文摘

多个无人驾驶车辆狩猎策略基于改进人工势场法的目的是解决多个无人驾驶车辆在复杂环境中合作狩猎问题。首先,决定层设计基于模糊推理系统实现阶段划分和选择相应的策略。随后,改进斥力场函数为变量的安全距离是根据之间的相对速度和角度设计无人驾驶车辆和障碍,实现有效的避障的无人驾驶车辆在打猎。狩猎策略组成一致的状态,避障,控制成本是为了获得的时间最优路径无人驾驶车辆,实现快速目标狩猎通过最小化代价函数。最后,设计的狩猎策略的有效性通过仿真和实验验证,然后与其他狩猎策略。因此,推断,狩猎策略设计研究中捕猎效率提高了12.97%,除了确保避障效果。

1。介绍

最近,无人合作作战系统技术经历了快速的发展。特色包括被无人驾驶、智能、高效和低成本,满足未来作战需求;因此,合作作战模型将颠覆未来战争的作战模式。因此,无人合作技术也已成为一个重要的筹码在世界各地的军事游戏(1- - - - - -3]。

合作机器人狩猎(4,5合作多智能控制的一个重要组成部分,其重点是研究如何用个人能力有限多个机器人可以协调,协作和合作,获取或控制高度灵活和相对危险的目标。最近,一些研究已经进行群机器人打猎。其中,人工势场法广泛用于多个机器人的运动控制,因为它的优点简单计算和简单的实时控制。Zhang et al。6,7)提出了一个避障和狩猎策略基于一个简化的虚拟力模型,使群机器人执行追捕和避障未知,复杂的环境。梁和魏8)设计了一个基于人工的狩猎方法物理力量,群机器人完成狩猎的人工力量的作用下。然而,这种策略在复杂环境中有局限性。

考虑现有的狩猎策略的局限性在复杂的环境中,狩猎策略基于一种改进的人工势场法是在这项研究中,使设计的无人机执行狩猎和在复杂的环境中避障。仿真和实验结果表明,在这项研究中提出的狩猎策略可以实现有效的狩猎和避障时更多的时间有效。

2。无人驾驶车辆形成过程的数学模型

2.1。为无人驾驶车辆运动学模型

本文研究的主题是一个两轮差速无人驾驶车辆,如图1。车辆的运动控制通过控制左右驱动轮的转动身体后方的车辆。

左右驱动轮的中心被定义为和 ,分别在左边和右边的线速度轮子在旋转和 ,分别。左右车轮的角速度和 ,分别驱动轮的半径可以确定如下:

线连接驱动轮的中心设置为重心,这是表示为基础点 。基点的坐标下的大地坐标系统被设置为 。无人驾驶车辆的瞬时线速度 ,瞬时角速度 ,和姿态角被定义为线速度和之间的角轴。在这里,无人驾驶汽车的态度信息所代表的向量 。

两个轮子之间的距离的无人驾驶汽车将 ,瞬时转动中心被设定 ,和旋转半径被设定 。无人驾驶车辆在同轴圆周运动时,左、右驱动车轮的半径,包括基地位置的中心旋转,是不同的;然而,他们有相同的角速度 。

无人驾驶车辆的运动学模型可以表示如下:

2.2。无人驾驶车辆通信拓扑形成

多个无人机通过沟通彼此连接的拓扑结构,形成一个使用的理论知识形成系统图。采用有向图来表示多个无人驾驶车辆系统的通信网络拓扑结构。延时通信类型通信拓扑采用本文如图2。时滞通信类型通信拓扑减少,无向节点之间的路径增加,节点不太均匀的信息来源。无人机之间的信息反馈是增加的基础上形成一个强大的linkage-type结构,达到减少传输延迟的时间期间形成。这种通信拓扑提供一定程度的保护每个无人驾驶车辆。

3所示。虚拟力设计基于改进的人工势场法

空间中移动对象被抽象为人造势场中运动,目标点在空间会产生引力的影响和障碍的无人驾驶飞行器对无人驾驶车辆造成的相斥力。然而,在实际应用中,无人驾驶的车辆可能会遇到以下特殊情况(9,10]:(1)无人驾驶车辆的目标点。在这种情况下,目标点产生高重力在无人驾驶车辆;因此,如果有障碍出现之前,无人驾驶车辆将无法慢下来,将不可避免地碰撞与障碍(2)一个障碍存在于目标点附近。在这种情况下,障碍产生高斥力无人驾驶车辆和目标将成为遥不可及的

为了解决上述的情况下,在这一节中提供了改进的建议。

3.1。目标点的引力在无人驾驶车辆

在空间内,无人驾驶车辆的位置,目标点,障碍是用 , ,和 ,分别。

无人驾驶车辆时远离目标,重力值大,排斥力很小。为了避免碰撞与障碍在其运动,重力阈值添加到降低重力的影响函数时无人驾驶车辆和目标之间的距离太大。这将使引力势场的强度保持在可行的范围内,避免无人驾驶车辆之间的冲突和障碍。在这里,引力场函数表示如下:

3.2。排斥力的外部障碍无人驾驶车辆

当前无人机与改进情报通常携带激光雷达传感器,可以感知障碍物周围一定范围内共享信息与其他无人驾驶车辆时形成。考虑到不稳定的信息交互,无人驾驶汽车驾驶安全半径,和之间的相对速度和角度检测到障碍和无人驾驶车辆,避免障碍的安全距离是重新配置,如图3。

在图3,表示半径,可以受到障碍,这主要是由圆的直径,可以围绕障碍;此外, , ,和表示安全地带留给避免安全隐患造成的信息不确定性,无人驾驶汽车驾驶安全半径,和国家剪辑的角度无人驾驶车辆,分别。速度影响避障效果,如图4。

观察图4,而所有其他因素保持不变,只有前后不同无人驾驶车辆速度。夹角越小的方向和障碍,组成部分越小产生的斥力障碍的方向改变无人驾驶车辆的速度。当无人驾驶汽车旅行方向成直角的方向障碍,无人驾驶车辆和障碍不满足和安全保证。没有必要保持安全距离。基于数据3和4方程计算无人机的安全距离给出如下: 在哪里和表示角的控制参数和速度方面,分别。考虑到障碍可能在运动,速度反映了两者的相对速度。

当多个无人机在运动时,更大的障碍和无人驾驶车辆之间的距离,排斥力越小;然而,距离越小,斥力越大。斥力场函数的无人驾驶车辆的一个障碍构造如下: 在哪里是斥力增益系数和 无人驾驶车辆之间的距离吗和障碍。此外,表示安全距离,距离由于障碍物斥力的影响。

安全距离是考虑到无人驾驶车辆的运动状态与改进斥力场函数。虽然斥力继续增加时,无人驾驶车辆接近目标位置附近的障碍,这并不是太大。此外,目标也产生了一定的重力在无人驾驶车辆,这可能使无人驾驶车辆临近到目标站点。

引力的叠加和排斥潜在领域外的无人驾驶汽车将提供应用的整体合力,形成。人工势场,不考虑地层内的避碰:

3.3。虚拟部队之间的多个无人驾驶车辆

考虑多个无人机之间的避碰问题,外部环境中的避障问题一起合作,一个虚拟力的定义之间的无人驾驶汽车。由引力和斥力,排斥力使邻近的无人驾驶汽车去避免碰撞中形成,而重力无人机向猎物移动目标,避免脱离目标。因此,虚拟力之间的多个无人机可以配置如下:

在方程(7), , , ,和表示增益系数、单位向量、无人驾驶车辆之间的安全距离,无人机之间的距离和期望的形成,分别。当无人机之间的距离大于安全距离和 很满意,无人驾驶车辆之间产生的力和重力和表示吗 。当无人机之间的距离小于安全距离,然后,产生的斥力无人驾驶车辆和对于内部避碰 。

4所示。无人驾驶车辆形成过程的数学模型

4.1。协调决策基于模糊推理系统

准确识别的任务状态的无人驾驶车辆并选择相应的策略来实现由多个无人机狩猎,采用模糊推理系统作为决定层。模糊推理系统是一个系统能够处理模糊信息的基于模糊集理论和模糊推理方法11- - - - - -13]。模糊规则的设计决定层中的fuzzified的归属函数图5基于距离的四个狩猎无人驾驶车辆和目标之间的无人驾驶车辆作为输入。

归属函数的输入值转换成对应的模糊集和相应的隶属度。它的内容是三个模糊集 , ,和在规则中使用的控制器。确切的值有自己的隶属度 , ,和 ,和规则库中的规则匹配。规则的表示得到如下: 在哪里狩猎无人驾驶车辆之间的距离吗和目标的无人驾驶车辆 。 表示模糊集的输入的第一条规则,这属于 。 表示规则的输出,选择相应的策略决定。

模糊推理系统的推理过程始于归属程度从0到1的计算到相应的模糊集,使用梯形归属函数根据每条规则的前提条件。四个输入变量被归属fuzzified函数获得的联系程度 。获得的联系程度的模糊规则匹配规则的最小值是关系程度的输入变量。最后,每个规则的输出是根据模糊规则叠加关系,推导出输出包括搜索策略,方法,和狩猎策略。例如,当距离之间的所有无人狩猎车辆和无人驾驶车辆达到目标 ,决定层将输出一个搜索策略和无人狩猎车辆将随机搜索和目标的无人驾驶汽车。当某个无人狩猎车辆感觉到目标范围内,即当的距离之间一定的无人驾驶车辆和目标达成 ,目标位置是无人狩猎之间共享车辆通过通信链路。当某个狩猎无人驾驶车辆感觉目标范围内,即当的距离之间一定的无人驾驶车辆和目标 ,目标位置也无人狩猎之间共享车辆通过通信链路。在这一点上,决定层输出的方法策略和狩猎工具会受到虚拟重力从目标和方法的目标。当狩猎聚会和目标之间的距离达到了 ,无人驾驶车辆会狩猎策略执行。

4.2。狩猎策略设计基于改进的人工势场法

当输出的狩猎策略基于决定层模糊推理系统,无人狩猎车辆采取了狩猎策略基于改进人工势场法和狩猎问题视为一个一致性问题相对于狩猎目标,随后变成了一个最优控制问题。逆最优控制方法是采用多个无人机获得狩猎策略在一个封闭的形式,它可以执行避障的状态感知的狩猎目标。战略是一个线性函数形式 ,在哪里代表了克罗内克积矩阵维度和扩展表示矩阵的维度 。

多个无人驾驶车辆的狩猎策略,一个错误状态矩阵定义如下: 在哪里 代表最终的一致状态,即。,the vehicle’s state when it reaches the hunting target. For example, there is 在平面运动 是一个一致的状态 - - - - - -轴和 - - - - - -轴的方向。根据拉普拉斯矩阵的属性,当智能体达到一致的状态,国家的多个无人机已达到狩猎目标,我们获得以下:

最后一个一致的状态将成为一个常数,和控制输入的控制策略也成为零当多元智能达到一致性。

控制输入量是基于误差的一阶导数状态。基于多元智能的错误状态一致,我们得到以下方程:

在方程(实现渐近稳定11),由多个无人机猎杀目标会成功。

狩猎策略由三个成本最小化算法的目标函数,给出以下成本函数: 在哪里 代表多个无人机的成本实现一个一致的状态与狩猎目标,避障的成本障碍,分别和控制成本。 表示速度的无人驾驶车辆 ,和是控制输入量。

因此,成本一致的状态可以表示如下: 在哪里代表一个对称拉普拉斯算子矩阵由一个无向连通图代表的重量的一致性状态错误。

对环境的成本函数进行避障可以表示如下: 在哪里配置从逆最优控制方法根据定理呢1。

定理1。multi-intelligent系统满足方程(12)和所有三个约束,存在控制算法参数和如下: 这是一个最优控制方程表达的一致的狩猎问题(15),可以表示如下: 在哪里是实现避障功能。

然而,控制成本函数是一个二次表达式与规律性,可以表示如下: 在哪里 是正定矩阵和是一个标量加权参数。

5。无人驾驶车辆形成仿真和实验验证

5.1。模拟狩猎控制策略没有势场中的障碍

四个无人机了狩猎策略实验,模拟动态目标点和之间的通信拓扑结构采用无人驾驶车辆如图2。初始位置、旅行速度和方向角的多个无人机都是随机设定。初始位置(7.5−−5),(2.5−7.5),(6、10),和(−3、4)。此外, 控制策略和在打猎 。在本节的仿真情况下,假设一个障碍出现在(8,0),这不是任何无人驾驶车辆的轨迹。

它可以推导出图6通过狩猎控制策略,狩猎的动态目标最终可以通过四个无人机不同初始位置。虚线圆,星星,图中不同颜色的实线描绘狩猎目标,运动轨迹,无人机的初始位置和运动轨迹。它可以观察到,无人驾驶车辆的运动轨迹的狩猎目标范围外的障碍势场是光滑的具体位置和控制信息图展示如下。

在数据7和8,它可以观察到的有效狩猎目标可能最终是由四个无人机执行不同的初始位置在不同初始时刻在有限的时间内,使用狩猎控制策略。个人无人机最终聚合值的位置一致和方向,即。,the target was hunted successfully. It can be observed in Figures9和10的控制输入的无人驾驶汽车和方向是光滑和收敛,这是与位置变化的趋势一致和方向,控制输入成为零狩猎后实现,即。狩猎是成功的。验证设计的狩猎策略优于其他人,平行的指导率进行了比较测试使用的狩猎策略文献[14),获得的测试结果展示在表1。

在一个障碍自由环境,人工势场法的障碍所吸引,并越近,越快。因此,它需要更少的时间。然而,它可能发生,周围无人驾驶车辆在同一方面的障碍和周围的失败。从数据表中给出1,我们可以推断,狩猎的成功率动态目标使用改进的人工势实地狩猎控制策略提出了研究高达99%,平均时间是21.7%不到的并行策略指导率打猎。因此,该算法比其他的更好,因为它有更高的捕猎成功率,需要更少的时间。

5.2。模拟狩猎障碍势场中的控制策略

进一步的仿真实验对狩猎的狩猎控制目标使用四个无人机将在本节。使用的通信拓扑结构如图2。最初的位置、速度和方向角下多个无人机都设置随机的实际运动性能约束。初始状态值(7.5−−5),(2.5−7.5),(10,10),和(−3、4)。此外, 控制策略和在打猎 。比前一小节,改变,这样,无人驾驶车辆将障碍影响势场的过程中狩猎的目标。两个障碍的位置(−1−1)和(7)环境,和障碍和检测区域的半径分别为0.5和2.5,分别。并给出了具体的仿真结果图11。

在图11环境中,它可以观察到,与障碍,安全四个无人机可以绕过障碍,实现目标的狩猎通过应用围攻控制策略基于改进人工势场法,尽管他们有不同的初始位置。此外,他们的运动轨迹也顺利。并给出了具体的状态信息和控制输入数据12- - - - - -15。

它可以推断出在数字12和13四个无人驾驶车辆从不同的初始位置,可以最终实现目标最优的狩猎,即使在有限的时间障碍的影响。他们的轨迹和方向也体现了回避障碍的狩猎控制策略。它可以观察到数据14和15的控制输入的无人驾驶汽车和方向变化的影响障碍势场,从而表明设计的狩猎控制策略可以有效地处理障碍环境并最终收敛。控制输入的变化是一致的,并且符合位置变化的趋势和为避障方向。验证设计的狩猎策略比其他人更好,比较仿真实验与动态联盟的狩猎策略基于改进的合同网协议给出文献[15)是进行环境障碍和结果展示在表2。

势场的障碍,当采用人工势场法的过程中环绕,无人驾驶车辆将被吸引的目标和障碍,以及环绕可能失败由于长时间。从数据表中给出2,我们可以推断,狩猎的成功率动态目标使用改进的人工势实地狩猎控制策略提出了研究高达99%。虽然成功率低于文献中给出的策略(16),有一个狩猎所花费的时间减少14.09%。此外,在这项研究中提出的算法更灵活的障碍。因此,该算法比其他的时间。

5.3。狩猎控制策略实验的环境障碍

多个无人机的平台合作控制包括四个主要部分:无人驾驶汽车的身体,定位模块、通信模块和策略设计模块。在这个实验中是使用的物理无人驾驶车辆iClebo Kobuki YuJin机器人的移动机器人,如图1。定位模块主要是用来计算的位置无人驾驶车辆,而ultrawide带定位技术的采用,考虑实验室的室内环境和实际需求。通信模块采用无线通信方法,这是主要用于无人驾驶车辆之间的通信,以及无人驾驶车辆和电脑之间。

总共有五个无人机用于实验,四是采用狩猎聚会和一个作为目标。目标的无人驾驶车辆是放置在实验区及其运动控制。一个圆的半径0.8米被设置为目标点与目标车辆的中心为中心,然后,无人狩猎车辆组放置在实验区域狩猎实验随机分散的方式,这是在有障碍物的环境中进行的。狩猎的过程实验如图16。

图16说明目标的无人驾驶车辆被狩猎的无人驾驶车辆与障碍物的环境中。它可以观察到从无人驾驶车辆的可视化表示可以安全地避开障碍物猎杀目标。实验结果显示在图16取得了预期的实验结果,验证了多个无人驾驶车辆狩猎控制策略的可行性。多次实验和实验数据获得展示在表3。

数据的差异的差异包围的时间消耗。主要原因是目标的吸引力人工势场法的障碍使得无人驾驶车辆移动得更快,所以它花费更少的时间。从数据表中给出3,它可以观察到,经过多次实验,目标的无人机能够实现快速狩猎没有碰撞在狩猎由于狩猎策略基于改进人工势场法。相比,改进的合同网协议的狩猎策略,减少了12.97%的时间推断,拟议的狩猎策略是比别人更多的时间效率。

6。结论

在这项研究中,一个狩猎策略基于改进人工势场法是为了解决狩猎问题在复杂环境中包含的障碍。首先,建立了无人驾驶车辆形成的数学模型。然后,根据包围的可能情境任务,使用模糊推理系统划分和决定整个包围阶段,以选择相应的观念,方法,和包围策略。首先,添加一个重力阈值和重力场作用大于阈值更改为一个线性函数来减少目标的引力无人驾驶车辆碰撞,防止由于过度重力。然后,变量的安全距离是为了减少障碍短程排斥力的无人驾驶车辆和解决问题的目标是遥不可及的。最后,基于改进的功能,一个无人驾驶的系统设计,它是由一致状态成本、环境成本避障和控制成本函数。舍入策略的有效性和速度是通过仿真和实验验证。舍入策略设计摘要舍入效率提高12.97%,同时保证避障效果。

数据可用性

在生成的数据集和/或分析在当前研究可从相应的作者在合理的请求。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是基础研究基金支持的中央大学(3072022 jc0404)。