本发明涉及一种基于能耗的无人机分布式编队控制方法,属于无人机控制技术领域。
背景技术:
无人机编队控制是指多无人机在执行任务的过程中,如何形成并保持特定的几何形状,从而更好的适应不同的任务及环境。与单无人机相比,其执行任务的可靠性以及完成任务的效率更高,近几年在军事、民用等重要领域得到了广泛应用。根据是否需要全局信息,无人机编队控制可以分为集中式和分布式两种方法。分布式编队控制在计算过程中只需要局部信息,并且具有代价小、灵活性高、可扩展性高、适应性强等优点,已经成为了控制领域的一个研究热点。
近几年,针对无人机群的分布式控制方法不断增加。然而,对于实际应用而言,无人机因其质量体积需要尽量小,一般携带的能量都很少,不能持续长时间飞行。表1是几种不同机型无人机产品参数的统计数据,由表1可以看出,无人机的重量都比较小,飞行时间都很有限。现有控制算法侧重于编队的稳定性,而忽略了飞行过程中的能耗问题,所设计的控制器未必能适用于实际系统,即在控制目标实现前,无人机的能量已消耗殆尽。目前,存在一些节省能耗的控制算法,例如协同无人机的推力和升降力以处理速度和飞行路径角从而对无人机的能量进行调节,自顶向下的三维最优持久图策略来优化编队拓扑从而达到最小化编队能耗等,但是,这些控制算法设计都比较复杂,运算效率低,实施难度较高。
表1
技术实现要素:
本发明的目的在于,提供一种基于能耗的无人机分布式编队控制方法,可以至少解决上述技术问题之一。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于能耗的无人机分布式编队控制方法,包括以下步骤:步骤s1,构造多无人机的网络结构拓扑图,所述网络结构拓扑图包括n个节点,每个节点分别代表一个无人机,其中,n为整数,且n≥2;步骤s2,根据所述网络结构拓扑图生成邻接矩阵,并使每个节点仅与邻居节点进行通信;步骤s3,设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置;步骤s4,根据所述邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数;步骤s5,根据所述编队代价函数得到最优控制模型,求解最优控制输入以及返回值函数;步骤s6,将编队代价与控制输入进行加权,通过改变编队代价与控制输入的权重系数的比值,改变无人机飞行速度,控制无人机的能量消耗。
前述的基于能耗的无人机分布式编队控制方法中,所述步骤s2中,以aij表示所述网络结构拓扑图的邻接矩阵的第(i,j)个元素,若第i个无人机与第j个无人机可使用彼此的信息时,aij=1,否则aij=0;若第i个无人机与第j个无人机是邻居,则aij>0;其中,i∈{1,…,n},j∈{1,…,n}。
前述的基于能耗的无人机分布式编队控制方法中,所述步骤s3中,以
前述的基于能耗的无人机分布式编队控制方法中,所述步骤s4中,所述编队代价函数为
前述的基于能耗的无人机分布式编队控制方法中,所述步骤s5中所述最优控制模型为:
前述的基于能耗的无人机分布式编队控制方法中,所述步骤s6中,若某个无人机的剩余能量达到预设阈值,则通过减小编队代价与控制输入的权重系数的比值,减小该无人机的飞行速度,保证在最小能耗的情况下完成编队任务。
与现有技术相比,本发明将能源消耗考虑进无人机编队控制问题中,并将能耗问题转化为对速度的最优控制问题;通过调节系数
附图说明
图1、图2为本发明实施例提供的无人机群分布式编队控制方法的流程图;
图3为具有2个无人机的的无人机群的网络拓扑图;
图4为具有2个无人机的无人机群的目标编队位置示意图;
图5为具有4个无人机的的无人机群的网络拓扑图;
图6为具有4个无人机的无人机群的目标编队位置示意图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
本发明实施例提供一种基于能耗的无人机分布式编队控制方法,如图1所示,主要包括以下步骤:
步骤s1,构造多无人机的网络结构拓扑图,网络结构拓扑图包括n个节点,每个节点分别代表一个无人机,其中,n为整数,且n≥2;
步骤s2,根据网络结构拓扑图生成邻接矩阵,并使每个节点仅与邻居节点进行通信;
步骤s2中,以aij表示网络结构拓扑图的邻接矩阵的第(i,j)个元素,若第i个无人机与第j个无人机之间可以进行通信、可使用彼此的信息时,aij=1,否则aij=0;若第i个无人机与第j个无人机是邻居,则aij>0;其中,i∈{1,…,n},j∈{1,…,n}。
步骤s3,设定每个节点的目标位置以及每个节点与邻居节点的目标相对位置;
步骤s3中,以
本实施例中,步骤s2与步骤s3的执行没有先后顺序,对此实施例不做具体限定。
步骤s4,根据邻接矩阵以及无人机实时位置与目标位置之间的误差设定编队代价函数,编队代价函数为:
式中,xi表示第i个无人机的状态即第i个无人机的当前位置,xj表示第j个无人机的状态即第j个无人机的当前位置,dij表示第i个无人机与第j个无人机的目标相对位置,向量集
步骤s5,根据编队代价函数得到最优控制模型,求解最优控制输入以及返回值函数;
步骤s5中最优控制模型为:
式中,si表示对编队性能的权重系数,ri表示对能量的权重系数,si越大表示对编队性能越看重,ri越大表示对能耗越看重,si>0,ri>0,i∈{1,…,n};
得到最优解:
若siri=1,
且无人机群到达指定位置,编队完成,多无人机系统收敛于预定编队位置集,预定编队位置集是指预先设置的各无人机的目标位置。
对上述步骤s5求最优解进行进一步说明:
对给定系统(2),构造其哈密顿-雅克比-贝尔曼(hamilton-jacobi-bellman,hjb)方程如下:
其中,
并且
将h对ui进行偏微分,得到(9)
将(9)带入(5)和(8),我们得到(10)
方程(10)有无穷多解,对于如下解(11)
第i个无人机只需计算其邻居的相对位置,因此控制算法(11)是分布式。
对(9)进行积分,可得到
因此可得到(12)
再将(11)带入(12),得到
假设siri=1,
由于值函数(14)是正的,基于(5)和(7),以及(11)中定义的ui,有
根据拉萨尔不变性原则可知,当
这说明
步骤s6,将编队代价与控制输入进行加权,通过改变编队代价与控制输入的权重系数的比值,改变无人机飞行速度,控制无人机的能量消耗。
步骤s6中,根据实际需要,调节所求最优控制输入中的系数
至此,所有步骤结束。
下面以一个具有2个无人机的无人机群(n=2)为例,对基于能耗的无人机分布式编队控制方法进行说明,如图2所示:
1、构造该无人机群的网络结构拓扑图
2、设定目标编队位置,以
3、根据上述给定参数定义编队代价函数:
编队代价越小,说明第i个无人机的编队效果越好。
4、根据编队代价函数,提出编队控制问题的最优控制算法,2个无人机的编队最优控制问题为:
其中,si>0,ri>0,i∈{1,2},则得到最优解:
如果siri=1,
并且无人机群到达指定位置,编队完成。
5、调节系数
下面再以一个具有4个无人机的无人机群(n=4)为例,对基于能耗的无人机分布式编队控制方法进行说明,如图2所示:
1、构造该无人机群的网络结构拓扑图
2、设定目标编队位置,以
3、根据上述给定参数定义编队代价函数:
编队代价越小,说明第i个无人机的编队效果越好。
4、根据编队代价函数,提出编队控制问题的最优控制算法,4个无人机的编队最优控制问题为
其中,si>0,ri>0,i∈{1,…,4},则得到最优解:
如果siri=1,
并且无人机群到达指定位置,编队完成。
5、调节系数
本发明研究将能耗与编队目标相结合考虑,该算法所提出的最优控制算法能够在最低消耗能量的情况下完成编队任务,并且在整个计算过程中,每个节点只用到了邻居节点的信息,计算量大大减小,从而很大程度地提高了算法的运算效率。如上所述为本发明的实施例介绍,在前面的理论推导中可看出算法的可靠性。在实际应用中,可根据实际需要,对加权系数进调节,从而达到最优方案。
本实施例将无人机的飞行速度作为控制输入引入到控制问题中,通过调节控制输入中的参数来调节飞行速度,从而将编队控制的能耗问题转化为最优速度控制问题;提出一种将编队目标与控制输入加权的算法,给定编队目标,即预设的无人机群需要到达的位置;根据无人机实时位置与目标位置之间的误差设定编队代价函数,编队代价越大,编队达成的越不好,当编队代价为零时,即说明编队完成;在此基础上,引入控制输入,将编队代价与控制输入进行加权,通过改变编队代价与控制输入的权重系数的比值,控制无人机的能量消耗,即根据实际需要,决定编队的侧重点,若某个无人机剩余的能量少,则可以通过减小其飞行速度来达到减小能量消耗的目的,从而保证在最小能量消耗的情况下完成编队任务。实现这一算法的难点在于:第一:为保证算法为分布式,无人机的控制输入仅可以利用相邻无人机的信息;第二:考虑无人机携带能量的不同,加权系数需要独立设置,若某几个无人机携带的能量较其他的无人机少,则将其si/ri的比值调小些,可事先进行仿真模拟,调出较好的系数比值,再进行实际应用。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。