《无人机蜂群避障动态传感器覆盖算法》最新38页

本工作评估了一种称为台球算法（billiards algorithm）的动态传感器覆盖（DSC）算法。研究了避开障碍物和无意义区域（如森林或湖泊）的不同方法。避障对于 DSC 算法的多功能性至关重要，因为它使无人机能够在障碍物密集的环境中导航，同时最大限度地降低碰撞风险。在 MATLAB 中进行仿真，以评估算法在平均延迟和最差延迟方面的性能。将台球算法与随机路径选择和文献中的一种算法（称为 Ganganath 算法）进行了比较。为了提高台球算法在障碍物密集环境中的性能，实施了模型预测控制（MPC），期望智能体（agent）能通过规划更长远未来而受益。本文中展示的结果表明，避障台球算法在平均延迟方面与 Ganganath 算法相比表现良好，但在最差延迟方面存在不足。在某些室内环境中，Ganganath 算法表现出局限性，而台球算法在两项性能标准上都优于它。在计算复杂性和通信流量方面，这些算法差异显著。台球算法的仿真时间和通信量都低得多，这是军事无人机集群算法中非常有价值的两个额外指标。MPC 在一个有限的未来时间窗口上优化决策，被集成到台球算法中以评估其有效性。研究发现，MPC 在一般障碍物密集的环境中并不能提高性能。这很可能是由于在多智能体系统中预测未来状态的固有困难，再加上智能体即使没有 MPC 提供的预见能力，已经能够高效地探索未探测区域。然而，在某些环境下，MPC 可以为算法带来显著的性能提升。

无人机（UAV）是一种机上没有人类飞行员操作的航空器。它们可由机载计算机和传感器自主操作，或由远程飞行员通过各种方式（例如无线电波）进行操作[1]。这些多功能机器人已成为过去几十年中的热门研究课题，因此最近发展显著[2],[3]。在军事行动中，无人机非常适合在许多高风险任务（如情报、监视和救援（ISR）行动）中替代步兵[4]。将无人机编入军事单位可有效减少友军伤亡并降低成本。最有前景的新兴无人机技术之一是无人机集群（drone swarms），其中大量无人机协同操作以自主解决复杂目标。这一研究主题的重点是开发算法，指示无人机通过通信并根据集群中的其他无人机做出智能决策来高效完成任务[5]。未来，在军事背景下，无人机集群可能通过执行多面任务并最大限度地减少人力资源需求，成为新一代作战和情报工具。在许多应用中，无人机集群通常比传统资源更快、适应性更强。借助先进的集群算法，军队不仅可将无人机用作单一单元，还可以将其作为一个具有凝聚力的网络来使用，在复杂环境中的效能和可扩展性方面优于传统的单一单元任务。本报告中研究的集群算法可在任何能够在二维空间中移动的机器人平台上执行，例如无人地面载具（UGV）。在整篇报告中，为采用更通用的术语，这些无人机被称为智能体（agent）。就本报告而言，该智能体将是一架全向旋翼无人机。

本工作的目标是改进一种现有的名为台球算法的集群算法，特别着重于探索实现和优化避障的各种方法。这意味着将开发多种避障设计方案并进行比较，以获得一个稳健且通用的算法。该算法的目的是在关注区域（AoI）上提供持续的传感器覆盖，这意味着应尽可能频繁地覆盖 AoI 的每个部分。障碍物可能具有各种几何形状和复杂度。该算法应能有效地在 AoI 内分配其传感器覆盖范围，该 AoI 的一部分可能被归类为无意义区域。然而，应允许智能体穿越该区域以到达 AoI 的其他部分。避障算法各有优缺点。鉴于无人机有限的计算能力，所制定的算法需要简单而有效。由于存在电子战的可能性，通信流量也需要考虑。

避障在集群算法设计中至关重要，以防止智能体受损。没有有效的避障，智能体可能会与 AoI 中的障碍物相撞，造成智能体损坏，甚至在某些算法中导致整个集群失效。将避障集成到集群算法中可大大提高其通用性。一个糟糕的避障算法可能会在障碍物边缘附近表现欠佳，导致障碍物周围的覆盖效果欠佳。因此，本报告中的避障应解决此问题。通过考虑无意义区域，该算法更有效地优先考虑在 AoI 重要区域进行传感器覆盖。

本论文的结构如下：第 2 节介绍多智能体系统理论，并介绍本工作中使用的两种算法。第 3 节描述实验设计和仿真环境。第 4 节展示并讨论结果。最后，第 5 节总结论文并提出未来工作的方向。