一种基于鸽群优化的多无人机紧密编队控制方法与流程

本发明涉及一种多无人机紧密编队控制方法，特别是一种基于改进鸽群优化算法结合改进人工势场法的多无人机紧密编队系统飞行中编队控制方法。

背景技术：

无人机编队飞行，就是将多架(两架或两架以上)无人机按一定队形编组或排列，并使其在整个飞行过程中保持队形不变。将无人机按照一定队形进行排列，并使其在编队飞行中，各机之间必须保持规定的距离、间隔和高度差。飞机飞行时机翼和尾翼产生的涡流场会对穿越其流场或者与其近距离飞行的飞机的飞行动力性能产生很大的影响，这一空气动力耦合的原理始于鸟类的编队飞行，其影响有利也有弊：在编队飞行中长机产生的涡流对僚机来说是有益的，它可以显著减小僚机的阻力，增加升力，从而减少僚机的燃油消耗，增大航程。但是涡流在产生此益处的同时也给后机带来了不小的空气扰动，对后机的飞行安全和动态特性都有较大的影响，所以在紧密编队飞行中必须考虑到飞机之间的气动耦合问题并用合适方法解决这一问题，必须对此建立准确的数学模型。传统pid控制器是利用输入与实际状态误差进行下一时刻的状态控制，对于在紧密编队条件下的多无人机编队控制来说效果较差，达不到期望编队且随着编队规模的扩大其效果将会越来越差，因此需要研究如何解决这一问题。

技术实现要素：

针对上述现有技术，本发明要解决的技术问题是提供一种避免了利用编队误差进行控制，提高了控制速度和控制精度的基于鸽群优化的多无人机紧密编队控制方法。

为解决上述技术问题，本发明的一种基于鸽群优化的多无人机紧密编队控制方法，包括以下步骤：

步骤一：设置无人机长机控制指令ul＝[vlcψlchlc]和编队期望间距其中代表长机与僚机之间的纵向期望间距，代表长机与僚机之间的横向期望间距，代表长机与僚机之间的高度方向上的期望间距，建立紧密编队数学模型，利用长机控制指令ul＝[vlcψlchlc]和长机当前状态量xl＝[vlψlhl]求出长机下一时刻状态量xlnext，其中，vlc代表长机的速度控制指令，ψlc代表长机的航向角控制指令；hlc代表长机的高度控制指令，vl代表长机的速度；ψl代表长机的航向角；hl代表长机的高度；

步骤二：将长机下一时刻状态xlnext、僚机当前状态量xf以及编队期望间距d输入进人工势场控制器，计算下一步无人机编队的理想状态，其中xf＝[xvfyψfzζ]^t，x、y、z代表僚机与长机之间的间距；vf代表僚机的速度；ψf代表僚机的航向角；ζ代表僚机与长机高度方向上的速度差；

步骤三：利用改进鸽群优化算法计算僚机控制量；

步骤四：将僚机控制量输入进僚机紧密编队模型计算僚机下一步状态量；

步骤五：重复执行步骤二至步骤四，直至仿真时长。

本发明还包括：

1.紧密编队数学模型包括：长机自动驾驶仪模型和僚机六自由度状态空间模型，长机自动驾驶仪模型满足：

其中，τv表示无人机速度时间常数；τψ表示无人机航向时间常数；和表示无人机高度时间常数；

僚机六自由度状态空间模型满足：

ufc＝[vfcψfchfc]^t为僚机控制量；z＝[vlψlhlc]^t为长机耦合量；各矩阵具体元素如下：

式中为长机初始速度，为平均气动压，s为机翼面积，m为总质量，v为空气流速、等于无人机航速，为高度时间常数一，为高度时间常数二；为僚机速度时间常数，其取值与τv相同；为僚机航向时间常数，其取值与τψ相同。为侧向力增量系数在y方向上的分量；为阻力增量系数在y方向上的分量；为侧向力增量系数在z方向上的分量；为升力增量系数在y方向上的分量。

求出长机下一时刻状态量xlnext具体为：将长机控制指令ul以及长机当前状态量xl＝[vlψlhl]输入进长机自动驾驶仪模型即可得到长机下一时刻状态xlnext。

2.步骤二中人工势场控制器中无人机的运动方程表示为下式：

式中xⁱ表示第i个无人机的位置向量；vⁱ表示第i个无人机的速度向量；mi表示第i个无人机的质量；uⁱ表示第i个无人机的控制向量；kivⁱ表示第i个机器人的速度阻尼向量，其中uⁱ表示为下式：

uⁱ＝αi+βi+γi+kivⁱ

式中αi表示第i个无人机与相邻无人机的速度一致性控制量；βi表示第i个无人机与相邻无人机的距离势场控制量；γi表示第i个无人机与多无人机系统的编队速度一致性控制量；vend为设定的系统编队速度；v^ij表示所设置的距离势场函数，则可以将该控制量表示为下式：

式中kv表示速度反馈增益因子；kp表示势场反馈增益因子，其中距离势场函数v^ij设置如下：

式中x^ij即为当前两架相邻无人机之间的间距；

利用长机下一时刻状态量可以得到下一时刻编队队形，即可得到僚机下一时刻的理想状态量xfnext，即通过长机下一时刻与僚机当前时刻的速度差、位置差以及僚机与设置的编队稳定速度差计算出僚机当前所应受到的控制量uⁱ，进而由无人机运动方程计算出僚机下一时刻的位置，速度，以及航向。

3.步骤三中利用改进鸽群优化算法计算僚机控制量具体为：选取改进鸽群算法中的粒子x为僚机控制量更新所设置的x，更新规则如下：

量子粒子群更新规则：

改进地标算子更新规则：

β＝round(1+rand)

式中α为收缩-扩张系数；β为学习因子；xpbest代表个体历史最优；xgbest代表全局历史最优；xmbest代表个体历史最优平均，当迭代完成后输出的xgbest即所求的僚机控制量ufc，nc为当前迭代次数。

4.步骤四中将僚机控制量输入进僚机紧密编队模型计算僚机下一步状态量具体为：

将所求ufc带入僚机六自由度状态空间模型：

即可求得僚机下一时刻实际状态量x′fnext。

本发明的有益效果：本发明以紧密编队下的无人机状态空间方程为基础，考虑期望编队状态与实际编队状态之间的差距，提出一种新的紧密编队控制方案，以两个状态的一致性差异为控制输入实现编队控制。与传统的pid控制器方案相比，本发明避免了利用编队误差进行控制，提高了控制速度和控制精度，可以在更大的无人机范围内完成高精度的紧密编队任务。本发明在紧密编队的情况下为多无人机编队控制提供了新方案，具有较高的工程应用价值。

附图说明

图1是本发明实例中的原理图。

图2是本发明实例中的鸽群算法流程图。

具体实施方式

下面结合具体的实施例对本发明做进一步的详细说明。

本发明提供一种基于改进鸽群优化算法及改进人工势场法的多无人机紧密编队系统控制方法，通过分析长机翼尖涡流对僚机影响建立紧密编队条件下气动耦合效应的数学模型，输入长机控制指令和改进人工势场法获得多无人机紧密编队的理想状态。利用改进鸽群优化算法估计可使下一时刻僚机状态量最接近理想状态下的僚机控制量，从而完成编队任务。本发明意义在于提供了一种在紧密编队条件下的多无人机编队控制方案，收敛速度快，稳态精度高，具有较高的工程应用价值。

图1所示，为本发明提供的适用于基于改进鸽群算法及人工势场法的多无人机系统编队控制方案的原理图，主要针对紧密编队条件下，多无人机编队具有强耦合性以及强非线性等问题，本发明具有编队精度高、所需收敛时间短等优势。包括如下步骤：

步骤一：设置无人机长机控制指令、编队期望间距，建立紧密编队数学模型。利用长机控制指令和长机当前状态量求出长机下一时刻状态量。如图1所示，在编队开始前需要设置无人机长机控制指令ul＝[vlcψlchlc]、其中编队期望间距以及紧密编队时的数学模型，包括长机自动驾驶仪模型：

式中τv表示无人机速度时间常数；τψ表示无人机航向时间常数；和表示无人机高度时间常数；vl代表长机的速度；ψl代表长机的航向角；hl代表长机的高度；vlc代表长机的速度控制指令；ψlc代表长机的航向角控制指令；hlc代表长机的高度控制指令。将长机控制指令ul以及长机当前状态量xl＝[vlψlhl]输入进长机自动驾驶仪模型即可得到长机下一时刻状态xlnext，代表长机与僚机之间的纵向期望间距；代表长机与僚机之间的横向期望间距；代表长机与僚机之间的高度方向上的期望间距。

僚机六自由度状态空间模型：

式中xf＝[xvfyψfzζ]^t为僚机状态量，x、y、z代表僚机与长机之间的间距；vf代表僚机的速度；ψf代表僚机的航向角；ζ代表僚机与长机高度方向上的速度差。ufc＝[vfcψfchfc]^t为僚机控制量；z＝[vlψlhlc]^t为长机耦合量。各矩阵具体元素如下：

式中为长机初始速度，式中具体参数采用了表1给出的f-16飞行器模型参数。为平均气动压，s为机翼面积，m为总质量，v为空气流速、等于无人机航速，为高度时间常数一，为高度时间常数二；为僚机速度时间常数，其取值与τv相同；τψf为僚机航向时间常数，其取值与τψ相同。为侧向力增量系数在y方向上的分量，值为0.0033；为阻力增量系数在y方向上的分量，值为-0.000782；为侧向力增量系数在z方向上的分量，值为-0.0011；为升力增量系数在y方向上的分量，值为-0.0077。

表1f-16无人机参数表

步骤二：将长机下一时刻状态xlnext、僚机当前状态xf以及编队期望间距d输入进人工势场控制器、计算下一步无人机编队的理想状态。

人工势场控制器中无人机的运动方程表示为下式：

式中xⁱ表示第i个无人机的位置向量；vⁱ表示第i个无人机的速度向量；mi表示第i个无人机的质量；uⁱ表示第i个无人机的控制向量；kivⁱ表示第i个机器人的速度阻尼向量。其中uⁱ表示为下式：

uⁱ＝αi+βi+γi+kivⁱ

式中αi表示第i个无人机与相邻无人机的速度一致性控制量；βi表示第i个无人机与相邻无人机的距离势场控制量；γi表示第i个无人机与多无人机系统的编队速度一致性控制量；vend为设定的系统编队速度；v^ij表示所设置的距离势场函数，则可以将该控制量表示为下式：

式中kv表示速度反馈增益因子；kp表示势场反馈增益因子。其中距离势场函数v^ij设置如下：

式中x^ij即为当前两架相邻无人机之间的间距。利用长机下一时刻状态量可以得到下一时刻编队队形，即可得到僚机下一时刻的理想状态量xfnext，即通过长机下一时刻与僚机当前时刻的速度差、位置差以及僚机与设置的编队稳定速度差计算出僚机当前所应受到的控制量uⁱ，进而由无人机运动方程计算出僚机下一时刻的位置，速度，以及航向。

步骤三：利用改进鸽群优化算法计算僚机控制量。

选取改进鸽群算法中的粒子x为僚机控制量按照图2流程更新所设置的x，更新规则如下：

1量子粒子群更新规则：

2改进地标算子更新规则：

β＝round(1+rand)

式中α为收缩-扩张系数；β为学习因子；xpbest代表个体历史最优；xgbest代表全局历史最优；xmbest代表个体历史最优平均。当迭代完成后输出的xgbest即所求的僚机控制量ufc。

f(xf)＝(x′fnext-xfnext)·(x′fnext-xfnext)^t，f(xf)为改进鸽群算法的适应度函数。x′fnext、xfnext分别是僚机当前时刻的状态量与僚机下一时刻理想的状态量，根据图2中流程图可以计算使适应度函数f(xf)最小时的僚机控制量ufc＝[vfcψfchfc]，式中vfc为僚机速度控制量、ψfc为僚机航向角控制量、hfc为僚机高度控制量。

具体步骤如下：

流程图如图2所示，其中第一个循环即为指南针算子循环，第二个循环即为地标算子循环。每个循环都是按照其具体更新规则来更新粒子，然后找出使适应度函数最小，即最优的一个粒子。通过不断循环使适应度函数值达到最优，即表示僚机实际状态量与理想状态量的差距最小。

步骤四：将僚机控制量输入进僚机紧密编队模型计算僚机下一步状态量。

将所求ufc带入僚机六自由度状态空间模型：

即可求得僚机下一时刻实际状态量x′fnext

步骤五：重复执行步骤二至步骤四，直至仿真时长。

仿真验证：

仿真条件：期望编队间距设置为[60ft,23.5ft,0ft]；初始编队状态长僚机状态均为[0ft/s,0°,0ft]；匀速稳定编队长僚机状态为[825ft/s,0°,45000ft]。采样周期为0.02s，仿真时间设置为60s；长机控制可分为两个阶段：第一阶段为前15s长机航向控制指令由零均匀减为负三十度，随后稳定飞行5s；第二阶段再在20s至35秒期间由负三十度均匀增加至零度并保持此控制指令至仿真时长。

由表2(a)-表2(c)中可以看出，本发明方案在紧密编队条件下，稳定编队误差x方向最大可达0.15英寸；y方向最大可达0.08英寸；z方向最大可达0.3英寸。

表2(a)15s时无人机状态

表2(b)35s时无人机状态

表2(c)60s时无人机状态

本发明具体实施方式还包括：

步骤一：设置无人机长机控制指令、编队期望间距，建立紧密编队数学模型。

步骤二：将长机控制指令、编队期望间距输入进人工势场控制器、计算下一步无人机编队的理想状态。

步骤三：利用改进鸽群优化算法计算僚机控制量。

步骤四：将僚机控制量输入进僚机紧密编队模型计算僚机下一步状态量。

步骤五：重复执行步骤二至步骤四，直至仿真时长。