CN112925350A - 一种多无人机分布式协同目标搜索方法 - Google Patents

一种多无人机分布式协同目标搜索方法 Download PDF

Info

Publication number
CN112925350A
CN112925350A CN202110059237.7A CN202110059237A CN112925350A CN 112925350 A CN112925350 A CN 112925350A CN 202110059237 A CN202110059237 A CN 202110059237A CN 112925350 A CN112925350 A CN 112925350A
Authority
CN
China
Prior art keywords
unmanned aerial
formula
aerial vehicle
search
adopting
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
Application number
CN202110059237.7A
Other languages
English (en)
Other versions
CN112925350B (zh
Inventor
杨雅君
候昆
杨雪榕
赵玉龙
胡敏
苏运哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202110059237.7A priority Critical patent/CN112925350B/zh
Publication of CN112925350A publication Critical patent/CN112925350A/zh
Application granted granted Critical
Publication of CN112925350B publication Critical patent/CN112925350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

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)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种多无人机分布式协同目标搜索方法，属于自动控制技术领域，能够解决传统多无人机协同搜索方法效率较低的问题。所述方法包括：根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域；获取无人机对环境的不确定度地图和重要性地图；采用最小生成树策略优化多个无人机的通信拓扑；基于不确定度地图和重要性地图、以及优化后的多个无人机的通信拓扑，采用局部拍卖算法将多个子区域的搜索任务分配给多个无人机；基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，并更新无人机的运动状态，收集搜索信息，以及更新无人机对环境的认知地图。本发明用于多无人机的协同目标搜索。

Description

一种多无人机分布式协同目标搜索方法
技术领域
本发明涉及一种多无人机分布式协同目标搜索方法，属于自动控制技术领域。
背景技术
近年来，多无人机被广泛应用于野外搜救、环境监测等民用领域及协同侦察、协同攻击等军用领域。与单架无人机相比，多无人机集群能够完成复杂度高、需要高效率执行和并行完成的任务。采用多无人机可以提高任务完成的效率和成功率，例如由多架无人机从不同方位对目标进行拍摄，以获取更全面的目标信息，或者从不同角度对目标一同发起攻击以提高打击成功率。目标搜索和协同监测是多无人机系统的主要应用之一。通常来说，待搜索区域被划分为离散的搜索单元，并以与各单元相关联的不确定度和目标概率表示区域的搜索状态和目标的分布情况。多无人机协同搜索的目标是在最短时间内找到所有分散的目标并覆盖整个区域。
传统的多无人机协同搜索方法主要应用于目标分布先验信息完全未知的场景，主要的方法框架包括环境的表示与更新和无人机的路径优化。其中，常见的环境表示方法包括基于贝叶斯估计更新的概率图和不确定度图。在以上应用场景下，由于目标假设分布概率和目标数量是未知的，区域内所有位置的搜索重要性是相同的，在进行无人机的搜索任务的优化时，不需要考虑到全局的差异性，由局部最优规划得到的结果往往也是全局较优的。但在实际任务中，往往能够通过一定的模型推断出目标的分布概率，如事故中的人员搜救，航天返回舱搜寻等。依据目标的先验概率分布，区域内不同位置的搜索重要性有明显不同，无人机需要优先对重要区域进行搜索。当目标在区域内的分布概率存在差异时，由局部最优规划得到的结果全局优化性较差，因此传统的多无人机协同搜索方法效率较低。
发明内容
本发明提供了一种多无人机分布式协同目标搜索方法，能够解决传统的多无人机协同搜索方法效率较低的问题。
本发明提供了一种多无人机分布式协同目标搜索方法，所述方法包括：根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域；获取无人机对环境的认知地图；其中所述认知地图包括不确定度地图和重要性地图；采用最小生成树策略优化多个无人机的通信拓扑；基于所述不确定度地图和所述重要性地图、以及优化后的多个无人机的通信拓扑，采用局部拍卖算法将所述多个子区域的搜索任务分配给多个无人机；基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，并更新无人机的运动状态，收集搜索信息，以及更新无人机对环境的认知地图。
可选的，在所述根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域之前，所述方法还包括：
将待搜索区域划分为np个大小一致的长方形网格
Figure BDA0002900413220000021
将每个长方形网格作为基本的搜索单元；其中，所述长方形网格中心坐标记为μp＝[xp，yp]T，所述长方形网格长宽分别为Dx和Dy；所述根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域，具体包括：在待搜索区域内根据目标先验分布概率Prp随机抽取ng个离散点
Figure BDA0002900413220000022
采用三角剖分方法，以随机抽取的ng个离散点
Figure BDA0002900413220000023
为生成元构造维诺单元
Figure BDA0002900413220000024
根据第一公式计算维诺单元
Figure BDA0002900413220000025
的质心
Figure BDA0002900413220000026
所述第一公式为：
Figure BDA0002900413220000027
其中，维诺单元中离散点的密度函数ρ(p)＝Prp；当第二公式不成立时，将维诺单元的质心作为新的生成元重新构造维诺单元；当第二公式成立时，利用当前构造的维诺单元将待搜索区域划分为ng个子区域；所述第二公式为：
Figure BDA0002900413220000031
其中，ε为预设常数。
可选的，所述更新无人机对环境的认知地图，具体包括：利用第三公式更新不确定度地图；所述第三公式为：
Figure BDA0002900413220000032
Figure BDA0002900413220000033
其中，截至采样时间tk时刻，无人机Ui对离散网格cp的总探测次数为
Figure BDA0002900413220000034
在tk-1至tk时刻内的探测次数为hi，p，k；ηi，p，k∈[0，1]为不确定度地图，
Figure BDA0002900413220000035
为与Ui存在通信的其他无人机和Ui自身的集合；ηj，p，0＝1为任意无人机的初始不确定度地图，γj∈[0，1)为自定义的不确定度衰减因子；利用第四公式更新重要性地图；所述第四公式为：Si，p，k＝ηi，p，kPrp；其中，ηi，p，k为不确定度地图；Prp为目标先验分布概率。
可选的，所述采用最小生成树策略优化多个无人机的通信拓扑，具体包括：采用克鲁斯卡尔算法生成多个无人机的通信拓扑的最小生成树网络GMST(V，EMST(k))；利用第五公式对GMST进行求解；所述第五公式为：
Figure BDA0002900413220000036
其中，G(V，E(k))为多个无人机的通信拓扑，V＝{U1，U2，...，UN}表示网络中的所有通信节点；E(k)＝{(Ui，Uj)|||μi，k-μj，k||≤Rc，i≠j}表示tk时刻网络中所有通信链路的集合，Rc为无人机设计最大通信范围；G′(V，E′(k))为能确保网络连通的G的任意子图，di，j，k＝||μi，k-μj，k||表示存在通信链路的无人机Ui与无人机Uj之间的距离。
可选的，所述基于优化后的通信拓扑，采用局部拍卖算法将所述多个子区域的搜索任务分配给多个无人机，具体包括：预估每个无人机执行每个搜索任务所能获得的单位收益Rijk；对所有搜索任务进行拍卖，以无人机Ui为中心，与Ui存在通信的其他无人机和Ui自身的集合为
Figure BDA0002900413220000041
统一任务底价为Pj，k；参拍无人机
Figure BDA0002900413220000042
对任务Rj的出价为Rl，j，k，拍卖方可得拍卖收益为el，j，k＝Rl，j，k-Pj，k，每个搜索任务均由出价最高的无人机拍得；将每个无人机竞拍得到的搜索任务中单位收益最高的搜索任务分配给所述无人机。
可选的，所述预估每个无人机执行每个搜索任务所能获得的单位收益Rijk，具体包括：采用第六公式预估每个无人机执行每个搜索任务所能获得的单位收益Rij；所述第六公式为：Ri，j，k＝ri，j，k/Ci，j，k；其中，ri，j，k为预估任务收益，Ci，j，k为预估任务成本。
可选的，所述方法还包括：采用第七公式获取预估任务收益；所述第七公式为：
Figure BDA0002900413220000043
采用第八公式获取预估任务成本；所述第八公式为：
Figure BDA0002900413220000044
其中，
Figure BDA0002900413220000045
为预估时间成本；
Figure BDA0002900413220000046
为预估通信成本，β1和β2为自定义参数。
可选的，所述方法还包括：采用第九公式获取预估时间成本；所述第九公式为：
Figure BDA0002900413220000047
其中，di，j，k＝||μi，k-qj||表示无人机Ui与子区域Vj的质心之间的距离，Sj为子区域Vj的面积，SA为无人机传感器的探测面积，κ为自定义比例系数；采用第十公式获取预估通信成本；所述第十公式为：
Figure BDA0002900413220000048
其中，R′c＜Rc为自定义参数，
Figure BDA0002900413220000049
Figure BDA00029004132200000410
表示无人机Ui需要维持通信链接的无人机集合，EMST为最小生成树子图GMST中的边集。
可选的，所述基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，更新无人机的运动状态，并收集搜索信息，具体包括：基于搜索任务分配结果，采用滚动时域预测控制方法动态地生成当前时刻的最优控制输入量
Figure BDA0002900413220000051
最优控制输入量
Figure BDA0002900413220000052
采用第十一公式计算；所述第十一公式为
Figure BDA0002900413220000053
其中，Xi，k＝[μi，k，φi，k]表示Ui在tk时刻的状态，μi，k＝[xi，k，yi，k]和φi，k分别表示无人机在tk时刻的位置和航向，
Figure BDA0002900413220000054
表示与Ui存在通信的相邻无人机的状态集；将最优控制输入量
Figure BDA0002900413220000055
作为实际控制量ui，k，并根据实际控制量ui，k对无人机进行控制，更新无人机的运动状态，并收集搜索信息。
可选的，所述基于搜索任务分配结果，采用滚动时域预测控制方法动态地生成当前时刻的最优控制输入量
Figure BDA0002900413220000056
具体包括：基于无人机当前状态和运动学模型预测有限时域[tk，tk+M]内的无人机运动状态序列，状态预测满足第十二公式的约束；所述第十二公式为：
Figure BDA0002900413220000057
其中，f为无人机运动学模型，ωmax为无人机的最大转向角，M为最大预测步长；在时域[tk，tk+M]内，预测得到无人机所有可能的路径集合为
Figure BDA0002900413220000058
任意一条路径为
Figure BDA0002900413220000059
其中，
Figure BDA00029004132200000510
表示路径点；采用第十四公式获取无人机选择路径Pi l的综合效益；所述第十四公式为：
Figure BDA00029004132200000512
其中，JA为搜索任务收益；JB为网络维护与机间避撞成本；χ1和χ2为自定义参数；获取综合效益最高的路径Pi *及对应的控制序列
Figure BDA00029004132200000513
并将控制序列
Figure BDA00029004132200000514
的首步控制量作为最优控制输入量
Figure BDA00029004132200000515
本发明能产生的有益效果包括：
(1)本发明提供的多无人机分布式协同目标搜索方法，对无人机采用了无中心的分布式控制方法，不受限于地面中心的约束，使多无人机系统具有更高的自主能力，提升了系统的鲁棒性和抗毁性；并且设计了无人机对环境的认知函数，使无人机基于局部通信实现信息共享，引导了多无人机高效地完成探测任务。
(2)本发明提供的多无人机分布式协同目标搜索方法，通过最优分配将多无人机分配到不同子区域中执行搜索任务，使无人机优先搜索重要性高的区域，提升了系统的全局规划能力，并减少了不同无人机任务区域的重叠，显著提升了多无人机的目标搜索效率。
(3)本发明提供的多无人机分布式协同目标搜索方法，采用滚动时域预测对无人机的运动路径进行机上实时规划，并根据最优路径生成局部最优控制输入，使无人机能够有效执行动态环境下的搜索任务；同时，通过最小生成树网络优化了多无人机的通信拓扑，减少了无人机需要维护的通信链路，解决了无人机任务需求和通信需求之间的冲突。另外，通过采用虚拟势场法将网络维护和机间避撞进行一体控制，保障了多无人机通信网络的连通和集群的安全。
附图说明
图1为本发明实施例提供的多无人机分布式协同目标搜索方法流程图；
图2是本发明实施例提供的多无人机分布式协同目标搜索方法框架图；
图3是本发明实施例提供的基于质心维诺划分的区域分割方法流程图；
图4是本发明实施例提供的局部拍卖算法流程图；
图5是本发明实施例提供的无人机3步路径预测示意图；
图6是本发明实施例提供的基于虚拟势场法的无人机通信保持和机间避撞示意图一；
图7是本发明实施例提供的基于虚拟势场法的无人机通信保持和机间避撞示意图二；
图8是本发明实施例提供的一种具有代表性先验目标分布概率示意图；
图9是本发明实施例提供的基于质心维诺划分的区域分割结果示意图；
图10是本发明实施例提供的多无人机执行搜索任务的飞行航迹示意图；
图11是本发明实施例提供的不同搜索方法下搜索到目标平均时长统计结果示意图；
图12是本发明实施例提供的不同搜索方法下全局平均不确定度统计结果示意图。
具体实施方式
下面结合实施例详述本发明，但本发明并不局限于这些实施例。
本发明实施例提供了一种多无人机分布式协同目标搜索方法，如图1所示，所述方法包括：
步骤11、根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域；
步骤12、获取无人机对环境的认知地图；其中认知地图包括不确定度地图和重要性地图；
步骤13、采用最小生成树策略优化多个无人机的通信拓扑；
步骤14、基于不确定度地图和重要性地图、以及优化后的多个无人机的通信拓扑，采用局部拍卖算法将多个子区域的搜索任务分配给多个无人机；
步骤15、基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，并更新无人机的运动状态，收集搜索信息，以及更新无人机对环境的认知地图。
本发明针对先验目标分布概率已知的场景，首先提出了一种基于重要性函数的环境表征方法；随后通过质心维诺划分对待搜索区域进行分区，将对全区域的搜索任务拆分为数量有限的子区域搜索任务，并通过基于局部拍卖的任务分配算法实现多无人机的搜索任务分配；最后利用滚动时域预测控制为无人机在线设计最优的搜索和覆盖路径，并基于最小生成树策略和虚拟势场法保证多无人机之间的通信和避撞。任务规划系统的搭载有效改善了滚动时域预测控制中的预测时域有限所带来的“短视”问题，搭载任务规划系统的无人机集群总是能优先搜索区域中更重要的部分，而非仅在无人机当前位置附近寻求局部最优解。该方法有效提高了多无人机系统在已知目标概率分布条件下的目标搜索效率，为多无人机执行军用领域下的侦察监视和民用领域下的事故搜救等任务提供了技术方案。
本发明提供的多无人机分布式协同目标搜索方法，其框架如图2所示。本发明在传统的搜索算法框架的基础上，将路径规划置入一个包含三层结构的任务规划系统，使区域内不同位置的基于重要性的搜索优先度得以体现，提升了无人机的全局规划能力。该任务规划系统包括预规化层、任务分配层和后规划层。在预规化层中，无人机建立场景模型，并基于质心维诺划分对待搜索区域进行分割，并作为待分配的子任务，据先验信息对任务的收益和成本进行估计，并将评估结果作为任务分配层的输入；在任务分配层中，无人机基于局部拍卖算法生成任务分配方案；在后规划层中，无人机基于任务分配结果通过滚动时域预测控制进行路径规划和轨迹生成。除此之外，由于环境信息及集群运动状态均随着搜索过程动态变化，基于来自机载传感器的观测和与相邻无人机通信所获得的信息，无人机将在预规划层中反复评估已分配任务是否适合被继续执行，以确定是否需要重新进行任务分配，并在后规划层中不断对搜索路径进行重新规划。
本发明另一实施例提供了一种多无人机分布式协同目标搜索方法，其具体步骤如下：
步骤一：对待搜索区域进行离散化。
将待搜索区域划分为np个大小一致的长方形网格
Figure BDA0002900413220000081
将每个长方形网格作为基本的搜索单元；其中，所述长方形网格中心坐标记为μp＝[xp，yp]T，所述长方形网格长宽分别为Dx和Dy；假设目标和任意时刻的无人机位于网格中心。示例的，给定待搜索区域为2km×2km的矩形区域，离散网格大小为40m×40m，可将待搜索区域划分为np＝2500个离散网格。
步骤二：根据目标先验分布概率Prp，基于质心维诺划分将待搜索区域划分为ng个子区域
Figure BDA0002900413220000082
如图3所示；
步骤2.1：在待搜索区域内根据目标先验分布概率Prp随机抽取ng个离散点
Figure BDA0002900413220000083
作为维诺划分的初始生成元；示例的，选取一种具有代表性的目标先验分布概率，如图6所示，离散点个数ng＝50。
步骤2.2：采用Delaunay三角剖分，以随机抽取的ng个离散点
Figure BDA0002900413220000091
为生成元构造维诺单元
Figure BDA0002900413220000092
步骤2.3：根据第一公式计算维诺单元
Figure BDA0002900413220000093
的质心
Figure BDA0002900413220000094
第一公式为：
Figure BDA0002900413220000095
其中，维诺单元中离散点的密度函数ρ(p)＝Prp；
步骤2.4：当第二公式不成立时，将维诺单元的质心作为新的生成元重新构造维诺单元；即令qg＝zg，返回步骤2.2；当第二公式成立时，则停止迭代，根据当前质心维诺划分构型将待搜索区域划分为ng个子区域
Figure BDA0002900413220000096
对应子区域的质心即生成元为
Figure BDA0002900413220000097
所述第二公式为：
Figure BDA0002900413220000098
其中，ε为预设的极小常数。示例的，当ε＝0.001，若第二公式满足，停止迭代，得到质心维诺划分如图9所示。
步骤三：更新无人机对环境的认知地图，以表征无人机从环境中获取的信息，所述认知地图包括不确定度地图和重要性地图。
步骤3.1：更新不确定度地图；
已知截至采样时间tk时刻，无人机Ui对离散网格cp的总探测次数记为
Figure BDA0002900413220000099
其中在tk-1至tk时刻内的探测次数为hi，p，k。设计不确定度地图为ηi，p，k∈[0，1]，已知与Ui存在通信的其他无人机和Ui自身的集合为
Figure BDA00029004132200000910
ηi，p，k采用第三公式计算获得；
所述第三公式为：
Figure BDA00029004132200000911
其中任意无人机的初始不确定度地图定义为ηj，p，0＝1，yj∈[0，1)为自定义的不确定度衰减因子。示例的，所有无人机不确定度衰减因子相等，且γ＝0.1，ηi，k，0＝1。不确定度地图使无人机尽可能在不同区域之间来回搜索，而不是对某一区域进行持续的覆盖。
步骤3.2：更新重要性地图；
已知目标先验分布概率Prp与不确定度地图ηi，p，k，重要性地图采用第四公式计算获得；
所述第四公式为：si，p，k＝ηi，p，kPrp；
重要性地图综合考虑了重要区域的搜索优先性以及全域的快速覆盖。
步骤四：采用最小生成树策略优化多无人机的通信拓扑，以减少无人机所需要的维护的通信链路；
步骤4.1：定义多无人机的通信拓扑为G(V，E(k))，其中V＝{U1，U2，…，UN}表示网络中的所有通信节点，E(k)＝{(Ui，Uj)|||μi，k-μj，k||≤Rc，i≠j}表示tk时刻网络中所有通信链路的集合，Rc为无人机设计最大通信范围；示例的，共采用四架无人机执行搜索任务，即N＝4，Rc＝1kn。
步骤4.2：采用Kruskal法生成G的最小生成树子图，即多无人机的最小生成树网络GMST(V，EMST(k))。利用第五公式对GMST进行求解；
所述第五公式为：
Figure BDA0002900413220000101
其中G′(V，E′(k))为能确保网络连通的G的任意子图，di，j，k＝||μi，k-μj，k||表示存在通信链路的无人机Ui与Uj之间的距离。
步骤五：为将ng个子区域的搜索任务分配给N架无人机，首先在预分配层中对无人机Ui(i＝1，2，…N)执行每个搜索任务Vj(j＝1，2，…ng)所能获得的单位收益Rijk进行预估；
步骤5.1：为计算单位收益Rijk，预估任务收益记为ri，j，k，预估任务成本记为Ci，j，k，Rijk采用第六公式计算获得；所述第六公式为：Ri，j，k＝ri，j，k/Ci，j，k；
设定每个区域最多同时被一架无人机搜索，并且每架无人机在任意时刻仅被分配一个目标任务。
步骤5.1.1：采用第七公式获取预估任务收益；
所述第七公式为：
Figure BDA0002900413220000111
步骤5.1.2：采用第八公式获取预估任务成本；
所述第八公式为：
Figure BDA0002900413220000112
其中，
Figure BDA0002900413220000113
为预估时间成本；
Figure BDA0002900413220000114
为预估通信成本，β1和β2为自定义参数。示例的，β1＝β2＝1。
步骤5.1.2.1：预估时间成本包括抵达区域时间成本和区域内搜索时间成本，采用第九公式获取预估时间成本；
所述第九公式为：
Figure BDA0002900413220000115
其中，di，j，k＝||μi，k-qj||表示无人机Ui与子区域Vj的质心之间的距离，Sj为子区域Vj的面积，SA为无人机传感器的探测面积，κ为自定义比例系数；示例的，Dx＝Dy＝40m，
Figure BDA0002900413220000116
其中RA＝60m，κ＝1.2。
步骤5.1.2.2：采用第十公式获取预估通信成本；
所述第十公式为：
Figure BDA0002900413220000117
其中，R′c＜Rc为自定义参数，
Figure BDA0002900413220000118
Figure BDA0002900413220000119
表示无人机Ui需要维持通信链接的无人机集合，EMST为最小生成树子图GMST中的边集。示例的，R′c＝700m。
步骤六：在获得所有无人机和任务的预估收益后，在任务分配层中采用局部拍卖方法实现多无人机的任务分配，如图4所示；
步骤6.1：以无人机Ui为中心进行局部拍卖，与Ui存在通信的其他无人机和Ui自身的集合为
Figure BDA0002900413220000121
统一任务底价Pj，k；示例的，Pj，k＝0。
步骤6.2：对所有任务进行拍卖，参拍无人机
Figure BDA0002900413220000122
对任务Rj出价Rl，j，k，拍卖方可得拍卖收益为el，j，k＝Rl，j，k-Pj，k，每个搜索任务均由出价最高的无人机拍得；
步骤6.3：从每架无人机竞拍得到的任务集选取收益最高的任务分配给该无人机(未竞拍得任何任务的无人机，将被分配剩余任务中其能获得最大收益的任务)。
步骤七：对于已分配任务的当前无人机，采用滚动时域预测控制动态地生成当前时刻的最优控制输入量
Figure BDA0002900413220000123
最优控制输入量
Figure BDA0002900413220000124
采用第十一公式计算；
所述第十一公式为
Figure BDA0002900413220000125
其中，Xi，k＝[μi，k，φi，k]表示Ui在tk时刻的状态，μi，k＝[xi，k，yi，k]和φi，k分别表示无人机在tk时刻的位置和航向，
Figure BDA0002900413220000126
表示与Ui存在通信的相邻无人机的状态集。假设无人机定速定高飞行，无人机控制输入为ui，k＝ωi，k，ωi，k为无人机机身坐标系下的偏航角。最优控制输入量的优化指标是使效益函数J最大化。
步骤7.1：基于无人机当前状态和运动学模型预测有限时域[tk，tk+M]内的无人机运动状态序列，状态预测满足第十二公式的约束；
所述第十二公式为：
Figure BDA0002900413220000127
其中，f为无人机运动学模型，ωmax为无人机的最大转向角，M为最大预测步长。无人机飞行高度恒定，f表达式如第十三公式所示；
所述第十三公式为：
Figure BDA0002900413220000131
其中，vc为无人机恒定巡航速度，使无人机在任意一个采样间隔内运动至其相邻网格中心。示例的，ωmax＝45°，M＝3。
在上述假设下，无人机的运动状态序列表现为二维平面内的运动路径，如图5所示，其中{w(k+1|k)}，{w(k+2|k)}，{w(k+3|k)}分别为第一步、第二步、第三步预测路径点。在时域[tk，tk+M]内，预测得到所有可能的路径集合为
Figure BDA0002900413220000132
任意一条路径为
Figure BDA0002900413220000133
Figure BDA0002900413220000134
表示路径点。
步骤7.2：路径优化需求分析；
在初始位置一定时，无人机在[tk，tk+M]内的运动序列与控制序列
Figure BDA0002900413220000135
相对应，最优控制输入量
Figure BDA0002900413220000136
为最优控制序列中的首步控制量。并且，最优控制序列与最优路径对应，因此，最优控制序列求解亦为最优路径求解，称为路径优化。
无人机在执行搜索任务时的需求可以分为三个方面：①搜索任务；②通信网络维护；③无人机机间避撞。定义搜索任务收益为JA，网络维护与机间避撞成本为JB，采用第十四公式获取无人机选择路径Pi l的综合效益；
所述第十四公式为：
Figure BDA0002900413220000137
其中χ1和X2为自定义参数。示例的，χ1＝1，χ2＝0.1。
步骤7.3：最优路径求解；
步骤7.3.1：搜索任务收益JA求解；
无人机的搜索任务为探测待搜索区域内所有潜在的目标。通过基于质心维诺划分的任务分配实现了无人机对高重要性区域的优先探测，当无人机位于子区域Vi *之外时，将会受到惩罚，无人机越远离子区域，所受到的惩罚越高。同时，为了减少无人机在子区域内的重复搜索，由不确定度函数ηi，p，k而非si，p，k表示无人机的搜索收益。无人机选择路径Pi l的搜索任务收益JA采用第十五公式获得；所述第十五公式为：
Figure BDA0002900413220000141
Figure BDA0002900413220000142
其中，
Figure BDA0002900413220000143
表示无人机在
Figure BDA0002900413220000144
处的传感器视场，
Figure BDA0002900413220000146
为Vi *的生成元，
Figure BDA0002900413220000147
为Vi *的外接圆半径。δ1和δ2为自定义参数。示例的，δ1＝1，δ2＝0.1。
步骤7.3.2：网络维护和机间避撞成本JB求解；
为满足无人机的任务分配和信息交换的需求，无人机集群对通信网络进行维护。在步骤四中，基于最小生成树策略优化了多无人机的通信拓扑，无人机只需要维护最小生成树网络GMST中的通信链路。又由于GMST是由最短的通信链路构成的，因此GMST中存在通信链路的无人机之间发生碰撞的风险也最大。因此，采用虚拟势场法将网络维护和机间避撞进行一体控制，如图6和图7所示，任意两架无人机Ui和Uj之间可能存在的虚拟力可以采用第十六公式获得；所述第十六公式为：
Figure BDA0002900413220000145
其中，Rc和Rs分别为通信距离和安全距离，R′c＜Rc，R′s＞Rs为自定义参数，di，j，k＝||μi，k-μj，k||表示Ui和Uj之间的距离。示例的，Rs＝60m，R′s＝120m。
无人机选择路径Pi l的网络维护和机间避撞成本JB可以采用第十七公式获得，所述第十七公式为：
Figure BDA0002900413220000151
Figure BDA0002900413220000152
Figure BDA0002900413220000153
其中，
Figure BDA0002900413220000154
表示无人机在最小生成树网络中的相邻无人机，
Figure BDA0002900413220000156
为无人机Ui在已知Uj当前状态Xj，k，并假设其速度大小方向不变时，预测得到Uj在tk+m时刻的坐标。
步骤7.4：求解效益函数最高的路径Pi *及对应的控制序列
Figure BDA0002900413220000157
将
Figure BDA0002900413220000158
的首步控制量
Figure BDA0002900413220000159
作为实际控制量ui，k。
步骤八：基于实际控制量ui，k对Ui进行控制，更新无人机的运动状态；执行探测任务，收集无人机探测到的信息和相邻无人机传送的探测信息，返回步骤三。
在本实施例中，无人机的初始状态见表1。
表1无人机的初始坐标与航向角设置
Figure BDA0002900413220000155
实施例中，多无人机执行搜索任务的飞行航迹如图10所示。图11-12分别基于蒙特卡洛仿真试验，就多无人机系统的搜索效率和覆盖效率，与无任务分配方法和随机搜索方法进行了对比。统计了搜索到目标的平均时长和每一时刻的全局平均不确定度
Figure BDA0002900413220000161
搜索平均用时越短，代表多无人机的搜索效率越高，
Figure BDA0002900413220000162
下降越快，证明多无人机的覆盖效率越高。通过图11和图12可以看出，基于本发明所提出方法的多无人机搜索到所有目标的平均时间均短于其他两种方法，且基于本发明所提出方法的多无人机的全局平均不确定度总是先于其他两种方法下降至较低水平，证明了本发明所提出的基于滚动时域预测控制及任务分配的多无人机协同目标搜索方法是有效的，能够提升多无人机的目标搜索效率和区域覆盖效率。
以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (10)

1.一种多无人机分布式协同目标搜索方法，其特征在于，所述方法包括：
根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域；
获取无人机对环境的认知地图；其中所述认知地图包括不确定度地图和重要性地图；
采用最小生成树策略优化多个无人机的通信拓扑；
基于所述不确定度地图和所述重要性地图、以及优化后的多个无人机的通信拓扑，采用局部拍卖算法将所述多个子区域的搜索任务分配给多个无人机；
基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，并更新无人机的运动状态，收集搜索信息，以及更新无人机对环境的认知地图。
2.根据权利要求1所述的方法，其特征在于，在所述根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域之前，所述方法还包括：
将待搜索区域划分为np个大小一致的长方形网格
Figure FDA0002900413210000011
将每个长方形网格作为基本的搜索单元；其中，所述长方形网格中心坐标记为μp＝[xp,yp]T，所述长方形网格长宽分别为Dx和Dy；
所述根据目标先验分布概率，采用质心维诺划分方法将待搜索区域划分为多个子区域，具体包括：
在待搜索区域内根据目标先验分布概率Prp随机抽取ng个离散点
Figure FDA0002900413210000012
采用三角剖分方法，以随机抽取的ng个离散点
Figure FDA0002900413210000013
为生成元构造维诺单元
Figure FDA0002900413210000021
根据第一公式计算维诺单元
Figure FDA0002900413210000022
的质心
Figure FDA0002900413210000023
所述第一公式为：
Figure FDA0002900413210000024
其中，维诺单元中离散点的密度函数ρ(p)＝Prp；
当第二公式不成立时，将维诺单元的质心作为新的生成元重新构造维诺单元；当第二公式成立时，利用当前构造的维诺单元将待搜索区域划分为ng个子区域；
所述第二公式为：
Figure FDA0002900413210000025
其中，ε为预设常数。
3.根据权利要求2所述的方法，其特征在于，所述更新无人机对环境的认知地图，具体包括：
利用第三公式更新不确定度地图；
所述第三公式为：
Figure FDA0002900413210000026
其中，截至采样时间tk时刻，无人机Ui对离散网格cp的总探测次数为
Figure FDA0002900413210000027
在tk-1至tk时刻内的探测次数为hi,p,k；ηi,p,k∈[0,1]为不确定度地图，
Figure FDA0002900413210000028
为与Ui存在通信的其他无人机和Ui自身的集合；ηj,p,0＝1为任意无人机的初始不确定度地图，γj∈[0,1)为自定义的不确定度衰减因子；
利用第四公式更新重要性地图；
所述第四公式为：si,p,k＝ηi,p,kPrp；
其中，ηi,p,k为不确定度地图；Prp为目标先验分布概率。
4.根据权利要求3所述的方法，其特征在于，所述采用最小生成树策略优化多个无人机的通信拓扑，具体包括：
采用克鲁斯卡尔算法生成多个无人机的通信拓扑的最小生成树网络GMST(V,EMST(k))；利用第五公式对GMST进行求解；
所述第五公式为：
Figure FDA0002900413210000031
其中，G(V，E(k))为多个无人机的通信拓扑，V＝{U1,U2,…,UN}表示网络中的所有通信节点；E(k)＝{(Ui,Uj)|||μi,k-μj,k||≤Rc,i≠j}表示tk时刻网络中所有通信链路的集合，Rc为无人机设计最大通信范围；G′(V,E′(k))为能确保网络连通的G的任意子图，di,j,k＝||μi,k-μj,k||表示存在通信链路的无人机Ui与无人机Uj之间的距离。
5.根据权利要求4所述的方法，其特征在于，所述基于优化后的通信拓扑，采用局部拍卖算法将所述多个子区域的搜索任务分配给多个无人机，具体包括：
预估每个无人机执行每个搜索任务所能获得的单位收益Rijk；
对所有搜索任务进行拍卖，以无人机Ui为中心，与Ui存在通信的其他无人机和Ui自身的集合为
Figure FDA0002900413210000032
统一任务底价为Pj，k；参拍无人机
Figure FDA0002900413210000033
对任务Rj的出价为Rl，j，k，拍卖方可得拍卖收益为el,j,k＝Rl,j,k-Pj,k，每个搜索任务均由出价最高的无人机拍得；
将每个无人机竞拍得到的搜索任务中单位收益最高的搜索任务分配给所述无人机。
6.根据权利要求5所述的方法，其特征在于，所述预估每个无人机执行每个搜索任务所能获得的单位收益Rijk，具体包括：
采用第六公式预估每个无人机执行每个搜索任务所能获得的单位收益Rij；
所述第六公式为：Ri,j,k＝ri,j,k/Ci,j,k；
其中，ri,j,k为预估任务收益，Ci,j,k为预估任务成本。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
采用第七公式获取预估任务收益；
所述第七公式为：
Figure FDA0002900413210000041
采用第八公式获取预估任务成本；
所述第八公式为：
Figure FDA0002900413210000042
其中，
Figure FDA0002900413210000043
为预估时间成本；
Figure FDA0002900413210000044
为预估通信成本，β1和β2为自定义参数。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
采用第九公式获取预估时间成本；
所述第九公式为：
Figure FDA0002900413210000045
其中，di,j,k＝||μi,k-qj||表示无人机Ui与子区域Vj的质心之间的距离，Sj为子区域Vj的面积，SA为无人机传感器的探测面积，κ为自定义比例系数；
采用第十公式获取预估通信成本；
所述第十公式为：
Figure FDA0002900413210000046
其中，R′c＜Rc为自定义参数，
Figure FDA0002900413210000047
Figure FDA0002900413210000048
表示无人机Ui需要维持通信链接的无人机集合，EMST为最小生成树子图GMST中的边集。
9.根据权利要求5所述的方法，其特征在于，所述基于搜索任务分配结果，采用滚动时域预测控制方法对多个无人机进行路径规划和轨迹生成，更新无人机的运动状态，并收集搜索信息，具体包括：
基于搜索任务分配结果，采用滚动时域预测控制方法动态地生成当前时刻的最优控制输入量
Figure FDA0002900413210000051
最优控制输入量
Figure FDA0002900413210000052
采用第十一公式计算；
所述第十一公式为
Figure FDA0002900413210000053
其中，Xi,k＝[μi,k,φi,k]表示Ui在tk时刻的状态，μi，k＝[xi,k，yi，k]和φi，k分别表示无人机在tk时刻的位置和航向，
Figure FDA0002900413210000054
表示与Ui存在通信的相邻无人机的状态集；
将最优控制输入量
Figure FDA0002900413210000055
作为实际控制量ui，k，并根据实际控制量ui，k对无人机进行控制，更新无人机的运动状态，并收集搜索信息。
10.根据权利要求9所述的方法，其特征在于，所述基于搜索任务分配结果，采用滚动时域预测控制方法动态地生成当前时刻的最优控制输入量
Figure FDA0002900413210000056
具体包括：
基于无人机当前状态和运动学模型预测有限时域[tk，tk+M]内的无人机运动状态序列，状态预测满足第十二公式的约束；
所述第十二公式为：
Figure FDA0002900413210000057
其中，f为无人机运动学模型，ωmax为无人机的最大转向角，M为最大预测步长；
在时域[tk，tk+M]内，预测得到无人机所有可能的路径集合为
Figure FDA0002900413210000058
任意一条路径为
Figure FDA0002900413210000061
其中，
Figure FDA0002900413210000062
表示路径点；
采用第十四公式获取无人机选择路径
Figure FDA0002900413210000063
的综合效益；
所述第十四公式为：
Figure FDA0002900413210000064
其中，JA为搜索任务收益；JB为网络维护与机间避撞成本；χ1和χ2为自定义参数；
获取综合效益最高的路径Pi *及对应的控制序列
Figure FDA0002900413210000065
并将控制序列
Figure FDA0002900413210000066
的首步控制量作为最优控制输入量
Figure FDA0002900413210000067
CN202110059237.7A 2021-01-15 2021-01-15 一种多无人机分布式协同目标搜索方法 Active CN112925350B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059237.7A CN112925350B (zh) 2021-01-15 2021-01-15 一种多无人机分布式协同目标搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059237.7A CN112925350B (zh) 2021-01-15 2021-01-15 一种多无人机分布式协同目标搜索方法

Publications (2)

Publication Number Publication Date
CN112925350A true CN112925350A (zh) 2021-06-08
CN112925350B CN112925350B (zh) 2023-04-07

Family

ID=76163305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059237.7A Active CN112925350B (zh) 2021-01-15 2021-01-15 一种多无人机分布式协同目标搜索方法

Country Status (1)

Country Link
CN (1) CN112925350B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313411A (zh) * 2021-06-17 2021-08-27 中国人民解放军国防科技大学 基于拍卖机制的图节点任务分配方法、装置和设备
CN113395708A (zh) * 2021-07-13 2021-09-14 东南大学 基于全局环境预测的多自主体集中式区域覆盖方法与系统
CN113825142A (zh) * 2021-09-27 2021-12-21 南京航空航天大学 一种无人集群系统协同任务区域覆盖智能优化方法
CN114115216A (zh) * 2021-07-30 2022-03-01 东风柳州汽车有限公司 车辆编队控制方法、装置、设备及存储介质
CN114200964A (zh) * 2022-02-17 2022-03-18 南京信息工程大学 一种无人机集群协同侦察覆盖分布式自主优化方法
CN114237303A (zh) * 2021-11-17 2022-03-25 中国人民解放军军事科学院国防科技创新研究院 一种基于蒙特卡洛树搜索的无人机路径规划方法及装置
CN114518772A (zh) * 2022-02-25 2022-05-20 中发国研信息技术研究院(北京)有限公司 一种拒止环境下无人机蜂群自组织方法
CN114675534A (zh) * 2022-02-23 2022-06-28 北京交通大学 考虑组网通信噪声的多无人机鲁棒任务规划方法及系统
CN114740899A (zh) * 2022-06-08 2022-07-12 中国航空工业集团公司沈阳飞机设计研究所 一种网格化空域分配与协同搜索规划方法
CN115665757A (zh) * 2022-10-28 2023-01-31 东南大学 分布式未知时变区域多自主体最优覆盖方法与系统
CN116679751A (zh) * 2023-06-08 2023-09-01 四川大学 考虑飞行约束的多飞行器协同搜索方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122974A (zh) * 2007-09-13 2008-02-13 北京航空航天大学 基于Voronoi图和蚁群优化算法的无人机航路规划方法
CN110347165A (zh) * 2019-08-13 2019-10-18 西安工业大学 一种基于slam技术的多机器人编队控制方法
CN111337930A (zh) * 2020-03-19 2020-06-26 哈尔滨工程大学 一种auv目标搜索方法
CN111695776A (zh) * 2020-05-11 2020-09-22 清华大学 无人机集群分布式在线协同区域侦察方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101122974A (zh) * 2007-09-13 2008-02-13 北京航空航天大学 基于Voronoi图和蚁群优化算法的无人机航路规划方法
CN110347165A (zh) * 2019-08-13 2019-10-18 西安工业大学 一种基于slam技术的多机器人编队控制方法
CN111337930A (zh) * 2020-03-19 2020-06-26 哈尔滨工程大学 一种auv目标搜索方法
CN111695776A (zh) * 2020-05-11 2020-09-22 清华大学 无人机集群分布式在线协同区域侦察方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
田菁等: "不确定环境中多无人机协同搜索算法", 《电子与信息学报》 *
符小卫等: "不确定环境下多无人机协同区域搜索算法", 《系统工程与电子技术》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113313411A (zh) * 2021-06-17 2021-08-27 中国人民解放军国防科技大学 基于拍卖机制的图节点任务分配方法、装置和设备
CN113313411B (zh) * 2021-06-17 2024-03-01 中国人民解放军国防科技大学 基于拍卖机制的图节点任务分配方法、装置和设备
CN113395708A (zh) * 2021-07-13 2021-09-14 东南大学 基于全局环境预测的多自主体集中式区域覆盖方法与系统
CN114115216B (zh) * 2021-07-30 2023-07-25 东风柳州汽车有限公司 车辆编队控制方法、装置、设备及存储介质
CN114115216A (zh) * 2021-07-30 2022-03-01 东风柳州汽车有限公司 车辆编队控制方法、装置、设备及存储介质
CN113825142A (zh) * 2021-09-27 2021-12-21 南京航空航天大学 一种无人集群系统协同任务区域覆盖智能优化方法
CN114237303A (zh) * 2021-11-17 2022-03-25 中国人民解放军军事科学院国防科技创新研究院 一种基于蒙特卡洛树搜索的无人机路径规划方法及装置
CN114200964A (zh) * 2022-02-17 2022-03-18 南京信息工程大学 一种无人机集群协同侦察覆盖分布式自主优化方法
CN114675534A (zh) * 2022-02-23 2022-06-28 北京交通大学 考虑组网通信噪声的多无人机鲁棒任务规划方法及系统
CN114518772A (zh) * 2022-02-25 2022-05-20 中发国研信息技术研究院(北京)有限公司 一种拒止环境下无人机蜂群自组织方法
CN114518772B (zh) * 2022-02-25 2023-02-28 中发国研信息技术研究院(北京)有限公司 一种拒止环境下无人机蜂群自组织方法
CN114740899A (zh) * 2022-06-08 2022-07-12 中国航空工业集团公司沈阳飞机设计研究所 一种网格化空域分配与协同搜索规划方法
CN115665757A (zh) * 2022-10-28 2023-01-31 东南大学 分布式未知时变区域多自主体最优覆盖方法与系统
CN116679751A (zh) * 2023-06-08 2023-09-01 四川大学 考虑飞行约束的多飞行器协同搜索方法

Also Published As

Publication number Publication date
CN112925350B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN112925350B (zh) 一种多无人机分布式协同目标搜索方法
Almadhoun et al. A survey on multi-robot coverage path planning for model reconstruction and mapping
Yao et al. Gaussian mixture model and receding horizon control for multiple UAV search in complex environment
Liu et al. Reinforcement learning based two-level control framework of UAV swarm for cooperative persistent surveillance in an unknown urban area
CN109254588B (zh) 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
CN108594853B (zh) 无人机队形控制方法
Fu et al. Swarm UAVs task and resource dynamic assignment algorithm based on task sequence mechanism
US8260485B1 (en) Adaptive multi-vehicle area coverage optimization system and method
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
Ali et al. Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator
Kim et al. Response threshold model based UAV search planning and task allocation
US20120209652A1 (en) System and method for resource allocation and management
Shima et al. UAV team decision and control using efficient collaborative estimation
US20110046837A1 (en) System and method for resource allocation and management
CN113671985A (zh) 一种分阶段多基地无人机任务分配和航迹规划方法
Yao et al. Evolutionary utility prediction matrix-based mission planning for unmanned aerial vehicles in complex urban environments
Zhong et al. A task assignment algorithm for multiple aerial vehicles to attack targets with dynamic values
CN110262563A (zh) 多无人机协同搜索水上目标的方法
CN114326827B (zh) 一种无人机集群多任务动态分配方法及系统
CN108983817A (zh) 一种多区域搜索方法及装置
Sujit et al. Self assessment-based decision making for multiagent cooperative search
CN114740899B (zh) 一种网格化空域分配与协同搜索规划方法
CN113485409B (zh) 一种面向地理公平性的无人机路径规划分配方法及系统
CN116185035B (zh) 基于改进仿生狼群的无人集群动态任务分配方法及系统
Sujit et al. Multi-UAV task allocation using team theory

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