CN111399533B - 异构多无人机协同任务分配与路径优化方法 - Google Patents

异构多无人机协同任务分配与路径优化方法 Download PDF

Info

Publication number
CN111399533B
CN111399533B CN202010084469.3A CN202010084469A CN111399533B CN 111399533 B CN111399533 B CN 111399533B CN 202010084469 A CN202010084469 A CN 202010084469A CN 111399533 B CN111399533 B CN 111399533B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
task
target
target object
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.)
Active
Application number
CN202010084469.3A
Other languages
English (en)
Other versions
CN111399533A (zh
Inventor
罗贺
朱默宁
杨善林
王国强
胡笑旋
马华伟
唐奕城
靳鹏
夏维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010084469.3A priority Critical patent/CN111399533B/zh
Publication of CN111399533A publication Critical patent/CN111399533A/zh
Application granted granted Critical
Publication of CN111399533B publication Critical patent/CN111399533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供了一种异构多无人机协同任务分配与路径优化方法，具体涉及无人机技术领域，该方法可以包括：先确定目标区域内无人机的相关信息、无人机站点的相关信息以及需使用无人机获取的目标物的相关信息，再计算无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，然后建立异构无人机变收益任务分配问题HU‑TAP‑VP模型，获取执行协同任务的初始任务分配方案集合，最后使用引入自适应切换机制的混合遗传模拟退火算法HGSA进行优化，从而得到每架无人机的安全可飞路径。基于本发明实施例提供的方法，可以在复杂危险场景下，快速得到高质量的任务分配方案，优化每架无人机对目标物的访问路径。

Description

异构多无人机协同任务分配与路径优化方法
技术领域
本发明涉及无人机技术领域，具体涉及一种异构多无人机协同任务分配与路径优化方法。
背景技术
目前，无人机已被广泛应用于军事目标侦察和地震灾后勘察等复杂危险场景中，由于这些任务的时间敏感性较高，而且对任务的完成质量有一定的要求，所以单架无人机往往无法完成，需要多架异构的无人机协同完成上述任务。无人机可以搭载不同类型的传感器获取目标物的图像，比如：通过可见光雷达和合成孔径雷达对军事目标或地震灾区内的建筑物进行拍照。对不同类型传感器所获取的图像进行合成可以大大提升所获取信息的可信度，只有当信息的可信度高于任务需要的最低可信度时，无人机所获取的信息才是有用的。
在现有方案中，在考虑任务时间约束的情况下为多架无人机分配了目标，但没有考虑无人机的动力学约束，所以没有为每一架无人机规划出可飞的路径。因此，无法使得每架无人机的路径达到最优，从而无法最大化所有无人机获取的有用信息。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种异构多无人机协同任务分配与路径优化方法，可以在复杂危险场景下，优化每架无人机对目标物的访问路径，以最大化无人机所获取的有用信息。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供了一种异构多无人机协同任务分配与路径优化方法，所述方法包括：
确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；
确定执行访问所述目标物的任务执行时长；
获取访问所述目标物的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；
确定执行任务的多种传感器的信息融合率，以及任务所需要的最低可信度；
获取所述无人机的站点的站点坐标；
计算所述无人机的站点到所有所述目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；
根据所述飞行速度计算每架无人机从所述站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；
建立所述异构无人机变收益任务分配问题HU-TAP-VP模型；
采用所述HU-TAP-VP模型，根据所述每个目标物的坐标及其重要程度、任务执行时长，获取所述异构多无人机执行协同任务的初始任务分配方案集合；
采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案；
根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。
可选地，所述无人机站点到所有所述目标物的欧氏距离通过下式计算得到：
Figure BDA0002381553500000031
其中，d0i表示无人机站点到目标物i的欧氏距离；x0表示无人机站点的横坐标；xi表示目标物i的横坐标；y0表示无人机站点纵坐标；yi表示目标物i的纵坐标；
所述所有目标物之间的欧氏距离通过下式计算得到：
Figure BDA0002381553500000032
其中，dij表示目标物i到目标物j的欧氏距离，xi表示目标物i的横坐标；xj表示目标物j的横坐标；yi表示目标物i的纵坐标；yj表示目标物j的纵坐标；
在所述欧氏距离矩阵中，第一行是无人机到目标物的距离，第二行到第N+1行是目标物到目标物的距离，所述欧氏距离矩阵的列是目标物到无人机站点及目标物到目标的距离。
可选地，所述HU-TAP-VP模型的目标函数采用公式(3)来表示：
Figure BDA0002381553500000033
其中，i为目标物的编号，wi为目标物i的重要程度，yi为表示无人机传感器获取目标物i中的信息可信度决策变量，N为所述目标物的数量，Max为最大值函数。
可选地，所述HU-TAP-VP模型的约束条件采用公式(4)至(8)来表示：
Figure BDA0002381553500000034
Figure BDA0002381553500000035
Figure BDA0002381553500000036
Figure BDA0002381553500000041
Figure BDA0002381553500000042
Figure BDA0002381553500000043
其中，
Figure BDA0002381553500000044
为第k架无人机从站点到目标物i的决策变量，0表示无人机的站点，U为无人机的集合；
Figure BDA0002381553500000045
为第k架无人机从目标物h到目标物i的决策变量，
Figure BDA0002381553500000046
为第k架无人机从目标物i到目标物j的决策变量，T为目标物的集合；K为无人机的数量；
Figure BDA0002381553500000047
为第k架无人机从目标物i到目标物j的飞行时间，Ttask为所述任务执行时长；
公式(6)为二元决策变量
Figure BDA0002381553500000048
的取值，当
Figure BDA0002381553500000049
为1时表示第k架无人机选择了从目标物i到目标物j的路径，当
Figure BDA00023815535000000410
为0时表示第k架无人机没有选择这条路径；
公式(4)为二元决策变量yi的取值，当yi为1时表示无人机传感器获取目标物i中的信息可信度大于等于任务所需要的最低可信度，当yi为0时表示传感器获取的信息可信度未达到任务要求的最低可信度，相当于无人机没有访问目标物i；γ为执行任务的多种类型传感器的信息融合率，f为任务所需要的最低可信度。
可选地，所述初始任务分配方案集合包括多个任务分配方案，所述任务分配方案包括每架所述异构多无人机中每架所述无人机的无人机编号、任务执行顺序；
其中，所述任务执行顺序包括：无人机的起点、依次经过的目标物编号。
可选地，所述采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案，包括：
采用遗传算法对所述初始任务方案集合进行迭代优化，获取比所述初始路径规划方案最优的任务分配方案；
当遗传算法优化能力呈现下降趋势时，引入自适应切换机制，将遗传算法得到的最优解作为模拟退火算法的初始解，并采用模拟退火算法继续进行优化；
采用模拟退火算法对所述初始路径规划方案进行扰动，获取所述初始路径规划方案的多个临域方案；
通过多轮迭代对所述多个领域方案进行优化，获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案。
可选地，根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径，包括：
根据所述最优任务分配方案中每架无人机对目标物的访问顺序，确定每架无人机访问每个目标物时的航向角；
再根据无人机的最小转弯半径对无人机的路径进行优化，得到每架无人机的安全可飞路径。
(三)有益效果
本发明提供了一种异构多无人机协同任务分配与路径优化方法。与现有技术相比，具备以下有益效果：
1、在复杂危险场景下，为协同执行任务的多架无人机分配合适的目标物，确定每架无人机对所分配目标物的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取有用信息最多；
2、通过循环迭代的优化方法，针对需要多架异构无人机协同完成的复杂任务，实现了多无人机的任务分配与路径优化，降低了任务分配的时间，同时为每架无人机规划了安全的可飞路径。
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是根据本申请实施例的异构多无人机协同任务分配与路径优化方法流程示意图；
图2是根据本申请实施例的面向异构多无人机协同任务整体架构示意图；
图3是根据本申请实施例的异构多无人机协同任务场景示意图；
图4是根据本申请实施例的多无人机最优的任务分配方案示意图；
图5是在图4所示最优任务分配方案的基础上优化得到的无人机可飞路径示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
本申请实施例通过提供一种异构多无人机协同任务分配与路径优化方法。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
先确定目标区域内无人机的相关信息、无人机站点的相关信息以及需使用无人机获取的目标物的相关信息，再计算无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，然后建立异构无人机变收益任务分配问题HU-TAP-VP(HeterogeneousUAV task assignment problem with variable profit)模型，获取执行协同任务的初始任务分配方案集合，最后引入自适应切换机制的混合遗传模拟退火算法HGSA进行优化，从而得到每架无人机的安全可飞路径。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1是根据本申请实施例的异构多无人机协同任务分配与路径优化方法流程示意图，参见图1可知，本实施例提供的异构多无人机协同任务分配与路径优化方法可以包括：
步骤S101，确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；
步骤S102，确定执行访问目标物的任务执行时长；
步骤S103，获取访问目标物的异构多无人机的数量，以及每架所述无人机的相关参数；相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；
步骤S104，确定执行任务的多种类型传感器的信息融合率，以及任务所需要的最低可信度；
步骤S105，获取无人机的站点的站点坐标；
步骤S106，计算无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；
步骤S107，根据飞行速度计算每架无人机从站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；
步骤S108，建立异构无人机变收益任务分配问题HU-TAP-VP模型；
步骤S109，采用HU-TAP-VP模型，根据每个目标物的坐标及其重要程度、任务执行时长，获取异构多无人机执行协同任务的初始任务分配方案集合；
步骤S110，采用引入自适应切换机制的混合遗传模拟退火算法HGSA对初始任务分配方案集合进行优化以获得每架无人机的访问任意一个或多个所述目标物的最优任务分配方案；
步骤S111，根据最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。
本发明实施例提供了一种异构多无人机协同任务分配与路径优化方法，在本发明实施例提供的方法中，先确定目标区域内无人机的相关信息、无人机站点的相关信息以及需使用无人机获取的目标物的相关信息，再计算无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，然后建立异构无人机变收益任务分配问题HU-TAP-VP模型，获取执行协同任务的初始任务分配方案集合，最后引入自适应切换机制的混合遗传模拟退火算法HGSA进行优化，从而得到每架无人机的安全可飞路径。基于本发明实施例提供的方法，可以在复杂危险场景下，快速得到高质量的任务分配方案，优化每架无人机对目标物的访问路径。
图2是根据本申请实施例的异构多无人机协同任务架构示意图，参见图2可知，指挥中心可获取任务区域内需要异构多无人机协同侦察的多个目标物(例如军事目标)，确定异构多无人机协同任务以确定各目标物的有用信息，并且通过调用智能规划模块生成多无人机任务分配与路径规划方案，进一步地，可将多无人机任务分配与路径规划方案下达至多无人机管理***，从而由各无人机进行方案执行，并且将所采集的信息回传至多无人机管理***，再由多无人机管理***返回至指挥中心。执行上述步骤S101～111的异构多无人机协同任务分配与路径优化方法可由智能规划模块或是指挥中心执行。
下面分别对上述步骤S101～111进行详细说明。
参见上述步骤S101，首先要确定目标区域内需要无人机获取信息的目标物坐标及其重要程度。以执行军事目标侦察来讲，多无人机执行军事目标(即上文提及的目标物)侦察的主要目的是在指定的任务时间内尽可能准确地获取目标物的信息，从而有针对性地采取后续行动，所以，无人机不需要访问目标区域内所有的目标物，而是有选择地访问部分目标物，比如：重要的军事目标(如导弹和雷达阵地)应作为优先考虑的目标物。因此，对于目标区域中不同的目标物来讲，其各自重要程度是不一样的，在本实施例中，目标物的重要程度可通过权重进行表示，权重数值越大说明目标物越重要。图3示出了本发明实施例的多无人机协同任务场景示意图，图3中1、2、3、4分别表示四个协同任务，其颜色深浅即表示权重大小，0表示站点(本实施例中表示无人机的起点和终点)颜色越浅则表示权重越小，即重要程度越小，图3所示目标物的权重由大到小排序依次为4、3、2、1。
图4是最优的任务分配方案。图5是在图4所示最优任务分配方案的基础上优化得到的无人机可飞路径，图4中的实线和虚线分别表示两架异构无人机的任务分配方案，图5中的实线和虚线分别表示两架异构无人机的飞行路径。
在本实施例中，对于目标区域中的各目标物也可以依据目标物的不同属性进行设定，一般情况下，目标物的权重可以用wi＝{1,2,…,10}表示，各目标物的目标物坐标可以通过GPS获取或是其他方式获取，本发明对此不做限定。当然，实际应用中目标区域还可以是其他属性的需要无人机进行侦察的区域，本发明不做限定。
参见上述步骤S102，确定执行访问目标物的任务执行时长。
实际应用中，对军事目标进行侦察的任务需要搭载不同类型传感器的无人机协同完成，比如：有的无人机搭载可见光雷达，有的无人机搭载红外雷达，将不同无人机获取的图像进行合成可以有效提升信息的可信度，进而提升协同任务的完成质量。本实施例中的任务执行时长是针对所有无人机的，即在指定时间内所有无人机对多少目标完成了协同侦察任务决定了任务的完成质量(不考虑返回时长)。有了任务执行时长，可不考虑无人机的续航时长，因为在实际应用中，无人机的续航能力一般远大于任务的执行时长，所以在进行任务分配和路径规划时不考虑无人机返回站点的时间。
参见上述步骤S103，获取访问目标物的异构多无人机的数量，以及每架无人机的相关参数。
以上述实施例所提及的军事目标侦察区域来讲，由于无人机可以快速地进入侦察灾区，并通过所搭载的传感器快速捕获图像和视频信息，所以已被广泛地应用于军事侦察行动中。而在实际应用中，对于执行协同任务的无人机可能是异构的，具体表现为无人机所搭载传感器的类型、飞行速度以及转弯半径存在差异。因此，在上述步骤S103中，不仅需要获取异构多无人机的数量，还需要获取每架无人机的相关参数，该相关参数可以包括无人机编号、所搭载的传感器类型、飞行速度和/或最小转弯半径。通过对异构无人机中各无人机相关参数的获取，可以在后续优化无人机路径中，可以对每架无人机进行个性化设定以及优化路径，从而提升每架无人机的使用效率。其中，无人机的编号是可以与无人机进行一一对应的唯一编号。
参见上述步骤S104，确定执行任务的多种类型传感器的信息融合率，以及任务所需要的最低可信度。
无人机进入目标区域后，通过所搭载的传感器快速捕获图像和视频数据。无人机获取信息时，在某时刻***对传感器量测的信任程度，称为该时刻该传感器的可信度。
通过确定执行任务的多种类型传感器的信息融合率和任务所需要的最低可信度，可进行对比，如果传感器获取信息的可信度低于任务所需要的最低可行度，则通过合成不同类型传感器所获取的图像基于定量模型，提高信息的可信度，以便与任务所需要的可信度进行匹配。
参见上述步骤S105，获取无人机的站点的站点坐标。在本发明实施例中，无人机的站点实际地震灾后勘察中，相当于指挥中心。在本发明实施例中，无人机的站点可同时作为为无人机对目标物执行访问任务的起点。而站点坐标，可同时作为无人机的起点坐标和终点坐标。具体获取站点坐标时，可以利用GPS或是其他方式进行获取，本发明不做限定。
参见上述步骤S106，计算所述无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵。
欧氏距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。而在数学中，一个距离矩阵是一个包含一组点两两之间距离的矩阵(即二维数组)。因此给定N个欧几里得空间中的点，其距离矩阵就是一个非负实数作为元素的N×N的对称矩阵。
无人机站点到所有目标物的欧氏距离通过下式计算得到：
Figure BDA0002381553500000111
其中，x0表示无人机站点的横坐标；xi表示目标物i的横坐标；y0表示无人机站点纵坐标；yi表示目标物i的纵坐标；
所有目标物之间的欧氏距离通过下式计算得到：
Figure BDA0002381553500000112
其中，xi表示目标物i的横坐标；xj表示目标物j的横坐标；yi表示目标物i的纵坐标；yj表示目标物j的纵坐标。
在欧氏距离矩阵中，第一行是无人机到目标物的距离，第二行到第N+1行是目标物到目标物的距离，所述欧氏距离矩阵的列是目标物到无人机站点及目标物到目标的距离，如表1所示。
表1
Figure BDA0002381553500000113
Figure BDA0002381553500000121
在表1中，0表示无人机站点；T1表示目标物1编号，T2表示目标物2编号，TN表示目标物N编号；d0T1表示从无人机站点到目标物1的欧氏距离，d0T2表示从无人机站点到目标物2的欧氏距离，d0TN表示从无人机站点到目标物N的欧氏距离；dT1T2表示从目标物1到目标物2的欧氏距离，dT1TN表示从目标物1到目标物N的欧氏距离；Inf表示无穷大(本专利不允许无人机在同一个目标停留，所以将自己到自己的距离设为无穷大)。
参见上述步骤S107，根据飞行速度计算每架无人机从站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵。
基于不同无人机的飞行速度不同，计算每架无人机在飞行过程中的飞行时长，其中包括从站点到每个目标物的飞行时长和目标物之间的飞行时长，将不同目标之间的飞行时长使用三维矩阵进行存储，该三维矩阵可记做飞行时长矩阵，该飞行时长矩阵的第1行为无人机站点的编号，第2行到第N+1行为目标的编号；矩阵的列为目标的编号；矩阵的页为无人机的编号。
参见上述步骤S108，建立异构无人机变收益任务分配问题HU-TAP-VP模型。
在本实施例中，HU-TAP-VP模型的目标函数采用公式(3)来表示：
Figure BDA0002381553500000122
其中，i为目标物的编号，wi为目标物i的重要程度，yi为表示无人机传感器获取目标物i中的信息可信度决策变量，N为所述目标物的数量，Max为最大值函数。
进一步地，HU-TAP-VP模型的约束条件采用公式(4)至(8)来表示：
Figure BDA0002381553500000131
Figure BDA0002381553500000132
Figure BDA0002381553500000133
Figure BDA0002381553500000134
Figure BDA0002381553500000135
Figure BDA0002381553500000136
其中，
Figure BDA0002381553500000137
为第k架无人机从站点到目标物i的决策变量，0表示无人机的站点，U为无人机的集合；
Figure BDA0002381553500000138
为第k架无人机从目标物h到目标物i的决策变量，
Figure BDA0002381553500000139
为第k架无人机从目标物i到目标物j的决策变量，T为目标物的集合；K为无人机的数量；
Figure BDA00023815535000001310
为第k架无人机从目标物i到目标物j的飞行时间，Ttask为所述任务执行时长；
公式(6)为二元决策变量
Figure BDA00023815535000001311
的取值，当
Figure BDA00023815535000001312
为1时表示第k架无人机选择了从目标物i到目标物j的路径，当
Figure BDA00023815535000001313
为0时表示第k架无人机没有选择这条路径；
公式(4)为二元决策变量yi的取值，当yi为1时表示无人机传感器获取目标物i中的信息可信度大于等于任务所需要的最低可信度，当yi为0时表示传感器获取的信息可信度未达到任务要求的最低可信度，相当于无人机没有访问目标物i。γ为执行任务的多种类型传感器的信息融合率，f为任务所需要的最低可信度。
参见上述步骤S109，在建立好HU-TAP-VP模型之后，即可采用该HU-TAP-VP模型根据每个目标物的坐标及其重要程度、任务执行时长，获取异构多无人机执行协同任务的初始任务分配方案集合。
可选地，本实施例中提及的初始任务分配方案集合包括多个任务分配方案；各任务分配方案均可包括每架异构多无人机中每架无人机的无人机编号、任务执行顺序；其中，任务执行顺序包括：无人机的起点、依次经过的目标物编号。需要说明的是，本实施例提供的无人机任务执行路径不需要返回终点，因此，任务执行顺序不包括终点。
参见上述步骤S110，采用引入自适应切换机制的混合遗传模拟退火算法HGSA对初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案。
混合遗传模拟退火算法HGSA(Hybrid genetic simulation annealing)，是利用遗传算法(Genetic Algorithm，简称GA)和模拟退火算法(Simulated Annealing,简称SA)的优点，提出的一种新的基于工序的混合排序遗传算法。HGSA算法可以在较短的时间内得到HU-TAP-VP模型高质量的可行解，可以满足地快速规划每架无人机任务路径的实际需求。
具体来讲，上述步骤S110可进一步包：首先，采用遗传算法对初始任务方案集合进行迭代优化，获取比所述初始路径规划方案最优的任务分配方案；其次，当遗传算法优化能力呈现下降趋势时，引入自适应切换机制，将遗传算法得到的最优解作为模拟退火算法的初始解，并采用模拟退火算法继续进行优化；再次，采用模拟退火算法对初始路径规划方案进行扰动，获取初始路径规划方案的多个临域方案；最后，通过多轮迭代对多个领域方案进行优化，获得每架所述无人机的访问任意一个或多个目标物的最优任务分配方案。
HGSA算法中，对于两阶段的GA和SA混合算法，两个算法之间的切换点至关重要，它在形式上表现为迭代次数。如果切换得过早会降低解的质量，而如果切换得过晚会影响算法的效率。在自适应切换机制中，关于切换点的选择，采用GA迭代固定次数后将最优解输出给SA，这里的迭代次数大多来源于用户的经验和参考问现，本发明不作限定。
最后，得到最优任务分配方案之后，执行步骤S111，根据最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。可选地，可以先根据所述最优任务分配方案中每架无人机对目标物的访问顺序，确定每架无人机访问每个目标物时的航向角；再根据无人机的最小转弯半径对无人机的路径进行优化，得到每架无人机的安全可飞路径。
在本实施例中，无人机访问每个目标物时的航向角可以优先为0°,45°,90°,135°,180°,225°,270°,315°中一个或多个，当然，实际应用中还可以包括其他角度的航向角，本发明不做限定。
综上所述，与现有技术相比，具备以下有益效果：
1、在复杂危险场景下，为协同执行任务的多架无人机分配合适的目标物，确定每架无人机对所分配目标物的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取有用信息最多；
2、考虑了合成不同类型传感器所获取的图像可以提升信息可信度，并提出了定量模型；
3、引入自适应切换机制的混合遗传模拟退火算法能够快速得到高质量的任务分配方案，并在此基础上规划出每架无人机的安全可飞路径。
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。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种异构多无人机协同任务分配与路径优化方法，其特征在于，所述方法包括：
确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；
确定执行访问所述目标物的任务执行时长；
获取访问所述目标物的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；
确定执行任务的多种类型传感器的信息融合率，以及任务所需要的最低可信度；
获取所述无人机的站点的站点坐标；
计算所述无人机的站点到所有所述目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；
根据所述飞行速度计算每架无人机从所述站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；
建立所述异构无人机变收益任务分配问题HU-TAP-VP模型；
采用所述HU-TAP-VP模型，根据所述每个目标物的坐标及其重要程度、任务执行时长，获取所述异构多无人机执行协同任务的初始任务分配方案集合；
采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案；
根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径；
所述HU-TAP-VP模型的约束条件采用公式(4)至(8)来表示：
Figure FDA0003598509860000021
Figure FDA0003598509860000022
Figure FDA0003598509860000023
Figure FDA0003598509860000024
Figure FDA0003598509860000025
Figure FDA0003598509860000026
其中，
Figure FDA0003598509860000027
为第k架无人机从站点到目标物i的决策变量，0表示无人机的站点，U为无人机的集合；
Figure FDA0003598509860000028
为第k架无人机从目标物h到目标物i的决策变量，
Figure FDA0003598509860000029
为第k架无人机从目标物i到目标物j的决策变量，T为目标物的集合；K为无人机的数量；
Figure FDA00035985098600000210
为第k架无人机从目标物i到目标物j的飞行时间，Ttask为所述任务执行时长；
公式(6)为二元决策变量
Figure FDA00035985098600000211
的取值，当
Figure FDA00035985098600000212
为1时表示第k架无人机选择了从目标物i到目标物j的路径，当
Figure FDA00035985098600000213
为0时表示第k架无人机没有选择这条路径；
公式(4)为二元决策变量yi的取值，当yi为1时表示无人机传感器获取目标物i中的信息可信度大于等于任务所需要的最低可信度，当yi为0时表示传感器获取的信息可信度未达到任务要求的最低可信度，相当于无人机没有访问目标物i；γ为执行任务的多种类型传感器的信息融合率，f为任务所需要的最低可信度；
所述采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案，包括：
采用遗传算法对所述初始任务分配方案集合进行迭代优化，获取比初始路径规划方案最优的任务分配方案；
当遗传算法优化能力呈现下降趋势时，引入自适应切换机制，将遗传算法得到的最优解作为模拟退火算法的初始解，并采用模拟退火算法继续进行优化；
采用模拟退火算法对所述初始路径规划方案进行扰动，获取所述初始路径规划方案的多个邻域方案；
通过多轮迭代对所述多个邻域方案进行优化，获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案。
2.根据权利要求1所述的方法，其特征在于，所述无人机站点到所有所述目标物的欧氏距离通过下式计算得到：
Figure FDA0003598509860000031
其中，d0k表示无人机站点到目标物k的欧氏距离；x0表示无人机站点的横坐标；xk表示目标物k的横坐标；y0表示无人机站点纵坐标；yk表示目标物k的纵坐标；
所述所有目标物之间的欧氏距离通过下式计算得到：
Figure FDA0003598509860000032
其中，dkj表示目标物k到目标物j的欧氏距离，xk表示目标物k的横坐标；xj表示目标物j的横坐标；yk表示目标物k的纵坐标；yj表示目标物j的纵坐标；
在所述欧氏距离矩阵中，第一行是无人机到目标物的距离，第二行到第N+1行是目标物到目标物的距离，所述欧氏距离矩阵的列是目标物到无人机站点及目标物到目标的距离。
3.根据权利要求1所述的方法，其中，所述HU-TAP-VP模型的目标函数采用公式(3)来表示：
Figure FDA0003598509860000041
其中，i为目标物的编号，wi为目标物i的重要程度，yi为表示无人机传感器获取目标物i中的信息可信度决策变量，N为所述目标物的数量，Max为最大值函数。
4.根据权利要求1中所述的方法，其中，所述初始任务分配方案集合包括多个任务分配方案，所述任务分配方案包括每架所述异构多无人机中每架所述无人机的无人机编号、任务执行顺序；
其中，所述任务执行顺序包括：无人机的起点、依次经过的目标物编号。
5.根据权利要求1所述的方法，其特征在于，根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径，包括：
根据所述最优任务分配方案中每架无人机对目标物的访问顺序，确定每架无人机访问每个目标物时的航向角；
再根据无人机的最小转弯半径对无人机的路径进行优化，得到每架无人机的安全可飞路径。
CN202010084469.3A 2020-02-10 2020-02-10 异构多无人机协同任务分配与路径优化方法 Active CN111399533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010084469.3A CN111399533B (zh) 2020-02-10 2020-02-10 异构多无人机协同任务分配与路径优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010084469.3A CN111399533B (zh) 2020-02-10 2020-02-10 异构多无人机协同任务分配与路径优化方法

Publications (2)

Publication Number Publication Date
CN111399533A CN111399533A (zh) 2020-07-10
CN111399533B true CN111399533B (zh) 2022-07-26

Family

ID=71434225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010084469.3A Active CN111399533B (zh) 2020-02-10 2020-02-10 异构多无人机协同任务分配与路径优化方法

Country Status (1)

Country Link
CN (1) CN111399533B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095645B (zh) * 2021-03-31 2023-06-23 中国科学院自动化研究所 针对任务分布不均的紧急场景的异构无人机任务分配方法
CN114241349A (zh) * 2021-11-04 2022-03-25 中国船舶工业***工程研究院 多无人艇协同识别方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699106A (zh) * 2013-12-30 2014-04-02 合肥工业大学 基于VR-Forces仿真平台的多无人机协同任务规划仿真***
CN104573812A (zh) * 2014-07-07 2015-04-29 广西民族大学 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法
CN105302153A (zh) * 2015-10-19 2016-02-03 南京航空航天大学 异构多无人机协同察打任务的规划方法
CN105518555A (zh) * 2014-07-30 2016-04-20 深圳市大疆创新科技有限公司 目标追踪***及方法
CN107103164A (zh) * 2017-05-27 2017-08-29 合肥工业大学 无人机执行多任务的分配方法及装置
CN107330560A (zh) * 2017-07-04 2017-11-07 北京理工大学 一种考虑时序约束的异构飞行器多任务协同分配方法
CN107330588A (zh) * 2017-06-19 2017-11-07 西北工业大学 一种多基地异构无人机协同侦察的任务规划方法
CN110083173A (zh) * 2019-04-08 2019-08-02 合肥工业大学 无人机编队巡检任务分配的优化方法
CN110147870A (zh) * 2019-04-08 2019-08-20 合肥工业大学 一种用于地震灾后多无人机任务分配的优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699106A (zh) * 2013-12-30 2014-04-02 合肥工业大学 基于VR-Forces仿真平台的多无人机协同任务规划仿真***
CN104573812A (zh) * 2014-07-07 2015-04-29 广西民族大学 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法
CN105518555A (zh) * 2014-07-30 2016-04-20 深圳市大疆创新科技有限公司 目标追踪***及方法
CN105302153A (zh) * 2015-10-19 2016-02-03 南京航空航天大学 异构多无人机协同察打任务的规划方法
CN107103164A (zh) * 2017-05-27 2017-08-29 合肥工业大学 无人机执行多任务的分配方法及装置
CN107330588A (zh) * 2017-06-19 2017-11-07 西北工业大学 一种多基地异构无人机协同侦察的任务规划方法
CN107330560A (zh) * 2017-07-04 2017-11-07 北京理工大学 一种考虑时序约束的异构飞行器多任务协同分配方法
CN110083173A (zh) * 2019-04-08 2019-08-02 合肥工业大学 无人机编队巡检任务分配的优化方法
CN110147870A (zh) * 2019-04-08 2019-08-20 合肥工业大学 一种用于地震灾后多无人机任务分配的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MONING ZHU et al..Multi-UAV Rapid-Assessment Task-Assignment Problem in a Post-Earthquake Scenario.《IEEE》.2019,第74542-74557页. *
马华伟等.基于粒子群算法的无人机舰机协同任务规划.《***工程与电子技术》.2016,第38卷(第7期),第1583-1588页. *

Also Published As

Publication number Publication date
CN111399533A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
CN111352417B (zh) 异构多无人机协同路径的快速生成方法
CN111220159B (zh) 多无人机协同巡检任务的路径优化方法
CN109520504B (zh) 一种基于网格离散化的无人机巡查路径优化方法
CN108388958B (zh) 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN111401681B (zh) 多无人机协同巡逻任务分配优化方法
CN110738309B (zh) Ddnn的训练方法和基于ddnn的多视角目标识别方法和***
CN111399533B (zh) 异构多无人机协同任务分配与路径优化方法
WO2020103110A1 (zh) 一种基于点云地图的图像边界获取方法、设备及飞行器
CN112019757B (zh) 无人机协同摄影方法、装置、计算机设备和存储介质
WO2020103108A1 (zh) 一种语义生成方法、设备、飞行器及存储介质
CN112580537B (zh) 一种用于多无人机***持续覆盖特定区域的深度强化学习方法
CN113159466B (zh) 一种短时光伏发电功率预测***及方法
CN111612384B (zh) 一种具有时间分辨率约束的多星接力任务规划方法
CN115167442A (zh) 一种输电线路巡检路径规划方法及***
CN112965507B (zh) 一种基于智能优化的集群无人机协同工作***及方法
CN111474953A (zh) 多动态视角协同的空中目标识别方法及***
CN113906360A (zh) 可移动平台的控制方法、装置、计算机可读存储介质
CN111309046A (zh) 异构无人机编队地震灾后勘察的任务分配方法
CN106204554A (zh) 基于多聚焦图像的景深信息获取方法、***及拍摄终端
CN114879745B (zh) 基于预规划和禁忌搜索算法的多无人机协同任务规划方法
CN113568426A (zh) 一种基于多星多载荷的卫星集群协同规划方法
CN115147745A (zh) 一种基于城市无人机图像的小目标检测方法
CN112268564B (zh) 一种无人机降落空间位置和姿态端到端估计方法
CN117008641A (zh) 用于多个异构无人机协同低空突防的分配方法和装置
CN117542082A (zh) 一种基于YOLOv7的行人检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant