CN112925350B - 一种多无人机分布式协同目标搜索方法 - Google Patents

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n_p个大小一致的长方形网格

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μ_p＝[x_p，y_p]^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Pr_p随机抽取n_g个离散点

采用三角剖分方法，以随机抽取的n_g个离散点

为生成元构造维诺单元

根据第一公式计算维诺单元

的质心

所述第一公式为：

其中，维诺单元中离散点的密度函数ρ(p)＝Pr_p；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n_g个子区域；所述第二公式为：

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：

其中，截至采样时间t_k时刻，无人机U_i对离散网格c_p的总探测次数为

在t_k-1至t_k时刻内的探测次数为h_i，p，k；η_i，p，k∈[0，1]为不确定度地图，

为与U_i存在通信的其他无人机和U_i自身的集合；η_j，p，0＝1为任意无人机的初始不确定度地图，γ_j∈[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：S_i，p，k＝η_i，p，kPr_p；其中，η_i，p，k为不确定度地图；Pr_p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G_MST(V，E_MST(k))；利用第五公式对G_MST进行求解；所述第五公式为：

其中，G(V，E(k))为多个无人机的通信拓扑，V＝{U₁，U₂，...，U_N}表示网络中的所有通信节点；E(k)＝{(U_i，U_j)|||μ_i，k-μ_j，k||≤R_c，i≠j}表示t_k时刻网络中所有通信链路的集合，R_c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，d_i，j，k＝||μ_i，k-μ_j，k||表示存在通信链路的无人机U_i与无人机U_j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R_ijk；对所有搜索任务进行拍卖，以无人机U_i为中心，与U_i存在通信的其他无人机和U_i自身的集合为

统一任务底价为P_j，k；参拍无人机

对任务R_j的出价为R_l，j，k，拍卖方可得拍卖收益为e_l，j，k＝R_l，j，k-P_j，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R_ij；所述第六公式为：R_i，j，k＝r_i，j，k/C_i，j，k；其中，r_i，j，k为预估任务收益，C_i，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：

采用第八公式获取预估任务成本；所述第八公式为：

其中，

为预估时间成本；

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：

其中，d_i，j，k＝||μ_i，k-q_j||表示无人机U_i与子区域V_j的质心之间的距离，S_j为子区域V_j的面积，S_A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：

其中，R′_c＜R_c为自定义参数，

表示无人机U_i需要维持通信链接的无人机集合，E_MST为最小生成树子图G_MST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

最优控制输入量

采用第十一公式计算；所述第十一公式为

其中，X_i，k＝[μ_i，k，φ_i，k]表示U_i在t_k时刻的状态，μ_i，k＝[x_i，k，y_i，k]和φ_i，k分别表示无人机在t_k时刻的位置和航向，

表示与U_i存在通信的相邻无人机的状态集；将最优控制输入量

作为实际控制量u_i，k，并根据实际控制量u_i，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

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[t_k，t_k+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：

其中，f为无人机运动学模型，ω_max为无人机的最大转向角，M为最大预测步长；在时域[t_k，t_k+M]内，预测得到无人机所有可能的路径集合为

任意一条路径为

其中，

表示路径点；采用第十四公式获取无人机选择路径P_i ^l的综合效益；所述第十四公式为：

其中，J^A为搜索任务收益；J^B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P_i ^*及对应的控制序列

并将控制序列

的首步控制量作为最优控制输入量

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n_p个大小一致的长方形网格

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μ_p＝[x_p，y_p]^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n_p＝2500个离散网格。

步骤二：根据目标先验分布概率Pr_p，基于质心维诺划分将待搜索区域划分为n_g个子区域

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Pr_p随机抽取n_g个离散点

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n_g＝50。

步骤2.2：采用Delaunay三角剖分，以随机抽取的n_g个离散点

为生成元构造维诺单元

步骤2.3：根据第一公式计算维诺单元

的质心

第一公式为：

其中，维诺单元中离散点的密度函数ρ(p)＝Pr_p；

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q_g＝z_g，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n_g个子区域

对应子区域的质心即生成元为

所述第二公式为：

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t_k时刻，无人机U_i对离散网格c_p的总探测次数记为

其中在t_k-1至t_k时刻内的探测次数为h_i，p，k。设计不确定度地图为η_i，p，k∈[0，1]，已知与U_i存在通信的其他无人机和U_i自身的集合为

η_i，p，k采用第三公式计算获得；

所述第三公式为：

其中任意无人机的初始不确定度地图定义为η_j，p，0＝1，y_j∈[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，η_i，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Pr_p与不确定度地图η_i，p，k，重要性地图采用第四公式计算获得；

所述第四公式为：s_i，p，k＝η_i，p，kPr_p；

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，…，U_N}表示网络中的所有通信节点，E(k)＝{(U_i，U_j)|||μ_i，k-μ_j，k||≤R_c，i≠j}表示t_k时刻网络中所有通信链路的集合，R_c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，R_c＝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G_MST(V，E_MST(k))。利用第五公式对G_MST进行求解；

所述第五公式为：

其中G′(V，E′(k))为能确保网络连通的G的任意子图，d_i，j，k＝||μ_i，k-μ_j，k||表示存在通信链路的无人机U_i与U_j之间的距离。

步骤五：为将n_g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U_i(i＝1，2，…N)执行每个搜索任务V_j(j＝1，2，…n_g)所能获得的单位收益R_ijk进行预估；

步骤5.1：为计算单位收益R_ijk，预估任务收益记为r_i，j，k，预估任务成本记为C_i，j，k，R_ijk采用第六公式计算获得；所述第六公式为：R_i，j，k＝r_i，j，k/C_i，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：

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：

其中，

为预估时间成本；

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：

其中，d_i，j，k＝||μ_i，k-q_j||表示无人机U_i与子区域V_j的质心之间的距离，S_j为子区域V_j的面积，S_A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，

其中R_A＝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：

其中，R′_c＜R_c为自定义参数，

表示无人机U_i需要维持通信链接的无人机集合，E_MST为最小生成树子图G_MST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U_i为中心进行局部拍卖，与U_i存在通信的其他无人机和U_i自身的集合为

统一任务底价P_j，k；示例的，P_j，k＝0。

步骤6.2：对所有任务进行拍卖，参拍无人机

对任务R_j出价R_l，j，k，拍卖方可得拍卖收益为e_l，j，k＝R_l，j，k-P_j，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

最优控制输入量

采用第十一公式计算；

所述第十一公式为

其中，X_i，k＝[μ_i，k，φ_i，k]表示U_i在t_k时刻的状态，μ_i，k＝[x_i，k，y_i，k]和φ_i，k分别表示无人机在t_k时刻的位置和航向，

表示与U_i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u_i，k＝ω_i，k，ω_i，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[t_k，t_k+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：

其中，f为无人机运动学模型，ω_max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：

其中，v_c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，ω_max＝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[t_k，t_k+M]内，预测得到所有可能的路径集合为

任意一条路径为

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[t_k，t_k+M]内的运动序列与控制序列

相对应，最优控制输入量

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J^B，采用第十四公式获取无人机选择路径P_i ^l的综合效益；

所述第十四公式为：

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J^A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V_i ^*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η_i，p，k而非s_i，p，k表示无人机的搜索收益。无人机选择路径P_i ^l的搜索任务收益J^A采用第十五公式获得；所述第十五公式为：

其中，

表示无人机在

处的传感器视场，

为V_i ^*的生成元，

为V_i ^*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J^B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G_MST中的通信链路。又由于G_MST是由最短的通信链路构成的，因此G_MST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U_i和U_j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：

其中，R_c和R_s分别为通信距离和安全距离，R′_c＜R_c，R′_s＞R_s为自定义参数，d_i，j，k＝||μ_i，k-μ_j，k||表示U_i和U_j之间的距离。示例的，R_s＝60m，R′_s＝120m。

无人机选择路径P_i ^l的网络维护和机间避撞成本J^B可以采用第十七公式获得，所述第十七公式为：

其中，

表示无人机在最小生成树网络中的相邻无人机，

为无人机U_i在已知U_j当前状态X_j，k，并假设其速度大小方向不变时，预测得到U_j在t_k+m时刻的坐标。

步骤7.4：求解效益函数最高的路径P_i ^*及对应的控制序列

将

的首步控制量

作为实际控制量u_i，k。

步骤八：基于实际控制量u_i，k对U_i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

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

搜索平均用时越短，代表多无人机的搜索效率越高，

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n_p个大小一致的长方形网格

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μ_p＝[x_p,y_p]^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Pr_p随机抽取n_g个离散点

采用三角剖分方法，以随机抽取的n_g个离散点

为生成元构造维诺单元

根据第一公式计算维诺单元

的质心

所述第一公式为：

其中，维诺单元中离散点的密度函数ρ(p)＝Pr_p；

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n_g个子区域；

所述第二公式为：

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：

其中，截至采样时间t_k时刻，无人机U_i对离散网格c_p的总探测次数为

在t_k-1至t_k时刻内的探测次数为h_i,p,k；η_i,p,k∈[0,1]为不确定度地图，

为与U_i存在通信的其他无人机和U_i自身的集合；η_j,p,0＝1为任意无人机的初始不确定度地图，γ_j∈[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：s_i,p,k＝η_i,p,kPr_p；

其中，η_i,p,k为不确定度地图；Pr_p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G_MST(V,E_MST(k))；利用第五公式对G_MST进行求解；

所述第五公式为：

其中，G(V，E(k))为多个无人机的通信拓扑，V＝{U₁,U₂,…,U_N}表示网络中的所有通信节点；E(k)＝{(U_i,U_j)|||μ_i,k-μ_j,k||≤R_c,i≠j}表示t_k时刻网络中所有通信链路的集合，R_c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，d_i,j,k＝||μ_i,k-μ_j,k||表示存在通信链路的无人机U_i与无人机U_j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R_ijk；

对所有搜索任务进行拍卖，以无人机U_i为中心，与U_i存在通信的其他无人机和U_i自身的集合为

统一任务底价为P_j，k；参拍无人机

对任务R_j的出价为R_l，j，k，拍卖方可得拍卖收益为e_l,j,k＝R_l,j,k-P_j,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R_ijk，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R_ij；

所述第六公式为：R_i,j,k＝r_i,j,k/C_i,j,k；

其中，r_i,j,k为预估任务收益，C_i,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：

采用第八公式获取预估任务成本；

所述第八公式为：

其中，

为预估时间成本；

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：

其中，d_i,j,k＝||μ_i,k-q_j||表示无人机U_i与子区域V_j的质心之间的距离，S_j为子区域V_j的面积，S_A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：

其中，R′_c＜R_c为自定义参数，

表示无人机U_i需要维持通信链接的无人机集合，E_MST为最小生成树子图G_MST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

最优控制输入量

采用第十一公式计算；

所述第十一公式为

其中，X_i,k＝[μ_i,k,φ_i,k]表示U_i在t_k时刻的状态，μ_i，k＝[x_i,k，y_i，k]和φ_i，k分别表示无人机在t_k时刻的位置和航向，

表示与U_i存在通信的相邻无人机的状态集；

将最优控制输入量

作为实际控制量u_i，k，并根据实际控制量u_i，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

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[t_k，t_k+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：

其中，f为无人机运动学模型，ω_max为无人机的最大转向角，M为最大预测步长；

在时域[t_k，t_k+M]内，预测得到无人机所有可能的路径集合为

任意一条路径为

其中，

表示路径点；

采用第十四公式获取无人机选择路径

的综合效益；

所述第十四公式为：

其中，J^A为搜索任务收益；J^B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P_i ^*及对应的控制序列

并将控制序列

的首步控制量作为最优控制输入量

Images