CN117148868A - 基于群体熵度量的无人机集群控制方法、装置 - Google Patents

Abstract

本发明公开了一种基于群体熵度量的无人机集群控制方法、装置，所述方法包括：将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到；所述群体熵用于表征集群内无人机的速度的一致性；集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度。采用上述技术方案，通过将无人机的速度划分为多个分量，在速度分量中引入基于群体熵的无人机之间交互和相互影响的计算，由此考虑单个无人机的下一时刻的预期速度，实现集群中各无人机速度趋于一致，达到集群的稳定。

Description

基于群体熵度量的无人机集群控制方法、装置

技术领域

本发明涉及无人机飞行控制技术领域，尤其涉及基于群体熵度量的无人机集群控制方法、装置。

背景技术

无人机，特别是无人机或智能控制的无人机集群，因其低成本、大规模、高协同性等优势，广泛应用在城市、搜索救援等领域，无人机智能集群技术是未来无人机技术的重要研究方向。

随着无人机集群技术的发展，越来越多的飞行任务需要无人机在城市楼宇、户外山林等复杂变化的飞行环境中集群作业，作业环境中广泛存在障碍物复杂多变、无人机通信与感知能力受限等不确定因素，对于无人机稳定集群造成不可忽视的约束作用，从而造成无人机集群的速度不一致，进而造成无人机集群的振荡发散问题。如何在复杂变化的飞行环境中保持无人机的稳定集群，是目前无人机智能集群领域值得研究的问题。

现有技术中，通常采用VICSEK模型来解决无人机集群的分散振荡发散问题，实现集群问题，但是由于VICSEK模型缺乏无人机之间交互和相互影响的计算，因此，容易导致集群难以维持稳定。

发明内容

发明目的：本发明提供一种基于群体熵度量的无人机集群控制方法、装置，通过将无人机的速度划分为多个分量，在速度分量中引入基于群体熵的无人机之间交互和相互影响的计算，由此考虑单个无人机的下一时刻的预期速度，实现集群中各无人机速度趋于一致，达到集群的稳定。

技术方案：本发明提供一种基于群体熵度量的无人机集群控制方法，包括：集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置；将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性；集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度； 集群内的无人机执行相应的预期飞行速度。

具体的，所述群体熵度量，包括以第i架无人机为中心、通信距离为半径范围内所有无人机作为第一群组计算得到的群体熵度量，和以第一群组中的第j架无人机为中心、通信距离为半径范围内所有无人机作为第二群组计算得到的群体熵度量。

具体的，所述群体熵通过群组内无人机的速度的方差计算得到。

具体的，所述集群内部避碰分量，采用如下公式计算：

，

其中，v_ij ^rep表示群组内第i架无人机集群内部避碰分量，p^rep表示排斥力线性增益，r^rep表示第i架无人机与其他无人机之间的相互排斥力的作用半径，r_i和r_j分别表示群组内第i架和第j架无人机的位置，r_ij表示第i架和第j架无人机之间的位置差范数。

具体的，所述集群速度对齐分量，采用如下公式计算：

，

其中，v_ij ^frict表示集群速度对齐分量，公式v_ij ^frictmax用于计算速度对齐误差最大值，v^frict表示速度对齐误差，d^pros表示无人机之间的预期距离，a^frict表示初始加速度，p^frict表示集群速度对齐分量中无人机不同减速阶段之间交叉点的线性增益，C^frict表示速度对齐线性增益，v_ij表示第i架和第j架无人机之间的速度差范数，v_i和v_j分别表示第i架和第j架无人机的速度，函数D（r，a，p）表示用于计算速度在不同状态之间平滑转化的衰减函数，p_ij ^fitness表示第一群组中的第j架无人机对第i架无人机的集群速度对齐分量的影响权重，

D（r，a，p）的计算公式如下：

，

p_ij ^fitness的计算公式如下：

，

其中，p_i ^fitness表示第i架无人机的适应度值，p_j ^fitness表示第j架无人机的适应度值，C^conver表示集群速度收敛系数，N_j ^number表示第一群组中除第i架无人机之外的无人机的数量，p_i ^fitness的计算方式为：p_i ^fitness=1/E_i ^t，p_j ^fitness的计算方式为：p_j ^fitness=1/E_j ^t，E_i ^t表示在t时刻的第一群组Q_i ^t的群体熵，E_j ^t表示在t时刻的第二群组Q_j ^t的群体熵；

E_i ^t和E_j ^t的计算公式为：∑_Q（D×log₂ ^D），其中，在计算E_i ^t时，Q表示Q_i ^t，D表示第一群组Q_i ^t内无人机的速度的方差；在计算E_j ^t时，Q表示Q_j ^t，D表示第二群组Q_j ^t内无人机的速度的方差。

具体的，所述避障分量，采用如下公式计算：

，

其中，v_is ^obstmax表示外部避障平滑制动曲线函数，v_ij ^obst表示避障分量，r_is表示无人机与虚拟无人机之间的位置差范数，a^obst表示虚拟无人机的初始加速度，p^obst表示避障分量中无人机不同减速阶段之间交叉点的线性增益，v_is ^frict表示无人机与虚拟无人机速度对齐计算公式，N表示无人机总数，v_is表示无人机与虚拟无人机之间的速度差范数，v_i ^o表示虚拟无人机的速度；虚拟无人机指无人机在障碍物上的投影。

具体的，所述自推进分量，采用如下公式计算：

，

其中，v^iner表示自推进分量的影响权重。

具体的，所述下一时刻的预期飞行速度，采用如下公式计算：

，

其中，v_i ^d表示下一时刻的预期飞行速度，a^rep、a^frict、a^obst和a^iner分别表示集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量的权重。

具体的，集群内的无人机实时计算下一时刻的预期飞行速度，并执行。

本发明还提供一种基于群体熵度量的无人机集群控制装置，包括：信息获取单元、速度分量计算单元、预期速度计算单元和执行单元，其中：所述信息获取单元，用于集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置；所述速度分量计算单元，用于将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性；所述预期速度计算单元，用于集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度；所述执行单元，用于集群内的无人机执行相应的预期飞行速度。

有益效果：与现有技术相比，本发明具有如下显著优点：通过将无人机的速度划分为多个分量，在速度分量中引入基于群体熵的无人机之间交互和相互影响的计算，由此考虑单个无人机的下一时刻的预期速度，实现集群中各无人机速度趋于一致，达到集群的稳定。

附图说明

图1为本发明提供的基于群体熵度量的无人机集群控制方法的流程示意图；

图2为本发明提供的单架无人机速度计算方式示意图。

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。

参阅图1，其为本发明提供的基于群体熵度量的无人机集群控制方法的流程示意图；参阅图2，其为本发明提供的单架无人机速度计算方式示意图。

首先，集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置。

其次，将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性。

本发明实施例中，所述群体熵度量，包括以第i架无人机为中心、通信距离为半径范围内所有无人机作为第一群组Q_i计算得到的群体熵度量，和以第一群组中的第j架无人机为中心、通信距离为半径范围内所有无人机作为第二群组Q_j计算得到的群体熵度量。

本发明实施例中，所述群体熵通过群组内无人机的速度的方差计算得到。

在具体实施中，一个集群中可以包括多个群组，也即包括多个第一群组Q_i和第二群组Q_j。第一群组是以无人机i（第i架）为中心、无人机通信距离为半径内所有无人机组成的，在这个第一群组内，对于除了无人机i之外的无人机j（第j架），以无人机j为中心、无人机通信距离为半径内所有无人机，可以形成第二群组。

在具体实施中，上述中，第i架无人机和第j架无人机不是同一架，第二群组中可以包括第i架无人机。

具体来说，三维空间中由N架无人机组成的无人机集群系统，N={1,2，……，n}表示无人机的集合。考虑到真实飞行环境中无人机受到通信与感知能力的约束，定义无人机感知范围（通信距离范围）为以R_c为半径的球形领域。

在具体实施中，将无人机的速度划分为多个速度分量，每个速度分量有着不同的作用，集群内部避碰分量是用于避免集群内部无人机与无人机之间发生碰撞，集群速度对齐分量是用于使得集群内的无人机的速度趋于一致，避障分量是用于避免无人机与障碍物的碰撞，自推进分量是用于在多个速度分量中衡量无人机自身速度的权重。

本发明实施例中，所述集群内部避碰分量，采用如下公式计算：

其中，v_ij ^rep表示群组内第i架无人机集群内部避碰分量，p^rep表示排斥力线性增益，r^rep表示第i架无人机与其他无人机之间的相互排斥力的作用半径，r_i和r_j分别表示群组内第i架和第j架无人机的位置，r_ij表示第i架和第j架无人机之间的位置差范数。

在具体实施中，对于任意第i架无人机N_i的感知范围内R_c内的其他无人机N_j（第j架无人机），对于N_i都有一个作用半径为r^rep的相互排斥力来保证无人机集群不发生内部碰撞，r_ij=||r_i-r_j||。

本发明实施例中，所述集群速度对齐分量，采用如下公式计算：

，

其中，v_ij ^frict表示集群速度对齐分量，公式v_ij ^frictmax用于计算速度对齐误差最大值，v^frict表示速度对齐误差，d^pros表示无人机之间的预期距离，a^frict表示初始加速度，p^frict表示集群速度对齐分量中无人机不同减速阶段之间交叉点的线性增益，C^frict表示速度对齐线性增益，v_ij表示第i架和第j架无人机之间的速度差范数，v_i和v_j分别表示第i架和第j架无人机的速度，函数D（r，a，p）表示用于计算速度在不同状态之间平滑转化的衰减函数，p_ij ^fitness表示第一群组中的第j架无人机对第i架无人机的集群速度对齐分量的影响权重，

D（r，a，p）的计算公式如下：

，

p_ij ^fitness的计算公式如下：

，

其中，p_i ^fitness表示第i架无人机的适应度值，p_j ^fitness表示第j架无人机的适应度值，C^conver表示集群速度收敛系数，N_j ^number表示第一群组中除第i架无人机之外的无人机的数量，p_i ^fitness的计算方式为：p_i ^fitness=1/E_i ^t，p_j ^fitness的计算方式为：p_j ^fitness=1/E_j ^t，E_i ^t表示t时刻的第一群组Q_i ^t的群体熵，E_j ^t表示t时刻的第二群组Q_j ^t的群体熵；

E_i ^t和E_j ^t的计算公式为：∑_Q（D×log₂ ^D），其中，在计算E_i ^t时，Q表示Q_i ^t，D表示第一群组Q_i ^t内无人机的速度的方差；在计算E_j ^t时，Q表示Q_j ^t，D表示第二群组Q_j ^t内无人机的速度的方差。

在具体实施中，v_ij ^frict表示集群速度对齐分量，用于使集群中相邻无人机速度趋于一致，该速度分量的计算，基于适应度值交互机制的负反馈调节，使集群中各无人机的速度具有随速度计算公式迭代而统一的趋势。

在具体实施中，公式v_ij ^frictmax表示综合考量速度对齐平滑制动曲线和速度对齐误差的函数，v_ij=||v_i-v_j||。

在具体实施中，在计算过程中，给出了函数D（r，a，p）的计算公式，在其中相应的代入对应的数值进行计算（例如r_ij-d^pros代入r，a^frict代入a，p^frict代入p）。

在具体实施中，对于每一架无人机N_i（第i架），在其感知范围内的每一架N_j无人机（第j架）都有以其为中心的群组，Q_i ^t表示在t时刻以N_i为中心、通信范围为半径内所有无人机形成的第一群组，Q_j ^t表示在t时刻以N_j为中心、通信范围为半径内所有无人机形成的第二群组，相应的，E_i ^t和E_j ^t分别表示t时刻第一群组和第二群组内无人机的群体熵，用于进一步计算无人机的适应度值，D表示群组无人机的速度方差，也即获取群组内所有无人机的速度，计算相应的速度方差。

在具体实施中，在无人机集群的过程中，系统是向着熵减的趋势进行迭代优化。在算法迭代过程中，增加速度差异较小的群组Q_j对群组Q_i的影响权重，因此，选用熵的倒数作为各无人机之间交互的适应度值。

在具体实施中，引入适应度值交互机制，改进由于缺乏无人机之间的引力导致的难以维持稳定集群问题。无人机分布式集群模型中，最能体现集群中无人机之间相互影响作用的是速度对齐部分，即相邻的无人机之间互相速度融合，最终方向大小相同的趋势。速度一致的结果是无人机会保持集群的阵型，但集群整体飞行的方向具有较大的随机性，并且在外部噪声干扰下波动较大，其原因在于每一架无人机的速度是由其感知范围内其他所有临近无人机共同影响的，每架临近无人机的影响权重相同。因此本发明改进速度对齐各分量影响权重的计算方式，让相邻的无人机在进行速度与位置信息交互的同时，交换并计算彼此的适应度值，将适应度值的大小关系转化为对速度对齐分量中各无人机的影响权重。通过制定合理的适应度值计算方式，无人机在集群过程中可以自主学习周围临近无人机的行为，并选择适应度值高的临近无人机作为主要学习目标。

在具体实施中，对于每一架无人机N_i，在其感知范围内的每一架N_j都有以其为中心的群组。定义在t时刻以N_j为中心的子群为Q_j ^t，对于群组内各无人机的速度而言，速度相差较大的情况对应群组的熵较大，而速度相差较小的情况对应群组的熵较小。在预期的无人机分布式集群系统中，各无人机速度差应控制在一个较小的容许范围v^frict内，既各群组Q_j ^t的熵应控制在一个较小的范围内。通过使无人机集群向着速度相差减小的趋势迭代飞行速度参数，实现各群组局部速度熵减，即集群中无人机速度会趋于一致，速度样本的方差呈递减状态，从而保证无人机集群的稳定性。

本发明实施例中，所述避障分量，采用如下公式计算：

，

其中，v_is ^obstmax表示外部避障平滑制动曲线函数，v_ij ^obst表示避障分量，r_is表示无人机与虚拟无人机之间的位置差范数，a^obst表示虚拟无人机的初始加速度，p^obst表示避障分量中无人机不同减速阶段之间交叉点的线性增益，v_is ^frict表示无人机与虚拟无人机速度对齐计算公式，N表示无人机总数，v_is表示无人机与虚拟无人机之间的速度差范数，v_i ^o表示虚拟无人机的速度；虚拟无人机指无人机在障碍物上的投影。

在具体实施中，r_is=||P_i-P_i ^o||，P_i和P_i ^o分别表示无人机和虚拟无人机的位置，v_is=||v_i-v_i ^o||，v_i和v_i ^o分别表示无人机和虚拟无人机的速度。虚拟无人机是将障碍物拟化为无人机纳入计算之中，具体的方式是将无人机在障碍物上的投影拟化为虚拟无人机，并计算无人机在障碍物上的投影的位置和与无人机之间的相对速度。

本发明实施例中，所述自推进分量，采用如下公式计算：

，

其中，v^iner表示自推进分量的影响权重。

在计算完成各速度分量之后，集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度。

本发明实施例中，下一时刻的预期飞行速度，采用如下公式计算：

，

其中，v_i ^d表示下一时刻的预期飞行速度，a^rep、a^frict、a^obst和a^iner分别表示集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量的权重。

在下一时刻，集群内的各无人机计算得到其特定的下一时刻的预期飞行速度，每一架无人机都有其对应的下一时刻的预期飞行速度，无人机在下一时刻执行相应的预期飞行速度，使得集群的无人机的飞行速度趋于一致。

本发明实施例中，集群内的无人机实时计算下一时刻的预期飞行速度，并执行。

本发明还提供一种基于群体熵度量的无人机集群控制装置，包括：信息获取单元、速度分量计算单元、预期速度计算单元和执行单元，其中：所述信息获取单元，用于集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置；所述速度分量计算单元，用于将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性；所述预期速度计算单元，用于集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度；所述执行单元，用于集群内的无人机执行相应的预期飞行速度。

在具体实施中，在基于群体熵度量的无人机集群控制装置中，各执行单元计算速度分量和执行下一时刻预期速度的方法，可以参见本发明提供的基于群体熵度量的无人机集群控制方法。

Claims (10)

1.一种基于群体熵度量的无人机集群控制方法，其特征在于，包括：

集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置；

将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性；

集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度；

集群内的无人机执行相应的预期飞行速度。

2.根据权利要求1所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述群体熵度量，包括以第i架无人机为中心、通信距离为半径范围内所有无人机作为第一群组计算得到的群体熵度量，和以第一群组中的第j架无人机为中心、通信距离为半径范围内所有无人机作为第二群组计算得到的群体熵度量。

3.根据权利要求2所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述群体熵通过群组内无人机的速度的方差计算得到。

4.根据权利要求3所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述集群内部避碰分量，采用如下公式计算：

，

其中，v_ij ^rep表示群组内第i架无人机集群内部避碰分量，p^rep表示排斥力线性增益，r^rep表示第i架无人机与其他无人机之间的相互排斥力的作用半径，r_i和r_j分别表示群组内第i架和第j架无人机的位置，r_ij表示第i架和第j架无人机之间的位置差范数。

5.根据权利要求4所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述集群速度对齐分量，采用如下公式计算：

，

其中，v_ij ^frict表示集群速度对齐分量，公式v_ij ^frictmax用于计算速度对齐误差最大值，v^frict表示速度对齐误差，d^pros表示无人机之间的预期距离，a^frict表示初始加速度，p^frict表示集群速度对齐分量中无人机不同减速阶段之间交叉点的线性增益，C^frict表示速度对齐线性增益，v_ij表示第i架和第j架无人机之间的速度差范数，v_i和v_j分别表示第i架和第j架无人机的速度，函数D（r，a，p）表示用于计算速度在不同状态之间平滑转化的衰减函数，p_ij ^fitness表示第一群组中的第j架无人机对第i架无人机的集群速度对齐分量的影响权重，

D（r，a，p）的计算公式如下：

，

p_ij ^fitness的计算公式如下：

，

其中，p_i ^fitness表示第i架无人机的适应度值，p_j ^fitness表示第j架无人机的适应度值，C^conver表示集群速度收敛系数，N_j ^number表示第一群组中除第i架无人机之外的无人机的数量，p_i ^fitness的计算方式为：p_i ^fitness=1/E_i ^t，p_j ^fitness的计算方式为：p_j ^fitness=1/E_j ^t，E_i ^t表示在t时刻的第一群组Q_i ^t的群体熵，E_j ^t表示在t时刻的第二群组Q_j ^t的群体熵；

E_i ^t和E_j ^t的计算公式为：∑_Q（D×log₂ ^D），其中，在计算E_i ^t时，Q表示Q_i ^t，D表示第一群组Q_i ^t内无人机的速度的方差；在计算E_j ^t时，Q表示Q_j ^t，D表示第二群组Q_j ^t内无人机的速度的方差。

6.根据权利要求5所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述避障分量，采用如下公式计算：

，

其中，v_is ^obstmax表示外部避障平滑制动曲线函数，v_ij ^obst表示避障分量，r_is表示无人机与虚拟无人机之间的位置差范数，a^obst表示虚拟无人机的初始加速度，p^obst表示避障分量中无人机不同减速阶段之间交叉点的线性增益，v_is ^frict表示无人机与虚拟无人机速度对齐计算公式，N表示无人机总数，v_is表示无人机与虚拟无人机之间的速度差范数，v_i ^o表示虚拟无人机的速度；虚拟无人机指无人机在障碍物上的投影。

7.根据权利要求6所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述自推进分量，采用如下公式计算：

，

其中，v^iner表示自推进分量的影响权重。

8.根据权利要求7所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述下一时刻的预期飞行速度，采用如下公式计算：

，

其中，v_i ^d表示下一时刻的预期飞行速度，a^rep、a^frict、a^obst和a^iner分别表示集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量的权重。

9.根据权利要求8所述的基于群体熵度量的无人机集群控制方法，其特征在于，所述集群内的无人机执行相应的预期飞行速度，包括：

集群内的无人机实时计算下一时刻的预期飞行速度，并执行。

10.一种基于群体熵度量的无人机集群控制装置，其特征在于，包括：信息获取单元、速度分量计算单元、预期速度计算单元和执行单元，其中：

所述信息获取单元，用于集群内的各无人机获取通信距离范围内其他无人机的位置和速度，同时探测障碍物的位置；

所述速度分量计算单元，用于将无人机的速度划分为如下速度分量：集群内部避碰分量、集群速度对齐分量、避障分量和自推进分量，各无人机计算相应的速度分量，其中，所述集群内部避碰分量通过集群内无人机的位置计算得到，所述集群速度对齐分量通过集群内无人机的速度和群体熵计算得到，所述避障分量通过无人机自身的速度、位置和探测障碍物的位置计算得到，所述自推进分量通过无人机自身的速度计算得到；所述群体熵用于表征集群内无人机的速度的一致性；

所述预期速度计算单元，用于集群内的无人机通过计算得到的速度分量，计算得到下一时刻的预期飞行速度；

所述执行单元，用于集群内的无人机执行相应的预期飞行速度。