2. 齐齐哈尔大学,黑龙江 齐齐哈尔 161000
2. Qiqihar University, Qiqihar 161006, China
目前智能体协同控制成为国内外研究的热点之一,协同控制技术被应用于许多领域[1-2],智能体编队协同控制技术取得了大量科研成果,如通过控制多个机器人以特定方式自动运输各种货物;如多个自主运动小车被广泛应用于军事边防编队巡逻、资源地理勘测、侦察救援、扫雷或卫星的姿态运动协调及空间探测;如在警务领域的多个移动机器人编队成一个弧形包围网抓捕入侵者等,形成了以人工势场法[3-5]、虚拟结构法[6-7]、基于行为控制法[8]、跟随领航者法为主要代表的多种编队控制方法。
而在UUV集群编队航行控制中,利用人工势场法实现了集群无碰队形变换技术,虽然也实现了集群的避障和避碰功能,由于人工势场法是通过引入与障碍物间的斥力来防止碰撞,容易产生局部最小值而造成无法运动到终点结果[9],导致避障方法的实时性差问题。同时在障碍物分布稀松的情况下,由于多个候选方向造成最优路径丢失现象,导致避障方法的自主性差问题。
针对UUV集群编队航行的安全性需求,本文在人工势场法[10](Artificial Potential Field,APF)完成编队控制基础上,引进圆形扩张法(Circle Sector Expansions,CSE+)和鸽子群优化算法(pigeon-inspired optimization,PIO)寻找下一时刻位置和方向,解决实时避障问题。
1 理论基础 1.1 CSE+方法CSE+方法的基本思想为进行圆的扩张找到障碍物,如图1所示。在由圆形障碍物随机填充的环境中,找到到达目标位置的可行路径,首先在图1(a)中,智能体从起点开始膨胀寻找障碍物,其中细箭头转向为圆的膨胀方向。然后在图1(b)中,沿与障碍物1的圆心方向膨胀确定障碍物2。再在图1(c)中,穿过障碍物1和障碍物2构成的通道,继续向前膨胀确定障碍物3。最后在图1(d)中,根据与目标的方位角选择向左或向右运动方向,重复这一过程而不断接近目标位置。
![]() |
图 1 CSE+寻径示意图 Fig. 1 Diagram of CSE+ method |
CSE+方法在障碍物分布密集情况下,利用根据Apollonius相切问题确定相切圆,移动智能体运动到相切圆圆心为下一步位置,但对于障碍物分布稀疏情况时,确定下一步位置效果很差。
1.2 PIO方法PIO方法通过建立地图和指南针算子以及地标算子,(见图2),在安全范围内寻找下一目标位置,而后进行转向判断。
![]() |
图 2 PIO寻径示意图 Fig. 2 Diagram of PIO method |
首先利用地图通过膨胀寻找新的障碍物,然后建立指南针算子以及地标算子,不断重复这一过程,最后直到智能体运动到达终点。PIO方法较好地解决了UUV集群在稀疏环境空间中的实时避障算法设计[9,11]。
1.3 APF方法APF方法通过智能体个体之间引力、斥力求得合力,就是“远吸近斥”原理控制智能体的位置和方向。
首先对UUV集群编队建立Leader-Follower模型,完成初始化队形,如图3(a)和3(b)所示。当UUV间的距离较远时,吸引力发挥作用,缩编队队形。当UUV间的距离较近时,排斥力发挥作用,稀疏编队队形。在UUV间的距离合理范畴内时,不受任何力的影响,实现UUV编队无碰队形变换和保持。
![]() |
图 3 编队队形模型及恢复示意图 Fig. 3 The model of cluster keep and resume |
步骤1 给定当前Learder及状态
步骤2 定义拓扑结构,求得受控UUV集合
步骤3 受控上UUV集合
步骤4 由型式得下一时刻Follower的的实际状态
步骤5 状态转换为
步骤6 返回步骤1,直至达到仿真终了条件。
2.2 UUV集群实时避障算法设计步骤1 从起点出发向前膨胀直到找到障碍物1,如图1(a)所示。沿障碍物1与起点方向延长线进行膨胀确定障碍物2,如图1(b)所示。若构成的通道不可通行,即
步骤2 从障碍物1和障碍物2所构成的通道中穿过进行膨胀寻找障碍物3,如图1(c)所示。确定由障碍物构成的安全范围A的大小。当
步骤3 经过障碍物1和障碍物2所围成的通道到达与3个障碍物相切的相切圆的圆心,后执行步骤7。
步骤4 初始化鸽群优化算法的参数,如空间维度D、地图罗盘算子R、种群数量
步骤5 以安全范围重心作为现有最优结果,运算地图罗盘算子,多次迭代更新(直到迭代次数
步骤6 根据适应度值淘汰20%的鸽子,再利用地标算子进行迭代更新直到迭代次数
步骤7 判断是否可直接达到目标位置,不可以时进行步骤9。
步骤8 记录当前位置与障碍物信息至搜索树中。
步骤9 进行转向判断。若可进行转向,选择构成当前通道的2个障碍物作为新的障碍1和障碍2,并进行步骤3;若不可转向,将进行步骤10。
步骤10 标记当前通道不可行,机器人掉头返回上一层搜索树,选择另一条通道,若仍不可行,则机器人再一次掉头并返回搜索树更上一层再次重新执行步骤10;若可行将进行步骤2。
3 测试与仿真 3.1 UUV集群无碰撞编队算法Matlab仿真实验首先完成4个Follower和1个Leader初始化,即位置pose,速度V,加速度控制量control三个量,然后设置Follower相对Leader的位置,再设置位置偏差线速度调节5、位置偏差角速度调节5、朝向偏差角速度调节0,效果如图4所示。
![]() |
图 4 无碰撞编队算法Matlab仿真实验 Fig. 4 Simulation of the contact-free cluster algorithm |
1)障碍物分布稀疏情况下的APF方法避障实验
参数设置为计算引力需要的增益系数1,计算斥力的增益系数2,障碍影响距离100,当障碍和车的距离大于这个距离时,斥力为0,即不受该障碍的影响,障碍个数8,步长5,迭代次数200,UUV个数为4,效果如图5(a)所示。
![]() |
图 5 实时避障算法matlab仿真实验 Fig. 5 Simulation of real-time obstacle avoidance algorithm |
2)障碍物分布密集情况下的CSE+方法避障实验
在PIO参数设置为地磁导航次数90,地标导航次数15,种群数30,维数2维,地磁因数0.3,经过28次迭代,UUV完成避障进入稳定状态,效果如图5(b)所示。
4 结 语本文完成UUV编队无碰队形变换技术和UUV编队实时自主避障技术的设计与仿真,达到集群编队的解散和恢复,100%实现原始队形的无碰撞保持。本算法在ROBO-MAS即桌面微型移动机器人系统进行测试,系统的测试环境为射频通信芯片进行组网,最高传输速率可达2 Mbps,在小型实验场地内通过光电投影定位技术,实现机器人位置感知和数据通信,完成本文算法的测试,效果达到预期效果。
本文实时避障算法可以应用在蜂群UUV作战中,在水下通信延迟与丢包状态下,UUV集群编队实现无碰保持与变换效果。
[1] |
史小平, 林晓涵, 李师轮, 等. 航天器编队飞行自适应协同避碰控制[J]. 哈尔滨工业大学学报, 2020, 52(4): 7-14. |
[2] |
谢文光, 吴康, 阎芳, 等. 一种面向多无人机协同编队控制的改进深度神经网络方法[J]. 西北工业大学学报, 2020, 38(2): 295-302. DOI:10.3969/j.issn.1000-2758.2020.02.009 |
[3] |
张大志, 刘万辉, 缪存孝, 等. 全向移动机器人动态避障方法研究[J/OL]. 北京航空航天大学学报: 1-13[2020-08-07]. https://doi.org/10.13700/j.bh.1001-5965.2020-0155.
|
[4] |
贾正荣, 卢发兴, 王航宇. 基于解耦优化和环流APF的多平台协同攻击任务规划[J]. 北京航空航天大学学报, 2020, 46(6): 1142-1150. |
[5] |
陈骏岭, 秦小麟, 李星罗, 等. 基于人工势场法的多机器人协同避障[J/OL]. 计算机科学: 1-10[2020-08-07]. http://kns.cnki.net/kcms/detail/50.1075.TP.20200721.1702.098.html.
|
[6] |
李正平, 鲜斌. 基于虚拟结构法的分布式多无人机鲁棒编队控制[J/OL]. 控制理论与应用: 1-9[2020-08-07]. http://kns.cnki.net/kcms/detail/44.1240.TP.20200708.1203.020.html.
|
[7] |
刘安东, 秦冬冬. 基于虚拟结构法的多移动机器人分布式预测控制[J/OL]. 控制与决策: 1-7[2020-08-07]. https://doi.org/10.13195/j.kzyjc.2019.1136.
|
[8] |
徐博, 张大龙. 基于量子行为鸽群优化的无人机紧密编队控制[J/OL]. 航空学报: 1-13[2020-08-07]. http://kns.cnki.net/kcms/detail/11.1929.V.20200207.1307.017.html.
|
[9] |
李霜琳, 何家皓, 敖海跃, 等. 基于鸽群优化算法的实时避障算法[J/OL]. 北京航空航天大学学报: 1-9[2020-08-07]. https://doi.org/10.13700/j.bh.1001-5965.2020.0198.
|
[10] |
严浙平, 白锐, 迟冬南, 等. 面向目标搜寻的多UUV编队协调控制[J]. 计算机测量与控制, 2013, 21(6): 1532-1536. DOI:10.3969/j.issn.1671-4598.2013.06.040 |
[11] |
胡耀龙, 冯强, 海星朔, 等. 基于自适应学习策略的改进鸽群优化算法[J/OL]. 北京航空航天大学学报: 1-12[2020-08-07]. https://doi.org/10.13700/j.bh.1001-5965.2019.0603.
|
[12] |
李登辉. 基于云模型的BBO算法优化模糊PID控制研究[J]. 无线互联科技, 2018, 15(9): 94-97+100. DOI:10.3969/j.issn.1672-6944.2018.09.042 |
[13] |
徐波. 基于机器学习的旋转机械故障诊断方法的研究[D]. 武汉: 武汉科技大学, 2019.
|
[14] |
吴禄慎, 程伟, 王晓辉. 应用模拟退火粒子群算法优化二维熵图像分割[J]. 计算机工程与设计, 2019, 40(9): 2544-2551. |
[15] |
方睿, 董树锋, 唐坤杰, 等. 基于最大测点正常率与GPU并行加速的不良数据辨识方法[J]. 电力系统自动化, 2019, 43(16): 86-94+115. DOI:10.7500/AEPS20181029003 |
[16] |
赵维浩, 苏宾, 夏筱筠. 一种易跳出局部最优的粒子群优化算法[J]. 电子测试, 2017(13): 53-54+52. DOI:10.3969/j.issn.1000-8519.2017.13.024 |
[17] |
范时平, 罗丹, 刘艳林. 基于跳距与改进粒子群算法的DV-Hop定位算法[J]. 传感技术学报, 2016, 29(9): 1410-1415. DOI:10.3969/j.issn.1004-1699.2016.09.020 |