[发明专利]一种基于高斯分布预测的多无人机协同搜索方法

摘要

本发明公开了一种基于高斯分布预测的多无人机协同搜索多移动目标的方法，其特征在于，按如下步骤进行：1、利用搜索概率图表示任务区域R；2、利用贝叶斯规则更新为后验概率；3、运用高斯分布预测移动目标的目标位置，并更新搜索概率图；4、利用分布式模型预测控制法构建多无人机协同搜索多移动目标的搜索模型；5、无人机求解决策信息输入序列并获得航向偏转角并在满足约束条件时以航向偏转角飞行；6、递增一个时间步长，重复步骤2、3、5与6，直至超过无人机搜索的总时间步长时，结束搜索。本发明能实现多架无人机协同搜索多个移动目标的任务，提高无人机搜索的准确度，保证搜索任务完成的精确性。

主权项

1.一种基于高斯分布预测的多无人机协同搜索多移动目标的方法，其特征在于：在多无人机协同搜索多移动目标的任务区域R中，假设任务区域R中存在N_v架无人机、N_t个移动目标；所述无人机利用机载传感器对所述移动目标进行搜索，所述多无人机协同搜索多移动目标的方法是按如下步骤进行：步骤1：利用搜索概率图SPM表示多无人机搜索的任务区域R；将所述任务区域R的外接正方形划分成N_c个大小相同的正方形网格，用n表示第n个正方形网格，n=1,2,…,N_c，所述第n个正方形网格的中心点坐标为(x_n,y_n)，所述中心点坐标(x_n,y_n)为第n个正方形网格的两条对角线的交点；用q表示无人机搜索的总时间步长，用k表示第k个时间步长，k=1,2,…,q；t_k表示第k个时间步长所对应的初始时刻，则t_k+1表示第k个时间步长所对应的结束时刻；令一个移动目标只能存在于一个正方形网格中，则表示t_k时刻一个移动目标存在第n个正方形网格中的先验概率；将所述先验概率简化记为记搜索概率图SPM={P‾1(k),P‾2(k),...,P‾Nc(k)};]]>步骤2：根据无人机机载传感器的性能参数P_d和P_f，利用式(1)将所述先验概率根据贝叶斯规则更新t_k时刻的后验概率P_n(k)；式(1)中，P_d为无人机机载传感器的发现概率，P_f为无人机机载传感器的虚警概率；步骤3：运用高斯分布预测t_k+1时刻移动目标的目标位置，并继续更新搜索概率图SPM；将所述任务区域R的外接正方形的一个顶点设为原点O，将所述原点O的两条邻边分别设置为X轴和Y轴，定义t_k时刻目标位置为(x_k,y_k)，则t_k+1时刻目标位置(x_k+1,y_k+1)服从式(2)表示的高斯分布：H(m,n,tk+1-tk)=12πσ2∫yn-c2yn+c2∫xn-c2xn+c2exp{-12σ2[(xk+1-μx)2+(yk+1-μy)2]}dxk+1dyk+1---(2)]]>式(2)表示移动目标在t_k时刻到t_k+1时刻从网格m转移到网格n的概率；式(2)中，c表示每个网格的宽度；μ_x表示X轴上移动目标所有可能位置的期望值，所述期望值μ_x为：μx=xk+xk+1-xk(xk+1-xk)2+(yk+1-yk)2v0akΔt---(3)]]>式(2)中，μ_y表示Y轴上移动目标所有可能位置的期望值，所述期望值μ_y为：μy=yk+yk+1-yk(xk+1-xk)2+(yk+1-yk)2v0akΔt---(4)]]>式(3)和式(4)中，v_o表示移动目标的移动速度，Δt表示t_k时刻到t_k+1时刻的单位步长，a_k表示t_k时刻到t_k+1时刻的单位步长总个数；式(2)中，σ²表示移动目标所有可能位置的方差，所述方差σ²为：σ2=4ak3-ak12Δt4---(5)]]>利用式(6)预测t_k+1时刻移动目标在网格n的先验概率P‾n(k+1)=Σm=1NcH(m,n,tk+1-tk)Pm(k)---(6)]]>式(6)中，P_m(k)表示一个移动目标存在于第m个网格中的后验概率；步骤4：利用分布式模型预测控制法构建多无人机协同搜索多移动目标的搜索模型；步骤4.1：利用分布式模型预测控制法中的模型预测要素构建多无人机模型预测序列；所述多无人机模型预测序列为状态信息预测序列和决策信息输入序列；令t_k时刻第i架无人机的状态信息预测序列X_i(k)为：X_i(k)={x_i(k+1|k),x_i(k+2|k),…,x_i(k+t|k)}    (7)所述状态信息包含第i架无人机在t_k时刻预测第t_k+t时刻的自身位置坐标xp_i(k+t|k)和第i架无人机在t_k时刻预测第t_k+t时刻的自身航向角记为令t_k时刻第i架无人机的决策信息输入序列U_i(k)为：U_i(k)={u_i(k|k),u_i(k+1|k),…,u_i(k+t-1|k)}    (8)所述决策信息是指无人机的航向偏转角u_i(k+t|k)，记为式(7)和式(8)中，t为时间步长的变量，并有：1≤t≤q且t∈Ν^*；步骤4.2：构建多无人机协同搜索多移动目标的搜索模型的目标函数令所述搜索模型的目标函数为：Ui*(k)=maxJi(k)---(9)]]>式（9）中，J_i(k)表示无人机在所述总时间步长q内航迹覆盖区域面积内所有网格的先验概率之和，有：Ji(k)=Σn∈LikP‾n(k+1)---(10)]]>式(10)中，表示第i架无人机在总时间步长q内的航迹覆盖区域面积，并有：Lik=Σk=1qvw(tk+1-tk)---(11)]]>式(11)中，v为第i架无人机的飞行速度，w为第i架无人机机载传感器的探测宽度；步骤4.3：构建多无人机协同搜索多移动目标的搜索模型的多无人机状态转移模型；令第i架无人机的状态转移模型为：xi(k+t+1|k)=fi(xi(k+t|k),ui(k+t|k)),∀t=0,1,...,q-1;i=1,2,...,Nv---(12)]]>式(12)中转移函数表达式f_i为：式(13)中，为航向偏转角，t_k+t-t_k+t-1为第i架无人机的决策间隔时间，为关于三角函数关系的函数，令则有：S(*)=[cos(*),sin(*)]^T；在所述状态信息预测序列X_i(k)中，令第i架无人机在t_k时刻预测t_k时刻的自身状态信息为：x_i(k|k)=x_i(k)   (14)步骤4.4：构建多无人机协同搜索多移动目标的搜索模型的约束条件为；约束条件一：式(15)中，α为无人机的最大偏转角度；约束条件二：||xpi(k+t|k)-xpj(k+t|k)||≥L∀i,j:i≠j---(16)]]>式(16)中，大于等于号左边的表达式为第i架无人机与第j架无人机的欧式距离，L为第i架无人机与第j架无人机为避免碰撞的最小距离；xp_j(k+t|k)表示第j架无人机在t_k时刻预测第t_k+t时刻的自身位置坐标；步骤5：求解第i架无人机在t_k时刻预测的总时间步长q内的决策信息输入序列U_i(k)，选取所述决策信息输入序列U_i(k)中的第一项步骤5.1：通过式(17)获得t_k+t时刻的第i架无人机的航向偏转角步骤5.2：判断所获得的航向偏转角是否满足所述搜索模型的约束条件一；若满足，则将航向偏转角代入式(12)和式(13)，预测出t_k+t+1时刻第i架无人机的状态信息；若不满足，则将最大偏转角度α赋值为航向偏转角后代入式(13)，预测出t_k+t+1时刻第i架无人机的状态信息；步骤5.3：当t≤q时，重复步骤5.1至步骤5.2，获得第i架无人机在t_k时刻预测总时间步长q内的决策信息输入序列U_i(k)；步骤5.4：选取所述决策信息输入序列U_i(k)中的第一项获得t_k时刻的航向偏转角步骤6：其他无人机分别按照步骤5求解自身在t_k时刻预测的总时间步长q内的决策信息输入序列，获得各自的航向偏转角；步骤7：当获得各自的航向偏转角后，判断第i架无人机的位置坐标xp_i(k+t|k)与第j架无人机位置坐标xp_j(k+t|k)是否满足所述搜索模型的约束条件二；若满足，第i架无人机与第j架无人机分别按照各自的航向偏转角飞行；若不满足，则令第i架无人机与第j架无人机的距离为L并继续飞行；步骤8：当所述任务区域R中的N_v架无人机都按照各自的航向偏转角飞行后，将时间步长k递增为k+1，重复步骤2、步骤3、步骤5与步骤6，直至k>q时，结束多无人机对多移动目标的协同搜索。