CN112947501A - 一种基于改进人工势场法和状态切换的多auv混合编队方法 - Google Patents
一种基于改进人工势场法和状态切换的多auv混合编队方法 Download PDFInfo
- Publication number
- CN112947501A CN112947501A CN202110238668.XA CN202110238668A CN112947501A CN 112947501 A CN112947501 A CN 112947501A CN 202110238668 A CN202110238668 A CN 202110238668A CN 112947501 A CN112947501 A CN 112947501A
- Authority
- CN
- China
- Prior art keywords
- auv
- formation
- potential field
- obstacle
- matrix
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 119
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000006399 behavior Effects 0.000 claims abstract description 47
- 230000007246 mechanism Effects 0.000 claims abstract description 31
- 230000036544 posture Effects 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 8
- 230000001960 triggered effect Effects 0.000 claims abstract description 5
- 230000004888 barrier function Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000005755 formation reaction Methods 0.000 claims 31
- 238000005265 energy consumption Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000011160 research 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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
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)
Abstract
本发明提出了一种基于改进人工势场法和状态切换的多自主式水下潜器(Autonomous Underwater Vehicle，AUV)混合编队方法，首先对人工势场法改进，将AUV与目标之间距离的高次幂和AUV与障碍物的相对速度、相对加速度引入斥力势场函数，解决了局部最小点问题；其次建立切换系统模型，定义编队行为，然后设计状态切换机制，切换机制由差值矩阵触发；最后在改进人工势场法的基础上设计姿态调整机制，调整各个AUV达到期望姿态形成编队队形。本发明实现了多AUV编队的有效快速避障，弥补了各传统编队方法仅在某种环境下有较好效果的短板，减少了AUV的能耗，提高了多AUV联合作业的效率。
Description
技术领域
本发明涉及多自主式水下潜器AUV(Autonomous Underwater Vehicle)水下编队控制方法，尤其涉及一种基于改进人工势场法和状态切换的多AUV混合编队方法。
背景技术
多AUV的编队控制是指在AUV之间通过建立通信控制策略,使得多AUV系统协同完成指定的复杂任务,实现预期编队，并在之后的运动中实现避碰和避障。
目前常用的水下机器人编队控制方法有：领航跟随法、基于行为法、虚拟结构法、基于图论法和人工势场法。在不同的环境中，每一种编队方法都拥有其自身的优点和缺点。
其中领航跟随法是使用较多的控制方法。领航跟随法的优点在于只需要控制领航者即可控制编队，且数学分析简单，通信压力较小，容易保持队形；但缺点是容错率不高，一旦领航者出现故障，则整个系统就会瘫痪，当领航AUV运动过快，也会使跟随AUV难以及时跟踪，也使队形难以稳定，协同任务无法继续进行。
基于行为法通过行为的组合实现编队功能的多样化，但缺点是无法准确地描述系统的整体行为，难以进行理论论证，且稳定性不足，不易保持队形。
虚拟结构法使得编队整体决策较为容易，且由于刚体的特性使得编队本身的稳定性较好；缺点是灵活性不足，需要较高队形保持性能时，尤其是编队构型为时变或需要进行频繁重置时，该策略的使用会受到限制且无法考虑到整体的避障问题。
基于图论法便于队形的实现并且队形转换较为容易，但是该方法现阶段理论研究居多，物理实现较为复杂。
对于避障而言，人工势场法可以有效解决该问题，并且它的方法简单，具有较高的灵活性和适用性，但缺点是容易使编队对象陷入局部最小点的问题。
由上可见，不同的方法在不同环境中具有局限性，且在编队避障过程中较为复杂缓慢，导致效率较低，使得能耗增加。因此，如何实现多AUV高效避障和协同作业，成为亟待解决的技术问题。
发明内容
发明目的：针对现有技术中存在的不足之处，本发明提出一种基于改进人工势场法和状态切换的多AUV混合编队方法，在进行协同编队的过程中采用多种方法相结合的方式实现多AUV高效避障和协同作业，既弥补了单个算法的局限性又提高了编队和避障效率，在提高了协同作业效率的同时，整体降低了算法的复杂度以及避障过程中的能耗。
技术方案：本发明基于改进人工势场法和状态切换的多AUV混合编队方法，包括以下步骤：
步骤(1)：采用基于改进人工势场法的水下航行器的实时路径规划方法进行规划；
步骤(2)：建立切换系统模型，该切换系统模型由状态切换机制和控制部分组成，将各个编队控制方法与改进人工势场算法分别模块化，设计状态切换机制，定义编队行为，设置编队状态阙值矩阵；
步骤(3)：在改进人工势场法的基础上设计姿态调整机制，调整各个AUV的姿态，使之达到期望姿态。
其中，步骤(1)采用基于改进人工势场法的水下航行器的实时路径规划方法进行规划时，具体包括以下步骤：
步骤(1.1)：根据AUV的实际运动空间建立一个人工势场，建立每个AUV的自然坐标系，而后建立大地坐标系，其中，(x0，y0)为目标位置在大地坐标系下的坐标；
步骤(1.2)：建立目标点的引力势场函数
以及障碍物的斥力势场函数
其中，α为引力增益系数；m0是单个障碍物影响的最大距离；m＝|X-X0|为AUV与障碍物的最短距离，并得到斥力函数
以及引力函数Fatt＝-grad(Uatt)＝α(X0-X)，
其中
β为斥力增益系数。
步骤(1.3)：将AUV与目标之间的距离的高次幂，以及AUV和障碍物之间的相对速度、相对加速度引入斥力势场函数，使得整个势场中仅在目标点处全局最小，得到改进后的斥力势场函数，该改进后的斥力势场函数为
其中β1、β2、β3为斥力增益系数，(X-X0)n是AUV的目标位置的距离的高次幂，vro(t)是某一时刻AUV和障碍物的相对速度，aro(t)是该时刻AUV与障碍物的相对加速度。
由于目标位置为确定的，故对引力势场函数不做改变。
然后AUV根据由改进人工势场法得到的合力的方向和自身行驶速度计算下一时刻自身和跟随AUV的轨迹坐标，完成实时局部路径规划。
步骤(2)建立切换系统模型具体包括以下内容：
步骤(2.1)：建立切换系统模型，将领航跟随法、基于行为法、虚拟结构法三种编队控制方法和改进人工势场法分别进行模块化处理，并将控制部分分为策略控制和AUV控制两部分；
步骤(2.2)：定义多AUV的编队基础行为：①编队组建；②编队前进；③变形；④编队避障；
步骤(2.3)：设计基于复合信息的状态切换机制，设定阙值矩阵，用于与差值矩阵进行比较，状态切换机制通过多AUV编队的实时矩阵与期望矩阵之间的差值矩阵与阙值矩阵的比较结果触发。
步骤(2.1)中，该切换系统采用常值切换规则，每个常值分别代表不同的编队方法模块。
步骤(2.2)中，该AUV的编队基础行为④编队避障中，根据障碍物和AUV的分布，分为以下几种情况：a、强制保持队形避障；b、被迫改变队形避障；c、自由避障。
步骤(2.3)中的设计状态切换机制包括以下步骤：
第1步：检测AUV编队是否到达目标点，“是”转第5步，“否”则转第2步；
第2步：外界是否有新的命令，“是”则根据实时矩阵与任务发布矩阵的差值矩阵进行基础行为①或③，“否”转到第3步；
第3步：检测是否有障碍，“是”转到第4步，“否”则进行基础行为②并转到第1步；
第4步：由环境突变触发后AUV生成的期望矩阵和实时矩阵的差值矩阵触发编队避障行为，进行基础行为④；当障碍物允许AUV编队通过的宽度小于或等于AUV编队避障容忍的最小宽度时，进行基础行为④中的情况b；
当障碍物的允许通过宽度远大于AUV编队的最小容忍宽度时，进行基础行为④中的情况c；
当编队接收保持队形命令且障碍物允许通过宽度大于AUV编队最小容忍距离但不能使编队保持原来队形参数不变的情况下通过时，进行基础行为④中的情况a，完成避障后转到第1步；
第5步：停止。
步骤(3)包括以下内容：
(3.1)通过AUV携带的传感器得到各个AUV的姿态和其与相邻AUV的距离以及与相邻AUV连线的夹角从而得到实时队形矩阵；
(3.2)根据外界任务发布或由外界环境触发后AUV生成的期望队形矩阵以最小距离计算AUV运动的轨迹；
(3.3)判断AUV之间是否碰撞，“是”则用改进人工势场法避碰，“否”则继续按照轨迹行进；
(3.4)判断是否到达目标点，“是”则达到队形保持的目的，“否”则返回步骤(3.1)。
工作原理：本发明首先对人工势场法进行改进，将AUV与目标之间的距离的高次幂和AUV与障碍物的相对速度、相对加速度引入斥力势场函数，使得整个势场中仅在目标点处全局最小，解决了局部最小点问题，并将其应用于姿态调整机制中；其次建立切换系统模型，将领航跟随法、基于行为法、虚拟结构法三种编队控制方法分别模块化；定义编队行为，将各个模块与对应的编队行为结合，然后设计状态切换机制；状态切换机制由差值矩阵触发，具体为：将AUV的底层控制驱动算法作为AUV控制部分，然后通过差值矩阵触发状态切换机制，输出编队行为，确定控制策略，差值矩阵通过期望矩阵与实时矩阵的关系得到；其中期望矩阵由外界给定或外界环境触发后由AUV生成，然后由AUV控制部分进行多AUV的队形控制；最后在改进人工势场法的基础上设计姿态调整机制，由姿态调整机制调整各个AUV的姿态，使之达到期望姿态，并将实时队形矩阵反馈给切换系统，最终形成多AUV编队队形。
有益效果：与现有技术相比，本发明具有以下优点：
本发明将人工势场法进行改进，并将其他编队控制方法在各自特定环境下的优点相结合，使得编队在各种复杂的环境下进行协同作业，实现了多AUV编队的有效快速避障，避免了在路径规划的过程中规避目标不可到达的问题，尤其弥补了各传统编队控制方法仅在某种环境下有较好效果的短板，使得编队在进行变形和避障时的算法更简洁、效率更高，有效降低了AUV的能耗，提高了多AUV联合作业的效率。
附图说明
图1为本发明基于改进人工势场法和状态切换的多AUV混合编队方法的总体框图；
图2为本发明建立的AUV自然坐标系与大地坐标系示意图；
图3为本发明导致局部最小点的障碍物与AUV分布示意图；
其中，图(3a)为本发明中AUV与目标位置在障碍物异侧示意图；
图(3b)为本发明中AUV与目标位置在障碍物同侧示意图；
图4为障碍物对AUV的斥力的合力与目标位置对AUV的引力等大反向示意图；
图5为本发明中基于改进人工势场法的姿态调整机制流程图；
图6为障碍物的不同分布情况图；
其中，图(6a)为本发明障碍物可通过距离不能使编队保持原来队形通过的示意图；
图(6b)为本发明中障碍物的允许通过宽度远大于AUV编队的最小容忍宽度示意图；
图(6c)为本发明中障碍物可通过距离使改变队形参数后的编队顺利通过的示意图。
具体实施方式
如图1至图6所示，本发明基于改进人工势场法和状态切换的多AUV混合编队方法，包括以下步骤：
步骤(1)：采用基于改进人工势场法的水下航行器的实时路径规划方法进行规划，包括以下步骤：
(1.1)建立每一个AUV的自然坐标系，而后建立大地坐标系，如图2所示，具体过程如下：
其中AUV1和AUV2为编队中任意两个AUV，(x1，y1)和(x2，y2)分别为二者的质心在大地坐标系下的坐标，(x0，y0)为目标位置在大地坐标系下的坐标，L为两AUV之间的直线距离，夹角为二者连线与大地坐标系Y轴的夹角。文中的引力是目标点对AUV的作用力，斥力是障碍物对AUV的作用力。
(1.2)建立势场函数U＝Uatt+Urep，分为目标点的引力势场函数Uatt和障碍物的斥力势场函数Urep，利用改进人工势场法进行局部路径规划和避障；
首先定义AUV在二维空间中的位置X＝(x,y)T(x和y为AUV在大地坐标系下的横坐标和纵坐标)，结合目标点的位置X0＝(x0,y0)T建立目标点的引力势场函数
其中α为引力增益系数；
接着建立障碍物的斥力势场函数
其中m0是单个障碍物影响的最大距离，m＝|X-X0|为AUV与障碍物的最短距离。
考虑到障碍物与AUV之间产生的斥力以及障碍物所产生的斥力范围，我们设定当AUV与障碍物的距离大于最大距离时，斥力函数对AUV的运动不再有影响。
由上面的势场函数分别求得各自的负梯度进而得到对应的引力函数：Fatt＝-grad(Uatt)＝α(X0-X)；
斥力函数：
其中
β为斥力增益系数，得到引力与斥力对AUV的作用合力为：F＝Fatt+Frep，合力决定了AUV的前进方向。
接下来考虑人工势场法的局部极小点问题，引起局部极小点问题通常是引力和斥力的合力大小相等方向相反导致的，当AUV、障碍与目标点在同一方向并受力为0时，有以下两种情况：
(a1)如图(3a)、(3b)所示，当目标点在AUV与障碍物之间或障碍物在AUV目标点之间时，由于障碍物的斥力场函数迅速增大而目标点形成的引力场函数迅速减小，该原因会导致在行进过程中出现斥力大于引力从而导致出现AUV不能到达目标位置的现象；
(a2)如图4所示，当目标位置对AUV的引力和障碍物所产生的斥力的合力大小相等方向相反时，会导致局部路径规划不能顺利完成。
(1.3)在以上这些情况下，这里对人工势场法进行改进：由于目标位置事先已经给定，故不对目标点的引力势场函数进行改进，仅对斥力势场函数进行改进。
当AUV与障碍物的距离小于最大距离时，将AUV与目标位置之间距离的高次幂和AUV对于障碍物的相对速度、相对加速度引入到斥力势场函数中，使得整个势场中在目标点处全局最小，此时改进后的斥力场函数为
其中β1、β2、β3为斥力增益系数，(X-X0)n是AUV与目标位置的距离的高次幂，vro(t)是某一时刻AUV和障碍物的相对速度，aro(t)是该时刻AUV与障碍物的相对加速度，当aro(t)≤0时，β3aro(t)可以省去。
当m大于最大距离时不做改变，求其负梯度便得到改进后的斥力函数，这样就能使整个势场在目标点达到最小，从而解决了与目标点过近导致的不可到达的问题。
然后AUV根据由改进人工势场法得到的合力的方向和自身行驶速度计算下一时刻自身和跟随AUV的轨迹坐标，完成实时局部路径规划。
步骤(2)：建立切换系统模型，该切换系统模型由状态切换机制和控制部分组成，将各编队算法与改进人工势场算法分别模块化，定义编队行为，设计状态切换机制，设置编队状态阙值矩阵。
建立该切换系统模型时，采用的控制策略是基于任务驱动、自上而下的方案，首先将领航跟随法、虚拟结构法、基于行为法、改进人工势场法分别进行模块化，然后建立切换系统，该系统使用常值切换规则，这些常值分别代表领航跟随法模块，基于行为法模块、虚拟结构法模块，这些模块构成控制部分的策略控制，另外也将改进人工势场法嵌入AUV控制部分中，这样就避免了因状态切换时所来带的系统不稳定状况，使系统能很好地适应阶跃式状态变化，也避免了编队内部各个AUV之间的碰撞。
其中，在设计状态切换机制之前，要先定义编队的几种基础行为：
①编队组建，是指无论编队是任何位置状态都能够高效地完成期望队形的组建，这里将用到基于行为模块或虚拟结构模块；
②编队前进，是指在编队状态已经确定的前提下，编队向着目标位置行进，为了提高编队行进的速度，这里使用了领航跟随模块；
③变形，是指当编队在进行任务时对队形的动态变化，改变的仅是各个AUV之间的距离和相对角度，编队的整体队形并没有改变，由于虚拟结构法相对于其他算法在编队变换是只需要动态设计虚拟质点的矩阵，因此该行为适用虚拟结构模块；
④编队避障，是指在行进过程中路线上出现障碍物时多AUV采取的避让行为，分为两种情况：
a、强制保持队型避障，由于任务需要强制保持队形不变,此时采用虚拟结构法通过调整参数来保持队型并采用改进人工势场法进行避障。
b、被迫改变队形避障，是指在前方障碍物的允许通过宽度不足以让编队保持队形避障时，需要编队改变队形进行躲避障碍，此时运用基于行为的方法进行有效避障。
c、自由避障，是指在外界任务对编队队形没有要求，且障碍物的可允许编队的通过的最小宽度大于编队宽度，此时使用领航跟随或者虚拟结构法进行队形保持，运用改进人工势场法进行避障。
最后设计状态切换机制，这里的状态切换条件分为两种情况：
1)外界任务输入，由于任务需要改变队形，这时由外界向系统输入期望队形矩阵，然后期望矩阵和实时矩阵之间的差值矩阵与所设置的阙值矩阵进行比较，而后状态切换机制将触发发出编队命令，编队进行所设定的基础行为，并由策略控制部分和AUV控制部分共同完成。
2)环境触发，是指由于外界的障碍物可能对编队保持队形继续行进构成危险，需要进行实时避障，此时的期望矩阵会因外界发生变化，其与实时矩阵的差值矩阵在与阙值矩阵进行比较后触发状态切换机制，进行第四个基础行为。
状态切换机制包括以下5个步骤：
第1步：检测AUV编队是否到达目标点，“是”转到第5步，“否”则转到第2步；
第2步：外界是否有新的命令，“是”则根据实时矩阵与任务发布矩阵的差值矩阵进行基础行为①或③，“否”则转到第3步；
第3步：检测是否有障碍，“是”则转到第4步，“否”则进行基础行为②并转到第1步；
第4步：由环境突变触发后AUV生成的期望矩阵和实时矩阵的差值矩阵触发编队避障行为，进行基础行为④；当障碍物允许AUV编队通过的宽度小于或等于AUV编队避障的最小容忍宽度时如图6(a)，进行基础行为④中的情况b；
当障碍物的允许通过宽度远大于AUV编队的最小容忍宽度时即AUV编队可在编队参数保持不变的情况下顺利通过，如图6(b)所示，进行基础行为④中的情况c；
当编队接收保持队形命令且障碍物允许通过宽度大于AUV编队最小容忍距离但不能使编队保持原来队形参数不变的情况下通过时如图6(c)所示，进行基础行为④中的情况a，完成避障后转到第1步；
第5步：停止。
步骤(3)：在改进人工势场法的基础上设计姿态调整机制，调整各个AUV的姿态，使之达到期望姿态。
姿态调整机制的方法如图5所示，通过AUV携带的传感器得到各个AUV的姿态和其与相邻AUV的距离以及与相邻AUV连线的夹角，得到实时矩阵，而后通过所给的期望队形矩阵，以最小距离计算出AUV的运行轨迹，接着各个AUV按照各自的轨迹进行移动，在移动的过程中不断通过传感器得到的距离和角度信息进行反馈，如果该AUV与其他AUV的距离小于安全距离，则通过改进人工势场法避碰，之后判断各个AUV是否已经到达各自目标位置，如果没有将继续移动直到达到期望位置，在编队队形形成的同时，不断将编队的实时矩阵反馈到状态切换系统中，以备新的任务和环境触发到来时多AUV编队及时地得到有效的控制。
Claims (7)
1.一种基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：所述控制方法包括以下步骤：
步骤(1)：采用基于改进人工势场法的水下航行器的实时路径规划方法进行规划；
步骤(2)：建立切换系统模型，其由状态切换机制和控制部分组成，然后定义编队行为，设计状态切换机制，设置编队状态阙值矩阵；
步骤(3)：在改进人工势场法的基础上设计姿态调整机制，调整各个AUV的姿态至期望姿态。
2.根据权利要求1所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(1)包括以下内容：
步骤(1.1)：根据AUV的运动空间建立一个人工势场，建立每个AUV的自然坐标系，而后建立大地坐标系，其中，(x0，y0)为目标位置在大地坐标系下的坐标；
步骤(1.2)：建立目标点的引力势场函数
以及障碍物的斥力势场函数
其中，α为引力增益系数；m0是单个障碍物影响的最大距离；m＝|X-X0|为AUV与障碍物的最短距离；
并得到引力函数Fatt＝-grad(Uatt)＝α(X0-X)；
和斥力函数
其中
β为斥力增益系数；
步骤(1.3)：将AUV与目标之间的距离的高次幂，以及AUV和障碍物之间的相对速度、相对加速度引入到斥力势场函数，使得整个势场中在目标点处全局最小，得到改进后的斥力势场函数，所述改进后的斥力势场函数为
其中β1、β2、β3为斥力增益系数，(X-X0)n是AUV的目标位置的距离的高次幂，vro(t)是某一时刻AUV和障碍物的相对速度，aro(t)是该时刻AUV与障碍物的相对加速度；
AUV根据由改进人工势场法得到的合力的方向和自身行驶速度计算下一时刻自身和跟随AUV的轨迹坐标，完成实时局部路径规划。
3.根据权利要求1所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(2)包括以下内容：
步骤(2.1)：建立切换系统模型，将领航跟随法、基于行为法、虚拟结构法和改进人工势场法分别进行模块化处理，并将控制部分分为策略控制和AUV控制两部分；
步骤(2.2)：定义多AUV的编队基础行为：①编队组建；②编队前进；③变形；④编队避障；
步骤(2.3)：设计状态切换机制，设定阙值矩阵，用于与差值矩阵进行比较，状态切换机制通过多AUV编队的实时矩阵与期望矩阵之间的差值矩阵与阙值矩阵的比较结果触发。
4.根据权利要求3所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(2.1)中，所述切换系统采用常值切换规则，每个常值分别代表不同的编队方法模块。
5.根据权利要求3所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(2.2)中，所述基础行为④编队避障，根据障碍物和AUV的分布，分为以下几种情况：a、强制保持队形避障；b、被迫改变队形避障；c、自由避障。
6.根据权利要求3所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(2.3)中的设计状态切换机制包括以下步骤：
第1步：检测AUV编队是否到达目标点，“是”转第5步，“否”则转第2步；
第2步：外界是否有新的命令，“是”则根据实时矩阵与任务发布矩阵的差值矩阵进行基础行为①或③，“否”转到第3步；
第3步：检测是否有障碍，“是”转到第4步，“否”则进行基础行为②并转到第1步；
第4步：由环境突变触发后AUV生成的期望矩阵和实时矩阵的差值矩阵触发编队避障行为，进行基础行为④；当障碍物允许AUV编队通过的宽度小于或等于AUV编队避障容忍的最小宽度时，进行基础行为④中的情况b；
当障碍物的允许通过宽度远大于AUV编队的最小容忍宽度时，进行基础行为④中的情况c；
当编队接收保持队形命令且障碍物允许通过宽度大于AUV编队最小容忍距离但不能使编队保持原来队形参数不变的情况下通过时，进行基础行为④中的情况a，完成避障后转到第1步；
第5步：停止。
7.根据权利要求1至6中任一项所述的基于改进人工势场法和状态切换的多AUV混合编队方法，其特征在于：步骤(3)包括以下内容：
步骤(3.1)：通过AUV携带的传感器得到各个AUV的姿态和其与相邻AUV的距离以及与相邻AUV连线的夹角从而得到实时队形矩阵；
步骤(3.2)：根据外界任务发布或由外界环境触发后AUV生成的期望队形矩阵以最小距离计算AUV运动的轨迹；
步骤(3.3)：判断AUV之间是否碰撞，“是”则用改进人工势场法避碰，“否”则继续按照轨迹行进；
步骤(3.4)：判断是否到达目标点，“是”则达到队形保持的目的，“否”则返回步骤(3.1)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110238668.XA CN112947501B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进人工势场法和状态切换的多auv混合编队方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110238668.XA CN112947501B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进人工势场法和状态切换的多auv混合编队方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112947501A true CN112947501A (zh) | 2021-06-11 |
| CN112947501B CN112947501B (zh) | 2022-06-28 |
Family
ID=76247587
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110238668.XA Active CN112947501B (zh) | 2021-03-04 | 2021-03-04 | 一种基于改进人工势场法和状态切换的多auv混合编队方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112947501B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114859945A (zh) * | 2022-05-26 | 2022-08-05 | 厦门大学 | 一种基于人工势场法的水下编队控制方法、系统及介质 |
| CN117193335A (zh) * | 2023-11-08 | 2023-12-08 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527960A (zh) * | 2015-12-18 | 2016-04-27 | 燕山大学 | 一种基于领航跟随的移动机器人编队控制方法 |
| CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
| CN106843269B (zh) * | 2017-01-22 | 2019-05-31 | 北京航空航天大学 | 一种基于小型鸟类集群飞行机制的无人机编队方法 |
-
2021
- 2021-03-04 CN CN202110238668.XA patent/CN112947501B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527960A (zh) * | 2015-12-18 | 2016-04-27 | 燕山大学 | 一种基于领航跟随的移动机器人编队控制方法 |
| CN106843269B (zh) * | 2017-01-22 | 2019-05-31 | 北京航空航天大学 | 一种基于小型鸟类集群飞行机制的无人机编队方法 |
| CN108459612A (zh) * | 2017-02-21 | 2018-08-28 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 卫恒等: "基于状态切换的分布式多机器人编队控制", 《兵工学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114859945A (zh) * | 2022-05-26 | 2022-08-05 | 厦门大学 | 一种基于人工势场法的水下编队控制方法、系统及介质 |
| CN117193335A (zh) * | 2023-11-08 | 2023-12-08 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
| CN117193335B (zh) * | 2023-11-08 | 2024-04-12 | 山东大学 | 一种多智能体系统规避动态障碍物方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112947501B (zh) | 2022-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108827312B (zh) | 一种基于神经网络和人工势场的协同博弈路径规划方法 | |
| CN112947501B (zh) | 一种基于改进人工势场法和状态切换的多auv混合编队方法 | |
| CN108829099A (zh) | 一种基于受限反步法控制的欠驱动无人船轨迹跟踪方法 | |
| Lai et al. | Time-optimal control of a hovering quad-rotor helicopter | |
| CN107160398B (zh) | 基于确定学习的全状态受限刚性机械臂安全可靠控制方法 | |
| CN111766783B (zh) | 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 | |
| CN104142687A (zh) | 一种空间绳系机械臂目标抓捕后复合体姿态稳定控制方法 | |
| CN111813121A (zh) | 基于距离-角度优先级的多移动机器人编队避障方法 | |
| CN107263483B (zh) | 二自由度关节机器人轨迹的协调控制方法 | |
| CN114274129A (zh) | 基于视觉引导的机械臂运动规划与控制方法、系统及介质 | |
| CN110456636B (zh) | 基于不确定性上界估计的飞行器离散滑模自适应控制方法 | |
| CN114510063B (zh) | 一种无人履带车辆及其轨迹跟踪控制方法和系统 | |
| CN112000132A (zh) | 基于椭球体描述的航天器避障控制方法 | |
| Panigrahi et al. | A novel intelligent mobile robot navigation technique for avoiding obstacles using RBF neural network | |
| Yekinni et al. | Fuzzy logic control of goal-seeking 2-wheel differential mobile robot using unicycle approach | |
| Mitchell et al. | Multi-vehicle mixed-reality reinforcement learning for autonomous multi-lane driving | |
| Liu et al. | Formation control of multiple behavior-based robots | |
| CN114115341B (zh) | 一种智能体集群协同运动方法及系统 | |
| Yan et al. | Research on multi-AUV cooperative obstacle avoidance method during formation trajectory tracking | |
| Wang et al. | Path planning for mobile robot using fuzzy controllers with artificial potential field | |
| Moosavian et al. | Tracking control of an underwater robot in the presence of obstacles | |
| Qiao et al. | Fast trajectory tracking control of underactuated autonomous underwater vehicles | |
| CN110703792B (zh) | 基于增强学习的水下机器人姿态控制方法 | |
| CN113359824A (zh) | 基于模糊模型的无人机集群控制方法 | |
| CN110727273A (zh) | 多球形机器人编队形成过程路径规划算法 |
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 |