CN117647934A - 一种基于大模型的无人集群编队控制算法智能生成方法 - Google Patents

Abstract

本发明属于临地安防技术体系中的群体智能技术领域，公开了一种基于大模型的无人集群编队控制算法智能生成方法，该方法通过将大语言模型与数学模型库和专家知识库相结合，能够根据用户的设计开发需求，自动完成控制算法的生成、仿真环境的构建和控制算法的调参。在该方法中，大语言模型主要用于理解用户的设计开发需求，并将需求分解成子任务：控制算法生成、仿真环境生成和控制算法调参。在执行子任务时，大语言模型会按任务需求访问数学模型库和专家知识库，以获取相关的先验知识，并调用Matlab软件以求解复杂导函数和方程，同时调用AirSim软件来构建仿真环境和进行控制算法调参的工作。

Description

一种基于大模型的无人集群编队控制算法智能生成方法

技术领域

本发明属于临地安防技术体系中的群体智能技术领域，涉及一种基于大模型的无人集群编队控制算法智能生成方法。

背景技术

随着科学技术的发展，无人机集群在军事领域和民用领域都具有广阔的应用前景，特别是面向未来临地安防体系下的低空安防，无人机集群因具有作战能力强、体系生存率高以及攻击成本低等诸多优势，对我国工业生产、社会经济、科研教育等方面的防护、生产、安全、救援，以及对国防安全、社会稳定、经济发展均具有重要意义。与此同时，通过结合大模型强大的认知和决策能力，无人集群的发展呈现出更高的创新性和效率，也将为其技术的不断完善和创新提供有力支持。

目前，大模型与无人系统和机器人领域的结合已经取得了显著的研究成果，尤其在具身智能的研究方面。这种结合为自动化和智能的无人系统提供了强大的认知和决策能力，例如大模型与无人系统相结合，使机器能够更好地理解和解释环境，从而实现自主导航和路径规划。此外，无人机可以使用大模型来改善飞行控制和感知能力，使其更适应各种任务，如搜索与救援、农业和地质勘探等。然而，尽管这些研究取得了显著成果，大模型输出结果的可解释性问题仍然是一个重要挑战。大模型产生的结果通常是黑盒，难以理解和解释。这对一些应用场景，尤其是对安全性要求非常高的领域，如军事和医疗，构成了潜在风险。在这些领域，任何失误都可能导致巨大的灾难和损失。因此，亟需开发更加可靠的策略与方法，以提高大模型在无人系统和机器人领域的可解释性。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种基于大模型的无人集群编队控制算法智能生成方法。

为实现以上目的，本发明采用如下技术方案：

具体包括如下步骤：

步骤1：用户设计开发需求输入：

用户通过交互式对话窗口以语音或文字的形式将无人集群编队控制算法的设计开发需求输入给大语言模型，设计开发需求至少明确被控对象类型、控制算法运行平台、无人集群中个体的数量、无人集群任务类型和外部指令X；

步骤2：大语言模型根据用户的设计开发需求输入进行需求理解，并在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，同时请求用户确认需求内容是否正确；

如果用户确认无误，流程将转入下一步骤；

如果用户认为不正确需补充相关需求，大语言模型将结合初始需求输入再次进行需求理解，随后再次在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，并请求用户确认；

如此循环直至用户确认无误后再转入下一步骤；

步骤3：大语言模型根据需求理解分解需求任务，将需求任务分解成三个子任务，子任务1：初步控制算法生成，子任务2：虚拟仿真环境生成，子任务3：控制算法调参；

步骤4：执行三个子任务；

步骤5：生成最终的控制算法u，并在交互式对话窗口输出给用户；

步骤6：用户将最终的控制算法u部署在真实的无人系统中，开展试验验证，并根据试验结果对控制算法设计开发结果进行评价反馈，大语言模型将根据评价结果优化相应的智能生成环节。

优选地，所述执行三个子任务具体过程包括：

步骤4.1：执行子任务1：初步控制算法生成；

步骤4.2：执行子任务2：虚拟仿真环境生成：

大语言模型根据需求理解后的内容，按需请求访问数学模型库和专家知识库，并通过调用AirSim软件完成虚拟环境生成；其中，大语言模型根据需求理解内容在调用AirSim软件时，选择合适的虚拟场景，然后设置相关环境参数；选取需求所要求的被控对象的类型并进行其模型参数设定；完成所需传感器配置以用于模拟环境信息反馈，以及控制算法u接口初始化；

步骤4.3：执行子任务3：控制算法调参：

大语言模型将初步生成的控制算法u在生成的虚拟仿真环境中进行仿真运行，大语言模型通过请求访问专家知识库设定控制算法u的评价指标，即系统误差模型e(a,f(x,u)X) 的收敛时间和收敛精度；根据仿真运行结果判断控制算法u是否满足用户需求，若不满足则调整控制算法参数，并再次进行仿真验证，如此循环直至满足设定的控制算法u评价指标。

优选地，所述执行子任务1：初步控制算法生成具体过程包括：

步骤4.1.1：进行系统建模：

大语言模型根据需求理解得到的被控对象类型和无人集群中个体的数量信息，分别请求访问运动学模型库和通讯拓扑库，调取被控对象运动学模型f(x,u)和通讯拓扑模型a；

大语言模型根据需求理解得到的无人集群任务类型和外部指令X，请求访问专家知识库，并给出系统误差模型e(a,f(x,u)X)；

步骤4.1.2：进行稳定性分析：

大语言模型根据系统误差模型e(a,f(x,u)X)，请求访问专家知识库，并构造李亚普若夫函数V(e)；

大语言模型调用Matlab软件对李亚普若夫函数V(e)进行求导；令李亚普若夫函数V(e)的导函数小于零，得到系统稳定性判据不等式，即李亚普若夫函数V(e)的导函数小于零不等式；

步骤4.1.3：完成初步控制算法生成：

大语言模型调用Matlab软件对李亚普若夫函数V(e)的导函数小于零不等式进行性求解，得到初步的控制算法u的表达式，并预设控制算法u的初步参数。

与现有技术相比，本发明具有以下有益效果：

本发明实施例通过将大语言模型与数学模型库和专家知识库相结合，能够根据用户的设计开发需求，自动完成控制算法的生成、仿真环境的构建和控制算法的调参工作，相较于传统的无人集群编队控制算法设计与开发过程通常需要用户拥有专业知识，而且耗费大量时间与精力，本发明有效简化了这一复杂过程，从而大大减轻了用户的工作负担，提高了设计与开发效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于大模型的无人集群编队控制算法智能生成方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

值得注意得是，大模型在模拟人类创造性工作方面具有独特的优势，这种优势在将大模型用于辅助工程技术人员设计和开发无人系统控制算法中表现出巨大潜力。一方面，大模型能够理解自然语言描述，能够模拟人类思维和创造性过程，这使得它们在探索新领域和设计创新解决方案方面非常有价值。例如，它们可以被用来生成新的控制策略、设计新的传感器配置或提出创造性的路径规划方法等。另一方面，针对大模型的可解释性差问题，通过专业技术人员的监督和指导，既可以充分利用大模型的创造性和生成能力，并将专家的知识和经验结合在生成过程中，又能够确保生成的控制算法是可解释的、可控的，并符合相关安全标准。从而实现在无人系统领域的安全和可靠应用。因此，这种结合将为自主可解释性算法的发展提供新的途径，促进无人系统领域的创新和进步。

下面通过具体实施方式进一步详细说明：

本实施例提出了一种基于大模型的无人集群编队控制算法智能生成方法，主要通过附图1中所示的交互式对话窗口实现用户（工程技术人员）与大模型之间的需求与信息交互。

具体实施流程图如附图1所示，步骤如下所述：

步骤1：用户设计开发需求输入：

用户通过交互式对话窗口以语音或文字的形式将无人集群编队控制算法的设计开发需求输入给大语言模型，至少需明确被控对象类型、控制算法运行平台、无人集群中个体的数量、无人集群任务类型和外部指令X。

步骤2：大语言模型根据用户的设计开发需求输入进行需求理解，并在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，同时请求用户确认需求内容是否正确。如果用户确认无误，流程将转入下一步骤；如果用户认为不正确需补充相关需求，大语言模型将结合初始需求输入再次进行需求理解，随后再次在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，并请求用户确认；如此循环直至用户确认无误后再转入下一步骤。

步骤3：大语言模型根据需求理解分解需求任务，将需求任务分解成三个子任务，子任务1：初步控制算法生成，子任务2：虚拟仿真环境生成；子任务3：控制算法调参。

步骤4：执行三个子任务。

步骤4.1：执行子任务1：初步控制算法生成。

步骤4.1.1：进行系统建模：

大语言模型根据需求理解得到的被控对象类型和无人集群中个体的数量信息，分别请求访问运动学模型库和通讯拓扑库，调取被控对象运动学模型f(x,u)和通讯拓扑模型a。随后，大语言模型根据需求理解得到的无人集群任务类型和外部指令X，请求访问专家知识库，并给出系统误差模型e(a,f(x,u)X)。

补充说明：运动学模型库和通讯拓扑库在本发明中定义其均属于数学模型库。

步骤4.1.2：进行稳定性分析：

大语言模型根据系统误差模型e(a,f(x,u)X)，请求访问专家知识库，并构造李亚普若夫函数V(e)。随后，大语言模型调用Matlab软件对李亚普若夫函数V(e)进行求导。最后，令李亚普若夫函数V(e)的导函数小于零，得到系统稳定性判据不等式，即李亚普若夫函数V(e)的导函数小于零不等式。

步骤4.1.3：完成初步控制算法生成：

大语言模型调用Matlab软件对李亚普若夫函数V(e)的导函数小于零不等式进行性求解，从而得到初步的控制算法u的表达式，并预设控制算法u的初步参数。

步骤4.2：执行子任务2：虚拟仿真环境生成：

大语言模型根据需求理解的内容，按需请求访问数学模型库和专家知识库，并通过调用AirSim软件完成虚拟环境生成。其中，大语言模型根据需求理解内容在调用AirSim软件时，首先选择合适的虚拟场景，然后设置相关环境参数。随后，选取需求所要求的被控对象（飞行器或车辆）的类型并进行其模型参数设定，最后，完成所需传感器配置以用于模拟环境信息反馈，以及控制算法u接口初始化。

步骤4.3：执行子任务3：控制算法调参：

大语言模型将初步生成的控制算法u在生成的虚拟仿真环境中进行仿真运行，然后大语言模型通过请求访问专家知识库设定控制算法u的评价指标，即系统误差模型e(a,f(x,u)X) 的收敛时间和收敛精度。随后，根据仿真运行结果判断控制算法u是否满足用户需求，若不满足则调整控制算法参数，并再次进行仿真验证，如此循环直至满足设定的控制算法u评价指标。

补充说明：系统误差模型e(a,f(x,u)X) 的收敛时间和收敛精度要求的具体值由专家知识库查询获取。

步骤5：生成最终的控制算法u，并在交互式对话窗口输出给用户。

步骤6：用户将最终的控制算法u部署在真实的无人系统中，开展相关试验验证，并根据试验结果对控制算法设计开发结果进行评价反馈，大语言模型将根据评价结果优化相应的智能生成环节。

补充说明：用户进行评价反馈时可以采用文本或语音的形式，不评价默认为满意。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (3)

1.一种基于大模型的无人集群编队控制算法智能生成方法，其特征在于包括如下步骤：

步骤1：用户设计开发需求输入：

用户通过交互式对话窗口以语音或文字的形式将无人集群编队控制算法的设计开发需求输入给大语言模型，设计开发需求至少明确被控对象类型、控制算法运行平台、无人集群中个体的数量、无人集群任务类型和外部指令X；

步骤2：大语言模型根据用户的设计开发需求输入进行需求理解，并在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，同时请求用户确认需求内容是否正确；

如果用户确认无误，流程将转入下一步骤；

如果用户认为不正确需补充相关需求，大语言模型将结合初始需求输入再次进行需求理解，随后再次在交互式对话窗口以文字的形式将需求理解后的内容叙述给用户，并请求用户确认；

如此循环直至用户确认无误后再转入下一步骤；

步骤3：大语言模型根据需求理解分解需求任务，将需求任务分解成三个子任务，子任务1：初步控制算法生成，子任务2：虚拟仿真环境生成，子任务3：控制算法调参；

步骤4：执行三个子任务；

步骤5：生成最终的控制算法u，并在交互式对话窗口输出给用户；

步骤6：用户将最终的控制算法u部署在真实的无人系统中，开展试验验证，并根据试验结果对控制算法设计开发结果进行评价反馈，大语言模型将根据评价结果优化相应的智能生成环节。

2.根据权利要求1所述的基于大模型的无人集群编队控制算法智能生成方法，其特征在于，所述执行三个子任务具体过程包括：

步骤4.1：执行子任务1：初步控制算法生成；

步骤4.2：执行子任务2：虚拟仿真环境生成：

大语言模型根据需求理解后的内容，按需请求访问数学模型库和专家知识库，并通过调用AirSim软件完成虚拟环境生成；其中，大语言模型根据需求理解内容在调用AirSim软件时，选择合适的虚拟场景，然后设置相关环境参数；选取需求所要求的被控对象的类型并进行其模型参数设定；完成所需传感器配置以用于模拟环境信息反馈，以及控制算法u接口初始化；

步骤4.3：执行子任务3：控制算法调参：

大语言模型将初步生成的控制算法u在生成的虚拟仿真环境中进行仿真运行，大语言模型通过请求访问专家知识库设定控制算法u的评价指标，即系统误差模型e(a,f(x,u)X)的收敛时间和收敛精度；根据仿真运行结果判断控制算法u是否满足用户需求，若不满足则调整控制算法参数，并再次进行仿真验证，如此循环直至满足设定的控制算法u评价指标。

3.根据权利要求2所述的基于大模型的无人集群编队控制算法智能生成方法，其特征在于，所述执行子任务1：初步控制算法生成具体过程包括：

步骤4.1.1：进行系统建模：

大语言模型根据需求理解得到的被控对象类型和无人集群中个体的数量信息，分别请求访问运动学模型库和通讯拓扑库，调取被控对象运动学模型f(x,u)和通讯拓扑模型a；

大语言模型根据需求理解得到的无人集群任务类型和外部指令X，请求访问专家知识库，并给出系统误差模型e(a,f(x,u)X)；

步骤4.1.2：进行稳定性分析：

大语言模型根据系统误差模型e(a,f(x,u)X)，请求访问专家知识库，并构造李亚普若夫函数V(e)；

大语言模型调用Matlab软件对李亚普若夫函数V(e)进行求导；令李亚普若夫函数V(e)的导函数小于零，得到系统稳定性判据不等式，即李亚普若夫函数V(e)的导函数小于零不等式；

步骤4.1.3：完成初步控制算法生成：

大语言模型调用Matlab软件对李亚普若夫函数V(e)的导函数小于零不等式进行性求解，得到初步的控制算法u的表达式，并预设控制算法u的初步参数。