一种使无人机网络具有群集性的分布式双层群集控制技术的制作方法

本发明属于无人系统通信领域，具体地说是针对当前无人机网络在动态环境中无法维护网络拓扑和保证网络服务质量(qos)的问题，提出了一种由许多无人机节点自治实施的分布式双层群集(flocking)控制方法，以及基于wi-fi的通信与感知一体化的低成本技术。

背景技术：

多无人机系统通过支持多机间的协同机制，具有克服单无人机系统的功能受限、生存能力差等缺陷的潜力，被认为是一种颠覆性技术。在动态环境中为了支持多机的协同，正在发展能够无人机网络或飞行自组织网络(flyingadhocnetwork，fanet)技术，这些技术最重要的能力是维护网络拓扑和保证网络qos。为支持各种多机协同的智能应用，这里假定无人机之间只能通过宽带无线网络在空中进行交互，而不能依靠窄带无线通信系统经地面控制系统进行沟通。目前在高速飞行的动态环境下，实现无人机网络的拓扑稳定和保证qos的控制技术是个未决难题。

本专利提出的方法受到群体智能(swarmintelligence)概念的启发。无人机可认为是具有一定智能的智能体，如果让多无人机系统中的每个节点通过某种控制方法，自治地控制自身行为并支持邻近节点间的协作，使得整体具有高度的自组织和自适应性，就能让无人机网络表现出具有像鸟群、鱼群那样的群集性(flocking)智能行为。这就是说，尽管每个无人机节点的结构和功能都很简单，通过分布式控制和协调而使该无人机网络涌现出整体新性质和新功能，完成了局部之和大于整体的智能涌现。如果无人机网络具备了群集性，其所有节点将满足下列特征：自行聚合，而不会随机游走成为孤立节点；保持分离，而不会因相距太近而碰撞；拥有共同的运动趋向，而在高速运动中保持一致。这种无人机网络的群集性能够为分布式实现网络拓扑控制和保证网络qos奠定了基础。

此外，采用何种技术来实现上述控制方法对于实现系统的成本非常关键。本专利利用已有成熟的商用产品来设计实现上述方法，而无需设计专用芯片或底层通信技术，从而为实现低成本的无人机网络系统创造条件。

技术实现要素：

[发明目的]：本发明提出的分布式双层群集控制技术，能够以低廉的成本使无人机网络具有群集性，使无人机网络在动态环境中具有维护网络拓扑和保证网络qos等特点。

[技术方案]：

本发明的技术方案是：

1、一种分布式双层群集控制系统，其特征是它包括：

a.无人机网络具有两个层次领航者-跟随者(leader-followers，简称l-fs)的组织结构(参见图1(a))：第一层次l-fs结构有一个l(领航者)带领多个f(跟随者)；在第一层次结构中的f可以是第二层次结构中的l，它也可以带领多个其他f(参见图1(b))，形成第二层次的l-fs结构。

b.第一层次l-fs结构的节点飞行在同一高度h1，采用通信频率f1和宽带通信方式；第二层次l-fs结构的节点飞行在同一高度h2，采用通信频率f2和带宽通信方式；每个l和f节点都具有wi-fi通信设施以及方位传感器(如gps或北斗)。

c.图1(a)所示的网络是一个簇，l为簇首；图1(b)所示的网络是由多个簇组成，其中的簇首节点(如l11，l12，l13)形成无人机网络的主干网，l11称为无人机网络的根节点；簇首节点既是本簇的汇集点，也是主干网的中继节点。

d.所有f节点与其l节点之间的距离都必须小于最大通信距离dmax，无论对第一层次网络，还是对第二层次网络均如此；在节点间距离小于最大通信距离dmax的情况下，通常它们的无线通信qos也能得到保证。

e.所有节点与其邻居节点之间的距离都必须大于最小安全距离dmin，以防彼此相撞。

f.f自主跟踪l的方法：在图2中，r1为任意两无人机之间的最小安全距离dmin，r2为l与f之间的适合距离，r3为l与f之间的最大通信距离dmax。第一层次网络的l节点可以根据任务及环境状态决定自己的飞行轨迹，而f节点则要根据其l的状态信息自行调整自己与l的距离与飞行方向；相对于l11节点来说，f应处于以l为圆心的r1＜r＜r2的环形阴影区域内为佳；而一旦f位于r2＜r＜r3范围内，就必须向l11方向调整，使其尽快返回r1＜r＜r2区域，节点l与节点f之间的距离应当满足：

dmin＜dfl＜dmax(1)

其中，dfl为f节点与l节点之间的距离，dmin为安全距离，可取值r1；dmax为可靠通信距离，可取值r2；由于两层网络位于不同的高度且使用不同的频率，可不考虑这两层网络之间的碰撞与干扰问题。

g.多f节点避撞：对于任意f节点i，假设其邻居节点(它们跟随同一个l)集合为ni，为了避撞，节点i与任意邻居节点j之间应当满足：

其中dij为节点i与节点j之间的距离，同样地，l-f节点的安全距离dmin为r1；当式(2)不满足时，节点i应当做出自主调整使得式(2)成立；如图3所示，节点f5附近没有邻近节点，它没有与其他节点相撞的危险。而节点f2而言，它与节点f1、f3、f4和f6相邻；且与f1、f3和f4靠得太近时，存在碰撞的危险，因此f2应当自主地向节点稀疏的区域移动，以保证它们彼此的安全。

2、一种由各个节点自治实施的分布式节点群集控制方法，其特征是它包括：

a.当每个f节点跟随l节点时，任意节点与其l节点关系满足式(1)约束，邻居节点之间满足式(2)约束；假定对于除l节点外的任意f节点i，其当前位置为qi，l当前位置为ql，其邻居节点集合为ni(ni不包含l)，定义威胁节点集合ti：

ti＝{j|dij≤dmin，j∈ni}(3)

其中，dij＝||qi-qj||定义为节点i与节点j之间的距离，dmin为最小威胁调整距离。

其他节点对本节点存在碰撞威胁的场所被定义为势场，威胁的大小由势函数计算；对于除l节点外的任意节点i，定义其他节点对本节点影响的势函数包含两个部分：和其中，为节点i与其leader的势函数，当势函数为0时，节点i与其l之间满足式(1)；而当势函数越大，则节点i与其l越近(dil≤dmin)，或者越远(dil≥dmax)；为集合节点i与威胁集合ti中节点j之间的势函数，当势函数为0时，节点i与邻居节点j具有安全距离；反之，当势函数越大，则节点i与节点j越近(dij≤dmin)。

b.f自主跟踪l的控制方法：由于节点i与其l之间应当满足式(1)，因此定义：

显然，在式(4)中，当节点i与其l之间的距离满足式(1)时，势函数为0，即此时节点i不需要调整其与l之间的位置；当节点i与其l之间的距离小于dmin或大于dmax时，势函数大于0，此时节点i需要调整自己的位置以满足式(1)，且势函数值越大则调整的力度就越大。

c.多f避撞控制方法：对于节点i与其任意威胁邻居节点j(j∈ti)，按照集合ti的定义可知此时dil≤dmin，由于节点i与j之间处于安全距离即满足式(2)，因此定义：

与式(4)类似，在式(5)中，节点i与节点j距离越近，势函数值越大，此时需要节点i需要调整自身位置的力度也越大。

基于式(4)和(5)，节点i进行自主调整的目标是尽快使势函数降低至0；当网络中所有节点的势函数值均为0时，网络通信的qos即得到了保证；考虑节点i的任意势函数φ，使得势函数减小的目标速度那么对于所有势函数得到的速度矢量加成为：

其中k1和k2为速度调和参数，参数大小与最大飞行速度相关。由于节点i还必须与其l之间满足同步原则，即节点i需跟随其l飞行，因此节点i的目标速度应为：

v″′i＝αv″i+vl(7)

其中，vl为l的速度，α为速度限制参数，假设最大飞行速度为vmax，那么有：

α＝argmax(αv″i+vl)(8)

d.信号强度和威胁矩阵ti的使用使得任意节点只需要获取与其距离处于威胁范围内的相邻节点，能够有效减少本节点与相邻节点之间的信息共享；而对于l节点的信息来说，若其位置和状态信息变化较快，则只能增大信息共享的频率；而当其位置和状态变化较慢或阶段性变化时，如根节点以固定速度巡航，即速度大小保持不变，其在某阶段的速度以角速度ω变化，那么式(7)中的l节点速度vl可以表示为：

vl＝(|vl0|cos(θ0+ωt)，|vl0|sin(θ0+ωt))(9)

其中，|vl0|为根节点的固定巡航速度大小，θ0为节点进入角速度为ω的飞行阶段时的初始偏航角，t为从节点进入角速度为ω的飞行阶段到当前的时间长度。

3、一种基于wi-fi的通信与感知一体化技术，其特征是它包括：

a.计算势函数：由于每个节点都有wi-fi有源通信设施，节点能够感知其他节点的存在及其距离；利用每个节点的wi-fi设施，节点近似为一个向全方位、全空间均匀发送wi-fi信号的有源传感器；利用每个节点的定位传感器(如gps或北斗)获取的信息，通过与相邻接点交换信息，就能计算得到自己的方位，因此节点同时利用了wi-fi的网络通信和节点测距两种功能。

b.wi-fi的测距功能：测定在特定环境中两节点之间的距离d与接收到的wi-fi的接收信号强度(rss)的关系，就能估算出d的值；假设rssmax为距离dmin对应的rss值，式(3)的威胁节点集合ti可以表示为：

t′i＝{j|rssij≥rssmax，j∈ni}(11)

c.平滑rss的波动：由于先进的wi-fi技术采用的节能等技术以及每块wi-fi芯片存在差异，每次测量到的rss值可能存在较大差异，可以采用指数加权移动平均(exponentialweightedmovingaverage，ewma)式(12)来处理获取的rss值，以平滑rss测量值的波动，使距离预测尽可能准确：

estimatedrssi＝(1-α)·estimatedrssi+α·samplerssi(12)

4、一种设置l节点向f节点广播通信频度的算法1，其特征是它执行下列步骤：

各个f节点自治实施的分布式节点群集控制方法时，需要l节点的信息。而为了节省l节点通信所需的wi-fi资源，我们将l节点的广播周期t2分为短周期t21和长周期t22(t22＞t21)。当l节点飞行状态(方向、速度等)变化较快时，以短周期t21向其f节点广播信息；反之，当l节点飞行状态变化较慢或阶段性变化时，以长周期t22向其f节点广播信息。特别地，在以长周期t22进行广播的过程中，l节点从一种状态变为另一种状态时(如角速度w发生变化)应立即向f节点广播信息并重置周期计时器。

5.一种f节点进行群集控制算法2，f节点收到基于算法1的共享信息后，再根据算法2进行自主计算和飞行调整，其特征是它执行下列步骤：

[有益效果]：本发明的有益效果是：由无人机网络中的节点自治实施的分布式群集控制方法能够大大降低系统计算复杂度和提升控制实时性；采用基于市售wi-fi产品的通信与感知一体化技术能够大大降低系统成本，为解决无人机网络在动态环境下维持网络拓扑和保证网络qos的难题提供了一种经济、有效的技术。

附图说明

图1为分布式两层群集无人机网络结构；

图2为两层群集控制下的f自主跟踪l的模型；

图3为多f节点避撞模型；

图4为主节点沿直线轨迹飞行时网络拓扑变化情况；

图5为主节点沿圆形轨迹飞行时网络拓扑变化情况；

具体实施方式

以下结合附图和具体实例对本发明做具体的介绍。

为了验证本文提出方法和技术的可行性，我们基于omnet++搭建了无人机网络仿真系统和利用大疆m100搭建了原型系统，并进行了大量试验，验证了本专利的方法与技术的可行性。

该仿真系统的物理层主要利用了radio模型和medium模型，第一层网络的mac层采用adhoc模式wi-fi和基于olsr协议的路由，第二层网络采用了ap模式的wi-fi，并且在每个节点上增加了本专利提出的群集控制功能；网络层主要利用了imobility模型。其中，试验无人机网络由9个无人机组成，最大通信半径设置为100m。1台无人机作为根节点l11，2台无人机作为其f节点l12和l13；l12和l13又分别设置有2个f节点。在无人机网络运动过程中，设置了无线通信干扰和随机风力干扰。相关试验参数如表1所示。

表1仿真试验参数

为了验证本文算法在不同场景下的有效性，我们进行了下列试验：让主节点分别按直线和圆两种航迹进行飞行，观察无人机网络的行为。其中，uav0对应第一层l11节点，uav3和uav4为第一层l12和l13节点，跟随uav0飞行；其余6台uav均为第二层f节点，uav5和uav6跟随uav3，uav7和uav8跟随uav4，所有uav在飞行过程中可能会受到随机干扰。图4和图5分别显示了在uav0分别沿直线和圆形航迹飞行时整个网络的运动情况。由图4和图5可以发现，在整个网络飞行过程中，无人机节点的实际飞行轨迹和网络拓扑虽因随机干扰出现了一定的偏差，但基本能够沿预定轨迹飞行并保持拓扑稳定。

表2给出了由9个无人机节点组成的无人机网络分别在直线和圆形航迹下不同l-fs对之间以及整个网络的各项指标值。从表2可以发现，不同l-fs之间节点平均调整距离(add)指标的值均小于0.025m/s，即每台无人机在飞行过程中平均每秒钟需要调整的相对距离小于0.025m(各种性能指标可见后面的定义)。相对于无人机之间的通信范围(r2＝70m)来说，在本文算法的控制下，无人机网络能够保持稳定的拓扑飞行，从而能够保证无人机网络的qos。

表2不同轨迹下无人机及网络的各项指标变化情况

为了验证对于4.2节中提出的短周期t21和长周期t22分别作为l节点在不同情况下，向其f节点广播信息的时间间隔，时间周期的取值会影响算法的有效性和网络的性能。我们在omnet++中运行pingall模块进行测试，让每个节点向其余所有节点周期性发送ping报文，并记录响应报文数量。定义丢包数(numberoflostpackets，nlp)指标来统计试验过程中ping报文的丢失数量，试验结果如表3所示。

表3不同时间周期下的ntad、naad和nlp值

表3显示了在不同的时间周期t21和t22下，无人机网络在飞行过程中的ntad、naad和nlp值的变化情况。由表3可以发现，随着时间周期t21和t22的不断增大，无人机网络的ntad、naad值也逐渐增大，表明无人机需要调整的距离也越来越大，这是因为当时间周期t21和t22增大时，无人机之间信息共享的频率也随之增大，使得无人机网络相对位置的调整变得滞后，从而使得维持无人机网络群集特性的调整代价也越来越大，甚至导致网络出现中断。与ntad和naad的变化趋势不同，nlp值随着时间周期的增大先减小然后增加，这是因为当时间周期较小时，信息共享频率较高，但由于此时网络中控制报文的数量也较大，它对正常传输的其他应用报文产生了一定的干扰。而随着时间周期较大时，虽然控制报文的数量减少了，但已经无法有效维持网络的群集特性，使得网络的qos变差甚至导致出现中断。因此，在设置l节点的广播周期时应当选择合适的时间间隔。特别地，表3中的直线轨迹试验和圆形轨迹试验都属于运动状态变化较小的情况(仅因随机干扰造成状态变化)，因此影响ntad、naad和nlp值的主要因素是长周期t22。

●其中调整距离(adjustdistance，ad)：无人机网络一个l-f对之间在第i时刻的ad定义如下：

其中，为ti+1时刻f与l的距离，为ti时刻f与l的距离，ad的单位为m。

●节点总调整距离(totaladjustdistance，tad)、节点平均调整距离(averageadjustdistance，aad)和节点单次最大调整距离(maxadjustdistance，mad)：无人机网络一个l-f对之间tad、aad和mad定义如下：

其中，δt为ti+1与ti的间隔，nt为总的时间间隔数量，tad的单位为m，aad的单位为m/s。

显然，两无人机之间的距离变化越频繁，其aad值和tad值就会越大，网络拓扑变化就越大。

●网络总调整距离(networktotaladjustdistance，ntad)和网络平均调整距离(networkaverageadjustdistance，naad)：无人机网络的ntad和naad定义如下：

其中，ntad的单位为m，naad的单位为m/s。显然，当网络状态变化越频繁，其naad值和ntad值就会越大。

上面对本发明作了详细的说明，但是本发明并不限于上述的实施方式，在本领域的技术人员可以根据自己所具备的知识，对本发明做各种变化以达到更优的效果。