CN111209294B - 一种基于区域分配面向多无人机的分布式覆盖搜索方法 - Google Patents
一种基于区域分配面向多无人机的分布式覆盖搜索方法 Download PDFInfo
- Publication number
- CN111209294B CN111209294B CN202010031198.5A CN202010031198A CN111209294B CN 111209294 B CN111209294 B CN 111209294B CN 202010031198 A CN202010031198 A CN 202010031198A CN 111209294 B CN111209294 B CN 111209294B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- search
- leader
- area
- 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 57
- 230000008569 process Effects 0.000 claims abstract description 13
- 230000007261 regionalization Effects 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 7
- 230000001351 cycling effect Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000011835 investigation Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明适用于多无人机分布式搜索技术领域,提供了一种基于区域分配面向多无人机的分布式覆盖搜索方法,包括:S1、根据RKNN算法将栅格地图单元进行合并划分到不同区域;S2、根据模型预测控制得到每个无人机需要搜索区域集合并将集合中的区域分配给无人机;S3、无人机根据自己分配到的区域设计搜索路线对区域进行覆盖搜索。该方法能够在更短时间完成搜索任务;相比于直接使用多旅行商问题进行求解,利用栅格区域化减少了求解难度,简化了求解的时间复杂度;能够有效应对搜索过程中出现的突发情况;分别针对已知环境和未知环境提供了对应的路径规划方案,能适应更多的应用场景。
Description
技术领域
本发明属于多无人机分布式搜索技术领域,尤其涉及一种基于区域分配面向多无人机的分布式覆盖搜索方法。
背景技术
无人机与有人飞机相比,无人机具有重量很轻、体积非常小、操作简单和更强的机动性能等优势。特别是在极端恶劣场景中,无人机可以利用本身优势,代替人完成指定任务。近年来,材料技术、传感器技术特别是深度学习和人工智能的不断进步,无人机已经越来越多地被用于执行各种任务,特别是侦察和搜索任务。无人机在执行侦查搜寻过程中,由于自身灵活的机动性能和较小的体积能够近距离侦察搜索目标,借助实时通信系统,能够返回目标高清图像;无人机经过一定的改装,不需要考虑飞行员疲劳伤亡,在传感器的帮助下能够在夜间完成任务。日前,无人机在搜寻侦查范畴内的利用已相当普遍。但是,不同的搜索任务的环境差别很大,例如城市和丛林,不同的地物分布导致搜索任务的安排存在较大差异。搜索目标的种类不同,如静止目标和移动目标,目标还有可能会故意躲避,甚至攻击无人机。无人机搜索区域一般较大,要求无人机短时间内找到目标具有一定难度。除了环境本身的难度,无人机自身也存在一些问题,如负载受限,探测精度不高,通信距离有限对无人机搜寻任务必然造成影响。
同时,在震后救灾的搜索任务中,无人机需要尽快对受灾区域进行应急测绘,了解受灾的整体状况,合理安排资源对重灾区进行搜救,此时,无人机的搜索任务目的是最短时间内完成搜索侦察任务,给后续救灾争取时间。这类任务需要无人机快速完成搜索区域的覆盖搜索,需要合理设计搜索路线,减少每架无人机搜索消耗的时间,从而使完成任务的时间最短。
现有的主流解决方案主要为:
1)基于“S”型路径的区域搜索方法。这是一种传统区域覆盖搜索方法,这种方法以“S”型路线对区域进行覆盖搜索,这种方法能够合理设计搜索路径,减少搜索时间。但是这种方法中无人机集群在任务开始前就制定好路线,一旦任务中出现突发情况如某架无人机发生故障,剩余无人机无法有效替代故障无人机,导致搜索任务无法继续可靠完成。
2)基于模型预测控制的搜索方法。这种方法适用于动态未知环境,能够通过预测未来决策收益来设计搜索路径。它通过动态过程:获取环境信息、滚动预测未来的决策收益和根据预测做出最优策略,不同重复直到任务结束。这种方法能够有效找到目标,但是它是一个完全动态的过程,导致无人机在搜索过程的时间消耗很大,搜索效率并不高。
传统的“S”型搜索方法,这种方法无法应对突发情况,只能按照既定路线进行搜索,没有利用无人机灵活的特点。(2)基于模型预测控制的方法能够很好应对目标搜索。但是单单使用模型预测控制的方法,由于其每一次搜索决策都要进行动态计算,需要大量的时间,同时无法合理设计搜索路线,导致实际的搜索效率不好。
针对以上缺点,我们设计了一种基于区域分配的分布式搜索策略,既能通过合理设计路线达到快速搜索的目的,同时还能应对突发情况,增加了完成搜索的可靠性。
发明内容
本发明的目的在于提供一种基于区域分配面向多无人机的分布式覆盖搜索方法,旨在解决上述的技术问题。
本发明是这样实现的,一种基于区域分配面向多无人机的分布式覆盖搜索方法,所述基于区域分配面向多无人机的分布式覆盖搜索方法包括以下步骤:
S1、根据RKNN算法将栅格地图单元进行合并划分到不同区域;
S2、根据模型预测控制得到每个无人机需要搜索区域集合并将集合中的区域分配给无人机;
S3、无人机根据自己分配到的区域设计搜索路线对区域进行覆盖搜索。
本发明的进一步技术方案是:所述步骤S1中包括以下步骤:
S11、根据生成区域的个数NC,随机产生区域的中心栅格单元;
S12、根据欧氏距离将中心附近距离最近的K个邻居划分到本区域中,并不断循环直至剩余搜索区域剩余栅格数量少于1/3;
S13、利用KNN算法将剩余的1/3栅格单元分别给相应的区域。
本发明的进一步技术方案是:所述步骤S2中包括以下步骤:
S21、经过栅格单元区域化得到区域集合:
S22、对区域集合进行B-MTSP求解得到每架无人机需要搜索的区域集合:Pi={ai(1),ai(2),...,ai(Ni)};
S23、利用模型预测控制的思想通过预测未来k个离散时刻的状态,得到最优的决策集合并将最优决策集合的第一项/>作为下一离散时刻的决策。
本发明的进一步技术方案是:所述步骤S2中还包括以下步骤:
S24、对未搜索的区域集合A'进行多旅行商问题求解,得到的P'i为将来的最优决策集合;
S25、模型预测控制的思想将第一项a'i(1)分配给第i架无人机作为下一个搜索的区域。
本发明的进一步技术方案是:所述步骤S3中每架无人机得到分配区域a'i(1)后,需对该区域的栅格单元进行路径规划设计一条耗时最短的路径。
本发明的进一步技术方案是:所述每架无人机根据分配到的a'i(1),根据实际应用场景利用TSP搜索或MPC动态搜索进行路径规划。
本发明的进一步技术方案是:所述无人机对ai(1)区域进行搜索时,通过通信系统进行信息交流,对剩余未搜索的区域进行全局分配,得到新的区域集合P'i={a'i(1),a'i(2),...,a'i(Ni)},并将a'i(1)分配给第i架无人机作为下一个搜索区域。
本发明的进一步技术方案是:所述基于区域分配面向多无人机的分布式覆盖搜索方法还包括以下步骤:
S4、在无人机搜索中利用心跳机制和Leader机制统筹无人机进行搜索。
本发明的进一步技术方案是:所述Leader机制的选举包括以下步骤:
S41、初始化集群,每架无人机在执行任务时均有唯一编号Uid,选举轮次Times和表明Leader的朝代信息EpochID;
S42、初始投票时,每架无人机都将选票投给自己;
S43、无人机之间进行通信,更新当前轮次无人机的选票信息,如果发现另一架无人机的编号Uid比自己的Uid大,则将选票投给Uid大的,每一轮次只能投一次;
S44、兑票,如果有某架无人机的选票数量大于NU/2,将它选举为Leader,如果没有,则进行下一轮,直到选出Leader;
S45、一旦有无人机被选举为Leader,EpochID+1,更新朝代信息,同时向其他无人机发送消息,告知其被选举为Leader。
本发明的进一步技术方案是:在搜索过程中,Leader短时间挂掉了,然后重新连接上无人机集群,如果此时无人机集群已经选举出新Leader,则按照新Leader进行管理,并从新Leader那里同步搜索地图信息;如果此时还未选举出新Leader,Leader将广播告知自己回来,并要求无人机集群将上次心跳时间到此刻的搜索地图信息进行重新发送。
本发明的有益效果是:该方法能够在更短时间完成搜索任务;相比于直接使用多旅行商问题进行求解,利用栅格区域化减少了求解难度,简化了求解的时间复杂度;能够有效应对搜索过程中出现的突发情况;分别针对已知环境和未知环境提供了对应的路径规划方案,能适应更多的应用场景。
附图说明
图1是本发明实施例提供的原始地图的示意图。
图2是本发明实施例提供的区域分配的分布式搜索策略流程图。
图3是本发明实施例提供的区域划分仿真图原始区域示意图。
图4是本发明实施例提供的区域划分仿真图NC=3的示意图。
图5是本发明实施例提供的区域划分仿真图NC=4的示意图。
图6是本发明实施例提供的分布式搜索策略的系统框图。
图7是本发明实施例提供的基于区域分配面向多无人机的分布式覆盖搜索方法的流程图。
具体实施方式
分别就区域分配搜索的方法进行详细介绍,主要包括搜索环境建模、目标函数、策略原理以及保障机制四个部分。
(一):环境模型建立
无人机在空中进行搜索,不考虑海拔高度或者一些其他的障碍可能导致无人机任务出现问题。本文将任务区域D划分成L×W的离散栅格单元,网格用(m,n),m∈[1,L],n∈[1,W]来表示。图1展示了一个大小为10×6的搜索区域。
(二):目标函数
在覆盖搜索的场景下,搜索任务的目标是最短时间内完成搜索区域的探测。每架无人机在执行搜索任务时,会按照分配的栅格进行搜索。本章模型建模中,设定栅格单元为每架无人机搜索路径的基本单位,第i架无人机的搜索路径基本单位,也就是栅格单元定义为:
pi(k)={mi(k),ni(k)} (1)
式中pi(k)——第i架无人机的第k个栅格单元;
mi(k)——第k个栅格中心点横坐标;
ni(k)——第k个栅格中心点纵坐标;
k——无人机搜索路径的栅格搜索顺序,k∈[1,K],K是搜索路径的总栅格数量。
第i架无人机的搜索路径,可以表示为:
Pathi=(pi(1),pi(2),...,pi(Ki)) (2)
式中pi(k)——第i架无人机的第k个栅格单元;
Ki——第i架无人机搜索的栅格总数。
根据每架无人机的搜索路径,得到搜索路径的总路程长度,再根据无人机的速度,计算出每架无人机完成自己搜索路径所花费的时间。首先,先定义基本路径单位,由于地图离散化为栅格地图,无法精确反映真实距离,我们用每个栅格中心位置坐标{mi(k),ni(k)}近似表示每个栅格位置,然后根据两点间距离公式,得到路径中两个搜索栅格间的距离为:
式中disi(k)——第i架无人机搜索路径中相邻两个搜索栅格的距离;
mi(k+1)——第k+1个栅格中心横坐标;
ni(k+1)——第k+1个栅格中心纵坐标;
mi(k)——第k个栅格中心横坐标;
ni(k)——第k个栅格中心纵坐标。
根据栅格间的距离公式,可以得到无人机搜索路径的总距离长度公式为:
式中Disi——第i架无人机搜索路径距离长度。
在此基础上,得到无人机搜索任务的时间消耗为:
式中Ti——第i架无人机搜索路径的时间消耗;
Vi——第i架无人机搜索的平均速度。
无人机在进行搜索任务时,从搜索基地同时出发,最终回到搜索基地,我们要优化搜索路径,使得无人机完成搜索任务的时间最短,即优化搜索时间消耗最长的那架无人机的搜索路径,使得整体搜索时间最短。在这个思路下,设计了需要优化的目标函数为:
式中——第i架无人机最优路径。
特别的,当搜索系统中每架无人机的平均速度相同时,优化每架无人机搜索路径的总距离Disi和搜索时间消耗Ti相同,目标函数可以简化为:
在本章的研究内容中,我们假设每架无人机的速度Vi相同,将式7作为目标函数。
将本章的目标函数映射到多旅行商问题中进行求解,做出一定改进,方便借助多旅行商问题进行求解。由式(4)和式(7),我们得到单架无人机的搜索距离为Disi,无人机集群的总路程为:
式中Disi——第i架无人机搜索路径距离长度;
D——无人机集群总路程。
本章研究内容的核心问题是无人机完成任务时间,也就是优化完成搜索时间最长的无人机的搜索路径,在多旅行商问题的求解中,转化为均衡负载,避免单架无人机搜索路径过长。为此,我们引入均衡度B来优化多旅行商问题中任务的完成时间,定义为:
式中i,j——无人机编号,i≠j且i,j∈[1,NU];
B——完成任务的均衡度,均衡度越接近0,每条路线越均衡。
至此,通过式(8)和式(9),在两者归一化的基础上,得到B-MTSP问题的总目标函数为:J=αD+βB(10)
式中α,β——权重,且α+β=1。
(三):区域分配搜索方法原理
基于区域分配的分布式搜索策略主要包括三个部分:
(1)栅格区域化。通过下文提出的RKNN算法,将栅格单元进行合并,划分到不同的区域,用区域代替栅格单元作为多旅行商中的城市,减少计算量。
(2)区域分配。引入模型预测控制的思想,对未搜索的区域进行多旅行商问题求解,得到每个无人机需要搜索区域集合,只将集合中第一个区域分配给无人机。每次给每架无人机只分配一个区域,一旦出现突发问题,可以及时通过任务重分配解决,将静态过程转换为动态过程,增加系统的稳定性。
(3)无人机路径规划。无人机根据自己分配到的区域,自己设计搜索路线,对区域进行搜索。
整个策略的流程图如图2所示。
1、栅格区域化
采用的区域分配算法基于K近邻算法(KNN,K-NearestNeighbor)。本文本章借鉴了KNN的思想,用目标点的类别将邻居点进行分类,提出了一种RKNN(RKNN,Reversed-K-NearestNeighbor)算法,用于区域分配。
这种算法的核心思想是,根据生成区域的个数NC,随机产生区域的中心栅格单元,然后根据欧氏距离将中心附近距离最近的K个邻居划分到本区域中来,不断循环,直至剩余搜索区域剩余栅格数量少于1/3。当搜索区域剩余栅格数量少于1/3时,利用KNN算法将剩余的1/3栅格单元分配给合理的区域。RKNN算法的执行步骤如表1所示。KNN算法的资料很多,此处不再做详细说明。
表1 RKNN算法
图3展示了某一次仿真实验中,一块搜索区域进行区域划分后的结果,其中图3展示了原始区域样貌,图4展示了当区域为3块时的划分情况,图5展示了区域为4块时的划分情况。
2、区域分配
经过栅格区域化,可以得到区域集合:
式中NA——区域的数量;
ai——第i个区域,i∈[1,NA]。
对区域集合A进行B-MTSP求解,得到每架无人机需要搜索的区域集合:
Pi={ai(1),ai(2),...,ai(Ni)} (12)
式中ai(i)——无人机搜索的第i个区域,i∈[1,Ni];
Ni——第i架无人机搜索的区域集合的大小;
Pi——第i架无人机搜索的区域集合,i∈[1,NU]。
利用模型预测控制的思想,通过预测未来k个离散时刻的状态,得到最优的决策集合并将最优决策集合的第一项/>作为下
一离散时刻的决策。相对应的,在本章中,对未搜索的区域集合A′进行多旅行商问题求解,然后将得到的P′i为将来的最优决策集合,借鉴模型预测控制的思想,将第一项a'i(1)分配给第i架无人机,作为下一个搜索的区域。循环下去,直到任务完成。
3、路径规划
(1)基于TSP的路径规划每架无人机在得到分配给自己的区域a'i(1)后,需要对该区域的栅格单元进行路径规划,设计一条耗时最短的路径。这和单旅行商问题(TSP)一致,TSP问题可以看作旅行商数量为1时的多旅行商问题。
(2)基于模型预测控制的动态搜索在无人机对未知区域进行搜索的时候,由于未知环境复杂多变,很可能无法简单按照既定路线完成区域的搜索。此时,需要利用第三章模型预测控制策略对区域进行动态搜索,一步一步搜索,同时根据环境信息规划下一步搜索决策。
综合上述,可以得到基于区域分配的分布式搜索策略的执行步骤为:
Step1:初始化搜索系统,包括无人机、搜索地图Maps;
Step2:对全局进行区域分配,得到每架无人机的区域集合Pi={ai(1),ai(2),...,ai(Ni)},并将Pi第一项ai(1)分配给第i架无人机;
Step3:每架无人机根据自己分配到的ai(1),根据实际应用场景,利用TSP或设计搜索路径或者通过MPC动态搜索;
Step4:无人机对ai(1)区域进行搜索,在无人机对该区域进行搜索时,通过通信系统进行信息交流,对剩余未搜索的区域进行全局分配,得到新的区域集合P'i={a'i(1),a'i(2),...,a'i(Ni)},并将a'i(1)分配给第i架无人机作为下一个搜索区域,返回Step3;
Step5:任务结束。
基于区域分配的分布式搜索策略的系统框,如图6所示。
(四):搜索策略的保障机制
在无人机搜索过程中,可能出现多种突发情况,例如无人机出现故障,如何将此架无人机的任务分配给其他无人机。应对这种突发情况,需要合理设计保障机制。
(1)心跳机制。
对于分布式搜索策略,需要记录搜索地图中区域的划分情况,同时,无人机在对这些区域进行搜索时,需要保证实时联系。如果未保障实时联系,某架无人机故障,无法确定无人机何时失联,也无法确定此无人机哪些区域已经进行搜索,哪些区域还未进行搜索,这样对下一步的搜索分配造成困难。为此,我们设计了一种心跳机制,心跳机制是指定时间就发送一个消息给对方,让对方确定活着,同时返回一个消息证明收到该消息。心跳机制需要和下文提出的Leader机制结合。
根据Leader选举机制,在无人机集群中选举出一位Leader,用来保存搜索地图中的区域分配情况。同时,其他无人机每间隔Ts时间向Leader发送自己已经完成的搜索区域,Leader根据收到的信息更新搜索地图,更新已经完成搜索的区域,然后将更新后的搜索地图发送给无人机,一方面可以保存搜索地图的副本,帮助Leader故障后的集群恢复;另一方面,让无人机知道其他无人机的搜索情况,这对于下一步搜索区域的划分至关重要。
(2)Leader机制。
在分布式搜索策略中,无人机按照分配的区域进行搜索,需要了解其他无人机已经完成的搜索情况,才能对下一步进行合理的区域分配。如果每架无人机都和其他无人机进行通信交流,一方面可能会造成通信资源的浪费,而且多个无人机同时进行通信可能造成通信阻塞;另一方面,由于通信时间不同,每架无人机的搜索地图的数据可能不同,造成数据的不一致性。为此,我们设计了一种Leader机制,选举出一位Leader,其他无人机只需要和Leader进行通信,减少无人机之间大量冗余通信,较少了资源浪费。同时,由Leader统一维护搜索地图,并将最新的搜索地图发送给其他无人机,来保证数据的一致性。
具体的选举步骤如下:
Step1:初始化进群,每架无人机在执行任务时均有唯一编号Uid,选举轮次Times和表明Leader的朝代信息EpochID;
Step2:初始投票时,每架无人机都将选票投给自己;
Step3:无人机之间进行通信,更新当前轮次无人机的选票信息,如果发现另一架无人机的编号Uid比自己的Uid大,则将选票投给Uid大的,每一轮次只能投一次;
Step4:兑票,如果有某架无人机的选票数量大于NU/2,将它选举为Leader。如果没有,则进行下一轮,直到选出Leader;
Step5:一旦有无人机被选举为Leader,EpochID+1,更新朝代信息,同时向其他无人机发送消息,告知其被选举为Leader。
如果在搜索过程中,Leader短时间挂掉了,然后重新连接上无人机集群,如果此时无人机集群已经选举出新Leader,则按照新Leader进行管理,并从新Leader那里同步搜索地图信息;如果此时还未选举出新Leader,Leader将广播告知自己回来,并要求无人机集群将上次心跳时间到此刻的搜索地图信息进行重新发送,避免此段时间内信息的丢失。
(3)任务重分配机制。
如果Leader在2Ts时间内没有收到无人机的信息,则认为它已经失联,并将它从无人机集群中设为未激活状态,不再指派新任务给它;与此同时,通知其他无人机,并给定一个缓冲时间Tbuf,在此期间,无人机仍然按照之前的路径搜索,同时,取消缓冲时间Tbuf后的任务,结合无人机未完成的部分,进行重新分配。
如果是Leader挂掉了,根据Leader机制选举新Leader,然后再进上述操作。
(五):基于区域分配的搜索方法的应用及其原理
通过在上述理论的基础上,我们可以更进一步地实现内容丰富、形式多样化的功能应用。
1、震后灾区搜查
在地震发生后,无法第一时间了解整个灾区的详细情况,此时需要要求尽可能快了解受灾情况,这种场景完全契合本文的方法。通过本文的方法能够快速了解灾区全貌,为后续安排救援任务提供宝贵的信息。
2、森林火灾侦查
在发生森林火灾后,可以用本文方法迅速了解火灾的整体情况,将火灾情况及时反馈给指挥中心,帮助安排救火工作。
3、自然保护区巡查
在自然保护区中,需要对自然种群进行合理巡查,查看它们的健康生长状态,同时排查是否有盗猎者对保护动物进行盗猎。可以通过本文的方式,快速有效地对整个保护区进行巡查,维护保护区的安全。
能够在更短时间完成搜索任务;相比于直接使用多旅行商问题进行求解,利用栅格区域化减少了求解难度,简化了求解的时间复杂度;能够有效应对搜索过程中出现的突发情况;分别针对已知环境和未知环境提供了对应的路径规划方案,能适应更多的应用场景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述基于区域分配面向多无人机的分布式覆盖搜索方法包括以下步骤:
S1、根据RKNN算法将栅格地图单元进行合并划分到不同区域;
S2、根据模型预测控制得到每个无人机需要搜索区域集合并将集合中的区域分配给无人机;
S3、无人机根据自己分配到的区域设计搜索路线对区域进行覆盖搜索;
所述步骤S1中包括以下步骤:
S11、根据生成区域的个数NC,随机产生区域的中心栅格单元;
S12、根据欧氏距离将中心附近距离最近的K个邻居划分到本区域中,并不断循环直至剩余搜索区域剩余栅格数量少于1/3;
S13、利用KNN算法将剩余的1/3栅格单元分别给相应的区域;
所述步骤S2中包括以下步骤:
S21、经过栅格单元区域化得到区域集合:
S22、对区域集合进行B-MTSP求解得到每架无人机需要搜索的区域集合:Pi={ai(1),ai(2),...,ai(Ni)};
S23、利用模型预测控制的思想通过预测未来k个离散时刻的状态,得到最优的决策集合并将最优决策集合的第一项/>作为下一离散时刻的决策;
所述步骤S2中还包括以下步骤:
S24、对未搜索的区域集合A'进行多旅行商问题求解,得到的P'i为将来的最优决策集合;
S25、模型预测控制的思想将第一项a'i(1)分配给第i架无人机作为下一个搜索的区域。
2.根据权利要求1所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述步骤S3中每架无人机得到分配区域a'i(1)后,需对该区域的栅格单元进行路径规划设计一条耗时最短的路径。
3.根据权利要求2所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述每架无人机根据分配到的a'i(1),根据实际应用场景利用TSP搜索或MPC动态搜索进行路径规划。
4.根据权利要求3所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述无人机对ai(1)区域进行搜索时,通过通信系统进行信息交流,对剩余未搜索的区域进行全局分配,得到新的区域集合P'i={a'i(1),a'i(2),...,a'i(Ni)},并将a'i(1)分配给第i架无人机作为下一个搜索区域。
5.根据权利要求1-4任一项所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述基于区域分配面向多无人机的分布式覆盖搜索方法还包括以下步骤:
S4、在无人机搜索中利用心跳机制和Leader机制统筹无人机进行搜索。
6.根据权利要求5所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,所述Leader机制的选举包括以下步骤:
S41、初始化集群,每架无人机在执行任务时均有唯一编号Uid,选举轮次Times和表明Leader的朝代信息EpochID;
S42、初始投票时,每架无人机都将选票投给自己;
S43、无人机之间进行通信,更新当前轮次无人机的选票信息,如果发现另一架无人机的编号Uid比自己的Uid大,则将选票投给Uid大的,每一轮次只能投一次;
S44、兑票,如果有某架无人机的选票数量大于NU/2,将它选举为Leader,如果没有,则进行下一轮,直到选出Leader;
S45、一旦有无人机被选举为Leader,EpochID+1,更新朝代信息,同时向其他无人机发送消息,告知其被选举为Leader;
其中,NU是选票的总数量。
7.根据权利要求6所述的基于区域分配面向多无人机的分布式覆盖搜索方法,其特征在于,在搜索过程中,Leader短时间挂掉了,然后重新连接上无人机集群,如果此时无人机集群已经选举出新Leader,则按照新Leader进行管理,并从新Leader那里同步搜索地图信息;如果此时还未选举出新Leader,Leader将广播告知自己回来,并要求无人机集群将上次心跳时间到此刻的搜索地图信息进行重新发送。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031198.5A CN111209294B (zh) | 2020-01-13 | 2020-01-13 | 一种基于区域分配面向多无人机的分布式覆盖搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010031198.5A CN111209294B (zh) | 2020-01-13 | 2020-01-13 | 一种基于区域分配面向多无人机的分布式覆盖搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111209294A CN111209294A (zh) | 2020-05-29 |
CN111209294B true CN111209294B (zh) | 2023-10-24 |
Family
ID=70784308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010031198.5A Active CN111209294B (zh) | 2020-01-13 | 2020-01-13 | 一种基于区域分配面向多无人机的分布式覆盖搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111209294B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925349A (zh) * | 2021-02-01 | 2021-06-08 | 哈尔滨工业大学 | 一种无人机桥面覆盖运动规划方法 |
CN113311864B (zh) * | 2021-05-26 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113673151B (zh) * | 2021-08-06 | 2023-11-07 | 浙江水利水电学院 | 一种仿真模拟野火扑灭优化的方法 |
CN113985891B (zh) * | 2021-11-15 | 2023-09-22 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN115562334B (zh) * | 2022-09-13 | 2023-07-18 | 中国地震应急搜救中心 | 面向多源灾情数据融合的无人机集群任务协同方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108260092A (zh) * | 2018-03-21 | 2018-07-06 | 钱子宇 | 一种蜂群无人机系统 |
CN109144110A (zh) * | 2018-09-14 | 2019-01-04 | 北京领云时代科技有限公司 | 一种无人机集群目标跟踪系统 |
CN109257745A (zh) * | 2018-09-14 | 2019-01-22 | 北京领云时代科技有限公司 | 一种自组网无人机集群系统 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
-
2020
- 2020-01-13 CN CN202010031198.5A patent/CN111209294B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108260092A (zh) * | 2018-03-21 | 2018-07-06 | 钱子宇 | 一种蜂群无人机系统 |
CN109144110A (zh) * | 2018-09-14 | 2019-01-04 | 北京领云时代科技有限公司 | 一种无人机集群目标跟踪系统 |
CN109257745A (zh) * | 2018-09-14 | 2019-01-22 | 北京领云时代科技有限公司 | 一种自组网无人机集群系统 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111209294A (zh) | 2020-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209294B (zh) | 一种基于区域分配面向多无人机的分布式覆盖搜索方法 | |
Liu et al. | Distributed and energy-efficient mobile crowdsensing with charging stations by deep reinforcement learning | |
Gu et al. | A metaverse-based teaching building evacuation training system with deep reinforcement learning | |
Liu et al. | Energy-efficient UAV crowdsensing with multiple charging stations by deep learning | |
Del Ser et al. | Bioinspired computational intelligence and transportation systems: a long road ahead | |
AlMahamid et al. | Autonomous unmanned aerial vehicle navigation using reinforcement learning: A systematic review | |
CN107229695A (zh) | 多平台航空电子大数据系统及方法 | |
CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN108583578A (zh) | 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 | |
CN105892480A (zh) | 异构多无人机系统协同察打任务自组织方法 | |
CN111143680A (zh) | 路线的推荐方法、系统、电子设备及计算机存储介质 | |
CN106791613A (zh) | 一种基于3dgis和视频相结合的智能监控系统 | |
Huang et al. | A multi-robot coverage path planning algorithm for the environment with multiple land cover types | |
CN110781584A (zh) | 一种空军无人机智能仿真作战系统 | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN110288118A (zh) | 一种基于无人机的空中救援响应方法 | |
CN109275099A (zh) | 水下无线传感器网络中基于voi的多auv高效数据收集方法 | |
CN114879702B (zh) | 多智能体巡检控制方法、装置、系统、设备及介质 | |
CN108182218A (zh) | 一种基于地理信息系统的视频人物识别方法、系统及电子设备 | |
CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
CN109102195A (zh) | 一种卫星自主在线滚动任务配置方法及系统 | |
Zhao et al. | Learning transformer-based cooperation for networked traffic signal control | |
Sai et al. | A comprehensive survey on artificial intelligence for unmanned aerial vehicles | |
CN116820121B (zh) | 一种无人机群体联合侦查策略生成方法及终端 | |
Fu et al. | Heterogeneous vehicle routing and teaming with gaussian distributed energy uncertainty |
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 |