一种用于无人设备集群控制的多体队形重构方法与流程

本发明涉及无人设备集群控制技术领域，尤其涉及一种用于无人设备集群控制的多体队形重构方法。

背景技术：

近年来，无人设备集群技术开始被尝试应用在各个领域，例如无人机集群，无人车集群的应用就越来越广泛，尤其是在表演，运输，侦察等任务中均有或多或少的运用。在这些任务中，将集群中的个体排列成特定的队形成为了关键问题之一。随着集群中个体数量的增加，队形重构问题也变得越来越复杂，主要体现在路径规划，防止碰撞等方面。

队形重构一般可以分为三个子任务：第一，控制被控物体的队形变换到目标队形；第二，保持队形稳定，在扰动下能够自行恢复；第三，在移动过程中避免碰撞。目前现有的队形重构算法大多基于leader-follower模式，需要在所有的被控物体中确定一个leader，其它的个体作为follower按照某种方式跟随leader。还有一些算法是根据leader-follower模式改进而来的，例如将队形结构视作henneberg结构的模式。这些算法都需要事先将队形中的位置与被控物体一一对应，然后进行路径规划。并且需要设定好充当follower、leader的无人设备，在任务执行过程中如果遭遇外界干扰导致当前队形被扰乱则需要对路径重新规划。

但在实际应用中，一旦集群的规模太大则几乎难以实时得通过路径重新规划，来解决外界干扰导致当前队形被扰乱的问题，就比方说：于2018年5月1日在西安城墙永宁门举行的1374架无人机编队表演，在实际演出过程中出现了重大失误，结果是集群中的无人机大量掉落，事故原因被初步认定为，由于干扰或者设备故障的，无人机无法接收到gps信号的情况，从而导致作为leader的无人机失控。这就是由于现有的控制算法难以应对受到干扰的工况，导致了所有直接或者间接跟随的无人机出现了混乱。

技术实现要素：

本发明的实施例提供一种用于无人设备集群控制的多体队形重构方法，能够缓减目前leader-follower模式的控制算法中，难以应对受到干扰的工况的问题。

为达到上述目的，本发明的实施例采用如下技术方案：

步骤1、读取预设的目标队形，所述目标队形是由指定数量的点的坐标构成的集合，所述指定数量匹配所述无人设备集群中的无人设备的数量；

步骤2、建立与所述目标队形关联的概率密度函数p(x)；

步骤3、获取所述无人设备集群中的所有被控物体的当前队形，并建立与所述当前队形关联的概率密度函数q(x)；

步骤4、通过调整所述无人设备集群中的被控物体的位置，减小p(x)与q(x)的交叉熵；

重复执行步骤3和步骤4，直至所述无人设备集群中的被控物体组成的队形与所述目标队形一致。

本实施例提供的多体队形重构的算法，做到了实时计算飞行并调整集群的飞行队形，无需事先将队形中的位置与被控物体建立一一对应的关系，无需事先进行路径规划，各被控物体不存在leader和follower之分，每个个体按照算法产生的指令移动时不会发生碰撞，从而也就缓减了目前leader-follower模式的控制算法中，难以应对受到干扰的工况的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的目标队形示意图；

图2为本发明实施例提供的与目标队形有关的概率密度函数的等高线图；

图3为本发明实施例提供的被控物体的当前队形示意图；

图4为本发明实施例提供的与当前队形有关的概率密度函数的等高线图；

图5为本发明实施例提供的被控物体运行轨迹示意图；

图6为本发明实施例提供的方法流程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

本发明实施例提供一种用于无人设备集群控制的多体队形重构方法，如图6所示，包括：

步骤1、读取预设的目标队形。

其中，所述目标队形是由指定数量的点的坐标构成的集合，所述指定数量匹配所述无人设备集群中的无人设备的数量。

步骤2、建立与所述目标队形关联的概率密度函数p(x)。

步骤3、获取所述无人设备集群中的所有被控物体的当前队形，并建立与所述当前队形关联的概率密度函数q(x)。

步骤4、通过调整所述无人设备集群中的被控物体的位置，减小p(x)与q(x)的交叉熵。

重复执行步骤3和步骤4，直至所述无人设备集群中的被控物体组成的队形与所述目标队形一致。

在本实施例中，步骤1中读取预设的目标队形的具体方式，包括：

获取所述目标队形中各个点的坐标的集合{xi}。

其中，{xi}中的元素表示所述目标队形中各个点的目标位置，i＝1,2,...,n，所述目标队形中的点表示为表示第i个目标位置的坐标第j个分量,j＝1,...,n，n表示根据目标队形所在空间的维数，n取值为2或3。

在本实施例中，步骤2中建立与所述目标队形关联的概率密度函数p(x)的具体方式，包括：

确定以xi为均值的多元正态分布pi(x)，其中：

建立与所述目标队形关联的概率密度函数p(x)，其中，x＝{x^j},xj表示其第j个分量，j＝1,…,n，n表示被控物体的数量，n表示根据目标队形所在空间的维数，n的取值可以为2或3，σ表示正态分布的标准差。

由于pi(x)是建立在n维空间里的一个函数，所以自变量x有n个分量，x^j表示x的第j个分量，x就是一个形式参数，好比常用f(x)＝x+1表示一个x的函数，此处的x就是一个形式参数，那么f(y)＝y+1,不论形式参数换成什么字母，函数f所表示的意思是不变的。

最终的概率密度函数p(x)可以表示为：

其中，pi(x)是一个多元正态分布的概率密度函数，这个多元正态分布的均值是标准差是σ，其中的x指代集合应(x¹,…,xⁿ)中的元素，即pi(x)表示成pi(x¹,…,xⁿ)。

在本实施例中，步骤3中建立与所述当前队形关联的概率密度函数q(x)的具体方式，包括：

获取所述当前队形中的所有被控物体的坐标的集合{yi}，其中，表示所述当前队形中的第i个被控物体位置的坐标第j个分量。

确定以为均值的多元正态分布qi(x)，其中：

建立与所述当前队形关联的概率密度函数q(x)，其中，x＝{x^j},j＝1,…,n，n表示被控物体的数量，σ表示正态分布的标准差。

最终的q(x)可以表示为：

其中，qi(x)是一个以yi为均值，σ为标准差的n元正态分布概率密度函数，自变量x有n个分量，x^j表示x的第j个分量。表示所述当前队形中的第i个被控物体位置的坐标第j个分量。qi(x)也是建立在n维空间里的一个函数，所以自变量x有n个分量，x^j表示x的第j个分量，x就是一个形式参数，好比常用f(x)＝x+1表示一个x的函数，此处的x就是一个形式参数，那么f(y)＝y+1,不论形式参数换成什么字母，函数f所表示的意思是不变的。

在本实施例中，步骤4中通过调整所述无人设备集群中的被控物体的位置，减小p(x)与q(x)的交叉熵，包括：

获取梯度下降模型，所述梯度下降模型为：

其中，由于这个期望的解析解较难求出，因此采取蒙特卡洛方法计算，在以p(x)为概率密度函数的随机变量中采样m次，获得样本{xm}，m＝1,2,...,m，因此

所述交叉熵为：e＝-∫ωp(x)ln[q(x)]dx，ω＝{(x¹,...,xⁿ)|x¹,...,xⁿ∈(-∞,+∞)}。

利用所述梯度下降模型，更新所述被控物体的位置：

其中，表示计算期望值，且每次更新所述被控物体的位置时，将位于yi处的被控物体移动至

γ用于表示移动的速率，γ是一个大于0的常数。

进一步的，在每一次重复执行步骤3之前，衰减σ。由于本实施例采用的算法类似于优化，为了避免陷入局部最优解，应当将参数σ的初始值取的足够大，随着任务的进行，为了加快收敛速度，可以让σ随时间衰减。

在优选方案中，初始状态下σ＝10，即在第一次执行步骤3时，σ＝10。

目前现有的队形重构算法大多基于leader-follower模式，需要在所有的被控物体中确定一个leader，其它的个体作为follower按照某种方式跟随leader，其中包括:

(1)按照距离的方式:使得每一个follower与leader及它们的邻近个体保持一定的距离从而达到队形重构和保持的目的；

(2)按照相对位置的方式：使得每一个follower相对leader的位置达到控制目标从而达到队形重构和保持的目的；

(3)事件驱动的方式：将leader周围的空间划分为若干个区域，将follower穿越区域的分隔面作为事件传给控制器，然后控制器根据这些事件产生控制指令使得follower到达并保持在指定区域。

然而现有的算法并没有考虑对于由相同的个体构成的集群，任意两个个体互换，其队形不变的特性，从而增加了计算的复杂性。而且在任务执行过程中如果遭遇外界干扰导致当前队形被扰乱则需要对路径重新规划。

本实施例提供的方案，能够较为有效的解决上述问题，举例来说：

如图1所示的目标队形示意图，将一个由20个被控物体构成的无人机集群由任意初始位置重构成一个s形队列。

执行步骤1，获取s形队列中所有点的坐标的集合{xi}：

执行步骤2，令其中

的计算结果可参照如图2所示的与目标队形有关的概率密度函数的等高线图。

执行步骤3，获取所有被控物体的当前队形用集合{yi}表示，其中并建立一个与所有被控物体当前队形有关的概率密度函数q(x)，其中qi(x)是以yi为均值，σ为标准差的多元正态分布即：

其中σ＝10。

算结果可参照如图4所示的与当前队形有关的概率密度函数的等高线图，此时被控物体的当前队形可参照如图3。

执行步骤4，调整所有被控物体的位置使得p和q的交叉熵变小；计算交叉熵的方法是：

e＝-∫ωp(x)ln[q(x)]dx

通过梯度下降法调整被控物体的位置，即用下式更新被控物体的位置：

其中：由于这个期望的解析解较难求出，因此采取蒙特卡洛方法计算，在以p(x)为概率密度函数的随机变量中采样2048次，每次采样的方法为：首先在集合{1,2,...,20}中随机选择一个数，记作i，然后在以pi(x)为概率密度函数的随机变量中采样一次。获得样本{xm}，m＝1,2,...,2048，因此

重复执行步骤3-4，，然后令σ＝0.995σ，直到交叉熵达到最小值。被控物体运行轨迹可以参照图5。

当σ的取值足够大时，在任务进行过程中，被控物体之间不会发生碰撞，原因如下：

设yi，yj为两个不同的被控物体的位置，则yi，yj之间距离的平方d²＝(yi-yj)(yi-yj)^t，则由于：

当σ→+∞时，由于(yi-xm)≠(yj-xm)，所以又因为关于σ是连续的，因此存在一个s∈(0,+∞)使得当σ>s时又因为关于时间t是连续的，因此在任务执行过程中即在任务执行过程中始终大于0或始终小于0，所以d²关于时间t是单调的，所以d²的最小值出现在任务开始时或任务结束时，在任务执行过程中不会发生碰撞。

本实施例提供的多体队形重构的算法，做到了实时计算飞行并调整集群的飞行队形，无需事先将队形中的位置与被控物体建立一一对应的关系，无需事先进行路径规划，各被控物体不存在leader和follower之分，每个个体按照算法产生的指令移动时不会发生碰撞。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。