基于概率图融合的分布式多无人机协同搜索策略研究

发布时间：2020-09-22 10:12

　　随着无人机技术的发展,出现了越来越多利用无人机对复杂环境执行搜索任务的应用场景。例如公共场所人员检查、失联飞机搜寻、灾后目标探测等等。针对单无人机续航时间短,其携带的传感器探测能力有限等问题。本文设计了多无人机协同搜索策略,将搜索地图栅格化,采用分布式结构来设计多无人机搜索系统。每架无人机拥有自主决策、独立维护可更新的信息地图、通信共享信息等能力。本文将搜索区域内目标存在概率大于设定的存在阈值认为搜索区域目标存在。通过无人机独立维护的搜索概率图来引导无人机发生自组织搜索行为,根据传感器经验模型的检测概率和虚警概率建立贝叶斯公式来更新无人机维护的搜索地图信息。本文将多无人机目标搜索问题分成搜索目标数量明确和不明确两种场景来看待。搜索目标数量不明确场景的任务目标是使搜索地图的平均不确定性快速下降。本文设计了直接优化搜索地图不确定性的目标函数来建立无人机之间的协同关系,通过分布式滚动时域优化模型求解每架无人机的决策信息,采用纳什均衡模型迭代出当前时刻的纳什均衡解。本文给无人机设计了时间戳地图和时间戳同步机制。通过仿真验证了该策略的可行性和建模的合理性,比其他搜索策略在更短时间内降低搜索区域的平均目标存在不确定性。搜索目标数量明确场景的任务目标是最短时间确定搜索地图内的所有目标。本文采用了多层次规划的方法进行建模,先用均衡的多旅行商模型进行多无人机搜索路径预规划,在无人机完成预规划搜索路径后根据其维护的搜索概率地图进行多层次的分布式单旅行商模型路径规划。同时在通信范围内的无人机可以进行时间戳同步机制下的搜索地图信息融合。本文介绍了三种概率地图融合策略并比较其搜索时效和差错率。最后通过仿真验证了这种基于信息融合的多层次分布式搜索策略比其他搜索策略在更短时间内搜索到所有目标。
【学位单位】：哈尔滨工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V279
【部分图文】：

示意图,无人机,研究方向,示意图

因此目前学者的研究大多集中在多无人机协同策略上。当前对多无人机搜索问题的建模研究主要分两种，如图 1-1 所示，一种是对搜索区域的最大化覆盖，即通过分割搜索地图来完成搜索任务。文献[16]和文献[17]均在基础搜索理论体系下，对搜索区域进行最大化覆盖轮寻搜索。也有的学者通过 Voronoi 图对目标地图进行几何分割[18]，然后将每块分割后的候选区域分配给每个无人机。这样将多无人机整体区域搜索问题转换成了单无人机对子区域的搜索规划问题。在对单机进行控制时，只需设计控制率来引导无人机收敛到质心处即可，但是这种方法缺少灵活性，大多属于集中式的规划。无人机之前无法协同配合，而且整个系统的鲁棒性差，分割不稳定。另一种方法是基于搜索概率图的研究，文献[19]通过搜索概率图，以 UAV飞行最短航迹为目标函数，进行多 UAV 协同路径规划。文献[20]则是在无人机最短航迹的基础上，考虑了无人机避障等状况，通过搜索图控制多无人机在线决策。这种方法大多借鉴了滚动时域优化（Receding Horizon Optimal，RHO）的思想，通过 RHO 模型引导无人机在区域内进行搜索，然后通过一些智能算法去求解出无人机最佳的搜索路径[21]。

搜索过程,预测控制,无人机,搜索系统

无人机协同搜索任务描述索目标数量不明确的搜索问题可以描述成在宽广空间内存在未知个vN 架无人机进入该任务区域进行搜索，要求多无人机搜索系统最快区域的不确定性收敛。索目标数量明确的搜索问题可以描述成在宽广空间内存在rN 个未架无人机进入该任务区域进行搜索，要求多无人机搜索系统最快时目标的正确位置。无人机搜索系统面对的是动态不确定的复杂环境，在无人机执行任根据外部环境的变化（无人机搜索过程的进展），在线更新搜索航迹无人机在线搜索决策时，考虑到环境，系统，目标实时变化，使得索系统更加鲁棒。于上述描述，通常采用模型预测控制（Model Predictive Control，M阐述[35]，整个 MPC 流程如图 2-1 所示。

无人机,视场,传感器

时刻继续往前推移，这种采用滚动时域迭代on，RTDI）方式的自组织方法保证了多无人机搜传感器探测模型搜索目标的探测本质即是传感器对目标的探测，如（HR）、红外传感器（EO）。因此研究传感器探测分重要。针对无人机传感器模型，我们主要考虑传范围：参考文献[36]，根据本文的无人机建模，根据无人机控制系统（UAVControl System，UCS传感器探测范围的宽度（即无人机的视场范围（Fi述成式（2-3）：r2 Htan( )[cos sin tan( /2 )]机的高度； , 如图 2-2 所示，由其视场角和焦距

【相似文献】