CN113759975A - 基于任务能力的无人机集群的建模方法及模型*** - Google Patents

Abstract

本发明公开基于任务能力的无人机集群的建模方法，包括以下步骤：S1、对无人机集群***进行初始化操作，获取所述无人机集群***的网络节点；S2、将所述网络节点进行连接，获得节点连接网络；S3、对所述节点连接网络进行赋权，获得连边权重；S4、对各所述网络节点进行赋值，获得所述网络节点的属性值；S5、基于所述网络节点、节点连接网络、连边权重、属性值构建无人机集群***模型。本发明能够通过采用“节点‑链路‑网络”任务能力及计算模型，并结合任务过程仿真将集群的静态任务模型表达拓展为动态模型，丰富了动态环境下无人机个体考虑任务的能力。

Description

基于任务能力的无人机集群的建模方法及模型***

技术领域

本发明涉及无人机集群技术领域，特别涉及基于任务能力的无人机集群的建模方法及模型***。

背景技术

无人机集群作为航空新技术的重要呈现形式，在国防安全、灾害救援、大气污染监测、园区物流等军民领域发挥着重要作用。无人机集群执行任务时采用多架无人机协同方式，以一个体系的形式完成搜索、分析与决策等任务，实现了单机能力扩展以及集群整体任务能力的提升。集群在具备了更高的鲁棒性和任务能力的同时，也将面临着更加复杂的任务环境与不确定性威胁，致使其在任务过程中不断涌现新问题，从而导致全局任务的失败。

随着人工智能及航空技术的发展，具备不同任务能力的无人机个体组成的无人机集群将成为重要发展趋势，因此基于任务能力对无人机集群进行建模更能突出反映无人机个体本身所具有的任务能力和智能水平，也更能反映集群真实的任务水平。而传统建模方法多考虑无人机集群的整体结构进行建模，以及单机间的作用关系及集群整体的组织与运用，对于无人机个体行为能力的刻画存在过于简化的缺陷。

发明内容

针对上述问题，本发明提出基于任务能力的无人机集群的建模方法及模型***，以解决现有技术中存在的技术问题，能够通过采用“节点-链路-网络”任务能力及计算模型，并结合任务过程仿真将集群的静态任务模型表达拓展为动态模型，丰富了动态环境下无人机个体考虑任务的能力。

为实现上述目的，本发明提供了如下方案：本发明提供基于任务能力的无人机集群的建模方法及模型***，包括以下步骤：

S1、对无人机集群***进行初始化操作，获取所述无人机集群***的网络节点；

S2、将所述网络节点进行连接，获得节点连接网络；

S3、对所述节点连接网络进行赋权，获得连边权重；

S4、对各所述网络节点进行赋值，获得所述网络节点的属性值；

S5、基于所述网络节点、节点连接网络、连边权重、属性值构建无人机集群***模型。

优选地，所述S1中初始化操作的过程为：根据所述无人机集群***的载荷配置和任务顺序，获取所述无人机集群***的网络节点数量和位置分布。

优选地，所述S2中网络节点进行连接的过程为：在不同类型任务载荷之间通过无重边、无自环的方式进行连接。

优选地，所述S3中赋权的过程为：根据任务场景对所述节点连接网络中的边进行赋权处理，获得连边权重，所述连边权重用于表示连边两无人机沟通调度的优先程度。

优选地，所述S4中赋值的过程为：在任务场景下将多种任务能力量化为具体数值后赋予所述节点连接网络中的无人机节点，获得所述网络节点的属性值。

优选地，所述S5中无人机集群***模型的构建过程为：基于所述网络节点、节点连接网络、连边权重、属性值形成无人机的任务层网络，并将同一无人机的通讯层、结构层和任务层节点相连接，完成所述无人机集群***模型的构建。

优选地，所述任务层网络G₃具体为：

G₃＝{V₃,E₃,Q₃}

式中，V₃表示无人机携带的任务载荷抽象成的节点；E₃表示任务载荷发挥作用的顺序关系；Q₃表示权重。

基于任务能力的无人机集群***模型，包括：初始化模块、连边模块、赋权模块、属性赋值模块、建模模块；

所述初始化模块用于对无人机集群***进行初始化操作，获取所述无人机集群***的网络节点；

所述连边模块用于将所述网络节点进行连接，获得节点连接网络；

所述赋权模块用于对所述节点连接网络进行赋权，获得连边权重；

所述属性赋值模块用于对各所述网络节点进行赋值，获得所述网络节点的属性值；

所述建模模块基于所述网络节点、节点连接网络、连边权重、属性值构建无人机集群***模型。

本发明公开了以下技术效果：

本发明能够通过采用“节点-链路-网络”任务能力及计算模型，并结合任务过程仿真将集群的静态任务模型表达拓展为动态模型，丰富了动态环境下无人机个体考虑任务的能力。此外，考虑任务能力也更容易贴合工程需求和任务要求对无人机集群进行建模，通过该模型对集群进行有关分析时也会更加科学合理。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明实施例中无人机集群三层网络相互依赖关系示意图；

图3为本发明实施例中任务网络节点连接示意图；

图4为本发明实施例中无人机集群网络结构图；

图5为本发明实施例中任务链路的动态变化示意图；

图6为本发明实施例中无人机任务能力的动态变化示意图；

图7为本发明实施例中的模块连接示意图。

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。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参照图1-4所示，本实施例提供基于任务能力的无人机集群的建模方法，包括以下步骤：

S1、对无人机集群***进行初始化操作，获取无人机集群***的网络节点。

初始化操作的过程为：根据无人机集群***的载荷配置和任务顺序，获取无人机集群***的网络节点数量和位置分布，对任务网络生成M个节点，任务载荷种类数为P种，每种载荷下的节点个数为Q，P×Q＝M。

S2、将网络节点进行连接，获得节点连接网络。

网络节点进行连接的过程为：在不同类型任务载荷之间通过无重边、无自环的方式进行连接。

S3、对节点连接网络进行赋权，获得连边权重。

赋权的过程为：根据任务场景对节点连接网络中的边进行赋权处理，获得连边权重，连边权重用于表示连边两无人机沟通调度的优先程度，权重越大则代表沟通调度优先级越高。

S4、对各网络节点进行赋值，获得网络节点的属性值。

赋值的过程为：在任务场景下将多种任务能力量化为具体数值后赋予节点连接网络中的无人机节点，获得网络节点的属性值，并根据各任务能力的特点赋予其不同的衰减方式。

S5、基于网络节点、节点连接网络、连边权重、属性值构建无人机集群***模型。

无人机集群***模型的构建过程为：基于网络节点、节点连接网络、连边权重、属性值形成无人机的任务层网络，即任务层网络为一有向加权网络，并将同一无人机的通讯层、结构层和任务层节点相连接，形成无人机集群三层网络结构，如图4所示，完成无人机集群***模型的构建。

其中，任务层网络G₃具体为：

G₃＝{V₃,E₃,Q₃}

式中，V₃表示无人机携带的任务载荷抽象成的节点；E₃表示任务载荷发挥作用的顺序关系，即载荷按连边次序发挥其任务能力，从而按子任务流程完成整体任务；Q₃表示权重。

为对应无人机集群“以任务为中心”的应用模式，将本实施例的研究重点放在任务层网络，进而实现集群可靠性的科学评估。通讯层与机体层网络的主要作用是反映任务执行过程中外界环境对集群的影响方式(机体层或通讯层节点消失对应无人机被摧毁或通讯被干扰)以及对任务层网络的影响(机体层或通讯层节点消失会导致任务层对应节点随之消失)。

实施例1

复杂网络具有良好的模型描述能力，为研究无人机集群***中复杂的相互作用与动态关系，根据集群***组成以及功能，将其分为三层网络G＝{G₁,G₂,G₃}，分别为通讯层网络G₁、结构层网络G₂和任务层网络G₃，分别对应无人机集群组成中通讯数据链、无人机载机和任务载荷三部分。针对较为普遍的领航法控制结构，建立无人机集群网络结构示意图如图2所示。

其中，通讯层网络G₁＝{V₁,E₁}，V₁＝{V₁₁,V₁₂...V_1N}代表无人机通讯设备抽象成的节点，E₁＝{E₁₁,E₁₂...E_1M}代表无人机之间信息交互关系抽象成的边，两节点之间有连边，则代表两无人机间存在信息交流。

结构层网络G₂＝{V₂,E₂}，V₂＝{V₂₁,V₂₂...V_2N}代表无人机载机实体抽象成的节点，E₂＝{E₂₁,E₂₂...E_2M}代表无人机之间归属关系抽象为的边，两节点之间有连边，则代表两无人机属于同一“群落”，受同一“领导”指挥。

任务层网络G₃的组成元素要考虑到无人机所带任务载荷的实际应用情况，建模方法与其他层有较大不同，将在下节进行细致分析。

假设任务层网络中的载荷节点均为单一功能类型载荷，即每个无人机只能携带一种任务载荷，如红外探测器、任务计算机等，只能执行单一种类的任务，如搜索、决策等。

当集群成体系自主执行复杂环境下的任务时，根据执行任务的先后顺序将任务划分为不同类型的子任务，不同的子任务对应不同的任务载荷。如图3所示，假设子任务的连接顺序为子任务1→子任务2→子任务3→子任务4→子任务5，如侦察感知→情报分析→自主决策→任务执行→结果评价，则对应任务层网络中每种类型的任务载荷按照同样的顺序连接构成一条任务链(如A→B→C→D→E)，载荷按次序发挥其任务能力，从而完成任务。

此外，考虑现实情况中无人机集群以领航法执行任务时，不同“群落”之间可以进行信息的交流共享，但实现跨“群落”指挥执行任务并不现实，不失一般性，在构建任务层网络时，载荷A、B、C之间选择全连接，而载荷C、D、E之间选择“群落”内全连接。

基于上述建模方法，进行考虑内外因作用的任务过程仿真：

为反映动态环境下集群任务能力的变化情况，首先要基于网络模型对集群执行任务的动态过程进行仿真，考虑任务过程中集群规模的变化情况，进而实现集群可靠性的合理评估。

在无人机集群执行任务的过程中，造成集群损失的原因主要有两点：一是外界环境的影响，如大风天气、雷电，甚至是电磁干扰或是火炮的攻击；二是自身原因导致的无人机故障，如任务计算机处理器超负荷运行导致任务终止执行。以上两类问题会导致无人机受损或是故障，以至于无法完成任务，此时集群网络模型中代表该无人机的节点也应被删除。

为贴合实际情况，本实施例同时模拟任务执行的过程中外界环境的影响与内部失效带来的无人机故障。外界环境影响导致无人机损伤的概率通过半钟型正态分布来反映，代表着随任务时间增加，环境对无人机群的影响越大，无人机越容易出现损伤：

式中，x代表任务时间，μ代表位置参数，σ代表形状参数。

内部失效导致无人机故障的概率通过Weibull分布来反映，代表着随任务时间增加，无人机自身失效的概率在不断提升，无人机故障的概率也在不断提升：

式中，x代表任务时间；λ代表比例参数；k代表形状参数。

外界环境影响与自身失效导致无人机故障损坏，造成无人机集群一定数量的减员，使得随着任务进行集群规模不断减小，任务链路数量减少，集群任务能力降低，符合现实中集群的应用现状。

实施例2

集群任务能力的量化包括静态量化和动态量化。

a.静态量化建模

任务层网络中不同类型的载荷按照规定的顺序连接构成一条连通的任务链(如)，载荷按照次序发挥能力，从而完成任务。网络中许多不同的任务链协作完成相应的任务，使得任务层网络构成了一个有方向的连通网。连通网络由多个连通任务链构成，链路又是由多个载荷节点构成，任务网络自身的复杂性决定了要想确定动态环境下集群任务能力的变化规律并用数学形式表达，首先必须实现集群网络任务能力的静态表达，即要实现“节点-链路-网络”的任务能力计算。

在“节点-链路”的任务能力计算中，任务层网络中节点都被赋予了量化自身任务能力的属性值，可表述对应的单架无人机的完成某种任务的能力大小。在现实情况中，无人机协同执行任务，任务链的能力被任务能力最小的单机节点所限制，如果把任务链路看作是一个串行的结构，则可以简单地认为任务链能力值等于该链路中任务能力最小节点的任务能力值，即：

C_j＝min{c_j1,c_j2,…,c_ji}

式中，C_j为任务网中的任务链j所具有任务能力值，c_j1,c_j2,…,c_ji分别代表任务链j中i种载荷的任务能力值。

在“链路-网络”的任务能力计算中，则要复杂一些，涉及到节点复用的可能性。这是因为链路任务能力受能力最低的节点限制，导致高任务能力的的节点无法发挥全部能力，因此任务能力高的节点在参加该任务链调用执行某项任务的同时，由于其还具有剩余任务能力，因此也可以参加其他任务链的调用。若定义任务网中的任务链j具有任务能力C_j，那么可根据任务网络中的任务链数量n(包含节点复用的链路数量)计算得到集群的总体任务能力C_S：

b.动态量化建模

网络任务能力动态量化建模是通过任务仿真过程中将包含自身消耗信息及环境影响因素信息的每一次静态表达不断进行迭代而实现的，将单个的计算结果与任务执行时间相关联，最终得到执行任务过程中集群任务能力随时间的动态变化的数学表达。

当集群在执行任务的过程中，无人机会面临外部影响或内部失效，如图5所示，失效的无人机对应的任务载荷失效，连通任务链的数量也相应减少，集群网络的任务能力降低。此时网络任务能力为C_St，

n_t为t时刻剩余的任务链数量。

其次随着任务执行，无人机无法避免的因为外界因素影响或自身消耗导致自身任务能力的下降，如：随着无人机自身能源消耗以及外界风阻等因素影响，无人机机动能力不断降低。节点任务能力降低导致任务链任务能力降低，任务网络任务能力降低，如图6所示，此时的网络任务能力为C_St，

C_jt为t时刻任务链j的任务能力。

因此随着任务时间的增加，集群任务能力不断降低，即集群维持其功能完成规定任务的能力不断降低，此时的网络任务能力为C_t：

式中，C_jt为t时刻任务链j的任务能力，n_t为t时刻剩余的任务链数量。因此可以通过任务链数量及节点能力变化情况表征网络的任务能力变化，实现集群任务能力的动态表达，并将任务能力变化用作衡量集群网络可靠性的变化情况。

参照图5所示，本实施例提供基于任务能力的无人机集群***模型，包括：初始化模块、连边模块、赋权模块、属性赋值模块、建模模块；

初始化模块用于对无人机集群***进行初始化操作，获取无人机集群***的网络节点；

连边模块用于将网络节点进行连接，获得节点连接网络；

赋权模块用于对节点连接网络进行赋权，获得连边权重；

属性赋值模块用于对各所述网络节点进行赋值，获得网络节点的属性值；

建模模块基于网络节点、节点连接网络、连边权重、属性值构建无人机集群模型***。

本发明公开了以下技术效果：

本发明能够通过采用“节点-链路-网络”任务能力及计算模型，并结合任务过程仿真将集群的静态任务模型表达拓展为动态模型，丰富了动态环境下无人机个体考虑任务的能力。此外，考虑任务能力也更容易贴合工程需求和任务要求对无人机集群进行建模，通过该模型对集群进行有关分析时也会更加科学合理。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，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：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (8)

1.基于任务能力的无人机集群的建模方法，其特征在于，包括以下步骤：

S1、对无人机集群***进行初始化操作，获取所述无人机集群***的网络节点；

S2、将所述网络节点进行连接，获得节点连接网络；

S3、对所述节点连接网络进行赋权，获得连边权重；

S4、对各所述网络节点进行赋值，获得所述网络节点的属性值；

S5、基于所述网络节点、节点连接网络、连边权重、属性值构建无人机集群模型***。

2.根据权利要求1所述的基于任务能力的无人机集群的建模方法，其特征在于，所述S1中初始化操作的过程为：根据所述无人机集群***的载荷配置和任务顺序，获取所述无人机集群***的网络节点数量和位置分布。

3.根据权利要求1所述的基于任务能力的无人机集群的建模方法，其特征在于，所述S2中网络节点进行连接的过程为：在不同类型任务载荷之间通过无重边、无自环的方式进行连接。

4.根据权利要求1所述的基于任务能力的无人机集群的建模方法，其特征在于，所述S3中赋权的过程为：根据任务场景对所述节点连接网络中的边进行赋权处理，获得连边权重，所述连边权重用于表示连边两无人机沟通调度的优先程度。

5.根据权利要求1所述的基于任务能力的无人机集群的建模方法，其特征在于，所述S4中赋值的过程为：在任务场景下将多种任务能力量化为具体数值后赋予所述节点连接网络中的无人机节点，获得所述网络节点的属性值。

6.根据权利要求1所述的基于任务能力的无人机集群的建模方法，其特征在于，所述S5中无人机集群***模型的构建过程为：基于所述网络节点、节点连接网络、连边权重、属性值形成无人机的任务层网络，并将同一无人机的通讯层、结构层和任务层节点相连接，完成所述无人机集群***模型的构建。

7.根据权利要求6所述的基于任务能力的无人机集群的建模方法，其特征在于，所述任务层网络G₃具体为：

G₃＝{V₃,E₃,Q₃}

式中，V₃表示无人机携带的任务载荷抽象成的节点；E₃表示任务载荷发挥作用的顺序关系；Q₃表示权重。

8.基于任务能力的无人机集群模型***，其特征在于，包括：初始化模块、连边模块、赋权模块、属性赋值模块、建模模块；

所述初始化模块用于对无人机集群***进行初始化操作，获取所述无人机集群***的网络节点；

所述连边模块用于将所述网络节点进行连接，获得节点连接网络；

所述赋权模块用于对所述节点连接网络进行赋权，获得连边权重；

所述属性赋值模块用于对各所述网络节点进行赋值，获得所述网络节点的属性值；

所述建模模块基于所述网络节点、节点连接网络、连边权重、属性值构建无人机集群模型***。

Images