CN110852486B - 一种无人机集群自主协同的任务规划方法 - Google Patents
一种无人机集群自主协同的任务规划方法 Download PDFInfo
- Publication number
- CN110852486B CN110852486B CN201910982426.4A CN201910982426A CN110852486B CN 110852486 B CN110852486 B CN 110852486B CN 201910982426 A CN201910982426 A CN 201910982426A CN 110852486 B CN110852486 B CN 110852486B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned aerial
- agent
- aerial vehicle
- planning
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人机集群自主协同的任务规划方法,包括获取并分发任务请求;单Agent任务选择;对外广播选择结果和目标满意值;获取其他Agent广播信息;多Agent冲突消除;广播任务规划结果。本发明充分考虑到无人机实际飞行的电磁空间环境,提出了分布自主规划,相现有技术而言,本发明具有更高的可靠性和更强的鲁棒性,无中央计算节点的存在,使得系统不单一依赖任一节点,当节点发生故障不会影响系统整体功能的发挥;通信时延短且计算复杂度低,每个Agent只需要部分其他Agent的信息和自身状态,就可以实现自主规划和控制,故计算复杂度大大降低,能够实现对战场环境变化的快速反应。
Description
技术领域
本发明属于智能规划和调度领域,具体涉及一种无人机集群自主协同的任务规划方法。
背景技术
在现有无人机集群任务规划的研究中,根据任务规划的信息视角和控制方式不同,主要可以分为两种方式,集中式全局规划和分布式自主规划。
集中式全局规划,是指由某一中央节点对全局所有战场信息和无人机状态信息进行收集和汇总,建立统一的任务规划调度模型,对模型进行求解后,得到每一架无人机的任务分配序列,并将结果以命令的方式发送至相应节点予以执行。
集中式全局规划的方式其优势非常明显,由于考虑到全局信息,故得到的规划调度方案可为全局最优或全局优化解,任务执行的效果高,代价低,且不会出现任务资源冲突等问题,但是其劣势也非常明显:(1)抗毁性差,若中央计算节点出现故障或者损毁时,则任务分配系统则会出现错误甚至瘫痪。(2)计算复杂度高,耗时长,这种规划方式需要考虑整个集群状态和所有战场信息,必然是多目标多约束高维计算问题,容易出现维度灾难,致使有效时间内难以获得优化解。(3)信息质量要求高,这种方式一方面要求对全域信息进行全面实时采集,另一方面要求通信链路能够一直进行高效无损的信息交换,但真实的应用场景很难满足这个要求。
发明内容
本发明的目的在于提供一种无人机集群自主协同的任务规划方法,用于解决现有技术中对信息质量要求高,系统抗毁性差,且规划过程计算复杂度高,耗时长的问题,提高任务机集群任务规划的鲁棒性、抗毁性和可靠性。基于上述目的,提供了一种无人机集群自主协同的任务规划方法,包括以下步骤:
步骤1,获取并分发任务请求;
步骤2,单Agent任务选择;
步骤3,对外广播选择结果和目标满意值;
步骤4,获取其他Agent广播信息;
步骤5,多Agent冲突消除;
步骤6,广播任务规划结果。
具体地,所述的任务规划的模型的目标函数为
Nu表示无人机集合I中的无人机数量,Nt表示任务集J中的任务数量,pj表示任务j∈J的优先级,dij表示无人机i∈I与任务j∈J的距离,sij(pj,dij)将无人机i∈I分配给任务j∈J的目标满意程度,xij为决策变量,xij=1,则表示将无人机i∈I分配给任务j∈J,否则xij=0。
所述的模型的约束条件表示为
第一个约束条件表示,每一架无人机最多被分配给一个任务;第二个约束条件表示,每一个任务分配的无人机小于等于该任务所需的无人机数量;第三个约束条件表示,分配结束的条件为所有任务均已经分配合适的无人机或所有无人机均被分配完毕,Lt为每个任务需要的无人机数量,第五个约束条件是指决策变量只能取值0或者1。
具体地,所述的步骤2中单Agent任务选择的过程包括:
步骤2.1,获取所有任务的优先级、本Agent无人机与任务之间的距离;
步骤2.2,计算本Agent无人机的侦查资源与任务需求之间的匹配关系;
步骤2.3,计算本Agent无人机能够执行的任务以及目标函数满意值。
具体地,所述的匹配关系的计算过程如下:假设战场上有M种Nu个无人机,其中无人机i拥有不同类型的侦察资源m种,则无人机i的侦察资源向量可以表示为VRi=[VRi1,VRi2,…,VRim],i∈I,VRip表示第i个无人机携带的第p种侦察资源的数量;假设战场上有N种Nt个任务,其中任务j需要n种不同类型的侦察资源,则将任务j的资源需求向量表示为TRiq表示任务j对q种资源的需求数量。
求得能力匹配向量的步骤如下:
若任务j需要的每一类侦查资源在无人机i中都具有,且无人机i携带的该类侦查资源的数量不小于任务j所需要的数量,则Cij=1,否则,Cij=0;
遍历所有的无人机或任务,则可以得到能力匹配向量或矩阵。
具体地,步骤5中多Agent冲突消除的过程包括:需要每一个Agent从其他Agent处获得其他Agent的任务选择方案及其对目标函数的贡献值,并根据任务所需的无人机数量进行冲突消除,即要求每一个任务分配的无人机等于该任务所需的无人机数量,而后获得最终规划结果。
本发明提出分布式自主规划的思想,假定每架无人机都是一个独立的智能体,整个无人机集群为一个多Agent系统,每个Agent都有充分的自治权,能够根据自己现有的信息和目标进行自主规划,Agent之间通过一定信息交互进行任务规划的协同,从而实现整个无人机集群的任务规划。本发明方法较现有技术有更好的技术效果:(1)更高的可靠性和更强的鲁棒性,无中央计算节点的存在,使得系统不单一依赖任一节点,当节点发生故障不会影响系统整体功能的发挥。(2)通信时延短且计算复杂度低,每个Agent只需要部分其他Agent的信息和自身状态,就可以实现自主规划和控制,且由于每个Agent只针对于当前的信息规划自身的任务,故计算复杂度大大降低,能够实现对战场环境变化的快速反应。(3)对信息要求较少,这种规划方式特别适合于通信信道不稳定,信息获取不完整不对等的规划场景。
附图说明
图1为本发明实施例的系统框架示意图;
图2为本发明实施例的任务规划流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
无人机集群协同侦察过程中的任务分配问题,该问题的目的是,考虑当前时刻任务集中任务自身的属性及所需的侦察资源,选定无人机及其侦察资源用于遂行相应的任务,使得无人机集群执行任务的总体效能最大。其系统框架如图1所示。
无人机与任务分配问题相关的属性包括,当前位置LOC、侦察资源VR、飞行速度FS、续航能力EC等。当前位置包括无人机的经度、维度和高程,无人机的当前位置与任务执行区域的远近对任务的分配有较为重要的影响,侦察资源包括资源种类及其技术指标,决定其是否具有执行相关任务的能力,飞行速度决定无人机到达任务执行区域的响应时间,续航能力,决定了无人机能飞行的路程,以及执行相应任务区的侦察时间。
任务包括以下属性,任务遂行区域REG、所需侦察资源TR、侦察时长RT、无人机数量dv、任务优先级P等。任务遂行区域要求无人机必须到达该区域才能进行任务的执行,所需的侦察资源要求必须配备了相应的侦察资源具备相应能力的无人机才能用于执行该任务,侦察时长是指执行该任务的无人机需要进行持续侦察该时长才能完成侦察任务,任务优先级是指不同任务之间的重要程度或紧急程度指标排序。
无人机的任务规划显然是一个多目标优化问题,根据应用场景,提出两个目标函数,第一、执行的任务受益最大化,第二、无人机进行的航程最小化,本场景暂不考虑无人机执行任务过程中的安全问题。由此在规划考虑以下两个规则,第一、优先级高的任务优先被分配;第二、无人机应该优先考虑执行距离自己较近的任务。关于这两个目标的平衡,本发明采用一个函数对其进行考量。
如图2所示,一种无人机集群自主协同的任务规划方法,包括以下步骤:
步骤1,获取并分发任务请求;
步骤2,单Agent任务选择;
步骤3,对外广播选择结果和目标满意值;
步骤4,获取其他Agent广播信息;
步骤5,多Agent冲突消除;
步骤6,广播任务规划结果。
本发明中目标函数只考虑任务的优先级和无人机到任务之间的距离,故目标函数可以表示为:
其中,Nu表示无人机集合I中的无人机数量,Nt表示任务集J中的任务数量,pj表示任务j∈J的优先级,dij表示无人机i∈I与任务j∈J的距离,sij(pj,dij)将无人机i∈I分配给任务j∈J的目标满意程度,xij为决策变量,xij=1,则表示将无人机i∈I分配给任务j∈J,否则xij=0。
约束条件可以表示为
第一个约束条件表示,每一架无人机最多被分配给一个任务;第二个约束条件表示,每一个任务分配的无人机小于等于该任务所需的无人机数量;第三个约束条件表示,分配结束的条件为所有任务均已经分配合适的无人机或所有无人机均被分配完毕,Lt为每个任务需要的无人机数量,此处做了简化处理,第五个约束条件是指决策变量只能取值0或者1。
对模型的分布式求解算法由两个阶段组成,第一个阶段为单Agent任务选择,每个Agent根据自身状态属性和收到的任务属性,自主选择可能执行的任务序列,该序列按照目标满意值顺序排列;第二个阶段为多Agent冲突消除,集群中的Agent之间进行信息交互,根据任务对无人机需求的数量以及无人机执行任务的对目标满意值的贡献,来协商任务的具体分配,本方法是基于分布式的,且计算复杂度为多项式的任务分配算法,计算效率非常高。
1、单Agent任务选择
单Agent任务选择实质上是一个能力任务的匹配问题。假设战场上有M种Nu个无人机,其中无人机i拥有不同类型的侦察资源m种,则无人机i的侦察资源向量可以表示为VRi=[VRi1,VRi2,…,VRim],i∈I,VRip表示第i个无人机携带的第p种侦察资源的数量;假设战场上有N种Nt个任务,其中任务j需要n种不同类型的侦察资源,则将任务j的资源需求向量表示为TRiq表示任务j对q种资源的需求数量。
求得能力匹配向量的步骤如下:
若任务j需要的每一类侦查资源在无人机i中都具有,且无人机i携带的该类侦查资源的数量不小于任务j所需要的数量,则Cij=1,否则,Cij=0;
遍历所有的无人机或任务,则可以得到能力匹配向量或矩阵。
2、多Agent冲突消除
虽然,分布式自主规划具有许多优点,但是,由于该系统中无中央控制节点,每个Agent自主进行规划,就非常可能产生结果冲突,所以这种规划必须对冲突进行消除,此处的冲突主要是指,执行任务的无人机多于或少于该任务所需无人机的数量。这个阶段,需要每一个Agent从其他Agent处获得其他Agent的任务选择方案及其对目标函数的贡献值,并根据任务所需的无人机数量进行冲突消除,而后获得最终规划结果。最终,可以获得在每个任务规划周期中。
本发明提出分布式自主规划的思想,假定每架无人机都是一个独立的智能体,整个无人机集群为一个多Agent系统,每个Agent都有充分的自治权,能够根据自己现有的信息和目标进行自主规划,Agent之间通过一定信息交互进行任务规划的协同,从而实现整个无人机集群的任务规划。本发明方法的技术效果:(1)更高的可靠性和更强的鲁棒性,无中央计算节点的存在,使得系统不单一依赖任一节点,当节点发生故障不会影响系统整体功能的发挥。(2)通信时延短且计算复杂度低,每个Agent只需要部分其他Agent的信息和自身状态,就可以实现自主规划和控制,且由于每个Agent只针对于当前的信息规划自身的任务,故计算复杂度大大降低,能够实现对战场环境变化的快速反应。(3)对信息要求较少,这种规划方式特别适合于通信信道不稳定,信息获取不完整不对等的规划场景。
Claims (2)
1.一种无人机集群自主协同的任务规划方法,其特征在于,包括以下步骤:
步骤1,获取并分发任务请求;
步骤2,单Agent任务选择;
步骤3,对外广播选择结果和目标满意值;
步骤4,获取其他Agent广播信息;
步骤5,多Agent冲突消除;
步骤6,广播任务规划结果;
所述的任务规划的模型的目标函数为
Nu表示无人机集合I中的无人机数量,Nt表示任务集J中的任务数量,pj表示任务j∈J的优先级,dij表示无人机i∈I与任务j∈J的距离,sij(pj,dij)将无人机i∈I分配给任务j∈J的目标满意程度,xij为决策变量,xij=1,则表示将无人机i∈I分配给任务j∈J,否则xij=0;
所述的模型的约束条件表示为
第一个约束条件表示,每一架无人机最多被分配给一个任务;第二个约束条件表示,每一个任务分配的无人机小于等于该任务所需的无人机数量;第三个约束条件表示,分配结束的条件为所有任务均已经分配合适的无人机或所有无人机均被分配完毕,Lt为每个任务需要的无人机数量,第四个约束条件是指决策变量只能取值0或者1;
所述的步骤2中单Agent任务选择的过程包括:
步骤2.1,获取所有任务的优先级、本Agent无人机与任务之间的距离;
步骤2.2,计算本Agent无人机的侦查资源与任务需求之间的匹配关系;
步骤2.3,计算本Agent无人机能够执行的任务以及目标函数满意值;
所述的匹配关系的计算过程如下:假设战场上有M种Nu个无人机,其中无人机i拥有不同类型的侦察资源m种,则无人机i的侦察资源向量可以表示为VRi=[VRi1,VRi2,…,VRim],i∈I,VRip表示第i个无人机携带的第p种侦察资源的数量;假设战场上有N种Nt个任务,其中任务j需要n种不同类型的侦察资源,则将任务j的资源需求向量表示为TRj=[TRj1,TRj2,…,TRjn],TRiq表示任务j对q种资源的需求数量;
求得能力匹配向量的步骤如下:
输入已知向量:本Agent无人机的侦察资源向量VRi=[VRi1,VRi2,…,VRim]和所有任务的资源需求向量TRj=[TRj1,TRj2,…,TRjm];
若任务j需要的每一类侦查资源在无人机i中都具有,且无人机i携带的该类侦查资源的数量不小于任务j所需要的数量,则Cij=1,否则,Cij=0;
遍历所有的无人机或任务,则可以得到能力匹配向量或矩阵。
2.根据权利要求1所述的任务规划方法,其特征在于,步骤5中多Agent冲突消除的过程包括:需要每一个Agent从其他Agent处获得其他Agent的任务选择方案及其对目标函数的贡献值,并根据任务所需的无人机数量进行冲突消除,即要求每一个任务分配的无人机等于该任务所需的无人机数量,而后获得最终规划结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982426.4A CN110852486B (zh) | 2019-10-16 | 2019-10-16 | 一种无人机集群自主协同的任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910982426.4A CN110852486B (zh) | 2019-10-16 | 2019-10-16 | 一种无人机集群自主协同的任务规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852486A CN110852486A (zh) | 2020-02-28 |
CN110852486B true CN110852486B (zh) | 2022-04-15 |
Family
ID=69597423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910982426.4A Active CN110852486B (zh) | 2019-10-16 | 2019-10-16 | 一种无人机集群自主协同的任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852486B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111489049B (zh) * | 2020-03-03 | 2022-07-05 | 北京理工大学 | 一种多智能体分布式任务分配方法 |
CN111880559A (zh) * | 2020-07-13 | 2020-11-03 | 南京航空航天大学 | 一种多无人机任务分配和路径规划联合问题的优化方法 |
CN111784211B (zh) * | 2020-08-04 | 2021-04-27 | 中国人民解放军国防科技大学 | 一种基于分簇的群体多任务分配方法及存储介质 |
CN112230677B (zh) * | 2020-10-22 | 2023-07-07 | 中国人民解放军陆军工程大学 | 无人机族群任务规划方法及终端设备 |
CN114488784B (zh) * | 2020-10-26 | 2024-03-22 | 北京机械设备研究所 | 一种人机决策冲突的消解方法和装置 |
CN112783132A (zh) * | 2021-01-11 | 2021-05-11 | 中国船舶重工集团公司第七二三研究所 | 一种无人集群中认知协同赋能的智能体单元 |
CN112862270B (zh) * | 2021-01-20 | 2023-08-11 | 西北工业大学 | 分布式多机器人的个体任务选择方法、装置及系统 |
CN112947545B (zh) * | 2021-01-25 | 2022-10-21 | 中国人民解放军国防科技大学 | 基于条件触发机制的无人机集群任务适变架构设计方法 |
CN113110603B (zh) * | 2021-04-26 | 2022-10-11 | 河北交通职业技术学院 | 基于集群故障的无人机集群任务可靠度分析方法 |
CN113657718B (zh) * | 2021-07-20 | 2024-04-19 | 香港中文大学(深圳) | 一种多机器人动态联盟任务分配方法及相关装置 |
CN113961014A (zh) * | 2021-09-03 | 2022-01-21 | 西北工业大学 | 基于规则库的多意外事件下无人机调度处理系统和方法 |
CN114415735B (zh) * | 2022-03-31 | 2022-06-14 | 天津大学 | 面向动态环境的多无人机分布式智能任务分配方法 |
CN115016533B (zh) * | 2022-05-31 | 2023-03-24 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机多机协同任务分配控制系统及其方法 |
CN115239204B (zh) * | 2022-09-19 | 2023-02-14 | 中国电子科技集团公司第十四研究所 | 一种多平台无人机载射频系统的协同任务规划方法 |
CN115630514B (zh) * | 2022-10-29 | 2023-07-04 | 中国电子科技集团公司第十五研究所 | 一种无人机集群协同任务分配方法与装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109901616A (zh) * | 2019-03-29 | 2019-06-18 | 北京航空航天大学 | 一种异构无人机群分布式任务规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10482063B2 (en) * | 2017-08-14 | 2019-11-19 | Rockwell Automation Technologies, Inc. | Modular control manifest generator for cloud automation |
-
2019
- 2019-10-16 CN CN201910982426.4A patent/CN110852486B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN108664038A (zh) * | 2018-05-14 | 2018-10-16 | 中国人民解放军火箭军工程大学 | 一种多无人机分布式合同竞拍在线任务规划方法 |
CN109901616A (zh) * | 2019-03-29 | 2019-06-18 | 北京航空航天大学 | 一种异构无人机群分布式任务规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110852486A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852486B (zh) | 一种无人机集群自主协同的任务规划方法 | |
CN110286694B (zh) | 一种多领导者的无人机编队协同控制方法 | |
CN111199360B (zh) | 无人机任务分配规划方法 | |
CN113395676B (zh) | 一种基于重叠联盟形成博弈的无人机任务协作方法 | |
WO2022077817A1 (zh) | 一种基于视觉与性能约束的多无人机协同控制方法及系统 | |
CN114281104B (zh) | 一种基于改进蚁群算法的多无人机协同调控方法 | |
CN113448703B (zh) | 一种基于感知阵型的无人机蜂群动态侦察任务调度系统及方法 | |
CN110647398A (zh) | 一种面向边缘计算的基于任务关键度和时效性的交叉口控制任务调度方法 | |
CN111694842A (zh) | 一种基于区块链的星群智能协同运控方法及系统 | |
CN112437502A (zh) | 基于多任务无人机集群信息交互的分层分簇网络拓扑结构生成方法 | |
CN112801539A (zh) | 无人机集群任务的柔变网络架构动态调度模型 | |
CN114154819A (zh) | 一种基于任务相似度的多agv分布式调度方法与系统 | |
CN108830449A (zh) | 航拍无人机选取方法及系统 | |
CN112698637B (zh) | 一种多任务蜂群的协同资源调度方法 | |
CN115016537A (zh) | 一种seda场景下异构无人机配置与任务规划联合优化方法 | |
CN111309488A (zh) | 无人机集群的计算资源共享方法与系统及计算机存储介质 | |
CN109062677B (zh) | 一种无人机系统计算迁移方法 | |
CN113254220A (zh) | 网联汽车负载协同控制方法、装置、设备及存储介质 | |
Xiaohuan et al. | An aggregate flow based scheduler in multi-task cooperated UAVs network | |
CN112180974A (zh) | 基于小型无人机的资源分布式协作方法及系统 | |
CN116193396A (zh) | 空天地一体化车联网中基于切片的协作式任务卸载方法 | |
CN116629511A (zh) | 一种不确定环境下基于两阶段混合调度的多星动态任务规划方法及装置 | |
Yan et al. | Heterogeneous UAV collaborative task assignment based on extended CBBA algorithm | |
CN115695136A (zh) | 一种多源数据分布式嵌入式处理装置及其按需配置方法 | |
CN112256057A (zh) | 一种异构无人系统协同控制方法 |
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 |