一种多移动智能体群的多个丢失位置智能体递推位置找寻方法技术

本发明专利技术提供一种多移动智能体群的多个丢失位置智能体递推位置找寻方法，多移动智能体群是指多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，组成移动体群的每个个体都具有一定的自主能力，包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等，由于天气或地理原因造成多个移动智能体丢失位置，对于某个丢失位置移动智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，再结合优化的三边定位算法和三角角度测量上的算法，实现对该丢失位置智能体位置找寻，采用扩展卡尔曼滤波算法和埃特金加速收敛方法递推实现全部丢失位置的移动智能体位置找寻。

A recursive location finding method for multiple lost location agents in multi mobile agent group

【技术实现步骤摘要】
一种多移动智能体群的多个丢失位置智能体递推位置找寻方法
本专利技术涉及工业、国防、航空、救援等多移动智能体群应用功能研究，多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，组成移动体群的每个个体都具有一定的自主能力，包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等，由于天气或地理原因造成多个移动智能体丢失位置，对于某个丢失位置移动智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，再结合优化的三边定位算法和三角角度测量上的算法，实现对该丢失位置智能体位置找寻，采用扩展卡尔曼滤波算法和埃特金加速收敛方法递推实现全部丢失位置的移动智能体位置找寻。
技术介绍
多移动智能体群是由不同个体相互协作、互相适应形成的连贯紧密的有机整体。自然界中的集群是一个完全依靠简单规则管理的实体。如图1所示，自然界中生物群集活动现象，其中最主要的特点是群集活动中的个体生物可以依据相邻个体状态自主规划自身状态。对移动智能体群的研究进入“网络化系统与图论描述”阶段，如图2所示，群体系统是由许多个体通过某种特定的相互作用所形成的一类网络化系统。个体之间的相互作用关系在数学上可以利用图论方法进行描述和研究。在此阶段，学者们在对自然生物群落建模仿真的基础上，从对表象模拟推演层面跨越到从理论角度探寻个体与系统整体之间的关系层面。最近，针对多智能体系统理论的研究进入实际应用阶段。大量的工作侧重于实际问题，尤其是工业、战争应用中出现的问题。多移动智能体群通过各智能体间的通讯、合作、互解、协调、调度、管理及控制来表达系统的结构、功能及行为特性。移动智能体通过传感器技术获得自己的位置信息，从而保证移动智能个体与个体之间关系对群组整体行为表现，如图3所示，影响具体表现在如下三个方面：(1)聚集：使整个组群中的智能体紧密相邻；(2)距离保持：相邻智能体保持安全距离；(3)运动匹配：相邻智能体运动状态相同。在陆地、陆空等复杂测环境、气候多样、背景复杂等移动智能体通过传感器会无法获得位置信息，以及恶劣天气背景混杂情况下，智能体通过传感器易受雨雪、雾霾、夜间等天气影响会无法获得位置信息，丢失位置信息的移动智能体会对临近的其它个体造成碰撞损坏，这样多移动智能体群无法保持整体行为表现。
技术实现思路
本专利技术的目的在于一种多移动智能体群的多个丢失位置智能体递推位置找寻方法，利用多智能体群具有“个体智能+通信网络＝整体运动行为”特点，组成移动体群的每个个体都具有一定的自主能力，包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等，由于天气或地理原因造成多个移动智能体丢失位置，对于某个丢失位置移动智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，再结合优化的三边定位算法和三角角度测量上的算法，实现对该丢失位置智能体位置找寻。对于多个移动智能体丢失位置找寻采用信号与噪声的状态空间模型，利用其它移动智能体的估计值和现时刻的观测值来更新对状态变量的估计，求丢失位置移动智能体的的估计值。采用埃特金加速式的多步估计算法和预报校正式估计算法，提高迭代法收敛速度的有效途径，采用扩展卡尔曼滤波算法和埃特金加速收敛方法递推实现全部丢失位置的移动智能体位置找寻。多移动智能体群的协同控制采用混合式控制，如图4所示，主控单元根据所有移动智能体的信息和控制算法，从全局出发控制每个移动智能体，同时每个移动智能体可以和自己相邻的移动智能体进行编队，这种方式避免了集中式控制移动智能体群某个移动智能体和主控单元连接丢失，可以通过自己相邻的移动智能体进行编队，同样采用分布式控制移动智能体某个移动智能体和自己相邻的移动智能体个体连接丢失，可以通过主控单元进行控制。多移动智能体群中单个智能体由于天气或地理原因造成位置丢失，该智能体与就近超过三个智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，如图5所示，再结合优化的三边定位算法和三角角度测量上的算法，实现对丢失位置智能体位置找寻。递推是计算机数值计算重一个重要算法。思想是通过数学推导，将复杂的运算化解为若干重复的简单运算，以充分发挥计算机擅长重复处理的特点。借鉴时域的递推估计算法，如图6所示，对于丢失位置的单个智能体的参数估计、存储向量与寻找下一个丢失位置测量的单个智能体的输入和输出递推估计算法，再进行下下个丢失位置测量的单个智能体计算出新参数值，采用扩展卡尔曼滤波算法和埃特金加速收敛方法，直到实现全部丢失位置的移动智能体位置找寻。对于多个移动智能体丢失位置找寻采用信号与噪声的状态空间模型，利用其它移动智能体的估计值和现时刻的观测值来更新对状态变量的估计，求丢失位置移动智能体的的估计值。由量测值重构系统的状态向量，测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。它以“预测-实测-修正”的顺序递推，根据系统的量测值来消除随机干扰，再现系统的状态，或根据系统的量测值从被污染的系统中恢复系统的本来面目。扩展卡尔曼滤波算法用非线性得到了更精准的状态预测值、映射后的测量值；线性变换通过线性变换使得变换后的仍满足高斯分布的假设。对于多个移动智能体丢失位置找寻采用埃特金加速式的多步估计算法和预报校正式估计算法，提高迭代法收敛速度的有效途径。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，并不构成对本专利技术的限定。在附图中：图1是自然界中生物群集活动现象；图2是群体系统研究路线图；图3是移动智能个体与个体之间关系对群组整体行为表现图；图4是多移动智能体群的控制拓扑结构；图5是单个移动智能体找回位置具体数据处理过程；图6是多个移动智能体找回位置具体数据处理过程；图7是单个移动智能体位置找回三边测量法；具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本专利技术做进一步详细说明。在此，本专利技术的示意性实施方式及其说明用于解释本专利技术，但并不作为对本专利技术的限定。本实施例提供一种多移动智能体群的多个丢失位置智能体递推位置找寻方法，多移动智能体群具有自主性、分布性、协调性，并具有自组织能力、学习能力和推理能力。多移动智能体群是多个移动智能体组成的集合，每个智能体具有其环境的一个局部视图并对其环境具有局部地作了反应的能力和权利。多移动智能体群中单个移动智能体由于天气或地理原因造成位置丢失，位置丢失单个移动智能体与就近三个智能体基于测距的定位算法中，三边测量法实现位置信息的找回如图7所示，位置丢失单个移动智能体假设位置为(x，y)，令其中一个本文档来自技高网...

【技术保护点】
1.一种多移动智能体群的多个丢失位置智能体递推位置找寻方法，其特征在于：/n多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，组成移动体群的每个个体都具有一定的自主能力，包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等，由于天气或地理原因造成多个移动智能体丢失位置，对于某个丢失位置移动智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，再结合优化的三边定位算法和三角角度测量上的算法，实现对该丢失位置智能体位置找寻，采用扩展卡尔曼滤波算法和埃特金加速收敛方法递推实现全部丢失位置的移动智能体位置找寻。/n

【技术特征摘要】
1.一种多移动智能体群的多个丢失位置智能体递推位置找寻方法，其特征在于：
多移动智能体群是指多个移动智能体组成的集合，实现多个移动智能体间的实时数据通信、多机编队、协同行动，组成移动体群的每个个体都具有一定的自主能力，包括一定程度的自我运动控制、局部范围内的信息传感、处理和通信能力等，由于天气或地理原因造成多个移动智能体丢失位置，对于某个丢失位置移动智能体采用邻近检测、接收信息强度指示(RSSI)、到达时间(TOA)、到达时间差(TDOA)、到达角度(AOA)等几种方式，再结合优化的三边定位算法和三角角度测量上的算法，实现对该丢失位置智能体位置找寻，采用扩展卡尔曼滤波算法和埃特金加速收敛方法递推实现全部丢失位置的移动智能体位置找寻。


2.根据权利要求1所述的方法，其特征在于：
对于多个移动智能体丢失位置找寻采用信号与噪声的状态空间模型，利用其它移动智能体的估计值和现时刻的观测值来更新对状态变量的估计，求丢失位置移动智能体的的估计值。由量测值重构系统的状态向量，测量值往往在任何时候都有噪声。卡尔曼滤波利用目标的动态信息，设法去掉噪声的影响，得到一个关于目标位置的好的估计。这个估计可以是对当前目标位置的估计(滤波)，也可以是对于将来位置的估计(预测)，也可以是对过去位置的估计(插值或平滑)。它以“预...

【专利技术属性】
技术研发人员：孙磊，
申请(专利权)人：北京诚志纪元科技有限公司，
类型：发明
国别省市：北京;11