第3期 楼传炜，等：无人机群目标搜索的主动感知方法 ·577· 根据文献[18]的方法，用栅格对环境划分 于历史环境信息选择的运动方式；X(1-1)和X() 后，当未知环境下的多无人机协同搜索目标时， 表示无人机相邻时刻的运动状态，根据蚂蚁觅食 目标状态的不确定性使搜索过程被简化为一个概 的仿生机理选择不同的运动方式，运动状态表达 率问题，每一个栅格都用概率密度x,y,σ)表示目 式为 标存在的可能性，公式为 X(0)=[x(①)，y(),v(),c 1 式中：x、y表示无人机坐标；v表示无人机的速 度；c表示无人机是否捕获到目标，c=1时表示捕 式中：x和y的坐标相互独立且均相对于一个栅 获到目标，反之表示没有捕获到目标。无人机感 格而言，以栅格中心为原点建立横纵坐标，坐标 知域信息S()由运动方式和运动状态决定，感知 范围均为[-0.5a,0.5a:为标准差，如图2所示。 域信息表达式为 S(t)=[r(),T(t0),s(] 式中：T为所有无人机已搜索过的栅格序号集合： s为无人机可选的运动方式集合；π为信息素。无 人机通过综合考虑信息素浓度、栅格访问情况和 可选的运动方式进行搜索，得到新的环境信息。 05 0 格 -0.5-0.5 0格 (I H() 图2目标分布 Fig.2 Target distribution 1.3研究动机 为提升蚁群搜索算法对规模较大的栅格环境 A() S(1) 的适应力，本文结合主动感知里运动与感知相结 合的特性，提出基于蚁群算法的主动感知搜索框 架，使无人机实现根据环境信息选择运动方向的 功能。在搜索过程中，由于启发函数只与相邻节 什+ Y(-1) X(1) 点间距离有关，文献[16]中蚁群的决策机制并不 能随着周围环境的变化而提高引导性能。本文在 决策机制的基础上融入了栅格访问值，提出具有 图3主动感知搜索框架 探索偏好的未搜索概率，使得无人机探索的兴趣 Fig.3 Active perception search framework 随栅格访问值的增大而提高，将刺激概率与表征 无人机飞行高度一定的条件下，飞机通过调 目标热点的信息素相结合，得到无人机运动方式 整偏航、俯仰和滚转姿态，固定翼产生的合力会 选择机制。在这种机制下，无人机会综合考虑目 对飞机产生左前进、前进、右前进、左后退、右后退、 标高概率出现区域和未探索区域，与仅通过信息 后退、左移和右移这8个方向的运动，如图4所示。 素来搜索的这种机制相比更具目标针对性和环境 的探索性。此外，为了将无人机搜索结果与信息 素更新有机结合，本文将目标存在概率作为信息 素更新的量的尺度，通过改变标准差调节尺度大 小，实现了环境信息的更替。 2主动感知搜索框架 本文基于蚁群搜索算法提出了UAVs主动感 知搜索框架，如图3所示。 图3中H(1-1)和H()分别代表相邻时刻的 历史环境信息，此信息由目标出现概率和蚂蚁的 信息素表示，目标出现概率的更新与信息素的释 图4无人机运动方式 放和挥发表示环境信息的变化；A()为无人机基 Fig.4 UAV motion mode根据文献 [18] 的方法，用栅格对环境划分 后，当未知环境下的多无人机协同搜索目标时， 目标状态的不确定性使搜索过程被简化为一个概 率问题，每一个栅格都用概率密度 f(x,y,σ) 表示目 标存在的可能性，公式为 f (x, y,σ) = 1 2πσ exp( − ( x 2 +y 2 2σ2 )) 式中：x 和 y 的坐标相互独立且均相对于一个栅 格而言，以栅格中心为原点建立横纵坐标，坐标 范围均为 [−0.5a,0.5a]；σ 为标准差，如图 2 所示。 3 2 1 0 0.5 0.5 0 0 y/格 −0.5 −0.5 z/格 x/格 图 2 目标分布 Fig. 2 Target distribution 1.3 研究动机 为提升蚁群搜索算法对规模较大的栅格环境 的适应力，本文结合主动感知里运动与感知相结 合的特性，提出基于蚁群算法的主动感知搜索框 架，使无人机实现根据环境信息选择运动方向的 功能。在搜索过程中，由于启发函数只与相邻节 点间距离有关，文献 [16] 中蚁群的决策机制并不 能随着周围环境的变化而提高引导性能。本文在 决策机制的基础上融入了栅格访问值，提出具有 探索偏好的未搜索概率，使得无人机探索的兴趣 随栅格访问值的增大而提高，将刺激概率与表征 目标热点的信息素相结合，得到无人机运动方式 选择机制。在这种机制下，无人机会综合考虑目 标高概率出现区域和未探索区域，与仅通过信息 素来搜索的这种机制相比更具目标针对性和环境 的探索性。此外，为了将无人机搜索结果与信息 素更新有机结合，本文将目标存在概率作为信息 素更新的量的尺度，通过改变标准差调节尺度大 小，实现了环境信息的更替。 2 主动感知搜索框架 本文基于蚁群搜索算法提出了 UAVs 主动感 知搜索框架，如图 3 所示。 图 3 中 H(t－1) 和 H(t) 分别代表相邻时刻的 历史环境信息，此信息由目标出现概率和蚂蚁的 信息素表示，目标出现概率的更新与信息素的释 放和挥发表示环境信息的变化；A(t) 为无人机基 于历史环境信息选择的运动方式；X(t－1) 和 X(t) 表示无人机相邻时刻的运动状态，根据蚂蚁觅食 的仿生机理选择不同的运动方式，运动状态表达 式为 X (t) = [ x (t), y (t), v (t), c ] 式中：x、y 表示无人机坐标；v 表示无人机的速 度；c 表示无人机是否捕获到目标，c=1 时表示捕 获到目标，反之表示没有捕获到目标。无人机感 知域信息 S(t) 由运动方式和运动状态决定，感知 域信息表达式为 S (t) = [τ(t),T (t),s(t)] 式中：T 为所有无人机已搜索过的栅格序号集合； s 为无人机可选的运动方式集合；τ 为信息素。无 人机通过综合考虑信息素浓度、栅格访问情况和 可选的运动方式进行搜索，得到新的环境信息。 H (t−1) X (t−1) A (t) S (t) H (t) X (t) t++ t++ 图 3 主动感知搜索框架 Fig. 3 Active perception search framework 无人机飞行高度一定的条件下，飞机通过调 整偏航、俯仰和滚转姿态，固定翼产生的合力会 对飞机产生左前进、前进、右前进、左后退、右后退、 后退、左移和右移这 8 个方向的运动，如图 4 所示。 图 4 无人机运动方式 Fig. 4 UAV motion mode 第 3 期 楼传炜，等：无人机群目标搜索的主动感知方法 ·577·