[发明专利]动态障碍环境下的多车协同编队控制方法、终端及介质

说明书

本发明提供了一种动态障碍环境下的多车协同编队控制方法，无人车检测障碍物信息，确定无人车之间的编队距离；根据障碍物信息以及编队距离参数，通过优化算法确定领航者局部目标点，利用模型预测控制方法跟踪局部目标点，得到领航者在预测时域内的运动轨迹与对应的控制量；将运动轨迹以及编队距离参数传递给跟随者，计算出自身在预测时域内的参考轨迹，利用模型预测控制方法跟踪参考轨迹，获得在预测时域内的控制量；将领航者在当前时刻的控制量施加给领航者，将跟随者在当前时刻的控制量施加给跟随者，直到领航者到达全局目标点。本发明在滚动优化框架下建立动态障碍避障约束，通过模型预测控制方法，实现多无人车系统对动态障碍环境的适应性。

技术领域

本发明涉及无人系统领域的一种编队控制技术，具体地，涉及一种动态障碍环境下多车协同编队控制方法、终端及介质。

背景技术

多车编队控制是多无人车系统协同的核心研究内容之一，编队控制的任务是控制多个无人车在向目标点行进过程中保持一定的队形，同时保证无人车与障碍物不发生碰撞，另外还需考虑无人车间的避碰问题以及队形的切换和重构等问题。多车维持一定队形可以提高执行任务的效率，增加系统的鲁棒性与可靠性。在各类任务场景中，环境中往往存在各类障碍物，需要无人车在维持队形的同时避开障碍物。目前研究针对的障碍物环境较为简单，大多为全局信息已知的静态障碍环境，但是实际的任务场景更加复杂，全局环境信息往往难以获得且存在动态障碍物，如在军事侦察任务中，侦察区域内的环境信息未知，且存在敌方车辆等动态障碍。在动态障碍环境下，无人系统只能获取有限的局部环境信息且环境信息动态变化，需要对动态障碍物快速反应，这对无人系统的编队控制带来了很大挑战。因此研究动态障碍环境下多车协同编队控制问题具有重要的实际意义和应用价值。

目前的编队控制算法在处理静态障碍物避障问题时常采用人工势场法和基于优化的方法。其中人工势场法的思想是将环境抽象为虚拟力场，无人车在目标点引力场以及障碍物斥力场的共同作用下，避开障碍并到达目标点。基于优化的方法是根据无人车路径规划问题建立优化问题，针对障碍物建立避障约束，通过求解优化问题实现路径规划以及避障。对于动态障碍物，目前的工作很少，主要避障算法是基于静态障碍避障的改进算法，如在人工势场法中引入障碍物的速度与加速度因子，提高算法处理动态障碍的能力，但是改进人工势场算法在动态多障碍的环境下避障效果较差，没有考虑无人车的运动学模型，存在局部极值和目标点不可达等问题。而基于优化的动态障碍避障算法是根据障碍物移动速度信息对障碍物进行膨化处理，设置以障碍物为中心、面积大于障碍物的规避区域，通过规避该区域避免与动态障碍物发生碰撞，但是这种膨化处理增加了无人车需要规避的障碍区域范围，在障碍物密集环境下无人车可通行区域被进一步压缩，因此这种算法对障碍物较密集的复杂环境适应性较差。

因此，设计一种可以有效处理动态障碍避障约束，且能结合无人车运动学模型保证编队队形以及控制性能的多无人车系统协同编队控制方法对于多无人车协同系统的实现具有重要意义。目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种动态障碍环境下的多车协同编队控制方法、终端及介质。

根据本发明的一个方面，提供了一种动态障碍环境下的多车协同编队控制方法，包括：

S1，无人车编队中的所有无人车检测自身周围的障碍物信息并传递给领航者，其中障碍物信息包括障碍物位置信息以及速度信息，领航者根据障碍物信息确定无人车之间的编队距离；

S2，领航者根据障碍物信息以及编队距离参数，通过优化算法确定领航者局部目标点；优化目标设计如下：

式中：

t为当前时刻，为领航者局部目标点在笛卡尔系下的坐标，为全局目标点坐标，Q^local为领航者局部目标点优化问题中代价函数的权矩阵，a_l,n、b_l,n为编队超平面避障约束中的超平面参数；