一种基于先验概率信息引导的多无人机智能规避目标搜索方法

1.一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：包括如下步骤：步骤1：建立无人机平台模型，传感器模型，目标运动模型；步骤2：建立环境信息图模型，包括目标搜索概率图、环境不确定信息图、数字信息素图；步骤3：采用在分布式模型预测控制(DMPC)框架下，结合粒子群优化(PSO)和Dubins曲线进行路径规划，无人机则根据目标的规避动态进行追踪，一旦目标被无人机捕获，便停止移动，直至所有目标被全部捕获；所述步骤1中建立目标运动模型的具体内容为：将目标的结构与运动姿态简化为质点；针对具有智能规避侦察特性的动态目标，考虑到实际被搜索目标具有一定的反侦察能力,目标可以感知附近无人机的存在，当无人机进入该感知范围时，目标会做出规避动作，当目标感知到无人机时，它会调整其运动方向，远离无人机的方向，目标将沿着规避方向更新其位置，设计目标运动方程为： 其中：p t 是目标在时刻t的位置，p t+1 是下一时刻的目标位置，v t 是目标的速度，Δt是时间步长， 是规避方向的单位向量，通过目标和无人机之间的相对位置来计算规避方向：r＝p t -p uav ＝(x t -x uav ,y t -y uav )；为了远离无人机，目标将向位置的反方向运动，规避方向 是相对位置向量的反方向单位向量： 考虑有多个无人机，目标根据所有无人机的位置进行综合规避，将所有无人机的位置影响进行加权平均： 其中，w i 是规避强度，定义为 距离越近的无人机对规避方向的影响越大；所述步骤2中建立目标搜索概率图的具体内容为：多UAV系统对任务区域搜索前，每架UAV初始化各自的搜索信息图，在动态目标的搜索和跟踪过程中，应考虑以下三种情况，Ⅰ：目标的大概初始位置已知时；Ⅱ：当目标的位置和速度已知时；Ⅲ：当目标的位置、速度及方向都已知时；使用基于概率的动态模型对目标位置进行更新，通过概率密度函数p xy (t)来描述目标在时间t时刻位于位置(x,y)的概率，并考虑到在每个时间步内，目标可能会移动到相邻网格单元中，通过网格间的概率变化Δp(m,l,k,i)来描述这种动态更新：Δp(m,l,k,i)＝p(m+Δ,l,k)-p(m,l,k)；其中：Δ对应于不同方向上的相邻格点，Δp(m,l,k,i)表示在栅格m的某个方向i上，目标l的存在概率的空间梯度，由无人机k计算；为了进一步修正目标移动过程中的不确定性，引入散射强度系数d(l,i)，并最终得到以下更新公式：所述步骤2中建立环境不确定信息图，随着多UAV对区域的协同搜索程度的加深，UAV对任务区域的了解程度逐渐增加，不确定度降低；当栅格(x,y)被探测到时，χ xy (t+1)＝η·χ xy (t)；当栅格(x,y)没有被探测到时，χ xy (t)+0.5(1-χ xy (t))；其中，η为环境中信息不确定度的衰减因子，η∈[0,1],χ xy (t＝0)＝1。 2.根据权利要求1所述的一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：所述步骤1中建立无人机平台模型的具体内容为：采用恒定速度和固定高度巡航的小型固定翼无人机，且在为无人机进行搜索路径规划时，需要充分考虑其飞行性能和相关约束条件，无人机以固定速度向前飞行，并受到最大偏航角的限制。 3.根据权利要求1所述的一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：所述步骤1中建立传感器模型的具体内容为：无人机在搜索过程中利用传感器对目标进行探测，根据传感器探测信息不断更新目标存在概率，但是由于传感器测量的不确定性与环境遮挡因素，可能出现目标遗漏或误判的情况，假设无人机传感器检测概率p d ∈[0,1]，表示有目标存在的情况下且无人机也检测到目标的概率；传感器虚警概率p f ∈[0,1]，表示目标不存在的情况下，但是无人机却探测到目标的概率，无人机在执行搜索任务过程中，考虑传感器探测概率与虚警概率，使用贝叶斯准则根据自身传感器的探测信息动态更新任务区域目标存在概率。 4.根据权利要求1所述的一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：所述步骤2中建立数字信息素图的具体内容为：采用了数字信息素图来辅助决策控制，通过构建信息素图，量化无人机探测区域内的变化，引导无人机减少对同一区域的重复搜索，对已经探测到目标的区域进行回访；建立数字信息素图的吸引信息素和排斥信息素。 5.根据权利要求1所述的一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：所述步骤3中在DMPC框架下，系统将大规模搜索规划问题转化为一系列短时域规划问题，建立多无人机协同搜索滚动规划模型，设x(k+q|k)和u(k+q|k)分别为对k+q时刻系统状态和控制输入的预测，为简便起见，令k时刻N步预测状态为X(k)，控制输入为U(k)，则N步预测后系统的搜索效能记为： 其中，P为滚动优化预测窗口的长度，设P＝3，则在k时刻，求解系统最优任务决策的优化模型可以描述为： 多UAV系统在状态下采用控制输入后整体搜索效能函数J由目标搜索过程中的区域目标发现收益J T 、多无人机期望探测收益J F 、多无人机协作收益J C 、无人机执行代价C 1 、无人机避撞C 2 ，威胁代价C 3 组成。 6.根据权利要求5所述的一种基于先验概率信息引导的多无人机智能规避目标搜索方法，其特征在于：所述步骤3中粒子群优化算法与Dubins路径结合的轨迹规划的具体内容：在DMPC迭代求解过程中，系统采用PSO算法进行控制信号的优化，以获得子系统的控制输入序列U(k)；在控制时域内，每架无人机根据预测的目标位置和方向计算初始航向，并在探测目标、更新环境信息的同时，根据决策结果调整控制信号，计算新的位置和航向；此外，系统通过生成Dubins曲线路径来优化无人机的运动轨迹，通过粒子群优化无人机的航向角调整量，进而生成满足最小转弯半径约束的Dubins路径；整个过程在每个控制周期中循环执行，确保无人机能够实时适应环境变化，完成目标搜索；考虑N v 架无人机，每架无人机的初始位置为 初始航向角为 其中j＝1,2,...,N v ；目标是规划每架无人机在滚动时域N内的控制序列，使得整体任务收益最大化，同时满足无人机的最小转弯半径R min 动力学约束；PSO用于优化无人机的航向角变化量，确定其在每个预测时间步的轨迹，PSO的适应度函数J i 结合了多种因素，如目标发现、路径平滑性、碰撞避免；PSO通过迭代更新粒子的位置和速度来寻找最优解；在每次迭代中，通过适应度函数J i 评估粒子i的性能，更新粒子的个体最优解p i,best 和全局最优解g best ；当算法收敛后，使用全局最优粒子g best 解码得到无人机的控制信号。