朱曉敏, 劉大千, 費博雯, 門 通

(國防科技大學(xué)系統(tǒng)工程學(xué)院, 湖南 長沙 410073)

0 引 言

近些年,隨著人工智能、機器視覺技術(shù)的興起,無人目標(biāo)搜索成為智能無人系統(tǒng)研究領(lǐng)域的熱點問題之一,在軍事和民用領(lǐng)域均得到了廣泛的應(yīng)用[1-3]。然而,由于受視野、能耗等限制,單無人機難以適應(yīng)復(fù)雜多變的惡劣環(huán)境,因此多機協(xié)同成為必然選擇[4],利用共享視野、協(xié)同定位等技術(shù),有效地執(zhí)行難度更高、更復(fù)雜的目標(biāo)搜索任務(wù)。

復(fù)雜未知環(huán)境下的多無人機協(xié)同搜索研究是近年來研究的熱點,國內(nèi)外專家學(xué)者針對概率圖、飛行避障、群智能優(yōu)化決策等方面均取得了一定的成果。在概率圖方面,Yu等人[5]使用目標(biāo)概率圖(target probability map, TPM)來描述目標(biāo)存在于任務(wù)區(qū)域中特定位置的可能性,并建立了基于概率的搜索動態(tài)已知目標(biāo)的決策方法。吳岸平等人[6]提出了不確定環(huán)境下無人機區(qū)域目標(biāo)搜索方法,并建立了基于二維離散網(wǎng)格的無人機區(qū)域搜索模型,采用概率地圖描述目標(biāo)信息的實時獲取與更新,通過使用蒙特卡羅方法驗證了區(qū)域搜索方法的有效性。楊春寧等人[7]提出未知區(qū)域無人機協(xié)同搜索方法,該方法實現(xiàn)了對未知區(qū)域的搜索覆蓋面積和搜索時間的優(yōu)化部署,并基于概率地圖信息更新融合的協(xié)同搜索策略,實現(xiàn)了無人機自主協(xié)同控制。劉重等人[8]提出了基于信息素回訪的目標(biāo)搜索方法,建立包含目標(biāo)存在概率地圖、不確定地圖和數(shù)字信息素地圖在內(nèi)的環(huán)境感知地圖,并在此基礎(chǔ)上設(shè)計了協(xié)同搜索決策方法。黃杰等人[9]提出了基于雙屬性概率圖的搜索方法,建立了基于收益函數(shù)的協(xié)同模型,并利用遺傳算法進行優(yōu)化求解,實驗結(jié)果驗證了該方法的協(xié)同有效性及目標(biāo)搜索能力。然而,由于目標(biāo)是運動的且方向未知,利用傳統(tǒng)的信息概率圖進行勻速搜索,顯然無法滿足現(xiàn)實需求,存在目標(biāo)搜索遺漏和搜索周期較長等問題。

在飛行避障方面,Bo等人[10]提出了一種具有避障約束的路徑規(guī)劃模型,并通過分散模型預(yù)測控制建立了一種軌跡規(guī)劃策略來尋找最優(yōu)解。為了克服任務(wù)分配與路徑規(guī)劃之間的信息耦合所帶來的困難,Yao等人[11]設(shè)計了一個分布式任務(wù)規(guī)劃框架,有效地控制了任務(wù)評估誤差,用較少的計算資源獲得了較優(yōu)的結(jié)果。Radmanesh等人[12]設(shè)計了一種基于偏微分方程的分散式無人機三維軌跡生成方法,并選取3架無人機進行了實驗驗證。Yang等人[13]針對靜態(tài)環(huán)境的避障問題,提出了一種適用于小型無人平臺的Dubins曲線避障路徑規(guī)劃算法。Song等人[14]提出了一種基于Dubins路徑的A*算法,為智能無人平臺在避障和轉(zhuǎn)彎半徑約束下,規(guī)劃可行飛行路徑。上述方法在相對單一環(huán)境中均取得了理想的效果。然而,當(dāng)搜索環(huán)境中包含密集建筑時,約束條件不斷增多,易造成算法的求解復(fù)雜度增高,進而影響目標(biāo)搜索效率。

在群智能優(yōu)化決策方面,Carabaza等人[15]提出了一種基于蟻群優(yōu)化(ant colony optimization, ACO)算法的無人機軌跡生成方法。在具有不同特征的搜索場景下,可以獲得高質(zhì)量、高水平的無人機直段彈道?？紤]到實時路徑規(guī)劃問題,Huang等人[16]提出了一種基于k次平滑的多無人機協(xié)調(diào)路徑規(guī)劃方法,該方法采用改進的蟻群優(yōu)化算法來獲得更具可飛性的路徑。Zhu等人[17]提出了一種基于博弈論的分布式接入點選擇算法,利用該算法指導(dǎo)用戶自主選擇基站或無人機作為接入點,并采用基于深度強化學(xué)習(xí)的方法求解無人機路徑規(guī)劃子問題,指導(dǎo)無人機在每個位置采取最優(yōu)的行動。Li等人[18]以森林火災(zāi)預(yù)警監(jiān)測為背景,研究了掃描覆蓋中的最小時間最大覆蓋問題,并提出了一種考慮目標(biāo)權(quán)重和無人機性能約束的啟發(fā)式算法,利用加權(quán)目標(biāo)掃描覆蓋來尋找最優(yōu)路徑。Yao等人[19]提出了一種基于模型預(yù)測控制和灰狼優(yōu)化算法的混合方法,以控制方法為框架實時獲取無人機的軌跡,優(yōu)化跟蹤性能。然而,這些方法均使用全局優(yōu)化策略,未考慮通信鏈路失效的問題,一旦全局信息無法共享,即無人機群無法保障實時位置共享,易造成優(yōu)化策略的失效,導(dǎo)致多機目標(biāo)搜索準(zhǔn)確率的降低。

綜上所述,現(xiàn)有的目標(biāo)搜索方法能在一定程度上解決通信鏈路穩(wěn)定條件下的多無人機協(xié)同搜索問題。然而,在一些復(fù)雜環(huán)境中,仍然存在以下問題急需解決:① 由于建筑物等障礙物的干擾,而導(dǎo)致無人機編隊的通信鏈路不可達問題;② 在復(fù)雜環(huán)境中,特別是建筑物密集的情況下,目標(biāo)搜索遺漏、搜索周期較長等問題。針對上述問題,本文提出了局部通信條件下的協(xié)同搜索(cooperative search under local communication, CSLC)方法。在現(xiàn)有數(shù)字信息概率圖的基礎(chǔ)上,構(gòu)建當(dāng)前時刻無人機編隊的通信拓撲結(jié)構(gòu),并構(gòu)建基于通信鏈路穩(wěn)定收益和協(xié)同編隊收益的協(xié)同搜索模型。與此同時,為了滿足目標(biāo)動態(tài)變化下的搜索問題,本文設(shè)定各無人機做變速運動,且加入最大運動速率約束以及安全飛行約束,從而保證模型能夠得到最優(yōu)路徑可行解,提高了多無人機協(xié)同搜索效率。

本文的創(chuàng)新之處如下:

(1) 提出CSLC方法,解決全局通信鏈路不可達下的搜索效率低的問題;

(2) 針對目標(biāo)高度動態(tài)變化問題,提出基于無人機變速運動的協(xié)同優(yōu)化模型,提高方法的協(xié)同搜索能力;

(3) 在模型求解過程中,建立了安全距離和最大運動速率的約束,保證模型能夠得到最優(yōu)路徑可行解。

1 問題描述

在未知目標(biāo)區(qū)域Ω中,利用N架無人機搜索M個運動目標(biāo),每架無人機均搭載垂直向下的圖像探測器用于發(fā)現(xiàn)目標(biāo)。由于探測器的檢測范圍限制,為了保證目標(biāo)識別的準(zhǔn)確率,本文假設(shè)僅當(dāng)目標(biāo)位于傳感器圖像的中央?yún)^(qū)域時,認(rèn)定該架無人機能夠準(zhǔn)確發(fā)現(xiàn)目標(biāo),即當(dāng)無人機飛行到目標(biāo)的正上方時,認(rèn)定該目標(biāo)能夠被精準(zhǔn)識別。

1.1 搜索區(qū)域模型

為了清晰地描述無人機協(xié)同搜索路徑,本文簡化搜索區(qū)域模型的解空間,對區(qū)域Ω進行柵格化處理,具體的柵格化地圖如圖1所示。假設(shè)目標(biāo)區(qū)域Ω的長和寬分別為X和Y,將Ω等分為若干個大小為Δx×Δy的矩形網(wǎng)格。需要指出的是,Δx與Δy在選值上需小于無人機探測圖像的內(nèi)接矩形,確保無人機能夠準(zhǔn)確識別該區(qū)域內(nèi)的目標(biāo)。

圖1 多無人機協(xié)同目標(biāo)搜索場景

1.2 無人機模型

假設(shè)每個網(wǎng)格最多只有一個目標(biāo),無人機利用圖像探測器對每個網(wǎng)格區(qū)域進行搜索,其飛行路線受轉(zhuǎn)彎半徑和速度的約束[20],因此飛行狀態(tài)可表示為

UAVi(t)=[xi(t),yi(t),di(t)]

(1)

式中:xi(t)為第t時刻目標(biāo)區(qū)域橫坐標(biāo)方向的位置坐標(biāo);yi(t)為縱坐標(biāo)方向的坐標(biāo);di(t)為無人機行進方向。在基于網(wǎng)格的飛行過程中,認(rèn)為無人機從第t時刻到第t+1時刻可有5個方向選擇,分別為:① 向左90°;② 向左45°;③ 向前;④ 向右45°;⑤ 向右90°,即無人機偏航角增量為Δd∈[-2,-1,0,1,2](-2表示向左90°,-1表示向左45°,以此類推)。若采用圖2中的八鏈碼方向表示無人機行進方向,則無人機運動模型為

圖2 八鏈碼與偏航角增量

(2)

式中:v為無人機飛行速度;θ為無人機偏航角,θ∈[-90°,45°,0°,45°,90°]。

2 CSLC建模

現(xiàn)有的目標(biāo)搜索方法多假設(shè)無人機編隊的通信鏈路是時刻暢通的,然而在實際飛行過程中,建筑物等障礙物會嚴(yán)重影響無人機編隊的通信網(wǎng)絡(luò)。一旦無法進行全局通信,則編隊跟蹤易成為“單打獨斗”,失去了多平臺協(xié)同搜索的優(yōu)勢,因此本文首先建立當(dāng)前時刻無人機編隊的通信拓撲關(guān)系,具體示意如圖3所示。在此基礎(chǔ)上,設(shè)計了基于通信鏈路穩(wěn)定收益和協(xié)同編隊收益的搜索模型,在當(dāng)前網(wǎng)絡(luò)通暢的條件下達到局部位置信息共享,并不斷聯(lián)絡(luò)其他無人機,從而將多平臺的協(xié)同效率最大化,具體模型描述如下。

圖3 局部互通網(wǎng)絡(luò)

圖3中,藍色圓圈代表每個無人機,黑色虛線框和實線矩形框分別代表網(wǎng)格和建筑物。假設(shè)r為通信閾值(圖1中,r=3),當(dāng)前時刻存在兩個局部互通網(wǎng)絡(luò),UAV1、UAV2和UAV3為網(wǎng)絡(luò)1,UAV4與UAV5為網(wǎng)絡(luò)2。其中,UAV2和UAV3是通過UAV1間接通信。

2.1 通信拓撲關(guān)系

在實際的飛行過程中,無人機之間的通信網(wǎng)絡(luò)受相對距離的影響,因此本文利用有向圖G=表示各無人機之間的通信鏈路,其中,U表示無人機集合,D表示各無人機間的歐氏距離,則鄰接通信矩陣A可表示為

(3)

式中：r為通信閾值;N為無人機數(shù)量。由此可以看出,鄰接通信矩陣A能夠清晰表達各無人機之間的實時通信拓撲關(guān)系,若aij=1,則表明此時無人機i與無人機j聯(lián)通,能夠互發(fā)位置等信息。因此,該無人機編隊的整體通信拓撲矩陣(有向圖的可達矩陣)為

C=A⊕A2⊕…⊕AN

(4)

式中:⊕為求和操作。因此,矩陣C表示當(dāng)前時刻無人機編隊的實時通信拓撲關(guān)系。本文以4架無人機為例,對通信拓撲矩陣C進行算例說明。假設(shè)當(dāng)前時刻的鄰接通信矩陣A為

(5)

則

(6)

(7)

(8)

(9)

將式(9)中不為0的元素變?yōu)?,則矩陣C可表示為

(10)

由式(10)的通信拓撲矩陣可以看出,當(dāng)前時刻由4架無人機組成的編隊滿足全聯(lián)通條件,即滿足全局通信條件。

2.2 協(xié)同搜索目標(biāo)函數(shù)

綜合考慮無人機通信能力和編隊協(xié)同搜索能力,本文將通信鏈路穩(wěn)定收益和協(xié)同編隊收益作為目標(biāo)函數(shù),計算搜索模型的最優(yōu)解,這兩種收益的具體描述如下。

(1) 協(xié)同編隊收益

為了保證無人機編隊協(xié)同編隊搜索的收益,本文引入數(shù)字信息素策略[21-22],將各個網(wǎng)格給定不同的信息素值,從而構(gòu)造面向未知環(huán)境的人工勢場。各無人機利用現(xiàn)有的通信拓撲關(guān)系進行協(xié)同路徑規(guī)劃,并利用實時位置信息更新各網(wǎng)格的信息素值。局部通信下的協(xié)同編隊收益可表示為

(11)

式中:n為預(yù)測步長;sa表示在當(dāng)前通信網(wǎng)絡(luò)中第t時刻無人機位置的吸引信息素強度;sr表示當(dāng)前時刻無人機位置的排斥信息素強度;α和β為權(quán)重系數(shù);e(1-i)/n∈(0,1]為動態(tài)收益系數(shù)?？紤]到預(yù)測步長越大,信息素強度的準(zhǔn)確性越低,采用動態(tài)收益系數(shù)能夠平衡對編隊收益準(zhǔn)確性的影響。

(2) 通信鏈路穩(wěn)定收益

在協(xié)同目標(biāo)搜索過程中,由于無人機的通信能力限制,特別是在較為復(fù)雜的環(huán)境中,飛行障礙、建筑物遮擋等因素都會嚴(yán)重影響無人機的通信效果。因此,本文研究的目標(biāo)是使每架無人機均能最大概率發(fā)現(xiàn)搜索目標(biāo)的同時,最大化編隊通信鏈路的傳輸穩(wěn)定性,從而保證協(xié)同目標(biāo)搜索的效率。假設(shè)無人機分布在同一高度,且初始坐標(biāo)已知,單無人機在時間t的信息傳輸穩(wěn)定性為

(12)

(13)

式中:si表示無人機之間的最大傳輸距離。相應(yīng)地,無人機編隊的通信鏈路穩(wěn)定收益為

(14)

2.3 飛行約束條件

(1) 安全距離約束

在多無人機協(xié)同規(guī)劃過程中,由于無人機分布在同一高度,一旦編隊飛行距離不受限制,多無人機之間就有發(fā)生碰撞的風(fēng)險。為了避免這個問題,須確保無人機之間保持一定的安全距離[23-24]。為了簡化多架無人機之間安全距離的統(tǒng)計過程,本文為編隊中的每架無人機提供一個編號,并按升序依次計算與無人機之間的距離。固有約束表示如下:

(15)

式中:dsafe是一個常數(shù),表示無人機的最小安全距離。

(2) 運動速率約束

現(xiàn)有多無人機協(xié)同搜索方法主要基于以下兩點假設(shè):① 目標(biāo)的運動軌跡已知;② 目標(biāo)與無人機均勻速運動。然而,在未知環(huán)境中,存在大量動態(tài)、隨機性因素。例如,由于速度和方向的時刻變化,目標(biāo)的運動軌跡無法準(zhǔn)確預(yù)測。因此,設(shè)定目標(biāo)的運動軌跡未知,且無人機做變速運動,本文利用固定常量限制的方式對無人機的運動速度進行約束,具體表達式為

(16)

式中:smax表示無人機的最大運動位移。

2.4 模型求解

在目標(biāo)搜索過程中,由于通信距離的限制,導(dǎo)致無人機編隊無法實時全局通信,因此本文建立基于局部通信的協(xié)同搜索模型,具體表達式為

(17)

式中:λ1和λ2為歸一化系數(shù)i=1,2,…,N-1;k=i-1,i,…,N。由于式(17)的目標(biāo)函數(shù)包括二次項,本文利用Kuhn-Tucker條件將模型降為線性規(guī)劃問題進行求解,獲得各無人機的最優(yōu)航跡規(guī)劃位置。

2.5 算法流程

本文利用基于二次項的協(xié)同方法遂行目標(biāo)搜索任務(wù),該方法的主要流程如圖4所示,具體算法步驟如下。

圖4 協(xié)同目標(biāo)搜索流程

步驟 1設(shè)置初始參數(shù)包括無人機數(shù)量N,目標(biāo)數(shù)量NT,數(shù)字信息素預(yù)測步長n,各無人機的初始位置以及初始航向角。

步驟 2設(shè)置初始數(shù)字信息素參數(shù)。吸引信息素:揮發(fā)系數(shù)Ga,傳播系數(shù)Ea,釋放常量Da。排斥信息素:揮發(fā)系數(shù)Gr,傳播系數(shù)Er,釋放常量Dr。

步驟 3計算各無人機間的歐氏距離,利用式(4)生成第t時刻編隊的局部通信網(wǎng)絡(luò)組成。

步驟 4基于通信拓撲矩陣的結(jié)構(gòu),對各局域網(wǎng)下多無人機協(xié)同搜索模型求解:

步驟 4.1當(dāng)無人機間的距離均大于閾值時,各無人機按照式(2)生成各自的飛行路徑;

步驟 4.2當(dāng)兩個以上的無人機滿足距離約束時,利用式(16)計算該網(wǎng)絡(luò)下無人機協(xié)同目標(biāo)搜索模型。

步驟 5判斷是否滿足最大搜索時長,若滿足,則輸出最優(yōu)航向路線;若不滿足,則令t=t+1,轉(zhuǎn)至步驟4。

3 實驗結(jié)果與分析

在本文實驗中,首先,對實驗中的一些重要參數(shù)進行說明,然后設(shè)置了幾組與現(xiàn)有方法的對比仿真實驗,從定性和定量兩個方面驗證提出的協(xié)同搜索方法的有效性。

3.1 實驗參數(shù)設(shè)置

搜索任務(wù)區(qū)域Ω的大小為3 050 m×3 050 m,并劃分為61×61個網(wǎng)格,每個方格的邊長為50 m。在該任務(wù)區(qū)域中,設(shè)置了許多樓宇等規(guī)則建筑物,模擬復(fù)雜的城市環(huán)境。每個建筑物占用3×3個網(wǎng)格。數(shù)字信息素[25]是計算搜索模型的協(xié)同編隊收益的重要指標(biāo),是本文的重要組成部分之一,其主要初始參數(shù)設(shè)置如表1所示。初始無人機編隊和目標(biāo)數(shù)量分別設(shè)置為12架和9個,無人機與目標(biāo)的初始參數(shù)設(shè)置如表2和表3所示。

表1 數(shù)字信息素初始參數(shù)

表2 無人機初始狀態(tài)

表3 目標(biāo)初始狀態(tài)

3.2 對比仿真實驗

為了驗證本文提出方法的有效性,本節(jié)主要將CSLC與文獻[25]的分布式模型預(yù)測控制 (distributed model predictive control, DMPC),文獻[26]的基于遺傳算法的信息素圖譜 (pheromone map based on genetic algorithm, PMGA) 兩種方法進行仿真對比,考察發(fā)現(xiàn)目標(biāo)數(shù)、路徑覆蓋率、搜索迭代周期等主要指標(biāo)[27-30],分析兩種方法的優(yōu)越性。DMPC方法是基于貝葉斯理論對目標(biāo)的運動狀態(tài)進行估計,并設(shè)計了帶有調(diào)度信息素的數(shù)字信息素圖方法,保證了多無人機協(xié)同搜索目標(biāo)的能力。PMGA方法根據(jù)覆蓋給定面積百分比所需的距離進行評估,設(shè)計了一種基于遺傳算法的信息素映射方法,用于無人機編隊的飛行路徑規(guī)劃,提高了協(xié)同搜索的有效性。

(1) 搜索路徑對比

CSLC、DMPC與PMGA 3種方法在不同迭代周期下的搜索飛行路徑如圖5～圖7所示。其中,圖5為3種方法在100個搜索周期下的飛行路徑圖,圖6為在200個搜索周期下的飛行路徑圖,圖7為300個搜索周期下的飛行路徑圖。圖中，不同顏色的虛線表示各無人機的飛行路徑,而不同顏色的實線則表示目標(biāo)的運動路徑。

圖5 3種方法在100個周期下的的搜索路徑對比

圖6 3種方法在200個周期下的的搜索路徑對比

圖7 3種方法在300個周期下的的搜索路徑

無人機和目標(biāo)的初始位置如表2和表3所示,DMPC與PMGA為全局網(wǎng)絡(luò)通信,而所提的CSLC則為局部通信,通信閾值r設(shè)置為20個網(wǎng)格。相應(yīng)地,3種方法在發(fā)現(xiàn)目標(biāo)數(shù)以及路徑覆蓋率方面的定量對比如表4所示。

表4 3種方法的實驗數(shù)據(jù)對比

圖5～圖7清晰地顯示了3種方法在不同迭代周期下的飛行路徑俯視圖,可以看出,本文提出的CSLC方法能夠更加合理的對目標(biāo)區(qū)域進行覆蓋式搜索,保證了多無機協(xié)同搜索目標(biāo)的能力。為了進一步說明本文方法的有效性,表4列出了3種方法在不同周期下的目標(biāo)識別數(shù)和區(qū)域覆蓋率對比結(jié)果。

周期在100 s時,3種方法的目標(biāo)識別數(shù)較少,均小于目標(biāo)總數(shù)的一半,這是因為目標(biāo)區(qū)域過大,由于初始化目標(biāo)與無人機之間的距離較遠,因此在有限時間內(nèi)無人機的發(fā)現(xiàn)目標(biāo)數(shù)較少。隨著搜索時間的不斷延伸,本文提出的CSLC方法體現(xiàn)出了變步長搜索的優(yōu)勢,無論是在目標(biāo)識別數(shù)方面或在區(qū)域覆蓋率方面均優(yōu)于DMPC和PMGA方法,證明了本文提出的CSLC方法搜索策略的有效性。

(2) 內(nèi)置參數(shù)對搜索算法的影響

1) 通信閾值對搜索結(jié)果的影響

本節(jié)主要分析通信閾值對本文提出的CSLC方法的影響,因此分別設(shè)置無人機編隊間的通信閾值為10個網(wǎng)格、20個網(wǎng)格、30個網(wǎng)格以及40個網(wǎng)格,統(tǒng)計不同網(wǎng)格情況下的目標(biāo)搜索性能。CSLC方法在不同通信閾值下的通信網(wǎng)絡(luò)個數(shù)如圖8所示。相應(yīng)的,該方法在不同通信閾值條件下的目標(biāo)識別個數(shù)和搜索區(qū)域覆蓋率如表5所示。

圖8 不同閾值條件下的局部網(wǎng)絡(luò)數(shù)量

表5 不同閾值條件下的實驗結(jié)果對比

從圖8可以看出,在通信閾值r=10時,無人機編隊中的局部網(wǎng)絡(luò)數(shù)量較多。然而,隨著閾值的不斷增加,編隊中的網(wǎng)絡(luò)數(shù)量隨之減少,即編隊中的無人機均能直接或間接的通信,共享彼此的位置信息,從而保證搜索任務(wù)的高效完成。與之對應(yīng)的,在表5中,當(dāng)r=10時,編隊的目標(biāo)搜索數(shù)量只有6個,無法滿足任務(wù)的需要,且區(qū)域覆蓋率僅有72.36%。然而在r=40時,無人機編隊在第200個迭代周期中能夠搜索到8個目標(biāo),且區(qū)域覆蓋率與r=20時相當(dāng)。在對比r=20,r=30和r=40的過程中,不難發(fā)現(xiàn),3種方法雖然在網(wǎng)絡(luò)數(shù)量上有所不同,但最終都能夠完成對所有目標(biāo)的搜索,且區(qū)域覆蓋率相差不大,這說明了CSLC方法對通信閾值并不十分敏感,其中設(shè)計的策略具有一定的搜索穩(wěn)定性。

2) 無人機數(shù)量對搜索結(jié)果的影響

為了進一步分析本文方法的效能,本節(jié)主要分析無人機編隊數(shù)量對目標(biāo)搜索結(jié)果的影響。首先選取目標(biāo)的數(shù)量固定為9個,然后設(shè)定搜索編隊中無人機的數(shù)量為8、12、16、20架時分別進行4組仿真實驗,搜索迭代周期設(shè)置為200 s，評價指標(biāo)為無人機發(fā)現(xiàn)目標(biāo)數(shù)。為了實驗對比的公平性,本文每組實驗分別進行10次,統(tǒng)計出每組實驗的平均完成值,DMPC、PMGA和CSLC 3種方法的具體指標(biāo)值如圖9所示。

圖9 不同無人機數(shù)量下的發(fā)現(xiàn)目標(biāo)對比

在每次實驗中,無人機的初始位置分布均在目標(biāo)區(qū)域的四周進行隨機初始化生成的。從圖9可以看出,隨著無人機數(shù)量的增多,3種方法的發(fā)現(xiàn)目標(biāo)數(shù)量也隨之增加,這也進一步證明了3種方法協(xié)同搜索的有效性。由于無人機數(shù)量的不斷增多,在限定的時間內(nèi)被探測的網(wǎng)格也將隨之增多,即目標(biāo)區(qū)域中有更多的網(wǎng)格被無人機編隊搜索,因此目標(biāo)發(fā)現(xiàn)數(shù)量將隨之增加。與此同時,根據(jù)數(shù)據(jù)的對比,CSLC方法的搜索性能要明顯高于DMPC和PMGA兩種方法,這進一步證明了本文方法的目標(biāo)搜索能力。

3) 無人機探測半徑對搜索結(jié)果的影響

無人機探測半徑是協(xié)同目標(biāo)搜索任務(wù)中的重要一環(huán),決定著目標(biāo)搜索任務(wù)的成敗。本節(jié)選取目標(biāo)的數(shù)量仍為9個,無人機的數(shù)量為12架,初始位置分布如表1所示,迭代周期設(shè)置為200 s。設(shè)定探測半徑分別為1、4、9個網(wǎng)格,評價指標(biāo)為無人機發(fā)現(xiàn)目標(biāo)數(shù),并每組實驗分別進行20次取平均值,具體指標(biāo)值如圖10所示。

圖10 不同網(wǎng)格數(shù)下的發(fā)現(xiàn)目標(biāo)數(shù)

從圖10可以看出,隨著傳感器探測面積的增大,兩種方法的平均目標(biāo)發(fā)現(xiàn)數(shù)量也隨之增加。由于傳感器探測面積的不斷增大,導(dǎo)致每一時刻各無人機的搜索區(qū)域?qū)㈦S之增多,即目標(biāo)區(qū)域中有更多的網(wǎng)格能夠被探測,因此發(fā)現(xiàn)目標(biāo)數(shù)量應(yīng)明顯增加。本文將目標(biāo)區(qū)域布置了密集的建筑物,導(dǎo)致兩種方法的檢測結(jié)果只是略有增加,但這也能夠證明CSLC的協(xié)同搜索模型的有效性。

4 結(jié) 論

本文針對復(fù)雜環(huán)境下多無人機協(xié)同目標(biāo)搜索問題進行了研究與分析,提出了局部通信條件下的搜索模型,建立了包含編隊通信拓撲結(jié)構(gòu)關(guān)系以及編隊收益函數(shù)在內(nèi)的多個優(yōu)化指標(biāo)。同時,在求解的過程中加入編隊飛行所需的限制條件。實驗結(jié)果表明,與當(dāng)前流行的搜索方法相比,在同等搜索周期下,本文提出的CSLC方法無論在區(qū)域覆蓋率方面,還是在目標(biāo)識別數(shù)量上均優(yōu)于其他算法。與此同時,為進一步驗證CSLC的搜索效率,隨機增加無人機數(shù)量以及各無人機的探測網(wǎng)格數(shù),實驗驗證了本文在通信條件受限的情況下均能達到較高的搜索目標(biāo)數(shù),從而說明CSLC方法能夠有效提高搜索系統(tǒng)的協(xié)同性,具有較高的搜索覆蓋率和發(fā)現(xiàn)目標(biāo)數(shù)。