一种基于局部定向的群体智能避障方法

本发明涉及群体避障领域，具体涉及一种基于局部定向的群体智能避障方法。

背景技术：

近年来，模仿自然界生物群体行为研究群体智能理论逐渐成为热点，避障是最基本的群体行为，现有的避障算法主要以虚拟势场为基础，随着研究的深入，传统的人工势场法与极限环法在处理复杂环境下群体避障问题时往往存在不足，特别的，障碍的不规则性、非预知性与环境的有界性对算法的研究提供了新的改进方向。

综上所述，现有针对不规则、非预知障碍与有界环境下的避障算法研究大多围绕这三方面分别展开，且其中针对群体避障的研究较少，对三种问题均存在的复杂环境下的群体避障算法研究极少。为此，本文主要研究该复杂环境下的群体避障问题，在仅利用智能体的有限探测信息的前提下，一方面，在局部可视不规则障碍的边缘设置平衡点，并以该点为中心建立局部极限环，最终沿所有局部极限环的包络对该障碍进行绕行；另一方面，将智能体在局部可视边界上的投影点设置为虚拟障碍，并以改进的人工势场斥力函数作为该虚拟障碍的势场函数来避免与边界发生碰撞。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于局部定向的群体智能避障方法，在无边界的条件下考虑无人机的避障情况解决了目标牵引下的群体定向协同优化障碍行更加适应现实情况。

通过以下技术方案来实现的：一种基于局部定向的群体智能避障方法，包括下列步骤：步骤1：当个体的探测半径内出现障碍物时，进行碰撞预判，当判断的结果为个体会与障碍物发生碰撞时，执行步骤2的避障措施；

步骤2：以障碍物最近探测点为平衡点，根据个体大小和障碍物的威胁程度确定极限环半径，个体在移动过程中对不同的探测平衡点进行绕行，执行步骤3；

步骤3：绕行时，还原障碍物的位置和形状，通过顺时针或者逆时针绕行障碍物，向目标点移动。

优选的，所述步骤2中，针对单个障碍物的场景，避障措施包括有单障碍物避障算法，具体如下：

步骤21：当个体为无人机时，做无人机与目标点连线为直线l，直线l设为ax+by+c＝0；

步骤22：当连线l穿过危险区时，计算极限环中心到直线l的距离为，

将平衡点坐标(zx，zy)，(zx，zy)一个波束内无人机探测到的障碍局部中心，无人机坐标(wx，wy)和目标点坐标(mx，my)带入下列的二阶非线性方程来计算无人机在任意位置的期望方向：

步骤23：设x＝(x,y)为个体当前位置，r＝rv²-x²-y²,rv为极限环半径，则加速度权重可以表示为：

该场景下的加速度可以写作：

a＝h1x'

其中，

优选的，所述步骤2中，针对多个障碍物的场景，避障措施包括有多障碍物避障算法，具体如下：

步骤31：计算两两障碍物之间的通道距离，当两个障碍物之间的通道距离小于预设阈值时，则将该两个障碍物进行合并，完成对避障场景的分类；

步骤32：当障碍物距离未超过阈值时，若判定最近障碍属于前一时刻的障碍物群，则一直采用前一时刻的极限环绕行方向作为当前时刻的绕行方向dt＝dt-1，直至通过该障碍物群，若判定最近障碍物不属于前一时刻的障碍物群，则搜索当前最近障碍所在集群内的障碍物数目及局部位置，计算可视范围内的障碍物集群的重心平均值，选择远离中心平均值的极限环绕行方向作为运动方向，

令

则上式加速度可以写作，a＝h2×x′，dt是个体时刻的绕行方向，步骤32里说明了dt在两种情况下的方向选择。

步骤33：当障碍物之间的距离超过阈值时，对障碍物极限环进行叠加得到最终的避障加速度，令

则，上式加速度可以写为，

a＝×h3×x'。

优选的，当存在动态障碍物的场景时，制定下列策略：

在计算完成避障判定规则时，用相对速度替代原来的无人机速度，对于动态障碍物，原始极限环避障受力矢量向障碍物速度方向旋转一定角度θ，

其中，0<k7<1，vobstacle为障碍物的移动方向矢量，vuav为无人机的移动方向矢量，k7为相对速度

优选的，当个体在边界处进行避障时，避障措施包括有边界障碍避障算法，具体如下：设群体中第i个无人机qi＝(xi,yi)在边界边缘的可变投影点为qoi＝(xoi,yoi)，并在qoi处定义虚拟个体，设个体与虚拟个体的之间距离为di，无人机i在二维空间中qi点的改进斥力势场函数定义如下：

其中rbound为预设的避障范围，当粒子间距离di小于rbound时即受排斥作用，其中θ1＞0为排斥函数指数，k1为排斥作用权重；随着群体的运动，虚拟个体的位置不断变化，直至脱离边界，d0是预设数值，这里为了与群体内个体间的排斥力函数保持一致。

优选的，针对个体为群体时，建立智能群体模型，其中模型的优化目标函数包括有协同目标或任务的优化、环境对群体行为的优化、结合广义邻域方式的群体中单个个体的感知优化、群体行为的整体自主优化。

本发明的有益效果是：

(1)是通过“局部”来克服现实场景中无法预知障碍物真实大小和形状的问题，在运动中逐步还原障碍物边界；

(2)通过“定向”来协调消除局部最优决策和全局最优决策之间的矛盾，减少在绕行过程中出现“回头”的现象，确保在面对“死胡同”和“对称”障碍场景的时候不会出现群体行为紊乱。

附图说明

图1为本发明的工作原理图；

图2为本发明的单个障碍物避障的示意图；

图3为本发明实施例中未绕出前一时刻障碍物群的示意图；

图4为本发明实施例中绕出前一时刻障碍物群的示意图；

图5为本发明实施例中障碍物群的局部极限环叠加示意图；

图6为本发明的无人机受力方向改变前后的示意图；

图7为本发明的实施例中非必要的势场影响示意图。

具体实施方式

下面结合本发明的附图1，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。

在本发明的描述中，需要理解的是，术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

实施例1：

基于“局部定向极限环”的群体避障控制设计主要分为两个部分。首先，判断是否执行避障策略。当障碍物局部进入个体探测半径时，个体对障碍物局部的进行碰撞预判，当判断其不会与障碍物局部发生碰撞时，将不采取避障措施，当判断其可能与障碍物局部发生碰撞时，个体将执行避障措施躲避障碍物；其次，设计适当的避障策略，使个体完成对障碍物的躲避。其具体方法是以障碍物最近探测点为平衡点,根据个体大小和障碍物的威胁程度选取适当的距离作为极限环半径，个体在运动过程中不断改变探测平衡点进行绕行，同时还原真实障碍物的位置和形状，通过顺时针或者逆时针绕行障碍物，安全高效地向目标点移动。

值得说明的是，单个障碍物避障算法，

1°做无人机与目标点连线l，设为ax+by+c＝0.

2°判断直线是否穿过危险区，若未穿过危险区则向目标移动，若穿过危险区则计算极限环中心z1、z2到直线l的距离：

3°将(zx，zy)，(wx，wy)和(mx，my)带入以下二阶非线性方程来计算无人机节点在任意位置的期望方向：

设x＝(x,y)为个体当前位置，r＝rv²-x²-y²,r^v为预设极限环半径，则加速度权重可以表示为：

该场景下的加速度可以写作：

a＝h1x'

(2)多个障碍物避障算法：

当探测到多个障碍物时，群体避障分为两个阶段：第一阶段对探测范围内的障碍物进行两两通道判定，将最优判定(即最佳通道测量值)结果进行中继局部广播。第二阶段无人机个体根据自身位置和探测到的“障碍物群”的信息做出局部最优决策。这里，“障碍物群”定义如下：

ω表示雷达当前探测到的障碍物的集合，满足以下任意条件的x,y叫做连通：

(1)若对任意x,y∈ω,d(x,y)<c；

(2)若对任意x,y∈ω,d(x,y)≥c,但ω2,…ωn∈ω,使得d(x,ω1)<c,d(ω1,ω2)<c,d(ω2,ω3)<c,…,d(ωn,y)<c.

我们将能连通的障碍物组成的集合称作障碍物群，这里的x、y为障碍物x和障碍物y。

在障碍绕行过程中，计算两两障碍物之间的通道距离，如障碍物a与障碍物b通道距离小于预设阈值，则对障碍a所在“障碍物群”与障碍物b所在“障碍物群”取并，完成当前时刻的避障场景分类。根据现有的群体环境和前一时刻的运动状态采取不同的障碍绕行方案：

当最近两两障碍物通道距离未超过阈值时，则判定当前距离无人机个体最近的障碍是否属于前一时刻的障碍物群，即是否绕出前一时刻的障碍物群——若仍在上一步的障碍物群中，根据“无错便继续”的思想选择保持原有的绕行方向，避免回头；若进入新的障碍物群中,则计算当前障碍物群与无人机的相对位置，重新选择顺时针或逆时针绕行。当最近两两障碍物通道距离超过了阈值时，选择对障碍物的局部极限环进行叠加得到最终的避障加速度。

下面具体介绍这两种场景下的仿真避障算法：

1.障碍物距离未超过阈值：

若判定最近障碍属于前一时刻的障碍物群，则一直采用前一时刻的极限环绕行方向作为当前时刻的绕行方向dt＝dt-1，直至通过该障碍物群，如图2；若判定最近障碍物不属于前一时刻的障碍物群，则搜索当前最近障碍所在集群内的障碍物数目及局部位置，计算可视范围内的障碍物集群的重心平均值，选择远离中心平均值的极限环绕行方向作为运动方向，如图3：

令

则上式加速度可以写作：

a＝h2×x'

2.障碍物距离超过阈值：

若障碍物距离超过阈值，对障碍物极限环进行叠加得到最终的避障加速度，如图4。

则上式加速度可以写作，

a＝h3×x°

3.动态障碍避障算法

考虑到有动态障碍物的场景时，原有避障算法无法很好处理，有以下原因：

i.原有针对静态障碍物进行的通道探测会对全局广播且在不断的探测中会逐渐减小趋近真值，而存在动态障碍物时，障碍物间通道是可变的，该方式显然不合理；

ii.当动态障碍物与无人机相向而行，即两者间距不断减小时，无人机依靠原有方法的极限环作用往往避障不及时，容易发生碰撞。因此，针对动态障碍物，从障碍物和无人机的速度大小和方向考虑，增加以下避障策略：

iii.在计算完成避障判定规则时，用相对速度替代原来的无人机速度，即δv＝vuav-vobstacle代替vobstacle；

iv.对于动态障碍物，原始极限环避障受力矢量向障碍物速度方向旋转一定角度θ，即

其中0<k7<1。

4.边界障碍避障算法

借助人工势场的思想在边界处形成一个虚拟的斥力场，无人机在力场中受力运动，从而避免与边界碰撞。采用传统斥力势场函数进行避障时，一旦无人机进入边界的影响半径就会受到其斥力势场影响。但不是所有情况都需要势场影响，如下图5所示。图6中无人机的位置虽处于边界势场的影响范围之内，但其运动速度并未指向边界，从而不存在与边界发生碰撞的风险，在这种情况下实际上并不需要采取避障措施。因此，在设计边界势场时，需将无人机的位置与速度同时纳入考虑。

设群体中第i个无人机qi＝(xi,yi)在边界边缘的可变投影点为qoi＝(xoi,yoi),并在qoi处定义虚拟个体。设个体与虚拟个体的之间距离为di，无人机i在二维空间中qi点的改进斥力势场函数定义如下：

其中rbound为预设的避障范围。当粒子间距离di小于rbound时即受排斥作用，其中θ1＞0为排斥函数指数，k1为排斥作用权重；随着群体的运动，虚拟个体的位置不断变化，直至脱离边界。

基于“局部定向极限环”算法的避障控制设计，其核心思想体现在三个方面：

其一是通过“极限环”实现对障碍的“绕行”；多数避障算法是依靠“远离障碍”来达到障碍通行的目的，极易出现群体运动不流畅不优化等问题；

其二是通过“局部”来克服现实场景中无法预知障碍物真实大小和形状的问题，在运动中逐步还原障碍物边界；

其三是通过“定向”来协调消除局部最优决策和全局最优决策之间的矛盾，减少在绕行过程中出现“回头”的现象，确保在面对“死胡同”和“对称”障碍场景的时候不会出现群体行为紊乱。

总的说来，较当前主流群体模型而言，基于局部定向极限环模型具有以下几条显著优势。

(1)群体具有以行为实现的协同目标或任务

根据我们针对智能群体模型所提出的2准则3特征的基本要求，其中的第一条准则即是“要求群体具有以行为实现的群体目的”。事实上，任何智能群体不仅仅需要完成其自身的内部协调，更重要的是需要在此基础上，通过整体协同的方式去完成一个共同的群体目标或任务。群体的智能性往往就体现在其对目标或任务的完成方式上，因而，群体任务对群体智能模型而言是不可或缺的重要组成部分。

在我们的理论模型中，通过引入终止状态所对应的边界流形来对群体任务进行描述；在我们的仿真模型中，将该边界流形的作用从动力学的角度体现为目标位置对群体的牵引作用，也即模型中的目标牵引项：

在该牵引作用的引导下，群体不仅仅可以实现内部的协调，还可以优化协调为任务所需要的运动方式，也即实现协同，进而最终完成该群体任务。另一方面，在完成群体任务的同时，我们往往会对群体的聚集状态提出相应的要求。因此，有必要在群体目的中引入群体聚集这一基本要求。为此，我们在模型中通过群体聚集项体现了该要求：

在该聚集作用下，群体将逼近预期的聚集状态。

(2)引入了环境对群体行为的影响

在智能群体的运动中，环境是一个不得不考虑的重要因素。所谓的群体智能行为，指的是群体在特定环境的影响下对既定目标或任务的优化实现。在不同环境下，即便是对同一个目标或任务，优化实现的方式也可能是不一样的。环境的影响有好的也有坏的，通过合适的设置，应使得群体在环境中具有趋利避害的能力，进而保证群体目标或任务的优化实现。

在我们的理论模型中，将环境对群体行为的影响数学建模为“环境流形”考虑群体在该“环境流形”中运动时，相应的群体运动方式将受到“环境流形”的合理约束，该约束作用反映的便是环境对群体运动的实际影响作用；在我们的仿真模型中，该环境流形的作用在从动力学的角度体现为环境中的目标或障碍物等对群体的吸引或排斥作用，在该作用的引导下，群体可以智能地避开障碍物并到达目标，从而优化地实现各项群体目的。其中关于障碍物的具体研究将在下一年的工作中深入展开

(3)以“广义邻域”方式刻画个体感知作用范围的局部性

群体的3个个体行为特征指出，群体只能感知并传递邻近成员的信息和作用，事实上，自然界或工程物理中的个体通常只能在一定范围内进行感知和作用，因而，这一要求是合理的。

在我们的理论模型中，通过引入“广义邻域”bi＝o(xi,ri(α))来刻画感知和作用范围的局部性，进而，为了在局部感知的基础上产生出整体的优化行为，需要在局部与局部之间进行合理的连接、传递，正是对连接和传递方式的合理设置，使得群体具有了产生智能的可能。因而，在我们的仿真模型中，进一步将该“广义邻域”的概念在动力学模型中具体体现为“几何邻域”γi，该邻域的选取从数学的角度反映了无人机的感知和作用范围，进而，结合各群体目的，通过合理设置邻域内的作用函数，使得群体完成了对各群体目的的优化实现，也即产生出了智能的行为表现。

(4)群体行为的整体自主优化使之表现出智能

作为对智能群体的基本要求之一，群体行为效果准则指出，群体的智能行为应该逼近群体目的的最优实现。这一要求表明：群体的智能行为应当表现为优化的作用，优化是智能的必要体现。一般的动力学模型本质上只是给出一个自动化的模型，也即，在确定的条件下，以确定的方式，完成确定的行为过程，得出确定的结果；而智能的表现应该是：在不完全确定的条件下，以自主的方式，完成优化的行为过程，得出优化的结果。

在我们的理论模型中，不仅仅通过群体流形和环境流形给出了群体运动的基本规则和约束，并且在此基础上通过“极小子流形”等整体优化准则对群体行为进行了整体优化，这一优化过程体现了群体对目标的实现方式的自主性选择，也即体现了智能。在我们的仿真模型中，首先，通过群体相互间作用和环境对群体的吸引和排斥作用建立了群体的动力学模型，从而给出了群体运动规则；然后，建立了4个群体目的实现情况的评价指标；最终，以上述评价指标为优化目标函数，对模型进行了全维优化，进而得到了群体目的的优化实现，也即群体的智能行为表现。