Grey-Wolf-Optimized Obstacle-Aware Affine Formation Control for Quadrotor Swarms in Cluttered Three-Dimensional Space
本文提出了一种针对复杂三维环境下四旋翼集群的灰狼优化障碍物感知仿射编队控制方法，该方法通过动态调整控制器增益和影响半径，在确保稳定性与避障能力的同时，平衡编队跟踪精度、障碍物间距以及控制能量消耗。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在城市上空和崎岖的地形之中，一种新型航空技术正在成形：由小型无人机组成的集群正作为一个整体协同工作。与飞行固定路径的单架飞行器不同，这些群体必须作为一个凝聚的团队移动，通过改变形状来挤过狭窄的缝隙、扩张以覆盖更广的区域，或旋转以面向新的方向。挑战在于如何在躲避树木、建筑物或其他无人机等障碍物的同时，保持这种编队的完整性。如果群体的移动过于僵硬，它就无法在复杂的环境中导航；如果它为了避免碰撞而反应过于剧烈，编队就会瓦解。研究人员长期以来一直在寻求一种方法来平衡这些需求，即创造出一种控制系统，使集群能够在不失去集体身份的情况下绕过危险。这种微妙的平衡不仅需要一个前往何处的计划，还需要一种智能的方式来实时调整群体的形状和速度，确保每架无人机都远离环境和其他邻近无人机的威胁。
南京理工大学的一个研究小组开发了一种新方法，用以解决四旋翼无人机集群在拥挤的三维空间中飞行的这一问题。他们的方法结合了一种用于移动群体的几何策略和一种用于微调系统行为的生物算法。该方法的核心是“仿射编队”（affine formation）概念，其中几架领航无人机决定整体运动——例如拉伸、收缩或旋转整个群体——而其余的无人机则自动计算其位置以维持形状。这使得集群能够像一张柔韧的薄片一样平滑地变形，而不是在遇到障碍物时破碎。然而，仅仅改变形状并不能保证在充满球形障碍物的密集环境中的安全性。研究人员增加了一层局部感知机制，将单个无人机推离附近的危险，但他们面临着一个难题：这些推力应该有多强，以及无人机应该提前多远察觉危险？
为了回答这个问题，该团队转向了一个受灰狼社会等级制度和狩猎行为启发的计算机程序。这种被称为“灰狼优化算法”（Grey Wolf Optimizer）的算法充当了一个虚拟教练，测试无人机集群控制系统的数千种不同设置。它在寻找参数的最佳组合——例如，无人机应该多么积极地转向避开障碍物，或者它应该多快回到编队中的位置。目标是找到一个平衡点，使集群既能精确地追踪预定路径，又能避免与障碍物和其他无人机发生碰撞，且不会因进行不必要的急转弯而浪费能量。研究人员利用八架无人机的集群进行了广泛的计算机模拟，让它们在一个充满八个球形障碍物的走廊中导航。他们将优化后的系统与其他方法进行了对比，其中包括一种由人工手动调节设置的方法，以及另一种使用固定不变的避障策略的方法。
模拟结果显示，与其说是一个在所有类别中都完美的解决方案，不如说是一个明确的权衡过程。经过灰狼优化的系统能让集群以显著更高的精度遵循预定路径，将平均位置误差降低到约 0.22 米。它还将飞行过程中的最大偏差控制在 0.6 米以内，相比于偏离航线更远的纯手工调节系统，这是一个显著的进步。至关重要的是，该集群在整个飞行过程中与障碍物及彼此之间都保持了安全距离，从未靠近障碍物小于 0.18 米，或靠近另一架无人机小于 0.81 米。然而，这种精度的提升也带来了代价：优化后的集群在进行机动时比手动调节的版本消耗了略多的能量，且它并未像更保守的手动调节系统那样保持较大的障碍物安全缓冲空间。研究表明，虽然该算法并不能让无人机变得无懈可击或拥有无限的效率，但它成功找到了一个中间地带，使群体能够比以往的方法移动得更加精准且灵活。
研究人员强调，他们的发现是基于计算机模拟的，且系统的稳定性依赖于数学证明，这些证明保证了即使在避障力作用下，无人机也不会发生碰撞。他们指出，该算法并非取代基本的飞行规则，而是旨在安全范围内选择最佳设置。通过将复杂的运动与避障交互视为一个单一的优化问题，该团队证明了无人机集群可以兼具灵活性与安全性。这项工作凸显了在未来的自主飞行领域，改变群体形状并实时调整其对环境反应的能力，将与单架无人机的速度同样重要。这种方法为在环境不可预测且容错率极低的现实场景中部署无人机集群提供了一条充满前景的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。