CN114216466B - 一种基于动态信任机制的群体智能仿生导航方法 - Google Patents
一种基于动态信任机制的群体智能仿生导航方法 Download PDFInfo
- Publication number
- CN114216466B CN114216466B CN202111498574.2A CN202111498574A CN114216466B CN 114216466 B CN114216466 B CN 114216466B CN 202111498574 A CN202111498574 A CN 202111498574A CN 114216466 B CN114216466 B CN 114216466B
- Authority
- CN
- China
- Prior art keywords
- individual
- group
- self
- speed
- parameter
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000010355 oscillation Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000001629 suppression Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Abstract
本发明公开了一种基于动态信任机制的群体智能仿生导航方法，属于导航定位技术领域。其包括以下步骤：组成群体的每个个体均和全部或部分其它个体进行相对测距、测向或测速；计算个体间信任参数和自信参数；个体根据群体协调机制进行自身速度调整；在调整自身速度后观察自信参数是否逐步趋于稳定并收敛至一个存在允许振荡范围的数值；若不符合，通过迭代训练调整计算过程中的乘积系数，直至满足稳定收敛条件。本发明通过个体观测和决策实现运动规划，对群体通信依赖程度低，不依赖特定的个体，计算资源消耗小，可解决通信严重受限条件下的群体导航问题。
Description
技术领域
本发明属于导航定位技术领域，特别是指一种基于动态信任机制的群体智能仿生导航方法。
背景技术
在群体巡弋过程中为保持运动安全性，在达成群体宏观运动统一的同时避免碰撞，设计合理的群体导航算法和策略是重要保障条件。
当前采用的群体导航方法多基于确定相对位置和集中式的导航处理决策机制，即通过卫星导航或数据链测量获取全部个体的实时绝对位置，由群体内的一个或多个节点汇集个体定位信息，计算每个个体的导航策略，再将导航策略发给每个个体来分别执行相应的运动控制。这种基于定位和集中处理架构的群体导航方法具有优异的规划效率，能够精确获取各个个体的最优导航决策，但是也存在三个显著的弱点：一是依赖于个体的定位能力，在无线电导航拒止或不具备相对定位条件时将失效；二是用于集中式计算的节点通信和计算资源消耗大，对于由同构或近似同构个体组成的群体，存在资源消耗不均衡引发的其它问题；三是用于集中式计算的节点损伤、故障或通信中断时，将导致即时群体导航规划中断，或需要一定的周期用于集中式节点的再选取，在动态场景下的即时规划存在不足。
仿生群体导航技术，是利用借鉴自然界生物群体的逻辑规划特征，将集中式、追求路径效能最优化的群体导航过程转化为分散式、以群体行为宏观一致性为目标的导航过程。现有的仿生群体导航技术，包括蜂群、蚁群、鱼群等，本质上均是在目标搜索、引导等特定客观应用条件，在群体路径规划效果、个体通信和计算资源消耗、群体内资源消耗平衡性三者间取舍来达到拟定目标；但对于无严格构型要求，但对个体通信计算资源消耗及均等性、以及复杂动态环境中鲁棒性要求极其敏感的群体巡弋应用存在一定匹配差距；同时，当前群体仿生算法是以一种基于即时群体状态的“硬性”决策，并未考虑到群体导航历史因素对当前决策发挥的辅助作用，在智能特征上尚需要优化。
发明内容
本发明的目的在于提供一种基于动态信任机制的群体智能仿生导航方法，本方法可面向无严格构型要求，但对个体通信计算资源消耗及均等性、以及复杂动态环境中鲁棒性要求极其敏感的群体巡弋应用应用场景，实现在个体低通信和计算资源消耗下达到群体宏观导航路径的一致性。
为了实现上述目的，本发明采用的技术方案为：
一种基于动态信任机制的群体智能仿生导航方法，包括以下步骤：
(1)构建群体，群体中的每个个体均配有具有相对测量能力的传感器，具备与全部或部分其它个体的相对测距、测向、测速的一个或多个能力；其中，在t时刻，个体i对个体j的实时相对距离用li,j(t)表示，相对方向观测结果以x、y、z三个维度的分量表示，即相对速度观测结果以x、y、z三个维度的分量表示，即矢量/>和/>均以个体i的本地坐标系为基准；
(2)定义个体i对个体j的信任参数αi,j(t)和自信参数βi(t)：
Bn＝[bn,1,bn,2,bn,3]Cn＝[cn,1,cn,2,cn,3]
式中，m为设定关于观测结果的级数上限，an,bn,1～bn,3,cn,1～cn,3为各级数所对应的乘积系数，k为常数；这些参数均在初始化时进行初步赋值；
(3)若个体i的传感器不支持对li,j(t)、di,j(t)或vi,j(t)的观测，或者运动中在t时刻出现观测中断，则在t时刻相应观测值对应的an,bn,1～bn,3,cn,1～cn,3乘积系数取为0；
(4)在运动过程中，个体i在t时刻的瞬时速度为若在t时刻需要根据群体协调机制进行自身速度调整，则个体i将速度调整为：
(5)若设定个体i在t时刻的信任参数和自信参数均不可调整，则个体i完成速度调整后即完成当前处理流程；
(6)若设定个体i在t时刻及一段时间内的信任参数和自信参数可调，则个体i在调整自身速度后观察自信参数是否趋于稳定，并收敛至0～1范围内的一个存在允许振荡范围的数值；若可稳定收敛，则固定当前的an,bn,1～bn,3,cn,1～cn,3取值；
(7)若自信参数发散趋近于0，则设定一组可使信任参数降低的an,bn,1～bn,3,cn,1～cn,3取值，反之，若自信参数呈现发散趋近于1，则设定一组可使信任参数提高的an,bn,1～bn,3,cn,1～cn,3取值；重新执行步骤(3)至步骤(6)；观察an,bn,1～bn,3,cn,1～cn,3中各项系数在相同步长调整下对自信参数振荡发散程度的抑制作用，并在迭代训练过程中提高具有高抑制作用的系数的调整步长，直至满足步骤(6)的稳定收敛条件；重新执行步骤(3)至步骤(6)，基于固定后的系数对自身运动速度进行调整，完成自身在群体中的导航过程。
本发明与现有技术相比所取得的有益效果为：
本发明通过个体观测和决策实现运动规划，对群体通信依赖程度低，不依赖特定的个体，计算资源消耗小，可解决通信严重受限条件下的群体导航问题。
附图说明
图1是本发明实施例方法的流程图。
具体实施方式
以下结合附图和具体实施方式对本发明做进一步的说明。
一种基于动态信任机制的群体智能仿生导航方法，其包括以下步骤：组成群体的每个个体均和全部或部分其它个体进行相对测距、测向或测速；计算个体间信任参数和自信参数；个体根据群体协调机制进行自身速度调整；在调整自身速度后观察自信参数是否逐步趋于稳定并收敛至一个存在允许振荡范围的数值；若不符合，通过迭代训练调整计算过程中的乘积系数，直至满足稳定收敛条件。
具体过程如下：
(1)组成群体的每个个体均利用视觉、激光雷达、无线等具有相对测量能力的传感器，具备和全部或部分其它个体的相对测距、测向、测速的一个或多个能力；其中在t时刻个体i对个体j的实时相对距离用li,j(t)表示，相对方向观测结果用表示，相对速度观测结果用/>表示；矢量/>和/>均以个体i的本地坐标系为基准；
(2)定义个体i对个体j的信任参数αi,j(t)和自信参数βi(t)为
Bn＝[bn,1,bn,2,bn,3]Cn＝[cn,1,cn,2,cn,3]
式中，m为设定关于观测结果的级数上限、an,bn,1～bn,3,cn,1～cn,3为各级数所对应的乘积系数、k为常数，这些参数均在初始化时进行初步赋值；
(3)若个体i的传感器不支持对li,j(t)、di,j(t)或vi,j(t)的观测，或者运动中在t时刻出现观测中断，则在t时刻相应观测值对应的an,bn,1～bn,3,cn,1～cn,3乘积系数取为0；
(4)在运动过程中，个体i在t时刻的瞬时速度为，若在t时刻需要根据群体协调机制进行自身速度调整(根据任务需要调整速度时不按照此调整规则)，则个体i将速度调整为
(5)若设定个体i在t时刻的信任参数和自信参数均不可调整，则个体i完成速度调整后即完成当前处理流程；
(6)若设定个体i在t时刻及一段时间内的信任参数和自信参数可调，个体i在调整自身速度后观察自信参数是否逐步趋于稳定并收敛至0～1范围内的一个存在允许振荡范围的数值；若可稳定收敛在，则固定当前的an,bn,1～bn,3,cn,1～cn,3取值；
(7)若自信参数发散趋近于0，则设定一组可使信任参数降低的an,bn,1～bn,3,cn,1～cn,3取值，反之若自信参数呈现发散趋近于1，则设定一组可使信任参数提高的an,bn,1～bn,3,cn,1～cn,3取值；重新执行步骤(3)至步骤(6)；观察an,bn,1～bn,3,cn,1～cn,3中各项系数在相同步长调整下对自信参数振荡发散程度的抑制作用，并在迭代训练过程中提高具有高抑制作用的系数的调整步长，直至满足步骤(6)的稳定收敛条件。然后，重新执行步骤(3)至步骤(6)，基于固定后的系数对自身运动速度进行调整，完成自身在群体中的导航过程。
图1为基于动态信任机制的群体智能仿生导航方法的流程图。本方法可面向无严格构型要求，但对个体通信计算资源消耗及均等性、以及复杂动态环境中鲁棒性要求极其敏感的群体巡弋应用场景，实现在个体低通信和计算资源消耗下达到群体宏观导航路径的一致性。这里以无人机群体无构型巡弋为例，详细描述实现步骤：
(1)无人机群体中每个无人机均利用视觉、激光雷达、无线等具有相对测量能力的传感器，具备和全部或部分其它无人机的相对测距、测向、测速的一个或多个能力；其中在t时刻无人机i对无人机j的实时相对距离用li,j(t)表示，相对方向观测结果用表示，相对速度观测结果用/>表示；矢量/>和/>均以个体i的本地坐标系为基准；
(2)定义无人机i对无人机j的信任参数αi,j(t)和自信参数βi(t)为
Bn＝[bn,1,bn,2,bn,3]Cn＝[cn,1,cn,2,cn,3]
式中m为设定关于观测结果的级数上限、an,bn,1～bn,3,cn,1～cn,3为各级数所对应的乘积系数、k为常数，这些参数均在初始化时进行初步赋值；
(3)若无人机i的传感器不支持对li,j(t)、di,j(t)或vi,j(t)的观测、或者运动中在t时刻出现观测中断，则在t时刻相应观测值对应的an,bn,1～bn,3,cn,1～cn,3乘积系数取为0；
(4)在运动过程中，无人机i在t时刻的瞬时速度为，若在t时刻需要根据群体协调机制进行自身速度调整(根据任务需要调整速度时不按照此调整规则)，则无人机i将速度调整为
(5)若设定无人机i在t时刻的信任参数和自信参数均不可调整，则无人机i完成速度调整后即完成当前处理流程；
(6)若设定无人机i在t时刻及一段时间内的信任参数和自信参数可调，无人机i在调整自身速度后观察自信参数是否逐步趋于稳定并收敛至0～1范围内的一个存在允许振荡范围的数值；若可稳定收敛在，则固定当前的an,bn,1～bn,3,cn,1～cn,3取值；
(7)若自信参数发散趋近于0，则设定一组可使信任参数降低的an,bn,1～bn,3,cn,1～cn,3取值，反之若自信参数呈现发散趋近于1，则设定一组可使信任参数提高的an,bn,1～bn,3,cn,1～cn,3取值；重新执行步骤(3)至步骤(6)；观察an,bn,1～bn,3,cn,1～cn,3中各项系数在相同步长调整下对自信参数振荡发散程度的抑制作用，并在迭代训练过程中提高具有高抑制作用的系数的调整步长，直至满足步骤(6)的稳定收敛条件。然后，重新执行步骤(3)至步骤(6)，基于固定后的系数对自身运动速度进行调整，完成自身在群体中的导航过程。
总之，本发明通过个体观测和决策实现运动规划，对群体通信依赖程度低，不依赖特定的个体，计算资源消耗小，可解决通信严重受限条件下的群体导航问题。
本发明可用于车辆与机器人、飞行器、航行器、人员设备等群体应用平台，可面向无严格构型要求，但对个体通信计算资源消耗及均等性、以及复杂动态环境中鲁棒性要求极其敏感的群体巡弋应用应用场景，实现在个体低通信和计算资源消耗下达到群体宏观导航路径的一致性。
Claims (1)
1.一种基于动态信任机制的群体智能仿生导航方法，其特征在于，包括以下步骤：
(1)构建群体，群体中的每个个体均配有具有相对测量能力的传感器，具备与全部或部分其它个体的相对测距、测向、测速的一个或多个能力；其中，在t时刻，个体i对个体j的实时相对距离用li,j(t)表示，相对方向观测结果以x、y、z三个维度的分量表示，即相对速度观测结果以x、y、z三个维度的分量表示，即矢量/>和/>均以个体i的本地坐标系为基准；
(2)定义个体i对个体j的信任参数αi,j(t)和自信参数βi(t)：
Bn＝[bn,1,bn,2,bn,3]Cn＝[cn,1,cn,2,cn,3]
式中，m为设定关于观测结果的级数上限，an,bn,1～bn,3,cn,1～cn,3为各级数所对应的乘积系数，k为常数；这些参数均在初始化时进行初步赋值；
(3)若个体i的传感器不支持对li,j(t)、或/>的观测，或者运动中在t时刻出现观测中断，则在t时刻相应观测值对应的an,bn,1～bn,3,cn,1～cn,3乘积系数取为0；
(4)在运动过程中，个体i在t时刻的瞬时速度为若在t时刻需要根据群体协调机制进行自身速度调整，则个体i将速度调整为：
(5)若设定个体i在t时刻的信任参数和自信参数均不可调整，则个体i完成速度调整后即完成当前处理流程；
(6)若设定个体i在t时刻及一段时间内的信任参数和自信参数可调，则个体i在调整自身速度后观察自信参数是否趋于稳定，并收敛至0～1范围内的一个存在允许振荡范围的数值；若可稳定收敛，则固定当前的an,bn,1～bn,3,cn,1～cn,3取值；
(7)若自信参数发散趋近于0，则设定一组可使信任参数降低的an,bn,1～bn,3,cn,1～cn,3取值，反之，若自信参数呈现发散趋近于1，则设定一组可使信任参数提高的an,bn,1～bn,3,cn,1～cn,3取值；重新执行步骤(3)至步骤(6)；观察an,bn,1～bn,3,cn,1～cn,3中各项系数在相同步长调整下对自信参数振荡发散程度的抑制作用，并在迭代训练过程中提高具有高抑制作用的系数的调整步长，直至满足步骤(6)的稳定收敛条件；重新执行步骤(3)至步骤(6)，基于固定后的系数对自身运动速度进行调整，完成自身在群体中的导航过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111498574.2A CN114216466B (zh) | 2021-12-09 | 2021-12-09 | 一种基于动态信任机制的群体智能仿生导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111498574.2A CN114216466B (zh) | 2021-12-09 | 2021-12-09 | 一种基于动态信任机制的群体智能仿生导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114216466A CN114216466A (zh) | 2022-03-22 |
| CN114216466B true CN114216466B (zh) | 2023-12-29 |
Family
ID=80700583
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111498574.2A Active CN114216466B (zh) | 2021-12-09 | 2021-12-09 | 一种基于动态信任机制的群体智能仿生导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114216466B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103076808A (zh) * | 2012-12-27 | 2013-05-01 | 清华大学 | 一种自主协同的航天器集群体系及运行方法 |
| CN105867415A (zh) * | 2016-04-20 | 2016-08-17 | 沈阳航空航天大学 | 一种基于多无人机安全通信的协同控制策略 |
| WO2021103392A1 (zh) * | 2019-11-29 | 2021-06-03 | 中国科学院自动化研究所 | 基于对抗结构化控制的仿生机器鱼运动控制方法、系统 |
-
2021
- 2021-12-09 CN CN202111498574.2A patent/CN114216466B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103076808A (zh) * | 2012-12-27 | 2013-05-01 | 清华大学 | 一种自主协同的航天器集群体系及运行方法 |
| CN105867415A (zh) * | 2016-04-20 | 2016-08-17 | 沈阳航空航天大学 | 一种基于多无人机安全通信的协同控制策略 |
| WO2021103392A1 (zh) * | 2019-11-29 | 2021-06-03 | 中国科学院自动化研究所 | 基于对抗结构化控制的仿生机器鱼运动控制方法、系统 |
Non-Patent Citations (2)
| Title |
|---|
| 局部通信下的无人机编队导航方法研究;马梓元;龚华军;;计算机测量与控制(第01期);全文 * |
| 无人机集群智能的生成样式研究;许瑞明 等;现代防御技术;第48卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114216466A (zh) | 2022-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
| Lee et al. | Autopilot design of tilt-rotor UAV using particle swarm optimization method | |
| Ardil | Fighter Aircraft Evaluation and Selection Process Based on Triangular Fuzzy Numbers in Multiple Criteria Decision Making Analysis Using the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) | |
| Xu et al. | Deep reinforcement learning approach for joint trajectory design in multi-UAV IoT networks | |
| Hu et al. | Research on uav balance control based on expert-fuzzy adaptive pid | |
| Xu et al. | An indoor mobile robot positioning algorithm based on adaptive federated Kalman Filter | |
| CN113569465B (zh) | 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法 | |
| CN113065709A (zh) | 一种基于强化学习的跨域异构集群路径规划方法 | |
| CN110032214A (zh) | 基于矢量场的快速Standoff目标跟踪方法 | |
| CN114216466B (zh) | 一种基于动态信任机制的群体智能仿生导航方法 | |
| Yuan et al. | Improved lazy theta∗ algorithm based on octree map for path planning of UAV | |
| Shen et al. | Multidepot drone path planning with collision avoidance | |
| CN111506114A (zh) | 一种飞行器编队控制方法 | |
| Chen et al. | Cooperative networking strategy of UAV cluster for large-scale WSNs | |
| Guo et al. | Research on robot path planning based on fuzzy neural network and particle swarm optimization | |
| Yang et al. | Path planning of UAV base station based on deep reinforcement learning | |
| CN110716585A (zh) | 基于分布式一致性与自组网的自主协同控制方法及系统 | |
| CN115657479A (zh) | 一种基于改进型动态mopso的飞翼无人机操纵面故障容错方法 | |
| CN113203417B (zh) | 基于头脑风暴优化算法的无人机巡检路径规划方法 | |
| Lu et al. | Dual Redundant UAV Path Planning and Mission Analysis Based on Dubins Curves | |
| Jia et al. | Formation shape control of multi-UAV with collision avoidance | |
| Guopeng et al. | Research on Path planning of Three-Dimensional UAV Based on Levy Flight Strategy and Improved Particle Swarm Optimization Algorithm | |
| He et al. | UAV Formation Positioning Model Based on Plane Geometry Analysis | |
| Ayyasamy et al. | SAR optimization and Convolutional Neural Network based fault estimations and for auto-landing control model | |
| Liu et al. | Research on Path Planning of Logistics Storage Robot Based on Fuzzy Improved Artificial Potential Field Method |
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 |