CN112363539B - 多无人机协同目标搜索方法 - Google Patents

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

多无人机协同目标搜索方法

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；

获得每架无人机的搜索目标概率

将所有执行搜索任务的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；

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，-β_d表示调节因子，z_k表示k时刻的探测事件，d_s表示无人机对探测区域的探测半径；

其中，

h表示无人机的飞行高度，θ_s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：

其中，

为更新搜索图。

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，P_i为第i架无人机传输信号的功率，

为第j架无人机接收平均噪声的功率，G_ij为第i架无人机和第j架无人机之间通信通道的通道增益；

其中D_ij表示无人机i,j之间的水平距离，α是传输消耗因子，h_ij表示多径衰落；

假定h_ij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P_ij,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a_ij表示无人机i,j之间的通信权重，u_i是第i架无人机的控制输入，s_i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，

表示第i架无人机的搜索状态预测；

将

作为第i架无人机搜索路径指令控制输入的补偿，加入状态预测器后的控制输入：

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

和

分别为上式中的s_i,s_j,

设a_ij＝1/N，推导出信息融合后的区域搜索图信息即目标存在概率

如下：

其中{V_i,k}表示通信网络中第i架无人机的相邻无人机的集合，N_i,k表示邻接第i架无人机的无人机总数；

为融合搜索图，用于之后的无人机运动的预测更新。

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,v_max]服从Beta分布，运动方向θ服从均值为μ_θ，方差为

的高斯分布，μ_v＝av_max/(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R_ij,k+t＝1表示在k+t时刻无人机i,j可通信，R_ij,k+t＝0则表示无人机i,j不可通信；

定义其中的权重函数W_ij,k+t如下：

W_ij,k+t＝-logP_ij,k+t；

对通信代价进行归一化处理：

其中C_max,C_min分别表示在优化过程中通信代价的最大值和最小值；

将区域融合更新搜索图信息

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J_G：

其中G_max,G_min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λ_C,λ_G∈[0,1]是权重参数，满足λ_C+λ_G＝1；{V}表示无人机集合；D_min表示无人机集合间允许的无人机间的最小距离，D_max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λ_c/λ_G＝0.1/0.9权重下无人机搜索路径示意图；

图4b为λ_c/λ_G＝0.1/0.9权重下更新后的目标概率分布；

图5a为λ_c/λ_G＝0.5/0.5权重下无人机搜索路径示意图；

图5b为λ_c/λ_G＝0.5/0.5权重下更新后的目标概率分布；

图6a为λ_c/λ_G＝0.9/0.1权重下无人机搜索路径示意图；

图6b为λ_c/λ_G＝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：

其中，其中

表示初始时刻无人机所在的m栅格，z₀表示初始时刻的探测事件。

这一概率值表示了待搜索目标存在于栅格m处的可能性，为本发明定义的先验搜索图。

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θ_s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：

其中d表示无人机与待搜索目标水平方向上的距离，该距离可通过测量无人机和待搜索目标两点间距离公式求得；-_d表示调节因子；z_k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。

根据贝叶斯准则迭代更新探测后的区域搜索图信息：

其中，z_1:k表示k时刻之前的历史探测事件，

表示k-1时刻的搜索图信息。

为更新搜索图。

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：

其中，P_i为第i架无人机传输信号的功率，

为第j架无人机接收平均噪声的功率，G_ij为第i架无人机和第j架无人机之间通信通道的通道增益。

具体的，其中C_ij表示天线增益，D_ij表示无人机i,j之间的水平距离，α是传输消耗因子，h_ij表示多径衰落。

假定h_ij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P_ij,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a_ij表示无人机i,j之间的通信权重，u_i是第i架无人机的控制输入，s_i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，

表示第i架无人机的搜索状态预测；

将

作为第i架无人机搜索路径指令控制输入的一个补偿，加入状态预测器后的控制输入：

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：

其中

和

分别为上式中的s_i,s_j,

设a_ij＝1/N，基于上述公式，我们可以推导出信息融合后的区域搜索图信息即目标存在概率

如下：

其中{V_i,k}表示通信网络中第i架无人机的相邻无人机的集合，N_i,k表示邻接第i架无人机的无人机总数。区域目标概率图信息

将进一步更新现有的目标概率图信息

用于之后的运动目标预测更新。

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,v_max]服从Beta分布，v_max为海浪最大运动速度。运动方向θ服从均值为μ_θ，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：μ_v＝av_max/(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R_ij,k+t＝1表示在k+t时刻无人机i,j是直接连通的，R_ij,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W_ij,k+t如下：

W_ij,k+t＝-logP_ij,k+t； (15)

其中P_ij,k+t可以由公式(6)求得，P_ij,k+t的值越大，W_ij,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J_C：

其中C_max,C_min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J_G：

其中G_max,G_min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λ_C,λ_G∈[0,1]是权重参数，满足λ_C+λ_G＝1。{V}表示MST通信网络架构中的无人机集合。D_min表示无人机间允许的最小距离，D_max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 (4)

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；

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；

获得在第m个栅格内，每架无人机搜索到目标的概率

其中，m＝1,...,M，将所有执行搜索任务的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；其中，

表示初始时刻的m栅格，z₀表示初始时刻的探测事件；

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，-β_d表示调节因子，z_k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，d_s表示无人机对探测区域的探测半径；

其中，

h表示无人机的飞行高度，θ_s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：

其中，

为更新搜索图，z_1:k表示k时刻之前的历史探测事件；

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，P_i为第i架无人机传输信号的功率，

为第j架无人机接收平均噪声的功率，G_ij为第i架无人机和第j架无人机之间通信通道的通道增益；

其中D_ij表示无人机i,j之间的水平距离，α是传输消耗因子，h_ij表示多径衰落；C_ij表示天线增益；

假定h_ij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阈值，若传输概率P_ij,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。

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，获得融合搜索图的方法包括：

定义一致性融合算法：

其中a_ij表示无人机i,j之间的通信权重，u_i是第i架无人机的控制输入，s_i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，

表示第i架无人机的搜索状态预测；

将

作为第i架无人机搜索路径指令控制输入的补偿，加入状态预测器后的控制输入：

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

和

分别为上式中的

设a_ij＝1/N，推导出信息融合后的区域搜索图信息即目标存在概率

如下：

其中{V_i,k}表示通信网络中第i架无人机的相邻无人机的集合，N_i,k表示邻接第i架无人机的无人机总数；

为融合搜索图，用于之后的无人机运动的预测更新。

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，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,v_max]服从Beta分布，运动方向θ服从均值为μ_θ，方差为

的高斯分布，μ_v＝av_max/(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：

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，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R_ij,k+t＝1表示在k+t时刻无人机i,j可通信，R_ij,k+t＝0则表示无人机i,j不可通信；

定义其中的权重函数W_ij,k+t如下：

W_ij,k+t＝-logP_ij,k+t；

对通信代价进行归一化处理：

其中C_max,C_min分别表示在优化过程中通信代价的最大值和最小值；

将区域融合更新搜索图信息

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：

为传感器探测未来预期收益；

归一化后的搜索性能指标J_G：

其中G_max,G_min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λ_C,λ_G∈[0,1]是权重参数，满足λ_C+λ_G＝1；{V}表示无人机集合；D_min表示无人机集合间允许的无人机间的最小距离，D_max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。

Images