一种应用于多智能体间相对距离控制及自适应矫正方法与流程

本发明涉及多智能体领域，研究了关于多智能体间相对距离控制问题，具体提出了一种应用于多智能体间相对距离控制及自适应矫正方法。

背景技术：

随着人工智能、通信及信息等技术的发展，多智能体的研究近年来一直是很多人关注的研究热点。多智能体系统可以被广泛应用于公共设施检测、灾难环境调查、军事侦察、仓储搬运等领域，无论在军用方面还是在民用都得到了广泛应用。在实际应用过程中多智能体间的相对距离的控制往往至关重要，多智能体间相对距离控制往往是指跟随者与领导者之间的相对距离控制，领导者可以是某一个智能体作为领导者，也可以是虚拟领导者(通常为编队几何中心，如图1所示)，其他成员与领导者保持一定的相对距离。多智能体之间精确地相对距离控制可以保证系统内部成员之间的防碰撞，以及整个多智能体系统的编队控制。尤其是在外部产生很大的干扰时，比如空中智能体遇到阵风、地面智能体遇到负载变化等一些外部干扰时，如何使系统可以表现出很强的适应性和鲁棒性，保证多智能体编队控制成为多智能体系统在实际应用中过程中需关注的问题。另外一个问题是由于路线的偏转以及外部的干扰，相对距离的控制只能保证多智能体之间的距离，并不能完全保证跟随者遵循领导者的路线，这就需要及时纠正偏移的距离。在传统的相对距离控制中，面对多智能体协同处理干扰时，简单的pid控制很难满足系统的控制要求，而且多智能体之间往往需要很复杂的通信协议和很高的实时信息处理能力。

技术实现要素：

本发明针对现有技术的不足，提出了一种应用于多智能体间相对距离控制及自适应矫正方法；可以有效保证多智能体之间的相对距离的控制，避免多智能体之间的碰撞，通过使用eso可以使系统具有很强的适应性及鲁棒性。另外，设计了一种基于自适应检测点配置的横向校正算法，通过自适应动态设置分段检测点，根据设定的阈值判断自适应调整剩下路线内的检测点数量，可以提高整个系统的时效性。在每个检测点矫正偏移轨迹的距离，使整个多智能体系统中跟随者准确跟随领导者，保证了整个多智能体系统的一致性。并且该算法不需要复杂的通信协议和更高的实时信息处理能力。

本发明具体包括以下步骤：：

步骤一：在多智能体系统相对距离控制中，建立一阶控制模型，模型建立过程如下：受控对象是跟随者与领导者之间的相对位置，观察对象是跟随者与领导者之间的距离，假设一阶受控对象模型如下：

其中，u是控制输入，d是系统的输出，b是控制量系数，f(d,w,t)是和当前相对距离和扰动有关的函数，是系统的总的扰动。

系统的误差e＝dg-d，dg系统给定距离，为实际跟随者与领导者之间需要的相对距离，则系统的误差状态方程为

其中为系统误差的状态变量，为给定距离的状态变量。

采用非线性状态误差反馈空置率进行误差收敛得到

其中k为控制增益，α为非线性指数，0＜α＜1，fal(e,α,h)为反馈控制规律，通常情况选

其中h为平衡点线性区范围，sgn(x)为符号函数。如果α的选择较小，则跟踪的过程会更快，但过滤效果会变差；h越大，滤波的效果会越好，但会增加跟踪的延迟。

步骤二：建立扩张状态器模型。将总的扰动f(d,w,t)扩张成一个新的状态变量x2，则系统变为

系统建立的扩张状态观测器为:

其中β1和β2是eso的增益，ε为状态观测器系统误差。

步骤三：结合eso和pd控制器实现相对距离控制。

扩张状态观测器可以根据系统的输出d和系统的控制输入u来实现系统输出和干扰的实时观测，其中z1对应系统的输出d，z2对应系统总的干扰f(d,w,t)。则此时扩张状态观测器可以写为：

其中kp和kd是pd控制器的控制增益，u0设定通过eso和pd控制器的输入中间变量。

采用建立的eso与pd控制器结合的系统模型实现当受控对象的参数变化很大或者存在大的外部干扰时，快速实现所需相对距离控制，并且系统可以表现出很强的鲁棒性和是响应性。

步骤四：根据智能体在每个检测点处对应的位置，计算出相对于检测点的偏移距离和偏移角。假设多智能体的起始位置分别是s和e，相对应的纬度和经度坐标是(la0，lo0)，(lan，lon)，整个路线其实设置n+1个检测点，第i检测点对应坐标是(lai，loi)，那么可以根据当前时刻信息计算出偏移路线的距离：

其中为计算的偏移角度，δd为计算的横向偏移距离。

步骤五：自适应动态设置下一时刻检测点个数。从起点开始检测，在第k时刻时计算出来的此时刻的偏移角度和横向偏移距离通过与设定的角度阈值与设定的阈值dt相比较，来决定是否改变接下来的检测点的数量nk是否改变，例如正常未改变检测点个数的情况下k时刻剩下的检测点个数为nk＝n-k个，并实现只能体的横向自适应偏移距离矫正。当并且δdk＜dt时，说明当前的智能体偏移较小，可以减少接下来的检测点个数；当并且δdk＞dt时，需要增加接下来的检测点数量；其他情况下检测点数量不变。检测点改变的算法为：

其中nk+1为第k+1时刻的检测点数量，ktk为检测点数量增益，α1和α2为方向角度偏移权重和横向距离偏移权重，且α1+α2＝1，方向角度偏移权重往往大于横向距离偏移权重，所以α1＞α2。

步骤六：根据实际情况设置校正系数，得到实际矫正参数。智能体根据由于考虑到智能体本身的性能及控制复杂度问题，设定角度校正系数和距离校正系数kd。则智能体实际校正角度和校正距离为：

步骤七：在每一次矫正相对角度和横向相对距离控制后，检测多智能体间的相对距离是否满足便对编队控制要求，如果满足，则直接判断是否为终点，如果是终点则结束任务，如果不是终点，则继续进行任务，按照既定路线继续执行任务；如果相对距离不满足编队控制要求，则按照基于eso和pd控制器结合相对距离控制方法进行相对距离控制，直至满足要求，完成相对距离控制后判断是否为终点，如果是终点则结束任务，如果不是终点，则继续进行任务，按照既定路线继续执行任务。

本发明方法相对已有方法的优点及创新点：首先采用eso与pd控制控制器结合的方法，相比于单纯传统的pid控制算法，可以实现系统本身很强的自抗干扰性，可以保证在外部干扰较大的情况下仍然能领导者与跟随者之间的相对距离的控制避免，多智能体之间的碰撞，并且保证编队的控制，系统的适应性及鲁棒性都大大加强；在实现相对距离控制满足所需的相对距离的基础上，基于采用自适应检测点配置的横向校正的方法，可以保证在智能体偏离规定路线时及时校正，并且基于自适应检测点配置的方法，当处于规定路线上时，可以减少后续的检测点个数，减少了智能体之间复杂的通信协议，具有更高的实时信息处理能力。

附图说明

图1多智能体系统编队模型图；

图2eso与pd控制器结合的控制器系统模型图；

图3多检测点横向偏移示意图；

图4基于自适应检测点配置的横向校正算法流程图。

具体实施方式

本发明一种应用于多智能体间相对距离控制及自适应矫正方法，具体包括以下步骤：

步骤一：在多智能体系统相对距离控制中，建立一阶控制模型，模型建立过程如下：受控对象是跟随者与领导者之间的相对位置，观察对象是跟随者与领导者之间的距离，假设一阶受控对象模型如下：

其中，u是控制输入，d是系统的输出，b是控制量系数，f(d,w,t)是和当前相对距离和扰动有关的函数，是系统的总的扰动。

系统的误差e＝dg-d，dg系统给定距离，为实际跟随者与领导者之间需要的相对距离，则系统的误差状态方程为

其中为系统误差的状态变量，为给定距离的状态变量。

采用非线性状态误差反馈空置率进行误差收敛得到

其中k为控制增益，α为非线性指数，0＜α＜1，fal(e,α,h)为反馈控制规律，通常情况选

其中h为平衡点线性区范围，sgn(x)为符号函数。如果α的选择较小，则跟踪的过程会更快，但过滤效果会变差；h越大，滤波的效果会越好，但会增加跟踪的延迟。

步骤二：建立扩张状态器模型。将总的扰动f(d,w,t)扩张成一个新的状态变量x2，则系统变为

系统建立的扩张状态观测器为:

其中β1和β2是eso的增益，ε为状态观测器系统误差。

步骤三：结合eso和pd控制器实现相对距离控制。扩张状态观测器可以根据系统的输出d和系统的控制输入u来实现系统输出和干扰的实时观测，其中z1对应系统的输出d，z2对应系统总的干扰f(d,w,t)。则此时扩张状态观测器可以写为：

其中kp和kd是pd控制器的控制增益，u0设定通过eso和pd控制器的输入中间变量。

上述建立的eso与pd控制器结合的系统模型如图2。采用上述的数学模型实现当受控对象的参数变化很大或者存在大的外部干扰时，快速实现所需相对距离控制，并且系统可以表现出很强的鲁棒性和是响应性。

步骤四：根据智能体在每个检测点处对应的位置，计算出相对于检测点的偏移距离和偏移角。如图3所示，假设多智能体的起始位置分别是s和e，相对应的纬度和经度坐标是(la0，lo0)，(lan，lon)，整个路线其实设置n+1个检测点，第i检测点对应坐标是(lai，loi)，那么可以根据当前时刻信息计算出偏移路线的距离：

其中为计算的偏移角度，δd为计算的横向偏移距离。

步骤五：自适应动态设置下一时刻检测点个数。从起点开始检测，在第k时刻时计算出来的此时刻的偏移角度和横向偏移距离通过与设定的角度阈值与设定的阈值dt相比较，来决定是否改变接下来的检测点的数量nk是否改变，例如正常未改变检测点个数的情况下k时刻剩下的检测点个数为nk＝n-k个，并实现只能体的横向自适应偏移距离矫正。当并且δdk＜dt时，说明当前的智能体偏移较小，可以减少接下来的检测点个数；当并且δdk＞dt时，需要增加接下来的检测点数量；其他情况下检测点数量不变。检测点改变的算法为：

其中nk+1为第k+1时刻的检测点数量，ktk为检测点数量增益，α1和α2为方向角度偏移权重和横向距离偏移权重，且α1+α2＝1，方向角度偏移权重往往大于横向距离偏移权重，所以α1＞α2。

步骤六：根据实际情况设置校正系数，得到实际矫正参数。智能体根据由于考虑到智能体本身的性能及控制复杂度问题，设定角度校正系数和距离校正系数kd。则智能体实际校正角度和校正距离为：

步骤七：在每一次矫正相对角度和横向相对距离控制后，检测多智能体间的相对距离是否满足便对编队控制要求，如果满足，则直接判断是否为终点，如果是终点则结束任务，如果不是终点，则继续进行任务，按照既定路线继续执行任务；如果相对距离不满足编队控制要求，则按照基于eso和pd控制器结合相对距离控制方法进行相对距离控制，直至满足要求，完成相对距离控制后判断是否为终点，如果是终点则结束任务，如果不是终点，则继续进行任务，按照既定路线继续执行任务。整个方法流程图如图4所示。