一种基于分布式随机模型预测的多智能体编队及避障方法技术

本发明专利技术公开了一种基于分布式随机模型预测的多智能体编队及避障方法，利用分布式算法，将编队问题转换为含有目标函数耦合和约束耦合的优化问题，解决集中式算法的维数灾难问题，提高系统的实时计算速度。并通过SMPC算法，利用随机扰动的统计特性，实现了针对不确定多智能体系统的编队及避障控制。因此，适宜推广运用。运用。运用。

【技术实现步骤摘要】
一种基于分布式随机模型预测的多智能体编队及避障方法


[0001]本专利技术属于多智能体编队
，具体地说，是涉及一种基于分布式随机模型预测的多智能体编队及避障方法。

技术介绍

[0002]多智能体系统的编队问题在卫星编队、深海资源探测、机器人协同救援等各种任务得到了广泛的应用。多智能体编队问题要求在编队的过程中满足单个智能体运动学方程的同时，满足状态、输入、避障和避碰等约束。因此，模型预测控制(Model Predictive Control，MPC)因其处理约束的能力，而广泛用于解决编队问题中。
[0003]传统的基于模型预测控制的编队问题采用集中式MPC[1
‑
2]，所有的智能体采用同一个中心控制器，中心控制器根据整个系统的状态信息求解优化问题。在这种情况下，可以得到最优的控制性能。但是如果控制器发生故障，整个系统都将瘫痪。并且，随着智能体数量的增加，集中式的控制器将会面临维数灾难，难以满足在线计算的实时性要求。因此，针对大规模系统，分布式模型预测控制(Distributed Model Predictive Control，DMPC)得到了广泛应用。文献[3]将多智能体编队问题重构为目标函数耦合的分布式优化问题，所有子系统采用同步更新的策略。文献[4]在文献[3]的基础上考虑了智能体之间的避碰约束。文献[5]考虑了在编队过程中存在的避障问题，并设计了相容性约束，保证智能体实际轨迹和假设轨迹的差值在可容许的范围内，证明了系统的闭环稳定性。这些文献在一定程度上利用分布式算法的特性，解决了集中式算法存在的不足，但是都没有考虑系统中的扰动。在实际上，多智能体系统在运行过程中会存在很多的不确定性，如：参数不确定性，测量噪声以及外界扰动。将含有不确定性的系统称为不确定系统，如果采用基于标称模型设计的模型预测控制器对不确定系统进行控制，其闭环系统的可行性、稳定性都可能受到影响，甚至会导致系统无可行解和不稳定。
[0004][1]华思亮，陈宗基，袁利平.基于模型预测控制的无人机编队自主重构研究[J].系统仿真学报，2008，20(S2)：383
‑
386.
[0005][2]武梅丽文，王晓东，宋勋，陈燕飞.线性二次型及模型预测控制编队控制研究[J].现代防御技术，2021，49(01)：47
‑
52.
[0006][3]Dunbar W B，Murray R M.Distributed receding horizon control for multi
‑
vehicle formation stabilization[J].Automatica，2006，42(4)：549
‑
558.
[0007][4]Keviczky T，Borrelli F，Balas G J.Decentralized receding horizon control for large scale dynamically decoupled systems[J].Automatica，2006，42(12)：2105
‑
2115.
[0008][5]Dai L，Cao Q，Xia Y，et al.Distributed MPC for formation of multi
‑
agent systems with collision avoidance and obstacle avoidance[J].Journal of the Franklin Institute，2017，354(4)：2068
‑
2085.

技术实现思路

[0009]本专利技术的目的在于提供一种基于分布式随机模型预测的多智能体编队及避障方法，利用分布式算法，将编队问题转换为含有目标函数耦合和约束耦合的优化问题，解决集中式算法的维数灾难问题，提高系统的实时计算速度。
[0010]为实现上述目的，本专利技术采用的技术方案如下：
[0011]一种基于分布式随机模型预测的多智能体编队及避障方法，包括如下步骤：
[0012]S1，构建线性二阶智能体系统：
[0013]z
i
(t+1)＝A
i
z
i
+B
i
u
i
(t)+G
i
w
i
(t)，i＝1，2，
…
，N
a
∈I
[0014]其中，G
i
＝I
2n
×
2n
为系统常数矩阵，z
i
＝[x
i
；v
i
]∈R
2n
为智能体i的状态，z
i
由两部分组成，分别为智能体的位置x
i
∈R
n
，与智能体的速度v
i
∈R
n
，n代表位置状态与速度的维度。u
i
∈R
n
代表智能体的控制输入，即加速度；w
i
∈R
2n
为外部扰动；其中，外部扰动的概率分布是已知的，且扰动分量{w
i
(1) w
i
(2)
ꢀ…
}为均值为0的独立同分布的随机变量，并且满足：
[0015]w
i
(t)∈∏＝{w：|w|≤α}，α＝[α1...α
2n
]T
[0016]其中，α为外部扰动w的上界；
[0017]S2，令所有智能体达到期望位置，并组成一定的编队形式，使其满足以下条件：
[0018][0019][0020][0021]其中，为智能体i的期望位置，d
ij
为智能体i与智能体j的期望距离，N
i
为智能体i的邻居集合，R为智能体之间的安全距离；
[0022]S3，构造目标函数：
[0023][0024]其中，阶段代价函数L
i
定义如下：
[0025][0026][0026]代表智能体i的目标状态，L
if
为终端代价函数，μ
i
，β
i
，ρ
i
为常数系数；
[0027]S4，将编队问题转化为目标函数的优化问题：
[0028][0029]s.t.z
i
(t|t)＝z
i
(t)，
[0030]z
i
(t+l+1|t)＝A
i
z
i
(t+l|t)+B
i
u
i
(t+l|t)+G
i
w
i
(t+l+1)，
[0031]Pr{a
T
z
i
(t+l|本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式随机模型预测的多智能体编队及避障方法，其特征在于，包括如下步骤：S1，构建线性二阶智能体系统：z
i
(t+1)＝A
i
z
i
+B
i
u
i
(t)+G
i
w
i
(t)，i＝1，2，
…
，N
a
∈I其中，G
i
＝I
2n
×
2n
为系统常数矩阵，z
i
＝[x
i
；v
i
]∈R
2n
为智能体i的状态，z
i
由两部分组成，分别为智能体的位置x
i
∈R
n
，与智能体的速度v
i
∈R
n
，n代表位置状态与速度的维度；u
i
∈R
n
代表智能体的控制输入，即加速度；w
i
∈R
2n
为外部扰动；其中，外部扰动的概率分布是已知的，且扰动分量{w
i
(1) w
i
(2)
ꢀ…
}为均值为0的独立同分布的随机变量，并且满足：w
i
(t)∈∏＝{w：|w|≤α}，α＝[α1...α
2n
]
T
其中，α为外部扰动w的上界；S2，令所有智能体达到期望位置，并组成一定的编队形式，使其满足以下条件：S2，令所有智能体达到期望位置，并组成一定的编队形式，使其满足以下条件：S2，令所有智能体达到期望位置，并组成一定的编队形式，使其满足以下条件：其中，为智能体i的期望位置，d
ij
为智能体i与智能体j的期望距离，N
i
为智能体i的邻居集合，R为智能体之间的安全距离；S3，构造目标函数：其中，阶段代价函数L
i
定义如下：定义如下：其中，代表智能体i的目标状态，L
if
为终端代价函数，μ
i
，β
i
，ρ
i
为常数系数；S4，将编队问题转化为目标函数的优化问题：s.t.z
i
(t|t)＝z
i
(t)，z
i
(t+l+1|t)＝A
i
z
i
(t+l|t)+B
i
u
i
(t+l|t)+G
i
w
i
(t+l+1)，Pr{a
T
z
i
(t+l|t)≤h
i
}≥p，}≥p，||x
j
(t+l|t)
‑
x
i
(t+llt)||≥2R，||x
i
(t+l|t)
‑
x
o
(t+l|t)||≥2R，
i＝1，2，
…
，N
a
，l＝0，1，
…
，N
‑
1其中，分别为相应的控制量集合，状态集合和状态终端集合；S5，采用分布式编队算法对转化后的目标函数求解。2.根据权利要求1所述的一种基于分布式随机模型预测的多智能体编队及避障方法，其特征在于，在步骤S1中，由于随机扰动的存在，智能体i的状态需要满足以下概率约束：Pr{a
T
z
i
(t+l|t)≤h
i
}≥p；其中，h
...

【专利技术属性】
技术研发人员：郝明瑞，李彬，林梦婷，邹晓滢，梁嘉，
申请(专利权)人：四川大学，
类型：发明
国别省市：