基于改进的无人机群人工势场的移动模型（翻译）

几个自主无人机的组合可用于执行协作任务。这样的组合被称为无人机群。由于嵌入式传感器的多样性和信息共享，使用多个平台可以扩展系统的全球容量。在这种情况下，路径规划和避障仍然是一个主要任务。为了解决这个问题，必须实现迁移模型。本文提出了一种基于人工势场原理的无人机群移动模型。在我们的模型中无人机通过分享它们探测到的障碍物的数据进行合作。通过这样做，由于自身传感器距离障碍物不够近而无法探测到障碍物的无人机，在其路径规划中仍然有适当的数据来考虑这个障碍物。为了验证具有现实约束的移动策略，我们模拟了现有传感器和发射器的性能，并考虑了真实环境。
​ 在过去的几年里，人们对无人机进行了大量的研究。固定翼和旋翼(或多旋翼)是无人机的两大类。固定翼是长途飞行的首选，但不提供很多机动性. 在本文中，我们将考虑多转子无人机。事实上，为了在未知环境中进化，可能包含障碍，旋翼往往是首选，因为它们提供低速机动和悬停。

​ 无人驾驶汽车(UV)可以代替人类执行枯燥、肮脏、危险和深度(4D)任务，制造成本低，适应性强，没有人员伤亡风险。此外，几个无人机可以用于相同的兴趣领域(AoI)，一起完成单个任务比单个任务性能更好(例如，完成任务更快或在更大的区域)。使用几辆车而不是一架无人机可以允许系统弹性;即一辆或多辆车辆的损失不会导致任务失败。我们说的是多平台或集群。这个词群没有广泛承认的定义,然后我们将使用一个在我们之前的一篇论文提出[11]:无人机群是指一组具有类似特征(速度、机动等),能够建立点对点连接,从操纵者的角度可以视为一个单一的实体。如果这个群体能够在没有外部(人工或人类)实体干预的情况下完成任务，那么我们就称它为自治群体.

​ 无人机协作的主要任务是路径规划，包括避免碰撞。人工势场(APF)原理是一种著名的路径规划方法，它允许平滑的轨迹生成，并且不需要搜索全局路径。此外，它具有很高的效率和足够低的计算成本，可以在嵌入式系统[19]上执行。我们的模型基于这一原则，因此，APF的细节将在第三节中给出，并提供其他方法.

​ 本文提出了一种基于APF的无人机自主群体移动模型。它允许平台之间的协作和避免碰撞。无法到达的目标和局部极小值的问题已经解决，一个创新的排斥力场可以预测避障。利用网络仿真器omnet++[4]对该方法进行了仿真验证。

​ 本文由以下几部分组成:第二部分介绍了无人机群及其嵌入式传感器的可能应用。第三节介绍了一种先进的无人机机动策略，特别是使用APF。第四部分描述了我们的模型以及方法假设和伪代码。最后，在第六部分得出结论和展望之前，第五部分分析了几个模拟的结果。

II无人机群和嵌入式传感器的应用

在本文中，我们重点研究多旋翼型无人机，其宽度大约为50厘米。本节介绍无人机集群的一些应用，以及它们可以携带的传感器。

A.多无人机系统应用

成群的无人机有许多民用用途。例如，他们被用来帮助消防员在大型森林火灾[20]，喷洒农药[10]，或调查兴趣点（points of interest）[17]或兴趣区域[15]。在军事活动的框架下，一些关于无人机群在情报、监视和侦察(ISR)任务协同规划环境下的研究已经完成。还研究了多平台的路径规划，包括在包含障碍物的环境中嵌入传感器的能力。

B.无线电模块

为了完成协作任务，所涉及的无人机应该共享信息，例如关于其环境的信息。为了做到这一点，他们必须携带一个无线电模块。XBee平台是非常适合无人机应用的通信模块，因为它们体积小、重量轻、能耗低、易于定制和可编程[1]。它们通常用于多转子，例如[17]，[26]。在我们的应用程序中，我们模拟了XBee-PRO模块[3]的特性。在我们的研究中，两个关键特征是数据速率(250kbps)和城市环境中的通信范围(90米)。

C .障碍检测

​ 针对我们正在研究的小型无人机，有三种主要的障碍探测技术:声纳(声音导航和测距)、雷达(无线电探测和测距)和激光雷达(光探测和测距)。下面，我们将在我们的场景上下文中讨论它们各自的特性，并选择最适合的。

​ 声呐技术依靠的是声波被远处物体反射到特定的角度区域。SONARs价格低廉、重量轻、功耗低。然而，该技术不适用于最大距离为10米的远程航空探测，这远远不够满足我们的场景。

雷达使用无线电波而不是声波，因此可以远距离探测障碍物。然而,只有小的雷达才能装载在多转子无人机上,他们的分辨率太低而达不到我们的要求.

激光雷达技术依赖于激光束聚焦于一个小点，从而提供高水平的精度。小型便携式激光雷达可用于探测几十米范围内的目标。当LIDARs在一个点上捕获一个测量值时，他们会产生大量的测量值。因此，他们需要更多的计算资源来处理。

我们决定使用激光雷达，因为在我们处理的场景中，激光雷达的精度和到潜在障碍的距离。我们选择了Garmin公司的LIDAR-Lite v3，它的射程为40m，分辨率为1cm，并且具有正确的精度(在考虑障碍检测时)。它的更新率很高(高达500Hz)，所以我们可以把它安装在伺服电机上，以获得广角的信息。

D网络模拟器:omnet++

为了模拟上述传感器和发射机的特性，我们选择了网络模拟器omnet++[4]。从理想的环境和每个元素的性能，到能源消耗、天线参数或信号传播的建模，它允许仿真的多个真实度。我们选择的主要通信参数在附录中给出。

III相关工作

目前有许多针对无人机的路径规划方法。在本节中，我们将首先关注无人机的轨迹规划，然后是基于APF的规划方法，最后是针对多平台系统的规划方法。

A自主无人机的路径规划

自主式无人驾驶汽车的一个重要任务是路径规划。如果在执行任务之前无人驾驶飞机所处的环境并不为人所知(并且其中包含障碍)，因此需要在飞机上实时计算，那么这项任务就会变得越来越复杂。解决这一问题的方法有:我们将在下一节详细介绍的Khatib[16]提出的APF方法;虚拟力量[11],[13];遗传算法[14];混乱的过程[23];模糊逻辑[9];粒子群优化(PSO)或强化学习[8]。

B基于APFs的无人机路径规划

由Khatib[16]引入的APF方法今天已经有了许多继承者。实际上，这种方法存在一些缺陷，如“附近有障碍物时目标不可及”(GNRON)、局部极小值、接近障碍物的振荡(抖动问题)或无法通过两个接近障碍物之间的[25]。

Sun等人[25]提出了一种基于APFs的协同无人机避碰方法，该方法通过局部调整来克服抖动问题，通过势场定义来消除其他问题(GNRON、局部极小值和在两个相邻障碍物之间无法通过)。但是这篇文章中没有解释协作过程。

除了上面提到的问题，我们可以引用对障碍的考虑作为点，这只能用于小的障碍物。Mac等人通过将大的障碍看作是时间障碍的总和来克服这个问题。在本文中，他们还提出了一个解决GNRON问题的方案。这种方法似乎对单个无人机有效，但我们工作的一个重要部分是使用无人机之间的协作来提高模型性能。Mac等人定义的模型不是为群集设计的，因此我们不能按原样使用它。

局部极小问题可以通过创建一个临时的和虚拟的路径点来解决，如Liu和Zhao[18]提出的。为了减少局部极小值的数量，他们将距离很近的障碍物视为一个较大的障碍物。没有模拟显示如果目标在几个近距离障碍物的范围内会发生什么。此外，上面列出的其他一些问题没有提到。

由于解决传统APF方法问题的多种方法，使得将这种算法应用于单平台和多平台的路径规划成为可能，Galvez等人的[12]也证明了这一点。在他们的论文中，他们使用APF来保持几个四旋翼(可能包含障碍)飞向一个目标点并在途中保持通信。请注意，我们的目标不包括编队控制，那么他们的模型就不适合我们的情况。

最后，在所有我们在文献中发现的改进的APF中，与障碍物相联系的斥力场是对称的。我们认为它应该取决于无人机和目标点的位置。事实上，如果一个无人机接近它的目标，考虑一个由位于无人机后部的障碍物引起的排斥力场是无用的。同样地，如果障碍物不在无人机通往目标点的道路上，则不应影响无人机的路径规划。在我们的模型中，当障碍物不在无人机路径上时，将斥力场减小到安全距离;否则，那么它有很大的影响，如第四节f .1所详细说明。

C多平台系统的路径规划

一些路径规划方法特别适用于多平台系统。例如，我们可以引用蚁群优化方法(在[7]中提出，此后广泛研究[6])，这对于区域覆盖任务特别有效——但这不是我们的主要目标场景。

基于鸟群的模型也得到了广泛的研究。即使在有障碍物[24]的环境中，也能保持稳定致密的队形.Rosalie等人最近提出了一个结合了鸟群原理、蚁群优化和混沌动力学的模型来完成区域覆盖的任务，同时最大化群体内部的连接性。

最后，我们可以引用虚拟力的方法，这使得在受限环境中维持编队或完成覆盖任务[11]成为可能。虚拟力也适用于依赖于领导者和追随者的系统。然而，基于虚拟力的方法与基于人工势场的方法存在相似的问题。

IV我们的移动模型

A假设

在任务(或模拟)开始时，所有无人机都在兴趣区域内。他们必须到达一个共同的目标点，也在兴趣区域内部。无人机总是能够立即准确地知道自己的位置、目标的位置和兴趣区域的范围。无人机们在一个离散的环境中演变.在每个迭代中，它们可以移动到8个相邻正方形单元格中的一个的中心，或者停留在相同的位置。本研究未考虑移动障碍。每架无人机携带一个传感器，允许360度一定范围内(见 II-C节)的障碍物探测(固定障碍物或其他无人机).在我们的模型中，单元格的宽度必须大于传感器的范围。如果无人机之间的距离小于无线电范围，它们就可以通信(见II-B节)。

B符号

​ 无人机移动的环境是网状的。所有的单元格都是大小相等的正方形。因此，我们考虑一个由$l_{max}$行和$c_{max}$列组成的矩阵,我们记$c_{ij}$是第i行第j列的单元格, 其中$(i, j) \in \left[1, l_{\max }\right] \times\left[1, c_{\max }\right]$. 我们记在$t_i$行$t_j$列的单元格$t_{i,j}$含有目标。同样，$uav_{i,j}$表示$uav_i$行$uav_j$列的单元格中包含UAV。

该模型考虑三个矩阵，每个矩阵的大小为$l_{max}\times c_{max}$。第一个代表势场，记为$pot$。第二个存储已知固定障碍的位置;它被记为$obs$。第三个用于预测固定避障(见下文)和无人机避障，记为$avoid$ 。

c .原理

在每个迭代中，每个UAV移动到邻近的势最小的单元。如果一个单元格中有一个障碍(即使是部分障碍)，这个单元格的势就会增加一个固定的正值，即$obsInc$。

D.矩阵的意义和初始化

矩阵$obs$是唯一被无人机交换的。这个矩阵的每个单元都有一个表示值它是否:

没有关于单元格的信息;

不含障碍物，安全;

它不包含障碍，但不安全或已被重新访问;

它包含一个障碍;

它已经被无人机当做用来达到目标点的路径。

记为$pot$的矩阵包含关于目标点的人工势场，已经检测到的障碍物的人工势场，以及已经访问过的位置的势能。

矩阵$avoid$储存障碍物避碰预期的势能和与周围无人机有关的势能。与目标点相关的势能是用单元格与目标点($t_{ij}$)之间的距离初始化的，利用无穷范数，如下式所示:
$pot_{i,j}=max(|t_i-i|,|t_j-j|) \tag{1}$
在任务初始阶段，UAVs不知道AoI的信息。所以，没有关于障碍物势能的值，矩阵$obs$的元素表示“无信息”，矩阵$avoid$的值为null.

E.冲突避免

1.UAV和固定障碍之间的冲突避免：我们考虑UAV在一个有障碍物的单元格中的情况，当探测到障碍物时，这个单元格的势能增加一个固定的值 $obsInc$,所有相邻的单元格势能增加 $obsInc/2$。

2.UAV和UAV之间的冲突避免：在每次迭代中，UAV探测传感范围内的相邻无人机，UAV相互之间视为暂时性的障碍物，同样将这个单元格的势能增加一个固定的值 $obsInc$,所有相邻的单元格势能增加 $obsInc/2$。这些势能增加记录到矩阵$avoid$ 中，矩阵 $avoid$ 在每次迭代中都会重新初始化，因为相邻无人机的位置在每次迭代中可能改变。

F.算法

1.障碍避免预期：在传统的APF算法中，障碍物的影响是对称的。在我们的移动策略中，障碍物只有在UAV到目标点的路径中时才对UAV有影响。换句话说，如果一架UAV有它和目标点之间的障碍物的信息，这将增加它和障碍物中间所有单元格的势能。这种情况下的势能如图1所示。

图1. 障碍物避碰预测说明图。蓝色方框代表UAV，黑色代表障碍物，绿色的单元格为没有增加势能的单元格，增加的势能强度由褐色（最小）到红色（最大）递增

Data: $uav_{i,j},\ t_{i,j},\ o_{i,j}\ *$

计算所有障碍物的最小和最大行和列：$o_{iMin},\ o_{iMax},\ o_{jMin},\ o_{jMax}$ ;

计算障碍物-UAV-目标点的最大最小方向角：$a_{Min},\ a_{Max}$;

for $i \leftarrow min(uav_i,o_{iMin})\ $ to $max(uav_i,o_{jMax}) $ do

​ for $j \leftarrow min(uav_j,o_{jMin}) $ to $max(uav_j,o_{jMax}) $ do

​ if $a_{Min}< gngle(c_{i,j},uav_{i,j},g_{i,j})$ and $dist(c_{i,j},o_{i,j})<dist(uav_{i,j},o_{i,j})$ then

​ $avoid_{i,j}=ceil(\frac{obsInc}{dist((c_{i,j})+1)})$;

​ end

​ end

end

算法1. 障碍物避碰预期算法OAA * $o_{i,j}$为到达目标点的路径上包含障碍物的单元格

Data： $uav_{i,j},pot$矩阵 ;

$avoid \leftarrow 0_{l_{max},c_{max}}$;

if $uav_{i,j}$已经被访问过 then

​ $plot_{i,j}\leftarrow pot_{i,j}+1$ *;

else

​ 将$uav_{i,j}$ 加入已访问过单元格;

end

检测固定障碍物；

foreach $bostacle\ stored\ in\ avoid$ do

​ OAA $(uav_{i,j},g_{i,j},o_{i,j})$;

end

检测其他UAV ，增加他们周围的势能；

计算周围的最小势能的单元格**并存在$m_{minPot}$中；

if $m_{minPot} = uav_{i,j}$ then

​ $pot_{i,j}=$临近单元格的均值

end

下一单元格$\leftarrow m_{minPot}$;

算法2. UAV的移动策略

*增加1是因为它是相邻两个单元格的势能差值，这样足够使UAV探索其他单元格，而且它足够小，不会影响障碍物避障预测

**如果有多个单元格都有最小值，取他们中最接近目标点的。

如果无人机能够在远距离探测到障碍物，或者从其他来源(在我们的例子中是其他无人机)获得信息，这种对避障的预期就会特别有效。UAVs 有以单元格形式的障碍物的存在信息，如果一个包含障碍物的单元格在他们到目标点的路径上，他们将核对距离为2的单元格范围内是否有障碍物（通过无穷范数）来确定整个障碍物的位置。我们考虑一个单元格的障碍物周围的安全距离，然后将两个被2个单元格分隔开的障碍物视为一个障碍物，如图1所示。算法1是描述这个过程的伪代码。

2.移动策略： 无人机每次迭代的运动决策取决于目标点的位置、近邻的位置和发现的障碍物，具体如算法2所示。

当一架无人机到达目标点时，它将设置$avoid$矩阵中相关的单元为“在这条路径已经到达目标点”。当其他UAV收到消息，他们将减小这些单元格的势能一个固定的值。如果一架UAV到达这条路径上的单元格，他将顺着这条路径确保到达目标点。

V.仿真

A.仿真环境

我们的模型的一个应用是识别禁区内的入侵者。然后，我们使用开源的法国土地注册[2]来复制Blayais核电站(法国)的建筑。我们关注在500米长、500米宽区域的一部分，如图2所示。

B.参数

因为考虑的无人机为半径0.5米，我们设置安全距离为1.5米。网格最小单元格的尺寸为2米。考虑500m*500m的区域，$obstacles$矩阵有250行250列。其中每个单元格都有IV-D中五种状态中的一种，用整数表示。我们用8bits编码的整数，整个矩阵编码为500kbit。XBee数据传输速率最大为250kbit/s ，传输方式为半双工传输。因此，一架无人机可以每两秒广播它的更新矩阵。尽管协作可以让无人机更快地到达目标，但低通信速率并不是一个安全问题，因为无人机不需要协作来安全地朝着目标发展。用于障碍物探测的模拟传感器是LIDAR-Lite(参见II-C部分)，探测范围可达40米。我们假设它安装在一个平台上，允许无人机对周围的探测。为了在不同的条件下测试模型，我们使用多个单元宽度(2、4、6、8和10m)、多个群大小(3、5、7和9架无人机)和三个不同的目标进行模拟。

C. 碰撞避免

在所有的模拟中，无人机与另一个物体(建筑物或无人机)之间的距离大于单元宽度的一半，因此没有任何碰撞。

图2.仿真环境。红色代表障碍物。三架无人机组成的机群从初始位置到目标点T2（绿色五边形）的路径在图中标出。目标点T1由红色菱形表示，目标点T3由蓝色三角形表示。

图3. 三架无人机组成的机群从初始位置到目标点T2的轨迹

图4.无人机群在不同单元格宽度下到达目标T1和T3的轨迹。

UAV轨迹

图2和图3展示了三架UAV在不同单元格宽度下到达目标点T2的轨迹图。在单元格宽度为8m情况下，轨道圈出的部分很好地说明了无人机之间的合作:第一架无人机检测到一个障碍，避开它，并将信息传递给其他人，以预测通向目标的最佳路径。必须指出的是，我们的移动策略允许无人机达到所有这些目标，包括被障碍物包围(T3目标)。换句话说，我们的模型解决了“目标不可及附近的障碍”(GNRON)问题。此外，我们的模型还允许无人机在两个接近的障碍物之间移动(图3和图4)。

E.单元格宽度的影响

单元宽度是我们模型中的一个重要参数。首先，我们认为一个单元格要么是空的，要么是充满了障碍物，因为建筑物至少有一平方米(环境模型的精度)在里面。单元格越大，禁区越大。这一方面导致更长的路径来避免这些区域(见图3和图5)，另一方面导致无法达到目标点，如对于大于6米的单元格宽度到达T1和T3。图5是无人机从发射点到目标T2的飞行距离，无人机数量从3架到9架不等。它表明单元格宽度越小，到达目标的路径越短。

此外，与小单元相比，大单元在相同距离上的迭代次数更少，因此计算强度更小。同样，单元越大，矩阵越小。因此，无人机之间交换的信息随着单元格增大而减小。最后，无人机在每次迭代中从一个单元移动到相邻的单元。然后，单元越大，每次迭代的距离就越长，因此到达目标的速度也就越快。

VI结论和进一步工作

本文提出了一种新的协作式无人机群体机动策略。我们的方法使用了APF的原理，但与传统方法不同:在我们的解决方案中，障碍物的影响取决于无人机的位置和目标的位置。这使得障碍回避的预期和解决了“目标不可达附近的障碍”的问题。我们通过在omnet++环境下的仿真，以及在现实环境中对现有传感器性能的仿真，验证了移动策略的有效性。

在今后的优化工作中，我们将考虑移动障碍物和模拟三维。此外，我们计划将势能区域与一个全局路径规划算法(如A *)相结合，以缩短无人机的飞行轨迹。

英文原文链接：

https://hal.archives-ouvertes.fr/hal-01848857/document