障碍物环境下的多UAV自适应目标搜索算法研究

宋育武 李娟 贾林通

摘 要：针对未知环境下，无人飞行器（UAV，Unmanned Aerial Vehicle）利用传统搜索模式或离线设计航迹规划的方法进行多目标搜索，尤其是在未知的障碍物环境中，利用传统的搜索算法会出现搜索效率低，定位精度不稳定和环境适应能力差等问题。文章提出一种多UAV自适应目标搜索方法，根据传感器获取环境的目标信息，利用分区域协同规划策略，实现多UAV对所分配的子区域做自适应目标搜索；仿真结果表明，该方法能够很好地完成在未知环境中出现不确定障碍物情况下的目标搜索任务，而且在保障搜索到的目标状态信息可信度的情况下，具有较强的环境适应性，搜索效率较高。

关键词：无人飞行器；障碍物环境；区域规划；避障

中图分类号：TN958.98 文献标志码：A 文章编号：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

在未來战争中，无人机（UAV）的作战任务主要是在敌方区域进行，而由于敌方环境的复杂性和动态性，是不可能预先完全获得任务环境的目标信息与威胁信息。面对未知搜索环境，所以，未来无人机就必须具备在未知环境中在线实时航迹规划的能力。

针对未知环境，借鉴滚动时域优化思想和A*优化搜索算法的思想，提出了实时局部优化航一部分学者针对部分未知环境下进行了局部航迹调整，但并不能完全实现未知环境下高效的搜索效果和实时适应环境的能力。随机搜索法等在理论上未知状态下目标均匀分布的环境条件下，可进行在线目标搜索，但由于全局信息未知，从而使得算法难以独立支撑，且计算量过大。文献[1，2]中提出基于感知的搜索算法，航迹设计虽具备时效性，但搜索覆盖方法过于依赖视域范围内的外界目标信息，在无目标状态观测下并没有利用合理的优化补充策略。

本文首先以分布式结构体系的多UAV完成目标区域搜索任务，考虑雷达等传感设备探测过程中的非线性噪声影响，分析了未知环境特性，提出一种分区域规划的多机协同的自适应目标搜索方法，能够完成在未知障碍物环境下的目标搜索任务。最后通过仿真验证了该方法的可行性，该方法能够应对未知空间目标搜索的不确定信息，在保障搜索到的目标状态信息可信度的情况下，同时具有环境适应性和空间目标搜索的高效性。

1 问题描述

UAV在未知环境中执行区域目标搜索任务，任务初始条件已知，目标信息与障碍物信息为未知，在满足定位精度以及避开威胁的条件下，执行目标搜索任务。因此，任务影响应考虑以下问题：

（1）UAV目标搜索，要求多UAV之间能够合作完成搜索任务[3-4]，做到数据资源共享，任务分配明确。

（2）视觉受限：UAV通过激光雷达探测目标有一定的

距离限制，在雷达探测视域范围外的物体均不能够被发现。

（3）躲避威胁：在位置搜索环境中，会存在不确定障碍物，UAV系统必须确保能够安全避障，保障UAV任务的顺利进行。

2 UAV自适应目标搜索策略

本文采用的激光雷达视域范围R为150m，目标可信度范围为r，水平开角？琢为360°。UAV在搜索目标的过程中，能够通过感知外界环境信息，通过对环境的判断，实时动态预测[6]未来的航迹信息，做自适应目标搜索。

2.1 任务模式

当UAV视域范围内存在目标时，UAV要具备区分静目标与动目标[7]的能力，若为静目标，则估计并记录其位置等状态信息。若为动目标，则根据观测轨迹实现目标预测并跟踪，当距离目标一定范围时，摧毁动态目标后继续执行目标搜索。

UAV视域内无任何目标时，UAV将采用分区域搜索策略。若锁定的子区域为该UAV的任务子区域，航行至该子区域执行目标搜索。反之，计算上述子区域以外的其他搜索覆盖最低的子区域，重新计算其是否为锁定状态和任务归属后，寻找满足条件的子区域，并确立子区域与该UAV的搜索任务关系。

2.2 自适应目标搜索算法

自适应目标搜索要求UAV能够面对未知环境，调整运动状态，在线规划任务航迹，实时动态规划未来的位置信息。

首先考虑如下简化的UAV运动方程与观测方程；

其中，？字表示UAV与目标的相对距离，x？兹（k）表示UAV在水平方向方向角，？兹表示视域范围内的目标在水平方向相对于UAV的夹角。

目标函数的显示形式是无法预知的，但是在每个时刻的时间节点处，可通过感知计算这些函数的噪声测量估计，可使用函数近似的方法，估计在每个时刻k处的未知目标函数J，根据：

其中k为优化评价函数的估计值；？谆表示k时刻计算的参数估计矢量；？准表示回归项的非线性矢量。

根据参数估计向量？谆k，融入最小二乘法，计算估计参数为：

在k时刻，UAV以当前时间节点的位置为基准，预选k+1时刻中R个候选位置：

均值且单位方差的随机变量，i为目标编号。

由优化标准函数计算各优化标准值，选取最优标准值作为UAV的最新位置：

3 仿真验证

设计仿真环境为2000×2000m未知区域，UAV数量为5架，随机初始位置。随机布置若干个静态目标，1个动态目标。为模拟环境的不确定性，图1中所有静目标为随机生成。5架UAV通过自适应目标搜索模式观测静态目标和动目标，同时躲避视域中出现的障碍物。

当1号UAV发现动态目标时，跟踪动态目标当达到一定时间时，假设其达到摧毁要求然后摧毁动态目标，继续执行未完成的目标搜索任务，如图2所示。

1号UAV摧毁动态目标后，静态目标还没有全部搜索完成，因此切换到静态目标搜索任务当中，1号UAV与其他4架UAV协同配合进行剩余静态目标的搜索，直到所有目标搜索完成，结束任务。

自适应目标搜索并不要求一次性生成搜索航迹，而是UAV每次通过感知周围外界信息，在一定范围内预测更新自身位姿。当搜索完所有动目标和静目标后，结束当前任务。

4 结论

针对未知环境的目标搜索问题，提出一种多UAV自适应目标搜索方法，在面向不同的外界环境能够及时调整运动策略，而且更能胜任随机的外界环境，无论是环境当中障碍物数量多或者少，都不会对该搜索方法有很大的影響，因此该方法具有更好的搜索效率和环境适应性，能够灵活应对不同外界环境。通过仿真，验证了该方法在未知复杂环境下搜索的可行性。

参考文献：

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

[2]周建军，陈趋，崔麦金.无人机的发展及其军事应用[J].航空科学技术，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.