CN112733421B - 一种针对有人无人机协同对地作战的任务规划方法 - Google Patents
一种针对有人无人机协同对地作战的任务规划方法 Download PDFInfo
- Publication number
- CN112733421B CN112733421B CN202011386581.9A CN202011386581A CN112733421B CN 112733421 B CN112733421 B CN 112733421B CN 202011386581 A CN202011386581 A CN 202011386581A CN 112733421 B CN112733421 B CN 112733421B
- Authority
- CN
- China
- Prior art keywords
- track
- unmanned aerial
- aerial vehicle
- target
- planning
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 28
- 238000012876 topography Methods 0.000 claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 38
- 230000035772 mutation Effects 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009194 climbing Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000002028 premature Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000009189 diving Effects 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000002147 killing effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明公开了一种针对有人无人机协同对地作战的任务规划方法,涉及无人机任务规划领域,本发明包括以下步骤:S1、战场环境建模:采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息;S2、获取有人机数、无人机数和目标数量:设对地打击编队包括有1架有人机和m架无人机(v1,v2,…,vm),共发现n个的需要打击的目标(t1,t2,…,tn);建立任务分配目标函数:目标函数的建立综合考虑三个方面的因素,包括目标的打击价值、前往目标的航迹代价和巡航过程中受到的威胁代价。采用A*算法进行平面规划和高度规划两部分进行求解,能够为有人/无人机协同对地作战提供符合要求的任务规划方案。
Description
技术领域
本发明涉及无人机任务规划技术领域,具体为一种针对有人无人机协同对地作战的任务规划方法。
背景技术
相对有人机,无人机在成本、便利性、机动性、适应性等方面具有明显优势,也受到了多国军方的青睐。多机协同作战各架战机在机载武器装备和战术方面优势互补,相互配合,能够达成“1+1>2”的效能。近年来,我国关于多无人机协同编队的进行了较多的理论研究,但受限于当前无人机和作战***的智能化发展程度,硬件能力尚未跟上理论的高度,短时间内实现“纯无人机”之间相互配合完全自主作战尚不太实际,还需由人为操控,对作战过程进行控制和监督以保证任务完成和使用安全。因此,当前仍需要优先发展有人/无人机协同。
有人/无人机协同作战包括许多关键技术,包括有人机/无人机协同控制技术、态势感知与评估技术、协同任务规划技术、编队飞行与跟踪控制技术、战场智能决策技术和目标打击效能评估技术等。众多环节配合密切,才能获得理想的作战效果。这其中任务规划技术作为有人/无人机协同作战技术的中心和重要环节,在很大程度上决定了作战的取胜几率。
目前有关有人/无人机任务规划的研究较少,且目前公开的研究中多是对二维平面的研究。本发明针对三维场景中有人/无人机协同打击任务规划进行研究,且针对有人/无人机协同的有限集中分布式控制模式。具体场景的描述如下:设定在对地打击任务开始前,有人机获取到侦察、探测无人机传回的一些必要的信息,包括战场威胁、环境、空域、敌方目标数量等信息,有人机为每架无人机分配需要打击的目标,期间对无人机执行任务的过程进行监督,每架无人机均有其固有特性(如飞行性能、机动性能等)、并配备机载计算机、有效载荷、传感器、数据链等设备,且每架飞机上机载设备内嵌的关于环境和其他飞机的有限知识。目标列表给定,无人机需在特定约束条件下(飞行、燃料等限制)去执行。
发明内容
本发明的目的在于提供一种针对有人无人机协同对地作战的任务规划方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种针对有人无人机协同对地作战的任务规划方法,包括以下步骤:
S1、战场环境建模:采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息;
S2、获取有人机数、无人机数和目标数量:设对地打击编队包括有1架有人机和m架无人机(v1,v2,…,vm),共发现n个的需要打击的目标(t1,t2,…,tn);
S3、建立任务分配目标函数:目标函数的建立综合考虑三个方面的因素,包括目标的打击价值、前往目标的航迹代价和巡航过程中受到的威胁代价;
①打击价值:目标打击价值反映了目标的重要程度,无人机优先打击价值大的目标,用V(tj)表示目标tj的打击价值;
V(tj)=PjRj
其中,Pj是目标tj被攻击的概率函数,Rj是目标tj的被攻击优先权值,Pij是无人机vi打击目标tj的效率,即vi能成功打击tj的概率;
②航迹代价:根据三维地形跟随和无人机飞行保持估算无人机到目标的航迹距离即航迹代价;
③威胁代价:无人机在飞行过程中,暴露在敌方威胁下的时间越长被摧毁的概率就越大,设无人机沿着L飞行过程中,受到任务场景中的威胁概率能够表示为:
其中,代表无人机受到任务场景中第i个雷达的威胁概率,/>代表无人机受到任务场景中第j个地空导弹的威胁概率,③中式子表示为对航迹L的积分形式,实际情况下,能够根据计算时间要求在航迹点上采样若干个点来离散化节省时间;
S4、设立任务分配约束条件:
①任务分配均衡约束:分配任务能够为一架无人机分配多个目标,也能够为将一个目标分配给多个无人机联合执行,为提高任务的执行效率,对任务分配进行均匀约束;
其中nmax表示给无人机vi分配的最多目标数,mmax为给目标tj最多分配的无人机数量;
②无人机最大航程:无人机航程应不大于其最大航程:
L≤Lmax
其中,Lmax是单架无人机最大航程;
③打击目标协同不重复
其中,θi和θj是第i架与第j架无人机分配到的目标集合;
S5、基于合同网算法求解任务分配;
令有人机作为基于合同网算法的任务分配过程中的宿主招标人,在打击目标确定以及获取到战场态势信息后,招标人为每个无人机随机生成竞标顺序并公布需要进行打击的目标名单,拍卖开始,每个无人机根据目标列表构建所有可能的目标打击计划,并计算这些计划的收益,轮到竞标时,无人机将根据贪婪原则从目标攻击计划列表中选择最佳计划,作为自己的打击计划进行竞标,全部无人机按照竞标顺序竞标,在所有无人机竞标之后,本轮招标结束,获得针对无人机编队的目标分配计划,如未达到时间或资源限制时,招标人随机生成的新竞标顺序进行新一轮竞标,以寻求更好的解决方案,当超时或资源超出限制时,算法停止;
S6、考虑种群初始化基因编码:选用实数编码的方式,染色体基因用航迹点坐标表示;
S7、根据任务分配结果,每个无人机进行航迹规划,建立航迹代价函数:
设无人机从初始位置O开始,经过N-1个节点后到达目标位置G,则无人机经过航迹的航迹代价能够表示为:
J=ω1fl+ωfh+ω3fd
其中,表示航程代价,是相邻航迹段距离之和,di,i+1表示相邻两航迹点间的距离;
fh=∫hdl表示高程代价,表示对航迹上高度的积分,为使无人机尽可能贴地飞行,表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,基因编码;选用实数编码的方式,染色体基因用航迹点坐标表示;
S8、设立航迹规划约束条件:
①最小航迹段约束:为避免无人机频繁转弯和起伏,造成油耗的浪费,对最小航迹段即无人机变化当前姿态前必须保持直飞的距离进行限制,设用pi表示第i个航迹段,li是无人机第i段飞行航迹段长度,lmin是最小航迹段长度;
li≥lmin,i=1,2,3…n
②最低飞行高度约束:无人机要尽量在离地较近的位置飞行,但是又不能高度过低导致撞击到地面,hi表示第i段航迹飞行高度,hmin表示最低的飞行高度,则有
hi≥hmin,i=1,2,3…n
③最大转弯角约束:由于自身机动性能的限制,无人机转弯时候只能转一定角度,所以要进行最大转弯角约束,不大于最大转弯角才能实现飞至下一航迹点,转弯角越小飞行也相对平稳,设第i段航迹的水平投影为ai=(xi-xi-1,yi-yi-1),无人机的最大转弯角为θ,则:
④最大爬升角约束:和最大转弯角相似,由于自身爬升和俯冲性能约束限制,无人机爬升或下降时要最大角度也受到限制,设航迹段i纵方向高度差为|zi-zi-1|,无人机最大俯仰角为则:
S9、采用轮盘赌方法选择父代个体;
S10、交叉操作:交叉算子操作分别将两个个体随机分为两部分,个体1的前半部分和个体2的后半部分结合,个体1的后半部分和个体1的前半部分结合,产生两个全新的个体;
S11、变异操作:变异操作指对交叉之后子代随机选取染色体中单个或多个基因位置,对该位置的基因值做异动,变异操作一能够提高算法的局部搜索能力,交叉后个体接近问题最优解时,需要变异作用调整个体部分基因位值,使个体更接近最优解;二是防止种群早熟现象,保持种群多样性,通过变异,能够产生新的个体编码结构,有效避免早熟,从航迹的角度来讲航迹内部变异即坐标值的改变,变异操作能辅助产生新个体,影响着遗传算法的局部搜索能力;
①***操作算子:当航迹段穿越危险区域或者违背最低航迹高度时候,随机在这条航迹中两相邻节点之间***新航迹节点;
②删除操作算子:如果无人机航迹不满足飞行约束,删除该航迹的中间节点;
③交换操作算子:交换航迹中任意两个相邻节点的先后顺序,能够减小转弯角,通过局部搜索的2-opt算法实现,交换操作后获得的新路径若适应度大于原路径,那么更新路径;
④扰动操作算子:随机改变一个航迹节点的坐标值,扰动范围根据原航迹是否可行确定,若原航迹能够行,则小范围扰动,保证操作后航迹依然能够行;否则,扰动范围应当适当放大,经过扰动操作使航迹进入能够行区域,能够提高航迹的适应度;
⑤平滑操作算子:对航迹中转弯角不满足无人机偏航角约束的节点进行平滑处理,即选取航迹中某节点,***一个新的节点在该节点相邻的两个航迹段上,代替原节点,通过平滑操作去掉航迹的尖角;
S12、通过步骤S10和S11进行种群更新:
通过交叉变异生成的子代替换父代个体,并保存父代中适应度高的的个体,完成种群更新;
S13、循环步骤S6-S12,当满足迭代次数时,输出最优航迹;
S14、对于环境中出现得新的威胁,进行局部航迹规划;
遇到突发威胁的情况下,首先擦除暴露在环境改变区域的局部航迹,进行二维航迹规划,再进行高度规划对其处理,与原航迹拼接得到调整后的航迹;
S15、A*算法进行航迹重规划二维航迹规划,搜索空间的限定;
设最小步长为lmin、最大转弯角为θ,稀疏A*算法的拓展区域为扇形区域,拓展角度为2θ,拓展半径为lmin,若拓展区域分为N等份,拓展点为N+1;
S16、A*算法进行航迹重规划二维航迹规划,建立代价函数;
f(n)=g(n)+h(n)
其中n是待扩展节点,g(n)是起始点到当前节点的真实代价,h(n)为启发函数,表示从当前节点n到目标节点的代价估值,f(n)是待扩展节点的评估函数,表示某条经过航迹节点n的航路需要付出代价的估计;
S17、A*算法进行航迹重规划二维航迹规划,依据步骤S14和S15拓展代价最小的下一节点,直到目标被选为拓展节点;
S18、为重规划二维航迹中每个航迹点赋予适当的高度值,得到可行的三维航迹;
S19:对得到的三维航迹进行分析对照,得到三组对照分析图,然后列出三组对照分析图中的差异,将差异进行分析,得到最优三维航迹;
进一步的,所述S1中,采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息,包括:
采用规则型网络结构的数字高程地图,在数字地形高程数据库中选取一块真实地形,经过插值处理得到原始数字高程地图;
针对雷达、防空火力、无法穿越区域等效为三维威胁源地图;
将原始数字地图和威胁等效数字地图进行信息融合生成等效数字地图;
进一步的,所述S3中,利用地形跟随和无人机飞行保持继进行航迹的估计,包括:
飞行限制不考虑在内,在无人机和目标所在的垂直切面上利用地形信息跟随和无人机飞行保持得到近似的三维航程,即在三维综合等效地图上,过无人机vi所在位置和目标tj所在位置做垂直于水平面的切面,以切面与地形相交的线作为估计航程的基准,规划出一条满足地形跟随和飞行高度限制的航迹,该航迹的长度即航程代价。
进一步的,所述S3中,利用合同网算法进行任务分配,包括:
无人机的目标攻击计划被定义为目标的有序集合,表示无人机将顺序攻击目标,由于无人机到不同的目标点之间的航迹代价和威胁代价是不同的,无人机以不同的顺序执行这些任务收益也是不同的,在任务分配过程中,每个计算节点都基于本地信息做出决策,因此每个无人机都根据最大化自身有效性的原则对任务顺序进行排序,对于最初的目标设定t={t1,t2…,tn},根据最高限额任务的限制,能够建立所有的目标攻击计划,例如,如果vi能够最大攻击2个目标,则攻击计划序列能够构造为{{t1},{t2}…{tn},{t1,t2},{t2,t1}…,{tn-1,tn}}。
在攻击计划构建的过程中,为了避免计算量过大,筛选出一些不切实际的计划,假设这些任务排序方案的集合为vi基于上述原理选择的方案Mi={ti1,ti2,…,til}的有效性为:
在拍卖过程中,按照竞标顺序某无人机为其自己的攻击计划进行出价之后,已分配目标的价值将下降,其他无人机需要更新所有目标的当前价值并重新计算出价有效性函数,然后根据更新收益竞标攻击计划,能够避免过多的无人机攻击同一目标,并获得更高的全局目标收益,假设无人机vi在这一轮拍卖中获得了目标tj,则之后出价的每架无人机都会根据公式:
Valuenew(tj)=(1-Pij)*Valueold(tj)
更新tj的打击价值,并在轮到竞标以获得更合理的攻击计划时使用以新目标值计算出的功效函数进行竞标。
进一步的,所述S16中,对启发函数的g(n)设计包括:
g(n)表示无人机在空间当前节点n处的实际代价:
g(n)=ωLLn+ωTTn
表示航程,是相邻航迹段距离之和,假定起始点S是第0个起始点,当前节点是第N个航路点,di,i+1是相邻两个航迹点之间的距离。
表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,ωL和wT表示航程代价和威胁代价的权值,满足ωL+ωT=1;
启发函数h(n)设为无人机当前节点n(xn,yn)到目标节点G(xG,yG)的欧氏距离;
进一步的,所述S18中,对高度的规划包括:
假设与环境改变区域重叠的基准航迹为S3D(s1,s2,…,sN),航迹点个数为N,第i个航迹点对应的高度为Hi,绕开威胁重新规划出的二维航迹为P2D=(p1,p2,…,pn),航迹点个数为n,第j个航迹点对应的高度为hj,hj的取值如下:
其中表示取整,/>t=i%k表示取余,且为使航迹能够飞,考虑无人机最大爬升角度限制,要保证/>其中s为A*算法的步长,α为无人机最大爬升角度限制。
进一步的,所述S19中,三维轨迹通过软件进行对照分析,在软件上进行标记,并将标记后的三维轨迹打印。
与现有技术相比,本发明的有益效果是:
本发明在分析了有人/无人机协同三种典型控制模式优缺点的基础上,即完全集中式、有限集中分布式和无中心分布式,提出以有限集中分布式有人/无人机编队的控制模式作为本发明研究的基本模式,并将有人/无人机任务规划***分为任务分配和航迹规划两个方面加以分别研究。根据有限集中分布式控制模式的特点,本发明设计了一种任务分配的目标函数,在其中引入飞行员参与目标优先级的决策;构建了融合地形、地面威胁的作战空间等效三维数字地图;使用一种三维预估航程模式,通过采用切面地形跟随法得到更接近真实战场环境的三维预估航程;在此基础上,使用一种基于合同网算法的任务分配求解方法,使有人机作为任务分配的宿主招标人对任务分配过程进行监督和任务的授权,符合实际作战模式,将航迹规划任务分解为基准航迹规划和在线航迹重规划两个部分,针对基准航迹规划对实时性要求较低的特点。
本发明以能够实现全局优化的遗传算法为基础,通过在变异算子中引入无人机机动性能约束,提出了一种无人机基准航迹规划方法;针对在线航迹规划中对实时性要求较高的特点,本发明将重规划分为二维航迹规划和高度规划两个独立模块,相比于直接进行三维空间规划,本发明的重规划方法缩小了搜索空间,较大节省了时间。
附图说明
图1示出了本发明依据的有限集中分布式下作战组织结构;
图2示出了本发明步骤S3中的航程估算切面示意图;
图3示出了本发明步骤S2中的任务分配算法流程图;
图4示出了本发明实施例中步骤S10的交叉操作示意图;
图5示出了本发明实施例中步骤S11的变异操作示意图;
图6示出了本发明实施例中航迹规划遗传算法示意图;
图7示出了本发明实施例中步骤S15拓展示意图;
图8示出了本发明实施例中原始三维地形图;
图9示出了本发明实施例中威胁等效地图;
图10示出了本发明实施例中数据融合后的三维地形图;
图11示出了本发明实施例中任务分配示意图;
图12示出了本发明实施例中任务分配整体效能示意图;
图13示出了本发明实施例中整体效能变化曲线图;
图14示出了本发明实施例中原始航迹示意图;
图15示出了本发明实施例中突发威胁示意图;
图16示出了本发明实施例中航迹重规划示意图。
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。
为了实施一种针对有人无人机协同对地作战的任务规划方法,需要配合使用运行环境为Intel Core i5 2.7GHz、8G内存的PC机上,仿真平台是MATLAB2016a。
一种针对有人无人机协同对地作战的任务规划方法,包括以下步骤:
S1、战场环境建模:采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息;
S2、获取有人机数、无人机数和目标数量:设对地打击编队包括有1架有人机和m架无人机(v1,v2,…,vm),共发现n个的需要打击的目标(t1,t2,…,tn);
S3、建立任务分配目标函数:目标函数的建立综合考虑三个方面的因素,包括目标的打击价值、前往目标的航迹代价和巡航过程中受到的威胁代价;
①打击价值:目标打击价值反映了目标的重要程度,无人机优先打击价值大的目标,用V(tj)表示目标tj的打击价值;
V(tj)=PjRj
其中,Pj是目标tj被攻击的概率函数,Rj是目标tj的被攻击优先权值,Pij是无人机vi打击目标tj的效率,即vi能成功打击tj的概率;
②航迹代价:根据三维地形跟随和无人机飞行保持估算无人机到目标的航迹距离即航迹代价;
③威胁代价:无人机在飞行过程中,暴露在敌方威胁下的时间越长被摧毁的概率就越大,设无人机沿着L飞行过程中,受到任务场景中的威胁概率能够表示为:
其中,代表无人机受到任务场景中第i个雷达的威胁概率,/>代表无人机受到任务场景中第j个地空导弹的威胁概率,③中式子表示为对航迹L的积分形式,实际情况下,能够根据计算时间要求在航迹点上采样若干个点来离散化节省时间;
S4、设立任务分配约束条件:
①任务分配均衡约束:分配任务能够为一架无人机分配多个目标,也能够为将一个目标分配给多个无人机联合执行,为提高任务的执行效率,对任务分配进行均匀约束;
其中nmax表示给无人机vi分配的最多目标数,mmax为给目标tj最多分配的无人机数量;
②无人机最大航程:无人机航程应不大于其最大航程:
L≤Lmax
其中,Lmax是单架无人机最大航程;
③打击目标协同不重复
其中,θi和θj是第i架与第j架无人机分配到的目标集合;
S5、基于合同网算法求解任务分配;
令有人机作为基于合同网算法的任务分配过程中的宿主招标人,在打击目标确定以及获取到战场态势信息后,招标人为每个无人机随机生成竞标顺序并公布需要进行打击的目标名单,拍卖开始,每个无人机根据目标列表构建所有可能的目标打击计划,并计算这些计划的收益,轮到竞标时,无人机将根据贪婪原则从目标攻击计划列表中选择最佳计划,作为自己的打击计划进行竞标,全部无人机按照竞标顺序竞标,在所有无人机竞标之后,本轮招标结束,获得针对无人机编队的目标分配计划,如未达到时间或资源限制时,招标人随机生成的新竞标顺序进行新一轮竞标,以寻求更好的解决方案,当超时或资源超出限制时,算法停止;
S6、考虑种群初始化基因编码:选用实数编码的方式,染色体基因用航迹点坐标表示;
S7、根据任务分配结果,每个无人机进行航迹规划,建立航迹代价函数:
设无人机从初始位置O开始,经过N-1个节点后到达目标位置G,则无人机经过航迹的航迹代价能够表示为:
J=ω1fl+ωfh+ω3fd
其中,表示航程代价,是相邻航迹段距离之和,di,i+1表示相邻两航迹点间的距离;
fh=∫hdl表示高程代价,表示对航迹上高度的积分,为使无人机尽可能贴地飞行,表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,基因编码;选用实数编码的方式,染色体基因用航迹点坐标表示;
S8、设立航迹规划约束条件:
①最小航迹段约束:为避免无人机频繁转弯和起伏,造成油耗的浪费,对最小航迹段即无人机变化当前姿态前必须保持直飞的距离进行限制,设用pi表示第i个航迹段,li是无人机第i段飞行航迹段长度,lmin是最小航迹段长度;
li≥lmin,i=1,2,3…n
②最低飞行高度约束:无人机要尽量在离地较近的位置飞行,但是又不能高度过低导致撞击到地面,hi表示第i段航迹飞行高度,hmin表示最低的飞行高度,则有
hi≥hmin,i=1,2,3…n
③最大转弯角约束:由于自身机动性能的限制,无人机转弯时候只能转一定角度,所以要进行最大转弯角约束,不大于最大转弯角才能实现飞至下一航迹点,转弯角越小飞行也相对平稳,设第i段航迹的水平投影为ai=(xi-xi-1,yi-yi-1),无人机的最大转弯角为θ,则:
④最大爬升角约束:和最大转弯角相似,由于自身爬升和俯冲性能约束限制,无人机爬升或下降时要最大角度也受到限制,设航迹段i纵方向高度差为|zi-zi-1|,无人机最大俯仰角为则:
S9、采用轮盘赌方法选择父代个体;
S10、交叉操作:交叉算子操作分别将两个个体随机分为两部分,个体1的前半部分和个体2的后半部分结合,个体1的后半部分和个体1的前半部分结合,产生两个全新的个体;
S11、变异操作:变异操作指对交叉之后子代随机选取染色体中单个或多个基因位置,对该位置的基因值做异动,变异操作一能够提高算法的局部搜索能力,交叉后个体接近问题最优解时,需要变异作用调整个体部分基因位值,使个体更接近最优解;二是防止种群早熟现象,保持种群多样性,通过变异,能够产生新的个体编码结构,有效避免早熟,从航迹的角度来讲航迹内部变异即坐标值的改变,变异操作能辅助产生新个体,影响着遗传算法的局部搜索能力;
①***操作算子:当航迹段穿越危险区域或者违背最低航迹高度时候,随机在这条航迹中两相邻节点之间***新航迹节点;
②删除操作算子:如果无人机航迹不满足飞行约束,删除该航迹的中间节点;
③交换操作算子:交换航迹中任意两个相邻节点的先后顺序,能够减小转弯角,通过局部搜索的2-opt算法实现,交换操作后获得的新路径若适应度大于原路径,那么更新路径;
④扰动操作算子:随机改变一个航迹节点的坐标值,扰动范围根据原航迹是否可行确定,若原航迹能够行,则小范围扰动,保证操作后航迹依然能够行;否则,扰动范围应当适当放大,经过扰动操作使航迹进入能够行区域,能够提高航迹的适应度;
⑤平滑操作算子:对航迹中转弯角不满足无人机偏航角约束的节点进行平滑处理,即选取航迹中某节点,***一个新的节点在该节点相邻的两个航迹段上,代替原节点,通过平滑操作去掉航迹的尖角;
S12、通过步骤S10和S11进行种群更新:
通过交叉变异生成的子代替换父代个体,并保存父代中适应度高的的个体,完成种群更新;
S13、循环步骤S6-S12,当满足迭代次数时,输出最优航迹;
S14、对于环境中出现得新的威胁,进行局部航迹规划;
遇到突发威胁的情况下,首先擦除暴露在环境改变区域的局部航迹,进行二维航迹规划,再进行高度规划对其处理,与原航迹拼接得到调整后的航迹;
S15、A*算法进行航迹重规划二维航迹规划,搜索空间的限定;
设最小步长为lmin、最大转弯角为θ,稀疏A*算法的拓展区域为扇形区域,拓展角度为2θ,拓展半径为lmin,若拓展区域分为N等份,拓展点为N+1;
S16、A*算法进行航迹重规划二维航迹规划,建立代价函数;
f(n)=g(n)+h(n)
其中n是待扩展节点,g(n)是起始点到当前节点的真实代价,h(n)为启发函数,表示从当前节点n到目标节点的代价估值,f(n)是待扩展节点的评估函数,表示某条经过航迹节点n的航路需要付出代价的估计;
S17、A*算法进行航迹重规划二维航迹规划,依据步骤S14和S15拓展代价最小的下一节点,直到目标被选为拓展节点;
S18、为重规划二维航迹中每个航迹点赋予适当的高度值,得到可行的三维航迹;
S19:对得到的三维航迹进行分析对照,得到三组对照分析图,然后列出三组对照分析图中的差异,将差异进行分析,得到最优三维航迹;
合地形信息,包括:
采用规则型网络结构的数字高程地图,在数字地形高程数据库中选取一块真实地形,经过插值处理得到原始数字高程地图;
针对雷达、防空火力、无法穿越区域等效为三维威胁源地图;
将原始数字地图和威胁等效数字地图进行信息融合生成等效数字地图。
所述S3中,利用地形跟随和无人机飞行保持继进行航迹的估计,包括:
飞行限制不考虑在内,在无人机和目标所在的垂直切面上利用地形信息跟随和无人机飞行保持得到近似的三维航程,即在三维综合等效地图上,过无人机vi所在位置和目标tj所在位置做垂直于水平面的切面,以切面与地形相交的线作为估计航程的基准,规划出一条满足地形跟随和飞行高度限制的航迹,该航迹的长度即航程代价。
所述S3中,利用合同网算法进行任务分配,包括:
无人机的目标攻击计划被定义为目标的有序集合,表示无人机将顺序攻击目标,由于无人机到不同的目标点之间的航迹代价和威胁代价是不同的,无人机以不同的顺序执行这些任务收益也是不同的,在任务分配过程中,每个计算节点都基于本地信息做出决策,因此每个无人机都根据最大化自身有效性的原则对任务顺序进行排序,对于最初的目标设定t={t1,t2…,tn},根据最高限额任务的限制,能够建立所有的目标攻击计划,例如,如果vi能够最大攻击2个目标,则攻击计划序列能够构造为{{t1},{t2}…{tn},{t1,t2},{t2,t1}…,{tn-1,tn}}。
在攻击计划构建的过程中,为了避免计算量过大,筛选出一些不切实际的计划,假设这些任务排序方案的集合为vi基于上述原理选择的方案Mi={ti1,ti2,…,til}的有效性为:
在拍卖过程中,按照竞标顺序某无人机为其自己的攻击计划进行出价之后,已分配目标的价值将下降,其他无人机需要更新所有目标的当前价值并重新计算出价有效性函数,然后根据更新收益竞标攻击计划,能够避免过多的无人机攻击同一目标,并获得更高的全局目标收益,假设无人机vi在这一轮拍卖中获得了目标tj,则之后出价的每架无人机都会根据公式:
Valuenew(tj)=(1-Pij)*Valueold(tj)
更新tj的打击价值,并在轮到竞标以获得更合理的攻击计划时使用以新目标值计算出的功效函数进行竞标。
所述S16中,对启发函数的g(n)设计包括:
g(n)表示无人机在空间当前节点n处的实际代价:
g(n)=ωLLn+ωTTn
表示航程,是相邻航迹段距离之和,假定起始点S是第0个起始点,当前节点是第N个航路点,di,i+1是相邻两个航迹点之间的距离。
表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,ωL和wT表示航程代价和威胁代价的权值,满足ωL+ωT=1;
启发函数h(n)设为无人机当前节点n(xn,yn)到目标节点G(xG,yG)的欧氏距离;
所述S18中,对高度的规划包括:
假设与环境改变区域重叠的基准航迹为S3D(s1,s2,…,sN),航迹点个数为N,第i个航迹点对应的高度为Hi,绕开威胁重新规划出的二维航迹为P2D=(p1,p2,…,pn),航迹点个数为n,第j个航迹点对应的高度为hj,hj的取值如下:
其中表示取整,/>t=i%k表示取余,且为使航迹能够飞,考虑无人机最大爬升角度限制,要保证/>其中s为A*算法的步长,α为无人机最大爬升角度限制。
所述S19中,三维轨迹通过软件进行对照分析,在软件上进行标记,并将标记后的三维轨迹打印。
本实施例中,在数字地形高程数据库中选取真实地形,规划空间为200km*200km,经过插值处理后到图8;将雷达与地空导弹威胁模型简化,用高斯分布表示,表达式如下:
其中,x和y表示威胁投影到水平面上的坐标值,zi是威胁对应的高程值;xi和yi表示第i个威胁中心的坐标,xsi和ysi表示第i个威胁沿着x轴和y轴方向有关的衰减量,hi表示第i个威胁的作用强度;
将防空火炮等效为半球形,威胁等效地图如图9;将原始数字地图和威胁等效数字地图进行信息融合生成数据融合后的三维地形图,如图10;
根据任务获得有人机、无人机和目标数,有人机位置和目标位置,
表1无人机初始位置坐标
计算无人机的威胁代价,无人机在禁飞区Rmin之外距离雷达天线距离R时被发现的概率以距离的4次方的速度衰减,概率近似为:
其中,K为概率衰减系数;
地空导弹的有效杀伤概率公式近似表达为:
PM=K0(Δh/R)
其中K0表示天气晴朗情况下导弹的杀伤概率,通常看作一个常数,Δh表示无人机相对于地空导弹阵地的高度;R表示无人机与导弹阵地的径向距离;
计算任务分配的目标函数;
设定任务分配最大拍卖次数为20次,进行合同网算法求解,得到任务分配示意图如图11和任务分配整体效能示意图如图12;任务分配方案的整体效能变化曲线如图13,能够见随竞标次数的增多,整体效能不断增加,经过15次竞标后,整体效能接近定值,整个过程用时2.651秒,能够见经过任务分配后,每个目标都找到了最合适的无人机来完成,通过各个局部效能最大化来达成整体效能最大化,且用时较短,符合快速战场的要求。
航迹规划设置初始主种群大小为100,辅助种群大小为100,繁殖池大小为40;交叉概率为0.7,变异概率为0.1;最大进化次数为500次;最大转弯角为45°,最大俯仰角为45°;最低飞行高度为10米。
能够见根据本发明构建的进化算子、适应度函数满足无人机航迹能够行,飞行高度不会过高,且避开了威胁,符合安全性要求,能够见随着迭代次数的增多,目标函数逐渐收敛,且由于初始化种群的维度较高,故获得了较高的航迹精度。
为验证航迹任务重规划的性能,设一个无人机去执行某目标,先沿着遗传算法规划出的基准航迹飞行,在该航迹上新增加两个新的威胁,威胁1坐标为(69,88)威胁半径为30,威胁2坐标为(143,177)威胁半径为40;原始航迹示意图如图14,突发航迹示意图如图15,航迹重规划示意图如图16。
由仿真图能够见本发明提出的航迹重规划方法能够使无人机避开威胁,重新规划出一条从侧方绕过威胁的航迹,在无人机到达局部规划的目标点后将重新回到原来的参考航迹上继续飞行到达最终的目标点,实现了在线航迹规划;且规划用时1.110秒,同等条件下用三维稀疏A*算法进行航迹规划,用时2.335秒,节省了时间,能够见符合重规划对速度的要求。
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。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,能够理解在不脱离本发明的原理和精神的情况下能够对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种针对有人无人机协同对地作战的任务规划方法,其特征在于,包括以下步骤:
S1、战场环境建模:采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息;
S2、获取有人机数、无人机数和目标数量:设对地打击编队包括有1架有人机和m架无人机(v1,v2,…,vm),共发现n个的需要打击的目标(t1,t2,…,tn);
S3、建立任务分配目标函数:目标函数的建立综合考虑三个方面的因素,包括目标的打击价值、前往目标的航迹代价和巡航过程中受到的威胁代价;
①打击价值:目标打击价值反映了目标的重要程度,无人机优先打击价值大的目标,用V(tj)表示目标tj的打击价值;
V(tj)=PjRj
其中,Pj是目标tj被攻击的概率函数,Rj是目标tj的被攻击优先权值,Pij是无人机vi打击目标tj的效率,即vi能成功打击tj的概率;
②航迹代价:根据三维地形跟随和无人机飞行保持估算无人机到目标的航迹距离即航迹代价;
③威胁代价:无人机在飞行过程中,暴露在敌方威胁下的时间越长被摧毁的概率就越大,设无人机沿着L飞行过程中,受到任务场景中的威胁概率能够表示为:
其中,代表无人机受到任务场景中第i个雷达的威胁概率,/>代表无人机受到任务场景中第j个地空导弹的威胁概率,③中式子表示为对航迹L的积分形式,实际情况下,能够根据计算时间要求在航迹点上采样若干个点来离散化节省时间;
S4、设立任务分配约束条件:
①任务分配均衡约束:分配任务能够为一架无人机分配多个目标,也能够为将一个目标分配给多个无人机联合执行,为提高任务的执行效率,对任务分配进行均匀约束;
其中nmax表示给无人机vi分配的最多目标数,mmax为给目标tj最多分配的无人机数量;
②无人机最大航程:无人机航程应不大于其最大航程:
L≤Lmax
其中,Lmax是单架无人机最大航程;
③打击目标协同不重复
其中,θi和θj是第i架与第j架无人机分配到的目标集合;
S5、基于合同网算法求解任务分配;
令有人机作为基于合同网算法的任务分配过程中的宿主招标人,在打击目标确定以及获取到战场态势信息后,招标人为每个无人机随机生成竞标顺序并公布需要进行打击的目标名单,拍卖开始,每个无人机根据目标列表构建所有可能的目标打击计划,并计算这些计划的收益,轮到竞标时,无人机将根据贪婪原则从目标攻击计划列表中选择最佳计划,作为自己的打击计划进行竞标,全部无人机按照竞标顺序竞标,在所有无人机竞标之后,本轮招标结束,获得针对无人机编队的目标分配计划,如未达到时间或资源限制时,招标人随机生成的新竞标顺序进行新一轮竞标,以寻求更好的解决方案,当超时或资源超出限制时,算法停止;
S6、考虑种群初始化基因编码:选用实数编码的方式,染色体基因用航迹点坐标表示;
S7、根据任务分配结果,每个无人机进行航迹规划,建立航迹代价函数:
设无人机从初始位置O开始,经过N-1个节点后到达目标位置G,则无人机经过航迹的航迹代价能够表示为:
J=ω1fl+ωfh+ω3fd
其中,表示航程代价,是相邻航迹段距离之和,di,i+1表示相邻两航迹点间的距离;
fh=∫hdl表示高程代价,表示对航迹上高度的积分,为使无人机尽可能贴地飞行,表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,基因编码;选用实数编码的方式,染色体基因用航迹点坐标表示;
S8、设立航迹规划约束条件:
①最小航迹段约束:为避免无人机频繁转弯和起伏,造成油耗的浪费,对最小航迹段即无人机变化当前姿态前必须保持直飞的距离进行限制,设用pi表示第i个航迹段,li是无人机第i段飞行航迹段长度,lmin是最小航迹段长度;
li≥lmin,i=1,2,3…n
②最低飞行高度约束:无人机要尽量在离地较近的位置飞行,但是又不能高度过低导致撞击到地面,hi表示第i段航迹飞行高度,hmin表示最低的飞行高度,则有
hi≥hmin,i=1,2,3…n
③最大转弯角约束:由于自身机动性能的限制,无人机转弯时候只能转一定角度,所以要进行最大转弯角约束,不大于最大转弯角才能实现飞至下一航迹点,转弯角越小飞行也相对平稳,设第i段航迹的水平投影为ai=(xi-xi-1,yi-yi-1),无人机的最大转弯角为θ,则:
④最大爬升角约束:和最大转弯角相似,由于自身爬升和俯冲性能约束限制,无人机爬升或下降时要最大角度也受到限制,设航迹段i纵方向高度差为|zi-zi-1|,无人机最大俯仰角为则:
S9、采用轮盘赌方法选择父代个体;
S10、交叉操作:交叉算子操作分别将两个个体随机分为两部分,个体1的前半部分和个体2的后半部分结合,个体1的后半部分和个体1的前半部分结合,产生两个全新的个体;
S11、变异操作:变异操作指对交叉之后子代随机选取染色体中单个或多个基因位置,对该位置的基因值做异动,变异操作一能够提高算法的局部搜索能力,交叉后个体接近问题最优解时,需要变异作用调整个体部分基因位值,使个体更接近最优解;二是防止种群早熟现象,保持种群多样性,通过变异,能够产生新的个体编码结构,有效避免早熟,从航迹的角度来讲航迹内部变异即坐标值的改变,变异操作能辅助产生新个体,影响着遗传算法的局部搜索能力;
①***操作算子:当航迹段穿越危险区域或者违背最低航迹高度时候,随机在这条航迹中两相邻节点之间***新航迹节点;
②删除操作算子:如果无人机航迹不满足飞行约束,删除该航迹的中间节点;
③交换操作算子:交换航迹中任意两个相邻节点的先后顺序,能够减小转弯角,通过局部搜索的2-opt算法实现,交换操作后获得的新路径若适应度大于原路径,那么更新路径;
④扰动操作算子:随机改变一个航迹节点的坐标值,扰动范围根据原航迹是否可行确定,若原航迹能够行,则小范围扰动,保证操作后航迹依然能够行;否则,扰动范围应当适当放大,经过扰动操作使航迹进入能够行区域,能够提高航迹的适应度;
⑤平滑操作算子:对航迹中转弯角不满足无人机偏航角约束的节点进行平滑处理,即选取航迹中某节点,***一个新的节点在该节点相邻的两个航迹段上,代替原节点,通过平滑操作去掉航迹的尖角;
S12、通过步骤S10和S11进行种群更新:
通过交叉变异生成的子代替换父代个体,并保存父代中适应度高的的个体,完成种群更新;
S13、循环步骤S6-S12,当满足迭代次数时,输出最优航迹;
S14、对于环境中出现得新的威胁,进行局部航迹规划;
遇到突发威胁的情况下,首先擦除暴露在环境改变区域的局部航迹,进行二维航迹规划,再进行高度规划对其处理,与原航迹拼接得到调整后的航迹;
S15、A*算法进行航迹重规划二维航迹规划,搜索空间的限定;
设最小步长为lmin、最大转弯角为θ,稀疏A*算法的拓展区域为扇形区域,拓展角度为2θ,拓展半径为lmin,若拓展区域分为N等份,拓展点为N+1;
S16、A*算法进行航迹重规划二维航迹规划,建立代价函数;
f(n)=g(n)+h(n)
其中n是待扩展节点,g(n)是起始点到当前节点的真实代价,h(n)为启发函数,表示从当前节点n到目标节点的代价估值,f(n)是待扩展节点的评估函数,表示某条经过航迹节点n的航路需要付出代价的估计;
S17、A*算法进行航迹重规划二维航迹规划,依据步骤S14和S15拓展代价最小的下一节点,直到目标被选为拓展节点;
S18、为重规划二维航迹中每个航迹点赋予适当的高度值,得到可行的三维航迹;
S19:对得到的三维航迹进行分析对照,得到三组对照分析图,然后列出三组对照分析图中的差异,将差异进行分析,得到最优三维航迹。
2.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S1中,采用数字地图信息融合原理将作战空间原始地形地貌和威胁信息融合成综合地形信息,包括:
采用规则型网络结构的数字高程地图,在数字地形高程数据库中选取一块真实地形,经过插值处理得到原始数字高程地图;
针对雷达、防空火力、无法穿越区域等效为三维威胁源地图;
将原始数字地图和威胁等效数字地图进行信息融合生成等效数字地图。
3.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S3中,利用地形跟随和无人机飞行保持继进行航迹的估计,包括:
飞行限制不考虑在内,在无人机和目标所在的垂直切面上利用地形信息跟随和无人机飞行保持得到近似的三维航程,即在三维综合等效地图上,过无人机vi所在位置和目标tj所在位置做垂直于水平面的切面,以切面与地形相交的线作为估计航程的基准,规划出一条满足地形跟随和飞行高度限制的航迹,该航迹的长度即航程代价。
4.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S3中,利用合同网算法进行任务分配,包括:
无人机的目标攻击计划被定义为目标的有序集合,表示无人机将顺序攻击目标,由于无人机到不同的目标点之间的航迹代价和威胁代价是不同的,无人机以不同的顺序执行这些任务收益也是不同的,在任务分配过程中,每个计算节点都基于本地信息做出决策,因此每个无人机都根据最大化自身有效性的原则对任务顺序进行排序,对于最初的目标设定t={t1,t2…,tn},根据最高限额任务的限制,能够建立所有的目标攻击计划;
在攻击计划构建的过程中,为了避免计算量过大,筛选出一些不切实际的计划,假设这些任务排序方案的集合为vi基于上述原理选择的方案Mi={ti1,ti2,…,til}的有效性为:
在拍卖过程中,按照竞标顺序某无人机为其自己的攻击计划进行出价之后,已分配目标的价值将下降,其他无人机需要更新所有目标的当前价值并重新计算出价有效性函数,然后根据更新收益竞标攻击计划,能够避免过多的无人机攻击同一目标,并获得更高的全局目标收益,假设无人机vi在这一轮拍卖中获得了目标tj,则之后出价的每架无人机都会根据公式:
Valuenew(tj)=(1-Pij)*Valueold(tj)
更新tj的打击价值,并在轮到竞标以获得更合理的攻击计划时使用以新目标值计算出的功效函数进行竞标。
5.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S16中,对启发函数的g(n)设计包括:
g(n)表示无人机在空间当前节点n处的实际代价:
g(n)=ωLLn+ωTTn
表示航程,是相邻航迹段距离之和,假定起始点S是第0个起始点,当前节点是第N个航路点,di,i+1是相邻两个航迹点之间的距离;
表示威胁代价,第i个航迹点位置受到第j个威胁点的威胁代价,ωL和wT表示航程代价和威胁代价的权值,满足ωL+ωT=1;
启发函数h(n)设为无人机当前节点n(xn,yn)到目标节点G(xG,yG)的欧氏距离;
6.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S18中,对高度的规划包括:
假设与环境改变区域重叠的基准航迹为S3D(s1,s2,…,sN),航迹点个数为N,第i个航迹点对应的高度为Hi,绕开威胁重新规划出的二维航迹为P2D=(p1,p2,…,pn),航迹点个数为n,第j个航迹点对应的高度为hj,hj的取值如下:
其中表示取整,/>t=i%k表示取余,且为使航迹能够飞,考虑无人机最大爬升角度限制,要保证/>其中s为A*算法的步长,α为无人机最大爬升角度限制。
7.根据权利要求1所述的一种针对有人无人机协同对地作战的任务规划方法,其特征在于,所述S19中,三维轨迹通过软件进行对照分析,在软件上进行标记,并将标记后的三维轨迹打印。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386581.9A CN112733421B (zh) | 2020-12-01 | 2020-12-01 | 一种针对有人无人机协同对地作战的任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386581.9A CN112733421B (zh) | 2020-12-01 | 2020-12-01 | 一种针对有人无人机协同对地作战的任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733421A CN112733421A (zh) | 2021-04-30 |
CN112733421B true CN112733421B (zh) | 2024-05-03 |
Family
ID=75598105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386581.9A Active CN112733421B (zh) | 2020-12-01 | 2020-12-01 | 一种针对有人无人机协同对地作战的任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733421B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113467510B (zh) * | 2021-07-12 | 2024-06-14 | 中国科学技术大学 | 一种校园协同安防处置方法及*** |
CN113671985A (zh) * | 2021-07-28 | 2021-11-19 | 中国人民解放军32146部队 | 一种分阶段多基地无人机任务分配和航迹规划方法 |
CN114003060A (zh) * | 2021-11-04 | 2022-02-01 | 西安石油大学 | 基于改进全局最优头脑风暴算法的多无人机任务分配方法 |
CN114330978B (zh) * | 2021-11-11 | 2022-08-09 | 深圳大学 | 一种空地机器人任务动态分配方法、存储介质及终端设备 |
CN114660932B (zh) * | 2022-01-20 | 2023-09-12 | 北京理工大学 | 一种含有减速伞的导弹敏捷转弯最优控制方法 |
CN114417735B (zh) * | 2022-03-08 | 2023-04-18 | 大连理工大学 | 一种跨区域联合作战中的多无人机协同任务规划方法 |
CN114819316A (zh) * | 2022-04-18 | 2022-07-29 | 中国人民解放军96901部队 | 一种面向多智能体任务规划的复杂优化方法 |
CN115235468A (zh) * | 2022-06-21 | 2022-10-25 | 中国科学院自动化研究所 | 基于热力图的决策方法、装置、电子设备及存储介质 |
CN115237000B (zh) * | 2022-06-23 | 2023-08-04 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种有无人机编队协同对抗仿真试验平台及试验方法 |
CN115840463B (zh) * | 2022-11-23 | 2023-07-18 | 北京华如科技股份有限公司 | 一种用于无人机集群协同侦察的数据处理方法及装置 |
CN116088396B (zh) * | 2023-03-06 | 2023-06-02 | 北京理工大学 | 一种无人集群双层协同任务控制方法及*** |
CN116088586B (zh) * | 2023-04-10 | 2023-06-30 | 中国电子科技集团公司第二十八研究所 | 一种无人机作战过程中的临机任务规划的方法 |
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 |
CN116661496B (zh) * | 2023-05-31 | 2024-03-15 | 南京理工大学 | 一种基于智能算法的多巡飞弹协同航迹规划方法 |
CN116974297B (zh) * | 2023-06-27 | 2024-01-26 | 北京五木恒润科技有限公司 | 基于多目标优化的冲突消解方法、装置、介质及电子设备 |
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 |
CN116974208B (zh) * | 2023-09-22 | 2024-01-19 | 西北工业大学 | 基于捷联导引头的旋翼无人机目标打击控制方法及*** |
CN117008641B (zh) * | 2023-10-07 | 2024-01-16 | 中国人民解放军战略支援部队航天工程大学 | 用于多个异构无人机协同低空突防的分配方法和装置 |
CN117389322B (zh) * | 2023-12-08 | 2024-03-01 | 天津天羿科技有限公司 | 无人机控制方法 |
CN118192673A (zh) * | 2024-05-20 | 2024-06-14 | 北京数易科技有限公司 | 一种智能无人机集群协同控制方法、***及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
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 |
CN110544296A (zh) * | 2019-07-31 | 2019-12-06 | 中国矿业大学 | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1524500B1 (en) * | 2003-10-13 | 2014-08-06 | Saab Ab | Method for planning a trajectory |
-
2020
- 2020-12-01 CN CN202011386581.9A patent/CN112733421B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
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 |
CN110544296A (zh) * | 2019-07-31 | 2019-12-06 | 中国矿业大学 | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 |
Non-Patent Citations (4)
Title |
---|
基于博弈策略的多无人机航迹规划研究;陈侠;李光耀;于兴超;;战术导弹技术;20200115(01);全文 * |
有人机/无人机协同作战***关键技术;蔡俊伟;龙海英;张昕;;指挥信息***与技术;20130428(02);全文 * |
有人机/无人机混合编队协同作战研究综述与展望;李文;陈建;;航天控制;20170615(03);全文 * |
有人机/无人机编队协同任务分配方法;刘跃峰;张安;;***工程与电子技术;20100315(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112733421A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
Shao et al. | Efficient path planning for UAV formation via comprehensively improved particle swarm optimization | |
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
CN112817330B (zh) | 一种多无人机四维航迹协同规划方法及*** | |
Zhang et al. | A novel phase angle-encoded fruit fly optimization algorithm with mutation adaptation mechanism applied to UAV path planning | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
CN106969778B (zh) | 一种多无人机协同施药的路径规划方法 | |
CN101286071B (zh) | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 | |
CN108549402B (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
CN102436604B (zh) | 一种基于多目标进化方法的多弹协同航路计算方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN109917815A (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN108318032A (zh) | 一种考虑攻防对抗的无人机航迹智能规划方法 | |
CN110928329A (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN109541960B (zh) | 一种用于飞行器数字化战场对抗的***和方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
CN115903896A (zh) | 一种基于代理模型优化的多无人机路径规划方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
Wang et al. | UAV online path planning based on improved genetic algorithm | |
CN114740883B (zh) | 一种协同点侦察任务规划跨层联合优化方法 | |
CN117008641B (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 |
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 |