CN111695776B - 无人机集群分布式在线协同区域侦察方法及装置 - Google Patents
无人机集群分布式在线协同区域侦察方法及装置 Download PDFInfo
- Publication number
- CN111695776B CN111695776B CN202010390629.7A CN202010390629A CN111695776B CN 111695776 B CN111695776 B CN 111695776B CN 202010390629 A CN202010390629 A CN 202010390629A CN 111695776 B CN111695776 B CN 111695776B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- area
- grid
- reconnaissance
- 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 37
- 230000007704 transition Effects 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 28
- 238000012546 transfer Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000033001 locomotion Effects 0.000 claims abstract description 21
- 230000008901 benefit Effects 0.000 claims abstract description 15
- 239000003016 pheromone Substances 0.000 claims description 51
- 238000001514 detection method Methods 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机集群分布式在线协同区域侦察方法及装置,该方法包括:将任务区域划分为相同尺寸的栅格,每架无人机采用本地存储矩阵数据的形式分别维护栅格地图;对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的最优或较优运动方向;当无人机邻近区域均已侦察完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。由此,基于概率地图实现在线协同实时规划的同时,通过合理设计综合评价函数,融合了传统离线规划方式的全局经验优势,通过边界搜索和区域权重协调分配机制,提高了无人机集群协同侦察的整体效率。
Description
技术领域
本发明涉及自组织协同搜索、分布式在线任务规划技术领域,特别涉及一种无人机集群分布式在线协同区域侦察方法及装置。
背景技术
随着任务环境的复杂性日益提高,单平台所能发挥的效能将极为有限,移动机器人和无人机平台的使用模式将由单平台逐步发展为更灵活的多机协同方式。针对未知区域侦察问题,无人机集群协同可以大大提高区域侦察速度,增强对环境变化、无人机突发故障等不确定因素的适应能力。而高效的任务规划是发挥多无人机协同优势的重要前提。
当前,针对无人机集群的任务规划方法可以分为集中式和分布式两类。集中式是指由一个主控计算机对整个无人机群进行任务规划,分布式是指每个无人机机载计算机分别承担规划算法其中一部分计算量,可以兼顾计算效率和优化效果,但同时也对算法设计提出了较高要求。按照协同搜索任务规划实时性的不同,又可以分为离线规划和在线规划。其中离线规划方式仅能针对已知静态环境给出预定规划,在线规划则要求无人机群实时地应对未知动态环境进行规划,具备更强的鲁棒性和容错性。
已有的无人机集群区域侦察算法,主要基于覆盖路径规划和基于概率地图的搜索规划两大类。覆盖路径规划法,是在最小生成树、单元格分解、基于地标的拓扑覆盖等单机规划算法基础上,结合区域分解、子区域权重分配算法,实现多无人机全局覆盖规划。该方法规划出的平行线和内螺旋路径,虽然具有无遗漏、重复率低、侦察效率高的特点,但其集中式、离线式规划的本质特征决定了其缺乏对未知环境变化、无人机故障等不确定因素的适应性。基于概率地图的搜索规划,首先建立表征未知环境不确定性概率的栅格地图,采用随机搜索、贪婪搜索、群智能启发搜索算法实时在线决策,降低已侦察区域的不确定概率,实现对未知区域的侦察。这类方法可以实现分布式、在线的多无人机协同搜索,具有鲁棒性强的优点,但目前基于概率地图的方式存在前期过度分散化的遗漏区域,导致后期侦察搜索路径重复覆盖、侦察效率较低的问题。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种无人机集群分布式在线协同区域侦察方法,该方法基于概率地图方法发挥分布式、在线规划的鲁棒性优势的同时,融合覆盖路径规划的高效率特征,提高无人机集群协同区域侦察效率,节约搜索时间。
本发明的另一个目的在于提出一种无人机集群分布式在线协同区域侦察装置。
为达到上述目的,本发明一方面实施例提出了一种无人机集群分布式在线协同区域侦察方法,包括:
S1,构建栅格地图,无人机通过本地存储矩阵数据的形式维护所述栅格地图;
S2,每架无人机根据所述栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移;
S3,在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。
为达到上述目的,本发明另一方面实施例提出了一种无人机集群分布式在线协同区域侦察装置,包括:
构建模块,构建栅格地图,无人机通过本地存储矩阵数据的形式维护所述栅格地图;
转移模块,用于每架无人机根据所述栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移;
侦查模块,用于在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。
本发明实施例的无人机集群分布式在线协同区域侦察方法及装置,优点在于:
(1)在概率地图基础上,环境信息素结构与无人机一一对应,由无人机机载计算机进行本地化存储和实时计算,不需要公共的环境信息素数据。以分布式本地数据作为每架无人机自组织行动决策的基础且实时调整规划路径,不受无人机突发故障、环境变化等因素的干扰,发挥了分布式在线规划的鲁棒性优势;
(2)在线规划中融合了多机编队平行搜索、内螺旋搜索等几何覆盖特性,可达到几乎完全覆盖的效果,减少了传统概率搜索方法中的遗漏区域问题。
(3)在线实时规划的同时,通过合理设计综合评价函数,融合了离线规划方式的全局经验优势,通过边界搜索和区域权重协调分配机制,提高了多机器人协同侦察的整体效率。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的无人机集群分布式在线协同区域侦察方法流程图;
图2为根据本发明一个实施例的无人机集群分布式在线协同区域侦察方法流程框图;
图3为根据本发明一个实施例的状态转移综合启发决策原理图;
图4为根据本发明一个实施例的边界覆盖特性仿真结果图;
图5为根据本发明一个实施例的分层级区域划分示意图;
图6为根据本发明一个实施例的覆盖率变化图;
图7为根据本发明一个实施例的无人机集群分布式在线协同区域侦察装置结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的无人机集群分布式在线协同区域侦察方法及装置。
首先将参照附图描述根据本发明实施例提出的无人机集群分布式在线协同区域侦察方法。
图1为根据本发明一个实施例的无人机集群分布式在线协同区域侦察方法流程图。
如图1所示,该无人机集群分布式在线协同区域侦察方法包括以下步骤:
步骤S1,构建栅格地图,无人机通过本地存储矩阵数据的形式维护栅格地图。
具体地,将任务区域划分为相同尺寸的正方形栅格,每架无人机采用本地存储矩阵数据的形式分别维护栅格地图,矩阵的每个元素τ∈[0,1]表示对应栅格内的信息素浓度,反映了该栅格存在目标的概率,多无人机侦察任务的目标就是降低栅格地图的总体信息素浓度。
步骤S2,每架无人机根据栅格地图和其他无人机的位置、速度状态及探测范围信息,每个相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移。
可以理解的是,每架无人机根据本地维护的环境概率地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的时间间隔对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的最优或较优运动方向,从而实现轨迹的实时规划。
进一步地,步骤S2包括:
S21,估计其他无人机的状态转移
分布式算法中每个无人机i在每隔固定时间间隔Δt的机间数据传递中只能获取其他无人机j当前位置、速度状态和探测范围,为了对下一时刻的全局搜索进行优化,假设无人机j速度不变,预估t+Δt时刻的无人机j的位置[xi,t+Δt,yi,t+Δt]T如下:
其中,[xj,t,yj,t]T为无人机j在t时刻的位置,Δt为时间间隔;
S22,预测其他无人机对本地信息素的影响
无人机i估计其他无人机j在下一时刻的位置后,随即确定了无人机j在下一时刻的探测区域中心位置,结合设定的无人机侦察范围半径参数Rdet,可计算出无人机j的侦察设备对(x,y)栅格进行探测产生的信息素衰减效应为:
其他所有无人机{j|j≠i}在t+Δt时刻造成本地信息素总衰减量为:
S23,离散化速度采样获取候选栅格集合
根据无人机i的当前位置[xi,t,yi,t]T和速度设定最大角速度限制为ωmax、速度大小恒定的基本性能约束,在速度方向连续可选范围内对速度进行离散化采样,确定出下一时刻无人机i可以到达的2m+1(m∈N+)个候选栅格(x,y)的集合K,从而可以对有限的状态进行评估和选择:
S24,预测状态转移产生的信息素衰减收益(短期收益)
估计无人机i在t+Δt时刻转移至第k个候选栅格作为探测中心,本地信息素矩阵在每个栅格(x,y)处的信息素更新预测值为:
以第k个候选栅格作为探测中心,产生的信息素衰减收益为:
S25,预测状态转移产生的能量损失(运动损失)
考虑到无人机的转弯相比于直线飞行需要更多的能量消耗,设计与转弯角度相关的损失函数,从而启发无人机尽量减小转弯次数:
S26,预测状态转移产生的边界吸引收益(长期收益)
利用步骤S24中计算出的信息素更新预测值,设计与边界距离相关的收益函数,靠近边界具有较高的收益值,从而对无人机的运动方向进行吸引:
其中,比例系数μ>1;
S27、综合决策,选择最优栅格(速度样本)进行状态转移
选择合适的权重系数,制定评价函数,其中信息素衰减收益函数具有较高权重,边界吸引收益函数权重较低,使得无人机在贪婪搜索的同时,具有靠近边界的倾向;选择综合评价函数值最高的栅格(亦即对应离散化采样的速度样本)进行状态转移:
G1(k)=revenue(k)αborder(k)βcost(k)γ (9)
其中,权重因子α,β>0,γ<0
S28,状态转移和地图更新
各无人机独立执行S21~S27步骤,分别进行状态转移的决策。
在每一步移动完成后,需要根据无人机群最新运动状态信息、获取的目标信息以及其他无人机的状态信息对自身维护的本地信息素矩阵进行更新,以进行下一次迭代。
步骤S3,在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。
当无人机邻近区域均已侦察完毕、不确定概率降为0时,无人机需要离开原搜索区域,转移至目标存在概率大于0的其他待侦察区域;通过分层级区域划分与任务分配机制,计算最优的区域转移方向。
进一步地,S3进一步包括:
S31、中层级区域划分,估计区域转移距离
在本地存储的栅格地图划分基础上,对栅格进行组合,使得单个区域面积与无人机侦察范围相当,利用矩阵记录分辨率较低的中层级区域集合M={aream},并得到区域内的平均信息素浓度平均信息素浓度大于0的中层级区域作为候选区域集合计算候选区域与无人机当前位置的距离:
dist(area)=||([area.x,area.y]T-[xi,t,yi,t]T)||2 (10)
S32、高层级区域划分,任务区域分配
对中层级区域的栅格划分进行组合,形成分辨率更低的高层级区域集合H={areah},每个高层级区域areah包含的中层级区域子集具有相同的高层级区域平均信息素浓度和存在的无人机数量num(areah)。
S33、综合决策,选择最佳区域进行区域转移
当无人机邻近区域均已侦察完毕、不确定概率降为0时,转为空闲状态,空闲无人机需要离开原搜索区域,尽快转移至目标存在概率大于0的其他待侦察区域。一方面,空闲无人机倾向于向距离最近的未搜索区域转移;另一方面,空闲无人机倾向于向无人机密度较低的待侦察区域转移,以实现多无人机的区域协调。选择综合评价函数值最高的区域进行转移:
如图2所示,详细展示了本发明无人机集群分布式在线协同区域侦察的流程,下面通过MATALAB仿真实现该过程:
将1000m*1000m待侦察区域按照2m*2m尺寸划分为500*500低层级栅格地图,并使用500*500的矩阵记录每个栅格对应的信息素浓度τ∈[0,1],3架无人机分别维护信息素矩阵。每架无人机以1Hz的频率,根据本地存储的邻近区域信息素信息和综合启发决策过程,更新自身的速度方向。图3为根据本发明一个实施例的状态转移综合启发决策图,无人机位于待侦察区域边界不同位置,综合启发决策函数给出不同的评价值,图中启发函数评价值G1(k2)>G1(k1)>G1(k3),无人机在利用贪婪特性侦察的同时,具有向边界靠近的倾向。图4展示了边界覆盖特性对多无人机同时侦察产生的影响,在线实时规划的路径既能够实现多机平行编队侦察,也能够实现单无人机的平行覆盖和螺旋向内覆盖侦察,减少了局部遗漏和路径交叉重叠。
无人机在对邻近区域搜索后,会出现附近栅格信息素浓度均降为0的情况,状态转移决策函数失效,进入步骤S3实施区域转移综合启发决策。将500*500低层级栅格地图进一步组合成100*100中层级区域和10*10高层级区域(如图5所示),并使用相应大小的矩阵计算出区域平均信息素浓度,选择综合评价函数值最高的中层级区域中心作为无人机的脱困转移方向。无人机在向较近的未侦察区域转移的同时,能够根据其他无人机的所在区域进行协调决策。
经过上述步骤,图6展示了在实时侦察覆盖率变化上与传统基于概率地图方法的对比,本发明实施例的方法在前期通过边界覆盖方式降低遗漏和重叠区域,提高了后期的侦察效率。
根据本发明实施例提出的无人机集群分布式在线协同区域侦察方法,通过构建栅格地图,无人机通过本地存储矩阵数据的形式维护栅格地图,每架无人机根据栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移,在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。由此,基于概率地图方法发挥分布式、在线规划的鲁棒性优势的同时,融合覆盖路径规划的高效率特征,提高无人机集群协同区域侦察效率,节约搜索时间。
其次参照附图描述根据本发明实施例提出的无人机集群分布式在线协同区域侦察装置。
图7为根据本发明一个实施例的无人机集群分布式在线协同区域侦察装置结构示意图。
如图7所示,该无人机集群分布式在线协同区域侦察装置包括:构建模块100、转移模块200和侦查模块300。
构建模块100,构建栅格地图,无人机通过本地存储矩阵数据的形式维护栅格地图。
转移模块200,用于每架无人机根据栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移。
侦查模块300,用于在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。
进一步地,在本发明的一个实施例中,构建模块进一步用于,将任务区域划分为相同尺寸的正方形栅格构建栅格地图,每架无人机采用本地存储矩阵数据的形式分别维护栅格地图,矩阵的每个元素τ∈[0,1]表示对应栅格内的信息素浓度,表示该栅格存在目标的概率。
进一步地,在本发明的一个实施例中,转移模块进一步用于:
估计其他无人机的状态转移:
其中,[xj,t,yj,t]T为无人机j在t时刻的位置,Δt为时间间隔;
预测其他无人机对本地信息素的影响:
根据预估t+Δt时刻的无人机j的位置[xi,t+Δt,yi,t+Δt]T,确定无人机j在下一时刻的探测区域中心位置,结合设定的无人机侦察范围半径参数Rdet,计算出无人机j的侦察设备对(x,y)栅格进行探测产生的信息素衰减效应为:
其他所有无人机{j|j≠i}在t+Δt时刻造成本地信息素总衰减量为:
离散化速度采样获取候选栅格集合:
根据无人机i的当前位置[xi,t,yi,t]T和速度设定最大角速度限制ωmax、速度大小恒定的基本性能约束,在速度方向连续可选范围内对速度进行离散化采样,确定出下一时刻无人机i可以到达的2m+1(m∈N+)个候选栅格(x,y)的集合K,对有限的状态进行评估和选择:
预测状态转移产生的信息素衰减收益:
估计无人机i在t+Δt时刻转移至第k个候选栅格作为探测中心,本地信息素矩阵在每个栅格(x,y)处的信息素更新预测值为:
以第k个候选栅格作为探测中心,产生的信息素衰减收益为:
预测状态转移产生的能量损失:
设计与转弯角度相关的损失函数:
预测状态转移产生的边界吸引收益:
利用信息素更新预测值,设计与边界距离相关的收益函数:
其中,比例系数μ>1;
综合决策,选择最优栅格进行状态转移:
选择权重系数,制定评价函数,其中信息素衰减收益函数权重大于边界吸引收益函数权重较低;选择综合评价函数值最高的栅格进行状态转移:
G1(k)=revenue(k)αborder(k)βcost(k)γ
其中,权重因子α,β>0,γ<0
状态转移和地图更新:
各架无人机独立执行上述过程后,分别进行状态转移的决策;在每一步移动完成后,根据无人机群最新运动状态信息、获取的目标信息以及其他无人机的状态信息对自身维护的本地信息素矩阵进行更新,以进行下一次迭代。
进一步地,在本发明的一个实施例中,
进一步地,在本发明的一个实施例中,侦查模块进一步用于:
中层级区域划分,估计区域转移距离:
在本地存储的栅格地图划分基础上,对栅格进行组合,利用矩阵记录中层级区域集合M={aream},并得到区域内的平均信息素浓度平均信息素浓度大于0的中层级区域作为候选区域集合计算候选区域与无人机当前位置的距离:
dist(area)=|([area.x,area.y]T-[xi,t,yi,t]T)||2
高层级区域划分,任务区域分配:
综合决策,选择最佳区域进行区域转移:
当无人机邻近区域均已侦察完毕、不确定概率降为0时,转为空闲状态,空闲无人机离开原搜索区域,转移至目标存在概率大于0的其他待侦察区域,选择综合评价函数值最高的区域进行转移:
需要说明的是,前述对方法实施例的解释说明也适用于该实施例的装置,此处不再赘述。
根据本发明实施例提出的无人机集群分布式在线协同区域侦察装置,通过构建栅格地图,无人机通过本地存储矩阵数据的形式维护栅格地图,每架无人机根据栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在性能约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移,在无人机邻近区域侦查完毕时,无人机通过分层级区域划分与任务分配机制,计算最优的区域转移方向。由此,基于概率地图方法发挥分布式、在线规划的鲁棒性优势的同时,融合覆盖路径规划的高效率特征,提高无人机集群协同区域侦察效率,节约搜索时间。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (4)
1.一种无人机集群分布式在线协同区域侦察方法,其特征在于,包括以下步骤:
S1,构建栅格地图,无人机通过本地存储矩阵数据的形式维护所述栅格地图;
S2,每架无人机根据所述栅格地图和其他无人机的位置、速度状态及探测范围信息,每隔相同的间隔时间对邻近区域状态转移进行在线评估,在角速度、线速度约束范围内计算出下一步的运动方向,无人机根据下一步的运动方向进行状态转移;
S3,在无人机邻近区域侦查完毕时,无人机通过大、中、小三种不同尺度的栅格区域划分的大尺度栅格转移任务分配,计算最优的区域转移方向;
所述S2进一步包括:
S21,估计其他无人机的状态转移
其中,[xj,t,yj,t]T为无人机j在t时刻的位置,Δt为时间间隔;
S22,预测其他无人机对本地信息素的影响
根据预估t+Δt时刻的无人机j的位置[xj,t+Δt,yj,t+Δt]T,确定无人机j在下一时刻的探测区域中心位置,结合设定的无人机侦察范围半径参数Rdet,计算出无人机j的侦察设备对(x,y)栅格进行探测产生的信息素衰减效应为:
其他所有无人机{j【j≠i}在t+Δt时刻造成本地信息素总衰减量为:
S23,离散化速度采样获取候选栅格集合
根据无人机i的当前位置[xi,t,yi,t]T和速度设定最大角速度限制ωmax、速度大小恒定的基本性能约束,在速度方向连续可选范围内对速度进行离散化采样,确定出下一时刻无人机i可以到达的2m+1(m∈N+)个候选栅格(x,y)的集合K,对有限的状态进行评估和选择:
S24,预测状态转移产生的信息素衰减收益
估计无人机i在t+Δt时刻转移至第k个候选栅格作为探测中心,本地信息素矩阵在每个栅格(x,y)处的信息素更新预测值为:
以第k个候选栅格作为探测中心,产生的信息素衰减收益为:
S25,预测状态转移产生的能量损失
设计与转弯角度相关的损失函数:
S26,预测状态转移产生的边界吸引收益
利用所述信息素更新预测值,设计与边界距离相关的收益函数:
其中,比例系数μ>1;
S27、综合决策,选择最优栅格进行状态转移
选择权重系数,制定评价函数,其中所述信息素衰减收益函数权重大于所述边界吸引收益函数权重;选择综合评价函数值最高的栅格进行状态转移:
G1(k)=revenue(k)αborder(k)βcost(k)γ
其中,权重因子α,β>0,γ<0
S28,状态转移和地图更新
各架无人机独立执行S21-S27,分别进行状态转移的决策;在每一步移动完成后,根据无人机群最新运动状态信息、获取的目标信息以及其他无人机的状态信息对自身维护的本地信息素矩阵进行更新,以进行下一次迭代;
所述S3进一步包括:
S31,中层级区域划分,估计区域转移距离
在本地存储的栅格地图划分基础上,对栅格进行组合,利用矩阵记录中层级区域集合M={aream},并得到区域内的平均信息素浓度平均信息素浓度大于0的中层级区域作为候选区域集合计算候选区域与无人机当前位置的距离:
dist(area)=||([area.x,area.y]T-[xi,t,yi,t]T)||2
S32,高层级区域划分,任务区域分配
S33,综合决策,选择最佳区域进行区域转移
当无人机邻近区域均已侦察完毕、不确定概率降为0时,转为空闲状态,空闲无人机离开原搜索区域,转移至目标存在概率大于0的其他待侦察区域,选择综合评价函数值最高的区域进行转移:
2.根据权利要求1所述的无人机集群分布式在线协同区域侦察方法,其特征在于,所述S1进一步包括:
将任务区域划分为相同尺寸的正方形栅格构建所述栅格地图,每架无人机采用本地存储矩阵数据的形式分别维护所述栅格地图,所述矩阵的每个元素τ∈[0,1]表示对应栅格内的信息素浓度,表示该栅格存在目标的概率。
3.一种无人机集群分布式在线协同区域侦察装置,其特征在于,包括:
应用了权利要求1的方法。
4.根据权利要求3所述的无人机集群分布式在线协同区域侦察装置,其特征在于,所述构建栅格地图用于,将任务区域划分为相同尺寸的正方形栅格构建所述栅格地图,每架无人机采用本地存储矩阵数据的形式分别维护所述栅格地图,所述矩阵的每个元素τ∈[0,1]表示对应栅格内的信息素浓度,表示该栅格存在目标的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390629.7A CN111695776B (zh) | 2020-05-11 | 2020-05-11 | 无人机集群分布式在线协同区域侦察方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010390629.7A CN111695776B (zh) | 2020-05-11 | 2020-05-11 | 无人机集群分布式在线协同区域侦察方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695776A CN111695776A (zh) | 2020-09-22 |
CN111695776B true CN111695776B (zh) | 2021-10-01 |
Family
ID=72477432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010390629.7A Active CN111695776B (zh) | 2020-05-11 | 2020-05-11 | 无人机集群分布式在线协同区域侦察方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695776B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112487016B (zh) * | 2020-11-30 | 2023-10-03 | 上海汽车集团股份有限公司 | 一种无人驾驶车辆局部路径规划方法及装置 |
CN112925350B (zh) * | 2021-01-15 | 2023-04-07 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
CN112650303B (zh) * | 2021-01-20 | 2022-01-11 | 南京航空航天大学 | 一种基于固定时间技术的无人机编队容错控制方法 |
CN112884319B (zh) * | 2021-02-10 | 2023-11-03 | 腾讯大地通途(北京)科技有限公司 | 一种任务分配方法、装置、计算机设备以及存储介质 |
CN113055851B (zh) * | 2021-05-31 | 2021-08-17 | 四川腾盾科技有限公司 | 基于位置与双关键节点的抗毁无人机群拓扑优化方法 |
CN113821049B (zh) * | 2021-08-25 | 2022-10-14 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN113867418B (zh) * | 2021-09-17 | 2022-06-17 | 南京信息工程大学 | 一种无人机集群自主协同侦察任务调度方法 |
CN114020008B (zh) * | 2021-10-09 | 2024-04-16 | 中国人民解放军军事科学院国防科技创新研究院 | 基于局部规则涌现的集群协同目标搜索方法 |
CN113671996B (zh) * | 2021-10-22 | 2022-01-18 | 中国电子科技集团公司信息科学研究院 | 一种基于信息素的异构无人机侦察方法及系统 |
CN114326700A (zh) * | 2021-11-22 | 2022-04-12 | 中国人民解放军军事科学院国防科技创新研究院 | 巡逻船区域覆盖路径规划方法、系统及装置 |
CN114200964B (zh) * | 2022-02-17 | 2022-04-26 | 南京信息工程大学 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
CN114489149A (zh) * | 2022-02-23 | 2022-05-13 | 中山大学 | 一种面向三维重建的多无人机覆盖路径规划方法 |
CN114595971A (zh) * | 2022-03-09 | 2022-06-07 | 中国电子科技集团公司第五十四研究所 | 一种局部任务参数共享的分布式决策方法 |
CN114879702B (zh) * | 2022-07-06 | 2022-09-30 | 季华实验室 | 多智能体巡检控制方法、装置、系统、设备及介质 |
CN116414148B (zh) * | 2023-03-15 | 2023-12-05 | 华中科技大学 | 一种分布式的旋翼无人机协同控制方法、装置和系统 |
CN116430311B (zh) * | 2023-06-12 | 2023-09-29 | 中国航天科工集团八五一一研究所 | 一种基于无人机集群的多信号源搜索定位方法 |
CN117170238B (zh) * | 2023-09-15 | 2024-04-16 | 四川大学 | 基于协作分布式mpc的异构无人机集群搜索算法 |
CN117970945B (zh) * | 2024-03-29 | 2024-06-18 | 西北工业大学 | 一种多无人机协同侦察轻量化双层空间表征方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892480B (zh) * | 2016-03-21 | 2018-12-11 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN109254588B (zh) * | 2018-10-17 | 2020-08-11 | 北京航空航天大学 | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
-
2020
- 2020-05-11 CN CN202010390629.7A patent/CN111695776B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111695776A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111695776B (zh) | 无人机集群分布式在线协同区域侦察方法及装置 | |
CN104008266B (zh) | 道路坡度自动映射的方法及装置 | |
CN109299210A (zh) | 一种基于信息融合的多无人机分布式协同搜索方法 | |
Lalama et al. | Localization optimization in WSNs using meta-heuristics optimization algorithms: a survey | |
Liu et al. | DRL-UTPS: DRL-based trajectory planning for unmanned aerial vehicles for data collection in dynamic IoT network | |
WO2019071909A1 (zh) | 基于相对熵深度逆强化学习的自动驾驶系统及方法 | |
Yang et al. | Decentralized cooperative search in UAV's using opportunistic learning | |
CN112363539B (zh) | 多无人机协同目标搜索方法 | |
CN112235808B (zh) | 一种多智能体分布式协同动态覆盖方法及系统 | |
CN108519737B (zh) | 一种考虑能源补给的无人设备路径规划方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN112511250A (zh) | 一种基于drl的多无人机空中基站动态部署方法及系统 | |
Zhou et al. | Adaptive re-planning of AUVs for environmental sampling missions: A fuzzy decision support system based on multi-objective particle swarm optimization | |
CN114167898B (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN113112065A (zh) | 一种海洋污染巡检采样多无人船路径规划方法 | |
CN110825112B (zh) | 基于多无人机的油田动态侵入目标追踪系统与方法 | |
CN115454132A (zh) | 一种面向山地光伏电站的无人机巡检三维路径规划方法及系统 | |
CN116449863A (zh) | 一种基于信息素的强化学习的无人机集群多目标搜索方法 | |
CN114331056A (zh) | 一种基于概率图动态规划的在线协同探测任务规划方法 | |
Tong et al. | Multi-robot cooperative map building in unknown environment considering estimation uncertainty | |
CN114916013A (zh) | 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质 | |
CN115469666A (zh) | 一种通信受限的多机器人协同等值面跟踪方法 | |
Fromreide et al. | Predicting motion patterns using optimal paths |
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 |