基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法
本发明是一种基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法,属于无人机集群自主控制领域。
背景技术:
1、近年来,无人机集群在复杂工业、军事场景中发挥着至关重要的作用。然而,在动态、杂乱且未知的环境中,为大规模集群实现兼顾时间效率与安全性的自主导航仍是一个重大挑战。当集群在复杂且障碍物密集的空间中导航时,必须对高层级和低层级的决策过程进行解耦,高层级决策负责评估并选择集群在自由空间中的最佳拓扑推进方向,而低层级决策则专注于选定拓扑通道内的轨迹优化与控制。但是,现有的部分框架将高层规划局限于静态或已知环境,限制了它们在未知和动态工业应用中的适用性。而未能有效分离这些决策层,会使集群规划退化为一个极易陷入局部极小值的非凸轨迹优化问题,最终严重损害系统的导航效率和安全性。本发明旨在提出一种基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法,以提升无人集群在复杂未知环境下的动态适应能力。
2、现有生物集群规划与控制方法大多借鉴蚁群、蜂群或鱼群的协同机制。蚁群类方法强调信息素沉积与间接通信,适合渐进式路径搜索,但其决策依赖环境标记和多轮累积反馈,难以适应高速、未知且高度动态的空域。蜂群类方法通常通过候选方案评估和群体投票实现集体选择,能够形成全局偏好,但其核心仍偏向静态或低频决策,对连续运动中的瞬时冲突响应不足。鱼群方法则主要依靠对齐、聚合和分离等局部规则维持队形一致性,能够产生平滑的集群运动,却缺乏对多同伦类通道的显式探索与选择机制。因此,这些生物集群方法虽然能够解释一定程度的协同运动,却难以刻画复杂障碍环境中个体意图分歧、拓扑路径竞争以及群体重新统一之间的动态转换过程。
3、相比之下,鸽群在复杂环境中的集体飞行呈现出更适合空中集群导航的冲突解决机制。在应对入侵的捕食者(如老鹰)时,受局部感知受限、个体运动能力差异以及轨迹偏好冲突的影响,鸽群内部常会产生短暂的意图分歧。然而,这种分歧并不会导致群体失控、碰撞或永久分裂。相反,群体会先在势能面上发生分岔,使多个同伦类通道被自发并行探索;随后,在短暂的空间分歧之后,群体通过自发对称性破缺迅速收敛到综合成本最低的一组同伦轨迹,并从捕食者的同一侧躲过,如图1所示。该机制既保留了拓扑探索能力,又维持了群体连通性,使集群能够作为一个安全、统一的整体穿越复杂空域。
4、综上所述,本发明提出一种基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法。该方法借鉴鸽群的集体智能行为,成功解耦了高层拓扑决策与底层轨迹优化。通过引入多同伦类的并行优化机制以规避局部极小值,有效融合了基于优化的局部规划器和全局规划器的优势,在动态未知环境中实现了集群拓扑适应性与编队鲁棒性的统一。
技术实现思路
1、本发明的目的在于提出一种基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法,旨在解决无人机集群在未知、动态环境中的自主规划与导航问题。通过借鉴自然界中鸽群的分岔行为,建立鸽群拓扑分叉搜索和拓扑共识决策模型,将其映射到无人机集群自主规划与控制中,为无人机集群在未知、障碍物密集环境中的协同规划问题提供新的解决思路。
2、本发明提出一种基于鸽群分岔共识拓扑优化的大规模无人机任务规划方法,其总体流程如图2所示,具体实现步骤如下:
3、步骤一:初始化大规模无人机集群动态导航任务场景
4、s11、初始化无人机集群动态导航任务的三维工作空间与障碍物集
5、本发明首先建立用于无人机集群动态规划任务的连续三维工作空间,其中为实数空间。假设无人机集群所处的三维导航环境由静态障碍物和动态障碍物共同组成。具体而言,建立包含所有静态障碍物的集合,将其记为,其中表示静态障碍物总数。同时,建立动态障碍物集合,由于动态障碍物在空间中的占据区域随时间变化,因此将在离散时间步占据特定区域的动态障碍物集合表示为,其中表示动态障碍物总数。
6、为了确保无人机集群在复杂动态环境中的导航安全,需要从三维工作空间中剔除障碍物所占据的区域,提取出不与任何障碍物发生碰撞的自由空间。因此,在任意给定的离散时间步,将无人机集群的无碰撞空间表示为一个时变集合。后续的协同轨迹规划与控制求解过程均将严格限制在此时变的无碰撞空间内进行,从而为由架同构个体组成的无人机集群提供底层安全保障。
7、s12、设定无人机集群运动的起始和目标区域
8、在执行导航规划任务前,首先需要确定无人机集群在任务空间中的边界约束。假设集群由架同构无人机组成,定义每架无人机在任务起始时刻的初始状态为,以及任务结束时刻的初始状态为。基于集群个体的状态分布,本发明分别构建两个互不相交的有界凸集,即起始凸包终端和目标凸包终端,用于表征无人机集群整体的分布范围。这两个终端区域被定义为个体状态点的凸包,其数学表达式如下:
9、 (1)
10、其中,表示拓扑凸包操作。通过设定起始和目标区域的凸包边界,本发明将高维的单机终端约束转化为对整个集群的拓扑约束空间,为后续中枢轨迹的提取以及中枢轨迹簇的构建提供几何基准。在导航过程中,所有无人机的轨迹将受限于从延伸至的拓扑空间内,从而确保集群在起始和结束阶段均能保持预设的编队鲁棒性。
11、s13、建立无人机个体非线性运动学与动力学模型
12、本发明将无人机集群中的个体均视为同构非线性模型,其中为无人机状态向量,为位置,为线性速度向量,为描述从机体坐标系旋转到惯性坐标系的单位四元数,为机体坐标系下的角速率,为系统输入,则无人机同构模型可以表示为:
13、 (2)
14、其中,为hamilton四元数乘法,表示四元数旋转矩阵,为无人机质量,为转动惯量,为推力合力,为机身转矩。由和组成的系统输入被进一步解耦为:
15、 (3)
16、其中,为无人机第个电机的油门,为无人机机臂长度,为电机扭矩常量。可知,无人机集群中的第个个体可以由如下离散时间非线性系统表示:
17、 (4)
18、其中,和分别为状态和控制输入的可行域,和分别为状态和控制输入的维度,
k表示离散时间步,表示状态转移函数。
19、步骤二:生成基于鸽群拓扑分岔搜索的通道中心化分岔中枢轨迹簇
20、s21、生成基于鸽群智能通道中心化可见性概率路线图的分岔中枢轨迹集
21、当鸽群遭遇老鹰等快速逼近的动态威胁时,群体并不会立即以单一路径整体绕行,而是会在威胁出现的早期阶段形成短暂的空间分岔。部分个体倾向于从威胁一侧通过,另一些个体则探索另一侧的可行通道,从而在有限时间内对威胁周围的不同拓扑空间进行并行试探。随着群体对威胁位置、运动趋势和可通行区域形成更稳定的判断,原本分散的飞行趋势会逐渐收敛,个体间的方向差异减小,群体重新汇聚到一个共享的逃逸路线或绕行通道中。这种先分岔、后汇聚的群体行为表明,鸽群在动态风险环境中可通过短时的空间分化提高路线探索能力,并通过后续的共识形成维持整体凝聚性和飞行稳定性。
22、在基于鸽群分岔与共识行为的无人机集群动态导航任务场景中,为了探索障碍物周围的拓扑空间,需要首先规划出多条不同伦的分岔路径,即分岔中枢轨迹。目前最常见的分岔路径规划方法为可见性概率路线图,但是传统可见性概率路线图方法生成的路径容易贴近障碍物边缘,不利于集群的通行。鸽群在躲避障碍物时通常将集群中心线维持在障碍物间隙中间,以保证足够的安全裕度。受此启发,本发明提出一种鸽群智能通道中心化可见性概率路线图算法,以生成具有足够安全裕度的分岔中枢轨迹。首先,遍历环境中的任意障碍物对,提取它们之间的最短连接线段,其中且。接着,以该线段的中点为中心,为直径,构建各向同性探测球体。若该探测球体内不包含任何其他障碍物,即满足,则判定该线段为有效通道,并将其加入有效通道集合中。为了模拟鸽群智能通行行为,本发明使中枢轨迹尽量贴近局部自由空间的中轴线。具体而言,针对每一个有效通道,识别其左右顶点和,计算该通道的几何中心和半宽。在进行图扩展之前,将上述鸽群智能几何中心锚点预先分配并初始化至节点集合和守卫节点集合中。利用初始化后的节点集合,执行可见性概率路线图扩展,构建包含所有同伦类的连通图,其中为无向边集合。对于图中的每条无向边,为其定义并分配同时惩罚路径总长度和向心偏差的鸽群中心化通信代价函数:
23、 (5)
24、其中,表示长度代价权重,为向心偏差惩罚权重,表示连线边与对应通道的交点。之后,采用深度优先搜索算法从连通图中提取所有可行路径集合。计算集合中每条路径的总代价,并按代价从小到大进行升序排列。随后,遍历排序后的路径集,基于二维h-signature方法对3d路径在水平面上的投影进行同伦性比较,仅保留属于不同同伦类的最优路径,剔除次优的同伦冗余路径,直至提取出设定数量的分岔路径,最终输出鸽群智能分岔中枢轨迹集合,其中包含有限条从起点到终点的分岔中枢轨迹。
25、s22、生成基于鸽群层级交互机制的线性转移边界轨迹集
26、在鸽群中同时存在着领导者和跟随者。其中,领导者承担着规划与决策任务,将规划好的规划通过环形吸引子网络传递给跟随者。这种层级交互方式为轻量化大规模无人机集群导航提供了解决思路。首先,基于步骤s21生成的鸽群智能分岔中枢轨迹构建线性转移边界轨迹。定义线性转移边界轨迹集合为。对于起始凸包终端边界上的任意点和目标凸包终端边界上的任意点,通过对中枢轨迹进行可变形线性转移,生成连接点对的线性转移边界轨迹,其数学表达式为:
27、(6)
28、其中,为路径进度参数,和分别为起始和目标终端处的空间平移向量。
29、s23、基于鸽群编队实时重构行为的中枢轨迹簇重定位
30、当鸽群在空中飞行时,往往会因为障碍物的突然出现调整编队构型。与大雁、欧椋鸟等其他鸟类不同的时,鸽群对于编队构型的调整只会影响处于边界位置的鸽子,以保持整体队形不发生彻底的结构改变。在步骤s22中生成的鸽群层级交互线性转移边界轨迹可能会与障碍物发明碰撞,故需要在其基础上进行进一步处理。本发明提出基于鸽群构型实时重构行为执行中枢轨迹簇重定位方法,仅对有限条线性转移边界轨迹进行重定位,进而通过凸组合生成无限条可行的内部曲线,从而保证了方法的轻量化。具体而言,首先提取边界轨迹与中枢轨迹所穿过通道所在直线的交点,将其作为待评估的参考点。计算该参考点与最近障碍物边界点的欧氏距离。若该距离小于预设的障碍物安全碰撞距离,即,则触发向心压缩机制。边缘参考安全点计算为:
31、 (7)
32、从而得到向心压缩系数为:
33、 (8)
34、若该距离小于预设的障碍物安全碰撞距离,即,则令。最终,将参考点沿着指向中枢轨迹的方向进行压缩,获得重定位后的安全参考点:
35、 (9)
36、在获得重定位的安全参考点后,基于有序参考参数集合,对每个参数区间执行可变形线性转移,以重构连续的边界轨迹,其中所述有序参考参数集合,是由系列参考点的路径进度参数构成。重构后连续的边界轨迹表示为:
37、(10)
38、从而得到安全的重定位线性转移边界轨迹集合。之后采用凸组合方式,利用凸组合系数将线性转移边界轨迹进行线性加权,生成无限条可行且无交叉的内部曲线,即:
39、 (11)
40、从而构成了重定位内部曲线集合,输出包含重构边界轨迹集合和内部曲线集合的重定位中枢轨迹簇,为无人机集群提供安全可行的优化局部拓扑空间。
41、步骤三:基于鸽群协同进度一致机制的模型预测轮廓控制并行优化
42、s31、基于标准模型预测轮廓控制的集群个体局部优化
43、对于传统的模型预测轮廓控制框架,假设期望的三维路径由其弧长参数化为,其中表示离散时间步时期望路径的弧长。期望路径在处的单位切向量表示为,满足。给定三维期望空间路径,模型预测轮廓控制(model predictive contouring control, mpcc)旨在生成一个控制策略,将当前状态映射到滚动时域内的最优控制输入上。具体而言,mpcc的目标是在最大化沿路径的推进速度的同时,最小化轮廓误差。其目标函数定义为:
44、 (12)
45、其中,表示预测时域,分别为轮廓误差和推进进度的惩罚权重,和分别为状态和输入,为初始状态。离散时间步的轮廓误差表达为:
46、 (13)
47、由于通过上式求解精确的轮廓投影计算量极大,难以满足实时在线优化的要求,因此本发明通过将弧长参数作为附加状态引入原系统,对原系统进行增广,即:
48、 (14)
49、其中,为控制器决定的虚拟推进速度,为采样间隔。的前向演化严格强制了单调递增的跟踪进度。虚拟推进速度通过将系统速度投影到单位切向量上得出,表示为。因此,扩展后的系统状态和输入可以表示为,其中扩展状态定义为,扩展控制输入定义为。
50、在离散时间步,位置误差向量可以被解耦为两个正交分量,即滞后误差和轮廓误差。滞后误差定义为沿运动方向的纵向偏差,通过将位置误差投影到单位切向量上进行近似计算,表示为:
51、 (15)
52、而轮廓误差量化了正交于期望路径的横向偏差,表示为:
53、 (16)
54、其中,为适当阶数的单位矩阵。可以推导出,如果,则的近似值将与他们的真实值相等。
55、s32、基于鸽群协同进度一致机制的群体模型预测轮廓控制
56、如果将上述独立的模型预测轮廓控制过程单独应用于集群中的每个个体以跟踪其预定义路径,每个个体将在受限于局部约束的情况下,激进地最大化自身地推进速度。然而,当个体在具有异构动态约束的局部环境中导航时,各个个体的最优推进速度将出现显著差异。这种不协调的决策不仅破坏了集群的编队拓扑结构,从而增加了智能体间的通信开销,还可能导致指定的中枢轨迹簇被移动障碍物截断。因此,该情况极易触发异步或严重冲突的避障机动,最终导致集群导航失败。
57、与其他鸟类不同的是,鸽群在进行集群导航时,个体会通过环形吸引子和邻居个体共享自身信息。这种环形吸引子会在整个集群内传播,从而保证所有个体的路径跟踪进度一致,以维持编队的拓扑构型。受上述鸽群协同进度一致机制启发,本发明改进了标准的模型预测轮廓控制方法,为每个个体的代价函数中引入了协作进度一致性惩罚项:
58、 (17)
59、其中,表示一致性惩罚系数。的引入强制集群在高度动态的环境中保持同步的编队拓扑结构,从而在最大化跟踪进度的同时,确保在中枢轨迹簇内安全地跟踪预设内部曲线。
60、s33、基于鸽群分岔驱动的多同伦类最优控制问题并行求解
61、综合步骤s31、s32中得到的轮廓误差、滞后误差和一致性惩罚,对于每个个体,在预测时域内的完整局部目标函数表示为:
62、 (18)
63、其中,惩罚矩阵定义为,参数、和代表轮廓误差、滞后误差和推进速度的惩罚权重。正定矩阵用于惩罚相邻时间步之间的控制输入变化。
64、通过对所有个智能体的局部代价进行求和,中枢轨迹簇的总体遍历成本定义为。随后,局部规划器的轨迹优化过程表示为如下的最优控制问题:
65、 (19)
66、在该最优控制问题中,上述遍历成本目标函数表达了整体的规划目标。无人机的智能体动力学、初始条件以及状态/输入约束由对应的等式与包含关系实施严格限制。可行状态集合构成了该最优控制问题中拓扑同伦的中枢轨迹簇约束以及智能体间的动态避障约束。
67、步骤四:基于鸽群分岔与共识行为对最优中枢轨迹簇做出决策
68、自然界中的鸽群在没有集中协调的情况下,在复杂环境中解决冲突时展现出了非凡的集体智能。当集群在密集环境中高速穿梭时,个体间由于局部感知受限、异构的运动学约束或冲突的轨迹偏好,经常会产生意图分歧。但是,鸽群会通过并行优化决策,选择其中单一同伦类执行。基于上述鸽群一致性决策行为,本发明建立基于鸽群一致性决策权重拓扑共识决策模型,即在动态导航过程中,大规模无人机集群仅在候选的重定位中枢轨迹簇集合中选择并执行唯一的最优中枢轨迹簇。由于各个同伦类中的所有局部规划器均在最小化结构完全相同的局部代价函数,因此可以直接通过其求解得到的遍历成本来评估各个中枢轨迹簇的质量。然而,如果仅基于当前时刻的最小遍历成本进行决策,当多个不同同伦类中枢轨迹簇的代价值相近时,无人机集群可能会在不同的同伦类之间频繁切换执行轨迹,从而导致集群结构发散或与动态障碍物发生碰撞。为了防止这种频繁切换带来的系统振荡,并模拟鸽群为了避免结构永久性破裂而做出的拓扑共识决策机制,本发明引入了一致性决策权重,最优中枢轨迹簇的索引由下式决定:
69、 (20)
70、其中,权重的具体分配规则如下:若当前的中枢轨迹簇在上一迭代周期中已被选中执行,则赋予其优先级补偿,将其权重设置为;否则,将其视为候选中枢轨迹簇,并将其权重设置为。对于优先级补偿系数,其极端情况的物理意义如下:当时,该决策策略退化为严格的最小成本决策,完全倾向于开拓新的更优拓扑路径;当时,局部规划器将维持与上一迭代周期相同同伦类的中枢轨迹簇,放弃对新拓扑的探索。通过上述基于一致性决策权重的评估模型,本发明使得无人机集群能够在复杂动态环境中动态权衡拓扑分岔搜索与结构凝聚维持。一旦并行求解器在某一拓扑同伦类中达成共识,该权重机制将保护该同伦类免受微小外部扰动的影响,从而保障集群以统一的协同状态安全穿越障碍物密集区域。
71、步骤五:在任务场景中输出当前无人机集群轨迹跟踪状态
72、在基于鸽群分岔与共识行为的无人机集群动态导航静态和动态任务场景中,实时输出集群中每个无人机个体的位置(如图3所示)、虚拟进度速度和实际速度(如图4、图6所示)、电机推力(如图5、图7所示)。当所有无人机均到达指定区域后,仿真结束。
73、本发明的优点及有益效果在于:
74、1)建立了仿鸽群智能的拓扑分岔驱动模型预测轮廓控制并行优化协同规划框架,成功解耦了高层拓扑决策与底层轨迹优化,有效克服了传统单一同伦类优化规划器极易陷入局部极小值且难以适应动态环境的缺陷;
75、2)基于鸽群拓扑分岔搜索机制,提出了通道中心可见性概率路线图与中枢轨迹簇重定位方法,显著降低了大规模集群协同的计算开销,保障了算法的轻量化与实时响应能力;
76、3)基于鸽群拓扑共识决策机制,提出了多同伦类并行优化与拓扑一致性决策方法,保障了集群在高度动态环境下紧密协同与可实施性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com