CN115599123A - 一种用于无人机集群多着陆区协同着陆的分布式方法 - Google Patents

一种用于无人机集群多着陆区协同着陆的分布式方法 Download PDF

Info

Publication number
CN115599123A
CN115599123A CN202211418021.6A CN202211418021A CN115599123A CN 115599123 A CN115599123 A CN 115599123A CN 202211418021 A CN202211418021 A CN 202211418021A CN 115599123 A CN115599123 A CN 115599123A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
landing
cluster
cluster head
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
CN202211418021.6A
Other languages
English (en)
Other versions
CN115599123B (zh
Inventor
姜艺
刘巍峰
陈柔辛
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.)
Yangzhou University
Original Assignee
Yangzhou 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 Yangzhou University filed Critical Yangzhou University
Priority to CN202211418021.6A priority Critical patent/CN115599123B/zh
Publication of CN115599123A publication Critical patent/CN115599123A/zh
Application granted granted Critical
Publication of CN115599123B publication Critical patent/CN115599123B/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)

Abstract

本发明公开了一种用于无人机集群多着陆区协同着陆的分布式方法，包括以下步骤：无人机集群建立P2P形式的无线通信网络；各无人机利用机载传感器对自身参数进行配置；根据着陆区数量和无人机信息，采用完全分布式的簇头选择算法或引入代表节点的簇头选择算法进行簇头选举，将无人机集群分成多个簇；每个簇的簇头无人机对簇内无人机进行着陆规划；各无人机根据规划中的着陆次序和着陆轨迹序列进行着陆。采用本发明可使无人机集群在执行多着陆区协同着陆任务时实现机载传感器信息的共享与协同控制，确保集群着陆的安全性，具有很强的适应性和可扩展性。

Description

一种用于无人机集群多着陆区协同着陆的分布式方法
技术领域
本发明涉及无线通信和无人机协同控制领域，特别涉及一种无人机集群协同着陆方法。
背景技术
无人机因其低成本、高机动和“零人员伤亡”等一系列特点，在军事和民用等领域得到了广泛应用。单个无人机在执行战场监视和侦察、灾难场景搜救等任务时，面临着任务区域范围大、环境复杂、感知能力有限、单节点故障等不利因素而造成任务失败，从而促进了“以平台为中心”的传统作战模式向“以网络为中心”的多无人机协同作战模式的转变。通过多无人机环境感知能力、计算处理能力等资源的共享来扩展任务执行能力，提高任务执行成功的概率。
在多无人机的协同控制方面，典型研究包括多无人机协同侦察、协同搜索、协作目标跟踪以及协同定位、着陆等。
从2001年开始，各地学者联合发起了“复杂环境下分布式自主平台协同控制研究项目”，提出未来大规模网络化环境下，自主多无人机的分布式协同控制将面临无中心信息处理、无中心决策、受限通信、大规模平台、不确定性环境和突发敌对威胁等挑战。其目标是研究分布式协同控制和决策方法，克服上述挑战，实现多无人机系统复杂、自适应和灵活的行为。现有相关工作大多针对多无人机协同控制的理论框架和算法开展研究，针对多无人机协同的具体问题，如多无人机协同目标跟踪、协同目标搜索、协同着陆等未出现切实可行的技术方案。一方面，现有研究大多着眼于利用地面控制站汇总并处理多个无人机传感器采集的信息，不适用于复杂条件下的多无人机自主协同；另一方面，针对多无人机组网场景下的传感器信息共享以及协同控制方法也鲜有文献涉及。
发明内容
发明目的：本发明的目的在于提出一种适应性强、可扩展性好的无人机集群多着陆区协同着陆的分布式方法。
技术方案：一种用于无人机集群多着陆区协同着陆的分布式方法，包括以下步骤：
步骤1：无人机集群建立P2P形式的无线通信网络；
步骤2：各无人机利用机载传感器对自身参数进行配置；
步骤3：根据着陆区数量和无人机信息，采用完全分布式的簇头选择算法或引入代表节点的簇头选择算法进行簇头选举，将无人机集群分成多个簇；
步骤4：每个簇的簇头无人机对簇内无人机进行着陆规划；
步骤5：各无人机根据规划中的着陆次序和着陆轨迹序列进行着陆。
进一步的，每个无人机都有唯一的ID号，在P2P形式的无线通信网络中有唯一的对应IP地址。
进一步的，所述步骤2具体为各无人机利用机载传感器搜索自身位置和着陆地标位置，结合能量信息对自身参数进行配置，并基于P2P无线通信网络采用广播的方式向相邻无人机发送数据包，以分享位置信息和状态信息。
进一步的，所述数据包包括位置信息及状态信息，数据包标记为Packet，包含以下内容：Packet＝{Uid,Xi,Yi,Zi,Uland,Xl,Yl,Zl,Ustate,Upower}，其中，Uid为表示无人机i的ID；Xi为无人机i的x坐标，Yi为无人机i的y坐标，Zi为无人机i的z坐标；Uland为无人机i是否搜索到着陆地标，0表示已搜索到，1表示未搜索到；Xl为着陆地标的x坐标，Yl为着陆地标的y坐标，Zl为着陆地标的z坐标；Ustate为无人机i的状态，0表示已着陆，1表示未着陆；Upower为无人机i的当前剩余能量。
进一步的，所述的完全分布式的簇头选择算法，包括：
采用完全分布式的簇头选择算法进行簇头选举，其中各个无人机之间通过局部信息交换，按照选举规定完成最终的簇头选举工作，在多台无人机上实现平衡计算负载。
进一步的，完全分布式簇头选择算法，具体包括以下步骤：
(1)初始时，随机选择某几架无人机作为第1轮的簇头，CH代表簇头，CH广播消息，宣布自己为本轮的簇头，收到此广播消息的无人机建立与CH之间虚拟的边，其中初始信息素浓度为0，并在此边上增加一定量的信息素
Figure BDA0003941295370000021
其中Q为预先设定的参数；d为两无人机之间的距离，该信息素信息存储在成员节点上，其中簇头数量与着陆区数量对应；
如果节点i收到CH的广播消息后，计算相应边上的信息素浓度τmi(t)：
Figure BDA0003941295370000022
其中，Q*为权重系数，dmi是节点之间距离，I是节点对信号的感知强度，S是灵敏度指标，T是节点类型，
Figure BDA0003941295370000031
是信息素挥发率，Einit是簇头初始能量，Em是簇头当前能量；发送数据越大，距离越远，则能量损耗越大，能量损耗定义如下：
etx(l,d)＝ld2
其中，l是数据包长度，d是节点到簇头的传输距离；
(2)节点i根据与自己相连边上的信息素浓度大小确定自己属于哪一个簇，选择信息素浓度大的边向对应的CH发送应答信息，加入该簇成为其成员；
(3)数据传输结束时，成员节点向其簇头发送信息报告其剩余能量，同时利用下面的公式确定表示能量的信息素：
Figure BDA0003941295370000032
其中，einit是节点i的初始能量水平，etx是节点i的能量损耗；α是调节因子；则此时CH与节点i的边上的信息素浓度为
Figure BDA0003941295370000033
(4)在本轮的簇头选择结束阶段，簇头选择所有边中信息素浓度最高的那条边连接的节点作为下个CH，并向新的CH发送移交信息，收到移交信息的节点即为下一轮的CH。
进一步的，步骤3中所述的引入代表节点的簇头选择算法，包括：
在传统簇头选择算法中引入代表节点，选择能量属性最大的作为代表节点，由此代表节点执行簇头选择算法，代表节点采取集中式的方法完成簇头选举工作，并将分簇结果广播给其他成员节点。
进一步的，步骤4中所述着陆规划的方法，包括：
(1)簇头无人机根据收到的数据包Packet完成对簇内无人机的着陆次序和着陆轨迹的规划，簇头无人机将着陆区域中心点设为圆点，簇内无人机均匀分布在以该点为圆心的大圆上，从平面上看，无人机集群着陆运动是一动圆绕定圆做纯滚动的运动，动圆圆上的点所产生的运动轨迹称为内摆线，内摆线的形成可以看成半径为r的动圆沿着半径为R的定圆做纯滚动，动圆上固定的点P的运动轨迹，其轨迹是一条循环的内摆曲线；
设θ为动圆相对定圆公转的角度，σ为动圆转过的角度，且他们对应的弧长相等，即
Figure BDA0003941295370000041
根据运动和几何关系可推导出内摆线方程为：
Figure BDA0003941295370000042
当小圆的半径恰好为大圆半径的一半，即R＝2·r时，无人机的运动轨迹恰好为直线，各架无人机沿各自所在直径以直线来回运动；
设无人机一次往返，即一个周期的时间为T，则小圆旋转的角速度
Figure BDA0003941295370000043
通过对无人机飞行运动的分析可得，N架无人机在直线方向上做简谐运动；
(2)以大圆圆心为运动的平衡位置，从大圆的边界上的其中一点开始出发，若要无人机集群着陆过程中不发生碰撞，且在着陆后形成有序的圆形编队，则各架无人机从t＝T0时刻，每隔时间T0一架无人机开始飞行；
若每个簇或着陆区域包含N个无人机，则第i架无人机出发时刻ti为：
Figure BDA0003941295370000044
第i架无人机参考于圆心的位移xi为：
Figure BDA0003941295370000045
第i架无人机的水平方向的速度大小vi为：
Figure BDA0003941295370000046
第i架无人机的垂直方向的速度大小vz由系统确定，但不超多最大安全着陆速度vzmax；
(3)无人机着陆路径序列，即N架无人机的着陆轨迹p1，p2，...，pN，其中pi是一个沿较大圆的直径所在平面以Z字型运动的坐标序列，由于无人机运动为周期运动，以一个周期为例：
当t时刻时，设着陆区中心坐标为(xct,yct,0)，无人机集群初始高度为h，对各点坐标进行分析可得，第i架无人机的坐标
Figure BDA0003941295370000051
为：
当t≤ti时，
Figure BDA0003941295370000052
Figure BDA0003941295370000053
Figure BDA0003941295370000054
当t>ti时，
Figure BDA0003941295370000055
Figure BDA0003941295370000056
Figure BDA0003941295370000057
无人机运动轨迹坐标以文件形式进行输出，簇头无人机将着陆规划发送给各个无人机。
进一步的，步骤5具体为各个无人机接收簇头无人机的着陆规划数据包，并根据规划中的着陆次序和着陆轨迹序列进行着陆，无人机通过机载传感器感知其相邻无人机，并计算其与邻居无人机的相对距离和角度关系，判断当前位置与着陆规划中的路径序列的误差，调整其飞行姿态直至安全着陆。
有益效果：
(1)适应性强，本发明的方法在获取着陆地标以及邻居无人机的位置信息时，采用机载传感器搜索和P2P网络信息共享两种方式，可克服因天气变化、能见度变化和电磁干扰等因素造成的信息获取限制，具有很强的适应性；
(2)可扩展性好，本发明的方法通过机载传感器采集信息，通过P2P无线网络共享传感器的环境感知信息以及无人机的状态信息，并可利用P2P网络节点的通信中继能力，不断扩展无人机集群的规模，在实际应用中具有很强的可扩展性。
附图说明
图1是无人机集群多着陆区协同着陆方法的流程图；
图2是蚁群算法的簇头选择流程；
图3是单个簇内无人机着陆前的初始位置平面示意图；
图4是内摆线定义示意图；
图5是单个簇内无人机着陆平面示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
本发明中无人机之间建立P2P通信网络；各个无人机利用机载传感器搜索自身位置和着陆地标，并基于P2P通信网络采用广播的方式向邻居无人机发送数据包，数据包包括位置信息及状态信息；无人机集群利用簇头选择算法根据着陆区的数量和无人机数据包生成多个簇头无人机，并将无人机集群分成多个簇；簇头无人机根据簇内无人机发送的数据包，计算各个无人机与邻居无人机的相对距离和相对角度，并确定各个无人机的着陆时间和着陆轨迹序列，使得无人机在降落过程中不发生碰撞，并在着陆后形成规则的圆形编队；最后无人机在着陆过程中不断更新并调整各自的运动轨迹以实现协同着陆。
下面详细描述本发明的实施例，实施例的示例在附图中示出，其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。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，根据本发明实施例的多无人机协同着陆方法，包括以下步骤：
步骤1，建立通讯网络。无人机集群建立P2P形式的无线通信网络，每个无人机都有自己唯一的ID号，在其所组成的P2P网络中有唯一的IP地址与之对应。具体地，无人机集群组成P2P网络，通过无线链路共享信息。P2P网络是一种典型的无线移动网络，网络中不存在严格的控制中心，所有节点地位平等，任何节点发生故障不会影响整个网络的运行，抗毁性强。同时，网络中的节点采用多跳路由的方式传输数据，节点通信范围不必直接包含目的节点，可借助中间节点进行数据的存储转发。此外，P2P网络中节点位置可随处移动，采用自组织的方式组网，网络拓扑可灵活变化。P2P网络这些特点使其成为多无人机系统通信组网方式的首选，灵活的组网和多跳路由方式适合集群中多无人机间的数据通信，为多无人机集群的协同控制提供了信息共享平台。
步骤2，各无人机进行参数配置。各个无人机利用机载传感器搜索自身位置和着陆地标位置，结合能量等信息对自身参数进行配置，并基于P2P通信网络采用广播的方式向邻居无人机发送数据包，该数据包包括位置信息及状态信息。
通常每个无人机包含以下传感器和通信部件：a.双目或单目等前视视觉传感器，用以识别在视觉传感器视场范围内的着陆地标和邻居无人机；b.下视视觉传感器，用以在着陆过程中识别着陆地标；c.激光测距机等用以测量距离的传感器，用以测量自身与着陆地标和邻居无人机的物理距离；d.惯性导航和GPS等定位传感器，可以实时给出无人机的环境空间坐标；e.无线网络通信模块，用以建立多无人机的P2P网络，利用无线链路向邻居无人机传输数据包并接收邻居无人机发出的数据包。因此，各个无人机可以通过其机载设备搜索自身位置和着陆地标。
在整个协同着陆的过程中，各无人机按照一定的频率以广播方式发送数据包，以分享位置信息和状态信息。在本发明中，数据包标记为Packet，包含以下内容：Packet＝{Uid,Xi,Yi,Zi,Uland,Xl,Yl,Zl,Ustate,Upower}。其中，Uid为表示无人机i的ID；Xi为无人机i的x坐标，Yi为无人机i的y坐标，Zi为无人机i的z坐标；Uland为无人机i是否搜索到着陆地标，0表示已搜索到，1表示未搜索到；Xl为着陆地标的x坐标，Yl为着陆地标的y坐标，Zl为着陆地标的z坐标；Ustate为无人机i的状态，0表示已着陆，1表示未着陆；Upower为无人机i的当前剩余能量。
当某个无人机首次捕捉到着陆地标时，采用广播方式发出着陆地标的位置信息；其余无人机收到该着陆地标的位置信息后，再次搜索到该着陆地标时，采用广播方式发出确认着陆地标的消息。这样的设定，可以避免得到重复着陆地标信息。
步骤3，生成簇头无人机。我们采用两种簇头选择方法，一种采用完全分布式的簇头选择算法进行簇头选举，其中各个无人机之间通过局部信息交换，按照选举规定完成最终的簇头选举工作，在多台无人机上实现平衡计算负载；另一种是我们在传统簇头选择算法中引入代表节点，选择能量属性最大的作为代表节点，由此代表节点执行簇头选择算法，从而降低通信成本，使无人机集群更快地完成着陆任务。
我们使用蚁群算法作为分布式簇头选择算法，算法过程如图2所示。在完全分布式簇头选择过程中，初始时，随机选择某几架无人机作为第1轮的CH(簇头)。CH广播消息，宣布自己为本轮的簇头，收到此广播消息的无人机建立与CH之间虚拟的边(初始信息素浓度为0)，并在此边上增加一定量的信息素Q/d(Q为一预先设定的参数；d为两者之间的距离)，该信息素信息存储在成员节点上。需要注意的是，簇头数量与着陆区数量对应。
如果节点i收到CH(簇头)的广播消息后，计算相应边上的信息素浓度：
Figure BDA0003941295370000081
其中，Q*为权重系数，dmi是节点之间距离，I是节点对信号的感知强度，S是灵敏度指标，T是节点类型，
Figure BDA0003941295370000082
是信息素挥发率,Einit是簇头初始能量，Em是簇头当前能量；本专利中，能量损耗定义如下：
etx(l,d)＝ld2
其中，l是数据包长度，d是节点到簇头的传输距离。该公式表示发送数据越大，距离越远，则能量损耗越大。
节点i根据与自己相连边上的信息素浓度大小确定自己属于哪一个簇，选择信息素浓度大的边向对应的CH发送应答信息，加入该簇成为其成员。
数据传输结束时，成员节点向其簇头发送信息报告其剩余能量，同时在相应的边上下面公式中确定量的信息素：
Figure BDA0003941295370000083
其中，einit是节点i的初始能量水平，etx是节点i的能量损耗；α是调节因子，本文设定为10；则此时CH与节点i的边上的信息素浓度为
Figure BDA0003941295370000084
在本轮的轮结束阶段，簇头选择所有边中信息素浓度最高的那条边连接的节点作为下个CH，并向新的CH发送“移交”信息。收到“移交”信息的节点即为下一轮的CH。
与完全分布式簇头选择不同的是，在引入代表节点簇头选择方法中，上述过程由代表节点采取集中式的方法完成簇头选举工作，并将分簇结果广播给其他成员节点。
步骤4，簇头无人机进行着陆规划。簇头无人机根据收到的数据包Packet完成对簇内无人机的着陆次序和着陆轨迹的规划。我们首先考虑无人机集群的协同着陆在二维平面上的过程，然后在此基础上考虑无人机垂直方向的运动速度和高度的变化情况。
簇头无人机将着陆区域中心点设为圆点，簇内无人机均匀分布在以该点为圆心的大圆上，如图3所示。从平面上看，无人机集群着陆运动是一动圆绕定圆做纯滚动时的运动，动圆圆上的点所产生的运动轨迹称为内摆线。如图4所示，内摆线的形成可以看成半径为r的动圆沿着半径为R的定圆做纯滚动，动圆上固定的点P的运动轨迹，其轨迹是一条循环的内摆曲线。
设θ为动圆相对定圆公转的角度，σ为动圆转过的角度，且他们对应的弧长相等，即
Figure BDA0003941295370000091
根据运动和几何关系可推导出内摆线方程为：
Figure BDA0003941295370000092
当小圆的半径恰好为大圆半径的一半，即R＝2·r时，无人机的运动轨迹恰好为直线，各架无人机沿各自所在直径以直线来回运动。
设无人机一次往返(即一个周期)的时间为T，则小圆旋转的角速度
Figure BDA0003941295370000093
通过对无人机飞行运动的分析可得，N架无人机在直线方向上做简谐运动。
以大圆圆心为运动的平衡位置，从大圆的边界上的其中一点开始出发，若要无人机集群着陆过程中不发生碰撞，且在着陆后形成有序的圆形编队，则各架无人机从t＝T0时刻以此按照间隔时间开始飞行。
若每个簇或着陆区域包含N个无人机，则第i(1≤i≤N)架无人机出发时刻ti为：
Figure BDA0003941295370000094
第i架无人机参考于圆心的位移xi为：
Figure BDA0003941295370000095
第i架无人机的水平方向的速度大小vi为：
Figure BDA0003941295370000101
第i架无人机的垂直方向的速度大小vz由系统确定，但不超多最大安全着陆速度vzmax。
无人机着陆路径序列，即N架无人机的着陆轨迹p1，p2，...，pN，其中pi是一个沿较大圆的直径所在平面以Z字型运动的坐标序列。由于无人机运动为周期运动，以一个周期为例：
当t时刻时，设着陆区中心坐标为(xct,yct,0)，无人机集群初始高度为h，利用数学知识对各点坐标进行分析可得，第i架无人机的坐标
Figure BDA0003941295370000102
为：
当t≤ti时，
Figure BDA0003941295370000103
Figure BDA0003941295370000104
Figure BDA0003941295370000105
当t>ti时，
Figure BDA0003941295370000106
Figure BDA0003941295370000107
Figure BDA0003941295370000108
无人机运动轨迹坐标以文件形式进行输出。簇头无人机将着陆规划发送给各个无人机。
步骤5，无人机进行着陆。如图5所示，各个无人机接收簇头无人机的着陆规划数据包，并根据规划中的着陆次序和着陆轨迹序列进行着陆。无人机可通过机载传感器感知其邻居无人机，并计算其与邻居无人机的相对距离和角度关系，判断当前位置与着陆规划中的路径序列的误差，调整其飞行姿态直至安全着陆。
此处需要补充说明的是：图3和图5示出了本发明一个实施例的单个簇中无人机着陆过程示意图，步骤3至步骤5是在单个簇里进行的。
在本发明的一个优选实施例中，还进一步包括步骤5。在着陆过程中不断更新并调整各个无人机的运动轨迹以实现协同安全着陆。具体地，在整个协同着陆的过程中，各无人机按照着陆地标的吸引力和邻居无人机的排斥力确定并不断更新其运动轨迹，调整其飞行姿态直至安全着陆。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，包括以下步骤：
步骤1：无人机集群建立P2P形式的无线通信网络；
步骤2：各无人机利用机载传感器对自身参数进行配置；
步骤3：根据着陆区数量和无人机信息，采用完全分布式的簇头选择算法或引入代表节点的簇头选择算法进行簇头选举，将无人机集群分成多个簇；
步骤4：每个簇的簇头无人机对簇内无人机进行着陆规划；
步骤5：各无人机根据规划中的着陆次序和着陆轨迹序列进行着陆。
2.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，每个无人机都有唯一的ID号，在P2P形式的无线通信网络中有唯一的对应IP地址。
3.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，所述步骤2具体为各无人机利用机载传感器搜索自身位置和着陆地标位置，结合能量信息对自身参数进行配置，并基于P2P无线通信网络采用广播的方式向相邻无人机发送数据包，以分享位置信息和状态信息。
4.根据权利要求3所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，所述数据包包括位置信息及状态信息，数据包标记为Packet，包含以下内容：Packet＝{Uid,Xi,Yi,Zi,Uland,Xl,Yl,Zl,Ustate,Upower}，其中，Uid为表示无人机i的ID；Xi为无人机i的x坐标，Yi为无人机i的y坐标，Zi为无人机i的z坐标；Uland为无人机i是否搜索到着陆地标，0表示已搜索到，1表示未搜索到；Xl为着陆地标的x坐标，Yl为着陆地标的y坐标，Zl为着陆地标的z坐标；Ustate为无人机i的状态，0表示已着陆，1表示未着陆；Upower为无人机i的当前剩余能量。
5.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，所述的完全分布式的簇头选择算法，包括：
采用完全分布式的簇头选择算法进行簇头选举，其中各个无人机之间通过局部信息交换，按照选举规定完成最终的簇头选举工作，在多台无人机上实现平衡计算负载。
6.根据权利要求5所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，完全分布式簇头选择算法，具体包括以下步骤：
(1)初始时，随机选择某几架无人机作为第1轮的簇头，CH代表簇头，CH广播消息，宣布自己为本轮的簇头，收到此广播消息的无人机建立与CH之间虚拟的边，其中初始信息素浓度为0，并在此边上增加一定量的信息素
Figure FDA0003941295360000021
其中Q为预先设定的参数；d为两无人机之间的距离，该信息素信息存储在成员节点上，其中簇头数量与着陆区数量对应；
如果节点i收到CH的广播消息后，计算相应边上的信息素浓度τmi(t)：
Figure FDA0003941295360000022
其中，Q*为权重系数，dmi是节点之间距离，I是节点对信号的感知强度，S是灵敏度指标，T是节点类型，
Figure FDA0003941295360000023
是信息素挥发率，Einit是簇头初始能量，Em是簇头当前能量；发送数据越大，距离越远，则能量损耗越大，能量损耗定义如下：
etx(l,d)＝ld2
其中，l是数据包长度，d是节点到簇头的传输距离；
(2)节点i根据与自己相连边上的信息素浓度大小确定自己属于哪一个簇，选择信息素浓度大的边向对应的CH发送应答信息，加入该簇成为其成员；
(3)数据传输结束时，成员节点向其簇头发送信息报告其剩余能量，同时利用下面的公式确定表示能量的信息素：
Figure FDA0003941295360000024
其中，einit是节点i的初始能量水平，etx是节点i的能量损耗；α是调节因子；则此时CH与节点i的边上的信息素浓度为
Figure FDA0003941295360000025
(4)在本轮的簇头选择结束阶段，簇头选择所有边中信息素浓度最高的那条边连接的节点作为下个CH，并向新的CH发送移交信息，收到移交信息的节点即为下一轮的CH。
7.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，步骤3中所述的引入代表节点的簇头选择算法，包括：
在传统簇头选择算法中引入代表节点，选择能量属性最大的作为代表节点，由此代表节点执行簇头选择算法，代表节点采取集中式的方法完成簇头选举工作，并将分簇结果广播给其他成员节点。
8.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，步骤4中所述着陆规划的方法，包括：
(1)簇头无人机根据收到的数据包Packet完成对簇内无人机的着陆次序和着陆轨迹的规划，簇头无人机将着陆区域中心点设为圆点，簇内无人机均匀分布在以该点为圆心的大圆上，从平面上看，无人机集群着陆运动是一动圆绕定圆做纯滚动的运动，动圆圆上的点所产生的运动轨迹称为内摆线，内摆线的形成可以看成半径为r的动圆沿着半径为R的定圆做纯滚动，动圆上固定的点P的运动轨迹，其轨迹是一条循环的内摆曲线；
设θ为动圆相对定圆公转的角度，σ为动圆转过的角度，且他们对应的弧长相等，即
Figure FDA0003941295360000031
根据运动和几何关系可推导出内摆线方程为：
Figure FDA0003941295360000032
当小圆的半径恰好为大圆半径的一半，即R＝2·r时，无人机的运动轨迹恰好为直线，各架无人机沿各自所在直径以直线来回运动；
设无人机一次往返，即一个周期的时间为T，则小圆旋转的角速度
Figure FDA0003941295360000033
通过对无人机飞行运动的分析可得，N架无人机在直线方向上做简谐运动；
(2)以大圆圆心为运动的平衡位置，从大圆的边界上的其中一点开始出发，若要无人机集群着陆过程中不发生碰撞，且在着陆后形成有序的圆形编队，则各架无人机从t＝T0时刻，每隔时间T0一架无人机开始飞行；
若每个簇或着陆区域包含N个无人机，则第i架无人机出发时刻ti为：
Figure FDA0003941295360000041
第i架无人机参考于圆心的位移xi为：
Figure FDA0003941295360000042
第i架无人机的水平方向的速度大小vi为：
Figure FDA0003941295360000043
第i架无人机的垂直方向的速度大小vz由系统确定，但不超多最大安全着陆速度vzmax；
(3)无人机着陆路径序列，即N架无人机的着陆轨迹p1，p2，...，pN，其中pi是一个沿较大圆的直径所在平面以Z字型运动的坐标序列，由于无人机运动为周期运动，以一个周期为例：
当t时刻时，设着陆区中心坐标为(xct,yct,0)，无人机集群初始高度为h，对各点坐标进行分析可得，第i架无人机的坐标(xpi,ypi,zpi)为：
当t≤ti时，
Figure FDA0003941295360000044
Figure FDA0003941295360000045
zpi＝h
当t>ti时，
Figure FDA0003941295360000046
Figure FDA0003941295360000047
zpi＝h-vz·(t-ti)
无人机运动轨迹坐标以文件形式进行输出，簇头无人机将着陆规划发送给各个无人机。
9.根据权利要求1所述的一种用于无人机集群多着陆区协同着陆的分布式方法，其特征在于，步骤5具体为各个无人机接收簇头无人机的着陆规划数据包，并根据规划中的着陆次序和着陆轨迹序列进行着陆，无人机通过机载传感器感知其相邻无人机，并计算其与邻居无人机的相对距离和角度关系，判断当前位置与着陆规划中的路径序列的误差，调整其飞行姿态直至安全着陆。
CN202211418021.6A 2022-11-14 2022-11-14 一种用于无人机集群多着陆区协同着陆的分布式方法 Active CN115599123B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211418021.6A CN115599123B (zh) 2022-11-14 2022-11-14 一种用于无人机集群多着陆区协同着陆的分布式方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211418021.6A CN115599123B (zh) 2022-11-14 2022-11-14 一种用于无人机集群多着陆区协同着陆的分布式方法

Publications (2)

Publication Number Publication Date
CN115599123A true CN115599123A (zh) 2023-01-13
CN115599123B CN115599123B (zh) 2024-04-26

Family

ID=84853506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211418021.6A Active CN115599123B (zh) 2022-11-14 2022-11-14 一种用于无人机集群多着陆区协同着陆的分布式方法

Country Status (1)

Country Link
CN (1) CN115599123B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449865A (zh) * 2023-03-15 2023-07-18 中国人民解放军国防科技大学 一种基于状态感知的分簇无人机集群任务分解方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749847A (zh) * 2012-06-26 2012-10-24 清华大学 多无人机协同着陆方法
CN103197684A (zh) * 2013-04-25 2013-07-10 清华大学 无人机群协同跟踪目标的方法及系统
US20150153740A1 (en) * 2012-02-26 2015-06-04 Elbit Systems, LTD Safe emergency landing of a uav
CN113268076A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多无人机集群编队协同控制算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150153740A1 (en) * 2012-02-26 2015-06-04 Elbit Systems, LTD Safe emergency landing of a uav
CN102749847A (zh) * 2012-06-26 2012-10-24 清华大学 多无人机协同着陆方法
CN103197684A (zh) * 2013-04-25 2013-07-10 清华大学 无人机群协同跟踪目标的方法及系统
CN113268076A (zh) * 2021-03-06 2021-08-17 南京航空航天大学 一种多无人机集群编队协同控制算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOTOR ANOMALY DETECTION FOR UNMANNED AERIAL VEHICLES USING REINFORCEMENT LEARNING: "Motor Anomaly Detection for Unmanned Aerial Vehicles Using Reinforcement Learning", IEEE INTERNET OF THINGS JOURNAL, vol. 5, no. 4, 8 August 2017 (2017-08-08), pages 2315 *
刘树光等: "有人/无人机协同编队控制研究综述", 飞行力学, vol. 40, no. 5, 31 October 2022 (2022-10-31), pages 1 - 8 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449865A (zh) * 2023-03-15 2023-07-18 中国人民解放军国防科技大学 一种基于状态感知的分簇无人机集群任务分解方法和系统
CN116449865B (zh) * 2023-03-15 2024-03-12 中国人民解放军国防科技大学 一种基于状态感知的分簇无人机集群任务分解方法和系统

Also Published As

Publication number Publication date
CN115599123B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
Goudarzi et al. Data collection using unmanned aerial vehicles for Internet of Things platforms
Arafat et al. A survey on cluster-based routing protocols for unmanned aerial vehicle networks
Lakew et al. Routing in flying ad hoc networks: A comprehensive survey
Sharma et al. A cooperative network framework for multi-UAV guided ground ad hoc networks
Hong et al. Toward swarm coordination: Topology-aware inter-UAV routing optimization
CN113268076B (zh) 一种多无人机集群编队协同控制算法
Yu et al. Cooperative path planning for target tracking in urban environments using unmanned air and ground vehicles
Shrit et al. A new approach to realize drone swarm using ad-hoc network
US8527457B2 (en) Arrangement for autonomous mobile network nodes to organize a wireless mobile network based on detected physical and logical changes
Alam et al. Topology control algorithms in multi-unmanned aerial vehicle networks: An extensive survey
Danoy et al. Connectivity stability in autonomous multi-level UAV swarms for wide area monitoring
US8186589B2 (en) UAV decision and control system
Pantelimon et al. Survey of multi-agent communication strategies for information exchange and mission control of drone deployments
Ryan et al. Decentralized control of unmanned aerial vehicle collaborative sensing missions
CN102749847A (zh) 多无人机协同着陆方法
Bogdanowicz Flying swarm of drones over circulant digraph
Akbaş et al. Molecular geometry inspired positioning for aerial networks
Park et al. Analysis of dynamic cluster head selection for mission-oriented flying ad hoc network
CN112929940A (zh) 一种基于链路生存时间预测的无人机自组网组播路由协议
CN115599123B (zh) 一种用于无人机集群多着陆区协同着陆的分布式方法
CN112423270A (zh) 一种基于虚拟力和波束参数优化的无人机集群低截获部署方法
Qin et al. Trajectory planning for reconnaissance mission based on fair-energy UAVs cooperation
CN114518772B (zh) 一种拒止环境下无人机蜂群自组织方法
Saarelainen et al. C4I2-Tools for the Future Battlefield Warriors
Šulák et al. Search using a swarm of unmanned aerial vehicles

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