Starling-inspired bifurcation-aggregation adaptive control for UAV swarms in complex multi-obstacle environments

针对复杂动态环境下无人机集群在执行目标聚集、避障等任务中存在协同控制不稳定、收敛性差等关键问题, 提出了一种具有拓扑驱动分岔-聚集动态的自适应无人机集群控制方法. 该方法采用基于三角剖分的自适应相邻建模策略, 其能有效利用邻域信息并具有记忆效应; 通过局部密度作为驱动因素, 引入三力权重在线学习方法, 并通过自反馈控制各子系统飞行参数; 最后利用状态分岔和密度-距离耦合的权重更新模型, 实现集群多级状态下的目标点切换、自适应绕障及终端聚集一致性, 并提高多机间的协调收敛性. 仿真结果表明, 该控制方法可以在含有多种障碍物环境中完成不同数目、不同大小的任务聚集, 在最终状态下保持多无人机速度高度一致, 调整控制过程中采取的控制策略, 改变自身通信关系结构, 相较于传统固定权重及静态拓扑方案, 具备较好的鲁棒性.