor Identification through the Cooperative Particle Swarm Optimization‐Cuckoo Search Approach | |
Doakhan et al. | Cooperative payload transportation with real-time formation control of multi-quadrotors in the presence of uncertainty | |
Lazim et al. | Intelligent observer-based feedback linearization for autonomous quadrotor control | |
CN112306020B (zh) | 一种多智能体集群对指定目标位置的均匀球面分散控制方法 | |
CN117724533A (zh) | 一种基于改进超螺旋的高速飞行器编队控制方法及系统 | |
CN112046794A (zh) | 基于混合高斯模型的固定时间约束的航天器集群控制方法 | |
CN109857146B (zh) | 一种基于前馈和权值分配的分层无人机跟踪控制方法 | |
Celen et al. | Trajectory tracking of a quadcopter using fuzzy logic and neural network controllers | |
Song et al. | Artificial Potential Field‐Based Multi‐UAV Formation Control and Target Tracking | |
Okhitina et al. | Biologically inspired optimization algorithm in satellite attitude control problems | |
Zhang et al. | Fast trajectory optimization for quadrotor landing on a moving platform | |
Jafari et al. | A game theoretic based biologically-inspired distributed intelligent Flocking control for multi-UAV systems with network imperfections | |
Wu et al. | Adaptive sliding mode control of quadrotor UAV based on neural network | |
Tomashevich et al. | High-order adaptive control in multi-agent quadrotor formation. |
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 |