[发明专利]基于异构多智能体的多无人机系统的故障估计方法

说明书

本发明实施例公开了一种基于异构多智能体的多无人机系统的故障估计方法，涉及异构多智能体故障估计领域。本发明能够在减少配备故障估计器的开支的同时，实现整个多无人机系统的故障估计。本发明包括：在多无人机系统中选择主智能体，并从所述多无人机系统中划分出所述主智能体所属的邻居智能体，并在所述主智能体上部署故障估计器，所述故障估计器中包括F I R滤波器；获取最小估计误差性能指标下的最优F I R滤波器增益；利用所述主智能体的传感器的输出信息，通过所述主智能体上部署的故障估计器，得到故障估计结果。本发明适用于无人机集群故障估计。

技术领域

本发明涉及异构多智能体故障估计领域，尤其涉及一种基于异构多智能体的多无人机系统的故障估计方法。

背景技术

随着网络通讯技术的不断发展，多智能体技术一直是近年来持续的关注热点。因此在包括在机器人、无人机编队控制、智能交通控制等等实际应用领域中得到了广泛应用。例如，多无人机系统被应用于军事场景承担侦察、监视和袭击任务已经有几十年的历史了。随着科技的不断进步，无人机的成本在持续地减少，随之而来的是大量的新兴应用，例如农业植物保护、天气检测、环境和自然灾害监测、交通控制、货物传输、公共安全等等。伴随着其在日常生活中的广泛应用，实时的故障监测是保障其安全运行的关键。考虑到无人机编队各个对象的个体差异性，相比同构智能体，利用异构多智能体系统建模，是更符合实际也更精确的建模手段。也正是由于多智能体系统所具有的邻居节点信息交互、相互协作的特殊性，一旦任意一个子智能体发生故障，故障信息会迅速通过通讯拓扑扩散传递，进一步降低整个系统性能，继而甚至影响系统的稳定性运行，带来重大的财产损失和人员伤亡。

因此，对于多智能体系统的实时在线故障诊断具有重要的理论意义和工程价值。这其中，相比同构多智能体，异构多智能体由于其子智能体之间具有不同的系统动态甚至是状态空间维度，能够更精确的描述复杂的实际工业过程。此外，不同于故障检测，故障估计能够获取包括故障幅值、类型等详细信息，从而能给观察员后续采取及时的应对措施提供有力的参考。因此，异构多智能体的故障估计是一个具有挑战性和实用性的研究方向。就比如说：如何在减少了配备故障估计器的开支的同时，实现整个多智能体系统的故障估计；以及如何减少获取故障估计器增益的计算复杂度，进一步缩减故障估计的时间，都是需要解决的问题。

发明内容

本发明的实施例提供一种基于异构多智能体的多无人机系统的故障估计方法，能够在减少配备故障估计器的开支的同时，实现整个多无人机系统的故障估计。

为达到上述目的，本发明的实施例采用如下技术方案：

S1、在多无人机系统中选择主智能体，并从所述多无人机系统中划分出所述主智能体所属的邻居智能体，并在所述主智能体上部署故障估计器，所述故障估计器中包括FIR滤波器；

S2、获取最小估计误差性能指标下的最优FIR滤波器增益；

S3、利用所述主智能体的传感器的输出信息，通过所述主智能体上部署的故障估计器，得到故障估计结果，其中，所述主智能体的传感器的输出信息包括：在同时受到所述主智能体的故障影响，和所述主智能体所属的邻居智能体的故障影响时的，所述主智能体的传感器的输出信息，所述故障估计结果对应同时受到所述主智能体的故障，和所述主智能体所属的邻居智能体的故障情况。

本发明实施例提供的基于异构多智能体的多无人机系统的故障估计方法，提出了一种新的解析冗余关系，并设计新的随机意义下的性能指标来构造基于FIR滤波器的残差产生器，以明显的计算优势实现具有随机非线性的异构多智能体及其邻居智能体的故障估计。减少了配备故障估计器开支的同时，实现了整个多智能体的故障估计。每个故障估计器的在线更新增益算法的计算量被显著改善，缩短了故障估计的时间。此外，获取故障估计器增益矩阵的计算复杂度被显著减少，进一步提高故障估计效率。

附图说明