CN113759967B - 一种基于预估的多无人机搜索任务能量均衡化方法 - Google Patents

Abstract

本发明公开了一种基于预估的多无人机搜索任务能量均衡化方法，该方法具体包括下述步骤，首先确定无人机群的能耗模型；之后针对无人机的一轮搜索任务进行任务能量均衡化的分配，具体分配方式包括一次分配和细分模式；本发明给出一种去中心化的无人机群搜索任务能量均衡化方法，利用无人机群阵型信息，预估任务能量消耗，无需中心化算法，具备很好的可扩展性，适用于在连通性约束条件下的、拥有一定阵型的无人机群搜索问题；本申请主要给出了一种任务分割方法和无人机能耗模型，从任务需求出发，结合无人机群的阵型特性，综合无人机能量消耗模型进行设计。

Description

一种基于预估的多无人机搜索任务能量均衡化方法

技术领域

本发明属于无人机领域，涉及能量分配技术，具体是一种基于预估的多无人机搜索任务能量均衡化方法。

背景技术

本实用方法主要解决无人机群在执行搜索任务时，各机能量消耗差异过大，影响整体滞空时间的问题。针对无人机群执行搜索任务，且要求无人机群各机之间要保持互连互通，提出一种去中心化的无人机群搜索任务能量均衡化方法。

随着电子技术、传感器技术和控制技术的快速发展，无人机技术已经取得长足的进步，应用领域十分广泛，包括环境监控、紧急救援、农业生产、森林抢险、区域搜索等；但是受限于无人机的尺寸和电池容量，其携带的传感器、专业设备往往较小，性能有限；加之，诸多应用领域如军事侦察、区域测控等对无人机提出更高的任务效率、更长的滞空时间等苛刻要求，使得当前无人机仍然面临性能不能满足需求的挑战；为此，除了研发新技术进一步提高无人机单机性能外，采用无人机集群技术是另一种提升无人机效能的有效手段。

无人机集群技术是指多个具有共同任务目标的无人机，借助决策手段和现代控制，维持无人机以群体形式有序执行任务的智能技术。无人机集群技术扩展了单无人机的性能，外延了无人机的应用范围。能够在极少人为干预下自主做出智能决策，具有协同性、自组织性、并行性等优点,逐渐成为无人机领域研究热点。

提高无人机群滞空时间有多种途径：1.优化设计无人机外形结构，改善气动布局，减轻机体重量；2.采用更加先进的动力***；3.提高燃料、电池能量密度；4.应用能量管理***，改善能量使用策略等0。本方法主要针对第4种途径，通过改善能量使用策略，提高无人机群滞空时间。

文献0综述了无人机的能源配置和能量管理***方面的最新研究成果和面临的挑战，指出电池占小型无人机总重量过高0。文献0设计了“边缘-雾-云”三层通信架构，研究无人机群在森林火灾早期预警场景下的通信效率和能耗管理。文献0提出了一种最大化无人机群总体奖励的任务分配方法，在搜索-攻击任务仿真实验中获得不错的性能提升。文献0为了最小化无人机群在边缘计算中的能量消耗，研究了4种通信机制下的无人机群比特分配、能量分配、资源划分方法。文献0提出了一种无人机与地面站高效节能的通信模型，该模型考虑了网络吞吐量和无人机能量消耗。文献0[8]从理论上推导了无人机水平推进能量模型。文献0提出了一种基于任务的无人机能耗黑箱模型，用于预测无人机在几种飞行模式下的能量消耗。

目前，无人机的能耗模型研究已经较为成熟，通信能耗优化研究较多，任务能耗匹配研究的较少，去中心化的无人机群能耗优化研究的较少。

目前，研究者针对无人机能耗优化提出了很多解决方案，不同方案的侧重点不同，有侧重通信的，有侧重架构的，有侧重匹配方法研究的，存在算法复杂、过度中心化等问题。基于此，先提供一种解决方案。

发明内容

本发明的目的在于提供一种基于预估的多无人机搜索任务能量均衡化方法。

本发明的目的可以通过以下技术方案实现：

一种基于预估的多无人机搜索任务能量均衡化方法，该方法具体包括下述步骤：

步骤一：确定无人机群的能耗模型；

步骤二：针对无人机的一轮搜索任务进行任务能量均衡化的分配，具体分配方式包括一次分配和细分模式；

按照细分模式进行任务能量均衡化的分配的方法为：

S1：将无人机的搜索过程按照时隙δ划分成若干个时间片段；则搜索过程表征为时间序列Γ(δ，2δ，...)；

S2：再将时间序列划分成K个子序列Γ_k(kM+1δ，kM+2δ，...，kM+Mδ)，k＝1、2、…、K，M为子序列大小，即无人机的搜索过程表示为Γ(Γ₁，Γ₂，...，Γ_K)；

任务表示为M(r_l ^j，Γ)，M(r_l ^j，Γ_k)表示在搜索子序列Γ_k时的M(r_l ^j)任务,也为任务M(r_l ^j)在子序列Γ_k中的任务片段，由半径和时间序列唯一确定；

S3：通过时间序列变换，任务分配公式具体表示为：

E_total(k)＝min{E_i(k)|u_i∈U}

式中，E_i(k)表示在k子序列Γ_k后无人机u_i的剩余能量，E_total(k)表示无人机群在子序列Γ_k后的整体剩余能量，E(r_l ^j，Γ_k)表示任务M(r_l ^j，Γ_k)需要消耗的能量。

进一步地，u_i指代无人机；E(r_l ^j)表示为无人机执行任务所需的能量，E_i表示为无人机u_i剩余能量。

进一步地，步骤一中确认无人机群的能耗模型具体方式为：

无人机的搜索过程表示为Γ(Γ₁、Γ₂、...、Γ_k)，子序列Γ_k包含M个时隙δ；用

分别表示无人机u_i在子序列Γ_k的t时刻的速度、加速度，

表示无人机u_i在子序列Γ_k的飞行能量消耗；

无人机u_i的能耗可以表示为：

；

其中，m为无人机u_i质量，Δe表征无人机运动变化所消耗的能量，c₁、c₂是常数，与无人机飞翼尺寸、能效因子有关，g是重力加速度；

可知，

前者表示任务所需能耗，后者表示无人机执行耗能；

由于无人机群的整体能量水平取决于能量最低的无人机的能量水平，因此，无人机群整体能量水平表示为：

E_total＝min{E_i|u_i∈U}

式中，E_full表示无人机电池容量。

进一步地，步骤二中的对无人机的一轮搜索任务进行任务能量均衡化的一次分配方式具体为：

E_total＝min{E_i|u_i∈U}

式中，

表示把任务M(r_l ^j)分配给无人机u_i；E_total表示无人机群的整体剩余能量。

本发明的有益效果：

本发明给出一种去中心化的无人机群搜索任务能量均衡化方法，利用无人机群阵型信息，预估任务能量消耗，无需中心化算法，具备很好的可扩展性，适用于在连通性约束条件下的、拥有一定阵型的无人机群搜索问题；

本申请主要给出了一种任务分割方法和无人机能耗模型，从任务需求出发，结合无人机群的阵型特性，综合无人机能量消耗模型进行设计。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为多无人机搜索阵型图；

图2为任务划分示意图；

图3为基于相邻变换的任务分配方案示意图。

具体实施方式

随着技术的发展，无人机在诸多应用领域大放光彩；比如在搜索，侦察，危险区域的攻击行动等军事领域，无人机的作用越来越不可或缺；但是受限于携带的资源有限，单个无人机在执行各类任务，都需要考虑能耗问题，以期提高单位能耗完成的任务量。对于多个无人机组成的编队，在执行任务时，除了要考虑单个无人机的能够问题，还需要考虑编队总体的能量使用情况。类似于“木桶效应”——一只桶能装多少水取决于它最短的那块木板，无人机编队执行任务的滞空时间取决于能量最少的那架无人机。因此，要想延长无人机编队的滞空时间，除了优化单个无人机的能量消耗方案，还需优化整个编队的能量调配方案，使得编队各无人机的能量保持在一种相对均衡的状态。

如何在无人机编队上调配各无人机的能量呢？我们知道，无人机编队在空中飞行时，各无人机之间并无能量通道，也没有统一的能量配送中心。那么，要怎么做才能实现能量调配；本申请提出的方案是开辟另外的路径。虽然能量供给端没有调配的通道，但是能量的使用，也就是需求端是可以调配的，且无需专门能量通道。因为，编队中各无人机的任务并不完全一样，有的任务能量消耗多，而有的耗能少，比如匀速状态下，在相同时间内，飞行距离远的通常比飞行距离短的无人机消耗更多的能量。因此，我们可以通过调控分配给无人机的不同任务，来调控无人机的能量消耗，以期提高编队各无人机的能量均衡化水平。

基于此，本申请提供一种一种基于预估的多无人机搜索任务能量均衡化方法，相比单无人机搜索任务不可分割，多无人机可将搜索任务分配到每个无人机执行，然后再合并；

如图1-图3所示，作为本申请的实施例一，搜索任务由3个无人机并排搜索完成；

从图1-图3可以看出，基于“一”字阵型的环绕搜索，各无人机的搜索半径不同，形成的搜索路径不同，该路径在本文被称作“道”；基于此，本文将第j轮搜索半径为r_l ^j道的任务定义为M(r_l ^j)，j＝1、2、…；l＝1、2、…、n；半径r_l ^j满足如下约束：

SW＝W(n-1)+2L_d

W＝min(L_c，2L_d)

式中，SW是一轮环绕飞行的搜索宽度，W是各无人机保持连通性约束下的最大间距；

为了保持阵型的稳定，无人机必须按照相同的角速度ω^j飞行，且要满足如下约束：

其中，v_max为无人机的最大飞行速度，

为第j轮搜索最外层无人机的飞行半径。

可见最外层无人机飞行速度最快，且飞行路径最长，而最内侧无人机飞行速度最慢，且路径最短。这种差异必然导致执行各任务所需的能量不同，假设该能量表示为E(r_l ^j)，无人机u_i剩余能量表示为E_i，那么无人机能量均衡化的一次任务分配可以表示为：

E_total＝min{E_i|u_i∈U}

式中，

表示把任务M(r_l ^j)分配给无人机u_i；E_total表示无人机群的整体剩余能量。

上述分配方法将一轮搜索任务只分配一次，这样的颗粒度是比较大的，实际上一轮搜索仍然可以继续分，借助细分模式进行分配，假设无人机的搜索过程按照时隙δ划分成若干个时间片段，那么，搜索过程可表征为时间序列Γ(δ，2δ，...)。再将时间序列划分成K个子序列Γ_k(kM+1δ，kM+2δ，...，kM+Mδ)，k＝1、2、…、K，M为子序列大小，即无人机的搜索过程可表示为Γ(Γ₁，Γ₂，...，Γ_K)。相应的，任务M(r_l ^j)可以表示为M(r_l ^j，Γ)，M(r_l ^j，Γ_k)表示在搜索子序列Γ_k时的M(r_l ^j)任务,或者说任务M(r_l ^j)在子序列Γ_k中的任务片段，由半径和时间序列唯一确定，如图所示。

通过时间序列变换，上面的任务分配公式可以表示为：

E_total(k)＝min{E_i(k)|u_i∈U}

其中E_i(k)表示在k子序列Γ_k后无人机u_i的剩余能量，E_total(k)表示无人机群在子序列Γ_k后的整体剩余能量，E(r_l ^j，Γ_k)表示任务M(r_l ^j，Γ_k)需要消耗的能量。

到目前为止，本文已经建立了基于能量均衡的多无人机搜索任务分配模型，但是模型中的关键函数allocate未作详细说明；应该如何设计这个分配函数呢？一个显而易见的想法是：将能耗最高的任务分配给能量最充裕的无人机。由于阵型的限制，虽然给***带来了很多约束，比如各无人机必须保持相同的角速度运行，但也提供了很多有用信息，比如，各无人机的位置，任务的能耗水平——最外层任务耗能最高。所以，只需要把最内侧的无人机和最外层的无人机调换位置，就可以总体平衡能耗水平。

但是这种分配方案忽略了，调换过程也会消耗能量，记作E_a(k)，表示allocate(M(r_l ^j，Γ_k),u_i)消耗的能量，上述任务分配模型中的无人机u_i能量更新公式变为：

根据文献0提出了一种最大化无人机群总体奖励的任务分配方法，在搜索-攻击任务仿真实验中获得不错的性能提升；和文献0提出了一种无人机与地面站高效节能的通信模型，该模型考虑了网络吞吐量和无人机能量消耗的研究，E_a(k)跟速度的大小、速度变化的大小、以及时间有关；

显然，最内侧与最外层无人机的速度变化最大，距离最远，耗时最长。因此，这样的任务分配过程会消耗很大的能量。本文提出了一种相邻变换的方案：当子任务序列k为奇数时，从2道(半径

所在的道)开始作相邻变换，当k为偶数时，从1道(半径r₁ ^j所在的道)开始作相邻变换，如图所示。由于相邻道之间距离短，无人机飞行速度差小，因此，该方案的分配能耗E_a(k)值小，无人机能耗变化平缓。该方法实现简单，无需集中优化，且无人机之间只需交换少量信息，避免了算法集中优化和大量通信所消耗的能量。

计算无人机群能耗模型；

在能量均衡化之前，需要研究无人机的能量消耗结构。在搜索任务中，无人机的能量主要消耗在飞行、侦测、通信、计算等过程中。其中，侦测对于编队中的每个无人机都是一样的，因此可以不考虑。不同的搜索算法，会影响编队各无人机的计算量和通信量，从而影响能量消耗。本文提出的“回型”搜索算法是一种去中心化的算法，该算法分散在各无人机上，仅需少量通信，且算法交互通信量相对均衡，此处不考虑转发，实现了局部即为无人机内部计算最大化，相互通信最少化，从而避免算法集中在某个无人机上高负荷计算，高流量通信，导致个别无人机消耗过多能量。因此，本文的能量均衡化只需考虑飞行能耗的均衡化即可。

无人机群按照“一”字阵型，绕目标先验位置作环绕飞行，根据前面的描述，无人机的搜索过程可表示为Γ(Γ₁、Γ₂、...、Γ_k)，子序列Γ_k包含M个时隙δ。这里用

分别表示无人机u_i在子序列Γ_k的t时刻(第t个时隙)的速度、加速度，

表示无人机u_i在子序列Γ_k的飞行能量消耗。那么，根据相关文献00的无人机能量模型，无人机u_i的能耗可以表示为：

其中，m为无人机u_i质量，Δe表征无人机运动变化所消耗的能量，c₁、c₂是常数，与无人机飞翼尺寸、能效因子有关，g是重力加速度。通过上面的分析可知

前者表示任务所需能耗，后者表示无人机执行耗能。

由于无人机群的整体能量水平取决于能量最低的无人机的能量水平，因此，无人机群整体能量水平可表示为：

E_total＝min{E_i|u_i∈U}

式中，E_full表示无人机电池容量；

本申请中参考了如下的现有技术，参考文献具体如下：

[1]Mohiuddin A,Taha T,Zweiri Y H,et al.A Survey of Single and Multi-UAV Aerial Manipulation[J].Unmanned Systems,2020；

[2]Dainelli R,Toscano P,Gennaro S,et al.Recent Advances in UnmannedAerial Vehicles Forest Remote Sensing—A Systematic Review.Part II:ResearchApplications[J].Forests,2021,12(4):397；

[3]杜永浩,邢立宁,蔡昭权.无人飞行器集群智能调度技术综述[J].自动化学报,2020,46(2)；

[4]Kim B O,Yun K H,Chang T S,et al.A Preliminary Study on UAVPhotogrammetry for the Hyanho Coast Near the Military Reservation Zone,Eastern Coast of Korea[J].Ocean and Polar Research,2017,39(2):159-168；

[5]Boukoberine M N,Zhou Z,Benbouzid M.A critical review on unmannedaerial vehicles power supply and energy management:Solutions,strategies,andprospects[J].Applied Energy,2019,255:113823-；

[6]Hassanalian M,Abdelkefi A.Classifications,applications,and designchallenges of drones:A review[J].Progress in Aerospace Sciences,2017,91(may):99-131；

[7]Kalatzis N,Avgeris M,Dechouniotis D,et al.Edge Computing in IoTecosystems for UAV-enabled Early Fire Detection[C]//2018 IEEE InternationalConference on Smart Computing(SMARTCOMP).IEEE,2018；

[8]Kim M H,Baik H,Lee S.Resource Welfare Based Task Allocation forUAV Team with Resource Constraints[J].Journal of Intelligent&Robotic Systems,2015,77(3-4):611-627；

[9]MENG HUA,YONGMING HUANG,YI WANG,QINGQINGWU,HAIBO DAI,LYUXIYANG.Energy Optimization for Cellular-Connected Multi-UAV Mobile EdgeComputing Systems with Multi-Access Schemes.Journal of Communications andInformation Networks,Vol.3,No.4,Dec.2018；

[10]Y.ZENG,R.ZHANG.Energy-efficient UAV communication with trajectoryoptimization[J].IEEE Transactions onWireless Communications,2017,16(6):3747-3760；

[11]S.JEONG,O.SIMEONE,J.KANG.Mobile edge computing via a UAVmountedcloudlet:Optimization of bit allocation and path planning.IEEE Transactionson Vehicular Technology,2018,67(3):2049-2063；

[12]Prasetia A S,Wai R J,Wen Y L,et al.Mission-Based EnergyConsumption Prediction of Multirotor UAV[J].IEEE Access,2019:1-1。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (2)

1.一种基于预估的多无人机搜索任务能量均衡化方法，其特征在于，该方法具体包括下述步骤：

步骤一：确定无人机群的能耗模型；

步骤二：针对无人机的一轮搜索任务进行任务能量均衡化的分配，具体分配方式包括一次分配和细分模式；

按照细分模式进行任务能量均衡化的分配方法为：

S1：将无人机的搜索过程按照时隙δ划分成若干个时间片段；则搜索过程表征为时间序列Γ(δ，2δ，...)；

S2：再将时间序列划分成K个子序列Γ_k(kM+1δ，kM+2δ，...，kM+Mδ)，k＝1、2、…、K，M为子序列大小，即无人机的搜索过程表示为Γ(Γ₁，Γ₂，...，Γ_K)；

任务表示为M(r_l ^j，Γ)，M(r_l ^j，Γ_k)表示在搜索子序列Γ_k时的M(r_l ^j)任务,M(r_l ^j)为第j轮搜索半径为r_l ^j道的搜索任务，j＝1,2,…；l＝1,2,…,n；也为任务M(r_l ^j)在子序列Γ_k中的任务片段，由半径和时间序列唯一确定；

S3：通过时间序列变换，任务分配公式具体表示为：

E_total(k)＝min{E_i(k)|u_i∈U}

式中，E_i(k)表示在k子序列Γ_k后无人机u_i的剩余能量，E_total(k)表示无人机群在子序列Γ_k后的整体剩余能量，E(r_l ^j，Γ_k)表示任务M(r_l ^j，Γ_k)需要消耗的能量；

步骤二中的对无人机的一轮搜索任务进行任务能量均衡化的一次分配方式具体为：

E_total＝min{E_i|u_i∈U}

式中，

表示把任务M(r_l ^j)分配给无人机u_i；E_total表示无人机群的整体剩余能量；E(r_l ^j)表示为无人机执行任务所需的能量，E_i表示为无人机u_i剩余能量。

2.根据权利要求1所述的一种基于预估的多无人机搜索任务能量均衡化方法，其特征在于，步骤一中确认无人机群的能耗模型具体方式为：

无人机的搜索过程表示为Γ(Γ₁、Γ₂、...、Γ_k)，子序列Γ_k包含M个时隙δ；用

分别表示无人机u_i在子序列Γ_k的t时刻的速度、加速度，E_i ^fly(k)表示无人机u_i在子序列Γ_k的飞行能量消耗；

无人机u_i的能耗可以表示为：

；

其中，m为无人机u_i质量，Δe表征无人机运动变化所消耗的能量，c₁、c₂是常数，与无人机飞翼尺寸、能效因子有关，g是重力加速度；

可知，

前者表示任务所需能耗，后者表示无人机执行耗能；

由于无人机群的整体能量水平取决于能量最低的无人机的能量水平，因此，无人机群整体能量水平表示为：

E_total＝min{E_i|u_i∈U)

式中，E_full表示无人机电池容量。

Images