无人机集群动态传感器覆盖与避障算法

UPTECF25008 毕业论文30学分2025年6月 用于无人机集群的动态传感器覆盖与避障算法 马克西米利安·马特松 技术物理系土木工程师项目 用于无人机集群的动态传感器覆盖与避障算法 马克西米利安·马特松 摘要 本工作评估了一种称为台球算法的动态传感器覆盖（DSC）算法。探索了避免障碍物和不感兴趣区域 （如森林或湖泊）的不同方法。障碍物avoidance对于DSC算法的通用性至关重要，因为它使无人机能够在尽量减少碰撞风险的同时导航于障碍物密集的环境。 在matlab中进行仿真以评估算法在平均和最坏情况延迟方面的性能。将台球算法与随机路径选择以及来自文献中的算法（称为ganganath算法）进行比较。为了提高台球算法在障碍物密集环境中的性能，实施了模型预测控制（mpc），期望智能体能够从更远的规划中受益。 本文展示的结果表明，避障台球算法在平均延迟方面优于Ganganath算法，但在最坏情况延迟方面有所不足。在特定的室内环境中，Ganganath算法存在局限性，而台球算法在这两个性能指标上表现更优。在计算复杂度和通信流量方面，这两种算法存在显著差异。台球算法具有远低的模拟时间和通信量，这两项额外的指标对军用无人机群算法来说非常有价值。 MPC，优化有限未来时间窗口内的决策，被集成到台球算法中以评估其有效性。研究发现，在一般障碍物密集环境中，MPC并不能提升性能。这可能是由于在多智能体系统中预测未来状态的固有的难度，加上智能体在没有MPC提供的前瞻能力的情况下已经能高效探索未探索区域。然而，在有些环境中，MPC可以为算法提供显著的性能提升。 乌普萨拉大学科学技术学院，出版地乌普萨拉 负责人：约安·马克达尔主题审查者：汉斯·罗斯特 考官：托马斯·尼伯格 科普摘要 随着无人机的发展，人们也开始探索无人机蜂群-一组无人机协同工作以完成任务的可能性。这些蜂群可以通过提高侦察 、监视和巡逻任务的有效性，为军事部队带来很好的应用价值。这种任务通常需要大量资源且耗时较长，但无人机蜂群可以以非常高的成本效益且没有士兵受伤风险来完成。一个巨大的挑战是如何让这些无人机蜂群在包含树木、建筑物或其他障碍物的环境中安全导航。 在此报告中，因此提出了一种无人机群体的避障传感器覆盖算法。群体中的无人机更一般地称为智能体。传感器覆盖算法旨在使用智能体的内置传感器尽可能有效地覆盖感兴趣区域。一种名为台球算法的无人机群体传感器覆盖算法已在瑞典国防研究局(FOI)开发，但缺乏避障能力，这极大地限制了其应用范围。该算法指示每个无人机沿直线从区域的一边行驶到另一边，类似于台球。每次智能体选择下一个目标方向——即所谓的转折点时，都会计算以找到众多候选转折点中的最佳转折点。最佳选择是沿智能体前往路径提供最高平均传感器覆盖的转折点。智能体之间进行有限的通信，以显著提高性能 ，同时保持计算负载较低。为改进智能体的决策，还研究了更前瞻性的方法，称为预测控制。其思路是通过此方法让智能体选择能导致长期更好传感器覆盖的转折点。但在具有许多简单障碍物的环境中，这并没有带来明显改进。相反，预测控制显示出在狭窄空间环境中对算法的有效改进。 台球算法与另一种名为Ganganath算法的传感器覆盖算法进行比较。这两种算法主要在两个指标上进行比较：自上次检查以来的平均时间和自上次检查以来的最差时间。这些指标很好地展现了蜂群的性能，但计算复杂度以及通信量等其它指标也同样重要，尤其是在军事应用中。在有障碍的环境中对这两种算法进行的模拟表明，Ganganath算法在两个性能指标上都表现更好，但同时也计算和通信开销很大。因此，台球算法更适合由计算能力较低的小型无人机组成的无人机蜂群。 内容 1简介1 1.1背景………11.2目标………11.3目的………11.4研究问题………21.5限制………21.6论文大纲…2 2多智能体系统3 2.1Wirelesssensornetworks32.2Dynamicsensorcoverag e.........................................32.3Communicationtopology....................... .................32.4Agents42.5Timesta mpmap.............................................42.6Algorithms......................... .......................52.6.1Billiards..............................................52.6.2Ga nganath............................................62.7Modelpredictivecontrol............... ..........................82.8Obstacleavoidance........................................... .9 3实验设计10 3.1表示环境中的障碍物..................................................103.2评估算法的性能.... ..................................................103.3仿真环境............................. .................................11 4结果与讨论13 4.1控制设计.................................................................................. ...134.1.1路径点候选选择...................................................134.1.2参数调整.... ................................................................................144.1.3不同通 信拓扑的比较................................................................................. .................. 4.1.4改进通信…17 4.1.5减少瞬态…18 4.1.6模型预测控制…19 4.1.7台球算法✁最终版本…25 4.2与其他算法✁比较…25 4.2.1随机路径选择…26 4.2.2Ganganath…26 5结论与进一步工作30 5.1结论…30 5.2进一步工作…31 参考文献32 缩写列表 AoI兴趣区域 DSC动态传感器覆盖范围 FOI国防研究局（瑞典国防部）视场角视野 ISR情报、监视和侦察MPC模型预测控制 S-WSN静态无线传感器网络M-WSN无线移动传感器网络无人机无人机 UGV无人地面车辆WSN无线传感器网络 1简介 1.1背景 无人机，或称无人空中载具（UAV），是指无需在机上配备人类驾驶员即可运行的航空器。它们可以由机载计算机和传感器自主运行，或通过多种方式（例如无线电波）由遥控驾驶员操作[1]。这些多功能的机器人过去几十年一直是热门研究课题，因此近年来取得了长足的进步[2],[3]。在军事行动中，无人机非常适合在许多高风险任务（如情报、监视和救援ISR）中替代步兵[4]。将无人机编入军事单位可以有效地减少盟军的伤亡并降低成本。 一种最具前景的新兴无人机技术是无人机集群，其中大量无人机协同运作以解决复杂目标，通常实现自主。这项研究重点在于开发算法，通过与其他集群内无人机通信并基于其做出智能决策，指导无人机高效完成任务[5]。未来，在军事环境下，无人机集群可能通过减少人力资源需求，同时执行多方面任务，成为新一代作战和情报工具。在许多应用中，无人机集群通常比传统资源更快、更适应性强。借助先进的集群算法，军事力量不仅可以将无人机作为单一单元使用，也可以将其作为协同网络利用，在复杂环境中其有效性和可扩展性优于传统的单兵作战任务。 本报告中研究的群算法可以在任何能够穿越二维空间的机器人平台上执行，例如无人地面车辆（UGV）。在整个报告中 ，无人机被称为代理，以便使用更通用的符号。在本报告的范围内，代理将是一个全向旋翼无人机。 1.2目标 这项工作的目标是改进现有的群智能算法——台球算法，特别关注探索各种实现和优化避障的方法。这意味着将开发并比较多种避障设计，以获得一个鲁棒且通用的算法。该算法的目的是在感兴趣区域（AoI）内提供持续的传感器覆盖，这意味着AoI的每个部分都应尽可能多地被覆盖。障碍物可能具有各种几何形状和不同的复杂性。该算法应能够有效地将传感器覆盖分布在一个AoI内，其中部分区域可能被归类为不感兴趣。然而，应允许智能体通过该区域，以到达AoI的其他部分 。 避障算法各有优劣。由于无人机的计算能力有限，所制定的算法需要简单而有效。还需要考虑通信量，因为在电子战的可能性下。 1.3目的 避障在群算法设计中至关重要，以防止对智能体造成损害。如果没有有效的避障，智能体可能会在感知区域（AoI）内与障碍物碰撞，在某些算法中导致智能体受损甚至整个群体失效。将避障集成到群算法中使其功能更加强大。不完善的避障算法在障碍物边缘附近可能表现出平淡的性能，导致障碍物周围的覆盖范围不理想。因此，本报告中的避障应解决这一问题。通过考虑非感兴趣区域，算法能更有效地优先考虑感知区域（AoI）重要区域的传感器覆盖。 1.4研究问题 本论文所进行的调查受以下研究问题的指导： •在障碍物密集的环境中，台球算法与随机路径选择相比如何？ •在最坏情况和平均情况下，避障台球算法与基于势场的Ganganath算法相比如何？ •引入预测范围是否会导致台球算法性能显著提升？ •分布式控制的台球算法与采用集中式和分散式控制方案的性能相比如何？ 1.5界定 这个项目关注在二维环境中应用的算法和理论。本报告中提到的算法将仅通过模拟进行评估，而不是在物理机器人集群上进行，并且在MATLAB中从头实现。模拟中使用的AoI将是方形并离散化为一个30×30格，对应相对较低的空间分辨率 。这是为了在合理的计算预算内获得足够的模拟运行次数所必需的。环境中的障碍物可以是凸的或凹的，但不能完全划分AoI，使得某些区域无法到达。模拟过程中群落中代理的损失将不予考虑，否则可能会导致更逼真的模拟场景。 为了评估每个算法的性能，将使用两个主要指标：自上次检查以来的平均时间和自上次检查以来的最坏情况时间。此外，还将考虑两个次要指标：通信量和仿真时间。尽管可以使用其他指标进行评估，但它们不在此论文的范围内。 1.6论文大纲 本论文的结构如下：第二节介绍多智能体系统的理论，并引入本研究中使用的两种算法。第三节描述了实验设计及仿真环境。在第四节中，展示了结果并进行了讨论。最后，第五节总结了论文并提出了未来工作的方向。 2多智能体系统 2.1无线传感器网络 一个无线传感器网络（WSN）是一个配备传感器的分布式节点集合。传感器节点从环境中收集数据，并将其发送回基站以进行进一步分析。在静态无线传感器网络（S-WSN）中，传感器是固定的，在初始部署后不能重新组织自身。因此，S -WSN通常用于在长时间框架内收集环境数据，例如在环境监测中。 另一方面，一个移动无线传感器网络（M-WSN）由能够自我重组的移动设备组成[6]。在一个M-WSN中，初始部署并不像决定部署后传感器节点移动的算法那样关键。M-WSN的典型例子是无人机群或无人地面车辆的集合。 2.2动态传感器覆盖 动态传感器覆盖（DSC）描述了持续监控一个