一种障碍环境下多无人机自适应预测协同围捕方法

本发明涉及飞行器制导与控制，具体涉及一种障碍环境下多无人机自适应预测协同围捕方法。

背景技术：

1、随着无人机集群技术的飞速进步，其在民用领域的应用场景日益广泛且复杂多变，对集群在未知动态环境下的自主决策与协同控制能力提出了更高的实时性与鲁棒性要求。多无人机协同围捕作为一种高效的群体协作方式，在城市低空安防、重点区域与重大活动防护、公共安全应急响应以及野生动物监测等民用任务中扮演着核心角色。提升集群的协同围捕能力，对于保障公共空域安全、提高综合执法与任务执行效率具有至关重要的作用，在民用智能装备领域具有广阔的应用前景。

2、当前针对无人机协同围捕的方法主要分为两类。一类是基于传统几何规则或人工势场法的解析控制方法。该方法通常利用引力与斥力场的叠加，通过求解势场梯度快速生成控制指令。目前已有较多学者在此领域建立了成熟的理论体系，能够满足简单环境下实时避障与协同的需求。但受限于势场函数的预设形式，该方法在面对多约束、非线性动力学以及复杂障碍物分布时，容易出现局部极小值点导致任务失效，其在动态场景下的适应性仍有待提高。

3、另一类是基于数值优化或启发式搜索的轨迹规划方法。相对于传统势场法，由于引入了更高级的预测模型与评价函数，在处理复杂边界约束与多机防撞方面取得了显著优势。然而，这类方法的计算代价通常随集群规模呈指数级增长。目前大多数数值方法受限于繁琐的迭代寻优过程与对初值的高度敏感性，普遍存在计算耗时长、难以应对目标突发机动的问题，限制了其在真实在线实时围捕任务中的应用。

4、尤其是，现有协同围捕方案中，传统势场类避障手段均直接采用障碍物法向斥力与目标吸引力进行矢量叠加，引力与斥力直接对冲耦合。当无人机靠近障碍物同时又需要向目标靠拢时，极易形成合力零点，造成无人机停滞、轨迹高频震荡，陷入局部极小值死锁；同时传统方案未对远距离追踪阶段的势场梯度消失问题做专门处理，缺少追踪-围捕任务阶段的自适应权重调节逻辑。而数值优化类方法又受计算量制约，难以兼顾复杂障碍、目标机动、多机队形约束下的在线实时控制，上述缺陷共同制约了多无人机在障碍环境下协同围捕任务的实际落地。

技术实现思路

1、有鉴于此，本发明提供了一种障碍环境下多无人机自适应预测协同围捕方法，引入了基于切向流引导的混合势场避障算法，将障碍物斥力转化为平滑的绕行诱导信号，有效地将环境约束与目标吸引逻辑解耦，避免了无人机在避障过程中出现的震荡或停滞，确保无人机在复杂地理约束下仍能保持精确的围捕构型与稳定的实时响应速度。

2、为了解决上述技术问题，本发明是这样实现的。

3、一种障碍环境下多无人机自适应预测协同围捕方法，包括：

4、步骤1：将无人机的加速度幅值和方位角分别划分为多个能级，生成包含k个候选加速度矢量的候选动作集；其中，为候选动作集中的第个候选加速度矢量，和分别为的加速度幅值和方位角；

5、步骤2：执行协同围捕的每个无人机，根据无人机当前控制周期的位置和速度，利用运动学预测模型确定每一个候选加速度矢量在下一控制周期的预判位置；

6、步骤3：无人机基于所述候选动作集中的每个候选加速度矢量及步骤2生成的预判位置，采用涵盖包围态势收敛、队形协同、平滑绕行避障的多维启发式评分模型，确定每个候选加速度矢量的综合评分；其中，所述平滑绕行避障对应的障碍物切向流引导项设计为候选加速度矢量产生的预测速度与无人机靠近障碍物时切向量的内积；

7、步骤4：选取综合评分最大的候选加速度矢量作为当前控制周期的最优加速度指令；将最优加速度指令代入无人机动力学模型中，驱动无人机向下一状态演化；重复执行步骤2~4。

8、优选地，步骤1中，所述将无人机的加速度幅值和方位角分别划分为多个能级为：在加速度幅值的最大值和最小值之间，划分加速度幅值能级；在0~之间划分方位角的能级。

9、优选地，步骤2中，所述运动学预测模型为：

10、

11、其中，为施加加速度矢量后对应的下一控制周期无人机预判位置，为离散化控制时间步长。

12、优选地，步骤3中，所述多维启发式评分模型为：

13、

14、其中，为候选加速度矢量的综合评分；是各项势场的权重系数；

15、为目标捕获导向项，引导无人机收敛于包围圆周；

16、为协同间隔项，通过指数衰减函数调整机间排斥力，强制无人机集群在围捕阶段自发形成几何对称的等间距分布队形；

17、为针对目标的长程启发引导项，无人机预判位置相距目标的距离与期望围捕圆周绝对差异越大，长程启发引导项越小，但始终不为0，在无人机远离目标时提供持续且稳定的指向性梯度；

18、为障碍物切向流评分，用于引导无人机平滑绕行避障；当无人机靠近障碍物时，计算法向量和切向量；障碍物切向流引导项为候选加速度矢量产生的预测速度与无人机靠近障碍物时切向量的内积：

19、

20、。

21、优选地，所述目标捕获导向项，采用高斯分布势场来评估无人机预判位置与理想围捕半径的径向偏差，引导无人机收敛于包围圆周；

22、

23、其中，为无人机根据候选加速度矢量预测的下一控制周期无人机预判位置，为目标的位置矢量；为理想围捕半径；为高斯函数的标准差，决定了吸引力场的影响范围和陡峭程度。

24、优选地，所述协同间隔项为：

25、

26、其中，为无人机根据候选加速度矢量预测的下一控制周期无人机预判位置，为最近邻居无人机的位置矢量；表示无人机的预判位置与最近邻居无人机之间的欧氏距离；理想机间距离，为理想围捕半径，为分配给单一目标执行围捕任务的无人机集群规模。

27、优选地，所述长程启发引导项为：

28、

29、其中，为无人机根据候选加速度矢量预测的下一控制周期无人机预判位置，为目标的位置矢量；为启发项增益系数，为理想围捕半径；为无人机预判位置相距目标的距离与期望围捕圆周的绝对差异。

30、优选地，该方法进一步包括：

31、根据无人机当前控制周期位置与目标位置的相对距离，动态调整多维启发式评分模型中协同间隔项的权重系数；如果大于设定距离阈值，则采用设定的低权重系数，以切换到追踪阶段，吸引力占主导，引导无人机集群快速向目标收敛；如果小于或等于所述设定距离阈值，则采用设定的高权重系数，以切换到围捕阶段，克服目标吸引的局部极值，强迫无人机沿围捕圆周均匀展开；

32、所述设定距离阈值为，为理想围捕半径，为判定追踪阶段和围捕阶段进行阶段切换的距离缓冲裕度。

33、优选地，该方法进一步包括，在围捕过程中，引入基于位置修正算法的向量化碰撞处理机制：

34、实时计算无人机间的欧氏距离，当任意两无人机的欧氏距离低于安全阈值时，计算两无人机的重叠矢量；为单架无人机的安全碰撞半径；

35、

36、其中，和分别为无人机和在当前控制周期的位置矢量；

37、对无人机施加位移补偿：

38、

39、其中，“”表示赋值操作；表示获取所有与无人机的距离低于安全阈值的无人机的重叠矢量，将这些重叠矢量相加后除以2，作为对无人机施加的位移补偿。

40、优选地，步骤4在确定最优加速度指令后，进一步对最优加速度指令进行修正：

41、

42、其中，为经过平滑修正后的最终加速度指令，将该最终加速度指令代入无人机动力学模型中；为指令的幅值；为方向平滑因子，用于控制指令向当前速度方向偏转的程度，以模拟真实物理约束。

43、有益效果：

44、（1）本发明引入基于切向流引导的混合势场避障算法，将障碍物法向斥力转化为平滑绕行诱导信号，实现避障逻辑与目标吸引逻辑解耦，能够避免无人机在障碍物前方发生停滞、震荡现象，提升障碍环境下无人机集群机动流畅性，解决传统势场法斥力-引力对冲带来的局部极小值死锁难题。

45、（2）本发明构建包含目标捕获导向项、协同间隔项、长程启发引导项、障碍物切向流评分的多维启发式评分模型，搭配极坐标采样离散候选动作集完成并行预测搜索；一方面利用高斯势场抑制靠近目标时的速度超调与轨迹震荡，依靠长程启发引导项消除远距离下梯度消失问题，另一方面借助局部距离感知的协同间隔项实现集群自发等间距对称布局，无需复杂全局通信，兼顾围捕收敛精度与队形协同性能。

46、（3）在一优选方案中，通过重叠矢量位移补偿保证机群密集围捕时的物理飞行安全。

47、（4）在一优选方案中，根据无人机-目标相对距离动态调整协同间隔项权重，完成追踪阶段快速收敛到围捕阶段均匀构型的平滑过渡。

48、（5）在一优选方案中，进一步对加速度指令进行平滑修正，贴合无人机真实动力学约束，可在线实时输出控制指令，对机动逃逸目标具备强鲁棒性，适配真实场景在线围捕任务。