引用本文
孙永斌, 苏荣茂, 段海滨. 基于鹰群环伺行为的无人机集群关联跟踪控制. 自动化学报, 2026, 52(5): 980−991 doi: 10.16383/j.aas.c250518
Sun Yong-Bin, Su Rong-Mao, Duan Hai-Bin. Association tracking control of UAV swarms based on Harris hawks＇ surrounding behavior. Acta Automatica Sinica, 2026, 52(5): 980−991 doi: 10.16383/j.aas.c250518
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250518
关键词
无人机集群，协同目标跟踪，环伺关联跟踪控制，鹰群环伺行为，分布式状态估计
摘要
针对无人机集群在纯方位测量下协同跟踪动态目标集群时面临的强非线性、高维度以及估计−控制耦合等关键难题, 提出一种基于哈里斯鹰群环伺行为的分布式协同估计−控制闭环系统. 基于鹰群在环伺猎物时形成的多视角感知特性, 提出一种方位统计融合估计方法, 将贝叶斯统计与分布式滤波相融合, 引入共视子集的量测结构, 通过伪线性的方位统计降低估计问题中的计算维度, 并保持系统的可观性. 依据鹰群的动态封锁机制, 提出一种环伺关联跟踪控制器, 使观测无人机能够主动维持最优环伺态势, 从而提升估计质量及稳定性. 理论分析证明了该闭环系统的Lyapunov稳定性与估计误差的有界性, 数值仿真验证了所提方法的有效性.
文章导读
无人机集群技术的快速发展催生出复杂环境中协同作业的需求[1−2], 多无人机协同已成为提升任务效率、增强系统鲁棒性与提高任务等级的关键范式. 自然界中的生物群体通过协同感知与决策应对复杂环境中的挑战, 其卓越的效能为人工系统提供丰富的借鉴[3−4]. 在此背景下, 多智能体对多目标(multiple agents multiple targets, MAMT)的协同感知与交互是高级自主决策的核心能力. 尽管单无人机的相关技术与方案已经较为成熟[5−7], 但是多目标场景下动态集群目标的规模化分布式感知、目标分配与协同制导仍然面临着通信约束、目标交织避碰、动态分配[8]以及多机间的鲁棒性要求等系统性挑战[9]. 此外, 由于目标状态未知, 智能体−目标之间的高动态特性以及多重约束耦合、群体与群体之间的交互与对抗任务, 这类在自然界中广泛存在的博弈行为, 已经成为目前的重点研究方向之一[10−11].
准确估计目标状态(如位置、速度、姿态)是稳定跟踪控制的先决条件. 目前, 基于视觉的解决方案因信息丰富、重量轻、功耗低且成本可控等显著优势, 已经成为开阔环境下目标感知的首选方案之一[12−13]. 这与哈里斯鹰群(Harris hawks)高度依赖视觉进行远程目标追踪与态势研判的策略不谋而合[14], 其利用视觉获得的方位(bearing)信息提供一种轻量级、相对可获取的目标方向线索, 尤其适用于中远距离目标感知与资源受限的无人机平台. 然而, 在现有的研究背景下依旧存在着许多亟待解决的问题.
首要的挑战是如何解决MAMT状态估计中固有的计算维度问题. 基于优化的估计器在批处理方面提供理论上的最优性, 但其计算和通信需求对于MAMT任务而言过高. 现有的基于滤波的状态估计框架[15]主要聚焦于单目标场景, 将其扩展到MAMT会导致状态空间维度呈指数级增长, 在嵌入式平台上的运行效率无法满足高动态的任务需求. 并且目标间的运动耦合会强制引入互协方差项, 使得协方差矩阵的非对角化程度激增. 集中式方法存在指数级的复杂度增长, 而分布式方法则为了可扩展性而牺牲准确性. 关键的是, 现有框架缺乏针对纯方位MAMT估计问题的高效分布式统计融合方法, 当目标距离较远或尺寸较小时, 提取足够稳定的特征点变得困难, 因此只能获取其方位信息. 通过局部方位测量, 目标集群状态仅是部分可观测的, 不可观测子空间在智能体间的扩散会降低估计一致性.
在目标状态估计的基础上, 如何实现多智能体对动态目标的稳定、高效与鲁棒跟踪, 是提升集群系统自主性与智能水平的关键[16]. 集群跟踪控制不仅要求个体具备局部感知与决策的能力, 更强调通过分布式协调机制实现整体跟踪性能的优化. 尤其在对多目标进行协同围捕、拦截或持续监视的任务中[17−18], 跟踪控制策略需综合考虑目标运动不确定性、智能体动力学约束、避障与队形保持等多重要求, 其控制性能直接决定任务的成败[19]. 现有研究主要围绕领航−跟踪结构、基于行为的方法、虚拟结构法和优化控制框架等展开, 虽取得一系列进展[20], 但在面对强动态、高对抗和资源受限的MAMT场景时, 仍存在响应滞后、控制精度下降及系统鲁棒性不足等问题[21].
哈里斯鹰群高超的环伺(surrounding)协同狩猎行为, 为解决上述问题提供极具价值的仿生学模型[22−23]. 如图1所示, 哈里斯鹰群在狩猎时[24], 通过分散占位形成动态包围圈, 依赖个体局部的视觉方位观测与简单交互[25], 即可协同优化对逃逸目标的多视角感知覆盖[26], 并涌现出稳定的全局环伺态势. 这种对通信与感知资源约束的天然适应性, 与多无人机集群在复杂环境下对多目标进行协同感知与围捕的任务需求高度契合[27−28].
图1 哈里斯鹰群环伺行为与无人机集群观测系统的映射关系
受上述存在问题与现有研究及生物策略的启发, 本文深度借鉴哈里斯鹰群在狩猎时的环伺行为, 提出一个完整的无人机集群分布式协同估计−控制闭环系统, 旨在解决MAMT环境中的跟踪问题. 本文主要创新如下:
1) 受鹰群环伺行为中的多视角感知与分布式对峙特征的启发, 提出一种方位统计融合估计方法. 将鹰群通过视觉方位观测共享实现协同狩猎的策略, 抽象为基于贝叶斯统计与分布式滤波的融合, 同时引入共视子集的统计特征, 在保证系统动态可观测性的同时显著降低计算复杂度.
2) 受鹰群环伺行为中的协同包围与动态封锁维持最优观测方位的策略启发, 设计一种环伺关联跟踪控制器. 将鹰群维持包围半径与环绕度的机制抽象为机动过程中自主维持对目标的环伺态势, 从而提升量测数据质量与估计稳定性.
3) 将上述受鹰群环伺行为启发的估计框架与跟踪控制相结合, 构建一个面向MAMT问题的完整的无人机集群分布式协同估计−控制闭环系统. 通过推导证明了算法的收敛性, 并通过实验验证了所提系统在提升估计精度和速度方面的显著效能.
图2 基于鹰群环伺行为的无人机集群关联跟踪控制系统结构图
图3 目标无人机集群轨迹(情况1)
本文针对无人机集群在纯方位量测条件下协同跟踪动态目标集群这一前沿挑战, 提出一种基于哈里斯鹰群环伺行为的分布式协同估计−控制系统. 借鉴鹰群环伺时分布式观察的行为, 设计了方位统计融合估计方法, 在降低计算复杂度的同时提升了估计效果. 借鉴鹰群环伺时动态封锁的行为, 设计了环伺关联跟踪控制器, 增强了估计的稳定性, 同时实现对于目标环伺态势的保持. 仿真实例中包含弧线和圆周两种目标的运动情况, 验证了本文所提方法的有效性.
作者简介
孙永斌
北京航空航天大学自动化科学与电气工程学院助理教授. 主要研究方向为无人系统仿生自主控制.E-mail: ybsun@buaa.edu.cn
苏荣茂
北京航空航天大学自动化科学与电气工程学院硕士研究生. 2024年获得天津大学自动化专业学士学位. 主要研究方向为仿生集群自主控制.E-mail: rmsu@buaa.edu.cn
段海滨
北京航空航天大学自动化科学与电气工程学院教授. 主要研究方向为无人机集群仿生自主飞行控制. 本文通信作者.E-mail: hbduan@buaa.edu.cn
转载本文请联系原作者获取授权，同时请注明本文来自Ouariel科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3291369-1546901.html?mobile=1
收藏
