1.分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述方法包括如下步骤:
步骤1:基于Yolov5网络完成单体目标检测,并结合DeepSort算法,预测出下一帧目标出现的位置,计算预测框中点与中轴的归一化距离差diffdet和预测框面积与限定的成像面积间的归一化面积差diffarea;
步骤2:根据距离差和面积差映射出智能体在物理空间的导航终点坐标
步骤3:构建扩散收缩协调的混沌映射算法,将导航终点坐标的更新映射到分布均匀的混沌空间;
步骤4:根据所有智能体的目标检测置信度决策信息与区域位置信息,融合生成搜索空间的全局搜索信息并根据全局搜索信息,动态决策智能体执行扩散搜索与收缩搜索任务;
步骤5:根据智能体全局搜索信息,融合多智能体系统中的各类传感数据,估算目标位置信息,基于动态的Voronoi图划分围捕区域,精确智能体的围捕位置;
步骤6:根据智能体的实时位置和障碍物位置,同时根据Voronoi图中目标物检测目标物Vgoal图的面积和边界,若面积小于阈值并且边界均有Voronoi图相邻,则结束围捕。
2.根据权利要求1所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤1中,基于Yolov5网络完成单体目标检测,并结合DeepSort算法预测出下一帧目标可能出现的位置具体包括:预测的目标位置(x’det,y’det,width’det,height’det)如下:(x’det,y’det,width'det,height’det)=DeepSort(xdet,ydet,widthdet,heightdet)其中,(xdet,ydet,widthdet,heightdet)为Yolov5目标检测框的中心点位置及检测框宽高;然后根据图像的宽度计算检测框中点与中轴的归一化距离差diffdet:同时计算检测框的面积与限定的成像面积的归一化面积差:
其中,widthimg和heightimg分别为图像的宽和高,λarea为限定参数,用于根据目标的实际大小,限定其在图像中的最佳面积。
3.根据权利要求1所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤2中,根据距离差和面积差映射出智能体在物理空间的导航终点坐标具体包括:首先根据归一化的距离差和面积差估算智能体需要前进的距离和左右行进的距离:其中,和分别为前进和左右行进的最大距离,Δ为最小实数,即规定检测框面积大于最佳面积时,智能体停止前进和后退,同时保证后续角度计算的可行性;映射的智能体全局坐标系下的导航终点坐标具体表达式为:其中,和为智能体实时坐标,为智能体在全局坐标系下的偏转角。
4.根据权利要求1所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤3中,构建扩散收缩协调的混沌映射算法,将导航终点坐标的更新映射到分布均匀的混沌空间具体包括:首先将Mspace×Mspace的全局空间划分成m×m个局部空间当迭代ut次时,则将utMspace×utMspace的全局空间划分为utm×utm个局部空间然后以起始点为中心,以向外扩散的方式进行搜索,因此需利用改进的混沌映射估算出每个智能体搜索的目标位置,改进的混沌扩散因子表达式如下:其中,μt为控制参数,其值范围为(0,1),为混沌映射序列,其值范围为(0,1),在Mspace×Mspace搜索空间内进行智能体初始搜索终点的混沌映射,其中原点位置位于Mspace×Mspace空间的中点,智能体Si搜索的目标位置估算表达式为:其中,和分别为x轴和y轴智能体搜索的终点坐标,ut为混沌映射迭代次数,生成初始搜索终点时ut的值为1,和分别为x轴和y轴的混沌映射因子。
5.根据权利要求4所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤3包括:若有智能体搜索到目标,即存在疑似目标空间,则在局部空间内进行混沌映射,将范围均为[-1,1]的x轴和y轴混沌因子映射到疑似目标空间的混沌因子映射范围内,混沌收缩因子的映射范围为:混沌收缩因子表达式为:
其中,w和h为疑似目标空间的维度,计算公式分别表示如下:
其中,为x轴和y轴智能体Si的位置;此时利用混沌收缩因子,在疑似目标空间内进行目标位置估算,目标位置估算公式如下:
6.根据权利要求5所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤4中,根据所有智能体的目标检测置信度决策信息与区域位置信息,融合生成搜索空间的全局搜索信息具体包括:其中,智能体的决策信息包含如下:其中,为智能体的目标检测置信度,为智能体Si是否到达导航终点,为智能体Si在搜索空间的区域位置;全局搜索信息具体表示如下:其中,Cwh表示局部空间内检测到目标的智能体个数,Bwh表示搜索过局部空间的智能体个数;为局部空间内的目标检测置信度,由局部空间内所有的智能体检测到的目标置信度融合生成,具体表示为:
7.根据权利要求6所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤4中,根据全局搜索信息,动态决策智能体执行扩散搜索与收缩搜索任务具体包括:若均为0,但存在智能体的为True,即有智能体到达搜索终点,则进行空间扩散搜索;若均为0,没有智能体检测到目标,但存在智能体的为True,即有智能体到达搜索终点,此时需要对所有智能体的搜索终点进行更新,并且扩大搜索范围,即迭代步数ut增加,此时因为搜索范围扩大,局部区域也随之变化,需要对历史全局信息进行继承,继承公式如下:若存在不为0,则表示有智能体Si检测到目标,进行局部智能体空间收缩搜索,则对应的局部空间作为疑似目标空间对局部空间周围八个局部空间内的智能体进行目标位置估算,实现收缩搜索。
8.根据权利要求1所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤5中,根据智能体全局搜索信息,融合多智能体系统中的各类传感数据,结合灰狼优化算法估算目标位置信息具体包括:智能体的感知信息如下:其中包含了激光雷达数据实时线速度和角速度以及实时的偏转角结合目标检测的状态信息能够组合成智能体Si的融合数据同时接收到其他智能体的状态信息将其与自身的状态信息组合为全局状态信息数组,具体表示为:其中,N为智能体的个数;基于智能体自身状态向量中的目标检测概率进行个体适应度值的计算,根据适应度值的排序结果完成角色分配,当智能体的目标检测概率越大,适应度就越高,即表示领头狼产生,适应度值计算公式表示为:根据适应度值进行排序,获得领头狼Sα、Sβ、Sδ,并估算出正前方目标点的位置:
其中,为选择激光雷达正前方角度,以该角度内距离最近的障碍物坐标为目标物的坐标,为正前方角度中障碍物的距离,获取领头狼Sα、Sβ、Sδ各自正前方目标点和并融合成精确的的目标点位置Xgoal,具体表示如下:根据激光雷达非正前方的剩余角度中距离最小的角度,计算Sα、Sβ、Sδ各自附近最近的障碍物坐标其中,和分别为智能体Si的激光雷达数据中非正前方的剩余角度中距离最小的角度和距离。
9.根据权利要求8所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤5中,基于动态的Voronoi图划分围捕区域,精确智能体的围捕位置具体包括:由估计的目标物坐标(xgoal,ygoal)和其附近障碍物坐标以及领头狼的坐标,共七个坐标,完成Voronoi图的初始化,能够得到七个离散区域Vgoal、和以及每个区域的顶点集合和计算目标物Vgoal图中的重心重心的计算公式如下:
其中,为离散Voronoi图区域Vgoal的面积,然后利用目标区域的重心位置对灰狼优化算法中的探狼位置更新公式进行改进,生成探狼的更新位置改进公式如下:其中,为哈达玛乘积操作的通用符号,Xgoal表示目标物位置;表示当前探狼Si位置;表示目标物到当前探狼的更新位置距离;表示当前探狼和领头狼的位置距离;表示探狼的更新位置,A1和C1为协同系数:C1=2r2
其中,r1和r2为随机向量,其值在[0,1]之间,ɑ是在迭代过程中从2线性递减至0的控制参数。
10.根据权利要求9所述的分布式启发的无人集群类脑群智融合搜索围捕方法,其特征在于,所述步骤6包括:根据智能体的实时位置和障碍物位置,若有智能体检测到目标,利用灰狼优化算法更新智能体角色,并更新领头狼附近障碍物的坐标和和目标物坐标生成新的Voronoi图;若没有智能体检测到目标,但由于目标物是运动的,在运动T时间后,更新智能体决策,并更新障碍物的坐标和和目标物坐标生成新的Voronoi图;同时,检测目标物Vgoal图的面积和边界,若面积小于阈值并且边界均有Voronoi图相邻,则结束围捕。