CN114138022A - 一种基于精英鸽群智能的无人机集群分布式编队控制方法 - Google Patents
一种基于精英鸽群智能的无人机集群分布式编队控制方法 Download PDFInfo
- Publication number
- CN114138022A CN114138022A CN202111440620.3A CN202111440620A CN114138022A CN 114138022 A CN114138022 A CN 114138022A CN 202111440620 A CN202111440620 A CN 202111440620A CN 114138022 A CN114138022 A CN 114138022A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- pigeon
- elite
- distributed
- 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
- 241000272201 Columbiformes Species 0.000 title claims abstract description 80
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000005755 formation reaction Methods 0.000 claims description 63
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 4
- 244000144992 flock Species 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 4
- 238000005457 optimization Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004088 simulation 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明公开一种基于精英鸽群智能的无人机分布式编队控制方法,包括:步骤一:建立无人机非线性动力学模型;步骤二:将非线性无人机模型转换为导航粒子模型;步骤三:利用非奇异快速终端滑模干扰观测器估计干扰值,利用输入进行补偿得到无干扰的飞机模型;步骤四:判断是否存在与障碍物相撞的危险,若是则利用避障策略得到避障速度;步骤五:建立无人机单机分布式代价函数;步骤六:利用精英鸽群智能算法求解无人机输入序列;步骤七:将求解的时间序列的第一个输入代入无人机模型,更新无人机状态;步骤八:根据该时刻输入确定是否需要更新下一时刻的输入。本发明采用启发式优化算法求解分布式优化问题,以解决分布式模型预测控制难以求解的问题。
Description
技术领域
本发明涉及一种基于精英鸽群智能的无人机集群分布式编队控制方法,属于无人机自主导航与控制领域。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)使用空气动力提供升力,可自主飞行或远程遥控,可与地面控制设备、数据通信设备、操作人员等构成无人机系统。相比于有人机,无人机更适合执行枯燥、恶劣和危险的任务,广泛应用于航空摄影、货物运输、地形探测等民用和军事领域。无人机集群比单一的无人机有效地扩展了应用领域和能力,具有更可靠、更健壮、更持久的任务执行能力,编队控制是无人机实现集群系统协同工作的关键技术。无人机编队目前在通信交互与规划决策方面存在自主性低、协调性差等问题,因此设计合理且高效的多无人机编队自主控制方法至关重要。
无人机编队常用的方法主要分为集中式控制方法,分布式控制方法和混合式控制方法。相比于集中式控制方法,分布式控制方法中每架无人机的自主性更高,是未来无人集群系统的发展方向。分布式模型预测控制(Distributed Model Predictive Control,DMPC)是解决较大规模的约束优化类问题的一种有效策略,通过将一组大规模优化问题转为多组小规模优化问题来降低问题求解的复杂度,具有很强的实用性,因此,采用DMPC可以有效地解决无人机编队问题。
研究人员利用传统技术,如标准梯度搜索,二次规划,混合整数线性规划等方法来解决MPC非线性优化问题。大多数现有技术的关键缺点是计算复杂,计算时间随着系统维数的增加或优化问题受到约束而增加。近年来,应用进化算法解决MPC优化问题受到研究人员的广泛关注。鸽群优化(Pigeon Inspired Optimization,PIO)算法受鸽子导航行为启发而提出,鸽子和鸽巢位置分别表示优化问题的潜在解和最优解,使用地图和指南针算子和地标算子分别模拟太阳和磁场,以及地标对鸽子的导航作用,以优化问题的潜在解。为减小PIO算法的计算量,提高其在DMPC控制器中的求解速度,设计了基于精英策略的鸽群优化算法,实现无人机集群的分布式编队。
发明内容
本发明提出了一种基于精英鸽群智能的无人机集群分布式编队控制方法,其目的是提供一种高效可行的分布式模型预测控制框架下的无人机编队方法,旨在通过精英鸽群智能来解决约束下分布式MPC优化问题,并且设计了干扰观测器来观测无人机受到的干扰,提高无人机编队的可靠性、抗干扰性以及精确性,设计了无人机的自主避障策略,提高无人机的自主能力水平,实现无人机集群分布式编队。
本发明针对无人机集群分布式编队飞行的问题,发明了一种基于精英鸽群智能的无人机集群分布式编队控制方法,该方法的结构框架如图1所示,该方法具体步骤如下:
步骤1:建立三维空间下的无人机模型。
第i架无人机的运动方程为
其中xi,yi,zi表示第i架无人机在惯性系下的坐标,Vi,χi,γi分别表示速度、航迹方位角和航迹倾斜角,Li,Di,Ti表示为无人机的升力、阻力和油门推力,φi为倾斜角,表示外界环境对速度、航迹方位角和航迹倾斜角的干扰,m为无人机质量,g为重力加速度。Li,Ti和φi是无人机的控制输入。
步骤2:将无人机模型转换为粒子模型。
固定翼无人机的二阶模型可以表示为
其中ui=Θiτi+ai。定义zi=[pi,vi]T,可以得到无人机模型的另一个表达式
步骤3:设计非奇异快速终端滑模观测器(Non-singular fast terminal slidingmode observer,NFTSMO),利用该滑模观测器对无人机的干扰进行观测。
其中Π1=diag(λ11,λ12,…,λ1n),Π2=diag(λ21,λ22,…,λ2n), 是z的观测状态,λij(i=1,2,j=1,2,…,n)>0,Γ1和Γ2都是大于1的正常数。设计如下干扰观测器:
步骤4:建立分布式模型预测编队控制框架。
定义无人机总数为NUAV,第i架无人机的邻居集合Ni,每架无人机只能与其相邻的无人机进行通信。定义无人机编队的理想相对状态矩阵选取第1架无人机为参考, 中前三项为相对位置,后三项为相对速度,飞机的相对位置坐标根据设计的编队队形决定,可以为常值也可以为随时间变化的矩阵;相对速度坐标均为0,保持速度一致。
建立第i架无人机在t时刻的分布式代价函数:
代价函数可以分为四部分,分别为:t~t+(N-1)δ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,t~t+(N-1)δ时刻第i架无人机的输出大小,t+Nδ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,以及t~t+Nδ时刻第i架无人机的速度与理想速度的差值。前三项的权值q,r,l在整个飞行任务中保持不变,第四项速度项的权值n在避障前后进行调节,在避障时增大n,保证安全避障,在避障后减小n,保持编队和速度的均衡。
步骤5:无人机编队避障机制。
在t时刻当无人机探测到距离前方障碍物最短距离为do时,假设通过多架无人机的信息交互可以得到障碍物的基本信息,采用如图2所示的半径为R的圆完全包围障碍物,圆心为Ro,当无人机的运轨迹位于该圆上或圆外时可以保证飞行安全,通过以下步骤完成无人机避障:
子步骤一:判断无人机UAVi是否在图2所示的障碍物范围内。如果是,则进入下一子步骤,否则退出;
子步骤二:检测UAVi与障碍物之间的距离。如果距离小于do,则进行下一子步骤,否则退出;
子步骤三:根据位置信息与其他无人机建立新的邻接关系,如图3所示。无人机编队遇到障碍物的情况有两种:在第一种情况下,无人机编队位于中间虚线的一侧,无人机在保持编队的情况下避开障碍物。在第二种情况下,无人机分布于中间虚线的两侧,无人机编队分为两个子编队飞越障碍物,新的子编队Σκ完全连通。将障碍物范围内的无人机定义为集合Σκd,并找到Σκd中离障碍物最近的无人机UAVj;
子步骤四:如图2所示,l1和l2分别为无人机与圆心为Ro的圆的两个切向量,计算无人机的飞行方向与l1和l2的夹角,并选择夹角小的方向作为无人机接下来的理想避障方向,并且增大权值n,使速度项在代价函数中占据主要地位;
子步骤六:在避障后,无人机的理想速度恢复预设速度,并且减小权值n。
步骤6:利用精英鸽群智能求分布式MPC控制器的最优解。
定义ip∈{1,2,…,Np}为第i架无人机对应的鸽群中第ip只鸽子在第l代的位置,表示第i架飞机在t+jδ时刻去干扰后的控制量,Np为鸽群规模,第ip只鸽子的飞行速度定义为Si·Vl ip,且初始全局最优Si·Xg为上一时刻求解的全局最优控制量,将上一时刻的预测(1~N-1)|t-δ控制量作为当前时刻往后N-1步的控制量(0~N-2)|t,并将N-1|t-δ赋给N-1|t,得到Si·Xg为[1|t-δ,…,N-1|t-δ,N-1|t-δ]。
子步骤二:根据代价函数最小计算当前全局最优鸽子Si·Xg=argminJi,计算当前鸽群的收益平均位置Si·Xm:
子步骤三:按正余弦规则更新鸽子的飞行速度:
其中,r1和r2为两个0~1之间的随机数。在迭代次数较小时,全局最优项占据主要地位,指南针算子发挥主要作用,在迭代次数增大后,地标算子的权重增加;
子步骤四:更新每只鸽子的飞行速度
子步骤六:重复子步骤二~五,直至最大迭代次数Nc,得到最优控制量Si·Xg=[uni(0|t),uni(1|t),…,uni(N-1|t)]。
步骤7:将步骤6精英鸽群智能算法求解的最优控制量Si·Xg作为第i架无人机的无人机的最优控制轨迹Uni(t),并将uni(0|t)作为第i架无人机的当前输入,同时将Si·Xg发送给邻域内其他无人机。
步骤8:根据阈值触发机制判断是否需要改变控制量。
所述的阈值触发机制为:t+1时刻,根据t时刻第i架无人机接收的邻域内无人机控制信息计算代价函数,如果代价函数Ji小于等于触发阈值J0,则保持当前输入,如果Ji大于触发阈值J0,则转到步骤4。
步骤9:飞行任务结束。
本发明提出的一种基于精英鸽群智能的无人机集群分布式编队控制方法,是通过采用启发式优化算法来求解分布式优化问题,进而解决分布式模型预测控制难以求解的问题。该发明的主要优势体现在以下方面:1)提出了一种无人机避障策略,并将其融入分布式控制框架,采用可调节权重实现了无人机避障;
2)采用代价函数阈值触发机制,减少了求解次数的同时保证了编队质量;3)提出了一种新的鸽群优化算法,将指南针算子和地标算子结合,降低了鸽群陷入局部极值点的概率,并且每代都会去除劣质鸽子,减少了算法的计算量。
附图说明
图1本发明方法流程框图
图2无人机单机避障示意图
图3无人机编队避障示意图
图4a、b、c干扰观测结果图
图5无人机编队结果图
图中标号及符号说明如下:
R——避障圆的半径
Ro——避障圆的圆心
l1——无人机与避障圆的第一条切线
l2——无人机与避障圆的第二条切线
do——设定的无人机避障程序触发距离
t——编队飞行的时刻
δ——时间步长
Uni(t)——第i个无人机t时刻的最优控制轨迹
Unj(t)——第j个无人机t时刻的最优控制轨迹
Ni——第i个无人机的邻居集合
具体实施方式
下面通过一个具体的在有障碍物环境下基于精英鸽群智能的无人机集群分布式编队实例来验证本发明所提出的方法的有效性。一种基于精英鸽群智能的无人机集群分布式编队控制方法,具体步骤如下:
步骤1:建立三维空间下的无人机模型。
第i架无人机的运动方程如式(1)所示,其中xi,yi,zi表示第i架无人机在惯性系下的坐标,Vi,χi,γi分别表示速度,航迹方位角和航迹倾斜角,Li,Di,Ti表示为无人机的升力,阻力和油门推力,φi为倾斜角,表示外界环境对速度,航迹方位角和航迹倾斜角的干扰,m为无人机质量,g为重力加速度。Li,Ti和φi是无人机的控制输入。其中m为11kg,g为9.81m/s2。
步骤2:将无人机模型转换为粒子模型。
令pi=[xi,yi,zi]T,pi的二阶导数为固定翼无人机的二阶模型可以表示为式(2),其中ui=Θiτi+ai。定义zi=[pi,vi]T,可以得到无人机模型的另一个表达式其中无人机被构造为粒子模型,无人机的干扰设置为
di=[(-1)i·0.2sin(πt/20)(-1)i·0.2cos(πt/20)(-1)i·0.2sin(πt/10)]T+0.1·rand
步骤3:设计非奇异快速终端滑模观测器(Non-singular fast terminal slidingmode observer,NFTSMO),利用设计的滑模观测器对无人机的干扰进行观测。针对系统定义非奇异快速终端滑模面为式(4),其中Π1=diag(λ11,λ12,…,λ1n),Π2=diag(λ21,λ22,…,λ2n), 是z的观测状态,λ1j(j=1,2,…,n)均为0.1,λ2j(j=1,2,…,n)均为0.8,Γ1和Γ2分别为1.01和1.2。设计干扰观测器如式(5),其中是Bd的估计值,η和ρ分别为30和5。令无人机的控制输入ui=uni+udi,其中uni为去干扰后的输入,udi为干扰的补偿输入,得到的第1架无人机的干扰估计结果如图4a、b、c所示,分别为图速度、航迹方位角和航迹倾斜角的实际干扰值和估计值。
步骤4:建立分布式模型预测编队控制框架。
定义无人机总数为NUAV,第i架无人机的邻居集合Ni,每架无人机只能与其相邻的无人机进行通信。定义无人机编队的理想相对状态矩阵选取第1架无人机为参考, 中前三项为相对位置,后三项为相对速度,飞机的相对位置坐标根据设计的编队队形决定,可以为常值也可以为随时间变化的矩阵;相对速度坐标均为0,保持速度一致。
建立第i架无人机在t时刻的分布式代价函数如式(6)所示,其中N为预测步数,δ为预测的时间步长,q,r,l,n为各项代价的权重,均为正数,为无人机的理想速度,和理想相对状态矩阵zd预先设定。Z为无人机的状态约束,U为无人机的控制约束。
代价函数函数可以分为四部分,分别为t~t+(N-1)δ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,t~t+(N-1)δ时刻第i架无人机的输出大小,t+Nδ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,以及t~t+Nδ时刻第i架无人机的速度与理想速度的差值。前三项的权值q,r,l在整个飞行任务中保持不变,速度项的权值n在避障前后进行调节,在避障时增大n,保证安全避障,在避障后减小n,保持编队和速度的均衡。
其中无人机总数NUAV为5,N1={2,3,5},N2={3,4,5},N3={1,4},N4={1,2,5},N5={1,2,3}, 预测步数N为4,预测的时间步长为0.1s,δ为q,r,l,n的值分别为2,1,2,2,无人机在无障碍时的理想速度为
步骤5:无人机编队避障机制。
在t时刻当无人机探测到距离前方障碍物最短距离为do时,假设通过多架无人机的信息交互可以得到障碍物的基本信息,采用如图2所示的半径为R的圆完全包围障碍物,圆心为Ro,当无人机的运轨迹位于该圆上或圆外时可以保证飞行安全,通过以下步骤完成无人机避障。
步骤501:判断无人机UAVi是否在图2所示的障碍物范围内。如果是,则进入下一步,否则退出;
步骤502:检测UAVi与障碍物之间的距离。如果距离小于do,则进行下一步,否则退出;
步骤503:根据位置信息与其他无人机建立新的邻接关系,如图3所示。无人机编队遇到障碍物的情况有两种:在第一种情况下,无人机编队位于中间虚线的一侧,无人机在保持编队的情况下避开障碍物。在第二种情况下,无人机分布于中间虚线的两侧,无人机编队分为两个子编队飞越障碍物,新的子编队Σκ完全连通。将障碍物范围内的无人机定义为集合Σκd,并找到Σκd中离障碍物最近的无人机UAVj;
步骤506:在避障后,无人机的理想速度恢复预设速度,并且减小权值n。
其中R为50,Ro为(300,0),do为200,n增加为4。
步骤6:利用精英鸽群智能求解分布式MPC控制器的最优解。
定义ip∈{1,2,…,Np}为第i架无人机对应的鸽群中第ip只鸽子在第l代的位置,表示第i架飞机在t+jδ时刻去干扰后的控制量,Np为鸽群规模,第ip只鸽子的飞行速度定义为Si·Vl ip,且初始全局最优Si·Xg为上一时刻求解的全局最优控制量,将上一时刻的预测(1~N-1)|t-δ控制量作为当前时刻往后N-1步的控制量(0~N-2)|t,并将N-1|t-δ赋给N-1|t,得到Si·Xg为[1|t-δ,…,N-1|t-δ,N-1|t-δ]。
步骤602:根据代价函数最小计算当前全局最优鸽子Si·Xg=argminJi,根据式(7)计算当前鸽群的平均位置Si·Xm;
步骤603:根据正余弦规则更新鸽子的飞行速度,在迭代次数较小时,全局最优项占据主要地位,指南针算子发挥主要作用,在迭代次数增大后,地标算子的权重增加;
步骤604:根据式(9)更新每只鸽子的飞行速度;
步骤605:在一次迭代结束后,求解每只鸽子的代价函数,更新全局最优鸽子,剔除代价函数最大的n只鸽子,更新鸽群规模Np;
步骤606:重复步骤602~605,直至最大迭代次数Nc,得到最优控制量Si·Xg=[uni(0|t),uni(1|t),…,uni(N-1|t)]。
步骤7:将精英鸽群智能算法求解的最优控制量Si·Xg作为第i架无人机的无人机的最优控制轨迹Uni(t),并将uni(0|t)作为第i架无人机的当前输入,同时将Si·Xg发送给邻域内其他无人机。
步骤8:根据阈值触发机制判断是否需要改变控制量。
t+1时刻,根据t时刻第i架无人机接收的邻域内无人机控制信息计算代价函数,如果代价函数Ji小于等于触发阈值J0,则保持当前输入,如果Ji大于触发阈值J0,则转到步骤4。
步骤9:重复步骤3-8至飞行任务结束。
通过步骤1到步骤9的仿真,得到在随机干扰情况下无人机的编队结果如图5所示。
Claims (6)
1.一种基于精英鸽群智能的无人机集群分布式编队控制方法,其特征在于:该方法步骤如下:
步骤1:建立三维空间下的无人机模型;
步骤2:将无人机模型转换为导航粒子模型;
步骤3:设计非奇异快速终端滑模观测器,利用该滑模观测器对无人机的干扰进行观测;
步骤4:建立分布式模型预测编队控制框架;
建立第i架无人机在t时刻的分布式代价函数:
代价函数可以分为四部分,分别为:t~t+(N-1)δ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,t~t+(N-1)δ时刻第i架无人机的输出大小,t+Nδ时刻第i架无人机与其邻居无人机之间相对理想状态的差值,以及t~t+Nδ时刻第i架无人机的速度与理想速度的差值;前三项的权值q,r,l在整个飞行任务中保持不变,第四项速度项的权值n在避障前后进行调节,在避障时增大n,保证安全避障,在避障后减小n,保持编队和速度的均衡;
步骤5:无人机编队避障机制;
在t时刻当无人机探测到距离前方障碍物最短距离为do时,假设通过多架无人机的信息交互可以得到障碍物的基本信息,采用半径为R的圆完全包围障碍物,圆心为Ro,当无人机的运轨迹位于该圆上或圆外时可以保证飞行安全,完成无人机避障:
步骤6:利用精英鸽群智能求分布式MPC控制器的最优解;
步骤7:将步骤6精英鸽群智能算法求解的最优控制量作为第i架无人机的无人机的最优控制轨迹Uni(t),并将uni(0|t)作为第i架无人机的当前输入,同时将最优控制量发送给邻域内其他无人机;
步骤8:根据阈值触发机制判断是否需要改变控制量。
3.根据权利要求1所述的一种基于精英鸽群智能的无人机集群分布式编队控制方法,其特征在于:所述步骤5具体过程如下:
子步骤一:判断无人机UAVi是否在障碍物范围内;如果是,则进入下一子步骤,否则退出;
子步骤二:检测UAVi与障碍物之间的距离;如果距离小于do,则进行下一子步骤,否则退出;
子步骤三:根据位置信息与其他无人机建立新的邻接关系,无人机编队遇到障碍物的情况有两种:无人机在保持编队的情况下避开障碍物及无人机编队分为两个子编队飞越障碍物,新的子编队∑k完全连通;将障碍物范围内的无人机定义为集合∑kd,并找到∑κd中离障碍物最近的无人机UAVj;
子步骤四:l1和l2分别为无人机与圆心为Ro的圆的两个切向量,计算无人机的飞行方向与l1和l2的夹角,并选择夹角小的方向作为无人机接下来的理想避障方向,并且增大权值n,使速度项在代价函数中占据主要地位;
子步骤六:在避障后,无人机的理想速度恢复预设速度,并且减小权值n。
5.根据权利要求4所述的一种基于精英鸽群智能的无人机集群分布式编队控制方法,其特征在于:该步骤6具体包括如下子步骤:
子步骤二:根据代价函数最小计算当前全局最优鸽子Si·Xg=arg min Ji,计算当前鸽群的收益平均位置Si·Xm:
子步骤三:按正余弦规则更新鸽子的飞行速度:
其中,r1和r2为两个0~1之间的随机数;在迭代次数较小时,全局最优项占据主要地位,指南针算子发挥主要作用,在迭代次数增大后,地标算子的权重增加;
子步骤四:更新每只鸽子的飞行速度
子步骤六:重复子步骤二~五,直至最大迭代次数Nc,得到最优控制量Si·Xg=[uni(0|t),uni(1|t),…,uni(N-1|t)]。
6.根据权利要求1所述的一种基于精英鸽群智能的无人机集群分布式编队控制方法,其特征在于:步骤8所述的阈值触发机制为:t+1时刻,根据t时刻第i架无人机接收的邻域内无人机控制信息计算代价函数,如果代价函数Ji小于等于触发阈值J0,则保持当前输入,如果Ji大于触发阈值J0,则转到步骤4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440620.3A CN114138022B (zh) | 2021-11-30 | 2021-11-30 | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440620.3A CN114138022B (zh) | 2021-11-30 | 2021-11-30 | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114138022A true CN114138022A (zh) | 2022-03-04 |
CN114138022B CN114138022B (zh) | 2023-06-06 |
Family
ID=80389636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440620.3A Active CN114138022B (zh) | 2021-11-30 | 2021-11-30 | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114138022B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453872A (zh) * | 2022-09-13 | 2022-12-09 | 四川大学 | 一种基于分布式随机模型预测的多智能体编队及避障方法 |
CN115599127A (zh) * | 2022-12-16 | 2023-01-13 | 西北工业大学(Cn) | 一种基于激光雷达的无人机编队避障控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897338A (zh) * | 2018-07-04 | 2018-11-27 | 南京航空航天大学 | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
CN111158395A (zh) * | 2020-01-13 | 2020-05-15 | 哈尔滨工程大学 | 一种基于鸽群优化的多无人机紧密编队控制方法 |
US20210089055A1 (en) * | 2019-09-19 | 2021-03-25 | Bao Tran | Air transportation systems and methods |
-
2021
- 2021-11-30 CN CN202111440620.3A patent/CN114138022B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108897338A (zh) * | 2018-07-04 | 2018-11-27 | 南京航空航天大学 | 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
US20210089055A1 (en) * | 2019-09-19 | 2021-03-25 | Bao Tran | Air transportation systems and methods |
CN111158395A (zh) * | 2020-01-13 | 2020-05-15 | 哈尔滨工程大学 | 一种基于鸽群优化的多无人机紧密编队控制方法 |
Non-Patent Citations (1)
Title |
---|
霍梦真;魏晨;于月平;赵建霞;: "基于鸽群智能行为的大规模无人机集群聚类优化算法", 中国科学:技术科学, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115453872A (zh) * | 2022-09-13 | 2022-12-09 | 四川大学 | 一种基于分布式随机模型预测的多智能体编队及避障方法 |
CN115599127A (zh) * | 2022-12-16 | 2023-01-13 | 西北工业大学(Cn) | 一种基于激光雷达的无人机编队避障控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114138022B (zh) | 2023-06-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu | Coordinated path planning for an unmanned aerial-aquatic vehicle (UAAV) and an autonomous underwater vehicle (AUV) in an underwater target strike mission | |
Chen et al. | Path planning for multi-UAV formation | |
Karimi et al. | Optimal maneuver-based motion planning over terrain and threats using a dynamic hybrid PSO algorithm | |
Oh et al. | Rendezvous and standoff target tracking guidance using differential geometry | |
Huang et al. | Multi-model cooperative task assignment and path planning of multiple UCAV formation | |
Yu et al. | Collision-free trajectory generation and tracking for UAVs using Markov decision process in a cluttered environment | |
CN114138022B (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
Kayacan et al. | Learning control of fixed-wing unmanned aerial vehicles using fuzzy neural networks | |
Mansouri et al. | Distributed model predictive control for unmanned aerial vehicles | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN116331518A (zh) | 一种基于安全自适应动态规划的星群智能编队避碰控制方法 | |
Yang et al. | Three-dimensional UAV cooperative path planning based on the MP-CGWO algorithm | |
Peterson | Dynamic grouping of cooperating vehicles using a receding horizon controller for ground target search and track missions | |
CN116822362B (zh) | 一种基于粒子群算法的无人机无冲突四维航迹规划方法 | |
Huang et al. | A method of trajectory planning for unmanned aerial vehicle formation based on fluid dynamic model | |
Ge et al. | Trajectory planning of fixed-wing UAV using kinodynamic RRT algorithm | |
Zhang et al. | Multi-target encirclement with collision avoidance via deep reinforcement learning using relational graphs | |
CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
Wei et al. | UCAV formation online collaborative trajectory planning using hp adaptive pseudospectral method | |
Chen et al. | A two-stage method for UCAV TF/TA path planning based on approximate dynamic programming | |
CN114943168A (zh) | 一种水上浮桥组合方法及系统 | |
Guan et al. | A new integrated navigation system for the indoor unmanned aerial vehicles (UAVs) based on the neural network predictive compensation | |
Sultan et al. | The Reachable Set of a Drone: Exploring the Position Isochrones for a Quadcopter | |
Zhao et al. | Stochastic Heuristic Algorithms for Multi-UAV Cooperative Path Planning |
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 |