障礙物環境下的多UAV自適應目標搜索算法研究

宋育武 李娟 賈林通

摘 要：針對未知環境下，無人飛行器（UAV，Unmanned Aerial Vehicle）利用傳統搜索模式或離線設計航跡規劃的方法進行多目標搜索，尤其是在未知的障礙物環境中，利用傳統的搜索算法會出現搜索效率低，定位精度不穩定和環境適應能力差等問題。文章提出一種多UAV自適應目標搜索方法，根據傳感器獲取環境的目標信息，利用分區域協同規劃策略，實現多UAV對所分配的子區域做自適應目標搜索；仿真結果表明，該方法能夠很好地完成在未知環境中出現不確定障礙物情況下的目標搜索任務，而且在保障搜索到的目標狀態信息可信度的情況下，具有較強的環境適應性，搜索效率較高。

關鍵詞：無人飛行器；障礙物環境；區域規劃；避障

中圖分類號：TN958.98 文獻標志碼：A 文章編號：2095-2945（2019）21-0005-03

Abstract： Aiming at the unknown environment， the Unmanned Aerial Vehicle（UAV） uses the traditional search mode or off-line design route planning method to carry out multi-objective search， especially in the unknown obstacle environment. The use of traditional search algorithms will lead to low search efficiency. The positioning accuracy is unstable and the environmental adaptability is poor. In this paper， a multi-UAV adaptive target search method is proposed， in which the target information of the environment is obtained by the sensor and the sub-regional cooperative planning strategy is used to realize the multi-UAV adaptive target search for the assigned sub-region. The simulation results show that， this method can well complete the target search task in the case of uncertain obstacles in the unknown environment， and in the case of ensuring the credibility of the target state information， it has strong environmental adaptability and high search efficiency.

Keywords： Unmanned Aerial Vehicle； obstacle environment； regional planning； obstacle avoidance

引言

在未來戰爭中，無人機（UAV）的作戰任務主要是在敵方區域進行，而由于敵方環境的復雜性和動態性，是不可能預先完全獲得任務環境的目標信息與威脅信息。面對未知搜索環境，所以，未來無人機就必須具備在未知環境中在線實時航跡規劃的能力。

針對未知環境，借鑒滾動時域優化思想和A*優化搜索算法的思想，提出了實時局部優化航一部分學者針對部分未知環境下進行了局部航跡調整，但并不能完全實現未知環境下高效的搜索效果和實時適應環境的能力。隨機搜索法等在理論上未知狀態下目標均勻分布的環境條件下，可進行在線目標搜索，但由于全局信息未知，從而使得算法難以獨立支撐，且計算量過大。文獻[1，2]中提出基于感知的搜索算法，航跡設計雖具備時效性，但搜索覆蓋方法過于依賴視域范圍內的外界目標信息，在無目標狀態觀測下并沒有利用合理的優化補充策略。

本文首先以分布式結構體系的多UAV完成目標區域搜索任務，考慮雷達等傳感設備探測過程中的非線性噪聲影響，分析了未知環境特性，提出一種分區域規劃的多機協同的自適應目標搜索方法，能夠完成在未知障礙物環境下的目標搜索任務。最后通過仿真驗證了該方法的可行性，該方法能夠應對未知空間目標搜索的不確定信息，在保障搜索到的目標狀態信息可信度的情況下，同時具有環境適應性和空間目標搜索的高效性。

1 問題描述

UAV在未知環境中執行區域目標搜索任務，任務初始條件已知，目標信息與障礙物信息為未知，在滿足定位精度以及避開威脅的條件下，執行目標搜索任務。因此，任務影響應考慮以下問題：

（1）UAV目標搜索，要求多UAV之間能夠合作完成搜索任務[3-4]，做到數據資源共享，任務分配明確。

（2）視覺受限：UAV通過激光雷達探測目標有一定的

距離限制，在雷達探測視域范圍外的物體均不能夠被發現。

（3）躲避威脅：在位置搜索環境中，會存在不確定障礙物，UAV系統必須確保能夠安全避障，保障UAV任務的順利進行。

2 UAV自適應目標搜索策略

本文采用的激光雷達視域范圍R為150m，目標可信度范圍為r，水平開角？琢為360°。UAV在搜索目標的過程中，能夠通過感知外界環境信息，通過對環境的判斷，實時動態預測[6]未來的航跡信息，做自適應目標搜索。

2.1 任務模式

當UAV視域范圍內存在目標時，UAV要具備區分靜目標與動目標[7]的能力，若為靜目標，則估計并記錄其位置等狀態信息。若為動目標，則根據觀測軌跡實現目標預測并跟蹤，當距離目標一定范圍時，摧毀動態目標后繼續執行目標搜索。

UAV視域內無任何目標時，UAV將采用分區域搜索策略。若鎖定的子區域為該UAV的任務子區域，航行至該子區域執行目標搜索。反之，計算上述子區域以外的其他搜索覆蓋最低的子區域，重新計算其是否為鎖定狀態和任務歸屬后，尋找滿足條件的子區域，并確立子區域與該UAV的搜索任務關系。

2.2 自適應目標搜索算法

自適應目標搜索要求UAV能夠面對未知環境，調整運動狀態，在線規劃任務航跡，實時動態規劃未來的位置信息。

首先考慮如下簡化的UAV運動方程與觀測方程；

其中，？字表示UAV與目標的相對距離，x？茲（k）表示UAV在水平方向方向角，？茲表示視域范圍內的目標在水平方向相對于UAV的夾角。

目標函數的顯示形式是無法預知的，但是在每個時刻的時間節點處，可通過感知計算這些函數的噪聲測量估計，可使用函數近似的方法，估計在每個時刻k處的未知目標函數J，根據：

其中k為優化評價函數的估計值；？諄表示k時刻計算的參數估計矢量；？準表示回歸項的非線性矢量。

根據參數估計向量？諄k，融入最小二乘法，計算估計參數為：

在k時刻，UAV以當前時間節點的位置為基準，預選k+1時刻中R個候選位置：

均值且單位方差的隨機變量，i為目標編號。

由優化標準函數計算各優化標準值，選取最優標準值作為UAV的最新位置：

3 仿真驗證

設計仿真環境為2000×2000m未知區域，UAV數量為5架，隨機初始位置。隨機布置若干個靜態目標，1個動態目標。為模擬環境的不確定性，圖1中所有靜目標為隨機生成。5架UAV通過自適應目標搜索模式觀測靜態目標和動目標，同時躲避視域中出現的障礙物。

當1號UAV發現動態目標時，跟蹤動態目標當達到一定時間時，假設其達到摧毀要求然后摧毀動態目標，繼續執行未完成的目標搜索任務，如圖2所示。

1號UAV摧毀動態目標后，靜態目標還沒有全部搜索完成，因此切換到靜態目標搜索任務當中，1號UAV與其他4架UAV協同配合進行剩余靜態目標的搜索，直到所有目標搜索完成，結束任務。

自適應目標搜索并不要求一次性生成搜索航跡，而是UAV每次通過感知周圍外界信息，在一定范圍內預測更新自身位姿。當搜索完所有動目標和靜目標后，結束當前任務。

4 結論

針對未知環境的目標搜索問題，提出一種多UAV自適應目標搜索方法，在面向不同的外界環境能夠及時調整運動策略，而且更能勝任隨機的外界環境，無論是環境當中障礙物數量多或者少，都不會對該搜索方法有很大的影響，因此該方法具有更好的搜索效率和環境適應性，能夠靈活應對不同外界環境。通過仿真，驗證了該方法在未知復雜環境下搜索的可行性。

參考文獻：

[1]D. Bertsekas and J. Tsitsiklis， "Parallel and distributed computation，"Englewood Cliffs， NJ， 1999.

[2]周建軍，陳趨，崔麥金.無人機的發展及其軍事應用[J].航空科學技術，2003，1：38-40.

[3]L. Bertuccelli， J. How， Search for dynamic targets with uncertain probability maps， in： Proc. of the American Control Conference， ACC 2006， p. 6.

[4]F. Bourgault， T. Furukawa， H.F. Durrant-Whyte， Optimal search for a lost target in a bayesian world， in： Field and Service Robotics， FSR 2003， pp. 209-222.

[5]Z. Mathews， S.B. i Badia， P.F. Verschure， Pasar： an integrated model of prediction， anticipation， sensation， attention and response for artificial sensorimotor systems， Inf. Sci. 186（2012）1-19.

[6]J.F. Ferreira，J.Dias，Probabilistic approaches to robotic perception， Springer Tracts in Advanced Robotics， vol. 91， Springer， 2014.

[7]J. Tisdale， Z. Skim， H. Karl， et al.， "Autonomous UAV path planning and estimation，"IEEE Robotics & Automation Magazine， vol. 16， no. 2， pp. 35-42，2009.