CN113268076B - 一种多无人机集群编队协同控制算法 - Google Patents

Abstract

本发明公开了一种多无人机集群编队协同控制算法。在无人机集群规模较小的单集群情况下，该算法综合考虑分段航迹规划、无人机运动控制和网络拓扑优化等方面，实现了无人机集群突发威胁规避编队飞行；当无人机集群规模较大时，该算法采用分层控制的思想，对无人机集群进行分簇，每个簇组成集群协同运动的最小单元，簇内采用虚拟控制网络保证单集群的稳定性，簇间采用改进单集群协同控制算法，最终完成集群编队飞行任务。该方法可以有效地保证无人机集群飞行过程中按照预设队形飞行，同时飞行过程中能够规避障碍物并防止编队间无人机发生碰撞，MATLAB中数值模拟实现的无人机集群飞行轨迹证明了该方法的有效性。

Description

一种多无人机集群编队协同控制算法

技术领域

本发明属于无人机领域，特别涉及多无人机集群编队协同控制算法。

背景技术

近年来，无人机在民用和军事领域均得到了大量的应用。单无人机虽然也能实现大量的功能，但是在实际应用场景中，更多的是采用无人机集群编队的形式进行完成任务。无人机集群指的是搭载有探测雷达，传感器等负载，并且能够彼此进行信息通信的多架无人机组成的多智能体系统。在现代战场环境中，无人机集群的出现相比于单架无人机更能及时的对环境进行侦测，从而显著降低无人机被击毁的概率，提高无人机的生存率。

在瞬息万变的战场环境中，单无人机往往不能用于执行复杂的任务，作战能力十分有限。首先无人机体积的限制导致携带的电池能量较少，单无人机续航时间较短，当需要进行大范围搜查工作时，单架无人机的搜索效率将大大降低，同样也导致单无人机不适用于长时间搜索任务。其次，无人机在执行任务期间会受到多方面的干扰和威胁，单无人机抗毁能力有限，会降低完成指定任务的可能性。在现代化的背景下，考虑到单架无人机作业的不足，无人机集群显然更满足复杂的工作需求。无人机集群之间可以通过协同控制和信息通信进行协同作战。在战场环境下单架无人机仅仅只能勘测到部分局部信息，不利于多作战单元的配合作战，甚至由于单架无人机极易会被对方雷达发现并摧毁，影响整体的作战计划，导致作战任务失败。无人机集群在工作过程中，即使其中少量无人机被击落或损毁，但是由于集群作战具有较高的冗余度仍然可以继续作战，完成协同作战任务。并且经研究表明，多架无人机协同编队飞行在降低无人机损毁率的同时还能提高无人机作战能力。

在实际中，某些场景也需要集群采用固定队形行动，例如狼群在围捕猎物时常常由头狼统一指挥采用圆形队伍进行捕杀。军事和民用方面，无人机集群也广泛的采用固定队形完成一些特定的任务，例如采用“V”形编队可以有效的减少空气阻力，降低能量消耗；采用圆形队形能更大程度上提高对信息的侦察范围，在建筑物的尺寸测量和地形测绘方面多有应用。现在研究人员已经提出了多种编队控制算法，但是存在各种问题，如虚拟结构法需要虚拟节点和无人机一一对应，限制了无人机规模的扩展。本发明提出一种基于虚拟控制网络的无人机集群圆环形编队算法，实现了无人机的编队控制。

发明内容

本发明的目的是为了无人机集群的安全飞行，提出一种多无人机集群编队协同控制算法。为了实现该算法，本发明所采用的步骤是：

步骤1：首先对无人机集群通过k-means算法分簇处理

步骤2：对每个簇根据簇内所有的无人机位置信息计算虚拟中心点位置

步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划。

步骤4：之后各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，如果发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中无人机选择相应的虚拟集群控制点。

步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计算无人机受到的合力，并计算下一步的位置。

步骤6：如果每个无人机集群都到达了设定的目标点附近则仿真结束，否则每个集群虚拟中心继续根据多因素Dubins航迹规划算法进行路径规划，重新按照上述算法步骤运行。

附图说明

图1是本发明的多集群编队控制算法流程图；

图2是本发明的同一威胁区域发生碰撞示意图；

图3是本发明的不同威胁区域发生碰撞示意图；

图4是本发明的仿真结果图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述。

本方法首先假设了以下无人机集群飞行参数：

1、无人机集群通过互连通方式进行通信，在无人机受控范围内，所有无人机均能够较低延时地获取其他无人机位置、姿态等信息。

2、领航者无人机能够通过超声波传感器、激光雷达等方式感知威胁位置信息。

3、将无人机看作一个质点，其在三维空间中的位置坐标由地面惯性坐标系决定，表示为p_i＝[x_i，y_i，z_i]^T。

3、无人机的最小转弯半径为ρ，即无人机最小以转弯半径为p的圆调整航向。

4、无人机集群的位置矢量表示为

由无人机飞控通过GPS等方式获取。

5、无人机集群的速度矢量表示为

由无人机飞控系统提供。

6、无人机集群的加速度矢量表示为

由无人机飞控系统提供。

7、最大速度大小：v_max，在一定无人机硬件参数、环境因素制约下集群中无人机能够达到的最大速度大小。

8、最大速度大小：a_max，在一定无人机硬件参数、环境因素制约下集群中无人机能够达到的最大加速度大小。

以上述条件为基础，本发明提出的多无人机集群编队协同控制算法已在MATLAB中实现具体的案例，实现结果证明了该方法的有效性，具体实施步骤为：

步骤1：对无人机集群通过k-means算法分簇处理

k-means算法是一种无监督的分簇算法，通过聚类计算来处理无类标数据。在进行分簇之前，k-means算法开始并不知道数据的正确分簇结果，根据算法发掘数据自身的信息特点，然后对多个数据进行分簇。由于k-means分簇算法易于实现并且计算效率较高，因此其应用范围也十分广泛，在聚簇完成后单个簇内相似度高，簇与簇之间的相似度则较低。

在k-means算法中，常用欧几里得距离的平方作为距离衡量的标准：

其中，p，q分别代表不同的样本点，n表示样本特征的数量。在对无人机集群进行分簇时，由于需要形成“圆环形”固定编队队形，因此在仿真过程中仅根据无人机的位置信息进行分簇，分簇的个数k根据具体的无人机数量进行设定。分簇完成后，对于每个簇使用簇中所有无人机的位置坐标求平均作为单集群编队控制算法中虚拟中心点起始坐标。对无人机集群分簇完成后，每个无人机集群按照单集群编队控制算法飞行，在此过程中需要通过编队间防碰撞算法实现每个集群编队之间的防碰撞。

步骤2：对每个簇根据簇内所有的无人机位置信息计算虚拟中心点位置

建立“圆环形”的虚拟控制网络，并设置相应的虚拟集群参考点。在此过程中，本发明提出“虚拟中心点”的概念，即以Dubins曲线为核心的路径扩展点。在无人机集群飞行过程中，采用“跟随领航者”模式，将虚拟中心点看做领航者，在此基础上建立的路径扩展点作为领航者下一步的位置点，并在每一个路径扩展点上建立以虚拟中心点即领航者为圆心，半径为Rvir的圆形，虚拟集群参考点在圆上均匀分布。

步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划。

突发威胁场景中，在满足曲率约束和规定的起始点和终点的切线方向的条件下引入Dubins路径规划出适合无人机真实环境下的航迹曲线，以Dubins路径与威胁区域相切的点作为待选路径扩展点，并且建立扩展点评估函数，引入路径长度代价及威胁代价作为路径评估因素。该算法通过将无人机所处位置与突发威胁圆作Dubins曲线，并建立路径扩展点评估函数进行选择，不需要对威胁外的区域进行大量计算和重复搜索，大大地降低了路径搜索点的冗余，同时也节省了路径规划时间。

步骤4：各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，如果发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中无人机选择相应的虚拟集群控制点。

附图2表示两个无人机集群在同一威胁区域可能发生碰撞的情况。如图所示，存在一个半径为R_vir的威胁区域O_threat，两个无人机集群的虚拟集群“圆环形”队形半径分别为R_vir1、R_vir2。在虚拟集群中心O₁和O₂根据多因素Dubins航迹规划算法作路径规划时，与威胁区域圆的切点分别为p₁、p₂，从图中可以看出以p₁和p₂为圆心的虚拟结构圆存在重叠部分，意味着两个无人机集群在朝着虚拟集群控制点飞行时会存在碰撞的情况。附图2中也给出了相应的解决方案，即无人机集群之间会共享位置矢量，如果发现存在碰撞的情况，则无人机集群会重新根据多因素Dubins航迹规划算法规划出新的无人机飞行路径。例如，虚拟集群中心O₂最初选定的路径扩展点为p₂，发现会产生碰撞后，重新选择p′₂作为新的路径扩展点，因此就避免了两个无人机集群之间发生碰撞。

附图3表示两个无人机集群在规避不同威胁区域时发生碰撞。如图所示，两个威胁区域圆的半径分别为R_threat1和R_threat2，两个无人机集群的虚拟集群“圆环形”队形半径分别为R_vir1、R_vir2。在虚拟集群中心O₁和O₂根据多因素Dubins航迹规划算法作路径规划时，与两个威胁区域圆的切点分别为p₁、p₂，从图中可以看出以p₁和p₂为圆心的虚拟结构圆存在重叠部分，意味着两个无人机集群在朝着虚拟集群控制点飞行时会存在碰撞的情况。同样，可以采用位置矢量共享的方法避免无人机集群之间的碰撞，无人机集群O₂重新根据MFDA算法进行路径规划，选择p′₂作为路径扩展点。

编队间防碰撞共享位置矢量算法主要集中在两点：一是路径是否相交。二是路径扩展点之间的距离。如附图3所示，两个无人机集群之间在一段路径上不会发生碰撞需要满足两个条件：条件一是线段O1p1和线段O2p2不相交，二是以p1和p2两点之间的距离大于两个虚拟结构圆的半径之和。

条件一可以通过以下方程判断是否满足，当无人机集群之间满足此方程则在此段路径当中集群之间不会发生交叉碰撞的情况。

条件二可以通过下述公式判断：

当同时满足上述两个条件，本发明认为两个无人机集群之间在一段路径中不会发生碰撞。

步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计算无人机受到的合力，并计算下一步的位置。

无人机在进行虚拟集群控制点选择时需要知道虚拟集群控制点的状态和位置，在已知无人机位置和虚拟集群控制点位置的情况下，选择距离无人机位置最近的虚拟控制点作为无人机前进的位置，并以此确定无人机的飞行方向。并且虚拟集群控制点在以虚拟中心为圆心的圆环上均匀分布，当集群中存在n个无人机时，若采用循环计算无人机与n个虚拟集群控制点中每一个的距离再从中选择距离最小的那个，将产生较大的计算量。并且当无人机集群的规模达到一定程度时，较大的计算量会导致集群的性能迅速下降，不能应用于实际的作战环境中。因此，为了降低虚拟集群控制点选择的计算量，提出一种基于位置角度的方法。

n个虚拟集群控制点以

的角度均匀分布在以虚拟中心点为圆心半径为R_vir的圆上，本发明中假设第一个虚拟集群控制点与圆心连线和X正半轴之间的夹角为0，那么无人机必定与距离最近的虚拟集群控制点之间的夹角最小，因此只需要计算无人机与虚拟中心点连线与X轴的夹角就可知得到最近的虚拟集群控制点的位置，计算量会大大减少。无人机i表示为p_i(x_i，y_i，z_i)，虚拟集群控制点表示p′_i(x′_i，y′_i，z′_i)，虚拟中心点表示为p_o(x_o，y_o，z_o)，无人机i与虚拟中心点之间连线向量表示为

X轴正方向单位向量表示为

因此无人机与虚拟中心点连线和X正半轴的夹角θ表示为：

其中θ的范围为[一π，π]，当θ＜0时不便于计算选择，因此对θ值进行调整：

因此，令s＝θ·n/2π，则选择的虚拟集群控制点序号m可以由下式计算可得：

其中，[s]表示对s向下取整。确定了对应的虚拟集群控制点后就可以通过人工势场函数计算引力分量。

无人机在飞行过程中受到其它跟随者无人机对其的斥力F_{rep_follower}，障碍物的斥力F_{rep_obstacle}，以及虚拟集群控制点对其的引力F_att，无人机在合力的作用下进行运动。在人工势场法中，人工势场函数的选择会导致不同的运算复杂度和精确度，需要根据不同的任务、环境进行搭建。显然，引力F_att和斥力F_rep则需要设置不同的人工势场函数。设置目标点对无人机的引力势能函数和障碍物对无人机的斥力势能函数，如式所示：

对应的势场力函数为：

将无人机在势场中的引力和斥力分别表示为：

F_att＝k_attd (11)

其中，k_att是引力增益，k_rep是斥力增益，d_opt表示斥力作用范围，当无人机与威胁区域中心的距离小于d_opt时受到威胁区域的斥力，当无人机与威胁区域中心的距离大于d_opt时不受影响，并且d_opt可以根据实际情况进行人为调整，d表示跟随者无人机与虚拟集群控制点之间的距离，表示为：

其中，i＝1，2，...，n，j＝1，2，...，n。本章中假设无人机的飞行高度一致，那么z_i＝z′_j，因此：

因为固定翼无人机不能处于悬停的状态，所以本发明的应用环境为多旋翼无人机。设定在一段移动路径中给定起始位置和终点位置，在起始点和终点无人机都处于悬停状态，即起始和终止速度都为0，表示为：

在Δt的时间内，无人机的下一步路径状态仅和当前的状态相关，设无人机当前速度为

位置为

无人机的下一步速度为

位置为

并且两者状态满足以下关系：

由于

所以进一步可得：

因此，无人机当前状态与下一步的状态关系由式(16)可得：

式中，F表示无人机在势场中所受到的合力，由势场函数所决定。同时发现，无人机的位置还与当前状态和下一步状态之间的时间间隔Δt相关，另一方面Δt也代表着集群中无人机与其它无人机之间信息通信的频率，Δt越小无人机之间通信的频率越大，也意味着在突发威胁环境中无人机集群的规避能力越强，但是同时也会导致无人机之间通信过于频繁，能量消耗会大大增加，反之则无人机集群威胁区域规避能力降低，但能量消耗则显著减少。

Claims (3)

1.一种多无人机集群编队协同控制算法，所采用的步骤是：

步骤1：首先对无人机集群通过k-means算法分簇处理；

步骤2：对每个簇根据簇内所有的无人机位置信息计算虚拟中心点位置；

步骤3：每个簇的虚拟中心点根据多因素Dubins航迹规划算法进行航迹规划；

步骤4：之后各个无人机分簇之间通过位置矢量共享的方式判断是否会发生碰撞，如果发生碰撞则通过多因素Dubins航迹规划算法重新计算并选择路径扩展点，否则集群中无人机选择相应的虚拟集群控制点；

步骤5：分别计算威胁区域的斥力、其它无人机的斥力、虚拟集群控制点的引力，计算无人机受到的合力，并计算下一步的位置；

其中，虚拟集群控制点的选择方法为：

无人机在进行虚拟集群控制点选择时需要知道虚拟集群控制点的状态和位置，在已知无人机位置和虚拟集群控制点位置的情况下，选择距离无人机位置最近的虚拟控制点作为无人机前进的位置，并以此确定无人机的飞行方向，并且虚拟集群控制点在以虚拟中心为圆心的圆环上均匀分布，当集群中存在n个无人机时，若采用循环计算无人机与n个虚拟集群控制点中每一个的距离再从中选择距离最小的那个，将产生较大的计算量，并且当无人机集群的规模达到一定程度时，较大的计算量会导致集群的性能迅速下降，不能应用于实际的作战环境中，因此，为了降低虚拟集群控制点选择的计算量，提出一种基于位置角度的方法；

n个虚拟集群控制点以

的角度均匀分布在以虚拟中心点为圆心半径为R_vir的圆上，假设第一个虚拟集群控制点与圆心连线和X正半轴之间的夹角为0，那么无人机必定与距离最近的虚拟集群控制点之间的夹角最小，因此只需要计算无人机与虚拟中心点连线与X轴的夹角就可知得到最近的虚拟集群控制点的位置，计算量会大大减少，无人机i表示为p_i(x_i，y_i，z_i)，虚拟集群控制点表示为p′_i(x′_i，y′_i，z′_i)，虚拟中心点表示为p_o(x_o，y_o，z_o)，无人机i与虚拟中心点之间连线向量表示为

X轴正方向单位向量表示为

因此无人机与虚拟中心点连线和X正半轴的夹角θ表示为：

其中θ的范围为[-π，π]，当θ＜0时不便于计算选择，因此对θ值进行调整：

因此，令s＝θ·n/2π，则选择的虚拟集群控制点序号m可以由下式计算可得：

其中，[s]表示对s向下取整，确定了对应的虚拟集群控制点后就可以通过人工势场函数计算引力分量；

步骤6：如果每个无人机集群都到达了设定的目标点附近则仿真结束，否则每个集群虚拟中心继续根据多因素Dubins航迹规划算法进行路径规划，重新按照上述算法步骤运行。

2.根据权利要求1所述的一种多无人机集群编队协同控制算法，其特征在于人工势场函数设计的具体方法为：

无人机在飞行过程中受到其它跟随者无人机对其的斥力F_{rep_follower}，障碍物的斥力F_{rep_obstacle}，以及虚拟集群控制点对其的引力F_att，无人机在合力的作用下进行运动，在人工势场法中，人工势场函数的选择会导致不同的运算复杂度和精确度，需要根据不同的任务、环境进行搭建，显然，引力F_att和斥力F_rep则需要设置不同的人工势场函数，设置目标点对无人机的引力势能函数和障碍物对无人机的斥力势能函数，如式所示：

对应的势场力函数为：

将无人机在势场中的引力和斥力分别表示为：

F_att＝k_alld (8)

其中，k_att是引力增益，k_rep是斥力增益，d_opt表示斥力作用范围，当无人机与威胁区域中心的距离小于d_opt时受到威胁区域的斥力，当无人机与威胁区域中心的距离大于d_opt时不受影响，并且d_opt可以根据实际情况进行人为调整，d表示跟随者无人机与虚拟集群控制点之间的距离，表示为：

其中，i＝1，2，...，n，j＝1，2，...，n，假设无人机的飞行高度一致，那么z_i＝z′_j，因此：

3.根据权利要求1所述的一种多无人机集群编队协同控制算法，其特征在于无人机的运动速度和路径计算的具体方法为：

因为固定翼无人机不能处于悬停的状态，所以应用环境为多旋翼无人机，设定在一段移动路径中给定起始位置和终点位置，在起始点和终点无人机都处于悬停状态，即起始和终止速度都为0，表示为：

在Δt的时间内，无人机的下一步路径状态仅和当前的状态相关，设无人机当前速度为

位置为

无人机的下一步速度为

位置为

并且两者状态满足以下关系：

由于

所以进一步可得：

因此，无人机当前状态与下一步的状态关系由式(15)可得：

式中，F表示无人机在势场中所受到的合力，由势场函数所决定，同时发现，无人机的位置还与当前状态和下一步状态之间的时间间隔Δt相关，另一方面Δt也代表着集群中无人机与其它无人机之间信息通信的频率，Δt越小无人机之间通信的频率越大，也意味着在突发威胁环境中无人机集群的规避能力越强，但是同时也会导致无人机之间通信过于频繁，能量消耗会大大增加，反之则无人机集群威胁区域规避能力降低，但能量消耗则显著减少。

Images