基于动物集群行为的无人机群目标围捕策略

陈志鹏，李健

（四川大学电子信息学院，成都 610065）

0 引言

多无人机协同控制是这几年的研究热点，而分布式是其中的研究偏向，相较于集中式控制，分布式要求各个无人机等价，拥有相同的功能，不需要集中控制。生态系统中，每个动物是单独的个体，动物个体行为相对简单，集合成群后往往能表现出复杂的行为，完成复杂的任务。随着无人机技术的发展，单个无人机的执行任务能力、可靠性、效率等都有很大提高，但遇到复杂的，需要高效率的，对空间分布有要求的任务时，往往难以胜任，此时只有通过多个无人机合作才能完成。本文提出基于鱼群的多无人机目标围捕策略方法，通过多无人机围捕考察多无人机鲁棒性，同时无人机目标围捕也是目前无人机群发展的研究主题之一。

在没有目标或没有检测到目标的环境下，无人机群遵循集群行为的三原则模型——Biod模型，在仿真中体现集群行为的实际情况：向邻居中心靠拢，尽量与邻居方向一致，尽量避免碰撞。仅仅依靠三原则模型，可能会使无人机陷入局部最优，分散为多个无人机小群体，为了避免该情况发生，使每个个体向群体中心靠拢，这里我们在Biod模型的基础上加入内聚性。

在有目标或检测到目标的环境下，无人机群采取目标围捕策略。付勇、汪浩杰设计了围捕机器人速度小于目标点速度的围捕策略，但该情况只有目标进入机器人包围圈时围捕成功率才得到提高[2]。裴惠琴、陈世明、孙红伟提出可扩展移动机器人群体的围捕控制[3]，核心是用数量优势弥补速度劣势，而且假定围捕目标是直线运动，不适用于本文提出的随机运动的情况。本文提出一种基于势点的协作包围策略，在目标点周围建立围捕势点，每架无人机占据一个势点，然后收缩包围圈。最终形成围捕，使目标点无法移动或者速度明显降低而无法逃脱包围圈。

若目标点包含逃逸策略，设置目标点的感知半径为R，当目标点感知到围捕无人机时，会朝着反方向逃逸，若围捕无人机没有速度上的优势，则围捕成功率会大大降低。为了提高该情况下的围捕成功率，需要进行拦截围捕。王斐、魏巍、吴成东采取相关路径规划方法对目标进行实时跟踪[4]，但这只是沿着目标轨迹被动跟踪，并没进行拦截围捕，当追捕目标有逃逸策略时，围捕成功率会降低。因此，很多研究者采用轨迹预测模型，围捕机器人除了追捕任务，部分拦截机器人直接向预测位置移动，提高了围捕成功率。如有采用卡尔曼滤波方法实现了目标预测跟踪[5]、神经元预测法[6]、方法运算复杂，收敛速度慢，不适用于高动态的无人机网络。本文使用最小二乘预测法，对目标轨迹进行采样并通过预测方程预测目标未来位置，虽然精度没有前两个那么高，但是有运算速度快的优点，而且对于目标的预测，并不需要太高的精度，只需达到对目标行进路线的探知并提前分布好无人机进行拦截，这样就能把围捕区域控制在理想区域内。

1 任务描述

本文采用的场景是多对单的无人机围捕场景。围捕任务分为搜索、预测、包围/拦截、缩小包围、捕获，在二维受限制的场景中，围捕无人机和目标点一开始设置为随机运动，围捕无人机半径r1，数量N，目标半径r2，目标点感知半径R2，也称之为安全距离，在围捕过程中，围捕半径R应该大于该安全距离，防止目标点侦测到威胁而逃逸。在形成包围圈后，再缩小围捕半径R，目标点无法逃逸或者移速明显降低则视为围捕成功。

2 最小二乘法轨迹预测的目标围捕

当有N架围捕无人机时，则在目标点周围建立N个势点，N/2作为追捕势点，N/2作为拦截势点，每架无人机占据一个势点，则追捕势点的坐标表示为:

（xe,ye）为目标点坐标，（xi,yi）,{i=1,2,3..，N/2}为追捕势点集合。拦截势点表示为：

（xc,yc）为t时刻后预测的目标点坐标，（xi,yi）,{i=N/2+1,N/2+2…,N}为拦截势点集合。

如果围捕机器人都从同一侧进行目标追捕时，若无人机速度V1小于目标速度V2，则很容易让目标点往相反方向逃脱，所以至少达到两面拦截，这样才体现无人机群的合作策略。如图1，有6个无人机对目标点进行围捕，用P{P1,P2,…,P6}表示围捕无人机的集合，P1,P2,P3进行跟踪围捕，P4,P5,P6进行拦截围捕。

最小二乘法是一种经典的曲线拟合方法，相较于卡尔曼滤波方法和神经元法，它有收敛速度快的优点，这里我们利用最小二乘法进行目标轨迹曲线的拟合，从而预测目标下一刻的位置。这里每隔t1时刻记录一次目标轨迹上的坐标，记录k个相异的坐标点（x1,y1），（x2,y2），…，（xk,yk），每当记录一个新的坐标点 k+1，则丢弃最旧的点，则可以实现最新的动态预测。求一个m 次多项式 P（x）（k

求出系数a0，a1，…,ak,由a0，a1，…,ak来预测目标在未来时刻n的位置yk+n=P( )xk+n。n的取值过小者达不到预测效果，如果太大预测准度不高，需通过经验确定n值的大小。

当目标处于包围圈中时，围捕无人机收缩围捕半径R，如图1所示，当有6架围捕无人机，则围捕角度，目标半径r2,无人机半径r1，若要使目标无法逃脱，应有L<2（r1+r2）,又由圆的半径和弧度的关系有所以为了防止目标逃脱形成有效围捕，包围半径至少收缩到不同的无人机数量，动态的调整围捕半径，或者根据围捕半径，计算出形成有效围捕需要多少架无人机。

图1 目标预测的追捕拦截策略

3 围捕算法流程

如图2所示，当无人机群没有发现目标点的时候，按照动物集群原则进行群体移动，在仿真环境中，为了更好观察和体现基于动物群体的集群行为，我们适当增加无人机数量。当目标点出现时，则分配一定的无人机完成目标围捕任务，为保证有效围捕，围捕半径R应该设置比目标的感知半径R2大。

图2 无人机群目标围捕策略流程图

4 仿真实验

为了验证本文提出围捕策略的有效性，本文在Windows10环境下采用MATLAB进行仿真实验。

仿真在200×200的无障碍环境中有6架无人机和一个围捕目标，无人机速度设为1m/s,目标点速度3m/s,图3是t=0时的初始状态，机群检测到目标点，图4是t=100s,两拨机群形成围捕拦截状态，当目标点在包围圈时，防止目标逃脱，机群收缩包围圈至围捕半径为表1和表2对有无采用预测轨迹的拦截围捕策略进行目标围捕成功率进行比较，现在在没有数量优势和速度优势的条件下，只有基本追捕策略条件的围捕成功率只有30%，只有围捕无人机群的初始坐标位置大致分布在目标点的四周时，才有可能捕获目标。

表1 基本群体捕食策略实验结果

表2 最小二乘法拦截/围捕策略实验结果

5 结语

本文提出基于动物集群行为的无人机群目标围捕策略，无人机除了具有类似生物群体的群体行为，还从中加入了基于势点的围捕策略，在安全距离外对目标形成包围圈，最终收缩包围圈捕捉目标点。为了提高围捕成功率，本文加入基于最小二乘法的预测模型，使一小队无人机在目标点的前进方向上进行拦截，提高了围捕成功率。

图3 初始状态

图4 围捕/拦截

图5 形成包围圈

图6 缩小包围圈

参考文献：

[1]段海滨,李沛.基于生物群集行为的无人机集群控制[J].科技导报,2017,35（7）:17-25.

[2]付勇,汪浩杰.一种多机器人围捕策略[J].华中科技大学学报,2008,36（2）:26-29.

[3]裴惠琴,陈世明,孙红伟.动态环境下可扩展移动机器人群体的围捕控制[J].信息与控制,2009,38（4）:437-443.

[4]王斐,魏巍,吴成东.未知环境下的多移动机器人协作围捕[A].中国控制与决策会议论文集[C].东北大学出版社,2009：3024-3029

[5]Chi-Yi Tsai,Kai-Tai Song,Dutoit,X,etal.Robust Mobile Robot Visual Tracking Control System Using Self-Tuning Kalman Filter[A].International Symposium on Computational Intelligence in Robotics and Automation[C].Jacksonville,FL,USA,IEEE Computer Society Press.2007.161-166.

[6]Dongbing Gu,Huosheng Hu.Neural Predictive Control for a Car-Like Mobile Robot[J].International Journal of Robotics and Autonomous Systems,2002,39（2-3）:1-15