CN113759935A - 基于模糊逻辑的智能群体编队移动控制方法 - Google Patents
基于模糊逻辑的智能群体编队移动控制方法 Download PDFInfo
- Publication number
- CN113759935A CN113759935A CN202111156901.6A CN202111156901A CN113759935A CN 113759935 A CN113759935 A CN 113759935A CN 202111156901 A CN202111156901 A CN 202111156901A CN 113759935 A CN113759935 A CN 113759935A
- Authority
- CN
- China
- Prior art keywords
- formation
- force
- intelligent
- reference point
- potential field
- 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 450
- 238000000034 method Methods 0.000 title claims abstract description 118
- 230000033001 locomotion Effects 0.000 claims abstract description 296
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000010355 oscillation Effects 0.000 claims abstract description 37
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000014759 maintenance of location Effects 0.000 claims abstract description 17
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000004220 aggregation Methods 0.000 claims abstract description 9
- 238000005755 formation reaction Methods 0.000 claims description 448
- 239000003795 chemical substances by application Substances 0.000 claims description 269
- 238000005457 optimization Methods 0.000 claims description 65
- 230000006870 function Effects 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 33
- 230000001133 acceleration Effects 0.000 claims description 32
- 239000010432 diamond Substances 0.000 claims description 22
- 229910003460 diamond Inorganic materials 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 12
- QNRATNLHPGXHMA-XZHTYLCXSA-N (r)-(6-ethoxyquinolin-4-yl)-[(2s,4s,5r)-5-ethyl-1-azabicyclo[2.2.2]octan-2-yl]methanol;hydrochloride Chemical compound Cl.C([C@H]([C@H](C1)CC)C2)CN1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OCC)C=C21 QNRATNLHPGXHMA-XZHTYLCXSA-N 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000005484 gravity Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 8
- 230000003139 buffering effect Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 26
- 238000004088 simulation Methods 0.000 description 23
- 238000005516 engineering process Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000007123 defense Effects 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping 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
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000282461 Canis lupus Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 239000006126 MAS system Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000000007 visual 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Abstract
本发明公开了一种基于模糊逻辑的智能群体编队移动控制方法,解决了多智能体编队群体运动振荡,稳定较差,控制效率不高的技术问题。总体方案包括:智能群体的生成和集聚;构建智能群体的编队;对智能体受力正交分解;引入耗散力对移动效率优化;引入保持力对稳定性优化;设置模糊控制器对智能群体编队移动控制,实现群体跟随移动控制。本发明引入耗散力和保持力对势场力优化,减少了无效运动,提高了效率和稳定性;调整模糊控制器控制参数,使输出与实际环境更匹配,智能体的适应性提高;各智能体可独立处理数据和信息,群体中节点的损坏和离开对群体运动不产生影响;适用于多智能体的编队移动控制。
Description
技术领域
本发明属于智能控制和人工智能技术领域,主要涉及多智能体的编队移动控制,具体是一种基于模糊逻辑的智能群体编队移动控制方法,用于攻防协同、巡逻搜索、群移群控、未知环境探险和军事行动等。
背景技术
智能控制是一门以控制理论、计算机科学、人工智能、运筹学等学科为基础的交叉学科。智能控制扩展了相关的理论和技术,其中应用较多的有模糊逻辑、神经网络、专家系统、遗传算法等理论,以及自适应控制、自组织控制和自学习控制等技术。智能控制主要用来解决那些用传统方法难以解决的复杂系统的控制问题。主要涉及不确定性的数学模型、高度的非线性和复杂的任务要求等问题的控制研究。随着人工智能技术的发展,具有自我管理自我调节能力,能够对外界刺激做出反应,能根据自身意图进行交互,能积累或学习经验和知识,去适应环境的智能体(Agent)作为人工智能领域中一个很重要的概念被提出。随着智能控制方法和技术的发展,智能控制迅速走向各种专业领域,应用于各类复杂被控对象的控制问题,如工业过程控制系统、机器人系统、现代生产制造系统、交通控制系统等。而智能体则带给智能控制一个更广阔的应用领域和发展、挑战空间。
多智能体系统(multi-agent system,MAS)是一种全新的分布式计算技术。自 20世纪70年代出现以来得到迅速发展,并成为国际上人工智能的前沿学科,研究的目的在于解决大型、复杂的现实问题,而解决这类问题已超出了单个智能体的能力。多智能体系统是由一系列相互作用的智能体构成,内部的各个智能体之间通过相互通信、合作、竞争等方式,完成单个智能体不能完成的,大量而又复杂的工作。多智能体系统的目标是让若干个具备简单智能却便于管理控制的系统能通过相互协作实现复杂智能,使得在降低系统建模复杂性的同时,提高系统的鲁棒性、可靠性、灵活性。多智能体系统的主要具有以下的特点:(1)自主性:在多智能体系统中,每个智能体都能管理自身的行为并做到自主的合作或者竞争。(2)容错性:智能体可以共同形成合作的系统用以完成独立或者共同的目标,如果某几个智能体出现了故障,其他智能体将自主地适应新的环境并继续工作,不会使整个系统陷入故障状态。(3)灵活性和可扩展性:MAS系统本身采用分布式设计,智能体具有高内聚低耦合的特性,使得系统表现出极强的可扩展性。(4) 协作能力:多智能体系统是分布式系统,智能体之间可以通过合适的策略相互协作完成全局目标。
自然界中大量个体聚集时往往能够形成协调、有序,甚至令人感到震撼的运动场景,比如天空中集体翱翔的庞大的鸟群、海洋中成群游动的鱼群,陆地上合作捕猎的狼群。这些群体现象所表现出的分布、协调、自组织、稳定、智能涌现等特点,引起了生物学家的研究兴趣。而后为了满足工程需要,美国麻省理工学院的Minsky提出了智能体的概念,并且把生物界个体社会行为的概念引入到计算机学科领域。这时,生物学和计算机科学领域发生了交叉。所谓的智能体可以是相应的软件程序,也可以是实物例如人、车辆、机器人、人造卫星。近些年来,由于生物学、计算机科学、人工智能、控制科学、社会学等多个学科交叉和渗透发展,多智能体系统越来越受到广泛关注,已成为当前控制学科以及人工智能领域的研究热点。
传统的控制理论都是建立在以微分和积分为工具的精确模型之上的。迄今为止,还不存在一种直接使用工程技术用语描述系统和解决问题的方法。从工程技术用语到数学描述的映射过程中,一方面虽使问题作了很多简化,但另一方面却丢失了信息源头全面和完整性,进而使模型缺少了适应性、稳健性。此外,传统的控制系统输入信息比较单一,而现代的复杂系统要以各种形式:视觉的、听觉的、触觉的以及直接操作的方式,将周围环境信息(图形、文字、语言、声音和传感器感知的物理量)作为系统输入,并将各种信息进行融合、分析和推理,它要随环境与条件的变化,相应地采取对策或行动。对这样的控制系统就要求有自适应、自学习和自组织的功能,因而需要新一代的控制理论和技术来支持。人类具有很强的学习和适应周围环境的能力,有些复杂的系统,凭人的知觉和经验能很好地进行操作并达到较理想的结果。这就产生了一种仿人的控制理论和方法,形成了智能控制产生的背景。与传统的控制理论相比,智能控制对于环境和任务的复杂性有更大的适配程度。它不仅仅是对建立的模型,而且对于环境和任务能抽取多级的描述精度,进而发展了自学习、自适应和自组织等概念,所以能在更广泛的领域中获得应用。
模糊控制是一门利用模糊数学的基本思想和理论的控制方法,在传统的控制领域里,控制系统动态模式的精确与否是影响控制优劣的最主要关键,系统动态的信息越详细,则越能达到精确控制的目的;然而,对于复杂的系统,由于变量太多,往往难以正确的描述系统的动态,于是工程师便利用各种方法来简化系统动态,以达成控制的目的,但却不尽理想,换言之,传统的控制理论对于确定模型系统有强而有力的控制能力,但对于过于复杂或难以精确描述的系统,则显得无能为力了,因此便尝试着以模糊数学来处理这些控制问题,可以降低控制复杂度同时保持较好控制性能。
多智能体编队控制是近年来的研究热点问题,它是实现更复杂多智能体控制研究的基础和桥梁。在近些年,许多学者在多智能体编队移动控制领域开展了研究与应用,毛琼、张代兵等人通过将群聚规则与人工势场结合,实现了无人机群的聚集和集群的飞行控制。于露提出了一种基于干扰观测器的滑膜编队控制法,通过设计干扰观测器有效抑制了不确定性对系统的影响,但控制精度相对较低。赵海涛等人设计了一种基于人工势场的运动控制算法,对群体的自适应集聚和沿着预定轨迹的移动做出了研究,但它在群体移动过程中由于运动不统一形成群体波动,导致智能群体内智能体的平均移动距离远大于实际距离,在群体运动过程中也没有考虑障碍物的影响。
实际应用中,2016年10月,加利福尼亚州美国军事官员展示了103个微型无人机,这些微型无人机通过无线通信连接,并展示了先进的群行为,例如集体决策,自适应编队飞行和自我修复。2016年11月,英特尔开发了一个灯光秀,包含500个无人机,这些无人机配备了LED,能够在悬停时拼出可识别的单词和数字。
虽然现有智能体编队移动控制技术已有长足发展,但是其智能体的自主性、容错性、灵活性、可扩展性和协作能力并没有得到充分利用和有效发挥,其控制难以适应多变的环境场景,也很难在群智能体其他控制功能上进行推广和拓展。其控制技术局限性造成控制效果难以良好和稳定。当前的群体移动控制主要存在以下问题:1、自主性差:由于控制方法不是全分布式的,造成个体功能受约束,不能自主适应周围环境去调节和改变状态,需要统一调度;2、容错性差:由于个体具有差异性,所以个体的失效会影响整体的控制效果,或者使控制失效;3、灵活性和可扩展性差:由于非完全分布式控制,环境有变或者有新个体加入,会造成前期控制功能完全失效,需要重新部署;4、协作能力差:由于非完全分布式,则个体自主性受到约束,进而其相互协作能力也较难有效开展;5、适应性差:由于其适应能力受限,随着群体中个体数量的增大,各个智能体受力波动较大,其难以做出灵活有效的调整,进而出现群体运动振荡的问题,导致运动效率不高;6、优化措施不完善:编队移动过程中,由于势场力的变化,导致编队的稳定性较差,对此原有方法并没有进行有效优化处理;7、自学习能力差:由于当前智能控制没有采用模糊逻辑控制进行参数自学习以及经验群内分享措施,因此在实际应用中,智能体在未知环境中的适用性和鲁棒性还有待提高。
现有技术以上的缺陷,限制了智能群体编队移动性能的提高,控制的灵活性和适应性受到了约束,控制效率不高,控制稳定性易受影响,控制的扩展性不好,控制效果不稳健,智能体群分享和协作能力没有有效发挥和利用。导致群体的耗能增加、智能体生命周期降低,控制效果不好,控制成本上升。
发明内容
本发明目的在于克服上述已有技术的不足,提供一种群体运动效率和编队的拓扑稳定性更高的基于模糊逻辑的智能群体编队移动控制方法。
本发明是一种基于模糊逻辑的智能群体编队移动控制方法,智能体在未知环境中移动,智能体上设置安装有传感器,可以与通信范围内的其他智能体进行信息传递,获取环境信息,通过位置信息进行移动和避障,其特征在于:包括有如下步骤:
步骤1智能群体的生成和集聚:在一块区域内n个智能体初始状态是随机生成的位置,参考点O是固定位置,参考点为虚拟领航者所在位置;参考点通过吸引力Fa将区域内所有的智能体集聚,形成以参考点为中心的智能群体,在智能群体中智能体间存在期望距离Rd;智能体在集聚过程中通过排斥力Fr来保持与其它智能体之间的期望距离,也是通过排斥力Fr避免与其它智能体或障碍物碰撞,智能体所受合力为F=Fa+Fr;
步骤2构建智能群体的编队:有编队需求时,每个智能体加入编队力Ff,编队力Ff用来构筑智能群体编队队形,以参考点的位置为编队队形的中心,编队队形包括圆形、直线型、三角形和菱形编队;不同编队队形中智能体的受力约束角度不同,所受到的编队力也不同,每个智能体受控于编队力使智能群体构成不同拓扑形状;引入队形参数r,r受智能体个数n和智能体间期望距离Rd的影响,围绕参考点生成的编队的大小由队形参数r控制;编队队形形成后,以参考点为中心的智能群体按照预定轨迹向目标地点移动,智能群体跟随参考点保持队形一起移动;有编队需求时,智能群体中的智能体均受到吸引力、排斥力、编队力的作用,作用力的合力为F=Fa+Fr+Ff,合力F为智能体受到的势场力;
步骤3势场力正交分解:在智能群体的编队队形拓扑形状中,每个智能体都存在各自的势场力和运动方向,设智能群体中智能体的运动速度为v,参考点的运动速度为vl,将势场力沿着智能体运动速度方向的平行方向和垂直方向进行正交分解,分解后产生平行于当前运动速度方向的平行势场力F1,和垂直于当前运动速度方向的垂直势场力F2;
步骤4势场力优化:势场力优化其一为效率优化:平行于当前运动方向的平行势场力F1产生平行加速度ap,对智能体运动轨迹延续和保持起直接作用,垂直于当前运动方向的垂直势场力F2产生垂直加速度av,会影响运动轨迹的改变;设计一种耗散力,来对导致产生轨迹振荡的势场力进行优化,群体运动要与参考点运动趋于一致,是在与垂直加速度av相反的方向上设计一种耗散力Fd;耗散力叠加在势场力上,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用;效率优化后的势场力为F优;势场力优化其二为编队稳定性优化:有编队需求时执行,在编队移动中,参考点移动后,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,在与参考点运动方向平行的方向上加入保持力Fk,使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,实现编队稳定性优化;编队稳定性优化后的势场力合力为F优′=Fa+Fr+Ff+Fd+Fk;
步骤5设置模糊控制器,进行智能群体编队移动控制:设置模糊控制器,模糊控制器设为线速度模糊控制器和角速度模糊控制器,线速度模糊控制器的输入为优化过后的势场力F优′与其方向角θ,输出为线速度增量δvl;角速度模糊控制器的输入为F优′、F优′与vl的夹角θ1以及v与vl的夹角θ2,输出为角度变化量在线速度与角速度模糊控制器中,均经过模糊化分,模糊计算和解模糊处理,均得到输出;编队中的智能体根据线速度与角速度模糊控制器的输出,调整自身的运动速度和方向角度,进行智能群体编队移动控制。
本发明解决了群体移动过程中,各个智能体因受力波动较大,而导致的群体运动振荡和智能体在未知环境中的适应性和稳定性的技术问题;
与现有技术相比,本发明的优点:
提高了群体运动效率,减少了能量消耗:
通过对智能体受力进行正交分解,平行于智能体运动方向的势场力对智能体运动轨迹延续和保持起直接作用,垂直于智能体运动方向的势场力会影响运动轨迹的改变。在与智能体运动方向垂直方向的相反方向上设计一种耗散力,来对导致产生轨迹振荡的势场力进行优化,降低智能体运动的波动性,减少智能体的无效运动,使得智能体的速度更加趋于稳定,从而提高了群体的运动效率,减少了运动过程中的能量消耗。
提高了编队运动的稳定性:
在编队移动中,在中心位置的虚拟领航者(作为参考点)点移动后,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,导致智能体在运动过程中逐渐向队伍后部聚集,造成队伍后部的密度大于队伍前部的密度,从而产生了“拖尾问题”。在与参考点运动相同的方向上,加入保持力,使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化。解决拖尾问题,从而提高了编队运动的稳定性。
提高了智能体在环境中的适应性:
对智能体所受人工势场力进行优化,使合力紧随趋势变化、降低扰动波动;将优化过后的合力作为模糊控制器的输入,通过模糊控制器的输出学习和适应环境变化,让群体内智能体根据各自位置学习和适应环境变化,实现群体跟随移动控制。
具有广泛的可靠性、移植性和扩展性:
在任务分配、编队、多智能体协调等方面,采用分布式控制,各智能体可独立处理数据和信息,处理器的负担大大降低,群体内单个智能体的损坏不会影响到群体整体的运行;可以根据需要增加或减少群体中智能体的个数,分布式控制可以最大限度的降低个体故障最整体的影响,提高了系统的可扩展性,有更好的稳定性和鲁棒性,也具有更好的灵活性。
编队队形更加适用于边界外围防御的情况:
本发明构成的三角编队和菱形编队,智能体均匀布局于单个队形结构边界上,传统的三角形编队和菱形编队各智能体只位于各类格子顶点位置,多个格子衔接构成队形,这种编队方式不适合于边界外围防御警戒,本发明的三角形编队和菱形编队可以很好的补充这方面的需要。形成的编队中智能体之间的距离均匀相等,不会出现间距不一样的情况,可以很好的对边界进行防御。
附图说明:
图1是本发明的流程框图;
图2(a)是本发明圆形编队中,不同智能体的受力图,图2(b)是本发明直线编队中智能体A的受力图,图2(c)是本发明三角形编队中智能体A的受力图,图 2(d)是本发明菱形编队智能体A的受力图;
图3(a)是本发明智能体势场力分解示意图,图3(b)是本发明参考点对智能体运动影响示意图;
图4是本发明模糊控制器的流程图
图5(a1)-图5(a4)是本发明圆形编队形成过程图,图5(b1)-图5(b4)是本发明三角形编队形成过程图,图5(c1)-图5(c4)是本发明菱形编队形成过程图,图5(d1)- 图5(d4)是本发明直线编队形成过程图;
图6(a)是本发明三角形编队在直线轨迹下移动的初始状态图,图6(b)是本发 明三角形编队在直线轨迹下移动中间状态图,图6(c)是本发明三角形编队在直线 轨迹下移动结束状态图;
图7(a)是本发明圆形编队正弦轨迹下的初始状态图,图7(b)是本发明圆形编 队正弦轨迹下移动的中间状态图,图7(c)是本发明圆形编队正弦轨迹下的中间状 态图,图7(d)是本发明圆形编队正弦轨迹下的结束状态图;
图8(a)是本发明编队避障第一阶段示意图,图8(b)是本发明编队避障第二阶 段示意图,图8(c)是本发明编队避障第三阶段示意图;
图9是本发明在直线轨迹中未经过势场力优化、经过势场力优化以及加入模糊控制的势场力优化的群体移动速度对比图;
图10是本发明在正弦轨迹中未经过势场力优化、经过势场力优化以及加入模糊控制的势场力优化的群体移动速度对比图。
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和实例对本发明详细说明。
具体实施方式:
实施例1
多智能体系统是由一系列相互作用的智能体构成,区域内部的各个智能体之间通过相互通信、合作、竞争等方式,完成单个智能体不能完成的具有相互协作的大量而又复杂的工作任务。在军事领域、农业领域、民用领域,多个智能体相互协作,一方面可以完成复杂度越来越高的任务,另一方满相较于单个智能体,多个智能体协作完成任务的效率也更高,稳定性与鲁棒性会更好,从而降低对单个机器人的性能要求。解决问题的方法也更加多样性化。目前,现有智能体编队移动控制技术主要存在以下问题:1、随着群体中个体数量的增大,各个智能体受力波动较大,因群体运动振荡的问题导致运动效率不高。2、编队移动过程中,由于势场力的变化,导致编队的稳定性较差。3、在实际应用中,智能体在未知环境中的适用性和鲁棒性还有待提高。针对以上问题,本发明提出一种基于模糊逻辑的智能群体编队移动控制方法。
本发明的基于模糊逻辑的智能群体编队移动控制方法,能够应用在未知环境 探险、军事行动、监视、搜索和救援、采矿、农业觅食和微机械或人体中分布感 测的应用中的威胁。例如,农民可以共享所有无人机,以执行大规模的空中勘探, 并被地质学家共享,以执行地质勘探。在灾难救援任务中,群体机器人可以送入 对人类工人来说太危险的地方。智能体在未知环境中移动,智能体上设置安装有 传感器,可以与通信范围内的其他智能体进行环境信息传递,获取的环境信息包 括障碍物位置信息和其他智能体的位置信息,每个智能体都只能探测获取到传感 器探测范围内的信息,超过传感器探测范围的智能体或障碍物不会影响智能体运 动,每个智能体通过获取的位置信息计算势场力,通过受到的势场力进行移动和 避障。
本发明是一种基于模糊逻辑的智能群体编队移动控制方法,参见图1,图1 是本发明的流程框图,包括有如下步骤:
步骤1智能群体的生成和集聚:在一块区域内n个智能体初始状态是随机生成的位置,参考点O是固定位置,参考点为虚拟领航者所在位置,参考点就是虚拟领航者,以下更多的简称为参考点,虚拟领航者除了能探测到通信范围内的环境信息,包括其他智能体的位置信息和障碍物的位置信息等,还能收到通信系统的命令要求,并对其他的智能体传达命令。参考点通过吸引力Fa将区域内所有的智能体集聚,形成智能群体,在智能群体中,参考点为虚拟领航者,除此之外的每一个智能体也称为节点。在智能群体中智能体间存在期望距离Rd;智能体在集聚过程中通过排斥力Fr来保持与其它智能体之间的期望距离,也是通过排斥力Fr避免与其它智能体或障碍物碰撞,每个智能体都会受到参考点的吸引力,吸引力方向由智能体指向参考点,可以使得区域内的智能体向参考点聚集。智能体之间和智能体与障碍物之间不存在吸引力,只存在排斥力,且只有当智能体之间的距离或智能体与障碍物之间的距离小于期望距离Rd时,才会产生排斥力,排斥力的方向由其它智能体指向当前智能体或由障碍物指向当前智能体,以达到增大智能体之间距离和远离障碍物的作用,故智能体所受合力为F=Fa+Fr,合力的方向即为智能体运动的方向,合力的大小决定了智能体运动的速度大小。
步骤2构建智能群体的编队:虚拟领航者在接收到移动任务请求以后,通过对各智能体发布指令,智能体根据指令进行移动。对于有编队需求的移动任务,智能群体在步骤1运动控制受力的基础上,加入编队力Ff构筑特定的智能群体编队模型队形,编队队形包括圆形、直线型、三角形和菱形编队。引入队形参数 r,r受智能体个数n和智能体间期望距离Rd的影响,围绕参考点生成的编队的大小由队形参数r控制,当在编队拓扑形成后,如果有新的智能体加入或者有智能体减少,编队会重新调整大小,重新生成一个拓扑稳定且连通的结构。图2(a)- 图2(d)是本发明编队力受力图,由虚线构成的编队形状分别为圆形、直线型、三角形和菱形编队,图中O均为参考点,A、B、C、D均为正在进行编队的智能体,P均表示为智能体与参考点之间的连线和编队边界交点。图2(a)是圆形编队的受力图,参考点O位于圆形编队的中心位置,智能体A和B位于圆形编队上且两者之间的距离为期望距离,故受到的合力为0,保持稳定状态,智能体C位于圆形编队内,受到向外的排斥力,向编队边界上移动,智能体D位于圆形编队外,受到向内的编队力,圆形编队中,队形参数r为圆形编队的半径。图2(b)为直线型编队,参考点O位于直线的中点位置,A为受到编队力的智能体,P为智能体A在直线编队上的投影点,α为OA与OP的夹角,AP长度为dv,OP长度为dp,智能体A位于编队外部,受到向内的编队力朝着编队边界移动,在直线编队中,队形参数r为编队直线编队总长的一半。图2(c)为三角形编队受力图,参考点O 位于三角形的重心位置,M为三角形编队的上顶点,A为受到编队力的智能体, OA参考点和智能体A之间的连线,OA线段与编队边界的交点为P,α为OP与最近顶点M所构成线段OM的夹角,队形参数r为顶点M到参考点O的距离,智能体位于编队外部,受到向内的编队力朝着编队边界移动。图2(d)为菱形编队, M为菱形编队的上顶点,P为OA与编队边界的交点,α为OP与最近上顶点(或下顶点)M所构成线段OM的夹角,β为上顶角的一半,r为参考点与上顶点 (或下顶点)的距离,智能体位于编队外部,受到向内的编队力朝着编队边界移动。本发明中虚拟领航者通过不同编队力控制智能群体构成不同拓扑形状;不同编队队形中智能体的受力约束角度不同,所受到的编队力也不同,每个智能体受控于编队力使智能群体构成不同拓扑形状。在智能体接受的命令移动的过程中,当有新的智能体加入、群体内某些智能体损坏或特殊原因离开时,不会影响其余智能体的移动,编队会继续进行,并可以重新调整编队的大小,来保持群体内的智能体的拓扑连通。编队队形形成后,以参考点即虚拟领航者为中心的智能群体按照预定轨迹向目标地点移动,智能群体跟随参考点保持队形一起移动。也就是智能体根据虚拟领航者的指令,按照编队任务的要求移动形成编队后,虚拟领航者向目标地点移动,并发出指令使得编队群体跟随一起移动,智能体沿着预定轨迹按照编队移动,到达目标地点执行,完成移动任务。移动任务可以有编队的移动任务和无编队的移动任务,对于有编队的移动任务,群体按照圆形、直线型、三角形或菱形进行编队移动,对于无编队的移动任务,群体向虚拟领航者聚集,进行移动。
本发明中,有编队需求时,智能群体中的智能体均受到吸引力、排斥力、编队力的作用,智能体受到的作用力的合力为F=Fa+Fr+Ff,合力F为智能体受到的势场力。无编队需求时,智能体仅受到吸引力和排斥力。智能体受到的吸引力、排斥力、编队力的合力F作为智能体受到的势场力,智能体运动的速度大小和速度的方向都受到势场力的控制。
步骤3势场力正交分解:传统的基于人工势场力的运动控制,通过引力、斥力和编队力进行编队控制,在群体内智能体数量较少的时候,每个智能体受到的势场力相对较少,可以由较为控制的效果良好的控制效果,但当群体智能体的数量较多时,每个智能体之间都互相产生势场力,智能体所受的势场力变的更加的复杂多变,使得智能体的运动无法保持稳定。在群体运动中需要考虑个体间的影响,为了防止发生碰撞,在智能体数量较多时,为了避开其他智能体保持安全距离,智能体运动是会出现较严重的振荡,导致群体移动控制的趋同性与速度一致性较差。除了群体自身运动的影响,参考点运动的变化也是导致群体震荡的主要原因,当参考点的速度改变时,参考点与群体的相对位置发生改变,导致参考点对群体中的每个智能体的势场力发生改变,势场力的改变导致了智能体运动发生改变,由于智能体数量众多,不同智能体的速度改变会对其他智能体产生影响,从而影响了群体运动的稳定性。
本发明在智能群体的拓扑形状中,每个智能体都存在各自的势场力和运动方向,当势场力的方向和智能体的运动方向一致时,智能体的运动方向就不会发生改变,然而绝大多数情况下,由于虚拟领航者的速度在变化,或者群体之间会互相影响,所以势场力的方向与运动方向不一致,势场力会改变智能体的运动。图 3(a)为智能体进行正交分解的示意图,在图3(a)仅考虑智能体本身运动的特性,图3(b)为参考点对智能体运动影响示意图,图3(b)中考虑了参考点运动对智能体运动的影响,设智能群体中智能体的运动速度为v,参考点即虚拟领航者的运动速度为vl。将势场力沿着智能体运动速度方向的平行方向和垂直方向进行正交分解,定义智能体当前运动方向为X轴,智能体运动方向的垂直方向为Y轴,对势场力F进行分解。分解后产生平行于当前运动速度方向的平行势场力F1,和垂直于当前运动速度方向的垂直势场力F2;分解后平行于当前运动方向的势场力产生平行加速度ap,平行加速度与当前运动方向一致,对智能体运动轨迹延续和保持起直接作用,垂直于当前运动方向的势场力产生垂直加速度av,垂直加速度会使智能体往其他方向上移动,会使得智能体的运动轨迹的改变,当改变的幅度较为剧烈时,会使得群体稳定性变差。
步骤4势场力优化:本发明对势场力的优化包括效率优化和稳定性优化。
本发明针对势场力的优化其一为效率优化:平行于当前运动方向的平行势场力F1产生平行加速度ap,平行加速度ap对智能体运动轨迹延续和保持起直接作用,可以使得智能体稳定的保持移动,因此对于平行加速度不做改变;垂直于当前运动方向的垂直势场力F2产生垂直加速度av,垂直加速度是导致智能体运动轨迹发生改变的主要原因,会使得运动轨迹偏离原本的预设方向,因此需要抑制在垂直方向上的加速度,使得智能体尽可能的不受垂直加速度的影响,本发明设计一种耗散力,来对导致产生轨迹振荡的势场力进行优化,群体运动要与参考点运动趋于一致,具体在与垂直加速度av相反的方向上设计耗散力Fd,耗散力通过将垂直势场力F2抵消,来抑制和减小智能体垂直于当前运动方向的速度变化。所有的势场力都要进行势场力优化。群体运动振荡很大程度上取决于虚拟领航者的速度大小,运动速度越大,其产生的振荡也随之增大,故耗散力的大小与虚拟领航者的速度大小为正比关系。对导致产生轨迹振荡的势场力F进行优化,使得智能群体运动与虚拟领航者运动趋于一致;耗散力叠加在势场力上,具体是与垂直加速度相反的方向上,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用。
本发明针对势场力的优化其二为编队稳定性优化:编队稳定性优化也成为稳定性优化。仅在有编队需求的情况下执行,在编队移动中,参考点即虚拟领航者所在中心位置移动后,群体产生新的势场力,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,导致智能体在运动过程中逐渐向队伍后部聚集,虽然智能体任然能安全的跟随虚拟领航者运动,但是会产生队伍后部的密度大于队伍前部的密度,编队的拓扑稳定性较低,从而产生了“拖尾问题”,为减轻“拖尾问题”,加入保持力Fk使智能体具备保持和延续与参考点中心相同运动趋势的能力,提前预留运动产生的势场变化。保持力的方向与虚拟领航者的速度方向相同,智能体受到虚拟领航者的速度牵引,会抵消原来由于势场运动而导致的位置变化,约束智能体与虚拟领航者保持相对静止,如果既有效率优化又有编队稳定性保持力优化的势场力记作F优′=Fa+Fr+Ff+Fd+Fk。
步骤5设置模糊控制器,进行智能群体编队移动控制:参见图4,图4是本发明的模糊控制器的流程图。本发明设置模糊控制器,目的是为了让智能群体内智能体根据各自位置学习和适应环境变化,调整控制参数,使控制输出与实际环境更匹配,群体运动更高效、稳定。模糊控制器分为线速度模糊控制器和角速度模糊控制器,线速度模糊控制器主要是控制智能体运动速度的大小,使得智能体的速度大小与虚拟领航者相近;角速度模糊控制器的作用是使得智能体与虚拟领航者的运动方向趋于一致。
本发明的线速度模糊控制器的输入为优化过后的势场力F优′与其方向角θ,输出为线速度增量δvl。角速度模糊控制器的输入为F优′、F优′与vl的夹角θ1以及 v与vl的夹角θ2,输出为角度变化量在线速度与角速度模糊控制器中,均经过模糊化分,模糊计算和解模糊处理,分别得到输出,线速度模糊控制器的输出为线速度增量角速度模糊控制器的输出为角度变化量编队中的智能体均能受到两个模糊控制的输出,根据线速度与角速度模糊控制器的输出,调整自身的运动速度和方向角度,进行智能群体编队移动,本发明通过模糊控制器的输出完成基于模糊逻辑的智能群体编队移动控制。
在实际运动中,还需判断编队是否到达目标地点,如果已到达目标地点则停止运动,若编队还未到达目标地点,智能体则继续将环境信息传入模糊控制器,通过模糊控制器输出进行受控移动,继续跟随参考点进行移动。
本发明给出了一个基于模糊逻辑的智能群体编队移动控制方法的整体技术方案。
现有技术中,在群体移动过程中,通过调节群体内智能体所受的引力与斥力的比例来优化群体的运动,以达到减小振荡的目的,但是由于智能体之间的相对位置固定时,智能体所受到的合力就已经确定了,仅仅通过调整引力与斥力的比例对于群体运动的效率和稳定性提升作用并不明显,编队移动过程中,群体运动方向改变或者速度改变时,群体间的受力波动较大,导致编队的稳定性不高。此外,现有的三角形和矩形格子编队各智能体只位于各类格子顶点位置,多个格子衔接构成队形,在边界上的位置并不能有效覆盖,对于边界外围防御警戒这方面的功能无法满足。
本发明的技术思路是:本发明为了解决智能群体在运动过程中波动大、稳定性差的问题,通过对群体运动中智能体的受力进行分解,分析智能体受到的力对智能体的运动产生正面影响还是负面影响,对于导致智能体运动产生的振荡的力,通过在其相反的方向上添加虚拟力,抑制对运动产生负面影响力的作用,进行运动效率优化改进。另一方面,建立编队力模型,本发明建立的编队模型对各种队形的边界位置分布均匀,进行边界的有效覆盖,并添加保持力来对编队控制的稳定性进行优化,使得编队在移动过程中,可以保持稳定的编队拓扑,最后通过模糊控制器控制实现环境学习和参数调节,进一步提高了群体运动的效率和稳定性,同时可以使得编队群体中的智能体对环境进行适应和学习,进一步提高了编队群体对环境的适应性。
本发明提出的基于模糊逻辑的智能群体编队移动控制方法,可以有效地提高群体的移动效率,降低群体移动过程中的振荡,提高编队群体的拓扑稳定性,可以使得群体更加适应环境的变化,适合多智能体的运动控制。
实施例2
基于模糊逻辑的智能群体编队移动控制方法同实例1,步骤2所述的构建智能群体的编队,本发明的编队包括有如下不同的队形:
2.1圆形编队:参见图2(a),参考点O为圆心,队形参数r为圆的半径,r与智能体个数n和智能体间期望距离Rd的关系为: 表示定义取值;圆形的编队力的大小为d为智能体到参考点O的距离,当d<r时,方向为参考点指向智能体,当d≥r时,方向由智能体指向参考点O。
在直线编队、三角形编队和菱形编队中,参考点O位于编队队形的中心,参与编队的智能体A与参考点O连线为OA。
2.2直线编队:参见图2(b),参考点为O位于直线编队的中点,r为参考点到右端或左端的距离,其大小为:P为智能体A在直线编队上的投影点,P与O的连线为OP,直线编队计算夹角α1为直线编队中OA与OP的夹角,设AP长度为dv,OP长度为dp,当dp>r时,智能体位于编队范围以外,此时无编队力,仅受参考点引力Fa的作用;当dp≤r时,在编队范围内,受到编队力Ff作用,编队力的大小为:|F直线|=Kf·dv,方向由智能体指向P;Kf为编队力增益系数。
在三角形编队和菱形编队中,M为三角形编队或菱形编队的上顶点,参考点O与M的连线为OM,三角形和菱形编队力计算夹角α为OA与OM的夹角,P 为OA与编队边界的交点。
2.3三角形编队:参见图2(c),参考点O位于三角形重心,r为顶点M到参考点O的距离,其大小定义为:正三角形的编队力的大小为:根据三角形边角关系可推出表示参考点O到交点P的距离,当d<rt时,编队力方向由参考点O指向智能体;当d≥rt时,编队力方向由智能体指向参考点O。
2.4菱形编队:参见图2(d)参考点O位于菱形重心,β为上顶角的一半,r为参考点与M的距离,其大小定义为:编队力的大小为:根据三角形边角关系可推出表示参考点O到交点P的距离,当d<rd时,编队力方向由参考点O指向智能体;当d≥rd时,编队力方向为智能体指向参考点O。
本发明中,参与编队的智能体只需要知道参考点的位置,无需知道其他智能体的位置,智能体需要的全局信息少,通过势场力来控制运动,易于理解。智能体节点的运动互不干扰同时进行,可以减少编队形成所用的时间。由于通过距离来产生势场力控制智能体运动,相较于虚拟结构的编队方法,本发明形成的编队中智能体之间的距离均匀相等,不会出现间距不一样的情况。
构成的三角编队和菱形编队,智能体均匀布局于单个队形结构边界上,传统的三角形编队和菱形编队各智能体只位于各类格子顶点位置,多个格子衔接构成队形,这种编队方式不适合于边界外围防御警戒,本发明的三角形编队和菱形编队可以很好的补充这方面的需要。
实施例3
基于模糊逻辑的智能群体编队移动控制方法同实例1-2,步骤4所述的势场力优化,本发明对势场力的优化包括效率优化和稳定性优化,包括有如下步骤:
4.1效率优化:本发明中对势场力的效率优化也称为对势场力的耗散力优化,每一个智能体在区域内都受到参考点的引力Fa和编队力Ff的作用以及智能体之间的排斥力Fr的作用,当前智能体所受合力F为势场力,F=Fa+Fr+Ff,设智能体当前运动方向为v,所受合力为F,v与F夹角为θ,将合力通过步骤3中的势场力分解之后,产生平行加速度ap和垂直加速度av,平行加速度ap对智能体运动轨迹延续和保持起直接作用,垂直加速度av会影响运动轨迹的改变。本发明设计一种耗散力,来对导致产生轨迹振荡的势场力进行优化,智能群体运动要与参考点运动趋于一致,而参考点运动的变化是导致群体震荡的主要原因,因此定义耗散力大小为|Fd|=Kd·vl,Kd为耗散力增益系数,不同编队形状的取值不同。 vl为虚拟领航者的速度大小,耗散力的方向与垂直加速度av的方向相反,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用。无论是有编队还是无编队任务的情况下,所有的势场力都要进行效率即耗散力优化,进行了效率优化的势场力记作F优=Fa+Fr+Ff+Fd。
4.2稳定性优化:本发明中编队稳定性优化也是保持力优化:在编队移动中,在中心位置的虚拟领航者(作为参考点)移动后,编队中的所有智能体都随之移动,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,导致智能体在运动过程中逐渐向队伍后部聚集,造成队伍后部的密度大于队伍前部的密度,从而产生了“拖尾问题”,为减轻“拖尾问题”,本发明为此设计了保持力,加入保持力使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,实现势场力的优化。保持力大小为 |Fk|=Kk·vl,Kk为保持力增益系数,不同编队形状下的取值不同,保持力的方向与虚拟领航者的运动方向相同。经过编队稳定性即保持力优化的势场力合力为 F优′=Fa+Fr+Ff+Fd+Fk。
针对群体运动过程中,智能体之间受力波动较大,导致群体振荡的问题,本发明通过增加耗散力,对导致运动波动的势场力进行优化处理,减小群体中各个智能体的无效运动,提高了智能体的运动效率。另一方面,编队在移动过程中,受到的势场力时刻处于变化,编队的稳定性受到较大的影响,本发明通过添加保持力,提高了编队的稳定性。
实施例4
基于模糊逻辑的智能群体编队移动控制方法同实例1-3,步骤5所述的设置模糊控制器进行智能群体编队移动控制,本发明设置模糊控制器的目的是为了让智能群体内智能体根据各自位置学习和适应环境变化,调整控制参数,使控制输出与实际环境更匹配,群体运动更高效、稳定。本发明模糊控制器设为线速度模糊控制器和角速度模糊控制器,包括有如下步骤:
5.1设置线速度模糊控制器:线速度模糊控制器的输入为优化过后的势场力 F优′与其方向角θ,输出为线速度增量δvl。参见图3(a),将平行加速度ap和垂直加速度av作为线速度模糊控制器的输入,其大小为:在优化后,图3(a)中的势场力合力由F变为F优′,其分解的模型是一致的。
在线速度模糊控制器的设定中,本例中设定ap的值域为[-5,5],线性量化到区间[-3,3]中,划分的模糊集语言值为{负大,负小,正大,正小},对应的英文缩略形式为{NB,NS,PS,PB},通过模糊规则表和隶属度函数对输出进行计算。本例中的隶属度函数均采用高斯函数,高斯隶属度函数的均值c分别为-3、-1、1、 3,均方差σ均为1;av的值域为[0,5],线性量化到区间[-1,1]中,划分的模糊集语言值为{小,中,大},对应的英文缩略形式为{S,M,B},通过模糊规则表和隶属度函数对输出进行计算。本例中的隶属度函数均为高斯函数,均值c分别为-1、 0、1,均方差σ均为1,通过加权平均解模糊法将模糊控制器计算出的模糊量转化为精确量即为线速度模糊控制器的输出,线速度模糊控制器的输出为线速度增量
本发明中平行加速度ap和垂直加速度av的阈值的选取受到势场力合力的影响,势场力合力的大小一方面受到智能体与参考点的距离影响,另一方面受到增益系数的影响。划分的模糊集也因人而异,每个人对于同一个模糊概念的认识理解都有差异,因此模糊划分具有主观性。
5.2设置角速度模糊控制器:角速度模糊控制器的输入为F优′、F优′与vl的夹角θ1以及v与vl的夹角θ2,输出为角度变化量智能体的运动方向除了受合力方向的影响,也受到参考点运动方向的影响,参考点的运动方向为vl,势场力合力F优′与参考点运动方向的夹角为θ1,智能体运动方向与参考点运动方向夹角为θ2,则角度偏差δ=|θ1-θ2|。参见图3(b),在优化后,图3(b)中的势场力合力由F变为F优′,其分解的模型是一致的。在将角度偏差δ和势场力合力F优′作为角速度模糊控制器的输入,,设定δ的值域区间为线性量化到区间[-3,3] 中,划分模糊集的语言值为{负大,负小,正大,正小},对应的英文缩略形式为{NB,NS,PS,PB},其对应的隶属度函数均为高斯函数,均值c分别为-3、-1、1、 3,均方差σ均为1;F优′的值域为[0,10],线性量化到区间[-1,1]中,划分的模糊集语言值为{小,中,大},对应的英文缩略形式为{S,M,B};其对应的隶属度函数均为高斯函数,均值c分别为-1、0、1,均方差σ均为1。通过加权平均解模糊法将模糊控制器计算出的模糊量转化为精确量即为线速度模糊控制器的输出,角速度模糊控制器的输出为角度变化量
参见图4,图4是本发明模糊控制器的流程图。线速度模糊控制器通过F优′和θ计算出线速度模糊控制器的输入ap和av,角速度模糊控制器通过F优′、θ1和θ2计算出角速度模糊控制器的输入F优′和δ,两种模糊控制器均是在参数输入之后,对输入的参数先进行模糊集划分,通过将参数带入到高斯隶属度函数中计算出输入参数对于每个划分的模糊集的隶属度,再通过定义的规则表进行计算,得到输出模糊量,模糊量无法直接控制智能体的运动,故通过加权求平均的方法对输出的模糊量进行解模糊处理,得到控制智能体运动所需的精确量。
隶属度函数是模糊控制的应用基础,是否正确地构造隶属度函数是能否用好模糊控制的关键之一。隶属度函数的确定过程,本质上说应该是客观的,但每个人对于同一个模糊概念的认识理解又有差异,因此,隶属度函数的确定又带有主观性。通过实验数据分析,本发明的隶属度函数选取高斯隶属度函数具有良好的控制效果。
经过模糊控制决策得到的是模糊量,要执行控制,必须把模糊量转化为精确量,也就是要推导出模糊集合到普通集合的映射(也称判决)。实际上是在一个输出范围内,找到一个被认为最具有代表性的、可直接驱动控制装置的确切的输出控制值。主要反模糊化判决方法有:最大隶属度法,重心法和加权平均法。最大隶属度法不考虑输出隶属度函数的形状,只考虑最大隶属度处的输出值。因此,难免会丢失许多信息。它的突出优点是简单,在一些控制要求不高的场合,可以用最大隶属度法。与最大隶属度法相比较,重心法具有更平滑的输出推理控制。即使对应于输入信号的微小变化,输出也会发生变化。工业控制中广泛应用的反模糊化法是加权平均法。本发明中考虑到实际中的应用,故采用的去模糊化方法为加权平均的方法。
下面给出一个更加详细的例子,对本发明进一步说明。
实施例5
基于模糊逻辑的智能群体编队移动控制方法同实例1-4。
步骤1智能群体的生成和集聚:智能体与障碍物的斥力分为位置斥力和速度斥力;当障碍物为固定障碍物时,只需考虑位置斥力;位置斥力的大小为:d0为智能体与障碍物的距离,位置斥力由障碍物指向智能体。当障碍物为动态障碍物时,为了更好避障,加入速度斥力,速度斥力的大小为:kv为速度斥力增益系数;vroi为智能体与障碍物的相对速度大小;θ是障碍物与智能体的相对速度向量及相对位置向量间夹角;速度斥力的方向与位置向量垂直且远离相对速度向量的方向。排斥力Fr=Fv+Fp。智能体所受合力为F=Fa+Fr;
步骤2构建智能群体的编队:有编队需求时,编队队形形成后,以参考点虚拟领航者为中心的智能群体按照预定轨迹向目标地点移动,智能群体跟随参考点虚拟领航者保持队形一起移动;有编队需求时,智能群体中的智能体均受到吸引力、排斥力、编队力的作用,作用力的合力为F=Fa+Fr+Ff,合力F为智能体受到的势场力。
步骤3势场力正交分解:参考点运动的变化是导致群体震荡的主要原因。因此,当参考点的速度改变时,参考点与群体的相对位置发生改变,导致参考点对群体中的每个智能体的势场力发生改变,势场力的改变导致了智能体运动发生改变,由于智能体数量众多,不同智能体的速度改变会对其他智能体产生影响,从而影响了群体运动的稳定性。本发明对智能体受到的势场力进行了正交分解,方便后续优化处理。
步骤4势场力优化:势场力优化其一为效率优化:具体是与垂直加速度相反的方向上,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用;效率优化后的势场力为F优;势场力优化其二为编队稳定性优化:有编队需求时执行,在与参考点运动方向平行的方向上加入保持力Fk,使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,实现编队稳定性优化;编队稳定性优化后的势场力合力为F优′=Fa+Fr+Ff+Fd+Fk。
步骤5设置模糊控制器,进行智能群体编队移动控制:编队中的智能体根据线速度与角速度模糊控制器的输出,调整自身的运动速度和方向角度,进行智能群体编队移动控制。
步骤6下一时刻运动:下一时刻,若编队群体到达任务目标地点,则群体停止运动,若智能体未到达目标地点,重复步骤3-5。对下一时刻智能体运动进行势场力优化和模糊控制器运动控制。
本发明解决了多智能体编队移动中各个智能体因受力波动较大,而导致群体运动振荡,控制效率不高的问题和编队移动过程中智能体编队稳定较差的问题。总体方案为:对编队中的智能体受力进行正交分解;分析群体运动过程中智能体的受力情况;对导致群体运动振荡的垂直方向上的势场力,在其反方向上建立耗散力对移动中振荡进行优化;在与参考点移动方向相同的方向上添加保持力对编队稳定性进行优化;将优化过后的势场力作为模糊控制器的输入,通过模糊控制器输出控制调节智能体运动,实现群体跟随移动控制。本发明通过添加耗散力对导致群体运动振荡的势场力进行优化调节,提高了群体运动的效率,通过添加保持力提高了编队运动的稳定性,通过模糊控制器进一步优化智能体的运动,使得智能体的运动更加适应环境变化;适用于多智能体的编队运动控制。
下面通过实验及其数据对本发明的技术效果作验证性说明
实施例6
仿真条件:
仿真条件如下:二维场景中,在[2500,3500]×[2500,3500]的正方形区域内生成10-50个节点,节点生成的位置是随机的互不影响的,生成一个参考点,将参考点位置设置在区域的中心位置(3000,3000)处。设定节点之间的期望距离为Rd,期望距离的大小设置为260m,节点间的通信距离设置为Rc,通信距离的大小设置为300m,在节点通信距离内的其他节点会被探测到。当节点间的距离大于期望距离时,节点之间的运动互不影响,当节点间的距离小于期望距离时,节点之间会产生排斥力,用来防止节点发生碰撞;节点与节点之间的距离越近,排斥力越大。以参考点为中心,形成各种编队,包括圆形、直线型、三角形、菱形。在编队形成过程中,不同编队的受力约束角度不同,其受到的耗散力与保持力系数也有不同的取值,如表1所示,表1是本发明耗散力和保持力的系数表。
表1耗散力和保持力系数表
仿真内容及仿真结果:
仿真内容:
对本发明不同的编队,包括:圆形、直线型、三角形、菱形编队的编队生成过程进行仿真。
仿真结果与分析:
图5为各个编队的形成过程,图5中横坐标x为规定区域的水平方向的起始和终止位置,纵坐标y为规定区域垂直方向上的起始位置和终止位置,图中生成的节点都位于规定区域内。图中“·”代表本发明中智能体即节点位置,“★”代表本发明中参考点即虚拟领航者位置,节点之间的连线表示节点处于通信范围内。图5(a1)代表圆形编队的初始位置,即智能群体初始位置。在初始位置生成后,开始进行圆形编队。图5(a2)节点受到编队力的作用开始向圆形编队边界移动,初步形成圆形编队。图5(a3)圆形编队基本生成,个别智能体还未达到编队边界上。最终形成的圆形编队如图5(a4)所示,形成了以参考点为圆心的圆形队形,智能体之间的距离均匀,受力达到平衡。
图5(b1)代表三角形编队的初始位置,即智能群体初始位置。图5(b2)中节点受到编队力的作用开始向三角形编队边界移动,初步形成三角形编队。图5(b3) 三角形编队基本生成,个别智能体还未达到编队边界上。最终形成的编队如图 5(b4)所示,参考点位于三角形编队的重心位置,智能体均匀分布在三角形的边界上,整个编队的拓扑时联通的;
图5(c1)代表菱形编队的初始位置,即智能群体初始位置。图5(c2)中节点受到编队力的作用开始向三角形编队边界移动,初步形成菱形编队。图5(c3)菱形编队基本生成,个别智能体还未达到编队边界上。最终形成的编队如图5(c4)所示,参考点位于长轴和短轴的交点处,智能体均匀分布在菱形编队的边界上,整个编队的拓扑时联通的;
图5(d1)代表直线型编队的初始位置生成,即智能群体初始位置。图5(d2)中节点受到编队力的作用开始向直线编队边界移动,初步形成直线编队。图5(d3) 直线编队基本生成,个别智能体还未达到编队边界上。最终形成的编队如图5(d4) 所示,参考点位于直线编队的中点处,智能体均匀分布在直线编队的边界上,整个编队的拓扑时联通的;
圆形、三角形、菱形、直线型四种编队中,初始状态下,区域内的节点随机初始的位置各不相同,通过编队力进行控制,最终可以形成期望编队,所形成的编队从初始杂乱无章的位置,到生成一个拓扑连通的结构,节点之间的距离保持均匀,在区域内任意位置的智能体都可以通过编队力进行编队,说明本发明建立的编队力对区域内任意位置的节点都可以由良好的作用,且编队具有良好的稳定性和适用性。
实施例7
基于模糊逻辑的智能群体编队移动控制方法同实例1-5,仿真条件同实施例 6。
仿真内容及仿真结果:
仿真内容:设置参考点位置为(3000,3000),在以参考点为中心生成编队后进行编队移动。仿真结果参见图6和图7。
仿真结果与分析:图6展示了三角形编队的直线轨迹运动过程,运动轨迹为一条直线,直线运动轨迹的起点设置为(3000,3000),终点设置为(9354,9354),参 考点运动的速度为15m/s。如图6(a),节点在起点(3000,3000)处完成编队,图 6(b)为编队运动的中间过程,编队按照预定的轨迹稳定移动,图6(c)为编队到达 终点(9354,9354)。图7展示了圆形编队的正弦轨迹运动过程,运动轨迹为一条 正弦曲线,正弦轨迹的起点设置为(3000,3000),终点设置为(11000,3000),参 考点运动的速度为15m/s。图7(a)为运动的初始状态,节点形成圆形编队,图7(b) 和图7(c)为圆形编队运动的中间过程,编队按照预定的轨迹稳定移动,图7(d) 为圆形编队到达终点(11000,3000)。在直线轨迹的三角形编队和正弦轨迹路径 下的圆形编队都可以按照预定轨迹进行移动,在移动过程中编队没有偏离预定轨 迹且编队的拓扑保持稳定连通,这说明移动过程中编队中的节点之间相对稳定。 此外,在编队移动的过程中,编队之间没有出现“拖尾问题”,圆形队形和三角形 队形中的节点之间的距离依旧保持均匀分布,这说明本发明中的耗散力和保持力 起到了良好的作用,使得编队可以在运动中保持良好的稳定性。
实施例8
基于模糊逻辑的智能群体编队移动控制方法同实例1-5,仿真条件同实施例 6。
仿真内容及仿真结果:
仿真内容:在运动轨迹中添加障碍物在编队移动的基础上,对智能体在有障碍环境下的运动进行验证。
仿真结果与分析:
图8(a)为编队遇到障碍物的第一阶段,编队前部的智能体检测到障碍物存 在,开始对障碍物进行规避,为了规避障碍物,编队的形状发生改变。此时,对 于编队后方未检测到障碍物存在的节点,依旧保持稳定,按照预定轨迹跟随参考 点移动。图8(b)为编队前方的节点通过障碍物,编队后方的节点开始规避障碍物, 前方因规避障碍物而导致编队损坏的节点在远离障碍物后,开始根据编队力恢复 编队拓扑形状。图8(c)为整个编队通过障碍物之后,逐渐恢复至稳定状态。
本例通过图8(a)、图8(b)和图8(c)的分析可见,本发明在编队过程中具有避 障功能。本发明所构建的编队在障碍物环境中移动时,也可以保持稳定和安全, 编队具有避障和避障后的恢复能力。
实施例9:
基于模糊逻辑的智能群体编队移动控制方法同实例1-5。仿真条件同实施例 7。
仿真内容及仿真结果:
仿真内容:对本发明在不同轨迹中运动时,群体内智能体在优化前、优化后、加入模糊控制器调整后三种情况下的平均移动速度进行对比。实验结果参见图9 和图10。图9是本发明在直线轨迹中未经过势场力优化、经过势场力优化以及加入模糊控制的势场力优化的群体移动速度对比图;图10是本发明在正弦轨迹中未经过势场力优化、经过势场力优化以及加入模糊控制的势场力优化的群体移动速度对比图.
仿真结果与分析:
图9为智能群体在如图6所示直线轨迹运动场景下群体各节点平均运动的速度对比图;图10为智能群体在如图7所示正弦轨迹运动场景下群体平均运动的速度对比图。对未经过势场力优化、经过势场力优化以及加入模糊控制的势场力优化这三种情况下的群体内智能体平均移动速度进行了仿真对比。图9和图10 中横坐标x均节点运动的时间步数,纵坐标y均为智能体运动的平均速度。
从图9可看出,群体由初始的静止状态跟随参考点进行移动。参考点的移动的速度v由初始的0m/s逐步增加并最终稳定在15m/s。运动过程中,群体持续受到参考点的吸引力,速度随之增大,当参考点速度达到速度v时,群体受到的惯性力使得群体无法立刻与参考点保持相同的速度,且会使得群体运动产生振荡。在图10正弦运动轨迹中,群体的移动方向处于变化之中,因此正弦轨迹群体的振荡问题更明显。未经过优化的群体对于运动的振荡调节速度和效果都较差;通过加入耗散力和保持力的优化后,可以初步对群体的运动进行优化调节,并有一定效果;在此基础上加入本文设计的线速度、角速度两组模糊逻辑控制后,势场力优化和模糊控制的组合在两种场景中都有更优的性能,群体的速度更快更准确的收敛于参考点的速度v。这是由于耗散力可以消除对智能体运动产生负面影响,保持力可以使节点具备参考点的相同运动储备,模糊控制通过对力的分级平均以及各智能体自身的环境参数学习和参数调整获得与各自环境匹配的输出控制,可以进一步的使得群体移动的速度更加稳定。
综上所述,本发明的基于模糊逻辑的智能群体编队移动控制方法,解决了多智能体编队移动中各个智能体因受力波动较大,而导致群体运动振荡,控制效率不高的问题和编队移动过程中智能体编队稳定较差的问题。总体方案包括:智能群体的生成和集聚;构建智能群体的编队;对编队中的智能体受力进行正交分解;分析群体运动过程中智能体的受力情况;对导致群体运动振荡的垂直方向上的势场力,在其反方向上建立耗散力对移动中振荡进行优化;在与参考点移动方向相同的方向上添加保持力对编队稳定性进行优化;设置模糊控制器进行智能群体编队移动控制,将优化过后的势场力作为模糊控制器的输入,通过模糊控制器输出控制调节智能体运动,实现群体跟随移动控制。本发明采用分布式控制,各智能体可独立处理数据和信息,群体中节点的损坏和离开对群体运动不产生影响,通过添加耗散力对导致群体运动振荡的势场力进行优化调节,降低了群体中智能体运动的波动,减少了智能体的无效运动,使得群体中智能体的速度的一致性和稳定性都得到提高,从而提高了群体运动的效率,通过添加保持力,使得智能体在编队移动过程中,智能体在参考点移动后具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,通过模糊控制器进一步优化智能体的运动,群体内智能体根据各自位置学习和适应环境变化,调整控制参数,使控制输出与实际环境更匹配,群体运动更高效、稳定。适用于多智能体的编队运动控制,例如无人机的编队、农业机器人的探测。
Claims (4)
1.一种基于模糊逻辑的智能群体编队移动控制方法,智能体在未知环境中移动,智能体上设置安装有传感器,可以与通信范围内的其他智能体进行信息传递,获取环境信息,通过位置信息进行移动和避障,其特征在于:包括有如下步骤:
步骤1智能群体的生成和集聚:在一块区域内n个智能体初始状态是随机生成的位置,参考点O是固定位置,参考点为虚拟领航者所在位置;参考点通过吸引力Fa将区域内所有的智能体集聚,形成以参考点为中心的智能群体,在智能群体中智能体间存在期望距离Rd;智能体在集聚过程中通过排斥力Fr来保持与其它智能体之间的期望距离,也是通过排斥力Fr避免与其它智能体或障碍物碰撞,智能体所受合力为F=Fa+Fr;
步骤2构建智能群体的编队:有编队需求时,每个智能体加入编队力Ff,编队力Ff用来构筑智能群体编队队形,以参考点的位置为编队队形的中心,编队队形包括圆形、直线型、三角形和菱形编队;不同编队队形中智能体的受力约束角度不同,所受到的编队力也不同,每个智能体受控于编队力使智能群体构成不同拓扑形状;引入队形参数r,r受智能体个数n和智能体间期望距离Rd的影响,围绕参考点生成的编队的大小由队形参数r控制;编队队形形成后,以参考点为中心的智能群体按照预定轨迹向目标地点移动,智能群体跟随参考点保持队形一起移动;有编队需求时,智能群体中的智能体均受到吸引力、排斥力、编队力的作用,作用力的合力为F=Fa+Fr+Ff,合力F为智能体受到的势场力;
步骤3势场力正交分解:在智能群体的编队队形拓扑形状中,每个智能体都存在各自的势场力和运动方向,设智能群体中智能体的运动速度为v,参考点的运动速度为vl,将势场力沿着智能体运动速度方向的平行方向和垂直方向进行正交分解,分解后产生平行于当前运动速度方向的平行势场力F1,和垂直于当前运动速度方向的垂直势场力F2;
步骤4势场力优化:势场力优化其一为效率优化:平行于当前运动方向的平行势场力F1产生平行加速度ap,对智能体运动轨迹延续和保持起直接作用,垂直于当前运动方向的垂直势场力F2产生垂直加速度av,会影响运动轨迹的改变;设计一种耗散力,来对导致产生轨迹振荡的势场力进行优化,群体运动要与参考点运动趋于一致,是在与垂直加速度av相反的方向上设计一种耗散力Fd;耗散力叠加在势场力上,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用;效率优化后的势场力为F优;势场力优化其二为编队稳定性优化:有编队需求时执行,在编队移动中,参考点移动后,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,在与参考点运动方向平行的方向上加入保持力Fk,使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,实现编队稳定性优化;编队稳定性优化后的势场力合力为F优′=Fa+Fr+Ff+Fd+Fk;
2.根据权利要求1所述的基于模糊逻辑的智能群体编队移动控制方法,其特征在于:步骤2所述的构建智能群体的编队,包括有如下不同的队形:
2.1圆形编队:参考点O为圆心,队形参数r为圆的半径,r与智能体个数n和智能体间期望距离Rd的关系为: 表示定义取值;圆形的编队力的大小为d为智能体到参考点O的距离,当d<r时,方向为参考点指向智能体,当d≥r时,方向由智能体指向参考点O;Kf为编队力增益系数;
在直线编队、三角形编队和菱形编队中,参考点O位于编队队形的中心,参与编队的智能体A与参考点O连线为OA;
2.2直线编队:参考点为O,位于直线编队的中点,r为参考点到右端或左端的距离,其大小为:P为智能体A在直线编队上的投影点,P与O的连线为OP,直线编队计算夹角α1为直线编队中OA与OP的夹角,设AP长度为dv,OP长度为dp,当dp>r时,智能体位于编队范围以外,此时无编队力,仅受参考点引力Fa的作用;当dp≤r时,在编队范围内,受到编队力Ff作用,编队力的大小为:|F直线|=Kf·dv,方向由智能体指向P;Kf为编队力增益系数;
在三角形编队和菱形编队中,M为三角形编队或菱形编队的上顶点,参考点O与M的连线为OM,三角形和菱形编队力计算夹角α为OA与OM的夹角,P为OA与编队边界的交点;
2.3三角形编队:参考点O位于三角形重心,r为顶点M到参考点O的距离,其大小定义为:正三角形的编队力的大小为:根据三角形边角关系可推出表示参考点O到交点P的距离,当d<rt时,编队力方向由参考点O指向智能体;当d≥rt时,编队力方向由智能体指向参考点O;Kf为编队力增益系数;
3.根据权利要求1所述的基于模糊逻辑的智能群体编队移动控制方法,其特征在于:步骤4所述的势场力优化,包括有如下步骤:
4.1效率优化:智能体受到参考点的引力Fa和编队力Ff的作用以及智能体之间的排斥力Fr的作用,作用力的合力为F=Fa+Fr+Ff,合力F为智能体受到的势场力;设智能体当前运动方向为v,v与F夹角为θ,将势场力正交分解,分解后平行于智能体运动方向的平行势场力产生平行加速度ap,垂直于智能体运动方向的垂直势场力产生垂直加速度av,平行加速度ap对智能体运动轨迹延续和保持起直接作用,垂直加速度av会影响运动轨迹的改变,设计一种耗散力,来对导致轨迹振荡的势场力进行优化,群体运动要与参考点运动趋于一致,而参考点在持续运动,因此定义耗散力大小为|Fd|=Kd·vl,Kd为耗散力增益系数,不同编队形状的取值不同;vl为参考点的速度大小,耗散力的方向与垂直加速度av的方向相反,以达到抑制智能体在垂直方向上的运动影响,起到缓冲振荡作用,势场力合力更新为F优=Fa+Fr+Ff+Fd;
4.2编队稳定性优化:在编队移动中,在中心位置的参考点移动后,智能体所受的势场力与水平方向的夹角会比移动前的原势场力与水平方向的夹角更小,导致智能体在运动过程中逐渐向队伍后部聚集,造成队伍后部的密度大于队伍前部的密度,加入保持力使智能体具备保持和延续与参考点相同运动趋势的能力,提前预留运动产生的势场变化,保持力大小为|Fk|=Kk·vl,Kk为保持力增益系数,不同编队形状下的取值不同,保持力的方向与参考点的运动方向相同,经过编队稳定性优化的势场力合力为F优′=Fa+Fr+Ff+Fd+Fk。
4.根据权利要求1所述的基于模糊逻辑的智能群体编队移动控制方法,其特征在于:步骤5所述的设置模糊控制器,进行智能群体编队移动控制,包括有如下步骤:
5.1设置线速度模糊控制器:将平行加速度ap和垂直加速度av作为线速度模糊控制器的输入,其大小为:设定ap的值域为[-5,5],线性量化到区间[-3,3]中,划分的语言值为{负大,负小,正大,正小},对应的英文缩略形式为{NB,NS,PS,PB},其对应的隶属度函数均为高斯函数,均值c分别为-3、-1、1、3,均方差σ均为1,av的值域为[0,5],线性量化到区间[-1,1]中,划分的语言值为{小,中,大},对应的英文缩略形式为{S,M,B},其对应的隶属度函数均为高斯函数,均值c分别为-1、0、1,均方差σ均为1,线速度模糊控制器的输出为线速度增量
5.2设置角速度模糊控制器:智能体的运动方向除了受合力方向的影响,也受到参考点运动方向的影响;参考点的运动方向为vl,势场力合力F优′与参考点运动方向的夹角为θ1,智能体运动方向与参考点运动方向夹角为θ2,则角度偏差δ=|θ1-θ2|;将角度偏差δ和势场力合力F优′作为角速度模糊控制器的输入,模糊控制器的输出为角度变化量设定δ的值域区间为线性量化到区间[-3,3]中,划分的语言值为{负大,负小,正大,正小},对应的英文缩略形式为{NB,NS,PS,PB},其对应的隶属度函数均为高斯函数,均值c分别为-3、-1、1、3,均方差σ均为1;F优′的值域为[0,10],线性量化到区间[-1,1]中,划分的语言值为{小,中,大},对应的英文缩略形式为{S,M,B};其对应的隶属度函数均为高斯函数,均值c分别为-1、0、1,均方差σ均为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156901.6A CN113759935B (zh) | 2021-09-30 | 2021-09-30 | 基于模糊逻辑的智能群体编队移动控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111156901.6A CN113759935B (zh) | 2021-09-30 | 2021-09-30 | 基于模糊逻辑的智能群体编队移动控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759935A true CN113759935A (zh) | 2021-12-07 |
CN113759935B CN113759935B (zh) | 2023-10-27 |
Family
ID=78798438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111156901.6A Active CN113759935B (zh) | 2021-09-30 | 2021-09-30 | 基于模糊逻辑的智能群体编队移动控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759935B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859960A (zh) * | 2023-07-28 | 2023-10-10 | 哈尔滨理工大学 | 一种多uuv队形切换与编队避障的自适应方法 |
CN117850437A (zh) * | 2024-03-08 | 2024-04-09 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
CN117850437B (zh) * | 2024-03-08 | 2024-05-14 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160187654A1 (en) * | 2011-02-28 | 2016-06-30 | Microsoft Technology Licensing, Llc | See-through near-eye display glasses with a light transmissive wedge shaped illumination system |
CN110825113A (zh) * | 2019-11-22 | 2020-02-21 | 南京航空航天大学 | 一种适用于四旋翼无人机集群飞行的队形保持方法 |
US20210173480A1 (en) * | 2010-02-28 | 2021-06-10 | Microsoft Technology Licensing, Llc | Ar glasses with predictive control of external device based on event input |
CN113204248A (zh) * | 2021-04-20 | 2021-08-03 | 西京学院 | 基于决策变量与自适应算法的多无人机航迹协同方法 |
CN113342037A (zh) * | 2021-06-07 | 2021-09-03 | 广东工业大学 | 具有输入饱和的多旋翼无人机时变编队控制方法及系统 |
CN113341956A (zh) * | 2021-05-20 | 2021-09-03 | 西安交通大学 | 基于改进人工势场法的多智能体主从式编队控制方法 |
-
2021
- 2021-09-30 CN CN202111156901.6A patent/CN113759935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210173480A1 (en) * | 2010-02-28 | 2021-06-10 | Microsoft Technology Licensing, Llc | Ar glasses with predictive control of external device based on event input |
US20160187654A1 (en) * | 2011-02-28 | 2016-06-30 | Microsoft Technology Licensing, Llc | See-through near-eye display glasses with a light transmissive wedge shaped illumination system |
CN110825113A (zh) * | 2019-11-22 | 2020-02-21 | 南京航空航天大学 | 一种适用于四旋翼无人机集群飞行的队形保持方法 |
CN113204248A (zh) * | 2021-04-20 | 2021-08-03 | 西京学院 | 基于决策变量与自适应算法的多无人机航迹协同方法 |
CN113341956A (zh) * | 2021-05-20 | 2021-09-03 | 西安交通大学 | 基于改进人工势场法的多智能体主从式编队控制方法 |
CN113342037A (zh) * | 2021-06-07 | 2021-09-03 | 广东工业大学 | 具有输入饱和的多旋翼无人机时变编队控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
王钦钊;程金勇;李小龙;: "基于多虚拟领航者的多机器人编队控制方法", 装甲兵工程学院学报, no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859960A (zh) * | 2023-07-28 | 2023-10-10 | 哈尔滨理工大学 | 一种多uuv队形切换与编队避障的自适应方法 |
CN116859960B (zh) * | 2023-07-28 | 2024-02-20 | 哈尔滨理工大学 | 一种多uuv队形切换与编队避障的自适应方法 |
CN117850437A (zh) * | 2024-03-08 | 2024-04-09 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
CN117850437B (zh) * | 2024-03-08 | 2024-05-14 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN113759935B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Collision avoidance in fixed-wing UAV formation flight based on a consensus control algorithm | |
Luo et al. | Distributed UAV flocking control based on homing pigeon hierarchical strategies | |
CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
Tang et al. | Swarm robots search for multiple targets based on an improved grouping strategy | |
Yafei et al. | An improved UAV path planning method based on RRT-APF hybrid strategy | |
Liang et al. | Bio-inspired self-organized cooperative control consensus for crowded UUV swarm based on adaptive dynamic interaction topology | |
Lin et al. | Cooperative formation and obstacle avoidance algorithm for multi-uav system in 3d environment | |
CN112859913A (zh) | 考虑输出约束的多四旋翼无人机姿态一致最优控制方法 | |
Li et al. | Large-scale fixed-wing UAV swarm system control with collision avoidance and formation maneuver | |
Yu et al. | Research of consistency problem for quadrotor UAV system with leader-follower | |
CN113759935B (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
Yuan et al. | Distributed game strategy for unmanned aerial vehicle formation with external disturbances and obstacles | |
Gao et al. | Hybrid swarm intelligent algorithm for multi-UAV formation reconfiguration | |
Wei | A new formation control strategy based on the virtual-leader-follower and artificial potential field | |
El-Ferik | Biologically based control of a fleet of unmanned aerial vehicles facing multiple threats | |
CN111007848B (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
CN110162084B (zh) | 基于一致性理论的飞航导弹集群系统编队控制方法 | |
El Ferik et al. | Biologically inspired control of a fleet of uavs with threat evasion strategy | |
Bai et al. | Dynamic multi-UAVs formation reconfiguration based on hybrid diversity-PSO and time optimal control | |
Yang et al. | Flocking shape analysis of multi-agent systems | |
Liu et al. | Multiple UAV formations delivery task planning based on a distributed adaptive algorithm | |
Zhu et al. | Distributed UAV swarm control framework with limited interaction for obstacle avoidance | |
Tingting et al. | Formation control of multiple UAVs via pigeon inspired optimisation | |
Jiang et al. | Formation control for underactuated unmanned surface vehicles based on consistency theory and leader-follower mode | |
Quan et al. | Energy-limited time-varying formation control for second-order multiagent systems |
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 |