CN110852486B - 一种无人机集群自主协同的任务规划方法 - Google Patents

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

一种无人机集群自主协同的任务规划方法

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

N_u表示无人机集合I中的无人机数量，N_t表示任务集J中的任务数量，p_j表示任务j∈J的优先级，d_ij表示无人机i∈I与任务j∈J的距离，s_ij(p_j,d_ij)将无人机i∈I分配给任务j∈J的目标满意程度，x_ij为决策变量，x_ij＝1，则表示将无人机i∈I分配给任务j∈J，否则x_ij＝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，L_t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N_u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VR_i＝[VR_i1,VR_i2,…,VR_im]，i∈I，VR_ip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N_t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

TR_iq表示任务j对q种资源的需求数量。

对VR_i＝[VR_i1,VR_i2,…,VR_im]和

进行匹配，则可以获得无人机对任务的匹配向量，所述的向量指明本Agent无人机具备执行哪些任务的能力，针对所有的无人机则可以计算匹配矩阵定义为C_I×J。

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VR_i＝[VR_i1,VR_i2,…,VR_im]和所有任务的资源需求向量

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C_ij＝1，否则，C_ij＝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，N_u表示无人机集合I中的无人机数量，N_t表示任务集J中的任务数量，p_j表示任务j∈J的优先级，d_ij表示无人机i∈I与任务j∈J的距离，s_ij(p_j,d_ij)将无人机i∈I分配给任务j∈J的目标满意程度，x_ij为决策变量，x_ij＝1，则表示将无人机i∈I分配给任务j∈J，否则x_ij＝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，L_t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N_u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VR_i＝[VR_i1,VR_i2,…,VR_im]，i∈I，VR_ip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N_t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

TR_iq表示任务j对q种资源的需求数量。

对VR_i＝[VR_i1,VR_i2,…,VR_im]和

进行匹配，则可以获得无人机对任务的匹配向量，所述的向量指明本Agent无人机具备执行哪些任务的能力，针对所有的无人机则可以计算匹配矩阵定义为C_I×J。

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VR_i＝[VR_i1,VR_i2,…,VR_im]和所有任务的资源需求向量

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C_ij＝1，否则，C_ij＝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

N_u表示无人机集合I中的无人机数量，N_t表示任务集J中的任务数量，p_j表示任务j∈J的优先级，d_ij表示无人机i∈I与任务j∈J的距离，s_ij(p_j,d_ij)将无人机i∈I分配给任务j∈J的目标满意程度，x_ij为决策变量，x_ij＝1，则表示将无人机i∈I分配给任务j∈J，否则x_ij＝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，L_t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N_u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VR_i＝[VR_i1,VR_i2,…,VR_im]，i∈I，VR_ip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N_t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TR_j＝[TR_j1,TR_j2,…,TR_jn]，TR_iq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VR_i＝[VR_i1,VR_i2,…,VR_im]和所有任务的资源需求向量TR_j＝[TR_j1,TR_j2,…,TR_jm]；

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C_ij＝1，否则，C_ij＝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。

Images