一种基于偏差优化启发式算法的无人集群编队控制方法与流程

1.本发明涉及无人集群编队技术领域，具体涉及一种基于偏差优化启发式算法的无人集群编队控制方法。


背景技术：

2.近年来无人集群技术已成为无人控制领域的一大研究热点，特别是在军事应用方面，无人集群作战系统将成为未来战场侦察监视、火力突击的主力。而在无人集群技术中，编队控制方法是一大重要基础，研究如何实现高精度队形保持、高效率避障具有重要意义。
3.现有技术中集群编队控制方法主要有领航跟随法、虚拟结构法、基于行为法和人工势场法。而现有的这些方法中，领航跟随法存在外界干扰时很难保持队形稳定、鲁棒性较差的问题，虚拟结构法刚性运动的设定限制了其应用范围，基于行为法对编队系统数学模型的建立要求较高，人工势场法存在局部极值的问题。


技术实现要素：

4.本发明的目的是为了提供一种基于偏差优化启发式算法的无人集群编队控制方法。此方法旨在解决传统方法中外界干扰时很难保持队形稳定、鲁棒性较差、对编队系统数学模型的建立要求较高和存在局部极值的问题。
5.为达到上述目的，本发明提供了一种基于偏差优化启发式算法的无人集群编队控制方法，包括：
6.步骤s1：无人集群实时探测所在周围环境，构建环境地图模型；
7.步骤s2：将编队控制系统初始化；
8.步骤s3：基于偏差情况对所述无人集群加速度进行更新；
9.步骤s4：根据编队一致性和安全性，构建代价函数，根据所述代价函数得到的代价值，更新最优解；
10.步骤s5：进行循环迭代，得到当前最优的加速度控制方式；
11.步骤s6：所述无人集群的前进过程中，重复步骤s1-s5，实时选择当前最优的加速度控制方式，直至所述无人集群到达目标终点。
12.优选的，在所述步骤s2中，所述编队控制系统初始化包括：
13.确定粒子个数和最大迭代次数，根据所述无人集群起始位置，对算法中粒子的状态进行初始化。
14.优选的，所述粒子的状态包括粒子加速度、粒子速度和粒子位置。
15.优选的，在所述步骤s3中，所述基于偏差情况包括位置和速度的偏差。
16.优选的，基于偏差情况对所述无人集群加速度进行更新，其具体为：面向二维平面的集群编队控制，对每一无人机，基于位置与速度偏差分别在x、y两个方向更新粒子的加速度，得到下一时刻第i个粒子在第j维方向上的加速度的表达式为：
[0017][0018]
其中，c1、c2、c3、c4和c5均为正常数；
[0019]
r1、r2、r3、r4和r5均为在区间[0,1]上均匀分布的随机数；
[0020]
a表示加速度，v表示速度；
[0021]
t表示当前时刻，t+1表示下一时刻；
[0022]
为粒子i迭代过程中的最优位置；
[0023]
p
gj
为所有粒子中的最优位置；
[0024]
为粒子i迭代过程中最优速度；
[0025]vgj
为所有粒子中的最优速度。
[0026]
优选的，根据旋翼无人机的实际性能指标对更新后的加速度大小进行限制，即a
ij
(t+1)∈[-a
max
,a
max
]，对限幅后的加速度a
ij
(t+1)进行积分，求解得到粒子下一时刻的速度v
ij
(t+1)；
[0027]
根据旋翼无人机的实际性能对速度大小进行限制，即v
ij
(t+1)∈[v
min
,v
max
]，对限幅后的速度v
ij
(t+1)进行积分，得到粒子下一时刻的位置p
ij
(t+1)。
[0028]
优选的，在步骤s4中，所述编队一致性包括：所述编队的位置一致性和速度一致性。
[0029]
优选的，在步骤s4中，所述编队安全性包括：队内无人机之间的安全性和集群躲避外部障碍区的安全性。
[0030]
优选的，在步骤s4中，构建的所述代价函数的表达式为：
[0031]
j＝w1j
p
+w2jv+w3jm+w1j
in
+w4j
ob
+w5jf[0032]
其中：w1、w2、w3、w4和w5均为权重系数，w3和w4的数值均大于w1、w2和w5的数值，以集群安全性为首要要求；
[0033]jp
为集群队形与预定队形之间的位置偏差；
[0034]jv
为集群内部无人机的速度偏差；
[0035]jin
为集群内部无人机之间的距离代价，当且仅当无人机之间距离均大于最小安全距离d
min
时j
in
＝0；
[0036]job
为集群躲避障碍区的代价，在集群前进过程中实时探测障碍区，当且仅当集群完全避开障碍区时j
ob
＝0；
[0037]
jf为无人集群与目标航迹之间的代价。
[0038]
优选的，在步骤s5中，循环迭代，最终得到当前最优的加速度控制方式，其具体为：循环迭代，直至达到最大迭代次数t，选择对应全局适应度最高的粒子加速度为当前无人机的加速度控制策略。
[0039]
与现有技术相比，本发明具有以下有益效果：
[0040]
本发明利用一种偏差优化启发式算法优化无人集群的加速度大小和方向，以使无人集群在保证安全性的情况下按照指定的编队队形飞行，具有可操作性强、控制精度高、鲁棒性强的优势。
附图说明
[0041]
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，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：
[0042]
图1为本发明一实施例提供的一种基于偏差优化启发式算法的无人集群编队控制方法的流程示意图。
具体实施方式
[0043]
以下结合附图1和具体实施方式对本发明提出的一种基于偏差优化启发式算法的无人集群编队控制方法作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
[0044]
本实施例提供一种基于偏差优化启发式算法的无人集群编队控制方法，能快速而准确地选择最佳的无人机加速度控制方式，满足无人集群高精度高效率的编队避障需求，所述基于偏差优化启发式算法的无人集群编队控制方法，如图1所示，包括：
[0045]
步骤s1：无人集群实时探测所在周围环境，构建环境地图模型；
[0046]
步骤s2：将编队控制系统初始化。
[0047]
在所述步骤s2中，所述编队控制系统初始化包括：
[0048]
确定粒子个数和最大迭代次数，根据所述无人集群起始位置，对算法中粒子的状态进行初始化。
[0049]
所述粒子的状态包括粒子加速度、粒子速度和粒子位置。
[0050]
步骤s3：基于偏差情况对所述无人集群加速度进行更新。
[0051]
所述基于偏差情况包括位置和速度的偏差。
[0052]
基于偏差情况对所述无人集群加速度进行更新，其具体为：面向二维平面的集群编队控制，对每一无人机，基于位置与速度偏差分别在x、y两个方向更新粒子的加速度，得到下一时刻第i个粒子在第j维方向上的加速度的表达式为：
[0053][0054]
其中，c1、c2、c3、c4和c5均为正常数；
[0055]
r1、r2、r3、r4和r5均为在区间[0,1]上均匀分布的随机数；
[0056]
a表示加速度，v表示速度；
[0057]
b为best，非变量，表示“最优”；
[0058]
t表示当前时刻，t+1表示下一时刻；
[0059]
为粒子i迭代过程中的最优位置；
[0060]
p
gj
为所有粒子中的最优位置；
[0061]
为粒子i迭代过程中最优速度；
[0062]vgj
为所有粒子中的最优速度。
[0063]
本实施例中，以旋翼无人机为例，根据旋翼无人机的实际性能指标对更新后的加速度大小进行限制，即a
ij
(t+1)∈[-a
max
,a
max
]，对限幅后的加速度a
ij
(t+1)进行积分，求解得到粒子下一时刻的速度v
ij
(t+1)。
[0064]
根据旋翼无人机的实际性能对速度大小进行限制，即v
ij
(t+1)∈[v
min
,v
max
]，对限幅后的速度v
ij
(t+1)进行积分，得到粒子下一时刻的位置p
ij
(t+1)。
[0065]
仿真中基于公式积分得到无人机下一时刻的位置信息和速度信息，通过连续仿真得到无人机编队的飞行轨迹。
[0066]
步骤s4：根据编队一致性、安全性构建代价函数，根据代价值更新最优解。无人集群保持固定队形沿预设航路飞行，过程中利用机载传感器探测障碍区，避障时不再严格要求队形保持，但过后仍需恢复原定队形继续沿预设航路飞行，基于此，构建代价函数需同时考虑集群位置一致性、速度一致性、队内无人机之间的安全性、集群躲避外部障碍区的安全性、轨迹跟踪。
[0067]
构建的所述代价函数的表达式为：
[0068]
j＝w1j
p
+w2jv+w3jm+w1j
in
+w4j
ob
+w5jfꢀꢀꢀ
(2)
[0069]
其中：w1、w2、w3、w4和w5均为权重系数，w3和w4的数值均大于w1、w2和w5的数值，以集群安全性为首要要求；
[0070]jp
为集群队形与预定队形之间的位置偏差；
[0071]jv
为集群内部无人机的速度偏差；
[0072]jin
为集群内部无人机之间的距离代价，当且仅当无人机之间距离均大于最小安全距离d
min
时，j
in
＝0；
[0073]job
为集群躲避障碍区的代价，在集群前进过程中实时探测障碍区，当且仅当集群完全避开障碍区时，j
ob
＝0；
[0074]
jf为无人集群与目标航迹之间的代价。
[0075]
基于上述式(2)中的代价函数衡量每个粒子的适应度，更新粒子i的最优位置、最优速度，更新所有粒子中的全局最优位置和最优速度。
[0076]
步骤s5：进行循环迭代，得到当前最优的加速度控制方式。
[0077]
在上述步骤s5中，循环迭代，最终得到当前最优的加速度控制方式，其具体为：循环迭代，直至达到最大迭代次数t，选择对应全局适应度最高的粒子加速度为当前无人机的加速度控制策略。
[0078]
步骤s6：所述无人集群的前进过程中，重复所述步骤s1-s5，实时选择当前最优的加速度控制方式，直至所述无人集群到达目标终点。
[0079]
综上所述，本实施例中提出了一种偏差优化启发式算法对无人机的加速度控制进行优化，从而实现对集群的编队控制，无人机的加速度在进化过程中不断向适应度高的粒子学习，利用代价函数不断逼近全局最优，最终得到最佳的加速度控制方式，本实施例利用
一种偏差优化启发式算法优化无人集群的加速度大小和方向，以使无人集群在保证安全性的情况下按照指定的编队队形飞行，具有可操作性强、控制精度高、鲁棒性强的优势。
[0080]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0081]
应当注意的是，在本文的实施方式中所揭露的装置和方法，也可以通过其他的方式实现。以上所描述的装置实施方式仅仅是示意性的，例如，附图中的流程图和框图显示了根据本文的多个实施方式的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用于执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0082]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。