CN107807665A - 无人机编队探测任务协同分配方法及装置 - Google Patents
无人机编队探测任务协同分配方法及装置 Download PDFInfo
- Publication number
- CN107807665A CN107807665A CN201711229686.1A CN201711229686A CN107807665A CN 107807665 A CN107807665 A CN 107807665A CN 201711229686 A CN201711229686 A CN 201711229686A CN 107807665 A CN107807665 A CN 107807665A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- unmanned plane
- munderover
- target area
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 84
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005094 computer simulation Methods 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 73
- 108090000623 proteins and genes Proteins 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 101150103518 bar gene Proteins 0.000 claims description 6
- 238000010186 staining Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 239000000523 sample Substances 0.000 claims description 5
- 238000013481 data capture Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004043 dyeing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无人机编队探测任务协同分配方法及装置,用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务,其中方法包括:获取目标区域数据,无人机数据和无人机所搭载传感器数据;根据所述目标区域数据,无人机数据和传感器数据,构建MO‑ADTA‑MUAV模型;获取满足所述MO‑ADTA‑MUAV模型约束条件的初始解集;基于预设的NSGA‑Ⅱ算法进行计算,得到所述MO‑ADTA‑MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果。本发明中通过建模并优化得到优化的无人机分配方案。
Description
技术领域
本发明涉及无人机探测技术领域,尤其涉及一种无人机编队探测任务协同分配方法及装置。
背景技术
随着航空技术的不断发展,越来越多的高科技设备已经应用到航空领域中。而在众多高科技设备当中,无人机以其作业效率高、劳动强度小、综合成本低等方面的优势,迅速成为航空作业过程中一种较为重要的高科技设备。例如,可以执行航拍或扫描成像等作业任务。目前的无人机大致可以大致分为自旋翼以及固定翼两大类。其中固定翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被较为广泛应用于航空作业中。
然而,在实施本发明的过程中发明人发现,由于当前无人机作业主要是人为遥控为主,实际作业的效果受到操作员的操作水平的影响较大,且通过人为即视的方式规划的航线与理论航线偏离严重,导致无人机的作业遗漏率和重复率往往偏高。
此外,当多架无人机对多个点目标完成一种任务时,利用多架搭载不同传感器的无人机组成多无人机编队执行任务不但能够改善传统单无人机所携载荷带来的限制,而且能够利用多无人机间的传感器特点实现性能方面的互补,在面对不同类型任务目标时具备较强优势。在此过程中如何为每一架无人机分配任务执行的序列并规划执行每一个探测任务时的飞行轨迹,以对总飞行路径和总任务收益这两个目标进行多目标优化,成为了一个亟待解决的问题。
发明内容
基于上述问题,本发明提供一种无人机编队探测任务协同分配方法及装置,通过建模并优化进而得到无人机编队探测任务协同分配的分配方案。
为解决上述问题,本发明提供了一种无人机编队探测任务协同分配方法,用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务,所述方法包括:
获取目标区域数据,无人机数据和无人机所搭载传感器数据;
根据所述目标区域数据,无人机数据和传感器数据,构建MO-ADTA-MUAV模型(Multi-Objective—Area Detection Task Assignment—Multi-UAV);所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径,所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束;
获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;
基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果。
其中,所述MO-ADTA-MUAV模型的目标函数分别为:
所述MO-ADTA-MUAV模型的约束条件分别为:
其中,所述Profit为所有架无人机的总探测收益,Length为多架无人机的总飞行路径;Ai为编号为i的目标区域,其中A0表示无人机出发点位置,Ui表示编号为i的无人机,NA为目标区域个数,NU为无人机个数,Si为目标区域Ai的面积;t∈{T1,T2,T3}为某一无人机所搭载的传感器类型,g∈{G1,G2,G3}为某一种目标区域的类型,Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数;X(k,i)为决策变量,X(k,i)=1表示无人机Uk对目标区域Ai进行了覆盖探测,否则X(k,i)=0,Yk (i,j)为决策变量,Yk (i,j)=1表示无人机Uk访问完Ai后前往的是Aj,否则Yk (i,j)=0;Lini为无人机在目标区域Ai内部的探测路径长度,LOutij为无人机从Ai到Aj的飞行路径长度;Cmax为传感器的最大探测能力。
其中,所述无人机的总飞行路径为每架无人机的探测路径总和,其中,各架无人机的探测路径具体包括:各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径;
其中,所述区域内探测路径使用光栅式探测路径规则生成:无人机从区域边界上的进入位置进入区域,进入位置预设为与目标区域4个顶点距离为Rs的8个点,其中Rs为传感器探测半径。随后,无人机沿垂直于进入点所在边界的方向飞行,当飞行至区域的边界后,无人机以预设的探测半径进行U型180°转弯,然后平行于原路径方向继续飞行,如此往返,直至完成对该区域的全覆盖探测,并离开目标区域;
其中,所述区域间飞行路径使用杜宾路径Dubins path规则生成。
其中,获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;具体包括:
基于所述目标区域信息、无人机信息进行编码,随机生成多条染色体;
其中,一条所述染色体就表示一个在所述初始解集中的初始解,即一个可行的无人机编队探测任务协同分配方案;所述染色体的第一行为所述目标区域的标识信息的随机全排列,其中排列顺序表示了任务的执行顺序;所述染色体的第二行表示执行该目标区域任务的无人机的标示信息;所述染色体的第三行为无人机进入该目标区域的进入点序号;一个对应位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的进入位置序号这三个要素组成了所述染色体的一个基因。
其中,基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,具体包括:
S51、根据所述初始解生成初始化父代种群,父代种群的预设规模为P;
S52、通过对应信息交叉所述父代种群,产生交叉后种群。并通过三重随机变异所述交叉后种群,产生子代种群;
S53、将所述子代种群与所述父代种群合并,生成合并后种群,并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和探测收益;
S54、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和探测收益进行非支配顺序数和拥挤度计算,生成虚拟适应值;
S55、取所述合并后种群中虚拟适应值排名前P的染色体,组成新的父代种群;
S56、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数,如是则跳转步骤S57,如否则跳转步骤S52;
S57、依据父代种群中各条染色体的非支配顺序数,输出非支配顺序数为1的染色体作为本次任务分配的结果。
其中,所述步骤S54中对应信息交叉所述父代种群,具体包括:
S61、随机抽选父代种群中任意两条染色体;
S62、从所选择的第一条染色体中随机选择一段连续的基因,并在所选择的第二条代染色体中选择具有与第一条中被选中的一段基因有相同目标标识信息的基因;
S63、将第一条染色体中选择的基因与第二条染色体中选择的基因,基于目标标识信息进行互换。产生两条新的染色体;
S64、判断新生成的染色体是否满足约束条件,不满足则跳转步骤S62,满足则跳转步骤S65;
S65、判断生成新染色体的个数是否达到P个,若是则跳转步骤S66,若否则跳转步骤S61;
S66、将最终产生的P个新染色体组成所述交叉后种群。
其中,所述步骤S54中,三重随机变异所述交叉后种群,具体有:无人机标识信息变异、无人机进入目标区域的进入位置变异和探测顺序变异;
其中,无人机标识信息变异:选择染色体中任一条基因,将该条基因中的无人机标识信息变换为其他无人机的标识信息;
无人机进入目标区域的进入位置变异:选择染色体中任一条基因,将该条基因中的无人机进入目标的进入位置序号变换为其他的进入位置序号;
探测顺序变异:选择染色体中任一条基因,并在该染色体中搜索与选中的基因无人机标识信息相同的基因,将选择的基因与搜索的基因进行调换;
各条染色体依一定概率随机选择其中的0至3种变异进行操作,若变异后染色体不符合约束条件,则对该染色体重新进行变异操作。所述交叉后种群中所有染色体均进行变异操作后,变异产生的P条新染色体组成子代种群。
本发明的另一个方面,提供一种无人机编队探测任务协同分配装置,包括:
数据获取单元,用于获取目标区域数据,无人机数据和无人机所搭载传感器数据;
建模单元,用于基于所述目标区域数据,无人机数据和传感器数据,构建MO-ADTA-MUAV模型(Multi-Objective—Area Detection TaskAssignment—Multi-UAV);所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径,所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束;
初始解集获取单元,用于获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;
最优解计算单元,用于基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果。
其中,所述MO-ADTA-MUAV模型的目标函数为:
所述MO-ADTA-MUAV模型的约束条件为:
其中,所述Profit为所有架无人机的总探测收益,Length为多架无人机的总飞行路径;Ai为编号为i的目标区域,其中A0表示无人机出发点位置,Ui表示编号为i的无人机,NA为目标区域个数,NU为无人机个数,Si为目标区域Ai的面积;t∈{T1,T2,T3}为某一无人机所搭载的传感器类型,g∈{G1,G2,G3}为某一种目标区域的类型,Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数;X(k,i)为决策变量,X(k,i)=1表示无人机Uk对目标区域Ai进行了覆盖探测,否则X(k,i)=0,Yk (i,j)为决策变量,Yk (i,j)=1表示无人机Uk访问完Ai后前往的是Aj,否则Yk (i,j)=0;Lini为无人机在目标区域Ai内部的探测路径长度,LOutij为无人机从Ai到Aj的飞行路径长度;Cmax为传感器的最大探测能力。
其中,所述无人机的总飞行路径为每架无人机的探测路径总和,其中,各架无人机的探测路径具体包括:各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径;
其中,所述区域内探测路径使用光栅式探测路径规则生成:无人机从区域边界上的进入位置进入区域,进入位置预设为与目标区域4个顶点距离为Rs的8个点,其中Rs为传感器探测半径。随后,无人机沿垂直于进入点所在边界的方向飞行,当飞行至区域的边界后,无人机以预设的探测半径进行U型180°转弯,然后平行于原路径方向继续飞行,如此往返,直至完成对该区域的全覆盖探测,并离开目标区域;
其中,所述区域间飞行路径使用杜宾路径Dubins path规则生成。
本发明的一种无人机编队探测任务协同分配方法及装置,在考虑传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束和无人机所搭载传感器的探测半径、无人机转弯半径以及目标区域的类型等多种现实因素的约束下,同时对多架无人机的总探测收益以及多架无人机的总飞行路径这两个目标进行多目标优化。并通过构建MO-ADTA-MUAV模型和优化求解进而为每一架无人机分配探测目标区域的序列,并规划执行每一个探测任务时的飞行轨迹。
附图说明
图1示出了一种无人机编队探测任务协同分配方法的流程图。
图2示出了本发明一个实施例的目标区域示意图。
图3a示出了本发明一个实施例的某架无人机进入目标区域的进入点示意图。
图3b示出了本发明一个实施例的某架无人机在目标区域内探测路径示意图。
图4a和4b示出了本发明的一个实施例的无人机在目标区域间的飞行路径示意图;
图5示出了本发明实施例的使用NSGA-Ⅱ算法对MO-ADTA-MUAV模型进行优化的流程图;
图6示出了本发明实施例的一条染色体的结构示意图;
图7示出了本发明实施例的一个染色体对应信息交叉方式示意图;
图8示出了本发明的实施例的染色体三重随机变异方法示意图;
图9示出了本发明的实施例的新父代种群生成示意图;
图10示出了本发明的无人机编队探测任务协同分配装置的结构框图;
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
无人机区域探测任务是指利用无人机平台及其所搭载的传感器对指定地表区域内的信息进行采集的一类任务,在地形勘测、资源勘察、城市规划、气象观测、应急搜索等不同领域中发挥着重要的作用。
在实际应用过程中,往往使用异构多无人机执行区域探测任务。这是因为:首先,单一无人机难以满足复杂任务的需要。随着目标区域数量的增长,单一无人机执行任务的总时间被延长,难以高质量的完成对所有区域的探测任务;其次,同构多无人机难以适应不同类型的区域探测任务。其对区域探测效果的优劣将随着地形、地貌等因素的变化而产生较大波动,匹配相应目标类型的传感器探测效果更佳。利用多架搭载不同传感器的无人机组成异构多无人机编队执行区域探测任务不但能够改善传统单无人机航程及所携载荷带来的限制,而且能够利用异构无人机间的传感器特点实现性能方面的互补,在面对目标地形多样性需求的区域探测问题时具备较强优势。
该多无人机协同探测任务是指由搭载不同传感器的多架无人机组成编队从同一机场起飞,对多个不同类型的目标区域进行探测,且需要确保每个区域都能被完整的探测且仅被一架无人机探测。
在该问题中,不仅需要考虑传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束等限制条件,而且还必须考虑无人机所搭载传感器的探测半径、无人机转弯半径以及目标区域的类型等多种现实因素的约束。并且在该问题中,最大化探测任务中多架无人机的总探测收益以及最小化多架无人机的总飞行路径是两个必须同时面对的优化目标。在多架无人机的总飞行路径最短的规划下,多架无人机的总探测收益可能不尽如人意;而在多架无人机的总探测收益最优的规划下,多架无人机的总飞行路径也可能较长。
因此,该问题就转化为每一架无人机分配探测目标区域的序列,并规划执行每一个探测任务时的飞行轨迹,以对多架无人机的总探测收益以及多架无人机的总飞行路径这两个目标进行多目标优化。进而构建MO-ADTA-MUAV模型(Multi-Objective—AreaDetection Task Assignment—Multi-UAV)进行优化求解。
图1示出了一种无人机编队探测任务协同分配方法的流程图。
参照图1,本发明的分配方法,具体包括以下步骤:
S1、获取目标区域数据,无人机数据和无人机所搭载传感器数据;
S2、在所述目标区域数据,无人机数据和传感器数据的基础上,构建了MO-ADTA-MUAV模型;所述MO-ADTA-MUAV模型包含最大化探测任务中多架无人机的总探测收益以及最小化多架无人机的总飞行路径这两个目标函数和传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束;
S3、生成满足所述MO-ADTA-MUAV模型约束条件的初始解集;
S4、采取预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型的Pareto最优解,并将所述Pareto最优解作为无人机编队探测任务协同分配的分配结果。
以下通过具体实施例详细描述上述方法。
在本实施例中,设定所有无人机均具有相同的最小转弯半径Rmin其所携带的传感器也具有相同的探测半径RS和最大存储能力Cmax。同时,对无人机做如下假设:
(1)无人机均具有自动避障功能,当多架无人机在可能发生相互碰撞的情况下可采取自主规避,且自主规避产生的路径长度相对于飞行路径的总长度可忽略不计。
(2)无人机均以相同的给定速度和高度进行飞行,这样可使得机载传感器的探测能力在该飞行速度和高度下达到最佳。
(3)无人机自身的抗风能力强于当前环境下的风力,即不考虑场景中风力对无人机飞行路径的影响。
(4)该场景下,虽然中小型固定翼无人机所携带的燃料有限,但是假设其仍能够满足执行该任务的需要,即不考虑燃料的问题。
在本实施例中,首先获取目标区域的位置、大小和类型数据;传感器探测半径、收益系数数据;固定翼无人机转弯半径、携带传感器类型数据。并设Profit为所有架无人机的总探测收益,Length为多架无人机的总飞行路径;Ai为编号为i的目标区域,其中A0表示无人机出发点位置,Ui表示编号为i的无人机,NA为目标区域个数,NU为无人机个数,Si为目标区域Ai的面积;t∈{T1,T2,T3}为某一无人机所搭载的传感器类型,g∈{G1,G2,G3}为某一种目标区域的类型,Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数;X(k,i)为决策变量,X(k,i)=1表示无人机Uk对目标区域Ai进行了覆盖探测,否则X(k,i)=0,Yk (i,j)为决策变量,Yk (i,j)=1表示无人机Uk访问完Ai后前往的是Aj,否则Yk (i,j)=0;Lini为无人机在目标区域Ai内部的探测路径长度,LOutij为无人机从Ai到Aj的飞行路径长度;Cmax为传感器的最大探测能力。
一队无人机U={U1,U2,U3}分别携带传感器T1,T2,T3,从A0出发对目标区域A={A1,A2,…,A6}执行探测任务,目标区域A={A1,A2,…,A6}的类型分别为G1,G2,G1,G2,G3,G3。如图2所示。在探测过程中,每一个目标区域都要被完整的进行覆盖探测且每一个目标区域仅能由一架无人机对其进行探测。
区域内探测路径使用光栅式探测路径规则生成:无人机从区域边界上的进入位置进入区域,进入位置预设为与目标区域4个顶点距离为Rs的8个点,其中Rs为传感器探测半径。随后,无人机沿垂直于进入点所在边界的方向飞行,当飞行至区域的边界后,无人机以预设的探测半径进行U型180°转弯,然后平行于原路径方向继续飞行,如此往返,直至完成对该区域的全覆盖探测,并离开目标区域。如图3a和3b所示。无人机在两目标区域间的飞行路径使用杜宾路径(Dubins path)规则生成,杜宾路径是一种无人机在固定转弯半径约束下在两点间飞行的最短路径,并且随着无人机飞入和飞出目标区域时的位置不同,两个目标区域间将存在多条可行杜宾路径。如图4a和4b所示。各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径,组成各架无人机的探测路径总和。
基于上述设置,本发明的实施例的MO-ADTA-MUAV模型建立如下所述。
设布尔变量X(k,i),X(k,i)=1表示无人机对探测区域Ai进行了覆盖探测,否则,X(k,i)=0。
则MO-ADTA-MUAV模型的目标函数为:
上述MO-ADTA-MUAV模型的约束条件分别为:
上述模型中,目标函数中,公式(1)用来计算无人机对所有探测目标的总探测收益值,本实施例中要最大化总探测收益值。
公式(2)用来计算计算无人机执行遥感探测任务的总飞行距离,本实施例中要同时最小化无人机的飞行距离。
上述实施例的约束条件中,公式(3)表示限定所有无人机的出发点均为A0。
公式(4)表示限定所有目标区域均有无人机对其进行探测。
公式(5)表示限定任一目标区域仅由一架无人机对其进行探测。
公式(6)表示限定所有无人机在完成探测任务后必须返回A0。
公式(7)表示限定无人机所分配的探测任务不能超过所携带传感器的最大探测能力Cmax。
进一步的实施例中,对上述模型的优化,是一个多目标优化问题,包含了最大化探测收益与最小化无人机飞行路径长度这两个优化目标。本发明的实施例采用了NSGA-Ⅱ算法对模型进行优化,并设计了针对该模型的编码方法、对应信息交叉和三重随机变异。NSGA-Ⅱ算法是处理多目标优化问题的有效算法,该算法首先随机生成大量的可行解,并通过快速非支配排序、拥挤度计算、选择、交叉、变异等方法产生逼近Pareto前沿的解。
图5示出了本发明实施例的使用NSGA-Ⅱ算法对MO-ADTA-MUAV模型进行优化的流程图。
参照图5,本发明使用NSGA-Ⅱ算法对MO-ADTA-MUAV模型进行优化的过程如下:
S51、根据所述初始解生成初始化父代种群,父代种群的预设规模为P;
S52、通过对应信息交叉所述父代种群,产生交叉后种群。并通过三重随机变异所述交叉后种群,产生子代种群;
S53、将所述子代种群与所述父代种群合并,生成合并后种群,并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和探测收益;
S54、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和探测收益进行非支配顺序数和拥挤度计算,生成虚拟适应值;
S55、取所述合并后种群中虚拟适应值排名前P的染色体,组成新的父代种群;
S56、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数,如是则跳转步骤S57,如否则跳转步骤S52;
S57、依据父代种群中各条染色体的非支配顺序数,输出非支配顺序数为1的染色体作为本次任务分配的结果。
上述步骤S51中,将可行的任务分配方案编译成一条染色体编码,一个对应位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的进入位置序号这三个要素组成了所述染色体的一个基因。因此,在本实施例中的染色体编码是一个3*NA,即3*6的矩阵。染色体矩阵的三行分别编译了目标区域编号{A1,A2,...,A6}、无人机编号{U1,U2,U3}和进入点位置编号{1,2,...,8}。如图6所示,是本实施例中的一个染色体示例,表示了无人机U1离开出发点后从进入点3对目标区域A3进行探测,随后从进入点1对目标区域A5进行探测,随后从进入点5对目标区域A1进行探测,最后返回机场;无人机U2离开出发点后从进入点2对目标区域A6进行探测,随后从进入点7对目标区域A4进行探测,最后返回机场;无人机U3离开出发点后从进入点8对目标区域A2进行探测,最后返回机场。
在进一步的实施例中,设计了一种对应信息交叉,对父代种群进行交叉操作,以产生继承父代优良基因的子代染色体。具体包括:
S61、随机抽选父代种群中任意两条染色体;
S62、从所选择的第一条染色体中随机选择一段连续的基因,并在所选择的第二条代染色体中选择具有与第一条中被选中的一段基因有相同目标标识信息的基因;
S63、将第一条染色体中选择的基因与第二条染色体中选择的基因,基于目标标识信息进行互换。产生两条新的染色体。若新生成的染色体不满足约束条件,则重复进行步骤S62,直到新生成染色体均满足约束条件。
S64、判断新生成的染色体是否满足约束条件,不满足则跳转步骤S62,满足则跳转步骤S65;
S65、判断生成新染色体的个数是否达到P个,若是则跳转步骤S66,若否则跳转步骤S61;
S66、将最终产生的P个新染色体组成所述交叉后种群。
如图7所示,是本实施例中的一个对应信息交叉示例,该示例中,首先选中了染色体1上的连续基因2,3;随后在染色体2中寻找对应信息基因1,4;最后对应信息基因进行交叉互换,生成交叉后的两条新染色体。
更进一步的实施例中,为了防止种群陷入局部最优,设计了一种三重随机变异,对所述交叉后种群,具体有:无人机标识信息变异、无人机进入目标区域的进入位置变异和探测顺序变异。各条染色体依一定概率随机选择其中的0至3种变异进行操作,若变异后染色体不符合约束条件,则对该染色体重新进行变异操作。所述交叉后种群中所有染色体均进行变异操作后,变异产生的P条新染色体组成子代种群。如图8所示,是本实施例中的一个三重随机变异示例,该示例中分别示出了可能的无人机标识信息变异、无人机进入目标区域的进入位置变异和探测顺序变异。在无人机标识信息变异中,染色体随机选中基因5,并将对应位置无人机标示信息1变异为3;在无人机进入目标区域的进入位置变异中,染色体随机选中基因3,并将对应位置无人机进入目标区域的进入位置5变异为1;在探测顺序变异中,随机选中了具有相同无人机标示信息的基因4,6,随后对着两个基因进行顺序对调,如此就可以产生无人机对目标区域探测顺序的变异。
进一步地,为了将优良个体保留到下一代,规模为P的父代种群与生成的规模为P的子代种群,合并成一个规模为2P的新种群。然后对该种群进行快速非支配排序和拥挤度计算,然后选择前P个染色体组成新的种群作为新父代种群。如图9所示。
通过上述的优化计算后,能够得到无人机编队探测任务协同分配方案,该分配方案包括为每个无人机分配其所负责的探测区域和对各自所负责探测区域的探测顺序与进入每个探测区域的进入位置。如下表1所示。
表1为一个实施例的分配结果
在本发明的另一个实施例中,提供了一种无人机编队探测任务协同分配装置,如图10所示,其具体包括:
数据获取单元10,用于获取目标区域数据,无人机数据和无人机所搭载传感器数据;
建模单元20,用于根据所述探测区域数据和无人机数据,建立探测区域与无人机之间的优化模型,所述优化模型的目标函数包括无人机的探测收益以及无人机的探测路径;
初始解集获取单元30,用于获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;
最优解计算单元40,用于基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果。
本发明的一种无人机编队探测任务协同分配方法及装置,在考虑传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束和无人机所搭载传感器的探测半径、无人机转弯半径以及目标区域的类型等多种现实因素的约束下,同时对多架无人机的总探测收益以及多架无人机的总飞行路径这两个目标进行多目标优化。并通过构建MO-ADTA-MUAV模型和优化求解进而为每一架无人机分配探测目标区域的序列,并规划执行每一个探测任务时的飞行轨迹。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (8)
1.一种无人机编队探测任务协同分配方法,用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务,其特征在于,所述方法包括:
获取目标区域数据,无人机数据和无人机所搭载传感器数据;
根据所述目标区域数据,无人机数据和传感器数据,构建MO-ADTA-MUAV模型;所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径,所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束;
获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;
基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果;
所述MO-ADTA-MUAV模型的目标函数分别为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<msub>
<mi>Pr</mi>
<mrow>
<mi>t</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>g</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>LIn</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>LOut</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
所述MO-ADTA-MUAV模型的约束条件分别为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
其中,所述Profit为所有架无人机的总探测收益,Length为多架无人机的总飞行路径;Ai为编号为i的目标区域,其中A0表示无人机出发点位置,Ui表示编号为i的无人机,NA为目标区域个数,NU为无人机个数,Si为目标区域Ai的面积;t∈{T1,T2,T3}为某一无人机所搭载的传感器类型,g∈{G1,G2,G3}为某一种目标区域的类型,Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数;X(k,i)为决策变量,X(k,i)=1表示无人机Uk对目标区域Ai进行了覆盖探测,否则X(k,i)=0,Yk (i,j)为决策变量,Yk (i,j)=1表示无人机Uk访问完Ai后前往的是Aj,否则Yk (i,j)=0;Lini为无人机在目标区域Ai内部的探测路径长度,LOutij为无人机从Ai到Aj的飞行路径长度;Cmax为传感器的最大探测能力。
2.如权利要求1所述的方法,其特征在于,所述无人机的总飞行路径为每架无人机的探测路径总和,其中,各架无人机的探测路径具体包括:各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径;
其中,所述区域内探测路径使用光栅式探测路径规则生成:无人机从区域边界上的进入位置进入区域,进入位置预设为与目标区域4个顶点距离为Rs的8个点,其中Rs为传感器探测半径;随后,无人机沿垂直于进入点所在边界的方向飞行,当飞行至区域的边界后,无人机以预设的探测半径进行U型180o转弯,然后平行于原路径方向继续飞行,如此往返,直至完成对该区域的全覆盖探测,并离开目标区域;
其中,所述区域间飞行路径使用杜宾路径Dubins path规则生成。
3.根据权利要求1所述的方法,其特征在于,获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;具体包括:
基于所述目标区域信息、无人机信息进行编码,随机生成多条染色体;
其中,一条所述染色体就表示一个在所述初始解集中的初始解,即一个可行的无人机编队探测任务协同分配方案;所述染色体的第一行为所述目标区域的标识信息的随机全排列,其中排列顺序表示了任务的执行顺序;所述染色体的第二行表示执行该目标区域任务的无人机的标示信息;所述染色体的第三行为无人机进入该目标区域的进入点序号;一个对应位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的进入位置序号这三个要素组成了所述染色体的一个基因。
4.如权利要求1所述的方法,其特征在于,基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,具体包括:
S51、根据所述初始解生成初始化父代种群,父代种群的预设规模为P;
S52、通过对应信息交叉所述父代种群,产生交叉后种群,并通过三重随机变异所述交叉后种群,产生子代种群;
S53、将所述子代种群与所述父代种群合并,生成合并后种群,并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和探测收益;
S54、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和探测收益进行非支配顺序数和拥挤度计算,生成虚拟适应值;
S55、取所述合并后种群中虚拟适应值排名前P的染色体,组成新的父代种群;
S56、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数,如是则跳转步骤S57,如否则跳转步骤S52;
S57、依据父代种群中各条染色体的非支配顺序数,输出非支配顺序数为1的染色体作为本次任务分配的结果。
5.如权利要求4所述的方法,其特征在于,所述步骤S54中对应信息交叉所述父代种群,具体包括:
S61、随机抽选父代种群中任意两条染色体;
S62、从所选择的第一条染色体中随机选择一段连续的基因,并在所选择的第二条代染色体中选择具有与第一条中被选中的一段基因有相同目标标识信息的基因;
S63、将第一条染色体中选择的基因与第二条染色体中选择的基因,基于目标标识信息进行互换,产生两条新的染色体;
S64、判断新生成的染色体是否满足约束条件,不满足则跳转步骤S62,满足则跳转步骤S65;
S65、判断生成新染色体的个数是否达到P个,若是则跳转步骤S66,若否则跳转步骤S61;
S66、将最终产生的P个新染色体组成所述交叉后种群。
6.如权利要求4所述的方法,其特征在于,所述步骤S54中,三重随机变异所述交叉后种群,具体有:无人机标识信息变异、无人机进入目标区域的进入位置变异和探测顺序变异;
其中,无人机标识信息变异:选择染色体中任一条基因,将该条基因中的无人机标识信息变换为其他无人机的标识信息;
无人机进入目标区域的进入位置变异:选择染色体中任一条基因,将该条基因中的无人机进入目标的进入位置序号变换为其他的进入位置序号;
探测顺序变异:选择染色体中任一条基因,并在该染色体中搜索与选中的基因无人机标识信息相同的基因,将选择的基因与搜索的基因进行调换;
各条染色体依一定概率随机选择其中的0至3种变异进行操作,若变异后染色体不符合约束条件,则对该染色体重新进行变异操作,所述交叉后种群中所有染色体均进行变异操作后,变异产生的P条新染色体组成子代种群。
7.一种无人机编队探测任务协同分配装置,其特征在于,包括:
数据获取单元,用于获取目标区域数据,无人机数据和无人机所搭载传感器数据;
建模单元,用于基于所述目标区域数据,无人机数据和传感器数据,构建MO-ADTA-MUAV模型;所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径,所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束;
初始解集获取单元,用于获取满足所述MO-ADTA-MUAV模型约束条件的初始解集;
最优解计算单元,用于基于预设的NSGA-Ⅱ算法进行计算,得到所述MO-ADTA-MUAV模型在所述目标区域数据,无人机数据和传感器数据下的Pareto最优解,并将所述最优解作为无人机编队探测任务协同分配的分配结果;
所述MO-ADTA-MUAV模型的目标函数为:
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>Pr</mi>
<mi>o</mi>
<mi>f</mi>
<mi>i</mi>
<mi>t</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<msub>
<mi>Pr</mi>
<mrow>
<mi>t</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>T</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>T</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
<mo>,</mo>
<mi>g</mi>
<mo>&Element;</mo>
<mo>{</mo>
<msub>
<mi>G</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>3</mn>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>L</mi>
<mi>e</mi>
<mi>n</mi>
<mi>g</mi>
<mi>t</mi>
<mi>h</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>LIn</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<msub>
<mi>LOut</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
所述MO-ADTA-MUAV模型的约束条件为:
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msubsup>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>A</mi>
</msub>
</munderover>
<msub>
<mi>X</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>,</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>S</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mo>{</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>U</mi>
</msub>
<mo>}</mo>
</mrow>
其中,所述Profit为所有架无人机的总探测收益,Length为多架无人机的总飞行路径;Ai为编号为i的目标区域,其中A0表示无人机出发点位置,Ui表示编号为i的无人机,NA为目标区域个数,NU为无人机个数,Si为目标区域Ai的面积;t∈{T1,T2,T3}为某一无人机所搭载的传感器类型,g∈{G1,G2,G3}为某一种目标区域的类型,Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数;X(k,i)为决策变量,X(k,i)=1表示无人机Uk对目标区域Ai进行了覆盖探测,否则X(k,i)=0,Yk (i,j)为决策变量,Yk (i,j)=1表示无人机Uk访问完Ai后前往的是Aj,否则Yk (i,j)=0;Lini为无人机在目标区域Ai内部的探测路径长度,LOutij为无人机从Ai到Aj的飞行路径长度;Cmax为传感器的最大探测能力。
8.如权利要求7所述的装置,其特征在于,所述无人机的总飞行路径为每架无人机的探测路径总和,其中,各架无人机的探测路径具体包括:各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径;
其中,所述区域内探测路径使用光栅式探测路径规则生成:无人机从区域边界上的进入位置进入区域,进入位置预设为与目标区域4个顶点距离为Rs的8个点,其中Rs为传感器探测半径;随后,无人机沿垂直于进入点所在边界的方向飞行,当飞行至区域的边界后,无人机以预设的探测半径进行U型180°转弯,然后平行于原路径方向继续飞行,如此往返,直至完成对该区域的全覆盖探测,并离开目标区域;
其中,所述区域间飞行路径使用杜宾路径Dubins path规则生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229686.1A CN107807665B (zh) | 2017-11-29 | 2017-11-29 | 无人机编队探测任务协同分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711229686.1A CN107807665B (zh) | 2017-11-29 | 2017-11-29 | 无人机编队探测任务协同分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107807665A true CN107807665A (zh) | 2018-03-16 |
CN107807665B CN107807665B (zh) | 2020-11-17 |
Family
ID=61590164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711229686.1A Active CN107807665B (zh) | 2017-11-29 | 2017-11-29 | 无人机编队探测任务协同分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107807665B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110658847A (zh) * | 2019-09-30 | 2020-01-07 | 北京航空航天大学 | 一种利用遗传算法和Dubins算法实现无人机群队形重构的方法 |
CN111310992A (zh) * | 2020-02-10 | 2020-06-19 | 合肥工业大学 | 面向地震灾后快速评估的多无人机路径优化方法 |
CN111506115A (zh) * | 2020-05-27 | 2020-08-07 | 广州机械科学研究院有限公司 | 一种无人机集群调控方法及装置 |
CN112163278A (zh) * | 2020-09-30 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种多约束条件下的异构多飞机协同任务自动分解方法 |
CN112700025A (zh) * | 2019-10-22 | 2021-04-23 | 北京京东振世信息技术有限公司 | 覆盖区域的分配方法及装置、存储介质、电子设备 |
CN113138606A (zh) * | 2021-03-31 | 2021-07-20 | 江南大学 | 一种无人机湖泊测绘任务航迹规划方法 |
CN113703472A (zh) * | 2021-07-23 | 2021-11-26 | 安徽有云智能科技有限公司 | 多无人机与车辆协同巡检的路径优化方法和装置 |
CN113741418A (zh) * | 2021-07-23 | 2021-12-03 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN113741513A (zh) * | 2021-08-24 | 2021-12-03 | 北京理工大学 | 隐式通信条件下多无人机对地搜索任务编队队形优化方法 |
CN113946159A (zh) * | 2021-09-02 | 2022-01-18 | 安徽有云智能科技有限公司 | 无人机高速公路巡逻的路径优化方法和系统 |
CN114020005A (zh) * | 2021-09-02 | 2022-02-08 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN115856985A (zh) * | 2023-02-27 | 2023-03-28 | 西南科技大学 | 一种大气放射性污染的无人机协同监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842963A (zh) * | 2017-04-14 | 2017-06-13 | 合肥工业大学 | 多无人机探测任务分配与航迹规划联合优化方法及装置 |
CN106873629A (zh) * | 2017-04-14 | 2017-06-20 | 合肥工业大学 | 无人机航空作业任务分配方法及装置 |
CN107037826A (zh) * | 2017-04-14 | 2017-08-11 | 合肥工业大学 | 无人机探测任务分配方法及装置 |
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 |
-
2017
- 2017-11-29 CN CN201711229686.1A patent/CN107807665B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842963A (zh) * | 2017-04-14 | 2017-06-13 | 合肥工业大学 | 多无人机探测任务分配与航迹规划联合优化方法及装置 |
CN106873629A (zh) * | 2017-04-14 | 2017-06-20 | 合肥工业大学 | 无人机航空作业任务分配方法及装置 |
CN107037826A (zh) * | 2017-04-14 | 2017-08-11 | 合肥工业大学 | 无人机探测任务分配方法及装置 |
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 |
Non-Patent Citations (2)
Title |
---|
方向等: "基于 NSGA-Ⅱ的多UAV区域探测任务分配方法", 《第十九届中国管理科学学术年会》 * |
程聪等: "UCAV协同攻击多目标的任务分配技术研究", 《吉林大学学报(信息科学版)》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110083173B (zh) * | 2019-04-08 | 2022-01-11 | 合肥工业大学 | 无人机编队巡检任务分配的优化方法 |
CN110658847A (zh) * | 2019-09-30 | 2020-01-07 | 北京航空航天大学 | 一种利用遗传算法和Dubins算法实现无人机群队形重构的方法 |
CN112700025A (zh) * | 2019-10-22 | 2021-04-23 | 北京京东振世信息技术有限公司 | 覆盖区域的分配方法及装置、存储介质、电子设备 |
CN111310992A (zh) * | 2020-02-10 | 2020-06-19 | 合肥工业大学 | 面向地震灾后快速评估的多无人机路径优化方法 |
CN111310992B (zh) * | 2020-02-10 | 2022-03-22 | 合肥工业大学 | 面向地震灾后快速评估的多无人机路径优化方法 |
CN111506115A (zh) * | 2020-05-27 | 2020-08-07 | 广州机械科学研究院有限公司 | 一种无人机集群调控方法及装置 |
CN112163278A (zh) * | 2020-09-30 | 2021-01-01 | 中国人民解放军国防科技大学 | 一种多约束条件下的异构多飞机协同任务自动分解方法 |
CN113138606A (zh) * | 2021-03-31 | 2021-07-20 | 江南大学 | 一种无人机湖泊测绘任务航迹规划方法 |
CN113138606B (zh) * | 2021-03-31 | 2022-07-29 | 江南大学 | 一种无人机湖泊测绘任务航迹规划方法 |
CN113741418B (zh) * | 2021-07-23 | 2023-07-25 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN113741418A (zh) * | 2021-07-23 | 2021-12-03 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN113703472A (zh) * | 2021-07-23 | 2021-11-26 | 安徽有云智能科技有限公司 | 多无人机与车辆协同巡检的路径优化方法和装置 |
CN113703472B (zh) * | 2021-07-23 | 2023-08-01 | 安徽有云智能科技有限公司 | 多无人机与车辆协同巡检的路径优化方法和装置 |
CN113741513A (zh) * | 2021-08-24 | 2021-12-03 | 北京理工大学 | 隐式通信条件下多无人机对地搜索任务编队队形优化方法 |
CN113946159A (zh) * | 2021-09-02 | 2022-01-18 | 安徽有云智能科技有限公司 | 无人机高速公路巡逻的路径优化方法和系统 |
CN114020005A (zh) * | 2021-09-02 | 2022-02-08 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN113946159B (zh) * | 2021-09-02 | 2023-08-04 | 安徽有云智能科技有限公司 | 无人机高速公路巡逻的路径优化方法和系统 |
CN114020005B (zh) * | 2021-09-02 | 2023-09-15 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN115856985A (zh) * | 2023-02-27 | 2023-03-28 | 西南科技大学 | 一种大气放射性污染的无人机协同监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107807665B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807665A (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN108229719A (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN107977743A (zh) | 多无人机协同任务分配方法及装置 | |
CN107886201A (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
CN110389595A (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN103913172B (zh) | 一种适用于复杂低空下飞行器的路径规划方法 | |
CN107037827B (zh) | 无人机航空作业任务分配与航迹规划联合优化方法及装置 | |
CN107169608A (zh) | 多无人机执行多任务的分配方法及装置 | |
CN106406346A (zh) | 一种多无人机协同快速覆盖搜索航迹规划方法 | |
CN106197426A (zh) | 一种无人机应急通信路径规划方法及系统 | |
CN111401681B (zh) | 多无人机协同巡逻任务分配优化方法 | |
CN108983823A (zh) | 一种植保无人机集群协同控制方法 | |
CN109357685A (zh) | 航路网生成方法、装置及存储介质 | |
CN106682769A (zh) | 一种产品车辆路径实现方法和装置 | |
CN110233657A (zh) | 一种基于粒子群遗传算法的多无人机区域覆盖部署方法 | |
Wang et al. | Multiperiod coverage path planning and scheduling for airborne surveillance | |
CN110426043A (zh) | 面向线目标的无人机侦察航迹规划方法 | |
Deng et al. | Constrained heterogeneous vehicle path planning for large-area coverage | |
CN104504198A (zh) | 一种基于双层协同进化的航路网络拓扑设计方法 | |
Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
Yu et al. | Balanced multi-region coverage path planning for unmanned aerial vehicles | |
CN107037826B (zh) | 无人机探测任务分配方法及装置 |
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 |