CN116203989A - 基于粒子群算法的多无人机协同目标搜索方法及系统 - Google Patents

Abstract

本发明属于群体智能与多智能体目标搜索技术领域，提供了一种基于粒子群算法的多无人机协同目标搜索方法及系统。本发明通过粒子群算法计算每台无人机下一时刻位置，并在无人机实际前往下一时刻目标点的过程中，对周围环境进行实时检测，在探测到障碍物时及时进行重规划以实现躲避障碍物及避免机间冲突功能。在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

Description

基于粒子群算法的多无人机协同目标搜索方法及系统

技术领域

本发明属于群体智能与多智能体目标搜索技术领域，尤其涉及一种基于粒子群算法的多无人机协同目标搜索方法及系统。

背景技术

近年来，考虑到粒子群算法(Particle Swarm Optimization，PSO)具有参数简单、收敛速度快、计算复杂度较低和数据传输量小等优点，粒子群算法在多无人机目标搜索上得到了广泛应用；具体的，将每个无人机抽象为粒子群中的粒子，并对粒子的位置进行编码，使得无人机能够逐渐向全局最优移动，继而发现目标位置。

发明人发现，当前，基于粒子群算法的多无人机协同目标搜索方法，都不完全具备无人机特性，大多数研究是基于理想条件假设的。具体为：无人机被视作质点，环境中无障碍物存在，且不考虑机间碰撞；少数考虑到避障的算法，当检测到障碍物存在时仅通过改变速度方向、紧急制动或改变飞行高度来避免碰撞的发生，但是在实际应用中，环境中的障碍物是普遍存在的，单靠改变速度方向、紧急制动或改变飞行高度等方式，很难实现多障碍物环境下的避障，更不能解决机间冲突的问题，严重的影响搜索成功率。并且，考虑到无人机本身的实际特性，无人机的速度不可能趋于无限大，剧烈的速度变化不符合无人机的动力学规律；在实际应用，剧烈的速度变化在造成更多能量损耗的同时，还会极易导致事故发生现象。

发明内容

本发明为了解决上述问题，提出了一种基于粒子群算法的多无人机协同目标搜索方法及系统，本发明考虑了无人机实际特性，引入了自主避障算法来优化无人机实际运行轨迹，解决了多障碍物环境下的避障问题，以及机间冲突的问题；此外，还考虑了无人机的能量限制，通过向粒子群算法中添加一个随时间衰减的能量因子，模拟随时间推移无人机搜索能力逐渐下降这一客观规律，为能量损耗过程的研究提供可靠依据。

为了实现上述目的，本发明是通过如下的技术方案来实现：

第一方面，本发明提供了一种基于粒子群算法的多无人机协同目标搜索方法，包括：

获取待搜索目标的位置信息；

依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

进一步的，通过粒子群算法计算出每个无人机当前时刻到下一时刻的目标位置，以及确定当前时刻位置到下一时刻目标位置的引导路径后，在引导路径上所有存在障碍物的位置处生成一个推离障碍物的无人机控制指令；确定引导路径上的障碍物时，将当前被控制无人机周围预设范围内，且优先级高于当前被控制无人机的其他无人机视为障碍物。

进一步的，在粒子群算法中添加惯性权重参数、个体加速因子参数和社会加速因子参数，在控制的各个阶段动态调整各个参数的权重。

进一步的，搜索任务开始阶段，惯性权重值最大；随着搜索任务的执行，惯性权重降低，社会加速因子增加；在社会加速因子达到预设值后，个体加速因子逐渐上升。

进一步的，下一时刻的能量因子等于当前时刻的能量因子与能量衰减率的乘积，所述能量衰减率模拟无人机飞行过程中能量衰减的快慢。

进一步的，每个无人机分别被设置为粒子群算法中的单个粒子；无人机所处实际位置被设置为粒子位置。

进一步的，将当前时刻到下一时刻的控制过程分为搜索阶段和优化阶段；在搜索阶段，通过A*算法获得不考虑障碍物的引导路径；在优化阶段，对无人机周围环境进行检测，比较存在于障碍物内的轨迹与搜索阶段生成的无碰撞的引导路径，并利用梯度信息将障碍物内的轨迹拉出障碍物。

第二方面，本发明还提供了一种基于粒子群算法的多无人机协同目标搜索系统，包括：

数据采集模块，被配置为：获取待搜索目标的位置信息；

搜索控制模块，被配置为：依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了第一方面所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

第四方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

与现有技术相比，本发明的有益效果为：

1、本发明在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束；在遵守任务执行过程中随着时间推移无人机的能量水平下降、搜索能力减弱这一客观规律的基础上，使得速度可以达到最大，且不会超出最大速度约束而带来安全问题，解决了剧烈的速度变化造成多能量损耗和导致事故发生的问题；

2、本发明通过粒子群算法计算出每个无人机当前时刻到下一时刻的目标位置，以及确定当前时刻位置到下一时刻目标位置的引导路径后，在引导路径上所有存在障碍物的位置生成一个推离障碍物的无人机控制指令，通过推离障碍物的无人机控制指令可以实现多障碍物环境下的避障；并且，将当前被控制无人机周围预设范围内，且优先级高于当前被控制无人机的其他无人机视为障碍物，优先保证优先级高的无人机按照引导路径飞行，控制优先级低的无人机在引导路径上执行避障任务，保证了多无人机中优先级较高无人机的飞行稳定性，保障了多飞机的控制稳定性和搜索能力，又解决了机间冲突的问题；

3、本发明向粒子群算法中引入自适应策略，通过在各个阶段中动态调整惯性权重、个体加速因子以及社会加速因子各个参数的权重，避免了控制陷入局部最优的问题，提高了搜索能力；具体的，搜索任务开始阶段，惯性权重占据支配地位，以获得较强的全局搜索能力；随着搜索任务的执行，惯性权重开始降低，社会加速因子开始增加，全局最优对粒子的吸引力开始增强，从而使粒子能够摆脱当前局部最优；在社会加速因子达预设值后，个体加速因子开始逐渐上升，个体最优对粒子的吸引力上升，从而使得后期无人机可以实现在目标位置附近的聚集。

附图说明

构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。

图1为本发明实施例1的流程图；

图2为本发明实施例2的基本粒子群算法速度更新原理图；

图3为本发明实施例2的模拟实施场景图；

图4为本发明实施例2的控制1s后仿真示意图；

图5为本发明实施例2的控制30s仿真示意图；

图6为本发明实施例2的控制60s仿真示意图；

图7为本发明实施例2的控制90s仿真示意图；

图8为本发明实施例2的冲突避免示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

实施例1：

当前基于粒子算法控制无人机协同目标搜索时，对障碍物存在的情况，仅通过改变速度方向、紧急制动或改变飞行高度来避免碰撞的发生，然而实际应用中，环境中的障碍物是普遍存在的，单靠改变速度方向、紧急制动或改变飞行高度等方式，很难实现多障碍物环境下的避障，况且传统的控制方法中，没有考虑无人机之间的冲突问题，不能解决飞行过程中机间冲突的问题，严重的影响搜索成功率。

针对多无人机控制过程中存在的多障碍物环境下的避障问题，以及机间冲突问题；本实施例提供了一种基于粒子群算法的多无人机协同目标搜索方法，包括：

获取待搜索目标的位置信息；可以理解的，待搜索目标可以是多个飞机要搜索的同一目标，也可以是对不同的一个或多个飞机分别确定不同的待搜索目标；

依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，通过粒子群算法计算出每个无人机当前时刻到下一时刻的目标位置，以及确定当前时刻位置到下一时刻目标位置的引导路径后，在引导路径上所有存在障碍物的位置处生成一个推离障碍物的无人机控制指令；确定引导路径上的障碍物时，将当前被控制无人机周围预设范围内，且优先级高于当前被控制无人机的其他无人机视为障碍物。

具体的，通过粒子群算法计算出每个无人机当前时刻到下一时刻的目标位置，以及确定当前时刻位置到下一时刻目标位置的引导路径后，在引导路径上所有存在障碍物的位置生成一个推离障碍物的无人机控制指令，通过推离障碍物的无人机控制指令可以实现多障碍物环境下的避障；并且，将当前被控制无人机周围预设范围内，且优先级高于当前被控制无人机的其他无人机视为障碍物，优先保证优先级高的无人机按照引导路径飞行，控制优先级低的无人机在引导路径上执行避障任务，保证了多无人机中优先级较高无人机的飞行稳定性，保障了多飞机的控制稳定性和搜索能力，又解决了机间冲突的问题。

为了解释本实施例中基于粒子群算法的多无人机协同目标搜索方法，所述方法的步骤可以包括：

S1、对搜索环境和被控制的多个无人机进行建模；

S2、初始化粒子群算法中的参数，并初始化所有无人机的位置和速度；

S3、每个被控制的无人机在当前时刻向下一时刻目标位置飞行时，应用避障算法躲避障碍物并避免被控制无人机与其他无人机相撞；

S4、无人机到达某一时刻当前阶段目标位置并计算该位置适应度；在无人机之间进行群体信息共享并计算下一时刻目标位置。

步骤S1中，可以将每个无人机分别设置为粒子群算法中的单个粒子；无人机所处实际位置被设置为粒子位置。

步骤S3中，将自主避障和无人机之间的冲突避免机制引入粒子群算法的执行过程中，当无人机通过粒子群算法计算出下一时刻前往目标位置x(t+1)并前往时，改变传统粒子群算法控制时沿着一条直线前往的控制方式；本实施例中的方式是触发一个路径规划机制，当前时刻到下一时刻的整个规划过程被分为前端搜索和后端优化两个过程，在前端搜索阶段，每个无人机分别通过动力学A*搜索到一条当前时刻到下一时刻目标位置，且不考虑障碍物的引导路径；在后端轨迹优化环节，检查上一阶段生成的轨迹是否会与障碍物相撞，并基于梯度生成一个将轨迹推离障碍物的力，作为推离障碍物的无人机控制指令。此外，如果生成的轨迹由于不合理的时间分配违反了动力学限制，则执行时间重分配过程；为了节省有限的板载资源，后退地平线策略被引入规划过程中，使得路径规划只在无人机感知范围之内进行，超出无人机传感器探测范围的环境将不被考虑。此外，本实施例还考虑了机间冲突避免，将优先级策略引入无人机中。优先级可以理解为，当多个无人机计划在同一时间通过狭窄空间时，决定各个无人机执行规划的次序优先等级。拥有较高优先级的无人机可以优先进行规划并通过，同时低优先级的无人机将一定传感范围内的高优先级无人机视作障碍物并实施避障。

步骤S4中，在粒子群算法中引入惯性权重，以消除对粒子每个维度上的最大速度V_max的需求。粒子的速度和位置公式分别表示为：

υ_id＝ω*υ_id+c₁*rand()*(p_best-x_id)+c₂*rand()*(g_best-x_id)

x_id＝x_id+υ_id

其中，ω代表惯性权重；p_best代表每个粒子目前找到过的最优位置；g_best代表整个粒子群目前为止找到过的最优位置；c₁和c₂分别被称为个体加速因子和社会加速因子，代表将粒子拉向p_best或g_best的随机加速度项的权重；υ_id表示第d次迭代时第i个粒子的速度；x_id表示第d次迭代时第i个粒子所在的位置。

本实时向粒子群算法中引入自适应策略，通过在各个阶段中动态调整惯性权重ω、个体加速因子c₁和社会加速因子c₂各个参数的权重，以避免陷入局部最优，从而提高搜索能力。本实施例中的至少一种搜索方式是针对单目标搜索的，此时，因此局部最优的陷入应当被避免；具体的，当搜索任务刚开始时，惯性权重被赋予最大值，应当占据支配地位，以获得较强的全局搜索能力；随着搜索任务的执行，惯性权重开始降低，社会加速因子开始增加，全局最优对粒子的吸引力开始增强，从而使粒子能够摆脱当前局部最优；在社会加速因子达到其预设的最优值以后，个体加速因子开始逐渐上升，个体最优对粒子的吸引力上升，从而使得实验后期无人机可以实现在目标位置附近的聚集。

本实施例中，可以向粒子群算法添加能量和速度约束；能量方面，考虑到在实际应用中，当前常用的无人机电池续航能力是极其有限的，即，在实际飞行过程中，能量水平随着时间的推移无可避免地会下降，因此，向传统粒子群算法中引入能量约束，通过引入一个随着时间推移而衰减的能量因子来模拟搜索能力随着时间下降这一规律，可选的，下一时刻的能量因子等于当前时刻的能量因子与能量衰减率的乘积，所述能量衰减率模拟无人机飞行过程中能量衰减的快慢；在速度方面，考虑到实际飞行中无人机的速度具有上限，而不可能任意趋于无限大，因此，针对这一现象，引入了最大速度的约束，当通过粒子群算法计算所得下一时刻速度矢量的大小超过无人机所能达到的最大安全速度时，保持上述矢量的方向，但将其大小限制在上限之内。

具体的，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束；在遵守任务执行过程中随着时间推移无人机的能量水平下降、搜索能力减弱这一客观规律的基础上，使得速度可以达到最大，且不会超出最大速度约束而带来安全问题，解决了剧烈的速度变化造成多能量损耗和导致事故发生的问题。

本发实施例中，将粒子群算法应用于多无人机目标搜索任务中，将无人机集群中的每台无人机都视为粒子群中的单个粒子，并对粒子的位置进行编码，使得粒子能够随着迭代的进行逐渐向全局最优移动，从而有效发现目标位置。向粒子群算法中引入自适应策略，通过在整个搜索过程中动态调整各个参数的权重，使得无人机在执行搜索任务的初期具有较强的全局搜索能力，在搜索过程中能够较有效避免陷入局部最小值，以及在搜索末期实现快速向目标位置收敛。考虑到无人机在实际飞行中应当具备的特性，如无人机在飞行过程中的能量限制，向传统粒子群算法中引入了一个随时间衰减的能量因子，尊重了任务执行过程中随着时间推移无人机的能量水平下降、搜索能力减弱这一客观规律。此外，向无人机中添加了一个最大速度限制，将无人机速度约束在安全速度以内，使其不至于趋于无限大。考虑到实际任务执行过程中存在环境障碍物和机间碰撞的可能性，通过向传统粒子群算法中引入自主避障算法来优化无人机实际运行轨迹，并引入优先级策略使得高优先级的无人机被低优先级视为障碍物并实施避障，以实现障碍物复杂环境下的冲突避免功能；显著提高了多无人机协同粒子群搜索算法的实际应用价值。

实施例2：

为了进一步解释和验证实施例1中基于粒子群算法的多无人机协同目标搜索方法，本实施例通过具体仿真事例进行了解释，具体为：

如图3所示，可选的，搜索任务在一个12m×13m的矩形空间中进行。为了保证提出方法的普适性，在每次搜索任务开始时，环境内可以分布有数目、大小和位置都相对随机的障碍物，障碍物可以为圆环、圆柱形或其他形状的障碍物；其中的一种实施例中，定位为圆环形障碍物可允许无人机从中穿过或从上方飞过，圆柱形障碍物可允许无人机从左右两侧绕过，目标位置在搜索空间中随机选择且不会与障碍物发生冲突。

无人机可以选取任意数量的多个，其中一种实施例中，选取4个无人机，具体可选的，在待搜索场景边缘并排分布4台型号、配置都相同的无人机，无人机彼此之间间隔1米，每个无人机均具备双目相机、深度相机、GPS与通信模块等硬件模块，且各模块在飞行过程中保持性能良好。整个搜索过程中，4台无人机彼此之间可以通过无线通信等方式进行通信，实现信息交换。具体实施步骤如下：

S1、对待搜索环境进行建模，可选的，对于给定的矩形搜索区域，基于方形网格对其进行划分，比如每个网格实际面积设置为1m×1m。目标依概率分布在待搜索环境中。对无人机进行建模，可选的，将无人机群视为粒子群，每个无人机均被建模为粒子群中的单个粒子，无人机所处实际位置被视为粒子位置。将无人机上传感器返回值视为环境适应度值f。具体公式如下：

待搜索区域：

S：{x：0≤x≤x_max}，{y：0≤y≤y_max}

假设d为无人机传感器返回值：

f(x，y)＝d搜索目标为寻找(x*，y*)∈S使得

S2、初始化粒子群参数，可选的：粒子数目n＝4，最大速度υ_max＝2m/s，最高迭代次数设置为10000次，终止条件设置为达到最高迭代次数或20次迭代都不产生新的全局最优，c₁＝c₂＝2，R₁和R₂设置为在0到1之间等概率取值的随机数，能量衰减率λ设置为0.95。分别初始化4台无人机的速度和位置。

在具体实施过程中，最开始为粒子群所使用的初始化参数赋值可以依据参考文献、实验参数或经验参数，但设置的初始参数往往不能达到最优效果。调试过程中可以在保留其他参数值不变的同时适当调整某一特定参数，同时观察搜索效果改进与否，若效果有所提升则保留此种修改，通过这种方式对每个参数进行调整，直至总体搜索效果达到最优。

S3、4个无人机分别前往各自对应位置；可以将整个过程细分为前端搜索和后端优化两个部分。在前端搜索阶段，通过A*算法来获得一条不考虑障碍物的引导路径。在后端优化阶段，无人机利用传感器对周围环境进行检测，比较存在于障碍物内的轨迹与搜索阶段生成的无碰撞引导路径，并利用梯度信息将障碍物内的轨迹拉出障碍物，以产生并优化多个线程的多条轨迹，同时执行成本最低的轨迹。具有Q个控制点的均匀B样条的非线性优化问题由下式给出：

其中，J为所需优化的惩罚函数，由加权惩罚J_r构成，其中r＝{s，c，d，t}，分别代表平滑程度、碰撞、动态可行性和终端进程；λ代表相应的权重J_r为所需优化的惩罚函数，由惩罚构成。由于粒子群搜索是多机搜索，无人机之间的碰撞避免也是需要考虑在内的，为了避免无人机间的冲突，可以引入无人机优先级机制，优先级低的无人机需要考虑优先级高的轨迹，将其当作障碍物。为了节约资源，只要考虑一定范围内的无人机即可，若与高优先级无人机的距离大于阈值的话就不考虑其影响。因此，上述优化问题变为J′：

其中，λ_w为加权冲突惩罚项对应的冲突权重；J_ω为加权冲突惩罚项，λ_ω为对应的惩罚权重。

当某段轨迹动力学不可行时，通过时间重分配，增加为该段轨迹分配的时间，以增加其动力学可行性。此外，为了节省无人机有限的板载资源，后退地平线策略被引入规划过程中，使得路径规划只在无人机感知范围之内进行。

S4、无人机完成避障并到达先前指定的对应粒子位置，利用无人机所携带传感器对环境进行探测，判断当前区域是否有目标存在，并以此为粒子在该位置的适应度。假设无人机之间存在一个广播网络，从而使得无人机之间进行群体信息共享，并通过粒子群算法对每个无人机所对应粒子的速度和位置进行更新，公式如下：

υ_id＝ε*(ω*υ_id+c₁*rand()*(p_best-x_id)+c₂*rand()*(g_best-x_id))

x_id＝x_id+υ′_id

其中，ε为能量因子；ω是惯性权重；p_best代表每个粒子目前找到过的最优位置；g_best代表整个粒子群目前为止找到过的最优位置；c₁和c₂分别被称为个体加速因子和社会加速因子；代表将粒子拉向p_best或g_best的随机加速度项的权重；υ_id表示第d次迭代时第i个粒子的速度；x_id表示第d次迭代时第i个粒子所在的位置；v′_id是速度约束下的无人机实际执行速度。

本实施例向粒子群算法中引入自适应策略，通过动态调整惯性权重ω、个体加速因子c₁和社会加速因子c₂各个参数的权重，以提高搜索能力并避免陷入局部最优。当搜索任务刚刚开始时，惯性权重占据支配地位，取值为1，以获得较强的全局搜索能力；随着搜索任务的执行，惯性权重由最大值开始降低，社会加速因子从0开始增加，全局最优对粒子的吸引力开始增强，以防止无人机陷入局部最优；在社会加速因子达到最优值以后，个体加速因子的值开始从0增加，此阶段个体最优对粒子的吸引力上升。考虑到无人机的能量限制，通过向粒子群算法中添加一个随时间衰减的能量约束，以此来模拟随时间推移无人机搜索能力逐渐下降这一客观规律。其中，能量因子ε遵循如下衰减规律：

ε(t+1)＝λ*ε(t)

其中，λ是能量衰减率，用以模拟无人机飞行过程中能量衰减的快慢，λ取值可以为0.95。

此外，考虑到实际飞行过程中速度不可能达到无限大这一事实，因此向无人机中引入一个速度约束，使得无人机在保持速度矢量的方向的同时，速度大小保持在上限范围内，即不超过最大速度V_max。速度约束如下所示：

S5、若提前达到终止条件或迭代次数大于所设定最高迭代次数，则执行步骤S6，否则返回步骤S3进行下一次迭代。

S6、本次搜索任务结束。

为验证所提出算法的性能，在具有16.0GB内存和512GB SSD的2.30GHz Intel i7-11800H处理器上进行仿真实验，仿真环境为Linux Ubuntu18.04，此外，Rviz被用来对整个搜索过程进行可视化。

本发明的仿真结果如图4、图5、图6和图7所示。通过实验结果可以看出，在实验开始时，由于惯性权重的显著影响，在未遇到障碍物的前提下，4个无人机基本按照直线轨迹飞行，搜索范围可以在较短时间内扩大到整个搜索空间；随着实验的推进，无人机在没有障碍物干扰的情况下开始出现自主转向行为，这意味着无人机进入第二阶段，全局最优位置的吸引力开始增强；在实验的最后阶段，搜索任务进行90s后，可以观察到无人机受到局部最优位置的吸引，能够基本聚集在所寻目标位置附近；当达到终止条件时，仿真实验结束。在整个过程中，可以观察到无人机在每次迭代中的搜索步长逐渐缩小，很好地模拟了随着时间的推移，无人机的能量水平降低，搜索能力逐渐减弱这一实际规律。

在实现搜索的基本功能的同时，仿真过程也很好地展示了所设计机制的避碰和冲突避免功能。在飞行过程中，可以观察到随着迭代的进行，每台无人机相对的目标位置经常变化，一旦新的目标被计算出来，新的轨迹就会被快速规划生成并被执行。一旦生成的路径与检测到的障碍物重叠，算法的重规划机制就会在极短时间内被触发。此外可以观察到，重规划机制在前往目标途中可以被多次触发，直到生成一条通往当前迭代的目标位置的较为平滑的无碰撞轨迹。在冲突避免方面，如图8所示，在多个无人机在穿越相对密集的障碍物间隙执行搜索任务时，机间冲突避免机制被触发，多个无人机之间可以实现按照优先级顺序有序通过。

为了排除偶然性，证明所提出的粒子群搜索机制具有普适性，本实施例重复进行了100次上述实验，每次实验均以达到终止条件或无人机与障碍物相撞为止，以无人机全程无碰撞汇聚到目标位置附近为实验成功，最终得到算法成功率高于90％这一结论。

上述仿真实验表明，本发明提出的方法应用于无人机时具有很好的搜索效果，可以实现在较短时间内定位到目标位置，且验证了所引入避障和冲突避免功能也很适合群体在复杂环境的任务执行，显著提高了粒子群算法的实用性。

实施例3：

本实施例提供了一种基于粒子群算法的多无人机协同目标搜索系统，包括：

数据采集模块，被配置为：获取待搜索目标的位置信息；

搜索控制模块，被配置为：依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

所述系统的工作方法与实施例1的基于粒子群算法的多无人机协同目标搜索方法相同，这里不再赘述。

实施例4：

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了实施例1所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

实施例5：

本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了实施例1所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

以上所述仅为本实施例的优选实施例而已，并不用于限制本实施例，对于本领域的技术人员来说，本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实施例的保护范围之内。

Claims (10)

1.基于粒子群算法的多无人机协同目标搜索方法，其特征在于，包括：

获取待搜索目标的位置信息；

依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

2.如权利要求1所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，通过粒子群算法计算出每个无人机当前时刻到下一时刻的目标位置，以及确定当前时刻位置到下一时刻目标位置的引导路径后，在引导路径上所有存在障碍物的位置处生成一个推离障碍物的无人机控制指令；确定引导路径上的障碍物时，将当前被控制无人机周围预设范围内，且优先级高于当前被控制无人机的其他无人机视为障碍物。

3.如权利要求1所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，在粒子群算法中添加惯性权重参数、个体加速因子参数和社会加速因子参数，在控制的各个阶段动态调整各个参数的权重。

4.如权利要求3所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，搜索任务开始阶段，惯性权重值最大；随着搜索任务的执行，惯性权重降低，社会加速因子增加；在社会加速因子达到预设值后，个体加速因子逐渐上升。

5.如权利要求1所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，下一时刻的能量因子等于当前时刻的能量因子与能量衰减率的乘积，所述能量衰减率模拟无人机飞行过程中能量衰减的快慢。

6.如权利要求1所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，每个无人机分别被设置为粒子群算法中的单个粒子；无人机所处实际位置被设置为粒子位置。

7.如权利要求1所述的基于粒子群算法的多无人机协同目标搜索方法，其特征在于，将当前时刻到下一时刻的控制过程分为搜索阶段和优化阶段；在搜索阶段，通过A^*算法获得不考虑障碍物的引导路径；在优化阶段，对无人机周围环境进行检测，比较存在于障碍物内的轨迹与搜索阶段生成的无碰撞的引导路径，并利用梯度信息将障碍物内的轨迹拉出障碍物。

8.基于粒子群算法的多无人机协同目标搜索系统，其特征在于，包括：

数据采集模块，被配置为：获取待搜索目标的位置信息；

搜索控制模块，被配置为：依据预设的粒子群算法，控制多个无人机朝向待搜索目标的位置移动搜索；

其中，在粒子群算法中引入一个随着时间推移而衰减的能量因子模拟搜索能力随着时间下降的规律，以及引入最大速度约束，计算得到下一时刻速度的大小和方向后，控制无人机在计算得到的方向上的速度不超过最大速度约束。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现了如权利要求1-7任一项所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现了如权利要求1-7任一项所述的基于粒子群算法的多无人机协同目标搜索方法的步骤。

Images