CN112965507B - 一种基于智能优化的集群无人机协同工作系统及方法 - Google Patents
一种基于智能优化的集群无人机协同工作系统及方法 Download PDFInfo
- Publication number
- CN112965507B CN112965507B CN202110148527.9A CN202110148527A CN112965507B CN 112965507 B CN112965507 B CN 112965507B CN 202110148527 A CN202110148527 A CN 202110148527A CN 112965507 B CN112965507 B CN 112965507B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- wireless transceiver
- task
- xbee
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 230000000007 visual effect Effects 0.000 claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000006855 networking Effects 0.000 claims abstract description 4
- 239000003016 pheromone Substances 0.000 claims description 29
- 241000257303 Hymenoptera Species 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 6
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005206 flow analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000135164 Timea Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000004083 survival effect Effects 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
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
本发明公开了一种基于智能优化的集群无人机协同工作系统及方法，系统包括携带电子罗盘、姿态传感器、光流传感器、单目相机、第二XBee无线收发机及控制器的空中智能系统；携带地面测控计算机和第一XBee无线收发机的测控数传系统。方法分为：基于改进AGAST视觉定位算法获取位置环境下的视觉信息；改进粒子群算法求解任务分配模型，获取任务最优资源分配方案；基于NPF改进蚁群算法进行无人机航迹规划。本发明基于XBee无线数传802.15.4协议实现系统通讯组网，提升了集群信息共享，对放置于复杂环境下的集群无人机进行任务分配、航迹规划优化，提升了规划效率和定位精度。本发明解决了现有技术中面对集群置于复杂场景下任务效率低、续航不足、载荷受限等问题。
Description
技术领域
本发明涉及一种基于智能优化的集群无人机协同工作系统及方法，属于无人机任务分配和航迹规划技术领域。
背景技术
无人机集群系统研究近年来成为无人机研究中较热门的领域。随着人工智能(AI)、机器学习等新兴科技的出现，单无人机由于载荷小、续航时间短等弊端，在执行任务时逐渐被淘汰，取而代之的是基于AI和空天技术的无人机协同编队。研究人员逐步拓展多无人机协同在各种复杂任务环境中的应用，结合卫星导航技术，通过空、天、地三维信息共享，构建空天地三维一体网络，实现无人机自主决策完成指定任务。随着智能自主控制技术和无线传感技术的深度整合，多无人机协同控制在并行性和鲁棒性等各方面能力得到飞速发展，成为现代化技术越来越重要的应用模式，并广泛应用于安全巡逻、目标搜索、区域探测等各个领域。
由于环境的局限性，在特殊区域集群无人机往往无法接收导航信号，所以选择构建基于光流/视觉的无人机飞行控制系统。当集群无人机进入一个陌生环境中时，需要通过自身的传感器对环境地图进行构建，并同时确定自身在地图中的位置。由于单目相机具有体积小，重量轻，价格便宜等优良特点，且摄像机可以获得场景中二维信息，并通过相应算法得到位姿信息和运动状态信息，使得机器视觉有了长足的发展。
任务分配作为多机协同控制的关键技术，是提高指挥效能和任务执行效率的重要途径，也因此成为该领域的研究热点之一。由于视觉探测要求无人机能够对兴趣区域进行持续的监测和感知，而实际任务中无人机受飞行续航时间和所携带任务载荷等资源限制，通常无法对所有兴趣区域进行全方位和全过程的持续探测。因此，为了利用有限的资源探测到更多的有用信息，需要根据不同区域探测价值的差异性进行合理有效的任务规划，从而使得视觉探测任务的总收益最大化。
集群规划直接关系着无人机任务的成败，尤其是在复杂环境下，无人机常面临着各种威胁，如雷达、障碍物等，良好的路径规划可有效提高无人机的生存概率和执行任务的效率。基本蚁群算法求解航迹规划问题时，根据概率随机选择航路点，每次迭代搜索中，蚂蚁会根据路径上的启发信息与信息素浓度进行搜索。在迭代初始阶段，启发信息通常占主导地位，导致蚂蚁集中在启发信息最强的路径上，因此导致过早收敛，无法搜索到最佳路径。
发明内容
本发明所要解决的技术问题是：提供一种基于智能优化的集群无人机协同工作系统及方法，解决了现有技术中面对集群无人机置于复杂场景下执行任务效率低、续航不足、载荷有限等问题。
本发明为解决上述技术问题采用以下技术方案：
一种基于智能优化的集群无人机协同工作系统，该系统包括设置于地面的测控数传系统和设置于每个四轴无人机上的空中智能系统；其中，测控数传系统包括地面测控计算机和第一Xbee无线收发机，所述第一Xbee无线收发机与地面测控计算机连接；空中智能系统包括电子罗盘、姿态传感器、光流传感器、单目相机、第二Xbee无线收发机和控制器，所述电子罗盘、姿态传感器、光流传感器、单目相机和第二Xbee无线收发机分别与控制器连接；第一Xbee无线收发机和第二Xbee无线收发机之间无线通信，每个四轴无人机上的第二Xbee无线收发机与其他四轴无人机上的第二Xbee无线收发机之间无线通信；
所述电子罗盘和姿态传感器分别用于实时向控制器提供无人机航向和姿态信息；
所述光流传感器用于采集无人机工作区域连续光信号，并对连续光信号进行灰度转换、滤波和补偿亮度的预处理后传输至控制器，为确定无人机速度提供数据；
所述单目相机用于采集无人机工作区域时间连续的视频信号，并对时间连续的视频信号进行预处理后传输至处理器，为确定无人机位置提供数据；
所述控制器用于对光流传感器和单目相机预处理后的数据进行估计，得到无人机速度信息和位置信息，通过第二Xbee无线收发机将无人机航向、姿态、速度和位置信息发送至第一Xbee无线收发机，且与其他Xbee无线收发机实现数据共享；
所述地面测控计算机用于根据无人机航向、姿态、速度和位置信息生成任务分配指令和航迹规划指令，并发送至每个无人机，无人机接收到上述指令后进行相应的动作。
作为本发明系统的一种优选方案，所述对时间连续的视频信号进行预处理，具体为：将时间连续的视频信号按照固定的时间间隔抽取单位帧，采用改进的AGAST视觉定位算法提取单位帧中的点特征和线特征，并将点特征和线特征用矩阵描述出来。
作为本发明系统的一种优选方案，所述电子罗盘所采用的芯片型号为AK8975。
作为本发明系统的一种优选方案，所述姿态传感器所采用的芯片型号为LPMS-ME1DK232。
作为本发明系统的一种优选方案，所述控制器所采用的芯片型号为STM32F407。
作为本发明系统的一种优选方案，所述第一Xbee无线收发机、第二Xbee无线收发机所采用的芯片型号均为XBee Pro 900HP，第一Xbee无线收发机和第二Xbee无线收发机在同一通讯地址内通过XBee Pro 900HP无线数传802.15.4协议进行通讯组网、广播数据互传。
一种基于智能优化的集群无人机协同工作方法，基于如上所述基于智能优化的集群无人机协同工作系统实现，包括如下步骤：
步骤1，已知任务区域为一个由n个节点组成的全连通图，对任务区域的全局信息进行数学建模，并将任务区域划分为m个多边形小区域，多边形小区域的个数等于所有无人机的数量，求解每个多边形小区域的最小覆盖圆，提取最小覆盖圆的圆心坐标作为任务点；
步骤2，地面测控计算机根据任务点坐标以及无人机在当前节点的航向、姿态、速度和位置信息，建立空间域分配模型和时间域分配模型，利用改进的粒子群算法求解无人机从当前节点要去的下一个节点；
步骤3，地面测控计算机采用基于NPF改进的蚁群算法规划无人机从当前节点到下一个节点之间的航迹；
步骤4，地面测控计算机将任务指令即无人机从当前节点要去的下一个节点，以及从当前节点到下一个节点之间的航迹，通过第一Xbee无线收发机和第二Xbee无线收发机发送至各个无人机，无人机根据任务指令到达下一个节点，同时将电子罗盘、姿态传感器、光流传感器、单目相机感知的信息反馈给地面测控计算机，实现集群无人机协同工作。
作为本发明方法的一种优选方案，步骤2所述改进的粒子群算法是通过动态调节惯性权重从而对粒子群算法进行改进，具体为：设置粒子群初始惯性权重、粒子初始位置和速度信息，定义每次迭代惯性权重减少量为常数μ，则第k次迭代的惯性权重Wk为：
Wk＝Wmax-kμ,k≤kmax
式中，Wmax为初始惯性权重，kmax为改进的粒子群算法最大迭代次数；
粒子即无人机的速度和位置具体为：
V(k+1)＝Wk*V(k)+L1*Rand*(Pbest-S(k))+L2*Rand*(Gbest-S(k))
S(k+1)＝S(k)+V(k)T
式中，V(k+1)、S(k+1)分别为第k+1次迭代粒子的速度、位置，V(k)、S(k)分别为第k次迭代粒子的速度、位置，L1、L2均为学习因子，Rand为随机数，Pbest为个体极值，Gbest为全局极值，T为单位时间常数。
作为本发明方法的一种优选方案，步骤3所述基于NPF改进的蚁群算法具体为：
在具有n个节点的全连通图上，随机设置m只蚂蚁即无人机，蚂蚁从节点pw(xw,yw,zw)运动到节点pw+1(xw+1,yw+1,zw+1)处的概率通过t时刻信息素浓度Axyz(t)和启发函数Bxyz(t)计算得到，基于NPF改进的状态转移矩阵具体为：
式中，pxyz(t)为，N为当前迭代次数，α为单次迭代信息素强度调节因子；β为单次迭代启发信息调节因子，pw+1(xw+1,yw+1,zw+1)为蚂蚁q可能要去的节点，q＝1,2,...,m，new为未知区域，启发函数Bxyz(t)具体为：
式中，
Lw/w+1为从当前节点pw到下一节点pw+1间的距离，Lw+1/G为下一节点pw+1与目标任务点G间的距离，xw,yw,zw为当前节点pw的三维位置坐标，xw+1,yw+1,zw+1为下一节点pw+1的三维位置坐标，γ为调节参数，a为蚂蚁加速度，M为单个蚂蚁质量，Nq表示蚂蚁q在当前时刻t的迭代次数，Nmax表示迭代次数的最大值，θ为当前节点与下一节点间的夹角，
为大于1的常量；
根据t时刻信息素浓度更新t+1时刻信息素浓度Axyz(t+1)，具体为：
Axyz(t+1)＝(1-λt)Axyz(t)+ΔAxyz(t)
λ为单位时间信息素挥发参数，Q为给定常数，Lq为本次循环中爬行长度；
同时，设置信息素分配范围如下：
式中，Amax为信息素浓度最大值，Amin为信息素浓度最小值。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明优化了无人机编队任务分配方法，从多无人机协同任务规划入手，建立了任务空间域和时间域分配模型，并提出了一种改进粒子群算法对视觉探测资源优化分配问题进行求解。该方法具有更快的收敛速度和更高的求解效率，能够有效应用于视觉探测感知研究领域。
2、本发明改进了无人机编队航迹规划蚁群算法，提出一种以NPF改进的蚁群算法，避免传统蚁群算法容易早熟而陷入局部最优的问题，相比传统蚁群算法提高了收敛速度。通过对三维空间进行网格化划分，成功将优化方法应用于无人机三维航迹规划。
3、本发明提出基于改进AGAST的视觉定位算法，为确定无人机速度和位置提供数据。
附图说明
图1是本发明基于智能优化的集群无人机协同工作系统的硬件架构示意图。
图2是本发明方法中基于改进AGAST视觉定位算法流程图。
图3是本发明方法中基于改进粒子群(IPSO)算法的任务分配流程图。
图4是本发明方法中基于以NPF改进蚁群算法的航迹规划流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出一种基于智能优化的集群无人机协同工作系统及方法，可以在民用、商用、军用等多个领域发挥作用。以多个空中智能体，一个地面控制系统为例，如图1所示。
一种基于智能优化的集群无人机协同工作系统包括测控数传系统和空中智能系统。测控数传系统包括地面测控计算机和第一XBee无线收发机，主要完成集群无人系统算法运算、指令下发和信息回收等功能；空中智能系统包括设置于四轴无人机上的AK8975电子罗盘、LPMS-ME1 DK232微型姿态传感器、光流传感器、单目相机、第二XBee无线收发机及基于STM32F407的控制器，主要执行测控数传系统下发的指令和回传实时感知无人机位姿信息。
图1中，地面测控计算机通过USB数据线与第一XBee无线收发机进行数据互传，第一XBee无线收发机与第二XBee无线收发机在同一通讯地址内通过XBee Pro 900 HP无线数传802.15.4协议进行通讯组网、广播数据互传，接收到信息的第二XBee无线收发机与空中智能系统进行数据交互。当无人机集群编队起飞时，将会发生数据传输，地面测控计算机根据利用已知任务信息，基于改进粒子群(IPSO)的任务分配算法和基于NPF改进蚁群的航迹规划算法生成任务指令，通过XBee Pro 900 HP无线数传将任务指令发送至每一个无人机，无人机通过STM32F407的控制器将接收命令信息和机载传感器感知的位姿信息综合分析处理后，传输到各个执行模块进行位姿更新，同时将机载传感器感知的实时信息传回，循环迭代实现集群无人系统协同工作。机载传感器工作具体为：光流传感器采集实时场景的光信息，通过光流分析法处理后为确定速度提供数据；单目相机视觉传感器采集未知场景下的图像，通过对图像进行初步处理，提取图像中的点特征、线特征，通过改进AGAST的视觉定位算法完成特征提取的过程，提供视野内的特征位置数据；LPMS-ME1 DK232微型姿态传感器、AK8975电子罗盘提供实时姿态、航向信息；STM32 F407作为算法载体和处理器，通过编写程序将算法烧写进闪存，在传感器提供视野内的特征数据以后，按照算法完成位置信息和姿态信息估计，协调无线数传更新本地与全系统数据等功能。多个无人机通过无线数传将实时场景信息与测控数传系统进行数据交互，通过循环迭代的算法计算，执行模块即时完成任务指令，来实现智能优化的集群无人系统协同工作。
图2为基于改进AGAST(自适应通用加速分割检测)视觉定位算法流程图。光流传感器采集连续光信号，灰度转换后进行滤波、补偿亮度的预处理，先求取相邻两帧图像间的运动矢量，再积分运算求取前N帧的运动总矢量，完成处理后，就需要进一步对后续帧进行处理，这里处理其是一个循环迭代的过程，不断的根据前后帧来执行光流分析法，利用光流分析法采集图像得出的速度信息通过协议传输给空中智能系统主控；单目相机视觉传感器采集到时间连续的视频信号，将连续的视频信号按照固定的时间间隔抽取单位帧，在每一帧图像中包含了位置环境下的多种特征信息，使用改进AGAST特征点处理算法，将帧图像中拐点、角点和分界线等明显特征提取出来，并使用矩阵进行描述，将矩阵信息传入空中智能系统进行处理实现精准定位，并由空中智能系统通过无线数传向地面测控数传系统发送位置信息。
图3为基于改进粒子群(IPSO)算法的任务分配流程图。改进粒子群(IPSO)算法的任务分配具体为：对任务区域的全局信息进行数学建模，并且将任务区域划分为若干个小区域，为了从兴趣区域中选取一个合适的目标航迹点使得无人机到达该区域后能够较好地展开既定任务，对不规则探测区域多边形的最小覆盖圆进行求解，然后提取其圆心位置，作为该区域的地理位置坐标。其次进行多机协同任务分配，建立探测空间域分配模型和时间域分配模型；然后设置粒子(即圆心)群初始位置和速度，通过对惯性权重W进行重新定义来改进的粒子群优化算法(IPSO)，计算各个粒子的目标函数，得出当前粒子个体极值，找到当前整个粒子群的全局最优解，再输出最优解来更新各个粒子的位置和速度。最后利用IPSO对建立的任务分配模型进行求解，获取视觉探测任务最优资源分配决策方案信息。
改进粒子群算法对传统惯性权重W进行重新定义。W决定了粒子对其自身飞行速度的寻优程度，均衡全局搜索和局部搜索能力。为了实现集群无人系统保持高效全局性并且增强信息共享，将迭代的初始阶段设置一个较大的惯性权重，在迭代的后期，逐步缩小其权重大小，使改进算法在全局最优前提下增加的局部搜索能力，寻找到全局最优解。进行动态调节，定义每次迭代计算惯性权重减少量μ，通常为常数，惯性权重Wk具体为：
Wk＝Wmax-kμ,k≤kmax
式中：kmax为该粒子群算法最大迭代次数；k为当前迭代次数；Wmax为初始惯性权重，通常为常量。因为惯性权重进行有序的线性变化，所以总体成平稳变化趋势，减少搜索过程中的波动。
V(k+1)＝Wk*V(k)+L1*Rand*(Pbest-S(k))+L2*Rand*(Gbest-S(k))
S(k+1)＝S(k)+V(k)T
其中V(k)是当前次粒子的速度，V(k+1)为下一次粒子速度，S(k)为当前粒子的位置，S(k+1)是下一次粒子的位置，Pbest为个体极值，Gbest为全局极值，Rand是随机数通常为小于1的正数，L1,L2是学习因子通常为常数2，T为单位时间常数。通过改进的粒子群优化算法(IPSO)对建立的任务分配模型进行求解，获取视觉探测任务最优资源分配决策方案。
图4为基于以NPF改进蚁群算法的航迹规划流程图。基于NPF改进蚁群算法的航迹规划具体为：将蚁群算法的全局性与导航势函数(Navigation Potential Function，NPF)的实时性优势相结合，提出一种改进的蚁群算法。在获得任务分配方案信息的情况下，设计新的寻优方法，引入NPF进行蚁群算法初步航迹规划，并且根据规划的结果分配导航势场信息素。由于NPF可能对信息素分配出现过多或者过少情况，设置信息素分配最大值与最小值，解决在迭代初始阶段信息素浓度过低与启发信息不成比例，使得蚂蚁集中在启发信息最强的路径上导致陷入局部最优的问题，并且缩短收敛时间。同时引入NPF改进蚁群算法的状态转移函数，引入节点与节点之间距离、节点与目标点之间距离以及蚂蚁所受合力来改进启发函数，得到一个可实际执行标准内的改进算法，解决在3D空间中蚂蚁搜索容易忽视节点周围障碍物因素陷入盲目选择导致搜索时间过长的问题，并将改进方法应用于无人机3D航迹规划问题的求解，具体为：
基于NPF改进蚁群算法在一个具有n节点的全连通图上，随机设置m只蚂蚁编号为q(q＝1,2,...,m)，蚂蚁从节点pw(xw,yw,zw)运动到节点pw+1(xw+1,yw+1,zw+1)处的概率可基于t时刻pw+1-pw路径上的信息素浓度Axyz(t)与当前点的启发信息Bxyz(t)计算出，以NPF改进状态转移矩阵具体为：
式中：其中pw+1(xw+1,yw+1,zw+1)为蚂蚁q(q＝1,2,...,m)可能要去的节点；new为未知区域；Axyz(t)为t时刻信息素浓度；N为当前迭代次数；α为单次迭代信息素强度调节因子；β为单次迭代启发信息调节因子；启发函数Bxyz(t)具体为：
式中：
其中：Lw/w+1为从当前节点pw到下一节点pw+1间的距离；Lw+1/G为下一节点pw+1与目标点G间的距离；Nmax表示迭代次数的最大值；Nq表示蚂蚁q(q＝1,2,...,m)在当前时刻的迭代次数；γ为调节参数；a为蚂蚁加速度，定义单个蚂蚁质量为M；θ为当前节点与下一节点间的夹角；
为大于1常量。
以NPF改进蚁群算法进行完一次迭代后，可计算基于现有信息的最短路径。更新迭代过程中信息素浓度，t时刻改进路径信息素浓度公式为：
Axyz(t+1)＝(1-λt)Axyz(t)+ΔAxyz(t)
Axyz(t)为t时刻信息素浓度；λ为单位时间信息素挥发参数，通常为小于1的正数；Q为给定常数；Lq为本次循环中爬行长度。
由于NPF可能对信息素分配出现过多或者过少情况，设置信息素分配范围为：
其中：Amax为信息素浓度最大值；Amin为信息素浓度最小值。
以上改进得到一个可实际执行标准内的改进算法，将应用于无人机3D航迹规划问题的求解。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (6)
1.一种集群无人机协同工作方法，基于一种基于智能优化的集群无人机协同工作系统实现，其特征在于，所述集群无人机协同工作系统包括设置于地面的测控数传系统和设置于每个四轴无人机上的空中智能系统；其中，测控数传系统包括地面测控计算机和第一Xbee无线收发机，所述第一Xbee无线收发机与地面测控计算机连接；空中智能系统包括电子罗盘、姿态传感器、光流传感器、单目相机、第二Xbee无线收发机和控制器，所述电子罗盘、姿态传感器、光流传感器、单目相机和第二Xbee无线收发机分别与控制器连接；第一Xbee无线收发机和第二Xbee无线收发机之间无线通信，每个四轴无人机上的第二Xbee无线收发机与其他四轴无人机上的第二Xbee无线收发机之间无线通信；
所述电子罗盘和姿态传感器分别用于实时向控制器提供无人机航向和姿态信息；
所述光流传感器用于采集无人机工作区域连续光信号，并对连续光信号进行灰度转换、滤波和补偿亮度的预处理后传输至控制器，为确定无人机速度提供数据；
所述单目相机用于采集无人机工作区域时间连续的视频信号，并对时间连续的视频信号进行预处理后传输至处理器，为确定无人机位置提供数据；
所述控制器用于对光流传感器和单目相机预处理后的数据进行估计，得到无人机速度信息和位置信息，通过第二Xbee无线收发机将无人机航向、姿态、速度和位置信息发送至第一Xbee无线收发机，且与其他Xbee无线收发机实现数据共享；
所述地面测控计算机用于根据无人机航向、姿态、速度和位置信息生成任务分配指令和航迹规划指令，并发送至每个无人机，无人机接收到上述指令后进行相应的动作；
所述集群无人机协同工作方法包括如下步骤：
步骤1，已知任务区域为一个由n个节点组成的全连通图，对任务区域的全局信息进行数学建模，并将任务区域划分为m个多边形小区域，多边形小区域的个数等于所有无人机的数量，求解每个多边形小区域的最小覆盖圆，提取最小覆盖圆的圆心坐标作为任务点；
步骤2，地面测控计算机根据任务点坐标以及无人机在当前节点的航向、姿态、速度和位置信息，建立空间域分配模型和时间域分配模型，利用改进的粒子群算法求解无人机从当前节点要去的下一个节点；
所述改进的粒子群算法是通过动态调节惯性权重从而对粒子群算法进行改进，具体为：设置粒子群初始惯性权重、粒子初始位置和速度信息，定义每次迭代惯性权重减少量为常数μ，则第k次迭代的惯性权重Wk为：
Wk＝Wmax-kμ,k≤kmax
式中，Wmax为初始惯性权重，kmax为改进的粒子群算法最大迭代次数；
粒子即无人机的速度和位置具体为：
V(k+1)＝Wk*V(k)+L1*Rand*(Pbest-S(k))+L2*Rand*(Gbest-S(k))
S(k+1)＝S(k)+V(k)T
式中，V(k+1)、S(k+1)分别为第k+1次迭代粒子的速度、位置，V(k)、S(k)分别为第k次迭代粒子的速度、位置，L1、L2均为学习因子，Rand为随机数，Pbest为个体极值，Gbest为全局极值，T为单位时间常数；
步骤3，地面测控计算机采用基于NPF改进的蚁群算法规划无人机从当前节点到下一个节点之间的航迹；
所述基于NPF改进的蚁群算法具体为：
在具有n个节点的全连通图上，随机设置m只蚂蚁即无人机，蚂蚁从节点pw(xw,yw,zw)运动到节点pw+1(xw+1,yw+1,zw+1)处的概率通过t时刻信息素浓度Axyz(t)和启发函数Bxyz(t)计算得到，基于NPF改进的状态转移矩阵具体为：
式中，pxyz(t)为蚂蚁q在t时刻从节点pw到pw+1的概率，N为当前迭代次数，α为单次迭代信息素强度调节因子；β为单次迭代启发信息调节因子，pw+1(xw+1,yw+1,zw+1)为蚂蚁q可能要去的节点，q＝1,2,...,m，new为未知区域，启发函数Bxyz(t)具体为：
式中，
Lw/w+1为从当前节点pw到下一节点pw+1间的距离，Lw+1/G为下一节点pw+1与目标任务点G间的距离，xw,yw,zw为当前节点pw的三维位置坐标，xw+1,yw+1,zw+1为下一节点pw+1的三维位置坐标，γ为调节参数，a为蚂蚁加速度，M为单个蚂蚁质量，Nq表示蚂蚁q在当前时刻t的迭代次数，Nmax表示迭代次数的最大值，θ为当前节点与下一节点间的夹角，
为大于1的常量；
根据t时刻信息素浓度更新t+1时刻信息素浓度Axyz(t+1)，具体为：
Axyz(t+1)＝(1-λt)Axyz(t)+ΔAxyz(t)
λ为单位时间信息素挥发参数，Q为给定常数，Lq为本次循环中爬行长度；
同时，设置信息素分配范围如下：
式中，Amax为信息素浓度最大值，Amin为信息素浓度最小值；
步骤4，地面测控计算机将任务指令即无人机从当前节点要去的下一个节点，以及从当前节点到下一个节点之间的航迹，通过第一Xbee无线收发机和第二Xbee无线收发机发送至各个无人机，无人机根据任务指令到达下一个节点，同时将电子罗盘、姿态传感器、光流传感器、单目相机感知的信息反馈给地面测控计算机，实现集群无人机协同工作。
2.根据权利要求1所述集群无人机协同工作方法，其特征在于，所述对时间连续的视频信号进行预处理，具体为：将时间连续的视频信号按照固定的时间间隔抽取单位帧，采用改进的AGAST视觉定位算法提取单位帧中的点特征和线特征，并将点特征和线特征用矩阵描述出来。
3.根据权利要求1所述集群无人机协同工作方法，其特征在于，所述电子罗盘所采用的芯片型号为AK8975。
4.根据权利要求1所述集群无人机协同工作方法，其特征在于，所述姿态传感器所采用的芯片型号为LPMS-ME1 DK232。
5.根据权利要求1所述集群无人机协同工作方法，其特征在于，所述控制器所采用的芯片型号为STM32F407。
6.根据权利要求1所述集群无人机协同工作方法，其特征在于，所述第一Xbee无线收发机、第二Xbee无线收发机所采用的芯片型号均为XBee Pro 900HP，第一Xbee无线收发机和第二Xbee无线收发机在同一通讯地址内通过XBee Pro900HP无线数传802.15.4协议进行通讯组网、广播数据互传。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148527.9A CN112965507B (zh) | 2021-02-03 | 2021-02-03 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110148527.9A CN112965507B (zh) | 2021-02-03 | 2021-02-03 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965507A CN112965507A (zh) | 2021-06-15 |
| CN112965507B true CN112965507B (zh) | 2022-10-04 |
Family
ID=76273966
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110148527.9A Active CN112965507B (zh) | 2021-02-03 | 2021-02-03 | 一种基于智能优化的集群无人机协同工作系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965507B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113485338B (zh) * | 2021-07-09 | 2022-11-22 | 西北工业大学 | 基于人群交互行为的机器人集群运动控制方法 |
| CN113778123B (zh) * | 2021-08-24 | 2024-03-05 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
| CN113807591B (zh) * | 2021-09-22 | 2023-04-07 | 电子科技大学 | 一种通信距离受限的无人机集群站点协同优化部署方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871156A (zh) * | 2017-11-02 | 2018-04-03 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104282005A (zh) * | 2014-09-19 | 2015-01-14 | 天津航天中为数据系统科技有限公司 | 一种视频图像拼接方法及装置 |
| CN104899831B (zh) * | 2015-06-09 | 2019-05-24 | 天津航天中为数据系统科技有限公司 | 一种无人机影像数据实时处理方法及系统 |
| CN104977912A (zh) * | 2015-07-02 | 2015-10-14 | 深圳市蜂鸟智航科技有限公司 | 一种基于以太网交换总线的无人机飞行控制系统及方法 |
| CN105319969A (zh) * | 2015-07-27 | 2016-02-10 | 李翔宇 | 无人机协同对地覆盖系统 |
| CN106595659A (zh) * | 2016-11-03 | 2017-04-26 | 南京航空航天大学 | 城市复杂环境下多无人机视觉slam的地图融合方法 |
| CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
| CN108475426A (zh) * | 2017-06-30 | 2018-08-31 | 深圳市大疆创新科技有限公司 | 光流跟踪装置和方法 |
| CN108007474A (zh) * | 2017-08-31 | 2018-05-08 | 哈尔滨工业大学 | 一种基于地面标识的无人飞行器自主定位及位姿校正技术 |
| CN107728639B (zh) * | 2017-09-08 | 2020-11-10 | 哈尔滨工程大学 | 一种时间窗约束下的异构多auv系统任务协调方法 |
| US11176630B2 (en) * | 2017-12-21 | 2021-11-16 | Wing Aviation Llc | Dynamic UAV transport tasks |
| CN109917811A (zh) * | 2019-04-12 | 2019-06-21 | 中国人民解放军国防科技大学 | 一种无人机集群协同避障-重构处理方法 |
| CN110274588B (zh) * | 2019-06-19 | 2020-12-08 | 南京航空航天大学 | 基于无人机集群信息的双层嵌套因子图多源融合导航方法 |
| CN111638725B (zh) * | 2020-05-14 | 2021-08-10 | 西安电子科技大学 | 基于蚁群算法与人工势场法的无人机编队重构系统及方法 |
-
2021
- 2021-02-03 CN CN202110148527.9A patent/CN112965507B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871156A (zh) * | 2017-11-02 | 2018-04-03 | 常熟理工学院 | 基于信息素预测的蚁群多细胞跟踪系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965507A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112965507B (zh) | 一种基于智能优化的集群无人机协同工作系统及方法 | |
| Gu et al. | Multiple moving targets surveillance based on a cooperative network for multi-UAV | |
| CN111932588B (zh) | 一种基于深度学习的机载无人机多目标跟踪系统的跟踪方法 | |
| CN108594853B (zh) | 无人机队形控制方法 | |
| CN111240319B (zh) | 室外多机器人协同作业系统及其方法 | |
| CN109443366B (zh) | 一种基于改进q学习算法的无人机群路径规划方法 | |
| CN109520504B (zh) | 一种基于网格离散化的无人机巡查路径优化方法 | |
| US20190243376A1 (en) | Actively Complementing Exposure Settings for Autonomous Navigation | |
| CN112684807A (zh) | 无人机集群三维编队方法 | |
| US8229249B2 (en) | Spatial motion calculation apparatus and method for the same | |
| CN109755995A (zh) | 基于ros机器人操作系统的机器人自动充电对接方法 | |
| CN110989682B (zh) | 基于单基站的无人机精准降落方法 | |
| CN112580537A (zh) | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 | |
| CN113448703B (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
| CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
| CN111812978B (zh) | 一种多无人机协作slam方法与系统 | |
| Cui et al. | UAV target tracking algorithm based on task allocation consensus | |
| CN113566825A (zh) | 基于视觉的无人机导航方法、系统及存储介质 | |
| CN114679729B (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
| Fragoso et al. | Dynamically feasible motion planning for micro air vehicles using an egocylinder | |
| Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
| CN113961013A (zh) | 一种基于rgb-d slam的无人机路径规划方法 | |
| CN109062677A (zh) | 一种无人机系统计算迁移方法 | |
| CN111399533B (zh) | 异构多无人机协同任务分配与路径优化方法 | |
| CN211878189U (zh) | 一种基于改进图优化slam的地空协同视觉导航装置 |
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 |