论文部分内容阅读
蜂拥(Flocking)现象是自然界中普遍存在却又十分复杂的现象。其对应的蜂拥算法对分布式控制理论产生了很大的推动作用,研究成果更是广泛应用在机器人编队、无人飞行器(Unmanned Aerial Vehicles,UAVs)、移动传感器网络等领域,近年在协同自动驾驶中的应用也受到了研究者的关注。本文以蜂拥算法及其在协同自动驾驶中的应用为研究课题,内容包括以下几个方面:1.少数引导智能体蜂拥算法。传统蜂拥算法通过势能函数保持智能体之间的一致性,而实际应用中势能函数的有界性会导致部分非引导智能体从群体中分离,影响最终的蜂拥群形成效果。针对此问题,通过在不改变势能函数的情况下引入使智能体趋向其质心的导航项来改进传统蜂拥算法,理论证明了改进算法的稳定性和速度一致性。为了进一步验证其实用性,将改进的算法应用于移动传感器网络中,结果表明网络中仅发挥少数传感器的探测能力就可以使绝大部分的传感器跟踪目标,极大的减小了传感器网络的功耗。2.基于有限视场的少数引导智能体蜂拥算法。将多智能体网络中的全向探测模型更改为有限视场的传感器模型,并将传感器按一定的角速度旋转,在旋转过程中通过势能函数实现智能体之间的吸引/排斥力。通过稳定性分析和仿真验证,有限视场的蜂拥算法能够实现稳定蜂拥,但是智能体的速度会按照传感器旋转的周期在领导者的速度上下以较小幅度振荡。随后分析了震荡原因,并提出了满足速度一致的有限视场蜂拥算法。最后将有限视场的蜂拥算法与少数引导智能体的蜂拥算法结合,研究分析了有限视场的传感器模型依然能够适应少数引导智能体的蜂拥算法,进一步验证了少数引导智能体蜂拥算法的有效性。3.基于有限视场的协同自动驾驶算法。考虑实际中汽车传感器的有限视场特性,将有限视场传感器模型应用于基于蜂拥算法的协同自动驾驶算法中,仿真实现了算法中的道路驾驶模型、变道模型和刹车模型,验证了算法的有效性,最后运用协同自动驾驶算法通过非线性动态转换方法实现了实际中的两个经典场景。