CN112232711B - 一种针对侦察任务的多同构无人车分布式任务分配方法 - Google Patents
一种针对侦察任务的多同构无人车分布式任务分配方法 Download PDFInfo
- Publication number
- CN112232711B CN112232711B CN202011256930.5A CN202011256930A CN112232711B CN 112232711 B CN112232711 B CN 112232711B CN 202011256930 A CN202011256930 A CN 202011256930A CN 112232711 B CN112232711 B CN 112232711B
- Authority
- CN
- China
- Prior art keywords
- task
- unmanned vehicle
- tasks
- state
- unmanned
- 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
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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种针对侦察任务的多同构无人车分布式任务分配方法,涉及多智能体协同决策技术领域,能够在无人车能力有限,并且室外路况对无人车产生多维约束的情况下,每一辆无人车对所有任务进行评价,最终按照评价结果完成任务分配。包括如下步骤:初始化系统信息。加载地图,对地图进行栅格化处理。根据栅格化的地图信息和初始化的系统信息,获取环境信息和无人车自身状态,构造匹配函数;利用所构造的匹配函数,计算每一辆无人车针对所有任务的匹配度。构建无人车和任务的匹配关系。执行KM算法进行任务分配。执行任务。
Description
技术领域
本发明涉及多智能体协同决策技术领域,具体涉及一种针对侦察任务的多同构无人车分布式任务分配方法。
背景技术
在复杂的战场环境中,多智能体系统能够快速、有效、稳定的完成侦察任务的前提是对现有资源进行合理分配、协同合作。由于环境的多维约束、无人车状态以及任务要求的不同,每一辆无人车对同一任务的评价都有所不同,导致最终会产生不同的匹配结果。
目前已有的针对多智能体任务分配问题的解决方案有很多,常用的有传统的拍卖算法、遗传算法、聚类算法等,但是存在局部最优值等弊端。
在大部分应用中,执行侦察任务的无人车是在室外环境下,主要的约束是来自路况和障碍物。
目前已有的针对多智能体任务分配的方案一般没有考虑执行侦察任务的环境因素,无人车之间没有构建稳定的通信架构,系统鲁棒性差,且无人车之间无法通过协商来达到合作完成任务的目的,因此已有方案总体效率低,无法很好地适应针对侦察任务的无人车系统。
发明内容
有鉴于此,本发明提供了一种针对侦察任务的多同构无人车分布式任务分配方法,能够在无人车能力有限,并且室外路况对无人车产生多维约束的情况下,每一辆无人车对所有任务进行评价,最终按照评价结果完成任务分配。
为达到上述目的,本发明的技术方案包括如下步骤:
步骤1:初始化系统信息,系统信息包括:基本信息,任务信息以及动态信息。
步骤2:加载地图,对地图进行栅格化处理,每个栅格内储存一个多维数组包含当前栅格环境的所有信息。
步骤3:根据栅格化的地图信息和初始化的系统信息,获取环境信息和无人车自身状态,构造匹配函数Cij=f(x,Oij);其中Cij为第i辆无人车完成第j个任务的匹配度;x为无人车状态指标的能量值;Oij是无人车和任务位置之间规划的可行距离。
步骤4:利用所构造的匹配函数,计算每一辆无人车针对所有任务的匹配度。
步骤5:对于第i辆无人车,若其完成第j个任务的匹配度Cij>0,则表示第i辆无人车匹配第j个任务,否则第i辆无人车不匹配第j个任务,由此构建无人车和任务的匹配关系。
执行KM算法进行任务分配。
步骤6:执行任务。
进一步地,基本信息包括无人车信息、无人车通讯能力、无人车设备各项指标能力值以及无人车工作状态;无人车信息包括无人车编号、无人车当前位置坐标以及速度。
无人车通讯能力包括无人车上通信设备状态以及可通信距离最大值。
无人车工作状态包括执行任务状态即状态#1、求助状态即状态#2、空闲状态即状态#3以及故障状态即状态#4。
任务信息包括任务编号、任务点位置坐标。
动态信息包括环境中行人信息、环境中不确定的移动障碍物信息。
进一步地,对地图进行栅格化处理,具体为:将地图划分为设定尺寸的栅格,每个栅格内储存栅格信息;栅格信息包括栅格位置、栅格尺寸以及栅格内环境信息。
进一步地,匹配度Cij与Oij成反比,与x成正比。
进一步地,执行KM算法进行任务分配,具体流程如下:无人车的数量为n,任务的数量为m,取前无人车与所匹配的所有任务的匹配度中最大值为无人车顶标值;初始化任务权值为0。
S500、判断m与n的大小,若m=n执行S501;若n>m,执行S502;若n<m,执行S503。
S501、执行匈牙利算法进行任务分配,若发生冲突,则对发生冲突的无人车顶标值减1且任务权值加1,重复S501直至完全匹配,任务分配结束。
S502、针对第j个任务,选出与其具有匹配关系的且匹配度不是最大值的无人车组成无人车筛选集合Uj;对每个任务对应的无人车筛选集合中的元素进行筛选,选取其中n-m个出现次数最多的无人车,将所选取无人车搁置,对没有被搁置的无人车和所有的任务执行S501进行任务分配。
S503、针对第i辆无人车,选出与其具有匹配关系的且匹配度不是最大值的的任务组成任务筛选集合Ui;对每辆无人车对应的任务筛选集合中的元素进行筛选,选取m-n个出现次数最多的任务,将所选取的任务搁置,对没有被搁置的任务和所有的无人车执行S501进行任务分配。
进一步地,步骤6具体为:根据步骤5的任务分配方案执行任务,任务执行完成之后,若还有被搁置的任务,则以被搁置任务数量为m,以无人车数量为n,返回执行S500,直至所有任务均被执行。
进一步地,步骤6中,执行任务过程中,各无人车执行如下通信过程:
状态#1下的无人车,对其他无人车的发布执行任务消息即消息#1;若状态#1下的无人车出现无法完成任务的情况,该任务记为求助任务,则当前无人车发布求助消息即消息#2,并修改工作状态为状态#2;状态#1下的无人车完成任务后,则修改工作状态为状态#3。
所有被搁置的无人车均修改状态状态为状态#3,并且向所有无人车发布随时接受任务消息即消息#5。
所有无人车接收到消息#2后,针对消息#2对应求助任务进行评价,其中已经完成任务的无人车根据自身位置和工作状态,对当前求助任务进行评价,判断是否可以完成以及确定匹配度,未完成任务的无人车预估完成任务之后的工作状态,对当前求助任务进行评价,判断是否可以完成以及确定匹配度;能够完成当前求助任务的无人车回复协助消息即消息#3),否则回复拒绝消息即消息#4;对于回复消息#3的无人车,根据匹配度择优选择一个或者多个无人车执行求助任务。
如果无人车在执行任务的过程中出现故障,则修改工作状态为故障状态即状态#4。
进一步地,各无人车的通信过程中,若所有无人车均显示状态#3时,则每10秒上报一次所完成的任务信息和自身状态,判断是否所有任务均已完成,若是则本次侦察任务结束;若存在未完成任务,则所有无人车对此未完成任务进行评价,选择匹配度最高的无人车前往执行未完成任务。
有益效果:
1、本发明中无人车之间采用分布式架构,分布式的优点在于单个智能体计算压力小、独立性强,反应速度快,效率高,决策性强,不会过分依赖于中心平台,使得系统具有较好的抗毁性和自主性,增加系统的鲁棒性,也能够更好的通过协商、合作完成任务。并且每一辆无人车都具有自主决策权,可以更好应对突发状况。为了达到系统总体效率最高的目的,我们在分配方法上使用改进之后的Kuhn-Munkras算法(以下简称KM算法),然后通过合理的信息交互,避免任务冲突和遗漏现象,最终完成侦察任务。
2、本发明采用了改进的KM算法,对侦察任务进行任务分配,可以做到完成任务的系统效率最高,并且节约了战场资源,避免了出现局部最优解的情况。
3、本发明中通过KM算法和合理的通信机制,避免可能出现的任务冲突和遗漏问题。
附图说明
图1为本发明实施例提供的一种针对侦察任务的多同构无人车分布式任务分配方法流程图;
图2为平台的状态分类说明示意图;
图3为平台的各类消息说明图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
侦察任务是作战过程中尤为重要的一个环节,由于无人车状态、任务要求和环境约束的不同,每一辆无人车对同一个任务点的评价均不同。本发明中,设定所有的地面无人车均为同构智能体,装载相同的设备,但是能力值存在不同的上限值,执行任务的环境是在城市室外。侦察任务的特征有以下两点:每一个任务点都需要快速和有效的完成;完成侦察任务的效率要提升到最大。结合侦察任务的特点进行任务分配。
本发明提出的问题可以建立为一种指派问题模型,需要无人车完成所有的任务点。由于环境的复杂性,我们从多个维度构造约束条件,通过目标函数得到无人车对所有任务的评价,根据评价结果采用改进的KM算法进行匹配。并且通过合理的通信机制保证任务的全部完成,最终以系统效率最高为目的结束任务分配。
KM算法适合解决任务分配问题,并且可以提高完成侦察任务的总效率。匈牙利算法是KM算法的一种贪心扩展,操作比较简单,使用匈牙利算法举例说明算法的优越性:比如存在A、B两个任务点和1、2号两个平台,1号平台的能力较强,2号平台的能力稍弱,所以1、2号平台完成任务的代价分别是1、5和4、10,如果通过传统的拍卖算法,最终的竞拍结果是1号完成任务A,2完成任务B。虽然结果对于1号平台是有利的,但是对于系统需要付出的总代价是11,也就出现了局部最优解的问题。如果采用匈牙利算法进行运算,结果是1号平台完成B任务,2号平台完成A任务,系统需要付出的代价是9,总代价相对更少,从节约资源的角度上考虑更有利于整个系统。
本发明提出的是一种针对侦察任务的多无人车分布式任务分配的方法,在本发明中我们将无人车的各项能力值上限设定为固定值,环境的约束和无人车自身状态是相互约束的,根据约束和任务要求的不同产生不同的评价结果。根据评价结果借助改进之后的KM算法进行匹配,最终的匹配结果将系统效率提升为最高,并且通过合理的信息交互协同完成任务,避免任务冲突。
如图1所示,一种多智能体任务分配方法具体步骤如下:
步骤1:初始化系统相关信息,系统中公共信息主要包括:基本信息,任务信息以及动态信息等。
其中基本信息有无人车信息,设置编号为i=1、2、3...n,代表每一辆无人车;每一辆无人车当前位置坐标为xi,yi海拔高度zi以及速度vi;通讯能力,其中包括通信设备是否良好和可通信距离;无人车的各项状态指标能力值。
无人车工作状态包括执行任务状态即状态#1、求助状态即状态#2、空闲状态即状态#3以及故障状态即状态#4;初始化状态值si(初始化均为为3,空闲状态)。无人车状态分类说明如图2所示。
任务信息具体包括:任务编号为j=1、2、3...m,代表所有的任务点;任务点位置包括xi,yi海拔高度zi。动态信息中包括不确定的天气等环境因素。
步骤2:侦察任务是在完成搜索任务后开始执行的,所以在本发明中设定地图环境为已知。然后将地图划分为设定尺寸的栅格,每个栅格内储存栅格信息;栅格信息包括栅格位置、栅格尺寸以及栅格内环境信息。
每个栅格内储存一个多维数组包含当前栅格的所有环境信息,比如栅格l23=[1,1,10,0.8,...]表示第23块的栅格长为1、宽为1、中心点海拔为10以及平整度为0.8等,根据约束条件维度完成栅格化操作。
步骤3:根据栅格处理后的地图信息和初始化信息,建立一般化任务分配模型,根据环境信息和无人车自身状态,构造匹配函数Cij=f(x,Oij)。Cij为第i辆无人车完成第j个任务的匹配程度(简称匹配度),匹配度越大证明该无人车越适合完成此项任务,效率更高并且能够满足任务要求。
其中为第i辆无人车到第j个任务规划的可行距离,距离越远所消耗的能量越大,所以匹配度越低,当路程消耗的能量和完成任务需要的能量之和大于无人车初始能量时,则判断该任务不能执行。在无人车上采取激光雷达作为视觉传感器,可以自行设定判定阈值a,距离小于a的均视为障碍物,通过雷达测距判断是否可以通行,调用栅格信息,小于车身宽度w和高度h的均视为障碍物。x是无人车的状态指标的能力值,包括无人车当前具有的电量、完成任务的时间等。x与环境约束紧密相关,通过判断x值与环境要求能力的差值,判断无人车性能越好,所以无人车对任务的评价结果不只受自身的影响。其中状态x包含的约束如下:
其中,eij为第i辆无人车完成第j项任务预计需要消耗的电量,取值为0到1之间的数值,Ei为第i辆无人车的电量状态,不小于0且最大值为1。tij为第i辆无人车完成第j项任务时预计需要的时间,T为任务时间要求,即完成任务规定的时间,T根据任务要求自行设定,如果均能满足要求,则tij越小越有利于最终的评价结果。rpoint是代表在地图栅格内的每一点的粗糙度,R为无人车能接受的最小的粗糙度要求,如果在雨雪天气,路面可能会造成无人车出现打滑现象,不能完成任务。aij是无人车的转角大小,要求无人车在任何位置均要大于最小转角,满足转角要求。
通过以上可以看出,影响Cij的因素有自身的状态,环境约束以及任务要求。
步骤4:根据任务的要求不同,匹配函数中每一项变量的权重也有不同。每一辆无人车对所有任务进行评价,根据不同的约束和无人车状态获得匹配值结果,构造包括无人车集合Un和任务点集合Um的二分图。
步骤5:借助KM算法思想,所有的无人车根据匹配度Cij选择自己可以完成的任务。如果Cij>0,表示此任务可以进行选择;如果Cij<0时表示不能选择该任务。将所有Cij>0的匹配对搭建关系,由此构建无人车和任务的匹配关系。
无人车的数量为n,任务的数量为m,取前无人车与所匹配的所有任务的匹配度中最大值为无人车顶标值;初始化任务权值为0;
执行KM算法如下。
S500、判断m与n的大小,若m=n执行S501;若n>m,执行S502;若n<m,执行S503;
S501、执行匈牙利算法进行任务分配,若发生冲突,则对发生冲突的无人车顶标值减1且任务权值加1,重复S501直至完全匹配,任务分配结束;
S502、针对第j个任务,选出与其具有匹配关系的且匹配度不是最大值的无人车组成无人车筛选集合Uj;对每个任务对应的无人车筛选集合中的元素进行筛选,选取其中n-m个出现次数最多的无人车,将所选取无人车搁置,对没有被搁置的无人车和所有的任务执行S501进行任务分配;
S503、针对第i辆无人车,选出与其具有匹配关系的且匹配度不是最大值的的任务组成任务筛选集合Ui;对每辆无人车对应的任务筛选集合中的元素进行筛选,选取m-n个出现次数最多的任务,将所选取的任务搁置,对没有被搁置的任务和所有的无人车执行S501进行任务分配。
被搁置的任务需要进行第二次执行,所有的无人车重新确认执行完第一次任务之后的状态,开始第二次任务分配,以被搁置任务数量为m,以无人车数量为n,返回执行S500,直至所有任务均被执行。
步骤6:执行任务,并通过合理的通信避免任务遗漏和冲突问题。状态#1下的无人车,对其他无人车的发布执行任务消息即消息#1;若状态#1下的无人车出现无法完成任务的情况,该任务记为求助任务,则当前无人车发布求助消息即消息#2,并修改工作状态为状态#2;状态#1下的无人车完成任务后,则修改工作状态为状态#3。
所有被搁置的无人车均修改状态状态为状态#3,并且向所有无人车发布随时接受任务消息即消息#5。
所有无人车接收到消息#2后,针对消息#2对应求助任务进行评价,其中已经完成任务的无人车根据自身位置和工作状态,对当前求助任务进行评价,判断是否可以完成以及确定匹配度,未完成任务的无人车预估完成任务之后的工作状态,对当前求助任务进行评价,判断是否可以完成以及确定匹配度;能够完成当前求助任务的无人车回复协助消息即消息#3),否则回复拒绝消息即消息#4;对于回复消息#3的无人车,根据匹配度择优选择一个或者多个无人车执行求助任务。
如果无人车在执行任务的过程中出现故障,则修改工作状态为故障状态即状态#4。
无人车各类消息说明示意图。
各无人车的通信过程中,若所有无人车均显示状态#3时,则每10秒上报一次所完成的任务信息和自身状态,判断是否所有任务均已完成,若是则本次侦察任务结束;若存在未完成任务(包括因无人车通信设备损坏,无法汇报任务点的情况),则所有无人车对此未完成任务进行评价,选择匹配度最高的无人车前往执行未完成任务。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种针对侦察任务的多同构无人车分布式任务分配方法,其特征在于,包括如下步骤:
步骤1:初始化系统信息,所述系统信息包括:基本信息,任务信息以及动态信息;
步骤2:加载地图,对地图进行栅格化处理,每个栅格内储存一个多维数组包含当前栅格环境的所有信息;
步骤3:根据栅格化的地图信息和初始化的系统信息,获取环境信息和无人车自身状态,构造匹配函数Cij=f(x,Oij);其中Cij为第i辆无人车完成第j个任务的匹配度;x为无人车状态指标的能量值;Oij是无人车和任务位置之间规划的可行距离;
步骤4:利用所构造的匹配函数,计算每一辆无人车针对所有任务的匹配度;
步骤5:对于第i辆无人车,若其完成第j个任务的匹配度Cij>0,则表示第i辆无人车匹配第j个任务,否则第i辆无人车不匹配第j个任务,由此构建无人车和任务的匹配关系;
执行KM算法进行任务分配;所述执行KM算法进行任务分配,具体流程如下:
无人车的数量为n,任务的数量为m,取当前无人车与所匹配的所有任务的匹配度中最大值为无人车顶标值;初始化任务权值为0;
S500、判断m与n的大小,若m=n执行S501;若n>m,执行S502;若n<m,执行S503;
S501、执行匈牙利算法进行任务分配,若发生冲突,则对发生冲突的无人车顶标值减1且任务权值加1,重复S501直至完全匹配,任务分配结束;
S502、针对第j个任务,选出与其具有匹配关系的且匹配度不是最大值的无人车组成无人车筛选集合Uj;对每个任务对应的无人车筛选集合中的元素进行筛选,选取其中n-m个出现次数最多的无人车,将所选取无人车搁置,对没有被搁置的无人车和所有的任务执行S501进行任务分配;
S503、针对第i辆无人车,选出与其具有匹配关系的且匹配度不是最大值的任务组成任务筛选集合Ui;对每辆无人车对应的任务筛选集合中的元素进行筛选,选取m-n个出现次数最多的任务,将所选取的任务搁置,对没有被搁置的任务和所有的无人车执行S501进行任务分配;
步骤6:执行任务。
2.如权利要求1所述的方法,其特征在于,所述基本信息包括无人车信息、无人车通讯能力、无人车设备各项指标能力值以及无人车工作状态;所述无人车信息包括无人车编号、无人车当前位置坐标以及速度;
所述无人车通讯能力包括无人车上通信设备状态以及可通信距离最大值;
所述无人车工作状态包括执行任务状态即状态#1、求助状态即状态#2、空闲状态即状态#3以及故障状态即状态#4;
所述任务信息包括任务编号、任务点位置坐标;
所述动态信息包括环境中行人信息、环境中不确定的移动障碍物信息。
3.如权利要求1所述的方法,其特征在于,所述对地图进行栅格化处理,具体为:将所述地图划分为设定尺寸的栅格,每个栅格内储存栅格信息;所述栅格信息包括栅格位置、栅格尺寸以及栅格内环境信息。
4.如权利要求1所述的方法,其特征在于,匹配度Cij与Oij成反比,与x成正比。
5.如权利要求1所述的方法,其特征在于,所述步骤6具体为:
根据步骤5的任务分配方案执行任务,任务执行完成之后,若还有被搁置的任务,则以被搁置任务数量为m,以无人车数量为n,返回执行S500,直至所有任务均被执行。
6.如权利要求2所述的方法,其特征在于,所述步骤6中,执行任务过程中,各无人车执行如下通信过程:
状态#1下的无人车,对其他无人车的发布执行任务消息即消息#1;若状态#1下的无人车出现无法完成任务的情况,该任务记为求助任务,则当前无人车发布求助消息即消息#2,并修改工作状态为状态#2;状态#1下的无人车完成任务后,则修改工作状态为状态#3;
所有被搁置的无人车均修改状态为状态#3,并且向所有无人车发布随时接受任务消息即消息#5;
所有无人车接收到消息#2后,针对消息#2对应求助任务进行评价,其中已经完成任务的无人车根据自身位置和工作状态,对当前求助任务进行评价,判断是否可以完成并确定匹配度,未完成任务的无人车预估完成任务之后的工作状态,对当前求助任务进行评价,判断是否可以完成并确定匹配度;能够完成当前求助任务的无人车回复协助消息即消息#3,否则回复拒绝消息即消息#4;对于回复消息#3的无人车,根据匹配度择优选择一个或者多个无人车执行所述求助任务;
如果无人车在执行任务的过程中出现故障,则修改工作状态为故障状态即状态#4。
7.如权利要求6所述的方法,其特征在于,各无人车的通信过程中,若所有无人车均显示状态#3时,则每10秒上报一次所完成的任务信息和自身状态,判断是否所有任务均已完成,若是则本次侦察任务结束;若存在未完成任务,则所有无人车对此未完成任务进行评价,选择匹配度最高的无人车前往执行所述未完成任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256930.5A CN112232711B (zh) | 2020-11-11 | 2020-11-11 | 一种针对侦察任务的多同构无人车分布式任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011256930.5A CN112232711B (zh) | 2020-11-11 | 2020-11-11 | 一种针对侦察任务的多同构无人车分布式任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112232711A CN112232711A (zh) | 2021-01-15 |
CN112232711B true CN112232711B (zh) | 2022-10-21 |
Family
ID=74123582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011256930.5A Active CN112232711B (zh) | 2020-11-11 | 2020-11-11 | 一种针对侦察任务的多同构无人车分布式任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232711B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104461748A (zh) * | 2015-01-04 | 2015-03-25 | 电子科技大学 | 一种基于MapReduce的最优本地化任务调度方法 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001255923A (ja) * | 2000-03-10 | 2001-09-21 | Shinko Electric Co Ltd | 無人車の動作計画作成装置 |
WO2017079623A1 (en) * | 2015-11-06 | 2017-05-11 | Massachusetts Institute Of Technology | Dynamic task allocation in an autonomous multi-uav mission |
CN108470238B (zh) * | 2018-02-14 | 2021-08-20 | 复旦大学 | 基于图论km匹配算法的agv自动调度方法 |
CN111240319B (zh) * | 2019-12-31 | 2023-03-28 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
-
2020
- 2020-11-11 CN CN202011256930.5A patent/CN112232711B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104461748A (zh) * | 2015-01-04 | 2015-03-25 | 电子科技大学 | 一种基于MapReduce的最优本地化任务调度方法 |
CN110110871A (zh) * | 2018-02-01 | 2019-08-09 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112232711A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cao et al. | TARE: A Hierarchical Framework for Efficiently Exploring Complex 3D Environments. | |
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
CN108764777B (zh) | 带时间窗的电动物流车调度方法和系统 | |
CN111612234B (zh) | 一种集装箱码头水平运输可视化系统 | |
CN110440811B (zh) | 一种通用型自主导航控制方法、装置及设备终端 | |
CN110926485B (zh) | 一种基于直线特征的移动机器人定位方法及系统 | |
CN109931942A (zh) | 机器人路径生成方法、装置、机器人和存储介质 | |
CN107180309B (zh) | 一种空天地观测资源的协同规划方法 | |
CN112327939B (zh) | 一种城市街区环境下高层消防多无人机协同路径规划方法 | |
CN111781927A (zh) | 一种多机器人协同运输任务的调度分配方法 | |
CN116451934B (zh) | 多无人机边缘计算路径优化与依赖任务调度优化方法及系统 | |
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 | |
CN109697880A (zh) | 无人车停车位分配方法、装置、设备及存储介质 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
CN114911255A (zh) | 一种面向通信中继保障的异构多无人机协同航迹规划方法 | |
CN112232711B (zh) | 一种针对侦察任务的多同构无人车分布式任务分配方法 | |
CN114943366A (zh) | 考虑取送协同的飞机设备转运调度方法和装置 | |
CN113077473B (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
US20210398014A1 (en) | Reinforcement learning based control of imitative policies for autonomous driving | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN115933633A (zh) | 基于量子绸鱼优化机制的机船协同任务分配方法 | |
CN115062486A (zh) | 一种单车辆与多无人机协同弧路由调度方法 | |
CN114578842B (zh) | 一种无人车载旋翼无人机集群侦察的协同路径规划方法 | |
CN115390579A (zh) | 一种基于凸多边形农田的喷灌无人机多行程航迹规划方法 | |
CN114757394A (zh) | 基于工作量平衡的物流车辆路径优化方法、系统和介质 |
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 |