CN110155328B - 无人机针对地震灾区移动诊所进行医疗物资配送的方法 - Google Patents
无人机针对地震灾区移动诊所进行医疗物资配送的方法 Download PDFInfo
- Publication number
- CN110155328B CN110155328B CN201910426107.5A CN201910426107A CN110155328B CN 110155328 B CN110155328 B CN 110155328B CN 201910426107 A CN201910426107 A CN 201910426107A CN 110155328 B CN110155328 B CN 110155328B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- area
- mobile
- earthquake
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/60—UAVs specially adapted for particular uses or applications for transporting passengers; for transporting goods other than weapons
Abstract
本发明提出了一种无人机针对地震灾区移动诊所进行医疗物资配送的方法,包括以下步骤:步骤1:生成目标区;步骤2:物资调配中心接收来自多个移动诊所的位置信息并为每架无人机随机分配各个移动诊所的位置信息;步骤3:通过Snake分析法,无人机与物资调配中心相互配合动态规划最优的交通方案,以到达指定的移动诊所;步骤4:无人机与物资调配中心相互通信以生成最优的目的地分配方案;之后执行步骤3,直至无人机携带的其中一种医疗物资耗尽;步骤5:无人机返回物资调配中心进行物资补充。本发明无需对无人机进行监控;同时,可动态自主规划飞行路径;此外,无人机之间协作,自主完成对多个移动诊所进行物资的调配。
Description
技术领域
本发明属于航空应急救援技术领域,尤其涉及一种无人机针对地震灾区移动诊所进行医疗物资配送的方法。
背景技术
我国是世界上地质灾害最严重的国家之一,灾害种类多,发生频率高,分布地域广,造成的损失大,特别是近年来特大地质灾害发生的频率以及造成的损失明显呈上升趋势。例如2008年的汶川地震、四川攀枝花-会理地震,2010年的玉树地震和舟曲泥石流,以及2013年发生的雅安地震等。地质灾害的发生具有不可预料性,不仅破坏力大,而且造成了重大的经济损失和人员伤亡,已经成为影响我国经济发展和社会安定的重要因素之一。地震灾害发生后,积极做好灾害应急响应与救援工作是减少地震灾害破坏程度的有效方法。其中救援物资的分配非常关键。
目前,救援工作大多趋向于采用无人机进行辅助救援。然而,该类无人机的救援控制行为均是预先编程或由拥有专业飞行执照的人员手动控制,无人机还不具备自主完成路线规划、决策、协调和相互间合作的能力。因此,在未来面向复杂灾害医疗物资调配时,无人机智能化显得尤为重要。
发明内容
本发明的目的在于提供一种无人机针对地震灾区移动诊所进行医疗物资配送的方法,无人机之间相互协作,无需人为控制,即可完成自主规划路径和物资分配,有效的完成复杂的配送任务。为实现上述目的,本发明采用以下技术方案:
一种无人机针对地震灾区移动诊所进行医疗物资配送的方法,包括以下步骤:
步骤1:根据震源坐标、深度、震级、烈度参数,生成地震灾区范围,并结合居民地、道路、水系和数字高程模型数据,生成目标区;
步骤2:物资调配中心接收来自多个移动诊所的位置信息并为每架无人机随机输入所述位置信息;
步骤3:通过Snake分析法,无人机与物资调配中心相互配合动态规划最优的交通方案,以到达指定的移动诊所;
步骤4:无人机与物资调配中心之间相互通信以生成最优的目的地分配方案;之后执行步骤3,直至无人机携带的其中一种医疗物资耗尽;
步骤5:无人机返回物资调配中心进行物资补充。
优选地,所述Snake分析法基于深度强化网络模型;所述Snake分析法的策略网络架构包括输入层、卷积层、池化层、全连接层和策略输出层。
优选地,在步骤1中,所述目标区划分为多个级联的子区域。
优选地,在步骤1之前,进一步包括对Snake分析法进行深度强化网络迭代训练。
优选地,所述深度强化网络奖励机制的设定基于训练用平滑区和训练用目标区。
优选地,所述训练用目标区划分为多个级联的第一子区域;所述训练用目标区周边按气味效应设置相同的奖励机制、所述第一子区域按气味效应设置相同的奖励机制。
优选地,所述训练用平滑区为目标区周围区域,需划分为多个级联的子区域;所述训练用平滑区的子区域均依据上-下、左-右相邻的平滑区的子区域差值较大的一组作为梯度奖励布排方向,对本平滑区的子区域设置梯度渐进的不同奖励值。
优选地,在迭代过程中,若同一智能体运动中连续出现两组相同的轨迹坐标,则调用一个随机且不在当前环路风暴轨迹的一个随机方向以结束此环路风暴效应。
优选地,所述每架无人机所携带的医疗物资的种类和数量相同。
优选地,步骤3中,当一个区域救助完毕后,移动诊所拆除并移动到下一个需要救助区域。
与现有技术相比,本发明的优点为:
1)只需人为将物资分配给无人机,无需对无人机进行实时监控;
2)可动态自主规划飞行路径;
3)无人机之间协作,自主完成对多个移动诊所进行物资的调配。
附图说明
图1为本发明一实施例的无人机针对地震灾区移动诊所进行医疗物资配送的方法流程图;
图2为图1的模型图;
图3为Snake分析法的深度强化学习网络架构图;
图4为深度强化学习决策中所用蒙特卡洛方法模型示例图;
图5为训练用目标区的奖励机制图;
图6(a)~(d)为训练用平滑区的奖励机制图;
图7(a)~(b)为Snake分析法的仿真模型图;
图8为环路风暴策略图;
图9为应用于图5的气味效应奖励机制图。
1-移动诊所,2-无人机,3-训练用平滑区,4-环形风暴,5-贪食蛇或智能体(Agent)在环形风暴中跳入和跳出位置,6-奖励值梯度,7-主区域,8-目标区,9-物资调配中心,10-训练用目标区或者级联子目标区,11-贪食蛇或智能体(Agent),12-热点。
具体实施方式
下面将结合示意图对本发明的无人机针对地震灾区移动诊所进行医疗物资配送的方法进行更详细的描述,其中表示了本发明的优选实施例,应该理解本领域技术人员可以修改在此描述的本发明,而仍然实现本发明的有利效果。因此,下列描述应当被理解为对于本领域技术人员的广泛知道,而并不作为对本发明的限制。
如图1~2所示,一种无人机针对地震灾区移动诊所进行医疗物资配送的方法,包括步骤1~4,具体如下:
步骤1:根据震源坐标、深度、震级、烈度参数,生成地震灾区范围,即主区域7;并结合居民地、道路、水系和数字高程模型数据,生成目标区8;其中,目标区划分为多个级联的子区域,便于无人机寻找目标移动诊所;同理,子区域同样可以包含最多10个级联的区域。
步骤2:物资调配中心9的地面站电脑(Ground Station PC of MaterialDistribution Center,简称GSPC-MDC)接收来自多个移动诊所1的位置信息并为每架无人机随机分配各个移动诊所的位置信息;每架无人机2所携带的医疗物资的种类和数量相同。
步骤3:通过Snake分析法,无人机与GSPC-MDC相互协作动态规划最优的交通方案,以到达指定的移动诊所;一个区域救助完毕后,移动诊所拆除并移动到下一个需要救助区域。其中Snake分析法的仿真模型的形象化描述图7(a)、图7(b)所示;图7(b)是7(a)图的网格化表示,每个小格子均有对应的坐标。当贪食蛇11(无人机2)移动到的坐标和食物(热点12)的坐标相等时,认为目标(移动诊所1)被发现。
步骤4:无人机与GSPC-MDC之间相互通信以生成最优的目的地分配方案;之后执行步骤3,直至无人机携带的其中一种医疗物资耗尽;在本实施例中,当无人机携带的其中一种物资耗尽时,即需执行步骤5。
步骤5:无人机返回物资调配中心进行物资补充。
如图4所示,Snake分析法基于深度强化学习决策中所用的蒙特卡洛方法模型图;该模型类似一棵倒立的树,一个State为树的一个节点,当该节点产生一个Action后,状态发生转移,就相当于从上向下开始进入这棵树。其中,椭圆的数字代表奖励值Reward。
如图3所示,Snake分析法的策略网络架构包括输入层、卷积层、池化层、全连接层和策略输出层。第一层将输入图像与步长大小为4的8*8*4*32内核进行卷积,然后对输出进行2*2max pooling。第二层以4的步幅与4*4*32*64内核进行卷积,然后对输出再次使用2*2max pooling。第三层以1的步幅与3*3*64*64内核进行卷积,然后再次通过2*2maxpooling。最后一个隐藏层由256个完全连接的ReLU节点组成。策略输出层是完全连接的线性层,每个贪食蛇或智能体11(如无人机2)的下一步动作都分别由一个4元组输出向量控制。
在本实施例中,在步骤1之前,进一步包括对Snake分析法进行深度强化学习迭代训练。深度强化网络奖励机制的设定基于训练用平滑区3和训练用目标区10。
如图5所示,训练用目标区划分为多个级联的第一子区域;训练用目标区周边按气味效应设置相同的奖励机制、第一子区域按气味效应设置相同的奖励机制,其中,奖励值随着箭头(奖励值梯度6)的方向变化规律为:从上到下变大、从左到右变小。如图6(a)~(d)所示,训练用平滑区为目标区周围区域,需划分为多个级联的子区域;训练用平滑区的子区域均依据上-下、左-右相邻的平滑区的子区域差值较大的一组作为梯度奖励布排方向,对本平滑区的子区域设置梯度渐进的不同奖励值,奖励值随着箭头的方向递减。其中,图9为以上奖励值的划分原理,奖励值随着箭头的方向递减。
如图8所示,在迭代过程中,若同一智能体运动中连续出现两组相同的轨迹坐标,则调用一个随机且不在当前环路风暴轨迹的一个随机方向以结束此环路风暴效应。在Snake分析法得到的Reward恒定为一正值时,在偶然的情况下,智能体会绕着这个恒定值的区域环绕,如果当前的迭代没有相应的惩罚机制,该迭代会重复进行并持续下去,把这种现象称之为:环形风暴效应。当发生环形风暴4时,调用一个随机且不在当前环路风暴轨迹的一个随机方向,在贪食蛇或智能体(Agent)在环形风暴中跳入和跳出位置5上给出策略方向以结束此迭代过程。
上述仅为本发明的优选实施例而已,并不对本发明起到任何限制作用。任何所属技术领域的技术人员,在不脱离本发明的技术方案的范围内,对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动,均属未脱离本发明的技术方案的内容,仍属于本发明的保护范围之内。
Claims (7)
1.一种无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,包括以下步骤:
步骤1:根据震源坐标、深度、震级、烈度参数,生成地震灾区范围,并结合居民地、道路、水系和数字高程模型数据,生成目标区;所述目标区划分为多个级联的子区域,便于无人机寻找目标移动诊所;
步骤2:物资调配中心接收来自多个移动诊所的位置信息并为每架无人机随机输入所述位置信息;
步骤3:通过Snake分析法,无人机与物资调配中心相互配合动态规划最优的交通方案,以到达指定的移动诊所,当一个区域救助完毕后,移动诊所拆除并移动到下一个需要救助区域;
步骤4:无人机与物资调配中心之间相互通信以生成最优的目的地分配方案;之后执行步骤3,直至无人机携带的其中一种医疗物资耗尽,且所述每架无人机所携带的医疗物资的种类和数量相同;
步骤5:无人机返回物资调配中心进行物资补充。
2.根据权利要求1所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,所述Snake分析法基于深度强化网络模型;所述Snake分析法的策略网络架构包括输入层、卷积层、池化层、全连接层和策略输出层。
3.根据权利要求2所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,在步骤1之前,进一步包括对Snake分析法进行深度强化网络迭代训练。
4.根据权利要求3所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,所述深度强化网络奖励机制的设定基于训练用平滑区和训练用目标区。
5.根据权利要求4所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,所述训练用目标区划分为多个级联的第一子区域;所述训练用目标区周边按气味效应设置相同的奖励机制、所述第一子区域按气味效应设置相同的奖励机制。
6.根据权利要求4所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,所述训练用平滑区为目标区周围区域,所述训练用平滑区划分为多个级联的子区域;所述训练用平滑区的子区域均依据上-下、左-右相邻的平滑区的子区域差值较大的一组作为梯度奖励布排方向,对本平滑区的子区域设置梯度渐进的不同奖励值。
7.根据权利要求3所述的无人机针对地震灾区移动诊所进行医疗物资配送的方法,其特征在于,在迭代过程中,若同一智能体运动中连续出现两组相同的轨迹坐标,则调用一个随机且不在当前环路风暴轨迹的一个随机方向以结束此环路风暴效应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426107.5A CN110155328B (zh) | 2019-05-21 | 2019-05-21 | 无人机针对地震灾区移动诊所进行医疗物资配送的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426107.5A CN110155328B (zh) | 2019-05-21 | 2019-05-21 | 无人机针对地震灾区移动诊所进行医疗物资配送的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110155328A CN110155328A (zh) | 2019-08-23 |
CN110155328B true CN110155328B (zh) | 2022-11-01 |
Family
ID=67631710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910426107.5A Active CN110155328B (zh) | 2019-05-21 | 2019-05-21 | 无人机针对地震灾区移动诊所进行医疗物资配送的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110155328B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283827B (zh) * | 2021-04-16 | 2024-03-12 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 |
CN114037386B (zh) * | 2021-11-15 | 2022-06-14 | 郑州市中心医院 | 一种基于人工智能的感染防控用紧急应对系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07262016A (ja) * | 1994-03-16 | 1995-10-13 | Hitachi Eng Co Ltd | 計画立案方法及び計画立案装置 |
CN104867357A (zh) * | 2015-01-21 | 2015-08-26 | 中南大学 | 面向地震应急响应的多无人机调度与任务规划方法 |
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN107886201A (zh) * | 2017-11-29 | 2018-04-06 | 合肥工业大学 | 多无人机任务分配的多目标优化方法及装置 |
CN108613676A (zh) * | 2018-03-27 | 2018-10-02 | 中国民用航空飞行学院 | 一种无人机和有人机协同机制下的多机多目标应急搜救航迹规划方法 |
CN108731684A (zh) * | 2018-05-07 | 2018-11-02 | 西安电子科技大学 | 一种多无人机协同区域监视的航路规划方法 |
-
2019
- 2019-05-21 CN CN201910426107.5A patent/CN110155328B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07262016A (ja) * | 1994-03-16 | 1995-10-13 | Hitachi Eng Co Ltd | 計画立案方法及び計画立案装置 |
CN104867357A (zh) * | 2015-01-21 | 2015-08-26 | 中南大学 | 面向地震应急响应的多无人机调度与任务规划方法 |
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
CN107886201A (zh) * | 2017-11-29 | 2018-04-06 | 合肥工业大学 | 多无人机任务分配的多目标优化方法及装置 |
CN108613676A (zh) * | 2018-03-27 | 2018-10-02 | 中国民用航空飞行学院 | 一种无人机和有人机协同机制下的多机多目标应急搜救航迹规划方法 |
CN108731684A (zh) * | 2018-05-07 | 2018-11-02 | 西安电子科技大学 | 一种多无人机协同区域监视的航路规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110155328A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | The adaptive vortex search algorithm of optimal path planning for forest fire rescue UAV | |
Balampanis et al. | Area partition for coastal regions with multiple UAS | |
CN101702655B (zh) | 网络拓扑图的布局方法和系统 | |
CN110155328B (zh) | 无人机针对地震灾区移动诊所进行医疗物资配送的方法 | |
Yu et al. | Target assignment in robotic networks: Distance optimality guarantees and hierarchical strategies | |
Han | An efficient approach to 3D path planning | |
CN104317297A (zh) | 一种未知环境下机器人避障方法 | |
Lavrenov et al. | Modified spline-based navigation: guaranteed safety for obstacle avoidance | |
Chen et al. | Multi-AUV cooperative hunting control with improved Glasius bio-inspired neural network | |
Ng et al. | A mobility model with group partitioning for wireless ad hoc networks | |
CN108759841A (zh) | 一种复杂环境下的快速航路规划方法 | |
CN108958262A (zh) | 一种分布式多机器人的局部蜂拥控制方法 | |
CN114692397A (zh) | 基于多机制组合策略的集群分布式抓捕方法 | |
Chen et al. | Equilibrium optimizer with generalized opposition-based learning for multiple unmanned aerial vehicle path planning | |
CN103366605B (zh) | 一种基于图论和遗传算法的终端扇区划分方法 | |
CN109117571B (zh) | 一种用于无人机集群的互联协作运动自动控制方法 | |
Mou et al. | Three-Dimensional Area Coverage with UAV Swarm based on Deep Reinforcement Learning | |
Lv et al. | Maritime static target search based on particle swarm algorithm | |
Saravanan et al. | Automated Systems using AI in the Internet of Robotic Things: A New Paradigm for Robotics | |
Ernest et al. | UAV swarm routing through genetic fuzzy learning methods | |
Artemiou et al. | Chaotic Agent Navigation: Achieving Uniform Exploration Through Area Segmentation | |
Xu et al. | Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm | |
Prants et al. | Complex dynamics of a three-dimensional continuous-time autonomous system | |
Zhenggang et al. | Robot path planning based on TGSA and three-order bezier curve | |
Türeci | Interactive approaches for bi-objective UAV route planning in continuous space |
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 |