CN116860001A - 基于通信丢失的无人机编队避障方法及系统 - Google Patents

Abstract

本发明涉及无人机编队控制技术领域，具体涉及一种基于通信丢失的无人机编队避障方法及系统，包括：根据无人机的非线性运动学模型构建微分约束方程；根据领航者的期望控制目标，设定领航者指标函数和跟随者指标函数；根据离散化后的微分约束方程对领航者的指标函数和跟随者的指标函数进行更新；建立通信丢失函数更新领航者的代价函数和跟随者的代价函数；若有障碍物出现，则建立无人机与障碍物距离方程，添加针对最优代价函数的约束条件。本发明中，建立带有数据丢失的通信模型：将数据丢失情况建模为一组二值变量，根据数据丢失概率和丢失模式等参数，建立带有数据丢失的通信模型，提高预测准确度。

Description

基于通信丢失的无人机编队避障方法及系统

技术领域

本发明涉及无人机编队控制技术领域，具体涉及一种基于通信丢失的无人机编队避障方法及系统。

背景技术

随着科学技术和社会需求的不断发展，无人机在军事、生产、生活上发挥着越来越重要的作用。尽管如此，单架无人机仍然在军事侦察，抢险救灾，农业播种等方面存在续航和载重量上的不足，这使得多架无人机集群作业的研究变得尤为重要。多无人机协同编队能延长续航时间，扩大侦察范围，提高整体任务完成率和整体命中率等，使得无人机编队控制技术逐渐引起了学者们的注意并发展成为了国际航空界的重点研究问题之一。因此，对无人机的编队控制系统的研究拥有重要的研究意义和巨大研究价值。

常见的编队控制方法有基于位置的，基于位移的和基于距离的控制。基于位置的编队控制是通过智能体感知他们自己相对于全局坐标系的位置进而主动控制自己的位置以达到期望的队形，这是由相对于全局坐标系的期望位置规定的，该方法控制成本较高。基于距离的编队控制通过主动控制智能体间的距离以实现期望的队形，期望队形由期望的智能体间距离给定。在该方法中，智能体在不具有共同方位的假设下感知相邻智能体相对于其局部坐标系的相对位置，该方法存在持久性和稳定性不高的问题。基于位移的编队控制是通过智能体控制其相邻智能体的位移以实现期望的队形，该队形由相对于全局坐标系的期望位移指定，在控制过程中，需要知道全局坐标系的方向而不需要知晓其位置，利用此方法，我们引申出了基于领航－跟随者的编队控制方法，该方法以领航者作为控制整个智能体系统运动的主导，仅凭给定的运行轨迹便可以控制整个智能体群组的行为，可以大大简化控制作用。

在研究过程中人们往往认为基于领航跟随法的编队往往是在理想情况下进行的。但在实际情况下，面对复杂的应用场景，往往需要将编队过程中障碍物，通信异常的情况纳入到考虑范畴，为此本文提出了一种基于通信异常情况下的编队和避障方法，实现无人机集群作业过程中实时通信的保持与障碍物的规避。

发明内容

本发明的目的在于提供一种基于通信丢失的无人机编队避障方法及系统，解决上述技术问题。

本发明的目的可以通过以下技术方案实现：

一种基于通信丢失的无人机编队避障方法，包括以下步骤：

步骤S1：根据无人机的非线性运动学模型构建微分约束方程，将所述的微分约束方程进行线性化和离散化处理，以及获取领航者和跟随者的跟踪表示；

步骤S2：判断无人机是否为领航者，若是，则为领航者，执行步骤S3；若否，则为跟随者，执行步骤S4；

步骤S3：根据领航者的期望控制目标，在t_k时刻，领航者只需考虑对期望轨迹的跟踪效果，由此领航者指标函数设计为以下形式：

其中，N为预测时域，控制时域与预测时域相同，u_l(t_k+l|t_k)为领航者控制量，Q_l1，Q_l2和P_l为正定的权重矩阵，F_l(t_k)为终端函数；

步骤S4：在t_k时刻，跟随者i需要同时考虑对领航者的跟踪以及与其它跟随者的队形保持，由此设计跟随者指标函数为以下形式：

步骤S5：根据离散化后的微分约束方程得到位置方程和输入控制方程，并在带入离散化方程后对领航者的指标函数和跟随者的指标函数进行更新；

步骤S6：判断是否存在通信信号丢失，若存在，则执行步骤S7和步骤S8；若跟随者控制模型中不存在通信丢失情况，则执行步骤S9；

步骤S7：若存在跟随者与领航者之间发生通信信号丢失，则在t_k时刻，跟随者没有获得领航者t_k时刻优化的实际预测状态，则定义跟随者得到领航者的假想预测状态为：

代入领航者的指标函数中得到更新后的领航者最优代价函数为：

步骤S8：若在t_k时刻，跟随者与跟随者发生独立随机数据丢失问题，则跟随者i得到的其它跟随者j的假想预测状态为：

代入跟随者的指标函数中得到更新后的跟随者最优代价函数为：

步骤S9：判断所述的无人机是否遇到障碍物，若障碍物则进入步骤S10，否则进入步骤S11；

步骤S10：若有障碍物出现，则建立无人机与障碍物距离方程，添加针对最优代价函数的约束条件，其表达形式如下：

上式中，x_uav和y_uav表示无人机的位置坐标，x_ops和y_ops表示障碍物的位置坐标，r_ops和r_uav分别表示无人机和障碍物的半径；

步骤S11：若没有障碍物出现，则继续更新状态，进入下一轮循环。

作为本发明进一步的方案：在所述的步骤S1中，微分约束方程的构建与处理过程如下所示：

根据无人机的非线性运动学模型构建微分约束方程：

将所述的非线性运动学模型线性化，非线性模型线性化如下：

其中，x，y为无人机在惯性坐标系下的三维坐标信息，v表示无人机飞行速度，ω表示角速度，θ表示航向角；

采用四阶龙格库塔将微分约束方程离散化，数学表达形式为：

且有：

其中，Ts表示采样时间；

将控制目标分为跟踪与队形保持，对于跟踪，分解为领航者对期望轨迹的跟踪和跟随者对领航者的跟踪，其中领航者对期望轨迹的跟踪表示为：

p_lr＝p_r-p_l，θ_lr＝θ_r-θ_l；

跟随者对领航者的跟踪表示为：

p_il＝p_l-p_i+d_li，θ_il＝θ_l-θ_i；

其中，用p＝[x y]^T表示无人机的位置信息，用p_r表示位置参考值，p_l表示领航者位置，p_i表示跟随者位置，用d_li表示领航者与跟随者之间的期望队形向量。

作为本发明进一步的方案：在所述的步骤S5中，获取所述的指标函数的具体方法为：

用四阶龙格库塔将微分约束方程离散化后的位置描述为：

用四阶龙格库塔将微分约束方程离散化后的输入控制描述为：

代入离散化方程得到领航者的指标函数为：

代入离散化方程得到跟随者的指标函数为：

作为本发明进一步的方案：在所述的步骤S6中，定义一个随机变量σ，用来表示数据是否发生丢失；σ的取值只有两种情况，即σ＝0表示没有数据丢失，σ＝1表示发生了数据丢失：

作为本发明进一步的方案：在所述的步骤S10中，无人机沿着最短路径从其初始位置向目标位置移动，直到遇到障碍物为止，然后，迫使无人机在障碍物表面周围切向移动，直到完全避开障碍物后返回其原始路径。

作为本发明进一步的方案：在所述的随机变量σ的定义过程中，假设存在约束条件为：σ(t_k)σ(t_k+1)≠0。

一种基于通信丢失的无人机编队避障系统，包括：

微分约束方程处理模块：根据无人机的非线性运动学模型构建微分约束方程，将所述的微分约束方程进行线性化和离散化处理，以及获取领航者和跟随者的跟踪表示；

指标函数设定模块：根据领航者的期望控制目标，在t_k时刻，领航者只需考虑对期望轨迹的跟踪效果，由此设定领航者指标函数；在t_k时刻，跟随者i需要同时考虑对领航者的跟踪以及与其它跟随者的队形保持，由此设计跟随者指标函数；

指标函数更新模块：根据离散化后的微分约束方程得到位置方程和输入控制方程，并在带入离散化方程后对领航者的指标函数和跟随者的指标函数进行更新；

通信检测模块：若跟随者与领航者之间发生通信故障，则需要建立通信丢失函数更新领航者的代价函数；若跟随者与跟随者之间发生通信故障，则需要建立通信丢失函数更新跟随者的代价函数；

避障模块：若有障碍物出现，则建立无人机与障碍物距离方程，添加针对最优代价函数的约束条件；若没有障碍物出现，则继续更新状态，进入下一轮循环。

本发明的有益效果：模型预测控制，它是一种被广泛应用于工业控制领域的高效在线优化控制方法。针对精度相对不高、多约束、强耦合的模型，MPC能够通过将被控系统的控制问题转化为有限时域的最优控制问题进行在线优化求解，从而提高系统的鲁棒性与优化动态控制性能。主要思想是通过模型来预测系统在某一时间段内的表现来进行最优控制。分别给出之后时刻下的状态输入，输出以及期望输出，并以期望输出和输出为误差函数，并以此累积误差的加权范数作为预测控制的优化指标，同时考虑各个系统之间的耦合性，得到代价函数；

在本发明中，建立带有数据丢失的通信模型：将数据丢失情况建模为一组二值变量，根据数据丢失概率和丢失模式等参数，建立带有数据丢失的通信模型。预测未来系统状态：根据当前状态和控制输入，使用系统模型预测未来的系统状态，并考虑数据丢失情况对预测结果的影响。优化控制输入：在考虑数据丢失的约束条件下，寻找最优的控制输入序列，使得预测的未来系统状态能够满足控制目标和性能指标。应用控制输入：根据优化的控制输入序列，实施控制决策，并将实施结果作为下一次迭代的初始状态；

针对存在障碍物情况下的无人机编队控制和动态避障问题，我们采用龙格库塔公式将二维运动学微分方程离散化，使用激光雷达传感器来检测障碍物的位置和大小。在检测到障碍物的位置(x_ops,y_ops)和直径之后，为避免无人机跟随障碍物周围运动，引入了约束条件来保证无人机能够在安全距离内绕过障碍物并回到原路径。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明一种基于通信丢失的无人机编队避障方法的流程示意图；

图2是本发明中无人机二维动力学模型图；

图3是本发明中编队结构示意图；

图4是本发明中模型预测控制算法流程图。

具体实施方式

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、完整地描述，显然，所描述的实施例仅仅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作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。

请参阅图1-图4所示，在本发明中，步骤S1：首先将无人机的非线性运动学模型构建一个微分约束方程如下：

接着将非线性模型线性化，逼近通常被认为是非线性系统分析和控制设计的第一步，即如果线性化系统是可控的，那么原非线性系统至少是局部可控和反馈正定的，因此我们将非线性模型线性化如下：

接下来采用拉格朗日定理，通常人们采用欧拉方法离散化MPC模型，但是在较大的采样时间(Ts)下，欧拉方法不能很好地给出非线性常微分方程的近似解，因为它只使用一个斜率，更合理的方法是在区间的中点和末尾使用更多的斜率估计从而得到更高的精度，本次设计中为了得到更高精度，我们尝试用四阶龙格库塔将微分方程离散化，数学表达形式为：

且有：

为了实现无人机编队任务，将控制目标分为跟踪与队形保持两个问题；首先，对于跟随问题，可以分解为领航者对期望轨迹的跟踪，表示为：

p_lr＝p_r-p_l，θ_lr＝θ_r-θ_l；

同理将跟随者对领航者的跟踪表示为：

p_il＝p_l-p_i+d_li，θ_il＝θ_l-θ_i；

步骤S3：对领航者根据以上期望控制目标，在t_k时刻，领航者只需考虑对参考值的跟踪效果，由此领航者指标函数设计为以下形式：

上述N为预测时域，控制时域与预测时域相同，u_l(t_k+l|t_k)为领航者控制量，Q_l1、Q_l2和P_l为正定的权重矩阵，F_l(t_k)为终端函数。

步骤S4：在t_k时刻，跟随者i需要同时考虑对领航者的跟踪以及与其它跟随者的队形保持，由此设计跟随者指标函数为以下形式：

上述N为预测时域，控制时域与预测时域相同，u_i(t_k+l|t_k)为跟随者控制量，Q_i1、Q_i2和P_i为正定的权重矩阵，F_i(t_k)为终端函数；

步骤S5：用四阶龙格库塔将微分方程离散化后的位置描述为：

用四阶龙格库塔将微分方程离散化后的输入控制描述为：

代入离散化方程得到领航者的指标函数为：

代入离散化方程得到跟随者的指标函数：

步骤S6：在无人机系统中，通信是控制无人机飞行的基础。然而，在某些情况下，例如高海拔环境或干扰源干扰等情况下，通信可能会受到拒绝，从而导致数据丢失问题。为了解决这一问题，我们提出了一种考虑数据丢失的可能性的基于MPC算法的无人机分布模型预测控制算法，通过最优化控制策略来保证系统稳定性和鲁棒性。

对于无人机系统中可能发生的独立随机数据丢失问题，我们的前提条件如下：假设在不同时刻出现数据丢失的概率相同，并且这些数据丢失是相互独立的。

同时，为了保证算法的有效性和稳定性，我们假设数据丢失问题不会在连续的两个时刻中出现；

定义σ为随机变量且表示是否发生数据丢失问题，根据假设条件σ我们将表示为：

为了满足数据丢失问题不会在连续的两个时刻中出现我们定义约束条件：

σ(t_k)σ(t_k+1)＝0；

基于以上得到的实际和假想预测状态，跟随者可以通过模型预测控制算法进行控制决策。在具体实现中，跟随者会对当前状态进行观测，并预测未来一段时间内的状态发展情况。然后，跟随者会计算一组控制输入，这些输入被应用于当前状态以达到预测的目标状态。在这个过程中，由于存在通信数据丢失的可能性，跟随者需要根据假想预测状态进行决策，以保证系统稳定性和鲁棒性。通过不断地观测和预测，跟随者可以实时调整控制策略，并根据实际情况对假想预测状态进行修正。

若在t_k时刻，跟随者没有获得领航者t_k时刻优化的实际预测状态，则跟随者只能得到领航者的假想预测状态，即：

上式中，是由反馈控制量/>作用到无人机模型得到；/>由领航者上一时刻求解优化问题得到，对应的跟踪状态误差变为/>

步骤S7：若在t_k时刻，跟随者与跟随者发生独立随机数据丢失问题，则跟随者i得到的其它跟随者j的假想预测状态为：

上式中状态均是基于模型通过施加终端反馈控制器产生的控制量/>得到，无人机i无法得到无人机j的状态优化量/>

为了得到最优控制方法，由此我们可以将领航者最优代价函数更新为：

对最小代价函数解释如下：上式中t_k为当前时刻，N表示预测的时间步数，p_lr和θ_lr分别表示第l个跟随者在时间t_k+l时的位置和姿态角，u_l是第l个跟随者的控制输入，这个公式中的第一项表示跟随者在时间t_k到t_k+l期间移动的轨迹的损失，其中表示位置的损失值，/>表示姿态角的损失，第二项表示跟随者在时间步k到k+N期间与期望轨迹的偏差的损失，其中/>表示控制输入的偏差损失，F_l(t_k)表示跟随者在时间步k时的惩罚项，用于约束控制输入的大小，整个最小化问题的目标是找到控制输入u_l，使得在时间步k到k+N期间跟随者的轨迹与期望轨迹的偏差最小，并且控制输入的偏差最小化。

步骤S8：同理，我们可以将跟随者最优代价函数更新为：

该目标函数的优化目标是将跟随者i的状态尽可能接近其期望值，同时控制输入要接近参考输入，同时最小化整个群体的代价函数。J_i(t_k)表示该无人机在控制过程中要最小化的代价函数，包括两部分。第一部分是关于自身状态和输入变量的代价，其中表示该无人机在时刻t_k用模型预测控制算法预测出的第l个时刻的位置与期望位置的误差，并根据Q_i1的权重对误差进行加权，同样的方法计算出关于/>和u_i的代价。第二部分是关于与其他无人机的相对位置的代价，其中/>表示该无人机与第j个无人机在第l个时刻的相对位置误差，并根据Q_ij的权重进行加权。F_i(t_k)是惩罚函数，表示对目标函数的额外约束条件。在形式上，下标Q和P都是加权矩阵，F是一个正则化项。

移动无人机技术中，避障问题是一个重要的挑战。为了解决这个问题，常见的方法是使用激光雷达传感器来检测障碍物的位置和大小。

步骤S9：判断所述的无人机是否遇到障碍物，若障碍物则进入步骤S10，否则进入步骤S11；

步骤S10：为了使无人机避开障碍物。我们考虑到用Bug算法，无人机沿着最短路径从其初始位置向目标位置移动，直到遇到障碍物为止。然后，算法迫使无人机在障碍物表面周围切向移动，直到完全避开障碍物后返回其原始路径；

对此我们拟采用的设计思路如下：

这个公式是用于表示无人机与障碍物之间的最小安全距离约束条件，其中：

x_uav和y_uav表示无人机的位置坐标，x_ops和y_ops表示障碍物的位置坐标，r_ops和r_uav分别表示无人机和障碍物的半径；

步骤S11：若没有障碍物出现，则继续更新状态，进入下一轮循环。

无人机与障碍物之间的距离必须大于等于无人机和障碍物半径之和，这样才能确保无人机不会与障碍物发生碰撞。在MPC算法中，将这个约束条件添加到无人机的运动控制中，可以保证无人机在运动时始终遵守最小安全距离，从而实现避免障碍物的效果；

综合来看，分发明专利考虑了以下几个情况下的编队问题：在通信正常的情况下，编队控制通常通过传输各个无人机的状态信息和控制指令来实现。而在通信丢失情况下，无法传输状态信息和控制指令，因此需要每个无人机自主感知周围的编队状态，并做出相应的控制决策以保持编队。

针对避障，在通信正常的情况下，避障控制通常通过传输激光雷达或相机等传感器的数据来实现。在通信丢失情况下，需要每个无人机自主感知周围的障碍物并做出相应的避障决策。这可以通过采用基于传感器数据的避障算法来实现，如利用激光雷达数据进行障碍物检测和避障控制。

因此，在解决以上问题的过程中，我们考虑利用模型预测控制方法预测下一个个状态的量并进行通过反馈控制进行滚动优化，模型预测控制方法具体原理图如图4。再建立通信故障和飞行障碍物的函数，更新最优代价函数和约束条件，解决实际问题。

以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (7)

1.一种基于通信丢失的无人机编队避障方法，其特征在于，包括以下步骤：

步骤S1：根据无人机的非线性运动学模型构建微分约束方程，将所述的微分约束方程进行线性化和离散化处理，以及获取领航者和跟随者的跟踪表示；

步骤S2：判断无人机是否为领航者，若是，则为领航者，执行步骤S3；若否，则为跟随者，执行步骤S4；

步骤S3：根据领航者的期望控制目标，在t_k时刻，领航者只需考虑对期望轨迹的跟踪效果，由此领航者指标函数设计为以下形式：

其中，N为预测时域，控制时域与预测时域相同，u_l(t_k+l|t_k)为领航者控制量，Q_l1，Q_l2和P_l为正定的权重矩阵，F_l(t_k)为终端函数；

步骤S4：在t_k时刻，跟随者i需要同时考虑对领航者的跟踪以及与其它跟随者的队形保持，由此设计跟随者指标函数为以下形式：

步骤S5：根据离散化后的微分约束方程得到位置方程和输入控制方程，并在带入离散化方程后对领航者的指标函数和跟随者的指标函数进行更新；

步骤S6：判断是否存在通信信号丢失，若存在，则执行步骤S7和步骤S8；若跟随者控制模型中不存在通信丢失情况，则执行步骤S9；

步骤S7：若存在跟随者与领航者之间发生通信信号丢失，则在t_k时刻，跟随者没有获得领航者t_k时刻优化的实际预测状态，则定义跟随者得到领航者的假想预测状态为：

代入领航者的指标函数中得到更新后的领航者最优代价函数为：

步骤S8：若在t_k时刻，跟随者与跟随者发生独立随机数据丢失问题，则跟随者i得到的其它跟随者j的假想预测状态为：

代入跟随者的指标函数中得到更新后的跟随者最优代价函数为：

步骤S9：判断所述的无人机是否遇到障碍物，若障碍物则进入步骤S10，否则进入步骤S11；

步骤S10：若有障碍物出现，则建立无人机与障碍物距离方程，添加针对最优代价函数的约束条件，其表达形式如下：

上式中，x_uav和y_uav表示无人机的位置坐标，x_ops和y_ops表示障碍物的位置坐标，r_ops和r_uav分别表示无人机和障碍物的半径；

步骤S11：若没有障碍物出现，则继续更新状态，进入下一轮循环。

2.根据权利要求1所述的基于通信丢失的无人机编队避障方法，其特征在于，在所述的步骤S1中，微分约束方程的构建与处理过程如下所示：

根据无人机的非线性运动学模型构建微分约束方程：

将所述的非线性运动学模型线性化，非线性模型线性化如下：

其中，x,y为无人机在惯性坐标系下的三维坐标信息，v表示无人机飞行速度，ω表示角速度，θ表示航向角；

采用四阶龙格库塔将微分约束方程离散化，数学表达形式为：

且有：

其中，Ts表示采样时间；

将控制目标分为跟踪与队形保持，对于跟踪，分解为领航者对期望轨迹的跟踪和跟随者对领航者的跟踪，其中领航者对期望轨迹的跟踪表示为：

p_lr＝p_r-p_l，θ_lr＝θ_r-θ_l；

跟随者对领航者的跟踪表示为：

p_il＝p_l-p_i+d_li，θ_il＝θ_l-θ_i；

其中，用p＝[x y]^T表示无人机的位置信息，用p_r表示位置参考值，p_l表示领航者位置，p_i表示跟随者位置，用d_li表示领航者与跟随者之间的期望队形向量。

3.根据权利要求2所述的基于通信丢失的无人机编队避障方法，其特征在于，在所述的步骤S5中，获取所述的指标函数的具体方法为：

用四阶龙格库塔将微分约束方程离散化后的位置描述为：

用四阶龙格库塔将微分约束方程离散化后的输入控制描述为：

代入离散化方程得到领航者的指标函数为：

代入离散化方程得到跟随者的指标函数为：

4.根据权利要求3所述的基于通信丢失的无人机编队避障方法，其特征在于，在所述的步骤S6中，定义一个随机变量σ，用来表示数据是否发生丢失；σ的取值只有两种情况，即σ＝0表示没有数据丢失，σ＝1表示发生了数据丢失：

5.根据权利要求4所述的基于通信丢失的无人机编队避障方法，其特征在于，在所述的步骤S10中，无人机沿着最短路径从其初始位置向目标位置移动，直到遇到障碍物为止，然后，迫使无人机在障碍物表面周围切向移动，直到完全避开障碍物后返回其原始路径。

6.根据权利要求4所述的基于通信丢失的无人机编队避障方法，其特征在于，在所述的随机变量σ的定义过程中，假设存在约束条件为：σ(t_k)σ(t_k+1)≠0。

7.一种基于通信丢失的无人机编队避障系统，其特征在于，包括：

微分约束方程处理模块：根据无人机的非线性运动学模型构建微分约束方程，将所述的微分约束方程进行线性化和离散化处理，以及获取领航者和跟随者的跟踪表示；

指标函数设定模块：根据领航者的期望控制目标，在t_k时刻，领航者只需考虑对期望轨迹的跟踪效果，由此设定领航者指标函数；在t_k时刻，跟随者i需要同时考虑对领航者的跟踪以及与其它跟随者的队形保持，由此设计跟随者指标函数；

指标函数更新模块：根据离散化后的微分约束方程得到位置方程和输入控制方程，并在带入离散化方程后对领航者的指标函数和跟随者的指标函数进行更新；

通信检测模块：若跟随者与领航者之间发生通信故障，则需要建立通信丢失函数更新领航者的代价函数；若跟随者与跟随者之间发生通信故障，则需要建立通信丢失函数更新跟随者的代价函数；

避障模块：若有障碍物出现，则建立无人机与障碍物距离方程，添加针对最优代价函数的约束条件；若没有障碍物出现，则继续更新状态，进入下一轮循环。