CN117170238B - 基于协作分布式mpc的异构无人机集群搜索算法 - Google Patents
基于协作分布式mpc的异构无人机集群搜索算法 Download PDFInfo
- Publication number
- CN117170238B CN117170238B CN202311191370.3A CN202311191370A CN117170238B CN 117170238 B CN117170238 B CN 117170238B CN 202311191370 A CN202311191370 A CN 202311191370A CN 117170238 B CN117170238 B CN 117170238B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- model
- reconnaissance
- 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.)
- Active
Links
- 238000010845 search algorithm Methods 0.000 title claims abstract description 14
- 238000005096 rolling process Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 30
- 230000007613 environmental effect Effects 0.000 claims description 23
- 230000008901 benefit Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 4
- 230000002265 prevention Effects 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于协作分布式MPC的异构无人机集群搜索算法,涉及无人机搜索航路规划技术领域,包括:基于侦察态势模型、约束条件和无人机侦察性能指标函数,考虑优化协作无人机集合内的目标函数之和,构建多无人机协同目标侦察控制问题的分布式滚动时域优化模型,基于该分布式滚动时域优化模型得到无人机的控制输入序列,协作无人机集合指的是对于某架无人机,除自身之外的其它无人机的集合;无人机侦察性能指标函数基于敌方目标在未来的预测位置构建得到,敌方目标在未来的预测位置是采用多项式拟合方法得到。本发明具有模型可扩展性,能降低单步计算复杂度和计算时间,提升控制性能、搜索效率和安全性。
Description
技术领域
本发明涉及无人机搜索航路规划技术领域,具体而言,涉及一种基于协作分布式MPC的异构无人机集群搜索算法。
背景技术
针对具有敌方威胁区域的无人机搜索航路规划问题,姚远等人提出了一种基于A*算法和势函数相结合的无人机动态避障算法,该方法能够规划出给定威胁指标下的全局最优路径并达到良好的动态规避性能,韩攀等人将无人机执行任务的航迹代价模型转化为旅行商问题,采用改进蚁群算法实现航迹规划。上述现有技术虽在一定程度上解决了多无人机协同搜索的问题,但是尚未考虑搭载不同载荷的异构无人机集群对运动目标或者时敏目标进行协同搜素的问题,并且无法实现无人机在线轨迹规划。
发明内容
本发明在于提供一种基于协作分布式模型预测控制(Cooperative DistributedModel Predictive Control,CDMPC)的异构多无人机集群协同搜索算法,针对运动目标或者时敏目标,利用协作分布式算法,为异构无人机集群进行协同航迹规划。
本发明采取的技术方案如下:
一种基于协作分布式MPC的异构无人机集群搜索算法,基于侦察态势模型、约束条件和无人机侦察性能指标函数,考虑优化协作无人机集合内的目标函数之和,构建多无人机协同目标侦察控制问题的分布式滚动时域优化模型,基于该分布式滚动时域优化模型得到无人机的控制输入序列,协作无人机集合/>指的是对于某架无人机,除自身之外的其它无人机的集合;
侦察态势模型包括环境模型、无人机传感器探测模型、无人机平台模型和目标模型,无人机传感器探测模型包括探测概率、识别概率、虚警概率和可探测的区域范围,目标模型是根据搜索目标的速度和预测位置构建;
无人机侦察性能指标函数基于环境侦察收益和任务执行代价构建得到,环境侦察收益基于敌方目标在未来的预测位置构建得到,敌方目标在未来的预测位置是采用多项式拟合方法得到。
在本发明的一较佳实施方式中,无人机平台模型为:
xi(t+j|t)=f(xi(t+j-1|t),ui(t+j-1|t)),i=1,2,…,Nv,j=1,2,Nv,=1,2…,Tp
其中,f(·)为无人机状态更新方程,Tp为预测时域,Nv为无人机集群数量;
xi(t)=[xi(t),yi(t),φi(t)]
其中,xi,yi分别为无人机Ai在环境模型的任务区域地图x轴和y轴的位置,Vi(t)为无人机Ai的飞行速度的大小,φi(t)为无人机Ai速度方向与环境模型的任务区域地图x轴正半轴的夹角,μi(t)为无人机的滚转角,g为重力常数,nz,i为无人机的法向过载,在所有无人机的飞行高度一致且匀速飞行的情况下,无人机平台的控制量被简化方向角的变化量Δφi(t),即ui(t)=Δφi(t)。
在本发明的一较佳实施方式中,目标模型为:
其中,Vtarget(t)为目标在时刻t的速度,xtarget(t)为目标在时刻t的位置。
在本发明的一较佳实施方式中,约束条件包括环境约束、避碰约束、避障约束和无人机转弯半径约束;
环境约束为:
xmin≤xi(t)≤xmax
ymin≤yi(t)≤ymax
其中,xmin,xmax表示环境模型的任务区域地图x方向上的地图范围,ymin,ymax表示环境模型的任务区域地图y方向上的地图范围;
避碰约束为:
||xi(t)-xj(t)||≥R1
其中,xi(t),xj(t)分别代表无人机Ai,Aj在t时刻的位置,R1代表机间安全距离;
避障约束为:
||xi(t)-xo||≥R2
其中,xi(t)代表无人机Ai在t时刻的位置,xo代表禁飞区位置,R2代表无人机集群与禁飞区之间的安全距离;
无人机转弯半径约束为:
-φi,max≤ui(t)≤φi,max
其中,φi,max为无人机Ai速度方向与环境模型的任务区域地图x轴正半轴的最大夹角。
在本发明的一较佳实施方式中,无人机侦察性能指标函数为:
其中,权重k1,k2满足k1+k2=1;
环境侦察收益
其中,Pi l(t+q|t),i=q,…,Tp代表无人机Ai在t时刻预测的第l条路径上第q个航迹点,Φi,t示当无人机Ai在t时刻,其传感器的探测靶面集合,Φi,t根据无人机传感器探测模型得到,ηi,c,t为网格路径点c内的不确定度,根据敌方目标在未来的预测位置得到ηi,c,t;
任务执行代价
其中,ui(Pi l(t+q+1|t)表示无人机Ai在路径点Pi l(t+q|t)处的航向。
在本发明的一较佳实施方式中,不确定度ηi,c,t的更新方法包括:
定义在环境模型的任务区域网格地图的网格路径点c内,对目标的识别概率pc,t∈[0,1],即pc,t=0表示网格路径点c内不存在目标,pc,t=1表示网格路径点c内存在目标,网格路径点c的不确定度ηi,c,t的更新公式为:
其中,Kγ>0,为常数系数,决定了函数的陡峭程度,|·|表示取绝对值;
定义τ=1表示网格路径点c中存在目标,τ=0表示事件网格路径点c中不存在目标,Ωi,c,t=1表示在t时刻无人机Ai搜索到任务区域Ω的网格路径点c中存在目标,即敌方目标在t时刻,到达了t时刻前预测的敌方目标在t时刻的位置,Ωi,c,t=0表示在t时刻无人机Ai搜索到网格路径点c中不存在目标,即敌方目标在t时刻,没有到达t时刻前预测的敌方目标在t时刻的位置,定义变量:
因此,概率地图线性更新公式为:
Πc,t=Πc,t-1+λi,c,t
其中,
pi,d,pi,f分别为无人机传感器的虚警概率和检测概率,即
pi,d=p(Ωi,c,t=1∣τc=1),pi,f=p(Ωi,c,t=1∣τc=0),则不确定度ηi,c,t更新为:
在本发明的一较佳实施方式中,多无人机协同目标侦察控制问题的分布式滚动时域优化模型为:
其中,Ji表示无人机Ai在滚动时域Tp内优化的侦察性能指标函数,和Ui(t)分别为无人机Ai在滚动时域[t+1;t+Tp]内的状态预测序列和控制输入序列,fi表示无人机Ai的状态更新方程,/>和/>表示除无人机Ai之外的其他无人机在滚动时域t∈[t+1;t+Tp]内的状态预测序列和控制输入预测序列,α为协作权重系数,/>为无人机Ai的协作无人机集合。
在本发明的一较佳实施方式中,获取敌方目标在未来的预测位置的方法具体包括:
将敌方目标的位置坐标独立地定义为与时间相关的2个多项式形式:
δ=[t-Tp,t]
其中,ax0,ax1,ax2为待拟合系数,tp为预测采样时域,即收集目标在过去[t-tp,t]的位置历史信息,将其近似为多项式;
设定采样周期tp,对敌方目标历史时间窗口[t-tp,t]的历史轨迹进行采样,对其运动轨迹进行拟合,得到各多项式中的待定系数ax0,ax1,ax2后,由此外推至未来(t,t+Tp]时间区间内的位置预测信息,即
与现有技术相比,本发明的有益效果是:
(1)考虑搭载不同载荷的无人机集群的协同搜索路径规划问题,具有模型可扩展性,可适应不同参数不同运动约束的无人机集群;
(2)针对无人机集群内的协同目标,采用的协作分布式MPC通过同时优化协作集内的目标函数之和,促进了机间的协作,相比较集中式的方法,可以降低单步计算复杂度和计算时间。相比较分布式的方法,可以提升控制性能。
(3)采用多项式拟合对敌方动态目标位置进行预测,提高了搜索效率。并考虑了敌方的威胁区域避障,在高效搜索目标的同时,可以满足安全约束。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1是实施方式中任务区域栅格化后形成的地图;
图2是实施方式中的雷达探测范围示意图;
图3是实施方式中的无人机搜索轨迹图。
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、完整地描述,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。
问题描述
异构多无人机集群协同搜索场景描述如下:Nv架无人机对未知区域Ω中的NT个目标执行侦察任务。无人机用编号Ai(i=1,2,3…Nv)表示,敌方目标用编号Ti(i=1,2,3…NT)来表示。异构无人机协同侦察的任务是指无人机通过搭载的不同载荷(不同的探测载荷,即无人机传感器探测模型的不同,包括探测概率,识别概率,虚警概率,可探测的区域范围四个方面)对目标区域Ω进行探测,实时获取目标数量和位置分布等信息。本发明考虑的场景是异构无人机集群对地面多个目标进行协同搜索,同时规避敌方威胁区。
针对本研究的协同侦察问题的需求,本发明提供一种基于协作分布式MPC的异构无人机集群搜索算法,建立了环境模型、无人机传感器探测模型、无人机平台模型以及目标模型,进一步考虑环境约束、避碰约束、避障约束和无人机性能约束,结合搜索性能指标,构造协同搜索优化问题。
1.侦察态势模型
(1)环境模型
在实际情况中,多无人机在执行协同侦察任务时,面临的环境因素非常复杂,本发明将环境模型抽象成一定范围内的栅格化地图。
通过已知的地理位置和环境边界信息,将任务区域栅格化,并定义环境矩阵。每架无人机都在执行任务前获得已知先验信息,并保存已知地图。
将任务区域Ω离散成(Lx×Ly)个网格,构建图1所示的环境地图,即环境模型即以Δx,Δy为x、y两个方向上的长度,栅格化之后的地图模型,对应图1。其中,第m行第n列的网格(m,n)的编号用c来表示,c=m+(n-1)×Lx并且c∈{1,2,…,Lx×Ly}。网格c的长度和宽度为Δx和Δy,可选取为无人机在单位时间步长内的平均飞行距离。
在侦察开始前,由于整个区域的环境信息完全未知,且需要对整个区域展开覆盖侦察。随着侦察的进行,地图信息实时变化,覆盖分布地图实时更新,并在多机集群通信网络内共享,为无人机的实时决策提供环境信息。任务区域不考虑地势高低的变化,即将侦察任务区域视为水平面。
(2)无人机传感器探测模型
无人机进行侦察任务时,通过无人机的传感器来获取未知信息,传感器侦察的能力直接影响着无人机协同侦察的效果。本发明所述的无人机传感器探测模型包括探测概率、识别概率、虚警概率和可探测的区域范围,具体如下:
1)探测概率
为发现搜索目标的概率pd。即当目标处于无人机的可探测范围内时,无人机发现目标的概率。
2)识别概率
为识别搜索目标的概率pc。即在发现目标后,无人机能正确识别出任务待侦察目标的概率。
3)虚警概率
为误识别搜索目标的概率pf。即当前区域不存在目标,但是无人机检测到该区域存在目标这一事件的概率。
4)可探测的区域范围
设雷达在方位面的最大覆盖角度为在无人机正下方存在半径为dmin的扇形探测盲区。无人机雷达的搜索范围在地面的投影则为如图2所示的扇面,即灰色区域。
(3)无人机平台模型
由于无人机侦察时的飞行高度需依据传感器的视角、摄像头的分辨率等许多限制来提前设定好,在执行任务时一般不改变飞行高度与速度。构建无人机的运动模型为:
其中,xi,yi分别为无人机Ai在x轴和y轴的位置,Vi(t)为无人机Ai的飞行速度的大小,φi(t)为无人机Ai速度方向与x轴正半轴的夹角,μi(t)为无人机的滚转角,g为重力常数,nz,i为无人机的法向过载。在所有无人机的飞行高度一致且匀速飞行的情况下,无人机平台的控制量被简化方向角的变化量,即Δφi(t)。
记无人机Ai的状态量为xi(t)=[xi(t),yi(t),φi(t)],因此,根据方程(1),可得到无人机Ai的预测方程,即最终的无人机平台模型为:
xi(t+j|t)=f(xi(t+j-1|t),ui(t+j-1|t)),i=1,2,…,Nv,j=1,2,…,Tp (2)
其中,f(·)为无人机状态更新方程,ui(t)=Δφi(t),Tp为预测时域,Nv为无人机集群数量。
(4)目标模型
考虑到敌方目标的动态特性,需要对目标运动模型进行建模。本发明考虑动态目标在待搜索区域做匀速运动,因此目标模型如下:
其中,Vtarget(t)为敌方目标的运动速度,xtarget(t)为敌方目标的位置。
2、约束条件
(1)环境约束
由于搜索区域存在边界,因此在无人机执行搜索任务时,需考虑搜索地图边界约束,即环境约束:
其中,xmin,xmax表示x方向上的地图范围,ymin,ymax表示y方向上的地图范围。
(2)避碰约束
在执行任务时,与单架无人机相比,多无人机协同侦察需要考虑机间碰撞的问题。由于无人机漂移、气流影响等固有因素的存在,多无人机执行任务时必须设定安全距离,否则轻则导致无人机相互干扰,重则多架撞机坠毁,因此本发明设定无人机间的安全距离,即避碰约束:
||xi(t)-xj(t)||≥R1 (5)
其中,xi(t),xj(t)分别代表无人机Ai,Aj在t时刻的位置,R1代表机间安全距离。
(3)避障约束
在执行任务时,由于敌方威胁区或者障碍物的存在,我方异构无人机集群需要在规划飞行轨迹的同时,避开禁飞区域,即避障约束为:
||xi(t)-xo||≥R2 (6)
其中,xi(t)代表无人机Ai在t时刻的位置,xo(t)代表t时刻的禁飞区位置,R2代表无人机集群与禁飞区之间的安全距离。
(4)无人机转弯半径约束
由于无人机的自身性能受限,在高速飞行的过程中,无人机的转弯半径受到限制。即,无人机的控制量ui(t)需要满足无人机转弯半径约束:
-φi,max≤ui(t)≤φi,max (7)
其中,φi,max为无人机Ai速度方向与地图x轴正半轴的最大夹角。
3、无人机集群分布式协同目标侦察控制
(1)无人机侦察性能指标函数
在设计无人机侦察性能指标函数时,本发明考虑:环境侦察收益,即使得无人机能够尽可能地去探测不确定度较高的未知区域,环境侦察收益是由搜索路径上航迹网格路径点c内的不确定度之和决定,在具有一定先验信息下(即目标预测位置),目标预测位置不确定度最高,已经搜索过的区域不确定度最低;任务执行代价,即使得无人机尽量保持直飞的状态,减少转弯机动的次数,即搜索路径上偏航角的变化量之和。因此无人机侦察性能指标函数是一个多目标函数。
1)环境侦察收益
定义无人机Ai的侦察路径上的环境侦察收益为:
其中,Pi l(t+q|t),i=q,…,Tp代表无人机Ai在t时刻预测的第l条路径上第q个航迹点,Φi,t表示当无人机Ai在t时刻,其传感器的探测靶面集合,Φi,t根据无人机传感器探测模型得到,,ηi,c,t为网格路径点c内的不确定度大小,根据敌方目标在未来的预测位置得到ηi,c,t。
定义在网格路径点c内,搜索目标存在的概率为pc(t)∈[0,1],即pc(t)=0表示网格路径点内不存在目标,pc(t)=1表示网格路径点内存在目标。网格路径点c的不确定度ηi,c,t的更新公式为:
其中Kγ>0,为该函数的常数系数,决定了函数的陡峭程度,|·|表示取绝对值。
定义τ=1表示事件“网格路径点c中存在目标”,τ=0表示事件“网格路径点c中不存在目标”,Ωi,c,t=1表示在t时刻无人机Ai搜索到网格路径点c中存在目标,即敌方目标在t时刻,到达了t时刻前预测的敌方目标在t时刻的位置,Ωi,c,t=0表示在t时刻无人机Ai搜索到网格路径点c中不存在目标,即敌方目标在t时刻,没有到达t时刻前预测的敌方目标在t时刻的位置。定义:
因此概率地图线性更新公式为:
Πc,t=Πc,t-1+λi,c,t (11)
其中,
pi,d,pi,f分别为无人机传感器的虚警概率和检测概率,即
pi,d=p(Ωi,c,t=1∣τc=1),pi,f=p(Ωi,c,t=1∣τc=0),这两个指标描述了无人机传感器的性能。则,不确定度ηi,c,t更新为:
2)任务执行代价
无人机Ai的侦察路径上的任务执行代价为:
其中,ui(Pi l(t+q+1|t)表示无人机Ai在路径点Pi l(t+q|t)处的航向。可以看出,任务执行代价Jc(i,l,t)可使得无人机尽量减少转弯机动的次数而尽量保持直线飞行,有利于减少耗油量。
因此,无人机Ai的侦察路径Pi l上的总体性能指标函数是上述各个性能指标的加权求和,即无人机侦察性能指标函数为:
其中,权重k1,k2满足k1+k2=1。
(2)多无人机协同目标侦察控制问题的分布式滚动时域优化模型
为了避免集中式的滚动时域优化模型中随着无人机数量增多而带来的维数灾难问题,并且提高集群内无人机之间的协作效能,本发明根据侦察态势模型、约束条件和无人机侦察性能指标函数建立如下多无人机协同目标侦察控制问题的分布式滚动时域优化模型:
其中,Ji表示无人机Ai在滚动时域Tp内优化的侦察性能指标函数(14)。和Ui(t)分别为无人机Ai在滚动时域[t+1;t+Tp]内的状态预测序列和控制输入序列,fi表示无人机Ai的状态更新方程。/>和/>表示除无人机Ai之外的其他无人机在滚动时域t∈[t+1;t+Tp]内的状态预测序列和控制输入预测序列,α为协作权重系数,/>为无人机Ai的协作无人机集合,/>可视具体任务或者战场环境确定。
由于本发明采用协作分布式算法对异构无人机集群进行协同轨迹规划,无人机Ai在规划轨迹时,不仅需要考虑自身的目标函数Ji,还需考虑协作集中无人机的目标函数以及相应的约束,同时优化协作集/>的目标函数,实现局部范围内的协同,以此增强机间的协作,规划出搜索收益最大的搜索路径。
(3)基于多项式拟合的目标轨迹预测
在t时刻无人机进行轨迹规划决策时,计算多无人机协同目标侦察控制问题的分布式滚动时域优化模型(15)中的侦察性能指标函数时,需要地面运动的敌方目标在未来(t,t+Tp]的预测位置,因为敌方目标在在未来(t,t+Tp]的预测位置决定了Ωi,c,t的取值,Ωi,c,t的取值影响了公式(11)中λi,c,t的大小,λi,c,t的大小影响了公式(12)中Πc,t的大小,即相当于敌方目标在在未来(t,t+Tp]的预测位置决定了ηi,c,t,t∈(t,t+Tp]的大小,即影响了环境侦察收益(8)。
考虑无人机决策频率较高,敌方目标在我方无人机单步决策内的机动时间和机动范围较小,因此根据敌方目标的历史位置信息,对其在(t,t+Tp]的未来时间内的位置进行预测。
轨迹预测方法为:将目标的平面运动位置的预测问题简化为多项式拟合问题,即目标的位置坐标被独立地定义为与时间相关的2个多项式形式:
其中,ax0,ax1,ax2为待拟合系数,tp为预测采样时域,即收集目标在过去[t-tp,t]的位置历史信息,将其近似为多项式,并假设目标为未来短时间内不会做大机动位移,其未来(t,t+Tp]时刻依然服从该多项式形式。
首先设定采样周期fp,对目标历史时间窗口[t-tp,t]的历史轨迹进行采样,对其运动轨迹进行拟合,得到各多项式中的待定系数ax0,ax1,ax2后,由此外推至未来(t,t+Tp]时间区间内的位置预测信息,即
除此之外,可以根据未来的位置预测信息,对未来的速度等状态同样进行反算预测。
4.下面对本发明所述基于协作分布式MPC的异构无人机集群搜索算法进行仿真,具体如下:
考虑以下场景,场景为小范围矩形区域,我方8个无人机敌方3个动态目标,参数设计如表1所示:
表1
图3为无人机搜索轨迹,其中,五角星为目标位置,目标按照规定速度在目标区域内运动,扇形表示无人机的雷达探测靶面。在此任务场景下,8架异构无人机在不违反转弯半径约束以及机间避碰约束下,经128s搜索到所有目标,平均单步决策时间为0.01s,满足任务实时性要求。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于协作分布式MPC的异构无人机集群搜索算法,其特征在于,
基于侦察态势模型、约束条件和无人机侦察性能指标函数,考虑优化协作无人机集合内的目标函数之和,构建多无人机协同目标侦察控制问题的分布式滚动时域优化模型,基于该分布式滚动时域优化模型得到无人机的控制输入序列,协作无人机集合/>指的是对于某架无人机,除自身之外的其它无人机的集合;
侦察态势模型包括环境模型、无人机传感器探测模型、无人机平台模型和目标模型,无人机传感器探测模型包括探测概率、识别概率、虚警概率和可探测的区域范围,目标模型是根据搜索目标的速度和预测位置构建;
目标模型为:
其中,Vtarget(t)为目标在时刻t的速度,xtarget(t)为目标在时刻t的位置;
无人机侦察性能指标函数基于环境侦察收益和任务执行代价构建得到,环境侦察收益基于敌方目标在未来的预测位置构建得到,敌方目标在未来的预测位置是采用多项式拟合方法得到;
无人机侦察性能指标函数为:
其中,权重k1,k2满足k1+k2=1;
环境侦察收益
其中,Pi l(t+q|t),i=q,…,Tp代表无人机Ai在t时刻预测的第l条路径上第q个航迹点,Φi,t表示当无人机Ai在t时刻,其传感器的探测靶面集合,Φi,t根据无人机传感器探测模型得到,ηi,c,t为网格路径点c内的不确定度,根据敌方目标在未来的预测位置得到ηi,c,t;
任务执行代价
其中,ui(Pi l(t+q+1|t)表示无人机Ai在路径点Pi l(t+q|t)处的航向;
获取敌方目标在未来的预测位置的方法具体包括:
将敌方目标的位置坐标独立地定义为与时间相关的2个多项式形式:
δ=[t-tp,t]
其中,ax0,ax1,ax2为待拟合系数,tp为预测采样时域,即收集目标在过去[t-tp,t]的位置历史信息,将其近似为多项式;
设定采样周期tp,对敌方目标历史时间窗口[t-tp,t]的历史轨迹进行采样,对其运动轨迹进行拟合,得到各多项式中的待定系数ax0,ax1,ax2后,由此外推至未来(t,t+Tp]时间区间内的位置预测信息,即
δ=(t,t+Tp]。
2.根据权利要求1所述基于协作分布式MPC的异构无人机集群搜索算法,其特征在于,无人机平台模型为:
xi(t+j|t)=f(xi(t+j-1|t),ui(t+j-1|t)),i=1,2,…,Nv,j=1,2,…,Tp
其中,f(·)为无人机状态更新方程,Tp为预测时域,Nv为无人机集群数量;
xi(t)=[xi(t),yi(t),φi(t)]
其中,xi,yi分别为无人机Ai在环境模型的任务区域地图x轴和y轴的位置,Vi(t)为无人机Ai的飞行速度的大小,φi(t)为无人机Ai速度方向与环境模型的任务区域地图x轴正半轴的夹角,μi(t)为无人机的滚转角,g为重力常数,nz,i为无人机的法向过载,在所有无人机的飞行高度一致且匀速飞行的情况下,无人机平台的控制量被简化方向角的变化量Δφi(t),即ui(t)=Δφi(t)。
3.根据权利要求2所述基于协作分布式MPC的异构无人机集群搜索算法,其特征在于,约束条件包括环境约束、避碰约束、避障约束和无人机转弯半径约束;
环境约束为:
xmin≤xi(t)≤xmax
ymin≤yi(t)≤ymax
其中,xmin,xmax表示环境模型的任务区域地图x方向上的地图范围,ymin,ymax表示环境模型的任务区域地图y方向上的地图范围;
避碰约束为:
||xi(t)-xj(t)||≥R1
其中,xi(t),xj(t)分别代表无人机Ai,Aj在t时刻的位置,R1代表机间安全距离;
避障约束为:
||xi(t)-xo||≥R2
其中,xi(t)代表无人机Ai在t时刻的位置,xo代表禁飞区位置,R2代表无人机集群与禁飞区之间的安全距离;
无人机转弯半径约束为:
-φi,max≤ui(t)≤φi,max
其中,φi,max为无人机Ai速度方向与环境模型的任务区域地图x轴正半轴的最大夹角。
4.根据权利要求3所述基于协作分布式MPC的异构无人机集群搜索算法,其特征在于,不确定度ηi,c,t的更新方法包括:
定义在环境模型的任务区域网格地图的网格路径点c内,对目标的识别概率pc,t∈[0,1],即pc,t=0表示网格路径点c内不存在目标,pc,t=1表示网格路径点c内存在目标,网格路径点c的不确定度ηi,c,t的更新公式为:
其中,Kγ>0,为常数系数,决定了函数的陡峭程度,|·|表示取绝对值;
定义τ=1表示网格路径点c中存在目标,τ=0表示事件网格路径点c中不存在目标,Ωi,c,t=1表示在t时刻无人机Ai搜索到任务区域Ω的网格路径点c中存在目标,即敌方目标在t时刻,到达了t时刻前预测的敌方目标在t时刻的位置,Ωi,c,t=0表示在t时刻无人机Ai搜索到网格路径点c中不存在目标,即敌方目标在t时刻,没有到达t时刻前预测的敌方目标在t时刻的位置,定义变量:
因此,概率地图线性更新公式为:
Πc,t=Πc,t-1+λi,c,t
其中,
pi,d,pi,f分别为无人机传感器的虚警概率和检测概率,即
pi,d=p(Ωi,c,t=1∣τc=1),pi,f=p(Ωi,c,t=1∣τc=0),则不确定度ηi,c,t更新为:
5.根据权利要求4所述基于协作分布式MPC的异构无人机集群搜索算法,其特征在于,多无人机协同目标侦察控制问题的分布式滚动时域优化模型为:
其中,Ji表示无人机Ai在滚动时域Tp内优化的侦察性能指标函数,和Ui(t)分别为无人机Ai在滚动时域[t+1;t+Tp]内的状态预测序列和控制输入序列,fi表示无人机Ai的状态更新方程,/>和/>表示除无人机Ai之外的其他无人机在滚动时域t∈[t+1;t+Tp]内的状态预测序列和控制输入预测序列,α为协作权重系数,/>为无人机Ai的协作无人机集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191370.3A CN117170238B (zh) | 2023-09-15 | 2023-09-15 | 基于协作分布式mpc的异构无人机集群搜索算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191370.3A CN117170238B (zh) | 2023-09-15 | 2023-09-15 | 基于协作分布式mpc的异构无人机集群搜索算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117170238A CN117170238A (zh) | 2023-12-05 |
CN117170238B true CN117170238B (zh) | 2024-04-16 |
Family
ID=88939316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311191370.3A Active CN117170238B (zh) | 2023-09-15 | 2023-09-15 | 基于协作分布式mpc的异构无人机集群搜索算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117170238B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254588A (zh) * | 2018-10-17 | 2019-01-22 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN109901598A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 基于随机模型预测控制技术的自主水下机器人路径跟踪方法 |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN113104023A (zh) * | 2021-04-23 | 2021-07-13 | 西安理工大学 | 分布式mpc的网联混合动力汽车能量管理系统及方法 |
CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
CN116679751A (zh) * | 2023-06-08 | 2023-09-01 | 四川大学 | 考虑飞行约束的多飞行器协同搜索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016022650A1 (en) * | 2014-08-06 | 2016-02-11 | Regents Of The University Of California | Moving-horizon state-initializer for control applications |
-
2023
- 2023-09-15 CN CN202311191370.3A patent/CN117170238B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109254588A (zh) * | 2018-10-17 | 2019-01-22 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN109901598A (zh) * | 2019-04-08 | 2019-06-18 | 哈尔滨工程大学 | 基于随机模型预测控制技术的自主水下机器人路径跟踪方法 |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN113104023A (zh) * | 2021-04-23 | 2021-07-13 | 西安理工大学 | 分布式mpc的网联混合动力汽车能量管理系统及方法 |
CN113848987A (zh) * | 2021-11-04 | 2021-12-28 | 河海大学 | 无人机群协同目标搜索中的动态路径规划方法及系统 |
CN116679751A (zh) * | 2023-06-08 | 2023-09-01 | 四川大学 | 考虑飞行约束的多飞行器协同搜索方法 |
Non-Patent Citations (3)
Title |
---|
受限通信范围下海上目标的多无人机协同搜索算法;王可铮等;《传感器与微系统》;20221231;第41卷(第12期);第143-146+157页 * |
四轴无人机多约束条件下的跟踪控制和轨迹规划方法研究;林鹏宏;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20170215(第02期);第1-72页 * |
集群无人机区域导航的定位信号特征提取模型;李彬等;《研究与设计》;20221231;第38卷(第8期);第110-112页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117170238A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A reinforcement learning approach for UAV target searching and tracking | |
Yang et al. | Collision free 4D path planning for multiple UAVs based on spatial refined voting mechanism and PSO approach | |
Radmanesh et al. | Grey wolf optimization based sense and avoid algorithm in a Bayesian framework for multiple UAV path planning in an uncertain environment | |
Yao et al. | Gaussian mixture model and receding horizon control for multiple UAV search in complex environment | |
CN110196605B (zh) | 一种强化学习的无人机群在未知海域内协同搜索多动态目标方法 | |
Wu et al. | Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm | |
Yao et al. | Multi-UAVs tracking target in urban environment by model predictive control and Improved Grey Wolf Optimizer | |
Hu et al. | Fuzzy multiobjective cooperative surveillance of multiple UAVs based on distributed predictive control for unknown ground moving target in urban environment | |
CN102915652B (zh) | 飞行器交通分离系统及方法 | |
Saeed et al. | Optimal path planning for drones based on swarm intelligence algorithm | |
CN109254588A (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN111897316B (zh) | 一种场景快变条件下的多飞行器自主决策方法 | |
CN110703804A (zh) | 一种固定翼无人机集群的分层防撞控制方法 | |
Tang et al. | Systematic review of collision-avoidance approaches for unmanned aerial vehicles | |
CN112130587A (zh) | 一种针对机动目标的多无人机协同跟踪方法 | |
CN116679751A (zh) | 考虑飞行约束的多飞行器协同搜索方法 | |
Sun et al. | Distributed probabilistic search and tracking of agile mobile ground targets using a network of unmanned aerial vehicles | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
Nagrare et al. | Decentralized path planning approach for crowd surveillance using drones | |
Sai et al. | A comprehensive survey on artificial intelligence for unmanned aerial vehicles | |
CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
CN114237275A (zh) | 基于感知-锁定-发现的多无人机博弈协同搜索方法 | |
Peterson | Dynamic grouping of cooperating vehicles using a receding horizon controller for ground target search and track missions | |
Shi et al. | Optimal trajectories of multi-UAVs with approaching formation for target tracking using improved Harris Hawks optimizer | |
CN117170238B (zh) | 基于协作分布式mpc的异构无人机集群搜索算法 |
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 |