一种多机协同搜索方法

一种多机协同搜索方法
1.本技术要求申请号为2022103930134，名称为一种多机协同搜索方法的中国发明专利申请的优先权。
技术领域
2.本发明涉及无人机技术领域，尤其涉及一种采用多个无人机协同搜索目标的方法。


背景技术：

3.无人装备能够克服传统载人装备生存能力差、机动性受限、人员耗费高等缺点，在广域目标搜索任务中发挥着越来越重要作用。多机协同搜索即在一定约束和限制条件下，多个机器人(空中或地面)相互协作，以最大综合收益(搜索概率、能量消耗、消耗时间等)实现目标区域搜索。相比较于单机作业，多机协同搜索可有效提高搜索成功率，提升复杂环境下搜索适应性。国内外学者及研究机构通过概率图、不确定图等理论，构建了多机协同搜索模型及仿真系统。但在实际工程应用中，由于无人装备难于获得外界环境信息或者获取的地理环境信息有限，导致搜索模型不完善，多机协同搜索实际应用效果不理想。
4.针对本文搜索的科研试验目标，由于其运动过程受外界环境干扰，其试验系统具有随机噪声，从而导致试验目标运动轨迹不稳定，落点随机性大、难以预测。在多机协同搜索模型考虑无人机能源、机械特性等物理约束较少情况下，导致在工程场景下目标搜索系统能力降低、系统鲁棒性不强。同时，由于多机协同搜索模型没有考虑环境因素对于搜索模型及任务分配的影响，即不同环境条件对无人机传感器的识别准确性造成影响，从而影响任务分配策略。因此，考虑搜索环境因素、目标运动规律和动力学特性的多机协同搜索模型，以及考虑无人机物理约束的任务分配方法是实现多机协同搜索及实际工程应用的理论基础。


技术实现要素：

5.本发明要解决的技术问题是提供一种多机协同搜索方法。
6.为了解决上述技术问题，本发明采用的技术方案是，一种多机协同搜索方法，包括以下步骤：
7.(1)目标区域网格化处理
8.栅格长度最大不超过无人机在一个决策周期执行搜索任务时平均平飞速度下的飞行距离，离散栅格按从左到右从上到下的顺序进行编号，第m行第n列栅格表示为a(m，n)。
9.(2)设定无人机输入参数
10.n台无人机的同时输入搜索目标的初始状态参数，如目标的离散位置坐标、速度和航向角度，根据目标初始状态对网格初始化，通过目标的初始参数由牛顿定律计算得到预期落点，以其为中心，使用二维高斯分布计算目标t时在栅格a的概率p
p
(a，t)；同时引入不确定度概念其中常数k
η
＞0，当栅格a在t时刻目标存在概率p
p
(a，
t)＝0.5时，无人机认为栅格a处“存在目标”与“不存在目标”等可能性，栅格a不确定度最大即η(a，t)＝1，说明无人机对栅格a信息完全不了解；而当p
p
(a，t)＝0，无人机确定栅格a处不存在目标；或者p
p
(a，t)＝1，无人机确定栅格a处存在目标，栅格a不确定度最小即η(a，t)＝0，说明无人机对栅格a信息是完全了解。
11.(3)搜索决策
12.搜索过程初始阶段，未经过搜索的栅格增加引力，引导无人机对未知栅格进行搜索，栅格a增加自身引力通过扩散操作形成人工势场，从而引导无人机对栅格a进行回访，若栅格a目标存在概率p(a，t)满足0.5＜p(a，t)，即栅格a中存在目标可能性较高，但无人机当前无法完全确定存在目标，此时栅格a开始增加自身引力，实现无人机对栅格a回访；当确认栅格a中是否存在目标后，即不确定度η(a，t)＝0时，减小引力；表示t时刻的斥力矩阵，其中a表示t时刻在目标搜索区域m上的离散位置坐标，s
r_phe
(a，t)表示t时刻栅格a的斥力大小，且有：s
r_phe
(a，t)＝s
r_phe
(a，t-1) ti(t)d
r_phe
，d
r_phe
表示斥力常量，斥力只在无人机群访问过，且确定目标不存在栅格中时增加；在每架无人机上分别布置一个本地rho决策器以解决局部优化子问题，通过无线自组网信息交互组成优化，无人机ui本地rho决策器在时刻k搜索决策过程如下：
13.①
预测：无人机ui基于当前k时刻的状态x
i(k)
，预测未来t个时刻的状态规定无人机只能向当前栅格的相邻栅格左转45
°
、直行或向右转45
°
移动，形成集合表示未来t个时刻无人机ui可能到达的栅格和航向，将该集合称为搜索路径树，对于无人机航迹的预测过程被称为搜索路径扩展，将搜索路径树记作其中表示k时刻无人机ui预测到的在未来k q时刻可能到达的栅格集合。
14.②
决策：以搜索性能指标函数衡量搜索路径树的优劣，通过结合环境感知模型，对搜索路径树中的可行解进行资源评估。最后，选择可行解中能够让搜索性能指标函数达到最优的路径
15.③
执行：执行沿最优路径搜寻，控制无人机ui飞向未来时刻将要搜索的栅格位置，并根据探测结果该栅格的存在目标的概率和不确定度进行更新，直到k 1时刻最优决策指令介入。
16.网格概率更新
17.已知t-1时刻栅格a处目标存在概率为p
p
(a，t-1)，当pc(a)＝p
p
(a，t-1)时，通过t时刻无人机ui机载传感器对栅格a探测结果z(i，a，t)，确定后验概率p
p
(a，t)＝p(pc(a)＝1|z(i，a，t))；令那么目标概率分布模型搜索更新公式为：
[0018][0019]
无人机之间通过无线自组网进行信息交互，维护一张共同目标概率分布图表，交互信息内容包括机体编号、所探测栅格编号、探测结果、下一步探测栅格以及消息时间戳
等，无人机编队按照接收到信息，对目标概率分布模型进行对应更新。
[0020]
(5)综合收益评价
[0021]
定义环境搜索收益ja和目标探测与栅格回访收益jb，具体公式如下：
[0022]
无人机ui第l条路径上收益ja(i，l，k)和jb(i，l，k)，分别定义为和则无人机ui第l条路径的综合收益为其中μa，μb为常数调节系数调整权重占比，引导无人机ui选择综合收益更高的第l条路线，在第l条路线的综合收益f
i1
(k)越高则选择该路线的可能性越大。
[0023]
(6)得到目标位置
[0024]
随着搜索的进行，根据人工势场的指引，无人机将不断根据以上的步骤(5)的最优路径逐渐逼近引力最大的位置，最终得到搜索区域内目标存在可能性最大的位置。
[0025]
本发明的有益效果是：
[0026]
在考虑搜索环境因素、目标运动规律和动力学特性的基础上，构造多机协同搜索模型，从而提高搜索效率；通过多机协同工作对目标存在位置概率更新，并根据概率分布进行路径优化，最终实现更加高效的多机协同搜索。
附图说明
[0027]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0028]
图1是本发明实施例的协同搜索分布式决策示意图。
[0029]
图2是本发明实施例的实验数据绘制搜索航迹图。
具体实施方式
[0030]
一种多机协同搜索方法，包括以下步骤：
[0031]
(1)目标区域网格化处理
[0032]
栅格长度最大不超过无人机在一个决策周期执行搜索任务时平均平飞速度下的飞行距离，离散栅格按从左到右从上到下的顺序进行编号，第m行第n列栅格表示为a(m，n)，本实施例中，栅格的长为10m～500m，宽为10m～500m。
[0033]
(2)无人机输入参数设定
[0034]
n台无人机的同时输入搜索目标的初始状态参数，如目标的离散位置坐标、速度和航向角度。根据目标初始状态对网格初始化，通过目标的初始参数由牛顿定律计算得到预期落点，以其为中心，使用二维高斯分布计算目标t时在栅格a的概率p
p
(a，t)；同时引入不确定度概念其中常数k
η
＞0，当栅格a在t时刻目标存在概率p
p
(a，t)＝0.5时，无人机认为栅格a处“存在目标”与“不存在目标”两种可能性，栅格a不确定度最大即η(a，t)＝1，说明无人机对栅格a信息完全不了解；而当p
p
(a，t)＝0，无人机确定栅格a处不存在目标；或者p
p
(a，t)＝1，无人机确定栅格a处存在目标，栅格a不确定度最小即η(a，t)＝0，说明无人机对栅格a信息是完全了解，则根据第j种环境中栅格a环境因素调整对应
初始不确定度ηj(a，0)，引导对环境复杂地区派遣更多无人机进行搜索，更新算法公式表示为：
[0035][0036]
无人机检测概率和虚警概率随环境复杂度变化而变化，和由任务区域历史试验数据及环境信息决定。为方便计算，本实施例对环境信息采用归一化方法，将其离散化后在不同环境下如表1、表2所示。
[0037]
表1无人机传感器不同环境检测概率
[0038][0039]
表2无人机传感器不同环境虚警概率
[0040][0041]
构建了基于无线自组网的空地协同搜索实验。实验应用设备包括：
[0042]
地面识别系统转台2台(1台固定放置，1台由agv搭载)；
[0043]
空中搜索无人机3架(3架大型旋翼无人机)；
[0044]
高动态目标1个(高速固定翼无人机，翼展1.8米，升限1500米，最大飞行速度小于200千米/小时)；
[0045]
fcs无线设备4台。
[0046]
(3)搜索决策
[0047]
搜索过程初始阶段，未经过搜索的栅格增加引力，引导无人机对未知栅格进行搜索，栅格a增加自身引力通过扩散操作形成人工势场，从而引导无人机对栅格a进行回访，若栅格a目标存在概率p(a，t)满足0.5＜p(a，t)，即栅格a中存在目标可能性较高，但无人机当前无法完全确定存在目标，此时栅格a开始增加自身引力，实现无人机对栅格a回访；当确认栅格a中是否存在目标后，即不确定度η(a，t)＝0时，减小引力；表示t时刻的斥力矩阵，其中a表示t时刻在目标搜索区域m上的离散位置坐标，s
r_phe
(a，t)表示t时刻栅格a的斥力大小，且有：s
r_phe
(a，t)＝s
r_phe
(a，t-1) ti(t)d
r_phe
，d
r_phe
表示斥力常量，斥力只在无人机群访问过，且确定目标不存在栅格中时增加；在每架无人机上分别布置一个本地rho决策器以解决局部优化子问题，通过无线自组网信息交互组成优化，无人机ui本地rho决策器在时刻k搜索决策过程如下：
[0048]
①
预测：无人机ui基于当前k时刻的状态x
i(k)
，预测未来t个时刻的状态规定无人机只能向当前栅格的相邻栅格左转45
°
、直行或向右转45
°
移动，形成集合表示未来t个时刻无人机ui可能到达的栅格和航向，将该集合称为搜索路径树，对于无人机航迹的预测过程被称为搜索路径扩展，将搜索路径树记作其中表示k时刻无人机ui预测到的在未来k q时刻可能到达的栅格集合。
[0049]
②
决策：以搜索性能指标函数衡量搜索路径树的优劣，通过结合环境感知模型，对搜索路径树中的可行解进行资源评估。最后，选择可行解中能够让搜索性能指标函数达到最优的路径
[0050]
③
执行：执行沿最优路径搜寻，控制无人机ui飞向未来时刻将要搜索的栅格位置，并根据探测结果该栅格的存在目标的概率和不确定度进行更新，直到k 1时刻最优决策指令介入。
[0051]
在每架无人机上分别布置一个本地rho决策器以解决局部优化子问题，通过无线自组网信息交互组成优化问题解，如图1所示。
[0052]
网格概率更新
[0053]
已知t-1时刻栅格a处目标存在概率为p
p
(a，t-1)，当pc(a)＝p
p
(a，t-1)时，通过t时刻无人机ui机载传感器对栅格a探测结果z(i，a，t)，确定后验概率p
p
(a，t)＝p(pc(a)＝1|z(i，a，t))；令那么目标概率分布模型搜索更新公式为：
[0054]
[0055]
无人机之间通过无线自组网进行信息交互和计算，得到目标的概率分布模型。交互的信息内容包括机体编号、所探测栅格编号、探测结果、下一步探测栅格以及消息时间戳等，无人机编队按照接收到信息，对目标的概率分布模型进行对应更新。
[0056]
(5)综合收益评价
[0057]
定义环境搜索收益ja和目标探测与栅格回访收益jb，具体公式如下：
[0058]
无人机ui第l条路径上收益ja(i，l，k)和jb(i，l，k)，分别定义为和则无人机ui第l条路径的综合收益为其中μa，μb为常数调节系数调整权重占比，引导无人机ui选择综合收益更高的第l条路线，在第l条路线的综合收益f
i1
(k)越高则选择该路线的可能性越大。
[0059]
基于地面机器人子系统(固定探测设备、无人车搭载探测设备)和空中机器人子系统(3架uav探测设备)的定位试验数据绘制动态目标落点搜索轨迹及搜索概率更新，如图2所示。实验中探测目标为小型旋翼无人机(翼展0.8米，升限1200米，最大飞行速度小于600km/h)；按物理实验数据及时间序列，系统工作流程及分析如下：
[0060]
标注点
①
，空地协同搜索装备集结；
[0061]
标注点
②
，地面探测子系统(固定转台)部署到位；
[0062]
标注点
③
，地面探测子系统(agv搭载探测设备)自行机动，部署到位(受地形影响，机动区域受限)；
[0063]
标注点
④
、
⑤
、
⑥
，基于落点目标概率搜索模型，空中探测子系统(uav1、uav2、uav3)按概率模型更新及其解算方法部署，并依据落点动态预报开展区域机动或搜索行动；
[0064]
标注点
⑦
，动态目标出现在空域(目标按实际运行轨迹飞行)；
[0065]
标注点
⑧
，动态目标在空中阶段，未被空地协同探测系统捕获，空中探测子系统(uav3)按概率模型搜索，并捕获识别目标落点；
[0066]
标注点
⑨
、
⑩
，基于fcs通信系统，空中探测子系统(uav3)发出目标落点位置，协同空中探测子系统(uav1、uav2)机动到落点，再次确认目标。
[0067]
特别地，在探测目标为小型旋翼无人机的多机协同搜索实验中，标注点
⑧
，动态目标在空中阶段，被空地协同探测系统(uav3)捕获。标注点空中探测子系统(uav3)识别并确认目标，跟随目标机动到实际落点；同时，空地协同探测系统由搜索态切换到跟踪态。
[0068]
(6)得到目标位置
[0069]
随着搜索的进行，根据人工势场的指引，无人机将不断根据以上的步骤(5)的最优路径逐渐逼近引力最大的位置，最终得到搜索区域内目标存在可能性最大的位置。
[0070]
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的权利要求保护范围之内。