CN116880572B - 一种虚拟蜜蜂飞行控制方法 - Google Patents
一种虚拟蜜蜂飞行控制方法 Download PDFInfo
- Publication number
- CN116880572B CN116880572B CN202311148614.XA CN202311148614A CN116880572B CN 116880572 B CN116880572 B CN 116880572B CN 202311148614 A CN202311148614 A CN 202311148614A CN 116880572 B CN116880572 B CN 116880572B
- Authority
- CN
- China
- Prior art keywords
- bee
- representing
- force
- bees
- obstacle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 title claims abstract description 9
- 241000257303 Hymenoptera Species 0.000 claims abstract description 61
- 238000004088 simulation Methods 0.000 claims abstract description 58
- 238000005381 potential energy Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 239000003795 chemical substances by application Substances 0.000 claims abstract description 10
- 239000002775 capsule Substances 0.000 claims abstract description 9
- 230000016776 visual perception Effects 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000005096 rolling process Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000008447 perception Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims 1
- 230000006399 behavior Effects 0.000 abstract description 26
- 239000012530 fluid Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 235000001968 nicotinic acid Nutrition 0.000 abstract 1
- 230000004438 eyesight Effects 0.000 description 5
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000270298 Boidae Species 0.000 description 1
- 241000272201 Columbiformes Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 241000894007 species Species 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种虚拟蜜蜂飞行控制方法,该方法包括:在仿真空间中构建蜜蜂群模型,将每个蜜蜂模型均作为局部视觉感知的智能体,并且基于局部视觉设定避障条件,在仿真空间创建势能场,将势能场旋度结果作为旋度噪声力,并在相邻的胶囊体之间增加相互作用的排斥力。本发明利用抖动力作为蜜蜂局部动力学特征,并基于视觉感知方法实现障碍物感知和避障行为,进而实现蜜蜂微观层面的运动仿真,并且与流体仿真结合,模拟蜜蜂群固有噪声行为和“之”字舞现象等宏观层面的运动仿真,进而实现模拟各种自然环境中高度逼真的蜜蜂群体,可被用于虚拟现实、计算机动画、影视特效、生物仿生等领域的飞行生物的个性化飞行控制应用。
Description
技术领域
本发明涉及生物仿真技术领域,特别涉及一种虚拟蜜蜂飞行控制方法。
背景技术
作为社会性群体生物,蜜蜂表现出独特的宏观集体行为和局部身体动力特征,在计算机动画、机器人和社会行为等各个领域都有潜在的应用。蜜蜂属于一种特殊的社会性物种,表现出奇特的集体行为和复杂的个体动力学特征。蜜蜂主要依靠视觉搜寻、觅食和躲避捕食者,在飞行过程中表现出独特的身体抖动特征,包括身体上下抖动、前向猛冲和左右摇摆。与鸟类和鱼类不同,蜜蜂群中的个体不会对齐群体的运动趋势,在觅食和抵御入侵者时表现出高度的合作行为时会展现出“之”字形飞行轨迹。
而“之”字形飞行轨迹所产生的原因非常复杂,但是一般认为这种行为是由于蜜蜂基于视觉反复定位和反复飞抵目标所引起。此前的仿真方法通常采用简单的群体规则来模拟紧密跟随的动物群,比如鱼群和鸽群。然而,这些简单的集群规则难以仿真蜜蜂的飞行特征,特别是难以仿真蜜蜂个体的动力学和群体的运动特征。
目前,对于现有的飞行群体模拟控制技术而言,由于蜜蜂群体存在个体不能紧密跟随群体,且蜜蜂飞行过程中存在侧滚飞行,现有技术无法很好地进行仿真控制,导致无法实现较为准确的仿真再现效果。
发明内容
鉴于上述状况,本发明的主要目的是为了提出一种虚拟蜜蜂飞行控制方法,以解决上述技术问题。
本发明提供了一种虚拟蜜蜂飞行控制方法,所述方法包括如下步骤:
步骤1、在仿真空间中构建蜜蜂群模型,蜜蜂群模型包括若干蜜蜂模型;
步骤2、根据蜜蜂实际飞行过程中表现出身体抖动行为,以分别与X、Y和Z轴方向相对应的升力、推力和摇摆力作为驱动蜜蜂模型飞行的抖动力;
步骤3、将每只蜜蜂模型作为局部视觉感知的智能体,给每一个智能体分配固定的有效视域和最深感知深度,并在有效视域和最深感知深度内设定障碍物与智能体之间用于触发避障行为的最短距离,并以蜜蜂模型的速度和障碍物表面最近点的法向量正交作为避障完成条件;
步骤4、在仿真空间创建势能场,对势能场进行旋度操作,将势能场旋度结果作为旋度噪声力;
步骤5、将蜜蜂模型根据其体型视为胶囊体,在相邻的胶囊体之间增加相互作用的排斥力,并在若干蜜蜂模型之间设置有最短间距;
步骤6、通过离散地方式来计算升力、推力和摇摆力来模拟蜜蜂飞行时身体抖动行为的局部动力特征,并在触发避障行为后,根据蜜蜂模型前进方向与障碍物最近点确认翻滚避障方向,根据蜜蜂模型与障碍物之间的距离,控制翻滚角和避障速度,以模拟蜜蜂翻滚避障动作,在达到避障完成条件后结束翻滚避障动作,并恢复水平姿态,进而实现蜜蜂微观层面的运动仿真;
在蜜蜂微观层面的运动仿真的基础上,利用旋度噪声力和抖动力合力通过加速度驱动蜜蜂群模型模拟蜜蜂群体固有噪声行为,并通过蜜蜂模型飞向目标过程中通过排斥力反复将蜜蜂模型推开,以模拟“之”字舞现象,进而实现蜜蜂群宏观层面的运动仿真控制。
本发明利用抖动力作为蜜蜂局部动力学特征,并基于视觉感知方法实现障碍物感知和避障行为,进而实现蜜蜂微观层面的运动仿真。并且在蜜蜂微观层面的运动仿真的基础上与流体仿真结合,以模拟蜜蜂群固有噪声行为和“之”字舞现象等宏观层面的运动仿真,进而实现模拟各种自然环境中高度逼真的蜜蜂群体。
本发明的附加方面与优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实施例了解到。
附图说明
图1为本发明提出的一种虚拟蜜蜂飞行控制方法的流程图;
图2为本发明中蜜蜂模型前向推进、摇摆和上下抖动的示意图;
图3为本发明与现有的两种仿真方法模仿单个蜜蜂所产生的运动轨迹对比图;
图4为本发明与现有模型仿真过程中蜜蜂模型个体发生碰撞的次数统计图;
图5为真实蜜蜂的可视化飞行轨迹图;
图6为本发明所生成的蜜蜂群的运动轨迹与现有方法对比图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。
请参阅图1,本发明实施例提供了一种虚拟蜜蜂飞行控制方法,所述方法包括如下步骤:
步骤1、在仿真空间中构建蜜蜂群模型,蜜蜂群模型包括若干蜜蜂模型;
步骤2、根据蜜蜂实际飞行过程中表现出身体抖动行为,以分别与X、Y和Z轴方向相对应的升力、推力和摇摆力作为驱动蜜蜂模型飞行的抖动力;如图2所示,在图2中(a)为本发明设计的抖动力,从图中可以看出离散计算为3个分量,分别为升力、推力和摇摆力;图2中(b)为蜜蜂基于视觉感知障碍物和避开障碍物示意图:和/>分别表示蜜蜂的朝向和速度;/>表示蜜蜂所感知到的障碍物表面法向量。
进一步的,抖动力存在如下关系式:
;
其中,表示推力,/>表示升力,/>表示摇摆力,/>表示以蜜蜂翅膀迎角简化为的蜜蜂身体迎角,/>表示蜜蜂身体的翻滚角,/>表示蜜蜂的质量,/>表示空气密度,/>表示蜜蜂的重力,/>表示蜜蜂的翅膀面积,/>表示蜜蜂的速度,/>表示升力系数;
优选的,俯仰角和翻滚角周期性变化分别与时间之间存在如下关系式:
;
;
其中,表示圆周率,/>表示时间。
优选的,升力系数与蜜蜂翅膀迎角之间存在如下关系式:
;
其中,表示蜜蜂翅膀迎角。
步骤3、将每个蜜蜂模型作为局部视觉感知的智能体,给每一个智能体分配固定的有效视域和最深感知深度,并在有效视域和最深感知深度内设定障碍物与智能体之间用于触发避障行为的最短距离,并以蜜蜂模型的速度和障碍物表面最近点的法向量正交作为避障完成条件;
图3中示出了本发明与其它两种仿真方法所产生的轨迹对比图,其它两种仿真方法分别为抖动方法(Oscillation)和旋度噪声方法(Curl-noise);从图中可以看出旋度噪声方法产生混乱但不平滑的轨迹,特别是急剧的突然转向。相比之下,本发明可以产生身体抖动以及平滑的飞行轨迹,因此本发明优于目前现有的两种仿真方法。
步骤4、在仿真空间创建势能场,对势能场进行旋度操作,将势能场旋度结果作为旋度噪声力;
进一步的,旋度噪声力存在如下关系式:
;
其中,其中,表示势能场/>分量的偏导,/>表示势能场/>分量的偏导,/>表示势能场/>分量的偏导,/>表示/>偏导,/>表示/>偏导,/>表示/>偏导。
其中,势能场存在如下关系式:
;
其中,表示随机势能场,/>表示蜜蜂的空间坐标位置,/>表示三个不同随机种子的柏林函数输出值,/>,/>表示仿真空间的单元格的边长,/>表示用于调整柏林噪声幅度的柏林噪声参数。
步骤5、将蜜蜂模型根据其体型视为胶囊体,在相邻的胶囊体之间增加相互作用的排斥力,并在若干蜜蜂模型之间设置有最短间距;
图4中是本发明和旋度噪声模型(Curl-noise模型)在不同的蜜蜂种群密度情况下,个体发生碰撞的次数统计,从图4中可以看出,引用排斥力后高密度群体情况下,个体相互碰撞的可能性大大降低。
进一步的,蜜蜂模型之间的排斥力存在如下关系式:
;
其中,表示第/>只蜜蜂的排斥力,/>表示第j个邻居的压强,/>表示第/>个蜜蜂的压强,/>表示第/>个邻居的密度,/>表示梯度算子,/>表示第/>个蜜蜂的空间坐标,/>表示第/>个邻居的空间坐标,/>表示用胶囊表示的蜜蜂体型半径, />表示用于对压力进行插值的Debrun插值核函数,/>表示邻居搜索半径。
为了提高邻居搜索效率,可以采用哈希表加速搜索邻居。
步骤6、通过离散地方式来计算升力、推力和摇摆力来模拟蜜蜂飞行时身体抖动行为的局部动力特征,并在触发避障行为后,根据蜜蜂模型前进方向与障碍物最近点确认翻滚避障方向,根据蜜蜂模型与障碍物之间的距离,控制翻滚角和避障速度,以模拟蜜蜂翻滚避障动作,在达到避障完成条件后结束翻滚避障动作,并恢复水平姿态,进而实现蜜蜂微观层面的运动仿真;
在蜜蜂微观层面的运动仿真的基础上,利用旋度噪声力和抖动力合力通过加速度驱动蜜蜂群模型模拟蜜蜂群体固有噪声行为,并通过蜜蜂模型飞向目标过程中通过排斥力反复将蜜蜂模型推开,以模拟“之”字舞现象,进而实现蜜蜂群宏观层面的运动仿真。
进一步的,避障速度存在如下关系式:
;
其中,表示被调节的躲避障碍物的速度,/>表示当蜜蜂开始感知到障碍物时的速度,/>表示蜜蜂在障碍物表面感应到的最近点上的速度,/>表示坡度函数返回值,,/>表示蜜蜂到障碍物的当前距离,/>表示蜜蜂能够感知到障碍物的阈值距离,坡度函数为/>,/>表示坡度函数的自变量。
优选的,蜜蜂在障碍物表面感应到的最近点上的速度存在如下关系式:
;
其中,表示障碍物表面位置上的法向量。
进一步的,翻滚角存在如下关系式:
;
其中,表示翻滚角,/>表示符号函数,符号函数的返回值为/>表示顺时针滚动,为/>表示逆时针滚动,/>表示符号函数的自变量,/>,/>表示向量,/>表示蜜蜂的朝向,/>,/>表示蜜蜂感知到的障碍物表面上最近点坐标,/>表示蜜蜂的空间坐标位置。
为了平衡蜜蜂的局部动力学和宏观噪声行为,同时保持“之”字舞运动特征和避免智能体的相互碰撞,将抖动力、旋度噪声力和排斥力进行加权合成,并对权重和其它关键的放生参数进行学习优化,为了优化仿真参数,本发明设计了几个定量指标来评估仿真结果与真实数据之间的差异。
该对应的训练方法包括如下训练步骤:
将抖动力、旋度噪声力和排斥力进行加权合成;
将抖动力权重、旋度噪声力权重、排斥力权重、仿真空间的单元格的边长、柏林噪声参数和邻居搜索半径集合为仿真参数;
获取真实的公开蜜蜂飞行数据集,图5为可视化展示了部分蜜蜂飞行数据;该部分蜜蜂飞行数据是关于蜜蜂群归巢的数据集。蜜蜂的轨迹呈现出固有的噪声和低对齐特性。此外,一些蜜蜂以“之”字形飞行;
由于作用在蜜蜂上的合力直接影响其速度和加速度,蜜蜂和其最近邻的速度差与距离的比值用于描述速度差,因此我们使用速度和加速度的大小以及速度差作为评价指标用来评价局部身体动力特征;
由于蜜蜂群体密度表示了对齐行为,因此本发明使用蜜蜂的密度作为对齐行为的评价指标,而蜜蜂飞行轨迹的曲率是固有噪声的宏观动力学特征最直观表达,例如突然转弯和螺旋式飞行,因此本发明以角速度和角加速度差作为评估蜜蜂固有噪声的评价指标;
因此,依次计算仿真数据和蜜蜂飞行数据的评价指标,评价指标包括以速度、加速度和速度差作为局部动力学特征的评价指标、以密度作为对齐行为的评价指标以及以角速度和角加速度差作为评估蜜蜂固有噪声的评价指标;
加速度指标存在如下关系式:
;
其中,表示加速度指标;
速度指标存在如下关系式:
;
其中,表示速度指标;
速度差指标存在如下关系式:
;
其中,表示蜜蜂和其最近邻之间的距离,/>表示其最近邻的速度,/>表示速度差指标;
密度指标存在如下关系式:
;
其中,表示密度指标;
角速度指标存在如下关系式:
;
其中,表示角速度指标,/>表示当前时刻蜜蜂的速度,/>表示上一时刻蜜蜂的速度,/>表示时间步长,/>,/>表示当前时刻,/>表示上一时刻;
角加速度差指标存在如下关系式:
;
其中,表示角加速度差指标,/>表示角加速度差;
以最小-最大标准归一化方法分别对仿真数据和真实蜜蜂飞行数据所得的每个评价指标进行归一化,对每个评价指标进行归一化存在如下关系式:
;
其中,表示评价指标,/>和/>分别表示指标结果的最大值和最小值,/>表示第/>帧中第/>个蜜蜂的评价指标;
将全部归一化结果平均划分为个子空间,计算每一个子空间归一化指标/>的离散概率密度,得到真实蜜蜂飞行数据的离散概率密度和仿真数据的离散概率密度,每一个子空间的离散概率密度存在如下关系式:
;
其中,表示第/>个子空间的样本数,/>表示样本总数,/>第/>个子空间的离散概率密度。
计算真实蜜蜂飞行数据的离散概率密度和仿真数据的离散概率密度的差值,以所得差值作为目标函数,利用遗传算法进行仿真参数优化以最小化差值,离散概率密度的差值存在如下关系式:
;
其中, 表示真实数据, />表示仿真数据,/>表示离散概率密度的差值,/>表示子空间数量。
通过上述方法,以本发明所生成的蜜蜂飞行轨迹与现有方法对比,从图6中可以看出,本发明趋近于真实蜜蜂运动轨迹,可以非常高效地模拟真实感的蜜蜂,其中,图6中(a)为Boids模型,图6中(b)为旋度噪声(Curl-noise)模型,图6中(c)为本发明。
与现有技术相比,本发明的有益效果为:
(1)分别与X、Y和Z轴方向相对应的升力、推力和摇摆力作为驱动蜜蜂模型飞行的抖动力,通过离散的计算升力、推力和摇摆力,可真实的模拟蜜蜂飞行时由于拍打翅膀使得身体围绕其中间位而上下抖动行为,以及上下抖动与前向推进可以与身体速度不一致的行为特性。
(2)设计了基于视觉障碍躲避的方法,将每只蜜蜂模型均作为局部视觉感知的智能体,并且设定了躲避障碍的开始和结束条件,以及躲避障碍时的翻滚方向、翻滚角度和避障速度,从而真实模拟蜜蜂基于视觉来感知障碍物的行为,以及相对于其翅膀来讲肥大的身躯会朝相反的方向侧滚的障碍躲避行为特性。
(3)在蜜蜂微观层面的运动仿真的基础上,基于加速度,利用旋度噪声力和抖动力的合力驱动蜜蜂群模型,实现了真实模拟蜜蜂群体突然转向和螺旋式接近等固有噪声行为,同时不会呈现高度对齐。
(4)将旋度噪声力、抖动力的基础上与流体仿真结合,通过蜜蜂模型飞向目标过程中通过排斥力反复将蜜蜂模型推开,以模拟“之”字舞现象,可实现模拟各种自然环境中高度逼真的蜜蜂群体。
(5)本发明还可以将蜜蜂模型身体方向与旋度噪声力的方向保持一致,进而保持局部身体动力学,特别适合展现蜜蜂倒着飞的特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种虚拟蜜蜂飞行控制方法,其特征在于,所述方法包括如下步骤:
步骤1、在仿真空间中构建蜜蜂群模型,蜜蜂群模型包括若干蜜蜂模型;
步骤2、根据蜜蜂实际飞行过程中表现出身体抖动行为,以分别与X、Y和Z轴方向相对应的升力、推力和摇摆力作为驱动蜜蜂模型飞行的抖动力;
步骤3、将每个蜜蜂模型作为局部视觉感知的智能体,给每一个智能体分配固定的有效视域和最深感知深度,并在有效视域和最深感知深度内设定障碍物与智能体之间用于触发避障行为的最短距离,并以蜜蜂模型的速度和障碍物表面最近点的法向量正交作为避障完成条件;
步骤4、在仿真空间创建势能场,对势能场进行旋度操作,将势能场旋度结果作为旋度噪声力;
步骤5、将蜜蜂模型根据其体型视为胶囊体,在相邻的胶囊体之间增加相互作用的排斥力,并在若干蜜蜂模型之间设置有最短间距;
步骤6、通过离散地方式来计算升力、推力和摇摆力来模拟蜜蜂飞行时身体抖动行为的局部动力特征,并在触发避障行为后,根据蜜蜂模型前进方向与障碍物最近点确认翻滚避障方向,根据蜜蜂模型与障碍物之间的距离,控制翻滚角和避障速度,以模拟蜜蜂翻滚避障动作,在达到避障完成条件后结束翻滚避障动作,并恢复水平姿态,进而实现蜜蜂微观层面的运动仿真;
在蜜蜂微观层面的运动仿真的基础上,利用旋度噪声力和抖动力合力通过加速度驱动蜜蜂群模型模拟蜜蜂群体固有噪声行为,并通过蜜蜂模型飞向目标过程中通过排斥力反复将蜜蜂模型推开,以模拟“之”字舞现象,进而实现蜜蜂群宏观层面的运动仿真。
2.根据权利要求1所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在步骤2中,抖动力存在如下关系式:
;
其中,表示推力,/>表示升力,/>表示摇摆力,/>表示以蜜蜂翅膀迎角简化为的蜜蜂身体迎角,/>表示蜜蜂身体的翻滚角,/>表示蜜蜂的质量,/>表示空气密度,/>表示蜜蜂的重力,/>表示蜜蜂的翅膀面积,/>表示蜜蜂的速度,/>表示升力系数,俯仰角和翻滚角周期性变化分别与时间之间存在如下关系式:
;
;
其中,表示圆周率,/>表示时间。
3.根据权利要求2所述的一种虚拟蜜蜂飞行控制方法,其特征在于,升力系数与蜜蜂翅膀迎角之间存在如下关系式:
;
其中,表示蜜蜂翅膀迎角。
4.根据权利要求3所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在步骤6中,避障速度存在如下关系式:
;
其中,表示被调节的躲避障碍物的速度,/>表示当蜜蜂开始感知到障碍物时的速度,表示蜜蜂在障碍物表面感应到的最近点上的速度,/>表示坡度函数返回值,,/>表示蜜蜂到障碍物的当前距离,/>表示蜜蜂能够感知到障碍物的阈值距离,坡度函数为/>,/>表示坡度函数的自变量。
5.根据权利要求4所述的一种虚拟蜜蜂飞行控制方法,其特征在于,蜜蜂在障碍物表面感应到的最近点上的速度存在如下关系式:
;
其中,表示障碍物表面位置上的法向量。
6.根据权利要求5所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在步骤6中,翻滚角存在如下关系式:
;
其中,表示翻滚角,/>表示符号函数,符号函数的返回值为/>表示顺时针滚动,为/>表示逆时针滚动,/>表示符号函数的自变量,/>,/>表示向量,/>表示蜜蜂的朝向,/>,/>表示蜜蜂感知到的障碍物表面上最近点坐标,/>表示蜜蜂的空间坐标位置。
7.根据权利要求6所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在步骤4中,旋度噪声力存在如下关系式:
;
其中,表示势能场/>分量的偏导,/>表示势能场/>分量的偏导,/>表示势能场/>分量的偏导,/>表示/>偏导,/>表示/>偏导,/>表示/>偏导。
8.根据权利要求7所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在步骤5中,蜜蜂模型之间的排斥力存在如下关系式:
;
其中,表示第/>只蜜蜂的排斥力,/>表示第j个邻居的压强,/>表示第/>个蜜蜂的压强,/>表示第/>个邻居的密度,/>表示梯度算子,/>表示第/>个蜜蜂的空间坐标,/>表示第/>个邻居的空间坐标,/>表示用胶囊表示的蜜蜂体型半径, />表示用于对压力进行插值的Debrun插值核函数,/>表示邻居搜索半径。
9.根据权利要求8所述的一种虚拟蜜蜂飞行控制方法,其特征在于,势能场存在如下关系式:
;
其中,表示随机势能场,/>表示蜜蜂的空间坐标位置, />表示三个不同随机种子的柏林函数输出值,/>,/>表示仿真空间的单元格的边长, />表示用于调整柏林噪声幅度的柏林噪声参数。
10.根据权利要求9所述的一种虚拟蜜蜂飞行控制方法,其特征在于,在执行所述步骤1至步骤5中,对应的训练方法包括如下训练步骤:
将抖动力、旋度噪声力和排斥力进行加权合成;
将抖动力权重、旋度噪声力权重、排斥力权重、仿真空间的单元格的边长、柏林噪声参数和邻居搜索半径集合为仿真参数;
获取真实的公开蜜蜂飞行数据集;
依次计算仿真数据和蜜蜂飞行数据的评价指标,评价指标包括以速度、加速度和速度差作为局部动力学特征的评价指标、以密度作为对齐行为的评价指标以及以角速度和角加速度差作为评估蜜蜂固有噪声的评价指标;
以最小-最大标准归一化方法分别对仿真数据和真实蜜蜂飞行数据所得的每个评价指标进行归一化;
将全部归一化结果平均划分为个子空间,计算每一个子空间归一化指标的离散概率密度,得到真实蜜蜂飞行数据的离散概率密度和仿真数据的离散概率密度;
计算真实蜜蜂飞行数据的离散概率密度和仿真数据的离散概率密度的差值,以所得差值作为目标函数,利用遗传算法进行仿真参数优化以最小化差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148614.XA CN116880572B (zh) | 2023-09-07 | 2023-09-07 | 一种虚拟蜜蜂飞行控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311148614.XA CN116880572B (zh) | 2023-09-07 | 2023-09-07 | 一种虚拟蜜蜂飞行控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116880572A CN116880572A (zh) | 2023-10-13 |
CN116880572B true CN116880572B (zh) | 2023-11-14 |
Family
ID=88255489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311148614.XA Active CN116880572B (zh) | 2023-09-07 | 2023-09-07 | 一种虚拟蜜蜂飞行控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116880572B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及*** |
CN113485436A (zh) * | 2021-07-29 | 2021-10-08 | 西安理工大学 | 无线紫外光协作无人机编队保持的航迹计算方法 |
CN114518772A (zh) * | 2022-02-25 | 2022-05-20 | 中发国研信息技术研究院(北京)有限公司 | 一种拒止环境下无人机蜂群自组织方法 |
CN115903885A (zh) * | 2022-10-26 | 2023-04-04 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 |
CN116203982A (zh) * | 2023-01-16 | 2023-06-02 | 安徽继远软件有限公司 | 无人机电力巡查航迹规划方法及*** |
CN116400731A (zh) * | 2023-04-24 | 2023-07-07 | 哈尔滨工业大学 | 一种无人机蜂群的避障方法 |
CN116629161A (zh) * | 2023-07-18 | 2023-08-22 | 江西财经大学 | 一种基于骨骼驱动的飞行昆虫翅膀形变仿真方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11395464B2 (en) * | 2017-12-18 | 2022-07-26 | Arnaud Z. Ajamian | Autonomous drone bees |
-
2023
- 2023-09-07 CN CN202311148614.XA patent/CN116880572B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808665A (zh) * | 2015-04-16 | 2015-07-29 | 上海大学 | 基于多目标人工蜂群算法的多机器人路径规划方法 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及*** |
CN113485436A (zh) * | 2021-07-29 | 2021-10-08 | 西安理工大学 | 无线紫外光协作无人机编队保持的航迹计算方法 |
CN114518772A (zh) * | 2022-02-25 | 2022-05-20 | 中发国研信息技术研究院(北京)有限公司 | 一种拒止环境下无人机蜂群自组织方法 |
CN115903885A (zh) * | 2022-10-26 | 2023-04-04 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于任务牵引的蜂群Agent模型的无人机飞控方法 |
CN116203982A (zh) * | 2023-01-16 | 2023-06-02 | 安徽继远软件有限公司 | 无人机电力巡查航迹规划方法及*** |
CN116400731A (zh) * | 2023-04-24 | 2023-07-07 | 哈尔滨工业大学 | 一种无人机蜂群的避障方法 |
CN116629161A (zh) * | 2023-07-18 | 2023-08-22 | 江西财经大学 | 一种基于骨骼驱动的飞行昆虫翅膀形变仿真方法 |
Non-Patent Citations (1)
Title |
---|
Unmanned Aerial Vehicles Fleet Control via Artificial Bee Colony Algorithm;Saied, M,等;IEEE;80-85 * |
Also Published As
Publication number | Publication date |
---|---|
CN116880572A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guzdial et al. | Game Engine Learning from Video. | |
CN109062252A (zh) | 基于人工势场法的四旋翼无人机集群控制方法及其装置 | |
CN109669475A (zh) | 基于人工蜂群算法的多无人机三维编队重构方法 | |
CN110320932B (zh) | 一种基于微分进化算法的编队队形重构方法 | |
Bajec et al. | Simulating flocks on the wing: the fuzzy approach | |
CN112000131A (zh) | 基于人工势场法的无人机集群路径规划方法及*** | |
CN113421345B (zh) | 基于深度强化学习技术的仿生机器鱼群集导航模拟方法 | |
CN111260026B (zh) | 一种基于元强化学习的导航迁移方法 | |
CN108362284A (zh) | 一种基于仿生海马认知地图的导航方法 | |
CN112016660B (zh) | 一种物理力和数据联合驱动的三维集群行为模拟方法 | |
Roessingh et al. | Machine learning techniques for autonomous agents in military simulations—Multum in Parvo | |
CN116880572B (zh) | 一种虚拟蜜蜂飞行控制方法 | |
Price et al. | GA directed self-organized search and attack UAV swarms | |
CN116400726A (zh) | 一种基于强化学习的旋翼无人机逃逸方法及*** | |
Chen et al. | A Bio-inspired Model for Bee Simulations | |
CN115329921A (zh) | 基于环境态势感知的群体围猎-逃跑智能行为模拟方法 | |
CN115935773A (zh) | 一种空战模拟环境中的目标战术意图分层识别方法 | |
CN113359852A (zh) | 一种仿原鸽个体属性智能行为的无人机集群协同控制方法 | |
Maruyama et al. | Emergence of superorganisms in a large scale boids model | |
Porter et al. | Bio-inspired navigation of chemical plumes | |
Domitran et al. | A Machine Learning Approach to Flight Control of a VTOL Tailsitter UAV | |
CN113589810B (zh) | 智能体动态自主避障运动方法、装置、服务器及存储介质 | |
Porter III et al. | Bio-inspired odor-based navigation | |
Eccles et al. | Evolving a virtual ecosystem with genetic algorithms | |
US20210147079A1 (en) | Autonomous behavior generation with hierarchical reinforcement learning |
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 |