CN115903885B - 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 - Google Patents

Abstract

本发明公开了一种基于任务牵引的蜂群Agent模型的无人机飞控方法，包括以下步骤：S1，构建Agent模型；S2，确定飞行任务策略；S3，确定策略最优中心——任务进行最优无人机，并完成所述任务进行最优无人机从k时刻到k+1时刻的更新；S4，确定编队队形；S5,进行仿真验证。本发明通过引力和斥力的合理设计，既保证了蜂群的社会性，又保证存活性。且本发明同时考虑障碍、任务、无人机间的安全距离，遇到障碍后，无人蜂群能够自主调整蜂群编队结构，成功绕过障碍，实现较好的避障效果，且运动轨迹平滑，安全性较高。同时，本发明对于较大规模无人蜂群，也能够实现编队避障控制。

Description

一种基于任务牵引的蜂群Agent模型的无人机飞控方法

技术领域

本发明涉及无人机飞控避障领域，特别涉及一种基于任务牵引的蜂群Agent模型的无人机飞控方法。

背景技术

随着科技发展和民用军用需求的变化，单体无人机无法满足多变化和多类型的任务，可由无人蜂群模式实现。无人蜂群的应用可以扩展单个无人机的能力，以更高效、更协同的方式执行军事任务，提高了战场容错率。多架无人机组成无人蜂群协同完成任务，是未来无人机的发展方向。然而，随着无人蜂群规模越大，飞行控制策略就显得尤为重要，否则会带来自然减员等不必要损失。这就要求无人蜂群在飞行过程中遇到外部环境突然变化时，能够及时调整队形和方向，保证飞行安全。可以说，无人蜂群的编队控制是无人机作战的重要基础。因此，研究在规避动态障碍物的情况下实现编队维护与重构，对于无人机群体编队控制的研究具有重要意义。

发明内容

为了解决现有问题，本发明提供了一种基于任务牵引的蜂群Agent模型的无人机飞控方法，具体方案如下：

一种基于任务牵引的蜂群Agent模型的无人机飞控方法，包括以下步骤：

S1，构建Agent模型；

所述Agent模型包括以下参数：任务B、无人机蜂群U、T及U_i；

其中，B＝{g_B,d_B,P}，g_B＝{x_B,y_B,z_B}表示任务B地的三维地理位置信息，d_B表示无人机进入B地的有效范围——当某架无人机当前位置处于以g_B中心，以d_B为半径的球内表示该无人机完成任务，P表示完成任务的无人机架数占蜂群架数的比例；

T＝{per,iden}，其中，per为当前完成任务的无人机总数，iden＝{0,1}，0表示未完成任务，1表示已完成任务；

U_i＝{U_i0,U_i1,U_i2,…}表示第i架无人机在量测范围内的信息，其中，U_ik表示第i架无人机在第k量测时刻的信息，k＝0时的U_i0表示该架无人机的初始信息；

S2，确定飞行任务策略；

S3，确定策略最优中心——任务进行最优无人机，并完成所述任务进行最优无人机从k时刻到k+1时刻的更新；

具体地，确定策略最优中心的方法包括以下步骤：

S31，遍历U，若则U_i为k时刻任务进行最优无人机，记为策略最优中心；

S32，判断策略最优中心的前进方向，若与目标位置方向不一致，则进行方向的调整，具体为：

若，即目标位置与无人机当前前进方向一致，当/>即无人机可以在下一个量测间隔Δ完成B，则/>否则，即无人机不能在下一个量测间隔Δ完成B，/>

若，即目标位置与无人机当前前进方向不一致，令/>表示U_i在(k+1)时刻的估计值，初始设定/>

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在k时刻叠加的最大转角，即无人机完成B的方向转角在可控范围内，那么

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在第k时刻叠加的最大转角，即无人机完成B的方向转角不在可控范围内，满足那么/>

S33，完成k时刻到k+1时刻的信息更新，即p_ik＝1；

S4，确定编队队形；

S5,进行仿真验证。

本发明的有益效果在于：

本发明通过引力和斥力的合理设计，既保证了蜂群的社会性，又保证存活性。且本发明同时考虑障碍、任务、无人机间的安全距离，遇到障碍后，无人蜂群能够自主调整蜂群编队结构，成功绕过障碍，实现较好的避障效果，且运动轨迹平滑，安全性较高。同时，本发明对于较大规模无人蜂群，也能够实现编队避障控制，有效避免了现有的领导-跟随法不适用于大规模蜂群的缺点，也克服了虚拟结构法必须保持特定的几何位置，无法灵活调整编队形状的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为单体无人机运动合力示意图；

图2为蜂群任务策略执行流程图；

图3为蜂群飞控仿真平台的人机界面；

图4为10架次无人蜂群避障仿真实验图，其中图a为起飞阶段，图b为遇到障碍避障阶段，图c为到达任务点阶段；

图5为100架次无人蜂群对固定形状避障仿真实验图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

一种基于任务牵引的蜂群Agent模型的无人机飞控方法，包括以下步骤：

S1，构建Agent模型；

所述Agent模型包括以下参数：任务B、无人机蜂群U、T及U_i。

其中，B＝{g_B,d_B,P}，g_B＝{x_B,y_B,z_B}表示任务B地的三维地理位置信息，d_B表示无人机进入B地的有效范围——当某架无人机当前位置处于以g_B中心，以d_B为半径的球内表示该无人机完成任务，P表示完成任务的无人机架数占蜂群架数的比例。

T＝{per,iden}，其中，per为当前完成任务的无人机总数，iden＝{0,1}，0表示未完成任务，1表示已完成任务。

U_i＝{U_i0,U_i1,U_i2,…}表示第i架无人机在量测范围内的信息，其中，U_ik表示第i架无人机在第k量测时刻的信息，k＝0时的U_i0表示该架无人机的初始信息。

U_ik＝{g_ik,m_ik,c_ik,f_ik,t_ik,p_ik}，其中，g_ik、m_ik、c_ik、f_ik、t_ik、p_ik分别表示第i架无人机在第k时刻的地理位置信息、运动信息、通信信息、飞行控制信息、任务完成情况、完成下一时刻更新标识信息。

具体地，g_ik＝(x_ik,y_ik,z_ik)表示第i架无人机在第k时刻的三维地理位置信息。

其中，/>表示第i架无人机在第k时刻的速度，/>表示能够开启的最大速度。

c_ik＝{cd_ik,cn_ik,cU_ik}，其中，cd_ik表示该架无人机在第k时刻的有效通信距离，即且第i架无人机和第j架无人机之间的距离d_ij＝|g_ik-g_jk|，当d_ij≤cd_ik且d_ij≤cd_jk时，第j架无人机与第i架无人机之间才能实现有效通信，其他情况则不能有效通信；cn_ik表示满足与第i架无人机实现有效通信的架数，该架数有利维持蜂群稳定，要求cn_ik≠0；cU_ik表示能与第i架无人机进行有效通信的无人机集合；k＝0时，在满足d_ij≤cd_ik且实现一次信息握手后，进入该集合，同时更新cn_ik的数值，如果/>，那么蜂群社会构建失败，应重新构建蜂群社会。

f_ik＝{fa_ik,fd_ik}，其中，fa_ik表示该架无人机由于自身设计和机械控制的因素，可于前一飞行时刻叠加的最大转角；fd_ik表示该架无人机在飞行过程中不易碰撞的安全飞行距离，即对于任意U_j∈U且d_ij＝|g_ik-g_jk|，当d_ij≥max{fd_ik，fd_jk}第j架无人机与第i架无人机之间才能实现安全飞行；

t_ik＝{0,1}，其中，0表示第i架无人机在k时刻任务未完成，1表示第i架无人机在k时刻任务完成；

p_ik＝{0,1}，其中，0表示第i架无人机在第k+1时刻编队尚未完成，1表示第i架无人机在第k+1时刻编队已完成。

S2，按照蜂群的种群优化和卡尔曼滤波方法，设定飞行任务策略。

如图2，所述飞行任务策略的执行包括以下步骤：

S21，装载蜂群任务B，并初始化蜂群信息U；

S22，根据U和T,判断无人机蜂群是否完成任务B，若完成——即当完成任务的无人机占无人机蜂群U中无人机总数的比例超过或等于预设的比例P时，记作无人机蜂群完成了任务B，进入步骤S25A，若未完成——即当完成任务的无人机占无人机蜂群中无人机总数的比例小于预设的比例P时，进入步骤S23；

S23，将无人机蜂群中未完成任务的无人机，重新组建一个新的无人机蜂群，根据新的无人机蜂群和任务B，判断是否满足完成任务的条件；

若满足——即当新的无人机蜂群中完成任务的无人机，占新的无人机蜂群中无人机总数的比例超过或等于预设的比例P时，记作新的无人机蜂群满足完成任务B的条件，进入步骤S24；

若不满足——即当新的无人机蜂群中完成任务的无人机占新的无人机蜂群中无人机总数的比例小于预设的比例P时，进入步骤S25B；

S24，按照策略更新U和T，之后进入步骤S22进行循环操作；

S25A，输出任务成功；S25B，输出任务失败；

S26，结束。

S3，确定策略最优中心——任务进行最优无人机，并完成所述任务进行最优无人机从k时刻到k+1时刻的更新。包括以下步骤：

S31，遍历U，若则U_i为k时刻任务进行最优无人机，记为策略最优中心。

S32，判断策略最优中心的前进方向，若与目标位置方向不一致，则进行方向的调整，具体为：

若即目标位置与无人机当前前进方向一致，当/>即无人机可以在下一个量测间隔Δ完成B，则/>否则，即无人机不能在下一个量测间隔Δ完成B，/>

若即目标位置与无人机当前前进方向不一致，令/>表示U_i在(k+1)时刻的估计值，初始设定/>

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在k时刻叠加的最大转角，即无人机完成B的方向转角在可控范围内，那么

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在k时刻叠加的最大转角，即无人机完成B的方向转角不在可控范围内，满足那么/>

S33，完成k时刻到k+1时刻的信息更新，即p_ik＝1。

S4，确定编队队形。具体包括以下步骤：

S41，以任务进行最优无人机为中心节点，确定cU_ik；具体地，当时，则U_i为孤立节点，属于非社会性，该次编队失败；当/>且p_jk＝0时，根据cd_ik和cn_ik来确定cU_ik。

S42，计算无人机蜂群cU_ik中，各架无人机分别受到其余无人机的合力；具体地，合力包括通信引力和斥力。

其中，引力函数为：η表示正比例增益系数，g_pk表示第p架无人机在第k时刻的地理位置，g_qk表示第q架无人机在第k时刻的地理位置，FA_pqk(p,q)矢量方向是从第p架无人机指向第q架无人机位置。

当第p架无人机未进入第q架无人机的影响范围时，其受到的斥力值为零；在第p架无人机进入第q架无人机的影响范围后，斥力函数为：γ为正比例系数，fd_pk为第k时刻第p架无人机不会发生碰撞的安全距离，fd_qk为为第k时刻第q架无人机不会发生碰撞的安全距离，FC_pqk(p,q)为一矢量，方向为从第q架无人机指向第p架无人机。

根据上述定义的引力和斥力，可以得到第p架无人机的所受合力大小为无人机所受的无人机蜂群对其的斥力和引力之和，cU_pk为第k时刻对第p架无人机进行有效通信(即能对其产生引力和斥力)的所有无人机集合，U_q为第q架无人机在测量范围内的信息，故合力总函数为：

S43，根据合力，进行运动速度更新：其中λ为正比例系数，

从的初始状态开始更新。

S44，重复步骤S41，更新U，将k+1→k。

S5,进行仿真验证。

一、实验设计

实验场景设计的相关参数：

1、蜂群规模，即无人机架次总数。

2、蜂群运动空间，由于本实验为验证性实验，采用相对空间设计方法，采用既定形状作为蜂群活动空间，并在空间中标注蜂群起点、运动轨迹、障碍和任务地点，标注采用空间相对位置方法。

3、蜂群运动速度。

4、单无人机检测障碍能力。

实验评价标准：设定一定规则，满足规则内到达任务地即算成功，否则失败。

二、实验过程

为验证本文所提出的无人蜂群编队和避障控制算法的有效性，利用Matlab编程对算法进行仿真。设置无人机架次总数为10，仿真环境为100×100×100的立方体，以原点(0，0，0)为无人蜂群起始坐标点，蜂群任务地范围是(100，100，100)为球心，10为半径的任务地点，仿真迭代步长step＝0.1，无人机最大速度＝1/step；仿真中，每架无人机能够检测到最远距离10step的障碍；中途设置云团状障碍。任务完成要求为无人蜂群全部到达任务地。仿真实验结果如图4所示。

通过仿真实验可以看出，该算法同时考虑障碍、任务、无人机间的安全距离，遇到障碍后，无人蜂群能够自主调整蜂群编队结构，成功绕过障碍，实现较好的避障效果，且运动轨迹平滑，安全性较高。

其次，验证本文所提出的无人蜂群编队和避障控制算法对于大规模无人蜂群的有效性，利用Matlab编程对算法进行仿真。设置无人机架次总数为100，其他仿真条件与上一个实验一致，设置正方形障碍。仿真实验结果如图5所示。

通过仿真实验可以看出，该算法对于较大规模无人蜂群，也能够实现编队避障控制。有效避免了领导-跟随法不适用于大规模蜂群的缺点，也克服了虚拟结构法必须保持特定的几何位置，无法灵活调整编队形状的问题。仿真实验说明，本文所述方法相比于传统的领导-跟随法和虚拟结构法更具优势。

本领域技术人员将进一步领会，结合本文中所公开的实施例来描述的各种解说性逻辑板块、模块、电路、和算法步骤可实现为电子硬件、计算机软件、或这两者的组合。为清楚地解说硬件与软件的这一可互换性，各种解说性组件、框、模块、电路、和步骤在上面是以其功能性的形式作一般化描述的。此类功能性是被实现为硬件还是软件取决于具体应用和施加于整体系统的设计约束。技术人员对于每种特定应用可用不同的方式来实现所描述的功能性，但这样的实现决策不应被解读成导致脱离了本发明的范围。

提供对本公开的先前描述是为使得本领域任何技术人员皆能够制作或使用本公开。对本公开的各种修改对本领域技术人员来说都将是显而易见的，且本文中所定义的普适原理可被应用到其他变体而不会脱离本公开的精神或范围。由此，本公开并非旨在被限定于本文中所描述的示例和设计，而是应被授予与本文中所公开的原理和新颖性特征相一致的最广范围。

尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种基于任务牵引的蜂群Agent模型的无人机飞控方法，其特征在于，包括以下步骤：

S1，构建Agent模型；

所述Agent模型包括以下参数：任务B、无人机蜂群U、T及U_i；

其中，B＝{g_B,d_B,P}，g_B＝{x_B,y_B,z_B}表示任务B地的三维地理位置信息，d_B表示无人机进入B地的有效范围——当某架无人机当前位置处于以g_B中心，以d_B为半径的球内表示该无人机完成任务，P表示完成任务的无人机架数占蜂群架数的比例；

T＝{per,iden}，其中，per为当前完成任务的无人机总数，iden＝{0,1}，0表示未完成任务，1表示已完成任务；

U_i＝{U_i0,U_i1,U_i2,…}表示第i架无人机在量测范围内的信息，其中，U_ik表示第i架无人机在第k量测时刻的信息，k＝0时的U_i0表示该架无人机的初始信息；

S2，确定飞行任务策略；

S3，确定策略最优中心——任务进行最优无人机，并完成所述任务进行最优无人机从k时刻到k+1时刻的更新；

具体地，确定策略最优中心的方法包括以下步骤：

S31，遍历U，若且t_ik＝0|g_ik-g_B|，则U_i为k时刻任务进行最优无人机，记为策略最优中心；

S32，判断策略最优中心的前进方向，若与目标位置方向不一致，则进行方向的调整，具体为：

若即目标位置与无人机当前前进方向一致，当/>即无人机可以在下一个量测间隔Δ完成B，则/>否则，即无人机不能在下一个量测间隔Δ完成B，/>

若即目标位置与无人机当前前进方向不一致，令/>表示U_i在(k+1)时刻的估计值，初始设定/>

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在第k时刻叠加的最大转角，即无人机完成B的方向转角在可控范围内，那么

当fa_ik表示第i架无人机由于自身设计和机械控制的因素，可在第k时刻叠加的最大转角，即无人机完成B的方向转角不在可控范围内，满足那么/>

S33，完成第k时刻到第k+1时刻的信息更新，即p_ik＝1；

S4，确定编队队形；

S5,进行仿真验证。

2.根据权利要求1所述的方法，其特征在于：U_ik＝{g_ik,m_ik,c_ik,f_ik,t_ik,p_ik}，其中，g_ik、m_ik、c_ik、f_ik、t_ik、p_ik分别表示第i架无人机在第k时刻的地理位置信息、运动信息、通信信息、飞行控制信息、任务完成情况、完成下一时刻更新标识信息；

具体地，g_ik＝(x_ik,y_ik,z_ik)表示第i架无人机在第k时刻的三维地理位置信息；

其中，/>表示第i架无人机在第k时刻的速度，/>表示能够开启的最大速度；

c_ik＝{cd_ik,cn_ik,cU_ik}，其中，cd_ik表示该架无人机在第k时刻的有效通信距离，即且第i架无人机和第j架无人机之间的距离d_ij＝|g_ik-g_jk|，当d_ij≤cd_ik且d_ij≤cd_jk时，第j架无人机与第i架无人机之间才能实现有效通信，其他情况则不能有效通信；cn_ik表示满足与第i架无人机实现有效通信的架数，该架数有利维持蜂群稳定，要求cn_ik≠0；cU_ik表示能与第i架无人机进行有效通信的无人机集合；k＝0时，在满足d_ij≤cd_ik且实现一次信息握手后，进入该集合，同时更新cn_ik的数值，如果/>那么蜂群社会构建失败，应重新构建蜂群社会；

f_ik＝{fa_ik,fd_ik}，其中，fa_ik表示该架无人机由于自身设计和机械控制的因素，可于前一飞行时刻叠加的最大转角；fd_ik表示该架无人机在飞行过程中不易碰撞的安全飞行距离，即对于任意U_j∈U且d_ij＝|g_ik-g_jk|，当d_ij≥max{fd_ik，fd_jk}第j架无人机与第i架无人机之间才能实现安全飞行；

t_ik＝{0,1}，其中，0表示第i架无人机在k时刻任务未完成，1表示第i架无人机在k时刻任务完成；

p_ik＝{0,1}，其中，0表示第i架无人机在第k+1时刻编队尚未完成，1表示第i架无人机在第k+1时刻编队已完成。

3.根据权利要求1所述的方法，其特征在于：按照蜂群的种群优化和卡尔曼滤波方法，设定飞行任务策略。

4.根据权利要求1所述的方法，其特征在于：所述飞行任务策略的执行包括以下步骤：

S21，装载蜂群任务B，并初始化蜂群信息U；

S22，根据U和T,判断无人机蜂群是否完成任务B，若完成——即当完成任务的无人机占无人机蜂群U中无人机总数的比例超过或等于预设的比例P时，记作无人机蜂群完成了任务B，进入步骤S25A，若未完成——即当完成任务的无人机占无人机蜂群中无人机总数的比例小于预设的比例P时，进入步骤S23；

S23，将无人机蜂群中未完成任务的无人机，重新组建一个新的无人机蜂群，根据新的无人机蜂群和任务B，判断是否满足完成任务的条件；

若满足——即当新的无人机蜂群中完成任务的无人机，占新的无人机蜂群中无人机总数的比例超过或等于预设的比例P时，记作新的无人机蜂群满足完成任务B的条件，进入步骤S24；

若不满足——即当新的无人机蜂群中完成任务的无人机占新的无人机蜂群中无人机总数的比例小于预设的比例P时，进入步骤S25B；

S24，按照策略更新U和T，之后进入步骤S22进行循环操作；

S25A，输出任务成功；S25B，输出任务失败；

S26，结束。

5.根据权利要求2所述的方法，其特征在于：步骤S4中确定编队队形的步骤包括：

S41，以任务进行最优无人机为中心节点，确定cU_ik；

S42，计算无人机蜂群cU_ik中，各架无人机分别受到其余无人机的合力；

S43，根据合力，进行运动速度更新；

S44，重复步骤S41，更新U，将k+1→k。

6.根据权利要求5所述的方法，其特征在于，所述步骤S41中确定cU_ik的方法包括：

当时，则U_i为孤立节点，属于非社会性，该次编队失败；

当且p_jk＝0时，根据cd_ik和cn_ik来确定cU_ik。

7.根据权利要求5所述的方法，其特征在于：所述步骤S42中计算cU_ik中各架无人机分别受到其余无人机的合力包括通信引力和斥力；

其中，引力函数为：η表示正比例增益系数，g_pk表示第p架无人机在第k时刻的地理位置，g_qk表示第q架无人机在第k时刻的地理位置，FA_pqk(p,q)矢量方向是从第p架无人机指向第q架无人机位置；

当第p架无人机未进入第q架无人机的影响范围时，其受到的斥力值为零；在第p架无人机进入第q架无人机的影响范围后，斥力函数为：γ为正比例系数，fd_pk为第k时刻第p架无人机不会发生碰撞的安全距离，fd_qk为第k时刻第q架无人机不会发生碰撞的安全距离，FC_pqk(p,q)为一矢量，方向为从第q架无人机指向第p架无人机；

根据上述定义的引力和斥力，可以得到第p架无人机的所受合力大小为无人机所受的无人机蜂群对其的斥力和引力之和，cU_pk为第k时刻对第p架无人机进行有效通信(即能对其产生引力和斥力)的所有无人机集合，U_q为第q架无人机在测量范围内的信息，故合力总函数为：

8.根据权利要求7所述的方法，其特征在于：所述步骤S43中运动速度更新的策略为：

其中λ为正比例系数。