CN116501094A - 一种基于自组织模型的无人机集群控制方法 - Google Patents
一种基于自组织模型的无人机集群控制方法 Download PDFInfo
- Publication number
- CN116501094A CN116501094A CN202310796417.2A CN202310796417A CN116501094A CN 116501094 A CN116501094 A CN 116501094A CN 202310796417 A CN202310796417 A CN 202310796417A CN 116501094 A CN116501094 A CN 116501094A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- speed
- self
- pinning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002776 aggregation Effects 0.000 claims abstract description 14
- 238000004220 aggregation Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 abstract description 14
- 238000004138 cluster model Methods 0.000 abstract description 7
- 230000007246 mechanism Effects 0.000 abstract description 4
- 230000015572 biosynthetic process Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003139 buffering effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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
本发明属于无人机控制技术领域，具体涉及一种基于自组织模型的无人机集群控制方法；通过建立无人机集群的自组织模型，使无人机集群实现群聚运动，并利用遗传算法对无人机自组织模型进行优化，通过设计无人机群聚状态下的牵制机制，在集群模型中加入了牵制项，使无人机集群网络能够通过部分节点的牵制来实现对整个无人机集群的调控，通过分析网络拓扑结构给出牵制控制所需的牵制节点数量与牵制速度。实现了对无人机集群网络的高效调控，另外对比依据于最大/最小度中心性和中介中心性的选取策略等，本方法在鲁棒性和效率上均有不同程度的提升。
Description
技术领域
本发明属于无人机控制技术领域，具体涉及一种基于自组织模型的无人机集群控制方法。
背景技术
在自然界中，群居性的动物通过个体间简单的协作可以完成复杂的协作行为。通过对于这种现象的研究与应用，无人机集群可以通过无人机间简单交互来实现复杂的任务，比如协同目标跟踪，搜救和监视，协同建图与定位等。无人机集群系统相对于单无人机系统展现出更强的鲁棒性，容错性，可扩展性等，在各方面都有广阔的应用价值。而随着无人机集群系统的中无人机数量的增加，其所需要的控制，通信等资源也大幅度增加。这为大规模无人机集群系统的控制带来了很大的阻碍，也是目前亟待解决的关键问题。
当前对于无人机集群系统的控制主要有以下两类方式：集中式和分布式。集中式控制的无人机集群系统通过一个中心节点，如地面站软件等，与每一架无人机建立通信连接。中心节点获得所有无人机的状态，在通过统一的规划与计算得到每一台无人机的控制指令，再分别分发给每一台无人机实现对于无人机集群系统的控制。而对于分布式控制的无人机集群系统，系统中不存在中心节点。无人机之间通过各自本地的感知信息来或者一定范围内相邻无人机的状态，然后在各个无人机上分布式的计算其对应的控制指令实现对无人机集群的控制。
如CN109240331B公开了一种无人机集群模型时变编队控制方法及系统。包括建立无人机的动力学模型以及无人车的运动学模型；并采用内外环控制架构，建立无人机-无人车集群模型；获取无人机-无人车集群模型的期望运动轨迹；根据无人机-无人车集群模型中无人机以及无人车的位置，刻画无人机-无人车集群模型的编队构型；根据期望运动轨迹以及编队构型，构造分布式时变编队跟踪控制器；通过分布式时变编队跟踪控制器对无人机-无人车集群模型的时变编队进行控制。CN114415733B公开了一种用于节省通信带宽的无人机集群编队飞行方法，包括：基于自组网链路的无人机集群中每一架无人机内预先集成有用于编队飞行中的长机处理策略信息和长短报文的计算机控制程序，当无人机接收到其他无人机共享的长短报文，则查看自身标识与长短报文中的长机标识相同，在相同时长机处理策略信息更新自身级别信息并共享长报文；长报文为具有位置信息且作为长机共享的报文信息，短报文为作为僚机的无人机共享的不具有位置信息的报文信息。
但是，当无人机集群系统接收到来自有人机，或者地面站的外部指令时，如何设计合适的方法使得每个无人机能够有效地跟随外部指令，现有技术中还有诸多问题需要解决。现有的方法往往通过给集群系统中每个无人机目标指令的反馈或者是通过虚拟领导者，虚拟刚体等控制方式来实现外部指令对无人机的调控。这些方法是在全局通信的前提条件下进行的，对于大规模的无人机集群而言，其控制成本极高，难以实现广泛地应用。
发明内容
针对现有技术中存在的问题，本发明设计了一种基于自组织模型的无人机集群控制方法，通过与部分无人机节点建立通信连接并发送外部指令信号，再通过无人机间自组织的交互方式将外部指令的信号传递到无人机集群的网络中，实现对无人机网络的调控。在节省了控制资源的情况下，高效的调控了无人机集群网络。
本发明完整的技术方案包括：
一种基于自组织模型的无人机集群控制方法，其特征在于，包括如下步骤：
步骤1，建立无人机自组织模型，所述自组织模型包括排斥速度、聚集速度、速度对齐项和空间围栏交互；并计算得到无人机集群的期望速度，邻近的无人机在自组织模型的作用下形成局部无人机簇；
步骤2，针对局部无人机簇，确定牵制速度和牵制节点数目，并利用遗传算法对无人机自组织模型进行优化，所述优化包括传感器测量误差修正，期望速度优化，以及速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化；
步骤3，依照节点中心性的排序结果选取牵制节点并形成无人机的牵制节点集合；
步骤4，在步骤3获得无人机的牵制节点集合后，与被牵制的无人机建立通信链接，向其发送外部指令，无人机集群在被牵制的无人机与其他无人机的交互下达到期望的速度。
进一步的，步骤2的传感器测量误差修正为：将无人机的位置误差和速度误差建模为高斯白噪声，并利用方差对无人机速度和位置的状态估计进行调整。
进一步的，步骤2的期望速度优化，通过一阶响应来表示无人机实际速度跟上期望速度的过程，即无人机实际速度以时间常数指数收敛于期望速度。
进一步的，步骤2的速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化，具体为通过对速度对齐、机间防碰撞和机间距离保持、固定区域内飞行分别设计序参量，并得到单目标适应度函数，利用遗传算法求解单目标适应度函数。
进一步的，步骤2中，通过获取当前状态下的无人机网络连接情况并分析其拓扑结构，确定牵制速度和牵制节点数目。
进一步的，步骤3中，牵制节点的选取在外部指令设备上进行。
如上所述，本发明提供了一种基于自组织模型的无人机集群控制方法，能够实现无人机集群整体调控的牵制控制方法，以及分散分布的牵制节点选取策略，通过自组织模型生成稳定集群的无人机，并利用遗传算法对无人机自组织模型进行优化，利用形成集群后的无人机网络拓扑结构，设计了基于度中心性，中介中心性的分散分布的牵制节点选取策略，有效地达到了牵动部分无人机来实现对整个无人机集群调控的目的。
本发明相对于现有技术的优点在于：
（1）建立了无人机集群的自组织模型，在聚集，排斥，速度一致三种集群的基本准则之外，利用速度松弛项使得无人机有顺滑，无碰撞的运动轨迹。最终实现了无人机集群的群聚运动，同时针对实际应用中的通信延迟，传感器测量误差等因素，利用遗传算法对无人机自组织模型进行优化，优化包括传感器测量误差修正，期望速度优化，以及速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化；
（2）设计了无人机群聚状态下的牵制机制，并在自组织模型中加入了牵制项，使得无人机网络能够通过部分节点的牵制来实现对整个无人机集群的调控。通过分析网络拓扑结构，给出牵制控制所需的牵制节点数量与牵制速度。设计了分散分布的牵制节点选取策略，牵制约25%节点即可实现对无人机集群网络的高效调控。另外对比依据于最大/最小度中心性和中介中心性的选取策略等，其在鲁棒性和效率上有不同程度的提升。
附图说明
图1为本发明公开的无人机控制方法流程图。
图2为本发明排斥速度和聚集速度示意图。
图3为自组织模型参数优化流程。
图4为三种转化函数的示意图。
图5为实施例1无人机集群动态过程示意图。
具体实施方式
下面将结合本申请实施方式中的附图，对本申请的实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本申请。
以下结合实施例和附图对本发明进行详细描述，但需要理解的是，所述实施例和附图仅用于对本发明进行示例性的描述，而并不能对本发明的保护范围构成任何限制。所有包含在本发明的发明宗旨范围内的合理的变换和组合均落入本发明的保护范围。
如图1所示，本发明提供的一种基于自组织模型的无人机控制方法，首先要建立无人机的自组织模型，通过该自组织模型能生成稳定集群的无人机，并利用形成集群后的无人机网络拓扑结构，设计了基于度中心性，中介中心性的分散分布的牵制节点选取策略，能有效达到牵动部分无人机来实现对整个无人机集群调控的目的。现对该自组织模型进行介绍，具体包括：
步骤1，在初始时刻，无人机无序的分布在空间中，并遵循排斥、吸引和速度一致的群聚准则，无人机在设计的自组织模型的作用下与周围邻近无人机形成局部无人机簇。不同的无人机簇在相遇，即进入感知范围时，形成更大的无人机簇。当无人机形成无人机簇的稳态阶段时，对无人机网络施加调控指令，控制无人机集群的运动，稳态阶段无人机簇中的无人机数量可以预先设定。现将无人机集群中的两架无人机定义为无人机和无人机/>，并以此为例，对无人机集群的运动进行说明，其中无人机的群聚运动遵循以下规则：
1)排斥速度
排斥速度是依赖于无人机感知的本地排斥力。本发明采用一种弹簧模型，即一种依赖于距离的线性速度项。本实施方式中排斥速度有一个最大作用范围/>，当无人机间的距离小于这个值的时候这一项的数学表达式为：
（1.1）
其中，为无人机/>与无人机/>之间的排斥速度，/>为排斥速度线性增益常数，/>为排斥速度作用范围，/>，是无人机/>与无人机/>之间的欧式距离，/>为无人机/>的位置，/>为无人机/>的位置。
2)聚集速度
聚集速度是依赖于无人机感知距离的本地聚集力，其定义类似于排斥速度，为一依赖于位置的线性速度项。其作用范围为 ，当无人机间的距离大于/>且小于通信距离/>的时候，聚集速度开始产生作用。各种距离之间的关系如图2所示。聚集速度的数学表达式为：
（1.2）
其中，为无人机/>与无人机/>之间的聚集速度，/>为聚集速度线性增益常数；/>为聚集速度作用范围，/>为无人机/>与无人机/>之间的最大通信距离。
3)速度对齐项
这一项利用邻近无人机间的速度差来同步相邻无人机间速度的大小与方向。同时这一项也起到速度缓冲作用，可以有效地减少由于排斥和吸引速度引起的速度突变带来的震荡。其数学表达式如下所示：
（1.3）
其中，为无人机/>与无人机/>之间的速度对齐项，/>为速度对齐项线性增益项，/>，是无人机/>与无人机/>之间速度差的欧式范数，/>为无人机/>的速度，为无人机/>的速度，/>表示在当前状态下无人机间所允许的速度差的最大值，其定义通过下述衰减函数给出：
（1.4）
其中， 为速度缓冲，/>为对齐距离，/>为最大加速度，/>为线性增益项，/>为衰减函数。
在上述衰减函数的作用下，当无人机与无人机/>之间的距离小于/>时，其速度差的最大允许值为/>，当距离大于/>时，速度差的允许值将二次增长。
4)空间围栏交互
对于空间中定义限制无人机飞行范围的空间围栏或者障碍物，自组织模型定义了与围栏的交互速度来防止碰撞或者超出飞行范围。这种交互速度由一个虚拟的无人机个体产生。虚拟无人机的位置在凸多边形的围栏的一个边上，是距离实际无人机最近的点，而虚拟无人机的速度垂直于其所在的边，指向空间围栏的中心。而交互速度产生依赖于相似于速度对齐的规则，其对应的数学表达式如下所示：
（1.5）
其中是实际无人机与虚拟无人机允许的最大速度差，/>为空间围栏交互项，/>是无人机/>与虚拟无人机之间速度差的欧式范数，/>为无人机i的速度，/>为虚拟无人机的速度。
最后，定义群聚速度大小为一定值，方向平行于上一时刻的速度方向，其大小为，得到模型计算的总期望速度，为前几项之和：
（1.6）
其中，为模型输出的期望速度，/>为当前时刻群聚速度，/>为无人机/>邻居节点集合。
同时考虑无人机速度和加速度约束，在模型的结果后添加饱和函数：
（1.7）
（1.8）
其中，为约束期望速度/>变化量的加速度，/>通过约束期望速度/>的数值微分计算得到，/>为模型设定的无人机最大加速度，/>为约束期望速度，/>为模型设定的无人机最大速度。
步骤2，根据步骤1获得的模型形成无人机集群，当无人机簇规模形达到预设程度时，选取合适的牵制速度和牵制节点数目，并利用遗传算法计算得到最优的模型参数。优化流程如图3所示；考虑实际应用中的通信延迟，传感器测量误差等因素，然后设计序参量和适应度函数，利用遗传算法获得模型最优的参数。具体包括：
2.1 传感器测量误差修正
在本实施方式中，采用扩展卡尔曼滤波算法来估计飞机的速度，位置，姿态，加速度数据，卡尔曼滤波程序以400Hz的频率运行于飞控中。飞行过程中的数据测量包括：
超宽带定位模块UWB(Ultra Wideband)，对于UWB，每一个无人机以200Hz的频率向基站询问，多次询问后解算一次UWB定位数据，其中一架无人机实验时解算频率约为24Hz。而无人机与基站的轮询机制决定了解算频率要受实验时无人机数量的影响，无人机数量越多，每架无人机的解算频率越低。而位置估计很大程度上依赖于UWB的传感器信息，因此在模型参数优化的过程中，设定位置和速度信息地更新频率分别为20Hz与100Hz。UWB模块采用DWM1000模块，采用4个基站，对于无人机在X轴方向的位置误差，在Y轴方向的位置误差，X轴方向的速度误差，Y轴方向的速度误差，在优化过程中建模为高斯白噪声，并利用方差对无人机速度和位置的状态估计进行调整。无人机在地面时，各个状态估计的方差如下所示：
；
；
；
；
为无人机在X轴方向的位置误差方差，/>为无人机在Y轴方向的位置误差方差，为无人机在X轴方向的速度误差方差，/>为无人机在Y轴方向的速度误差方差。
2.2 期望速度优化
步骤1中的自组织模型通过发送给底层控制器以期望速度来实现无人机的集群行为。而由于无人机自身特性以及底层控制器的性能，实际速度跟上期望速度需要一定时间，因而在本步骤中，对于自组织模型的期望速度进行了优化。
针对实际速度跟上期望速度的过程，本实施方式通过一阶响应来表示这个过程，即实际速度以时间常数指数收敛于期望速度。经分析发现，时间常数/>与底层控制器参数，无人机质量，空气动力学等因素相关，因而本实施方式通过分析实际的飞行数据求得优化过程中所使用的参数。
飞行过程中y轴方向上的期望速度与实际速度的曲线，通过求两条曲线间的互相关函数来计算时间常数，互相关函数定义如下所示：
（2.1）
其中，为/>的互相关函数，T为本优化过程的无人机飞行总时间，Vreal为本优化过程的无人机实际飞行速度，t为积分变量，Vdes为本优化过程的无人机参考飞行速度。
若在处互相关函数取得最大值，两条曲线此时相关性最强，此时的时间常数即可取为/>，其在/>时取得最大值，即为优化过程中选取的时间常数。
2.3 速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化
在无人机飞行过程中，集群分别需要实现无人机间的速度对齐，机间防碰撞与距离保持，在固定区域内飞行，以及按照一定的速度集群飞行。为对模型中的上述行为做出优化，本实施方式采用设计序参量的方式。
以表示无人机/>的邻居节点集合，针对速度对齐，设计第一序参量/>如式2.2所示，当/>越大，表明集群运动的速度对齐越好。
（2.2）
其中为第一序参量，T为无人机飞行总时间，N为无人机总数量。
针对机间防碰撞和机间距离保持，设计第二序参量如式2.3与2.4所示，当越小，表明发生碰撞的情况越少。
（2.3）
（2.4）
其中为单位阶跃函数，/>为t时刻无人机i和无人机j的欧式距离，/>为碰撞距离，当机间距离小于这个值时，认为碰撞发生。/>为与距离相关序参量。
针对固定区域内飞行，设计第三序参量如公式2.5所示，这一项只有当有无人机飞出空间围栏时才开始计算，/>越小，飞出墙外的情况就越少。
（2.5）
其中，为围栏的距离，/>为/>的带符号形式，当无人机在围栏外部时为正，在内部时为负。
最后集群飞行的速度相关序参量设计为：
（2.6）
为了优化得到最优的参数，采用单目标优化遗传算法，定义一个综合的适应度函数。为了将定义的序参量转化到一个函数上，使用三个转换函数，三个转换函数都将序参量映射到0-1区间，分别如图4所示。其中第一转换函数为一单调递增S型函数，随着序参量的增长收敛到1，并且在区间/>有一个平滑的正弦缓冲。第二转换函数/>是一个具有概率分布形状的曲线，在0处取得最大值1，并随着序参量的递增而递减。第三转换函数是一个尖刺函数，在0附近有很强的约束，可以用来作为严格要求的约束，如碰撞等。利用这些转化函数，构造最后优化所需的单目标适应度函数/>如下所示：
（2.7）
其中：
（2.8）
其中，为第一转换函数，/>为第二转换函数，/>为第三转换函数，/>为机间碰撞容忍值，/>为墙壁碰撞容忍值，/>为速度对齐容忍值，/>为距离保持容忍值。这些值的选取没有固定的方式，取决于各项性能在优化过程中的相对重要程度。至此，利用遗传算法即可求得最优的模型参数，每一轮的适应度函数计算由500秒的仿真计算获得。遗传算法的参数设置采用Matlab GA(Genetic Algorithm)工具箱的默认参数。
步骤3，在步骤2分析的基础上，根据网络结构特性依照节点中心性的排序结果选取牵制步骤2中牵制节点数目大小的节点集合，选取的节点满足中心性最大与中心性最小分散分布的原则，本实施方式给出了以下两种选取方式：
1)对于个节点，按照度中心性排序，分别由最大中心性依次选取/>个节点，最小中心性一次选取/>个节点；
2)对于个节点，按照中介中心性排序，分别由最大中心性依次选取/>个节点，最小中心性一次选取/>个节点；
步骤4，在步骤3中获得无人机的牵制节点集合后，与被牵制的无人机建立通信链接，向其发送外部指令。无人机集群在被牵制的无人机与其他无人机的交互下达到期望的速度。
对于被牵制的无人机，其期望速度中加入一项牵制速度来保证其被牵引向期望的速度：
（4.1）
其中，为被第i架牵制的无人机的牵制速度，/>是牵制速率线性增益常数，表示牵制速率的大小，/>是被牵制的节点集合，/>为表示速度方向单位向量。
实施例1
下面以100个无人机为例，对本实施方式的无人机集群整体调控的牵制控制方法进行进一步说明，通过所建立的无人机集群的运动模型，可以使得无人机有顺滑，无碰撞的运动轨迹，最终实现了无人机集群的群聚运动。无人机集群的运动模型参数如表1所示。
表1 无人机集群运动模型参数
其中为牵制无人机数量，/>为牵制数量。为验证本实施方式自组织模型的有效性，采用实机飞行，结果如图5所示，图5中的a）至图5中的d）分别显示了无人机从无序到有序形成无人机簇的不同状态。
在飞行过程中，无人机的速度达成了同步，相对位置形成了群聚的状态，无人机群聚状态下的牵制机制，并在自组织模型中加入了牵制项，使得无人机网络能够通过部分节点的牵制来实现对整个无人机集群的调控。通过分析网络拓扑结构，给出牵制控制所需的牵制节点数量与牵制速度。本实施方式依据度中心性和中介中心性分析无人机网络的拓扑性质，设计了分散分布的牵制节点选取策略，牵制约25%节点即可实现对无人机集群网络的高效调控。另外对比依据于最大/最小度中心性和中介中心性的选取策略等，其在效率和鲁棒性上有不同程度的提升。
以上申请的仅为本申请的一些实施方式。对于本领域的普通技术人员来说，在不脱离本申请创造构思的前提下，还可以做出若干变型和改进，这些都属于本申请的保护范围。
Claims (6)
1.一种基于自组织模型的无人机集群控制方法，其特征在于，包括如下步骤：
步骤1，建立无人机自组织模型，所述自组织模型包括排斥速度、聚集速度、速度对齐项和空间围栏交互；并计算得到无人机集群的期望速度，邻近的无人机在自组织模型的作用下形成局部无人机簇；
步骤2，针对局部无人机簇，确定牵制速度和牵制节点数目，并利用遗传算法对无人机自组织模型进行优化，所述优化包括传感器测量误差修正，期望速度优化，以及速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化；
步骤3，依照节点中心性的排序结果选取牵制节点并形成无人机的牵制节点集合；
步骤4，在步骤3获得无人机的牵制节点集合后，与被牵制的无人机建立通信链接，向其发送外部指令，无人机集群在被牵制的无人机与其他无人机的交互下达到期望的速度。
2.根据权利要求1所述的一种基于自组织模型的无人机集群控制方法，其特征在于，步骤2的传感器测量误差修正为：将无人机的位置误差和速度误差建模为高斯白噪声，并利用方差对无人机速度和位置的状态估计进行调整。
3.根据权利要求2所述的一种基于自组织模型的无人机集群控制方法，其特征在于，步骤2的期望速度优化，通过一阶响应来表示无人机实际速度跟上期望速度的过程，即无人机实际速度以时间常数指数收敛于期望速度。
4.根据权利要求3所述的一种基于自组织模型的无人机集群控制方法，其特征在于，步骤2的速度对齐、机间防碰撞和机间距离保持、固定区域内飞行优化，具体为通过对速度对齐、机间防碰撞和机间距离保持、固定区域内飞行分别设计序参量，并得到单目标适应度函数，利用遗传算法求解单目标适应度函数。
5.根据权利要求4所述的一种基于自组织模型的无人机集群控制方法，其特征在于，步骤2中，通过获取当前状态下的无人机网络连接情况并分析其拓扑结构，确定牵制速度和牵制节点数目。
6.根据权利要求5所述的一种基于自组织模型的无人机集群控制方法，其特征在于，步骤3中，牵制节点的选取在外部指令设备上进行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310796417.2A CN116501094B (zh) | 2023-07-03 | 2023-07-03 | 一种基于自组织模型的无人机集群控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310796417.2A CN116501094B (zh) | 2023-07-03 | 2023-07-03 | 一种基于自组织模型的无人机集群控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116501094A true CN116501094A (zh) | 2023-07-28 |
| CN116501094B CN116501094B (zh) | 2023-09-05 |
Family
ID=87318839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310796417.2A Active CN116501094B (zh) | 2023-07-03 | 2023-07-03 | 一种基于自组织模型的无人机集群控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116501094B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850437A (zh) * | 2024-03-08 | 2024-04-09 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001309A (zh) * | 2020-08-21 | 2020-11-27 | 上海特金无线技术有限公司 | 基于无人机集群的目标搜索方法、装置、设备及存储介质 |
| CN114489127A (zh) * | 2022-01-19 | 2022-05-13 | 中国航空工业集团公司西安航空计算技术研究所 | 一种面向无人机集群的自组织队形编队方法 |
| CN114489147A (zh) * | 2021-12-28 | 2022-05-13 | 中国人民解放军国防科技大学 | 无人机集群自组织区域覆盖方法、装置和设备 |
| CN115639841A (zh) * | 2022-12-15 | 2023-01-24 | 北京航空航天大学 | 一种基于鲁棒牵制的无人机集群编队控制系统及控制方法 |
| CN116009573A (zh) * | 2022-09-29 | 2023-04-25 | 中国人民解放军海军航空大学 | 异构无人机集群自组织运行控制方法、系统和设备 |
-
2023
- 2023-07-03 CN CN202310796417.2A patent/CN116501094B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112001309A (zh) * | 2020-08-21 | 2020-11-27 | 上海特金无线技术有限公司 | 基于无人机集群的目标搜索方法、装置、设备及存储介质 |
| CN114489147A (zh) * | 2021-12-28 | 2022-05-13 | 中国人民解放军国防科技大学 | 无人机集群自组织区域覆盖方法、装置和设备 |
| CN114489127A (zh) * | 2022-01-19 | 2022-05-13 | 中国航空工业集团公司西安航空计算技术研究所 | 一种面向无人机集群的自组织队形编队方法 |
| CN116009573A (zh) * | 2022-09-29 | 2023-04-25 | 中国人民解放军海军航空大学 | 异构无人机集群自组织运行控制方法、系统和设备 |
| CN115639841A (zh) * | 2022-12-15 | 2023-01-24 | 北京航空航天大学 | 一种基于鲁棒牵制的无人机集群编队控制系统及控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| WEITAO WU 等: "Swarm control of UAV based on optimal rigid graph and new community partition", 《2020 CHINESE AUTOMATION CONGRESS (CAC)》 * |
| 孙强;梁晓龙;尹忠海;任谨慎;王亚利;: "UAV集群自组织飞行建模与控制策略研究", 系统工程与电子技术, no. 07 * |
| 张洁 等: "基于度中心性牵制点选择的无人机蜂拥控制", 《指挥信息系统与技术》, no. 01 * |
| 赵建霞;段海滨;赵彦杰;范彦铭;魏晨;: "基于鸽群层级交互的有人/无人机集群一致性控制", 上海交通大学学报, no. 09 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117850437A (zh) * | 2024-03-08 | 2024-04-09 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
| CN117850437B (zh) * | 2024-03-08 | 2024-05-14 | 北京航空航天大学 | 智能体集群运动控制方法和相关产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116501094B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ren et al. | Enabling efficient scheduling in large-scale UAV-assisted mobile-edge computing via hierarchical reinforcement learning | |
| Alam et al. | Topology control algorithms in multi-unmanned aerial vehicle networks: An extensive survey | |
| Zhang et al. | Collective behavior coordination with predictive mechanisms | |
| CN116501094B (zh) | 一种基于自组织模型的无人机集群控制方法 | |
| Wu et al. | Autonomous cooperative flocking for heterogeneous unmanned aerial vehicle group | |
| CN109275099B (zh) | 水下无线传感器网络中基于voi的多auv高效数据收集方法 | |
| Rosalie et al. | Coverage optimization with connectivity preservation for uav swarms applying chaotic dynamics | |
| CN112367111A (zh) | 一种无人机中继部署方法、系统、计算机设备及应用 | |
| CN113552899B (zh) | 一种通信链路受限下的多无人机自主协同搜索方法 | |
| Qi et al. | CDS-based topology control in FANETs via power and position optimization | |
| Zhou et al. | QoE-driven adaptive deployment strategy of multi-UAV networks based on hybrid deep reinforcement learning | |
| Aissa et al. | EMASS: a novel energy, safety and mobility aware-based clustering algorithm for FANETs | |
| Wang et al. | A load-balanced and energy-efficient navigation scheme for UAV-mounted mobile edge computing | |
| Zhao et al. | Route discovery in flying ad-hoc network based on bee colony algorithm | |
| CN115499921A (zh) | 面向复杂无人机网络的三维轨迹设计及资源调度优化方法 | |
| CN114489127B (zh) | 一种面向无人机集群的自组织队形编队方法 | |
| CN113759935B (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
| Guezouli et al. | UAVs's efficient controlled mobility management for mobile heterogeneous wireless sensor networks | |
| Karegar et al. | UAV-assisted data gathering from a sparse wireless sensor adaptive networks | |
| CN112882493B (zh) | 基于分布式最优能量mpc的集群协同部署方法 | |
| Chen et al. | Cooperative networking strategy of UAV cluster for large-scale WSNs | |
| Li et al. | TaskPOI priority-based energy balanced multi-UAVs cooperative trajectory planning algorithm in 6G networks | |
| Di Caro et al. | A fully distributed communication-based approach for spatial clustering in robotic swarms | |
| Wang et al. | Knowledge distillation based cooperative reinforcement learning for connectivity preservation in uav networks | |
| CN114333429A (zh) | 一种面向多无人机目标覆盖任务的规则提取方法 |
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 |