CN103576692A - 一种多无人机协同飞行方法 - Google Patents

Abstract

本发明属于多无人机技术领域，具体涉及一种可用于多无人机目标跟踪、航迹优化、协同管理、协同飞行、任务分配的多无人机协同飞行方法。本发明包括：确定飞行任务目标数，确定多无人机中引领机和跟随机的运行参数；通过领航标志设置决定每个任务分组的跟随机是否应该跟随飞往任务目标，0表示引领机还没有返回，1时表示已经返回，可以开始跟随飞行；设置引领机的飞行状态，0表示搜索飞往目标的过程中；1表示返回出发地的过程中；2表示引领跟随机飞往任务目标的过程中；引领机分别飞往各自的任务目的地，到达后返回出发地。本发明信息共享使多无人机协同飞行更加具有自主性、灵活性、安全性，提高了多无人机协同执行任务的效率。

Description

一种多无人机协同飞行方法

技术领域

本发明属于多无人机技术领域，具体涉及一种可用于多无人机目标跟踪、航迹优化、协同管理、协同飞行、任务分配的多无人机协同飞行方法。

背景技术

在未来复杂多变的信息化战场环境下，单架无人机将会很难完成任务，很多情况下必须通过协同控制飞行的多架无人机才能完成；每个无人机都要求一个1到3人的机组人员分配，协商和协调许多人类战士。除了人类操作员的成本，这个方法遇到不能解决的挑战，如何达到协同。在当今科技的制约下，想要无人驾驶机到达飞行员那样强大的信息处理能力与智能还是相当困难，如果通过模仿自然界生物的群聚现象，在数量上占绝对优势的无人机利用群聚智能就能达到甚至超越在数量上占劣势的有人驾驶机。分析生物***的进化特征与行为规律，将生物群体智能的某些原理和行为与多无人机协同控制理论相结合，具有广阔的工程应用前景。目前无人机群协同飞行及航迹规划方面的研究在国内外虽已取得了一定的研究成果，但还没有统一的理论和行之有效的方法。

在大自然的各种生物群中，像蜜蜂、蚂蚁、鸟类等，他不是某一个角色来协调其他自主的个体，但其整体却可以表现一种有序、协调和智能的状态。如本文所研究的蜂群算法，蜜蜂间就可以通过自组织，来完成某些任务。这些群体都是通过彼此之间的相互协作，去完成单个个体无法完成的任务，虽然每一个个体都做一种简单的动作行为，但通过交互、协调，最终却完成搜索、预防、觅食等多种智能的行为。也有许多学者研究生物的自组织行为，如：蚁群算法、boids算法、鱼群算法、蜂群算法等仿生学算法，并且把他们广泛地用于各个研究领域，取得了许多成果。比如，苏菲等人提出基于蚁群算法的无人机协同任务分配，参见：苏菲，陈岩，沈林成.基于蚁群算法的无人机协同多任务分配，.航空学报，2008,29(S1):184-191页。段海滨等人提出了基于混沌蜂群优化算法的无人机航迹规划优化算法，参见Xu,Chunfang,Duan,Haibin;Liu,Fang，Chaotic artificial bee colony approach to Uninhabited Combat Air Vehicle(UCAV)path planning，Aerospace Science and Technology，14(8),p535-541，2010。也有许多传统的数学方法用于多无人机协同问题。比如田菁提出多无人机协同侦察任务规划建模技术，参见：田菁，多无人机协同侦察任务规划问题建模与优化技术研究，国防科学技术大学硕士学位论文，2007。沈延航提出基于搜索理论的多人机协同控制方法，参见：沈延航，周洲，祝小平，基于搜索理论的多无人机协同控制方法研究，西北工业大学学报，2006(24):367～369。

美国等国家较早重视并开始多无人机的协同研究，在体系结构、协同路径规划等方面进行了研究。参见A.Ollero et a1.Architecture and perception issues in the comets multiuavproject.IEEE Robotics and Automation Magazine.special issue on R＆A in Europe:Projects fundedby the Comm of the EU.2004以及Madhavan Shanmugavel,Antonios Tsourdos，Brian White,RafaZbikowski.Co-operative path planning of multiple UAVs using Dubins paths with clothoid arcs.Control Engineering Practice18(2010)1084–1092P.

Basturk等人最早提出了基于蜂群原理的优化算法，参见Basturk B,Karaboga D.AnArtificial Bee Colony(ABC)Algorithmfor Numeric function Optimization[C].USA,Indiana IEEESwarm Intelligence Symposium,2006:3-4及KarabogaD,BasturkB.Artificial BeeColony(ABC)Optimization Algorithm for Solving Constrained Optimization[J].Foundations of Fuzzy LogicandSoft Computing，2007。

虽然上述传统方法及包括蜂群优化在内的新型的智能优化算法用于无人机航迹规划问题，并已取得了一定的研究成果，但还没有利用社会昆虫群体优势实现无人机集群协同飞行；也没有真正从社会昆虫群体的自然本质出发来实现无人机集群飞行的控制。都没有从模拟蜂群实际生物学行为的角度来解决无人机集群飞行中的协同控制、航迹规划、避碰等关键问题，仅仅从优化的角度出发，求出抽象的问题解，对实际问题作用有限。

将蜂群智能应用于无人机集群飞行模式研究比较新颖，具有非常重要的研究价值和意义。

发明内容

本发明的目的在于提出一种使多无人机能达到良好协同飞行效果，提高多无人机协同执行任务的效率和安全性、可靠性、灵活性和自主性的多无人机航协同飞行方法。

本发明的目的是这样实现的：

本发明包括如下步骤：

（1）确定飞行任务目标数，确定多无人机中引领机和跟随机的运行参数；

（2）通过领航标志设置决定每个任务分组的跟随机是否应该跟随飞往任务目标，0表示引领机还没有返回，1时表示已经返回，可以开始跟随飞行；

（3）设置引领机的飞行状态，0表示搜索飞往目标的过程中；1表示返回出发地的过程中；2表示引领跟随机飞往任务目标的过程中；

（4）引领机分别飞往各自的任务目的地，到达后返回出发地，然后根据各个任务所需的飞机数，随机指定一定数目的飞机按照上述飞行规则跟随对应的引领机飞往任务目标所处的位置，到达后飞行任务结束，其中引领机在每次遇到障碍并避碰后，将重新搜索飞往目的地的路线，即重新确定速度的方向。

引领机在搜索目标和返回以及引领跟随机的过程中，与所有其它飞机遵循蜂群避碰规则；跟随机在飞行过程中遵循蜂群内聚、对齐、避碰和随机规则；所述的运行参数包括更新速度权值w_cohere、w_avoid、w_align、w_random，最大加速度a_max、换算因子α、视野距离d_vis、最小距离d_min、最大速度v_max，其中更新速度权值w_cohere=w_avoid=w_align=w_random=a_max=0.3，α=0.75，其他参数值w=0.8，v_max=1.55，d_vis=30，d_min=15，所有引领机以v_max速度飞行。

引领机及跟随机避碰规则，其步骤和特征在于：

（1）检查飞机的下一位置是否和障碍物内发生碰撞

首先临时设置新的位置，然后判断新的位置是否在飞机避碰距离内；

（2）通过判断跟随机群的位置决定是否开始绕过障碍物的飞行；

计算得到的跟随机中心位置，如果它们之间的距离小于2倍的避碰距离，则开始绕过障碍物的飞行。

（3）引领机绕过障碍物

根据飞行标志和由于哪种运动发生碰撞，确定引领机的新位置。引领机改变方向绕过障碍物。

（4）跟随机绕过障碍物（如果发生碰撞）

跟随机如果在绕过障碍物之前会发生碰撞，则开始和引领机一样的绕过障碍物的飞行，飞行的运动方向与引领机一致。

所述的引入最大加速度值a_max限制速度变化幅度v_new为：

所述的引领机跟随机协同飞行速度更新采用速度加权和v′_new=w_cohere.v_cohere+w_avoid.v_avoid+w_align.v_align+w_random.v_random实现，跟随机到达目标后降低飞行速度采用惯性权重速度更新v(t+1)=w·v(t)+v_new实现。

本发明的有益效果在于：

本发明由于采用引领机引领侦查搜索，跟随机跟随飞行，引领机和跟随机的信息共享策略使多无人机协同飞行更加具有自主性、灵活性、安全性，提高了多无人机协同执行任务的效率；本发明指导多无人机协同飞行、避碰，无需掌握其他先验知识，有极佳的实用性和极好的鲁棒性，对于实际多无人机协同飞行策略有重要意义。

附图说明

图1是本发明实现步骤的流程框图；

图2是引领机出发仿真仿真；

图3是蜂群启发的无人机跟随协同飞行仿真图；

图4是引领机引领跟随机到达目的地仿真。

具体实施方式

本发明采用的技术方案是将蜂群飞行规则引入多无人机协同飞行中以达到更好的多无人机协同飞行性能，并针对多人机协同飞行问题设计了引领机引领搜索、跟随机跟随飞行，提出了多无人机蜂群飞行方法，得到新的多无人机协同方法。

参照图1，本发明的具体实现步骤如下：

实现的基本思想是模拟自然界中蜂群中每只蜜蜂的飞行都要受它邻居蜜蜂飞行状况的影响。蜂群飞行的四个基本规则如下：

聚集规则：通过假设一个蜜蜂趋向于向他周围的个体的中心移动来描述蜜蜂形成一个种群的趋势。

对齐规则：描述的是蜜蜂以相同的速度飞行并且把它作为邻近个体的指导。

避碰规则：蜜蜂避免碰撞的习惯。

随机规则：改变运动的蜜蜂的个体决策。

每个蜜蜂个体行为受到这四个运动则影响。

所有蜜蜂集合设为N，其中某个焦点个体i被看作是它在可视距离d_vis>0之内的邻居个体。

四个规则分别定义为向量形式v_cohere，v_align，v_avoid，v_random，它们是个体i速度更新向量的一部分。下列各式中p_j(j∈N)是引领蜂之外的其他所有蜜蜂的位置，p是引领蜂的位置。

1.聚集

聚集向量v_cohere是蜂群相对于周围蜜蜂的当前位置的所有向量的平均值

$v_{\mathrm{cohere}}=\frac{1}{d_{\mathrm{vis}}}\·\frac{1}{\left|N\right|}\·\underset{j\∈N}{\mathrm{\Σ}}{p}_j-p---\left(1\right)$

式中1/d_vis限制聚集向量在[0,1]之内。

2.对齐

对齐向量v_align作为其周围所有蜜蜂速度v_j的平均值：

$v_{\mathrm{align}}=\frac{1}{v_{\max }}\·\frac{1}{\left|N\right|}\·\underset{j\∈N}{\mathrm{\Σ}}{v}_j---\left(2\right)$

式中v_max>0是当跟随蜂不受侦察蜂影响时的飞行速度最大值（速度向量的长度）限制。1/v_max限制之下，对齐向量处于[0,1]之间。

3.避碰

当避碰最小距离d_min≤d_vis时，避碰向量v_avoid取决于当前蜜蜂的实际位置向量。

$v^{\′}=\frac{1}{d_{\min }}\·\frac{1}{\left|N_{\min }\right|}\·\underset{j\∈N_{\min }}{\mathrm{\Σ}}(p-p_i)\·(\frac{d_{\min }}{|p-p_j|}-1)---\left(3\right)$

$v_{\mathrm{avoid}}=\frac{v^{\′}}{{\left|v^{\′}\right|}^{\mathrm{\α}}}---\left(4\right)$

式中N_min是邻近蜂群的子集，α是避碰换算因子，α∈[0,1]使v_avoid的长度保持在[0,1]内。每个向量v′都在[0,1]范围内。避碰原则保证了蜂群避碰距离远远小于d_min。

4.随机

随机向量v_random定义为：

$v_{\mathrm{random}}=\mathrm{\β}\·\frac{v^{\′\′}}{\left|v^{\′\′}\right|}---\left(5\right)$

式中v′′从[-1,1]中随机选择，缩放因子β限制在[0,1]内，是根据当参数λ=2时指数F(x)=1-e^-λx的分布函数随机选择的。随机原则也可以用于模拟蜂群避碰前方障碍的情况。

四个向量的加权和通过下式更新：

v′_new=w_cohere.v_cohere+w_avoid.v_avoid+w_align.v_align+w_random.v_random   (6)

其中个体的聚集权重w_cohere、避碰权重w_avoid、聚集权重w_align、随机权重w_random是正数。

自然界中真正蜜蜂提升其速度都有一个最大加速度。

为了简化模型，引入最大加速度值a_max限制速度变化幅度v_new为：

在模型中假设跟随蜂距离目标越近速度越小的趋势，引入一个惯性权重w∈(0,1)，使原始速度v(t)随着速度更新不断减小。在每次迭代，速度更新v(t+1)由下式完成：

v(t+1)=w·v(t)+v_new         (8)

每个雇佣蜂的新位置p(t+1)由如下公式确定：

p(t+1)=p(t)+v(t+1)         （9）

本发明的效果可通过以下仿真进一步说明：

1.仿真条件及仿真内容：

仿真分为三个阶段进行，第一个阶段：蜂群行为规则的模拟；第二个阶段：前导无人机出发带领其他无人机执行任务；第三阶段：在第二阶段基础上躲避障碍物。在仿真中，基于蜂群的习惯行为，在仿真开始时候各个无人机处于同一位置，侦察蜂在激活之前，仅仅是聚集，避碰和随机原则适用于在一定时间内获得一个更现实的安排，排除任何的初始布置的副作用，（如果使用了对齐原则，蜂群中的蜜蜂将和其他的相邻蜜蜂对齐）

当侦察蜂激活时开始，衡量蜂群距离目标位置的轨迹长度，这个轨迹长度和初始位置到目标位置的距离对比（最短可能路线）。为了测量蜂群到目标位置的准确性，在蜂群到达最大速度时测量到蜂群中心的距离。

参数值选定如下：设定相同的速度权值w_cohere=w_avoid=w_align=w_random=a_max=0.3。这时四个运动规则可能达到的最大加速度。参数α=0.75，这个值主要是凭借经验得来的，以便蜜蜂能够和邻近的个体保持足够的距离并且相邻蜜蜂不会太大。其他参数值w=0.8，v_max=1.55，d_vis=30，d_min=15。所有侦察蜂以v_max速度飞行。

2.仿真实验内容

仿真中假定有5个目标，选取五架引领机所需的跟随机数目分别为3、1、3、1、2。更改对应组别可以修改需要增加的飞机个数。

初始时状态如图2所示。引导无人机带领相应数目的跟随机抵达目标的飞行状态如图3所示。协同飞行结束状态如图4所示。

在整个协同飞行仿真过程中，引领无人机模拟引领蜂起到前导侦察作用，侦察得出每个目标点所需要的无人机数目，然后通知后面的跟随无人机，一起到达目标完成任务。图中的跟随机在目的地周围徘徊的原因是飞行中的随机原则发挥作用的结果。

3.仿真实验结果

对蜂群飞行模式应用于无人机协同飞行进行仿真，结果表明蜂群飞行模式能够很好地完成多人机协同飞行，达到了利用蜂群飞行模式控制多人机飞行的效果。

Claims (4)

1.一种多无人机协同飞行方法，其特征在于：包括如下步骤：

（1）确定飞行任务目标数，确定多无人机中引领机和跟随机的运行参数；

（2）通过领航标志设置决定每个任务分组的跟随机是否应该跟随飞往任务目标，0表示引领机还没有返回，1时表示已经返回，可以开始跟随飞行；

（3）设置引领机的飞行状态，0表示搜索飞往目标的过程中；1表示返回出发地的过程中；2表示引领跟随机飞往任务目标的过程中；

（4）引领机分别飞往各自的任务目的地，到达后返回出发地，然后根据各个任务所需的飞机数，随机指定一定数目的飞机按照上述飞行规则跟随对应的引领机飞往任务目标所处的位置，到达后飞行任务结束，其中引领机在每次遇到障碍并避碰后，将重新搜索飞往目的地的路线，即重新确定速度的方向。

2.根据权利要求1所述的一种多无人机协同飞行方法，其特征在于：所述的引领机在搜索目标和返回以及引领跟随机的过程中，与所有其它飞机遵循蜂群避碰规则；跟随机在飞行过程中遵循蜂群内聚、对齐、避碰和随机规则；所述的运行参数包括更新速度权值w_cohere、w_avoid、w_align、w_random，最大加速度a_max、换算因子α、视野距离d_vis、最小距离d_min、最大速度v_max，其中更新速度权值w_cohere=w_avoid=w_align=w_random=a_max=0.3，α=0.75，其他参数值w=0.8，v_max=1.55，d_vis=30，d_min=15，所有引领机以v_max速度飞行。

3.根据权利要求1所述的一种多无人机协同飞行方法，其特征在于：所述的引领机及跟随机避碰规则，其步骤和特征在于：

（1）检查飞机的下一位置是否和障碍物内发生碰撞

首先临时设置新的位置，然后判断新的位置是否在飞机避碰距离内；

（2）通过判断跟随机群的位置决定是否开始绕过障碍物的飞行；

计算得到的跟随机中心位置，如果它们之间的距离小于2倍的避碰距离，则开始绕过障碍物的飞行；

（3）引领机绕过障碍物

根据飞行标志和由于哪种运动发生碰撞，确定引领机的新位置，引领机改变方向绕过障碍物；

（4）跟随机绕过障碍物（如果发生碰撞）

跟随机如果在绕过障碍物之前会发生碰撞，则开始和引领机一样的绕过障碍物的飞行，飞行的运动方向与引领机一致。

4.根据权利要求1所述的一种多无人机协同飞行方法，其特征在于：所述的引入最大加速度值a_max限制速度变化幅度v_new为：

所述的引领机跟随机协同飞行速度更新采用速度加权和v′_new=w_cohere.v_cohere+w_avoid.v_avoid+w_align.v_align+w_random.v_random实现，跟随机到达目标后降低飞行速度采用惯性权重速度更新v(t+1)=w·v(t)+v_new实现。

Images