關于未知環境下多無人機協同搜索動態目標的研究

唐攀

四川大學 電子信息學院 四川 成都 610065

1 搜索環境描述與建模

1.1 場景描述

1.2 實驗參數設置

根據環境大小和動態目標個數動態變化，但會保證每個算法都設置相同的最大迭代次數。假設目標環境的大小為100m×100m，無人機最大速度是1m/s，那么最大迭代次數就設置為200。對于存在續航能力有限的動態目標搜索問題，任務的主要目標則是在規定時間內找到盡可能多的目標。在下列所有算法中，都將無人機的通信半徑設置為10m，最小的斥力半徑設置為2m，最大排斥半徑為5m，最大速度為1m/s。各個算法可以表示如下：

（1）SPB：群無人機行人行為算法，慣性系數w等于0.85，等于0.4，最大鄰居數量等于4，最大碰撞系數等于0.7，等于0.55；

（2）PSO：粒子群優化算法，慣性系數w等于0.9，認知因子等于1，社會因子等于1；

（3）LFS：萊維飛行α等于1.5，b等于1.002；

（4）EPSO：無人機粒子群優化算法，慣性系數w等于0.95，認知因子等于1，社會因子等于1；

（6）GSO：人工螢火蟲算法，提升因子r等于0.6，最大群組數量等于5，β等于0.08。

2 行人行為算法

在地鐵站內，不存在外部的指令，但行人之間仍然能夠按照某種規則形成一定的結構和功能，進而保持地鐵站的高速運行。受啟發于這種現象，發現地鐵站中的行人和執行搜索任務的群體無人機有著許多相似之處。所以本文提出了以SPB算法來描述行人行為這種自組織行為，并且把算法應用于搜索動態目標場景。

2.1 SPB算法搜索過程

SPB算法的速度和位置迭代方程如下：

無人機機的數量設定為18，4個動態目標初始位置分別是P1(90,80)，P2(20,15)，P3(85,20)，P4(25,90)，并且四個動態目標均沿著不同方向做直線運動。如下圖所示，其中目標軌跡由粗線表示，無人機由不同五角星代表，不同五角星身后對應的線條線為不同無人機的軌跡。圖1給出了發現四個動態目標源的軌跡。

圖1 18個無人機搜索4個動態目標

3 對比實驗分析

本文通過碰撞率和發現目標個數等指標來與PSO、LFS、EPSO、GSO、FA算法進行比較。在實驗場景為100m×100m的環境，4個動態目標，20架無人機，最大迭代次數為200的場景下，每個算法都進行200次實驗，取平均結果。實驗結果如圖2所示，在平均碰撞率這一性能指標下和其他算法差距較小，但SPB算法的性能明顯高于上述幾個算法。在相同時間下，根據平均發現目標數量指標可以看出，SPB算法的目標發現個數遠高于其他算法。

圖2 隨機無人機初始位置，200次實驗性能比較

綜合以上數據可以看出，在同一實驗條件下，本文所提出的行人行為算法收斂速度更快，精度更高，可以發現更多目標的同時保持較低的碰撞率，充分體現了行人行為算法在動態目標搜索問題上的優勢。

4 結束語

目前，市面上主要是針對靜態目標進行群體無人機協同搜索方法的研究。如：覆蓋搜索法、貪婪搜索法、動態規劃法等；但在實際環境中，大多數目標一般都處于運動狀態。所以本文提出了行人行為算法，能夠在未知情況下對動態目標進行協同搜索。仿真實驗結果表明，SPB算法表現出更強的穩定性，在發現更多目標的同時保持較低的碰撞率。