避障控制的案例
群體智能專欄｜基于聯(lián)盟的無人機(jī)集群避障方法
基于聯(lián)盟的無人機(jī)集群避障方法
符小衛(wèi)，張嘉平，魏 可
（西北工業(yè)大學(xué)電子信息學(xué)院，西安 710129）
摘 要: 無人機(jī)集群的避障行為作為群體行為的一種，在國內(nèi)外得到了廣泛的研究和應(yīng)用。針對切換拓?fù)浣Y(jié)構(gòu)下的集群避障控制問題，設(shè)計了僅需個別無人機(jī)獲取虛擬長機(jī)信息的集群避障方法。通過對無人機(jī)集群劃分聯(lián)盟，選出集群子網(wǎng)中的導(dǎo)航信息無人機(jī)來獲取虛擬長機(jī)的信息，在避障時可保證集群的連通性。在此基礎(chǔ)上，通過對集群中各導(dǎo)航信息無人機(jī)施加一個垂直于虛擬長機(jī)運(yùn)動軌跡的額外排斥力，并將虛擬長機(jī)對導(dǎo)航信息無人機(jī)的引導(dǎo)力權(quán)值因子進(jìn)行設(shè)計，使其成為與虛擬長機(jī)和導(dǎo)航信息無人機(jī)距離相關(guān)的自適應(yīng)因子。不但保證集群在面對較大障礙物時能有效地進(jìn)行避障，而且解決了傳統(tǒng)人工勢場避障方法中存在的局部極小值問題。仿真結(jié)果表明了所建模型的合理性和求解方法的有效性。
關(guān)鍵詞: 無人機(jī)集群；拓?fù)淝袚Q；信息濃度；聯(lián)盟；改進(jìn)BFS；避障控制
1 引 言
近年來，無人機(jī)集群在軍事和民用領(lǐng)域具有廣泛的應(yīng)用[1]，得到了科研和工程領(lǐng)域的重點(diǎn)關(guān)注。無人機(jī)集群指通過自組織機(jī)制，使具備有限自主能力的多架無人機(jī)在沒有集中指揮控制的情況下，通過相互間信息通信產(chǎn)生整體效應(yīng)，實(shí)現(xiàn)較高程度的自主協(xié)作，從而在盡量少的人員干預(yù)下完成預(yù)期的任務(wù)目標(biāo)。本文重點(diǎn)研究無人機(jī)集群避障控制方法。針對無人機(jī)集群避障問題，國內(nèi)外學(xué)者進(jìn)行了大量研究，常用的防碰撞控制方法包括人工勢場、神經(jīng)網(wǎng)絡(luò)、最優(yōu)化理論等。其中人工勢場原理簡單、易于理解、計算量小，在避障控制策略中成為首選方法[2]。
文獻(xiàn)[3]用勢能場方法模擬了群聚行為和凝聚力，并使用結(jié)構(gòu)勢函數(shù)來實(shí)現(xiàn)集群間的防碰撞，當(dāng)兩機(jī)之間的距離偏小時，排斥因子起主要作用，兩機(jī)分離，避免碰撞，該方法并不能保證相對距離大于最小安全距離。
展開 無人機(jī)避障算法綜述
路徑規(guī)劃可分為全局規(guī)劃與局部規(guī)劃，是無人機(jī)避障關(guān)鍵技術(shù)之一。
(4)運(yùn)動控制技術(shù)。運(yùn)動控制技術(shù)是根據(jù)當(dāng)前無人機(jī)自身狀態(tài)以及規(guī)劃出的避障路徑，生成控制指令，控制無人機(jī)精確、快速跟蹤規(guī)劃出的路徑，主要包括調(diào)向、調(diào)速、調(diào)高等控制動作，是無人機(jī)避障關(guān)鍵技術(shù)之一。
2 無人機(jī)避障方法
運(yùn)行中的無人機(jī)一旦檢測到飛行沖突，立即解算避障路徑，并驅(qū)動機(jī)體按照安全路徑運(yùn)行。當(dāng)前避障技術(shù)主要分為三類：基于優(yōu)化、勢場和機(jī)器學(xué)習(xí)的避障方法。
2.1 基于優(yōu)化的避障方法
基于優(yōu)化的避障方法思想源于最優(yōu)控制[6]，是根據(jù)已建立的無人機(jī)時域數(shù)學(xué)模型或頻域數(shù)學(xué)模型，選擇一個容許的控制律，使無人機(jī)按照約束的條件運(yùn)行，并使某一性能指標(biāo)達(dá)到最優(yōu)的過程。其特點(diǎn)在于從整個沖突態(tài)勢的演繹全局來考慮問題，可用各類數(shù)值計算與現(xiàn)代優(yōu)化方法求解規(guī)避障礙的路徑。
2.1.1 數(shù)學(xué)優(yōu)化算法
針對已建立的無人機(jī)避障模型，可利用各類數(shù)學(xué)優(yōu)化算法將最優(yōu)控制問題轉(zhuǎn)化為便于求解的模型，從而生成解脫路徑。
(1)非線性優(yōu)化方法
性能指標(biāo)或約束條件中包含非線性函數(shù)的問題稱為非線性優(yōu)化問題，當(dāng)前用于無人機(jī)避障的非線性優(yōu)化方法有梯度下降法、二次規(guī)劃法、凸優(yōu)化法等。陳偉鋒等[7]將避障問題轉(zhuǎn)化為最優(yōu)控制命題形式，提出一種基于析取關(guān)系直接變換的動態(tài)聯(lián)立求解方法，并用Radau配置點(diǎn)的拉格朗日插值對最優(yōu)控制模型進(jìn)行離散化處理，并通過對比驗(yàn)證了方法的有效性。付其喜等[8]將無人機(jī)額外飛行距離作為優(yōu)化函數(shù)，首先基于隨機(jī)并行梯度下降法(Stochastic Parallel Gradient Descent, SPGD)對初始解脫可行解進(jìn)行計算，再利用序列二次規(guī)劃(Sequential Quadratic Programming, SQP)求解最優(yōu)解脫航向。
展開 緊急情況下的轉(zhuǎn)向避障
在計算AES系統(tǒng)的TTC時，通常假設(shè)車輛在避障過程中的側(cè)向加速度是不變的。因?yàn)锳ES系統(tǒng)應(yīng)該包括避免碰撞和保持車道的轉(zhuǎn)向動作，所以僅僅基于恒定加速度的避障并不能保證整個避障路徑是安全可行的。
在確定何時觸發(fā)緊急控制的問題上，現(xiàn)有文獻(xiàn)探究了尋找最后可能的避障軌跡的方法。所有的無碰撞軌跡都是從車輛的縱向運(yùn)動和橫向運(yùn)動這兩方面考慮的。緊急控制系統(tǒng)的干預(yù)時間被確定為避障軌跡存在的最后臨界點(diǎn)。但是，這些方法難以應(yīng)用到集成了（ECU分開運(yùn)行的）AEB和AES的ADAS系統(tǒng)上。
從AES的轉(zhuǎn)向控制的角度出發(fā)，使用路徑預(yù)測的最優(yōu)輸入設(shè)計（基于MPC）得到了廣泛的研究。Falcone，Yoon等研究了穩(wěn)定性約束下非線性車輛模型的最優(yōu)跟蹤問題。Liu，Carvalho等設(shè)計了一個具有廣義成本函數(shù)的MPC框架，包括軌跡誤差，車道選擇與改變以及危險指數(shù)。根據(jù)以上指標(biāo)生成最佳路徑后，可以通過加速、制動和轉(zhuǎn)向的組合來實(shí)現(xiàn)。Kim等考慮了駕駛員的不相容性，為可能的制動、左轉(zhuǎn)、右轉(zhuǎn)建立MPCs，在避障路徑中選擇最優(yōu)的輸入。為了設(shè)計避障的轉(zhuǎn)向控制器，Erlien等把靜態(tài)障礙物的邊界線描述為環(huán)境包絡(luò)線，同時確定了車輛的安全避障區(qū)域。Keller等用安全氣泡定義周圍車輛的危險區(qū)域，當(dāng)自車進(jìn)入到安全氣泡時執(zhí)行避障控制。雖然Keller等為基于避障的MPC設(shè)計了各種成本函數(shù)，但是沒能很好地研究制動避障和轉(zhuǎn)向避障的不同特性。
展開 王中林院士團(tuán)隊(duì)AM：自供能仿生胡須，機(jī)器人的新一套環(huán)境識別系統(tǒng)
b）靜電計采集電路及自動控制系統(tǒng)的示意圖。c）簡單的避障控制策略和軌跡，d）自動控制程序，以及e）在自動避障過程中靜電計采集電路獲取的傳感器的信號。f）機(jī)器人汽車掃描物體表面輪廓的照片，g）獲取的表面形貌數(shù)據(jù)，h）以及經(jīng)過偽Wigner-Ville變換后的信號。
圖5. BWMR在機(jī)器人技術(shù)中用于震動監(jiān)測和路面狀況感知的應(yīng)用演示。a）配備BWMR觸覺系統(tǒng)的四足機(jī)器人的照片。b）當(dāng)施加不同頻率的振動時，BWMR采集到的電壓信號的頻譜圖。c）蜘蛛通過腳上的震動探測器捕獲獵物的示意圖。d）仿生機(jī)器人感知物體靠近的照片，以及e）BWMR實(shí)時獲取的信號。f）蜘蛛通過感知腳下的壓力防止衰落的照片。g）仿生機(jī)器人感知其自身步態(tài)和路面狀況的照片，以及h）機(jī)器人行走時實(shí)時獲取的信號。
圖6. BWMR在工業(yè)領(lǐng)域中用于設(shè)備參數(shù)的指示和遠(yuǎn)程監(jiān)控。a）機(jī)電指示器用于速度、壓力和位移遠(yuǎn)程監(jiān)控和直接顯示的示意圖。b）BWMR作為指針的機(jī)電儀表用于遠(yuǎn)程獲取其旋轉(zhuǎn)角度的示意圖。信號經(jīng)過濾波及微分后，通過對峰值計數(shù)從而得到穩(wěn)定的旋轉(zhuǎn)角度。c）當(dāng)指針以不同的速度旋轉(zhuǎn)以及在兩個刻度之間振動時，BWMR儀表的產(chǎn)生的開路電壓及微分信號。正峰值和負(fù)峰值分別是順時針和逆時針旋轉(zhuǎn)產(chǎn)生的。由于電壓信號會存在基線漂移和信號波動，但經(jīng)過微分處理后，信號穩(wěn)定性會大幅度提高，具有更高的抗干擾能力。d）利用多個BWMR指針提高了分辨率的示意圖。e）指針1，指針2和兩者并連后的VOC信號。利用兩個BWMR指針可使峰值密度加倍。
展開 
玉兔號月球車探測器：靈活高效進(jìn)行月面巡視
玉兔號月球車從嫦娥四號著陸器下來示意圖
玉兔號月球車的質(zhì)量為140千克，長1.5米，寬1米，高1.1米，壽命3個月（月球上的3天），由移動、結(jié)構(gòu)與機(jī)構(gòu)、導(dǎo)航控制、綜合電子、電源、熱控、測控數(shù)傳和有效載荷共8個分系統(tǒng)組成。它以太陽能為能源，能夠耐受月表真空、強(qiáng)輻射、＋150℃～—180℃極限溫度等極端環(huán)境。
其移動分系統(tǒng)采用6輪主副搖臂懸架的移動構(gòu)形，可6輪獨(dú)立驅(qū)動，4輪獨(dú)立轉(zhuǎn)向,在月面巡視時采取自主導(dǎo)航和地面遙控的組合模式，具有自主測距、測速、前進(jìn)、后退、轉(zhuǎn)彎、避障、越障、爬坡、橫向側(cè)擺，原地轉(zhuǎn)向、行進(jìn)間轉(zhuǎn)向、感知環(huán)境、規(guī)劃路徑、月面長時間生存的本領(lǐng)。
采用主副搖臂懸架的移動分系統(tǒng)
這個我國最高智能“機(jī)器人”采用6個空心彈性篩網(wǎng)輪子，目的是減輕重量,防止粘帶月塵和揚(yáng)塵。篩網(wǎng)輪上的棘爪可以提高輪子的抓地能力，避免車輪在松軟月壤環(huán)境下出現(xiàn)打滑和下陷的狀況。其活動范圍為5千米2，具有?20°爬坡、20厘米越障能力，移動速度要達(dá)到200米/小時。之所以行駛的慢，是由它的任務(wù)決定的。它首先要“看路”，月球上沒人幫忙把路修好；其次要跟地面?zhèn)鬏斝畔ⅲ贿€要按照工程目標(biāo)和科學(xué)目標(biāo)展開工作。它的高性能體現(xiàn)在越障能力和通過性，而不是追求高速度，而且它始終不會離開著陸器的“視野”。
結(jié)構(gòu)與機(jī)構(gòu)分系統(tǒng)由結(jié)構(gòu)和太陽電池翼機(jī)械部分、桅桿、機(jī)械臂構(gòu)成，主要為各種儀器、設(shè)備、有效載荷提供工作平臺。
導(dǎo)航控制分系統(tǒng)攜帶有相機(jī)及大量傳感器，具備獨(dú)立處理各種環(huán)境的能力，在得知周圍環(huán)境、自身姿態(tài)、位置等信息后，可以通過地面或車內(nèi)裝置，確定速度、規(guī)劃路徑、緊急避障、控制運(yùn)動與監(jiān)測安全，保證到達(dá)目的地。
綜合電子分系統(tǒng)將中心計算機(jī)、驅(qū)動模塊、處理模塊等集中一體化，采用實(shí)時操作系統(tǒng)，實(shí)現(xiàn)遙測遙控、數(shù)據(jù)管理、導(dǎo)航控制、移動與機(jī)構(gòu)的驅(qū)動控制等功能。
展開 無人機(jī)航跡規(guī)劃技術(shù)研究綜述
Shiri等[3]利用均場博弈理論控制方法研究了用于關(guān)鍵任務(wù)應(yīng)用的大規(guī)模無人機(jī)自主控制。在初始源對無人機(jī)進(jìn)行一次狀態(tài)交換，并采用機(jī)器學(xué)習(xí)模型解決多無人機(jī)狀態(tài)下計算量太大的問題，這種方法有效避免了碰撞。Hota等[4]研究了固定翼微型飛行器在三維空間中如何規(guī)劃航跡的問題，將軌跡用最小轉(zhuǎn)彎半徑的圓和直線相連，并用平滑的方式在2個連續(xù)的航路點(diǎn)之間進(jìn)行過渡。
國內(nèi)早些年由于經(jīng)濟(jì)、政治等因素影響，對無人機(jī)的研究起步較晚，一直處于跟蹤國外技術(shù)的階段，但如今中國在無人機(jī)技術(shù)研究上已經(jīng)取得了蓬勃的發(fā)展。張佳龍等[5]提出了復(fù)合矢量人工勢場方法，利用引力追蹤目標(biāo)，利用斥力避開障礙，有效實(shí)現(xiàn)了多無人機(jī)編隊(duì)在三維空間的避障。Luo等[6]采用K-means算法和模擬退火算法對復(fù)雜約束下的多任務(wù)多無人機(jī)進(jìn)行航跡規(guī)劃，增加了巡航有效區(qū)域中子目標(biāo)區(qū)域的覆蓋范圍。Zhang等[7]在航跡規(guī)劃過程中，采用層次定向動態(tài)規(guī)劃解決了動態(tài)規(guī)劃在特殊地形環(huán)境的適用性和算法復(fù)雜性問題，提高了計算效率。楊健等[8]在使用應(yīng)用分層優(yōu)化法解決多協(xié)作式無人機(jī)任務(wù)規(guī)劃問題時，首先將Dubins和B樣條曲線融合并規(guī)劃出所有可選航線，然后估計每段航線的時間消耗，最后又把組合算法規(guī)劃的初始航線作為下一層使用最優(yōu)控制方法規(guī)劃精細(xì)航跡的初始解，解決了B樣條算法在進(jìn)行優(yōu)化時不能考慮無人機(jī)始末狀態(tài)約束的問題。
從總體來看，對航跡規(guī)劃的研究主要分為3個方面：一是在考慮各種威脅的環(huán)境中初步規(guī)劃無人機(jī)的飛行航跡；二是通過優(yōu)化搜索算法進(jìn)一步尋優(yōu)，找到最佳航線；三是進(jìn)行航跡平滑處理。在航跡規(guī)劃算法方面，主要是對各類智能算法(如A*算法、遺傳算法、蟻群算法、粒子群算法等)的改進(jìn)應(yīng)用，并且在具體運(yùn)用中根據(jù)不同的特征對各類算法進(jìn)行混合。
展開 無人機(jī)協(xié)同控制研究綜述
避障 躲避障礙是無人機(jī)執(zhí)行任務(wù)不可避免的問題，對于個體具有自主決策能力的多無人機(jī)系統(tǒng)而言，在移動過程中躲避障礙是最基本的要求。在蜂擁控制中，避障控制的基本策略是將前方障礙物想象成一個圓柱體模型［62］，存在多個障礙物時無人機(jī)會優(yōu)先避開最近的目標(biāo)，但該方法沒有考慮障礙物的實(shí)際大小以及障礙物與無人機(jī)之間的距離對無人機(jī)轉(zhuǎn)向控制力的影響。Olfati-Saber［63］假設(shè)障礙物是一個移動的智能體，障礙物進(jìn)入無人機(jī)感知范圍時將障礙物視作鄰居處理，但無人機(jī)在繞過障礙物后仍會受到障礙物影響。路徑規(guī)劃問題是無人機(jī)研究領(lǐng)域的一個熱點(diǎn)，通常采用蟻群算法和模擬退火算法等算法尋找出一條合理路線，但這需要全部障礙物的位置信息。對于未知環(huán)境還需依靠無人機(jī)本身的自主決策能力。
信息估計 編隊(duì)控制多采用集中控制以提高系統(tǒng)穩(wěn)定性，但對于大型無人機(jī)集群全局通信成本太過高昂。隨著無人機(jī)自主化水平提高，將更多依賴局部通信，這意味著需要一種分布式協(xié)議去預(yù)測全局信息。一方面，應(yīng)設(shè)計一種局部分布估計系統(tǒng)，可以在有限時間內(nèi)估計出某些全局信息；另一方面，基于局部估計來設(shè)計局部控制器，提高閉環(huán)系統(tǒng)穩(wěn)定性。基于估計的分布式控制本質(zhì)上是集中式控制和分布式控制的結(jié)合，它將分布式控制用于全局信息的估計，將集中式控制思想用于局部控制器的設(shè)計。但包含分布式估計器的無人機(jī)系統(tǒng)比沒有分布式估計器的無人機(jī)系統(tǒng)要復(fù)雜得多。在無人機(jī)協(xié)同控制系統(tǒng)中，必須適當(dāng)?shù)靥鎿Q某些昂貴的測量設(shè)備或使用分布式估計，而代價是控制系統(tǒng)設(shè)計困難性增加和系統(tǒng)穩(wěn)定性分析更加復(fù)雜。此外，諸如有界控制輸入、異步通信和信息量化等物理限制可能會降低聯(lián)合估計和控制方案在各種分布式無人機(jī)協(xié)同系統(tǒng)中的適用性。
離散通信 傳統(tǒng)的飛行控制都是假設(shè)可以連續(xù)接收控制信號或者保持持續(xù)監(jiān)聽，但這需要足夠的計算資源和理想的通信環(huán)境來支撐。
展開 智能無人艇的未來應(yīng)用前景
集成多艘無人艇構(gòu)建無人艇集群系統(tǒng)，將有著更廣的作戰(zhàn)范圍、更高的作戰(zhàn)效率、更強(qiáng)的控制力及靈活性。無人艇集群系統(tǒng)的運(yùn)用，將在未來高科技戰(zhàn)爭中發(fā)揮出更大作戰(zhàn)效能。
當(dāng)然，無人艇集群系統(tǒng)絕不是多艘艇的簡單疊加，而是它們的有機(jī)結(jié)合、協(xié)同作戰(zhàn)。這里涉及更深層次的目標(biāo)探測與識別、信息處理、集群控制、人工智能等技術(shù)。目前，不少國家已攻克了無人艇在弱聯(lián)通情況下多節(jié)點(diǎn)協(xié)同航行技術(shù)難關(guān)，解決了無人艇集群集結(jié)、隊(duì)形保持、動態(tài)任務(wù)分配、隊(duì)形自主變換、協(xié)同避障和容錯控制等制約無人艇實(shí)施集群作戰(zhàn)的技術(shù)難題，實(shí)現(xiàn)了無人集群系統(tǒng)的自主化、協(xié)同化。
——有人艇與無人艇的組合運(yùn)用。在有人駕駛的船艇上，設(shè)置無人艇控制站，負(fù)責(zé)對無人艇進(jìn)行任務(wù)規(guī)劃、智能決策、電子海圖顯示、狀態(tài)監(jiān)控等指揮控制。其組合方式可為一艘有人艇帶一艘無人艇或帶多艘無人艇。
在界江、界湖、海上等區(qū)域執(zhí)行巡邏作戰(zhàn)時，由于其任務(wù)的特殊性，有人艇可通過指揮控制無人艇，實(shí)施非致命武力驅(qū)離，以避免人員傷亡。
在裝備物資運(yùn)輸或應(yīng)急救援過程中，由于任務(wù)的多變性和水域環(huán)境氣象的突變性，單靠無人艇難以完成。采用“有人+無人”組合方式，有人艇實(shí)時掌控各種變化，指揮控制無人艇完成任務(wù)，為執(zhí)行特定條件的任務(wù)提供可靠保障。
隨著5G、人工智能等技術(shù)的日趨成熟，無人艇的多傳感器智能感知、遠(yuǎn)程寬帶信息傳輸、自主學(xué)習(xí)與信息智能處理等特點(diǎn)將更加凸顯。再加上一系列模塊化設(shè)計、系統(tǒng)集成、新材料等關(guān)鍵技術(shù)的運(yùn)用，未來的無人艇應(yīng)用前景將更加廣闊。
本文來源：無人爭鋒
展開 水下無人潛航器集群發(fā)展現(xiàn)狀及關(guān)鍵技術(shù)綜述
文獻(xiàn)[50]提出了虛擬領(lǐng)航者的編隊(duì)結(jié)構(gòu)，由于編隊(duì)領(lǐng)航者是虛擬的，因此它具有準(zhǔn)確的位置信息，基于虛擬引導(dǎo)的準(zhǔn)確位置，可以獲得UUV在編隊(duì)中的預(yù)期位置，但是只研究了2D的情況，3D的編隊(duì)控制還有待研究。
2)領(lǐng)航者-跟隨者方法。
在領(lǐng)航者-跟隨者方法中，基本思想是領(lǐng)航者跟蹤預(yù)定義的參考軌跡，跟隨者根據(jù)預(yù)定義的方案跟蹤領(lǐng)者航的狀態(tài)。其最大優(yōu)點(diǎn)是易于理解和實(shí)現(xiàn)，但是，跟隨者對領(lǐng)航者沒有明確的反饋意見，領(lǐng)導(dǎo)者的失敗將導(dǎo)致整個編隊(duì)的失敗。這種方法在UUV編隊(duì)控制研究中的應(yīng)用比較多，在此結(jié)構(gòu)前提下研究的方向主要集中在2方面：1)在復(fù)雜環(huán)境中的隊(duì)形變換和避障。如文獻(xiàn)[51-52]分別研究了在面對不同環(huán)境時采用不同的隊(duì)形變換方法達(dá)到通過特定區(qū)域和避障的目的；2)編隊(duì)穩(wěn)定性研究。穩(wěn)定性包括編隊(duì)成員能否準(zhǔn)確保持在隊(duì)形指定位置和編隊(duì)在復(fù)雜環(huán)境中的魯棒性。如文獻(xiàn)[53-54]提出了一種欠驅(qū)動多UUV主從式編隊(duì)在領(lǐng)航UUV速度不確定時的控制方法，構(gòu)建了收斂于從UUV軌跡的虛擬UUV，然后用反步法和李雅普諾夫法分析設(shè)計了跟隨者的位置跟蹤控制，使跟隨者能準(zhǔn)確跟隨領(lǐng)航者。
3)人工勢場法。
人工勢場概念由Khatib[55]提出。這種方法的基本思想是航行器在力場中移動，其類似于由正電荷和負(fù)電荷產(chǎn)生的電場。要達(dá)到的位置對航行器產(chǎn)生吸引力，障礙產(chǎn)生排斥力，使得航行器可以沿著潛在場地的方向移動。這種方法通常都是與其他方法共同使用，在遇到障礙或者需要隊(duì)形變換時提供輔助指向力。文獻(xiàn)[56-57]分別將反步法和虛擬結(jié)構(gòu)法與人工勢場法結(jié)合實(shí)現(xiàn)多UUV編隊(duì)控制，以達(dá)到隊(duì)形保持和避障的目的。
除去以上3種常用方法，利用一致性理論對UUV進(jìn)行編隊(duì)控制[29，58]，也是近期的研究熱點(diǎn)。多智能體一致性是指各智能體根據(jù)預(yù)先約定的協(xié)議，使指定的狀態(tài)達(dá)到一致。
展開 基于粒子群優(yōu)化算法的六自由度機(jī)械臂三維空間避障規(guī)劃
摘要：本研究旨在解決機(jī)械臂在復(fù)雜環(huán)境中避障路徑規(guī)劃的問題。本文提出了一種利用粒子群優(yōu)化算法（PSO）進(jìn)行機(jī)械臂避障規(guī)劃的方法，通過建立機(jī)械臂的運(yùn)動模型，將避障問題轉(zhuǎn)化為優(yōu)化問題。PSO算法通過模擬群體中個體的社會行為和個體行為來尋找到最佳路徑，確保機(jī)械臂在避開障礙物的同時，能夠高效地到達(dá)目標(biāo)位置。研究表明，基于PSO算法的避障規(guī)劃在收斂速度和路徑優(yōu)化上具有良好的性能，能夠有效提高機(jī)械臂的操作效率和安全性。此方法在工業(yè)機(jī)器人、醫(yī)療設(shè)備和服務(wù)機(jī)器人等領(lǐng)域具有廣泛的應(yīng)用前景。
關(guān)鍵詞：粒子群優(yōu)化算法，六自由度機(jī)械臂，三維空間，避障規(guī)劃，路徑優(yōu)化，機(jī)器人技術(shù)
參考文獻(xiàn)：
[1]朱戰(zhàn)霞,靖颯,仲劍飛,等.基于碰撞檢測的空間冗余機(jī)械臂避障路徑規(guī)劃[J].西北工業(yè)大學(xué)學(xué)報, 2020, 38(1)
:8.DOI:CNKI:SUN:XBGD.0.2020-01-023.
[2]馬宇豪.六自由度機(jī)械臂避障軌跡規(guī)劃及控制算法研究[D].中國科學(xué)院大學(xué)[2024-06-08].
圖1 六自由度機(jī)械臂三維空間避障規(guī)劃示意圖
基于粒子群優(yōu)化算法的三維避障路徑規(guī)劃
1.1 路徑規(guī)劃問題描述
路徑規(guī)劃是指在已知環(huán)境信息的情況下，確定從起始點(diǎn)到目標(biāo)點(diǎn)的最優(yōu)路徑，并且該路徑不能與環(huán)境中的障礙物相交。具體來說，假設(shè)環(huán)境內(nèi)存在多個障礙物，路徑規(guī)劃的目標(biāo)是找到一條從起始點(diǎn)到目標(biāo)點(diǎn)的最短路徑，同時確保該路徑避開所有障礙物。
如圖2所示，在一個三維空間中，有若干障礙物分布在路徑上。需要通過路徑規(guī)劃算法計算出一條從起始點(diǎn)到目標(biāo)點(diǎn)的最短路徑，并且該路徑不與任何障礙物發(fā)生碰撞。這種路徑規(guī)劃在機(jī)器人導(dǎo)航、自動駕駛和工業(yè)自動化等領(lǐng)域中具有重要應(yīng)用。圖1展示了一個典型的三維空間避障路徑規(guī)劃問題。
展開 水下無人系統(tǒng)智能化關(guān)鍵技術(shù)發(fā)展現(xiàn)狀
3.1 集群優(yōu)化技術(shù)
集群優(yōu)化是集群系統(tǒng)的核心技術(shù)，其通過合理控制每個UUV的活動，使UUV間能夠相互聯(lián)系并合作，使任務(wù)執(zhí)行時間最少或能耗最小，從而將集群的優(yōu)勢最大化。該技術(shù)根據(jù)不同任務(wù)的客觀條件提煉出優(yōu)化數(shù)學(xué)模型，隨后將適合的智能算法引入，并根據(jù)不同的海洋環(huán)境對算法進(jìn)行一定的改進(jìn)，以實(shí)現(xiàn)集群智能控制。現(xiàn)階段，在UUV集群的路徑跟蹤［24-25］、編隊(duì)控制［26］和協(xié)同圍捕［27-28］等問題上都有著大量的應(yīng)用。如在協(xié)同搜尋任務(wù)上將問題定義為目標(biāo)被發(fā)現(xiàn)最大概率，并引入海底地形環(huán)境，對群UUV運(yùn)動加以約束。利用貝葉斯網(wǎng)絡(luò)算法求解，得到如圖1所示的搜尋路徑。類似地，在協(xié)同圍捕的任務(wù)中，定義了以最短狩獵時間為目標(biāo)的優(yōu)化模型，并將避障機(jī)制引入蟻群算法進(jìn)行求解，圍捕過程如圖2所示。此外，受自然界群體行為的啟發(fā)，很多智能控制算法被應(yīng)用于UUV的集群控制，比較常用的算法有：人工勢場法［29］、蟻群算法［30-31］、粒子群算法［32］和強(qiáng)化學(xué)習(xí)等方法［33-36］。其中，人工勢場法為經(jīng)典的算法，其將UUV附近的威脅或障礙視為斥力場，將任務(wù)目標(biāo)作為引力場，進(jìn)而實(shí)現(xiàn)集群的無避碰控制。該方法求解效率較高，但容易陷入局部最優(yōu)。蟻群和粒子群算法屬于啟發(fā)式方法，即模擬自然界中存在的群體行為，并應(yīng)用至集群的協(xié)同控制。具體地，蟻群算法，是模擬蟻群社會中螞蟻之間的分工合作機(jī)制，來有效地解決UUV協(xié)同多任務(wù)分配問題；粒子群算法，是通過分析鳥類覓食過程中的鳥群飛行方式，來解決復(fù)雜環(huán)境下的多無人機(jī)編隊(duì)重構(gòu)控制問題。啟發(fā)式方法實(shí)現(xiàn)簡單，編碼容易，在大多數(shù)情況下能夠找到全局最優(yōu)解，然而這類方法通常需要大量的函數(shù)迭代，優(yōu)化效率較低。強(qiáng)化學(xué)習(xí)法利用大量的先前任務(wù)數(shù)據(jù)建立人工神經(jīng)網(wǎng)絡(luò)模型，以便在UUV集群任務(wù)中預(yù)測各UUV的行為并制定合作策略，以實(shí)現(xiàn)最優(yōu)的集群決策。
展開 
人工智能專業(yè)----無人機(jī)插上人工智能的翅膀（UAV+Al)
同時提供了EGO-Planner視覺避障算法，可以提供視覺避障功能。
02:09
平臺開源（ROS、UBUNTU），定位、避障算法開源，無人機(jī)代碼開源。
適合本科后期研究生初期及科研。
【5.9 多智能體控制】
多智能體協(xié)同控制系統(tǒng)即多個智能體組成的集合，它的目標(biāo)是將大而復(fù)雜的系統(tǒng)集成設(shè)成小的、彼此互相通信和協(xié)調(diào)的、易于管理的系統(tǒng)。多智能體協(xié)同控制系統(tǒng)在表達(dá)實(shí)際系統(tǒng)時，通過各智能體間的通訊、合作、互解、協(xié)調(diào)、調(diào)度、管理及控制來表達(dá)系統(tǒng)的機(jī)構(gòu)、功能及行為特性。
多智能體系統(tǒng)控制具有自主性、分布性、協(xié)調(diào)性，并具有自組織能力、學(xué)習(xí)能力和推理能力。采用多智能體協(xié)同控制系統(tǒng)解決實(shí)際應(yīng)用問題，具有很強(qiáng)的魯棒性和可靠性，并具有較高的問題求解效率。
展開 多無人艇集群協(xié)同控制研究進(jìn)展與未來趨勢
Liu 等[91]提出了參數(shù)環(huán)形跟蹤的協(xié)同路徑跟蹤控制方法，實(shí)現(xiàn)了閉曲線上的對稱編隊(duì)隊(duì)形。隨后，在參考速度非全局已知的情形下，提出了參數(shù)循環(huán)跟蹤的協(xié)同路徑跟蹤控制器，試驗(yàn)驗(yàn)證了所提方法的有效性[10]。文獻(xiàn)[11, 35, 47, 77, 86-90, 92]中，每艘無人艇都需獲得路徑信息，屬于集中式控制。
在單路徑導(dǎo)引的分布式路徑跟蹤方面，Peng等[17]提出了基于神經(jīng)動態(tài)優(yōu)化和模糊逼近的分布式協(xié)同路徑跟蹤控制器，實(shí)現(xiàn)了單參數(shù)化路徑導(dǎo)引的多無人艇分布式編隊(duì)控制，在狀態(tài)約束條件下優(yōu)化了集群控制性能。Peng 等[46]采用三階擴(kuò)張狀態(tài)觀測器估計線速度和艏搖角速度，提出了帶避障避碰和連通保持功能的分布式輸出反饋路徑跟蹤控制器，這些控制方法均局限于全驅(qū)動無人艇。針對通信距離受限下欠驅(qū)動多無人艇集群系統(tǒng)，Peng 等[80]設(shè)計了分布式時變隊(duì)形控制器，所提控制器兼具避障、避碰與連通保持功能。
在多路徑導(dǎo)引的分布式路徑跟蹤方面，Peng等[45]采用模塊化方法設(shè)計了分布式協(xié)同路徑跟蹤控制器，使得多無人艇收斂到多領(lǐng)導(dǎo)者所形成的凸包內(nèi)。Peng 等[28]將其文獻(xiàn)[45]的結(jié)果擴(kuò)展到輸出反饋情形，提出了基于神經(jīng)動力學(xué)觀測器的分布式協(xié)同路徑跟蹤控制器，該研究結(jié)果局限于全驅(qū)動船舶。Gu 等[48]提出了多參數(shù)化路徑導(dǎo)引的欠驅(qū)動多無人艇分布式包含操縱方法。隨后，在分布式路徑跟蹤控制器設(shè)計中引入避碰和連通保持機(jī)制，采用有限時間收斂擴(kuò)張狀態(tài)觀測器，提出了基于位置和艏搖角信息反饋的分布式協(xié)同路徑跟蹤控制器，實(shí)現(xiàn)了包含編隊(duì)誤差的有限時間收斂[103]。
在路徑參數(shù)協(xié)同方面，典型的方法包括連續(xù)路徑參數(shù)更新[17, 22, 28,45, 48, 80, 86, 88-91, 103]、數(shù)據(jù)采樣更新[85]、離散周期更新[87]等。
展開 FAST-LIO2: 快速直接的激光雷達(dá)-慣性里程計
偶爾的超時通常不會影響后續(xù)的控制器，因?yàn)镮MU傳播的狀態(tài)估計可以在這個短時期內(nèi)使用。在Intel處理器上，F(xiàn)AST-LIO2的處理時間始終低于采樣周期。另一方面，由于地圖點(diǎn)數(shù)量的增加，F(xiàn)AST-LIO的處理時間迅速增加到采樣周期以上。注意到，即使面對大量地圖點(diǎn)的情況下，F(xiàn)AST-LIO2的處理時間也顯著減少。由于FAST-LIO僅保留其當(dāng)前視場角內(nèi)的地圖點(diǎn)，如果LiDAR面對一個包含很少先前采樣的地圖點(diǎn)的新區(qū)域，該數(shù)字可能會下降。如上所述，即使地圖點(diǎn)較少，F(xiàn)AST-LIO的處理時間仍然要長得多。此外，由于FAST-LIO在每一步構(gòu)建一個新的k-d樹，構(gòu)建時間的時間復(fù)雜度為O(nlogn)[40]，其中n是當(dāng)前視場中的地圖點(diǎn)數(shù)。這就是FAST-LIO的處理時間幾乎與地圖大小呈線性相關(guān)的原因。相比之下，我們ikd-樹的增量更新具有O(logn)的時間復(fù)雜度，導(dǎo)致處理時間的增長相對于地圖大小的增加要慢得多。
圖8 FAST-LIO和FAST-LIO2每次LiDAR掃描的處理時間
2）無人機(jī)劇烈飛行實(shí)驗(yàn)：為了展示FAST-LIO2在移動機(jī)器人平臺中的應(yīng)用，我們部署了一個攜帶LivoxAVIA激光雷達(dá)傳感器的小型四旋翼無人機(jī)，并進(jìn)行了如圖9所示的激烈翻轉(zhuǎn)實(shí)驗(yàn)。本次實(shí)驗(yàn)中，無人機(jī)先從地面起飛，在1.2m高度懸停一段時間，然后進(jìn)行快速翻轉(zhuǎn)，然后在從FAST-LIO2獲取狀態(tài)反饋的流形模型預(yù)測控制器[62]的控制下返回懸停飛行。FAST-LIO2估計的姿態(tài)如圖9（d）所示，與實(shí)際的無人機(jī)姿態(tài)非常吻合。環(huán)境的實(shí)時建圖如圖10所示。另外，圖11顯示了實(shí)驗(yàn)過程中的位置、姿態(tài)、角速度和線速度。翻轉(zhuǎn)期間的平均和最大角速度分別達(dá)到912度/秒和1198度/秒（從50.8秒到51.2秒）。FAST-LIO2平均每次掃描僅需2.01ms，足以滿足控制器的實(shí)時性要求。
展開 