无人机集群定位与编队方式研究总结（最详细的鸟群模型分析）_鸟群算法

个人总结：

  无人机个体模型需要考虑惯性，内部噪声、传感器更新延迟、数据处理时延、通讯局域性以及一般环境噪声;

  其速度控制分量大致可分为四项：趋于期望速度的控制分量，避撞控制分量，对齐控制分量以及边界限制控制分量;

  当个体在规定区域内时，边界对个体存在斥力，在区域外时，边界限制控制分量使得群体中心趋向区域中心。

存在的问题：

1. 随着生物群体系统观测手段的不断革新，鸽群内部飞行领导等级层级网络结构等之类的研究成果验证了前任的推断，但也出现了与以往研究相悖的结论，Turner关于鸟群群集形成的新假说-通过保持边缘不透明状态形成群集；

2. 现有鸟群群集运动模型的建模思想依然停留在Reynolds在Boid模型中引入的三条基本原则，缺乏更加真实的反映鸟群群集运动规律的模型研究，在鸟群群体协作决策建模方面的研究工作相对较少；

3. 存在了很多待研究的问题

   （1）快速、经济和高质量的个体位置，速度和姿态观测技术，大规模群体行为观测的需求和必要程度日益剧增，现在的无人机集群表演多采用RTK定位方案，无法做到完善的个体之间的通信定位；

   （2）异构群体运动模型的研究，目前绝大多数鸟群系统群集运动以及多智能协同方面的研究均假设被研究群体是由结构和功能相近的个体组成;但事实上，群体内不同物种，以及同物种内年龄、性别和健康状态等特性的不同使得不同个体在群体中的表现有所区别,对无人机集群来说，固定翼与旋翼机相结合的，不同固定翼机型相结合的异构编队运动模型；

   （3）将个体学习行为引入群集运动模型的研究-个体通过学习行为对群体行为形成的反馈机制，是使得群集行为表现出自适应和累积性的关键，，比如鸽群内部的飞行领导层级网络就是领导、学习以及个人能力综合作用的结果，这块是否可以将有人与无人集群相结合，提高无人集群的决策等；

鸟群集群模型分析：

  欧椋鸟以傍晚回巢时的大规模“特技飞行”，欧椋鸟是分布于欧洲、亚洲、非洲和澳大利亚西北部的一种小型鸟类，这种数量庞大的空中飞行可能具有多种作用，包括提供保护、保持温度和交换觅食信息等：

     

  鸟群中所有的成员真能同时转向吗，还是中间的先转向，然后带动周围的一起转向？

  鸟群是否能同时转向这与鸟群中是否存在头领有关。

  如果鸟群不是同时转向这说明（但并不一定能够证明）鸟群中可能有一个头领，它先转向，经过一个短暂的延迟期之后它周围的鸟会跟着转向，进而带动整个鸟群中的鸟都发生转向，但谁是最后一个转向的呢？

  Pomeroy和Heppner曾经在1977在实验室中对椋鸟进行过实验，他们发现这段延迟期不会超过100ms。

  在这种群体中视觉信号肯定是最不方便的一种信息交流方式，因为紧挨在一起的鸟会互相遮挡彼此的视线。

  不过如果所有的鸟都同时（至少是我们目前无法检测出每只鸟转向之间的时间差）转向;

  在这种情况下如果鸟群中真的有一只领头鸟，那么它就必须能够同时将转向命令传递给所有成员，而这在大规模的鸟群中似乎是视觉信号和听觉信号（叫声）都很难做到的。

  或者鸟群中没有领导者，但是会有一套机制保证所有的鸟都能同时行动。

  Davis在1980年用每秒拍摄72帧的慢动作电影照相机（slow-motioncinecamera）记录了黑腹滨（dunlin,Calidrisalpina）鸟群的转向过程。

  黑腹滨鹬的背部和腹部的颜色不一样，Davis对一个大约有40只黑腹滨鹬组成的鸟群进行了观察，结果发现鸟群中有一些黑腹滨鹬能在120ms时间之内同时转向，看起来就好像划过天空的一道闪电一样。

  

  Potts在1984年重复了该实验。

   结果他发现黑腹滨鹬的转向动作并不是整齐划一的，而是在14ms之内呈波浪式的传遍整个鸟群，这比黑腹滨鹬的反应时间要快的多。

  于是Potts提出了“合唱团（chorus-line）”理论来解释这种快速的转向现象。

   他认为，一只鸟或几只鸟最开始转向，然后影响周围的“邻居”，这种动作的传遍速度取决于鸟的反应时间，但是距离更远的鸟可以提前估计出合适转向并在适当的时候“提前”作出反应，与大家一起动作,这就有点像我们在体育馆中经常会看到的墨西哥人浪。

  不过Heppner在1997年提出，我们认为鸟群不是同时转向这有可能只是因为观察者的角度问题造成的假象。

  很早就有人意识到，要想弄清楚鸟类的聚集飞行问题还需要考虑各种采用聚集飞行方式鸟类之间的遗传关系，这也就是说需要开发一种三维的分析方法。

  这种研究方法在鱼群研究中已经非常成熟了，但是在鸟群研究中还存在很多问题。

Ballerini科研小组和Cavagna科研小组

  开发出了一套用于分析聚集鸟群的方法，用来处理3维摄影技术无法解决的一系列难题。

  传统的3维方法大致都会将针对同一目标的两张角度略有不同的照片重叠在一起，观察目标在两张照片中位置的差别。但是在鸟群中每只鸟都差不多的情况下如何能够准确的区分每一只鸟呢？

  现在有了一种新的统计方法，能够判断欧洲椋鸟群中1000多只鸟的相对位置关系。

  Ballerini科研小组使用这种技术研究发现，决定聚集式鸟群中每只鸟之间相互关系的重要因素并不是两只鸟之间的距离因素，而是两只鸟之间还有多少只鸟。

  用Ballerini科研小组的话来说就是物理距离并不重要，拓扑距离（topologicaldistance）才重要。

JohnConway提出的“生命游戏（GameofLife）”模型

  该模型是第一个细胞自动控制模型，它证明将几个简单的组分通过简单的规则组织起来就能形成非常复杂的生命体。

  鸟群中每一只鸟在与相邻鸟发生关系时都遵循简单的行为规则，这些规则共同发挥作用就会形成一个协调的群体。

  

  Heppner和Grenander针对3种行为动机只设置了一种感知区域（perceptionvolume），而Reynolds则使用了3种在生物学上有一定范围的非排他性的感知区域。

  Couzin他们的模型与这些都不同，Couzin研究小组和Couzin以及Krause研究小组在鸟群模型中还加入了“混合（sophistication）”成分。

  这种模型相比以往构建的模型在模拟鸟行为动机方面没有区别，只是在模拟鸟的感知模型（perceptionmodel）方面带来了不同。

三区域模型

  在Couzin他们的模型中存在三种排他性（完全不同）的感知区域，即排斥区域（zoneofrepulsion）、方向区域（zoneoforientation）和吸引区域（zoneofattraction）。

  如果在排斥区域中出现了其他模拟鸟，那么只有远离动机被激活，而其他两种动机都被关闭。

  如果在这个区域没有其他模拟鸟，那么其他两种动机就会启动，模拟鸟会尽力保持与方向区域中其他模拟鸟的飞行速度一致，并且尽力保持与吸引区域中的其他模拟鸟靠近。

  另外，在该模型中三种区域都被设定为球形，但是除排斥区域之外的其他两种区域在模拟鸟的后方都设定了一定范围的盲区。

  Couzin他们在模型中修改了某些模拟鸟个体的行为规则，想看看这会对整个模拟鸟群造成什么样的影响。同时还研究了如果其他两种区域范围不变，只是方向区域的球形半径是可变的会对整个鸟群造成什么影响的问题。

  结果发现，随着方向区域半径的增加，整个鸟群会从一个松散聚集的稳定群体（looselypackedstationaryswarm）逐渐变成面包圈（torus）样群体，在这个大“面包圈”中，所有的模拟鸟都会围绕它们各自的惯性中心（centreofmass）飞行，最后，整个鸟群会变成朝着同一个方向飞行的平行群体（parallelgroup）。

  Couzin他们还发现这个变化的过程非常快，随着方向区域直径的缩短，产生的集体行为则会有所不同。

  Couzin他们发现此时（在同一半径参数下）会出现两种完全不同的行为状态。而最终的结果与鸟群最初的状态有关，哪怕鸟群中的成员对鸟群最初的状态毫不知情。根据这些研究成果，

  Couzin他们认为，整个鸟群具有一种“集体记忆（collectivememory）”。

  Couzin等人在后来的研究当中又采用只给部分模拟鸟行动指令的方法，研究了鸟群行动的领导现象和决断机制。

  研究发现，鸟群规模越大，担负领导任务的鸟类个体数量就越少，而且只需要很少几位“领导”就足以准确的指挥整个鸟群。

  正如前面提到的，好几个课题组都研究了鸽群归巢过程中的“错误稀释现象（many-wrongsprinciple)”

  这是一条描述生物行为的规律，其基本思想是，运动时群体中的个体向着目标方向行进时，会有误差。

  但是作为群体的整体，运动方向是个体运动方向的平均，其运动的误差会变小。

  群体越大，群体运动的方向越精确，他们也发现鸽群相比单独飞行的鸽子，方向感更准确，不过还不清楚鸽群的空间组织结构在其中起到了多大的作用。

相关论文研究：

Target Tracking with a Flexible UAV Cluster Array

  对于目标定位和跟踪等任务，无人机(UAV)集群应用程序需要收集和利用“柔性”传感器阵列接收到的数据，在这种情况下，传感器(即无人机)具有时变位置。

  此文利用参数信道模型、无人机集群移动模型和目标的运动学模型，提出了一种基于扩展卡尔曼的状态空间模型，通过快照跟踪未知的无人机位置和目标参数快照。

A Novel Cluster-Based Location-Aided Routing Protocol for UAV Fleet Networks

  提出了一种新的路由协议来解决无人机机群网络中的路由问题，即基于集群的位置辅助动态源路由(CBLADSR)。CBLADSR以无人机机群的稳定集群体系结构为基础，利用无人机的地理位置进行航路发现和航路维护。

  聚类过程采用节点权启发式算法来选择簇头和形成簇，而路由过程是簇内路由和簇间路由的结合，分别采用短程传输和远程传输。仿真结果表明，CBLADSR在成功交付率、平均端到端延迟、可扩展性和动态性能上均优于DSR和GRP，更适合应用于无人机机群网络。

基于深度学习的无人机识别算法研究

  提出一种基于深度学习的无人机识别算法，通过训练一个基于卷积神经网络（CNNs）的学习网络，得出一个高效的识别模型，实现无人机和非无人机间的分类。

  基于深度学习卷积神经网络的无人机识别流程如下所示:

步骤一：数据预处理

  (1)帧差法提取目标区域；

  (2)数据格式转换；

  (3)预定义标签；

步骤二：深度网络训练、测试

  (1)构建卷积神经网络，确定网络层次结构和权重参数等；

  (2)数据依次进入卷积层、池化层、全连接层，进行计算；

  (3)采用BackpropagationPass反向传播，进行参数调整；

  (4)当误差满足或者迭代次数满足时，网络停止训练，进入Accuracy层计算准确率并输出（只在测试阶段执行，训练时不执行）。

无人机影像SIFT特征匹配的集群并行处理方法

  在分析SIFT(尺度不变特征变换）算法和集群并行算法特点的基础上，设计了一种无人机影像匹配并行处理的方法；兼顾计算局部化和负载均衡提出了分层列划分的数据划分策略；并通过重叠通信和计算来减少通信开销，借助时间分布图对算法进行了量化分析。

并行算法设计

  该方法采用主从模式。集群中的主结点将无人机影像分组，并把特征提取任务分配给各计算结点；然后负责收集汇总各计算节点提取的特征，进行后续的搜索匹配处理，最后得到匹配结果。

数据划分

  针对大量无人机影像匹配并行处理，这里综合考虑计算局部性和负载均衡，以单幅影像为单位，采取一种分层列划分的数据划分与处理器指派策略。

  假设序列影像共ｍ张，有ｎ个处理结点 ${Ｐ}_{\mathrm{０}}，{Ｐ}_{\mathrm{１}}，．．．，{Ｐ}_{ｎ－\mathrm{１}}$，影像分层数为ｋ。将ｍ张影像依次排序后，每ｎ张分为一层，这样就得到ｋ行ｎ列的影像阵列，然后把这ｎ列影像随机分配给ｎ个处理器。

  当影像数能被ｎ整除时，每个处理器分配的影像均为［ｍ／ｎ］张，即ｋ张影像。特征提取时，每张影像的计算之间不需要进行数据交换，这样就保证了计算的局部性，避免了结点间不必要的交互。

  同时，均等的影像分配也一定程度保证各结点的负载接近。实验证明，能达到较好的负载平衡。

基于多阶段航迹预测的无人机任务规划方法研究

   提出了基于多阶段航迹预测(Multi-Stage Path Prediction,MSPP)的无人机任务规划方法。

  首先,根据航迹规划应用中需要实现的功能,研究了一种MSPP算法,包括路径估计、路径规划、航迹平滑、交会航迹生成四个阶段。各阶段的计算结果均为近似程度不同的航迹参考。

  以航迹航程最短作为航迹规划的性能指标。将无人机的禁飞区建模为多边形。为实现快速性,局部A*算法使用无人机当前位置的临近区域内的多边形顶点作为搜索节点,建立算法的搜索空间,并随飞行过程不断更新。

  该临近区域可对应为实际场景中的探测范围。而为实现最优性,全局A*算法实时进行,并随飞行过程不断将探测范围内的节点添加至搜索空间。

MSPP算法原理和具体功能如下:

  1.路径估计阶段:在每个规划周期开始,各无人机利用局部A*算法快速估算当前时刻所有任务目标相对自身航程,作为任务分配过程的主要参考;

  2.折线路径规划阶段:任务分配完成后,无人机采用全局A*算法计算至指派目标的最短折线路径,包括探测范围内的真实路径和至目标的启发式路径,并随飞行过程持续实时更新;

  3.航迹平滑阶段:使用三次B样条曲线同步平滑上述最短路径,通过优化控制点,生成满足约束的可飞行航迹,作为飞行过程中的航迹参考;

  4.交会航迹生成阶段:针对交会目标,采用基于Dubins路径的协同航迹规划方法,生成多无人机的交会航迹。在航迹末段,用Dubins路径替代B样条曲线,生成参考航迹。根据无人机间航程差,近程无人机选择航迹较短的迂回机动或航迹较长的盘旋机动方式,以等待其他无人机完成协同执行任务。

等看到其他有趣到文章再补充吧，共同学习。。。。。