多仿生机器鱼系统编队控制方法和装置制造方法及图纸

本申请公开了一种多仿生机器鱼系统编队控制方法和装置，方法包括：确定任一仿生机器鱼在当前时刻的触发误差，并基于触发误差确定任一仿生机器鱼在当前时刻的事件触发函数值；在事件触发函数值满足预设条件的情况下，将当前时刻作为触发时刻，基于任一仿生机器鱼以及任一仿生机器鱼对应的近邻仿生机器鱼在触发时刻的状态信息，以及领航者在触发时刻的状态信息，确定任一仿生机器鱼在触发时刻的一致性编队控制律；基于任一仿生机器鱼在触发时刻的一致性编队控制律，对任一仿生机器鱼进行控制。本申请提供的方法和装置，可以减小各个仿生机器鱼之间的通讯能耗，增加各个仿生机器鱼的续航时间。的续航时间。的续航时间。

【技术实现步骤摘要】
多仿生机器鱼系统编队控制方法和装置


[0001]本申请涉及水下机器人控制
，具体而言，涉及一种多仿生机器鱼系统编队控制方法和装置。

技术介绍

[0002]经过漫长的自然演化，鱼类发展出不同寻常的水下生存能力，依靠优秀的运动性能，极好地适应了水下环境，并进化出多种多样的种类。科学家们也尝试从形形色色的鱼类中寻找灵感，为水下航行器的设计提供借鉴。仿生机器鱼就是从仿生学的角度出发，通过模拟真实鱼类的外形及游动方式，获得比传统水下航行器更优的性能，例如，高机动、高效率、高隐蔽性以及良好的水下适应性等，在复杂多变的海洋环境中有很好的应用前景。
[0003]然而，仿生机器鱼有限的内部空间导致其在所携带电池容量以及传感器的选择上都受到约束，这也成为了仿生机器鱼进一步提高水下续航时间和水下控制性能亟待解决的问题。通过探索自然界中鸟群、鱼群、蚁群高机动、高效节能的集群运动行为，多智能体技术逐渐发展与成熟，并被广泛应用于机器人领域。搭建水下仿生机器鱼多智能体控制系统，可以在一定程度上弥补单一仿生机器鱼携带传感器精度较低，水下作业能力有限等问题。不同智能体间利用通讯高效地实现协同感知、协同运动以及协同控制，使仿生机器鱼仅依靠有限的感知能力和运动性能也能完成复杂的作业任务。这种多智能体之间信息交互、协同合作的工作方式极大地提升了水下仿生机器鱼平台的智能化程度，是未来仿生机器鱼智能化水下作业的重要发展方向。
[0004]多机器人系统在未知环境进行探索的过程中，通常需要对系统中某些个体的位置、速度等状态信息进行调控，这也被称为多机器人系统调度问题。在多机器人系统调度任务中，编队控制(Formation control)通常被用来完成环境勘探和监测任务，此时个体在多机器人系统中占据某些预定的位置，使整个系统在全局视角下呈现出某种特定形状，不仅可以增大勘探范围，还能通过简单的调整适应不同的侦查环境。
[0005]由于机器鱼自身体型较小，无法携带大规模的电池，所以在多仿生机器鱼系统水下编队控制过程中，通讯能耗非常影响系统水下作业的续航时间。
[0006]因此，如何在保证多仿生机器鱼在实现编队控制的同时减少通讯能耗成为业界亟待解决的技术问题。

技术实现思路

[0007]第一方面，本申请提供了一种多仿生机器鱼系统编队控制方法，包括：
[0008]对多仿生机器鱼系统进行状态观测，确定任一仿生机器鱼在当前时刻的状态信息估计值；
[0009]基于所述任一仿生机器鱼在当前时刻的状态信息估计值，确定所述任一仿生机器鱼在当前时刻的触发误差，并基于所述触发误差确定所述任一仿生机器鱼在当前时刻的事件触发函数值；
[0010]在所述事件触发函数值满足预设条件的情况下，将所述当前时刻作为触发时刻，基于所述任一仿生机器鱼以及所述任一仿生机器鱼对应的近邻仿生机器鱼在所述触发时刻的状态信息，以及领航者在所述触发时刻的状态信息，确定所述任一仿生机器鱼在所述触发时刻的一致性编队控制律；
[0011]基于所述任一仿生机器鱼在所述触发时刻的一致性编队控制律，对所述任一仿生机器鱼进行控制。
[0012]在一些实施例中，所述对多仿生机器鱼系统进行状态观测，确定任一仿生机器鱼在当前时刻的状态信息估计值，包括：
[0013]对所述任一仿生机器鱼在上一时刻的状态信息估计值进行无迹变换，得到所述任一仿生机器鱼在上一时刻对应的多个采样点；
[0014]基于恒定转弯率和速度模型，对所述多个采样点在当前时刻的状态值进行估计，得到所述任一仿生机器鱼在当前时刻对应的预测状态均值，以及预测状态协方差矩阵；
[0015]对所述多个采样点在当前时刻的测量值进行预测，得到所述任一仿生机器鱼在当前时刻对应的预测测量均值，以及预测测量协方差矩阵；
[0016]基于所述多个采样点在当前时刻的预测状态值和所述预测状态均值，以及所述多个采样点在当前时刻的预测测量值和所述预测测量均值，确定交叉关联矩阵，并基于所述交叉关联矩阵和所述预测状态协方差矩阵，确定卡尔曼增益；
[0017]基于所述预测状态均值，所述卡尔曼增益，所述多个采样点在上一时刻的预测测量值，以及所述多个采样点在当前时刻的预测测量值，确定所述任一仿生机器鱼在当前时刻的状态信息估计值。
[0018]在一些实施例中，所述基于所述任一仿生机器鱼在当前时刻的状态信息估计值，确定所述任一仿生机器鱼在当前时刻的触发误差，并基于所述触发误差确定所述任一仿生机器鱼在当前时刻的事件触发函数值，包括：
[0019]基于各个仿生机器鱼之间的通讯关系，以及各个仿生机器鱼与领航者之间的通讯关系，确定多仿生机器鱼系统对应的伴随矩阵、度矩阵和拉普拉斯矩阵，以及所述领航者与各个仿生机器鱼之间的通讯矩阵；
[0020]将所述任一仿生机器鱼在当前时刻的状态信息估计值作为所述任一仿生机器鱼在上一触发时刻的状态信息，并基于所述任一仿生机器鱼在上一触发时刻的状态信息，以及所述任一仿生机器鱼在当前时刻的状态信息，确定所述任一仿生机器鱼在当前时刻的触发误差；
[0021]基于所述伴随矩阵、度矩阵、拉普拉斯矩阵、通讯矩阵，以及所述任一仿生机器鱼在当前时刻的触发误差，确定所述任一仿生机器鱼在当前时刻的事件触发函数值。
[0022]在一些实施例中，所述基于所述伴随矩阵、度矩阵、拉普拉斯矩阵、通讯矩阵，以及所述任一仿生机器鱼在当前时刻的触发误差，确定所述任一仿生机器鱼在当前时刻的事件触发函数值，包括：
[0023]Γ
i
(t)＝(‖σL+σ
l
W‖‖Φ‖+β(‖D‖+‖W‖))||e
ηi
(t)+e
vi
(t)||+Δ
f
[0024][0025]其中，Γ
i
(t)为所述任一仿生机器鱼i在当前时刻t的事件触发函数，σ为第一正项
系数，σ
l
为第二正项系数，l为所述领航者的标号，L为拉普拉斯矩阵，W为通讯矩阵，Φ为归一化矩阵，β为第三正项系数，D为度矩阵；
[0026]所述触发误差包括位置触发误差和速度触发误差，e
ηi
(t)为所述任一仿生机器鱼i在当前时刻t的位置触发误差，e
vi
(t)为所述任一仿生机器鱼i在当前时刻t的速度触发误差，差，为所述任一仿生机器鱼i在当前时刻t的位置信息估计值，η
i
(t)为所述任一仿生机器鱼i在当前时刻t的位置信息，(t)为所述任一仿生机器鱼i在当前时刻t的位置信息，为所述任一仿生机器鱼i在当前时刻t的速度信息估计值，υ
i
(t)为所述任一仿生机器鱼i在当前时刻t的速度信息；
[0027]Δ
f
为所述领航者的运动限制参数，λ
i
为正阈值系数，λ
i
≤1，j为所述仿生机器鱼i对应的任一近邻仿生机器鱼的标号，V为所述多仿生机器鱼系统对应的点集合，a
ij
用于表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多仿生机器鱼系统编队控制方法，其特征在于，包括：对多仿生机器鱼系统进行状态观测，确定任一仿生机器鱼在当前时刻的状态信息估计值；基于所述任一仿生机器鱼在当前时刻的状态信息估计值，确定所述任一仿生机器鱼在当前时刻的触发误差，并基于所述触发误差确定所述任一仿生机器鱼在当前时刻的事件触发函数值；在所述事件触发函数值满足预设条件的情况下，将所述当前时刻作为触发时刻，基于所述任一仿生机器鱼以及所述任一仿生机器鱼对应的近邻仿生机器鱼在所述触发时刻的状态信息，以及领航者在所述触发时刻的状态信息，确定所述任一仿生机器鱼在所述触发时刻的一致性编队控制律；基于所述任一仿生机器鱼在所述触发时刻的一致性编队控制律，对所述任一仿生机器鱼进行控制。2.根据权利要求1所述的多仿生机器鱼系统编队控制方法，其特征在于，所述对多仿生机器鱼系统进行状态观测，确定任一仿生机器鱼在当前时刻的状态信息估计值，包括：对所述任一仿生机器鱼在上一时刻的状态信息估计值进行无迹变换，得到所述任一仿生机器鱼在上一时刻对应的多个采样点；基于恒定转弯率和速度模型，对所述多个采样点在当前时刻的状态值进行估计，得到所述任一仿生机器鱼在当前时刻对应的预测状态均值，以及预测状态协方差矩阵；对所述多个采样点在当前时刻的测量值进行预测，得到所述任一仿生机器鱼在当前时刻对应的预测测量均值，以及预测测量协方差矩阵；基于所述多个采样点在当前时刻的预测状态值和所述预测状态均值，以及所述多个采样点在当前时刻的预测测量值和所述预测测量均值，确定交叉关联矩阵，并基于所述交叉关联矩阵和所述预测状态协方差矩阵，确定卡尔曼增益；基于所述预测状态均值，所述卡尔曼增益，所述多个采样点在上一时刻的预测测量值，以及所述多个采样点在当前时刻的预测测量值，确定所述任一仿生机器鱼在当前时刻的状态信息估计值。3.根据权利要求1所述的多仿生机器鱼系统编队控制方法，其特征在于，所述基于所述任一仿生机器鱼在当前时刻的状态信息估计值，确定所述任一仿生机器鱼在当前时刻的触发误差，并基于所述触发误差确定所述任一仿生机器鱼在当前时刻的事件触发函数值，包括：基于各个仿生机器鱼之间的通讯关系，以及各个仿生机器鱼与领航者之间的通讯关系，确定多仿生机器鱼系统对应的伴随矩阵、度矩阵和拉普拉斯矩阵，以及所述领航者与各个仿生机器鱼之间的通讯矩阵；将所述任一仿生机器鱼在当前时刻的状态信息估计值作为所述任一仿生机器鱼在上一触发时刻的状态信息，并基于所述任一仿生机器鱼在上一触发时刻的状态信息，以及所述任一仿生机器鱼在当前时刻的状态信息，确定所述任一仿生机器鱼在当前时刻的触发误差；基于所述伴随矩阵、度矩阵、拉普拉斯矩阵、通讯矩阵，以及所述任一仿生机器鱼在当前时刻的触发误差，确定所述任一仿生机器鱼在当前时刻的事件触发函数值。
4.根据权利要求3所述的多仿生机器鱼系统编队控制方法，其特征在于，所述基于所述伴随矩阵、度矩阵、拉普拉斯矩阵、通讯矩阵，以及所述任一仿生机器鱼在当前时刻的触发误差，确定所述任一仿生机器鱼在当前时刻的事件触发函数值，包括：其中，Γ
i
(t)为所述任一仿生机器鱼i在当前时刻t的事件触发函数，σ为第一正项系数，σ
l
为第二正项系数，l为所述领航者的标号，L为拉普拉斯矩阵，W为通讯矩阵，Φ为归一化矩阵，β为第三正项系数，D为度矩阵；所述触发误差包括位置触发误差和速度触发误差，e
ηi
(t)为所述任一仿生机器鱼i在当前时刻t的位置触发误差，e
vi
(t)为所述任一仿生机器鱼i在当前时刻t的速度触发误差，(t)为所述任一仿生机器鱼i在当前时刻t的速度触发误差，为所述任一仿生机器鱼i在当前时刻t的位置信息估计值，η
i
(t)为所述任一仿生机器鱼i在当前时刻t的位置信息，为所述任一仿生机器鱼i在当前时刻t的位置信息，为所述任一仿生机器鱼i在当前时刻t的位置信息，为所述任一仿生机器鱼i在当前时刻t的速度信息估计值，υ
i
(t)为所述任一仿生机器鱼i在当前时刻t的速度信息；Δ
f
为所述领航者的运动限制参数，λ
i
为正阈值系数，λ
i
≤1，j为所述仿生机器鱼i对应的任一近邻仿生机器鱼的标号，V为所述多仿生机器鱼系统对应的点集合，a

【专利技术属性】
技术研发人员：吴正兴，戴时捷，王健，喻俊志，谭民，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：