CN112363539A - 多无人机协同目标搜索方法 - Google Patents
多无人机协同目标搜索方法 Download PDFInfo
- Publication number
- CN112363539A CN112363539A CN202011296874.8A CN202011296874A CN112363539A CN 112363539 A CN112363539 A CN 112363539A CN 202011296874 A CN202011296874 A CN 202011296874A CN 112363539 A CN112363539 A CN 112363539A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- search
- aerial vehicle
- target
- probability
- 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 description 56
- 238000004891 communication Methods 0.000 claims abstract description 59
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 230000033001 locomotion Effects 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 26
- 230000005540 biological transmission Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005562 fading Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/12—Target-seeking control
-
- 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/292—Multi-camera tracking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种用于多架无人机搜索目标任务的优化处理,包括:将单架无人机搜索目标的先验概率分布作为搜索区域的先验搜索图,并对先验搜索图进行迭代更新,获得单架无人机更新搜索图;计算无人机之间的通信概率,基于通信概率确定任意两架无人机之间的可通信性,确定无人机通信网络;基于无人机间的通信概率,对各架无人机之间的搜索图进行融合,获得融合搜索图;结合目标运动,对融合搜索图进行更新,获得融合更新搜索图;单架无人机基于融合更新搜索图,优化无人机位置,引导无人机飞行。本发明综合考虑并优化了多无人机搜索任务中的通信性能和搜索性能,更加适应于运动目标的搜索,尤其是实际的复杂海洋环境下的目标搜索任务。
Description
技术领域
本发明涉及无人机控制技术领域,尤其涉及一种多无人机协同目标搜索方法。
背景技术
无人机在目标搜救领域应用优势明显。
以海上目标搜索为例,相比于目前的船舶搜索模式,利用无人机搜索海域内运动目标具有使用灵活、安全度高和搜索效率高等优点,因此正逐步应用于复杂海洋环境下的大范围、长时间搜索任务。通常,无人机按照规划航线航行,通过搭载的高清摄像头等设备对任务区域进行探测,以期能够尽快完成目标搜索或尽可能覆盖更多目标区域。此外,相比于单架无人机,多架无人机可通过信息融合、行为协同等措施有效提高搜索效率,正逐渐得到越来越多的关注。
现有的无人机协同目标搜索方法主要包括三种,即几何法、随机法、启发式方法。几何法通过规划平行线、螺旋线等标准路径以引导无人机全覆盖目标区域,随机法即引导无人机在任务区域内随机航行,经过时间累积逐渐覆盖区域并搜索到目标,这两种方法原理简单、使用灵活,但因缺乏启发式引导策略导致搜索效率低下。启发式方法基于区域的搜索图信息,采取各类启发式策略如模型预测控制、梯度法、神经网络等确定未来搜索行为,但由于搜索图信息复杂,无人机容易陷入局部最优,导致覆盖不到高概率区域,搜索效率较低。此外,每架无人机的搜索历史不同,因此还需要进行信息融合及时更新搜索图信息,以确定更优的未来搜索行为。现有信息融合方法主要有平均法、替代更新法及一致性融合等方法。多智能体信息融合中一致性问题是普遍存在的一类问题,多智能体系统状态达到一致的速度对于搜索效率有重要的影响。
协同目标搜索轨迹优化的核心在于如何规划多无人机的轨迹,目前的研究大多数仅考虑了搜索性能而忽视了通信性能。目前有很多关于多无人机通信网络连通控制的研究,他们将协同搜索问题简单分为通信网络拓扑控制框架和运动控制框架,在保证网络连通度的前提下规划多无人机的路径。但需注意的是搜索性能和通信性能是互相影响的,因此为了获得更优的搜索路径可以将两方面性能综合考虑。
基于以上可知,多无人机协同搜索任务存在以下问题:(1)多无人机协同搜索过程中,搜索性能和通信性能互相影响和制约,信息融合的一致性收敛速度对搜索效率会产生较大的影响;(2)启发式方法在搜索图已知的情况下更加有效,但往往存在局部最优问题,缺乏全局考虑,影响搜救效率。
因此本发明拟提出一种基于状态预测器的一致性融合算法,使得收敛速度加快并提高搜索效率。其次,因此本发明基于传统的模型预测控制框架拟提出一种基于未来收益的模型预测控制框架,考虑到更广泛区域的未来搜索图信息,解决局部最优问题。最后,因此,本发明拟提出一种综合考虑两种性能的轨迹优化策略,以引导无人机更安全高效地搜索目标。
发明内容
本发明的目的在于提供一种多无人机协同目标搜索方法,该方法旨在解决现有技术中多无人机协同任务执行存在的信息融合性差、搜索效率低的技术问题,可实现无人机对运动目标快速稳定的跟踪。
为了实现上述目的,本发明提供如下技术方案:
一种多无人机协同目标搜索方法,用于多架无人机搜索目标任务的优化处理,其特征在于,包括:
将单架无人机搜索目标的先验概率分布作为搜索区域的先验搜索图,并对先验搜索图进行迭代更新,获得单架无人机更新搜索图;
计算无人机之间的通信概率,基于通信概率确定任意两架无人机之间的可通信性,确定无人机通信网络;
基于无人机间的通信概率,对各架无人机之间的搜索图进行融合,获得融合搜索图;
结合目标运动,对融合搜索图进行更新,获得融合更新搜索图;
单架无人机基于融合更新搜索图,优化无人机位置,引导无人机飞行。
本发明一些实施例中,获得单架无人机更新搜索图的方法包括:
将待搜索的任务区域进行离散化处理,划分为M个栅格;
计算无人机i的传感器在k时刻对任意栅格m的探测概率:
其中,i∈(1,N),N为执行搜索任务的无人机总数,m∈(1,M),d表示无人机与待搜索目标水平方向上的距离,该距离可通过无人机和待搜索目标之间两点间距离公式求得,-βd表示调节因子,zk表示k时刻的探测事件,ds表示无人机对探测区域的探测半径;
h表示无人机的飞行高度,θs表示以无人机为顶点,无人机探测传感器探测范围所形成探测圆锥体的顶角;
根据贝叶斯准则迭代更新探测后的区域搜索图信息:
本发明一些实施例中,确定无人机之间通信概率的方法包括:
确定第i架无人机传输信号时,第j架无人机接收信噪比:
其中Dij表示无人机i,j之间的水平距离,α是传输消耗因子,hij表示多径衰落;
假定hij是具有零均值和单位方差的高斯分布,则两架无人机之间成功传输的概率可以定义为:
其中,Γ表示接收信噪比;
在系统内设定传输概率阈值,若传输概率Pij,k(Γ≥γ)小于传输概率阈值,认为两架无人机之间无通信;
否则,认为两架无人机之间可通信。
本发明一些实施例中,获得融合搜索图的方法包括:
定义一致性融合算法:
其中aij表示无人机i,j之间的通信权重,ui是第i架无人机的控制输入,si表示第i架无人机的搜索状态,N表示执行搜索任务的无人机的数量;
引入状态预测器,定义如下:
其中δ是状态预测器的影响因子;
将区域更新搜索图信息作为上述无人机的状态,因此加入状态预测器的无人机状态方程可以表示如下:
其中{Vi,k}表示通信网络中第i架无人机的相邻无人机的集合,Ni,k表示邻接第i架无人机的无人机总数;
本发明一些实施例中,结合目标运动,对融合搜索图进行更新,获得融合更新搜索图的方法包括:
待搜索目标运动概率模型为:
其中:v为待搜索目标的运动速度,θ为待搜索目标的运动方向,运动速度v∈[0,vmax]服从Beta分布,运动方向θ服从均值为μθ,方差为的高斯分布,μv=avmax/(a+b)表示目标运动的平均速度,a,b和c均为Beta分布的参数;
基于Chapman-Kolmogorov方程可在离散空间中预测k+1时刻的区域搜索图信息,即更新之后的区域融合更新搜索图:
本发明一些实施例中,基于单架无人机基于融合更新搜索图,优化无人机位置的方法包括:
基于无人机通信网络,定义通信代价:
其中Rij,k+t=1表示在k+t时刻无人机i,j可通信,Rij,k+t=0则表示无人机i,j不可通信;
定义其中的权重函数Wij,k+t如下:
Wij,k+t=-logPij,k+t;
对通信代价进行归一化处理:
其中Cmax,Cmin分别表示在优化过程中通信代价的最大值和最小值;
归一化后的搜索性能指标JG:
其中Gmax,Gmin分别为优化过程中搜索收益的最大值和最小值;
计算最小化优化指标:
其中λC,λG∈[0,1]是权重参数,满足λC+λG=1;{V}表示无人机集合;Dmin表示无人机集合间允许的无人机间的最小距离,Dmax表示无人机集合间允许的无人机间的最大距离;
基于最小优化指标,优化无人机的位置,并根据优化得到的第一步的控制输入引导无人机飞行至下一时刻。
与现有技术相比,本发明的优点和积极效果在于:
(1)本发明综合考虑并优化了多无人机搜索任务中的通信性能和搜索性能,更加适应于运动目标的搜索,尤其是实际的复杂海洋环境下的目标搜索任务;
(2)在本发明中,在传统一致性信息融合算法上加入状态预测器,加快了多无人机信息融合的收敛速度,更好的实现了区域搜索图信息的全局共享,一定程度上提高了搜索效率;
(3)本发明在传统模型预测控制方法基础上进一步引入了未来预期收益,可从根本上解决传统方法的局部最优问题,提高搜索效率。
附图说明
图1为本发明无人机跟踪水上目标的方法流程示意图;
图2为未来预期搜索收益示意图;
图3为某一具体实施方式中初始目标概率分布示意图;
图4a为λc/λG=0.1/0.9权重下无人机搜索路径示意图;
图4b为λc/λG=0.1/0.9权重下更新后的目标概率分布;
图5a为λc/λG=0.5/0.5权重下无人机搜索路径示意图;
图5b为λc/λG=0.5/0.5权重下更新后的目标概率分布;
图6a为λc/λG=0.9/0.1权重下无人机搜索路径示意图;
图6b为λc/λG=0.9/0.1权重下更新后的目标概率分布。
具体实施方式
以下,结合附图对本发明的具体实施方式进行进一步的描述。
本发明提供一种多无人机协同目标搜索方法,具体为一种基于状态预测一致性的信息融合、考虑通信性能和搜索性能的多无人机协同目标搜索方法。该方法考虑了多无人机搜索任务中的通信性能和搜索性能,可更好的适用于复杂运动环境,尤其是复杂海洋环境下的目标搜索任务。
一种多无人机协同目标搜索方法,具体包括以下步骤。
S1:将单架无人机搜索目标的先验概率分布作为搜索区域的先验搜索图,并对先验搜索图进行迭代更新,获得单架无人机更新搜索图。
单架无人机对所搜目标的先验概率反应了单架无人机搜索到目标的概率。多无人机任务系统无人机的数量视搜索需求确定,假设为一搜索任务中,无人机的数量为N架。
将待搜索的任务区域进行离散化处理,划分为M个栅格,假设在第m个(m=1,...,M)栅格内,被搜索目标存在的概率为:
如果待搜索区域内仅有一个待搜索目标,所有无人机针对某一特定待搜索目标的所搜概率值满足:
获得每架无人机的搜索目标概率后,将所有无人机的目标概率的组合作为待搜索区域的先验搜索图信息,并对先验搜索图信息进行更新,以获得更新搜索图信息。
对先验搜索图进行更新的方法如下。
假设每架无人机都有自稳定平台,每架无人机均搭载有探测传感器,每个探测传感器的探测区域可以看做一个以无人机当前位置为顶点,顶角为θs的圆锥体,则单架无人机对待搜索区域的探测区域半径(若为海上搜索,对应为对海平面的搜索半径)为:
其中,h表示无人机的飞行高度(距离目标所在平面),本发明中假定各架无人机均在同一个固定高度飞行。
进一步计算无人机i的传感器在k时刻对任意栅格m的探测概率:
根据贝叶斯准则迭代更新探测后的区域搜索图信息:
S2:计算相邻无人机之间的通信概率,确定无人机间的通信网络;
具体的,本发明中,通过计算各无人机之间的通信成功概率来确定系统的通信网络结构。
第i架无人机传输信号时,第j架无人机接收到的信噪比为:
具体的,其中Cij表示天线增益,Dij表示无人机i,j之间的水平距离,α是传输消耗因子,hij表示多径衰落。
假定hij是具有零均值和单位方差的高斯分布,则两架无人机之间成功传输的概率可以定义为:
其中,Γ表示接收信噪比;γ为信噪比必须高于最低要求链路质量。
在系统内设定传输概率的阈值,该阈值的大小表示了两家无人机之间可成功通信的可能性。若传输概率Pij,k(Γ≥γ)小于最低要求阈值时,认为两架无人机之间是不连通的。
计算获得两架无人机之间的传输概率后,即可以根据传输概率评估通信性能,选择无人机之间的通信网络。
S3:基于无人机间的通信网络,对各架无人机之间的搜索图进行融合,获得融合搜索图;
具体的,基于MST的通信网络结构,采取带有状态预测器的一致性融合算法,对多架无人机的搜索图信息进行融合更新。
一致性算法的定义如下:
其中aij表示无人机i,j之间的通信权重,ui是第i架无人机的控制输入,si表示第i架无人机的搜索状态。N表示中执行搜索任务的无人机的数量。
引入状态预测器,定义如下:
其中δ是状态预测器的影响因子,可根据需要选择设定。
将区域更新搜索图信息作为上述无人机的状态,因此加入状态预测器的无人机状态方程可以表示如下:
S4:在本发明一些实施例中,考虑到无人机搜索目标通常是运动的,需要考虑目标的运动因素对搜索任务带来的影响。
具体以海上运动目标为例,其他运动目标的运动因素的考虑可参考海上运动目标的计算方法。
海上目标的位置会受海浪运动的影响,因此,针对海上目标的搜寻,进一步结合海浪运动,对融合搜索图进行更新,获得融合更新搜索图。
本发明中的目标环境是运动变化的,我们假定目标随海浪运动,其运动速度v和运动方向θ互相独立。运动速度v∈[0,vmax]服从Beta分布,vmax为海浪最大运动速度。运动方向θ服从均值为μθ,方差为的高斯分布。因此,它们的联合概率分布即待搜索目标运动概率模型可以表示如下:
其中:μv=avmax/(a+b)表示目标运动的平均速度,a,b和c均为Beta分布的参数。其中c=(a+b+1)!/((a-1)!(b-1)!)。
上式描述了连续空间中目标运动概率的模型。基于Chapman-Kolmogorov方程可在离散空间中预测k+1时刻的区域搜索图信息,即更新之后的区域融合搜索图:
S5:采用基于未来收益的模型预测控制方法确定各无人机的下一步执行行为。
传统的模型预测控制是通过优化n步控制输入获得未来n步的运动轨迹,由于时域长度有限,因此容易陷入局部最优,我们在此基础上加入未来步的预期搜索收益,以k+n时刻的位置作为起点,结合运动限制(如最小转弯半径,最大飞行速度等)定义一定范围的预期未来搜索区域如图2。以图中未来预期搜索区域的目标概率值作为预期收益指标
根据S2中提到的多无人机通信网络结构,定义n步通信代价:
其中Rij,k+t=1表示在k+t时刻无人机i,j是直接连通的,Rij,k+t=0则表示无人机i,j是不连通的。
定义其中的权重函数Wij,k+t如下:
Wij,k+t=-logPij,k+t; (15)
其中Pij,k+t可以由公式(6)求得,Pij,k+t的值越大,Wij,k+t的值越小。
由于两项性能指标的数量级不同,因此需要对其进行的归一化处理,归一化后的通信性能指标JC:
其中Cmax,Cmin分别表示在优化过程中通信代价的最大值和最小值。然后,将传感器探测,信息融合及目标预测更新后的区域搜索图信息作为新的搜索图信息,基于传感器探测概率模型及未来预期收益定义搜索收益指标G:
归一化后的搜索性能指标JG:
其中Gmax,Gmin分别表示优化过程中搜索收益的最大值和最小值。
最后,本发明中的运动目标搜索问题可以简化为在一定约束条件下最小化优化指标的问题:
其中λC,λG∈[0,1]是权重参数,满足λC+λG=1。{V}表示MST通信网络架构中的无人机集合。Dmin表示无人机间允许的最小距离,Dmax表示通信网络架构中无人机间允许的最远距离。
基于上述优化指标,我们采用多步优化策略,优化选择未来n步的位置,然后根据优化得到的第一步的控制输入引导无人机飞行至下一时刻。最后,重复上述步骤以更新搜索图信息及无人机的位置,直至完成目标搜索任务。
实验验证。
图3表示初始目标概率图信息,图中有三个概率比较大的区域。图4(a)、图5(a)和图6(a)分别是综合考虑通信代价和搜索收益两项指标不同权重下的8架无人机的路径规划结果,图4(b)、图5(b)和图6(b)表示任务结束后的目标概率图信息。当主要考虑搜索收益指标时无人机基本可以覆盖所有高概率目标区域,搜索过程中无人机间的距离也随之较大。当主要考虑通信性能指标时搜索效率较低,有部分高概率目标区域未被覆盖,搜索过程中无人机间的距离较小,连通性更好。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种多无人机协同目标搜索方法,用于多架无人机搜索目标任务的优化处理,其特征在于,包括:
将单架无人机搜索目标的先验概率分布作为搜索区域的先验搜索图,并对先验搜索图进行迭代更新,获得单架无人机更新搜索图;
计算无人机之间的通信概率,基于通信概率确定任意两架无人机之间的可通信性,确定无人机通信网络;
基于无人机间的通信概率,对各架无人机之间的搜索图进行融合,获得融合搜索图;
结合目标运动,对融合搜索图进行更新,获得融合更新搜索图;
单架无人机基于融合更新搜索图,优化无人机位置,引导无人机飞行。
2.如权利要求1所述的多无人机协同目标搜索方法,其特征在于,获得单架无人机更新搜索图的方法包括:
将待搜索的任务区域进行离散化处理,划分为M个栅格;
计算无人机i的传感器在k时刻对任意栅格m的探测概率:
其中,i∈(1,N),N为执行搜索任务的无人机总数,m∈(1,M),d表示无人机与待搜索目标水平方向上的距离,-βd表示调节因子,zk表示k时刻的探测事件,表示k时刻,第i个无人机所在的栅格,ds表示无人机对探测区域的探测半径;
h表示无人机的飞行高度,θs表示以无人机为顶点,无人机探测传感器探测范围所形成探测圆锥体的顶角;
根据贝叶斯准则迭代更新探测后的区域搜索图信息:
3.如权利要求2所述的多无人机协同目标搜索方法,其特征在于,确定无人机之间通信概率的方法包括:
确定第i架无人机传输信号时,第j架无人机接收信噪比:
其中Dij表示无人机i,j之间的水平距离,α是传输消耗因子,hij表示多径衰落;
假定hij是具有零均值和单位方差的高斯分布,则两架无人机之间成功传输的概率可以定义为:
其中,Γ表示接收信噪比;
在系统内设定传输概率阈值,若传输概率Pij,k(Γ≥γ)小于传输概率阈值,认为两架无人机之间无通信;
否则,认为两架无人机之间可通信。
4.如权利要求3所述的多无人机协同目标搜索方法,其特征在于,获得融合搜索图的方法包括:
定义一致性融合算法:
其中aij表示无人机i,j之间的通信权重,ui是第i架无人机的控制输入,si表示第i架无人机的搜索状态,N表示执行搜索任务的无人机的数量;
引入状态预测器,定义如下:
其中δ是状态预测器的影响因子;
将区域更新搜索图信息作为上述无人机的状态,因此加入状态预测器的无人机状态方程可以表示如下:
其中{Vi,k}表示通信网络中第i架无人机的相邻无人机的集合,Ni,k表示邻接第i架无人机的无人机总数;
6.如权利要求5所述的多无人机协同目标搜索方法,其特征在于,基于单架无人机基于融合更新搜索图,优化无人机位置的方法包括:
基于无人机通信网络,定义通信代价:
其中Rij,k+t=1表示在k+t时刻无人机i,j可通信,Rij,k+t=0则表示无人机i,j不可通信;
定义其中的权重函数Wij,k+t如下:
Wij,k+t=-log Pij,k+t;
对通信代价进行归一化处理:
其中Cmax,Cmin分别表示在优化过程中通信代价的最大值和最小值;
归一化后的搜索性能指标JG:
其中Gmax,Gmin分别为优化过程中搜索收益的最大值和最小值;
计算最小化优化指标:
其中λC,λG∈[0,1]是权重参数,满足λC+λG=1;{V}表示无人机集合;Dmin表示无人机集合间允许的无人机间的最小距离,Dmax表示无人机集合间允许的无人机间的最大距离;
基于最小优化指标,优化无人机的位置,并根据优化得到的第一步的控制输入引导无人机飞行至下一时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296874.8A CN112363539B (zh) | 2020-11-18 | 2020-11-18 | 多无人机协同目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296874.8A CN112363539B (zh) | 2020-11-18 | 2020-11-18 | 多无人机协同目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112363539A true CN112363539A (zh) | 2021-02-12 |
CN112363539B CN112363539B (zh) | 2021-09-21 |
Family
ID=74533678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011296874.8A Active CN112363539B (zh) | 2020-11-18 | 2020-11-18 | 多无人机协同目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363539B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN114020008A (zh) * | 2021-10-09 | 2022-02-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于局部规则涌现的集群协同目标搜索方法 |
CN114967728A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机集群协同搜索方法 |
CN115390584A (zh) * | 2022-04-15 | 2022-11-25 | 中国人民解放军战略支援部队航天工程大学 | 一种多机协同搜索方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142105A1 (en) * | 2009-12-15 | 2011-06-16 | Raytheon Company | Methods and apparatus for multipath mitigation |
CN103256931A (zh) * | 2011-08-17 | 2013-08-21 | 清华大学 | 无人机的可视导航系统 |
CN105700555A (zh) * | 2016-03-14 | 2016-06-22 | 北京航空航天大学 | 一种基于势博弈的多无人机协同搜索方法 |
CN106774432A (zh) * | 2017-01-16 | 2017-05-31 | 深圳汇创联合自动化控制有限公司 | 一种无人驾驶飞行器 |
CN106791704A (zh) * | 2017-01-22 | 2017-05-31 | 天津航天中为数据系统科技有限公司 | 一种多模式无人机测控通信系统及方法 |
CN107439004A (zh) * | 2016-08-11 | 2017-12-05 | 深圳市道通智能航空技术有限公司 | 一种跟踪和识别的方法、系统及飞行器 |
EP3324361A1 (fr) * | 2016-11-18 | 2018-05-23 | Safran Electronics & Defense | Procede de detection et de pistage de cibles |
CN108337034A (zh) * | 2018-01-29 | 2018-07-27 | 郑州航空工业管理学院 | 全双工无人机移动中继系统及其路径优化方法 |
US20180321693A1 (en) * | 2017-05-05 | 2018-11-08 | Pinnacle Vista, LLC | Leading drone system |
CN109976386A (zh) * | 2019-04-04 | 2019-07-05 | 中国电子科技集团公司信息科学研究院 | 一种多无人机协同跟踪目标的方法和系统 |
CN110262563A (zh) * | 2018-05-23 | 2019-09-20 | 中国海洋大学 | 多无人机协同搜索水上目标的方法 |
CN110401932A (zh) * | 2019-07-26 | 2019-11-01 | 北京邮电大学 | 一种无人机群协同感知系统和方法 |
CN110673649A (zh) * | 2019-11-12 | 2020-01-10 | 哈尔滨工业大学(深圳) | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 |
CN110782475A (zh) * | 2018-07-30 | 2020-02-11 | 中兴通讯股份有限公司 | 一种多径分量的处理方法、终端和计算机存储介质 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
-
2020
- 2020-11-18 CN CN202011296874.8A patent/CN112363539B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142105A1 (en) * | 2009-12-15 | 2011-06-16 | Raytheon Company | Methods and apparatus for multipath mitigation |
CN103256931A (zh) * | 2011-08-17 | 2013-08-21 | 清华大学 | 无人机的可视导航系统 |
CN105700555A (zh) * | 2016-03-14 | 2016-06-22 | 北京航空航天大学 | 一种基于势博弈的多无人机协同搜索方法 |
CN107439004A (zh) * | 2016-08-11 | 2017-12-05 | 深圳市道通智能航空技术有限公司 | 一种跟踪和识别的方法、系统及飞行器 |
EP3324361A1 (fr) * | 2016-11-18 | 2018-05-23 | Safran Electronics & Defense | Procede de detection et de pistage de cibles |
CN106774432A (zh) * | 2017-01-16 | 2017-05-31 | 深圳汇创联合自动化控制有限公司 | 一种无人驾驶飞行器 |
CN106791704A (zh) * | 2017-01-22 | 2017-05-31 | 天津航天中为数据系统科技有限公司 | 一种多模式无人机测控通信系统及方法 |
US20180321693A1 (en) * | 2017-05-05 | 2018-11-08 | Pinnacle Vista, LLC | Leading drone system |
CN108337034A (zh) * | 2018-01-29 | 2018-07-27 | 郑州航空工业管理学院 | 全双工无人机移动中继系统及其路径优化方法 |
CN110262563A (zh) * | 2018-05-23 | 2019-09-20 | 中国海洋大学 | 多无人机协同搜索水上目标的方法 |
CN110782475A (zh) * | 2018-07-30 | 2020-02-11 | 中兴通讯股份有限公司 | 一种多径分量的处理方法、终端和计算机存储介质 |
CN109976386A (zh) * | 2019-04-04 | 2019-07-05 | 中国电子科技集团公司信息科学研究院 | 一种多无人机协同跟踪目标的方法和系统 |
CN110401932A (zh) * | 2019-07-26 | 2019-11-01 | 北京邮电大学 | 一种无人机群协同感知系统和方法 |
CN110673649A (zh) * | 2019-11-12 | 2020-01-10 | 哈尔滨工业大学(深圳) | 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
Non-Patent Citations (18)
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113093785A (zh) * | 2021-03-09 | 2021-07-09 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN113093785B (zh) * | 2021-03-09 | 2022-10-11 | 中国电子科技集团公司第五十四研究所 | 一种通信支援下的无人机群目标覆盖方法 |
CN114020008A (zh) * | 2021-10-09 | 2022-02-08 | 中国人民解放军军事科学院国防科技创新研究院 | 基于局部规则涌现的集群协同目标搜索方法 |
CN114020008B (zh) * | 2021-10-09 | 2024-04-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于局部规则涌现的集群协同目标搜索方法 |
CN114967728A (zh) * | 2022-02-25 | 2022-08-30 | 珠海紫燕无人飞行器有限公司 | 一种无人机集群协同搜索方法 |
CN114967728B (zh) * | 2022-02-25 | 2023-03-31 | 珠海紫燕无人飞行器有限公司 | 一种无人机集群协同搜索方法 |
CN115390584A (zh) * | 2022-04-15 | 2022-11-25 | 中国人民解放军战略支援部队航天工程大学 | 一种多机协同搜索方法 |
CN115390584B (zh) * | 2022-04-15 | 2023-12-26 | 中国人民解放军战略支援部队航天工程大学 | 一种多机协同搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112363539B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112363539B (zh) | 多无人机协同目标搜索方法 | |
CN111695776B (zh) | 无人机集群分布式在线协同区域侦察方法及装置 | |
Wu et al. | Cooperative path planning for heterogeneous unmanned vehicles in a search-and-track mission aiming at an underwater target | |
CN111780777B (zh) | 一种基于改进a*算法和深度强化学习的无人车路径规划方法 | |
Wang et al. | Trajectory design for UAV-based Internet of Things data collection: A deep reinforcement learning approach | |
CN110470301B (zh) | 多动态任务目标点下的无人机路径规划方法 | |
CN106970648B (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN110908395A (zh) | 改进的无人机航迹实时规划方法 | |
Ma et al. | Improved ant colony algorithm for global optimal trajectory planning of UAV under complex environment. | |
CN112511250A (zh) | 一种基于drl的多无人机空中基站动态部署方法及系统 | |
CN113342030B (zh) | 基于强化学习的多无人机协同自组织控制方法及系统 | |
CN109657928B (zh) | 一种车载传感器系统的闭环协同调度框架的协同调度方法 | |
Ke et al. | Cooperative path planning for air–sea heterogeneous unmanned vehicles using search-and-tracking mission | |
Yan et al. | A novel path planning for AUV based on objects’ motion parameters predication | |
Zhao et al. | Global path planning of unmanned vehicle based on fusion of A∗ algorithm and Voronoi field | |
Yang et al. | Fast marine route planning for UAV using improved sparse A* algorithm | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
Jose et al. | Navigating the Ocean with DRL: Path following for marine vessels | |
Yue et al. | A new search scheme using multi‐bee‐colony elite learning method for unmanned aerial vehicles in unknown environments | |
Lu et al. | Trajectory design for unmanned aerial vehicles via meta-reinforcement learning | |
Yao et al. | Path Planning of Unmanned Helicopter in Complex Environment Based on Heuristic Deep Q‐Network | |
Xu et al. | Uav multi-target surveillance cruise trajectory planning based on dqn algorithm | |
Liu et al. | Research on cooperative search technology of heterogeneous UAVs in complex environments | |
Liu et al. | UUV trajectory prediction based on GRU neural network | |
CN117032247B (zh) | 海上救援搜索路径规划方法、装置及设备 |
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 |