基于改進蜂窩模型的移動環(huán)境避障控制研究

基于改進蜂窩模型的移動環(huán)境避障控制研究

1移動傳感器網(wǎng)絡集群協(xié)同避障技術近年來，盡管對無線傳感器網(wǎng)絡進行了廣泛的研究，但大多數(shù)場所僅限于在沒有傳感器的固定環(huán)境中。在此情況下,要想跟蹤一個移動的目標節(jié)點,要么精確度不是很高,要么就得在整個環(huán)境中布置大量的傳感器。移動無線傳感器網(wǎng)絡(MWSN,MobileWirelessSensorNetwork)是由一組帶有無線收發(fā)裝置的、可移動的傳感器節(jié)點組成的多跳臨時性無中心網(wǎng)絡,可以在任何時刻、任何地點快速構建,并且不需要現(xiàn)有網(wǎng)絡基礎設施的支持。相對其他傳感網(wǎng)絡來說,移動傳感網(wǎng)絡具有更好的環(huán)境變化適應性以及可重構性,因此可應用于目標跟蹤監(jiān)測相關的領域中。目標跟蹤技術的應用領域很廣泛,在生態(tài)領域,主要包括水下潛艇跟蹤探測、跟蹤保護瀕危物種等;在軍事領域,主要應用于機載火力控制系統(tǒng)的防衛(wèi)系統(tǒng),包括各種飛行器的空中交通管制系統(tǒng)以及海岸監(jiān)視系統(tǒng)和空間運動體的監(jiān)視,在惡劣的戰(zhàn)場環(huán)境中,能很好地完成敵方信息的搜集和處理;在實際生活中可以廣泛應用于地鐵、地下車場、養(yǎng)老院人員跟蹤系統(tǒng)、車輛路橋收費系統(tǒng)及車輛調(diào)度管理系統(tǒng)等領域中。移動節(jié)點的跟蹤是未來移動無線傳感器網(wǎng)絡應用研究中的一個重點,所以如何提高目標跟蹤性能成了目前的研究熱點。針對上述集群協(xié)同避障問題,筆者曾提出了一種面向未知靜態(tài)障礙物的移動無線傳感器網(wǎng)絡節(jié)點集群協(xié)同避障方法。在此方法中,結(jié)合了蜂擁控制模型,并加入了SteertoAvoid避障法則。由于轉(zhuǎn)向時平行于障礙物的切線運動,使得它能夠最高效率地避開障礙物,并在一些應用中可以更準確地跟蹤目標,提高跟蹤效率。然而,在移動傳感器節(jié)點跟蹤的實際應用中,節(jié)點所處的工作環(huán)境有時是非常復雜甚至是雜亂無章的,不僅存在靜止障礙物,而且經(jīng)常充斥一些移動障礙物。這些障礙物的運動存在著很強的不確定性,比如移動障礙物的速度的大小和方向時刻發(fā)生變化,這勢必會影響傳感器節(jié)點的跟蹤效率,甚至脫離跟蹤目標,陷入死局。針對上述集群協(xié)同避障問題,提出了一個關于避開移動障礙物的目標跟蹤方法——面向未知動態(tài)環(huán)境移動無線傳感器網(wǎng)絡集群協(xié)同避障。此方法是在文獻采用蜂擁控制模型與SteertoAvoid避障法則相結(jié)合的基礎上進行改進的,在轉(zhuǎn)向時將移動障礙物的速度和方向作為模型的一個輸入,從而做出更加優(yōu)化的轉(zhuǎn)向判斷,使得能夠最高效率地避開處于移動狀態(tài)中的障礙物,這樣在一些相關應用中可以更準確地跟蹤目標,提高跟蹤效率。比如,在航模比賽中遇到障礙物時,能準確無誤地避開移動障礙物(如大鳥)并繼續(xù)保持隊形飛行;跟蹤養(yǎng)老院人員時,這種精確跟蹤可有效地避開移動障礙物(如車輛、人群)等。本模型可廣泛應用于各種飛行器的空中交通管制系統(tǒng)與災難救助等領域中。2動態(tài)環(huán)境下的避障方法近年來,在移動傳感器網(wǎng)絡目標跟蹤問題的研究中,蜂擁控制模型一直是研究的熱點。該模型具有眾多傳感器在一起移動并相互通信時無沖突、速度匹配以及向中心匯聚的優(yōu)點,即在跟蹤過程中使節(jié)點間既不碰撞又不分離,且速度處于匹配狀態(tài),讓群體達到協(xié)同。對于蜂擁控制模型和群體模型方法,不少相關學者進行了研究。Reynolds在1987年首先提出了一個經(jīng)典的蜂擁控制模型,該模型包含3個群體運動規(guī)則:a)碰撞避免。使一個智能體可以和它附近的智能體保持一定的分隔距離,避免發(fā)生碰撞;b)速度匹配。使各個智能體與其鄰域內(nèi)其他智能體的速度保持一致(方向與大小);c)聚合。使智能體間具有凝聚力,保持隊列的緊湊。Reynolds雖然沒有提出具體的模型,但是這3條規(guī)則開創(chuàng)了蜂擁控制研究的新方向。Vicsek等人在Reynolds模型的基礎上提出了改進的群體蜂擁模型;OlfatiSaber使用了動態(tài)網(wǎng)絡來對群體蜂擁行為進行建模;H.G.Tanner從Reynolds的模型中得到了靈感,他使用一組具有雙積分特性的群體系統(tǒng),實現(xiàn)了Reynolds模型中的3種行為規(guī)則;文獻提出了一個擴展了的蜂擁算法:在蜂擁群體中有一個速度不斷變化的虛擬領導者,并且只有少數(shù)的蜂擁個體知道。Shi和Wang研究了在虛擬領導者的狀態(tài)以及蜂擁個體和周圍相鄰個體之間拓撲關系不斷變化時移動個體的動態(tài)屬性。雖然蜂擁控制模型能夠從簡單的局部規(guī)則涌現(xiàn)出協(xié)調(diào)的全局行為來完成群體的協(xié)同跟蹤,但在跟蹤過程中障礙物是不可避免的。那么在檢測到障礙物時需要引入一個避障方法。在現(xiàn)在的眾多避障方法中,虛擬力場方法(VirtualForceField)是使用得比較多的一種。虛擬力場法是由密歇根大學的Borenstein和Koren于20世紀80年代提出的一種應用于未知環(huán)境中的移動機器人實時避障算法。但使用虛擬力場方法進行避障時,節(jié)點在檢測到障礙物后只是會作簡單的減速工作,隨著速度的減小,跟蹤效率也隨之明顯降低,且不能轉(zhuǎn)向繼續(xù)有效地跟蹤目標。Reynolds提出了SteertoAvoid的避障方法?？梢园堰@種避障的方法看成自然界鳥類常見的通過視覺來導航的方法。這個避障方法有3個特點:(1)個體只考慮在他前進方向上正對著的障礙物;(2)在個體自身的坐標系工作,檢測出障礙物離個體最近的邊緣點;(3)把障礙物中心與該點連線的直角方向作為個體轉(zhuǎn)向的依據(jù)。與虛擬力的避障方法相比,SteertoAvoid避障方法讓個體沿著障礙物的邊緣運動,提高了物體避開障礙物的效率。以上簡單介紹了蜂擁控制模型和避障方法,那么針對在跟蹤過程中避開移動障礙物的避障方法,相關學者也作了一些研究,目前主要方法有障礙物不確定路徑規(guī)劃法和人工勢場法。文獻提出了障礙物不確定路徑規(guī)劃法,其避障思想是針對障礙物的不確定性的最壞情況做出反應,以避免所有可能的碰撞。這里采用一種基于文獻的避障算法,建立一個相對坐標系,直接利用傳感器節(jié)點與障礙物的相對速度信息進行避障。然而,解決動態(tài)環(huán)境下節(jié)點的跟蹤規(guī)劃問題是一個比較難處理的問題,因為它需要在狀態(tài)空間進行規(guī)劃,即需要連續(xù)不斷地解決路徑規(guī)劃和速度規(guī)劃問題。路徑規(guī)劃涉及從初始點到目標點的避碰路徑的計算,而速度規(guī)劃本身就是一個動態(tài)問題,需要考慮動力學約束和執(zhí)行器的約束。研究表明,移動節(jié)點在具有速度界限和任意多障礙物的平面上的動態(tài)運動規(guī)劃是難以處理的問題。除計算之外,由于環(huán)境的不確定性使得運動規(guī)劃問題不一定有解,因為在t0時刻求出的解也許在t0以后時刻并不適合。人工勢場法是Khatib于1986年提出的,其原理是:移動節(jié)點在一個虛擬的力場中運動,障礙物被斥力勢場包圍,其產(chǎn)生的排斥力隨機器人與障礙物距離的減少而迅速增大,方向背離障礙物;目標點被引力勢場包圍,其產(chǎn)生的吸引力隨節(jié)點與目標位置的接近而減小,方向指向目標點;然后按各個障礙物和目標位置產(chǎn)生的人工勢能的總和,取勢函數(shù)梯度下降的方向(即沿排斥力矢量和吸引力矢量和的方向)來實現(xiàn)無碰路徑規(guī)劃。迄今為止這仍是應用最廣泛的無碰撞路徑規(guī)劃方法之一。傳統(tǒng)的人工勢場法只考慮了工作空間中障礙物的位置信息。當工作空間中具有動態(tài)障礙物時,通常的做法是在每一采樣時間段開始記錄下障礙物的位置,并且假定障礙物在這一采樣時間段內(nèi)保持位置不變,在這一前提下進行規(guī)劃。但由于未考慮障礙物的運動在某些情況下還是會發(fā)生碰撞,或是進行不必要的避障運動,文獻中提出了將速度矢量和加速度矢量引入到人工勢場中,應用基于矢量合成的方法來較好地解決上述缺陷。但是在實際應用中,速度特別是加速度不容易測量,在障礙物運動具有不確定因素的情況下會產(chǎn)生較大的誤差。文獻采用的方法是結(jié)合蜂擁控制模型,并在其中加入SteertoAvoid避障法則。該模型在靜止障礙物的避障中有很高的效率,但在移動傳感器節(jié)點跟蹤的實際應用中,往往碰到的是移動障礙物。如果直接采用文獻的模型來避障,則會有很大的局限性。因為移動障礙的下一刻位置是不確定的,如果沒有對其進行預測,那么很有可能再次相碰,甚至節(jié)點群體將一直處于被動狀態(tài),跟蹤速度也會受到限制,從而使跟蹤效率降低。針對原模型在避開移動障礙上的缺陷,需要對原模型進行改進,將障礙的速度作為模型的一個輸入,使傳感器節(jié)點群可高效地避開移動的障礙物。3合作避障法的改進模型3.1節(jié)點協(xié)同避障模型在一個平面內(nèi)有N個自治系統(tǒng),每個自治系統(tǒng)沒有大小(看成點)且質(zhì)量為1。每個自治系統(tǒng)裝有傳感器,所以可以把每個自治系統(tǒng)看成一個傳感器節(jié)點。感應其他自治系統(tǒng)在平面中的位置、速度等信息,并假設感應角度為360度,感應范圍為圓形。節(jié)點i的運動滿足下面兩個方程:{˙ri=vi˙vi=ui;i=1,?,Ν(1){r˙i=viv˙i=ui;i=1,?,N(1)式中,ri=(xi,yi)T是節(jié)點i的位置向量,vi=(˙xi,˙yi)Τvi=(x˙i,y˙i)T是節(jié)點i的速度向量,且節(jié)點i的速度與全局水平坐標軸的夾角定義為tanθi=˙xi/˙yi?ui=(¨xi,¨yi)Τ是節(jié)點的控制輸入(加速度)。Rij=ri-rj定義為節(jié)點i與節(jié)點j之間的距離。可以把控制輸入定義為:ui=αi+βi+γi(2)該等式的第一部分αi是速度匹配項,用來實現(xiàn)Reynolds模型中的第三個目標;βi是協(xié)同項,主要完成節(jié)點之間的碰撞避免和聚集,實現(xiàn)了Reynolds模型中的前兩個目標;γi是虛擬領導項,在運動的過程中能夠產(chǎn)生一個遠離障礙的斥力,同時使節(jié)點朝著預先給定的終點rd=(xd,yd)T運動。文獻中只研究了障礙物是靜止正方形的情況,節(jié)點對于障礙物的斥力和節(jié)點的SteertoAvoid轉(zhuǎn)向都是面向障礙物邊緣的。本文將協(xié)同避障模型引入移動障礙的環(huán)境,并將現(xiàn)有模型做適當?shù)母倪M,讓群體能夠避開空間環(huán)境中的移動障礙物,且能保證一個較高的避障效率。圖1給出協(xié)同避障模型?？梢远x移動障礙物的瞬時速度為vo。如果在運動過程中vo保持恒定,那么障礙物做勻速運動;如果vo的大小和方向隨時間變化,那么障礙物做變速運動。在運動過程中,障礙物上的每一個點(Ox,Oy)均可看作是以vo的速度運動的。3.2節(jié)點虛擬領導控制teertoviding鄰域(感應范圍):節(jié)點只能和自己鄰近的節(jié)點通信,控制輸入也主要通過這些信息獲得。令Ni為節(jié)點i的鄰域中的節(jié)點集(不包括i本身),有:Ni?{j︱‖rij‖≤R}?{1,…,N}(3)式中,R是節(jié)點的感應半徑。節(jié)點是運動的,每個節(jié)點之間的距離是不斷變化的,這導致了每個節(jié)點的鄰域是不斷變化的。速度匹配項αi:該項由節(jié)點i和其鄰域內(nèi)所有速度向量相減,然后將這些差值疊加,得到一個綜合的控制輸入。該項可以使節(jié)點i與鄰域內(nèi)其他節(jié)點的速度不斷接近,直到所有節(jié)點速度相等。αi=-∑jˉΝi(vi-vj)(4)協(xié)同項βi:該控制輸入的作用是使節(jié)點間距離太近時避免碰撞(斥力),節(jié)點間距離太遠時又相互吸引(引力),超出感應半徑R后不存在任何力。鄰域內(nèi)的所有節(jié)點對節(jié)點i造成的控制輸入的總和構成了控制輸入βi。令節(jié)點i鄰域內(nèi)的節(jié)點j對節(jié)點i造成的避障聚合控制輸入為Vij。可定義Vij為:Vij=(rij-r)n;n=1,3,5,…,2k+1(5)式中,r是節(jié)點之間穩(wěn)定后的距離;n為一個正的奇數(shù),可以根據(jù)實際情況來設置。則可以得到協(xié)同項βi為:βi=-Ν∑j=1,j≠iVij(6)虛擬領導項γi:該項保證節(jié)點在避開障礙的情況下同時朝著預先給定的目標點運動。對于節(jié)點的運動過程,分情況討論。當在自己的感應范圍內(nèi)檢測不到障礙物時,該項提供一個恒定的朝向目標的引力Ui=Ud,使節(jié)點能夠朝著目標運動;當節(jié)點離目標非常近以后,rid<rmin,取消這個引力,讓節(jié)點能在目標位置處停下來;當在感應范圍內(nèi)檢測到障礙物時,先取消這個引力,取障礙物離節(jié)點最近的一點ro,施加一個與節(jié)點連線方向上的斥力Ui:Ui=-Uo/(rio)m(7)式中,Uo為一個恒值;m是一個正整數(shù),按實際情況設置。當節(jié)點與障礙物離得非常近時,該項提供一個非常大的斥力。則節(jié)點的虛擬領導控制輸入γi=Ui。綜上所述,節(jié)點i總的控制輸入ui可以確定為:ui={-∑jˉΝi(vi-vj)-∑jˉΝiVij-Ui-kvi,rid<rmin-∑jˉΝi(vi-vj)-∑jˉΝiVij-Ui,其他(8)式中,當節(jié)點與目標點的距離小于一個定值以后,可以看作節(jié)點已經(jīng)到達目標。這時節(jié)點的速度應該下降,最終能在目標旁停止下來。所以當rid<rmin時,為ui添加阻尼項-kvi。避障中的SteertoAvoid:在傳感器檢測到障礙的同時,計算節(jié)點速度方向直線與障礙邊緣的交點的切線。切線有兩個方向,必須選擇其中一個方向來轉(zhuǎn)向?？梢韵热我膺x擇一個方向,角度記為σi(角度的大小都是相對于水平方向的)。將節(jié)點與目標點相連接,這條直線的角度記為ξi,這條直線勢必與該切線相交。ξi=arctan((yi-yd)/(xi-xd))(9)由于切線方向為轉(zhuǎn)向后的速度方向,在選擇節(jié)點的轉(zhuǎn)向方向時,需要選擇能盡快到達目標的方向。若當前選擇的方向σi假定為轉(zhuǎn)向后的速度方向,將該速度投影到節(jié)點i與目標的連線上,可以得到一個朝向目標的速度分量。將以上兩條直線的角度相減,若得到的結(jié)果小于等于π/2,則該投影的速度分量是指向目標的,也就是速度方向是趨向于接近目標的,所以取σi為轉(zhuǎn)向方向。如果兩個角度相減得到的結(jié)果為鈍角,則將σi減去π,然后將其作為轉(zhuǎn)向角度。最后得到的轉(zhuǎn)向角記為φi,如圖2所示。φi的選擇可以描述為:φi={σi?|σi-ξi|≤π/2σi-π?其他(10)在遇到障礙物的情況下,速度要能很快地改變?yōu)榍芯€方向,否則可能會因為速度太快而撞上障礙。所以,在障礙物下的SteertoAvoid避障方法的速度改變應該是瞬時的。在這里,速度方向瞬間從θi改變?yōu)棣読。追蹤節(jié)點中的SteertoAvoid:可以把SteertoAvoid引入到節(jié)點的跟蹤過程中。在沒有檢測到障礙物的情況下,現(xiàn)在的模型只單獨使用一個朝向目標的控制輸入來吸引節(jié)點朝目標運動,這種方法在速度偏離目標很遠時存在一定的缺陷。這里,將SteertoAvoid的避障方法同樣引入節(jié)點的跟蹤過程中,使得節(jié)點能夠更快、更優(yōu)化地到達目標點。當節(jié)點在感應范圍內(nèi)檢測不到障礙時(障礙的最近點在感應范圍之外),節(jié)點會以自身與目標點的連線方向作為轉(zhuǎn)向的方向,記為φi。在跟蹤目標的SteertoAvoid中,速度應該是平滑地改變。這里定義一個恒定的角速度ω,速度方向以角速度ω從θi平滑地轉(zhuǎn)變?yōu)棣読。這一個轉(zhuǎn)向法則和虛擬領導控制項共同作用于節(jié)點,使得節(jié)點能更優(yōu)化地朝著目標運動。另外,可能某些節(jié)點自身沒有檢測到障礙物,此時該節(jié)點的轉(zhuǎn)向角度為null,但其鄰域內(nèi)已經(jīng)有節(jié)點做出了轉(zhuǎn)向的決定。那么該節(jié)點可以根據(jù)鄰域內(nèi)其他節(jié)點的轉(zhuǎn)向角做出轉(zhuǎn)向的決定。在沒有遇到障礙物前就做出轉(zhuǎn)向的決定,可以大大提高群體在轉(zhuǎn)向的效率。圖3示出SteertoAvoid在轉(zhuǎn)向上的使用。節(jié)點在做出轉(zhuǎn)向的決定前,首先要看自己是否能檢測到障礙物。如果能檢測到障礙物并能根據(jù)SteertoAvoid避障方法來計算出轉(zhuǎn)向角,則忽略鄰域內(nèi)其他節(jié)點的轉(zhuǎn)向。若節(jié)點不能檢測到障礙物,則檢查鄰域內(nèi)所有節(jié)點的轉(zhuǎn)向角,并求出所有轉(zhuǎn)向角的平均角度,將該角度作為節(jié)點的轉(zhuǎn)向角。它可以描述為:φi=∑j∈Νiφj/n;j∈Ni,φi=null,φj≠null(11)式中,鄰域內(nèi)有n個節(jié)點的轉(zhuǎn)向角度不為null。確定了節(jié)點的轉(zhuǎn)向角度后,可以根據(jù)下式將速度向量改變?yōu)?{vx=cosφi√(v2x+v2y)vy=sinφi√(v2x+v2y)(12)協(xié)同避障模型在移動障礙環(huán)境的改進:如果障礙物從靜止變?yōu)橐苿?現(xiàn)有的模型在避障時得到的轉(zhuǎn)向方向可能會和障礙的移動方向相同,節(jié)點和障礙可能會保持相對靜止,從而導致避障效率下降。以下兩點模型的改進從移動障礙物的特點出發(fā),與SteertoAvoid共同作用到節(jié)點轉(zhuǎn)向的過程之中。與避障中的SteertoAvoid相應,節(jié)點是必須檢測到障礙物的情況下才會做出轉(zhuǎn)向的判斷。另外,障礙物必須是移動的,否則退化成了避障中的SteertoAvoid轉(zhuǎn)向,以下的兩項將不起任何作用。如果節(jié)點沒有檢測到障礙物,則仍然用追蹤節(jié)點中的SteertoAvoid來導航節(jié)點。(1)移動預判和轉(zhuǎn)向判斷節(jié)點是能夠根據(jù)障礙物移動速度的方向和大小來估計出經(jīng)過Δt時間后障礙物的位置的(假設Δt內(nèi)都是按勻速運動)。節(jié)點則根據(jù)Δt時間后障礙物的位置來進行SteertoAvoid轉(zhuǎn)向判斷。這樣,節(jié)點根據(jù)障礙物的移動趨勢來決定自己的轉(zhuǎn)向,提高了轉(zhuǎn)向效率。移動預判是在SteertoAvoid之前作用在節(jié)點之上的。當障礙物進入節(jié)點的感應范圍后,節(jié)點通過感應障礙物位移的微分來得到障礙物這個時刻的瞬時速度vo?？梢詫⒄系K物的速度分解成水平和垂直兩個方向的兩個分速度vox和voy。{vox=vo×cosθovoy=vo×sinθo(13)式中,θo是障礙物移動速度與水平方向的夾角。那么障礙物上一點(Ox,Oy)在Δt時間后的位置為:{Οx′=Οx+vox×ΔtΟy′=Οy+voy×Δt(14)整個障礙物也可以用以上的公式來預判出Δt時間后的位置。如圖4所示,節(jié)點對Δt時間后的障礙物進行SteertoAvoid轉(zhuǎn)向判斷。障礙物已經(jīng)不在節(jié)點的速度方向上了,節(jié)點則不會改變自己的速度方向,明顯提高了轉(zhuǎn)向效率。在實際情況中,Δt不能太大,否則會與障礙物發(fā)生碰撞。(2)速度轉(zhuǎn)向方向在移動預判過后,很可能在速度方向上檢測到障礙物,這時要對移動中的障礙物進行SteertoAvoid轉(zhuǎn)向判斷。模型中前面幾項的綜合作用,也只會讓節(jié)點沿著障礙物的切線方向運動。但如果障礙物有遠離節(jié)點的趨勢,按照切線方向轉(zhuǎn)向的效率就明顯變低了。如果障礙物是接近節(jié)點的,節(jié)點首先受到Tanner模型中的虛擬領導項的作用而減速,并沒有能夠很快地將節(jié)點的方向調(diào)整到一個合理的角度。所以,障礙的速度要加入到SteertoAvoid的轉(zhuǎn)向判斷中。根據(jù)原來避障中的SteertoAvoid法則可以得到一個切線方向的轉(zhuǎn)向角度,節(jié)點速度的大小不改變,只是方向改變?yōu)榇饲芯€方向。這里把這個改變后的速度定義為vi1。這里將障礙物的速度進行分解,可以把障礙物的速度投影到節(jié)點的SteertoAvoid坐標系上(該坐標系以切線方向為橫軸,以垂直切線的方向為縱軸)。可以得到兩個速度的分量,記橫軸速度為vo1,縱軸速度為vo2,如圖5所示。根據(jù)式(15)可以將vo投影到SteertoAvoid坐標系中:{vo1x+vo2x=voxvo1y+vo2y=voyv2o1x+v2o1y+v2o2x+v2o2y=v2ox+v2oytanφi=vo1y/vo1xtan(φi+π/2)=vo2y/vo2x(15)由式(15)可以解出兩個速度分量。得到了vo1和vo2后,可以和原來的vi1一同來決定出新的SteertoAvoid轉(zhuǎn)向角。首先判斷橫軸速度,如果vo1和vi1是反向的,那么節(jié)點原SteertoAvoid判斷出的轉(zhuǎn)向方向和障礙物移動的方向相反,適合節(jié)點避開障礙,橫軸方向速度選取當前的vi1。如果vo1和vi1是同向的,那么節(jié)點運動的方向和障礙物移動的方向是相同的。這里存在兩種情況:如果障礙物的速度不是很快,節(jié)點可以加速繞過障礙;如果障礙物的速度接近于節(jié)點,那么節(jié)點和障礙保持相對靜止,這時需要將節(jié)點的速度反向。此時先比較vo1和vi1兩個速度的大小。如果vo1小于vi1的一半,那么可以認為當前的節(jié)點是可以加速繞過這個障礙的,仍然取當前的vi1作為橫軸速度。如果vo1大于vi1的一半,那么節(jié)點可能追不上障礙物,將當前的vi1反向,速度大小不變。這里可以確定vi1:vi1={vi1?如果vi1與vo1反向或者vo1<12vi1-vi1?vi1與vo1同向且vo1>12vi1(16)將式(16)產(chǎn)生的vi1和vo2進行向量疊加,得到最后的轉(zhuǎn)向速度vi′。疊加后速度轉(zhuǎn)向方向是根據(jù)障礙的運動趨勢來確定的,從而可以得到更高的避障效率。相關公式描述如下:{v′ix=vo2x+vi1xv′iy=vo2y+vi1y(17)通過把障礙物速度分解,然后將其作為SteertoAvoid的一個參考,提高了節(jié)點的避障效率?？梢钥吹?當障礙物速度方向遠離節(jié)點時,節(jié)點并沒有完全將速度方向轉(zhuǎn)變?yōu)榍芯€方向。當障礙物速度方向朝向節(jié)點時,節(jié)點的速度方向可以很快地改變?yōu)檫h離障礙的方向,并有一個切線的分速度使其仍然能以很高的效率避開障礙?？偨Y(jié)以上的模型,能夠讓群體協(xié)同地朝著目標前進,并能夠在檢測到障礙后做出轉(zhuǎn)向的決定。如果面對的是靜止的障礙物,則轉(zhuǎn)向的方向是障礙方向的切線;如果是移動的障礙物,節(jié)點能預判出障礙的移動趨勢,轉(zhuǎn)向方向則是障礙切線方向和障礙速度分量的疊加。這使轉(zhuǎn)向的效率得到了很大的提高。同時,單個節(jié)點的感應范圍可能是有限的,但是當群體規(guī)模較大時,能夠組成一個很大的感應范圍,這能使群體在轉(zhuǎn)向時更快、更好地做出決定。4增強的steertorviding模型仿真實驗模擬了本文所提模型,驗證了模型的有效性和穩(wěn)定性。并對Tanner的蜂擁控制模型和筆者曾提出的協(xié)同避障模型進行了對比分析。仿真的監(jiān)測范圍為1200×1200大小正方形區(qū)域。障礙物設定為邊長為200的正方形,初始坐標位于橫軸坐標400到600、縱軸坐標25到225的范圍內(nèi)。障礙由下向上運動,障礙單位時間移動的橫縱坐標為10和0(速度向量)。目標的位置為(900,500)。在橫縱坐標為0到200的區(qū)域內(nèi)隨機布置10個移動無線傳感器節(jié)點并做以下初始化:節(jié)點速度的橫縱分量為-100到100的隨機值,感應半徑R均為150,控制輸入初始為0。這些傳感器節(jié)點要協(xié)同地朝著目標位置前進,并能夠避開圖6中的方形障礙物。如果使用Tanner的蜂擁模型來避開障礙物到達目標點,可以得到圖6所示的仿真圖像。從圖6可以看到,Tanner模型的節(jié)點在遇到障礙物后只施加給節(jié)點一個斥力,并沒有任何的轉(zhuǎn)向判斷。彈開后使節(jié)點速度方向再次朝向目標點運動是有一個過程的。這個過程中,障礙也在移動,節(jié)點可能又再次碰到障礙。所以Tanner的協(xié)同避障模型在移動障礙物環(huán)境中的避障效率較低。筆者曾經(jīng)對Tanner的模型做了改進,并加入SteertoAvoid轉(zhuǎn)向判斷。經(jīng)過證實,在避開靜止障礙物時,它能夠有效提高避障效率。現(xiàn)在將該模型應用到移動障礙的環(huán)境中,可以得到圖7的圖像。由圖7可知,協(xié)同避障模型有了SteertoAvoid的轉(zhuǎn)向判斷,使節(jié)點群的轉(zhuǎn)向方向為障礙的切線方向,比Tanner模型的避障效率有了一定的提升。但在移動障礙物的環(huán)境下,SteertoAvoid做出的判斷可能并不是最優(yōu)的,如果障礙的運動方向和節(jié)點的SteertoAvoid避障判斷方向同向,它可能就會和障礙物保持相對靜止,從而大幅度降低了避障效率。改進后的模型在遇到障礙物的SteertoAvoid判斷中加入了障礙物速度的因素,圖8是改進后的模型在移動障礙物環(huán)境下的應用。由圖8可以得到,當障礙物的運動趨勢和節(jié)點的SteertoAvoid轉(zhuǎn)向判斷相同而且兩