无人机集群如何从理论“飞进”现实

集群的概念源于自然界中大量生物的自组织行为，例如昆虫，鱼类或鸟群等，它们基于简单本地交互规则，或相互协调并协同解决问题，而出现的涌现性群体行为（emergent collective behavior）。 随着科技进步及日益增长的应用需求，近年来无人机呈现井喷式发展。 由于传统单机作业的局限性，无人机集群受到了越来越多的关注，研究人员开始探索如何让无人机集群像自然界生物群体一样高效自主的完成特定任务，从而设计出各式各样的集群算法。

但是，这些算法很少在真实硬件平台（无人机）上飞出实际集群效果，往往为了简化模型而忽略一些在多机器人系统中非常重要的问题，比如： 运动约束、系统通信能力、时延、障碍物和噪声等，因为考虑这些因素的同时也必然造成模型的复杂度和对应控制参数数量的增加，因此就需要合适的优化方法对模型及参数进行优化。

本 文通过一篇2018年的经典论文为大家介绍： 无人机集群如何从理论 ‘飞进’ 现实？

▌集群算法介绍

为真正地使多无人机能够在实际中飞出集群效果，需设计稳定且可扩展的集群控制算法，因此要解决算法的现实差距、适应性、扩展性和高维度问题。来自罗兰大学的Vásárhelyi Gábor团队在2014年为解决这些问题，设计出一套真正考虑这些因素的集群算法。

为了尽可能模拟实际无人机飞行时的状态，算法首先以Reynolds经典三定律：短距离排斥、中距离速度对齐，远距离吸引为基本控制思路，增加‘粘性摩擦项’（该项对整体算法的控制效果非常重要，有兴趣的同学可在原文深入了解），同时考虑现实与理论的差距和可能出现的不确定性，将无人机惯性、内/外噪声、传感器刷新频率、通信范围、时延等诸多现实因素加入到算法设计中，同时引入‘shill’-agent来完成有界环境下和存在障碍物环境中的控制，进而实现一种理论算法的模型实例化。为实现自组织集群和集群目标跟踪效果，分别提出两种控制律：

(1) 集群算法：

(2) 集群目标跟踪算法：

Vásárhelyi 在 2014年提出此针对现实场景的集群算法，同年一并实现用十架无人机在实际环境中真正飞出该算法的实际效果。 下面为算法的仿真和实际飞行效果：

图1. 第一行：两种集群算法仿真效果；

第二行：集群算法实际飞行效果；(图片取自引文[2][3])

▌优化的目的及方法介绍

关注模型的实例化（模型及其参数的特定值）是从理论算法到实际飞行非常重要的一环，当无视参数时可以说任何模型都是最好的实例，所以当拥有的模型不足以生成研究的运动模式时，为使模型可执行，需通过模型实例化才能实现算法从理论到实际的跨越。

从上面集群算法模型的复杂度可知，考虑现实因素后伴随着可调参数的数量增加，为使设计的集群算法真正能在现实中实现，需用正确合适的优化方法对模型参数进行优化。当前的很多集群模型和多机器人的系统较少关注模型的实例化，因此在实际实现中存在较大难度，Vásárhelyi团队为解决该问题，使用进化算法进行优化。

进化算法是受自然进化的启发，在面对诸如不可区分性、不连续性、多个局部最优和非线性相互作用等具有挑战性的问题时，已证明在解决难题方面具有竞争性。进化算法包含几个主要原则的变体：遗传算法，进化策略，差分进化和粒子群优化等等。进化策略，特别是协方差矩阵自适应演化策略(CMA-ES)，被认为是连续参数空间中的优秀优化器，因此Vásárhelyi团队使用CMA-ES对个体参数和算法参数进行优化。

自适应协方差矩阵进化策略算法(CMA-ES）是Nikolaus Hansen等人提出的一种新的进化算 法，通过模拟自然界生物进化过程，达到寻优目的，多个测试函数结果表明，该算法具有全局性 能好、寻优效率高的特点，为高计算代价复杂工程优化问题的求解提供了新的途径。有兴趣的同 学可以查询相关资料，下面为CMA-ES相比于进化策略(ES)和 遗传算法(GA)在二维 Schaffer 测试函数的具体优化效果展示。

图2. ES、GA、CMA-ES算法分别在 Schaffffer函数上的测试效果.

(图片取自CSDN:进化策略入门：最优化问题的另一种视角)

▌集群算法的优化过程和效果

为优化所提出的集群算法，使集群效果尽可能满足最大化集群连贯性和聚集性、最小化个体间和与边界的碰撞风险，尽可能达到整体期望集群速度并减少集群分裂，Vásárhelyi团队定义了6个评价函数指标：最小个体间碰撞风险  、最小个体与边界碰撞风险  、最大速度连贯性  、个体速度与 期望集群速度一致性  、最大聚集个体数  、最少分离个体数 每个评价函数的范围区间为0~1，通过相乘得出最终评价函数：

整体优化过程中包含无人机个体中的建模参数、集群算法中的控制参数和优化过程中的优化参数，需要优化的参数众多，同时包含整体仿真的初始配置，该团队对该模型在超级计算机上最终进化了150代，15000次充分适应进化，单代进化需要2~6天的计算。同时为了验证稳定性，对每个速度优化出来的参数又进行了100次随机试验，最后通过对比打分确定合适的参数设置后，放在实际无人机上进行真实实验，最终实现了三十架无人机在受限环境下的全自主飞行，也是当时最多数量的无人机全自主集群飞行！

图3. 左图：优化后算法飞行实验轨迹效果；

右图：真实无人机集群效果；(图片取自引文[1])

▌结语

前面的介绍大体讲述了无人机集群如何从理论 ‘飞进’ 现实：首先在无人机建模时需要考虑现实因素，比如机体本身惯性、内/外噪声、传感器刷新频率等等，其次在设计集群算法时考虑受限环境条件、避碰/障、集群方式等以达到期望集群效果，然后选择合适的优化方法，制定优化目标参数，最后实现集群算法从理论‘飞进’现实的效果。

这项工作无论是从算法设计、优化方法还是集群实际飞行都是相当具有挑战性的，最后能飞出如此惊艳的集群效果每一环节都是极其重要的，为真实无人机全自主集群飞行这一领域奠定了基础，这既是压力也是动力，所以，让无人机集群创造出更多、更有价值的事情需要我们继续努力！

参考资料

[1]. Vásárhelyi G, Virágh C, Somorjai G, et al, ''Optimized flocking of autonomous drones in

confined environments'', Science Robotics, vol. 3, no. 20, 2018.

[2]. Virágh C, Vásárhelyi G, Tarcai N, et al. ''Flocking algorithm for autonomous flying robots''.

Bioinspiration and Biomimetics, vol. 9, no. 2, 2014.

[3]. Vásárhelyi G, Virágh C, Somorjai G, et al, "Outdoor flocking and formation flight with

autonomous aerial robots", in Proceedings of the IEEE/RSJ International Conference on Intelligent

Robots and Systems, pp. 3866-3873, 2014.

[4]. Hansen N, ''The CMA evolution strategy: A tutorial'', arXiv:1604.00772, 2016.

文章来源：无人机

免责声明：本文系网络转载，版权归原作者所有。如涉及版权，请联系删除！