CN112580943B - 一种应用于无人机集群的任务分解与能力匹配方法 - Google Patents

Abstract

本发明公开了一种应用于无人机集群的任务分解与能力匹配方法，属于无人机飞行任务调度技术领域。该方法包括任务分解、任务重构、飞行资源匹配等步骤；其中，任务分解是细分原始任务的功能，找出对应需要的能力；任务重构是将能力相同的任务进行合并，减少子任务数量；飞行资源匹配是将分解重组的子任务与无人机的能力进行匹配，并通过遗传算法将分解子任务分配给不同的无人机。本发明可以根据不同的任务需求，自主匹配、按需调集相应的飞行资源，同时，还能兼顾飞行过程中的复杂环境与任务变化，形成多种类合成、可按需编配、灵活重构的任务分组。

Description

一种应用于无人机集群的任务分解与能力匹配方法

技术领域

本发明涉及无人机飞行任务调度技术领域，特别是指一种应用于无人机集群的任务分解与能力匹配方法。

背景技术

当前，经过长期的发展，无人机在各行各业的实际应用已经越发成熟，显著提升了行业的生产效率。但是，随着无人机飞行任务的扩大，一些问题也逐渐显露出来。在单无人机应用中，无人机对于任务采用依次执行的方法，并不需要考虑实际的任务匹配以及无人机的能力水平。然而，在异构无人机联合协同任务中，不同的无人机的能力水平是不同的，同时存在各色复杂的任务，任务之间可能会存在多个重复性的子任务，都会需要造成无人机资源的浪费。

近年来随着无人机技术的大规模应用，越来越多的工业、农业领域场景开始使用无人机来协助工作。并且现在无人机技术越发成熟，为了更好地保障工作的进行，开始使用无人机多机协同来执行探测或者通信任务，进一步扩展了无人机的应用领域。基于上述背景，多无人机协同任务的分配是当前无人机任务飞行的关键问题。

大规模无人集群通常由大量异构无人节点组成，不同的无人节点之间的运动性能、通信效率以及作战属性等均存在较大差异，在实际飞行任务中，往往根据目标需求将若干能力相异的节点编为一个任务组，以协同完成特定任务。例如，在针对水面目标的协同目标任务组中，侦察无人机负责对目标进行锁定与跟踪、指挥无人机负责控制与处理信息并进行最终的决策、探测无人机负责对地面目标进行扫描，并对目标对象进行拍照或者感知，通信无人机负责保障对水面附近通信节点的顺利通信。因此，不能采用简单的相似度匹配方式进行编队组网。这种简单任务分配方法并不会对无人机的能力水平以及任务的实际需求水平进行分析，仅仅会对存在的任务与平台进行简单随机匹配，会极大浪费无人机的资源，同时会降低最终的任务执行效益，甚至导致任务执行失败。

发明内容

有鉴于此，本发明提出一种应用于无人集群的任务分解与能力匹配方法，该方法可根据不同的任务目标需求，自主匹配、按需调集相应的无人机资源，实现动态可调整的任务平台匹配，并可以按需分配，灵活重构，实现效益的最大化。

为了实现上述目的，本发明采用的技术方案为：

一种应用于无人机集群的任务分解与能力匹配方法，包括以下步骤：

(1)将无人机集群的所有飞行任务均分解为子任务，各子任务在执行能力范围内无法再继续分解；

(2)根据各子任务的能力进行分类判断，将所有相似能力的子任务进行合并，从而减少子任务的数量；

(3)根据各无人机的飞行能力，将无人机与合并后的子任务进行能力匹配，从而将子任务分配给相应的无人机。

进一步的，步骤(1)的具体方式为：

(101)按照飞行部署意图将各个意图划分为多个功能，得到整个任务的意图功能树；

(102)按照意图功能树，将所有的无人机飞行意图功能进行详细拆分，直到无法拆解出更小的功能任务，完成子任务分解。

进一步的，步骤(2)的具体方式为：

(201)将各子任务的能力按照当前的紧急程度以及需求程度进行排序，构建能力轴，并在能力轴的区间内表示任务的需求能力，得到每个子任务的能力区间；

(202)构建子任务之间的能力值关系矩阵：

其中，n为子任务的总数，

表示子任务s与子任务t的能力重复程度；[a,b]为子任务s的能力区间，[c,d]为子任务t的能力区间，l_s＝b-a，l_t＝d-c，P(s≥t)为在子任务s和子任务t的能力区间中分别任取一数，前者大于后者的概率；

(203)将能力重复程度在合并阈值以上的子任务合并在一起，从而减少子任务的数量。

进一步的，步骤(3)的具体方式为：

(301)定义无人机的能力水平f为：

f＝ω₁M_f+ω₂R_e+ω₃C_n+ω₄P_m

其中，M_f是移动性因子，与无人机的飞行速度相关；R_e是节点的生存周期，与无人机的续航时间相关；C_n是一个预先给定的参数，用于表征节点的静态属性与预定角色，任务越重要，则目标角色的参数值越大；P_m是无人机所具备的能力数目；ω₁、ω₂、ω₃、ω₄为各项权重，ω₁+ω₂+ω₃++ω₄＝1；

(302)计算子任务j与无人机i的匹配度S_i,j：

S_i,j＝|f_i-f_j|

其中，f_i为无人机i的能力水平，f_j为子任务j需求的能力水平；

(303)在使匹配度总和最小的目标下，将无人机与子任务进行能力匹配。

进一步的，步骤(303)采用遗传算法得到最佳匹配，具体方式为：

(1)初始染色体的生成：根据目标生成子任务与无人机能力配对组的染色体；

(2)适应度评价函数的生成：根据适应度函数求解生成的染色体匹配对方案的匹配度总和，根据门限值，去除匹配度总和大的染色体方案；

(3)基因变异、染色体交换：在剩余的染色体中采用基因变异随机生成对应信息，或进行染色体交换，选择任两个对应匹配对进行随机调整互换；

(4)遗传迭代次数检测：设置固定的迭代次数上限，若迭代次数达到要求，就停止迭代，否则回到步骤(2)；

(5)结果输出：选出当前剩余的匹配对组中匹配度总和最小的匹配对作为输出。

本发明与现有技术相比，取得的有益效果为：

1、本发明通过区间数算法分解无人机的初始飞行目标任务，在初始的目标分解中，将一个整体复杂的飞行目标任务分解为详细的子目标，并最终将相似任务合并重构，可以大大减少目标任务的数量，方便实现对任务的协同完成。同时，任务匹配过程中，将重组的子任务与无人机平台的能力进行对比，判断最适合执行任务的无人机平台，实现无人机间的联合协同。最后，采用遗传算法求解所有子任务与无人机平台能力的整体匹配度值最小的匹配对策略。

2、本发明从任务匹配与任务协同角度出发，根据不同的任务目标需求，自主匹配、按需调集相应的无人机资源，实现动态可调整的任务平台匹配，提升了资源利用率。

3、本发明采用基于预设角色与动态选择相结合的智能协同分组匹配策略。根据无人机的静态属性(如侦察、电抗等能力属性，以及节点计算能力、通信能力、运动能力等)为不同无人节点预设“角色”，其次结合无人机的动态属性(如剩余能量、繁忙度等)，综合评价其执行任务的能力，并自动与任务需求进行匹配，为无人节点分配最合适的任务，通过多个子任务的组合，形成面向任务的无人机节点任务分组。这种方式兼顾了实际任务中的复杂环境与任务的变化，可以按需分配，灵活重构，实现效益的最大化。

附图说明

图1为本发明实施例方法的整体流程图。

图2为本发明实施例方法的详细流程图。

图3为本发明实施例中意图功能树的示意图。

图4为本发明实施例中任务重构的原理示意图。

图5为本发明实施例中无人机子任务与能力匹配的示意图。

图6为本发明实施例中子任务与无人机匹配对求解的遗传算法流程图。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

如图1所示，一种应用于无人机集群的任务分解与能力匹配方法，包括以下步骤：

(1)将无人机集群的所有飞行任务均分解为子任务，各子任务在执行能力范围内无法再继续分解；

(2)根据各子任务的能力进行分类判断，将所有相似能力的子任务进行合并，从而减少子任务的数量；

(3)根据各无人机的飞行能力，将无人机与合并后的子任务进行能力匹配，从而将子任务分配给相应的无人机。

该方法利用预设的无人机静态属性(如探测、电抗等属性，以及节点计算能力、通信能力、飞行能力等)为不同无人节点预设“角色”，其次结合无人机的动态属性(如剩余能量、繁忙度等)，综合评价其执行任务的能力，并自动与任务需求进行匹配，为无人节点分配最合适的任务，通过多个子任务的组合，形成面向任务的无人机节点任务分组。

如图2所示，上述方法具体包括如下步骤：

步骤(1)，构建任务树，按照飞行目标意图的构成，将飞行目标意图详细拆分为多个子任务的组成，并按重要程度排序。

步骤(2)，按照任务的结构树，构建任务集，将飞行子任务分解到不可分状态。并按照树的结构进行构建飞行任务结构树。

步骤(3)，根据子任务需求能力，生成子任务对应的区间数。将飞行子任务的能力按照当前的紧急程度以及需求程度进行排序，构建能力轴，并在能力轴的区间内表示任务的需求能力。计算出任务资源使用的重合程度，并用区间数表示。

步骤(4)，构造区间数设计结构矩阵。根据各子任务间资源使用情况关系和程度构造关系矩阵。

步骤(5)，确定最终分解的任务。任务矩阵上三角中，某行元素大于或等于0.6，则其对应的子任务间的资源使用的重合程度较大，则这些子任务需要重组为一个较大的任务。

步骤(6)，无人机与任务匹配对生成。任务状态以及节点能力判断差值，决定适应度。差值越小，表明两者匹配程度越大，则该飞行任务分配给对应无人机平台工作的可能性越大。

本方法中，任务分解是指对初始指定的目标总任务进行分解的过程，对无人机飞行总任务进行分解，分解出最基本详细的子任务，保证任务已在执行能力范围内无法再进行分解。任务分解的目的是降低空间问题的复杂度，将可以使用相同资源的任务进行组合，进一步提高空间资源的利用率，但要求分解后的子任务之间的交互最小，避免协作无人机之间引发过多的矛盾冲动，协调起来更加困难。具体包括如下步骤：

(1)生成飞行意图功能树。首先是按照飞行部署意图将各个意图划分为多个小任务、小功能的组成，最终得到了整个任务的意图树或者功能树，如图3所示。

(2)生成无人机飞行任务集。按照步骤(1)中的意图功能树，构建无人机飞行任务集。将所有的无人机飞行意图功能进行详细拆分，直到无法拆解出小的功能任务，最终生成飞行任务集为：

T＝{T_1,1,…,T_1,k,…,T_n,1,…,T_n,m}

其中，T_1,1为总任务T₁分解出的第一个子任务，T_1,k为总任务T₁分解出的第k个子任务，T_n,m为总任务T_n分解出的第m个子任务。

任务重构是指根据分解的详细子任务进行合并重组，根据本子任务的详细能力进行分类判断，考虑将所有相似的能力进行合并，将能力或者目标类似的集合进行重组，减少子任务的数量，从而提高任务执行效率以及资源复用率。

例如，图4中任务1与任务2除了其他信息需求之外，都需要对相同时间相同地点的地面目标的测量遥感图像，则任务1与任务2的此部分任务可以被合并成一项子任务。具体包括如下步骤：

(1)生成飞行子任务集的能力水平区间。通过飞行分解子任务的能力交互判断，生成的任务集的需求能力强弱各不相同，但是可能会存在不同子任务间能力交互重叠的现象。因此需要考虑各个任务间的能力耦合关系，按照统一的能力定义标准，如根据无人机的飞行时间、拍照能力、通信质量、计算能力来将能力逐渐增大，最终判断出各个子任务的能力区间。

(2)基于区间数设计飞行子任务的结构矩阵。由任务重构模块中步骤(1)可以得到每个子任务的能力区间，则根据能力区间生成任两个子任务的概率函数表示两个任务的重合程度。其中，无人机飞行任务分解方法使用的是区间数设计结构矩阵的方法，其方法是一种力度可调的任务分解和重组方法。其中，记区间数m＝[a,b]＝{x|a≤x≤b,a,b∈R}，在a＝b时，m变为一个实数。

设存在两个实数m∈[a,b]和n∈[c,d]，且l_m＝b-a，l_n＝d-c。记P(m≥n)为m≥n的概率值：

通过区间数的可能概率值P(m≥n)可以发现，当概率值越大，说明任务m的能力能更好地覆盖任务n的能力，即通过执行任务m得到结果在一定程度上可以覆盖任务n的需求，则任务n通过任务m实现。最终在得到所有的概率值后可以得到相应子任务的能力值关系矩阵，即为：

其中，p_k,l为第k个任务与第l个任务的重复程度值，即为p_k,l＝P(k≥l)。

(3)任务合并重组。通过步骤(2)得到了任两个子任务的能力重复值，然后要将能力重复值在0.6以上的对应的子任务合并在一块，重组构成一个大的子任务，减少不必要的飞行任务重复。经过重组合并剩余的飞行任务就是最终的无人机飞行任务。

如图5所示，飞行资源匹配是指根据无人机的飞行能力以及分解合并出的任务进行能力匹配，找出最适合执行某子任务的无人机，实现最终的任务收益最大化。具体包括如下步骤：

(1)飞行任务以及无人机能力求解。其中，飞行任务需求与节点能力的匹配涉及多维参数，为减少计算复杂度，通过预设角色的方式，将节点的静态属性归为一个常量参数，与其它动态参数共同构成节点的能力集合。其中能力表达式为：

f＝ω₁M_f+ω₂R_e+ω₃C_n+ω₄P_m

其中，M_f是移动性因子，由于节点在集群协同过程中需要保证分组内各节点的相对速度近似，需要特别考虑节点的移动性，主要与无人机的飞行速度相关；R_e是节点的生存周期，该参数可以通过节点自身统计数据得到，与无人机的续航时间相关；C_n是一个预先给定的参数，用于表征节点的静态属性与预定角色，主要在无人机任务执行前，会对某些无人机的目标角色进行定义，而任务越重要，则目标角色的参数值越大，表明无人机的能力越强。P_m表示无人机具备的能力的个数，能力个数越多，则值越大，能力包含通信能力、拍照能力、干扰能力以及计算能力等。ω₁+ω₂+ω₃+ω₄＝1，ω₁、ω₂、ω₃、ω₄≥0，ω₁、ω₂、ω₃、ω₄为无人机对于不同内容的定义权重值，根据当前的环境以及任务需求，对无人机的速度、续航周期以及角色能力的实际要求水平以及需要无人机承担的能力数目也不同，所以对权重参数的调整就非常有必要。

(2)飞行子任务与飞行平台能力匹配度求解。通过飞行资源匹配模块的步骤(1)，可以得到无人机的能力水平以及任务的需求能力水平。最终根据两者的能力水平得到任务与飞行平台的匹配度S_i,j为：

S_i,j＝|f_i-f_j|

其中，f_i为飞行平台i的能力水平，f_j为任务j的能力需求水平。两者的差值即为能力的匹配水平。两者差值过大说明，无人机的能力水平无法完成该任务或者无人机完成该任务浪费了其部分能力，均不适合进行匹配。需要找能力差值水平最小的飞行节点与飞行目标任务进行匹配，即选择S_i,j值最小的飞行平台与任务匹配。

(3)飞行子任务与飞行平台匹配对的求解。在飞行资源匹配模块步骤(2)中，已经将所有飞行平台与飞行子任务的匹配度结果求解出来，最终按照能力匹配度的大小选择最终的匹配内容，使整体的匹配度值最小，即：

其中，M表示无人机集群，且一个无人机最多对应一个子任务，N表示最终分解重组后剩余子任务的个数。最终需要求解出S以及对应条件下的无人机i与子任务j的匹配对(i,j)。最终考虑采用遗传法将所有的无人机与任务进行匹配，判断出匹配度值最小时，对应的无人机与子任务匹配对。

在已知所有的飞行平台节点与飞行子任务间的任务匹配度值后，采用遗传算法求解合适的匹配对，可以大大减少计算的复杂度以及计算的消耗时间。如图6所述，步骤如下：

a：首先初始化一个染色体组，随机生成一些对应的匹配对后，设置遗传算法的总遗传代数。

b：根据适应度函数S，计算每个染色体组的总的匹配度。

c:将所有在适应度限值以上的染色体组淘汰更新。

d:判断遗传迭代代数是否达到了设置的限值代数值，若已经达到，则跳过步骤e。

e：对染色体组中的每一组数据进行基因变异或者染色体交换，随机生成数据，重复步骤b-e。

f：在现有的染色体组中选出适应度函数值最小的匹配对组，即为输出的最接近于最优解的飞行子任务与无人机平台的匹配对组。

总之，本发明一方面减少了无人机任务分配过程中的无人机资源的浪费，另一方面提升了整个任务执行过程的效率，提升了无人机的利用率以及任务完成的速率，可以适用于异构无人机以及多任务飞行场景。

Claims (2)

1.一种应用于无人机集群的任务分解与能力匹配方法，其特征在于，包括以下步骤：

(1)将无人机集群的所有飞行任务均分解为子任务，各子任务在执行能力范围内无法再继续分解；具体方式为：

(101)按照飞行部署意图将各个意图划分为多个功能，得到整个任务的意图功能树；

(102)按照意图功能树，将所有的无人机飞行意图功能进行详细拆分，直到无法拆解出更小的功能任务，完成子任务分解；

(2)根据各子任务的能力进行分类判断，将所有相似能力的子任务进行合并，从而减少子任务的数量；具体方式为：

(201)将各子任务的能力按照当前的紧急程度以及需求程度进行排序，构建能力轴，并在能力轴的区间内表示任务的需求能力，得到每个子任务的能力区间；

(202)构建子任务之间的能力值关系矩阵：

其中，n为子任务的总数，

表示子任务s与子任务t的能力重复程度；[a，b]为子任务s的能力区间，[c，d]为子任务t的能力区间，l_s＝b-a，l_t＝d-c，P(s≥t)为在子任务s和子任务t的能力区间中分别任取一数，前者大于后者的概率；

(203)将能力重复程度在合并阈值以上的子任务合并在一起，从而减少子任务的数量；

(3)根据各无人机的飞行能力，将无人机与合并后的子任务进行能力匹配，从而将子任务分配给相应的无人机；具体方式为：

(301)定义无人机的能力水平f为：

f＝ω₁M_f+ω₂R_e+ω₃C_n+ω₄P_m

其中，M_f是移动性因子，与无人机的飞行速度相关；R_e是节点的生存周期，与无人机的续航时间相关；C_n是一个预先给定的参数，用于表征节点的静态属性与预定角色，任务越重要，则目标角色的参数值越大；P_m是无人机所具备的能力数目；ω₁、ω₂、ω₃、ω₄为各项权重，ω₁+ω₂+ω₃++ω₄＝1；

(302)计算子任务j与无人机i的匹配度S_i，j：

S_i，j＝|f_i-f_j|

其中，f_i为无人机i的能力水平，f_j为子任务j需求的能力水平；

(303)在使匹配度总和最小的目标下，将无人机与子任务进行能力匹配。

2.根据权利要求1所述的一种应用于无人机集群的任务分解与能力匹配方法，其特征在于，步骤(303)采用遗传算法得到最佳匹配，具体方式为：

(1)初始染色体的生成：根据目标生成子任务与无人机能力配对组的染色体；

(2)适应度评价函数的生成：根据适应度函数求解生成的染色体匹配对方案的匹配度总和，根据门限值，去除匹配度总和大的染色体方案；

(3)基因变异、染色体交换：在剩余的染色体中采用基因变异随机生成对应信息，或进行染色体交换，选择任两个对应匹配对进行随机调整互换；

(4)遗传迭代次数检测：设置固定的迭代次数上限，若迭代次数达到要求，就停止迭代，否则回到步骤(2)；

(5)结果输出：选出当前剩余的匹配对组中匹配度总和最小的匹配对作为输出。

Images