CN114167896B - 一种基于状态预测的人工势能场无人机集群控制方法 - Google Patents

一种基于状态预测的人工势能场无人机集群控制方法 Download PDF

Info

Publication number
CN114167896B
CN114167896B CN202111495809.2A CN202111495809A CN114167896B CN 114167896 B CN114167896 B CN 114167896B CN 202111495809 A CN202111495809 A CN 202111495809A CN 114167896 B CN114167896 B CN 114167896B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
cluster
control input
formation
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
Application number
CN202111495809.2A
Other languages
English (en)
Other versions
CN114167896A (zh
Inventor
王震
于登秀
孙嘉隆
龙佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202111495809.2A priority Critical patent/CN114167896B/zh
Publication of CN114167896A publication Critical patent/CN114167896A/zh
Application granted granted Critical
Publication of CN114167896B publication Critical patent/CN114167896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明公开了一种基于状态预测的人工势能场无人机集群控制方法，首先获取无人机集群的初始状态信息；再计算集群中每架无人机在时刻t的预测状态；然后计算每架无人机的规避碰撞控制输入和队形保持控制输入；最后计算集群中每架无人机的控制输入，并根据控制输入进行集群状态更新。本发明使用状态预测建模改进后的人工势场方法能够为无人机预留更多空间缓冲，及时响应队形的变化，降低实际情况中延迟对无人机集群的影响，以及其他不确定因素对集群完成预设目标的影响。

Description

一种基于状态预测的人工势能场无人机集群控制方法
技术领域
本发明属于无人机技术领域，具体涉及一种无人机集群控制方法。
背景技术
随着无人机的应用范围不断拓展，任务类型越来越广泛，无人机的应用逐步从单架无人机向多无人机组成的集群发展。无人机集群不仅能形成协调有序的集体运动模式，还能对外界刺激做出快速一致的反应，具有分布广、自组织性强、协调性和稳定性强、环境适应能力强等特点。相比于单架无人机而言，无人机集群提供了一种看待问题分布式的视角，可以将控制权限分布在每架无人机上，具有许多明显的优势：1)可以实现单架无人机无法实现的复杂任务；2)设计和制造多架控制逻辑相对简单的无人机比单架控制逻辑复杂无人机更简单、成本更低；3)多架无人机的并行性可以提高执行任务的效率；4)针对具体情况无人机集群可以提供更多解决方案并优化选择方案，灵活性更高；5)通过增加冗余度，消除失效点，可以增加鲁棒性。
在快速变化的环境中，所有无人机需要稳定、快速地调整当前状态，迅速形成一个编队，并保持集群内的通讯连接。同时，每架无人机要能够实时判断环境中的障碍物以及编队中其他成员的位置，并避免碰撞发生，如图3所示。而随着无人机的任务环境日趋复杂，任务区域无人机的规模和密度不断上升，无人机集群的飞行控制以及安全将会面临一系列挑战，因此寻求一种鲁棒性强、控制效果显著的无人机集群控制方法是目前亟待解决的一个问题。
目前无人机集群的协作控制中的队形控制和规避障碍已经有很多相对成熟的算法，如人工势场法，它是一种局部避障算法，引导集群朝势能降低的方向移动，具有实时性强、低计算量、应用广泛、安全可靠的特点。但在考虑现实情况中的通讯延迟、物理延迟，或控制过程中由于集群自身建模误差或来自环境的未知干扰造成的不确定性后，两架无人机之间的距离有可能会快速缩短至安全距离内，这就需要无人机集群具有快速避障的能力。而基于传统人工势场法的集群避障算法容易陷入局部最优解，导致无人机集群避障失败。国内外学者对此提出了各种改进方法，往往是通过在设计控制器时加入额外信息，如相对位置、通信感知信息、角度信息、方向变化权重等。但加入过多的信息会导致避障控制方法难以实现，或难以在真实场景中应用。综上，只有提出一种更为高效、简单的避障策略，才能实现算法在现实情况下的落地应用。
发明内容
为了克服现有技术的不足，本发明提供了一种基于状态预测的人工势能场无人机集群控制方法，首先获取无人机集群的初始状态信息；再计算集群中每架无人机在时刻t的预测状态；然后计算每架无人机的规避碰撞控制输入和队形保持控制输入；最后计算集群中每架无人机的控制输入，并根据控制输入进行集群状态更新。本发明使用状态预测建模改进后的人工势场方法能够为无人机预留更多空间缓冲，及时响应队形的变化，降低实际情况中延迟对无人机集群的影响，以及其他不确定因素对集群完成预设目标的影响。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1：获取无人机集群的初始状态信息；
设定集群中无人机总数为N，假设集群中无人机i的位置向量、速度向量和加速度向量分别为pi,vi,ui，则无人机i的动力学模型为
Figure BDA0003400712670000021
定义目标队形为pd，rin为碰撞规避距离，rout为队形保持距离，R为最大通信距离；
步骤2：计算集群中每架无人机在时刻t的预测状态，时刻t无人机i的预测位置
Figure BDA0003400712670000022
预测速度/>
Figure BDA0003400712670000023
得到/>
Figure BDA0003400712670000024
Figure BDA0003400712670000025
pi(t)表示时刻t无人机i的位置，μ1和μ2分别表示预测位置影响因子和预测速度影响因子，ui(t-1)表示上一时刻的加速度向量；
无人机i和无人机j之间的预测距离
Figure BDA0003400712670000026
Figure BDA0003400712670000027
和/>
Figure BDA0003400712670000028
分别为无人机i和无人机j的预测位置，pj表示集群中无人机j的位置向量；
步骤3：计算每架无人机的规避碰撞控制输入
Figure BDA0003400712670000029
和队形保持控制输入/>
Figure BDA00034007126700000210
步骤3.1：计算规避碰撞控制输入
Figure BDA00034007126700000211
规避碰撞的目标为|pi-pj|≥rin，与无人机i之间的预测距离满足
Figure BDA00034007126700000212
的无人机集合定义为/>
Figure BDA00034007126700000213
为了使势能函数平滑变化，设计势能函数
Figure BDA00034007126700000214
为：
Figure BDA00034007126700000215
其中函数
Figure BDA0003400712670000031
k1为规避碰撞势能函数的可调参数；
则无人机i的规避碰撞输入
Figure BDA0003400712670000032
步骤3.2：计算队形保持控制输入
Figure BDA0003400712670000033
队形保持的目标为保持无人机i和无人机j之间的距离dij＝|pi-pj|，与无人机i之间有通讯连接的无人机集合定义为
Figure BDA0003400712670000034
当无人机i和无人机j之间的预测距离满足/>
Figure BDA0003400712670000035
时队形控制生效；
为了组成目标队形，设计势能函数
Figure BDA0003400712670000036
为：
Figure BDA0003400712670000037
其中，k2为队形保持势能函数的可调参数；
Figure BDA0003400712670000038
则无人机i的队形保持控制输入
Figure BDA0003400712670000039
步骤4：计算集群中每架无人机的控制输入，并根据控制输入进行集群状态更新；
时刻t在位置pi处的无人机i的控制输入为：
Figure BDA00034007126700000310
其中，ud为领队者的控制输入，最大安全速度限制项
Figure BDA00034007126700000311
最大输入限制项
Figure BDA00034007126700000312
分别为：
Figure BDA00034007126700000313
Figure BDA00034007126700000314
Figure BDA0003400712670000041
表示无人机i与目标点的位置误差，/>
Figure BDA0003400712670000042
表示无人机i与目标速度的速度误差；vm表示速度阈值，um表示控制输入阈值；
根据控制输入，更新每一架无人机的速度和位置信息：
pi(t+1)＝pi(t)+vi(t)
vi(t+1)＝vi(t)+ui(t)。
优选地，所述k1＝k2＝2，μ1＝μ2＝0.35。
本发明的有益效果如下：
1)本发明在实际应用中的鲁棒性更好。使用状态预测建模改进后的人工势场方法能够为无人机预留更多空间缓冲，及时响应队形的变化，降低实际情况中延迟对无人机集群的影响，以及其他不确定因素对集群完成预设目标的影响。
2)本发明在实现碰撞规避和队形保持的目标时，提出了新的势能函数，使无人机集群能够在从初始位置到目标位置的过程中完成队形中领队者的平滑切换。
3)本发明将最大安全速度限制引入控制器的设计中，避免了实际场景中过快的速度变化带来的不确定性。
附图说明
图1为本发明方法的流程图。
图2为本发明方法计算流程图。
图3为本发明背景技术里无人机碰撞规避控制示意图。
图4为本发明实施例碰撞规避和队形保持问题实例图。
图5为本发明实施例计算得到的行进路线示意图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
为了解决现有无人机集群控制方法在真实场景下无法解决不确定因素带来的无人机集群碰撞规避和队形保持问题，本发明提出一种基于状态预测的人工势能场无人机集群控制方法，基于人工势场方法，设置了最大安全速度限制，并利用状态预测建模为无人机完成任务提供更多缓冲空间，可解决无人机间碰撞规避和队形保持问题，尤其可解决传统方法在真实场景下的应用问题。
一种基于状态预测的人工势能场无人机集群控制方法，包括如下步骤：
步骤1：获取无人机集群的初始状态信息；
设定集群中无人机总数为N，假设集群中无人机i的位置向量、速度向量和加速度向量分别为pi,vi,ui，则无人机i的动力学模型为
Figure BDA0003400712670000051
定义目标队形为pd，rin为碰撞规避距离，rout为队形保持距离，R为最大通信距离；
步骤2：计算集群中每架无人机在时刻t的预测状态，时刻t无人机i的预测位置
Figure BDA0003400712670000052
预测速度/>
Figure BDA0003400712670000053
得到/>
Figure BDA0003400712670000054
Figure BDA0003400712670000055
pi(t)表示时刻t无人机i的位置；
无人机i和无人机j之间的预测距离
Figure BDA0003400712670000056
Figure BDA0003400712670000057
和/>
Figure BDA0003400712670000058
分别为无人机i和无人机j的预测位置，pj表示集群中无人机j的位置向量；
步骤3：计算每架无人机的规避碰撞控制输入
Figure BDA0003400712670000059
和队形保持控制输入/>
Figure BDA00034007126700000510
步骤3.1：计算规避碰撞控制输入
Figure BDA00034007126700000511
规避碰撞的目标为|pi-pj|≥rin，与无人机i之间的预测距离满足
Figure BDA00034007126700000512
的无人机集合定义为/>
Figure BDA00034007126700000513
为了使势能函数平滑变化，设计势能函数
Figure BDA00034007126700000514
为：
Figure BDA00034007126700000515
其中函数
Figure BDA00034007126700000516
则无人机i的规避碰撞输入
Figure BDA00034007126700000517
步骤3.2：计算队形保持控制输入
Figure BDA00034007126700000518
队形保持的目标为保持无人机i和无人机j之间的距离dij＝|pi-pj|，与无人机i之间有通讯连接的无人机集合定义为
Figure BDA00034007126700000519
当无人机i和无人机j之间的预测距离满足/>
Figure BDA00034007126700000520
时队形控制生效；
为了组成目标队形，设计势能函数
Figure BDA00034007126700000521
为：
Figure BDA00034007126700000522
Figure BDA0003400712670000061
则无人机i的队形保持控制输入
Figure BDA0003400712670000062
步骤4：计算集群中每架无人机的控制输入，并根据控制输入进行集群状态更新；
时刻t在位置pi处的无人机i的控制输入为：
Figure BDA0003400712670000063
其中，ud为领队者的控制输入，最大安全速度限制项
Figure BDA0003400712670000064
最大输入限制项
Figure BDA0003400712670000065
分别为：
Figure BDA0003400712670000066
Figure BDA0003400712670000067
根据控制输入，更新每一架无人机的速度和位置信息：
pi(t+1)＝pi(t)+vi(t)
vi(t+1)＝vi(t)+ui(t)。
具体实施例：
以一个包含12架无人机的集群为例，无人机集群的初始位置和目标位置如图4所示，无人机的个数可以根据实际情况进行调整。实例中通过在保持整体配置不变的情况下，这些无人机需要在从初始位置抵达目标位置的过程中，将领队者由12号无人机变为8号无人机。整个过程中，8号无人机需要避开路径中的其他无人机，并保持集群总体的队形不变。根据任务目标要求，将rin设置为1，rout设置为5，R＝20，k1＝k2＝2，最大安全速度vm＝35，μ1＝μ2＝0.35。首先，获取目标点的坐标pd，记录至本地计算机，同时无人机将初始位置坐标pi(0)、速度信息vi(0)上传至本地计算机。本地计算机根据目标点坐标和无人机集群的位置、速度信息建模预测每架无人机的状态，根据预测状态分别计算时刻t下的规避碰撞控制输入
Figure BDA0003400712670000071
队形保持控制输入/>
Figure BDA0003400712670000072
以及最大速度限制项，并计算最终施加在每架无人机上的控制输入。其次，无人机接收到数据后将速度数据传输到运动控制单元，进而控制无人机的移动路径。重复上述过程，直至无人机集群到达目标点并变换为目标队形。无人机集群的行进路线如图5所示。

Claims (2)

1.一种基于状态预测的人工势能场无人机集群控制方法，其特征在于，包括如下步骤：
步骤1：获取无人机集群的初始状态信息；
设定集群中无人机总数为N，假设集群中无人机i的位置向量、速度向量和加速度向量分别为pi，vi，ui，则无人机i的动力学模型为
Figure FDA0003400712660000011
定义目标队形为pd，rin为碰撞规避距离，rout为队形保持距离，R为最大通信距离；
步骤2：计算集群中每架无人机在时刻t的预测状态，时刻t无人机i的预测位置
Figure FDA0003400712660000012
预测速度/>
Figure FDA0003400712660000013
得到/>
Figure FDA0003400712660000014
Figure FDA0003400712660000015
pi(t)表示时刻t无人机i的位置，μ1和μ2分别表示预测位置影响因子和预测速度影响因子，ui(t-1)表示上一时刻的加速度向量；
无人机i和无人机j之间的预测距离
Figure FDA0003400712660000016
和/>
Figure FDA0003400712660000017
分别为无人机i和无人机j的预测位置，pj表示集群中无人机j的位置向量；
步骤3：计算每架无人机的规避碰撞控制输入
Figure FDA0003400712660000018
和队形保持控制输入/>
Figure FDA0003400712660000019
步骤3.1：计算规避碰撞控制输入
Figure FDA00034007126600000110
规避碰撞的目标为|pi-pj|≥rin，与无人机i之间的预测距离满足
Figure FDA00034007126600000111
的无人机集合定义为/>
Figure FDA00034007126600000112
为了使势能函数平滑变化，设计势能函数
Figure FDA00034007126600000113
为：
Figure FDA00034007126600000114
其中函数
Figure FDA00034007126600000115
k1为规避碰撞势能函数的可调参数；
则无人机i的规避碰撞输入
Figure FDA00034007126600000116
步骤3.2：计算队形保持控制输入
Figure FDA00034007126600000117
队形保持的目标为保持无人机i和无人机j之间的距离dij＝|pi-pj|，与无人机i之间有通讯连接的无人机集合定义为
Figure FDA00034007126600000118
当无人机i和无人机j之间的预测距离满足/>
Figure FDA00034007126600000119
时队形控制生效；
为了组成目标队形，设计势能函数
Figure FDA00034007126600000120
为：
Figure FDA0003400712660000021
其中，k2为队形保持势能函数的可调参数；
Figure FDA0003400712660000022
则无人机i的队形保持控制输入
Figure FDA0003400712660000023
步骤4：计算集群中每架无人机的控制输入，并根据控制输入进行集群状态更新；
时刻t在位置pi处的无人机i的控制输入为：
Figure FDA0003400712660000024
其中，ud为领队者的控制输入，最大安全速度限制项
Figure FDA0003400712660000025
最大输入限制项
Figure FDA0003400712660000026
分别为：
Figure FDA0003400712660000027
Figure FDA0003400712660000028
Figure FDA0003400712660000029
表示无人机i与目标点的位置误差，/>
Figure FDA00034007126600000210
表示无人机i与目标速度的速度误差；vm表示速度阈值，um表示控制输入阈值；
根据控制输入，更新每一架无人机的速度和位置信息：
pi(t+1)＝pi(t)+vi(t)
vi(t+1)＝vi(t)+ui(t)。
2.根据权利要求1所述的一种基于状态预测的人工势能场无人机集群控制方法，其特征在于，所述k1＝k2＝2，μ1＝μ2＝0.35。
CN202111495809.2A 2021-12-09 2021-12-09 一种基于状态预测的人工势能场无人机集群控制方法 Active CN114167896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111495809.2A CN114167896B (zh) 2021-12-09 2021-12-09 一种基于状态预测的人工势能场无人机集群控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111495809.2A CN114167896B (zh) 2021-12-09 2021-12-09 一种基于状态预测的人工势能场无人机集群控制方法

Publications (2)

Publication Number Publication Date
CN114167896A CN114167896A (zh) 2022-03-11
CN114167896B true CN114167896B (zh) 2023-06-23

Family

ID=80484780

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111495809.2A Active CN114167896B (zh) 2021-12-09 2021-12-09 一种基于状态预测的人工势能场无人机集群控制方法

Country Status (1)

Country Link
CN (1) CN114167896B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040795A (ko) * 2016-10-13 2018-04-23 한국기술교육대학교 산학협력단 중심좌표를 이용한 드론 편대의 충돌 방지 방법
CN110502032A (zh) * 2019-08-31 2019-11-26 华南理工大学 一种基于行为控制的无人机集群编队飞行方法
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法
CN113268076A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多无人机集群编队协同控制算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180040795A (ko) * 2016-10-13 2018-04-23 한국기술교육대학교 산학협력단 중심좌표를 이용한 드론 편대의 충돌 방지 방법
CN110502032A (zh) * 2019-08-31 2019-11-26 华南理工大学 一种基于行为控制的无人机集群编队飞行方法
CN110865653A (zh) * 2019-12-02 2020-03-06 西北工业大学 一种分布式集群无人机队形变换方法
CN113268076A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多无人机集群编队协同控制算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
障碍空间中的飞行器编队与集群控制研究;赵刚;黄席樾;;系统仿真学报(第S2期);全文 *

Also Published As

Publication number Publication date
CN114167896A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
CN110502032B (zh) 一种基于行为控制的无人机集群编队飞行方法
CN109508035B (zh) 基于分布式控制的多区域分级式无人机编队路径规划方法
CN110703766B (zh) 一种基于迁移学习策略深度q网络的无人机路径规划方法
CN108196579B (zh) 基于几何分布的无人机分级编队方法
CN110673649B (zh) 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质
CN110989626B (zh) 一种基于控制参数化的无人机路径规划方法
CN110162035B (zh) 一种集群机器人在有障碍物场景中的协同运动方法
CN112083727B (zh) 基于速度障碍物的多自主体系统分布式避碰编队控制方法
CN112068586A (zh) 一种空间时间联合优化的四旋翼无人飞行器轨迹规划方法
CN113220022A (zh) 基于事件触发估计信息传输的飞行编队有限时间自适应控制方法
CN113900449B (zh) 多无人机轨迹规划方法、装置、无人机及存储介质
CN113759935B (zh) 基于模糊逻辑的智能群体编队移动控制方法
CN114935943A (zh) 一种无人机与无人车集群编队跟踪控制方法及系统
Sun et al. Cooperative strategy for pursuit-evasion problem in the presence of static and dynamic obstacles
CN114167896B (zh) 一种基于状态预测的人工势能场无人机集群控制方法
CN116501094A (zh) 一种基于自组织模型的无人机集群控制方法
CN114779828B (zh) 基于异构队形基准点无人机集群拓扑控制与智能防撞方法
CN115617039B (zh) 一种基于事件触发的分布式仿射无人艇编队控制器构建方法和无人艇编队控制方法
CN114253285B (zh) 一种多飞行器协同队形集结方法
CN115407661A (zh) 基于方位测量信息多无人机系统非线性鲁棒跟踪控制方法
CN114510081A (zh) 通信延迟约束下的多无人机集群导航方法
CN114333429A (zh) 一种面向多无人机目标覆盖任务的规则提取方法
CN113848982A (zh) 一种四旋翼无人机栖停机动轨迹规划、跟踪控制方法
Wu et al. Formation control strategy of multi-agent system with improved probabilistic roadmap method applied in restricted environment
CN117590862B (zh) 一种分布式无人机预定时间三维目标包围控制方法及系统

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