CN114527784A - 一种基于行为控制方法的无人机集群整体避障方法 - Google Patents

Abstract

本申请属于无人机集群控制技术领域，具体涉及一种基于行为控制方法的无人机集群整体避障方法。首先利用行为控制方法设计了一种晶格队形的控制方法，然后在晶格队形的基础上增加队形边界约束，控制集群中的每架无人机都试图进入到边界所围成区域内，进而形成密集编队飞行的队形控制，最后基于粒子群算法设计了一种新的航路规划方法，为无人机集群在存在障碍物的区域中规划出了一条与队形宽度相匹配的安全可飞的通道，并将规划的通道作为无人机集群的共识信息，实现了无人机集群整体的避障。

Description

一种基于行为控制方法的无人机集群整体避障方法

技术领域

本申请属于无人机集群控制技术领域，具体涉及一种基于行为控制方法的无人机集群整体避障方法。

背景技术

无人机集群一般由数量众多的具有自主控制能力的小型无人机组成，具有功能余度多、作战使用灵活、使用成本低等特点，无人机集群在执行任务时，需要集群中的各架无人机保持一定的队形进行编队飞行。近些年来，无人机集群编队的控制技术已成为一个热门的研究领域，目前主要的研究方法有领导-跟随法、虚拟结构法和行为控制方法。

由于每架无人机的通信和计算能力有限，单架无人机只能利用通信邻域内的无人机信息，来决策出合理的飞行路径以调整其飞行方向，而不是集群的全局信息。采用分布式的编队控制方法可以简化无人机集群的通信拓扑结构，减轻各无人机的通信压力，同时也为集群编队带来了良好的鲁棒性和扩展性。相比于领导-跟随方法、虚拟结构法，行为控制法以分布式的方法使得集群中的个体间的通信量明显减少，在实现碰撞规避、队形保持的基础上赋予了个体更高的自主性。

对昆虫，蚂蚁和鸟类的自然生物学研究表明，通过使用群体行为而不需要中心协调，可以有效地解决涉及大量此类动物的协调问题。受这些发现的启发，在机器人集群领域已经开展了大量工作。最值得注意的是，Reynolds提出了模拟动物群体行为的Boid模型，将其运用到无人机集群上依然适用。在该模型的要求下，无人机集群中的各架无人机的行为应该满足以下三项基本原则：1)聚合—各无人机运动试图靠近邻域内其他无人机；2)分离—各无人机应避免邻域内其他无人机发生碰撞；3)速度一致—各无人机应与邻域内其他无人机保持速度一致。Olfati-Saber根据Reynolds三原则提出了一种分布式集群控制算法，通过该控制方法能够形成稳定晶格结构。Vicsek等人提出了Vicsek模型，从统计力学的角度模拟了粒子的自组织蜂拥行为，并研究了受限环境下无人机集群的蜂拥飞行的控制算法。Duan从归巢鸽中获得灵感，基于鸽群的分层策略设计无人机集群控制方法，各架无人机根据集群的局部位置信息和速度信息实现了稳定的编队飞行。

无人机集群在实际飞行中，遇到一些障碍物是不可避免的，比如山峰地带、防空阵地等，无人机集群在编队飞行的过程中具有避障能力是基本的安全要求。一般将障碍物等效为虚拟的圆柱，当无人机探测到障碍物时，无人机就会执行避障行为。也可将障碍物看作是一种虚拟的斥力源，考虑采用虚拟势场法设计无人机集群的避障方法。不过这些方法存在的问题是：当障碍物较大时，无人机集群就会被长时间分裂，不能发挥无人机集群的整体优势。为了避免无人机集群被长时间分裂，设计无人机集群整体的避障方法具有重要的研究意义。

发明内容

为了解决上述问题，本申请提供一种基于行为控制方法的无人机集群整体避障方法，主要包括：

步骤S1、记录起始航路点，在无人机的起始点附近随机初始化群体中所有粒子的位置及速度；

步骤S2、对每一个粒子，计算当前位置的代价；

步骤S3、基于由所述代价构建的目标函数更新每一个粒子的局部最优位置；

步骤S4、根据每一个粒子的局部最优位置确定群体的全局最佳位置，将所述全局最佳位置作为下一个航路点；

步骤S5、对每一个粒子，根据其局部最优位置及全局最佳位置更新其位置和速度，返回步骤S2，直至全局最佳位置为目标航路点，形成无人机航路点序列；

步骤S6、控制第一虚拟无人机按照规划好的航路点序列运动，其中，所述第一虚拟无人机作为无人机集群的期望队形区域内的中心，通过二值开关变量，将无人机集群内的所有无人机向所述期望队形区域内吸引。

优选的是，步骤S2中，计算当前位置的代价包括：

计算新增航路点到目标航路点的路径长度代价；

计算新增航路段的威胁代价；

对所述路径长度代价及所述威胁代价加权计算，获得当前位置的代价。

优选的是，计算新增航路段的威胁代价包括：

在所述新增航路段中均匀选取若干个计算点；

以各计算点的威胁代价总和作为新增航路段的威胁代价。

优选的是，步骤S5之后，进一步包括：

步骤S51、在航路点序列中从当前航路点w_c1开始循环往后遍历其他航路点w_i；

步骤S52、判断当前航路点w_c1与该航路点w_i的连线是否穿越环境中的威胁，若穿越则后退到前一个航路点w_i-1，将前一航路点w_i-1更新为新的当前航路点w_c2，并删除新的当前航路点w_c2与上一个当前航路点w_c1之间的所有节点；

步骤S53、更改当前航路点的信息，将w_c2重新赋给w_c1，返回步骤S1，直至当前航路点到达目标点。

优选的是，步骤S6中，所述期望队形区域为圆形、矩形或者三角形。

优选的是，步骤S6中，无人机集群内的所有无人机被设置成集群中各架无人机只能和各自邻域内的无人机进行信息交互，具体包括基于无人机集群非负势能函数使两架无人机彼此之间在保持期望距离处达到平衡点。

优选的是，所述无人机集群非负势能函数为所有两个相邻无人机组合的势能的和。

本申请针对现有无人机集群整体避障问题中存在的问题，提出了基于行为控制方法的无人机集群整体避障方法。该方法首先利用行为控制方法设计了一种晶格队形的控制方法，然后在晶格队形的基础上增加队形边界约束，控制集群中的每架无人机都试图进入到边界所围成区域内，进而形成密集编队飞行的队形控制，最后基于粒子群算法设计了一种新的航路规划方法，为无人机集群在存在障碍物的区域中规划出了一条与队形宽度相匹配的安全可飞的通道，并将规划的通道作为无人机集群的共识信息，实现了无人机集群整体的避障。通过仿真实验得到的结果验证了本发明所提出的方法运用在无人机集群整体避障方面具有较好的效果。

附图说明

图1为本发明一优选实施例的流程图。

图2所示的是本发明所采用密集编队飞行控制方法下无人机集群的三角队形形成过程。

图3所示的是本发明所采用密集编队飞行控制方法下集群位置变化律的曲线结果。

图4所示的是本发明在不同障碍物的场景下基于粒子群算法得到的无人机航路规划结果。

图5所示的是本发明所采用密集编队飞行控制方法下基于粒子群算法得到的无人机集群密集队形航路规划结果。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。

本发明旨在克服现有技术中的不足，提出了基于行为控制方法的无人机集群整体避障方法。该方法首先利用行为控制方法设计了一种晶格队形的控制方法，然后在晶格队形的基础上增加队形边界约束，控制集群中的每架无人机都试图进入到边界所围成区域内，进而形成密集编队飞行的队形控制，最后基于粒子群算法设计了一种新的航路规划方法，为无人机集群在存在障碍物的区域中规划出了一条与队形宽度相匹配的安全可飞的通道，并将规划的通道作为无人机集群的共识信息，实现了无人机集群整体的避障方法。通过仿真实验验证了本发明方法的有效性和合理性。

为达到上述的目的，本申请提供了一种基于行为控制方法的无人机集群整体避障方法，如图1所示，主要包括：

步骤S1、记录起始航路点，在无人机的起始点附近随机初始化群体中所有粒子的位置及速度；

步骤S2、对每一个粒子，计算当前位置的代价；

步骤S3、基于由所述代价构建的目标函数更新每一个粒子的局部最优位置；

步骤S4、根据每一个粒子的局部最优位置确定群体的全局最佳位置，将所述全局最佳位置作为下一个航路点；

步骤S5、对每一个粒子，根据其局部最优位置及全局最佳位置更新其位置和速度，返回步骤S2，直至全局最佳位置为目标航路点，形成无人机航路点序列；

步骤S6、控制第一虚拟无人机按照规划好的航路点序列运动，其中，所述第一虚拟无人机作为无人机集群的期望队形区域内的中心，通过二值开关变量，将无人机集群内的所有无人机向所述期望队形区域内吸引。

以下通过实施例具体描述。

仿真环境为：Intel 2.8GHz,16GB内存的PC机,Windows10操作系统，Matlab2018a平台。

在无人机执行任务时，无人机通常以固定速度做等高飞行，本发明将无人机视为二维空间运动的质点模型，高度已知，坐标系为平面坐标系。

在执行本申请的控制方法之前，首先需要对无人机集群进行编队控制。将无人机的运动模型以向量形式表示，对第i架无人机有：

其中，p_i,v_i,u_i∈R²，分别表示无人机的位置向量、速度向量和控制输入向量。

考虑到无人机机载通信设备通信范围的限制和通信实时性的要求，本发明中设置当两架无人机的距离小于通信范围R_c时，它们才可以获取彼此的位置和速度信息，本实例中取为24m。

用有向图G＝(V,ε)表示无人机之间的通信拓扑关系，顶点集V＝{1,2,…,n}表示各无人机节点，n为无人机集群的规模，本实例中取为100，

为边集，边(i,j)∈ε表示第i架无人机可以收到第j架的位置和速度信息，与此同时第j架无人机也可以收到第i架的位置和速度信息，即

因此图G是无向图。本实例中取各架无人机的初始速度在([10,30]m/s)x([10,30]m/s)的范围内以随机均匀分布的方式产生，各架无人机的最大速度设置为50m/s，最大加速度设置为6m/s²，各架无人机的初始位置在([-30,70]x[-30,70])m²的范围内以随机均匀分布的方式产生。

A＝[a_ij]为图G的加权邻接矩阵，当i＝j时,a_ij＝0；当i≠j时，若a_ij≠0,(i,j)∈ε,否则

通常根据各无人机的相对位置得到加权邻接矩阵。对于有向图G，A为对称阵(A^T＝A)。用N_i表示无人机i的邻域无人机集合，N_i可定义为：

N_i＝{j∈V:a_ij≠0}＝{j∈V:(i,j)∈ε} (1-2)

无人机集群的位置向量p＝[p₁,p₂,…,p_n]描述了图中各个节点i的位置,(G,p)共同描述了无人机集群所组成的图的结构。只有在通信范围R_c内的两架无人机才能进行信息交互，无人机的i的邻域无人机可重新定义为：

N_i＝{j∈V:||p_j-p_i||＜R_c} (1-3)

其中||·||表示欧式距离。

编队控制主要包括行为控制方法模型、晶格队形控制、晶格队形稳定性判定、晶格队形边界约束。

步骤1.1：行为控制方法模型

行为控制方法通常是分布式控制方法，可以用更少的通信来实现，它是基于虚拟势场法和一致性理论的控制方法来实现的。在虚拟势场法中集群中的各架无人机根据虚拟势场的梯度方向运动，而势场的梯度由虚拟势场的吸引力和排斥力之和产生(即势能函数的导函数)。

步骤1.1.1：虚拟势场法建模

为了实现无人机集群稳定地编队飞行，两架无人机彼此之间应保持一段固定的距离，即为期望距离d，本实例取d为20m,针对无人机i和无人机j，它们的位置向量有如下约束：

在式(1-4)的约束下，集群中的各架无人机最终形成类似于晶格形态的队形。定义新的无人机集群非负势能函数E(p):

其中，z＝||p_j-p_i||。

为了使各无人机之间具有吸引性和排斥性的成对势能，并在z＝d处达到平衡点。构造φ(z)来描述无人机之间的这种相互作用，φ(z)可定义为：

其中，a、b分别为调整无人机之间排斥、吸引相互作用的比例系数。a、b的取值越大，无人机之间的相互作用越明显，在本实例中，取a＝2，b＝10。

通过φ(z)，公式(1-5)中的两架无人机之间的势能函数可定义为：

集群中各架无人机只能和各自邻域内的无人机进行信息交互，无人机之间的相互作用应该在通信半径R_c外消失,因此无人机之间的吸引力/排斥力应该在通信半径R_c处有限截止。创建有限截止的势能函数的常用方法是“软切割”，即为势能函数乘以一个凸函数。这里使用凸函数ρ_h(z)构造具有有限截止的人工势能函数：

其中h∈(0,1)，h越接近于1表示势能函数作用越明显，在本实例中取h＝0.2。

通过式(1-8)中定义的凸函数，可以定义光滑的邻接矩阵A为：

a_ij(p)＝ρ_h(z/R_c)∈[0,1] j≠i (1-9)

更新φ(z)为：

φ(z)＝ρ_h(z/R_c)·φ(z) (1-10)

步骤1.1.2：一致性理论建模

一致性理论已被广泛应用到多智能体系统的控制中,各智能体通过交换各自的信息使得其某些状态量达到相同的值。无人机i的某一状态量为χ_i,其动态方程描述为：

随着无人机的运动，各架无人机通过通信网络与其邻域无人机进行信息交互使得该状态量达到一致，即

χ₁＝χ₂＝…＝χ_n (1-12)

该状态的在达到稳定的过程中，无人机i的状态量χ_i的控制输入由如下线性公式控制：

在式(1-13)中χ_i的控制量只由无人机自身的信息状态和其邻域内无人机的信息状态，是一种分布式算法。

步骤1.2：晶格队形控制

当无人机集群没有共识信息，无人机的运动状态只受邻域内的无人机影响，无人机集群很难实现一致的运动趋势，本发明引入一架虚拟无人机作为无人机集群中的共识信息，它的状态描述了无人机整体的运动情况。但是，并不意味着本发明的方法等同于“虚拟领导者”方法，虚拟无人机不需要各无人机实时协商决定，并不受外界因素影响。本发明中虚拟无人机的初始位置设置为(20，20)m，初始速度为30m/s，方向为45°。

设虚拟无人机的运动学模型为：

为了形成晶格编队队形，每架无人机试图与虚拟无人机的位置和速度保持一致，并且与各自邻域内的其他无人机保持期望距离。对应的控制输入

被设计为：

其中，k₁、k₂分别为虚拟无人机位置信息和速度信息的引导增益系数，在本实例中取k₁＝0.8，k₂＝2。

步骤1.3：晶格队形稳定性判定

当无人机集群在晶格队形的控制输入下形成稳定的队形时，无人机集群中各架无人机和虚拟无人机的相对距离在很小范围内变化，通过各架无人机和虚拟无人机的相对位置变化的均值描述无人机集群相对位置变化律，定义K(t)为

当K(t)→0时，无人机集群队形趋于稳定。

步骤1.4：晶格队形边界约束

晶格队形虽然能实现密集编队飞行，但由于各无人机只能获取各自邻域内的无人机信息，最后的收敛形状依赖给各无人机的初始位置，晶格的边界难以控制和预测。假设有一个边界不断挤压晶格队形，无人机集群便形成了与边界所围成的形状相对应的无人机集群队形。将虚拟无人机用一片区域代替，作为无人机集群的共识信息，集群中的每架无人机都试图进入到区域内。如果将区域设计为圆形、矩形或三角形，当集群中所有的无人机都进入区域时，无人机集群便形成了与区域相对应的队形。

步骤1.4.1：估算晶格队形的面积

在计算得到的控制输入

的作用下，三架无人机将形成以期望距离d为边长的等边三角形，构成了无人机集群密集编队飞行的基本形状。设定的期望队形的相对应的区域面积应该和无人机集群所构成的晶格队形面积相当。对于由n架无人机组成的无人机集群，所构成的晶格队形的面积为估算为

步骤1.4.2：估算晶格队形的边长(以等边三角形为例)

对于等边三角形区域，估算其边长L_etriangle有：

由于区域边界的限制，晶格队形的小三角形很难完整地填满边界所围成地区域，让边界所围成区域的面积稍大于晶格队形的面积，因此重新估算等边三角形区域的边长为：

步骤1.4.3：期望队形区域的描述

为了描述区域的范围，在区域中心引入一架虚拟无人机(p_v,v_v)，虚拟无人机的位置坐标p_v＝(p_vx,p_vy)描述了区域中心，同时也是期望队形的中心，而虚拟无人机的速度v_v描述了无人机集群整体的速度大小和方向。用一组不等式来描述期望队形的区域R_area。

设xoy坐标系中有一点p_i＝(p_ix,p_iy)，对等边三角形区域有：

步骤1.4.4：密集编队队形控制量

对无人机i有控制输入

其中，k₁、k₂分别为对队形区域对各架无人机的位置和速度的反馈增益系数，g_i∈{0,1}是二值开关变量，其定义为：

g_i的含义是当无人机i在期望队形形状的区域外时，位于区域中心的虚拟无人机对其有吸引作用，该无人机向区域中心聚合，当无人机进入期望队形形状的区域内后，虚拟无人机的作用消失。

步骤2：基于粒子群算法的航路规划算法设计无人机航路规划首先要解决任务区域态势建模问题，将无人机飞行过程中所需规避的障碍物和人为威胁(雷达、防空阵地、禁飞区)建模为圆柱，圆柱的半径为威胁的范围。无人航路规划需要解决的问题可以描述为：给定的起始点和目标点、威胁集O＝{o₁,o₂,…,o_k}和无人机的运动模型的条件下,规划一系列航路点W＝{w₀,w₁,…,w_n,w_n+1},通过这些航路点形成无人机的可飞路径，本例中无人机集群规模为25架，各架无人机初始状态和虚拟无人机的初始状态和步骤1保持一致，设置起始点为(20,20)m,目标点为(1000,1000)m。

步骤2.1：代价函数设计

设无人机的起点为w₀,目标点为w_n+1。对于每一段航路，航路代价函数由路径代价和威胁代价两部分组成，其函数形式为：

F(w_i)＝m₁f_l(w_i)+m₂f_o(w_i) (2-1)

其中，w_i为新增航路点，f_l(w_i)为新增航路点到目标点w_n+1的路径长度代价，f_o(w_i)为新增航路段

的威胁代价，m₁,m₂分别当前路径长度代价和威胁代价的权重系数。

步骤2.1.1：对于新选定的航路点w_i,其路径长度代价f_l(w_i)可定义为：

f_l(w_i)＝||w_i-w_n+1|| (2-2)

步骤2.1.2：对于新添加的航路段

为了计算其威胁代价，本发明做如下简化处理：在航路段l_i上均匀地取10个点，计算这10个点的威胁代价总和，从而得到航路段l_i的威胁代价，因此航路段l_i的威胁代价f_o(w_i)可定义为：

其中，N_t为任务区的威胁数量，t_kj为第k个威胁对航路段l_i上第j个点是否存在威胁，t_kj定义为

其中，p_k为第k个威胁的位置，R_k为第k个威胁的半径，本例中取N_t为4，即设置4个障碍物，设置障碍物半径R_k均为80m，它们的位置分别为(400,400)m、(400,900)m、(900,400)m、(900,900)m。

当考虑为无人机集群在任务区域一条可飞的安全通道时，还应考虑通道的宽度，设无人机集群需要的可飞通道的宽度为D_w，本例中取D_w为100m，那么t_kj可重新定义为

当不能接受无人机的飞行上路径存在任何威胁时，可以设置m₂为一个极大值。需要说明的是，这种威胁代价的计算方式，取决于l_i的长度，l_i的长度越短，对威胁代价的计算的越精确。

步骤2.2：路径规划算法设计

PSO(particle swarm optimization)算法是一种基于随机群体的启发式优化方法，是目前非线性优化技术中的一种非常有效的方法。在PSO算法中,群的每个成员称为粒子,每个粒子在多维搜索空间中飞行,并不断根据粒子自己的经验、粒子邻居的经验或整体群的经验而更新自己的速度和位置。

粒子j在n维搜索空间中飞行的状态更新如下：

其中，p_jk为粒子j的局部最佳位置向量p_j的分量，p_gk为粒子群全局最佳位置p_g的分量，即p_j＝[p_j1,p_j2,...,p_jn]，p_g＝[p_g1,p_g2,...,p_gn]，换句话说，它们是粒子j和粒子群的历史记忆，r₁和r₂为[0,1]均匀分布的随机数。

设F(X)为最小化的目标函数,那么,粒子j经历的当前最佳位置称为局部最佳位置,即

群体中所有粒子经历的当前最佳位置称为全局最佳位置，即

p_g(t)＝{p_j(t)|F(p_j(t))}＝min{F(p_j(t))}j＝1,2,..,m (2-8)

在式(2-6)中，w为惯性因子，通常正常数，相对大的w具有更多的全局搜索能力，相对小的w则对导致快速的收敛；系数c₁和c₂分别为认知系数和社会系数，又是统称为加速度系数，反映了局部最优和全局最优位置对粒子j的一种影响程度，本例中建议取为2.0。

步骤2.2.1：设定t＝0，i＝1，记录起始航路点w₀，在无人机的起始点附近随机初始化群体中所有粒子的位置X，初始化所有粒子的速度V；

步骤2.2.2：判断p_g(t)是否为到底目标点，若否，重复执行Step2.2.3到Step2.2.3，否则结束；

步骤2.2.3：循环遍历群体中的每个粒子j，根据(2-1)式计算当前位置的代价F(x_j(t+1))，根据(2-7)式更新粒子j的局部最优位置p_j(t)；

步骤2.2.4：根据(2-8)式更新p_g(t)，具体操作为假设x^*(t)为当前群体的最优位置点，若F(x^*(t))较F(p_g(t))代价更低，更新p_g(t)为x^*(t)；

步骤2.2.5：记录航路点w_i＝p_g(t)，即该时刻的全局最优位置为无人机的第i个航路点；

步骤2.2.6：循环遍历群体中的每个粒子j，根据式(2-6)更新粒子j的位置x_j(t+1)和速度v_j(t+1)；

步骤2.2.7：更新t＝t+1，i＝i+1；

步骤2.2.8：根据记录的全局最优位置的航路点最终得到无人机航路点序列W.

步骤2.3：航路点序列删减平滑处理

基于PSO的无人机航路规划算法得到的无人机初始航路点序列是一条粗糙的航路，需要经过一系列删减处理，得到精简后的航路点序列，并满足无人机的飞行要求。

步骤2.3.1：针对初始无人机航路点序列W＝{w₀,w₁,…,w_n,w_n+1}，将起始航路点设置为当前节点w_c1；

步骤2.3.2：在航路点序列W中从当前节航路点w_c1开始循环往后遍历其他航路点w_i(c1＜i≤n+1)；判断当前航路点w_c1与该航路点w_i的连线是否穿越环境中的威胁，若穿越则后退到前一个航路点w_i-1，将前一航路点w_i-1更新为新的当前航路点w_c2，并删除新的当前航路点w_c2与上一个当前航路点w_c1之间的所有节点，更改当前航路点的信息，将w_c2重新赋给w_c1。若不穿越威胁区域，则继续向后遍历，不断重复上面的过程，直到当前航路点到达目标点。

步骤2.4：集群避障处理

为了实现集群的整体避障，设置虚拟无人机按照规划好的航路点序列运动，相当于设置了无人机集群的质心航线，并作为起飞前为各架无人机装定的共识信息。而各架无人机根据各自邻域无人机信息、个体的差异信息以及无人机集群质心航线生成各自航线，从而使得无人机集群以整体的形式穿过障碍物较多的复杂任务区域。

图2是本发明实例的密集编队队形的形成过程，红色无人机图标表示各架实体无人机，绿色图标表示虚拟无人机，初始状态下无人机位置和速度呈现随机分布状态，在本发明中所提出的密集编队队形方法处理后会到达稳定的状态。图3为无人机集群的位置变化律，从图中可看出在飞行45s左右开始基本收敛到0，形成了稳定的三角队形，同时也说明了本发明的算法具有极好的关于无人机数量的扩展性。

图4是本发明在不同障碍物的场景下基于粒子群算法得到的无人机航路规划结果，8个圆形表示障碍物，变化较大的曲线为预规划的粗糙航路，相对较少顶点构成折线为经过航路平滑处理的航路规划结果。从图4的仿真结果来看，本发明文设计的基于粒子群算法的航路规划方法能在复杂的场景中规划一条安全的航路，是有效的航路规划算法。

图5所示的是本发明所采用密集编队飞行控制方法下基于粒子群算法得到的无人机集群密集队形航路规划结果，图5(a)中给出了无人机集群的初始状态和适用于无人机集群的航路规划的结果，图5(b)、5(c)、5(d)展示了无人机集群以密集编队的形式避开障碍物的过程，从而证明了算法的有效性。

虽然，上文中已经用一般性说明及具体实施方案对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (7)

1.一种基于行为控制方法的无人机集群整体避障方法，其特征在于，包括：

步骤S1、记录起始航路点，在无人机的起始点附近随机初始化群体中所有粒子的位置及速度；

步骤S2、对每一个粒子，计算当前位置的代价；

步骤S3、基于由所述代价构建的目标函数更新每一个粒子的局部最优位置；

步骤S4、根据每一个粒子的局部最优位置确定群体的全局最佳位置，将所述全局最佳位置作为下一个航路点；

步骤S5、对每一个粒子，根据其局部最优位置及全局最佳位置更新其位置和速度，返回步骤S2，直至全局最佳位置为目标航路点，形成无人机航路点序列；

步骤S6、控制第一虚拟无人机按照规划好的航路点序列运动，其中，所述第一虚拟无人机作为无人机集群的期望队形区域内的中心，通过二值开关变量，将无人机集群内的所有无人机向所述期望队形区域内吸引。

2.如权利要求1所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，步骤S2中，计算当前位置的代价包括：

计算新增航路点到目标航路点的路径长度代价；

计算新增航路段的威胁代价；

对所述路径长度代价及所述威胁代价加权计算，获得当前位置的代价。

3.如权利要求2所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，计算新增航路段的威胁代价包括：

在所述新增航路段中均匀选取若干个计算点；

以各计算点的威胁代价总和作为新增航路段的威胁代价。

4.如权利要求1所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，步骤S5之后，进一步包括：

步骤S51、在航路点序列中从当前航路点w_c1开始循环往后遍历其他航路点w_i；

步骤S52、判断当前航路点w_c1与该航路点w_i的连线是否穿越环境中的威胁，若穿越则后退到前一个航路点w_i-1，将前一航路点w_i-1更新为新的当前航路点w_c2，并删除新的当前航路点w_c2与上一个当前航路点w_c1之间的所有节点；

步骤S53、更改当前航路点的信息，将w_c2重新赋给w_c1，返回步骤S1，直至当前航路点到达目标点。

5.如权利要求1所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，步骤S6中，所述期望队形区域为圆形、矩形或者三角形。

6.如权利要求5所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，步骤S6中，无人机集群内的所有无人机被设置成集群中各架无人机只能和各自邻域内的无人机进行信息交互，具体包括基于无人机集群非负势能函数使两架无人机彼此之间在保持期望距离处达到平衡点。

7.如权利要求6所述的基于行为控制方法的无人机集群整体避障方法，其特征在于，所述无人机集群非负势能函数为所有两个相邻无人机组合的势能的和。

Images