CN113138609B - 一种反低慢小目标的多无人机协同目标搜索方法 - Google Patents
一种反低慢小目标的多无人机协同目标搜索方法 Download PDFInfo
- Publication number
- CN113138609B CN113138609B CN202011566549.9A CN202011566549A CN113138609B CN 113138609 B CN113138609 B CN 113138609B CN 202011566549 A CN202011566549 A CN 202011566549A CN 113138609 B CN113138609 B CN 113138609B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- value
- grid
- attraction
- 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 48
- 238000001704 evaporation Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 4
- 230000008020 evaporation Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method 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
- G05D1/12—Target-seeking control
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)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种反低慢小目标的多无人机协同目标搜索方法,该方法中通过将地图分割成为多个网格,并为每个网格赋予不同的评价标准,最终转换成为无人机的受力情况,其受力最大的方向即为无人机应该去搜寻的方向,其中基于全局信息,具体考虑了全局因素对无人机的吸引值,以使得无人机的最终受力情况考虑到地图整体状况,倾向于朝着未搜索的大片未知区域移动,以便于减少重复搜索路径,也能够避免出现部分未知区域无法搜索到的状况。
Description
技术领域
本发明涉及用无人机进行目标搜索的技术领域,具体涉及一种反低慢小目标的多无人机协同目标搜索方法。
背景技术
已知的多无人机协同目标搜索方法,如模型预测控制和概率分布算法,虽然具有描述运动目标的分布概率和预测机动范围的能力,但是没有全面的考虑完整的搜索区域的环境影响和目标与多无人机相对运动的影响,使得多无人机重复搜索预测的高概率范围,搜索路径存在交叉重叠,对于时敏的动态目标的捕获能力较低,搜索效率低。基于目标预测,模拟吸引和排斥信息去构建搜索环境图,能将全局数字化,通过目标机动范围概率与信息浓度共同驱动多动无人机协同搜索,对于目标规模大且机动明显的情况有较好搜索效果;然而对应“低慢小”目标来说,其运动慢且目标小,仍然会使得多无人机重复搜索预测的高概率范围,且搜索方法着眼于目标的预测,忽略多无人机之间以及与目标相对运动的影响,使得搜索路径交叉重复,还增加机间碰撞风险。
另外,现有的目标搜索方法中,对于搜索区域缺少全局考虑,致使大面积的未探寻区域影响力持续减少,经常会出现无人机将战场分割开导致某一片未知区域无法搜索到的状况。
由于上述原因,本发明人对现有的目标搜索方法做了深入研究,以期待设计出一种适用于搜索低慢小目标的多无人机协同目标搜索方法。
发明内容
为了克服上述问题,本发明人进行了锐意研究,设计出一种反低慢小目标的多无人机协同目标搜索方法,该方法中通过设立虚拟的带有网格的地图,并为每个网格赋予不同的作用力,最终计算无人的受力情况,其受力最大的方向即为无人机应该去搜寻的方向,其中具体考虑了最优全局吸引值,以使得无人机的最终受力情况考虑到地图整体状况,以便于减少重复路径,也能够避免出现部分未知区域无法搜索到的状况,从而完成本发明。
具体来说,本发明的目的在于提供一种反低慢小目标的多无人机协同目标搜索方法,该方法包括如下步骤:
步骤1,将无人机分散布置在需要搜索的区域,在需要搜索的区域绘制虚拟的预定数量的规则网格,为每个网格赋予吸引信息值和排斥信息值;
步骤2,基于每个网格内吸引信息值和排斥信息值,得到全局信息地图;
步骤3,为每个无人机找到对应的最优全局吸引网格,并解算出每个无人机的最优全局吸引力的方向;
步骤4,综合考虑无人机在上下左右四个方向上最优的局部选择,和全局吸引力对无人机的影响,即计算无人机受到的合力在每个方向的大小,并选择受力最大的方向作为无人机的行进搜索方向;
步骤5,每个单位时间重复一次步骤2-4,直至寻找到所有目标。
其中,在步骤1,每个网格赋予的初始吸引信息值为5,每个网格初始排斥信息值为-3。
其中,所述步骤2包括如下子步骤:
子步骤1,每个单位时间更新吸引信息值和排斥信息值;
子步骤2,将网格中的吸引信息值和排斥信息值相加,得到该网格的合力信息;所述全局信息地图中记载所有网格的合力信息、吸引信息值和排斥信息值。
其中,所述更新吸引信息值包括产生、传输和蒸发吸引信息值;
所述更新排斥信息值包括产生、传输和蒸发排斥信息值。
其中,所述步骤3包括如下子步骤,
子步骤a,通过边长为L的正方形框架从全局信息地图中框选出网格,求取正方形框架内所有网格的合力信息的平均值,将位于该框选区域中心位置的网格作为该框选区域的代表网格;
子步骤b,多次重复子步骤a,确保每次框选出的网格都不完全相同,并从中挑选出最大的平均值,并记录该最大的平均值的取值、其所对应的框选区域和代表网格;
子步骤c,从全局信息地图中去除子步骤b中挑选出的最大的平均值所对应的框选区域;在剩余区域中重复子步骤a和子步骤b,再次得到新的最大的平均值;
子步骤d,重复子步骤c,直至获得n个最大的平均值,对应获得n个代表网格;
子步骤e,在任意一个代表网格与任意一个无人机之间连线,且每个代表网格和无人机上都只能连有一条线,共得到n条连线,并计算n条连线的总长度;
子步骤f,重复子步骤e,选取总长度最小的连线方案,并确定该连线方案中,与无人机相连的代表网格即为该无人机对应的最优全局吸引网格,与无人机相连的连线的方向即代表该无人机的最优全局吸引力的方向,该最优全局吸引网格对应的平均值的取值即为对应无人机的全局吸引值;
优选地,所述L为网格宽度尺寸的整数倍;
n表示步骤1中无人机的布置数量。
其中,在步骤4中,通过下式(一)分别解算无人机在上下左右各个方向上受到的合力:
其中,val表示无人机在一个方向上受到的合力,
val1表示无人机受到的与其所在网格最近的一个网格中的吸引信息值,代表该方向上最近的网格的吸引力,
val2表示无人机受到的与其所在网格最近的一个网格中的排斥信息值,代表该方向上最近的网格的排斥力,
val3表示无人机受到其对应的最优全局吸引值在一个方向上的分量值;
λ1、λ2和λ3都表示加权系数。
其中,λ1的值为1,λ2的值为1,λ3的值为0.1。
其中,所述无人机进入到每个网格中,都能够搜索确定其所在网格中是否存在目标,
当无人机发现其所在网格中存在目标时,该无人机不再移动到其他网格中,且该网格的吸引信息值和排斥信息值都永久设置为0。
其中,步骤1中规则网格的预定数量与无人机的布置数量之比为65~110。
根据本发明提供的反低慢小目标的多无人机协同目标搜索方法,使得多无人机在协同搜索时不仅倾向于目标存在率高,吸引信息浓度大的范围,而且增加全局判断和无人机相对运动的约束共同作用,避免多无人机重复搜索一片区域,提高对“低小慢”目标的搜索能力。另外,该方法还能够让更多的无人机在向周围最优位置搜索的同时,倾向于向待搜索区域中未知程度最高的区域范围靠近,利用全局信息来达到无人机搜索方向的导向作用;
具体来说,通过构造区域内信息影响的平均值,即最优全局吸引值,吸引无人机向大面积未搜索区域靠近;
通过逐一寻找每个无人机对应的最优全局吸引网格,保证每一个最优区域都与其他区域没有重叠;也能够避免同一区域同时对两架无人机产生引力,导致重复搜索。
附图说明
图1示出根据本发明一种优选实施方式的反低慢小目标的多无人机协同目标搜索方法的整体逻辑顺序图;
图2示出本申请实施例中未知程度随搜索时间变化的过程曲线图;
图3示出本申请对比例中未知程度随搜索时间变化的过程曲线图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
根据本发明提供的一种反低慢小目标的多无人机协同目标搜索方法,如图1中所示,该方法包括如下步骤:
步骤1,将无人机分散布置在需要搜索的区域,在需要搜索的区域绘制虚拟的预定数量的规则网格,为每个网格赋予吸引信息值,为地图上所有的网格赋予排斥信息值,并在后续单位时间持续进行更新,
步骤2,基于每个网格内吸引信息值和排斥信息值,得到全局的信息地图,
步骤3,为每个无人机找到对应的最优全局吸引网格的中心坐标,并解算出每个无人机的最优全局吸引力的方向,
步骤4,综合考虑无人机在上下左右四个方向上最优的局部选择,和全局吸引力对无人机的影响,计算受到的合力在每个方向的大小,并选择受力最大的方向作为无人机下一单位时间的行进搜索方向;
步骤5,每个单位时间重复一次步骤2-4,直至寻找到所有目标。
本申请中所述的低慢小是指具有低空、超低空飞行(飞行高度在1000m以下),飞行速度小于200km/h,不易被雷达发现等全部或部分特征的小型航空器和空飘物。
本申请中所述的虚拟的规则网格可以绘制在电子地图中,且该电子地图可以有多幅,每幅地图中记录不同的信息,如一幅地图中记录每个网格的吸引信息值,一幅地图中记录每个网格的排斥信息值,还有一幅地图中记录最优全局吸引网格和其中的最优全局吸引值。所述网格及其中的信息值都存储在地面站或者控制终端中,该控制终端与每架无人机实时交互通讯,根据电子地图上的信息值和无人机位置,为每一架无人机解算出下一个单位时间的行进方向,并将控制指令传递给具体的无人机。
在一个优选的实施方式中,在步骤1中,根据无人机的搜索能力和地图大小,对地图进行网格划分;每个网格的大小即为飞行器的移动搜索范围。为每个网格赋予的初始吸引信息值为5作为对无人机搜寻方向的引力,初始排斥信息值为3,作为无人机搜索方向的斥力。
在一个优选的实施方式中,所述步骤2包括如下子步骤:
子步骤1,每个单位时间更新吸引信息值和排斥信息值;
子步骤2,将网格中的吸引信息值和排斥信息值相加,得到该网格的合力信息;所述全局信息地图中记载所有网格的合力信息、吸引信息值和排斥信息值。
所述更新吸引信息值包括产生、传输和蒸发吸引信息值。
每个网格不断产生吸引信息,单位时间产生量为1。当无人机访问过网格后,该网格吸引信息停止产生,并将吸引信息值归零。在无人机离开后15个单位时间后,从0开始重新产生吸引信息值;即无人机在经过该网格时,对该网格内区域做了搜索,所以短时间内无需其他无人机来重复搜索;
每个网格在每个单位时间内,在完成产生以后,都要进行吸引信息值的传播和蒸发作业。
所述传输为每个网格将吸引信息值的20%,传入周围的网格内,并接受周围网格的传播。具体来说,每个网格在每个单位时间内都会将其自身的20%的吸引信息值分成4份,分别传递给与其相连的4个网格,每个网格5%,同时接受周围其他网格传递来的吸引信息值,如果某个网格周围的网格数量不足4,则将未传递出去的部分吸引信息值再次传输给其自身,每个网格在完成吸引信息值的传输和接收工作后,通过加和的方式得到自身在传输和接收后的吸引信息值总和,该总和即为传输作业得到的吸引信息值。
所述蒸发作业为,每个网格在每个单位时间内完成传输作业以后,还要蒸发掉吸引信息值总量的20%,即为传输作业得到的吸引信息值乘以0.8得到最终的数值为引信息值,即为下一个单位时间时该网格的吸引信息值。
所述更新排斥信息值包括产生、传输和蒸发排斥信息值。
当无人机经过网格后,网格开始产生排斥信息,单位时间内,产生的排斥信息值为无人机经过该网格的总次数与-1的乘积;即如果某个网格中曾经有无人机经过3次,则该网格每个单位时间增加的排斥信息值为-3;
所述传输为每个网格将排斥信息值的20%,传入周围的网格内,并接受周围网格的传播;具体来说,每个网格在每个单位时间内都会将其自身的20%的排斥信息值分成4份,分别传递给与其相连的4个网格,每个网格5%,同时接受周围其他网格传递来的排斥信息值,如果某个网格周围的网格数量不足4,则将未传递出去的部分排斥信息值再次传输给其自身,每个网格在完成排斥信息值的传输和接收工作后,通过加和的方式得到自身在传输和接收后的排斥信息值总和,该总和即为传输作业得到的排斥信息值。
所述蒸发作业为,每个网格在每个单位时间内完成传输作业以后,还要蒸发掉排斥信息值总量的20%,即为传输作业得到的排斥信息值乘以0.8得到最终的数值为排斥信息值,即为下一个单位时间时该网格的排斥信息值。本申请中通过上述更新方法对吸引信息值和排斥信息值进行实时更新,可以确保吸引信息值和排斥信息值都基本稳定在一定的范围内,不会随着时间的累积而产生巨大的数值,使得整体系统运行平稳,提高目标的搜索效率。
优选地,所述单位时间对应的具体时间是:地图每个网格的长度/无人机的速度。表示无人机经过一个单位时间,就会移动到下一个网格内继续进行搜索。
在一个优选的实施方式中,所述步骤3包括如下子步骤,
子步骤a,通过边长为L的正方形框架从全局信息地图中框选出网格,求取正方形框架内所有网格的合力信息的平均值,将位于该框选区域中心位置的网格作为该框选区域的代表网格;
子步骤b,多次重复子步骤a,确保每次框选出的网格都不完全相同,并从中挑选出最大的平均值,并记录该最大的平均值的取值、其所对应的框选区域和代表网格;
子步骤c,从全局信息地图中去除子步骤b中挑选出的最大的平均值所对应的框选区域;在剩余区域中重复子步骤a和子步骤b,再次得到新的最大的平均值;
子步骤d,重复子步骤c,直至获得n个最大的平均值,对应获得n个代表网格;
子步骤e,在任意一个代表网格与任意一个无人机之间连线,且每个代表网格和无人机上都只能连有一条线,共得到n条连线,并计算n条连线的总长度;
子步骤f,重复子步骤e,选取总长度最小的连线方案,并确定该连线方案中,与无人机相连的代表网格即为该无人机对应的最优全局吸引网格,与无人机相连的连线的方向即代表该无人机的最优全局吸引力的方向,该最优全局吸引网格对应的平均值的取值即为对应无人机的最优全局吸引值;
优选地,所述L为网格宽度尺寸的整数倍;
n表示步骤1中无人机的布置数量。
优选地,所述L的取值与n的数量和总网格数量有关,通过设定L的具体取值,使得:子步骤d中获得的n个代表网格所对应的n个框选区域中,包含的全部网格数量不超过规则网格总数量的一半,且在满足该条件的基础上,为了提高运算效率,该L的取值要且尽可能大。
优选地,在执行子步骤a的过程中,每次框选时必然要框选到足够将选框填充满的网格,即不能将选框的一部分伸出到待搜索区域之外。
在执行步骤b的过程中,不考虑子步骤a中代表网格及其周围被正方形框架一并框选出的网格,也不考虑与代表网格最近的无人机;
具体来说,在执行子步骤b的过程中,将代表网格及其周围被正方形框架一并框选出的网格的合力信息值置为-100,将与代表网格最近的无人机所在网格的吸引信息值设置为初始吸引信息。
优选地,在步骤4中,所述最优的局部选择是指无人受到的局部吸引信息值和排斥信息值的影响,具体来说是无人机所在网格的上下左右4个周围网格的吸引信息值和排斥信息值对无人机的影响;
优选地,由于靠近地图边界而不能形成正方形搜索区域的网格,不进行全局信息值的赋值,即在执行步骤3时不予考虑。
在步骤4中,所述全局吸引力是指无人机的全局吸引网格和其储存的全局吸引值,对无人机产生一个规定了方向和大小的全局引力。
在一个优选的实施方式中,在步骤4中,通过下式(一)分别解算无人机在上下左右各个方向上受到的合力:
其中,val表示无人机在一个方向上受到的合力;
val1表示无人机受到的与其所在网格最近的一个网格中的吸引信息值,代表该方向上最近的网格的吸引力,
val2表示无人机受到的与其所在网格最近的一个网格中的排斥信息值,代表该方向上最近的网格的排斥力,
val3表示无人机受到其对应的最优全局吸引值在一个方向上的分量值;
λ1、λ2和λ3都表示加权系数。
其中,λ1、λ2和λ3的具体取值为:λ1的值为1,λ2的值为1,表示局部信息影响程度更大,λ3的值为0.1,表示在周围局部信息差距不大时,无人机更倾向于朝着全局最优的方向搜寻。
在具体解算过程中,分别解算上下左右四个方向的合力,当解算无人机所在网格前方的受力情况时,val表示无人机在前方方向上受到的合力,val1表示无人机受到与其所在网格相邻的前一个网格中的吸引信息值,val2表示无人机受到其他所有无人机所在网格的排斥力在前方方向上的分量值,val3表示无人机受到其对应的最优全局吸引力在前方方向上的分量值。
其中,在所述局部选择计算过程中,受到的引力值即为对应网格的吸引信息值,受到的排斥力值即为对应网格的排斥信息值;在所述全局吸引力选择计算过程中,受到的该吸引力与无人机到代表网格的距离成反比,与全局吸引值成正比,具体的距离是指无人机和表网格连线所经过的网格数量。
优选地,在步骤4中,所有无人机在选择行进方向后,如果出现碰撞障碍、碰撞地图边界、与其他无人机相撞等情况,需跳过当前最优搜索方案,选择次优方案,直至搜索到不发生碰撞的方案;所述次优方案是指步骤4中选择受力第二大的方向作为无人机的行进搜索方向。
所述无人机进入到每个网格中,都能够搜索确定其所在网格中是否存在目标,
当无人机发现其所在网格中存在目标时,该无人机不再移动到其他网格中,且该网格的吸引信息值和排斥信息值都永久设置为0,其他无人机也不会再进入该网格。
其中,经过多次测试算例,由经验可得,在应用搜索方法中,每个无人机分配大约65~110格地图,搜索效率较高,效果较好。因此步骤1中规则网格的预定数量与无人机的布置数量之比为65~110。
实施例
在待搜索区域中划定400个网格,组成20*20的阵列;用坐标的形式表示各个网格,其中位于左下角的网格对应的坐标为[0,0],与其相邻的两个网格为[0,1]和[1,0];
待搜索的低慢小目标有三个,其初始位置分别为[13,8]、[17,11]、[17,16];
在该区域中布置3个无人机,所述无人机的初始位置为[9,7]、[10,9]、[11,11];
本申请中通过整个地图的未知程度对搜索方法进行评估,测量地图上每个5*5区域内吸引信息值与排斥信息值的浓度差,再选取全局浓度差最大的数值,称为全局信息的未知程度,当作搜索全局的评价标准,通过将该未知程度随搜索时间变化的过程用曲线图的形式表示出来,具体选取前200个单位时间对应的曲线图。
通过下述步骤控制无人机搜索目标:
步骤1,为每个网格赋予相同的初始吸引信息值,该初始吸引信息值的具体取值为5,为每个网格赋予相同的排斥吸引信息值,该初始排斥信息值的具体取值为-3;
步骤2,基于每个网格内吸引信息值和排斥信息值,得到全局信息地图;并持续对信息地图进行更新;所述更新过程包括产生、传输和蒸发;
步骤3,为每个无人机找到对应的最优全局吸引网格,并解算出每个无人机的最优全局吸引力的方向,
步骤4,通过下式(一)解算无人机在上下左右四个方向上分别受到的合力大小,并选择受力最大的方向作为无人机下一单位时间的行进搜索方向;
val=λ1val1+λ2val2+λ3val3 (一)
步骤5,重复步骤2-4,直至寻找到3个目标。
其中,val表示无人机在一个方向上受到的合力,
val1表示无人机受到的与其所在网格最近的一个网格中的吸引信息值,
val2表示无人机受到的与其所在网格最近的一个网格中的排斥信息值,
val3表示无人机受到其对应的最优全局吸引值在一个方向上的分量值;
λ1、λ2和λ3都表示加权系数,具体取值为λ1的值为1,λ2的值为1,λ3的值为0.1
在具体解算过程中,分别解算上下左右四个方向的合力,当解算无人机所在网格前方的受力情况时,val表示无人机在前方方向上受到的合力,val1表示无人机受到与其所在网格相邻的前一个网格中的吸引信息值,val2表示无人机与其所在网格最近的一个网格中的排斥信息值,代表该方向上最近的网格的排斥力,val3表示无人机受到其对应的最优全局吸引力在前方方向上的分量值。
所述步骤3包括如下子步骤,
子步骤a,通过边长为L的正方形框架从全局信息地图中框选出网格,求取正方形框架内所有网格的合力信息的平均值,将位于该框选区域中心位置的网格作为该框选区域的代表网格;
子步骤b,多次重复子步骤a,确保每次框选出的网格都不完全相同,并从中挑选出最大的平均值,并记录该最大的平均值的取值、其所对应的框选区域和代表网格;
子步骤c,从全局信息地图中去除子步骤b中挑选出的最大的平均值所对应的框选区域;在剩余区域中重复子步骤a和子步骤b,再次得到新的最大的平均值;
子步骤d,重复子步骤c,直至获得3个最大的平均值,对应获得3个代表网格;
子步骤e,在任意一个代表网格与任意一个无人机之间连线,且每个代表网格和无人机上都只能连有一条线,共得到3条连线,并计算3条连线的总长度;
子步骤f,重复子步骤e,选取总长度最小的连线方案,并确定该连线方案中,与无人机相连的代表网格即为该无人机对应的最优全局吸引网格,与无人机相连的连线的方向即代表该无人机的最优全局吸引力的方向,该最优全局吸引网格对应的平均值的取值即为对应无人机的全局吸引值;
通过上述方法控制无人机在地图上搜索目标,得到的未知程度随搜索时间变化的过程曲线如图2中所示。
根据该图可知,当地图中有未知程度高的区域,无人机优先朝着最未知的区域搜索,而不仅仅局限于周围的局部信息。保证了无人机具有全局意识。
图2中的全局未知程度的求法:计算每25方格范围内吸引信息与排斥信息值的总和。取最大值,代表全局内最大的未知程度。本方法可以有效对全局最未知的几个区域进行优先搜索。
对比例:
选取与实施例相同的初始条件,即相同的地图、相同的无人机初始位置、相同的目标初始位置。
通过下述步骤控制无人机搜索目标:
步骤1,为每个网格赋予相同的初始吸引信息值,该初始吸引信息值的具体取值为5,为每个无人机所在的网格赋予相同的排斥信息值,该排斥信息值的具体取值为-3;
步骤2,采用与实施例中相同的方法对吸引信息和排斥信息进行更新;
步骤2,通过下式(二)解算无人机在上下左右四个方向上分别受到的合力大小,并选择受力最大的方向作为无人机下一单位时间的行进搜索方向;
val=λ1val1+λ2val2 (二)
步骤4,重复步骤2-3,直至寻找到3个目标。
其中,val表示无人机在一个方向上受到的合力,
val1表示无人机受到与其所在网格最近的一个网格中的吸引信息值,
val2表示无人机与其所在网格最近的一个网格中的排斥信息值,代表该方向上最近的网格的排斥力;
λ1和λ2都表示加权系数,具体取值为λ1的值为1,λ2的值为1。
通过上述方法控制无人机在地图上搜索目标,得到的未知程度随搜索时间变化的过程曲线如图3中所示。
根据该图可知,在该控制步骤的控制下,未知程度一直维持在一个较高的水平,当无人机偶然搜索到未知程度大的区域时,函数值才降低,且其降低后的未知程度仍然较大,搜索效果很差。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (8)
1.一种反低慢小目标的多无人机协同目标搜索方法,其特征在于,该方法包括如下步骤:
步骤1,将无人机分散布置在需要搜索的区域,在需要搜索的区域绘制虚拟的预定数量的规则网格,为每个网格赋予吸引信息值和排斥信息值;
步骤2,基于每个网格内吸引信息值和排斥信息值,得到全局信息地图;
步骤3,为每个无人机找到对应的最优全局吸引网格,并解算出每个无人机的最优全局吸引力的方向;
步骤4,综合考虑无人机在上下左右四个方向上最优的局部选择,和全局吸引力对无人机的影响,即计算无人机受到的合力在每个方向的大小,并选择受力最大的方向作为无人机的行进搜索方向;
步骤5,每个单位时间重复一次步骤2-4,直至寻找到所有目标;
所述步骤3包括如下子步骤,
子步骤a,通过边长为L的正方形框架从全局信息地图中框选出网格,求取正方形框架内所有网格的合力信息的平均值,将位于该框选区域中心位置的网格作为该框选区域的代表网格;
子步骤b,多次重复子步骤a,确保每次框选出的网格都不完全相同,并从中挑选出最大的平均值,并记录该最大的平均值的取值、其所对应的框选区域和代表网格;
子步骤c,从全局信息地图中去除子步骤b中挑选出的最大的平均值所对应的框选区域;在剩余区域中重复子步骤a和子步骤b,再次得到新的最大的平均值;
子步骤d,重复子步骤c,直至获得n个最大的平均值,对应获得n个代表网格;
子步骤e,在任意一个代表网格与任意一个无人机之间连线,且每个代表网格和无人机上都只能连有一条线,共得到n条连线,并计算n条连线的总长度;
子步骤f,重复子步骤e,选取总长度最小的连线方案,并确定该连线方案中,与无人机相连的代表网格即为该无人机对应的最优全局吸引网格,与无人机相连的连线的方向即代表该无人机的最优全局吸引力的方向,该最优全局吸引网格对应的平均值的取值即为对应无人机的全局吸引值;
所述L为网格宽度尺寸的整数倍;
n表示步骤1中无人机的布置数量。
2.根据权利要求1所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
在步骤1,每个网格赋予的初始吸引信息值为5,每个网格初始排斥信息值为-3。
3.根据权利要求1所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
所述步骤2包括如下子步骤:
子步骤1,每个单位时间更新吸引信息值和排斥信息值;
子步骤2,将网格中的吸引信息值和排斥信息值相加,得到该网格的合力信息;所述全局信息地图中记载所有网格的合力信息、吸引信息值和排斥信息值。
4.根据权利要求3所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
所述更新吸引信息值包括产生、传输和蒸发吸引信息值;
所述更新排斥信息值包括产生、传输和蒸发排斥信息值。
5.根据权利要求1所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
在步骤4中,通过下式(一)分别解算无人机在上下左右各个方向上受到的合力:
val=λ1val1+λ2val2+λ3val3 (一)
其中,val表示无人机在一个方向上受到的合力,
val1表示无人机受到的与其所在网格最近的一个网格中的吸引信息值,代表该方向上最近的网格的吸引力,
val2表示无人机受到的与其所在网格最近的一个网格中的排斥信息值,代表该方向上最近的网格的排斥力,
val3表示无人机受到其对应的最优全局吸引值在一个方向上的分量值;
λ1、λ2和λ3都表示加权系数。
6.根据权利要求5所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
λ1的值为1,λ2的值为1,λ3的值为0.1。
7.根据权利要求1所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
所述无人机进入到每个网格中,都能够搜索确定其所在网格中是否存在目标,
当无人机发现其所在网格中存在目标时,该无人机不再移动到其他网格中,且该网格的吸引信息值和排斥信息值都永久设置为0。
8.根据权利要求1所述的反低慢小目标的多无人机协同目标搜索方法,其特征在于,
步骤1中规则网格的预定数量与无人机的布置数量之比为65~110。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566549.9A CN113138609B (zh) | 2020-12-25 | 2020-12-25 | 一种反低慢小目标的多无人机协同目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011566549.9A CN113138609B (zh) | 2020-12-25 | 2020-12-25 | 一种反低慢小目标的多无人机协同目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113138609A CN113138609A (zh) | 2021-07-20 |
CN113138609B true CN113138609B (zh) | 2022-07-19 |
Family
ID=76809417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011566549.9A Active CN113138609B (zh) | 2020-12-25 | 2020-12-25 | 一种反低慢小目标的多无人机协同目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113138609B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117970945B (zh) * | 2024-03-29 | 2024-06-18 | 西北工业大学 | 一种多无人机协同侦察轻量化双层空间表征方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101299134B1 (ko) * | 2012-03-19 | 2013-08-22 | 한국과학기술연구원 | 다수 로봇의 협력을 통한 동적 환경에서의 동적 목표물 탐색 시스템 및 방법 |
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN112000126A (zh) * | 2020-08-12 | 2020-11-27 | 南京航空航天大学 | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 |
-
2020
- 2020-12-25 CN CN202011566549.9A patent/CN113138609B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101299134B1 (ko) * | 2012-03-19 | 2013-08-22 | 한국과학기술연구원 | 다수 로봇의 협력을 통한 동적 환경에서의 동적 목표물 탐색 시스템 및 방법 |
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN112000126A (zh) * | 2020-08-12 | 2020-11-27 | 南京航空航天大学 | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 |
Non-Patent Citations (2)
Title |
---|
"An intelligent cooperative mission planning scheme of UAV swarm in uncertain dynamic environment";ZiyangZhen 等;《Aerospace Science and Technology》;20200306;全文 * |
"栅格地图中多机器人协作搜索目标";曹翔 等;《控制理论与应用》;20180331;第35卷(第3期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113138609A (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110673637B (zh) | 一种基于深度强化学习的无人机伪路径规划的方法 | |
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 | |
CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
CN109521794A (zh) | 一种多无人机航路规划及动态避障方法 | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN108594853A (zh) | 无人机队形控制方法 | |
CN109655063B (zh) | 大型水陆两栖飞机海上搜索航路规划方法 | |
CN114440916B (zh) | 一种导航方法、装置、设备及存储介质 | |
CN112462805B (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN113188547A (zh) | 无人机路径规划方法、装置、控制器及存储介质 | |
CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
CN113138609B (zh) | 一种反低慢小目标的多无人机协同目标搜索方法 | |
Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN113098583B (zh) | 一种面向空中移动目标跟踪的空天地一体化组网方法 | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN115454148B (zh) | 固定翼集群无人机区域覆盖路径规划方法、介质及装置 | |
CN115373426B (zh) | 一种固定翼集群无人机区域覆盖在线路径协同规划方法 | |
CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
CN115145315A (zh) | 一种改进a*算法的适合杂乱环境的无人机路径规划方法 | |
CN116518974A (zh) | 一种基于空域网格的无冲突航路规划方法 |
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 |