CN111401681A

CN111401681A - 多无人机协同巡逻任务分配优化方法

Info

Publication number: CN111401681A
Application number: CN202010084458.5A
Authority: CN
Inventors: 罗贺; 朱默宁; 杨善林; 王国强; 胡笑旋; 唐奕城; 靳鹏; 夏维; 马华伟
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2020-02-10
Filing date: 2020-02-10
Publication date: 2020-07-10
Anticipated expiration: 2040-02-10
Also published as: CN111401681B

Abstract

本发明提供了一种多无人机协同巡逻任务分配优化方法，具体涉及无人机技术领域，该方法先确定无人机巡逻的巡逻目标相关信息、无人机站点相关信息和无人机相关信息，计算并存储无人机的站点到巡逻目标之间、所有巡逻目标之间的欧式距离和飞行时长，然后建立多站点可重访问多无人机任务分配问题MDMV‑MUTAP模型，获取多无人机执行协同巡逻任务的初始任务分配方案集合，最后采用引入染色体分段拼接机制的遗传算法进行优化以获得每架无人机巡逻目标的最优任务分配方案。基于本发明提供的方法，可以在复杂危险场景下优化每架无人机对巡逻目标的访问顺序以及每个巡逻目标被无人机访问的总次数，在最大限度发挥无人机续航能力的前提下提升巡逻任务的完成质量。

Description

多无人机协同巡逻任务分配优化方法

技术领域

本发明涉及无人机技术领域，具体涉及一种多无人机协同巡逻任务分配优化方法。

背景技术

无人机已被广泛应用于军事巡逻和高速公路巡逻等场景中。为了提高巡逻任务的效率，通常会采用多架无人机从不同方向同时对目标区域展开巡逻，而且这些无人机通常会从不同的站点出发。多无人机的应用可以增强巡逻任务完成的鲁棒性，同时有效缩短了巡逻任务的执行时间。

目前现有的方案对执行任务的多架无人机进行了任务分配，但没有考虑无人机的续航能力约束，而且假定所有的无人机均是从同一个站点出发，并且只能对目标进行一次访问。因此，如何提升巡逻任务的完成质量是亟待解决的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种多无人机协同巡逻任务分配优化方法，可以在多种约束条件下对从多个站点出发的无人机进行任务分配，通过优化无人机对巡逻目标的访问次数，最大限度地发挥无人机的续航能力，从而提升巡逻任务的完成质量。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供了一种多无人机协同巡逻任务分配优化方法，其特征在于，所述方法包括：

确定需要无人机巡逻的巡逻目标的目标坐标及其重要程度；

获取所述无人机的站点的站点数量、站点编号及站点坐标；

获取访问所述巡逻目标的所述无人机的相关参数；所述相关参数包括：续航时间和/或飞行速度；

计算所有所述无人机从所述站点到所有所述巡逻目标的欧氏距离以及所有巡逻目标之间的欧氏距离，并使用三维矩阵进行存储，记做欧氏距离矩阵；

根据所述无人机的飞行速度计算每架无人机从所述站点到每个巡逻目标的飞行时长以及无人机在所有巡逻目标之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；

建立所述多站点可重访问多无人机任务分配问题MDMV-MUTAP 模型；

采用所述MDMV-MUTAP模型，根据每个所述巡逻目标的目标坐标及其重要程度、无人机的续航时间、欧氏距离矩阵和/或飞行时长矩阵，获取所述多无人机执行协同巡逻任务的初始任务分配方案集合；采用引入染色体分段拼接机制的遗传算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。

可选地，所述无人机从第k个站点到所有所述巡逻目标i的欧氏距离通过下式计算得到：

其中，

表示无人机第k个站点的横坐标，x_i表示巡逻目标i的横坐标，

表示无人机第k个站点的纵坐标，y_i表示巡逻目标i的纵坐标。

可选地，所述所有巡逻目标之间的欧氏距离通过下式计算得到：

其中，x_i表示无人机第k个站点的横坐标，x_j表示巡逻目标j的横坐标，y_i表示无人机第k个站点的纵坐标，y_j表示巡逻目标j的纵坐标。

可选地，所述MDMV-MUTAP模型的目标函数采用公式(3)来表示：

其中，i为巡逻目标的编号，w_i为巡逻目标i的重要程度，z_i为表示巡逻目标i被所有无人机访问的总次数，N为所述巡逻目标的数量， Max为最大值函数，γ为重访收益因子。

可选地，所述MDMV-MUTAP模型的约束条件采用公式(4)至(8) 来表示：

其中，k为无人机站点的编号，K为无人机站点的数量，D_k表示第k个无人机站点，

为第k个站点D_k的无人机从站点到巡逻目标i 的决策变量，

为第k个站点的无人机从巡逻目标j到站点的决策变量，U为无人机的集合；

为第k个站点的无人机从巡逻目标h到巡逻目标i的决策变量，

为第k个站点的无人机从巡逻目标i到巡逻目标j 的决策变量，T为巡逻目标的集合；

为第k个站点的无人机从巡逻目标i到巡逻目标j的飞行时间，T_mk_ax为第k个站点无人机的最大安全续航时长；

公式(8)为二元决策变量

的取值，当

为1时表示第k个站点的无人机选择了从巡逻目标i到巡逻目标j的路径，当

为0时表示第k个站点的无人机没有选择这条路径。

可选地，所述初始任务分配方案集合包括多个任务分配方案，所述初始任务分配方案包括：所述多无人机中每架所述无人机出发的站点编号、任务执行顺序；

其中，所述任务执行顺序为无人机依次经过的巡逻目标编号。

可选地，所述采用引入染色体分段拼接机制的遗传算法对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案，包括：

以公式(3)作为适应度函数,计算初始任务方案集合中的每一个方案的适应度值；

采用分段拼接机制对初始任务方案集合进行交叉操作得到较优的任务方案集合；

通过多轮迭代对所述较优的任务方案集合进行优化，获得每架所述无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。

可选地，采用分段拼接机制对初始任务方案集合进行交叉操作得到较优的任务方案集合，包括：

步骤1：将所述初始任务方案集合作为父代种群，在所述父代种群中选择两条待交叉的父代染色体并进行分段，经过分段后的每段染色体都代表了一架无人机的任务分配方案；

步骤2：将所述两条待交叉的父代染色体进行拼接；

步骤3：根据无人机的数量K重复步骤2，直到所述两条待交叉的父代染色体中的每一段染色体都完成了单点拼接的交叉操作，将完成所有的染色体段按无人机编号的顺序进行合并，就得到了子代染色体；

步骤4：根据所述父代种群的种群规模重复步骤1-3，直到所述父代种群的每一条染色体都完成了拼接操作，所有完成拼接操作后的染色体组成了一条子代种群，从而得到较优的任务方案集合。

(三)有益效果

本发明提供了一种多无人机协同巡逻任务分配优化方法。与现有技术相比，具备以下有益效果：

1、可以在多种约束条件下对从多个站点出发的无人机进行任务分配，优化每架无人机对巡逻目标的访问顺序以及每个巡逻目标被无人机访问的总次数；

2、通过循环迭代的优化方法，针对需要多架无人机协同完成的巡逻任务，在优化了每个巡逻目标被无人机访问的总次数的同时，最大限度地发挥无人机的续航能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本申请实施例的多无人机协同巡逻任务分配优化方法流程示意图；

图2是根据本申请实施例的多无人机协同巡逻任务场景示意图；

图3是根据本申请实施例的多无人机协同任务具体执行场景示意图；

图4(a)-(c)是根据本申请实施例的染色体拼接示例图；

图5是根据本申请实施例的多无人机协同巡逻任务的最优任务方案的图形化展示示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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。

本申请实施例通过提供一种多无人机协同巡逻任务分配优化方法。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

先确定无人机巡逻的巡逻目标的相关信息、无人机站点的相关信息和无人机的相关信息，计算并存储无人机的站点到巡逻目标之间、所有巡逻目标之间的欧式距离和飞行时长，然后建立多站点可重访问多无人机任务分配问题MDMV-MUTAP(multi-depotmulti-visit multi-UAVtask assignmentproblem)模型，获取多无人机执行协同巡逻任务的初始任务分配方案集合，最后采用引入染色体分段拼接机制的遗传算法进行优化以获得每架无人机巡逻目标的最优任务分配方案。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

图1是根据本申请实施例的多无人机协同巡逻任务分配优化方法流程示意图，参见图1可知，本实施例提供的多无人机协同巡逻任务分配优化方法可以包括：

步骤S101，确定需要无人机巡逻的巡逻目标的目标坐标及其重要程度；

步骤S102，获取无人机的站点的站点数量、站点编号及站点坐标；

步骤S103，获取访问巡逻目标的所述无人机的相关参数；相关参数包括：续航时间和/或飞行速度；

步骤S104，计算所有无人机从站点到所有巡逻目标的欧氏距离以及所有巡逻目标之间的欧氏距离，并使用三维矩阵进行存储，记做欧氏距离矩阵；

步骤S105，根据无人机的飞行速度计算每架无人机从站点到每个巡逻目标的飞行时长以及无人机在所有巡逻目标之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；

步骤S106，建立多站点可重访问多无人机任务分配问题 MDMV-MUTAP模型；

步骤S107，采用MDMV-MUTAP模型，根据每个所述巡逻目标的目标坐标及其重要程度、无人机的续航时间、欧氏距离矩阵和/或飞行时长矩阵，获取多无人机执行协同巡逻任务的初始任务分配方案集合；采用引入染色体分段拼接机制的遗传算法对初始任务分配方案集合进行优化以获得每架无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。

本发明实施例提供了一种多无人机协同巡逻任务分配优化方法，在本发明实施例提供的方法中，在多无人机巡逻场景下，对从不同站点出发的多架无人机进行任务分配，确定每架无人机的巡逻目标以及对所分配巡逻目标的访问顺序。在进行任务分配的时候需要考虑无人机续航能力约束，当无人机无法访问所有巡逻目标时，需要对巡逻目标进行选择，优先访问重要的巡逻目标。该问题的技术核心是为每架无人机分配合适的巡逻目标并确定对巡逻目标的访问顺序。

本发明实施例所提供的应用场景如图2所示，D1、D2分布表示两个站点，1～7为巡逻目标，同时，按照重要目标优先选择原则，颜色越深代表目标越重要，先选择颜色深的作为进行优先访问。

图3是根据本申请实施例的多无人机协同巡逻任务具体执行场景示意图，参见图3可知，无人机管控中心可获取任务区域内需要多无人机协同巡逻的多个巡逻目标(例如交通事故)，确定多无人机协同巡逻任务以确定各巡逻目标的有用信息，并且通过调用智能规划算法生成多无人机协同任务分配方案，所有无人机从各自的站点出发，对不同的目标进行巡逻，在续航能力允许的前提下访问尽可能多的目标，并对权重较高的目标进行多次巡逻，以提升多无人机巡逻任务的完成质量。

下面分别对上述步骤S101～107进行详细说明。

参见上述步骤S101，首先要确定需要无人机巡逻的巡逻目标的目标坐标及其重要程度。以对某一目标区域的各巡逻目标执行巡逻任务来讲，多无人机对巡逻目标执行侦察任务的主要目的是在指定的任务时间内尽可能准确地获取巡逻目标的信息，从而有针对性地采取后续行动，所以，无人机不需要访问目标区域内所有的巡逻目标，而是有选择地访问部分巡逻目标，比如：重要的巡逻目标(如在军事区导弹和雷达阵地，高速公路的标志性建筑、收费站以及事故高发路段等) 应作为优先考虑的巡逻目标。因此，对于目标区域中不同的巡逻目标来讲，其各自重要程度是不一样的，在本实施例中，巡逻目标的重要程度可通过权重进行表示，权重数值越大说明巡逻目标越重要。

如图2所示多无人机协同任务场景示意图，颜色越深表示巡逻目标重要程度越高，即权重越大，颜色越浅表示重要程度越低，即权重越小，参见图2可知，巡逻目标4权重最大，7、6、2、1依次减小，3、 5相等为最小。

在本实施例中，对于目标区域中的各巡逻目标也可以依据巡逻目标的不同属性进行设定，一般情况下，巡逻目标的权重可以用 w_i＝{1,2,…,10}表示，各巡逻目标的巡逻目标坐标可以通过GPS获取或是其他方式获取，本发明对此不做限定。当然，实际应用中目标区域还可以是其他属性的需要无人机进行巡逻的区域，本发明不做限定。

参见上述步骤S102，获取无人机的站点的站点数量、站点编号及站点坐标。在本发明实施例中，无人机的站点实际巡逻勘察中的指挥中心，其可以有多个，即多个无人机可从多个站点分布触发执行巡逻任务。在本发明实施例中，无人机的站点可同时作为为无人机对巡逻目标执行访问任务的起点。而站点坐标，可同时作为无人机的起点坐标和终点坐标。具体获取站点坐标时，可以利用GPS或是其他方式进行获取，本发明不做限定。

参见上述步骤S103，获取访问巡逻目标的无人机的相关参数，如无人机的续航时间和/或飞行速度。

以上述实施例所提及的地震受灾区域来讲，由于无人机可以不受路面损坏影响快速地进入地震灾区，并通过所搭载的传感器快速捕获图像和视频数据，所以已被广泛地应用于地震灾后救援行动中。而在实际应用中，对于不同救援小组的无人机，具体表现为无人机的续航时间和/或飞行速度存在差异。因此，在上述步骤S103中，需要获取每架无人机的续航时间和/或飞行速度。通过对各无人机中相关参数的获取，可以在后续优化无人机路径中，可以对每架无人机进行个性化设定以及任务分配，从而提升每架无人机的使用效率。其中，每架无人机还可以设置有唯一编号，以供后续为每架无人机进行规划路径时可以有效区分。另外，本实施例中还可以采用同一型号的无人机，便于后续任务的快速分配。

参见上述步骤S104，计算所有无人机从站点到所有巡逻目标的欧氏距离以及所有巡逻目标之间的欧氏距离，并使用三维矩阵进行存储，记做欧氏距离矩阵。

欧氏距离是一个通常采用的距离定义，指在m维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。而在数学中，一个距离矩阵是一个包含一组点两两之间距离的矩阵(即二维数组)。因此给定N个欧几里得空间中的点，其距离矩阵就是一个非负实数作为元素的N×N的对称矩阵。

在本发明可选实施例中，无人机从第k个站点到所有巡逻目标i的欧氏距离通过下式计算得到：

其中，

所有巡逻目标之间的欧氏距离通过下式计算得到：

其中，x_i表示无人机第k个站点的横坐标，x_j表示巡逻目标j的横坐标，y_i表示无人机第k个站点的横坐标，y_j表示巡逻目标j的纵坐标。

在本实施例中，所有无人机站点到所有巡逻目标的欧氏距离以及所有巡逻目标之间的欧氏距离，可使用三维矩阵进行存储，记做欧氏距离矩阵。欧氏距离矩阵的页表示无人机站点的编号。欧氏距离矩阵的第1行为该页对应的无人机站点的编号，第2行到第N+1行为巡逻目标的编号；欧氏距离矩阵的第1列为该页对应的无人机站点的编号，第2列到第N+1列为巡逻目标的编号。

表1为欧氏距离矩阵中的第1页，以表1中的矩阵为例说明矩阵行和列的意义：表1表示从第1个无人机站点D₁出发的二维欧氏距离矩阵，在该二维欧氏距离矩阵中，第1行的第2列到第N+1列为从第1 个无人机站点D₁出发的无人机到所有巡逻目标的欧氏距离；第2行到第N+1行的第2列到第N+1列是巡逻目标到巡逻目标的欧氏距离；第1列的第2行到第N+1行为巡逻目标到第1个无人机站点D₁的欧氏距离。

表1

Inf表示无穷大，由于无人机不允许出发后不对任何巡逻目标进行巡逻就返回，所以第1行第1列为无穷大，同时，不允许无人机在同一个巡逻目标停留，所以目标自己到自己的距离也设为无穷大。

参见上述步骤S105，根据无人机的飞行速度计算每架无人机从所述站点到每个巡逻目标的飞行时长以及无人机在所有巡逻目标之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵。

基于不同无人机的飞行速度不同，计算每架无人机在飞行过程中的飞行时长，其中包括从站点到每个巡逻目标的飞行时长和巡逻目标之间的飞行时长，将不同目标之间的飞行时长使用三维矩阵进行存储，该三维矩阵可记做飞行时长矩阵，该飞行时长矩阵的第1行为无人机站点的编号，第2行到第N+1行为巡逻目标的编号；矩阵的列为目标的编号；矩阵的页为无人机的编号。

参见上述步骤S106，建立多站点可重访问多无人机任务分配问题 MDMV-MUTAP模型。

在本实施例中，MDMV-MUTAP模型的目标函数采用公式(3)来表示：

进一步地，MDMV-MUTAP模型的约束条件采用公式(4)至(8) 来表示：

为第k个站点D_k的无人机从站点到巡逻目标i 的决策变量，

为第k个站点的无人机从巡逻目标h到巡逻目标i的决策变量，

为第k个站点的无人机从巡逻目标i到巡逻目标j的飞行时间，

为第k个站点无人机的最大安全续航时长；

公式(8)为二元决策变量

的取值，当

为0时表示第 k个站点的无人机没有选择这条路径。需要说明的是，本实施例提供的公式中的各常量参数可根据实际需要进行调整，对于上述实施例所提供公式的合理变形均属于本发明的保护范围。

最后执行上述步骤S107，采用MDMV-MUTAP模型，根据每个巡逻目标的目标坐标及其重要程度、无人机的续航时间、欧氏距离矩阵和/或飞行时长矩阵，获取多无人机执行协同巡逻任务的初始任务分配方案集合；采用引入染色体分段拼接机制的遗传算法对初始任务分配方案集合进行优化以获得每架无人机的访问任意一个或多个巡逻目标的最优任务分配方案。

初始任务分配方案集合包括多个任务分配方案，初始任务分配方案包括多无人机中每架所述无人机出发的站点编号和任务执行顺序。其中，任务执行顺序为无人机依次经过的巡逻目标编号。

可选地，采用引入染色体分段拼接机制的遗传算法对初始任务分配方案集合进行优化可以包括：

1、以公式(3)作为适应度函数,计算初始任务方案集合中的每一个方案的适应度值；

2、采用分段拼接机制对初始任务方案集合进行交叉操作得到多个临域方案；

3、通过多轮迭代对多个临域方案进行优化，获得每架无人机的访问任意一个或多个所述巡逻目标的最优任务分配方案。

在本申请一可选实施例中，采用分段拼接机制对初始任务方案集合进行交叉操作得到多个较优的任务方案，可以包括以下步骤：

步骤1：将初始任务方案集合作为父代种群，在父代种群中选择两条待交叉的父代染色体并进行分段，经过分段后的每段染色体都代表了一架无人机的任务分配方案。

具体可以包括：选择2条待交叉的染色体并进行分段。具体操作如下：使用轮盘赌方法从初始任务方案集合中选择2条待交叉的染色体，即父代A(ParentA)和父代B(ParentB)，根据染色体的第2行分别将父代A和父代B分成K段，每段染色体都代表了一架无人机的任务分配方案。例如：父代A的第k段，用A_k表示，代表了父代A中第k 个站点的无人机的任务分配方案。

步骤2：将两条待交叉的父代染色体进行拼接。

将父代A和父代B中相同段的染色体进行拼接。具体操作如下：判断A_k和B_k的第1行中是否有相同的巡逻目标编号，如果没有相同编号，则将父代B_k拼接到父代A_k的后面得到染色体段C_k，再将父代A_k拼接到父代B_k后面得到染色体段D_k；如果有且仅有一个相同编号，则将 A_k和B_k中该编号后面的基因位(genes)进行交换，得到新的染色体C_k和D_k；如果超过一个相同编号，则随机选择一个编号，则将A_k和B_k中该编号后面的基因位(genes)进行交换，得到新的染色体段C_k和D_k；染色体拼接的示例如图4所示。其中，图4(a)示出了两条染色体没有相同的巡逻目标编号的情况，图4(b)示出了两条染色体有一个相同的巡逻目标编号的情况；图4(c)示出了两条染色体有多个相同的巡逻目标编号的情况。

步骤3：根据无人机的数量K重复步骤2，直到两条待交叉的父代染色体中的每一段染色体都完成了单点拼接的交叉操作，将完成所有的染色体段按无人机编号的顺序进行合并，就得到了子代染色体。

即，根据无人机的数量K重复步骤2，直到父代A和父代B中的每一段染色体都完成了单点拼接的交叉操作，将完成所有的染色体段 C_k和D_k按无人机编号的顺序进行合并，就得到了子代染色体，即子代 C(Child C)和子代D(Child D)。

步骤4：根据父代种群的种群规模重复步骤1-3，直到父代种群的每一条染色体都完成了拼接操作，所有完成拼接操作后的染色体组成了一条子代种群，从而得到较优的任务方案集合。根据种群的规模重复步骤1-3，直到父代种群的每一条染色体都完成了拼接操作，所有完成拼接操作后的染色体组成了一个子代种群，从而得到较优的任务方案集合。图5是根据本申请实施例的多无人机协同巡逻任务的最优任务分配方案的图形化展示示意图。

综上所述，与现有技术相比，具备以下有益效果：

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。