CN109765928A - 基于移动多智能体编队的协作式控制与目标跟踪方法 - Google Patents

Abstract

本发明涉及基于移动多智能体编队的协作式控制与目标跟踪方法。目前运用多智能体控制对运动目标进行编队式跟踪的研究还较为缺乏。本发明方法通过运用Kalman算法对目标运动状态进行估计计算，得到一条目标运动的估计轨迹。然后，采用一致性算法，对多智能体***进行控制使其形成编队。最后，通过传感器控制方法对目标估计轨迹进行跟踪。本发明方法选择高斯噪声环境下Kalman滤波器对目标运动进行估计，并通过一致性理论实验了传感器控制与目标跟踪过程，加深了传统算法中对传感器控制问题及目标跟踪问题的结合，大大提高了跟踪稳定性。

Description

基于移动多智能体编队的协作式控制与目标跟踪方法

技术领域

本发明属于计算机技术领域，具体是多传感器目标跟踪领域，涉及一种基于移动多智能体编队的协作式控制与目标跟踪方法。

背景技术

在当今的技术发展与社会服务中，由于执行任务复杂度的提高，单一的智能体已经无法完成越来越复杂的任务需求，需要通过多个智能体的协同作战来共同完成任务。而多智能体协调控制***因其兼具分布式感知与执行能力以及整体的协调并行能力，并且具有较强的鲁棒性和容错性而得到广泛关注。目前对于多智能体***的控制方法主要有即基于行为法、人工势场法、跟随领航法(Leader-Follower)和虚拟结构法，其中应用较为广泛的是跟随领航法。目标跟踪控制是实现多智能体***智能性的关键内容，主要分为路径规划和轨迹跟踪两部分。其中基于几何法的路径规划方法简单便捷，本发明中用到的就是一种基于Kalman滤波器的几何法路径规划算法。目前，单一的多传感器控制算法以及单一的目标跟踪算法已经有了深入的研究，但是运用多智能体控制对运动目标进行编队式跟踪的研究还较为缺乏。

发明内容

本发明针对现有技术的不足，提供一种基于移动多智能体编队的协作式控制与目标跟踪方法。本发明方法通过运用Kalman算法对目标运动状态进行估计计算，得到一条目标运动的估计轨迹。然后，采用一致性算法，对多智能体***进行控制使其形成编队。最后，通过传感器控制方法对目标估计轨迹进行跟踪。

本发明方法包括以下各步骤：

步骤(1).依据观测器返还数据对目标状态进行估计：

步骤(1-1).依次建立目标状态方程、观测方程以及杂波方程：

状态方程：x_k＝Ax_k-1+μ_k；

观测方程：z_k＝Hx_k+υ_k(x_k,s_k)；

杂波方程：

其中，A为状态转移矩阵，z_k为目标状态观测值，为杂波量测，H为状态观测矩阵；μ_k、υ_k为状态噪声和观测噪声，均满足零均值，协方差为Q和R的高斯噪声，即μ_k～N(0,Q_k)，υ_k～N(0,R_k)，。

观测***方程和观测噪声受传感器状态s_k的影响，杂波量测满足强度为λ_k，分布为c_k(U)的强度分布函数，其中U为观测区域。

步骤(1-2).描述目标状态估计问题为如下极大后验估计问题：

其中，为目标状态估计值，表示概率；

采用最近邻算法获取目标量测，即满足如下条件的马氏距离获得目标有效量测：

其中，z_k,i表示第i个信号点状态观测值，表示状态观测预测值，表示状态预测值，S_k|k-1表示传感器状态。

考虑到漏检问题的存在，选取最小的马氏距离η_min，即当所有z_k,i∈z_k，时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

虑到观测噪声受目标状态和传感器状态共同影响，其强度满足如下的方程：

其中，D₀，R₀是给定的正定常数矩阵，I表示单位矩阵；

即目标状态和传感器状态之间的距离差值，影响目标观测的噪声方差，即满足如下的增益矩阵：

步骤(1-3).采用Kalman递推算法进行状态预测，方法如下：

***状态预测：

预测误差协方差：

滤波增益矩阵：

***状态更新：

误差协方差更新：

经过反复的迭代计算，可以得到每个时刻目标运动状态的估计值，在几何坐标上表示为一条目标运动的估计轨迹。

步骤(2).多智能体编队控制：

假设多移动智能体方程如下：

s_k,i＝A_k,is_k,i+B_k,iu_k,i,i＝1,2,3；y_k,i＝Cs_k,i；

当i＝1时，对应多智能体***中的头结点，有：λ为一常数，C为输出增益矩阵；

当i＝2,3时，对应其它子节点，有：

将智能体的位置和速度表示为：

其中，s为智能体状态，P_x,k,P_y,k为智能体运动的位置向量，表示智能体运动的速度向量，T表示转置；

将智能体运动的二维平面划分为四个象限，并设定一个编队偏差角θ，在每一时刻根据智能体运动速度方向所处的象限，计算与偏差角θ之间的差值，以这个差值的增益值作为子节点运动的控制量，在每一时刻修正子节点运动方向和角度，使子节点在编队运动过程中始终可以和头结点保持固定编队运动。

步骤(3).具有移动跟踪的多智能体编队控制：

在步骤(1)中得到目标运动状态估计轨迹作为多智能体***中头结点的跟踪对象；通过步骤(2)的一致性传感器控制方法使多智能形成编队，仅由头结点获取目标状态信息然后跟踪，其它子节点通过一致性原理与头结点保持一定编队运动。

本发明的有益效果：利用传感器控制方法使多智能体形成编队对目标运动轨迹进行跟踪，可使多智能体***对获取目标信息的利用率得到提高，智能体编队中仅由头结点获取目标运动状态信息，其它子节点只与相邻节点保持局部感知，智能体编队形成更快、队形保持更稳定。相较于传统目标跟踪手段，本发明提出的算法有效提高了跟踪稳定性。

附图说明

图1是目标跟踪过程中传感器速度变化图；

图2是Kalman过程中目标状态估计图；

图3是传感器控制过程中传感器速度变化图；

图4是编队控制效果图；

图5是具有移动跟踪的多智能体协调控制图。

具体实施方式

以下结合附图对本发明作进一步说明。

基于移动多智能体编队的协作式控制与目标跟踪方法，包括以下各步骤：

步骤(1).依据观测器返还数据对目标状态进行估计：

步骤(1-1).依次建立目标状态方程、观测方程以及杂波方程：

状态方程：x_k＝Ax_k-1+μ_k (1)；

观测方程：

杂波方程：

其中，A为状态转移矩阵，z_k为目标状态观测值，为杂波量测，φ为空集，H为状态观测矩阵，μ_k,υ_k为状态噪声和观测噪声，均满足零均值，协方差为Q和R的高斯噪声，即μ_k～N(0,Q_k)，υ_k～N(0,R_k)；

观测***方程和观测噪声受传感器状态s_k的影响，杂波量测满足强度为λ_k，分布为c_k(U)的强度分布函数，其中U为观测区域，为简单起见，假设杂波分布满足均匀分布。P_D(x_k,s_k)是目标的检测概率，其大小依赖于目标状态x_k和传感器状态s_k，考虑线性观测器，那么目标的观测方程简化为：

z_k＝Hx_k+υ_k(x_k,s_k) (4)；

观测方程中的噪声受传感器状态的影响，由于目标具有非合作特点，因此，目标运动不受控制，和原来的线性方程一致。

步骤(1-2).描述目标状态估计问题为如下极大后验估计问题：

其中， 为目标状态估计值，表示概率。

由于杂波的干扰，需要考虑关联算法，获取目标的真实量测(或者有效量测)，由于只考虑单目标的运动，在本发明中，采用最近邻算法获取目标量测，即满足如下条件的马氏距离获得目标有效量测：

其中，z_k,i表示第i个信号点状态观测值，表示状态观测预测值，表示状态预测值，S_k|k-1表示传感器状态。

考虑到漏检问题的存在，选取最小的马氏距离η_min，即当所有z_k,i∈z_k，时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

考虑到观测噪声受目标状态和传感器状态共同影响，假设其强度满足如下的方程：

上式中D₀，R₀是给定的正定常数矩阵，I表示单位矩阵，上式表示，目标状态和传感器状态之间的距离差值，影响目标观测的噪声方差，即满足如下的增益矩阵：

步骤(1-3).采用Kalman递推算法进行状态预测，方法如下：

***状态预测：

预测误差协方差：

滤波增益矩阵：

***状态更新：

误差协方差更新：

经过反复的迭代计算，可以得到每个时刻目标运动状态的估计值，在几何坐标上表示为一条目标运动的估计轨迹。

传感器速度估计效果见图1，目标状态估计效果见图2。

步骤(2).多智能体编队控制：

假设多移动智能体方程如下：

s_k,i＝A_k,is_k,i+B_k,iu_k,i,i＝1,2,3；

y_k,i＝Cs_k,i；

当i＝1时，对应多智能体***中的头结点，有：其中λ为一常数，C为输出增益矩阵；

当i＝2,3时，对应其它子节点，有：

对于编队保持问题，根据头结点与其它子节点之间的位置误差关系，本发明方法给出了一种基于偏差角的编队形成与保持方法。可以将智能体的位置和速度表示为：

其中，s表示智能体状态，P_x,k,P_y,k为智能体运动的位置向量，表示智能体运动的速度向量，T表示转置。

将智能体运动的二维平面划分为四个象限，并设定一个编队偏差角θ，在每一时刻根据智能体运动速度方向所处的象限，计算与偏差角θ之间的差值，以这个差值的一定增益值作为子节点运动的控制量，在每一时刻修正子节点运动方向和角度，使子节点在编队运动过程中始终可以和头结点保持固定编队运动。

智能通体速度控制效果见图3，编队形成效果见图4。

步骤(3).具有移动跟踪的多智能体编队控制：

在步骤(1)中得到目标运动状态估计轨迹作为多智能体***中头结点的跟踪对象。通过步骤(2)的一致性传感器控制方法使多智能形成编队，仅由头结点获取目标状态信息然后跟踪，其它子节点通过一致性原理与头结点保持一定编队运动。

具有移动跟踪的多智能体编队控制效果见图5。

Claims (1)

1.基于移动多智能体编队的协作式控制与目标跟踪方法，其特征在于该方法具体步骤包括：

步骤(1).依据观测器返还数据对目标状态进行估计：

步骤(1-1).依次建立目标状态方程、观测方程以及杂波方程：

状态方程：x_k＝Ax_k-1+μ_k；

观测方程：z_k＝Hx_k+υ_k(x_k,s_k)；

杂波方程：

其中，A为状态转移矩阵，z_k为目标状态观测值，为杂波量测，H为状态观测矩阵；μ_k、υ_k为状态噪声和观测噪声，均满足零均值，协方差为Q和R的高斯噪声，即μ_k～N(0,Q_k)，υ_k～N(0,R_k)；

观测***方程和观测噪声受传感器状态s_k的影响，杂波量测满足强度为λ_k，分布为c_k(U)的强度分布函数，其中U为观测区域；

步骤(1-2).描述目标状态估计问题为如下极大后验估计问题：

其中，为目标状态估计值， 表示概率；

采用最近邻算法获取目标量测，即满足如下条件的马氏距离获得目标有效量测：

其中，z_k,i表示第i个信号点状态观测值，表示状态观测预测值，表示状态预测值，S_k|k-1表示传感器状态；

考虑到漏检问题的存在，选取最小的马氏距离η_min，即当所有z_k,i∈z_k，时，表示目标漏检，没有量测产生，此时，目标的状态估计采用预测值，即

考虑到观测噪声受目标状态和传感器状态共同影响，其强度满足如下的方程：

其中，D₀，R₀是给定的正定常数矩阵，I表示单位矩阵；

即目标状态和传感器状态之间的距离差值，影响目标观测的噪声方差，满足如下的增益矩阵：

步骤(1-3).采用Kalman递推算法进行状态预测，方法如下：

***状态预测：

预测误差协方差：

滤波增益矩阵：

***状态更新：

误差协方差更新：

经过反复的迭代计算，得到每个时刻目标运动状态的估计值，在几何坐标上表示为一条目标运动的估计轨迹；

步骤(2).多智能体编队控制：

假设多移动智能体方程为：s_k,i＝A_k,is_k,i+B_k,iu_k,i,i＝1,2,3；y_k,i＝Cs_k,i；

当i＝1时，对应多智能体***中的头结点，有：λ为常数，C为输出增益矩阵；

当i＝2,3时，对应其它子节点，有：

将智能体的位置和速度表示为：

其中，s为智能体状态，P_x,k,P_y,k为智能体运动的位置向量，表示智能体运动的速度向量，T表示转置；

将智能体运动的二维平面划分为四个象限，并设定一个编队偏差角θ，在每一时刻根据智能体运动速度方向所处的象限，计算与偏差角θ之间的差值，以这个差值的增益值作为子节点运动的控制量，在每一时刻修正子节点运动方向和角度，使子节点在编队运动过程中始终可以和头结点保持固定编队运动；

步骤(3).具有移动跟踪的多智能体编队控制：

在步骤(1)中得到目标运动状态估计轨迹作为多智能体***中头结点的跟踪对象；通过步骤(2)的一致性传感器控制方法使多智能形成编队，仅由头结点获取目标状态信息然后跟踪，其它子节点通过一致性原理与头结点保持一定编队运动。