CN114217605B - 基于虚拟结构法和人工势场法的编队控制方法 - Google Patents

Abstract

本发明公开了基于虚拟结构法和人工势场法的编队控制方法，由虚拟结构参考点周围的虚拟结构生成期望的虚拟结构队形，该虚拟结构队形中的虚拟结构作为虚拟结构点的期望位置；虚拟结构点向着期望位置运动；智能体则跟随智能体所对应的虚拟结构点移动，进而获得智能体编队队形；建立虚拟结构点和虚障碍物对智能体的斥力场；基于所构建的斥力场，根据智能体所受的势场作用对智能体进行受力分析，进而获得智能体所受到的斥力场力；智能体采用轨迹跟踪控制算法跟踪虚拟结构点的轨迹，根据虚拟结构点追踪虚拟结构以及避障产生的运动轨迹，利用轨迹跟踪控制算法实现智能体编队追踪控制。本方法采用人工势场法实现避障，编队控制方法适应性强、编队稳定。

Description

基于虚拟结构法和人工势场法的编队控制方法

技术领域

本发明涉及多智能体编队控制技术领域，尤其是基于虚拟结构法和人工势场法的编队控制方法。

背景技术

随着自动驾驶策略、传感器精度、无线通信技术的发展，自动驾驶逐渐成为各个车企和高校研究的重点，从扫地机器人到无人自动驾驶，单个智能体已经无法满足预期目标，所以智能体编队协作才是未来的发展方向。

编队控制是通过多智能体之间的协同合作，编队控制实现智能体队列成型、队形变换、预防碰撞，编队可以用最少的功耗实现庞大的控制，实现高效率、低功耗减少人力投入。现有的编队方法主要包括：跟随领航者控制法、基于行为控制法、基于虚拟结构控制法、基于人工势场控制法等。

上述现有编队方法存在一定的不足，具体是：跟随领航者控制法其结构简单、易于理解，但是缺点也很明显就是领导者受到的干扰会对队列造成巨大影响；行为控制法虽然具有实时的特点，但是很难描述系统并且保持其稳定；虚拟结构控制法中把编队结构当成虚拟的刚体，编队稳定，但是对路况的适应性较差；人工势场法可以实现实时控制，但是其忽略了通信拓扑的影响，脱离实际情况。

因此在现有编队的基础之上，提出一种适应性强、编队稳定的方法对于编队控制算法具有长远的意义。

发明内容

为了解决现有技术中存在的不足，本申请提出了基于虚拟结构法和人工势场法的编队控制方法，采用虚拟结构控制方法形成智能体编队队形，采用人工势场法实现避障，进而获得一种适应性强、编队稳定的编队控制方法。

本发明所采用的技术方案如下：

基于虚拟结构法和人工势场法的编队控制方法，包括如下步骤：

步骤1，分别建立智能体和障碍物模型；

步骤2，将虚拟结构参考点作为队列的参考点，由虚拟结构参考点周围的虚拟结构生成期望的虚拟结构队形，该虚拟结构队形中的虚拟结构作为虚拟结构点的期望位置；虚拟结构点的初始位置和智能体的初始位置是重合的，且虚拟结构点向着期望位置运动；智能体则跟随智能体所对应的虚拟结构点移动，进而获得智能体编队队形；

步骤3，建立虚拟结构点和虚障碍物对智能体的斥力场；

步骤4，基于所构建的斥力场，根据智能体所受的势场作用对智能体进行受力分析，进而获得智能体所受到的斥力场力；

步骤5，智能体采用轨迹跟踪控制算法跟踪虚拟结构点的轨迹，根据虚拟结构点追踪虚拟结构以及避障产生的运动轨迹，将运动轨迹输入到控制器当中，利用轨迹跟踪控制算法实现智能体编队追踪控制。

进一步，所述步骤3中建立虚拟结构点和虚障碍物对智能体的斥力场的方法为：

步骤3.1，由障碍物和虚拟结构点的距离定义斥力势场，表示为：

步骤3.2，对斥力势场求负梯度求得斥力势场所对应的斥力，表示为：

其中，k为比例系数，ρ₀代表智能体和障碍物之间影响的距离，ρ(q,q₀)表示智能体q与虚拟结构点q₀的欧氏距离。

进一步，所述步骤3中智能体所受到的斥力场力，表示为：

其中，U_ireq为智能体i所受的斥力场，i＝1,2,3...n，n为对智能体产生斥力场的障碍物的个数；

因此智能体i所受的合力为：其中，F_ireq为智能体i所受的斥力场力。

进一步，所述步骤5中采用Stanley算法使智能体跟踪虚拟结构点的轨迹，实现智能体编队追踪控制。

进一步，所述多智能体采用二自由度自行车运动学模型。

进一步，以大小刚好包络障碍物的圆形代替障碍物，由此构建障碍物模型。

进一步，构建虚拟结构的质点模型，表示为：

式中，q_i、p_i分别为第i个质点的位置和速度，分别是q_i、p_i的一阶导数；u_i为第i个质点的控制输入。

进一步，第i个质点的控制输入表示为：

u_i＝c₁(q_ri-q_i)+c₂(p_ri-p_i)+f_i

式中：c₁,c₂分别为位置误差系数和速度误差系数；q_ri,p_ri分别为期望的虚拟结构的位置和速度；f_i为人工势场避障项。

本发明的有益效果：

1.本发明的编队控制方法综合了人工势场法和虚拟结构法，加强了编队的稳定性以及避障性能。

2.虚拟结构法以及人工势场法的融合，使得智能体相对独立，不在受到前车的影响，前车所受的扰动不会传遍整个车队，对车队的稳定性以及避障性能有着很大的提升。

3.编队形式由随虚拟结构决定，结构易于调整改变，适应性强。

附图说明

图1是本发明所构建的智能体和障碍物模型示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。

基于虚拟结构法和人工势场法的编队控制方法，包括如下步骤：

步骤1，分别建立智能体和障碍物模型。

(1)对多智能体采用二自由度自行车运动学模型。整个二自由度自行车运动学模型控制量简化为智能体的速度v和车轮偏角δ，自行车模型适用范围非常广，可以解决大部分问题。多智能体的二自由度自行车运动学模型表示为：

其中，分别是智能体在下沿x轴的速度、y轴的速度；/>是智能体横摆角速度；θ为智能体偏航角，δ为前轮偏角，v是智能体的速度，L为智能体轴距。

(2)现实中障碍物形状多为不规则，为了计算方便以及安全性的考虑，障碍物以大小刚好可以包络障碍物的圆形代替。同时智能体自身的形状也不可以忽略，一般来说编队智能体的体积不会过大，所以以大小刚好可以包络智能体的圆形代替智能体向外产生斥力场。

步骤2，将虚拟结构参考点作为队列的参考点，由虚拟结构参考点周围的虚拟结构在虚拟结构参考点的后方生成期望的虚拟结构队形，该虚拟结构队形中的虚拟结构作为虚拟结构点的期望位置。虚拟结构点的初始位置和智能体的初始位置是重合的，并虚拟结构点向着期望的虚拟结构运动；智能体则跟随智能体所对应的虚拟结构点移动，进而获得智能体编队队形。

构建虚拟结构的质点模型为：

式中，分别为第i个质点的位置和速度，/>分别是q_i、p_i的一阶导数；/>为第i个质点的控制输入，表示为：

u_i＝c₁(q_ri-q_i)+c₂(p_ri-p_i)+f_i

式中：c₁,c₂分别为位置误差系数和速度误差系数；q_ri,p_ri分别为期望的虚拟结构的位置和速度；f_i为人工势场避障项。虚拟结构点是智能体实际意义上的追踪目标，同时也对人工势场敏感，可以灵活根据车况调整队形。虚拟结构点和领导者的纵向安全距离L_{x min}为：

式中，t₀为前方智能体开始减速的时刻，可将其设为0；t₁为智能体速度由v_A降到v_B时，两智能体之间距离为0对应的时刻，为两智能体不发生碰撞的极限情况；v_A(0)，v_B(0)分别为智能体A，B在t₀时刻的速度，a_A(t)，a_B(t)分别为智能体A，B在t₀时刻的加速度，η为时间。

步骤3，建立虚拟结构点和虚障碍物对智能体的斥力场。斥力势场大小是由障碍物和虚拟结构点的距离决定的，两者之间的距离越大势能值越小，距离越小势能值越大。故斥力势场公式为：

其中，k为比例系数，ρ₀代表智能体和障碍物之间影响的距离，为了让人工势场对编队没有影响，让人工势场的作用范围小于智能体跟随的最小距离L_{x min}。ρ(q,q₀)表示智能体与虚拟结构点的欧氏距离，方向由智能体指向虚拟结构点。

对斥力势场求负梯度求得斥力势场所对应的斥力为：

步骤4，根据智能体所受的势场作用对智能体进行受力分析，所以智能体i所受的势能场为：

其中，U_ireq为智能体i所受的斥力场，i＝1,2,3...n，n为对智能体产生斥力场的障碍物的个数。因此智能体i所受的合力为：

其中，F_ireq为智能体i所受的斥力场力。

步骤5，采用轨迹跟踪控制算法-Stanley算法使智能体跟踪虚拟结构点的轨迹，根据虚拟结构点追踪虚拟结构以及避障产生的运动轨迹，将运动轨迹输入到控制器当中，利用stanley算法实现智能体编队追踪控制。前轮偏角为其中，/>δ_y分别是航向误差角、横向误差角，/>表示智能体航向与最近路径点切线方向之间的夹角；

e_y(t)表示横向跟踪误差，d(t)表示虚拟结构点轨迹切线向的距离数值和速度有关，用车速v(t)和增益系数k表示。

以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (5)

1.基于虚拟结构法和人工势场法的编队控制方法，其特征在于，包括如下步骤：

步骤1，分别建立智能体和障碍物模型；

步骤2，将虚拟结构参考点作为队列的参考点，由虚拟结构参考点周围的虚拟结构生成期望的虚拟结构队形，该虚拟结构队形中的虚拟结构作为虚拟结构点的期望位置；虚拟结构点的初始位置和智能体的初始位置是重合的，且虚拟结构点向着期望位置运动；智能体则跟随智能体所对应的虚拟结构点移动，进而获得智能体编队队形；

步骤3，建立虚拟结构点和虚障碍物对智能体的斥力场；

步骤4，基于所构建的斥力场，根据智能体所受的势场作用对智能体进行受力分析，进而获得智能体所受到的斥力场力；

步骤5，智能体采用轨迹跟踪控制算法跟踪虚拟结构点的轨迹，根据虚拟结构点追踪虚拟结构以及避障产生的运动轨迹，将运动轨迹输入到控制器当中，利用轨迹跟踪控制算法实现智能体编队追踪控制；

所述步骤3中建立虚拟结构点和虚障碍物对智能体的斥力场的方法为：

步骤3.1，由障碍物和虚拟结构点的距离定义斥力势场，表示为：

步骤3.2，对斥力势场求负梯度求得斥力势场所对应的斥力，表示为：

其中，k为比例系数，ρ₀代表智能体和障碍物之间影响的距离，ρ(q,q₀)表示智能体q与虚拟结构点q₀的欧氏距离；

所述智能体采用二自由度自行车运动学模型；

以大小刚好包络障碍物的圆形代替障碍物，由此构建障碍物模型。

2.根据权利要求1所述的基于虚拟结构法和人工势场法的编队控制方法，其特征在于，所述步骤3中智能体所受到的斥力场力，表示为：

其中，U_ireq为智能体i所受的斥力场，i＝1,2,3...n，n为对智能体产生斥力场的障碍物的个数；因此智能体i所受的合力为：

其中，F_ireq为智能体i所受的斥力场力。

3.根据权利要求1所述的基于虚拟结构法和人工势场法的编队控制方法，其特征在于，所述步骤5中采用Stanley算法使智能体跟踪虚拟结构点的轨迹，实现智能体编队追踪控制。

4.根据权利要求1所述的基于虚拟结构法和人工势场法的编队控制方法，其特征在于，构建虚拟结构的质点模型，表示为：

式中，q_i、p_i分别为第i个质点的位置和速度，分别是q_i、p_i的一阶导数；u_i为第i个质点的控制输入。

5.根据权利要求4所述的基于虚拟结构法和人工势场法的编队控制方法，其特征在于，第i个质点的控制输入表示为：

u_i＝c₁(q_ri-q_i)+c₂(p_ri-p_i)+f_i

式中：c₁,c₂分别为位置误差系数和速度误差系数；q_ri,p_ri分别为期望的虚拟结构的位置和速度；f_i为人工势场避障项。