CN111368971A - 一种无人机集群协同降落排序方法及系统 - Google Patents
一种无人机集群协同降落排序方法及系统 Download PDFInfo
- Publication number
- CN111368971A CN111368971A CN202010101115.5A CN202010101115A CN111368971A CN 111368971 A CN111368971 A CN 111368971A CN 202010101115 A CN202010101115 A CN 202010101115A CN 111368971 A CN111368971 A CN 111368971A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- failure probability
- cluster
- landing
- 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
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims description 56
- 230000036541 health Effects 0.000 claims description 45
- 230000015556 catabolic process Effects 0.000 claims description 44
- 238000006731 degradation reaction Methods 0.000 claims description 44
- 230000007423 decrease Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000001537 neural effect Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000000704 physical effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种无人机集群的协同降落排序方法，包括：无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。本发明提供的技术方案采用可靠性预测方法，通过物理性能强弱差异对无人机集群进行排序，避免了人为指定或程序随机选择无人机降落顺序的主观性。
Description
技术领域
本发明涉及群体智能操作系统的应用领域，具体涉及一种无人机集群协同降落排序方法及系统。
背景技术
无人机集群是由相近空间、相同意图、功能互补、相互协同的无人机集群实体构成的编队。无人机集群的优点是效率高，可扩展性强，集群内部的无人机之间相互协同并行工作，在军事侦察、区域巡逻、物资搬运、地形探测等多个领域具有广泛的应用。在无人机事故统计中，60％-70％的事故发生在起飞和降落过程。
无人机集群的管理者，可以是领航者也可以是地面站。管理者能够统一管理跟随者执行协同降落任务。但是，一旦管理者发生故障，将会导致通信拓扑逐步蔓延至整个无人机集群的通信网络，最终导致无人机不能协同降落，甚至发生碰撞坠机的风险。解决问题的一种方式是让每架无人机均具有自主执行降落程序的功能，每架无人机知道自身的降落序号，由程序设置时钟差或消息广播的方式实现集群中的无人机按照顺序号执行降落着陆过程。如果人为指定或者程序随机选择无人机的降落序号，此时不能保证可靠性较差的无人机优先降落，会增加降落过程发生坠机风险的概率。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供一种无人机集群协同降落排序方法及系统。
本发明提供的技术方案是：
一种无人机集群协同降落排序方法，其改进之处在于，所述方法包括：
无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；
依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
优选地，所述无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值包括：
每架无人机根据各自的运行状态数据计算自身的健康特征值；
依据所述健康特征值计算自身的失效概率预测值。
优选地，所述每架无人机与所述无人机集群中的其他无人机进行通信包括
每架无人机在无人机集群中广播自身的失效概率预测值；同时订阅其他无人机的失效概率预测值。
优选地，所述依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号包括：
每架无人机在获得的包括自身在内的所有无人机的失效概率预测值中选择所述失效概率预测值最小的无人机最后降落。
优选地，所述健康特征值为无人机的当前运行状态数据与正样本数据的欧氏距离，或者是输入向量与最佳匹配神经单元之间的欧氏距离；
其中，所述输入向量是由所述无人机的当前运行状态数据所对应的粗特征构成的一维向量在某时间周期内构成的向量。
优选地，所述当前运行状态数据与正样本数据的欧氏距离按下式进行计算：
式中，dij：编号为i的无人机在第j个运行周期的状态数据与正样本数据之间的欧氏距离；m：第j个运行周期内采集的粗特征值数量；Xik：当前状态数据，即编号为i的无人机在第j个运行周期的状态数据；uik：正样本数据；i：无人机编号；j：第j个运行周期。
优选地，所述输入向量U(t)与最佳匹配神经单元之间的欧氏距离，按下式进行计算：
式中：MQEt：输入向量U(t)与BMU之间的欧氏距离，即最小量化误差；U(t)：输入向量；BMU：自组织特征映射模型的最佳匹配神经单元；F：矩阵Frobenius范数；t：第t个时间周期；
优选地，所述依据所述健康特征值计算自身的失效概率预测值包括：
将所述健康特征值作为衰退特征值，采用经典衰退模型构建无人机的性能衰退轨迹模型；
采用蒙特卡罗方法对所述性能衰退轨迹模型参数进行抽样计算，得到可能衰退轨道；
依据所述可能衰退轨道和预先设定软阈值计算未来运行周期内的失效概率预测值。
优选地，所述性能衰退轨迹模型如下式所示：
yij＝η(τij,0,βi)+ξij
式中，yij：编号i的无人机在第j个运行周期时的健康特征值；η：描述性能衰退变量的函数；φ：常数；βi：编号i的无人机的衰退率；ξij：无人机性能变量变化不确定性的误差项；τij：运行周期；
其中，描述性能衰退变量的函数η是τij的单调非线性函数，也与参数βi成非线性关系。
优选地，所述失效概率预测值按下式进行计算：
式中，T：运行周期参数向量；τ：第τ个运行周期；y：衰退特征向量；P：第τ个运行周期时健康特征值的概率分布函数；yτ：第τ个运行周期时的性能衰退特征值；Dth：预先定义的软阈值。
本发明还提供一种无人机集群降落排序系统，包括：计算模块、通信模块、选择模块；
计算模块：用于无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
通信模块：用于每架无人机与其他无人机进行通信，获得所有无人机的失效概率预测值；
选择模块：用于依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案通过无人机集群中的每架无人机的运行状态数据，采用可靠性预测方法计算其失效概率预测值，通过物理性能强弱差异对无人机集群进行排序，从而确定每架无人机在无人机集群中的降落序号，避免了人为指定或程序随机选择降落序号的主观性，保证可靠性高的无人机最后降落，降低故障无人机降落过程发生坠机风险的概率；
本发明提供的技术方案由无人机独立计算失效概率预测值，且可以根据不同的需要定制无人机的状态数据，适用于多种无人机机型，且不仅能应用于无人机集群，还可应用于智能群体机器人的入库排序。
本发明提供的技术方案易于理解，实施简单，具有广泛的适用性。
附图说明
图1为本发明无人机集群协同降落排序方法示意图；
图2为本发明无人机集群降落排序系统示意图；
图3为本发明无人机集群协同降落排序方法框架图；
图4为本发明实施例3中无人机数据处理单元、性能衰退轨道与健康特征值之间的关系图；
图5为本发明实施例3中无人机未来某运行周期的健康特征值和失效概率预测值计算过程流程图；
图6为本发明实施例3中无人机未来某运行周期的健康特征预测方法示意图；
图7为本发明实施例3中编号为UAV_ID＝1的无人机的性能衰退轨道；
图8为本发明实施例3中无人机在未来某运行周期的失效概率预测值；
图9为本发明实施例3中无人机之间相互广播和订阅消息的通信示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1：
一种无人机集群协同降落排序方法，如图1所示，包括：
步骤1：无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
步骤2：每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；
步骤3：依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
步骤1：无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值包括：
每架无人机根据各自的运行状态数据计算自身的健康特征值；
依据所述健康特征值计算自身的失效概率预测值。
具体地，所述健康特征值为无人机的当前运行状态数据与正样本数据的欧氏距离，或者是输入向量与最佳匹配神经单元之间的欧氏距离；
其中，所述输入向量是由所述无人机的当前运行状态数据所对应的粗特征构成的一维向量在某时间周期内构成的向量。
具体地，所述当前运行状态数据与正样本数据的欧氏距离按下式进行计算：
式中，dij：编号为i的无人机在第j个运行周期的状态数据与正样本数据之间的欧氏距离；m：第j个运行周期内采集的粗特征值数量；Xik：当前状态数据，即编号为i的无人机在第j个运行周期的状态数据；uik：正样本数据；i：无人机编号；j：第j个运行周期。
优选地，粗特征是指从飞控板解析的所有数据的初级特征数据。例如，均值、方差、最大值、最小值等构成的向量。对粗特征进一步变换即可得到精特征，即健康特征值。
采用高斯核函数对欧氏距离进行相似性测量的表达式为：
其中，sj：当前状态数据与正样本数据之间的相似性；h：核函数的宽度。
另一种计算方案是采用自组织特征映射模型计算无人机的健康特征值。自组织特征映射模型是由输入层和竞争层构成的神经网络结构，两层之间的各神经元双向连接，没有隐含层。对于每一个输入到自组织特征映射模型的向量U(t)，通过计算自组织特征映射模型中每个神经元的权值向量与U(t)之间的欧氏距离，得到一组距离序列，距离序列中的最小值对应的神经元被称为最佳匹配神经单元(BMU)。正样本数据大部分聚类在最佳匹配神经单元的一定距离范围之内。根据学习函数，更新最佳匹配神经单元及其每个近邻神经元的权值向量，使其分别得到兴奋和抑制，直到达到预定训练次数或每次学习中权值改变量小于某一阈值。
基于自组织特征映射模型计算最小量化误差向量，对最小量化误差向量进行优化加权融合得到一条最优的性能衰退轨道，采用正样本数据训练自组织特征映射模型的参数。最佳匹配神经单元及其邻近神经元权值向量随着时间变化相对于输入向量而调整，学习函数的表达式为：
Wi(t+1)＝Wi(t)-α(t)·hci(t)·(Ui(t)-Wi(t))
式中，t+1和t分别表示两个相邻的时刻；Wi表示第i个神经元的权值向量；hci(t)为t时刻获取邻近神经元的方式。
最小量化误差定义为输入向量U(t)与最佳匹配神经单元之间的欧氏距离，最小量化误差即作为某时刻的健康特征值。
所述输入向量U(t)与最佳匹配神经单元之间的欧氏距离，按下式进行计算：
式中：MQEt：输入向量U(t)与BMU之间的欧氏距离，即最小量化误差；U(t)：输入向量；BMU：自组织特征映射模型的最佳匹配神经单元；F：矩阵Frobenius范数；t：第t个时间周期；
所述输入向量U(t)为由无人机的多个状态传感器输出的当前运行状态数据所对应的粗特征uij构成的一维向量在时间周期t内构成的向量。
由运行周期1至t的最小量化误差组成性能衰退轨道。比如，编号为i的无人机的性能衰退轨道记为
其中，γi：编号为i的无人机的性能衰退轨道；
编号为i的无人机的在第j个运行周期时的欧氏距离。
具体地，所述依据所述健康特征值计算自身的失效概率预测值包括：
将所述健康特征值作为衰退特征值，采用经典衰退模型构建无人机的性能衰退轨迹模型；
采用蒙特卡罗方法对所述性能衰退轨迹模型参数进行抽样计算，得到可能衰退轨道；
依据所述可能衰退轨道和预先设定软阈值计算未来运行周期内的失效概率预测值。
具体地，所述性能衰退轨迹模型如下式所示：
yij＝η(τij,φ,βi)+ξij
式中，yij：编号i的无人机在第j个运行周期时的健康特征值；η：描述性能衰退变量的函数；φ：常数；βi：编号i的无人机的衰退率；ξij：无人机性能变量变化不确定性的误差项；τij：运行周期；
其中，描述性能衰退变量的函数η是τij的单调非线性函数，也与参数βi成非线性关系。
其中，η是τij的单调非线性函数，也与参数βi成非线性关系。
假设随机误差项序列满足
正态分布，
误差方差。
误差方差
服从后验分布表达式为：
式中，y：衰退特征向量；T：服役周期参数向量；n-k：逆χ2分布的自由度，k为限制条件数，n：衰退特征向量样本的数量；
假设未知参数性能衰退率βi满足先验分布表达式为：
式中，
根据当前测得的健康特征值以及事先获得的先验信息，包括：退化率的初始退化值、均值、方差，再对模型参数进行估计。
具体地，所述失效概率预测值按下式进行计算：
式中，T：运行周期参数向量；τ：第τ个运行周期；y：衰退特征向量；P：第τ个运行周期时健康特征值的概率分布函数；yτ：第τ个运行周期时的性能衰退特征值；Dth：预先定义的软阈值。
步骤2：每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；
具体地，所述每架无人机与所述无人机集群中的其他无人机进行通信包括
每架无人机在无人机集群中广播自身的失效概率预测值；同时订阅其他无人机的失效概率预测值。
无人机集群中的无人机之间相互通信，并在执行任务前，广播自身的失效概率预测值，同时，也订阅其他无人机的失效概率。考虑到通信可靠性较差会导致部分数量的无人机发出的消息未被接收等情况，为了使每架无人机获得所有无人机的失效概率预测值，无人机之间广播和订阅消息的时间尽可能长一些。例如，对于30架固定翼无人机构成的集群，当存在无人机之间通信时断时续等不可靠影响因素时，广播和订阅消息的持续时间为2分钟。
步骤3，所述依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号包括：
每架无人机在获得的包括自身在内的所有无人机的失效概率预测值中选择所述失效概率预测值最小的无人机最后降落。
如果集群中无人机的种类是多样化的，并且各种类无人机数量不同，只需要选择功能最强大的一架无人机为领航者，其他无人机均为跟随者。跟随者采用本专利的方法降落排序方法，领航者最后降落。
实施例2：
基于同一发明构思，本发明还提供一种无人机集群降落排序系统，如图2所示，包括：计算模块、通信模块、选择模块；
计算模块：用于无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
通信模块：用于每架无人机与其他无人机进行通信，获得所有无人机的失效概率预测值；
选择模块：用于依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
计算模块包括第一计算子模块和第二计算子模块；第一计算子模块：用于每架无人机根据各自的运行状态数据计算自身的健康特征值；第二计算子模块：用于依据所述健康特征值计算自身的失效概率预测值。
第一计算子模块中，所述健康特征值为无人机的当前运行状态数据与正样本数据的欧氏距离，或者是输入向量与最佳匹配神经单元之间的欧氏距离；
其中，所述输入向量是由所述无人机的当前运行状态数据所对应的粗特征构成的一维向量在某时间周期内构成的向量。
具体地，所述当前运行状态数据与正样本数据的欧氏距离按下式进行计算：
式中，dij：编号为i的无人机在第j个运行周期的状态数据与正样本数据之间的欧氏距离；m：第j个运行周期内采集的粗特征值数量；Xik：当前状态数据，即编号为i的无人机在第j个运行周期的状态数据；uik：正样本数据；i：无人机编号；j：第j个运行周期。
所述输入向量U(t)与最佳匹配神经单元之间的欧氏距离，按下式进行计算：
式中：MQEt：输入向量U(t)与BMU之间的欧氏距离，即最小量化误差；U(t)：输入向量；BMU：自组织特征映射模型的最佳匹配神经单元；F：矩阵Frobenius范数；t：第t个时间周期；
所述输入向量U(t)为由无人机的多个状态传感器输出数据所对应的粗特征uij构成的一维向量在连续时间段t内构成的向量。
第二计算子模块中，所述依据所述健康特征值计算自身的失效概率预测值包括：
将所述健康特征值作为衰退特征值，采用经典衰退模型构建无人机的性能衰退轨迹模型；
采用蒙特卡罗方法对所述性能衰退轨迹模型参数进行抽样计算，得到可能衰退轨道；
依据所述可能衰退轨道和预先设定软阈值计算未来运行周期内的失效概率预测值。
优选地，所述性能衰退轨迹模型如下式所示：
yij＝η(τij,φ,βi)+ξij
式中，yij：编号i的无人机在第j个运行周期时的健康特征值；η：描述性能衰退变量的函数；φ：常数；βi：编号i的无人机的衰退率；ξij：无人机性能变量变化不确定性的误差项；τij：运行周期；
其中，描述性能衰退变量的函数η是τij的单调非线性函数，也与参数βi成非线性关系。
优选地，所述失效概率预测值按下式进行计算：
式中，T：运行周期参数向量；τ：第τ个运行周期；y：衰退特征向量；P：第τ个运行周期时健康特征值的概率分布函数；yτ：第τ个运行周期时的性能衰退特征值；Dth：预先定义的软阈值。
选择模块中，所述依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号包括：
每架无人机在获得的包括自身在内的所有无人机的失效概率预测值中选择所述失效概率预测值最小的无人机最后降落。
实施例3：
无人机集群的一个应用场景，配备了群体智能操作系统的无人机集群在某区域内执行完任务，处于降落前的集结状态。无人机集群中共有6架四旋翼无人机，编号记为UAV_ID＝1，UAV_ID＝2，UAV_ID＝3，UAV_ID＝4，UAV_ID＝5，UAV_ID＝6。
无人机集群协同降落排序方法，如图3所示，整体架构是基于分布式边缘计算的思想，无人机集群中的无人机计算自身未来某运行周期的失效概率预测值，再广播给其他无人机，具体步骤如下：
步骤1：无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
从集群中无人机的飞行控制器接口解析出飞行状态数据，得到性能衰退粗特征值，并计算得到各自的健康特征值；
四旋翼无人机飞行控制器采用的通信协议信息如下：
解析出飞行状态数据被存储成rosbag文件，存储消息的格式如下：
将采用机器人操作系统(ROS)存储的rosbag文件转化为txt格式，可以得到各列向量分别为：时间戳、数据帧、相对坐标北东地(单位：m)、飞行速度(单位：m/s)、机载传感器数据等。
采用自组织特征映射模型计算无人机的健康特征值，构建无人机的性能衰退轨迹模型；采用蒙特卡罗方法对所述性能衰退轨迹模型参数进行抽样计算，得到可能衰退轨道；依据所述可能衰退轨道和预先设定软阈值计算未来运行周期内的失效概率预测值。性能衰退轨道与健康特征值之间的关系示意图如图4所示。其中，编号为i无人机的性能衰退轨道γi是由健康特征值MQE1:t组成。
基于自组织核回归模型或神经网络模型计算出的健康特征值，作为性能衰退预测模型的输入变量，性能衰退预测模型采用经典的状态空间模型，采用模拟抽样算法，即蒙特卡罗方法，模拟无人机性能衰退轨迹，统计未来某运行周期时性能衰退轨道的首达软阈值的次数与衰退轨迹模拟次数，其比值作为概率分布估计，再计算出失效概率预测值，无人机的健康特征值和失效概率预测的计算过程如图5所示。
图6为无人机未来某运行周期的健康特征值预测方法示意图，其中，101—预测的性能衰退轨道；102—历史运行周期；103—当前运行周期；104—未来某运行周期。
图7为集群中编号UAV_ID＝1无人机的性能衰退轨道，其中的性能衰退轨道是采用指数函数对健康特征值拟合得到的曲线。集群中所有无人机的性能衰退轨道形状是相似的。
在得到健康特征值构成的性能衰退轨道y后，采用误差方差后验分布计算性能衰退轨迹模型中的误差方差
得到性能衰退预测模型。再对性能衰退轨迹模型的参数进行抽样计算，采用蒙特卡罗方法模拟无人机性能衰退轨迹路径的基础上，未来某运行周期，统计性能衰退轨道的首达软阈值的次数与衰退轨迹模拟次数，其比值作为概率分布估计，再计算累积失效概率。求取j个不同运行周期的性能衰退轨道值为y1,…,yj，相应运行周期记为τ1,…,τj。采用蒙特卡罗方法计算无人机的性能衰退轨迹路径，生成轨迹数量50000。图8为集群中无人机的在未来某运行周期的失效概率预测值。
步骤2：每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；
在执行任务前的给定时刻，群体智能操作系统切换到集群协同降落排序插件。编号UAV_ID＝i，i＝1，2，…，6，的无人机广播各自的失效概率预测值，同时订阅编号UAV_ID≠i无人机的失效概率预测值。单架无人机订阅到集群中所有无人机的失效概率预测值的过程如图9所示。
步骤3：依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
无人机具有独立计算功能，在订阅到无人机集群中其他无人机的失效概率预测值后，对所有无人机的失效概率预测值进行排序，选择值最小的一架无人机UAV_ID＝4为优先降落。
本方法不限制无人机的类型和尺寸，可以是多旋翼、固定翼、混合机，且无人机上安装的采集状态数据的传感器不限于加速度、温度、湿度、高度、视觉相机等，还可安装需要的其他类型传感器。
本方法可以应用到群体智能操作系统中，应用领域不限于无人机集群，也可以是群体智能机器人的排序问题。
上述事实表明，本发明提供的技术方案采用可靠性预测方法，通过物理性能强弱差异对无人机集群进行排序，避免了人为指定或程序随机选择降落序号的主观性；
本发明提供的技术方案由无人机独立计算失效概率预测值，且可以根据不同的需要定制无人机的状态数据，因此，适用于多种无人机机型，且不仅能应用于无人机集群，还可应用于智能群体机器人。
本发明提供的技术方案易于理解，实施简单，具有广泛的适用性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种无人机集群协同降落排序方法，其特征在于，所述方法包括：
无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
每架无人机与所述无人机集群中的其他无人机进行通信，获得所有无人机的失效概率预测值；
依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
2.如权利要求1所述的无人机集群协同降落排序方法，其特征在于，所述无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值包括：
每架无人机根据各自的运行状态数据计算自身的健康特征值；
依据所述健康特征值计算自身的失效概率预测值。
3.如权利要求1所述的无人机集群协同降落排序方法，其特征在于，所述每架无人机与所述无人机集群中的其他无人机进行通信包括
每架无人机在无人机集群中广播自身的失效概率预测值；同时订阅其他无人机的失效概率预测值。
4.如权利要求1所述的无人机集群协同降落排序方法，其特征在于，依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号包括：
每架无人机在获得的包括自身在内的所有无人机的失效概率预测值中选择所述失效概率预测值最小的无人机最后降落。
5.如权利要求2所述的无人机集群协同降落排序方法，其特征在于，所述健康特征值为无人机的当前运行状态数据与正样本数据的欧氏距离，或者是输入向量与最佳匹配神经单元之间的欧氏距离；
其中，所述输入向量是由所述无人机的当前运行状态数据所对应的粗特征构成的一维向量在某运行周期内构成的向量。
6.如权利要求5所述的无人机集群协同降落排序方法，其特征在于，所述当前运行状态数据与正样本数据的欧氏距离按下式进行计算：
式中，dij：编号为i的无人机在第j个运行周期的状态数据与正样本数据之间的欧氏距离；m：第j个运行周期内采集的粗特征值数量；Xik：当前状态数据，即编号为i的无人机在第j个运行周期的状态数据；uik：正样本数据；i：无人机编号；j：第j个运行周期。
优选的，所述输入向量U(t)与最佳匹配神经单元之间的欧氏距离，按下式进行计算：
式中：MQEt：输入向量U(t)与BMU之间的欧氏距离，即最小量化误差；U(t)：输入向量；BMU：自组织特征映射模型的最佳匹配神经单元；F：矩阵Frobenius范数；t：第t个运行周期。
7.如权利要求2所述的无人机集群协同降落排序方法，其特征在于，所述依据所述健康特征值计算自身的失效概率预测值包括：
将所述健康特征值作为衰退特征值，采用经典衰退模型构建无人机的性能衰退轨迹模型；
采用蒙特卡罗方法对所述性能衰退轨迹模型参数进行抽样计算，得到可能的衰退轨道；
依据所述可能衰退轨道和预先设定软阈值计算未来运行周期内的失效概率预测值。
8.如权利要求7所述的无人机集群协同降落排序方法，其特征在于，所述性能衰退轨迹模型如下式所示：
yij＝η(τij,φ,βi)+ξij
式中，yij：编号i的无人机在第j个运行周期时的健康特征值；η：描述性能衰退变量的函数；φ：常数；βi：编号i的无人机的衰退率；ξij：无人机性能变量变化不确定性的误差项；τij：运行周期；
其中，描述性能衰退变量的函数η是τij的单调非线性函数，也与参数βi成非线性关系。
9.如权利要求7所述的无人机集群协同降落排序方法，其特征在于，所述失效概率预测值按下式进行计算：
式中，T：运行周期参数向量；τ：第τ个运行周期；y：衰退特征向量；P：第τ个运行周期时健康特征值的概率分布函数；yτ：第τ个运行周期时的性能衰退特征值；Dth：预先定义的软阈值。
10.一种无人机集群降落排序系统，其特征在于，所述系统包括：计算模块、通信模块、选择模块；
计算模块：用于无人机集群中的每架无人机根据各自的运行状态数据计算自身的失效概率预测值；
通信模块：用于每架无人机与其他无人机进行通信，获得所有无人机的失效概率预测值；
选择模块：用于依据所述失效概率预测值，确定每架无人机在无人机集群中的降落序号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101115.5A CN111368971B (zh) | 2020-02-19 | 2020-02-19 | 一种无人机集群协同降落排序方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010101115.5A CN111368971B (zh) | 2020-02-19 | 2020-02-19 | 一种无人机集群协同降落排序方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368971A true CN111368971A (zh) | 2020-07-03 |
| CN111368971B CN111368971B (zh) | 2021-01-08 |
Family
ID=71210979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010101115.5A Expired - Fee Related CN111368971B (zh) | 2020-02-19 | 2020-02-19 | 一种无人机集群协同降落排序方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368971B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113852994A (zh) * | 2021-11-18 | 2021-12-28 | 南京信息工程大学 | 一种用于应急通信中的高空基站集群辅助边缘计算方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
| CN107357313A (zh) * | 2017-08-15 | 2017-11-17 | 成都优艾维智能科技有限责任公司 | 一种基于无人机巡检图像的输电线路故障维护系统及方法 |
| CN107807670A (zh) * | 2017-12-21 | 2018-03-16 | 合肥灵猫传媒有限公司 | 一种无人机集群飞行控制系统 |
| CN107861519A (zh) * | 2017-11-06 | 2018-03-30 | 四川联众防务科技有限责任公司 | 一种无人机降落控制系统 |
| CN107943086A (zh) * | 2017-12-21 | 2018-04-20 | 合肥灵猫传媒有限公司 | 一种无人机集群返航控制系统 |
| CN108196582A (zh) * | 2018-02-12 | 2018-06-22 | 深圳技术大学（筹） | 一种室内视觉导航无人机集群飞行控制系统及方法 |
| CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
| CN108447309A (zh) * | 2018-03-14 | 2018-08-24 | 广州亿航智能技术有限公司 | 无人机起降方法、装置和计算机储存介质 |
| US20180307231A1 (en) * | 2017-04-19 | 2018-10-25 | 4D Tech Solutions, Inc. | Intelligent electronic speed controller (iesc) |
| CN108928744A (zh) * | 2018-08-02 | 2018-12-04 | 深圳汇通智能化科技有限公司 | 一种基于大数据的集装箱起重机在线诊断及维护系统 |
| CN109165472A (zh) * | 2018-10-11 | 2019-01-08 | 北京航空航天大学 | 一种基于变拓扑自组织网络的电源健康评估方法 |
| 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 |
| CN109460065A (zh) * | 2019-01-12 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于势函数的无人机集群队形特征辨识方法及系统 |
| CN109782797A (zh) * | 2019-01-03 | 2019-05-21 | 中国科学院自动化研究所 | 用于多点水质采样的多无人机协同方法、系统、装置 |
| CN110146108A (zh) * | 2019-05-10 | 2019-08-20 | 南京航空航天大学 | 一种用于无人机蜂群协同导航的故障在线评估方法 |
| CN110209195A (zh) * | 2019-06-13 | 2019-09-06 | 浙江海洋大学 | 海上无人机的远程控制系统及控制方法 |
-
2020
- 2020-02-19 CN CN202010101115.5A patent/CN111368971B/zh not_active Expired - Fee Related
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180307231A1 (en) * | 2017-04-19 | 2018-10-25 | 4D Tech Solutions, Inc. | Intelligent electronic speed controller (iesc) |
| CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
| CN107357313A (zh) * | 2017-08-15 | 2017-11-17 | 成都优艾维智能科技有限责任公司 | 一种基于无人机巡检图像的输电线路故障维护系统及方法 |
| CN107861519A (zh) * | 2017-11-06 | 2018-03-30 | 四川联众防务科技有限责任公司 | 一种无人机降落控制系统 |
| CN107943086A (zh) * | 2017-12-21 | 2018-04-20 | 合肥灵猫传媒有限公司 | 一种无人机集群返航控制系统 |
| CN107807670A (zh) * | 2017-12-21 | 2018-03-16 | 合肥灵猫传媒有限公司 | 一种无人机集群飞行控制系统 |
| CN108196582A (zh) * | 2018-02-12 | 2018-06-22 | 深圳技术大学（筹） | 一种室内视觉导航无人机集群飞行控制系统及方法 |
| CN108447309A (zh) * | 2018-03-14 | 2018-08-24 | 广州亿航智能技术有限公司 | 无人机起降方法、装置和计算机储存介质 |
| CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
| CN108928744A (zh) * | 2018-08-02 | 2018-12-04 | 深圳汇通智能化科技有限公司 | 一种基于大数据的集装箱起重机在线诊断及维护系统 |
| CN109165472A (zh) * | 2018-10-11 | 2019-01-08 | 北京航空航天大学 | 一种基于变拓扑自组织网络的电源健康评估方法 |
| 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 |
| CN109782797A (zh) * | 2019-01-03 | 2019-05-21 | 中国科学院自动化研究所 | 用于多点水质采样的多无人机协同方法、系统、装置 |
| CN109460065A (zh) * | 2019-01-12 | 2019-03-12 | 中国人民解放军国防科技大学 | 基于势函数的无人机集群队形特征辨识方法及系统 |
| CN110146108A (zh) * | 2019-05-10 | 2019-08-20 | 南京航空航天大学 | 一种用于无人机蜂群协同导航的故障在线评估方法 |
| CN110209195A (zh) * | 2019-06-13 | 2019-09-06 | 浙江海洋大学 | 海上无人机的远程控制系统及控制方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘肩山: "无人机协同维修技术研究", 《航空装备维修技术及应用研讨会》 * |
| 杨瑶瑶: "无人机集群系统任务可靠性建模与评估技术", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 赵林 等: "基于突变理论设冷水泵转轴功能安全完整性评估", 《仪器仪表学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113743461A (zh) * | 2021-07-29 | 2021-12-03 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113743461B (zh) * | 2021-07-29 | 2024-04-09 | 中国人民解放军军事科学院国防科技创新研究院 | 无人机集群健康度评估方法及装置 |
| CN113852994A (zh) * | 2021-11-18 | 2021-12-28 | 南京信息工程大学 | 一种用于应急通信中的高空基站集群辅助边缘计算方法 |
| CN113852994B (zh) * | 2021-11-18 | 2023-04-18 | 南京信息工程大学 | 一种用于应急通信中的高空基站集群辅助边缘计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368971B (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及系统 | |
| Baumann et al. | Deep reinforcement learning for event-triggered control | |
| CN111487991B (zh) | 一种面向无人机集群的安全等级预测方法及系统 | |
| CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
| CN111368971B (zh) | 一种无人机集群协同降落排序方法及系统 | |
| CN111292562A (zh) | 一种航空流量预测方法 | |
| CN112788699B (zh) | 一种飞行自组织网网络拓扑确定方法及系统 | |
| CN112257614A (zh) | 一种基于图卷积网络的航站楼客流量时空分布预测方法 | |
| CN112417973A (zh) | 一种基于车联网的无人驾驶系统 | |
| Ong et al. | Short-term conflict resolution for unmanned aircraft traffic management | |
| CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
| Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
| CN115223402B (zh) | 一种基于时空图卷积网络的空域扇区复杂度预测方法 | |
| Sguerra et al. | Image classification using sum-product networks for autonomous flight of micro aerial vehicles | |
| CN112200391A (zh) | 基于k-近邻互信息特征简化的配电网边缘侧负荷预测方法 | |
| CN112272074A (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| Reily et al. | Adaptation to team composition changes for heterogeneous multi-robot sensor coverage | |
| CN115270928A (zh) | 一种无人机集群目标的联合跟踪方法 | |
| WO2022184652A1 (en) | Simulation based testing for trajectory planners | |
| Rodriguez-Fernandez et al. | Modelling behaviour in UAV operations using higher order double chain Markov models | |
| US20210375141A1 (en) | Systems and methods for flight performance parameter computation | |
| CN117875646A (zh) | 一种多节点多目标任务规划辅助生成方法 | |
| Kumar et al. | Graph learning based decision support for multi-aircraft take-off and landing at urban air mobility vertiports | |
| Oka et al. | Spatial feature-based prioritization for transmission of point cloud data in 3D-image sensor networks |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210108 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |