CN117762166A - 多无人机集群编队协同控制方法及其系统 - Google Patents
多无人机集群编队协同控制方法及其系统 Download PDFInfo
- Publication number
- CN117762166A CN117762166A CN202410196010.0A CN202410196010A CN117762166A CN 117762166 A CN117762166 A CN 117762166A CN 202410196010 A CN202410196010 A CN 202410196010A CN 117762166 A CN117762166 A CN 117762166A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- cooperative
- speed
- vehicle cluster
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006854 communication Effects 0.000 claims abstract description 120
- 238000004891 communication Methods 0.000 claims abstract description 119
- 239000013598 vector Substances 0.000 claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 238000010586 diagram Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 14
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 230000000875 corresponding effect Effects 0.000 description 12
- 230000009466 transformation Effects 0.000 description 10
- 238000011217 control strategy Methods 0.000 description 8
- 230000033001 locomotion Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002079 cooperative effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
本发明公开了一种多无人机集群编队协同控制方法及其系统，其指定多无人机集群中的第一无人机为虚拟领导者，并获得虚拟领导者的实时速度值和位置信息；基于多无人机集群中其他无人机的实时速度值和虚拟领导者的实时速度值构造速度协同输入向量；构造多无人机集群的通信拓扑矩阵，其中，通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及，基于速度协同输入向量和多无人机集群的通信拓扑矩阵来确定多无人机集群的协同稳定性是否符合预定标准。这样，可以综合利用速度信息和多无人机集群的通信拓扑信息，并结合人工智能技术来智能化地判断多无人机集群的协同稳定性是否符合预定标准。
Description
技术领域
本发明涉及智能化协同控制技术领域，尤其涉及一种多无人机集群编队协同控制方法及其系统。
背景技术
多无人机集群编队是指多个无人机通过无线通信和协同控制算法，实现无人机群呈现预定的空间分布或运动规律的一种技术。多无人机集群编队可以提高无人机的任务效率和生存能力，实现复杂的空中作战和侦察任务。
多无人机集群编队协同控制是指在考虑无人机之间的相互作用和环境约束的情况下，设计合适的控制策略，使得多无人机能够按照预定的目标和要求，完成编队形成、变换和跟随等动作的一种技术。然而，多无人机集群编队协同控制也面临着一些挑战，其中之一就是通信稳定性问题。通信稳定性是无人机群保持协同稳定的关键，但在通信过程中会受无人机的实时速度之间的影响，导致通信链路的断开或延迟。因此，期待一种解决方案。
发明内容
本发明实施例提供一种多无人机集群编队协同控制方法及其系统，其指定多无人机集群中的第一无人机为虚拟领导者，并获得虚拟领导者的实时速度值和位置信息；基于多无人机集群中其他无人机的实时速度值和虚拟领导者的实时速度值构造速度协同输入向量；构造多无人机集群的通信拓扑矩阵，其中，通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及，基于速度协同输入向量和多无人机集群的通信拓扑矩阵来确定多无人机集群的协同稳定性是否符合预定标准。这样，可以综合利用速度信息和多无人机集群的通信拓扑信息，并结合人工智能技术来智能化地判断多无人机集群的协同稳定性是否符合预定标准。
本发明实施例还提供了一种多无人机集群编队协同控制方法，其包括：指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
本发明实施例还提供了一种多无人机集群编队协同控制系统，其包括：数据获取模块，用于指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；协同向量构造模块，用于基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；拓扑矩阵构造模块，用于构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及多无人机集群的协同稳定性判断模块，用于基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
在附图中：图1为本发明实施例中提供的一种多无人机集群编队协同控制方法的流程图。
图2为本发明实施例中提供的一种多无人机集群编队协同控制方法的系统架构的示意图。
图3为本发明实施例中提供的一种多无人机集群编队协同控制系统的框图。
图4为本发明实施例中提供的一种多无人机集群编队协同控制方法的应用场景图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
多无人机集群编队是一种通过无线通信和协同控制算法实现的技术，旨在将多个无人机组织成一个紧密协同的群体，以呈现预定的空间分布或运动规律。这种编队技术可以提高无人机的任务效率和生存能力，使其能够完成更复杂的空中作战和侦察任务。在多无人机集群编队中，无人机之间通过无线通信进行信息交流和协同控制。通过相互之间的通信，无人机可以共享位置、速度、姿态和传感器数据等信息，从而实现协同行动。通过协同控制算法，无人机群可以实现编队形成、变换和跟随等动作，以适应任务需求和环境变化。
多无人机集群编队技术的应用非常广泛。在军事领域，多无人机集群编队可以用于空中打击、侦察和情报收集等任务。通过组织成编队，无人机可以协同作战，提高作战效能，并减少对单个无人机的依赖性。在民用领域，多无人机集群编队可以用于搜索救援、物流配送、环境监测等任务。通过编队协同，无人机可以实现更高效的资源利用和任务执行。
为了实现多无人机集群编队，需要考虑以下关键问题：通信协同：无人机之间的通信是实现编队协同的基础。通过无线通信，无人机可以交换位置、速度和传感器数据等信息，实现协同控制，通信协同需要考虑通信链路的稳定性、带宽和延迟等因素。
编队形成：编队形成是将多个无人机组织成一个紧密协同的群体的过程。通过控制算法，无人机可以根据预定的编队结构和空间分布，调整自身的位置和速度，以实现编队形成。
编队变换：编队变换是指根据任务需求和环境变化，无人机群需要调整编队结构和空间分布的过程。通过协同控制算法，无人机可以实现编队的分散、合并、转换等变换动作。
编队跟随：编队跟随是指无人机群中的无人机能够跟随领导者或者指定的路径进行运动。通过控制算法，无人机可以根据领导者的位置和速度信息，调整自身的运动，实现编队的跟随。
多无人机集群编队协同控制是一项复杂的技术，旨在实现多个无人机之间的协同行动。通信稳定性是保持协同稳定的关键因素之一。在无人机编队过程中，通信链路的稳定性受到多个因素的影响，包括无人机的实时速度、通信距离、信号干扰、信道质量等。通信稳定性问题可能会导致通信链路的断开或延迟，进而影响无人机群的协同控制效果。
在本发明的一个实施例中，图1为本发明实施例中提供的一种多无人机集群编队协同控制方法的流程图。图2为本发明实施例中提供的一种多无人机集群编队协同控制方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的多无人机集群编队协同控制方法，包括：110，指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；120，基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；130，构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及，140，基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
在所述步骤110中，在多无人机集群中选择一个无人机作为虚拟领导者，可以根据预定的标准或算法来选择。获取虚拟领导者的实时速度和位置信息可以通过无人机的传感器或通信系统来实现。通过指定虚拟领导者并获取其实时状态信息，可以作为其他无人机参考的基准，用于协同控制和编队形成。在所述步骤120中，根据虚拟领导者的实时速度和其他无人机的实时速度，构造速度协同输入向量，可以采用相对速度或相对位置的差异来表示协同输入向量。通过构造速度协同输入向量，可以将其他无人机的运动与虚拟领导者的运动进行协同，实现编队形成、变换和跟随等动作。在所述步骤130中，通信拓扑矩阵描述了无人机之间的通信关系和通信距离。非对角线位置上的值表示相应两个无人机之间的通信距离值，可以根据实际情况或预定的通信范围进行设置。构造通信拓扑矩阵可以反映无人机群的通信关系，为后续的协同稳定性分析提供基础。在所述步骤140中，基于速度协同输入向量和通信拓扑矩阵，进行协同稳定性的分析。可以使用相关的算法或方法，如图论、控制理论等，来判断无人机群的协同稳定性是否符合预定标准。通过确定协同稳定性，可以评估无人机群的协同控制效果，确保编队形成和动作的稳定性和可靠性，提高任务执行能力。
通过指定虚拟领导者、构造速度协同输入向量、构造通信拓扑矩阵和确定协同稳定性，可以实现多无人机集群的协同控制，并确保编队的稳定性和可靠性，从而提高无人机群的任务执行能力。
现有的多无人机集群编队协同控制方案有多种实现方式，例如，基于领从结构的方法、基于图论的方法等。其中，基于领从结构的方法是指在协同控制过程中引入虚拟领导者的概念，将无人机集群的编队控制问题转化为跟随虚拟领导者的轨迹跟踪问题，并根据虚拟领导者的位置和速度信息，设计分布式编队控制器，使得无人机集群能够实现编队形成、变换和跟随。但在实现无人机群的编队形成、变换和跟随过程中，不可避免地存在通信稳定性的问题。通信稳定性是无人机群保持协同稳定的关键，在通信过程中会受无人机之间的实时速度的影响，具体来说，当无人机的实时速度不一致时，可能会导致通信信号的延迟和失真，从而影响通信稳定性。因此，在本申请的技术方案中，期待在多无人机集群的编队形成、变换和跟随的过程中，对多无人机集群的通信协同稳定性进行分析判断，以在通信协同稳定性不佳时及时告知技术人员采取相应的措施来避免无人机通信链路的断开甚至无人机失去控制等问题的产生。
对此，在本申请的技术构思是综合利用速度信息和多无人机集群的通信拓扑信息，并结合基于深度学习的人工智能技术来智能化地判断多无人机集群的协同稳定性是否符合预定标准。
通过综合利用速度信息和通信拓扑信息，可以获得更全面和准确的无人机群协同稳定性评估。速度信息可以反映无人机群内部的协同行为，而通信拓扑信息可以反映无人机群之间的交流和协作情况，将这两种信息结合起来，可以获得更全局和细致的协同稳定性判断。通过基于深度学习的人工智能技术，可以对速度信息和通信拓扑信息进行特征学习和表示学习，深度学习模型可以自动学习和提取高级特征，从而更好地捕捉无人机群的协同稳定性模式和规律，这样可以提高判断的准确性和鲁棒性。基于深度学习的人工智能技术，可以智能地判断多无人机集群的协同稳定性是否符合预定标准。通过训练深度学习模型，可以建立一个智能分类器或回归器，用于根据输入的速度和通信拓扑信息，预测无人机群的协同稳定性水平，这样可以为决策制定提供支持，帮助系统优化协同控制策略，以确保无人机群的稳定性和任务执行能力。基于深度学习的人工智能技术可以在实时环境中进行快速计算和更新，以适应无人机群的动态变化，这样可以实时监测和评估无人机群的协同稳定性，并根据需要采取相应的控制策略来维持稳定性。智能化判断和决策支持可以在实时反馈中实现，提高系统的实时性和适应性。
综合利用速度信息和多无人机集群的通信拓扑信息，并结合基于深度学习的人工智能技术来智能化地判断多无人机集群的协同稳定性是否符合预定标准，可以提高评估的准确性和全面性，为决策制定和控制策略优化提供支持，提高无人机群的协同控制和任务执行能力。
基于此，在本申请的技术方案中，首先指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；接着，基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量。
在本申请的一个具体示例中，基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量，包括：分别计算所述多无人机集群中其他无人机的实时速度值相对于所述虚拟领导者的实时速度值之间的差值以得到由多个实时速度差值组成的所述速度协同输入向量。这里，构造速度协同输入向量的目的是为了反映多无人机集群中各个无人机相对于所述虚拟领导者的速度差异，从而为判断协同稳定性提供依据。
计算多无人机集群中其他无人机的实时速度值相对于虚拟领导者的实时速度值之间的差值，可以得到速度协同输入向量。速度协同输入向量反映了每个无人机与虚拟领导者之间的速度差异，通过将这些差异组成的向量作为输入，可以实现无人机群的协同控制和编队形成。速度协同输入向量可以用于调整无人机的速度和运动方向，使其与虚拟领导者保持一致，从而实现编队的稳定性和协同行动。通过分析速度协同输入向量的变化，可以实时监测无人机群的协同状况，并采取相应的控制策略来维持协同稳定性。速度协同输入向量还可以用于检测异常情况，例如速度差值过大或过小，从而及时发现和处理通信链路或无人机运动异常，提高系统的鲁棒性和容错性。
然后，构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值。也就是，通过这样的方式来刻画无人机群的通信结构和通信特性。
接下来，将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到速度引导无人机群协同稳定性特征图。其中，所述包含卷积神经网络模型和一维卷积层的MetaNet模块利用卷积神经网络模型对通信拓扑矩阵进行特征提取以捕捉无人机群的通信拓扑特征分布，并通过一维卷积层对所述速度协同输入向量进行时序特征提取，并使一维的速度协同时序特征数据直接与通信拓扑特征分布进行交互，直接控制每个特征通道的相关特性，帮助网络专注于每个特征通道的特定部分，使得模型将速度信息作为诱导信息，对通信拓扑特征分布进行细化和优化。
在本申请的一个具体实施例中，基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准，包括：融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图；以及，基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准。
其中，融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图，包括：将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图。
具体地，将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图，包括：使用所述MetaNet模块的所述卷积神经网络模型对所述通信拓扑矩阵进行特征提取以得到通信拓扑特征图；使用所述MetaNet模块的所述一维卷积层对所述速度协同输入向量进行时序特征提取以得到速度协同特征向量；以及，将所述通信拓扑特征图和所述速度协同特征向量进行交互以得到所述速度引导无人机群协同稳定性特征图。
将通信拓扑矩阵和速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块可以得到速度引导无人机群协同稳定性特征图。通过使用卷积神经网络模型，可以学习通信拓扑矩阵和速度协同输入向量之间的复杂关系，并从中提取有用的特征。一维卷积层可以捕捉到速度协同输入向量的时序信息和通信拓扑矩阵的空间关系，进一步提高特征学习的能力。通过MetaNet模块的处理，可以将学习到的特征映射为速度引导无人机群协同稳定性特征图，该特征图可以提供关于无人机群协同稳定性的全局视图，反映不同无人机之间的协同关系和稳定性程度。卷积神经网络模型和MetaNet模块可以在实时环境中进行快速计算和更新，以适应无人机群的动态变化，这样可以实时监测和评估无人机群的协同稳定性，并根据需要采取相应的控制策略来维持稳定性。基于速度引导无人机群协同稳定性特征图，可以进行决策支持和优化，例如确定最佳的协同控制策略、调整通信拓扑结构、优化速度协同输入等，有助于提高无人机群的任务执行效率和性能。
通过使用卷积神经网络模型和一维卷积层的MetaNet模块，将通信拓扑矩阵和速度协同输入向量转化为速度引导无人机群协同稳定性特征图，可以提供对无人机群协同稳定性的全局视图和实时决策支持，从而提高无人机群的协同控制和任务执行能力。
继而，将所述优化速度引导无人机群协同稳定性特征图通过分类器以得到分类结果，所述分类结果用于表示多无人机集群的协同稳定性是否符合预定标准。
在本申请的一个具体实施例中，基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准，包括：对所述速度引导无人机群协同稳定性特征图进行优化以得到优化速度引导无人机群协同稳定性特征图；以及，将所述优化速度引导无人机群协同稳定性特征图通过分类器以得到分类结果，所述分类结果用于表示所述多无人机集群的协同稳定性是否符合预定标准。
通过将特征图输入到分类器中，可以对无人机群的协同稳定性进行评估，分类结果可以指示无人机群的协同稳定性是否达到预期标准，从而提供关于系统性能的定量指标。分类器可以在实时环境中对特征图进行处理和分类，从而实时监测无人机群的协同稳定性。如果分类结果显示协同稳定性不符合预定标准，可以及时反馈给系统，触发相应的控制策略来调整无人机群的行为，以提高协同稳定性。分类结果可以用于优化决策和调整策略，例如调整无人机的速度、位置或通信拓扑结构，以改善协同稳定性，通过分类结果的反馈，可以实现对无人机群的实时控制和优化，提高系统的性能和鲁棒性分类结果可以用于预警和故障检测，如果分类结果显示协同稳定性明显偏离预定标准，可能意味着系统存在故障或异常情况，这样可以及时发现并处理潜在的问题，提高系统的可靠性和安全性。
通过将优化后的速度引导无人机群协同稳定性特征图通过分类器进行分类，可以评估无人机群的协同稳定性是否符合预定标准，并实现实时监测、反馈、优化和故障检测，有助于提高无人机群的协同控制能力，确保系统在各种任务和环境下的稳定性和可靠性。
在本申请的技术方案中，将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块得到所述速度引导无人机群协同稳定性特征图时，是以所述速度协同输入向量通过一维卷积层获得的速度协同特征向量作为通道加权向量，来对所述通信拓扑矩阵通过卷积神经网络模型得到的通信拓扑特征图沿通道进行加权，从而得到所述速度引导无人机群协同稳定性特征图。
基于此，本申请的申请人考虑到所述通信拓扑特征图的每个特征矩阵表达样本间通信拓扑的局部关联特征，而各个特征矩阵之间遵循所述卷积神经网络模型的通道分布，而所述速度协同特征向量则表达样本间实时速度差值局部关联特征，因此，所述速度引导无人机群协同稳定性特征图在其通道维度上同时受到卷积神经网络模型的通道分布和实时速度差值局部关联特征分布的约束。但是，这也会使得所述速度引导无人机群协同稳定性特征图的各个特征矩阵之间的特征分布偏离所述卷积神经网络模型的通道分布，影响通道分布整体性，从而影响所述速度引导无人机群协同稳定性特征图通过分类器的分类回归效果。
基于此，本申请的申请人首先将所述速度引导无人机群协同稳定性特征图中的各个特征矩阵通过线性变换转换为正方矩阵，然后对所述速度引导无人机群协同稳定性特征图以特征矩阵为单位，通过基于相邻特征矩阵的约束来优化所述速度引导无人机群协同稳定性特征图。
在本申请的一个具体实施例中，对所述速度引导无人机群协同稳定性特征图进行优化以得到优化速度引导无人机群协同稳定性特征图，包括：基于相邻特征矩阵的约束以如下公式来优化所述速度引导无人机群协同稳定性特征图以得到所述优化速度引导无人机群协同稳定性特征图；其中，所述公式为：；其中，/>和/>分别是所述速度引导无人机群协同稳定性特征图中的第/>和第/>个特征矩阵，且/>和/>分别是特征矩阵/>和/>的全局均值，/>表示矩阵的转置，/>表示矩阵乘法，/>表示按位置点乘，/>是所述优化速度引导无人机群协同稳定性特征图中的第个特征矩阵。
这里，通过以所述速度引导无人机群协同稳定性特征图的特征矩阵沿通道分布的中心作为通道维度下的场景传递的种子点，来将所述速度引导无人机群协同稳定性特征图的特征矩阵的每个特征值通过矩阵相乘而进行稳健化的聚合和子采样提议，从而在所述速度引导无人机群协同稳定性特征图的特征矩阵的每个特征值的参与基础上进行相邻特征矩阵的分布边界框传递定向约束，以在所述速度引导无人机群协同稳定性特征图的整体沿通道维度由下而上的上下文关联的基础上提升所述速度引导无人机群协同稳定性特征图的特征表示的整体性，从而提升所述速度引导无人机群协同稳定性特征图通过分类器的分类回归效果，即分类训练的速度和分类结果的准确性。
综上，基于本发明实施例的多无人机集群编队协同控制方法被阐明，其综合利用速度信息和多无人机集群的通信拓扑信息，并结合基于深度学习的人工智能技术来智能化地判断多无人机集群的协同稳定性是否符合预定标准。
在本发明的一个实施例中，图3为本发明实施例中提供的一种多无人机集群编队协同控制系统的框图。如图3所示，根据本发明实施例的多无人机集群编队协同控制系统200，包括：数据获取模块210，用于指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；协同向量构造模块220，用于基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；拓扑矩阵构造模块230，用于构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及，多无人机集群的协同稳定性判断模块240，用于基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
在所述多无人机集群编队协同控制系统中，所述协同向量构造模块，用于：分别计算所述多无人机集群中其他无人机的实时速度值相对于所述虚拟领导者的实时速度值之间的差值以得到由多个实时速度差值组成的所述速度协同输入向量。
在所述多无人机集群编队协同控制系统中，所述多无人机集群的协同稳定性判断模块，包括：融合单元，用于融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图；以及，性能判断单元，用于基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准。
在所述多无人机集群编队协同控制系统中，所述融合单元，用于：将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图。
这里，本领域技术人员可以理解，上述多无人机集群编队协同控制系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图2的多无人机集群编队协同控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的多无人机集群编队协同控制系统200可以实现在各种终端设备中，例如用于多无人机集群编队协同控制的服务器等。在一个示例中，根据本发明实施例的多无人机集群编队协同控制系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该多无人机集群编队协同控制系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该多无人机集群编队协同控制系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该多无人机集群编队协同控制系统200与该终端设备也可以是分立的设备，并且多无人机集群编队协同控制系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种多无人机集群编队协同控制方法的应用场景图。如图4所示，在该应用场景中，首先，指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值（例如，如图4中所示意的C1）和位置信息（例如，如图4中所示意的C2）；然后，将获取的实时速度值和位置信息输入至部署有多无人机集群编队协同控制算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于多无人机集群编队协同控制算法对所述实时速度值和所述位置信息进行处理，以确定所述多无人机集群的协同稳定性是否符合预定标准。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种多无人机集群编队协同控制方法，其特征在于，包括：指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
2.根据权利要求1所述的多无人机集群编队协同控制方法，其特征在于，基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量，包括：分别计算所述多无人机集群中其他无人机的实时速度值相对于所述虚拟领导者的实时速度值之间的差值以得到由多个实时速度差值组成的所述速度协同输入向量。
3.根据权利要求2所述的多无人机集群编队协同控制方法，其特征在于，基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准，包括：融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图；以及基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准。
4.根据权利要求3所述的多无人机集群编队协同控制方法，其特征在于，融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图，包括：将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图。
5.根据权利要求4所述的多无人机集群编队协同控制方法，其特征在于，将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图，包括：使用所述MetaNet模块的所述卷积神经网络模型对所述通信拓扑矩阵进行特征提取以得到通信拓扑特征图；使用所述MetaNet模块的所述一维卷积层对所述速度协同输入向量进行时序特征提取以得到速度协同特征向量；以及将所述通信拓扑特征图和所述速度协同特征向量进行交互以得到所述速度引导无人机群协同稳定性特征图。
6.根据权利要求5所述的多无人机集群编队协同控制方法，其特征在于，基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准，包括：对所述速度引导无人机群协同稳定性特征图进行优化以得到优化速度引导无人机群协同稳定性特征图；以及将所述优化速度引导无人机群协同稳定性特征图通过分类器以得到分类结果，所述分类结果用于表示所述多无人机集群的协同稳定性是否符合预定标准。
7.一种多无人机集群编队协同控制系统，其特征在于，包括：数据获取模块，用于指定多无人机集群中的第一无人机为虚拟领导者，并获得所述虚拟领导者的实时速度值和位置信息；协同向量构造模块，用于基于所述多无人机集群中其他无人机的实时速度值和所述虚拟领导者的实时速度值构造速度协同输入向量；拓扑矩阵构造模块，用于构造所述多无人机集群的通信拓扑矩阵，其中，所述通信拓扑矩阵中非对角线位置上各个位置的值为相应两个无人机之间的通信距离值；以及多无人机集群的协同稳定性判断模块，用于基于所述速度协同输入向量和所述多无人机集群的通信拓扑矩阵来确定所述多无人机集群的协同稳定性是否符合预定标准。
8.根据权利要求7所述的多无人机集群编队协同控制系统，其特征在于，所述协同向量构造模块，用于：分别计算所述多无人机集群中其他无人机的实时速度值相对于所述虚拟领导者的实时速度值之间的差值以得到由多个实时速度差值组成的所述速度协同输入向量。
9.根据权利要求8所述的多无人机集群编队协同控制系统，其特征在于，所述多无人机集群的协同稳定性判断模块，包括：融合单元，用于融合所述速度协同输入向量和所述通信拓扑矩阵以得到速度引导无人机群协同稳定性特征图；以及性能判断单元，用于基于所述速度引导无人机群协同稳定性特征图，确定所述多无人机集群的协同稳定性是否符合预定标准。
10.根据权利要求9所述的多无人机集群编队协同控制系统，其特征在于，所述融合单元，用于：将所述通信拓扑矩阵和所述速度协同输入向量通过包含卷积神经网络模型和一维卷积层的MetaNet模块以得到所述速度引导无人机群协同稳定性特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196010.0A CN117762166B (zh) | 2024-02-22 | 2024-02-22 | 多无人机集群编队协同控制方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410196010.0A CN117762166B (zh) | 2024-02-22 | 2024-02-22 | 多无人机集群编队协同控制方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117762166A true CN117762166A (zh) | 2024-03-26 |
| CN117762166B CN117762166B (zh) | 2024-06-11 |
Family
ID=90314837
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410196010.0A Active CN117762166B (zh) | 2024-02-22 | 2024-02-22 | 多无人机集群编队协同控制方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117762166B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118625837A (zh) * | 2024-08-12 | 2024-09-10 | 中国人民解放军63921部队 | 一种基于通信拓扑结构切换的无人机集群协同控制系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109116868A (zh) * | 2018-10-31 | 2019-01-01 | 中国人民解放军32181部队 | 分布式无人机编队协同控制方法 |
| CN110377051A (zh) * | 2019-07-04 | 2019-10-25 | 河海大学 | 一种应用于无人机群的时变编队蜂拥控制方法 |
| CN111552314A (zh) * | 2020-05-09 | 2020-08-18 | 北京航空航天大学 | 多无人机自适应编队跟踪控制方法 |
| CN113050677A (zh) * | 2021-02-26 | 2021-06-29 | 西安电子科技大学 | 多无人机队形保持和变换的控制方法、系统、存储介质 |
| CN113253764A (zh) * | 2021-07-14 | 2021-08-13 | 北京大学 | 一种基于降维观测器的无人集群仿射编队控制方法 |
| CN114840027A (zh) * | 2022-07-01 | 2022-08-02 | 南京理工大学 | 异构四旋翼飞行器编队姿态容错控制方法 |
| CN115033016A (zh) * | 2022-05-17 | 2022-09-09 | 浙江大学 | 一种异构无人集群编队避障方法及系统 |
| CN115390583A (zh) * | 2022-07-21 | 2022-11-25 | 电子科技大学 | 无人机集群鲁棒分布式固定时间二部包含控制方法 |
| CN115657726A (zh) * | 2022-11-15 | 2023-01-31 | 杭州国科骏飞光电科技有限公司 | 一种多无人机的控制切换方法 |
| CN115793717A (zh) * | 2023-02-13 | 2023-03-14 | 中国科学院自动化研究所 | 群体协同决策方法、装置、电子设备及存储介质 |
| CN116107216A (zh) * | 2023-03-08 | 2023-05-12 | 哈尔滨工程大学 | 一种考虑执行器故障的uuv自适应容错集群协调控制方法 |
| CN117177208A (zh) * | 2023-09-15 | 2023-12-05 | 南京航空航天大学 | 一种考虑随机通讯时延的集群无人机协同容错控制方法 |
-
2024
- 2024-02-22 CN CN202410196010.0A patent/CN117762166B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109116868A (zh) * | 2018-10-31 | 2019-01-01 | 中国人民解放军32181部队 | 分布式无人机编队协同控制方法 |
| CN110377051A (zh) * | 2019-07-04 | 2019-10-25 | 河海大学 | 一种应用于无人机群的时变编队蜂拥控制方法 |
| CN111552314A (zh) * | 2020-05-09 | 2020-08-18 | 北京航空航天大学 | 多无人机自适应编队跟踪控制方法 |
| CN113050677A (zh) * | 2021-02-26 | 2021-06-29 | 西安电子科技大学 | 多无人机队形保持和变换的控制方法、系统、存储介质 |
| CN113253764A (zh) * | 2021-07-14 | 2021-08-13 | 北京大学 | 一种基于降维观测器的无人集群仿射编队控制方法 |
| CN115033016A (zh) * | 2022-05-17 | 2022-09-09 | 浙江大学 | 一种异构无人集群编队避障方法及系统 |
| CN114840027A (zh) * | 2022-07-01 | 2022-08-02 | 南京理工大学 | 异构四旋翼飞行器编队姿态容错控制方法 |
| CN115390583A (zh) * | 2022-07-21 | 2022-11-25 | 电子科技大学 | 无人机集群鲁棒分布式固定时间二部包含控制方法 |
| CN115657726A (zh) * | 2022-11-15 | 2023-01-31 | 杭州国科骏飞光电科技有限公司 | 一种多无人机的控制切换方法 |
| CN115793717A (zh) * | 2023-02-13 | 2023-03-14 | 中国科学院自动化研究所 | 群体协同决策方法、装置、电子设备及存储介质 |
| CN116107216A (zh) * | 2023-03-08 | 2023-05-12 | 哈尔滨工程大学 | 一种考虑执行器故障的uuv自适应容错集群协调控制方法 |
| CN117177208A (zh) * | 2023-09-15 | 2023-12-05 | 南京航空航天大学 | 一种考虑随机通讯时延的集群无人机协同容错控制方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118625837A (zh) * | 2024-08-12 | 2024-09-10 | 中国人民解放军63921部队 | 一种基于通信拓扑结构切换的无人机集群协同控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117762166B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zou et al. | Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network | |
| KR20190119548A (ko) | 이미지 노이즈 처리방법 및 처리장치 | |
| CN113498095B (zh) | 用于预测无线通信链路的未来服务质量的方法、装置和计算机程序产品 | |
| CN110516512B (zh) | 行人属性分析模型的训练方法、行人属性识别方法及装置 | |
| Li et al. | A novel spatial-temporal graph for skeleton-based driver action recognition | |
| D'Aloia et al. | Iot indoor localization with ai technique | |
| KR20210077977A (ko) | 지능형 전자 디바이스 및 이를 이용한 얼굴 인식 방법 | |
| JP7351397B2 (ja) | 通信品質を予測するシステム、装置、方法及びプログラム | |
| Kanapram et al. | Collective awareness for abnormality detection in connected autonomous vehicles | |
| KR20190106946A (ko) | 지능형 디바이스 및 그 제어 방법 | |
| Qureshi et al. | Neurocomputing for internet of things: object recognition and detection strategy | |
| CN114281091A (zh) | 一种基于行为识别的无人机集群内部信息传递方法 | |
| CN117762166B (zh) | 多无人机集群编队协同控制方法及其系统 | |
| Liu et al. | Multiple UAVs collaborative traffic monitoring with intention-based communication | |
| CN118209095A (zh) | 一种基于Ai算法的巡检无人机路径规划系统 | |
| CN116954264A (zh) | 分布式高亚音速无人机集群控制系统及其方法 | |
| Oka et al. | Spatial feature-based prioritization for transmission of point cloud data in 3D-image sensor networks | |
| CN116311357A (zh) | 基于MBN-Transformer模型的不平衡牛身数据的双边识别方法 | |
| Faramondi et al. | Distributed c-means clustering via broadcast-only token passing | |
| CN114724245A (zh) | 基于csi的增量学习人体动作识别方法 | |
| CN113949826A (zh) | 一种通信带宽有限条件下无人机集群协同侦察方法及系统 | |
| Mukhtar | Machine learning enabled-localization in 5g and lte using image classification and deep learning | |
| CN114372999A (zh) | 一种对象检测方法、装置、电子设备和存储介质 | |
| KR20170083785A (ko) | Rgb 카메라를 이용한 복수의 회선신경망의 결정정보에 기초한 물체 인공비전인식 시스템 및 학습방법 | |
| CN113762043A (zh) | 异常轨迹识别方法及装置 |
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 |