CN114333429A - 一种面向多无人机目标覆盖任务的规则提取方法 - Google Patents

一种面向多无人机目标覆盖任务的规则提取方法 Download PDF

Info

Publication number
CN114333429A
CN114333429A CN202111570388.5A CN202111570388A CN114333429A CN 114333429 A CN114333429 A CN 114333429A CN 202111570388 A CN202111570388 A CN 202111570388A CN 114333429 A CN114333429 A CN 114333429A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
control law
control
parameters
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
Application number
CN202111570388.5A
Other languages
English (en)
Other versions
CN114333429B (zh
Inventor
耿虎军
陈勇
柴兴华
陈彦桥
蒲志强
王乐乐
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.)
CETC 54 Research Institute
Original Assignee
CETC 54 Research Institute
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 CETC 54 Research Institute filed Critical CETC 54 Research Institute
Priority to CN202111570388.5A priority Critical patent/CN114333429B/zh
Publication of CN114333429A publication Critical patent/CN114333429A/zh
Application granted granted Critical
Publication of CN114333429B publication Critical patent/CN114333429B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明公开了一种面向多无人机目标覆盖任务的规则提取方法，属于无人机集群领域。本发明将无人机的状态信息代入分布式综合控制律，求取控制量；然后将相应的控制量输入运动学方程，进行运动状态更新；接着对分布式综合控制律进行优化，输出一组更新后的控制律参数，以及子控制律之间的运算关系；最后根据控制律参数和子控制律之间的运算关系，对各无人机的分布式综合控制律进行更新；直至无人机的覆盖率偏差或覆盖时间偏差满足预设阈值，将此时的控制律参数和子控制律之间的运算关系作为真实无人机的控制参数和控制方式，应用在真实无人机的实际覆盖任务中。本发明能够补充人工设计的规则，提高对数据特征描述的准确性。

Description

一种面向多无人机目标覆盖任务的规则提取方法
技术领域
本发明涉及无人机集群和隐含知识提取技术领域，特别是指一种面向多无人机目标覆盖任务的规则提取方法。
背景技术
随着社会经济发展、国家和国防安全保障等方面需求的多样化，人们对于移动通信网络在特殊场景下的应用日益深化，由此产生了两方面重要通信应用场景，即重大特殊场景下对特定目标群体的高质量通信支援和定点通信干扰，这样的特殊场景包括大型集会通信保障、重大活动人防、偏远或危险地区灾害救援以及其他关系国家和国防安全领域的通信支援/干扰应用场景。传统的无线通信大多依赖于预先架设好的基础网络设施，不能根据应用需求将基站灵活部署与最佳位置，更不能随着用户通信需求变化而改变网络拓扑或优化通信质量，难以满足现在的实际需求。因此开发面向重大特殊场景的、能对大规模特定目标进行高质量通信支援/干扰的移动通信系统，使网络能适应动态任务需求，组网迅速、灵活、高效，成为亟待解决的重要应用问题。
无人机组成的集群系统在关乎国计民生以及国家和国防安全的重大场景中获得了越来越多的应用。无人机集群系统能以网络化、分布化、协同化方式快速形成区域覆盖，实现集群资源优化调度，提高任务完成率和响应速度。无人机集群使用协同算法根据综合任务，通过人工设计的分布式协商规则，分配执行探测任务、覆盖任务和通信支援任务。但是，人工设计的规则，可能出现对数据特征描述不准确的问题。
发明内容
有鉴于此，本发明提供了一种面向多无人机目标覆盖任务的规则提取方法，本方法能够补充人工设计的规则，提高对数据特征描述的准确性。
为了实现上述目的，本发明采用的技术方案为：
一种面向多无人机目标覆盖任务的规则提取方法，包括如下步骤：
(1)设置覆盖任务，通过运动学方程模拟无人机的运动，并预设目标的运动方式；
(2)获取无人机和目标的状态信息，包括无人机和目标的位置、速度；
(3)对于每个无人机，将相应的状态信息代入该无人机的分布式综合控制律，求取该无人机的控制量；
(4)将各无人机相应的控制量输入其运动学方程，进行运动状态更新，得到更新后的状态信息；
(5)获取所有无人机和目标的更新后的状态信息，对各无人机分布式综合控制律进行优化，输出一组更新后的控制律参数，以及子控制律之间的运算关系；
(6)根据步骤(5)输出的控制律参数和子控制律之间的运算关系，对各无人机的分布式综合控制律进行更新；
(7)循环执行步骤(2)至(6)，每次循环后计算无人机的相邻迭代次数之间的覆盖率偏差或覆盖时间偏差，直至满足预设阈值，将此时的控制律参数和子控制律之间的运算关系作为真实无人机的控制参数和控制方式，应用在真实无人机的实际覆盖任务中。
进一步的，步骤(1)中，设置M架无人机对任务区域内的N个目标进行覆盖；每架无人机可获取全部目标的状态信息，且仅可获取自身邻居无人机的状态信息；任务区域设置为二维。
进一步的，步骤(2)中，全部无人机的状态信息为SI，包括无人机的位置和移动速度，其中，无人机i的位置记为
Figure BDA0003423193050000021
i∈{1，2，…，M}，
Figure BDA0003423193050000022
为x轴坐标，
Figure BDA0003423193050000023
为y轴坐标，无人机的速度记为
Figure BDA0003423193050000024
其中
Figure BDA0003423193050000025
为x轴方向速度，
Figure BDA0003423193050000026
为y轴方向速度；
全部目标的状态信息为SJ，包括目标的位置和移动速度，其中，目标j的位置记为
Figure BDA0003423193050000027
速度记为
Figure BDA0003423193050000028
j∈{1，2，…，N}；
将目标的状态SJ分发给每架无人机；从SI中选取无人机i的邻居无人机的状态信息SN，并分发给无人机i，由此构成无人机i的可用状态信息s＝SJ||SN。
进一步的，步骤(3)的具体方式为：
基于无人机和目标的状态连通图G，通过删除冗余连通边的方式得到通信子图G*；
基于通信子图G*，无人机i以该机的可用状态信息s作为输入，求取控制律f1(s；θ1)，控制律f1(s；θ1)包含连通保持控制律
Figure BDA0003423193050000029
和避障控制律
Figure BDA00034231930500000210
无人机i求取覆盖控制律f2(s；θ2)；
基于控制律f1(s；θ1)、连通保持控制律
Figure BDA00034231930500000211
避障控制律
Figure BDA00034231930500000212
和覆盖控制律f2(s；θ2)，求取分布式综合控制律，并输出控制量；分布式综合控制律的隐函数表示为：
Figure BDA00034231930500000213
其中，
Figure BDA0003423193050000031
式中，
Figure BDA0003423193050000032
表示控制律f1(s；θ1)和控制律f2(s；θ2)之间的运算关系，⊙表示连通保持控制律
Figure BDA0003423193050000033
和避碰控制律
Figure BDA0003423193050000034
之间的运算关系。
进一步的，步骤(4)的具体方式为：
将步骤(3)得到的输出控制量F(s；θ),以及无人机i当前的状态量
Figure BDA0003423193050000035
代入无人机的运动学方程：
S′i＝G(Si，F)
求解更新后无人机i的状态信息S′i。
进一步的，步骤(5)中，对各无人机分布式综合控制律进行优化，采用的是启发式优化方法，具体方式如下：
(501)生成若干组控制律相关参数
Figure BDA0003423193050000036
θ2的随机初始值，并建立适应值函数；
(502)计算每组待求解参数下启发式优化方法的适应值；
(503)对于每组待求解参数，将其适应值与其历史最优适应值进行比较，若更好，则将该组待求解参数作为历史最优值，并更新该组参数的历史最优适应值；
(504)对于每组待求解参数，将其历史最优值与所有待求解参数组的历史最优适应值进行比较，若更好，则将其作为当前的全局最优适应值；
(505)根据步骤(503)和(504)得到的历史最优适应值和全局最优适应值，更新每组待求解参数；
(506)重复步骤(502)至(506)，迭代更新待求解参数，达到最大迭代次数后，得到各待求解参数的近似最优值。
进一步的，步骤(5)中，对各无人机分布式综合控制律进行优化，采用的是数据驱动方法，具体方式为：
以所有无人机和目标的状态信息作为输入，以无人机完全覆盖目标时
Figure BDA0003423193050000037
θ2的值作为标签，进行有监督的深度神经网络训练，通过训练好的深度神经网络拟合出控制律相关参数
Figure BDA0003423193050000038
Figure BDA0003423193050000039
θ2的近似最优值。
进一步的，步骤(6)的具体方式为：
将步骤(5)得到的更新后子控制律相关参数
Figure BDA0003423193050000041
θ′2和更新后子控制律之间的运算关系
Figure BDA0003423193050000042
⊙′带入无人机分布式综合控制律，更新控制律公式，更新后的控制律隐函数公式为：
Figure BDA0003423193050000043
其中，
Figure BDA0003423193050000044
本发明的有益效果在于：
1、本发明首先采用先验知识构建一系列规则集的隐函数表达，明确规则中的前件与后件为待优化的参数，通过控制量控制无人机执行任务，进一步优化规则集中的参数及控制律之间的运算关系，实现从数据到知识的提取。
2、本发明针对数据驱动方法及集群自组织涌现模型中的黑箱特性，提出了无人机目标覆盖中数据驱动、自组织模型中隐含知识的提取方法，从数据中生成群智行为知识规则。
3、本发明既可针对局部冲突消解问题实现冲突消解规则的自动生成，补充人工设计的规则，也可针对区域覆盖和通信连通保持问题设计相应决策规则。
附图说明
图1是本发明实施例方法的流程示意图。
图2是无通信连接线的无人机集群和目标的初始状态图。
图3是具有通信连接线的无人机集群和目标的初始状态图。
图4是无通信连接线的无人机集群和目标的覆盖完成状态图。
图5是具有通信连接线的无人机集群和目标的覆盖完成状态图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明做进一步详细说明。
一种面向多无人机目标覆盖任务的规则提取方法，包括以下步骤：
(1)设置覆盖任务，通过运动学方程模拟无人机的运动，并预设目标的运动方式；
(2)获取无人机和目标的状态信息，包括无人机和目标的位置、速度；
(3)对于每个无人机，将相应的状态信息代入该无人机的分布式综合控制律，求取该无人机的控制量；
(4)将各无人机相应的控制量输入其运动学方程，进行运动状态更新，得到更新后的状态信息；即，无人机在保持连通、避免碰撞的条件下协同移动，实现对目标的覆盖。
(5)获取所有无人机和目标的更新后的状态信息，对各无人机分布式综合控制律进行优化，输出一组更新后的控制律参数，以及子控制律之间的运算关系；
(6)根据步骤(5)输出的控制律参数和子控制律之间的运算关系，对各无人机的分布式综合控制律进行更新；
(7)循环执行步骤(2)至(6)，每次循环后计算无人机的相邻迭代次数之间的覆盖率偏差或覆盖时间偏差，直至满足预设阈值，将此时的控制律参数和子控制律之间的运算关系作为真实无人机的控制参数和控制方式，应用在真实无人机的实际覆盖任务中。
进一步的，覆盖任务为在任务区域内若干架无人机对目标进行覆盖，任务区域设置为二维平面，相关参数有：无人机和目标的个数，分别设为M和N；M架无人机，N个目标，无人机的通信半径Rc、覆盖半径设Rs，防碰撞安全距离σ1，连通保持距离σ2，覆盖反馈系数k；对控制律求取过程中各条子控制律之间的运算关系、相关参数赋以初始值。
步骤(2)中，基于任务场景和参数设置，获取无人机和目标的初始状态信息，包括无人机和目标的位置坐标、移动速度，无人机的邻居信息。以任务区域左下角为原点建立二维坐标系，无人机和目标位置均在任务区域范围内，位置均可表示为二维坐标(px，py)，无人机的移动速度记为(vx，vy)，目标的移动速度表示为(v′x，v′y)。
基于“每架无人机可获取全部目标状态信息、每架无人机仅可获取自身邻居无人机的状态信息”的假设，系统将获取到的状态SI和SJ进行状态分发，具体为：将所有目标信息SJ分发给每架无人机i；从SI中选取无人机i的邻居无人机信息SN分发给无人机i，由此构成无人机i的可用状态信息s＝SJ||SN，作为无人机i控制律求取子模块i的输入。
步骤(3)的具体方式为：
步骤301：删除冗余连通边子模块；基于无人机和目标的初始状态，生成连通图G；删除冗余连通边，生成通信子图G*；
步骤302：集群运动控制律子模块；基于通信子图G*，求取集群运动控制率f1(s；θ1)，θ1为与覆盖控制律相关的待优化参数。f1(s；θ1)分为两个子控制律：
连通控制律
Figure BDA0003423193050000051
控制无人机集群在移动的过程中保持连通状态，
Figure BDA0003423193050000052
为与保持连通控制律相关的待优化参数；
避障扩散控制律
Figure BDA0003423193050000061
控制无人机的最小安全距离防止发生碰撞，
Figure BDA0003423193050000062
为与保持连通控制律相关的待优化参数；
步骤303：求取覆盖控制律f2(s；θ2)，控制无人机对目标进行覆盖，θ2为与覆盖控制律相关的待优化参数。
步骤304：求取综合控制律F(s；θ)：
Figure BDA0003423193050000063
控制律f1和f2之间的运算关系记为
Figure BDA0003423193050000064
和
Figure BDA0003423193050000065
之间的运算关系记为″⊙″。
步骤(5)中，对各无人机分布式综合控制律进行优化，采用的是启发式优化方法，具体方式如下：
(501)生成若干组控制律相关参数
Figure BDA0003423193050000066
θ2的随机初始值，并建立适应值函数；
(502)计算每组待求解参数下启发式优化方法的适应值；
(503)对于每组待求解参数，将其适应值与其历史最优适应值进行比较，若更好，则将该组待求解参数作为历史最优值，并更新该组参数的历史最优适应值；
(504)对于每组待求解参数，将其历史最优值与所有待求解参数组的历史最优适应值进行比较，若更好，则将其作为当前的全局最优适应值；
(505)根据步骤(503)和(504)得到的历史最优适应值和全局最优适应值，更新每组待求解参数；
(506)重复步骤(502)至(506)，迭代更新待求解参数，达到最大迭代次数后，得到各待求解参数的近似最优值。
此外，步骤(5)也可采用数据驱动方法对各无人机分布式综合控制律进行优化，具体方式为：
以所有无人机和目标的状态信息作为输入，以无人机完全覆盖目标时
Figure BDA0003423193050000067
θ2的值作为标签，进行有监督的深度神经网络训练，通过训练好的深度神经网络拟合出控制律相关参数
Figure BDA0003423193050000068
Figure BDA0003423193050000069
θ2的近似最优值。
步骤(6)的具体方式为：
将步骤(5)得到的更新后子控制律相关参数
Figure BDA0003423193050000071
θ′2和更新后子控制律之间的运算关系
Figure BDA0003423193050000072
⊙′带入无人机分布式综合控制律，更新控制律公式，更新后的控制律隐函数公式为：
Figure BDA0003423193050000073
其中，
Figure BDA0003423193050000074
以下为一个更具体的例子：
如图1所示，本示例方法包括以下步骤：
在任务区域内派出若干架无人机对目标进行覆盖，无人机能够获取目标的全局信息，在移动过程中时刻获取局部的邻居信息，所需设置的参数有：无人机和目标的个数，分别设为M和N；无人机的通信半径Rc、覆盖半径Rs；防碰撞安全距离σ1，连通保持距离σ2；覆盖反馈系数k；对控制量求取模块中各条子控制律之间的运算关系、相关参数赋以初始值。
任务区域设置为矩形，以区域左下角为原点，建立二维坐标系，系统获取全部无人机的初始状态SI，包括其位置和移动速度，其中每一架无人机i，i∈{1，2，…，M}的位置表示为
Figure BDA0003423193050000075
无人机的移动速度表示为
Figure BDA0003423193050000076
同时，系统获取目标的初始状态SJ，包括其位置和移动速度，目标j，j∈{1，2，…，N}的位置表示为
Figure BDA0003423193050000077
目标的移动表示为
Figure BDA0003423193050000078
系统将无人机和目标的初始状态作为控制律求取模块的输入，记作s，s＝SI||SJ。如图2所示，为无人机节点和目标节点初始分布示意，其中黑色实心点为无人机节点，红色星点为目标节点，圆形虚线为无人机覆盖范围示意。图3中则进一步表示了无人机初始分布之间的通信关系，其中黑色线段表示无人机之间的通信连接线，即两无人机节点间若有连接线，表示这两架无人机能够进行通信。
将无人机与目标的初始状态作为输入，运行控制量求取模块；将无人机的初始拓扑位置记作连通图G，首先需要对G进行“剪枝”，即删除G中冗余的连通边，优选的，生成图G的最小生成树G*，使无人机集群保持连通又对无人机的通信能力进行最大程度地利用；集群运动控制律f1(s；θ1)和覆盖控制律f2(s；θ2)对无人机的移动过程进行约束，f1(s；θ1)和f2(s；θ2)均为隐函数表达，θ1和θ2为待计算和优化的参数，其中集群运动控制律分为两条子控制律：连通控制律和避障控制律。连通控制律表示为隐函数
Figure BDA0003423193050000079
其控制无人机在移动过程中的拓扑图G*保持连通且是最小生成树；避障控制律表示为隐函数
Figure BDA00034231930500000710
约束无人机在移动过程中的最小距离，避免发生碰撞。覆盖控制律f2(s；θ2)控制无人机对目标进行覆盖。f1(s；θ1)和f2(s；θ2)之间的运算关系记作
Figure BDA0003423193050000081
和
Figure BDA0003423193050000082
之间的运算关系记作⊙，因此综合控制律可表示为
Figure BDA0003423193050000083
通过控制量求取模块，将综合控制律F(s；θ)作为输入，无人机运行动力学求解模块，即无人机集群在保持连通、避免碰撞的条件下协同移动，实现对目标的覆盖。
系统将获取的更新后的无人机和目标状态输入规则提取模块，输出更新后与分布式综合控制律相关的参数θ，包括子控制律的相关参数
Figure BDA0003423193050000084
θ2，以及运算关系
Figure BDA0003423193050000085
⊙。规则提取模块既可以使用启发式优化算法，也可以使用深度神经网络，优选的，采用启发式优化算法；在可用的启发式优化算法中，优选的，采用粒子群算法进行规则提取。
深度神经网络的规则提取方法为：将无人机集群和目标的位置作为输入，无人机集群覆盖目标的相关参数的经验值作为标签，利用深度神经网络架构自动学习数据的特征，预测所需参数的具体值；粒子群算法的规则提取方法为：粒子群维度设置为所要计算参数的个数，以集群算法的收敛时间作为适值函数，设置种群大小、最大迭代次数、粒子的最大运动速度、惯性权重，学习因子，通过粒子群算法的迭代计算确定参数的具体值，使得无人机当前条件下覆盖目标的效率尽可能高；
将规则提取模块中生成的参数θ、控制律之间的运算关系
Figure BDA0003423193050000086
和⊙的输入步骤(3)的控制律求取模块进行更新，重复之后的步骤，迭代运行，规则提取模块中的算法停止迭代，得到最优参数值与控制律之间的运算关系，具体为：连通控制律的相关参数最优值为
Figure BDA0003423193050000087
避障控制律的相关参数最优值为
Figure BDA0003423193050000088
覆盖控制律的相关参数最优值为
Figure BDA0003423193050000089
集群运动控制律和覆盖控制律之间的运算关系
Figure BDA00034231930500000810
为″+″，连通控制律与避障控制律之间的运算关系⊙为″+″。将从规则提取模块得到的具体参数值和控制律之间的运算关系带入控制律求取模块中进行更新，重复之后的步骤，迭代优化参数值直至粒子群算法收敛，得到最优的参数值和精确的规则集。如图4所示为一次规则提取后，利用得到的优化参数与规则集，对具有图2所示初始状态的无人机和目标点进行覆盖结果示意图。图5中显示出了无人机之间的通信连接线。

Claims (8)

1.一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，包括如下步骤：
(1)设置覆盖任务，通过运动学方程模拟无人机的运动，并预设目标的运动方式；
(2)获取无人机和目标的状态信息，包括无人机和目标的位置、速度；
(3)对于每个无人机，将相应的状态信息代入该无人机的分布式综合控制律，求取该无人机的控制量；
(4)将各无人机相应的控制量输入其运动学方程，进行运动状态更新，得到更新后的状态信息；
(5)获取所有无人机和目标的更新后的状态信息，对各无人机分布式综合控制律进行优化，输出一组更新后的控制律参数，以及子控制律之间的运算关系；
(6)根据步骤(5)输出的控制律参数和子控制律之间的运算关系，对各无人机的分布式综合控制律进行更新；
(7)循环执行步骤(2)至(6)，每次循环后计算无人机的相邻迭代次数之间的覆盖率偏差或覆盖时间偏差，直至满足预设阈值，将此时的控制律参数和子控制律之间的运算关系作为真实无人机的控制参数和控制方式，应用在真实无人机的实际覆盖任务中。
2.如权利要求1所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(1)中，设置M架无人机对任务区域内的N个目标进行覆盖；每架无人机可获取全部目标的状态信息，且仅可获取自身邻居无人机的状态信息；任务区域设置为二维。
3.如权利要求2所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(2)中，全部无人机的状态信息为SI，包括无人机的位置和移动速度，其中，无人机i的位置记为
Figure FDA0003423193040000011
Figure FDA0003423193040000012
为x轴坐标，
Figure FDA0003423193040000013
为y轴坐标，无人机的速度记为
Figure FDA0003423193040000014
其中
Figure FDA0003423193040000015
为x轴方向速度，
Figure FDA0003423193040000016
为y轴方向速度；
全部目标的状态信息为SJ，包括目标的位置和移动速度，其中，目标j的位置记为
Figure FDA0003423193040000017
速度记为
Figure FDA0003423193040000018
将目标的状态SJ分发给每架无人机；从SI中选取无人机i的邻居无人机的状态信息SN，并分发给无人机i，由此构成无人机i的可用状态信息s＝SJ||SN。
4.如权利要求3所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(3)的具体方式为：
基于无人机和目标的状态连通图G，通过删除冗余连通边的方式得到通信子图G*；
基于通信子图G*，无人机i以该机的可用状态信息s作为输入，求取控制律f1(s；θ1)，控制律f1(s；θ1)包含连通保持控制律
Figure FDA0003423193040000021
和避障控制律
Figure FDA0003423193040000022
无人机i求取覆盖控制律f2(s；θ2)；
基于控制律f1(s；θ1)：连通保持控制律
Figure FDA0003423193040000023
避障控制律
Figure FDA0003423193040000024
和覆盖控制律f2(s；θ2)，求取分布式综合控制律，并输出控制量；分布式综合控制律的隐函数表示为：
Figure FDA0003423193040000025
其中，
Figure FDA0003423193040000026
式中，
Figure FDA0003423193040000027
表示控制律f1(s；θ1)和控制律f2(s；θ2)之间的运算关系，⊙表示连通保持控制律
Figure FDA0003423193040000028
和避碰控制律
Figure FDA0003423193040000029
之间的运算关系。
5.如权利要求4所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(4)的具体方式为：
将步骤(3)得到的输出控制量F(s；θ)，以及无人机i当前的状态量
Figure FDA00034231930400000210
代入无人机的运动学方程：
S′i＝G(Si，F)
求解更新后无人机i的状态信息S′i。
6.如权利要求5所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(5)中，对各无人机分布式综合控制律进行优化，采用的是启发式优化方法，具体方式如下：
(501)生成控制律相关参数
Figure FDA00034231930400000211
θ2的多组随机初始值，并建立适应值函数；
(502)计算每组待求解参数下启发式优化方法的适应值；
(503)对于每组待求解参数，将其适应值与其历史最优适应值进行比较，若更好，则将该组待求解参数作为历史最优值，并更新该组参数的历史最优适应值；
(504)对于每组待求解参数，将其历史最优值与所有待求解参数组的历史最优适应值进行比较，若更好，则将其作为当前的全局最优适应值；
(505)根据步骤(503)和(504)得到的历史最优适应值和全局最优适应值，更新每组待求解参数；
(506)重复步骤(502)至(506)，迭代更新待求解参数，达到最大迭代次数后，得到各待求解参数的近似最优值。
7.如权利要求5所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(5)中，对各无人机分布式综合控制律进行优化，采用的是数据驱动方法，具体方式为：
以所有无人机和目标的状态信息作为输入，以无人机完全覆盖目标时
Figure FDA0003423193040000031
θ2的值作为标签，进行有监督的深度神经网络训练，通过训练好的深度神经网络拟合出控制律相关参数
Figure FDA0003423193040000032
Figure FDA0003423193040000033
θ2的近似最优值。
8.如权利要求1所述的一种面向多无人机目标覆盖任务的规则提取方法，其特征在于，步骤(6)的具体方式为：
将步骤(5)得到的更新后子控制律相关参数
Figure FDA0003423193040000034
θ′2和更新后子控制律之间的运算关系
Figure FDA0003423193040000035
⊙′带入无人机分布式综合控制律，更新控制律公式，更新后的控制律隐函数公式为：
Figure FDA0003423193040000036
其中，
Figure FDA0003423193040000037
CN202111570388.5A 2021-12-21 2021-12-21 一种面向多无人机目标覆盖任务的规则提取方法 Active CN114333429B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111570388.5A CN114333429B (zh) 2021-12-21 2021-12-21 一种面向多无人机目标覆盖任务的规则提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111570388.5A CN114333429B (zh) 2021-12-21 2021-12-21 一种面向多无人机目标覆盖任务的规则提取方法

Publications (2)

Publication Number Publication Date
CN114333429A true CN114333429A (zh) 2022-04-12
CN114333429B CN114333429B (zh) 2022-12-09

Family

ID=81054271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111570388.5A Active CN114333429B (zh) 2021-12-21 2021-12-21 一种面向多无人机目标覆盖任务的规则提取方法

Country Status (1)

Country Link
CN (1) CN114333429B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115278699A (zh) * 2022-06-17 2022-11-01 深圳市人工智能与机器人研究院 通信连通保持约束下的多智能体覆盖控制方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5248968A (en) * 1991-12-06 1993-09-28 The Boeing Company Tcas ii pitch guidance control law and display symbol
JP2018180604A (ja) * 2017-04-03 2018-11-15 株式会社豊田中央研究所 監視装置、移動体の監視対象追従制御装置、監視対象追従制御プログラム
CN108848489A (zh) * 2018-07-06 2018-11-20 西北工业大学 一种面向应急通信的无人机自适应覆盖方法
CN109582030A (zh) * 2018-12-20 2019-04-05 中国科学院深圳先进技术研究院 一种调整无人机姿态控制中待整定参数方法及相关装置
CN110032797A (zh) * 2019-04-13 2019-07-19 成都飞机工业（集团）有限责任公司 无人机uav控制律调参方法
CN110398980A (zh) * 2019-06-05 2019-11-01 西安电子科技大学 一种无人机群协同探测及避障的航迹规划方法
CN111198576A (zh) * 2020-01-09 2020-05-26 哈尔滨工程大学 人工智能大数据下粒子化无人机组控制方法、介质及机组
WO2021024352A1 (ja) * 2019-08-05 2021-02-11 三菱電機株式会社 制御装置、および、制御方法
CN112817327A (zh) * 2020-12-30 2021-05-18 北京航空航天大学 一种通信约束下的多无人机协同搜索方法
WO2021212462A1 (zh) * 2020-04-24 2021-10-28 深圳市大疆创新科技有限公司 移动控制方法、移动装置及移动平台
CN113595619A (zh) * 2021-07-30 2021-11-02 中国电子科技集团公司第五十四研究所 一种无人机群通联与覆盖组合优化方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5248968A (en) * 1991-12-06 1993-09-28 The Boeing Company Tcas ii pitch guidance control law and display symbol
JP2018180604A (ja) * 2017-04-03 2018-11-15 株式会社豊田中央研究所 監視装置、移動体の監視対象追従制御装置、監視対象追従制御プログラム
CN108848489A (zh) * 2018-07-06 2018-11-20 西北工业大学 一种面向应急通信的无人机自适应覆盖方法
CN109582030A (zh) * 2018-12-20 2019-04-05 中国科学院深圳先进技术研究院 一种调整无人机姿态控制中待整定参数方法及相关装置
CN110032797A (zh) * 2019-04-13 2019-07-19 成都飞机工业（集团）有限责任公司 无人机uav控制律调参方法
CN110398980A (zh) * 2019-06-05 2019-11-01 西安电子科技大学 一种无人机群协同探测及避障的航迹规划方法
WO2021024352A1 (ja) * 2019-08-05 2021-02-11 三菱電機株式会社 制御装置、および、制御方法
CN111198576A (zh) * 2020-01-09 2020-05-26 哈尔滨工程大学 人工智能大数据下粒子化无人机组控制方法、介质及机组
WO2021212462A1 (zh) * 2020-04-24 2021-10-28 深圳市大疆创新科技有限公司 移动控制方法、移动装置及移动平台
CN112817327A (zh) * 2020-12-30 2021-05-18 北京航空航天大学 一种通信约束下的多无人机协同搜索方法
CN113595619A (zh) * 2021-07-30 2021-11-02 中国电子科技集团公司第五十四研究所 一种无人机群通联与覆盖组合优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAITAO ZHAO: "Deployment Algorithms for UAV Airborne Networks Toward On-Demand Coverage", 《IEEE》 *
于晴，耿虎军: "速度平滑距离与Vondrak平滑方法在高精度测量中的比较应用", 《计算机测量与控制》 *
余鸿哲: "多无人机作业协作决策策略研究", 《优秀硕士论文工程科技Ⅱ辑》 *
宋春林: "四旋翼无人机在未知环境中自主导航和飞行控制方法研究", 《优秀博士论文全文库工程科技Ⅱ辑》 *
魏阿龙: "基于自适应动态规划的无人机编队最优协同控制研究", 《优秀硕士论文全文库工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115278699A (zh) * 2022-06-17 2022-11-01 深圳市人工智能与机器人研究院 通信连通保持约束下的多智能体覆盖控制方法和装置
CN115278699B (zh) * 2022-06-17 2024-01-16 深圳市人工智能与机器人研究院 通信连通保持约束下的多智能体覆盖控制方法和装置

Also Published As

Publication number Publication date
CN114333429B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Qiu et al. A multi-objective pigeon-inspired optimization approach to UAV distributed flocking among obstacles
CN108594853B (zh) 无人机队形控制方法
CN108958285B (zh) 一种基于分解思想的高效多无人机协同航迹规划方法
CN107491086B (zh) 时变网络拓扑下的无人机编队避障方法及系统
Alonso-Mora et al. Distributed multi-robot formation control among obstacles: A geometric and optimization approach with consensus
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
CN108983823B (zh) 一种植保无人机集群协同控制方法
CN109613931A (zh) 基于生物社会力的异构无人机集群目标跟踪系统及方法
CN106483958B (zh) 一种基于障碍图和势场法的人机协同编队跟随及避障方法
CN107992090A (zh) 一种应用于网络化集群智能体系统的自适应编队方法
WO2022077817A1 (zh) 一种基于视觉与性能约束的多无人机协同控制方法及系统
CN111273685B (zh) 一种异构多无人机自主聚集、分离及合并集群方法
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
CN115033016B (zh) 一种异构无人集群编队避障方法及系统
CN114610066A (zh) 复杂未知环境下分布式集群无人机编队飞行轨迹生成方法
CN114333429B (zh) 一种面向多无人机目标覆盖任务的规则提取方法
Vashisth et al. Existing path planning techniques in unmanned aerial vehicles (UAVs): A systematic review
CN115047910A (zh) 一种基于雁形阵的无人机编队巡航控制方法
Yang et al. Federated imitation learning for uav swarm coordination in urban traffic monitoring
Yang et al. Cooperative deconflicting heading maneuvers applied to unmanned aerial vehicles in non-segregated airspace
Li et al. Vg-swarm: A vision-based gene regulation network for uavs swarm behavior emergence
Chen et al. A fast coordination approach for large-scale drone swarm
Li et al. When digital twin meets deep reinforcement learning in multi-UAV path planning
Wang et al. Collective navigation of aerial vehicle swarms: A flocking inspired approach
Li et al. UAV-BS formation control method based on loose coupling structure

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