System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及面向多无人机,特别涉及一种面向多无人机系统的启发式集群预测控制方法。
技术介绍
1、自然界中的生物群体行为对空中集群系统控制有很好启发作用,群居动物体现的自组织、反应迅速、整齐有序等特点都是分布式集群控制的目标。许多学者对生物集群行为建模,提出了许多经典的集群控制算法。最早提出的是reynolds的三条集群规则,包括内聚、分离、对齐。这些规则能描述生物群体的基本行为,对设计多无人系统群体的集群控制方法有一定启发。但reynolds规则过于简单,包括其它经典模型,例如vicsek模型,cucker-smale模型,它们都难以有效处理复杂场景的集群控制问题。在后来的集群控制方法研究中,人工势场的概念被广泛使用。人工势场是与物理中的重力场对应的,类似用引力势来描述重力场,学者们通过建立势函数对无人系统与外部环境间的关系进行描述,将关系中的某些特征用势的高低衡量。势函数梯度下降的方向可以指明无人系统的运动方向,因为根据最小势能原理,系统会自发地朝能量减小的方向运动。目前这种梯度下降的方式几乎用到了所有势函数场合,但存在一定的局限性。多个势场叠加组合后常常产生局部极小值,无人系统可能陷入其中,无法前往最优解所在的位置。而且,人工势场法无法避免不自然振荡现象,集群控制算法都需要避免这些问题。模型预测控制可解决状态变量的多约束优化问题,对处理集群避障问题有巨大潜力。该方法将无人系统与每个障碍物的约束考虑进代价函数优化问题中,实现了快速、稳定的控制效果。但是,模型预测控制需要在每一时间步迭代求解优化问题,非常消耗计算资源。对于组成
2、现有技术提供了一种基于模型预测控制的多无人机编队协同控制方法,包含以下步骤:步骤一:初始化任务要求和相关控制参数等;步骤二:对领航无人机进行初步航迹规划;步骤三:通过传感器实时检测飞行区域环境情况,判断并选取合适飞行编队,计算(更新)虚拟编队引导点;步骤四:根据所计算的虚拟编队引导点,以该引导点作为代价计算参考值,计算代价函数,采用基于分布式模型预测控制的粒子群优化策略进行飞行控制;步骤五:重复步骤二、步骤三和步骤四,控制多无人机编队协同飞行,直到到达目标位置。
技术实现思路
1、本专利技术为克服上述的计算量大和无人机集群避障预测不准确的缺陷,提供一种面向多无人机系统的启发式集群预测控制方法。
2、为解决上述技术问题,本专利技术的技术方案如下:
3、本专利技术提供了一种面向多无人机系统的启发式集群预测控制方法,所述方法包括:
4、s1:构建无人机集群模型,包括若干个无人机和若干个障碍物;对每个所述无人机建立状态方程,并设置虚拟无人机的运动模式和障碍物感知集合;
5、s2:构建无人机的原始控制空间,输入到状态方程中,获得无人机原始预测状态集;
6、s3:根据障碍物感知集合、虚拟无人机的运动模式和原始预测状态集,构建势函数和代价函数;
7、s4:基于势函数的空间梯度和代价函数的期望方向确定初始解,并对所述初始解进行筛选,获得初步筛选的控制空间;
8、s5:将所述无人机集群模型转化为吉布斯自由场模型,建立联合概率密度分布问题,并根据联合概率密度分布问题设置更新准则;初步控制空间输入到状态方程中,获得初步预测状态集;
9、s6:利用更新准则初步预测状态集进行迭代优化,计算对应的联合概率密度值;当联合概率密度值最大时,将对应的初步筛选的控制空间作为最优控制空间,利用所述最优控制空间对无人机集群进行控制。
10、优选地,在s1中,对每个所述无人机建立状态方程,所述状态方程为:
11、
12、其中,pi为无人机的位置,vi为无人机的速度,xi为无人机的状态,ui为无人机的控制输入,m为无人机的质量,为输入控制输入后的无人机的状态。
13、优选地,在s2中,构建无人机的原始控制空间,所述无人机的原始控制空间为:
14、
15、其中,ut为等差数列,e(k1δθ,k2δφ)为控制输入的方向,k1,k2,kθ,kφ为整数;δθ为水平控制输入方向的角度间隔;δφ为垂直控制输入方向的角度间隔;为整数集。
16、优选地,在s3中,根据障碍物感知集合、无人机的运动模式和原始预测状态集,构建势函数,所述势函数包括无人机之间的势函数和无人机与障碍物之间的势函数;
17、所述无人机之间的势函数的公式为:
18、
19、其中,ka为第一参数;kt是第二参数;rf是相邻无人机之间的期望距离;||pij||代表无人机qi与无人机qj之间的距离;ψar为无人机之间的势函数;
20、所述无人机与障碍物之间的势函数包括无人机与障碍物之间的排斥势函数和的无人机与障碍物的偏差势函数,公式为:
21、ψo=ψob+ψor
22、其中,ψo为无人机与障碍物之间的势函数;ψob为无人机与障碍物之间的排斥势函数;ψor为无人机与障碍物的偏差势函数。
23、优选地,所述无人机与障碍物之间的势函数包括无人机与障碍物之间的排斥势函数和的无人机与障碍物的偏差势函数,所述无人机与障碍物之间的排斥势函数的公式为:
24、
25、其中,kor为第三参数;||piβ||为无人机相对障碍物间距离;
26、所述无人机与障碍物之间的偏差势函数的公式为:
27、
28、其中,kob为第四参数;rρ为障碍物离无人机当前速度方向的最小距离;ugo为绕开障碍物的期望方向;vi表示当前的速度;ρ(λ,δ,z)为过渡函数;kδ为第五参数。
29、优选地,在s3中,所述代价函数包括虚拟无人机位置的代价函数和虚拟无人机速度的代价函数;
30、所述虚拟无人机位置的代价函数的公式为:
31、ψrp=krp(exp(||pi1||)-1)
32、其中,ψrp为虚拟无人机位置的代价函数;krp为第六参数;||pi1||为无人机qi与虚拟无人机之间的距离;
33、所述虚拟无人机速度的代价函数的公式为:
34、ψrv=krv(exp(||vi1||)-1)
35、其中,ψrv为虚拟无人机速度的代价函数;krv为第七参数;||vi1||为无人机qi与虚拟无人机之间的相对速度。
36、优选地,所述s6的具体方法为:
37、s61:初始化设置的更新准则;
38、s62:设置预备操作集,将初步预测状态集中的随机变量存入预备操作集,利用设置的更新准则对所述变量进行计算,获得预测边缘概率分布值;
39、s63:在预备操作集中选出一个变量移出预备操作集,利用设置的更新准则对所述变量进行计算,获得预备边缘概率分布值;若预测边缘概率分布值与预备本文档来自技高网...
【技术保护点】
1.一种面向多无人机系统的启发式集群预测控制方法,其特征在于,所述方法包括:
2.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S1中,对每个所述无人机建立状态方程,所述状态方程为:
3.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S2中,构建无人机的原始控制空间,所述无人机的原始控制空间为:
4.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S3中,根据障碍物感知集合、无人机的运动模式和原始预测状态集,构建势函数,所述势函数包括无人机之间的势函数和无人机与障碍物之间的势函数;
5.根据权利要求4所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,所述无人机与障碍物之间的势函数包括无人机与障碍物之间的排斥势函数和的无人机与障碍物的偏差势函数,所述无人机与障碍物之间的排斥势函数的公式为:
6.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S3中,所述代价函数包括虚拟无人机位置的代价函数和虚拟无人
7.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,所述S6的具体方法为:
8.根据权利要求7所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S61中,所述的更新准则为:
9.根据权利要求8所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在S64中,基于优化操作集计算联合概率密度,所述联合概率分布的公式为:
10.一种面向多无人机系统的启发式集群预测控制系统,用于实现权利要求1-9所述的方法,其特征在于,所述系统包括:
...【技术特征摘要】
1.一种面向多无人机系统的启发式集群预测控制方法,其特征在于,所述方法包括:
2.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在s1中,对每个所述无人机建立状态方程,所述状态方程为:
3.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在s2中,构建无人机的原始控制空间,所述无人机的原始控制空间为:
4.根据权利要求1所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,在s3中,根据障碍物感知集合、无人机的运动模式和原始预测状态集,构建势函数,所述势函数包括无人机之间的势函数和无人机与障碍物之间的势函数;
5.根据权利要求4所述的面向多无人机系统的启发式集群预测控制方法,其特征在于,所述无人机与障碍物之间的势函数包括无人机与障碍物之间的排斥势函数和...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。