CN111399534B - 多无人机对空中高速运动目标的围捕方法及系统 - Google Patents

Abstract

本发明公开了一种多无人机对空中高速运动目标的围捕方法及系统，其中，方法包括以下步骤：根据目标历史运动轨迹预测无人机在各空间维度的运动模式；根据运动模式预测目标无人机的后续运动轨迹；根据后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间，将各无人机导航至围捕位置。该方法可实时改变对目标各空间维度运动状态的估计方式，既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点。

Description

多无人机对空中高速运动目标的围捕方法及系统

技术领域

本发明涉及无人机集群控制技术领域，特别涉及一种多无人机对空中高速运动目标的围捕方法及系统。

背景技术

随着计算机视觉、人工智能以及控制技术的快速发展，无人机逐渐开始在国民经济建设和国家安全保障方面发挥巨大的作用。然而，由于无人机具有控制方便、对环境要求低等优势，无人机也常被敌方人员或不法分子用于侦察、袭击等活动。相比地面电磁干扰等反无人机技术，利用多架无人机协同围捕目标无人机的反无人机有效半径更大，从而应用场景也更丰富。但是，相比研究更为成熟的单无人机控制，同时控制多架无人机时，系统需要处理的数据量将快速增长，此时仍需要让每架无人机在各自的位置上正常作业，并实现避障、避碰等必要功能，因此许多对传统对单架无人机的控制策略无法直接应用于控制多架无人机。

目前，已经有一些对无人机围捕策略的相关讨论和研究。然而，现有的对无人机围捕问题的大多数研究应用场景比较简单，在复杂环境下难以应用，且存在着难以围捕高速游走的目标等问题。如何利用有限的计算资源，构建能在有一定数量的各类障碍物的复杂环境下围捕目标无人机的无人机群系统及相关控制、围捕策略，是学术界和工业界非常关注的科学问题和工程难题。核心关键技术的突破将会极大拓展无人机群系统在复杂自然环境下、复杂应用场景下的应用模式，提高完成任务的可能性和效率。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种多无人机对空中高速运动目标的围捕方法，该方法既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

本发明的另一个目的在于提出一种多无人机对空中高速运动目标的围捕方系统。

为达到上述目的，本发明一方面实施例提出了一种多无人机对空中高速运动目标的围捕方法，包括以下步骤：根据目标历史运动轨迹预测无人机在各空间维度的运动模式；根据所述运动模式预测目标无人机的后续运动轨迹；根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间，将各无人机导航至围捕位置。

本发明实施例的多无人机对空中高速运动目标的围捕方法，可实时改变对目标各空间维度运动状态的估计方式，既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

另外，根据本发明上述实施例的多无人机对空中高速运动目标的围捕方法还可以具有以下附加的技术特征：

进一步地，在本发明的一个实施例中，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，包括：分析目标各空间维度历史坐标的自相关函数：

其中，μ∈{x,y,z}表示对应空间维度，若R_μ(t)连续不少于m个峰间隔都相等，则μ(t)暂时为周期函数，并记录其周期T，维度μ被置为周期约束维度，且对于已被置为周期约束维度的维度μ，若检测到μ(t)的最新值与基于周期特性做出的预测不符，则将μ重置为自由维度。

进一步地，在本发明的一个实施例中，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，包括：对所述自由维度，通过拟合μ(t)多项式参数对所述目标后续运动轨迹的预测，其中，记待拟合多项式

则拟合过程等价于求解最小二乘问题：

进一步地，在本发明的一个实施例中，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，还包括：对所述周期约束维度，通过求过去几个周期中μ(t)的平均值预测μ(t)，当t>0时，有：

进一步地，在本发明的一个实施例中，所述根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间，包括：

将观察者的运动时间设置为T₁＝t₁，下一目标点设定为：

其中r(t)＝[x(t),y(t),z(t)]^T为目标各维度的联合预测轨迹。

进一步地，在本发明的一个实施例中，所述将各无人机导航至围捕位置，包括：通过时间多项式函数表示各捕捉者无人机在任一个空间维度上的一段轨迹：

其中，μ∈{x,y,z}，对应三个空间维度，n为轨迹的阶数，i为无人机的编号，j为无人机对应轨迹的编号，T_i,j是无人机通过该段轨迹需要的时间，其初始值与该段轨迹起点和终点间的欧式距离||r_i,j-r_i,j+1||成正比例关系，并满足

进一步地，在本发明的一个实施例中，所述将各无人机导航至围捕位置，包括：优化目标为使该无人机轨迹函数在各维度上的四阶导数的平方在时间的积分上最小：

进一步地，在本发明的一个实施例中，还包括：优化求得轨迹不完全位于安全区域内时，在所述优化求得段轨迹的起点和终点的中点增设一个路径点后，重新优化求解轨迹；优化求得轨迹最大速度超过预设值v_max或最大加速度超过预设值a_max时，将所述优化求得段轨迹的总时间乘以常数c_b后，用新的路径点集合和通过轨迹时间重新优化计算多项式系数。

进一步地，在本发明的一个实施例中，还包括：优化求得轨迹使两架参与围捕的无人机在运动过程中的最小距离小于2r₀时，在编号较小的无人机通过后，将编号较大的无人机的不合法轨迹段的通过轨迹时间乘以常数c_c后重新优化计算多项式系数，其中r₀为所有无人机的安全半径。

为达到上述目的，本发明另一方面实施例提出了一种多无人机对空中高速运动目标的围捕系统，包括：运动模式预测模块，用于根据目标历史运动轨迹预测无人机在各空间维度的运动模式；目标轨迹预测模块，用于根据所述运动模式预测目标无人机的后续运动轨迹；围捕策略制定模块，用于根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间；轨迹优化模块，用于将各无人机导航至围捕位置。

本发明实施例的多无人机对空中高速运动目标的围捕系统，可实时改变对目标各空间维度运动状态的估计方式，既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为根据本发明实施例的多无人机对空中高速运动目标的围捕方法的流程图；

图2为根据本发明一个实施例的多无人机对空中高速运动目标的围捕系统的结构示意图；

图3为根据本发明实施例的多无人机对空中高速运动目标的围捕系统的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参照附图描述根据本发明实施例提出的多无人机对空中高速运动目标的围捕方法及系统，首先将参照附图描述根据本发明实施例提出的多无人机对空中高速运动目标的围捕方法。

图1是本发明一个实施例的多无人机对空中高速运动目标的围捕方法的流程图。

如图1所示，该多无人机对空中高速运动目标的围捕方法包括以下步骤：

在步骤S101中，根据目标历史运动轨迹预测无人机在各空间维度的运动模式。

在本发明的一个实施例中，参与围捕的无人机分为两类：一个观察者和c-1个捕捉者。观察者可获取全局地图信息和各捕捉者的坐标，可识别高速运动目标并估计其与自身的相对坐标；捕捉者配备用于捕获目标的物理设备。其中，当捕捉者与目标无人机间的距离小于一定阈值时，目标无人机即被捕获，此时任务完成。

在默认状态下，观察者认为目标的运动在各空间维度上都是随机的，此时称各维度为自由维度，观察者将对目标的运动轨迹进行插值预测(将步骤S102进行详细阐述，为避免冗余，再此不做陈述)。考虑到当目标做某些特定行为时，其在某个空间维度上的坐标可能呈周期性变化，此时可以利用轨迹坐标的周期特性对目标的运动做出更准确的预测。因此，搭载在观察者上的运动模式预测模块将分析目标各空间维度历史坐标的自相关函数

其中μ∈{x,y,z}表示对应空间维度。若R_μ(t)连续不少于m个峰间隔都相等，则可以认为μ(t)暂时为周期函数，并记录其周期T，此时称维度μ为周期约束维度，可以利用周期特性预测μ(t)。

对于已被置为周期约束维度的维度μ，若运动模式预测模块检测到μ(t)的最新值与基于周期特性做出的预测明显不符，则将μ重置为自由维度。

在步骤S102中，根据运动模式预测目标无人机的后续运动轨迹。

搭载在观察者上的目标轨迹预测模块将获取运动模式预测模块生成的各空间维度的状态信息，并结合历史轨迹信息，分维度地生成对目标短时间内运动轨迹的预测。其中，目标轨迹预测模块和运动模式预测模块如图2所示。

若μ为自由维度，则通过拟合μ(t)多项式参数实现对目标后续运动轨迹的预测。记待拟合多项式

则拟合过程等价于求解

该问题可以用最小二乘法求解。

若μ为周期约束维度，则可以通过求过去几个周期中μ(t)的平均值预测μ(t)，即当t>0时，有：

在步骤S103中，根据后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间，将各无人机导航至围捕位置。

可以理解的是，该步骤包括：1、制定围捕策略，计算各无人机所需到达的围捕位置及所需时间；2、各无人机导航至围捕位置。下面将分别进行详细阐述。

1、制定围捕策略，计算各无人机所需到达的围捕位置及所需时间

具体而言，得到未来一段时间0<t<t₁内的目标无人机轨迹预测数据μ(t)后，围捕策略制定模块将决定各参与围捕的无人机的下一目标点r_i0和运动到下一目标点所需的运动时间T_i。需要说明的是，此处得到的运动时间T_i仅作为轨迹优化模块优化使用的初始值，并不意味着一定存在一组合法轨迹，在各无人机都满足避碰、避障、最大速度和最大加速度均不超过阈值的条件时，使各无人机在本步骤中得到的运动时间T_i内运动到所得到的下一目标点。其中，围捕策略制定模块和轨迹优化模块优如图2所示。

观察者应该与目标的距离保持在R₀以内，以保证对其坐标估计的准确性。因此，可以直接将观察者的运动时间设置为T₁＝t₁，下一目标点设定为：

其中r(t)＝[x(t),y(t),z(t)]^T为目标机各维度的联合预测轨迹。

编号为i的捕捉者(i∈{2,3,…,c})需要在运动时间T_i内运动到围捕位置r_i0，以保证在运动时间内将目标捕获。为此，可令r_i0＝r(T_i)。由于r(t)为连续、光滑的函数，因此对各捕捉者运动时间T_i可以直接利用贪心算法进行选取。令T_i的选取集合为S_T＝{t|t＝sτ₀+T₀,s＝0,1,…,s_max}(其中τ₀、T₀、s_max均为相关参数，满足s_maxτ₀+T₀≤t₁)。从T₂开始，依次选取每个T_i的值。选取的T_i应当满足

其中r₀为各无人机的安全半径(无人机与障碍物及其他参与围捕的无人机的距离应不小于r₀)。在满足上述约束的基础上，选取最小的符合条件的s对应的T_i为运动时间即可。

对于未能选取到满足上述约束的运动时间的捕捉者，该捕捉者在此次迭代中不参与围捕，并设定其围捕位置r_i0为该无人机附近位于安全区域内的随机一点，并设定运动时间T_i＝t₁即可。

2、各无人机导航至围捕位置

各参与围捕的无人机需要结合下一目标点r_i0、运动时间T_i以及周边环境信息在复杂环境中安全地导航至下一目标点。导航将通过首先计算各无人机的后续轨迹，然后进行轨迹跟随控制完成。由于每次重新计算轨迹参数的间隔时间较短，因此可以假设环境内的障碍物在较短时间内为静态。

在轨迹计算的开始，捕捉者的飞行路径是根据环境信息，用RRT*算法计算得到的一系列连接当前位置r_i(0)和围捕位置r_i0的折线及路径点。编号为i的捕捉者无人机的轨迹路径点的集合用{r_i,j}＝[x_i,j,y_i,j,z_i,j]^T},∈{1,2,…,q_i}表示，其中q_i为该无人机路径点个数(包括当前位置和围捕位置)。下面求解每两个相邻路径点间的轨迹表达式，使无人机的运动轨迹符合无人机的动力学特性。

与用多项式插值拟合目标机轨道时类似，用时间的多项式函数表示每架无人机在某个空间维度上的一段轨迹，即：

其中，μ∈{x,y,z}，对应三个空间维度，n为轨迹的阶数，i为无人机的编号，j为无人机对应轨迹的编号，T_i,j是无人机通过该段轨迹需要的时间，其初始值与该段轨迹起点和终点间的欧式距离||r_i,j-r_i,j+1||成正比例关系，并满足：

优化的目标是使该无人机轨迹函数的四阶导数(即加加加速度)的平方在时间的积分上最小，即某个维度上代价函数为：

这样的轨迹使得无人机运动较为平稳，优化变量：

(其中a_μ,i,j＝[a_μ,i,j,0,a_μ,i,j,1,…,a_μ,i,j,n]^T)的相关约束包括：

(1)路径点约束。有：

f_μ,i,j(0)＝μ_i,j，

f_μ,i,j(T_i,j)＝μ_i,j+1。

对任何j∈{1,2,…,q_i-1}成立。且对无人机起点位置和目标位置的速度，有：

f′_μ,i,1(0)＝v_μ,i,start，

(2)连续性约束。无人机的动力学特性使得无人机经过一个中间路径点前后的速度、加速度、加加速度不会发生突变，即有：

对任何j∈{1,2,…,q_i-2}、s∈{1,2,3}都成立。

注意到

J_μ,i＝a_μ,i ^TQa_μ,i

其中Q为J_μ,i的Hessian矩阵。因此该优化问题是一个线性约束的二次规划问题，因此可以应用相关求解器求得各轨迹的多项式系数a_μ,i。

用上述方法直接求得的轨迹可能会出现三种情况使得轨迹不合法：

(a)求得轨迹不完全位于安全区域内；

(b)最大速度或最大加速度超过预设值v_max、a_max；

(c)两架参与围捕的无人机在运动过程中的最小距离小于2r₀。

对于情况(a)，在该段轨迹的起点和终点的中点增设一个路径点；对于情况(b)，将该段轨迹的总时间乘以一个常数c_b，然后，用新的路径点集合和通过轨迹时间T_i,j重新优化计算多项式系数a_μ,i，直到新的轨迹合法为止；对于情况(c)，处理方法与情况(b)类似：优先让编号较小的无人机通过，将编号较大的无人机的不合法轨迹段的通过轨迹时间T_i,j乘以常数c_c后重新优化计算多项式系数。

得到合法的轨迹后，结合无人机的动力学特性控制各无人机沿轨迹飞行一段短时间(如2秒)，然后根据更新后的目标的运动信息及环境信息重做上述过程。如此，即可实现对高速运动目标的围捕。

根据本发明实施例提出的多无人机对空中高速运动目标的围捕方法，可实时改变对目标各空间维度运动状态的估计方式，既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

其次参照附图描述根据本发明实施例提出的多无人机对空中高速运动目标的围捕系统。

图3是本发明一个实施例的多无人机对空中高速运动目标的围捕系统的结构示意图。

如图3所示，该多无人机对空中高速运动目标的围捕系统10包括：运动模式预测模块100、目标轨迹预测模块200、围捕策略制定模块300和轨迹优化模块400。

其中，运动模式预测模块100用于根据目标历史运动轨迹预测无人机在各空间维度的运动模式；目标轨迹预测模块200用于根据运动模式预测目标无人机的后续运动轨迹；围捕策略制定模块300用于根据后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间；轨迹优化模块400用于将各无人机导航至围捕位置。本发明实施例的系统10既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

需要说明的是，前述对多无人机对空中高速运动目标的围捕方法实施例的解释说明也适用于该实施例的多无人机对空中高速运动目标的围捕系统，此处不再赘述。

根据本发明实施例提出的多无人机对空中高速运动目标的围捕系统，可实时改变对目标各空间维度运动状态的估计方式，既弥补了传统基于一致性的无人机围捕策略无法围捕高速目标的缺陷，又规避了传统基于插值预测的围捕策略对高速目标单次围捕成功率较低的缺点，简单易实现。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种多无人机对空中高速运动目标的围捕方法，其特征在于，包括以下步骤：

根据目标历史运动轨迹预测目标无人机在各空间维度的运动模式；

根据所述运动模式预测目标无人机的后续运动轨迹；以及

根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间；

将各无人机导航至围捕位置，其中，优化求得轨迹不完全位于安全区域内时，在所述优化求得轨迹的起点和终点的中点增设一个路径点后，重新优化求解轨迹；优化求得轨迹最大速度超过预设值v_max或最大加速度超过预设值a_max时，将所述优化求得轨迹的总时间乘以常数c_b后，用新的路径点集合和通过轨迹时间重新优化计算多项式系数。

2.根据权利要求1所述的方法，其特征在于，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，包括：

分析目标各空间维度历史坐标的自相关函数：

其中，μ∈{x,y,z}表示对应空间维度，若R_μ(t)连续不少于m个峰间隔都相等，则μ(t)暂时为周期函数，并记录其周期T，维度μ被置为周期约束维度，且对于已被置为周期约束维度的维度μ，若检测到μ(t)的最新值与基于周期特性做出的预测不符，则将μ重置为自由维度。

3.根据权利要求2所述的方法，其特征在于，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，包括：

对所述自由维度，通过拟合μ(t)多项式参数对所述后续运动轨迹进行预测，其中，记待拟合多项式

则拟合过程等价于求解最小二乘问题：

4.根据权利要求3所述的方法，其特征在于，所述根据目标历史运动轨迹预测无人机在各空间维度的运动模式，还包括：

对所述周期约束维度，通过求过去几个周期中μ(t)的平均值预测μ(t)，当t>0时，有：

5.根据权利要求1所述的方法，其特征在于，所述根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间，包括：

将观察者的运动时间设置为T₁＝t₁，下一目标点设定为：

其中r(t)＝[x(t),y(t),z(t)]^T为目标各维度的联合预测轨迹。

6.根据权利要求1所述的方法，其特征在于，所述将各无人机导航至围捕位置，包括：

通过时间多项式函数表示各捕捉者无人机在任一个空间维度上的一段轨迹：

其中，μ∈{x,y,z}，对应三个空间维度，n为轨迹的阶数，i为无人机的编号，j为无人机对应轨迹的编号，T_i,j是无人机通过该段轨迹需要的时间，其初始值与该段轨迹起点和终点间的欧式距离||r_i,j-r_i,j+1||成正比例关系，并满足

7.根据权利要求6所述的方法，其特征在于，所述将各无人机导航至围捕位置，还包括：

优化目标为使该捕捉者无人机轨迹函数在各维度上的四阶导数的平方在时间的积分上最小：

其中，μ∈{x,y,z}，对应三个空间维度，i为无人机的编号，j为无人机对应轨迹的编号，T_i,j是无人机通过该段轨迹需要的时间，q_i为该无人机路径点个数。

8.根据权利要求1所述的方法，其特征在于，还包括：

优化求得轨迹使两架参与围捕的无人机在运动过程中的最小距离小于2r₀时，在编号较小的无人机通过后，将编号较大的无人机的不合法轨迹段的通过轨迹时间乘以常数c_c后重新优化计算多项式系数，其中r₀为所有无人机的安全半径。

9.一种多无人机对空中高速运动目标的围捕系统，其特征在于，包括：

运动模式预测模块，用于根据目标历史运动轨迹预测目标无人机在各空间维度的运动模式；

目标轨迹预测模块，用于根据所述运动模式预测目标无人机的后续运动轨迹；

围捕策略制定模块，用于根据所述后续运动轨迹生成围捕策略，并计算各无人机所需到达的围捕位置及所需时间；

轨迹优化模块，用于将各无人机导航至围捕位置，其中，优化求得轨迹不完全位于安全区域内时，在所述优化求得轨迹的起点和终点的中点增设一个路径点后，重新优化求解轨迹；优化求得轨迹最大速度超过预设值v_max或最大加速度超过预设值a_max时，将所述优化求得轨迹的总时间乘以常数c_b后，用新的路径点集合和通过轨迹时间重新优化计算多项式系数。

Images