CN113311700B - 一种非平均机制引导的uuv集群协同控制方法 - Google Patents

Abstract

本发明属于集群智能与自主协同技术领域，具体涉及一种非平均机制引导的UUV集群协同控制方法，包括以下步骤：步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制，优化选择个体邻域内的邻居数量；步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度，设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型；步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。本发明能够实现稳定、高效、快速的UUV集群控制。

Description

一种非平均机制引导的UUV集群协同控制方法

技术领域

本发明属于集群智能与自主协同技术领域，具体涉及一种非平均机制引导的UUV集群协同控制方法。

背景技术

无人水下航行器(Unmanned Underwater Vehicle)是具有自主规划、航行、感知、探测等功能的小型作战平台，可承担情报收集、监视侦察、扫雷、反潜、搜捕、打击、中继通信等各类作战任务。相比较于单作战平台，多航行器组成的各种同构或异构集群系统具有容错性高、适应性强、作业效率高、作业范围广等优点，可大大降低作战人员的危险性，提高作战过程的智能化，实现作战效能的倍增，已成为各国竞争发展的颠覆性技术。

由于水下作战环境与作战任务的时变性、动态性、随机性，容易引起信息缺失、通信延迟、辐射噪声等环境效应约束，致使个体感知信息往往具有片面性、模糊性、滞后性，使其行为冲突与通信消耗增加，甚至造成集群链式碰撞效应。因此，如何控制UUV集群成为集群智能与自主协同领域的关键科学问题。但由于集群规模的制约，自上而下全局性或中心性的集中控制难以有效实施，所以自下而上无中心的分布式控制方法吸引了更多目光。

近年来UUV集群分布式控制主要有领航跟随法、人工势场法、软控制方法以及基于行为的控制方法。其中，领航跟随法是利用集群中富含信息个体或者智能发达个体的引导作用实现集群智能涌现控制的，但是这种方法没有明确的队形反馈，容易发生滞后现象；人工势场法用势函数模拟影响个体行为的内外作用，集群中个体在势函数的作用下实现对集群系统的控制，其中存在的局部扰动是制约其应用的关键因素；软控制方法是在集群系统局部控制规则的基础上，通过在群中加入可控个体而对集群系统直接/间接地施加一定的外部控制，最终使集群智能向人们希望的方向演化，但该方法依赖外部指令不能完全实现自主协同控制。而基于行为的控制方法启发于生物集群行为，生物集群仅依赖简单的行为规则交互却能在集群层面涌现出协调一致的运动，这种仿生行为控制原理已成为目前管理各类人工集群的重要借鉴和参考。

仿生行为控制法(Behavior-driven)采用局部行为交互实现无中心控制的智能激发汇聚策略。早期，科学家依据避碰-结对-聚集行为规则提出了Vicsek、Boid、Couzin等集群运动基本模型，这些模型虽然为集群行为研究奠定了重要的基础，但是其都属于速度平均机制模型，在揭示群体智能的发生机理方面存在一定的局限性，没有考虑个体在视觉感知上的差异性，更没有考虑位置、速度、方向等运动协同信息的完整性，这些缺陷使得UUV集群控制存在严重的不确定性。

有鉴于此，本发明挖掘生物集群行为交互特征的信息提炼、压缩与传播机制，利用视觉感知特性，结合单邻域跟随与多邻域跟随的优势，设计一种非平均机制引导的UUV集群协同控制方法，以解决上述问题。

发明内容

为了解决现有技术中所指出的速度平均机制为集群控制带来严重不确定性的问题，本发明提出一种非平均机制引导的UUV集群协同控制方法，该方法能够提升集群行为控制稳定性的目标。

本发明要解决的技术问题通过以下技术方案实现：假定数量规模为N的UUV集群在二维平面内运动，其二阶质点运动模型为：

p_i,q_i,u_i分别表示个体i的位置信息、速度信息以及控制输入,N_i(t)＝{j|||p_i-p_j||≤R,j＝1,2…N,j≠i}为个体i的邻居集合，R为其感知半径，||p_i-p_j||表示个体i与个体j的欧式距离；

其协同控制方法包括以下步骤：

步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制，优化选择个体邻域内的邻居数量；

步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度，设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型；

步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。

进一步地，所述步骤一在全局视野范围R内，UUV利用拓扑交互固定周围数量规模为N_i1(t)的个体作为个体i候选行为交互个体，其交互方式中邻居数量N_i1(t)远远小于其视野感知范围内的邻居数量N_i(t)。

进一步地，所述步骤一在局部视野受限范围内选择个体i视域范围内的邻居集合N_i2(t)作为其候选行为交互个体，即排除UUV尾部视觉盲区范围内的个体，这种交互方式中邻居数量N_i2(t)远远小于其拓扑交互的邻居数量N_i1(t)，即

其中，

为感知中心个体i的方位角，ω为关于方位角

对称的视野盲区，θ_ij为个体j相对于个体i的方位角。

进一步地，所述步骤一采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合N_i3(t)作为其候选行为交互个体，这种交互方式中邻居数量N_i3(t)远远小于其视野受限范围内的邻居数量N_i2(t)，即

其中，

表示个体i第τ∈{1,2,...m}个区域内邻居个体的集合，m为划分的子区域个数。

进一步地，所述步骤二具体过程为：首先计算个体i与其邻居集合N_i3(t)中j行为交互作用强度δ_ij，其通过p_i位置、q_i速度、u_i方向三者的协同作用来计算，即

其中，α_ij，β_ij，χ_ij表示个体i与j之间的速度、位置、方向协同系数，

为个体i邻居集合N_i3(t)的平均速度；

最后，根据δ_ij与响应触发阈值Δ_i的比较进行跟随模型的决策判断，如果个体i与邻居集合N_i3(t)中任一个体j之间存在δ_ij＜Δ_i，则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权，则跟随控制率

为：

其中，w_j表示控制率u_j(t)对应的权重，即运动异常信息越大分配权重越大；反之，个体i采用单邻域结对跟随模式与交互作用强度最大的邻居j进行结对，即跟随控制率

为：

进一步地，所述步骤三具体过程为：根据虚拟势场建立集群运动模型，探索包括空间聚集的位置协同

运动有序的速度协同

避免碰撞的约束协同

跟随模型的控制协同

以及外部环境扰动

五项为：

进一步地，所述t＝t+Δt；

其中，Δt为采样周期。

与现有技术相比，本发明具有如下有益效果：

1.本发明提供一种非平均机制引导的UUV集群协同控制方法，本方法启发于生物集群行为交互特征，设计包含拓扑交互、视野盲区、视觉注意等在内的视觉信息提炼与压缩的UUV信息模型，能够实现稳定、高效、快速的UUV集群控制。

2.本发明提供一种非平均机制引导的UUV集群协同控制方法，本方法除了考虑行为交互强度的速度之外，还综合考虑了其位置与方向信息，将三者信息协同以设计非平均机制模型，克服传统速度平均机制的信息不完整问题。

3.本发明提供一种非平均机制引导的UUV集群协同控制方法，本方法基于虚拟势场设计单紧邻结对跟随与多紧邻加群跟随模型，充分考虑个体之间的差异，实现单紧邻跟随与多紧邻跟随模型的有机耦合。

附图说明

图1为本发明协同控制方法的步骤流程图；

图2为本发明方法的原理图；

图3是集群分散t＝0s；

图4是集群聚集t＝50s；

图5是集群避障t＝52s；

图6是集群避障t＝100s；

图7是三种模型的平均航向指标响应曲线；

图8是三种模型的有序度参量指标响应曲线；

图9是三种模型的尺度参数指标响应曲线。

具体实施方式

为使本发明所解决的技术问题、技术方案及有益效果更加清晰，以下结合附图及实施例，对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不限定本发明，详细说明如下。

请参阅附图1、2所示，一种非平均机制引导的UUV集群协同控制方法，假定数量规模为N的UUV集群在二维平面内运动，其二阶质点运动模型为：

p_i,q_i,u_i分别表示个体i的位置信息、速度信息以及控制输入,N_i(t)＝{j|||p_i-p_j||≤R,j＝1,2…N,j≠i}为个体i的邻居集合，R为其感知半径，||p_i-p_j||表示个体i与个体j的欧式距离；

其协同控制方法包括以下步骤：

步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制，优化选择个体邻域内的邻居数量。

具体的，首先在全局视野范围R内，UUV利用拓扑交互固定周围数量规模为N_i1(t)的个体作为个体i候选行为交互个体，其交互方式中邻居数量N_i1(t)远远小于其视野感知范围内的邻居数量N_i(t)。

其次，在局部视野受限范围内选择个体i视域范围内的邻居集合N_i2(t)作为其候选行为交互个体，即排除UUV尾部视觉盲区范围内的个体，这种交互方式中邻居数量N_i2(t)远远小于其拓扑交互的邻居数量N_i1(t)，即

其中，

为感知中心个体i的方位角，ω为关于方位角

对称的视野盲区，θ_ij为个体j相对于个体i的方位角。

最后，采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合N_i3(t)作为其候选行为交互个体，这种交互方式中邻居数量N_i3(t)远远小于其视野受限范围内的邻居数量N_i2(t)，即

其中，

表示个体i第τ∈{1,2,...m}个区域内邻居个体的集合，m为划分的子区域个数。

步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度，设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型。

具体的，首先计算个体i与其邻居集合N_i3(t)中j行为交互作用强度δ_ij，其通过p_i位置、q_i速度、u_i方向三者的协同作用来计算，即

其中，α_ij，β_ij，χ_ij表示个体i与j之间的速度、位置、方向协同系数，

为个体i邻居集合N_i3(t)的平均速度；

最后，根据δ_ij与响应触发阈值Δ_i的比较进行跟随模型的决策判断，如果个体i与邻居集合N_i3(t)中任一个体j之间存在δ_ij＜Δ_i，则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权，则跟随控制率

为：

其中，w_j表示控制率u_j(t)对应的权重，即运动异常信息越大分配权重越大；反之，个体i采用单邻域结对跟随模式与交互作用强度最大的邻居j进行结对，即跟随控制率

为：

步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。

具体的，步骤三具体过程为：根据虚拟势场建立集群运动模型，探索包括空间聚集的位置协同

运动有序的速度协同

避免碰撞的约束协同

跟随模型的控制协同

以及外部环境扰动

五项为：

上述公式中t＝t+Δt；其中，Δt为采样周期。

实施例1：为了验证上述提出的控制模型和方法的可行性和有效性，设计典型仿真模型如下：UUV集群规模N＝10,初始位置随机分布在1000×1000的二维平面，初始航向随机分布式在[0,2π],初始速度0.5m/s，UUV视野感知范围R＝0.4，视野盲区ω＝[-30,30]，划分扇形子区域个数m＝6，响应触发阈值Δ_i＝0.5，外部环境扰动

w_j采用线性权重分配，采样周期Δt＝0.01s。其仿真结果如图3-6所示。

在图3中，采样时间t＝0s时UUV集群初始化为分散状态；图4为UUV集群航向同步一致后t＝50s的聚集状态；图5为UUV集群响应外部障碍刺激而呈现的避障运动t＝52s，黑色椭圆表示水下动态障碍物其以0.5m/s进行直线运动；图6为t＝100s时集群避障成功的运动状态。从中可以看出，避障之前，UUV集群从初始位置分散到形成编队聚集的稳定运行，表明本发明具有良好的集群位置协同与速度有序能力；避障之时，UUV集群边缘距离最近的信息个体感知动态目标运动，能够迅速调整航向，其邻域内最优邻居能够迅速根据跟随模型进行外部刺激信息的响应，并进行信息在集群内部的快速传播；避障之后，信息UUV集群能够迅速恢复原来的运动方向，其余个体依据模型跟随模型进行运动，表明本发明具有良好的避障与跟随能力。总的来说，本发明所提出的集群控制方法能够有效管理UUV集群水下作业。

实施例2：为了进一步验证上述所提出的控制模型和方法的高效性，在对单邻域跟随、多领域跟随以及本发明所提方法进行对比分析，仿真环境与仿真参数与实施1相同。为此定义三个集群运动特性指标，分别为平均航向、有序度参量和尺度参数，其中平均航向φ定义为：

其中，N表示集群规模，φ(t)表示集群t时刻平均航向，其值越大集群越混乱。

有序度参量ψ定义为：

其中，q_i表示个体i在t时刻的速度矢量，显现ψ∈[0 1]，当ψ趋向于1时，集群有序性越高，其处于有序状态，反之当ψ趋向于0时，集群有序性越低，其处于无序状态。

尺度参数δ定义为：

其中，p_c表示集群的平均几何中心，其值越小表示集群分布越为紧密，反之表示集群分布越为松散。UUV集群在三种模型下的三种性能指标响应曲线如图7～9所示。

如图7所示，对于本发明提出的方法，平均航向由于初始航向随机的原因造成其值在初期产生发散，但是随着控制方法的位置协同控制率

跟随模型的控制协同控制率

与运动有序的速度协同控制率

的有效实施，集群运动协调一致有序，平均航向收敛于0.288，而当出现动态障碍物时，集群边缘最先发现障碍的个体迅速响应外部环境刺激，并且将刺激信息在群内进行隐式传播，导致集群平均航向增加，在t＝75s左右集群恢复原来航向，平均航向也随之收敛于稳定状态。而多邻域跟随与单邻域跟随两种方法虽然能够引导集群完成分散、聚集、避障等行为，但是其稳定性和收敛性与本发明方法相比而言较差，这也证明了本发明能够有效结合单邻域跟随与多邻域跟随的建模优势。

如图8所示，本发明能够快速响应外部障碍刺激，集群的无序程度有所增加，在跟随模型的作用下其他个体能够快速跟随首先发现障碍的个体，使其有序度参量不断增加，最终收敛于1，而单邻域跟随与多邻域跟随由于响度速度较慢，造成信息协同不足，导致其有序度参量小于本发明方法所得结果，而且其收敛过程持续时间较长，实时性受到制约。

如图9所示，由于在初始阶段UUV集群是随机分布，个体之间距离局部相对较大，尺度参数波动较大，但是随着集群控制方法的作用，集群由无序状态演变成航向一致的聚集状态，此时尺度参数收敛；在躲避障碍的过程中尺度参数先增加，而后随着航向恢复其值慢慢收敛到稳定状态。

图7～9中，从有序度参量与尺度参数两个性能指标可以看出，本发明在躲避前后都表现出相对于单邻域跟随与多邻域跟随更优的稳定性与收敛性，这主要得益于UUV集群中个体邻居数量与分布的优化，使其通行效率大大提高。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (3)

1.一种非平均机制引导的UUV集群协同控制方法，其特征在于，假定数量规模为N的UUV集群在二维平面内运动，其二阶质点运动模型为：

分别表示个体i的位置信息、速度信息以及控制输入,N_i(t)＝{j|||p_i-p_j||≤R,j＝1,2…N,j≠i}为个体i的邻居集合，R为其感知半径，||p_i-p_j||表示个体i与个体j的欧式距离；

其协同控制方法包括以下步骤：

步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制，优化选择个体邻域内的邻居数量；

步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度，设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型；

步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型；

所述步骤一在局部视野受限范围内选择个体i视域范围内的邻居集合N_i2(t)作为其候选行为交互个体，即排除UUV尾部视觉盲区范围内的个体，这种交互方式中邻居数量N_i2(t)远远小于其拓扑交互的邻居数量N_i1(t)，即

其中，

为感知中心个体i的方位角，ω为关于方位角

对称的视野盲区，θ_ij为个体j相对于个体i的方位角；

所述步骤一采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合N_i3(t)作为其候选行为交互个体，这种交互方式中邻居数量N_i3(t)远远小于其视野受限范围内的邻居数量N_i2(t)，即

其中，

表示个体i第τ∈{1,2,...m}个区域内邻居个体的集合，m为划分的子区域个数；

所述步骤二具体过程为：首先计算个体i与其邻居集合N_i3(t)中j行为交互作用强度δ_ij，其通过p_i位置、q_i速度、u_i方向三者的协同作用来计算，即

其中，α_ij，β_ij，χ_ij表示个体i与j之间的速度、位置、方向协同系数，

为个体i邻居集合N_i3(t)的平均速度；

最后，根据δ_ij与响应触发阈值Δ_i的比较进行跟随模型的决策判断，如果个体i与邻居集合N_i3(t)中任一个体j之间存在δ_ij＜Δ_i，则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权，则跟随控制率

为：

其中，w_j表示控制率u_j(t)对应的权重，即运动异常信息越大分配权重越大；反之，个体i采用单邻域结对跟随模式与交互作用强度最大的邻居j进行结对，即跟随控制率

为：

所述步骤三具体过程为：根据虚拟势场建立集群运动模型，探索包括空间聚集的位置协同

运动有序的速度协同

避免碰撞的约束协同

跟随模型的控制协同

以及外部环境扰动

五项为：

2.根据权利要求1所述的一种非平均机制引导的UUV集群协同控制方法，其特征在于：所述步骤一在全局视野范围R内UUV利用拓扑交互固定周围数量规模为N_i1(t)的个体作为个体i候选行为交互个体，其交互方式中邻居数量N_i1(t)远远小于其视野感知范围内的邻居数量N_i(t)。

3.根据权利要求2所述的一种非平均机制引导的UUV集群协同控制方法，其特征在于：所述t＝t+Δt；

其中，Δt为采样周期。

Images