CN115310792A - 多目标无人蜂群的任务协同方法、装置及设备 - Google Patents
多目标无人蜂群的任务协同方法、装置及设备 Download PDFInfo
- Publication number
- CN115310792A CN115310792A CN202210891617.1A CN202210891617A CN115310792A CN 115310792 A CN115310792 A CN 115310792A CN 202210891617 A CN202210891617 A CN 202210891617A CN 115310792 A CN115310792 A CN 115310792A
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- cost
- aerial vehicle
- queue
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多目标无人蜂群的任务协同方法、装置及设备,涉及无人机技术领域。所述方法包括:获取目标区域的分布信息与当前无人机蜂群队列中每一无人机的能力表达,其中,所述能力表达包括:标准作业单元执行成本、当前状态、能力预留、成本约束和基本参数;针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机;基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,并根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配;对每一分配任务资源的无人机规划任务就位路径与任务回收路径。本发明通过多机统筹实现任务规划的最优求解。
Description
技术领域
本发明属于大数据与人工智能领域,具体涉及一种多目标无人蜂群的任务协同方法、装置及设备。
背景技术
城市由众多高大建筑体构成,在地震、水灾、泥石流等灾害发生时,这些建筑受到不同程度破坏,其内大量人员被封困、压埋在建筑内部。建筑具有一定遮蔽性,压埋其中的人员无法通过直观手段快速识别,因此在城市灾害发生时,建筑压埋点及被压埋人员情况的快速查明就成为当前应急救援领域主要难题之一。
相比其他探测装备,无人机在行动通过能力、灵活性等方面具有明显优势,是开展灾区建筑压埋点快速查明的有效手段。目前,无人机已经广泛应用与应急领域中,受及时条件以及管理制度等因素限制,目前无人机的应用多以单点巡飞等方式开展。通过航拍影像数据对灾区进行分析。当灾区面积较大时这一模式的效率较低。主要体现在以下几个方面:
1、现有无人机以大范围影像数据采集为主,飞行高度较高,对地面现状缺乏精确查明的应用能力;
2、现有无人机主要采用地面控制的手段,飞行操作由任务***下达,飞行操作人员手工控制飞行路线。灾区中大量目标分散在区域内,任务执行过程中,受人机协同、通信等因素影响工作效率较低;
3、不同无人机之间缺乏协同,在任务组织过程中,对区域不能形成有效覆盖。
上述问题,对无人机的深入应用形成一定影响,从发展的角度出发,亟待多机协同、自主智能的方式组织空中搜索作业,满足未来城市灾害救援的要求。
发明内容
针对上述问题,本发明公开了一种多目标无人蜂群的任务协同方法、装置及设备。所述方法提供分层规划架构。在这一架构中,建立无人机资源能力模型,将无人机作业(时间\能耗)资源作为规划分配的依据;对任务的规划、执行指挥调度需要在成本约束与资源余量合理平衡。以此为基础,通过多机统筹实现任务规划的最优求解。这一技术在国防军工、智慧物流、智慧城市等方面同样具有积极的应用价值。
本发明的技术内容包括:
一种多目标无人蜂群的任务协同方法,所述方法包括:
获取目标区域的分布信息与当前无人机蜂群队列中每一无人机的能力表达,其中,所述能力表达包括:标准作业单元执行成本、当前状态、能力预留、成本约束和基本参数;
针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机;
基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,并根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配;
对每一分配任务资源的无人机规划任务就位路径与任务回收路径。
可选地,所述针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机,包括:
在当前无人机蜂群队列中选择状态处于可用的无人机;
针对状态处于可用的无人机,基于所述当前状态与所述分布信息,计算无人机与目标之间位置关系;
根据所述位置关系与所述成本约束,计算不同任务对当前无人机的成本;
若任一任务对当前无人机的成本小于所述能力预留,则将该无人机作为可用无人机。
可选地,所述基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,包括:
基于所述分布信息与所述能力表达,计算每一可用无人机与各目标区域作业之间的就位成本、任务执行成本评估与回收成本,以得到相应的成本Tt;
设定每一可用无人机与各目标区域作业之间路径消耗的成本容忍值;
针对任一可用无人机与相应的目标区域作业,比对所述能力预留与所述成本容忍值,并
当所述能力预留与所述成本容忍值的差值大于所述成本Tt时,设定该可用无人机与相应的目标区域作业之间的成本为所述成本Tt;
当所述能力预留与所述成本容忍值的差值不大于所述成本Tt时,设定该可用无人机与相应的目标区域作业之间的成本为无穷;
将该可用无人机与相应的作业之间的成本,作为所述任务成本矩阵中的元素。
可选地,所述根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配,包括:
依据无人机无法完成所有目标区域作业和目标区域中的作业所有无人机都无法完成,对所述任务成本矩阵进行剪裁;
利用穷举遍历法或蚂蚁算法对剪裁后的任务成本矩阵进行处理,得到若干方案队列planp,其中,p表示所述剪裁后的任务成本矩阵的行号,所述剪裁后的任务成本矩阵中行向量Hp表示第p个目标区域作业的全部成本向量;
统计方案队列planp中的目标区域范围之和Sp,且当Sp大于阈值设置时,将方案队列planp视为有效结果;
基于各有效结果的成本,获取最优方案队列plan;
根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配。
可选地,所述利用穷举遍历法或蚂蚁算法对剪裁后的任务成本矩阵进行处理,得到若干方案队列planp,包括:
构造方案队列planp并初始为空;
从行向量Hp中提取成本最小的元素Cpk,将所述元素Cpk放置在所述方案队列planp,并删除行向量Hp与对应的列向量Vk,得到矩阵MC0,其中,k表示所述剪裁后的任务成本矩阵的列号;
从矩阵MCt的行向量He中提取成本最小的元素Cek,将所述元素Cek放置在所述方案队列planp,并删除行向量He与对应的列向量Vk,得到矩阵MCe+1,其中,t表示提取元素Cek的次数,e表示矩阵MCt中的行号;
处理完所述剪裁后的任务成本矩阵后,得到方案队列planp。
可选地,所述根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配,包括:
比对所述可用无人机的数量与所述最优方案队列plan的维度;
若所述可用无人机的数量不大于所述最优方案队列plan的维度,则根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配;
若所述可用无人机的数量不大于所述最优方案队列plan的维度,则对所述最优方案队列plan进行优化,其中,所述优化包括:
设定分割阈值限制;
根据作业成本大小,将未分配目标区域作业进行序列处理,得到队列reJob;
判断所述队列reJob中每一目标区域作业的作业成本大小是否小于分割阈值限制:
若是,则将所述最优方案队列plan作为优化结果以进行任务资源分配;
若否,则:
通过对作业成本大小大于分割阈值限制的未分配目标区域作业进行切分,并返回至所述针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机,以得到最优方案队列plan′;
比较所述最优方案队列plan与所述最优方案队列plan′的任务覆盖率与成本,得到优化方案队列plan1;
通过优化方案队列plant相应的队列reJobt中每一目标区域作业的作业成本大小是否小于分割阈值限制,判断是否继续优化,t为优化次数;
将所述最优方案队列planT作为优化结果以进行任务资源分配,其中T为优化总次数。
可选地,所述对每一分配任务资源的无人机规划任务就位路径,包括:
针对整体区域,构建位图形式的态势图,其中,所述位图由若干个基本单元组成;
设定所述无人机的任务就位路径成本约束、所述基本单元的灰度值阈值;
比对所述就位线路结果R的成本与所述任务就位路径成本约束:
若所述就位线路结果R的成本不小于所述任务就位路径成本约束,则跳转至输出无人机规划任务就位路径;
若所述就位线路结果R的成本不小于所述任务就位路径成本约束,则:
从所述就位线路结果R中提取灰度值最大的基本单元;
将所述灰度值最大的基本单元的灰度值与所述灰度值阈值进行比对:
若所述灰度值最大的基本单元的灰度值小于所述灰度值阈值,则跳转至判断所述就位线路结果R中的基本单元是否被全部处理;
若所述灰度值最大的基本单元的灰度值大于所述灰度值阈值,且存在至少一个边界临近的基本单元,则选择一边界临近的基本单元作为灰度值最大的基本单元,并返回至将所述灰度值最大的基本单元的灰度值与所述灰度值阈值进行比对;
若所述灰度值最大的基本单元的灰度值大于所述灰度值阈值,且不存在边界临近的基本单元,则选择灰度值最小的基本单元进行替换且放置在所述就位线路结果R,并跳转至判断所述就位线路结果R中的基本单元是否被全部处理;
判断所述就位线路结果R中的基本单元是否被全部处理:
若否,则返回至比对所述就位线路结果R的成本与所述任务就位路径成本约束;
若是,则跳转至输出无人机规划任务就位路径;
输出无人机规划任务就位路径。
可选地,所述对每一分配任务资源的无人机规划任务回收路径,包括:
可选地,所述对每一分配任务资源的无人机规划任务回收路径,包括:
获取无人机的当前状态与当前位置;
获取无人机执行所述任务就位路径的任务就位成本,并将所述任务就位成本与一设定阈值S比较;
在所述任务就位成本大于所述设定阈值S的情况下,选择并判断最近回收点是否满足要求;当满足要求时,规划当前位置与最近回收点之间的任务回收路径;当不满足要求时,规划当前位置与原定回收点之间的任务回收路径;
在所述任务就位成本不大于所述设定阈值S的情况下,规划当前位置与原定回收点之间的任务回收路径。
一种多目标无人蜂群的任务协同装置,所述装置包括:
信息获取模块,用于获取目标区域的分布信息与当前无人机蜂群队列中每一无人机的能力表达,其中,所述能力表达包括:标准作业单元执行成本、当前状态、能力预留、成本约束和基本参数;
无人机筛选模块,用于针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机;
资源分配模块,用于基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,并根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配;
路径规划模块,用于对每一分配任务资源的无人机规划任务就位路径与任务回收路径。
一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行,以实现上述多目标无人蜂群的任务协同方法。
与现有技术相比,本发明的具有以下优点及效果
本发明在无人机集群的基础上构建回路闭合的任务指挥与资源调度框架,针对城市灾区目标实现全地域、全周期覆盖;在目标能力适配的基础上实现无人机(蜂)的自动任务适配;结合灾区实际环境形成完整的任务引导方案。通过多层次\多批次\多主体协同的方式提高搜索工作效率。
附图说明
图1任务整体组织框架图。
图2任务阶段划分图。
图3无人蜂群任务执行目标分配图。
图4目标分配处理流程图。
图5无人机(蜂)任务就位引导示意图。
图6无人机(蜂)任务就位路线规划图。
图7无人机(蜂)任务回收路径规划图。
具体实施方式
下面将结合附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明特定实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
本发明的多目标无人蜂群的任务协同方法,适用于城市灾害救援、国防军工、智慧物流、智慧城市等多种使用场景。下面以城市灾害救援为例,对本发明的技术内容进行说明。
本发明可以针对城市灾害救援中建筑对象的特点,开展无人蜂群任务规划与协同关键技术研究工作。结合应急救援专业知识,构建任务调度框架,实现多机协同的任务统一指挥调度;构建蜂群能力统一表达模型,实现蜂群能力状态的统一度量,支持搜索力量的快速合成;结合人工智能等方法,建立任务需求分析与决策评估模型,通过面向复杂空间体的多目标侦察任务离散化处理算法与资源匹配优化算法,在多点协同的基础上,实现任务决策最优解;通过基于复杂室内外环境的路径规划算法,在成本约束下,根据环境、风险等要素,对单机(蜂)的任务路径进行规划,满足多机协同的要求。
在地震、水灾、泥石流等破坏性灾害发生后,灾区现场探查是一个连续作业实施过程。其主要包括任务集结、任务规划、任务指令传达、任务就位、作业实施、任务回收等环节构成。从整个任务体系的角度出发。这一过程包括三个基本层次,如图1所示,整个技术体系由规划层、任务层、作业层三个基本层次构成,其中:
规划层:在装备基本信息的基础上,依托灾区现场通信网络汇聚无人蜂群任务状态信息,形成状态与能力画像。同时,以灾区无人机搜索探测体系为基础,汇聚各种概要搜索数据、第三方情报数据,形成灾区概要态势的认知。在这一基础上,根据指挥指令,对灾区环境中的目标进行识别并开展任务规划。在规划过程中,根据目标分布、蜂群能力与状态进行目标分配与蜂群资源的匹配,形成无人机搜索力量合成方案。结合人工智能算法,在成本约束的情况下,经过统筹,实现兵力合成方案的最优解,满足灾区搜索任务实施的效能与效率要求。
任务层:在搜索任务方案编排过程中,对参与任务的无人机(蜂)进行路径规划。在这一过程中,以任务时间成本为总约束,对任务就位环节中的路径进行枚举,根据任务需求形成最优路径选,为无人机任务执行调度提供依据;同时,在任务回收阶段,根据通信、机体状态等条件约束,对无人机的撤收路线进行快速规划,满足无人机(蜂)任务指挥调度的要求。
作业层:无人机根据任务规划,到达指定作业区域后开展侦察作业。在这一过程中,无人机根据所处作业环境,采用自主、人机协同、多机协作相结合的方式完成建筑空间的数据采集并根据任务规划执行作业回收。
在规划中遵循以下几点:
1、在给定任务目标的基础上,满足一个波次需要完成数量的约束;
2、在满足1的基础上,所形成方案整体成本最小;
3、在满足1,2的基础上,所形成方案无人机(蜂)群的整体风险最小。
建筑空间的侦察任务协同有多个层次组合而成。由于建筑环境内部、建筑周边地区的复杂性,无人机(蜂)在任务执行过程中,需要具备较强的场景适应性。对任务的规划、执行指挥调度需要在成本约束与资源余量合理平衡。以此为基础,通过多机统筹实现任务规划的最优求解。针对这一技术需求,以规划层、任务层为主,在多目标资源优化匹配的基础上,本发明提出一种面向城市灾害救援的多目标无人蜂群任务协同关键技术主要内容如下:
一、无人蜂群任务执行框架与任务模型构建
如前所述,针对建筑空间的侦察是一个连续的递进的过程,由多个波次构成。其如图2所示。
对于任务波次有如下约束条件:
1、场景包括m个目标区域与n个无人机;
2、每个波次中,一个无人机只能针对一个目标区域开展作业;
3、在一个波次中,一个目标区域只能由一个无人机实时作业;
4、如果目标区域较大,可以将目标区域分解为若干分区,每个分区形成一个独立的目标区域,该目标区域的约束如前。
如图2所示,从过程的角度出发,一个任务波次可以由以下几个环节构成:
1、任务就位:无人机(蜂)在任务确定后,接收任务指令,从出发点运动到作业实施的进场点的过程。在这一过程中,无人机通过空中机动的方式完成路线运动。在这一阶段的任务指挥过程中,主要考虑无人机机动时间成本、环境风险成本等,总任务总成本约束的基础上,合理规划路径。在这一阶段中,形成两个主要的参考变量:T1与D1,其中:T1为无人机任务就位(巡航)过程中总的时间消耗;D1为无人机在任务就位过程中总的距离长度。
2、现场作业:无人机(蜂)经过空中机动到达指定作业位置后,利用载荷开展现场作业,对建筑空间进行探测与数据采集。在这一过程中,根据作业区面积、无人机单元作业能力形成任务基本时间成本计算:
其中:
A:为当前作业区域各个目标\分区集合;
ai:为独立目标\分区;
dt:为无人机(蜂)完成一个单元目标\分区作业的时间成本;
TA:为无人机(蜂)完成指定作业区域的全部时间成本;
d:无人机(蜂)基本能力主体;
S:操作名称,用于计算单个无人机完成区域作业的时间,可以简单视为S=面积/d。
3、任务回收:无人机(蜂)在作业完毕后,根据任务规划,从离场点运动到回收点的过程。在这一过程中,无人机通过空中机动的方式完成路线运动。在这一阶段的任务指挥过程中,前期根据任务规划,预制回收路径;无人机完成作业后,根据自身状态对预制路径进行匹配。如果当前状态满足预制回收路径的成本约束则按照预制规划完成回收;如果当前状态不满足成本约束,则根据条件自主规划新的回收方案与路径,并移动到对应的位置。主要考虑无人机机动时间成本、环境风险成本等,总任务总成本约束的基础上,合理规划路径。在这一阶段中,形成两个个主要的参考变量:T2与T2’,其中:T2为无人机任务回收过程中总的时间消耗;T2’为无人机在任务回收过程中的资源预留。根据前述内容形成如下的处理过程:
其中:
Retrieve是回收操作的名称,可以理解为调用函数;
Cap为能力获取操作名称,举例即:完成作业后,获取无人机d’剩余电量
d’为无人机d完成作业后的表达。
根据以上任务过程的组织情况,形成基本任务模型,其如下所示:
Task={jobi|i=1,2,....p}
job={ID,location,jobScale,{riskj|j=1,2,....q|}}
risk={ID,prop,risklevel}
其中:
Task:为任务的总体构成,其由一组作业job构成;
job:为作业基本定义。其详细定义如下:
ID:为作业的全局唯一标识;
location:为作业的所处位置;
jobScale:为作业区域范围大小,根据jobScale与无人机(蜂)单元作业成本的对比进行总成本的估算;
risk:为作业区域内已经甄别的风险,其由标识、属性集以及风险等级构成。一个作业区的整体风险由全部风险识别汇聚获得;
risklevel:为风险等级。
二、无人蜂群能力统一表达模型
无人机(蜂)是任务执行的主体。在任务规划过程中,根据目标区域的特性,分配无人机(蜂),实现任务的资源匹配与兵力合成。在任务执行过程中,无人机(蜂)根据规划的行动方案实施机动与作业。同时,结合场景实际影响,在自主决策的基础上,对行为进行修正。从上述环节中可以看出,无人机(蜂)的能力表达、度量就成为整个任务指挥与调度的基础。
根据这一情况,构建无人机能力统一表达模型。这一模型的基本定义如下:
D={ID,stdCap,curState,resKpt,capRuleSet,belongTo,prop},其中:
ID:为无人机全局唯一标识;
stdCap:为一个标准作业单元执行过程对应的成本;
curState:为无人机当前状态;其定义如下:
curState={preState,nowState,location},其中:
preState:为前一个状态表达;
nowState:为当前状态表达;
location:为当前所处空间位置;
resKpt:为无人机在当前时刻,预留的任务执行能力;
capRuleSet:为无人机在不同条件下执行任务的能力成本消耗规则集;
capRuleSet={(cID,condDef,cost)i|i=1,2,.....n},其中:
cID:为当前规则标识;
condDef:为当前规则对应的约束条件;
cost:为当前约束条件下,标准行为单元对应的成本消耗;
belongTo:为所属蜂(集)群信息;
prop:为无人机(蜂)基本参数,其中包括巡航速度normalSpeed等
通过上述内容实现无人机的基本状态信息与能力的统一表达。在任务执行过程中,无人机(蜂)被分配一个任务作业后,其状态发生一定变化,即:
jobSet(job,D)={job,D'},D'=stateChange(D,s')
其中,
jobSet:无人机任务分配操作,把一个任务状态变更后的无人机与任务进行绑定。
stateChange:无人机任务状态变更操作。
三、区域多目标任务匹配与资源优化
在任务规划过程中,首先根据区域范围内建筑对象分布情况、无人机人分布情况,对目标与无人机(蜂)进行分配。在这一过程中,根据作业区域大小、无人机(蜂)任务执行能力预留(resKpt)、周边环境影响等因素,计算不同分配方案中无人机(蜂)完成任务的成本消耗,以蚂蚁算法实现全局最优解,最终形成目标分配与无人机任务编排方案。如图3所示:
Step1:构建任务集:
在这一过程中,首先根据不同来源数据融合,获取区域范围内全部目标对象,形成一个任务集:
Task={jobi|i=1,2,....n},任务集Task由全部待察目标构成。其详细定义请查看前述内容。
Step2:构建无人机(蜂)资源待选集:
在任务集的基础上,根据状态与成本约束获取全部可用无人机(蜂),形成待选资源集Ds:
Ds={Dj|j=1,2,.....m},Dj∈AllD
curState∈Dj,nowState∈curState
其中:
AllD为全部无人机对象集合;
wp为权重值;
c’为当前任务的实际成本消耗;
nowState为curState中的一个分量;
Check为成本矩阵构造过程中无人机选值计算函数;
Easy为nowState的一个具体取值。
即:首先选择不同无人机(蜂)中,状态处于可用的(nowState=easy);
而后根据不同无人机(蜂)与目标之间位置关系和成本约束,计算不同任务对当前无人机(蜂)的成本,如果当前无人机(蜂)与任务的成本小于自身能力预留则将其看作待选对象放置在Ds集中。
Step3:目标任务成本计算:
完成待选集选定后,根据无人机(蜂)(Di,Di∈Ds)状态、与不同任务目标(jobj,jobj∈Task)的相对位置关系,构成任务成本矩阵MC:
Cost为成本计算函数,其计算方法如下:
Tt=T1'+TA+T2',
TA=jobCostAss(job,D)
T1'=T2'=shortcut(job,D)/normalSpeed,normalSpeed∈prop,prop∈D
其中,T1’为无人机在就位过程中的资源预留,Shortcut为无人机与目标两点直线距离成本求值函数,jobCostAss为任务执行成本评估函数,其根据无人机(蜂)单元作业时间、任务区域范围、环境影响等综合评估并计算当前无人机(蜂)完成指定任务区域作业的成本(例如:时间\能源消耗)。
在上面计算过程中,Toffset为成本容忍值。当其取值为0时,表示无人机(蜂)在任务就位与任务回收过程中,路径消耗的成本容忍为0。无人机只能以端点直飞的方式实时机动。在城市环境中,由于存在大量高层建筑遮挡、微环境气象影响等因素,这一取值显然存在较大局限;当该值放大时,表示路径成本容忍度扩大,过于放大的容忍度会导致资源可用性变差。在实际应用中,结合人工智能构建训练模型,实现对该值的优化设置。
Step4:任务资源分配:
目标任务成本矩阵MC,表达在当前状态下,全部可用无人机完成当前区域任务所用的时间分布情况。
在该矩阵中列向量Vk,表示第k个无人机全部目标区域作业成本向量;
Vk=[cost(job1,Dk),.........,cost(jobm,Dk)]T
cost(jobj,Dk)∈MC,j≤m
在该矩阵中行向量Hp,表示第p个目标任务作业的全部成本向量;
Hp=[cost(jobp,D1),........,cost(jobp,Dn)]T
cost(jobp,Dj)∈MC,j≤n
在MC中由于有些目标区域作业成本太高等原因无法完成作业,MC中有一些无人机(蜂)\目标成本单元为∞。因此,需要对MC进行剪裁以便于后续处理。这一过程依据以下规则:
1、当一个无人机(蜂)Dk对全部目标都处于无法完成时,从MC中删除该无人机(蜂)所对应的列向量Vk;
2、一个目标区域jobp,没有一个无人机(蜂)能在当前波次中完成针对其的作业,从MC中删除该目标对应的行向量HP;
ValidateMc(MC)=MC”,MC'∈MC,Vk∈MC',Hp∈MC'
其中,ValidateMc为MC矩阵无效向量处理操作。
任务分配的目标是从整体的角度出发,以最小的成本获得最大的目标覆盖。同时,由于位置关系等原因,在一个任务批次执行过程中,参与的无人机(蜂)各自的成本不尽相同。在这一基础上,通过目标的成本方案遍历,形成不同的任务方案。这些任务方案将任务目标与特定的无人机(蜂)形成组合。并在这一过程中:
1、设置i=1,令MC”=MC’;
2、构造方案队列plani并初始为空;
3、从MC”第i行开始,获取Hi向量。从Hi中提取cost最小的Cik;
getMinCost(Hi)=Cik,Cik=cost(jobi,Dk)
Cik<Cjk,i≠j,Cik∈Hi,Cjk∈Hi
4、将Cik放置在当前plan队列中,从MC”中除去第i个行向量Hi与第k个列向量Vk;
5、当前MC”超过1维,令i=2,执行步骤2;
6、将当前MC”剩下的cost(job,D)作为一个单元放置在plani中;
7、令i=i+1,当前i如果超过MC’的行向量数量则执行步骤8,否则执行步骤2;
8、队列形成方案plani,统计当前plan中全部目标区域范围之和Si,如果Si大于阈值设
置,则将当前plani,视为有效结果,否则作为无效结果;
plan={Cij,k|k=1,2,....q},Cik∈MC',
以上为从一个目标区域为起点遍历MC’,形成的成本最小的方案求解。
当灾区环境中目标数量m与无人机(蜂)数量n较小时,MC’的维度不高,可以用穷举遍历的方式,求出全部plan,在收益优先的情况下,选择成本最小的plan作为结果输出;
当灾区环境中目标数量m与无人机(蜂)数量n较大时,MC’的维度较高,用穷举遍历的方法在性能上存在局限性。可以采用蚂蚁算法对MC’进行处理,形成快速最优解,最终形成结果输出。
整个过程如图4所示。
Step5:任务方案的再优化:
在前述处理过程中,一些目标区域会因成本过大(超过无人机(蜂)能力预留边界)或路途过于遥远而被放弃执行。针对这一情况,可以在前述任务资源分配的基础上,通过区域再分割的方式,将较大区域或者较远区域分为更小的目标区域,进行资源能力适配,并形成规范方案的迭代。这一过程如下:
1、令planT=plan;
2、判断当前方案是否需要继续优化,
·如果当前方案规划中,全部可用无人机的数量n<方案输出planT的向量维度则表明全部无人机均有任务分配,无需再进行分配调整,退出当前运行输出最优结果planT。
·当n大于planT的向量维度时,表明有可用的无人机待命。则进行进一步的分配优化。
这一过程如下:
3、将未分配的目标对象jobk进行序列处理,根据作业成本大小形成队列reJob;
jobScalek>jobScalep,k<p<l,jobScalek∈jobk,jobScalep∈jobp
4、设置k=1,令T=Task’,其中Task’表示未分配的目标对象集合;
5、从reJob中提取第k个jobk对象,如果jobScalek<分割阈值限制,则退出当前jobk处理,输出planT;
6、对jobk进行切分,形成新的目标区域对象,将T中的jobk替换为新的目标对象,形成新的任务集T’;
7、将T’作为新的任务集,执行step1,得到对应的输出结果plan’;
8、比较plan与plan’的任务覆盖率,选择最优。如果收益一致的,则选择plan’与plan成本最小的方案作为结果planT;
9、判断当前是否停止继续优化,如果不需要停止优化则执行1,否则停止输出最终结果;
在上述过程中,步骤6对目标区域的分割对计算结果有一定影响。具体分割方法可以在人工智能的基础上实现操作,提高切分效率与无人机(蜂)使用效率。具体方法这里不再展开介绍。
四、无人机(蜂)任务路径规划
如前所述,无人机(蜂)任务规划完成后,相关信息下达给指挥单元。根据指控业务链路关系,任务方案下发给对应的无人机(蜂)开始实施。在整个无人机(蜂)作业执行过程中,根据行为目的划分为三个环节:任务就位、作业执行、任务回收。结合前述内容,本项目主要针对任务就位与任务回收两个部分的路径规划与任务匹配开展研究工作。
1.任务就位路径规划
任务就位是指无人机(蜂)从出发点机动至进场点的过程。通常情况下,无人机(蜂)以端到端直线运动的方式成本代价最小。同时,也便于无人机(蜂)的指挥调度。然而,城市环境中建筑结构与空间情况较为复杂。一方面,高大建筑对行动路线形成遮挡;另一方面,在特定建筑之间会形成一定的微气象环境,对穿行的无人机(蜂)飞行安全造成较大影响。这些情况都对无人机(蜂)的飞行机动形成风险。因此,在机动过程中,需要进行合理规避以保证任务的顺利实施。
无人机(蜂)的规避行为在提高自身安全性的同时也导致额外的成本付出。在前述内容中,任务就位过程的成本T1,对总成本Tt有直接影响。如果在机动过程中忽略这一问题会导致无人机(蜂)无法正常任务执行与作业,导致规划的失败。因此,无人机(蜂)在就位过程中,需要在前述总体任务规划成本统筹的约束下合理选择路径,如图5所示。
如前所述,一个无人机(蜂)任务路径规划由无人机(蜂)行为成本约束与目标构成:
routePlanReq={Di,p1,p2,T1i},Di∈Ds,Di∈planT,其中:
Di:待路径规划无人机(蜂);
p1:无人机(蜂)起始位置;
p2:无人机(蜂)目标位置(作业进场点);
T1i:无人机(蜂)的就位路径规划行为成本约束设定。
灾区环境具有高度的动态性。因此,无人机(蜂)根据多源灾情信息汇聚灾区环境中各种风险,在统一标注的基础上形成态势感知。依托这一态势地图,无人机(蜂)开展任务路径规划。为了便于计算处理,这一态势图简化为位图的形式,其基本定义如下:
instEnvMap={pxij|i=1,2,...n,j=1,2,....,m}
pxij={center,riskGreyTag}
pxij:为位图的一个基本单元(像素),整个位图根据固定边长进行栅格化处理。一个pxij对应的一个基本栅格。
center:为栅格的中心位置;
riskGrayTag:为风险标注。位图中的px与地图中的栅格对应。在地图中,栅格对应的区域内风险对象根据等级进行映射。不同等级的风险映射为一个对应的灰度值。灰度值在位图中进行对应px的赋值。在这里风险指影响无人机(蜂)飞行安全的高大建筑、复杂空间导致的恶略微气象环境等。这些风险在图中根据实际位置分布,并在灰度图中进行映射。
基于这一位图进行无人机(蜂)的路线快速规划。这一过程如下:
1、设置t=1,p=p1,路线结果R;
2、计算p1与p2对应的px:
locate({p1,p2})={px1,px2},p1∈px1,p2∈px2
3、构建向量r,为当前p与p2:
5、计算当前R的全部成本CR,
如果CR不小于T1i,则将当前R输出;
如果CR小于T1i,则执行步骤6;
6、从R中提取灰度最大的px:
getMaxFromR(R)=pxk,pxk∈R,pxj∈R,
riskGrayTagk>riskGrayTagj,riskGrayTagk∈pxk,riskGrayTagj∈pxj
其中,getmaxfrom:从R中获取灰度值最大单元的操作,Riskgraytag:单元格灰度值。
7、令p’=pxk;
8、判断p’的可通行性:
如果当前p’的灰度值小于阈值设置,则当前pxk为可通行,执行步骤9;
如果当前p’所在周边px都已经计算完,则选择灰度最小的px替换px放置在R队列中,执行步骤9;
如果当前p’的灰度值大于阈值设置,则pxk为不可通行,选择边界临近的pxpq,令
p’=pxpq执行8;
9、是否对存放在R中的基本单元都进行处理,如果未完成执行步骤5,否则执行步骤10;
10、完成当前路线计算,从R中提取全部px序列,形成路线Rline并输出。
其基本过程如图6所示:
当一个路线规划完毕后,在一定情况下,该路线的成本会大于T1i,在前述内容中通过成本容忍值Toffset实现了一定的预留。
同时,根据R中全部px的灰度,可以提取并计算路线上风险分布与程度。为任务评估提供依据:
riskMax(R)=riskGrayTagk,riskGrayTagk∈pxk,pxk∈R
依据这两个指标,构建评估分析模型,经过仿真训练实现任务风险的评估,为任务决策提供支撑。
2.任务回收路径规划
无人机(蜂)完成作业后,根据任务设定到达离场点,开始执行任务回收。在实际任务执行过程中,无人机(蜂)因前期任务超量等原因,不一定具有返回初始出发点的续航能力。因此,在这一过程中,需要根据自身状态、现场情况选择回收方案,如图7所示。检测并获取无人机(蜂)存留的资源。根据存留资源对回收点进行选择,确保无人机(蜂)的存留资源能够支撑其飞回回收点。在这一基础上,根据当前位置与回收点规划飞行路径,形成引导方案。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,本发明的保护范围应以权利要求所述为准。
Claims (10)
1.一种多目标无人蜂群的任务协同方法,其特征在于,所述方法包括:
获取目标区域的分布信息与当前无人机蜂群队列中每一无人机的能力表达,其中,所述能力表达包括:标准作业单元执行成本、当前状态、能力预留、成本约束和基本参数;
针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机;
基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,并根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配;
对每一分配任务资源的无人机规划任务就位路径与任务回收路径。
2.如权利要求1所述的方法,其特征在于,所述针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机,包括:
在当前无人机蜂群队列中选择状态处于可用的无人机;
针对状态处于可用的无人机,基于所述当前状态与所述分布信息,计算无人机与目标之间位置关系;
根据所述位置关系与所述成本约束,计算不同任务对当前无人机的成本;
若任一任务对当前无人机的成本小于所述能力预留,则将该无人机作为可用无人机。
3.如权利要求1所述的方法,其特征在于,所述基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,包括:
基于所述分布信息与所述能力表达,计算每一可用无人机与各目标区域作业之间的就位成本、任务执行成本评估与回收成本,以得到相应的成本Tt;
设定每一可用无人机与各目标区域作业之间路径消耗的成本容忍值;
针对任一可用无人机与相应的目标区域作业,比对所述能力预留与所述成本容忍值,并
当所述能力预留与所述成本容忍值的差值大于所述成本Tt时,设定该可用无人机与相应的目标区域作业之间的成本为所述成本Tt;
当所述能力预留与所述成本容忍值的差值不大于所述成本Tt时,设定该可用无人机与相应的目标区域作业之间的成本为无穷;
将该可用无人机与相应的作业之间的成本,作为所述任务成本矩阵中的元素。
4.如权利要求1所述的方法,其特征在于,所述根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配,包括:
依据无人机无法完成所有目标区域作业和目标区域中的作业所有无人机都无法完成,对所述任务成本矩阵进行剪裁;
利用穷举遍历法或蚂蚁算法对剪裁后的任务成本矩阵进行处理,得到若干方案队列planp,其中,p表示所述剪裁后的任务成本矩阵的行号,所述剪裁后的任务成本矩阵中行向量Hp表示第p个目标区域作业的全部成本向量;
统计方案队列planp中的目标区域范围之和Sp,且当Sp大于阈值设置时,将方案队列planp视为有效结果;
基于各有效结果的成本,获取最优方案队列plan;
根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配。
5.如权利要求4所述的方法,其特征在于,所述利用穷举遍历法或蚂蚁算法对剪裁后的任务成本矩阵进行处理,得到若干方案队列planp,包括:
构造方案队列planp并初始为空;
从行向量Hp中提取成本最小的元素Cpk,将所述元素Cpk放置在所述方案队列planp,并删除行向量Hp与对应的列向量Vk,得到矩阵MC0,其中,k表示所述剪裁后的任务成本矩阵的列号;
从矩阵MCt的行向量He中提取成本最小的元素Cek,将所述元素Cek放置在所述方案队列planp,并删除行向量He与对应的列向量Vk,得到矩阵MCe+1,其中,t表示提取元素Cek的次数,e表示矩阵MCt中的行号;
处理完所述剪裁后的任务成本矩阵后,得到方案队列planp。
6.如权利要求4所述的方法,其特征在于,所述根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配,包括:
比对所述可用无人机的数量与所述最优方案队列plan的维度;
若所述可用无人机的数量不大于所述最优方案队列plan的维度,则根据所述最优方案队列plan,对所述可用无人机的任务资源进行分配;
若所述可用无人机的数量不大于所述最优方案队列plan的维度,则对所述最优方案队列plan进行优化,其中,所述优化包括:
设定分割阈值限制;
根据作业成本大小,将未分配目标区域作业进行序列处理,得到队列reJob;
判断所述队列reJob中每一目标区域作业的作业成本大小是否小于分割阈值限制:
若是,则将所述最优方案队列plan作为优化结果以进行任务资源分配;
若否,则:
通过对作业成本大小大于分割阈值限制的未分配目标区域作业进行切分,并返回至所述针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机,以得到最优方案队列plan′;
比较所述最优方案队列plan与所述最优方案队列plan′的任务覆盖率与成本,得到优化方案队列plan1;
通过优化方案队列plant相应的队列reJobt中每一目标区域作业的作业成本大小是否小于分割阈值限制,判断是否继续优化,t为优化次数;
将所述最优方案队列planT作为优化结果以进行任务资源分配,其中T为优化总次数。
7.如权利要求1所述的方法,其特征在于,所述对每一分配任务资源的无人机规划任务就位路径,包括:
针对整体区域,构建位图形式的态势图,其中,所述位图由若干个基本单元组成;
设定所述无人机的任务就位路径成本约束、所述基本单元的灰度值阈值;
比对所述就位线路结果R的成本与所述任务就位路径成本约束:
若所述就位线路结果R的成本不小于所述任务就位路径成本约束,则跳转至输出无人机规划任务就位路径;
若所述就位线路结果R的成本不小于所述任务就位路径成本约束,则:
从所述就位线路结果R中提取灰度值最大的基本单元;
将所述灰度值最大的基本单元的灰度值与所述灰度值阈值进行比对:
若所述灰度值最大的基本单元的灰度值小于所述灰度值阈值,则跳转至判断所述就位线路结果R中的基本单元是否被全部处理;
若所述灰度值最大的基本单元的灰度值大于所述灰度值阈值,且存在至少一个边界临近的基本单元,则选择一边界临近的基本单元作为灰度值最大的基本单元,并返回至将所述灰度值最大的基本单元的灰度值与所述灰度值阈值进行比对;
若所述灰度值最大的基本单元的灰度值大于所述灰度值阈值,且不存在边界临近的基本单元,则选择灰度值最小的基本单元进行替换且放置在所述就位线路结果R,并跳转至判断所述就位线路结果R中的基本单元是否被全部处理;
判断所述就位线路结果R中的基本单元是否被全部处理:
若否,则返回至比对所述就位线路结果R的成本与所述任务就位路径成本约束;
若是,则跳转至输出无人机规划任务就位路径;
输出无人机规划任务就位路径。
8.如权利要求1所述的方法,其特征在于,所述对每一分配任务资源的无人机规划任务回收路径,包括:
获取无人机的当前状态与当前位置;
获取无人机执行所述任务就位路径的任务就位成本,并将所述任务就位成本与一设定阈值S比较;
在所述任务就位成本大于所述设定阈值S的情况下,选择并判断最近回收点是否满足要求;当满足要求时,规划当前位置与最近回收点之间的任务回收路径;当不满足要求时,规划当前位置与原定回收点之间的任务回收路径;
在所述任务就位成本不大于所述设定阈值S的情况下,规划当前位置与原定回收点之间的任务回收路径。
9.一种多目标无人蜂群的任务协同装置,其特征在于,所述装置包括:
信息获取模块,用于获取目标区域的分布信息与当前无人机蜂群队列中每一无人机的能力表达,其中,所述能力表达包括:标准作业单元执行成本、当前状态、能力预留、成本约束和基本参数;
无人机筛选模块,用于针对所述分布信息,根据所述能力表达从当前无人机蜂群队列中获取可用无人机;
资源分配模块,用于基于所述分布信息与所述能力表达,构建所述可用无人机与目标区域作业的任务成本矩阵,并根据所述任务成本矩阵,对所述可用无人机的任务资源进行分配;
路径规划模块,用于对每一分配任务资源的无人机规划任务就位路径与任务回收路径。
10.一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行,以实现权利要求1-8中任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210891617.1A CN115310792A (zh) | 2022-07-27 | 2022-07-27 | 多目标无人蜂群的任务协同方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210891617.1A CN115310792A (zh) | 2022-07-27 | 2022-07-27 | 多目标无人蜂群的任务协同方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310792A true CN115310792A (zh) | 2022-11-08 |
Family
ID=83859535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210891617.1A Pending CN115310792A (zh) | 2022-07-27 | 2022-07-27 | 多目标无人蜂群的任务协同方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310792A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456487A (zh) * | 2022-11-10 | 2022-12-09 | 深圳市道通智能航空技术股份有限公司 | 机群***的任务规划方法、任务规划装置及其电子设备 |
CN116596287A (zh) * | 2023-07-18 | 2023-08-15 | 中国电子科技集团公司第二十九研究所 | 一种任务驱动决策方法及*** |
-
2022
- 2022-07-27 CN CN202210891617.1A patent/CN115310792A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456487A (zh) * | 2022-11-10 | 2022-12-09 | 深圳市道通智能航空技术股份有限公司 | 机群***的任务规划方法、任务规划装置及其电子设备 |
CN116596287A (zh) * | 2023-07-18 | 2023-08-15 | 中国电子科技集团公司第二十九研究所 | 一种任务驱动决策方法及*** |
CN116596287B (zh) * | 2023-07-18 | 2023-10-03 | 中国电子科技集团公司第二十九研究所 | 一种任务驱动决策方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115310792A (zh) | 多目标无人蜂群的任务协同方法、装置及设备 | |
CN111582697B (zh) | 一种配电网故障的评估与调度方法及*** | |
Hussein et al. | Crane operations and planning in modular integrated construction: Mixed review of literature | |
Khaleghi et al. | A DDDAMS-based planning and control framework for surveillance and crowd control via UAVs and UGVs | |
CN110703802A (zh) | 基于多无人机协同作业的桥梁自动检测方法及*** | |
US20190235488A1 (en) | Autonomous long range aerial vehicles and fleet management system | |
CN110222406B (zh) | 一种基于任务阶段复杂性的无人机自主能力评估方法 | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN111158401A (zh) | 一种分布式鼓励时空数据探索的无人机路径规划***及方法 | |
CN115187005B (zh) | 调度方法、装置、设备及存储介质 | |
CN114840022A (zh) | 一种基于mas的多无人***监督控制方法 | |
Li et al. | An UAV scheduling and planning method for post-disaster survey | |
CN116301055A (zh) | 一种基于建筑施工的无人机巡检方法及*** | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN117521932A (zh) | 一种基于网格化划分的无人机巡检管理*** | |
CN116578120A (zh) | 无人机调度方法、装置、无人机***和算机设备 | |
CN117150757A (zh) | 一种基于数字孪生的仿真推演*** | |
Vongsantivanich et al. | Mission planning for non-homogeneous Earth observation satellites constellation for disaster response | |
CN116625376A (zh) | 基于禁忌蜂群算法的无人机海上搜救路径规划方法 | |
CN115629600B (zh) | 一种基于缓冲维诺图的复杂动态安保环境下多机协同围捕方法 | |
Khaleghi et al. | Analysis of uav/ugv control strategies in a dddams-based surveillance system | |
Duan et al. | Multi-robot online complete coverage based on collaboration | |
Caballero et al. | Multi‐UAV Systems for Inspection of Industrial and Public Infrastructures | |
Aydin et al. | Heuristics based optimization for multidepot drone location and routing problem to detect post-earthquake damages | |
Huang et al. | A UAV aided lightweight target information collection and detection approach |
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 |