CN114661069A - 一种群体智能系统的编队控制方法 - Google Patents

一种群体智能系统的编队控制方法 Download PDF

Info

Publication number
CN114661069A
CN114661069A CN202210571604.6A CN202210571604A CN114661069A CN 114661069 A CN114661069 A CN 114661069A CN 202210571604 A CN202210571604 A CN 202210571604A CN 114661069 A CN114661069 A CN 114661069A
Authority
CN
China
Prior art keywords
time
formation
real
follows
followers
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
CN202210571604.6A
Other languages
English (en)
Other versions
CN114661069B (zh
Inventor
高凯
刘永芳
赵宇
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
Shenzhen Institute of Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Shenzhen Institute of 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, Shenzhen Institute of Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN202210571604.6A priority Critical patent/CN114661069B/zh
Publication of CN114661069A publication Critical patent/CN114661069A/zh
Application granted granted Critical
Publication of CN114661069B publication Critical patent/CN114661069B/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

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)
  • Stored Programmes (AREA)

Abstract

本发明公开了一种群体智能系统的编队控制方法，通过获取所有智能体的位置信息以及初始信息，初始信息包括时间采样序列
Figure 741541DEST_PATH_IMAGE001
、智能体初始运行时间t=0、初始采样时间参数k=0和目标编队任务完成时间T s ；确定所述系统中至少三个领航者和其余跟随者，并确定出目标编队构型和通信拓扑；基于目标编队构型和通信拓扑确定系统的应力矩阵；根据所述位置信息确定所有领航者的运动轨迹并更新所有领航者的实时位置信息；基于所述初始信息、应力矩阵和所有领航者的实时位置信息确定出编队控制律；根据所述编队控制律更新所有跟随者的实时位置信息，并在目标编队任务完成时间完成编队，本发明实现了在精确的时间内对群体智能系统进行编队，灵活地完成了复杂的编队任务。

Description

一种群体智能系统的编队控制方法
技术领域
本发明属于群体智能系统技术领域，具体涉及一种群体智能系统的编队控制方法。
背景技术
群体智能系统的编队技术被广泛用于协同搜救、协同突防和协同打击等各种实际任务中，群体智能系统中的智能体是指能够在环境和动作空间中能够进行自主决策的单位，如无人机、无人水面舰艇、无人水下潜航器、无人地面车和卫星等。
在实际应用中，通常是引入编队向量来描述编队的几何构型，但编队向量的设计步骤较为繁琐，而群体智能系统完成编队任务的时间精确性具有重要意义，若无法在要求的时间内完成编队任务，则意味着编队避障、切换或合围任务失败，造成巨大的经济损失。
因此，如何实现在精确的时间内实现编队控制任务，是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的是为了在精确的时间内实现群体智能系统的编队控制任务，提出了一种群体智能系统的编队控制方法。
本发明的技术方案为：一种群体智能系统的编队控制方法，所述系统包括至少三个智能体，所述方法包括以下步骤：
S1、获取所有智能体的位置信息以及初始信息，所述初始信息包括时间采样序列
Figure 275585DEST_PATH_IMAGE001
、智能体初始运行时间t =0、初始采样时间参数k =0和目标编队任务完成时间T s ；
S2、确定所述系统中至少三个领航者和其余跟随者，并确定出目标编队构型和通信拓扑；
S3、基于目标编队构型和通信拓扑确定所述系统的应力矩阵；
S4、根据所述位置信息确定所有领航者的运动轨迹并更新所有领航者的实时位置信息；
S5、基于所述初始信息、应力矩阵和所有领航者的实时位置信息确定出编队控制律；
S6、根据所述编队控制律更新所有跟随者的实时位置信息，并在目标编队任务时间到达时完成编队。
进一步地，采样时间间隔为
Figure 723884DEST_PATH_IMAGE002
，所述时间采样序列
Figure 831518DEST_PATH_IMAGE003
具体如下式所示：
Figure 757885DEST_PATH_IMAGE004
式中，
Figure 103416DEST_PATH_IMAGE005
，T s 为目标编队任务完成时间。
进一步地，所述智能体相互之间线性独立，且所述目标编队构型中所有智能体在同一个平面上。
进一步地，所述通信拓扑中链路的应力矩阵
Figure 191458DEST_PATH_IMAGE006
如下式所示：
Figure 520808DEST_PATH_IMAGE007
式中，
Figure 782025DEST_PATH_IMAGE008
为第i个智能体和第j个智能体组成的链路的权重， E为第i个智能体与其邻居智能体组成的通信链路，
Figure 778800DEST_PATH_IMAGE009
为第i个智能体的相邻智能体。
进一步地，所述系统的应力矩阵
Figure 303322DEST_PATH_IMAGE010
具体如下式所示：
Figure 119968DEST_PATH_IMAGE011
Figure 122559DEST_PATH_IMAGE012
式中，
Figure 973841DEST_PATH_IMAGE013
为维度为
Figure 669264DEST_PATH_IMAGE014
的单位矩阵，
Figure 442048DEST_PATH_IMAGE015
表示领航者之间的应力矩阵，
Figure 248330DEST_PATH_IMAGE016
表示领航者和跟随者之间的应力矩阵，
Figure 422960DEST_PATH_IMAGE017
表示跟随者和领航者之间的应力矩阵，
Figure 289284DEST_PATH_IMAGE018
表示跟随者之间的应力矩阵。
进一步地，所述步骤S6中根据所述编队控制律更新所有跟随者的实时位置信息具体为先确定出所述跟随者的动力学模型，然后将所述编队控制律输入到所述跟随者的动力学模型中从而更新所述跟随者的实时位置信息。
进一步地，所述跟随者的动力学模型具体如下式所示：
Figure 346102DEST_PATH_IMAGE019
式中，
Figure 956075DEST_PATH_IMAGE020
为所述跟随者的实时位置，
Figure 985211DEST_PATH_IMAGE021
为所述编队控制律，
Figure 288016DEST_PATH_IMAGE022
为所述跟随者。
进一步地，所述编队控制律
Figure 769813DEST_PATH_IMAGE023
具体如下式所示：
Figure 183477DEST_PATH_IMAGE024
式中，
Figure 270382DEST_PATH_IMAGE025
为第
Figure 744088DEST_PATH_IMAGE026
步的采样时间，
Figure 713181DEST_PATH_IMAGE003
为第
Figure 664957DEST_PATH_IMAGE027
步的采样时间，
Figure 668685DEST_PATH_IMAGE008
为第i个智能体和第j个智能体组成的通信链路的权重，
Figure 313293DEST_PATH_IMAGE028
为常系数，
Figure 769682DEST_PATH_IMAGE029
为第i个智能体的实时位置，
Figure 790728DEST_PATH_IMAGE030
为第j个智能体的实时位置，
Figure 383383DEST_PATH_IMAGE022
为所述跟随者。
与现有技术相比，本发明具备以下有益效果：
本发明先通过获取所有智能体的位置信息以及初始信息，初始信息包括时间采样序列
Figure 198892DEST_PATH_IMAGE001
、智能体初始运行时间t =0、初始采样时间参数k =0和目标编队任务完成时间T s ；确定所述系统中至少三个领航者和其余跟随者，并确定出目标编队构型和通信拓扑；基于目标编队构型和通信拓扑确定系统的应力矩阵；根据所述位置信息确定所有领航者的运动轨迹并更新所有领航者的实时位置信息；基于所述初始信息、应力矩阵和所有领航者的实时位置信息确定出编队控制律；根据所述编队控制律更新所有跟随者的实时位置信息，并在目标编队任务完成时间完成编队，本发明实现了在精确的时间内对群体智能系统进行编队，灵活地完成了复杂的编队任务。
附图说明
图1所示为本发明实施例提供的一种群体智能系统的编队控制方法的流程示意图；
图2所示为本发明实施例中6架无人机的通信拓扑的示意图；
图3所示为本发明实施例中无人机集群系统编队的运动轨迹图的示意图；
图4所示为本发明实施例中无人机集群系统位置随时间变化的示意图；
图5所示为本发明实施例中无人机集群系统中跟随者的编队误差随时间变化的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。
本申请提出了一种群体智能系统的编队控制方法，如图1所示为本申请实施例中一种群体智能系统的编队控制方法的流程示意图，所述系统包括至少三个智能体，该方法包括以下步骤：
步骤S1、获取所有智能体的位置信息以及初始信息，所述初始信息包括时间采样序列
Figure 142577DEST_PATH_IMAGE001
、智能体初始运行时间t =0、初始采样时间参数k =0和目标编队任务完成时间T s 。
在本申请实施例中，采样时间间隔为
Figure 701735DEST_PATH_IMAGE002
，所述时间采样序列
Figure 414476DEST_PATH_IMAGE003
具体如下式所示：
Figure 135307DEST_PATH_IMAGE031
式中，
Figure 769551DEST_PATH_IMAGE005
，T s 为目标编队任务完成时间。
其中，所述智能体相互之间线性独立，且所述目标编队构型中所有智能体在同一个平面上。
步骤S2、确定所述系统中至少三个领航者和其余跟随者，并确定出目标编队构型和通信拓扑。
具体的，定义目标编队构型
Figure 866820DEST_PATH_IMAGE032
，其中T为矩阵转置的标志。确定包含n个智能体的群体智能系统中的领航者
Figure 496384DEST_PATH_IMAGE033
和跟随者
Figure 591379DEST_PATH_IMAGE034
，选取
Figure 509657DEST_PATH_IMAGE035
个线性无关的（不共线）智能体
Figure 410617DEST_PATH_IMAGE036
作为领航者，其余
Figure 832371DEST_PATH_IMAGE037
个智能体
Figure 160584DEST_PATH_IMAGE038
作为跟随者。
步骤S3、基于目标编队构型和通信拓扑确定所述系统的应力矩阵。
定义通讯拓扑G中链路的权重为
Figure 300578DEST_PATH_IMAGE008
也即第i个智能体和第j个智能体组成的链路的权重，标量
Figure 5229DEST_PATH_IMAGE008
可正可负。
Figure 547069DEST_PATH_IMAGE009
表示智能体i在通信拓扑G中的邻居智能体，即智能体i与其有边连接，E为第i个智能体与其邻居智能体组成的通信链路，给出应力矩阵
Figure 46183DEST_PATH_IMAGE006
的定义：
Figure 470211DEST_PATH_IMAGE007
(1)
结合领航-跟随者结构，应力矩阵可以被划分为四个部分：
Figure 712974DEST_PATH_IMAGE012
(2)
Figure 109320DEST_PATH_IMAGE011
式中，
Figure 779336DEST_PATH_IMAGE013
为维度为
Figure 97185DEST_PATH_IMAGE014
的单位矩阵，
Figure 878059DEST_PATH_IMAGE015
表示领航者之间的应力矩阵，
Figure 394491DEST_PATH_IMAGE016
表示领航者和跟随者之间的应力矩阵，
Figure 235408DEST_PATH_IMAGE017
表示跟随者和领航者之间的应力矩阵，
Figure 837291DEST_PATH_IMAGE018
表示跟随者之间的应力矩阵，本发明中领航者被直接控制，无需与其他领航者和跟随者进行交互，因此
Figure 421856DEST_PATH_IMAGE015
和
Figure 792794DEST_PATH_IMAGE016
均为零矩阵。
考虑一个无向通讯拓扑G，因此有
Figure 804613DEST_PATH_IMAGE039
。根据应力矩阵
Figure 628212DEST_PATH_IMAGE040
的性质，有
Figure 16468DEST_PATH_IMAGE041
。同时，
Figure 241913DEST_PATH_IMAGE040
应满足应力平衡性质：
Figure 690212DEST_PATH_IMAGE042
，即
Figure 266687DEST_PATH_IMAGE043
。根据上述性质，并结合已确定的标称构型Z和通信拓扑G，计算群体智能系统通信拓扑的链路权重
Figure 193054DEST_PATH_IMAGE008
，确定出群体智能系统的应力矩阵
Figure 273006DEST_PATH_IMAGE040
。
步骤S4、根据所述位置信息确定所有领航者的运动轨迹并更新所有领航者的实时位置信息。
具体的，群体智能系统中领航者的运动轨迹如下：
Figure 892206DEST_PATH_IMAGE044
(3)
其中，
Figure 690398DEST_PATH_IMAGE045
为领航者的实时位置，
Figure 623719DEST_PATH_IMAGE046
为已知的领航者运动轨迹。轨迹
Figure 354914DEST_PATH_IMAGE046
由运动规划技术-五次多项式轨迹规划技术进行提前规划，得到起末点之间平滑的运动曲线，
步骤S5、基于所述初始信息、应力矩阵和所有领航者的实时位置信息确定出编队控制律。
具体的，基于最优控制方法，分别给出代价函数：
Figure 145016DEST_PATH_IMAGE047
（6）
终端条件：
Figure 430504DEST_PATH_IMAGE048
（7）
和哈密顿函数
Figure 698674DEST_PATH_IMAGE049
：
Figure 753218DEST_PATH_IMAGE050
（8）
式中，
Figure 714220DEST_PATH_IMAGE051
为代价函数，n为全部无人机数量，
Figure 955846DEST_PATH_IMAGE052
为控制输入的转置，t为当前运行时间，
Figure 293286DEST_PATH_IMAGE053
为控制输入，dt为微分符号，
Figure 202336DEST_PATH_IMAGE054
为终端时刻第i个智能体的位置，
Figure 334241DEST_PATH_IMAGE008
为第i个智能体和第j个智能体组成的链路的权重，
Figure 594321DEST_PATH_IMAGE028
为常系数，
Figure 204293DEST_PATH_IMAGE009
为第i个智能体的相邻智能体，
Figure 233429DEST_PATH_IMAGE003
为时间采样序列，
Figure 270656DEST_PATH_IMAGE029
为第i个智能体的位置，
Figure 18032DEST_PATH_IMAGE030
为第j个智能体的位置，
Figure 431695DEST_PATH_IMAGE055
为协态量。
基于运动规划技术，求解（6）和（8）相应的正则方程，极值条件，并结合（7）式，得到指定时间约束条件下分布式群体智能系统仿射编队控制律的解析式：
Figure 315338DEST_PATH_IMAGE024
（9）
其中，参数
Figure 789044DEST_PATH_IMAGE056
可由迭代算法1确定。首先，定义：
Figure 758138DEST_PATH_IMAGE057
。
其中，
Figure 709913DEST_PATH_IMAGE058
，
Figure 713641DEST_PATH_IMAGE059
表示由括号内元素所构成的对角矩阵。
Figure 92670DEST_PATH_IMAGE060
表示
Figure 549059DEST_PATH_IMAGE061
的前
Figure 304525DEST_PATH_IMAGE062
行和前
Figure 162760DEST_PATH_IMAGE063
列部分。定义
Figure 978269DEST_PATH_IMAGE064
为
Figure 921954DEST_PATH_IMAGE065
的特征值，然后基于算法1求解出
Figure 215533DEST_PATH_IMAGE066
。
算法1的叙述如下：当
Figure 928274DEST_PATH_IMAGE067
时，选择合适的参数
Figure 914684DEST_PATH_IMAGE068
使得
Figure 345666DEST_PATH_IMAGE069
。接着，
Figure 442935DEST_PATH_IMAGE070
时，选择合适的参数
Figure 10182DEST_PATH_IMAGE071
使得
Figure 167494DEST_PATH_IMAGE072
的值在大于0的一个较小范围内，同时
Figure 85771DEST_PATH_IMAGE073
的值在小于
Figure 721152DEST_PATH_IMAGE074
的一个较小范围内。按着上述流程进行迭代，选取合适的参数
Figure 408485DEST_PATH_IMAGE075
使
Figure 736699DEST_PATH_IMAGE076
的值在大于0的一个较小范围内，同时
Figure 876693DEST_PATH_IMAGE077
的值在小于
Figure 440398DEST_PATH_IMAGE078
的一个较小范围内，直至
Figure 982238DEST_PATH_IMAGE079
，返回最终确定的参数
Figure 481352DEST_PATH_IMAGE080
。
该控制律是基于采样时间序列
Figure 108643DEST_PATH_IMAGE081
进行控制的。
步骤S6、根据所述编队控制律更新所有跟随者的实时位置信息，并在目标编队任务时间到达时完成编队。
在本申请实施例中，所述步骤S6中根据所述编队控制律更新所有跟随者的实时位置信息具体为先确定出所述跟随者的动力学模型，然后将所述编队控制律输入到所述跟随者的动力学模型中从而更新所述跟随者的实时位置信息。所述跟随者的动力学模型具体如下式所示：
Figure 85826DEST_PATH_IMAGE019
（5）
式中，
Figure 771189DEST_PATH_IMAGE020
为所述跟随者的实时位置，
Figure 441205DEST_PATH_IMAGE021
为所述编队控制律，
Figure 821371DEST_PATH_IMAGE022
为所述跟随者。
将（9）式代入（5）式，可得群体智能系统中跟随者的实时位置信息
Figure 602245DEST_PATH_IMAGE082
。
为了更好的理解本申请技术方法，在本申请提出如下具体实施例：
有6架无人机随机分布在平面的不同位置，其需要完成如下编队任务：1、从随机初始位置开始进行编队集结，形成一个编队构型；2、根据环境中的障碍物，进行编队构型切换，实现编队避障，保证无人机集群系统的安全；3、在获悉目标点的情况下，以一定的构型对目标进行编队合围。
步骤一：初始化。
在范围为
Figure 118677DEST_PATH_IMAGE083
的二维平面中，随机生成
Figure 959594DEST_PATH_IMAGE084
架无人机的位置信息：
Figure 295897DEST_PATH_IMAGE085
，
Figure 880462DEST_PATH_IMAGE086
，
Figure 251401DEST_PATH_IMAGE087
,
Figure 263219DEST_PATH_IMAGE088
，
Figure 352398DEST_PATH_IMAGE089
，
Figure 475075DEST_PATH_IMAGE090
。
初始化无人机仿真运行时间
Figure 700520DEST_PATH_IMAGE091
，采样时间参数
Figure 148819DEST_PATH_IMAGE092
，无人机编队仿真完成时间
Figure 725293DEST_PATH_IMAGE093
。在二维空间中设置两个矩形障碍物，范围分别为：
Figure 651661DEST_PATH_IMAGE094
和
Figure 731613DEST_PATH_IMAGE095
。
无人机集群系统中领航者和跟随者的运动轨迹和动力学模型如下：
Figure 350813DEST_PATH_IMAGE096
（一）
Figure 149005DEST_PATH_IMAGE097
（二）
定义一组指定时间算法的采样时间序列。首先，定义采样时间间隔为
Figure 613484DEST_PATH_IMAGE098
。基于该间隔，给出相应的采样时间序列为
Figure 813521DEST_PATH_IMAGE031
（三）
其中，
Figure 603623DEST_PATH_IMAGE005
。为避免采样时间间隔
Figure 623531DEST_PATH_IMAGE099
随时间增大而变得很小，从而导致芝诺现象，在具体实施时，当
Figure 157281DEST_PATH_IMAGE100
时，将采样时间间隔
Figure 211824DEST_PATH_IMAGE099
替换为等时间间隔
Figure 110510DEST_PATH_IMAGE101
，其中
Figure 883294DEST_PATH_IMAGE102
为一个较大且合适的数值，具体由本领域技术人员根据实际情况设置。
步骤二：在预设的6架无人机中，选取3架线性无关（不共线）的无人机作为无人机集群系统编队中的领导者，记为1号、2号和3号，领导者集合为
Figure 751893DEST_PATH_IMAGE103
。剩余的4号、5号和6号无人机作为跟随者，集合为
Figure 864206DEST_PATH_IMAGE104
。根据无人机集群系统编队的任务要求，设计如下标称构型也即目标编队构型
Figure 996110DEST_PATH_IMAGE105
：
Figure 990610DEST_PATH_IMAGE106
并根据刚性理论中的普遍刚性的条件，设计出如图2所示6架无人机的通信拓扑G,从而确定无人机集群系统编队
Figure 866163DEST_PATH_IMAGE107
。
步骤三：根据所设计的通信拓扑G，整理得本发明实施例的应力矩阵
Figure 895298DEST_PATH_IMAGE040
。结合应力矩阵的性质：
Figure 932525DEST_PATH_IMAGE108
，
Figure 679901DEST_PATH_IMAGE109
，以及步骤二中确定的标称构型Z，可得：
Figure 93565DEST_PATH_IMAGE110
步骤四：假设无人机集群系统编队的领航者由操控者直接控制，通过轨迹规划技术对其运动轨迹进行提前规划。设置领航者的初始位置：
Figure 977207DEST_PATH_IMAGE111
，
Figure 185334DEST_PATH_IMAGE112
，
Figure 154427DEST_PATH_IMAGE113
，初始速度：
Figure 371782DEST_PATH_IMAGE114
，
Figure 109931DEST_PATH_IMAGE115
，
Figure 754539DEST_PATH_IMAGE116
。本实施例中，使用五次多项式轨迹规划技术来生成平滑的期望轨迹，通过分别给定初始时刻
Figure 210928DEST_PATH_IMAGE117
和终端时刻
Figure 966394DEST_PATH_IMAGE118
下的位置、速度和加速度信息，并利用数值仿真软件MATLAB 的RTB工具箱进行求解，得到始末位置之间的一系列离散点。接着，基于该离散点，利用数值拟合技术生成一条平滑的领航者期望的轨迹
Figure 824629DEST_PATH_IMAGE119
。
步骤五：更新领航者的实时位置信息
Figure 640138DEST_PATH_IMAGE120
。
步骤六：基于最优控制方法，分别给出代价函数：
Figure 318244DEST_PATH_IMAGE122
（四）
终端条件：
Figure 877402DEST_PATH_IMAGE123
（五）
和哈密顿函数：
Figure 590143DEST_PATH_IMAGE124
（六）
基于运动规划技术和庞特里亚金极大值原理，结合（二）、（四）、（五）和（六），得到分布式指定时间无人机集群系统仿射编队控制律的解析式：
Figure 576553DEST_PATH_IMAGE024
（七）
其中，根据已知的应力矩阵
Figure 7535DEST_PATH_IMAGE040
，可得参数
Figure 104804DEST_PATH_IMAGE125
。将（七）式代入（二）式，可得无人机集群系统中跟随者的实时位置信息
Figure 672051DEST_PATH_IMAGE126
。
步骤七：更新无人机集群系统中跟随者的实时位置信息
Figure 829363DEST_PATH_IMAGE127
。
步骤八：
Figure 747640DEST_PATH_IMAGE128
。判断是否满足终止条件：若
Figure 383021DEST_PATH_IMAGE129
，则停止仿真运行，进行步骤九；否则重复步骤四到步骤八。
步骤九：输出无人机集群系统在分布式仿射编队控制律作用下的仿真结果。
无人机集群系统在分布式指定时间仿射编队控制律作用下的仿真结果，如图3至图5所示。图3展示了二维平面空间上分布式无人机集群系统编队的运动轨迹图，领导者也即领航者。初始时刻
Figure 70354DEST_PATH_IMAGE130
，6架无人机分布在不同的位置，此时领航者按照提前规划好的路径进行运动，而跟随者在分布式指定时间仿射编队控制律的作用下进行跟踪。在第一个编队任务（编队形成）的结束时刻
Figure 664147DEST_PATH_IMAGE131
，6架无人机准确地形成了仿射编队的构型。此时前方遇到障碍物，对编队的整体前进造成阻碍，领航者进行提前规避，进行第二个编队任务（编队避障）。可以看到在第二个编队任务的结束时刻
Figure 804141DEST_PATH_IMAGE132
，跟随者在所设计控制律的作用下对新构型进行了跟踪，从而形成了一个较小的编队构型，安全通过了狭小的空间。接着，前方遇到了目标点（黑色方块表示），领航者执行第三个编队任务（编队合围），跟随者在所设计控制律的作用下对新构型进行跟踪。在第三个编队任务的结束时刻
Figure 243213DEST_PATH_IMAGE133
，整体构型完成对目标点的合围。图4展示了无人机集群系统位置随时间变化的结果，对应图3中的结果。图5展示了无人机集群系统中跟随者的编队误差随时间变化的结果，可以看到在三个编队任务结束的时刻
Figure 519473DEST_PATH_IMAGE131
，
Figure 18588DEST_PATH_IMAGE132
和
Figure 911457DEST_PATH_IMAGE133
，编队误差精确收敛到零，说明了所设计的指定时间仿射编队控制律的有效性。从上述结果可以看出，无人机集群系统在所设计的分布式仿射编队控制律的作用下，可以根据现场环境灵活且精确地完成诸如编队形成、编队避障和编队合围的复杂任务。
图中，X-二维空间中的横坐标，Y-二维空间中的纵坐标。z-无人机集群系统编队的标称构型。t-无人机集群系统编队的仿真运行时间。
Figure 154220DEST_PATH_IMAGE134
-无人机集群系统编队中无人机的X方向位置。
Figure 816145DEST_PATH_IMAGE135
-无人机集群系统编队中无人机的Y方向位置。
Figure 486161DEST_PATH_IMAGE136
-无人机集群系统编队中跟随者的X方向跟踪误差。
Figure 335168DEST_PATH_IMAGE137
-无人机集群系统编队中跟随者的Y方向跟踪误差。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种群体智能系统的编队控制方法，其特征在于，所述系统包括至少三个智能体，所述方法包括以下步骤：
S1、获取所有智能体的位置信息以及初始信息，所述初始信息包括时间采样序列
Figure 36147DEST_PATH_IMAGE001
、智能体初始运行时间t =0、初始采样时间参数k =0和目标编队任务完成时间T s ；
S2、确定所述系统中至少三个领航者和其余跟随者，并确定出目标编队构型和通信拓扑；
S3、基于目标编队构型和通信拓扑确定所述系统的应力矩阵；
S4、根据所述位置信息确定所有领航者的运动轨迹并更新所有领航者的实时位置信息；
S5、基于所述初始信息、应力矩阵和所有领航者的实时位置信息确定出编队控制律；
S6、根据所述编队控制律更新所有跟随者的实时位置信息，并在目标编队任务时间到达时完成编队。
2.如权利要求1所述的群体智能系统的编队控制方法，其特征在于，采样时间间隔为
Figure 808930DEST_PATH_IMAGE002
，所述时间采样序列
Figure 739846DEST_PATH_IMAGE003
具体如下式所示：
Figure 586580DEST_PATH_IMAGE004
式中，
Figure 452904DEST_PATH_IMAGE005
，T s 为目标编队任务完成时间。
3.如权利要求2所述的群体智能系统的编队控制方法，其特征在于，所述智能体相互之间线性独立，且所述目标编队构型中所有智能体在同一个平面上。
4.如权利要求3所述的群体智能系统的编队控制方法，其特征在于，所述通信拓扑中链路的应力矩阵
Figure 572039DEST_PATH_IMAGE006
如下式所示：
Figure 182012DEST_PATH_IMAGE007
式中，
Figure 883252DEST_PATH_IMAGE008
为第i个智能体和第j个智能体组成的链路的权重， E为第i个智能体与其邻居智能体组成的通信链路，
Figure 325339DEST_PATH_IMAGE009
为第i个智能体的相邻智能体。
5.如权利要求4所述的群体智能系统的编队控制方法，其特征在于，所述系统的应力矩阵
Figure 807136DEST_PATH_IMAGE010
具体如下式所示：
Figure 830587DEST_PATH_IMAGE011
Figure 635601DEST_PATH_IMAGE012
式中，
Figure 109307DEST_PATH_IMAGE013
为维度为
Figure 688187DEST_PATH_IMAGE014
的单位矩阵，
Figure 639963DEST_PATH_IMAGE015
表示领航者之间的应力矩阵，
Figure 299483DEST_PATH_IMAGE016
表示领航者和跟随者之间的应力矩阵，
Figure 616195DEST_PATH_IMAGE017
表示跟随者和领航者之间的应力矩阵，
Figure 197218DEST_PATH_IMAGE018
表示跟随者之间的应力矩阵。
6.如权利要求5所述的群体智能系统的编队控制方法，其特征在于，所述步骤S6中根据所述编队控制律更新所有跟随者的实时位置信息具体为先确定出所述跟随者的动力学模型，然后将所述编队控制律输入到所述跟随者的动力学模型中从而更新所述跟随者的实时位置信息。
7.如权利要求6所述的群体智能系统的编队控制方法，其特征在于，所述跟随者的动力学模型具体如下式所示：
Figure 687105DEST_PATH_IMAGE019
式中，
Figure 155127DEST_PATH_IMAGE020
为所述跟随者的实时位置，
Figure 894937DEST_PATH_IMAGE021
为所述编队控制律，
Figure 838622DEST_PATH_IMAGE022
为所述跟随者。
8.如权利要求7所述的群体智能系统的编队控制方法，其特征在于，所述编队控制律
Figure 7567DEST_PATH_IMAGE023
具体如下式所示：
Figure 641679DEST_PATH_IMAGE024
式中，
Figure 362511DEST_PATH_IMAGE025
为第
Figure 403279DEST_PATH_IMAGE026
步的采样时间，
Figure 94023DEST_PATH_IMAGE003
为第
Figure 520325DEST_PATH_IMAGE027
步的采样时间，
Figure 70780DEST_PATH_IMAGE008
为第i个智能体和第j个智能体组成的通信链路的权重，
Figure 989057DEST_PATH_IMAGE028
为常系数，
Figure 562121DEST_PATH_IMAGE029
为第i个智能体的实时位置，
Figure 108509DEST_PATH_IMAGE030
为第j个智能体的实时位置，
Figure 171143DEST_PATH_IMAGE022
为所述跟随者。
CN202210571604.6A 2022-05-25 2022-05-25 一种群体智能系统的编队控制方法 Active CN114661069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210571604.6A CN114661069B (zh) 2022-05-25 2022-05-25 一种群体智能系统的编队控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210571604.6A CN114661069B (zh) 2022-05-25 2022-05-25 一种群体智能系统的编队控制方法

Publications (2)

Publication Number Publication Date
CN114661069A true CN114661069A (zh) 2022-06-24
CN114661069B CN114661069B (zh) 2022-09-06

Family

ID=82036629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210571604.6A Active CN114661069B (zh) 2022-05-25 2022-05-25 一种群体智能系统的编队控制方法

Country Status (1)

Country Link
CN (1) CN114661069B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993842A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种用于群体智能系统的编队协同控制方法
CN115993845A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种集群智能系统协同运动规划与编队控制方法
CN115993846A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种四旋翼无人机集群系统的编队控制方法
CN115993843A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种应用于群体智能系统的最优编队控制方法
CN117093021A (zh) * 2023-10-19 2023-11-21 西北工业大学深圳研究院 一种应用于群体智能系统的分布式编队包围方法
CN117170410A (zh) * 2023-11-01 2023-12-05 北京航空航天大学 用于无人机编队飞行的控制方法及相关产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111142562A (zh) * 2019-12-27 2020-05-12 北京理工大学 基于应力矩阵的混合条件约束下的编队变换控制方法
CN113253764A (zh) * 2021-07-14 2021-08-13 北京大学 一种基于降维观测器的无人集群仿射编队控制方法
CN113311859A (zh) * 2021-05-10 2021-08-27 北京航空航天大学 一种无人机集群有限时间仿射编队飞行控制方法
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法
CN114063652A (zh) * 2021-11-23 2022-02-18 北京理工大学 基于应力矩阵优化的多智能体系统仿射编队控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111142562A (zh) * 2019-12-27 2020-05-12 北京理工大学 基于应力矩阵的混合条件约束下的编队变换控制方法
CN113311859A (zh) * 2021-05-10 2021-08-27 北京航空航天大学 一种无人机集群有限时间仿射编队飞行控制方法
CN113253764A (zh) * 2021-07-14 2021-08-13 北京大学 一种基于降维观测器的无人集群仿射编队控制方法
CN113741518A (zh) * 2021-08-31 2021-12-03 中国人民解放军国防科技大学 基于领航跟随模式的固定翼无人机集群仿射编队控制方法
CN114063652A (zh) * 2021-11-23 2022-02-18 北京理工大学 基于应力矩阵优化的多智能体系统仿射编队控制方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993842A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种用于群体智能系统的编队协同控制方法
CN115993845A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种集群智能系统协同运动规划与编队控制方法
CN115993846A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种四旋翼无人机集群系统的编队控制方法
CN115993843A (zh) * 2023-03-23 2023-04-21 西北工业大学深圳研究院 一种应用于群体智能系统的最优编队控制方法
CN117093021A (zh) * 2023-10-19 2023-11-21 西北工业大学深圳研究院 一种应用于群体智能系统的分布式编队包围方法
CN117093021B (zh) * 2023-10-19 2024-01-30 西北工业大学深圳研究院 一种应用于群体智能系统的分布式编队包围方法
CN117170410A (zh) * 2023-11-01 2023-12-05 北京航空航天大学 用于无人机编队飞行的控制方法及相关产品
CN117170410B (zh) * 2023-11-01 2024-01-30 北京航空航天大学 用于无人机编队飞行的控制方法及相关产品

Also Published As

Publication number Publication date
CN114661069B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN114661069B (zh) 一种群体智能系统的编队控制方法
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
CN107807521B (zh) 面向固定时间的编队飞行器协同控制方法及系统
CN106197426A (zh) 一种无人机应急通信路径规划方法及系统
CN104700165A (zh) 一种多无人机舰机协同路径规划方法
Dou et al. Pigeon inspired optimization approach to model prediction control for unmanned air vehicles
Hafez et al. Unmanned aerial vehicles formation using learning based model predictive control
Zhang et al. Hybrid path planning of a quadrotor UAV based on Q-Learning algorithm
CN112947592A (zh) 一种基于强化学习的再入飞行器轨迹规划方法
CN112824998A (zh) 马尔可夫决策过程的多无人机协同航路规划方法和装置
CN114815856A (zh) 非完整多智能体系统时变编队包含控制方法、装置和设备
Rasib et al. Are Self‐Driving Vehicles Ready to Launch? An Insight into Steering Control in Autonomous Self‐Driving Vehicles
Salamat et al. Novel trajectory generation and adaptive evolutionary feedback controller for quadrotors
Wu et al. Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error
Zhang et al. UAV path planning based on receding horizon control with adaptive strategy
Lee et al. Receding horizon-based RRT* algorithm for a UAV real-time path planner
Bos et al. Multi-stage optimal control problem formulation for drone racing through gates and tunnels
CN116225055A (zh) 一种复杂环境下基于状态分解的无人机自主航迹规划算法
CN116560408A (zh) 一种用于无人机时间最优轨迹的序列凸优化方法及系统
Zheng et al. CS-BRM: A Probabilistic RoadMap for Consistent Belief Space Planning With Reachability Guarantees
Zhou et al. Time varying control set design for uav collision avoidance using reachable tubes
Sahraeekhanghah et al. PA-FaSTrack: Planner-Aware Real-Time Guaranteed Safe Planning
CN113821054A (zh) 基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法
Sun et al. A reinforcement learning-based decentralized method of avoiding multi-UAV collision in 3-D airspace
Han et al. Pseudospectral method-based safe motion planning for quadrotors in a cluttered environment

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