一种基于模型预测控制的多无人机编队协同控制方法与流程

本发明涉及一种基于模型预测控制的多无人机编队协同控制方法，属于考虑路径信息的多个飞行器编队的航迹规划控制策略领域。

背景技术：

随着无人机控制技术日趋成熟，无人机已广泛应用于战场环境侦察、地面目标打击、电力巡线、航拍等军事和民用领域。与此同时，多无人机编队协同控制也迅速成为近年来的一个前沿领域，采用多无人机编队协同飞行可充分利用有限的单机资源，共同执行大范围目标搜索、自然灾害灾情获取、农林作业、协同攻击等复杂任务。因此，对多无人机编队协同控制展开深入研究具有重要意义。

与单无人机飞行相比，多无人机编队协同控制不仅要解决编队无人机的航迹规划问题，更重要的是如何让编队无人机在飞行过程中完成队形的形成、重构以及保持。面对复杂环境及任务的突然变化，能够尽可能短时间快速地生成各项性能指标最优的队形，是多无人机编队协同控制方法好坏的评价指标。恰当的队形变换方案能够提高燃料使用效率、灵活应对突发情况，实现编队的安全快速飞行。然而目前在编队协同控制，尤其是在队形保持和变换方面，并没有较为突出的方法，传统方法在队形变换中效率低下，在复杂环境中很难得到应用。

技术实现要素：

有鉴于此，本发明提供一种基于模型预测控制的多无人机编队协同控制方法，通过构造出虚拟编队引导点，然后利用模型预测控制的思想，结合分布式控制方法，将编队协同控制转化为滚动在线优化问题，之后针对障碍约束，通过代价函数来定义评价函数并应用快速粒子群优化算法对优化问题进行求解，从而实现复杂环境下的多无人机编队协同控制。

为达到上述目的，本发明提供如下技术方案：

一种基于模型预测控制的多无人机编队协同控制方法，包括如下步骤：

步骤一：根据多无人机编队控制相关约束，初始化任务要求和相关控制参数等；

步骤二：根据环境、任务及无人机相关约束，对领航无人机进行初步航迹规划；

步骤三：通过传感器实时检测飞行区域环境情况，判断并选取合适飞行编队，计算(更新)虚拟编队引导点；

步骤四：根据所计算的虚拟编队引导点，以该引导点作为代价计算参考值，根据跟随无人机所在位置，确定无人机与虚拟编队引导点的对应关系，采用基于分布式模型预测控制的粒子群优化策略进行飞行控制；

步骤五：重复步骤二、步骤三和步骤四，控制多无人机编队协同飞行，直到到达目标位置。

进一步，所述的步骤一具体为：建立xoy二维平面坐标系，对于每一架无人机：单独设置基本参数——起始位置pintl、最大速度vmax、最大加速度amax、传感器检测半径rdet、最小安全距离rmin等，初始化任务要求——目标位置pend，同时，初始化滚动时域步数hp、粒子最大迭代次数i、粒子群数量n、采样时间δt；对含有m架无人机的无人机群：设置通讯半径rc以及无人机编号排序{aj|j＝1，2，...，m}，其中a1为根节点领航无人机。

进一步，步骤二所述的航迹规划具体为：对根节点领航无人机采用迪杰斯特拉(dijkstra)算法初步计算全局代价，再利用模型预测控制将航迹规划问题转化为滚动时域的优化问题，通过快速粒子群优化算法对该优化问题进行求解，得到根节点领航无人机的下一时刻位置(xlo，ylo)，和下一时段的位置变化量(δxl，δyl)，其中，(xlo，ylo)也是下一时刻根节点领航无人机的虚拟点坐标。

进一步，所述的步骤三包括以下步骤：

(1)使用传感器实时检测领航无人机周围检测半径为rdet区域内的环境情况，根据检测到的障碍物情况，计算通道宽度d，选取合适的编队队形最大宽度半径rf，满足rmin≤rf＜d/2；

(2)设根节点层为第1层，从根节点开始逐层遍历，将无人机群按照进行完全二叉树拓展编队，节点处为领航无人机，该节点父子关系中的无人机满足公式①，并计算虚拟编队相关参数xf、yf、xm、ym；

其中，(xl，yl)为节点领航无人机的下一时刻位置；(δxl，δyl)为节点领航无人机下一时段的位置变化量；(xm，ym)为连线中点的坐标值；(xf，yf)为虚拟编队引导点连线中点到某一虚拟引导点的向量值；ld为引导点连线与领航无人机的距离，cld为减幅权重，为避免领航无人机出现转弯角度过大，造成大幅度甩尾情况，由多次实验结果人为设定，通常取cld＝1；θ为领航无人机速度方向与x轴的夹角；当r≥2rmin时，否则r＝0，其中n为跟随的无人机在二叉树的层数。

(3)求解出该节点领航无人机引导的无人机虚拟编队引导点的坐标；

其中，(xi，yi)为第i个虚拟引导点的坐标，i＝1，2。

(4)将第n-1层的无人机作为节点领航无人机，即把(xi，yi)作为(xl，yl)，依次计算第n层跟随无人机的虚拟编队引导点坐标。其中，当n＞2时，第n-1层第一架节点领航无人机有左右孩子跟随无人机，即采用公式②时i＝1和i＝2的情形，其余的节点领航无人机只有右孩子跟随无人机，即采用公式②中只计算i＝2的情形。

(5)重复步骤(2)、(3)、(4)，继续计算下一层的虚拟编队引导点，直至m架无人机都飞行在编队内。如果第n层无人机间距小于最小安全距离时，即r＜＝rmin，则不再继续计算虚拟编队引导点，此时无人机实际架数多于虚拟编队引导点，多出的无人机只需在飞行过中，第n层保持ld距离跟随第n-1层，第n-1层保持ld距离跟随第n-2层，依次递推下去。

本发明的有益效果在于：本发明提供了一种基于模型预测控制的多无人机编队协同控制方法，通过构造出虚拟编队引导点，利用粒子群优化算法，完成多无人机编队协同控制过程的求解，结合分布式策略，将多无人机协同控制转换为相应约束条件下的各无人机自主控制，能够在复杂环境下，实现无人机编队飞行过程中队形保持的稳定性以及队形之间转换的高效性，且虚拟编队引导点与粒子群优化算法的结合使用，使得其求解过程简单、计算复杂度低、精度高。

附图说明

为了使本发明的目的、技术方案，本发明提供如下附图进行说明：

图1为一种基于模型预测控制的多无人机编队协同控制方法流程图；

图2为虚拟编队引导示意图；

图3为本发明实施例的轨迹规划结果。

具体实施方式

下面将结合附图1，对本发明的优选实施例进行详细的描述。

实施例：一种基于模型预测控制的三架无人机编队协同控制方法流程图，包括如下步骤：

步骤一、建立xoy二维平面坐标系，假设每一架无人机性能参数相同，粒子群算法参数相同，相关具体参数参考表1。领航无人机a1初始位置为(25，0)，目标位置为(-28，-6)；跟随无人机的a2和a3初始位置分别为(26，0)，(27，0)。

步骤二、根据环境、任务及无人机相关约束，对领航无人机采用迪杰斯特拉(dijkstra)算法初步计算全局代价，再利用模型预测控制将航迹规划问题转化为滚动时域的优化问题，通过快速粒子群优化算法对该优化问题进行求解，得到领航无人机的下一时刻位置(xlo，ylo)，和下一时段的位置变化量(δxl，δyl)，其中，(xlo，ylo)也是下一时刻领航无人机的虚拟点坐标。

步骤三、通过传感器实时检测飞行区域环境情况，判断并选取合适飞行编队，计算(更新)虚拟编队引导点，具体为：

(1)使用传感器实时检测领航无人机周围检测半径为rdet区域内的环境情况，根据检测到的障碍物情况，计算通道宽度d，选取合适的编队队形最大宽度半径rf，满足rmin≤rf＜d/2；

(2)计算虚拟编队相关参数xf、yf、xm、ym；

(3)求解出跟随无人机a2和a3的虚拟引导点坐标(x1，y1)和(x2，y2)。

步骤四、根据所计算的虚拟编队引导点，以该引导点作为代价计算参考值设计评价函数，即对应的虚拟编队引导点坐标，以每一架无人机预测航迹端点在滚动时域的位置(xi(k+hp+1)，yi(k+hp+1))，i＝1，2，3，与对应目标位置的距离作为此处的代价函数。然后结合环境约束和通讯范围约束，采用基于分布式模型预测控制的粒子群优化策略进行飞行控制；

步骤五、重复步骤二、步骤三和步骤四，控制多无人机编队协同飞行，直到到达目标位置或非常接近目标位置的区域(半径为ε的圆内)，任务结束。

表1本发明实施例的相关设定参数

通过本发明具体实施例可以看出，本发明能够很好的实现复杂环境下多无人机编队协同控制飞行。根据如图3所示的轨迹规划结果可以看出，在保证避开障碍物的同时，多无人机系统能够保持稳定的编队队形飞行，以及实现高效的编队队形变换。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其做出各种各样的改变，而不偏离本发明权利要求书所限定的范围。