CN117762151A - 无需标号的智能体集群分布式形状控制方法和智能体 - Google Patents

Abstract

本发明公开了一种无需标号的智能体集群分布式形状控制方法和智能体。该方法中，根据二值化目标图像、智能体数量、智能体之间的预期距离确定二值化目标图像的网格单元在物理空间的尺寸；与自身感知范围内的邻居智能体协商，更新自身对目标形状的加速度和角加速度的理解，进而基于自身对目标形状的加速度和角加速度的理解更新自身对目标形状位置、速度、方向和角速度的理解；将二值化目标图像转换为灰度图，其中在灰度图中灰度值平滑过渡；根据速度对齐力、内部避碰力、维持稳定力和编队控制力四者的合力更新自身的期望速度。无需为智能体设置唯一标号，无需为智能体分配精确的位置或轨迹，即可实现编队形状控制。

Description

无需标号的智能体集群分布式形状控制方法和智能体

技术领域

本发明涉及一种无需标号的智能体集群分布式形状控制方法和智能体。

背景技术

现有的智能体集群形状控制方法主要有基于图的控制策略和基于任务分配的控制策略。基于图的方法是利用图来描述智能体之间的相对位置，预先定义形状中每个智能体之间的相对位置、相对位移、相对距离和相对方位，通过反馈其预定义位置和当前位置之间的误差来控制每个智能体。这一方法要求图中的拓扑邻居时刻保持连接，这是大多数现有形状控制方法全局收敛的基础。但这种方法的实践性并不高，因为随着运动过程中智能体间距变大，两个智能体可能因为感知能力有限而失去连接，导致无法保证全局收敛。同时它还要求每个智能体都被唯一地标记，以匹配特定的拓扑结构。即每个智能体都被分配了一个唯一的身份，以识别谁是拓扑邻居。然而，这一要求降低算法的鲁棒性，无法应对集群中突然新增智能体或缺少智能体的情况。同时在实际应用中，区分大量外观相似的智能体并获取相应的身份ID也是一个巨大的挑战。

基于任务分配的策略首先需要为每个智能体分配目标位置，并规划智能体到该位置的路径。但是基于分配的方法存在两个局限性：第一是计算效率和运动效率之间的权衡。集中分配可以产生更高的运动效率，因为一旦智能体被分配了一个唯一的目标位置，只要避免与其他智能体碰撞，它就可以高效地移动到目标，但随着蜂群规模的增加，计算复杂度迅速增加，使得它在大规模集群应用上效率低下。分布式分配可以通过将集中式分配分解为多个局部规模的分配来支持大规模集群。但这种情况下局部分配之间的冲突是不可避免的，必须通过复杂的算法来解决。第二是控制算法欠缺鲁棒性，不能适应集群规模的突变，例如新的智能体加入集群和有故障的智能体离开集群等，需要额外的任务重新分配算法来处理。

例如中国专利CN105589470A公开一种多无人机分布式编队控制方法，其中需要对无人机进行标号。

又例如中国专利CN109557939A公开一种基于伪分布式无人机集群的快速队形控制方法，其中也需要对无人机进行标记。

有鉴于此，需要开发一种无需标号的智能体集群分布式形状控制方法。

发明内容

本发明提供一种无需标号的智能体集群分布式形状控制方法和智能体。

本发明采用如下技术方案： 一种无需标号的智能体集群分布式形状控制方法，包括：

获取二值化目标图像；

根据二值化目标图像、智能体数量、智能体之间的预期距离确定二值化目标图像的网格单元在物理空间的尺寸；

与自身感知范围内的邻居智能体协商，更新自身对目标形状的加速度和角加速度的理解，进而基于自身对目标形状的加速度和角加速度的理解更新自身对目标形状位置、速度、方向和角速度的理解；

将二值化目标图像转换为灰度图，其中在灰度图中灰度值平滑过渡；

根据速度对齐力、内部避碰力、维持稳定力和编队控制力四者的合力更新自身的期望速度，其中，速度对齐力是根据自身以及自身感知范围内的邻居智能体的速度值、自身对目标形状速度的理解、自身对目标形状加速度的理解而确定的，内部避碰力是根据自身以及自身感知范围内的邻居智能体的坐标确定的，维持稳定力是根据位于自身预期距离范围内且位于自身理解的目标形状内的网格坐标和自身坐标而确定的，编队控制力是根据自身在自身理解的目标形状中所在网格的灰度值、以及灰度值的变化趋势确定的。

本发明采用如下技术方案：一种智能体，包括存储器和处理器，所述存储器存储程序，所述处理器运行该程序以执行前述的方法。

本发明提出的方法，无需为每一个智能体分配标号，不仅能够实现编队形状的控制，还能实现对编队移动、旋转等运动的控制，并且智能体与其在编队中的位置没有明确的限定。

附图说明

图1是本发明的无需标号的智能体集群分布式形状控制方法的流程示意图。

图2是二值化目标图像的示例。

图3是将二值化目标图像转换所得灰度图的示例。

图4是本发明的智能体中控制器的结构示意图。

具体实施方式

下面结合具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

无需标号的智能体集群分布式形状控制方法的控制目标是引导一组智能体从初始位置开始，通过局部交互形成用户指定的编队形状。并且在目标编队中，智能体与其目标位置之间不存在一一对应关系。智能体应尽可能均匀地分布在队形中。它们不需要形成任何精确的相对位置，只要整体的编队形状与预期一致即可。同时每个智能体没有自己唯一的身份ID作为标识。进一步，整个集群应该能够在保持目标编队形状的同时，按照时变的参考轨迹共同移动。

为实现以上任务目标，本发明提出了一种可用于无标号的分布式信息动态编队描述方法，并基于局部感知信息解决了智能体对目标编队理解的一致性问题。进一步，本发明提出了一种智能体集群的全分布均匀形状编队控制律，该控制律可以处理只有局部相互作用的无标号的机动编队。利用该策略，不仅可以实现目标形状的编队，还可以解决编队的平移、旋转甚至形状变形等机动控制问题。

以下结合图1，介绍该方法的运行过程。

S110：获取二值化目标图像。

如图2所示，首先获取由用户自定义的二值化目标图像，二值化目标图像的每个像素（又称网格单元）都由数值0或者数值1组成，每个网格单元由两个基本参数：坐标和数值来描述。这里，坐标代表网格单元所在的列索引和行索引。数值代表网格单元的颜色：如果网格单元是黑色，则数值为零；如果网格单元是白色，则数值为1。以下介绍中，黑色区域是目标形状区域。在其他的实施方式中，也可以指定白色区域是目标形状区域。

S120：根据二值化目标图像、智能体数量、智能体之间的预期距离确定二值化目标图像的网格单元在物理空间的尺寸。

由于二值化目标图像的形状是由很多个正方形网格单元组成的，只需要确定每个网格单元的在物理空间的边长l _cell，就可以得知每个网格单元的面积，进而得知整个目标形状的面积。定义r _avoid是两个智能体之间的预期距离（这种情况下，2个智能体之间的预期距离也就是防撞距离，控制目标是希望智能体尽可能紧密且均匀分布；在另外的一些场景中2个智能体之间预期距离大于防撞距离，控制目标是希望智能体尽可能按照预期距离均匀分布），为保障智能体均匀分布在目标形状内，且尽可能的填满整个目标空间，假设目标编队中每对智能体之间的距离等于防撞距离。

以下以智能体在地面上移动为例进行说明。每个智能体占用的面积可以近似为中心在智能体上的正六边形，内切圆半径为r _avoid/2。因此，n _robot个智能体占据的面积为。另一方面，黑色网格单元所占面积是/>，n _cell是黑色网格单元的数量，也就是二值化目标图像的黑色像素点的数量，为已知信息。这两个区域预计是相等的，这样智能体就可以完全占据编队，即：

。

因此解得，网格单元在物理空间的边长为：

。

S130、与自身感知范围内的邻居智能体协商，更新自身对目标形状的加速度和角加速度的理解，进而基于自身对目标形状的加速度和角加速度的理解更新自身对目标形状位置、速度、方向和角速度的理解。

目标形状的参数包括位置和方向。传统的方法是手动指定这两个参数，并以全局方式发送给所有智能体。然而，人为指定的参数可能不够可靠（例如工作站距离智能体集群太远从而导致参数接收失败），并且位置或方向是时不变的，并且不能以分布式方式控制为时变的。因此需要让智能体以分布式方式进行协商并达成共识。

假设得到一个最靠近形状中心的网格单元，设p _cen 和v _cen 是该中心网格单元在全局参考系中的位置和速度。设φ _cen 和ω _cen 表示目标形状中心网格单元的方位角（方向）和角速度。然后，目标形状的位置和方向可以分别用p _cen 和φ _cen 表示。在这里考虑两种情况：目标形状是静止的以及目标形状是时变的。这主要取决于是否需要目标形状来跟踪时变的参考轨迹。

首先确定目标形状的位置：在方法启动的初始化阶段，每个智能体个体都对目标形状的位置和方向有着自己的理解，将此初始值设为每个智能体各自的位置和方向，这意味着每个智能体最初都会将自己理解为目标形状的中心。在初始化的时候，每个智能体需要一个初始值，那么这个值就是他自己的位置和方向，每个智能体的这个初始值都是不同的。达到稳定后，每个智能体对目标形状位置和方向的理解都会完全一样。

设p _c,i 和φ _c,i 表示智能体i对目标形状位置p _cen 和目标形状方向φ _cen 的理解。设p _c,j 和φ _c,j 表示智能体j对目标形状位置p _cen 和目标形状方向φ _cen 的理解。不同智能体的理解会有偏差，智能体i与智能体j二者之间对目标形状位置和方向的理解偏差分别为：p _c,ij =p _c,i - p _c,j ；φ _c,ij =φ _c,i -φ _c,j 。

设v _c,i 和ω _c,i 表示智能体i对目标形状速度v _cen 和目标形状角速度ω _cen 的理解。设v _c,j 和ω _c,j 表示智能体j对目标形状速度v _cen 和目标形状角速度ω _cen 的理解。不同智能体的理解会有偏差，智能体i与智能体j二者之间对目标形状速度和角速度的理解偏差分别为：v _c,ij =v _c,i -v _c,j ；ω _c,ij =ω _c,i -ω _c,j 。

是智能体i对目标形状加速度的理解，/>是智能体j对目标形状加速度的理解。

智能体i可以按照坐标对智能体j进行区分。

进而引出位置协商控制律如下：

；

其中，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信，N _i 是智能体i感知范围内的邻居集合，c ₁、c ₂是大于0的自定义常数参数。注意符号上方的原点表示对时间求导，例如是智能体i对目标形状加速度的理解。本发明中智能体之间的通信是双向的。

该公式里面有两项，第一项是智能体i和其邻居之间对目标形状理解的位置偏差和速度偏差，它的作用是迫使当前的智能体和邻居对于目标形状的位置和速度达成理解上的一致。第二项是阻尼速度，它的作用是迫使智能体最终的速度为零，稳定的停下来。

与位置协商原理类似，姿态协商的控制律也是同理：

；

其中，c ₃、c ₄是大于0的自定义常量参数，是智能体i对目标形状角加速度的理解，φ _c,ij 是智能体i与智能体j对目标形状方向的理解偏差，ω _c,ij 是智能体i与智能体j对目标形状角速度的理解偏差，ω _c,i 是智能体i对目标形状角速度的理解。

这里也是有两项，第一项是智能体i和其邻居之间对目标形状理解的角度偏差和角速度偏差，它的作用是迫使当前的智能体和邻居对于目标形状的角度和角速度达成理解上的一致。第二项是阻尼项，它的作用是迫使智能体最终停止转动，即角速度为零，不会进行方向上的调整。

在确定自身的加速度和角加速度后，自身的速度、位置、角速度、方向也就可以推算出。

通过多轮的协商，所有智能体即可对目标形状的姿态（包括位置、方向、目标形状的运动速度、角速度以及加速度、角加速度）的理解达成共识，可以更便捷的完成编队任务。注：这种情况下，智能体对目标形状速度和角速度的理解最终稳定为0。

为了处理机动编队，即目标形状处于运动情况下的协商问题，引入少量预先接收参考信号的知情智能体。知情智能体的数量至少为1。

知情智能体i的位置协商：

；

其中，是智能体i对目标形状加速度的理解，p _c,ij 是智能体i与智能体j对目标形状位置的理解的偏差，v _c,ij 是智能体i与智能体j对目标形状速度的理解偏差，v _c,i 是智能体i对目标形状速度的理解，p _ref是目标形状的预期位置，v _ref是目标形状的预期速度,/>是目标形状的预期加速度，c ₁、c ₂是大于0的常数，N _i 是智能体i感知范围内的邻居集合，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信。

未知情智能体i的位置协商：

；

其中，γ _i 是自定义的增益，取值为智能体i的感知范围内邻居的数量，是智能体j对目标形状加速度的理解，c ₁、c ₂是大于0的常数。

知情智能体i的方向协商：

；

其中，ω _ref是参考信号的角速度指令（目标形状的预期角速度），φ _ref是参考信号的角度指令（目标形状的预期方向），是目标形状的预期角加速度。c ₃、c ₄是大于0的自定义常量参数。

未知情智能体i的方向协商：

；

其中，γ _i 是自定义的增益，取值为智能体i的感知范围内邻居的数量c ₃、c ₄是大于0的常量，是智能体i对目标形状角加速度的理解，/>是智能体i对目标形状角加速度的理解，/>是智能体j对目标形状角加速度的理解。

以上四个公式的特点及优点：都利用了与智能体邻居的局部通信，利用智能体i与邻居智能体j之间的偏差作为控制量（知情智能体还需要知道参考信号），通过小范围的局部通信就可以达成全局的一致性。

其中，p _ref、v _ref、、φ _ref、ω _ref、/>是用户预先指定的时变参考信号，依次表示目标形状预期的位置、速度、加速度、方向、角速度、角加速度。

S140、将二值化目标图像转换为灰度图，其中在灰度图中灰度值平滑过渡。

给定由二值化目标图像指定的目标编队，实现编队目标需要将二进制网格转换为灰度网格，如图3所示。通过这种变换，可以扩大目标编队的影响范围，使每个智能体能够沿着灰度更平滑地进入编队。通过引入距离变换的思想，实现二值网格的灰度转换。具体来说，它以网格单元为运算单元，在黑色网格的基础上，将二进制网格扩展出h-1级网格单元，形成h级灰度网格。这里的h是由用户指定，应尽量保证整个图像从0到1之间的平滑过渡。如图3所示，网格单元的灰度值从0到1/h、2/h、3/h……最终到1均匀过渡。较大灰度值的像素位于较小灰度值的像素远离灰度值为0的像素一侧。

为使得算法更为精细，任意一个非0且非1的灰度值的像素连接成线，线的厚度为1个像素。

步骤150：根据速度对齐力、内部避碰力、维持稳定力和编队控制力四者的合力更新自身的期望速度。

建立集群中智能体的期望速度u _i 数学模型：

；

其中，四个分量的数学表达分别如下所示。

速度对齐力：

；

其中，是自定义的正值常量，v _c,i 是智能体i对目标形状速度的理解，/>是智能体i对目标形状加速度的理解。

内部避碰力：

；

其中，是正的常量，/>是一个分段函数，具体为：，/>是单位向量，方向由智能体i指向智能体j，p _i 是智能体i的坐标，p _j 是智能体j的坐标。

维持稳定力：

；

其中，是正值的常量，/>是集合/>中元素的个数，/>是智能体i周围，在预期距离范围内，所有黑色网格组成的集合，/>是集合/>中某一黑色网格ρ在物理空间的位置。

编队控制力：

；

其中，是正值的常量，/>是智能体i在目标形状内对应网格的灰度值，智能体i在目标形状内对应的位置是/>，则/>代表/>位置处网格的灰度值。/>的计算方法为：，其中/>是坐标变换矩阵，/>、/>分别代表智能体i对目标形状的位置和方向的理解，/>是目标形状中心网格的位置。

是单位向量，当智能体i位于目标形状之外时，其方向为从智能体i所在网格单元指向其感知范围内的一个网格单元，以使得智能体i从目标形状外朝向目标形状内移动。

情况1：智能体i所在网格单元与最靠近的网格单元之间的灰度值存在差异，此时的方向为由智能体i指向最靠近智能体i的网格单元中内灰度值最小的网格单元，目的是选择一个灰度梯度下降尽量快的方向。

情况2：智能体i所在网格单元与最靠近的网格单元的灰度值均等于1，周围没有灰度梯度，此时的方向为：智能体i指向智能体i感知范围内距离最近的灰度值不是1的网格单元。

以上仅是举例说明，单位向量的方向的设置方式不限于此，目的均是将智能体i从目标形状外快速朝向目标形状内移动。

例如单位向量的方向为智能体i指向其感知范围内灰度值最小的网格单元中最为靠近智能体i的网格单元。

当智能体i位于目标形状内时，=0，不论/>取值为何，编队控制力均为0。

速度对齐力第一项是用当前智能体与邻居智能体之间的速度差值v _i -v _j 来进行控制，控制目标是让智能体与其感知范围内的邻居智能体之间速度误差值越来越小，直到收敛到0，从而来保证所有智能体的速度一致，第二项是为了应对机动编队的情况，让所有智能体可以跟踪上目标形状的运动趋势，便于动态条件下的形状控制。

内部避碰力防止多智能体之间的碰撞，其大小与智能体的间距（||p _j -p _i ||）成反比。同时它可以使智能体集群均匀分散开，使得目标区域内智能体密度尽可能均衡。

维持稳定力在这里有两个作用，一方面它保证智能体群体均匀的分布在目标形状内，最大限度的填满整个形状空间；另一方面它会把失误溜出目标形状的智能体吸引回来，保证所有智能体分布在目标形状内。就代表智能体i要走向周围黑色网格的几何中心，从而不会发生逃逸出目标形状（目标形状是由黑色网格组成的）的情况。

编队控制力是前期运动的主要动力，它与灰度图的梯度大小有关，迫使所有智能体沿着灰度梯度下降的方向运动到目标形状内。其中g _ik 就是梯度下降的方向向量，决定编队控制力的大小。

得到期望速度u之后，控制智能体按照期望速度运动，新的位置和姿态是通过智能体动力学模型推算出来的，无传感器检测。

以上方法解决了传统形状控制算法中需要每个智能体均拥有唯一标号的限制，并基于局部感知信息解决了智能体对目标编队的一致性问题。另外以上提出了一种能够均匀智能体集群的全分布的编队形状控制律，该控制律可以处理只有局部相互作用的无身份的集群机动编队。利用该策略，不仅可以实现目标编队的形状，还可以解决编队的平移、旋转甚至形状变形等机动控制问题。可以保证在无需预分配目标节点的条件下，智能体集群自动的进入目标空间，并且均匀分布，以最大限度地填满整个目标形状。

需要说明的是，以上举例中以智能体是在二维平面内进行运动进行说明，相同的原理也适用于智能体在三维空间内的运动。

参考图4，本发明的实施例还提供一种智能体，包括存储器和处理器，所述存储器存储程序，所述处理器运行该程序以执行前述的方法。

本发明中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

本发明的保护范围不限于上述的实施例，显然，本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围，则本发明的意图也包含这些改动和变形在内。

Claims (10)

1.一种无需标号的智能体集群分布式形状控制方法，其特征在于，包括：

获取二值化目标图像；

根据二值化目标图像、智能体数量、智能体之间的预期距离确定二值化目标图像的网格单元在物理空间的尺寸；

与自身感知范围内的邻居智能体协商，更新自身对目标形状的加速度和角加速度的理解，进而基于自身对目标形状的加速度和角加速度的理解更新自身对目标形状位置、速度、方向和角速度的理解；

将二值化目标图像转换为灰度图，其中在灰度图中灰度值平滑过渡；

根据速度对齐力、内部避碰力、维持稳定力和编队控制力四者的合力更新自身的期望速度，其中，速度对齐力是根据自身以及自身感知范围内的邻居智能体的速度值、自身对目标形状速度的理解、自身对目标形状加速度的理解而确定的，内部避碰力是根据自身以及自身感知范围内的邻居智能体的坐标确定的，维持稳定力是根据位于自身预期距离范围内且位于自身理解的目标形状内的网格坐标和自身坐标而确定的，编队控制力是根据自身在自身理解的目标形状中所在网格的灰度值、以及灰度值的变化趋势确定的。

2.根据权利要求1所述的方法，其特征在于，速度对齐力由以下公式确定：

；其中，/>为速度对齐力，N _i 是智能体i感知范围内智能体的集合，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信，v _i 是智能体i的速度，v _j 是智能体j的速度，/>是自定义的正值常量，v _c,i 是智能体i对目标形状速度的理解，/>是智能体i对目标形状加速度的理解。

3.根据权利要求1所述的方法，其特征在于，内部避碰力按照如下公式确定：

；

其中，是内部避碰力，/>是正值常量，/>是表征两个智能体之间距离与内部避碰力大小关系的函数，/>是单位向量，方向由智能体i指向智能体j，p _i 是智能体i的坐标，p _j 是智能体j的坐标，r _avoid为预期距离，N _i 是智能体i感知范围内智能体的集合。

4.根据权利要求1所述的方法，其特征在于，维持稳定力按照如下公式确定：

；

其中，是维持稳定力，/>是正值常量，/>是集合/>中元素的个数，/>是智能体i预期距离范围内，所有表示目标形状的网格单元组成的集合，/>是集合/>中表示目标形状的网格单元ρ的位置，p _i 是智能体i的坐标。

5.根据权利要求1所述的方法，其特征在于，编队控制力按照如下公式确定：

；

其中，是编队控制力，/>是正值常量，/>是智能体i对应网格单元的灰度值，是单位向量，当智能体i位于目标形状之外时，其方向为从智能体i所在网格单元指向其感知范围内的一个网格单元，以使得智能体i从目标形状外朝向目标形状内移动，目标形状对应的网格单元灰度值为0。

6.根据权利要求1所述的方法，其特征在于，在目标形状静止的情况下，自身对目标形状位置、速度和加速度的理解按照如下公式确定：

；

其中，是智能体i对目标形状加速度的理解，p _c,ij 是智能体i与智能体j对目标形状位置的理解的偏差，v _c,ij 是智能体i与智能体j对目标形状速度的理解偏差，v _c,i 是智能体i对目标形状速度的理解，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信，N _i 是智能体i感知范围内的邻居集合，c ₁、c ₂是大于0的自定义常数参数；

自身对目标形状方向、角速度和角加速度的理解按照如下公式确定：

；

其中，c ₃、 c ₄是大于0的自定义常量参数，是智能体i对目标形状角加速度的理解，φ _c,ij 是智能体i与智能体j对目标形状方向的理解偏差，ω _c,ij 是智能体i与智能体j对目标形状角速度的理解偏差，ω _c,i 是智能体i对目标形状角速度的理解。

7.根据权利要求1所述的方法，其特征在于，在目标形状时变的情况下，智能体集群中至少一个智能体是知情智能体，其余智能体是未知情智能体，知情智能体对目标形状位置、速度和加速度的理解按照如下公式确定：

；

其中，是智能体i对目标形状加速度的理解，p _c,ij 是智能体i与智能体j对目标形状位置的理解的偏差，v _c,ij 是智能体i与智能体j对目标形状速度的理解偏差，v _c,i 是智能体i对目标形状速度的理解，p _c,i 是智能体i对目标形状位置的理解，p _ref是目标形状的预期位置，v _ref是目标形状的预期速度,/>是目标形状的预期加速度，c ₁、c ₂是大于0的常数，N _i 是智能体i感知范围内的邻居集合，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信；

知情智能体对目标形状方向、角速度和角加速度的理解按照如下公式确定：

；

其中，ω _ref是目标形状的预期角速度，φ _ref是目标形状的预期方向，c ₃、 c ₄是大于0的常量，是目标形状的预期角加速度，/>是智能体i对目标形状角加速度的理解，φ _c,ij 是智能体i与智能体j对目标形状方向的理解偏差，ω _c,ij 是智能体i与智能体j对目标形状角速度的理解偏差，ω _c,i 是智能体i对目标形状角速度的理解，φ _c,i 是智能体i对目标形状方向的理解。

8.根据权利要求1所述的方法，其特征在于，在目标形状时变的情况下，智能体集群中至少一个智能体是知情智能体，其余智能体是未知情智能体，未知情智能体对目标形状位置、速度和加速度的理解按照如下公式确定：

；

其中，γ _i 是自定义的增益，取值为智能体i的感知范围内邻居的数量，c ₁、c ₂是大于0的常数，N _i 是智能体i感知范围内的邻居集合，a _ij 是邻接矩阵的值，a _ij =1表明智能体i与智能体j之间能够通信，a _ij =0表明智能体i与智能体j之间不能通信，是智能体i对目标形状加速度的理解，p _c,ij 是智能体i与智能体j对目标形状位置的理解的偏差，v _c,ij 是智能体i与智能体j对目标形状速度的理解偏差，/>是智能体j对目标形状加速度的理解；

未知情智能体对目标形状方向、角速度和角加速度的理解按照如下公式确定：

；

其中，c ₃、 c ₄是大于0的常量，是智能体i对目标形状角加速度的理解，φ _c,ij 是智能体i与智能体j对目标形状方向的理解偏差，ω _c,ij 是智能体i与智能体j对目标形状角速度的理解偏差，/>是智能体j对目标形状角加速度的理解。

9.根据权利要求1所述的方法，其特征在于，将二值化目标图像转换为灰度图，其中在灰度图中灰度值平滑过渡的步骤中，灰度值为0表示目标形状区域，灰度图中灰度值将最大灰度等分成多个灰度，较大灰度值的像素位于较小灰度值的像素远离灰度值为0的像素一侧。

10.一种智能体，其特征在于，包括存储器和处理器，所述存储器存储程序，所述处理器运行该程序以执行根据权利要求1至9中任一项所述的方法。