·576· 智能系统学报 第16卷 有更好的容错性和鲁棒性，在目标搜索以及路径 索偏好的刺激概率，构建了无人机运动方式选择 规划方面有着广泛应用，其中无人机路径规划 机制，设计了环境信息的更替方式，最后进行了 问题常用蚁群算法优化解决，已有学者在环境已 仿真验证。 知的基础上研究了二维平面81以及三维空间川 上的路径规划方法，文献[12]在TSP问题中利用 1问题描述 负信息素实现搜索的多样化，有效减少了遍历城 本文设定n架无人机在环境I下协同搜索未 市的时间。文献[13】提出一种求解凸优化子问题 知动态目标，每架UAV独立感知环境并将信息 的定制内点法来提高多无人机协同轨迹规划效 存入环境栅格中与其他UAV交互，将存储的目 率。文献[14]基于蚁群协调方式，提出了基于仿 标信息整合并更新，获取系统更新后的信息，通 生集群算法的无人机集群分布式目标搜索模型。 过运动方式选择机制决策下一步的动向，从而有 在此类问题研究中，搜索目标的位置是已知的， 效地搜索目标。为有效开展搜索工作，UAV只对 而无人机群搜索任务主要是对不确定的或动态的 高浓度信息素区域的和未搜索区域感兴趣。 目标的搜索，因此上述蚁群算法不能解决目标 11环境描述 位置未知的问题。 本文用I,×L的栅格来表征环境L,如图1所示。 为了解决未知目标问题，文献[16]利用基于 信息素的修正蚁群算法完成了对未知目标的搜 索，然而由于此算法存在禁忌表，在规模较大的 环境中只有一定感知能力的蚂蚁很难完全地根据 908 步长遍历环境，因此局限于规模较小的环境，且 启发函数在栅格环境下并不适用。文献[17] 根据同构无人机的数目对矩形搜索区域分割，将多UAV 搜索转化为单个UAV的区域遍历搜索，以此实 图1搜索环境 现地图的全覆盖搜索。在实际搜索中，UAV与目 Fig.1 Search environment 标到达同一区域时难免有时差，也会给搜索任务 每架UAV占据一个栅格，其单步可行域是与 带来挑战，对此，文献[18]用概率函数来描述目 自身所在栅格的相邻8个栅格，运动步长为1格， 标模型，对每个栅格进行目标概率的更新，概率 且都装载了可以探测到目标的传感器，设其感知 越高则表示目标存在几率越高，有效实现了复杂 范围为r,考虑到无人机的物理结构限制，设其最 环境中无人机群对未知目标的搜索。 大偏航角0为90°。 主动感知是无人机在搜索目标时通过选择其 UAVs的位置坐标可认为是所在栅格的中心 运动方式，增加在外部环境中通过传感器获得的 节点坐标，根据栅格序号与坐标转换公式，计算 信息。在主动感知的概念中，行动与知觉密不可 其准确的坐标(xy): 分，良好的知觉对无人机的搜索任务至关重要， ∫x=a(mod(j,MM0-0.5) 因此在现实世界中实时操作时，可通过行动来帮 y=a(MM+0.5-ceil(j/MM)) 助它们感知，以获取更为完善的环境信息。 式中：a为单个栅格边长；MM=I,=I,表示横 为了优化蚁群搜索算法，使之适用于规模较 (纵)坐标的最大栅格数；j表示栅格序号；mod() 大的栅格环境，本文基于主动感知，结合UAV运 和ceil()分别为取余运算和舍余取整运算。 动与栅格对应关系以及目标概率函数提出无人机 假设1任意两架无人机相差一定的飞行高 群目标搜索的主动感知方法。新方法的搜索机制 度且各无人机飞行高度固定，在同一栅格出现时 保留了信息素对UAV的引导作用，本文提出了 不会发生碰撞。 具有探索偏好的未搜索概率，优化了状态转移概 假设2无人机不受人为操控，仅通过算法 率计算方法，使无人机偏向未搜索的区域，减少 进行控制。 自锁出现的几率，并通过改变目标概率函数中的 1.2目标描述 参数实现了搜索环境的信息更替。 本文设定3个运动轨迹不同的目标，假设目 本文首先描述了研究问题，包括环境、无人 标各有其运动规律且相互独立。目标不具备探 机、目标以及研究动机，然后结合主动感知框架， 索UAV的能力，若目标在冲出搜索区域前未被 对无人机的运动进行了设定，以此提出了具有探 探测到，则视为搜索失败。有更好的容错性和鲁棒性，在目标搜索以及路径 规划方面有着广泛应用[1-6] ，其中无人机路径规划 问题常用蚁群算法优化解决，已有学者在环境已 知的基础上研究了二维平面[7-8] 以及三维空间[9-11] 上的路径规划方法，文献 [12] 在 TSP 问题中利用 负信息素实现搜索的多样化，有效减少了遍历城 市的时间。文献 [13] 提出一种求解凸优化子问题 的定制内点法来提高多无人机协同轨迹规划效 率。文献 [14] 基于蚁群协调方式，提出了基于仿 生集群算法的无人机集群分布式目标搜索模型。 在此类问题研究中，搜索目标的位置是已知的， 而无人机群搜索任务主要是对不确定的或动态的 目标的搜索[15] ，因此上述蚁群算法不能解决目标 位置未知的问题[16]。 为了解决未知目标问题，文献 [16] 利用基于 信息素的修正蚁群算法完成了对未知目标的搜 索，然而由于此算法存在禁忌表，在规模较大的 环境中只有一定感知能力的蚂蚁很难完全地根据 步长遍历环境，因此局限于规模较小的环境，且 启发函数在栅格环境下并不适用。文献 [17] 根据同构无人机的数目对矩形搜索区域分割，将多UAV 搜索转化为单个 UAV 的区域遍历搜索，以此实 现地图的全覆盖搜索。在实际搜索中，UAV 与目 标到达同一区域时难免有时差，也会给搜索任务 带来挑战，对此，文献 [18] 用概率函数来描述目 标模型，对每个栅格进行目标概率的更新，概率 越高则表示目标存在几率越高，有效实现了复杂 环境中无人机群对未知目标的搜索。 主动感知是无人机在搜索目标时通过选择其 运动方式，增加在外部环境中通过传感器获得的 信息。在主动感知的概念中，行动与知觉密不可 分，良好的知觉对无人机的搜索任务至关重要， 因此在现实世界中实时操作时，可通过行动来帮 助它们感知，以获取更为完善的环境信息[19]。 为了优化蚁群搜索算法，使之适用于规模较 大的栅格环境，本文基于主动感知，结合 UAV 运 动与栅格对应关系以及目标概率函数提出无人机 群目标搜索的主动感知方法。新方法的搜索机制 保留了信息素对 UAV 的引导作用，本文提出了 具有探索偏好的未搜索概率，优化了状态转移概 率计算方法，使无人机偏向未搜索的区域，减少 自锁出现的几率，并通过改变目标概率函数中的 参数实现了搜索环境的信息更替。 本文首先描述了研究问题，包括环境、无人 机、目标以及研究动机，然后结合主动感知框架， 对无人机的运动进行了设定，以此提出了具有探 索偏好的刺激概率，构建了无人机运动方式选择 机制，设计了环境信息的更替方式，最后进行了 仿真验证。 1 问题描述 本文设定 n 架无人机在环境 I 下协同搜索未 知动态目标，每架 UAV 独立感知环境并将信息 存入环境栅格中与其他 UAV 交互，将存储的目 标信息整合并更新，获取系统更新后的信息，通 过运动方式选择机制决策下一步的动向，从而有 效地搜索目标。为有效开展搜索工作，UAV 只对 高浓度信息素区域的和未搜索区域感兴趣。 1.1 环境描述 本文用 Ix×Iy 的栅格来表征环境 I，如图 1 所示。 Iy Ix 90° 图 1 搜索环境 Fig. 1 Search environment 每架 UAV 占据一个栅格，其单步可行域是与 自身所在栅格的相邻 8 个栅格，运动步长为 1 格， 且都装载了可以探测到目标的传感器，设其感知 范围为 r，考虑到无人机的物理结构限制，设其最 大偏航角 θ 为 90°。 UAVs 的位置坐标可认为是所在栅格的中心 节点坐标，根据栅格序号与坐标转换公式，计算 其准确的坐标 (x,y)： { x = a(mod (j,MM)−0.5) y = a(MM+0.5−ceil(j/MM)) 式中： a 为单个栅格边长； MM=I x=I y，表示 横 (纵) 坐标的最大栅格数；j 表示栅格序号；mod(·) 和 ceil(·) 分别为取余运算和舍余取整运算。 假设 1 任意两架无人机相差一定的飞行高 度且各无人机飞行高度固定，在同一栅格出现时 不会发生碰撞。 假设 2 无人机不受人为操控，仅通过算法 进行控制。 1.2 目标描述 本文设定 3 个运动轨迹不同的目标，假设目 标各有其运动规律且相互独立。目标不具备探 索 UAV 的能力，若目标在冲出搜索区域前未被 探测到，则视为搜索失败。 ·576· 智 能 系 统 学 报 第 16 卷