CN110618689A - 一种约束条件下基于合同网的多uuv系统协商合作建模方法 - Google Patents
一种约束条件下基于合同网的多uuv系统协商合作建模方法 Download PDFInfo
- Publication number
- CN110618689A CN110618689A CN201810633326.6A CN201810633326A CN110618689A CN 110618689 A CN110618689 A CN 110618689A CN 201810633326 A CN201810633326 A CN 201810633326A CN 110618689 A CN110618689 A CN 110618689A
- Authority
- CN
- China
- Prior art keywords
- uuv
- bidder
- node
- buax
- task
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 10
- 230000009471 action Effects 0.000 claims description 53
- 238000001514 detection method Methods 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 8
- 230000006378 damage Effects 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000009545 invasion Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000005094 computer simulation Methods 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 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
- G05D1/04—Control of altitude or depth
- G05D1/06—Rate of change of altitude or depth
- G05D1/0692—Rate of change of altitude or depth specially adapted for under-water vehicles
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于水下无人系统建模与仿真领域，具体涉及一种约束条件下基于合同网的多UUV系统协商合作建模方法，本发明的方法具体定义离散型的基本行为动作航行巡逻、感知探测和趋向目标，在此基础上定义了自身健康状态、电池能源状态、水下探测范围约束条件，并设计面向约束条件的投标逻辑控制决策模型，进而形成了以招标者为虚拟中央节点，中标者为跟随节点的局部网络，满足分布式结构下多UUV系统对对敌方目标围捕作业的协调与合作。本发明的方法能有效减少无效投标者参与局部网络LN的形成，保证任务协商的质量和效率。
Description
技术领域
本发明涉及水下无人系统建模与仿真领域，具体为一种约束条件 下基于合同网的多UUV系统协商合作建模方法。
背景技术
海洋作为人类生存的战略空间蕴藏着丰富的资源，已成为世界各 国发展海洋经济、创新海洋装备、维护海洋权益和开展国际合作的重 要场所。作为认识、探索、开发和利用海洋的重要手段，多UUV(无 人水下航行器)系统不仅突破单UUV携带能源和个体能力的制约， 还可以实现约束条件下大范围水下空间探测、识别与通信等功能，广 泛应用于海洋环境监测、海底石油勘探、水下空间搜救和水下无人作 战等民用和军事领域。如何高质量和高效率的完成这些作业使命，多 UUV之间的协商合作建模就显得非常重要，这是因为协商合作建模 主要解决任务分解、分配、资源冲突以及优化整个系统的行为等问题。
多UUV系统具有自主性、交互性和协作性等特点，可以将其类 比于一个多智能体(Multi-Agents,MAS)系统，因此借鉴成熟的MAS 建模理论来解决多UUV系统所面临的协商合作建模问题。MAS协调 与合作是其建模研究的核心问题，产生于Agent、信息、资源、环境的分布特性以及它们之间交互关系，主要研究多Agent之间及Agent 与环境之间如何协商与合作，以实现整体效能最优。目前，多Agent 协调与合作研究已成为国内外分布式人工智能领域研究的焦点，相继 涌现出如黑板模型、基于对策论的协商、通用部分全局规划和合同网 协议等为典型代表的方法和模型。
合同网(Contract Net Protocol,CNP)是由Smith和Davis在分布式 问题求解过程中提出的方法，其基本原理是Agent通过模拟经济行为 中招标－投标－中标的市场竞争机制，以标值为纽带，将系统中的成 员区分为管理者和合同者，其中管理者负责招标、评标和中标授权， 并监视任务执行和处理执行结果；而合同者负责投标、接受任务合同 和执行任务，标值为系统各平台间任务输入输出协调和分配的控制变 量，通过对标值的调整得到任务分配的全局最优解。
目前，CNP被引入到多UUV系统协调与合作进行研究，并取得 了一定的研究成果，如利用Simulink/Stateflow构建UUV群体协作 合同网模型，或者建立了基于合同网的UUV编队多约束多目标任务 规划数学模型。但是CNP在实际应用的过程中突现出的缺点和不足也不能忽视，主要表现在：(1)在协商过程中，通过一定的定量化指 标，例如资源均衡度、最大效能等，将多UUV协商过程变换为数学 的优化问题，往往忽略了UUV个体能源、探测范围等个体能力以及 环境变化约束条件，没有认识到合同网模型是一个作为离散交互行为 协调过程的本质；(2)合同网模型在协商过程中央UUV节点采用广 播方式进行交互通信，如果协商失败可能会重新进行多次协商，容易 造成网络负载过重，管理者和合同者决策负担加大，从而导致通信量 成倍数增加，影响协商效率。为了克服以上缺点，因此希望开发出复杂约束条件下具有协商效率高的事件驱动型CNP模型，实现多UUV 系统自组织完成对敌方目标的围捕。
发明内容
本发明的目的是：为了克服已有CNP模型在多UUV系统围捕敌 方目标应用中出现的问题，本发明提出一种约束条件下基于扩展合同 网的多UUV系统协商合作建模方法，实现对敌方入侵目标的围捕作 业。
本发明要解决的技术问题通过以下技术方案实现：
一种约束条件下基于合同网的多UUV系统协商合作建模方法， 包括以下步骤：
步骤1：初始化UUV基本行为动作及其相关参数
初始化UUV基本行为动作，包括航行巡逻A1、感知探测A2和趋 向目标A3；假设多UUV系统中的节点组成、基本行为动作组成和目 标组成的范围；定义基于合同网模型的多UUV系统角色，将虚拟中 央UUV节点定义为招标者TUA，激活UUV节点和半激活UUV节 点为投标者BUA，最终投标成功的UUV节点定义为中标者WUA；
步骤2：招标者形成阶段计算
在多UUV系统中，如果UUV节点xk在探测范围Dr首先发现敌 方目标yj，并且执行基本行为动作A1，则xk自动成为招标者TUA xk， 将其作为局部网络LN的虚拟中央节点；
步骤3：投标者形成阶段计算
招标者TUA xk作为LN的虚拟中央节点，在其通信范围Cr与探 测范围Dr叠加形成区域ΩC及其边缘上的所有H个UUV节点 xh∈[x1,x2,…,xH]，H<N，其自动成为投标者BUA xk；
步骤4：发标阶段计算
招标者TUA xk经基本行为动作A2发现自己没有足够能力围捕敌 方目标yj，在其通信范围Cr内以广播通信的方式向所有投标者BUA xh发出招标信息DD，并且招标者TUA xk基本行为动作从A2转向A3；
步骤5：投标阶段计算
投标者BUA xh收到招标信息后，依据任务时间窗口、自身健康 状态、电池能源状态和水下探测范围等四个约束条件，判断决策自己 是否具备完成该任务的能力，同时向招标者TUA xk发送投标信息BD或拒绝信息RD给TUA xk节点做出回应，形成面向约束条件的BUAxh投标逻辑控制决策模型
步骤6：中标阶段计算
在预定的投标截止时间Tt到达后，招标者TUA xk收到所有投标 者BUA xh提交的投标信息DD后向提出此投标的投标者xh发出中标消 息，同时该投标者xh角色转换为中标者WUA，并且基本行为动作从A1转向基本行为动作A3，通过基本行为动作A3可以实现对敌方目标的 围捕。
进一步地，所述步骤1中航行巡逻A1的具体动作是：UUV以分 布式结构采取航行巡逻行为动作进行水下入侵目标的巡逻；感知探测 A2的具体动作是：在探测范围内，UUV执行感知探测行为动作发现 入侵目标，并通过广播形式将探测结果发送相邻节点UUV；趋向目标A3的具体动作是：在通信范围内，相邻节点UUV接受信息后，执 行趋向目标的动作，形成围捕态势，其余UUV继续执行航行巡逻行 为动作。
进一步地，所述步骤1假设多UUV系统中的节点组成、基本行 为动作组成和目标组成的范围具体是指，假设多UUV系统中由N个 UUV xk∈[x1,x2,…,xN]组成，UUV基本行为动作由Ai∈[A1,A2,A3]组成， 目标由M个敌方入侵移动目标yj∈[y1,y2,…,yM]组成。
进一步地，所述步骤5中投标者BUA xh逻辑控制决策模型判断 步骤为：
步骤5.1：对投标者BUA xh，h＝1
步骤5.2：判断任务时间窗口约束
投标者BUA xh在参与任务动态规划与协调过程中，会存在一个 最佳时间阶段Tf＝[Ts,Te]，其中Ts和Te为任务执行的最佳起始时间和结 束时间，则任务执行窗口时间T＝Ts-Te需要满足：
Tmin≤T≤Tmax
其中,Tmin和Tmax为任务执行窗口的最小时间和最大时间；如果投 标者BUA xh参与完成围捕任务的时间T满足Tmin≤T≤Tmax，执行步骤 5.3，反之，其不能参与对敌方目标围捕的任务协调与合作，终止BUA xh判断，以通信动作Refuse发送拒绝投标信息RD给TUA xk节点；
步骤5.3：判断自身健康状态约束
投标者BUA xh自身健康状态主要通过SS＝{SS1,SS2,SS3,SS4, SS5,SS6}来描述和刻画UUV健康状态的各个方面，其中，SS1代表 健康，SS2代表机械故障，SS3代表电子故障，SS4代表机体损伤， SS5代表全部故障，SS6代表敌方击毁；具体的自身健康状态通过可靠性理论相关的数学概率进行表示，其中SS1，SS5和SS6的状态可 靠度分别表示fSS1(x)＝1.0，fSS5(x)＝0和fSS6(x)＝0，而SS2、SS3和SS4 需要首先计算其失效概率，再由在失效概率计算状态可靠度；
步骤5.4：判断电池能源状态约束
定义BUA xh电池能源状态约束如下：
式中，表示UUV完成任务所需能源的最低阈值，P(t)表示当 前UUV的能源状态；如果投标者BUA xh电池能源状态约束大于最低 阈值，执行步骤5.5，反之，其不能参与对敌方目标围捕的任务协调 与合作，终止投标者BUA xh判断，以通信动作Refuse发送拒绝投标信息RD给投标者TUA xk节点；
步骤5.5：判断水下探测范围约束
水下探测范围约束简化为立体扇面，探测扇面的半径用r表示， 水平扇面夹角用v表示，扇面的垂直夹角用η表示，如果敌方目标yj位 于BUA xh的水下探测范围，则其可以参与对敌方目标围捕的任务协 调与合作，执行步骤5.6，反之，其不能参与对敌方目标围捕的任务 协调与合作，终止BUA xh判断，以通信动作Refuse发送拒绝投标信 息RD给投标者TUAxk节点；
步骤5.6：如果h≤H，对所有投标者BUA xh进行遍历，循环步 骤5.2至步骤5.5；当h＞H，遍历结束，进入步骤6。
与现有技术相比，本发明的有益效果：
在合同网协议CNP模型的基础上，定义了离散型的基本行为动 作，设计面向约束条件的投标逻辑控制决策模型，实现了约束条件下 基于合同网的多UUV系统协商合作建模方法，满足了分布式结构下 多UUV系统的协调与合作，实现对敌方目标的围捕作业。该方法不 仅综合考虑了UUV各方面的能力约束条件，而且通过约束条件的决 策控制模型判断，可以有效减少无效BUA模型参与局部网络LN的 形成，进而减少网络通信规模，保证任务协商的质量和效率。
附图说明
图1是是本发明提出的约束条件下基于合同网的多UUV系统协 商合作建模方法示意图；
图2是面向约束条件的投标逻辑控制决策模型；
图3是探测范围区域示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的 实施方式不限于此。
本发明的设计思路是：假设多UUV系统分布在作业区域，UUV 在探测感知水下敌方入侵目标的过程会执行基本行为规则，利用CNP 模型实现多UUV系统的离散交互行为协调，通过形成的分布式局部 网络(Local Network，LN)实现对入侵目标的围捕。
在基于CNP模型的多UUV系统中角色分为：虚拟中央UUV节 点，激活UUV节点和半激活UUV节点，将这些角色映射到CNP的 角色中来，具体对应关系：虚拟中央UUV节点为招标者(TUA)，激 活UUV节点和半激活UIA节点为投标者(BUA)，最终投标成功的UUV节点定义为中标者(WUA)。
在以上假设和分析基础上，提出一种如图1所示的约束条件下基 于合同网的多UUV系统协商合作建模方法，步骤如下：
步骤1：初始化模型及其相关参数
步骤1.1：初始化UUV基本行为动作如表1所示，主要包括： 航行巡逻A1、感知探测A2和趋向目标A3。
表1协调控制的基本行为动作
步骤1.2：假设多UUV系统中由N个UUV xk∈[x1,x2,…,xN]组成， UUV基本行为动作由Ai∈[A1,A2,A3]组成，目标由M个敌方入侵移 动目标yj∈[y1,y2,…,yM]组成。
步骤2：招标者(TUA)形成阶段计算
在多UUV系统中，如果UUV xk在探测范围Dr首先发现敌方目 标yj，并且执行基本行为动作A1，则xk自动成为招标者TUA xk，其 作为局部网络LN的虚拟中央节点；
步骤3：投标者(BUA)形成阶段计算
招标者TUA xk作为LN的虚拟中央节点，在其通信范围Cr与探 测范围Dr叠加形成区域ΩC及其边缘上的所有H个UUV节点 xh∈[x1,x2,…,xH]，H<N,其自动成为投标者BUA xk；
步骤4：发标(Announcement)阶段计算
招标者TUA xk经基本行为动作A2发现自己没有足够能力围捕敌 方目标yj，在其通信范围Cr内以广播通信的方式向所有投标者BUA xh发出招标信息DD，并且投标者TUA xk基本行为动作从A2转向A3；
步骤5：投标(Bidding)阶段计算
投标者BUA xh收到招标信息后，依据任务时间窗口、自身健康 状态、电池能源状态和水下探测范围等四个约束条件，判断决策自己 是否具备完成该任务的能力，同时向招标者TUA xk发送投标信息BD或拒绝信息RD给TUA xk节点做出回应，形成面向约束条件的BUAxh投标逻辑控制决策模型，如图2所示；具体的投标者BUA xh决策模 型判断步骤为：
步骤5.1：对投标者BUA xh，h＝1
步骤5.2：判断任务时间窗口约束
由于作业环境具有复杂性和动态性、敌方目标具有隐蔽性和欺骗 性等特点、突发事件具有随机性和实效性，因此投标者BUA xh在参 与任务动态规划与协调过程中，会存在一个最佳时间阶段Tf＝[Ts,Te]， 其中Ts和Te为任务执行的最佳起始时间和结束时间，则任务执行窗口 时间T＝Ts-Te需要满足：
Tmin≤T≤Tmax (1)
其中,Tmin和Tmax为任务执行窗口的最小时间和最大时间。如果投标者 BUA xh参与完成围捕任务的时间T满足Tmin≤T≤Tmax，执行步骤5.3， 反之，其不能参与对敌方目标围捕的任务协调与合作，终止BUA xh判 断,以通信动作Refuse发送拒绝投标信息RD给TUA xk节点。
步骤5.3：判断自身健康状态约束
投标者BUA xh自身健康状态主要通过SS＝{SS1,SS2,SS3,SS4, SS5,SS6}来描述和刻画UUV健康状态的各个方面，其状态名称、状 态描述、状态类型和状态值如表2所示。
表2 UUV自身健康状态
具体的自身健康状态通过可靠性理论相关的数学概率进行表示 其中SS1,SS5和SS6的状态可靠度分别表示fSS1(x)＝1.0,fSS5(x)＝0和 fSS6(x)＝0，而SS2、SS3和SS4需要首先计算其失效概率，在由在失 效概率计算状态可靠度。SS2、SS3和SS4的状态可靠度分别计算为：
步骤5.3.1：电子故障SS3失效概率fS3(x)的分布函数用正态分布 表示：
则电子故障SS3可靠度fSS3(x)表示为
fSS3(x)＝1-fS3(x) (3)
其中，μ和σ是正态分布参数。
步骤5.3.2：机械故障SS2和机体损伤SS4的失效概率fS2(x)和 fS4(x)的分布函数用指数分布表示：
则机械故障SS2和机体损伤SS4的可靠度fSS2(x)和fSS4(x)分别表 示为
fSS2(x)＝1-fS2(x) (6)
fSS4(x)＝1-fS4(x) (7)
其中，λ是指数分布参数。
如果投标者BUA xh自身状态可靠度fSSi(x)大于其对应的状态预 设阈值fmin，即执行步骤5.5，反之，其不能参与对敌方 目标围捕的任务协调与合作，终止BUA xh判断,以通信动作Refuse 发送拒绝投标信息RD给TUA xk节点。
步骤5.4：判断电池能源状态约束
由于UUV的水下作战作任务复杂、潜航时间长、航程距离远等 原因，对能源状态的要求一般较高，特别是目前UUV使用的电池提 供能源方式，这是因为电池可以不受水下环境、下潜深度等因素，同 时具有高隐蔽性和低噪音的优势。因此，定义BUA xh电池能源状态约束如下：
式中，表示UUV完成任务所需能源的最低阈值,P(t)表示当前UUV的能源状态。如果BUA xh电池能源状态约束大于最低阈值，执 行步骤4.4，反之，其不能参与对敌方目标围捕的任务协调与合作， 终止BUA xh判断,以通信动作Refuse发送拒绝投标信息RD给TUAxk节点。
步骤5.5：判断水下探测范围约束
水下探测范围约束简化为立体扇面如图3所示，其中r表示探测 扇面的半径(探测距离),v表示水平扇面夹角,η表示扇面的垂直夹角。 如果敌方目标yj位于BUA xh的水下探测范围，则其可以参与对敌方 目标围捕的任务协调与合作，执行步骤5.6，反之，其不能参与对敌 方目标围捕的任务协调与合作，终止BUA xh判断,以通信动作Refuse 发送拒绝投标信息RD给TUA xk节点。
步骤5.6：如果h≤H，对所有投标者BUA xh进行遍历，循环步 骤5.2至步骤5.5；当h＞H，遍历结束，进入步骤6。
步骤6：中标(Awarding)阶段计算
在预定的投标截止时间Tt到达后，招标者TUA xk收到所有投标 者BUA xh提交的投标信息DD后向提出此投标的投标者xh发出中标消 息，同时该投标者xh角色转换为中标者(WUA)，并且基本行为动作从 A1转向基本行为动作A3。
通过以上步骤形成了以招标者TUA xk为虚拟中央节点，中标者 (WUA)xh为跟随节点的局部网络，通过基本行为动作A3可以实现对 敌方目标的围捕。
本发明的方法，在合同网协议CNP模型的基础上，定义了离散 型的基本行为动作，设计面向约束条件的投标逻辑控制决策模型，实 现了约束条件下基于合同网的多UUV系统协商合作建模方法，满足 了分布式结构下多UUV系统的协调与合作，实现对敌方目标的围捕 作业。该方法不仅综合考虑了UUV各方面的能力约束条件，而且通 过约束条件的决策控制模型判断，可以有效减少无效BUA模型参与 局部网络LN的形成，进而减少网络通信规模，保证任务协商的质量 和效率。
以上内容是结合具体的优选实施方式对本发明所作的进一步详 细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明 所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下， 还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (4)
1.一种约束条件下基于合同网的多UUV系统协商合作建模方法，其特征在于，包括以下步骤：
步骤1：初始化UUV基本行为动作及其相关参数
初始化UUV基本行为动作，包括航行巡逻A1、感知探测A2和趋向目标A3；假设多UUV系统中的节点组成、基本行为动作组成和目标组成的范围；定义基于合同网模型的多UUV系统角色，将虚拟中央UUV节点定义为招标者TUA，激活UUV节点和半激活UUV节点为投标者BUA，最终投标成功的UUV节点定义为中标者WUA；
步骤2：招标者形成阶段计算
在多UUV系统中，如果UUV节点xk在探测范围Dr首先发现敌方目标yj，并且执行基本行为动作A1，则xk自动成为招标者TUAxk，将其作为局部网络LN的虚拟中央节点；
步骤3：投标者形成阶段计算
招标者TUA xk作为LN的虚拟中央节点，在其通信范围Cr与探测范围Dr叠加形成区域ΩC及其边缘上的所有H个UUV节点xh∈[x1,x2,…,xH]，H<N，其自动成为投标者BUAxk；
步骤4：发标阶段计算
招标者TUAxk经基本行为动作A2发现自己没有足够能力围捕敌方目标yj，在其通信范围Cr内以广播通信的方式向所有投标者BUAxh发出招标信息DD，并且招标者TUAxk基本行为动作从A2转向A3；
步骤5：投标阶段计算
投标者BUAxh收到招标信息后，依据任务时间窗口、自身健康状态、电池能源状态和水下探测范围等四个约束条件，判断决策自己是否具备完成该任务的能力，同时向招标者TUAxk发送投标信息BD或拒绝信息RD给TUA xk节点做出回应，形成面向约束条件的BUAxh投标逻辑控制决策模型
步骤6：中标阶段计算
在预定的投标截止时间Tt到达后，招标者TUA xk收到所有投标者BUAxh提交的投标信息DD后向提出此投标的投标者xh发出中标消息，同时该投标者xh角色转换为中标者WUA，并且基本行为动作从A1转向基本行为动作A3，通过基本行为动作A3可以实现对敌方目标的围捕。
2.根据权利要求1所述的约束条件下基于合同网的多UUV系统协商合作建模方法，其特征在于，所述步骤1中航行巡逻A1的具体动作是：UUV以分布式结构采取航行巡逻行为动作进行水下入侵目标的巡逻；感知探测A2的具体动作是：在探测范围内，UUV执行感知探测行为动作发现入侵目标，并通过广播形式将探测结果发送相邻节点UUV；趋向目标A3的具体动作是：在通信范围内，相邻节点UUV接受信息后，执行趋向目标的动作，形成围捕态势，其余UUV继续执行航行巡逻行为动作。
3.根据权利要求2所述的约束条件下基于合同网的多UUV系统协商合作建模方法，其特征在于，所述步骤1假设多UUV系统中的节点组成、基本行为动作组成和目标组成的范围具体是指，假设多UUV系统中由N个UUVxk∈[x1,x2,…,xN]组成，UUV基本行为动作由Ai∈[A1,A2,A3]组成，目标由M个敌方入侵移动目标yj∈[y1,y2,…,yM]组成。
4.根据权利要求3所述的约束条件下基于合同网的多UUV系统协商合作建模方法，其特征在于，所述步骤5中投标者BUAxh逻辑控制决策模型判断步骤为：
步骤5.1：对投标者BUAxh，h＝1
步骤5.2：判断任务时间窗口约束
投标者BUAxh在参与任务动态规划与协调过程中，会存在一个最佳时间阶段Tf＝[Ts,Te]，其中Ts和Te为任务执行的最佳起始时间和结束时间，则任务执行窗口时间T＝Ts-Te需要满足：
Tmin≤T≤Tmax
其中,Tmin和Tmax为任务执行窗口的最小时间和最大时间；如果投标者BUAxh参与完成围捕任务的时间T满足Tmin≤T≤Tmax，执行步骤5.3，反之，其不能参与对敌方目标围捕的任务协调与合作，终止BUA xh判断，以通信动作Refuse发送拒绝投标信息RD给TUA xk节点；
步骤5.3：判断自身健康状态约束
投标者BUAxh自身健康状态主要通过SS＝{SS1,SS2,SS3,SS4,SS5,SS6}来描述和刻画UUV健康状态的各个方面，其中，SS1代表健康，SS2代表机械故障，SS3代表电子故障，SS4代表机体损伤，SS5代表全部故障，SS6代表敌方击毁；具体的自身健康状态通过可靠性理论相关的数学概率进行表示，其中SS1，SS5和SS6的状态可靠度分别表示fSS1(x)＝1.0，fSS5(x)＝0和fSS6(x)＝0，而SS2、SS3和SS4需要首先计算其失效概率，再由在失效概率计算状态可靠度；
步骤5.4：判断电池能源状态约束
定义BUAxh电池能源状态约束如下：
式中，表示UUV完成任务所需能源的最低阈值，P(t)表示当前UUV的能源状态；如果投标者BUAxh电池能源状态约束大于最低阈值，执行步骤5.5，反之，其不能参与对敌方目标围捕的任务协调与合作，终止投标者BUAxh判断，以通信动作Refuse发送拒绝投标信息RD给投标者TUA xk节点；
步骤5.5：判断水下探测范围约束
水下探测范围约束简化为立体扇面，探测扇面的半径用r表示，水平扇面夹角用v表示，扇面的垂直夹角用η表示，如果敌方目标yj位于BUAxh的水下探测范围，则其可以参与对敌方目标围捕的任务协调与合作，执行步骤5.6，反之，其不能参与对敌方目标围捕的任务协调与合作，终止BUAxh判断，以通信动作Refuse发送拒绝投标信息RD给投标者TUA xk节点；
步骤5.6：如果h≤H，对所有投标者BUAxh进行遍历，循环步骤5.2至步骤5.5；当h＞H，遍历结束，进入步骤6。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810633326.6A CN110618689B (zh) | 2018-06-20 | 2018-06-20 | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810633326.6A CN110618689B (zh) | 2018-06-20 | 2018-06-20 | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110618689A true CN110618689A (zh) | 2019-12-27 |
| CN110618689B CN110618689B (zh) | 2022-04-26 |
Family
ID=68920520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810633326.6A Active CN110618689B (zh) | 2018-06-20 | 2018-06-20 | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110618689B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281089A (zh) * | 2021-11-29 | 2022-04-05 | 中国船舶重工集团公司第七0七研究所 | 一种基于多约束模型的水下协同导航编队约束方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040088206A1 (en) * | 2001-03-29 | 2004-05-06 | Thompson Simon G | Work allocation system |
| CN102903028A (zh) * | 2012-09-28 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 一种面向应急的多飞艇对地观测任务协同分配方法 |
| CN105843227A (zh) * | 2016-04-15 | 2016-08-10 | 上海大学 | 一种基于任务密集度动态调整的多机器人协作围捕任务分配方法 |
| CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
| CN107219760A (zh) * | 2017-05-23 | 2017-09-29 | 西北工业大学 | 一种多属性约束模糊推理的uuv协调控制模块建模方法 |
-
2018
- 2018-06-20 CN CN201810633326.6A patent/CN110618689B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040088206A1 (en) * | 2001-03-29 | 2004-05-06 | Thompson Simon G | Work allocation system |
| CN102903028A (zh) * | 2012-09-28 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 一种面向应急的多飞艇对地观测任务协同分配方法 |
| CN105843227A (zh) * | 2016-04-15 | 2016-08-10 | 上海大学 | 一种基于任务密集度动态调整的多机器人协作围捕任务分配方法 |
| CN106875090A (zh) * | 2017-01-09 | 2017-06-20 | 中南大学 | 一种面向动态任务的多机器人分布式任务分配形成方法 |
| CN107219760A (zh) * | 2017-05-23 | 2017-09-29 | 西北工业大学 | 一种多属性约束模糊推理的uuv协调控制模块建模方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114281089A (zh) * | 2021-11-29 | 2022-04-05 | 中国船舶重工集团公司第七0七研究所 | 一种基于多约束模型的水下协同导航编队约束方法 |
| CN114281089B (zh) * | 2021-11-29 | 2023-06-20 | 中国船舶重工集团公司第七0七研究所 | 一种基于多约束模型的水下协同导航编队约束方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110618689B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rizk et al. | Cooperative heterogeneous multi-robot systems: A survey | |
| CN110147101B (zh) | 一种基于深度强化学习的端到端分布式多机器人编队导航方法 | |
| Liu et al. | Multirobot cooperative learning for semiautonomous control in urban search and rescue applications | |
| Russell et al. | Q-decomposition for reinforcement learning agents | |
| Bellman et al. | Self-improving system integration: Mastering continuous change | |
| CN113495578A (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
| CN106096911B (zh) | 一种基于角色的有人/无人协同指挥控制系统及其方法 | |
| Pujol-Gonzalez et al. | Efficient inter-team task allocation in robocup rescue | |
| CN113312172B (zh) | 基于适变网络的多无人机集群动态任务调度模型 | |
| CN112651486A (zh) | 一种提高maddpg算法收敛速度的方法及其应用 | |
| Duan et al. | Dynamic tasks scheduling model of UAV cluster based on flexible network architecture | |
| CN110618689B (zh) | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 | |
| Li et al. | When digital twin meets deep reinforcement learning in multi-UAV path planning | |
| Molina et al. | Behavior coordination for self-adaptive robots using constraint-based configuration | |
| Yang et al. | A Hierarchical Game-Theoretic Decision-Making for Cooperative Multiagent Systems Under the Presence of Adversarial Agents | |
| Vicini et al. | Decision making via game theory for autonomous vehicles in the presence of a moving obstacle | |
| Dennis et al. | Game theory approaches for autonomy | |
| CN110618690B (zh) | 一种基于免疫网络与市场机制的多uuv系统动态协商建模方法 | |
| Memon et al. | Don’t You Agree with My Ethics? Let’s Negotiate! | |
| CN110618607B (zh) | 一种基于行为的多uuv自组织协调控制方法 | |
| Agrawal et al. | A novel bio-inspired algorithm for hunting in multi robot scenario | |
| Mazumder et al. | Partitioning known environments for multi-robot task allocation using genetic algorithms | |
| Schranz et al. | Resource-aware dynamic clustering utilizing state estimation in visual sensor networks | |
| Jaynes et al. | Knowledge-directed reconstruction from multiple aerial images | |
| Liu | Semi-autonomous control of multi-robot teams in urban search and rescue applications |
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 |