CN110308740B - 一种面向移动目标追踪的无人机群动态任务分配方法 - Google Patents
一种面向移动目标追踪的无人机群动态任务分配方法 Download PDFInfo
- Publication number
- CN110308740B CN110308740B CN201910571825.1A CN201910571825A CN110308740B CN 110308740 B CN110308740 B CN 110308740B CN 201910571825 A CN201910571825 A CN 201910571825A CN 110308740 B CN110308740 B CN 110308740B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- task allocation
- pigeon
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 241000272201 Columbiformes Species 0.000 claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000001960 triggered effect Effects 0.000 claims abstract description 6
- 238000005457 optimization Methods 0.000 description 11
- 244000144992 flock Species 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000004791 biological behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种面向移动目标追踪的无人机群动态任务分配方法,包括如下步骤:S1、起飞前对无人机任务预分配,令设定时间t=0;S2、在无人机飞行过程中进行任务重分配过程;令时间触发重分配周期为T;S3、判断t=T或事件触发规则,如果满足其中任一条件,则启动任务重分配,并令t=0;S4、通过鸽群算法迭代求解构建无人机群任务分配模型;S5、判断无人机群任务分配模型中无人机与目标间是否存在障碍;若存在,则采用航迹规划算法获得航迹长度作为代价值;否则使用最短距离作为代价值;S6、返回步骤S4,该方法依据实际飞行环境,制定动态任务分配机制,按需执行重分配,调整任务分配方案,实现无人机群动态任务分配。
Description
技术领域
本发明涉及无人机群的动态任务分配,针对多个地面移动目标,在传统的鸽群算法的基础上,引入拍卖机制,并结合RRT算法用于航迹规划,共同构成完整的无人机在线任务分配方法,以实现动态目标追踪,适用于无人机群追踪多个移动目标的协同任务分配,属于无人机任务分配领域。
背景技术
无人驾驶飞行器,简称“无人机”,是指利用遥控设备或机载程序进行飞行的不载人飞行器。随着科学技术的发展,人们对于无人机的需求逐渐提高。面对越发复杂的应用环境以及愈发多样的任务种类,单架无人机受自身条件的约束,较难独立完成某项具体的任务。因此,今后无论在军用领域或是民用领域,无人机将主要以集群的方式进行工作,呈现出一种多机协同的工作模式。多机协同工作时,每个无人机都是一个独立的个体,各司其职,同时不同的无人机之间能够通过信息交互将自身获取的局部信息进行交流,实现信息融合和资源互补。在多机协同领域,无人机的任务分配,尤其是在线动态任务分配,是一个极富挑战力的研究方向,研究意义重大。
无人机的任务分配是指在已知任务,现有载荷和无人机数量的情况下,考虑到执行任务环境及无人机自身约束,得到无人机所需执行的任务的分配方案,并能够依据执行过程中的环境信息实时调整分配方案。在执行复杂的追踪任务时,目标移动方向的未知性,以及追踪过程中楼房、树木等障碍物对于传感器的遮挡,使得任务执行环境变得更加复杂,传感器灵敏度下降,无人机要实现实时快速追踪、监控移动目标变得更加困难。当单架无人机出现损毁时,无人机间需要通过通信及时更新系统信息,动态分配任务,减小系统损失。若有新目标出现时,同样也需要无人机群迅速反应,及时完成新任务的分配。在这种情况下,多架带有传感器的无人机的信息交互、协同规划有了重大的研究和应用价值。
发明内容
多无人机追踪多个地面移动目标的动态过程中,存在移动目标的不合作性、障碍物遮挡、突发情况如无人机失联、损毁等诸多问题。现有的任务分配算法多为离线规划,无法满足实际追踪过程的实时性需求。本方法针对上述问题,引入了基于事件触发的重分配机制,使得重分配能够按需执行,平衡分配结果的最优性和可行性,使用结合拍卖机制的鸽群算法进行任务分配,同时通过RRT算法进行航迹规划,将航迹长度作为任务分配优化指标,设计了一种面向移动目标追踪的无人机群动态任务分配方法。
针对现有技术存在的问题,本发明采用如下技术方案予以实现:
1、一种面向移动目标追踪的无人机群动态任务分配方法,包括如下步骤:
S1、起飞前对无人机任务预分配,令设定时间t=0;
S2、在无人机飞行过程中进行任务重分配过程;令时间触发重分配周期为T;
S3、判断t=T或事件触发规则,如果满足其中任一条件,则启动任务重分配,并令t=0;
S4、通过鸽群算法迭代求解构建无人机群任务分配模型;
S5、判断无人机群任务分配模型中无人机与目标间是否存在障碍;如果满足条件,则采用航迹规划算法获得航迹长度;否则通过最短距离作为航迹长度;
S6、返回步骤S4。
所述步骤S4中鸽群算法步骤为:
(1)选定鸽群数量,初始化鸽群,鸽群维数为无人机数目;
(2)分别选定两轮轮迭代次数N1、N2;
(3)n=0;
(4)第一轮迭代:使用指南针算子更新鸽群的速度和位置,并使用拍卖机制,将鸽群位置转化为无人机任务分配方案,计算总体代价值,得到当前全局最优位置, n=n+1;
(5)n是否等于N1,若是,则顺序执行步骤(6),若不是,则回到步骤(4);
(6)n=0;
(7)第二轮迭代:使用地标算子修正当前鸽群位置,并根据拍卖机制得到无人机任务分配方案,计算总体代价值,n=n+1;
(8)n是否等于N2,若是,算法结束,由迭代过程中的最优位置即可得到最终无人机任务分配方案,若否,则回到步骤(7);
所述步骤S5中航迹规划算法步骤为:
(1)将无人机飞行起始点即当前无人机坐标作为随机树的根节点qstart,初始化步长Δl;
(2)在无人机飞行空间中根据随机函数生成随机点qrand,再由随机函数从无人机飞行目标点即被追踪目标坐标qgoal和随机点qrand中选取生长方向点qtarget;
(3)在已有的随机树上找到距离生长方向点最近的节点qnear;
(4)在以qnear和qtarget为端点的线段上选取与qtarget距离为步长Δl的节点qnew;
(5)判断qnear和qnew的连线上是否存在障碍物,若存在则抛弃节点qnear,回到步骤(2),否则顺序执行步骤(6);
(6)将qnew作为随机树上新的节点,并连接qnear和qnew,形成新的树枝;
(7)判断qnew是否等于目标点qgoal,或两点之间距离是否小于步长,若是,搜索结束,回溯随机树,生成由起始点qstart到目标点qgoal的路径,完成航迹规划,得到一条由无人机到目标间的较优路径,若不是,则回到步骤(2)。
有益效果
考虑到多无人机追踪多目标情况下,要保证追踪系统满足每一时刻下每一个移动目标都至少被一架无人机追踪,且每架无人机只追踪一个移动目标的任务要求。并结合多无人机追踪移动目标存在的难题,包括复杂地形的影响,无人机自身性能的限制,移动目标的不合作性,可能存在的新目标,在线航迹规划以及任务分配算法的快速性和简单性要求;本方法将任务分配算法与航迹规划算法结合,将航迹规划算法用于任务分配优化指标的计算,得出任务分配方案,同时结合实际环境,进行重分配,利用事件触发的思想,针对追踪过程中突发情况将任务分配方案及时进行动态调整及迁移,共同构建得到一种完整的基于移动目标追踪的动态任务分配方法。
附图说明
图1是无人机群动态任务分配方法流程图;
图2是无人机群重分配机制示意图;
图3是任务分配算法流程图;
图4是航迹规划算法流程图。
具体实施方式
如图1、图2所示,本发明提供一种面向移动目标追踪的无人机群动态任务分配方法,在本发明中,当多无人机执行多个移动目标的追踪任务时,根据任务的特点和无人机的飞行特性,可以将任务要求总结为以下两点:(1)每架无人机只能追踪一个移动目标;(2)每个移动目标至少被一架无人机追踪。在满足以上任务约束基础上,使得所有无人机飞行距离总和最小,实现无人机与目标间的分配。因此多无人机任务分配问题的模型是在满足以上约束条件的情况下使得优化指标函数最小。具体模型可用以下形式表示:
siq∈{0,1}
其中,N为无人机数目,M为目标数目,fiq代表无人机i追踪目标i的代价;siq=1时,无人机i追踪目标q,siq=0时,无人机i不追踪目标q。
现有的任务分配方法多为离线任务分配,实时任务规划需要克服信息的动态性和不确定性所带来的影响,而且还需要在有限的时间及计算资源的条件下给出合理有效的规划结果,使得该问题具有非常高的复杂性和求解难度,因此任务分配方法的选择至关重要。同时,飞行过程中的重分配机制也极大影响系统性能,过大或过小的重分配周期都将影响实际任务的完成效果。为实现无人机群的动态任务分配,在不造成过大计算负担的前提下,均衡分配结果的最优性和计算复杂度,可将任务分配问题主要需求分为以下两部分,一是选择适用于动态环境下的快速任务分配方法,二是设置合适的执行规则,使得任务分配按需执行,避免冗余重分配。解决无人机群任务分配方法问题时,除分配算法的选取外,无人机与目标间代价值f的计算也是至关重要的。由于在实际飞行过程中,无人机与目标之间可能存在建筑物、树木等障碍物,因此无人机和目标之间的代价值不能简单地直接由两者间的最短距离得到,而是需要通过航迹规划获取二者间的代价。因此本方法的主要内容可以分为任务分配算法、航迹规划算法以及动态任务分配机制三个部分。任务分配算法与航迹规划算法相结合,航迹规划结果服务于分配优化,共同实现任务分配,同时,依据实际飞行环境,制定动态任务分配机制,按需执行重分配,调整任务分配方案,实现无人机群动态任务分配。
无人机群动态任务分配机制
无人机群动态任务分配具体工作时可分为预分配和重分配两个阶段。预分配阶段指在无人机起飞前,依据当前无人机以及目标的位置构建代价矩阵,并通过任务分配方法,得到初步目标分配方案。重分配阶段是指在无人机追踪目标过程中,目标的状态、无人机的状态以及现场环境等都可能发生改变,使得原有分配方案的可行度下降,效率降低。因此,原有的分配方案将不再生效,无人机群与目标间需要进行任务重分配,确立新的分配方案。重分配周期的选择将极大地影响此动态任务分配方法的快速性和可行性。若重分配周期过小,密集的重分配将给无人机群带来沉重的计算负担,并且可能会产生较多冗余的分配方案,而若无人机重分配周期过大可能使得现有的任务分配方案将不再满足实际情况,在实际使用中,造成严重后果。
因此,本方法引入了事件触发机制,将无人机群的任务重分配阶段进一步划分为两个部分。第一部分为基于时间的动态分配。在无人机追踪目标过程中,为使得无人机群的任务分配方案尽可能地保持最优,每隔一段时间对无人机进行任务重分配。这种重分配方式是一个持续性的过程,贯穿从无人机起飞到完成追踪任务整个过程中。另一个部分则是利用事件触发思想,出现突发情况时,立即进行无人机群与追踪目标间任务的重分配。在本方法中,突发情况主要包括新增目标、无人机失联或损毁以及无人机与目标之间出现障碍等。无人机追踪目标过程中,若出现新的任务目标,原有的分配方案随着目标个数的增加而失效,任务重分配被触发,快速将新增目标分配无人机群的现有无人机,保证每个目标都至少被一架无人机追踪。当编队中的无人机与其他无人机失联或坠毁时,原有的分配方案随着无人机数目的减少而失效,任务重分配被触发,快速将失联或坠毁无人机的追踪目标分配给无人机群中的其他无人机。当无人机所追踪的目标间突然出现障碍时,原有的分配方案随着代价矩阵的改变而失效,任务重分配被触发,无人机与该目标间的代价值需通过航迹规划后重新获得,进而得到新的任务分配方案。
1、任务分配算法,如图3所示:
为实现快速且较优的任务分配,本方法采用鸽群算法和拍卖机制解决任务分配问题。该算法由鸽群惊人的导航能力启发得出,以旅行鸽的生物学行为为基础,算法收敛速度快,具有很强的寻优能力,适用于解决多目标优化等问题。
在解空间中,鸽群具有移动速度和位置两个属性。因鸽群位置可在后续方法中通过拍卖机制转化为任务分配可行方案,因此优化过程中,以鸽群位置为优化目标。鸽群算法的寻优过程可分为指南针算子和地标算子两个部分,分别用于模拟鸽群飞行过程中不同阶段的导航工具,使用这两个算子在两个独立的循环迭代中更新鸽子的速度和位置。
在使用鸽群算法求解任务分配问题的第一步是在初始化鸽群速度及位置后,以鸽群最优位置即当前全局最优任务分配方案为参考,通过指南针算子使鸽群向最优方向移动。在D维空间中,指南针算子对于鸽群的速度及位置的更新可用下式表示:
其中,R是指南针算子,n是当前迭代次数,Xgbest是当前全局最优位置,全局最优最优位置是通过对比当前鸽群中所有鸽子对应任务分配方案代价值得到的。
指南针算子迭代结束后,鸽群位置已靠近最优位置。第二步是通过地标算子修正鸽群当前位置。地标算子在迭代过程中,计算当前鸽群位置对应分配方案代价值,依据代价值,减半种群规模,舍弃品质较差的鸽子,将余下鸽群的中心位置作为修正鸽群位置的参考方向。可依据下式使用地标算子对鸽群位置进行更新。
Xi(n)=Xi(n-1)+rand*(Xc(n)-Xi(n-1))
使用鸽群算法求解时,为使得鸽群位置对应的任务分配方案满足上述模型的约束条件,即每架无人机只追踪一个目标,每个目标都被追踪,在优化过程中,可通过拍卖机制将鸽群位置转化为可行的无人机群任务分配方案。将无人机数目作为鸽群算法寻优时的解空间维数,使得空间维度与无人机编号一一对应。鸽群在解空间中每一维的位置坐标代表相应无人机给出的竞拍价格。出价最高的无人机拥有优先选择追踪目标的权利。依据出价高低顺序,每个无人机根据代价矩阵依次选择追踪的目标。为保证每个目标都被追踪,前M架无人机选取目标时不能重复选取已被追踪的目标,而第M+1架到第N架无人机可以直接选取对应代价值最低的目标进行追踪。每一只鸽子的位置信息都能通过上述拍卖机制转化为可行的无人机任务分配方案,进而可通过鸽群算法进行迭代求解。
因此,将鸽群算法和拍卖机制用于无人机任务分配的方法可总结为如下具体步骤:
(1)选定鸽群数量,初始化鸽群,鸽群维数为无人机数目;
(2)分别选定两轮轮迭代次数N1、N2;
(3)n=0;
(4)第一轮迭代:使用指南针算子更新鸽群的速度和位置,并使用拍卖机制,将鸽群位置转化为无人机任务分配方案,计算总体代价值,得到当前全局最优位置, n=n+1;
(5)n是否等于N1,若是,则顺序执行步骤(6),若不是,则回到步骤(4);
(6)n=0;
(7)第二轮迭代:使用地标算子修正当前鸽群位置,并根据拍卖机制得到无人机任务分配方案,计算总体代价值,n=n+1;
(8)n是否等于N2,若是,算法结束,由迭代过程中的最优位置即可得到最终无人机任务分配方案,若否,则回到步骤(7);
2、航迹规划算法,如图4所示:
在本方法中,无人机和目标间的代价值矩阵由最短距离和航迹规划路线长度两部分构成。若无人机和目标之间不存在障碍物,则不需要进行航迹规划,直接依据两者地理坐标计算最短距离,作为两者间的代价值;若无人机和目标间存在障碍物,则需先进行航迹规划,计算规划所得的航迹长度作为两者之间的代价值。本方法采用传统RRT算法的改进算法—— Bias-goal RRT(偏向目标快速扩展随机树)算法进行航迹规划。快速扩展随机树(RRT)算法是2001年S La Valle等人提出的一种被广泛应用于机器人路径规划的随机型寻优算法。在路径规划过程中,RRT算法并不需要特定的启发函数参与航迹规划。因此在未知空间中, RRT算法具有很强的搜索倾向,具有概率完备性,能够高效地完成航迹规划。RRT算法速度快对环境要求低,虽然规划所得的航迹并不是最优的,但在众多实例中被证明是可实现的。 Bias-goal RRT是传统RRT算法的改进,解决了传统RRT算法过于平均,搜索效率低,收敛速度慢等问题,增强了算法的快速性,能够更好地适应实际任务需求。
在规划空间中,将无人机飞行起点作为随机树根节点,Bias-goal RRT算法在原始树的基础上,生成随机点,再从随机点和无人机飞行目标点中随机选择作为随机树生长方向点,根据规定步长选定新的节点,将生长点与节点相连形成新的树枝,从而扩展随机树,循环往复,直到找到目标点,完成航迹规划。生长方向点选取方式既保留了传统RRT算法的概率完备性,又使得搜索过程具有偏向目标的趋势,大大提高了搜索到目标的概率,加快了算法的搜索速度。因此,在规划空间中只要存在由起始点至目标点的路径,Bias-goal RRT算法就一定能找到该路径。
使用Bias-goal RRT进行无人机与目标间的航迹规划步骤如下:
(1)将无人机飞行起始点即当前无人机坐标作为随机树的根节点qstart,初始化步长Δl;
(2)在无人机飞行空间中根据随机函数生成随机点qrand,再由随机函数从无人机飞行目标点即被追踪目标坐标qgoal和随机点qrand中选取生长方向点qtarget;
(3)在已有的随机树上找到距离生长方向点最近的节点qnear;
(4)在以qnear和qtarget为端点的线段上选取与qtarget距离为步长Δl的节点qnew;
(5)判断qnear和qnew的连线上是否存在障碍物,若存在则抛弃节点qnear,回到步骤(2),否则顺序执行步骤(6);
(6)将qnew作为随机树上新的节点,并连接qnear和qnew,形成新的树枝;
(7)判断qnew是否等于目标点qgoal,或两点之间距离是否小于步长,若是,搜索结束,回溯随机树,生成由起始点qstart到目标点qgoal的路径,完成航迹规划,得到一条由无人机到目标间的较优路径,若不是,则回到步骤(2)。
应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (1)
1.一种面向移动目标追踪的无人机群动态任务分配方法,其特征在于,包括如下步骤:
S1、起飞前对无人机任务预分配,令设定时间t=0;
S2、在无人机飞行过程中进行任务重分配过程;令时间触发重分配周期为T;
S3、判断t=T或事件触发规则,如果满足其中任一条件,则启动任务重分配,并令t=0;
S4、通过鸽群算法迭代求解构建无人机群任务分配模型,即:
(1)选定鸽群数量,初始化鸽群,鸽群维数为无人机数目;
(2)分别选定两轮迭代次数N1、N2;
(3) n=0;
(4)第一轮迭代:使用指南针算子更新鸽群的速度和位置,并使用拍卖机制,将鸽群位置转化为无人机任务分配方案,计算总体代价值,得到当前全局最优位置,n=n+1;
(5)n是否等于N1,若是,则顺序执行步骤(6),若不是,则回到步骤(4);
(6) n=0;
(7)第二轮迭代:使用地标算子修正当前鸽群位置,并根据拍卖机制得到无人机任务分配方案,计算总体代价值,n=n+1;
(8)n是否等于N2,若是,算法结束,由迭代过程中的最优位置即可得到最终无人机任务分配方案,若否,则回到步骤(7);
S5、判断无人机群任务分配模型中无人机与目标间是否存在障碍;如果不存在障碍,则通过无人机与目标间最短距离作为航迹长度;如果存在障碍,则采用航迹规划算法获得航迹长度;
该航迹规划算法步骤为:
(1)将无人机飞行起始点即当前无人机坐标作为随机树的根节点qstart,初始化步长Δl;
(2)在无人机飞行空间中根据随机函数生成随机点qrand,再由随机函数从无人机飞行目标点即被追踪目标坐标qgoal和随机点qrand中选取生长方向点qtarget;
(3)在已有的随机树上找到距离生长方向点最近的节点qnear;
(4)在以qnear和qtarget为端点的线段上选取与qtarget距离为步长Δl的节点qnew;
(5)判断qnear和qnew的连线上是否存在障碍物,若存在则抛弃节点qnear,回到步骤(2),否则顺序执行步骤(6);
(6)将qnew作为随机树上新的节点,并连接qnear和qnew,形成新的树枝;
(7)判断qnew是否等于目标点qgoal,或两点之间距离是否小于步长,若是,搜索结束,回溯随机树,生成由起始点qstart到目标点qgoal的路径,完成航迹规划,得到一条由无人机到目标间的较优路径,若不是,则回到步骤(2)。
S6、返回步骤S4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571825.1A CN110308740B (zh) | 2019-06-28 | 2019-06-28 | 一种面向移动目标追踪的无人机群动态任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910571825.1A CN110308740B (zh) | 2019-06-28 | 2019-06-28 | 一种面向移动目标追踪的无人机群动态任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308740A CN110308740A (zh) | 2019-10-08 |
CN110308740B true CN110308740B (zh) | 2022-02-22 |
Family
ID=68078471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910571825.1A Active CN110308740B (zh) | 2019-06-28 | 2019-06-28 | 一种面向移动目标追踪的无人机群动态任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308740B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111628959B (zh) * | 2019-11-20 | 2021-07-09 | 南京航空航天大学 | 一种基于随机标签的大规模无人机群安全认证机制 |
CN110926477B (zh) * | 2019-12-17 | 2023-07-11 | 湘潭大学 | 一种无人机航路规划及避障方法 |
CN111160525B (zh) * | 2019-12-17 | 2023-06-20 | 天津大学 | 一种边缘计算环境下基于无人机群的任务卸载智能决策方法 |
CN111208815B (zh) * | 2019-12-24 | 2023-03-31 | 浙江华睿科技股份有限公司 | 将多个搬运任务分配至多个自动搬运车的方法及相关装置 |
CN111427683A (zh) * | 2020-03-20 | 2020-07-17 | 达而观信息科技(上海)有限公司 | 一种计算机中流程自动化用机器人的任务分配方法方法及装置 |
CN111309029B (zh) * | 2020-03-24 | 2023-09-26 | 山东科技大学 | 基于事件触发的无人艇路径跟踪方法、无人艇控制平台 |
CN111798097B (zh) * | 2020-06-06 | 2024-04-09 | 浙江科钛机器人股份有限公司 | 一种基于市场机制的自主移动机器人任务分配处理方法 |
CN113064449B (zh) * | 2021-03-31 | 2024-03-12 | 广东电网有限责任公司电力调度控制中心 | 一种无人机调度方法及系统 |
CN113485375B (zh) * | 2021-08-13 | 2023-03-24 | 苏州大学 | 一种基于启发式偏置采样的室内环境机器人探索方法 |
CN114063644B (zh) * | 2021-11-09 | 2023-06-02 | 北京航空航天大学 | 基于鸽群反向对抗学习的无人作战飞机空战自主决策方法 |
CN114326827B (zh) * | 2022-01-12 | 2023-06-09 | 北方工业大学 | 一种无人机集群多任务动态分配方法及系统 |
CN115525068B (zh) * | 2022-10-29 | 2023-03-28 | 中国电子科技集团公司第十五研究所 | 基于迭代优化的无人机集群协同任务分配方法 |
CN116088586B (zh) * | 2023-04-10 | 2023-06-30 | 中国电子科技集团公司第二十八研究所 | 一种无人机作战过程中的临机任务规划的方法 |
CN116339220B (zh) * | 2023-05-30 | 2023-08-01 | 北京中兵天工防务技术有限公司 | 用于协同不同无人系统共同完成任务的方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
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 |
CN108985549A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 基于量子鸽群机制的无人机任务分配方法 |
CN109357678A (zh) * | 2018-10-16 | 2019-02-19 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
-
2019
- 2019-06-28 CN CN201910571825.1A patent/CN110308740B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
CN107169608A (zh) * | 2017-05-27 | 2017-09-15 | 合肥工业大学 | 多无人机执行多任务的分配方法及装置 |
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 |
CN108985549A (zh) * | 2018-05-25 | 2018-12-11 | 哈尔滨工程大学 | 基于量子鸽群机制的无人机任务分配方法 |
CN109357678A (zh) * | 2018-10-16 | 2019-02-19 | 北京航空航天大学 | 一种基于异质化鸽群优化算法的多无人机路径规划方法 |
CN109917806A (zh) * | 2019-03-14 | 2019-06-21 | 北京航空航天大学 | 一种基于非劣解鸽群优化的无人机集群编队控制方法 |
Non-Patent Citations (4)
Title |
---|
Decentralized Real-Time Estimation and Tracking for Unknown Ground Moving Target Using UAVs;CHAOFANG HU,等;《IEEE》;20181211;第7卷;第1808-1817页 * |
Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm;Jianfa Wu,等;《Aerospace Science and Technology》;20171231;第70卷;第497-510页 * |
多无人机模糊多目标分布式地面目标协同追踪;胡超芳,等;《控制理论与应用》;20180831;第35卷(第8期);第1101-1110页 * |
无人机协同多任务分配的快速航路预估算法;周绍磊,等;《战术导弹技术》;20161231(第4期);第59-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110308740A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
CN106705970B (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
CN110865653B (zh) | 一种分布式集群无人机队形变换方法 | |
Fu et al. | Swarm UAVs task and resource dynamic assignment algorithm based on task sequence mechanism | |
Ali et al. | Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator | |
CN112508369B (zh) | 基于改进蚁群算法的多无人机任务分配方法 | |
CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
CN109917815A (zh) | 基于全局最优头脑风暴算法的无人机三维路径设计方法 | |
CN108200175A (zh) | 基于协同云控制的多无人船编队协同控制系统及方法 | |
CN105353766A (zh) | 一种多无人机编队结构的分布式容错管理方法 | |
CN112947594A (zh) | 一种面向无人机的航迹规划方法 | |
WO2021077769A1 (zh) | 一种基于流式计算的地图创建方法及其系统 | |
CN110162077B (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
CN112824998A (zh) | 马尔可夫决策过程的多无人机协同航路规划方法和装置 | |
CN108225333A (zh) | 一种用于航线规划的最优路径生成方法 | |
CN109857117A (zh) | 一种基于分布式模式匹配的无人艇集群编队方法 | |
CN111381605A (zh) | 一种应用于多无人机大范围海域水下多目标协同搜索方法 | |
CN113311869B (zh) | 一种多约束条件下无人机路径规划方法 | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
Trigui et al. | A clustering market-based approach for multi-robot emergency response applications | |
CN111024081B (zh) | 一种无人机群对单移动时敏目标侦察路径规划方法 |
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 |