[发明专利]基于全局环境预测的多自主体集中式区域覆盖方法与系统

说明书

本发明公开了一种基于全局环境预测的多自主体集中式区域覆盖方法与系统。本发明方法中，基站接收各自主体位置及环境数据，基于稀疏近似高斯过程回归方法预测全局环境密度函数，并给出全局预测方差；基站再基于全局预测方差设计自主体控制方案决策模型，通过决策模型对各自主体分配任务，针对决策指标为预测的自主体，基于全局预测方差设计有限步长预测优先控制器，针对决策指标为覆盖的自主体，基于最优区域覆盖Lloyd算法设计有限步长覆盖优先控制器；通过自主体和基站的持续交互，实现最优覆盖控制。本发明使基站‑多自主体系统自主捕获具有高准确度和高性能的环境密度函数模型，同时使多自主体在有限步长限制下快速实现理想的最优区域覆盖。

技术领域

本发明涉及一种基于全局环境预测的多自主体集中式区域覆盖方法与系统，属于多自主体协同覆盖领域和多自主体智能任务执行技术领域。

背景技术

新世纪以来，随着组网通信及计算机技术的迅猛发展，以无人机集群技术为代表的多自主体集群技术也得到了极大的发展。相比于单个自主体系统，多自主体系统对环境的适应能力更强，具有较好的鲁棒特性能够协同完成更复杂的任务，在联合搜救、巡逻监测、信息采集、救灾消防及军事作战等领域有着广泛的应用。综合考虑多自主体系统发展现状，信息收集和环境监测是各类多自主体系统目前最能发挥其竞争优势的应用领域之一，能广泛应用于各项任务之中，而覆盖任务区域是对环境进行有效监测和信息收集的基础和前提，即多自主体系统需要在给定的时间内迅速覆盖任务区域内感兴趣的目标，任务区域环境信息的不确定度将迅速降低，使得多自主体系统能够在下一阶段任务中获取最大感知收益，例如，在任务环境内高效执行诸如人道救援、空间探测、环境建模、侦察防御等任务。

研究多自主体覆盖控制问题是具有重大意义的，故已有许多研究基于此课题展开。多自主体覆盖控制通过定义面向任务需求的目标函数并将其优化，帮助多自主体系统在任务区域形成最优覆盖。一种经典的分布式覆盖控制方法见文献[1](参见Cortes J,Martinez S,Karatas T, Bullo F.Coverage control for mobile sensing networks[J].IEEE Transactions on robotics and Automation.2004,20(2):243-55.)，上述方法利用计算几何中的维诺图理论，将任务区域划分成多个互不重叠的维诺单元，此划分基于多自主体位置得到，每个自主体将对应一个维诺单元，维诺划分构建了更优形式的目标函数，并且当各自主体均处于相应维诺单元的质心时，新目标函数有局部最优值，利用Lloyd算法(又称k-均值聚类算法)设计分布式覆盖控制器，连续迭代生成维诺划分、质心及多自主体控制输入，每个自主体将收敛到各自维诺单元的质心。此文献发表后，许多研究者对此进行了深入拓展，以应对更复杂、更多样的实际问题，然而其中大部分研究包括文献[1]，往往假设任务区域的环境密度函数已知，并以此作为覆盖算法的支撑，忽略了环境密度函数几乎不可能提前知道的真相。

高斯过程回归(GPR)是一类统计学习方法见文献[2](参见Williams C K,Rasmussen C E. Gaussian Processes for Machine Learning[M].USA:MIT Press,2006.)，用于预测未知函数，并生成预测方差。高斯过程回归是一类非参数贝叶斯模型，它发现于神经网络技术趋于成熟并出现弊端的时期，与神经网络技术不同，此类方法完全由数据驱动，无需考虑函数模型的先验信息，适用于对完全未知的函数进行预测。此外，它通过贝叶斯推断生成概率模型，进而获得预测结果，大大降低了过拟合的风险，同时推断中还将数据的观测噪音纳入考虑，这是一类具有高准确度和高性能的回归方法。高斯过程回归是一种较理想的预测模型，但不可否认其存在计算费用昂贵的弊端，为解决此难题，近年来已有可观数量及质量的研究提出了多种解决办法见文献[3](参见Liu H T,Ong Y-S,ShenX B,and Cai J F.When Gaussian process meets big data:Areview of scalable GPs[J].arXiv preprint arXiv:1807.01065,2018.)。