无人机集群控制及其应用——无人机编队仿真（Matlab代码实现）

本文链接：https://blog.csdn.net/weixin_67304359/article/details/144736339

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

四旋翼无人机具有成本较低、设备简单、飞行时间灵活等特点，近些年被广泛应用于军事和民用领域，如目标侦察、应急救援、农业植保、无人机灯光表演。随着任务复杂度的增加，单架无人机往往难以满足任务需求，因此无人机集群控制及其应用由此成为目前的研究热点，多无人机集群能够提高执行任务效率和灵活度。无人机队形变换控制方法是实现多无人机编队飞行的前提，集群无人机队形重构问题是我们要考虑的一个重要问题，让每架无人机都能从初始位置无碰撞的到达最终位置，进而保证队形重构过程中代价最小或能耗最优。其中目标分配问题最多利用匈牙利算法进行解决，但是在多无人机轨迹规划时普遍存在计算难度大、规划时间增长、规划效率难以满足实际需求的问题。因此，探索计算简便、效率高的多无人机路径规划算法是目前迫切需要的。

无人机集群控制及其应用——无人机编队仿真研究

一、引言

无人机集群控制是指通过先进的通信、导航和控制算法，实现多架无人机之间的协同、协调和高效的任务执行。随着无人机技术的不断发展，无人机编队飞行得到了越来越多的关注。与单架无人机相比，无人机编队可以显著提高其完成作战任务的效率，如执行侦查、打击、通信中继、环境监测、灾害救援、交通监管等多种任务。

二、无人机集群控制技术

无人机集群的控制技术包括通信技术、路径规划技术、碰撞避免技术、分布式控制技术、集中式控制结构、混合式控制结构、任务与资源分配以及实时数据处理等方面。

通信技术：实现无人机之间的实时数据传输和共享，确保集群控制的准确性和稳定性。这通常采用无线通信技术，如Wi-Fi、LoRa、Zigbee或定制的无人机专用通信协议。
路径规划技术：通过对任务区域进行建模和分析，确定最优的路径规划方案，使无人机能够高效地完成任务。常用的路径规划算法有A*算法、Dijkstra算法和遗传算法等。
碰撞避免技术：利用无人机之间的通信和传感器技术，感知周围环境和其他无人机的状态，避免碰撞事件的发生。常用的碰撞避免算法有最近邻算法、虚拟势场算法和避障路径规划算法等。
控制结构：
- 集中式控制结构：有一个主控单元负责全局信息和任务分配，但存在计算复杂度高、反应速度慢等问题。
- 分布式控制结构：更加灵活，适用于动态环境，但协调合作难度较大。
- 混合式控制结构：结合了两者的优点，既包含统一全局的中央管理模块，也采用分布式结构中每个成员无人机之间的通信方式。

三、无人机编队仿真研究

无人机编队飞行可以大幅提高作战效率，但也面临多机任务协同分配、传感器数据融合等问题。无人机编队仿真研究旨在通过模拟无人机编队的飞行过程，验证和优化编队控制算法。

编队运动模型：
- 采用长机-僚机结构，建立以僚机速度方向为X轴且建立固连于僚机的旋转坐标系。
- 根据两机相对运动关系建立编队运动数学模型，设计控制器进行仿真验证。
控制器设计：
- 设计一种小脑模型神经网络（CMAC）与PID并行控制器，利用PID构成反馈控制，CMAC构成前馈控制。
- 以双机编队为基础对控制器进行仿真验证，仿真结果表明该控制器能够实现编队队形保持与重构，并且与传统PID控制器相比，在受到指令扰动及控制器参数变动时，长机与僚机间距变化较小，调节过程明显加快，具有更强的鲁棒性。

四、无人机编队应用

无人机编队的应用领域十分广泛，主要包括以下几个方面：

侦察：无人机集群可以在不同区域进行搜索和侦查，及时发现和评估威胁。在军事领域，这可以提高作战效率和准确性；在民用领域，则可用于环境监测、交通监管等任务。
打击：通过搭载武器和感应设备，无人机集群可以对打击目标进行反应和打击。这在军事领域具有显著优势，能够快速响应并摧毁敌方目标。
通信中继：无人机集群可以作为临时的通信中继节点，提高通信覆盖范围和可靠性。在自然灾害发生时，这种应用尤为重要，可以确保救援行动的通信畅通。
环境监测：无人机集群可以快速巡查各个区域，获取空气质量、水质、土壤等信息，为环境保护和研究提供支撑。
灾害救援：在地震、洪水等自然灾害发生时，无人机集群可以快速定位受困人员并提供实时数据支持救援行动。

五、结论

无人机集群控制及应用技术是一项复杂而富有挑战性的领域，涉及多个学科和技术。随着技术的不断发展和进步，无人机集群控制技术将在更多领域发挥重要作用。未来的无人机集群将具备更高的智能化水平和自主决策能力，能够应对更加复杂和多变的任务场景。同时，随着技术的不断进步和应用领域的不断拓展，无人机集群的成本也将逐渐降低，推动其在民用和商用领域的广泛应用。

📚2 运行结果

主函数部分代码：

% 该程序用到
%  main.m :
%            主函数  

%  calc.m  ：
%            位置计算函数，实际上是将矩阵的点绘制到固定坐标位置
%        例如矩阵 array_f 中第一行第二列中的1 表示一架无人机。在模型场景中
%        他的位置实际上是(90, 30)，这个计算过程就是通过这个函数计算得到，知道他的功能就行。
%
%  move.m :
%            位置移动函数，该函数主要功能是做点的位置移动，不需要理会。
%
% my_function.m
: %           算法函数，需要完成的算法函数，具体要完成什么在函数中有说明

% 


clc
clear all

symbol   = 'bo';  % 打点颜色符号(b. 蓝点； bo蓝圈)
symbol1  = 'wo';  % 打点颜色符号(w. 白点； wo白圈)
   
dt = 1; % 采样步距
v  = 1; % 速度


% 设置两点之间距离
width = 10;

% 做 8*8 矩阵 19 个点  字符：F  初始矩阵
array_f = [0 1 1 1 1 1 1 0;
           0 0 1 0 0 0 0 0;
           0 0 1 0 0 1 0 0;
           0 0 1 1 1 1 0 0;
           0 0 0 0 0 1 0 0;
           0 0 1 0 0 0 0 0;
           0 0 1 0 0 0 0 0;
           0 1 1 1 0 0 0 0];
       
% 做 8*8 矩阵 19 个点  字符：Z  目标矩阵
array_z = [0 1 1 1 1 1 1 0;
           0 1 0 0 0 1 0 0;
           0 0 0 0 1 0 0 0;
           0 0 0 1 0 0 0 0;
           0 0 0 1 0 0 0 0;
           0 0 1 0 0 0 0 0;
           0 0 0 0 0 1 0 0;
           1 1 1 1 1 1 0 0];

%场景的范围       
xmin = 0;xmax = width * 8 + 20;ymin = 0;ymax = width * 8 + 20; 


% 创建一个空的坐标图
axis([xmin xmax ymin ymax]); %设定坐标范围
figure(1);
hold on ; %保留绘图内容



% 初始化矩阵 

 %  该矩阵用于保存开始坐标位置 实际上是一个二维矩阵，矩阵的索引号就是 ID 号 第一位元素为 x 轴坐标，第二位元素为 y 轴坐标
 %   例如： id_sta_addr(7, 1) 表示 ID7 的无人机 X 轴坐标位置； 同理 id_sta_addr(7, 2)表示 ID7 的无人机 Y 轴坐标位置
id_sta_addr = zeros(19,2);  

%  该矩阵用于保存结束坐标位置
id_sto_addr = zeros(19,2);

%  该矩阵用于无人机在飞行过程中的临时坐标信息
id_cur_addr = zeros(19,2);

% 该矩阵用于保存所有无人机的最终要飞行的时间 是一个一维数组， 同上索引和就是ID号
% 例如 id_tm(1) 表示 ID1的无人机 飞行的时间
id_tm = zeros(19, 1);  

% 临时变量
index = 1;

% 给飞机实时编号，行扫描 安置无人机初始位置 实际上就是按比例显示F  这个函数不需要关心
% 他的工作就是 扫描 8*8 的矩阵，然后将矩阵中为 1 元素的位置按比例在图纸上用圆圈描绘出来
% 其中 两无人机的 位置宽带设置由 width 决定，如果 width = 10 ，则表示两无人机位置宽度为10个单位宽度
% 在该循环中 calc(i, j, width) 函数 是将 'F' 按比例放大并安置无人机到模型当中
% 其中 ID 的扫描顺序为: 第一行从左边第一列开始，到最后一列依次定义。
% 例如：array_f 中第一行第二列的 定义为 ID1;  array_f 中第一行第七列的 定义为 ID6; 以此类推
for i = 1: 8
  for j = 1: 8 
        % start 坐标
        if array_f(i, j) == 1
            % 做矩阵点位置应该实际场景
            [id_sta_addr(index, 1), id_sta_addr(index, 2)] = calc(i, j, width);
            % 安置飞机
            plot(id_sta_addr(index, 1), id_sta_addr(index, 2), 'bo');
            index = index + 1;            
        end
  end
end
    
% 临时变量  保存ID 变化的位置信息
temp_info = zeros(19, 2);  


% 算法部分  完成 my_function 函数即可
% temp_info 保存着各个ID的变化信息
temp_info = my_function(array_f, array_z);

% 将矩阵中各个 ID 的位置信息映射到 实际的位置上
% 其中 temp_info(id, 1) 表示的 id n 的 x 轴坐标; temp_info(id, 2)表示的 id n 的 y 轴坐标
for id=1:19
    [id_sto_addr(id, 1) , id_sto_addr(id, 2)] = calc(temp_info(id, 1), temp_info(id, 2), width);
end


pause(2);



% % 测试部分%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 
% id_sto_addr = id_sta_addr;
% 
% % calc(2, 2, width); 中(2,2)表示无人机终止位置坐标，width表示位宽
% %id_sto_addr(7, 1)； 中(8,1)表示8 表示 ID， 1 表示 X坐标， 2 表示Y坐标
% % 表示 ID 7的点 移动到(2,2) 的位置
% [id_sto_addr(7, 1) , id_sto_addr( 7, 2)] = calc(2, 2, width);
% [id_sto_addr(8, 1) , id_sto_addr( 8, 2)] = calc(3, 5, width);
% [id_sto_addr(9, 1) , id_sto_addr( 9, 2)] = calc(2, 6, width);
% [id_sto_addr(10, 1), id_sto_addr(10, 2)] = calc(4, 4, width);
% [id_sto_addr(11, 1), id_sto_addr(11, 2)] = calc(5, 4, width);
% [id_sto_addr(12, 1), id_sto_addr(12, 2)] = calc(8, 5, width);
% [id_sto_addr(13, 1), id_sto_addr(13, 2)] = calc(7, 6, width);
% [id_sto_addr(14, 1), id_sto_addr(14, 2)] = calc(8, 6, width);
% [id_sto_addr(16, 1), id_sto_addr(16, 2)] = calc(8, 1, width);
% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%


%计算 各个无人机运行时间
% 假设无人机 开始位置设置为（x1, y1），终止位置设置为(x2,y2) 则他们运行时间为:
%                   t =  sqrt((x1 - x2)^2 + (y1 - y2)^2) / v  （时间 = 路程 / 速度）
% 其中 sqrt 表示开根号
% 这里 使用一个循环则表示计算各个无人机 改变位置需要消耗的时间
 for i=1:19
  id_tm(i)=sqrt((id_sto_addr(i, 1)-id_sta_addr(i, 1))^2 + (id_sto_addr(i, 2)-id_sta_addr(i, 2))^2) / v; %计算这个 Step 的移动时间
 end

 % 前面使用的 for 循环已经 计算出所有飞机飞行或改变位置的消耗时间
 % 由于无人机的时间有长有短，所以要得到最后变化的队形，肯定是按照最长时间计算变化时间
 %这里就是获取最大的变化时间
max_tm = max(id_tm);

% 该部分有两重循环， 第一重循环是表示 时间 扫描表示的是时间更新 其中 dt 表示无人机飞行过程中的更新时间 默认dt = 1
% 如果 dt = 1则表示 1s 更新一次飞行状态
% 可以不用理会 这个  写算法用不到
 for t=0:dt:max_tm
     
    % 扫描19个点
    for index = 1:19
        % 单点移动
        [id_cur_addr(index, 1), id_cur_addr(index, 2)] = move(index,       ...
                                                              id_sta_addr, ...
                                                              id_sto_addr, ...
                                                              id_cur_addr, ...
                                                              t,           ...
                                                              id_tm,       ...
                                                              v);

    end
    
    % 停顿一段时间显示
    pause(0.1);