CN112434901A - 无人机交通巡逻方案的智能重决策方法和系统 - Google Patents
无人机交通巡逻方案的智能重决策方法和系统 Download PDFInfo
- Publication number
- CN112434901A CN112434901A CN202011101535.XA CN202011101535A CN112434901A CN 112434901 A CN112434901 A CN 112434901A CN 202011101535 A CN202011101535 A CN 202011101535A CN 112434901 A CN112434901 A CN 112434901A
- Authority
- CN
- China
- Prior art keywords
- decision
- unmanned aerial
- aerial vehicle
- traffic
- event
- 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
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G9/00—Traffic control systems for craft where the kind of craft is irrelevant or unspecified
- G08G9/02—Anti-collision systems
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种无人机交通巡逻方案的智能重决策方法和系统,涉及无人机领域。包括以下步骤:获取无人机交通巡逻数据;对无人机交通巡逻数据进行关联处理;基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;重决策的类型包括:交通巡逻任务重决策和无人机飞行任务重决策;对事件触发重决策的类型和推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;对无人机交通巡逻方案进行相应类型的重决策。本申请可以增强无人机交通巡逻方案在执行时的适应性。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种无人机交通巡逻方案的智能重决策方法和系统。
背景技术
随着新兴技术的发展与应用,无人机作为一种新型的交通巡逻平台,已成功应用于城市道路交通巡逻过程中,无人机能够自主的发现交通事故、快速响应和违章识别等性能。近年来,无人机在相关领域应用的不断推进,各地交管部门纷纷开始探索无人机在交通领域的应用,交通警用无人机综合集成平台可广泛应用于高速公路/城市快速路自动巡航、空中喊话警示、道路交通违法事件抓拍、协助交通事件处置、重点路口长时间监测等多种交通业务场景。实现无人机常态化巡航,实时观察道路流量状态,协助交警开展工作。
无人机自主执行交通巡逻任务是一个复杂的过程,其中,每个无人机可执行一个或多个子任务,通过多无人机之间的相互协作,完成单个无人机无法完成的任务。因此,有效利用多无人机协同机制,可以使多无人机高效率的完成复杂的任务,增强多无人机间的容错性、鲁棒性,以构成相互协作、优势互补、效能倍增的交通巡逻体系。
然而本申请的发明人发现,多无人机进行交通巡逻时,巡逻环境的情况瞬息万变,呈现高动态、强实时和不确定的特点,并且执行巡逻任务和飞行任务的过程时间较长,执行任务过程中可能会出现多种情况,因此,预先设定好的交通巡逻方案可能随着交通巡逻过程的进行而不再适用当前环境,为此,需要对无人机交通巡逻方案进行重决策,以解决无人机交通巡逻方案适应性差的缺点。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种无人机交通巡逻方案的智能重决策方法和系统,解决了现有技术适应性差的技术问题。
(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:
本发明解决其技术问题所提供的一种无人机交通巡逻方案的智能重决策方法,所述重决策方法由计算机执行,包括以下步骤:
获取无人机执行无人机交通巡逻方案时的交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
对所述无人机交通巡逻数据进行关联处理;
基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
对无人机交通巡逻方案执行相应类型的重决策。
优选的,所述无人机数据包括:无人机实时飞控数据、无人机航迹数据和无人机设备基础数据;
所述飞手数据包括:在岗信息数据和飞手基本数据;
所述无人机任务数据包括:巡逻任务数据和飞行任务数据。
优选的,所述对所述无人机交通巡逻数据进行关联处理,包括:
基于数据清洗方法对所述无人机交通巡逻数据进行数据清洗;
基于关联算法对数据清洗后的数据进行关联分析。
优选的,所述基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型,包括:
对于交通事件K,判断交通事件K的类型,包括一级交通事件、二级交通事件和三级交通事件;
若交通事件K为一级交通事件,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;
若交通事件K为二级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;若否,则将交通事件K加入到二级交通事件列表中;在预设的第一周期结束时,判定为事件触发重决策,事件触发重决策的类型为:二级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发;
若交通事件K为三级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;若否,则将交通事件K加入到三级交通事件列表中;在预设的第二周期结束时,判定为事件触发重决策,事件触发重决策的类型为:三级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发;
重决策类型的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
优选的,所述基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型,包括:
从上一次推理触发重决策的时刻开始计时,判断计时时间Δt是否大于等于第一周期,若否,则等待;
若是,则:
对预设的案例库进行搜索,确认案例库中的每一个案例;将关联后的无人机交通巡逻数据和每一个案例进行对比,并计算关联后的无人机交通巡逻数据和案例库的全局相似度;判断所述全局相似度是否超过预设的全局相似度阈值,若是,则判定为案例推理触发重决策,并计算案例推理得分;
对关联后的无人机交通巡逻数据进行规则推理,并判断是否满足预设的规则推理条件,若是,则判定为规则推理触发重决策,并计算规则推理得分;
基于所述案例推理得分和所述规则推理得分获取推理触发重决策的类型,并判定为推理触发重决策。
优选的,基于所述案例推理得分和所述规则推理得分获取推理触发重决策的类型,包括:
比较所述案例推理得分和所述规则推理得分的大小,推理触发重决策的类型为得分高的重决策对应的类型;
所述案例推理得分指:所述全局相似度与案例推理重决策对应类型的权重系数的乘积;所述规则推理得分指:规则推理重决策对应类型的权重系数;
所述权重系数为:交通巡逻任务重决策为a,无人机飞行任务重决策为b,且a>b。
优选的,对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,包括:
若所述事件触发重决策的类型和所述推理触发重决策的类型相同,则判定执行相应的重决策类型;
若所述事件触发重决策的类型和所述推理触发重决策的类型不同,则基于预设的优先级执行:所述事件触发重决策的类型和所述推理触发重决策的类型中优先级高的重决策类型;预设的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
优选的,所述对无人机交通巡逻方案进行相应类型的重决策,包括:
基于预设的方法库选择一种重决策方法,并对无人机交通巡逻方案进行处理,得到若干个重决策后的无人机交通巡逻方案;
基于预设的方法库提取一种重决策方案选择方法,选择一个重决策后的无人机交通巡逻方案,并执行。
优选的,还包括:
对选择的重决策后的无人机交通巡逻方案的执行过程进行评价;
根据评价结果更新所述预设的方法库。
本发明解决其技术问题所提供的一种无人机交通巡逻方案的智能重决策系统,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
获取无人机执行无人机交通巡逻方案时的交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
对所述无人机交通巡逻数据进行关联处理;
基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
对无人机交通巡逻方案执行相应类型的重决策。
(三)有益效果
本发明提供了一种无人机交通巡逻方案的智能重决策方法和系统。与现有技术相比,具备以下有益效果:
本发明通过获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;对无人机交通巡逻数据进行关联处理;基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型包括:交通巡逻任务重决策和无人机飞行任务重决策;对事件触发重决策的类型和推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;对无人机交通巡逻方案进行相应类型的重决策。本发明从事件触发和推理触发两个层面对重决策进行触发判断,并对两种重决策类型进行冲突消解,从而对无人机交通巡逻方案执行重决策,可以增强无人机交通巡逻方案在执行时的适应性。
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为本发明实施例所提供的无人机交通巡逻方案的智能重决策方法的整体流程图;
图2为本发明实施例所提供的无人机交通巡逻方案的智能重决策方法的流程框架图。
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作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无人机交通巡逻方案的智能重决策方法、系统和存储介质,解决了现有技术适应性差问题,提高了无人机交通巡逻方案的适应性。
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:
本发明实施例通过获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;对无人机交通巡逻数据进行关联处理;基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;对事件触发重决策的类型和推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;对无人机交通巡逻方案进行相应类型的重决策。本发明实施例从主动和被动两个层面对重决策进行触发判断,并对两种重决策类型进行冲突消解,从而对无人机交通巡逻方案执行重决策,可以增强无人机交通巡逻方案在执行时的适应性。
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。
本发明实施例提供了一种无人机交通巡逻方案的智能重决策方法,该方法由计算机执行,如图1所示,为本发明实施例的整体流程图,图2为本发明实施例的流程框架图。该方法包括以下步骤:
S1、获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
S2、对所述无人机交通巡逻数据进行关联处理;
S3、基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
S4、对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
S5、对无人机交通巡逻方案进行相应类型的重决策。
本发明实施例通过获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;对无人机交通巡逻数据进行关联处理;基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;对事件触发重决策的类型和推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;对无人机交通巡逻方案进行相应类型的重决策。本发明实施例从主动和被动两个层面对重决策进行触发判断,并对两种重决策类型进行冲突消解,从而对无人机交通巡逻方案执行重决策,可以增强无人机交通巡逻方案在执行时的适应性。
下面对各步骤进行具体分析。
在步骤S1中,获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据。
通过无人机地面站获取无人机数据,包括:无人机实时飞控数据、无人机航迹数据和无人机设备基础数据;
通过交警指挥中心获取飞手数据,包括:在岗信息数据和飞手基本数据;
通过交警指挥中心获取无人机任务数据,包括:巡逻任务数据和飞行任务数据。
在步骤S2中,对所述无人机交通巡逻数据进行关联处理。包括:
基于数据清洗方法对所述无人机交通巡逻数据进行数据清洗;
基于关联算法对数据清洗后的数据进行关联分析。
在本发明实施例中,数据清洗方法和关联算法均为现有技术,在此不做说明。
在步骤S3中,基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型。
其中,事件触发重决策的类型和推理触发重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策。
交通巡逻任务重决策是指:无人机执行巡逻任务过程中,当指挥中心接收到新的巡逻任务时,则会进行交通巡逻任务重决策。例如:路网中出现突发事件、指挥中心接到报警和路网中某个路段出现恶劣天气等情形。
无人机飞行任务重决策是指:在无人机执行飞行任务过程中,发生突发情况,无法完成当前飞行任务时,需要将剩余的飞行任务由指挥中心重新分配给其他无人机,则会进行无人机飞行任务重决策。。
需要说明的是,在本发明实施例中,根据交通事件影响无人机执行交通方案的严重程度和紧急程度,可利用专家评价等方法,预先将交通事件设置三种,分别记为:一级交通事件、二级交通事件和三级交通事件。其中,一级交通事件的紧急性最高,需要优先执行,二级交通事件的紧急性次之,三级交通事件的紧急性最弱。同时,为了避免过度重复重决策,预先设置第一周期为Tmin,以及第二周期为T。
具体的,判断是否事件触发重决策,包括:
在无人机进行交通巡逻时,一直检测是否有交通事件发生。
对于交通事件K,判断交通事件K的类型,包括一级交通事件、二级交通事件和三级交通事件。
若交通事件K为一级交通事件,则立即判定为事件触发重决策,即交通事件K发生时判定为事件触发重决策。事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发。
若交通事件K为二级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期Tmin;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发。若否,则将交通事件K加入到二级交通事件列表中。在预设的第一周期结束时,判定为事件触发重决策,即交通事件K发生后经过第一周期Tmin对应的时间后,判定为事件触发重决策;其中,事件触发重决策的类型为:二级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发。
本发明实施例中,重决策类型的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
具体的,将二级交通事件列表中所有交通事件对应的重决策类型汇总,并判定触发优先级最高的重决策类型。
若交通事件K为三级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发。若否,则将交通事件K加入到三级交通事件列表中;在预设的第二周期结束时,判定为事件触发重决策,即交通事件K发生后经过第二周期T对应的时间后,判定为事件触发重决策;其中,事件触发重决策的类型为:三级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发。
本发明实施例在具体实施时,如果未发生交通事件,则一直判定为没有事件触发重决策。
在本发明实施例中,可设定第一周期Tmin为5s,第二周期T为8s。
一级交通事件包括:无人机发生碰撞事件,无人机发现交通事故且无人机电量不足事件,新增巡逻任务事件和无人机自身机械故障事件。
当发生无人机发生碰撞事件时,触发无人机飞行任务重决策。
无人机发现交通事故且无人机电量不足事件时,触发交通巡逻任务重决策。
当发生新增巡逻任务事件时,触发交通巡逻任务重决策。
当发生无人机自身机械故障事件时,触发无人机飞行任务重决策。
二级交通事件包括:无人机发现交通事故且无人机电量充足事件,新增飞行任务事件。
当发生无人机发现交通事故且无人机电量充足事件时,触发无人机飞行任务重决策。
当发生新增飞行任务事件时,触发无人机飞行任务重决策。
三级交通事件包括:无人机遭遇恶劣天气事件。
当发生无人机遭遇恶劣天气事件时,触发交通巡逻任务重决策。
基于关联后的无人机交通巡逻数据判断是否推理触发重决策,包括:
S321、从上一次推理触发重决策的时刻开始计时,判断计时时间Δt是否大于等于第一周期,若否,则等待。
若是,则:
S322、对预设的案例库进行搜索,确认案例库中的每一个案例;将关联后的无人机交通巡逻数据和每一个案例进行对比,并计算关联后的无人机交通巡逻数据和案例库的全局相似度;判断所述全局相似度是否超过预设的全局相似度阈值,若是,则判定为案例推理触发重决策,并计算案例推理得分。
本发明实施例中,案例库中包括预先获取的若干个案例,以及每个案例对应的重决策类型。具体的,案例库中的案例可以根据以往处理过的任务记录获得,也可以通过交通指挥中心的手动写入,当每次重决策进行完毕后,也会根据此次重决策的情况进行案例库的更新。
具体的,全局相似度的获取方法包括:
S3221、对关联后的无人机交通巡逻数据进行特征属性提取。
具体的,属性的类型有两类:一是确定符号属性,通常用于属性值是离散的情形。二是确定数属性,确定数属性之间的不同,可借助于点间距离远近来反映。
S3222、对预设的案例库进行搜索,确认案例库中的每一个案例。
S3223、将提取到的特征属性和每一个案例进行对比,并计算属性相似度。属性相似度计算方法如下:
确定符号属性:
确定数属性:
S3224、基于所述属性相似度计算全局相似度。
在进行全局相似度计算时,只能根据共有属性进行计算,因此,需要对各共有属性的权重重新进行归一化处理,计算方法如下:
上式中,全局相似度由Ssim(Q,C)表示,其中Q表示问题案例的特征属性集合,C表示源案例的特征属性集合,m为Q和C交集中特征属性的个数,ωi表示Q和C交集中的第i个特征属性的权重,WQ∩C表示Q和C交集中所有特征属性的权重之和。
判断所述全局相似度是否超过预设的全局相似度阈值,若是,则判定为案例推理触发重决策。
当全局相似度超过预设的全局相似度阈值时,判定为案例推理触发重决策。并提取属性相似度最大的案例,将该案例对应的类型作为案例推理重决策的重决策类型。
本发明实施例设定阈值为0.8。
在本发明实施例中,案例推理得分指:所述全局相似度与案例推理重决策对应类型的权重系数的乘积。
具体的,预先对重决策的两种类型赋予权重系数:交通巡逻任务重决策为a,无人机飞行任务重决策为b,并且a>b。例如可以是:交通巡逻任务重决策为2,无人机飞行任务重决策为1。
S323、对关联后的无人机交通巡逻数据进行规则推理,并判断是否满足预设的规则推理条件,若是,则判定为规则推理触发重决策,并计算规则推理得分。
具体的,预设的规则推理条件包括:
规则一:无人机速度低于0.5m/s或高于5m/s,此时触发无人机飞行任务重决策。
规则二:发生交通拥堵,此时触发交通巡逻任务重决策。
规则三:无人机电量不足,此时触发无人机飞行任务重决策。
规则四:无人机电量失常,此时触发无人机飞行任务重决策。
规则五:无人机通信信号不稳定,此时触发无人机飞行任务重决策。
规则推理得分指:规则推理重决策对应类型的权重系数。
S324、基于所述案例推理得分和所述规则推理得分获取推理触发重决策的类型,并判定为推理触发重决策;并在等待预设的第一周期的时间后继续判断下一次重决策的推理触发。
本发明实施例对案例推理重决策和规则推理重决策进行冲突消解,以确定推理重决策的重决策类型。具体的冲突消解方法为:
比较所述案例推理得分和所述规则推理得分的大小,推理触发重决策的类型为得分高的重决策对应的类型。
当案例推理触发重决策单独发生时,说明规则推理得分为0,此时判定为案例推理触发重决策的重决策类型。
当规则推理触发重决策单独发生时,说明案例推理得分为0,此时判定为规则推理触发重决策的重决策类型。
当案例推理触发重决策和规则推理触发重决策全部发生时,比较案例推理得分和规则推理得分的大小,推理触发重决策的类型为得分高的重决策对应的类型。
具体的,当案例推理得分大于规则推理得分时,判定为案例推理触发重决策的类型;当规则推理得分大于等于案例推理得分,判定为规则推理触发重决策的类型。
在步骤S4中,对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型。
具体的,若所述事件触发重决策的类型和所述推理触发重决策的类型相同,则判定执行相应的重决策类型;
若所述事件触发重决策的类型和所述推理触发重决策的类型不同,则基于预设的优先级执行:所述事件触发重决策的类型和所述推理触发重决策的类型中优先级高的重决策类型。
预设的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
在步骤S5中,对无人机交通巡逻方案进行相应类型的重决策。包括:
基于预设的方法库选择一种重决策方法,并对无人机交通巡逻方案进行处理,得到若干个重决策后的无人机交通巡逻方案。
其中,交通巡逻任务重决策方法包括:
遗传算法,模拟退火算法、粒子群算法、禁忌搜索算法
无人机飞行任务重决策包括:
A*算法,Dijskra算法,D*路径搜索算法,蚁群算法
基于预设的方法库提取一种重决策方案选择方法,选择一个重决策后的无人机交通巡逻方案,并执行。
具体的,重决策方案选择方法为一种选择方法,具体的选择方法可以采用现有技术,本实施例中不做限定。
本发明实施例还包括:对选择的重决策后的无人机交通巡逻方案重决策方案的执行过程进行评价;根据评价结果更新预设的方法库。
本发明实施例还提供了一种无人机交通巡逻方案的智能重决策系统,上述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
对所述无人机交通巡逻数据进行关联处理;
基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
对无人机交通巡逻方案进行相应类型的重决策。
可理解的是,本发明实施例提供的上述重决策系统与上述重决策方法相对应,其有关内容的解释、举例、有益效果等部分可以参考无人机交通巡逻方案的智能重决策方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例通过获取无人机执行无人机交通巡逻方案时的无人机交通巡逻数据;对无人机交通巡逻数据进行关联处理;基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;对事件触发重决策的类型和推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;对无人机交通巡逻方案进行相应类型的重决策。本发明实施例从主动和被动两个层面对重决策进行触发判断,并对两种重决策类型进行冲突消解,从而对无人机交通巡逻方案执行重决策,可以增强无人机交通巡逻方案在执行时的适应性。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
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。
Claims (10)
1.一种无人机交通巡逻方案的智能重决策方法,所述重决策方法由计算机执行,其特征在于,包括以下步骤:
获取无人机执行无人机交通巡逻方案时的交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
对所述无人机交通巡逻数据进行关联处理;
基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
对无人机交通巡逻方案执行相应类型的重决策。
2.根据权利要求1所述的重决策方法,其特征在于,所述无人机数据包括:无人机实时飞控数据、无人机航迹数据和无人机设备基础数据;
所述飞手数据包括:在岗信息数据和飞手基本数据;
所述无人机任务数据包括:巡逻任务数据和飞行任务数据。
3.根据权利要求1所述的重决策方法,其特征在于,所述对所述无人机交通巡逻数据进行关联处理,包括:
基于数据清洗方法对所述无人机交通巡逻数据进行数据清洗;
基于关联算法对数据清洗后的数据进行关联分析。
4.根据权利要求1所述的重决策方法,其特征在于,所述基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型,包括:
对于交通事件K,判断交通事件K的类型,包括一级交通事件、二级交通事件和三级交通事件;
若交通事件K为一级交通事件,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;
若交通事件K为二级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;若否,则将交通事件K加入到二级交通事件列表中;在预设的第一周期结束时,判定为事件触发重决策,事件触发重决策的类型为:二级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发;
若交通事件K为三级交通事件,则判断上一次事件触发重决策的时刻到交通事件K发生时刻的时间间隔Δt是否大于等于预设的第一周期;若是,则立即判定为事件触发重决策,事件触发重决策的类型为交通事件K对应的重决策类型,并继续判断下一次重决策的事件触发;若否,则将交通事件K加入到三级交通事件列表中;在预设的第二周期结束时,判定为事件触发重决策,事件触发重决策的类型为:三级交通事件列表中所有交通事件对应的重决策类型中优先级最高的重决策类型;并继续判断下一次重决策的事件触发;
重决策类型的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
5.根据权利要求4所述的重决策方法,其特征在于,所述基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型,包括:
从上一次推理触发重决策的时刻开始计时,判断计时时间Δt是否大于等于预设的第一周期,若否,则等待;
若是,则:
对预设的案例库进行搜索,确认案例库中的每一个案例;将关联后的无人机交通巡逻数据和每一个案例进行对比,并计算关联后的无人机交通巡逻数据和案例库的全局相似度;判断所述全局相似度是否超过预设的全局相似度阈值,若是,则判定为案例推理触发重决策,并计算案例推理得分;
对关联后的无人机交通巡逻数据进行规则推理,并判断是否满足预设的规则推理条件,若是,则判定为规则推理触发重决策,并计算规则推理得分;
基于所述案例推理得分和所述规则推理得分获取推理触发重决策的类型,并判定为推理触发重决策。
6.根据权利要求5所述的重决策方法,其特征在于,基于所述案例推理得分和所述规则推理得分获取推理触发重决策的类型,包括:
比较所述案例推理得分和所述规则推理得分的大小,推理触发重决策的类型为得分高的重决策对应的类型;
所述案例推理得分指:所述全局相似度与案例推理重决策对应类型的权重系数的乘积;所述规则推理得分指:规则推理重决策对应类型的权重系数;
所述权重系数为:交通巡逻任务重决策为a,无人机飞行任务重决策为b,且a>b。
7.根据权利要求1所述的重决策方法,其特征在于,对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,包括:
若所述事件触发重决策的类型和所述推理触发重决策的类型相同,则判定执行相应的重决策类型;
若所述事件触发重决策的类型和所述推理触发重决策的类型不同,则基于预设的优先级执行:所述事件触发重决策的类型和所述推理触发重决策的类型中优先级高的重决策类型;预设的优先级为:交通巡逻任务重决策>无人机飞行任务重决策。
8.根据权利要求5所述的重决策方法,其特征在于,所述对无人机交通巡逻方案进行相应类型的重决策,包括:
基于预设的方法库选择一种重决策方法,并对无人机交通巡逻方案进行处理,得到若干个重决策后的无人机交通巡逻方案;
基于预设的方法库提取一种重决策方案选择方法,选择一个重决策后的无人机交通巡逻方案,并执行。
9.根据权利要求8所述的重决策方法,其特征在于,还包括:
对选择的重决策后的无人机交通巡逻方案的执行过程进行评价;
根据评价结果更新所述预设的方法库。
10.一种无人机交通巡逻方案的智能重决策系统,其特征在于,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
获取无人机执行无人机交通巡逻方案时的交通巡逻数据;所述无人机交通巡逻数据包括:无人机数据、飞手数据和无人机任务数据;
对所述无人机交通巡逻数据进行关联处理;
基于无人机交通巡逻时发生的交通事件和预设的周期判断是否事件触发重决策,并分析事件触发重决策的类型;基于关联后的无人机交通巡逻数据判断是否推理触发重决策,并分析推理触发重决策的类型;其中,重决策的类型均包括:交通巡逻任务重决策和无人机飞行任务重决策;
对所述事件触发重决策的类型和所述推理触发重决策的类型进行冲突消解处理,得到无人机交通巡逻方案重决策类型;
对无人机交通巡逻方案执行相应类型的重决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101535.XA CN112434901B (zh) | 2020-10-15 | 2020-10-15 | 无人机交通巡逻方案的智能重决策方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011101535.XA CN112434901B (zh) | 2020-10-15 | 2020-10-15 | 无人机交通巡逻方案的智能重决策方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434901A true CN112434901A (zh) | 2021-03-02 |
CN112434901B CN112434901B (zh) | 2022-11-04 |
Family
ID=74689723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011101535.XA Active CN112434901B (zh) | 2020-10-15 | 2020-10-15 | 无人机交通巡逻方案的智能重决策方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434901B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113126651A (zh) * | 2021-03-12 | 2021-07-16 | 合肥工业大学 | 多无人机协同对抗的智能决策装置和系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750110A (zh) * | 2015-02-09 | 2015-07-01 | 深圳如果技术有限公司 | 一种无人机的飞行方法 |
CN108460452A (zh) * | 2018-03-20 | 2018-08-28 | 广州大学 | 一种人工智能行为体的自毁装置和方法 |
CN108898528A (zh) * | 2018-06-22 | 2018-11-27 | 公安部天津消防研究所 | 一种面向危险化学品事故应急辅助决策的案例推理方法 |
CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
WO2019186245A1 (en) * | 2018-03-30 | 2019-10-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Network coverage and policy information generation and distribution for unmanned aerial vehicle flight planning |
CN110806758A (zh) * | 2019-11-12 | 2020-02-18 | 中国人民解放军国防科技大学 | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 |
CN111309046A (zh) * | 2020-02-10 | 2020-06-19 | 合肥工业大学 | 异构无人机编队地震灾后勘察的任务分配方法 |
-
2020
- 2020-10-15 CN CN202011101535.XA patent/CN112434901B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104750110A (zh) * | 2015-02-09 | 2015-07-01 | 深圳如果技术有限公司 | 一种无人机的飞行方法 |
CN108460452A (zh) * | 2018-03-20 | 2018-08-28 | 广州大学 | 一种人工智能行为体的自毁装置和方法 |
WO2019186245A1 (en) * | 2018-03-30 | 2019-10-03 | Telefonaktiebolaget Lm Ericsson (Publ) | Network coverage and policy information generation and distribution for unmanned aerial vehicle flight planning |
CN108898528A (zh) * | 2018-06-22 | 2018-11-27 | 公安部天津消防研究所 | 一种面向危险化学品事故应急辅助决策的案例推理方法 |
CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
CN110806758A (zh) * | 2019-11-12 | 2020-02-18 | 中国人民解放军国防科技大学 | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 |
CN111309046A (zh) * | 2020-02-10 | 2020-06-19 | 合肥工业大学 | 异构无人机编队地震灾后勘察的任务分配方法 |
Non-Patent Citations (6)
Title |
---|
XIAOXUAN HU1 ET AL.: "Hierarchical method of task assignment for multiple cooperating UAV teams", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
YINGYING MA ET AL.: "Cooperative Occupancy Decision Making of Multi-UAV in Beyond-Visual-Range Air Combat: A Game Theory Approach", 《IEEE ACCESS》 * |
张双狮等: "基于案例推理的群体性事件智能决策支持WEB系统研究", 《情报杂志》 * |
曹文静等: "多无人机自主协同方法协同性能研究", 《飞机导弹》 * |
李聪等: "多无人作战飞机编队空战智能决策方法", 《火力与指挥控制》 * |
王新尧等: "有人机/无人机编队协同作战决策系统架构设计", 《无人系统技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113126651A (zh) * | 2021-03-12 | 2021-07-16 | 合肥工业大学 | 多无人机协同对抗的智能决策装置和系统 |
CN113126651B (zh) * | 2021-03-12 | 2022-07-19 | 合肥工业大学 | 多无人机协同对抗的智能决策装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112434901B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210279603A1 (en) | Security systems and methods | |
CN112486200B (zh) | 多无人机协同对抗在线重决策方法 | |
CN112083456B (zh) | 一种货运状态识别方法、装置、设备及存储介质 | |
CN112434901B (zh) | 无人机交通巡逻方案的智能重决策方法和系统 | |
CN114626684A (zh) | 一种大数据驱动的高速公路交通事件持续时间预测方法 | |
CN112330915A (zh) | 无人机森林防火预警方法、系统、电子设备和存储介质 | |
CN115146878A (zh) | 指挥调度方法、系统、车载设备及计算机可读存储介质 | |
CN114647954A (zh) | 仿真场景生成方法、装置、计算机设备及存储介质 | |
CN117180687B (zh) | 一种智慧消防远程监控系统及方法 | |
CN117649785A (zh) | 一种无人机多运行人分布式协同冲突化解方法及系统 | |
KR102556447B1 (ko) | 패턴 분석을 통한 상황 판단 시스템 | |
CN117237935A (zh) | 一种空间物体的识别方法、装置、电子设备及存储介质 | |
CN116777062A (zh) | 面向极端难例的自适应融合学习自动驾驶安全决策方法 | |
CN111860383A (zh) | 一种群体异常行为识别方法、装置、设备及存储介质 | |
CN113593256B (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN115169588A (zh) | 电像计算时空轨迹车码关联方法、装置、设备及存储介质 | |
CN101111862B (zh) | 用于智能交通事故管理的方法和系统 | |
CN113762043A (zh) | 异常轨迹识别方法及装置 | |
CN112308434A (zh) | 一种交通安全风险评估方法及系统 | |
Alagarsamy et al. | A Novel Machine Learning Technique for Predicting Road Accidents | |
Zharikova et al. | The hybrid intelligent diagnosis method for the multiuav-based forest fire-fighting response system | |
CN117746338B (zh) | 基于人工智能的物业园区安全管理方法及系统 | |
CN118036829B (zh) | 用于数字化城市治理的智能洪涝预警应对方法及系统 | |
US20240152608A1 (en) | Method for supporting decision-making in security control environment based on artificial intelligence | |
CN116012406A (zh) | 一种事件检测方法、装置、电子设备及存储介质 |
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 |