CN104155999B - 战场环境下多无人机时敏任务动态分配方法 - Google Patents
战场环境下多无人机时敏任务动态分配方法 Download PDFInfo
- Publication number
- CN104155999B CN104155999B CN201410377834.4A CN201410377834A CN104155999B CN 104155999 B CN104155999 B CN 104155999B CN 201410377834 A CN201410377834 A CN 201410377834A CN 104155999 B CN104155999 B CN 104155999B
- Authority
- CN
- China
- Prior art keywords
- uav
- follower
- tst
- task
- formula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 7
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000011065 in-situ storage Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000010009 beating Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 claims 1
- 239000000463 material Substances 0.000 claims 1
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000009527 percussion Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多无人机时敏任务动态分配算法,可实现战场环境下多架无人机对多个时敏目标的打击;该算法利用任务拍卖思想构建时敏任务动态分配模型,该模型主要考虑了无人机的任务执行时间、毁伤能力、打击收益,以及执行当前任务对后续时敏任务时间窗口宽度和威胁程度的影响;无人机打击路径规划采用模型预测控制算法实现,主要完成无人机对威胁区域规避下的打击路径优化。
Description
技术领域
本发明涉及一种分配算法,尤其涉及一种战场环境下多无人机时敏任务动态分配算法。
背景技术
时间敏感型目标简称时敏目标(Time-sensitive Targets,TST),主要指必须在有限的“时间窗口”或“交战机会”内完成发现、定位、识别和打击的目标。由于TST的状态特征存在很强的不确定性,使得无人机(Unmanned Aerial Vehicle,UAV)编队在打击该类型目标时,需要根据TST的时间窗口宽度及当前状态,UAVs的性能及有效载荷差异,及时进行任务和打击路径的动态优化,以保证UAVs编队执行时敏任务收益的最大化。
目前,研究人员针对UAVs执行任务的耦合性与时间敏感特征,UAVs***的异构性与分散特征,提出了许多任务动态分配算法,如:分布式任务一致性算法、任务动态规划算法、基于适应度优化的任务分配算法、基于市场拍卖的任务分配算法和基于博弈论的任务分配算法等。其中,由美国麻省理工学院航空控制实验室Jonathan How、Han-LimChoi等人提出的捆绑一致性算法(Consensus-based Bundle Algorithm,CBBA)受到了广泛关注。该算法将组合拍卖机制和分布式任务一致性理论相结合,能够在任务耦合的条件下实现异构多智能体组合任务分配。该实验室在CBBA的基础上,进一步开发出CCBBA(Coupled-Constraint Consensus-Based Bundle Algorithm)。该算法引入了智能体执行任务时间,使CBBA具备了时敏任务分配能力。上述方法都是在TST时间窗口固定的假设条件下,利用进化算法或贪婪搜索算法获得最优解,缺乏TST时间窗口随时间变化的情况下任务动态分配能力,这将影响UAVs对TST打击的效果。
发明内容
针对上述问题,本发明提出一种多无人机时敏任务动态分配算法,实现战场环境下多架无人机对多个时敏目标的打击。该算法利用任务拍卖思想构建时敏任务动态分配模型,该模型主要考虑了无人机的任务执行时间、毁伤能力、打击收益,以及执行当前任务对后续时敏任务时间窗口宽度和威胁程度的影响;无人机打击路径规划采用模型预测控制算法实现,主要 完成无人机对威胁区域规避下的打击路径优化。
为达到上述技术目的,本发明采用了一种战场环境下多无人机时敏任务动态分配算法,UAVs编队采用Leader-Follower结构执行TST打击任务,Leader_UAV主要承担决策者的角色,Follower_UAV承担打击者的角色。Leader_UAV将根据时敏任务变化情况,以及Follower_UAV执行任务时间、毁伤能力和打击收益等因素完成编队任务分配。在Leader_UAV任务分配的基础上,Follower_UAV将依照任务内容完成飞行路径规划和对TST打击,以Leader_UAV充当任务拍卖者,Follower_UAV充当竞拍者。Follower_UAV将各自的竞拍价格矩阵cost_auction(包括:与TST之间的距离d、执行执行TST打击任务的时间t、对TST的毁伤能力Damage以及打击收益VLR)发送给Leader_UAV。在此基础上,Leader_UAV在TST时间窗口宽度duration的约束下,根据cost_auction对竞拍者进行选择,完成任务分配。duration受Follower_UAV执行当前任务的影响,其表达式如式(1)所示。cost_auction中的各元素表达式如式(2)所示。
durationj(k)=durationj(k-1)+variationij (1)
式中,durationj表示TSTj的时间窗口宽度,variationij表示
Follower_UAVi执行当前任务对TSTj的时间窗口宽度的影响。
cost_auctionij(k)=dij(k)/max(dij(k))+Damageij(k)
+VLRij(k)+max(tij(k))/tij(k) (2)
+max(P_threatij(k))/P_threatij(k)
假设V={1,2,…,N}为Follower_UAV数量,则编队中UAVs的数量为N+1,T={1,2,…,M}为TST数量。式中,dij表示Follower_UAVi(i∈V)与TSTj(j∈T)之间的距离;tij表示Follower_UAVi执行TSTj打击任务时间;Damageij表示Follower_UAVi对TSTj的毁伤能力;VLRij表示Follower_UAVi打击TSTj的效益,它是Damageij和载弹量Loadi的函数,其表达式如式(3)所示;P_threatij表示TSTj对Follower_UAVi的威胁概率,将通过TSTj的雷达对Follower_UAVi的瞬时跟踪概率Pdij在累计时间段Ts上的积分获得,其表达式如式(4)所示。
式中,Loadi(k)和Loadi(k-1)分别表示Follow_UAVi当前时刻与前一时刻的载弹量。
式中,c_t为当前的采样时刻,Ts为瞬时概率的累计时间段,Pdij是TSTj的雷达对Follower_UAVi的瞬时跟踪概率,其表达式如式(5)所示。
式中,Rij是Follower_UAVi与TSTj之间的距离;c1j,c2j是常数,由TSTj的雷达类型确定;σi是Follower_UAVi的雷达散射截面积(Radar Cross-Section,RCS)。UAV的RCS是关于UAV航向与TST水平方向的夹角λ,TST与UAV间的俯仰角侧向加速度与重力加速度比值μ的函数,其表达式如式(6)、(7)、(8)所示。
Leader_UAV根据cost_auction完成任务分配,若Follower_UAV接到Leader_UAV下发的任务,需计算其与执行TST之间的距离,如果该距离小于等于开始执行打击任务的最短距离D_start,则Follower_UAV开始打击,并在原地盘旋直到目标击毁;否则,Follower_UAV利用MPC算法进行打击路径规划。根据飞行器的运动学方程,建立非线性的预测模型如式(9)、(10)、(11)、(12)、(13)所示。
z(k+1)=z(k)+s·sin(θ(k+1)) (11)
θ(k+1)=θ(k)+θ0·uθ(k) Uθmin≤uθ≤Uθmax (13)
式中,(x,y,z)表示位置;s表示当前导航点和下一导航点之间的直线距离;是方位角,是常量,表示方位角的变化步长,是方位角的控制量,是方位角控制量的边界;θ是俯仰角,θ0是常量,表示俯仰角的变化步长,uθ是俯仰角的控制量,Uθmin,Uθmax是俯仰角控制量的边界。
uθ是通过滚动优化路径代价函数cost_path获得的最优控制量。本文的路径代价函数cost_path由状态误差代价、TST雷达造成的威胁代价和控制域内的控制代价构成,cost_path中的各元素表达式如式(14)所示。
式中,cij(k)表示Follower_UAVi与TSTj之间的距离代价,即cij(k)=(xi-xj,yi-yj,zi-zj)T,TSTj的位置Sj(k)=(xj,yj,zj)T表示参考轨迹,α为其权值,Ci为UAVi与TST之间的距离代价加权矩阵;P_threatij表示TSTj对Follower_UAVi的威胁能力,β为其权值;u(k)为控制量,γ为其的权值。
本发明还提出了一种战场环境下多无人机时敏任务动态分配算法的实现,包含以下步骤:
步骤1:Follower_UAV向Leader_UAV提交TST观测信息,Leader_UAV产生任务清单,并根据式(1)进行任务拍卖,实现任务分配;
步骤2:Follower_UAV根据任务分配结果,判断自身的任务列表是否为空,若为空,则在当前位置盘旋等待,直到任务列表不为空时,按新的任务列表执行任务,否则执行步骤3;
步骤3:Follower_UAV根据自身的任务列表,判断与执行TST之间的距离,若此距离小于等于D_start,则Follower_UAV开始打击目标,并在原地盘旋直到目标击毁;否则,Follower_UAV将根据式(13)所获得的最优控制量进行路径规划,当达到打击距离后,开始打击目标,并在原地盘旋直到目标击毁;
步骤4:Follower_UAV执行当前任务会对后续TST时间窗口宽度产生影响,需要对UAVs编队任务分配和打击路径进行调整,将返回步骤1进行任务重规划,直至完成所有TST的打击任务。
本发明解决了战场环境下UAVs对多个时间窗口动态变化的时敏任务的打击问题。该算法充分考虑UAVs执行当前任务时对后续TST时间窗口宽度的影响,采用任务拍卖机制完成打击任务动态更新,实现TST的有效打击。
附图说明
图1所示的是本发明中UAVs编队时敏任务动态分配示意图;
图2所示的是本发明中采用时敏任务动态分配算法的打击路径轨迹图;
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细地说明。
由图1中UAVs编队时敏任务动态分配示意图可知,一种战场环境下 多无人机时敏任务动态分配算法,UAVs编队采用Leader-Follower结构执行TST打击任务,Leader_UAV主要承担决策者的角色,Follower_UAV承担打击者的角色。Leader_UAV将根据时敏任务变化情况,以及Follower_UAV执行任务时间、毁伤能力和打击收益等因素完成编队任务分配。在Leader_UAV任务分配的基础上,Follower_UAV将依照任务内容完成飞行路径规划和对TST打击,以Leader_UAV充当任务拍卖者,Follower_UAV充当竞拍者。Follower_UAV将各自的竞拍价格矩阵cost_auction(包括:与TST之间的距离d、执行执行TST打击任务的时间t、对TST的毁伤能力Damage以及打击收益VLR)发送给Leader_UAV。在此基础上,Leader_UAV在TST时间窗口宽度duration的约束下,根据cost_auction对竞拍者进行选择,完成任务分配。duration受Follower_UAV执行当前任务的影响,其表达式如式(1)所示。cost_auction中的各元素表达式如式(2)所示。
durationj(k)=durationj(k-1)+variationij (1)
式中,durationj表示TSTj的时间窗口宽度,variationij表示
Follower_UAVi执行当前任务对TSTj的时间窗口宽度的影响。
cost_auctionij(k)=dij(k)/max(dij(k))+Damageij(k)
+VLRij(k)+max(tij(k))/tij(k) (2)
+max(P_threatij(k))/P_threatij(k)
假设V={1,2,…,N}为Follower_UAV数量,则编队中UAVs的数量为N+1,T={1,2,…,M}为TST数量。式中,dij表示Follower_UAVi(i∈V)与TSTj(j∈T)之间的距离;tij表示Follower_UAVi执行TSTj打击任务时间;Damageij表示Follower_UAVi对TSTj的毁伤能力;VLRij表示Follower_UAVi打击TSTj的效益,它是Damageij和载弹量Loadi的函数,其表达式如式(3)所示;P_threatij表示TSTj对Follower_UAVi的威胁概率,将通过TSTj的雷达对Follower_UAVi的瞬时跟踪概率Pdij在累计时间段Ts上的积分获得,其表达式如式(4)所示。
式中,Loadi(k)和Loadi(k-1)分别表示Follow_UAVi当前时刻与前一时刻的载弹量。
式中,c_t为当前的采样时刻,Ts为瞬时概率的累计时间段,Pdij是TSTj的雷达对Follower_UAVi的瞬时跟踪概率,其表达式如式(5)所示。
式中,Rij是Follower_UAVi与TSTj之间的距离;c1j,c2j是常数,由TSTj的雷达类型确定;σi是Follower_UAVi的雷达散射截面积(Radar Cross-Section,RCS)。UAV的RCS是关于UAV航向与TST水平方向的夹角λ,TST与UAV间的俯仰角侧向加速度与重力加速度比值μ的函数,其表达式如式(6)、(7)、(8)所示。
Leader_UAV根据cost_auction完成任务分配,若Follower_UAV接到Leader_UAV下发的任务,需计算其与执行TST之间的距离,如果该距离小于等于开始执行打击任务的最短距离D_start,则Follower_UAV开始打击,并在原地盘旋直到目标击毁;否则,Follower_UAV利用MPC算法进行打击路径规划。根据飞行器的运动学方程,建立非线性的预测模型如式(9)、(10)、(11)、(12)、(13)所示。
z(k+1)=z(k)+s·sin(θ(k+1)) (11)
θ(k+1)=θ(k)+θ0·uθ(k) Uθmin≤uθ≤Uθmax (13)
式中,(x,y,z)表示位置;s表示当前导航点和下一导航点之间的直线距离;是方位角,是常量,表示方位角的变化步长,是方位角的控制量,是方位角控制量的边界;θ是俯仰角,θ0是常量,表示俯仰角的变化步长,uθ是俯仰角的控制量,Uθmin,Uθmax是俯仰角控制量的边界。
uθ是通过滚动优化路径代价函数cost_path获得的最优控制量。本文的路径代价函数cost_path由状态误差代价、TST雷达造成的威胁代价和控制域内的控制代价构成,cost_path中的各元素表达式如式(14)所示。
式中,cij(k)表示Follower_UAVi与TSTj之间的距离代价,即cij(k)=(xi-xj,yi-yj,zi-zj)T,TSTj的位置Sj(k)=(xj,yj,zj)T表示参考轨迹,α为其权值,Ci为UAVi与TST之间的距离代价加权矩阵;P_threatij表示TSTj对Follower_UAVi的威胁能力,β为其权值;u(k)为控制量,γ为其的权值。
图2公开了本发明中采用时敏任务动态分配算法的打击路径轨迹图,由图2我们可以看到,UAVs编队在采样时刻k=8时进行了任务更新,由Follower_UAV5替代Follower_UAV1执行对TST3的打击任务。由于在当前任务分配结果下,编队内每架Follower_UAV与分配目标之间的距离均大于D_start,所以每架Follower_UAV利用MPC算法完成打击路径在线规划。在k=111时刻TST3出现,Follower_UAV5按时到达攻击位置,完成了对TST3的打击。同理,Follower_UAV5在完成对TST3的打击任务后将对还未打击的TST的时间窗口宽度产生影响,UAVs编队任务需要重分配。
本发明还提出了一种战场环境下多无人机时敏任务动态分配算法的实现,包含以下步骤:
步骤1:Follower_UAV向Leader_UAV提交TST观测信息,Leader_UAV产生任务清单,并根据式(1)进行任务拍卖,实现任务分配;
步骤2:Follower_UAV根据任务分配结果,判断自身的任务列表是否为空,若为空,则在当前位置盘旋等待,直到任务列表不为空时,按新的任务列表执行任务,否则执行步骤3;
步骤3:Follower_UAV根据自身的任务列表,判断与执行TST之间的距离,若此距离小于等于D_start,则Follower_UAV开始打击目标,并在原地盘旋直到目标击毁;否则,Follower_UAV将根据式(13)所获得的最优控制量进行路径规划,当达到打击距离后,开始打击目标,并在原地盘旋直到目标击毁;
步骤4:Follower_UAV执行当前任务会对后续TST时间窗口宽度产生影响,需要对UAVs编队任务分配和打击路径进行调整,将返回步骤1进行任务重规划,直至完成所有TST的打击任务。
Claims (2)
1.战场环境下多无人机时敏任务动态分配方法,其特征如下,UAVs编队采用Leader-Follower结构执行TST打击任务,Leader_UAV主要承担决策者的角色,Follower_UAV承担打击者的角色,Leader_UAV将根据时敏任务变化情况,以及Follower_UAV执行任务时间、毁伤能力和打击收益完成编队任务分配,在Leader_UAV任务分配的基础上,Follower_UAV将依照任务内容完成飞行路径规划和对TST打击,以Leader_UAV充当任务拍卖者,Follower_UAV充当竞拍者,Follower_UAV将各自的竞拍价格矩阵cost_auction发送给Leader_UAV,cost_auction包括Follower_UAV与TST之间的距离d、Follower_UAV执行TST打击任务的时间t、Follower_UAV对TST的毁伤能力Damage以及Follower_UAV打击TST的收益VLR;在此基础上,Leader_UAV在TST时间窗口宽度duration的约束下,根据cost_auction对竞拍者进行选择,完成任务分配,duration受Follower_UAV执行当前任务的影响,其表达式如式(1)所示,cost_auction中的各元素表达式如式(2)所示;
durationj(k)=durationj(k-1)+variationij (1)
式中,durationj表示TSTj的时间窗口宽度,variationij表示Follower_UAVi执行当前任务对TSTj的时间窗口宽度的影响;
假设V={1,2,…,N}为Follower_UAVs的集合,则编队中UAVs的数量为N+1,T={1,2,…,M}为TST的集合;式中,dij表示Follower_UAVi与TSTj之间的距离,i∈V,j∈T;tij表示Follower_UAVi执行TSTj打击任务时间;Damageij表示Follower_UAVi对TSTj的毁伤能力;VLRij表示Follower_UAVi打击TSTj的收益,它是Damageij和载弹量Loadi的函数,其表达式如式(3)所示;P_threatij表示TSTj对Follower_UAVi的威胁概率,将通过TSTj的雷达对Follower_UAVi的瞬时跟踪概率Pdij在累计时间段Ts上的积分获得,其表达式如式(4)所示:
式中,Loadi(k)和Loadi(k-1)分别表示Follow_UAVi当前时刻与前一时刻的载弹量;
式中,c_t为当前的采样时刻,Ts为瞬时概率的累计时间段,Pdij是TSTj的雷达对Follower_UAVi的瞬时跟踪概率,其表达式如式(5)所示;
式中,dij是Follower_UAVi与TSTj之间的距离,Rjmax是TSTj雷达的有效探测距离,c1j,c2j是常数,由TSTj的雷达类型确定;σi是Follower_UAVi的雷达散射截面积(Radar CrossSection,RCS),UAV的RCS是关于UAV航向与TST水平方向的夹角λ,TST与UAV间的俯仰角侧向加速度与重力加速度比值μ的函数,其表达式如式(6)、(7)、(8)所示;
a、b、c是计算无人机的雷达散射截面积的参数,由目标的类型的形状、结构及材料的特征参数决定;Leader_UAV根据cost_auction完成任务分配,若Follower_UAV接到Leader_UAV下发的任务,需计算其与执行TST之间的距离,如果该距离小于等于开始执行打击任务的最短距离D_start,则Follower_UAV开始打击,并在原地盘旋直到目标击毁;否则,Follower_UAV利用MPC算法进行打击路径规划,根据飞行器的运动学方程,建立非线性的预测模型如式(9)、(10)、(11)、(12)、(13)所示;
x(k+1)=x(k)+s·cos(φ(k+1))·cos(θ(k+1)) (9)
y(k+1)=y(k)+s·sin(φ(k+1))·cos(θ(k+1)) (10)
z(k+1)=z(k)+s·sin(θ(k+1)) (11)
φ(k+1)=φ(k)+φ0·uφ(k),Uφmin≤uφ≤Uφmax (12)
θ(k+1)=θ(k)+θ0·uθ(k),Uθmin≤uθ≤Uθmax (13)
式中,(x,y,z)表示位置;s表示当前导航点和下一导航点之间的直线距离;φ是方位角,φ0是常量,表示方位角的变化步长,uφ是方位角的控制量,Uφmin,Uφmax是方位角控制量的边界;θ是俯仰角,θ0是常量,表示俯仰角的变化步长,uθ是俯仰角的控制量,Uθmin,Uθmax是俯仰角控制量的边界;
uφ,uθ是通过滚动优化路径代价函数cost_path获得的最优控制量,路径代价函数cost_path由状态误差代价、TST雷达造成的威胁代价和控制域内的控制代价构成,cost_path中的各元素表达式如式(14)所示;
cost_pathij(k)=αcij T(k)Cicij(k)+βP_threatij(k)+γuT(k)u(k) (14)
式中,cij(k)表示Follower_UAVi与TSTj之间的距离代价,即cij(k)=(xi-xj,yi-yj,zi-zj)T,α为其权值,Follower_UAV和TST的位置采用三维坐标表示,(xi,yi,zi)T表示Follower_UAVi的位置,(xj,yj,zj)T表示TSTj的位置;TSTj的位置Sj(k)=(xj,yj,zj)T表示参考轨迹,Ci为Follower_UAVi与TST之间的距离代价加权矩阵;P_threatij表示TSTj对Follower_UAVi的威胁概率,β为其权值;u(k)为控制量,γ为其的权值。
2.根据权利要求1所述的战场环境下多无人机时敏任务动态分配方法,其特征在于,包含以下步骤:
步骤1:Follower_UAV向Leader_UAV提交TST观测信息,Leader_UAV产生任务清单,并根据式(2)进行任务拍卖,实现任务分配;
步骤2:Follower_UAV根据任务分配结果,判断自身的任务列表是否为空,若为空,则当前位置盘旋等待,直到任务列表不为空时,按新的任务列表执行任务,否则执行步骤3;
步骤3:Follower_UAV根据自身的任务列表,判断与执行TST之间的距离,若此距离小于等于D_start,则Follower_UAV开始打击目标,并在原地盘旋直到目标击毁;否则,Follower_UAV将根据式(14)所获得的最优控制量进行路径规划,当达到打击距离后,开始打击目标,并在原地盘旋直到目标击毁;
步骤4:Follower_UAV执行当前任务会对后续TST时间窗口宽度产生影响,需要对UAVs编队任务分配和打击路径进行调整,将返回步骤1进行任务重规划,直至完成所有TST的打击任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410377834.4A CN104155999B (zh) | 2014-07-31 | 2014-07-31 | 战场环境下多无人机时敏任务动态分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410377834.4A CN104155999B (zh) | 2014-07-31 | 2014-07-31 | 战场环境下多无人机时敏任务动态分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104155999A CN104155999A (zh) | 2014-11-19 |
CN104155999B true CN104155999B (zh) | 2017-03-29 |
Family
ID=51881523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410377834.4A Expired - Fee Related CN104155999B (zh) | 2014-07-31 | 2014-07-31 | 战场环境下多无人机时敏任务动态分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104155999B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976383B (zh) * | 2019-04-26 | 2022-03-08 | 北京中科星通技术有限公司 | 反同构无人机的任务分配方法及装置 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104391447A (zh) * | 2014-12-03 | 2015-03-04 | 西北工业大学 | 伴飞诱饵干扰下的***式无人机最优攻击阈值控制算法 |
CN106020215B (zh) * | 2016-05-09 | 2018-08-31 | 北京航空航天大学 | 一种基于单步预测矩阵博弈的近距空战自主决策方法 |
CN108073990A (zh) * | 2016-11-09 | 2018-05-25 | 中国国际航空股份有限公司 | 飞机维修方法及其配置***和计算设备 |
CN106996789B (zh) * | 2017-03-24 | 2020-05-05 | 西安电子科技大学 | 一种多机载雷达协同探测的航路规划方法 |
CN106873628B (zh) * | 2017-04-12 | 2019-09-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
CN107247461B (zh) * | 2017-06-05 | 2020-07-07 | 合肥工业大学 | 考虑突发干扰的无人-有人机编队信息分发处理方法 |
CN107450593B (zh) * | 2017-08-30 | 2020-06-12 | 清华大学 | 一种无人机自主导航方法和*** |
CN107515618B (zh) * | 2017-09-05 | 2020-07-07 | 北京理工大学 | 一种考虑时间窗口的异构无人机协同任务分配方法 |
CN107947845B (zh) * | 2017-12-05 | 2020-04-24 | 中国科学院自动化研究所 | 基于通信中继的无人机编队协同目标分配方法 |
CN108319132B (zh) * | 2018-01-11 | 2021-01-26 | 合肥工业大学 | 用于无人机空中对抗的决策***及方法 |
CN108460969B (zh) * | 2018-03-28 | 2020-12-18 | 上海海事大学 | 面向自动化码头agv群的实时安全诱导方法 |
CN108664038B (zh) * | 2018-05-14 | 2021-01-22 | 中国人民解放***箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
DE102018207539A1 (de) * | 2018-05-15 | 2019-11-21 | Robert Bosch Gmbh | Verfahren zum Betreiben eines Roboters in einem Multiagentensystem, Roboter und Multiagentensystem |
CN109951568B (zh) * | 2019-04-03 | 2022-03-11 | 吕娜 | 一种改进合同网的航空集群混合多层式联盟组建方法 |
CN110007689B (zh) * | 2019-04-26 | 2021-12-14 | 北京中科星通技术有限公司 | 反异构无人机的任务分配方法及装置 |
CN110134146B (zh) * | 2019-06-14 | 2021-12-28 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN110456633B (zh) * | 2019-06-29 | 2022-06-14 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 机载多平台分布式任务分配方法 |
CN112198892B (zh) * | 2020-05-13 | 2022-06-10 | 北京理工大学 | 一种多无人机智能协同突防对抗方法 |
CN111813152B (zh) * | 2020-06-15 | 2024-04-19 | 西安爱生技术集团公司 | 一种反辐射无人机自毁方法 |
CN112734278B (zh) * | 2021-01-20 | 2023-11-07 | 中国人民解放军国防科技大学 | 一种面向时敏目标打击的c2组织资源动态调度方法 |
CN113485456B (zh) * | 2021-08-23 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113723805B (zh) * | 2021-08-30 | 2023-08-04 | 上海大学 | 一种无人艇复合任务分配方法及*** |
CN114200964B (zh) * | 2022-02-17 | 2022-04-26 | 南京信息工程大学 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
CN115963852B (zh) * | 2022-11-21 | 2023-09-12 | 北京航空航天大学 | 一种基于协商机制的无人机集群构建方法 |
CN116245257B (zh) * | 2023-05-06 | 2023-09-12 | 季华实验室 | 一种多机器人调度方法及装置 |
CN116954256B (zh) * | 2023-07-31 | 2024-04-30 | 北京理工大学重庆创新中心 | 一种考虑可达域约束的无人机分布式任务分配方法 |
CN117539290B (zh) * | 2024-01-10 | 2024-03-12 | 南京航空航天大学 | 一种视距外集群无人机损毁后的处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
CN102426806A (zh) * | 2011-11-07 | 2012-04-25 | 同济大学 | 一种基于动态小区划分的区域路网无人机巡航方法 |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040068416A1 (en) * | 2002-04-22 | 2004-04-08 | Neal Solomon | System, method and apparatus for implementing a mobile sensor network |
-
2014
- 2014-07-31 CN CN201410377834.4A patent/CN104155999B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN101136080A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于满意决策蚁群智能无人作战飞机自适应航路规划方法 |
CN102426806A (zh) * | 2011-11-07 | 2012-04-25 | 同济大学 | 一种基于动态小区划分的区域路网无人机巡航方法 |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
Non-Patent Citations (2)
Title |
---|
多无人机分布式协同异构任务分配;邸斌 等;《控制与决策》;20130228;第28卷(第2期);第274-278页 * |
带通信约束的多无人机协同搜索中的目标分配;符小卫 等;《航空学报》;20140525;第35卷(第5期);第1347-1356页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976383B (zh) * | 2019-04-26 | 2022-03-08 | 北京中科星通技术有限公司 | 反同构无人机的任务分配方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104155999A (zh) | 2014-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104155999B (zh) | 战场环境下多无人机时敏任务动态分配方法 | |
Wu et al. | Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm | |
Zhang et al. | A novel real-time penetration path planning algorithm for stealth UAV in 3D complex dynamic environment | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN109032168A (zh) | 一种基于dqn的多无人机协同区域监视的航路规划方法 | |
CN107037828B (zh) | 基于粒子群算法的无人机区域覆盖的单步寻优方法 | |
CN111256681B (zh) | 一种无人机群路径规划方法 | |
CN106705970A (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
CN105739303B (zh) | 基于滚动时域法的多无人机协同打击任务分配方法 | |
CN107589663B (zh) | 基于多步粒子群算法的无人机协同侦察覆盖方法 | |
CN105892480A (zh) | 异构多无人机***协同察打任务自组织方法 | |
CN108459616B (zh) | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 | |
CN110502031A (zh) | 基于任务需求的异构无人机集群协同最优配置方法 | |
CN108664038A (zh) | 一种多无人机分布式合同竞拍在线任务规划方法 | |
CN109633631A (zh) | 一种多功能侦察雷达作战任务自动规划方法 | |
CN101477169A (zh) | 巡检飞行机器人对电力线路的检测方法 | |
CN109740876A (zh) | 目标威胁判断方法 | |
CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
CN111077909B (zh) | 一种基于视觉信息的新型无人机自组群自洽优化控制方法 | |
CN110490422A (zh) | 一种基于博弈云模型的目标作战效能态势评估方法 | |
CN101893441A (zh) | 基于离差最大化及灰色关联分析的无人机航迹优选方法 | |
CN105913080A (zh) | 基于随机矩阵的机动非椭圆扩展目标的联合跟踪与分类方法 | |
CN114679729A (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
CN114237275A (zh) | 基于感知-锁定-发现的多无人机博弈协同搜索方法 | |
Balaban et al. | Dynamic routing of aircraft in the presence of adverse weather using a POMDP framework |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170329 Termination date: 20210731 |
|
CF01 | Termination of patent right due to non-payment of annual fee |