CN113110595B - 面向目标核查印证的异构无人机群协同方法 - Google Patents

面向目标核查印证的异构无人机群协同方法 Download PDF

Info

Publication number
CN113110595B
CN113110595B CN202110516309.6A CN202110516309A CN113110595B CN 113110595 B CN113110595 B CN 113110595B CN 202110516309 A CN202110516309 A CN 202110516309A CN 113110595 B CN113110595 B CN 113110595B
Authority
CN
China
Prior art keywords
unmanned aerial
target
aerial vehicle
group
aerial vehicles
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
Application number
CN202110516309.6A
Other languages
English (en)
Other versions
CN113110595A (zh
Inventor
李文广
谭威
胡永江
杨森
赵月飞
高喜俊
史凤鸣
张可馨
林志龙
党雪江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Army Engineering University of PLA
Original Assignee
Army Engineering University of PLA
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Army Engineering University of PLA filed Critical Army Engineering University of PLA
Priority to CN202110516309.6A priority Critical patent/CN113110595B/zh
Publication of CN113110595A publication Critical patent/CN113110595A/zh
Application granted granted Critical
Publication of CN113110595B publication Critical patent/CN113110595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying

Abstract

本发明适用于无人机技术领域，提供了一种面向目标核查印证的异构无人机群协同方法，上述方法包括：建立异构无人机群协同规划模型，对第一组不同载荷种类的无人机的路径规划，实施目标侦查，得到待确认目标，进而派出第二组无人机进行待确认目标的核查。本发明综合考虑多种不同类型载荷的无人机的特点，合理利用不同载荷类型的无人机分阶段进行目标侦查，侦查效率高，不会造成侦查资源的浪费，符合实际应用需求。

Description

面向目标核查印证的异构无人机群协同方法
技术领域
本发明属于无人机技术领域，尤其涉及一种面向目标核查印证的异构无人机群协同方法。
背景技术
近年来，随着无人机技术发展，无人机以其尺寸小、重量轻、成本低、隐蔽性好、机动性高等优势，在情报收集、电子侦查、电子攻击等多个军事领域得到了越来越广泛的应用。多无人机协同侦查是指多架无人机相互配合，相互协作，按照合理有效的协同策略，以较小的代价共同完成侦查任务。
现有技术中，多无人机协同侦查规划多针对单一类型载荷的多台无人机，未考虑多种不同类型载荷的无人机，造成了侦查资源的浪费，不符合实际应用需求。
发明内容
有鉴于此，本发明实施例提供了一种面向目标核查印证的异构无人机群协同方法，以解决现有技术中多无人机协同侦查多针对单一类型载荷，造成侦查资源的浪费，不符合实际应用需求的问题。
本发明实施例的第一方面提供了一种面向目标核查印证的异构无人机群协同方法，包括：
获取初始目标信息及第一组无人机的信息；其中，第一组无人机包括第一载荷种类的无人机；
根据初始目标信息及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径；
第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
根据待确认目标信息，确定第二组无人机的信息，并根据待确认目标信息及第二组无人机的信息，确定第二组无人机中各个无人机的目标路径；其中，第二组无人机包括第二载荷种类的无人机。
本发明实施例的第二方面提供了一种面向目标核查印证的异构无人机群协同装置，包括：
参数获取模块，用于获取初始目标信息及第一组无人机的信息；其中，第一组无人机包括第一载荷种类的无人机；
模型建立模块，用于根据目标信息及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
第一路径规划模块，用于对异构无人机群协同规划模型求解，得到各个无人机的目标路径；
待确认目标确定模块，用于第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
第二路径规划模块，用于根据待确认目标信息，确定第二组无人机的信息，并根据待确认目标信息及第二组无人机的信息，确定第二组无人机中各个无人机的目标路径；其中，第二组无人机包括第二载荷种类的无人机。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如本发明实施例第一方面提供的面向目标核查印证的异构无人机群协同方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如本发明实施例第一方面提供的面向目标核查印证的异构无人机群协同方法的步骤。
本发明实施例提供了一种面向目标核查印证的异构无人机群协同方法，包括：建立异构无人机群协同规划模型，对第一组不同载荷种类的无人机的路径规划，实施目标侦查，得到待确认目标，进而派出第二组无人机进行待确认目标的核查。本发明实施例综合考虑多种不同类型载荷的无人机的特点，合理利用不同载荷类型的无人机分阶段进行目标侦查，侦查效率高，不会造成侦查资源的浪费，符合实际应用需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种面向目标核查印证的异构无人机群协同方法实现的流程示意图；
图2是本发明实施例提供的异构无人机侦查示意图；
图3是本发明实施例提供的蚂蚁蚁群觅食过程示意图；
图4是本发明实施例提供的第一组无人机的目标路径示意图；
图5是本发明实施例提供的第二组无人机的目标路径示意图；
图6是本发明实施例提供的第一组无人机的目标路径规划采用不同算法的适应度值曲线；
图7是本发明实施例提供的面向目标核查印证的异构无人机群协同装置的示意图；
图8是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
参考图1，本发明实施例提供了一种面向目标核查印证的异构无人机群协同方法，包括：
S101：获取初始目标信息及第一组无人机的信息；其中，第一组无人机包括第一载荷种类的无人机；
S102：根据初始目标信息及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
S103：对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径；
S104：第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
S105：根据待确认目标信息，确定第二组无人机的信息，并根据待确认目标信息及第二组无人机的信息，确定第二组无人机中各个无人机的目标路径；其中，第二组无人机包括第二载荷种类的无人机。
本发明实施例中采用多种不同载荷类型的无人机对目标进行侦查。首先采用第一组无人机进行目标侦查，对第一组无人机的路径进行规划，无人机侦查完成后确定待确认目标，针对性的再派出第二组无人机对待确认目标进行侦查，综合考虑多种不同类型载荷的无人机的特点，合理利用不同载荷类型的无人机分阶段进行目标侦查，侦查效率高，不会造成侦查资源的浪费，符合实际应用需求。
参考图2，未知任务区间内，假设有设有NT个目标，NS架不同载荷的侦察无人机，要求依据不同侦察无人机任务载荷的性能，在任务区域内进行合理目标分配及路径规划，从而完成协同侦察及核查验证任务。
无人机：根据无人机携带的载荷类型，将其划分为电子类侦察无人机和图像类侦察无人机。无人机集合表示为SUAV＝{SUAV1，SUAV2}，其中，SUAV1表示电子类侦察无人机，数量为NS1，SUAV2表示图像类侦察无人机，数量为NS2，总无人机数为NS＝NS1+NS2。
目标：根据目标的属性特点，需要利用不同的载荷进行侦察确认。本申请将目标分为三类即Target1、Target2、Target3。目标Target1数量为NT1个，目标Target2数量为NT2个，目标Target3数量为NT3个。
任务：侦察任务分为3种任务模式，可根据表1的对应关系表示。即任务Task1指的是电子类侦察无人机SUAV1完成对目标Target1的侦察任务；任务Task2指的是图像类侦察无人机SUAV2完成对目标Target2的侦察任务；任务Task3指的是电子类、图像类侦察无人机SUAV1、SUAV2共同完成对目标Target3的侦察任务，总任务数：NT＝NT1+NT2+2*NT3，其对应关系如表1所示。
表1载荷资源-需求对应表
序号 无人机种类 功能 目标 任务
1 SUAV<sub>1</sub> 电子类 Target<sub>1</sub> Task<sub>1</sub>
2 SUAV<sub>2</sub> 图像类 Target<sub>2</sub> Task<sub>2</sub>
3 SUAV<sub>1</sub>-SUAV<sub>2</sub> 综合类 Target<sub>3</sub> Task<sub>3</sub>
其中，假定各类型侦察载荷性能良好，目标点在载荷的侦察范围内，即认为完成侦察任务；各无人机作匀速飞行。
首先，确定第一组无人机的各个无人机的规划路径，决策变量为第一组无人机中各个无人机的目标路径：
X＝{pathi|i＝1,2,..NS}
其中，pathi为第一组无人机中第i架无人机的目标路径。
现代战争中，武器手段通常能够做到“发现即摧毁”，在敌我双方对峙时，优先掌握敌目标情报信息，就能优先掌控战场态势及主动权，从而先敌发起攻势。因此，快速获得情报信息，在现代战场中显得至关重要。因此本申请以总滞空时间最短为目标函数对模型求解，得到第一组无人机中各个无人机的目标路径。
目标函数的计算公式为：
Figure BDA0003062367290000061
其中，ni为第i架无人机的路径pathi中的节点总数；NS为无人机的总数量；
Figure BDA0003062367290000062
为第i架无人机的路径pathi中第ndik个节点到第ndi(k+1)个节点之间的距离；vai为第i架无人机的速度。
一些实施例中，S102可以包括：
S1021：根据初始目标信息建立任务环境空间模型；
S1022：根据任务环境空间模型及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型。
一些实施例中，S1021可以包括：
S10211：根据初始目标信息，采用Voronoi(泰森多边形)图建立任务环境空间模型。
Voronoi图是以几何学方法为依据，能够有效将地理信息中点对象和区域以拓扑结构表示出来，因其具有很好的全局规划特性，在无人机任务规划领域被广泛使用于相关问题求解。因此，本申请采用Voronoi图，来建立任务环境空间模型，将无人机可能的路径以图的方式表达出来。
Figure BDA0003062367290000063
T为目标集合，P为威胁源的集合，V为Voronoi图的顶点集合，E为Voronoi图边的集合，从V中的节点指向T中的节点，表示所有可能的路径。
一些实施例中，约束条件可以包括：
Figure BDA0003062367290000071
Figure BDA0003062367290000072
Figure BDA0003062367290000077
Figure BDA0003062367290000073
其中，Xi k为i架无人机是否访问了第k个节点，Yiu为第i架无人机是否属于第u类载荷的无人机，U为无人机载荷的种类数，NS为无人机的总数；pathi为第i架无人机的路径，ndik为第i架无人机的路径中的第k个节点，
Figure BDA0003062367290000074
为第i架无人机的路径中第ndik个节点到第ndi(k+1)个节点之间的距离，
Figure BDA0003062367290000075
为第u类载荷的无人机的最大航程,ni为pathi中节点的总数；NE为威胁源个数，NT为目标个数，T为目标集合，V为Voronoi图的顶点集合，
Figure BDA0003062367290000076
为E的子集，E为Voronoi图边的集合。
所有的无人机的飞行路径由多个节点组成，组成路径的节点为目标和Voronoi图的顶点的集合，且任意相邻节点可达。
一些实施例中，S103可以包括：
S1031：采用并行蚁群算法对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径。
一些实施例中，S1031可以包括：
S10311：获取第一组无人机中各载荷类型对应的目标数量；
S10312：根据第一组无人机中各载荷类型对应的目标数量初始化蚂蚁子种群；
S10313：计算子种群中各个蚂蚁的路径及总滞空时间；
S10314：更新信息素；
S10315：每隔预设数量代，交流不同子种群的信息素；
S10316：确定是否达到预设迭代次数；若达到预设迭代次数，则输出第一组无人机中各个无人机的目标路径；若未达到预设迭代次数，则跳转至计算各个子种群中各个蚂蚁的路径及总滞空时间的步骤继续执行。
一些实施例中，并行蚁群算法中，信息素的交流公式可以为：
Phm＝(Phm+Phbest)/2
其中，Phm为第m个子种群所对应的信息素，Phbest为当前适应度值最小的蚂蚁子种群对应的信息素。
蚁群算法的基本思想是通过定义具有数学性质的人工蚁群和信息素来寻找最优路径，并进行数学抽象仿真。蚁群的觅食过程，可以简化成图3所示形式。
由于开始时各边的信息素一样，通过信息素积累、更新而寻找最优路径需要花费较多时间，严重影响了算法的寻优速率。异构无人机在执行侦察任务时，不同的目标需要不同的载荷进行侦察，需要对目标进行区分。
为有效提高算法寻优效率，本申请提供了一种并行的多种群多信息素的蚁群算法。将蚁群整体分为若干个子群体，本申请将蚁群按一定比例分为两个群体，即子群S和子群T，子群S和子群T各占了1/2的蚁群。子群S中的蚂蚁统一从一点出发，根据目标函数求解两点间最短路径，子群T中的蚂蚁统一从另一方向出发，根据目标函数求解两点间最短路径。两群体间需要相对独立完成各自的任务，直到某个子群找到最短路径为止，蚁群算法求解结束。这样保证在求解过程中，即使蚁群陷入局部最优，也能通过多子群来增加蚁群多样性，从而满足任务要求。
由于本申请不是单路径最短问题，需要重新设计信息素，本申请的信息素结构如下：
Ph＝[Ph1,Ph2,Ph3]
其中，Ph3为NT×NT规格的矩阵，表示任意两个目标点之间的信息素。Ph2为1×NT规格的矩阵，表示起点到目标点之间的信息素。Ph1为1×NT规格的矩阵，为不同目标点在当前侦查阶段分配给不同飞机是所参考的信息素。
算法在求解模型过程如下：
1、目标节点的划分，即将目标点分配给不同的无人机。节点选择的公式如下：
Figure BDA0003062367290000091
其中
Figure BDA0003062367290000092
表示第i个目标点对应的信息素，
Figure BDA0003062367290000093
表示为第i个目标点对应的随机数。α，β为信息素因子和随机因子。根据
Figure BDA0003062367290000094
安排每一个无人机的侦查目标，各无人机的侦查数量相同。
2、安排每一架飞机从起点出发访问的第一个节点。节点选择依据为
Figure BDA0003062367290000095
其中，
Figure BDA0003062367290000096
表示第i个目标点对应的信息素，
Figure BDA0003062367290000097
表示为第i个目标点对应的随机数，
Figure BDA0003062367290000098
为起点到第i个目标的最短距离。α，β，γ为信息素因子，随机因子以及启发式因子。
3、每一架飞机侦查完当前目标后，下一目标的选择。节点选择依据为
Figure BDA0003062367290000099
其中，
Figure BDA00030623672900000910
表示第i个目标点对应的信息素，
Figure BDA00030623672900000911
表示为第i个目标点对应的随机数，
Figure BDA00030623672900000912
为当前目标点w到第i个目标的最短距离。α，β，γ为信息素因子，随机因子以及启发式因子。
每个迭代周期结束后，需要更新当前种群的信息素，更新公式如下：
Figure BDA00030623672900000913
其中，na为蚂蚁的数量；ρ表示信息素挥发系数，1-ρ表示循环结束后保存下来的信息素的比例，ρ∈[0,1)；Δτsum代表当前循环结束后所有m只蚂蚁信息素增加总量；
Figure BDA00030623672900000914
表示蚂蚁k在选择第i个节点后，对应的信息素增加值。
可同样采用上述方法对第二组无人机中各个无人机的路径进行规划，具体不再赘述。为减小滞空之间，若第二组无人机中包含第一组无人机中的部分无人机，则可将第一侦查阶段对应目标路径的终点，作为下一侦查阶段路径的起点。
由于待确认目标数量可能较少，也可根据待确认目标的类型选择特定载荷种类、特定的无人机针对性的实时侦查。
下面结合具体实施例对上述方法进行详细说明。
本申请采用的仿真实验平台为AMD Ryzen 5 3500U/8GB/64位Win10操作系统的华为荣耀MagicBook2019笔记本，编程工具为MatlabR2016b(64位)。
算法参数设置为NS＝2，NE＝48，NT＝12，威胁代价的权重k＝0.5，蚂蚁数m＝50，ρ＝0.3，Q＝2，α＝1，β＝1，蚂蚁寻径循环次数NCmax＝100，迭代次数Generation＝200，参考表2。
表2并行蚁群算法参数
N<sub>S</sub> N<sub>E</sub> N<sub>T</sub> m ρ Q α β
2 48 12 50 0.3 2 1 1
假设无人机每小时飞行100km，续航时间为6h。在长宽各100km的任务范围内，随机生成12个目标，第一、二、三类目标点各3个。两个携带不同载荷的无人机为一组，协同对12个目标执行侦察及核查任务。利用上述并行蚁群算法得到合理目标分配和目标路径。
参考图4，第一阶段两种载荷的无人机(第一组无人机)共同完成了对12个人目标的侦察。其中，电子侦察无人机对6个侦察目标进行了侦察，确认一类目标点2个，待确认二类目标3个，待确认三类目标1个。图像类侦察无人机对另外6个侦察目标进行了侦察，确认二类目标点2个，待确认一类目标1个，待确认三类目标3个，参考表3。
表3第一组无人机侦查结果
序号 Taget<sub>1</sub> Taget<sub>2</sub> Taget<sub>3</sub>
SUAV<sub>1</sub> 2 3 1
SUAV<sub>2</sub> 2 1 3
参考图5，第二阶段对未确认的目标进行侦察确认(第二组无人机侦查)，电子侦察无人机对第一阶段未确认的进行确认，其中，一类目标点2个，三类目标点3个。图像类侦察无人机对第一阶段未确认目标点进行确认，其中二类目标点3个、三类目标点1个，参考表4。
表4第二组无人机侦查结果
序号 Taget1 Taget2 Taget3
SUAV1 2 0 3
SUAV2 0 3 1
(1)第一阶段侦查：两种载荷的无人机，对12个不同类型的目标，依据并行蚁群算法求解的目标分配及航路，协同完成了对所有目标的分类，对未确认的目标进行下阶段的核查。
(2)第二阶段侦察：完成第一阶段侦察后，将SUAV1航迹中未识别的目标，作为SUAV2第二阶段的侦察对象。同理，SUAV2航迹中未识别的目标，作为SUAV1第二阶段的侦察对象。通过两种载荷的交叉验证，从而完成对所有目标的侦察确认。
由以上可知，两类无人机在完成侦察任务时能够针对不同目标类型，制定相应载荷规划、目标分配和路径规划，在侦察资源有限的情况下，利用无人机之间的协同运用，最大化侦察载荷资源。
分别采用本申请中提供的并行蚁群算法、原始蚁群算法、遗传算法及粒子群算法求解第一组无人机的目标路径，其适应度函数的迭代曲线对比如图6所示。不同算法的最终路径目标值度和总滞空时间见表5。
表5不同算法对比
Figure BDA0003062367290000121
由以上可知，相比于其他三个算法，本申请提供的并行蚁群算法求解最短目标路径值减少了10％，耗时最短，能够有效的提升侦察效率，可实现更优完成协同侦察异构目标任务的目的。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参考图7，本发明实施例还提供了一种面向目标核查印证的异构无人机群协同装置，包括：
参数获取模块21，用于获取初始目标信息及第一组无人机的信息；其中，第一组无人机包括第一载荷种类的无人机；
模型建立模块22，用于根据初始目标信息及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
第一路径规划模块23，用于对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径；
待确认目标确定模块24，用于第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
第二路径规划模块25，用于根据待确认目标信息，确定第二组无人机的信息，并根据待确认目标信息及第二组无人机的信息，确定第二组无人机中各个无人机的目标路径；其中，第二组无人机包括第二载荷种类的无人机。
一些实施例中，模型建立模块22可以包括：
第一模型建立单元221，用于根据初始目标信息建立任务环境空间模型；
第一模型建立单元222，用于根据任务环境空间模型及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型。
一些实施例中，第一模型建立单元221可以包括：
环境空间模型建立子单元2211，用于根据初始目标信息，采用Voronoi图建立任务环境空间模型。
一些实施例中，约束条件可以包括：
Figure BDA0003062367290000131
Figure BDA0003062367290000132
Figure BDA0003062367290000133
Figure BDA0003062367290000134
其中，Xi k为i架无人机是否访问了第k个节点，Yiu为第i架无人机是否属于第u类载荷的无人机，U为无人机载荷的种类数，NS为无人机的总数；pathi为第i架无人机的路径，ndik为第i架无人机的路径中的第k个节点，
Figure BDA0003062367290000135
为第i架无人机的路径中第ndik个节点到第ndi(k+1)个节点之间的距离，
Figure BDA0003062367290000136
为第u类载荷的无人机的最大航程,ni为pathi中节点的总数；NE为威胁源个数，NT为目标个数，T为目标集合，V为Voronoi图的顶点集合，
Figure BDA0003062367290000137
为E的子集，E为Voronoi图边的集合。
一些实施例中，第一路径规划模块23可以包括：
蚁群求解单元231，用于采用并行蚁群算法对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径。
一些实施例中，蚁群求解单元231可以包括：
初始化参数获取子单元2311，用于获取第一组无人机中各载荷类型对应的目标数量；
子种群初始化子单元2312，用于根据第一组无人机中各载荷类型对应的目标数量初始化蚂蚁子种群；
路径计算子单元2313，用于计算子种群中各个蚂蚁的路径及总滞空时间；
信息素更新子单元2314，用于更新信息素；
信息素交流子单元2315，用于每隔预设数量代，交流不同子种群的信息素；
迭代次数判断子单元2316，用于确定是否达到预设迭代次数；若达到预设迭代次数，则输出第一组无人机中各个无人机的目标路径；若未达到预设迭代次数，则跳转至计算各个子种群中各个蚂蚁的路径及总滞空时间的步骤继续执行。
一些实施例中，并行蚁群算法中，信息素的交流公式可以为：
Phm＝(Phm+Phbest)/2
其中，Phm为第m个子种群所对应的信息素，Phbest为当前适应度值最小的蚂蚁子种群对应的信息素。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图8是本发明一实施例提供的终端设备的示意框图。如图8所示，该实施例的终端设备4包括：一个或多个处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个面向目标核查印证的异构无人机群协同方法实施例中的步骤，例如图1所示的步骤S101至S105。或者，处理器40执行计算机程序42时实现上述面向目标核查印证的异构无人机群协同装置实施例中各模块/单元的功能，例如图7所示模块21至25的功能。
示例性地，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在终端设备4中的执行过程。例如，计算机程序42可以被分割成参数获取模块21、模型建立模块22、第一路径规划模块23、待确认目标确定模块24及第二路径规划模块25。
参数获取模块21，用于获取初始目标信息及第一组无人机的信息；其中，第一组无人机包括第一载荷种类的无人机；
模型建立模块22，用于根据初始目标信息及第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
第一路径规划模块23，用于对异构无人机群协同规划模型求解，得到第一组无人机中各个无人机的目标路径；
待确认目标确定模块24，用于第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
第二路径规划模块25，用于根据待确认目标信息，确定第二组无人机的信息，并根据待确认目标信息及第二组无人机的信息，确定第二组无人机中各个无人机的目标路径；其中，第二组无人机包括第二载荷种类的无人机。
其它模块或者单元在此不再赘述。
终端设备4包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图8仅仅是终端设备的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备4还可以包括输入设备、输出设备、网络接入设备、总线等。
处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器41也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器41还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序42以及终端设备所需的其他程序和数据。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种面向目标核查印证的异构无人机群协同方法，其特征在于，包括：
获取初始目标信息及第一组无人机的信息；其中，所述第一组无人机包括第一载荷种类的无人机；
根据所述初始目标信息及所述第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
对所述异构无人机群协同规划模型求解，得到所述第一组无人机中各个无人机的目标路径；
所述第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
根据所述待确认目标信息，确定第二组无人机的信息，并根据所述待确认目标信息及所述第二组无人机的信息，确定所述第二组无人机中各个无人机的目标路径；其中，所述第二组无人机包括第二载荷种类的无人机。
2.如权利要求1所述的面向目标核查印证的异构无人机群协同方法，其特征在于，所述根据所述初始目标信息及所述第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型，包括：
根据所述初始目标信息建立任务环境空间模型；
根据所述任务环境空间模型及所述第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型。
3.如权利要求2所述的面向目标核查印证的异构无人机群协同方法，其特征在于，所述根据所述初始目标信息建立任务环境空间模型，包括：
根据所述初始目标信息，采用Voronoi图建立所述任务环境空间模型。
4.如权利要求3所述的面向目标核查印证的异构无人机群协同方法，其特征在于，所述约束条件包括：
Figure FDA0003062367280000011
Figure FDA0003062367280000021
Figure FDA0003062367280000022
Figure FDA0003062367280000023
其中，Xi k为i架无人机是否访问了第k个节点，Yiu为第i架无人机是否属于第u类载荷的无人机，U为无人机载荷的种类数，NS为无人机的总数；pαthi为第i架无人机的路径，ndik为第i架无人机的路径中的第k个节点，
Figure FDA0003062367280000024
为第i架无人机的路径中第ndik个节点到第ndi(k+1)个节点之间的距离，
Figure FDA0003062367280000025
为第u类载荷的无人机的最大航程,ni为pathi中节点的总数；NE为威胁源个数，NT为目标个数，T为目标集合，V为Voronoi图的顶点集合，
Figure FDA0003062367280000026
为E的子集，E为Voronoi图边的集合。
5.如权利要求1至4任一项所述的面向目标核查印证的异构无人机群协同方法，其特征在于，所述对所述异构无人机群协同规划模型求解，得到所述第一组无人机中各个无人机的目标路径，包括：
采用并行蚁群算法对所述异构无人机群协同规划模型求解，得到所述第一组无人机中各个无人机的目标路径。
6.如权利要求5所述的面向目标核查印证的异构无人机群协同方法，其特征在于，所述采用并行蚁群算法对所述异构无人机群协同规划模型求解，得到所述第一组无人机中各个无人机的目标路径，包括：
获取所述第一组无人机中各载荷类型对应的目标数量；
根据所述第一组无人机中各载荷类型对应的目标数量初始化蚂蚁子种群；
计算子种群中各个蚂蚁的路径及总滞空时间；
更新信息素；
每隔预设数量代，交流不同子种群的信息素；
确定是否达到预设迭代次数；若达到预设迭代次数，则输出所述第一组无人机中各个无人机的目标路径；若未达到所述预设迭代次数，则跳转至所述计算各个子种群中各个蚂蚁的路径及总滞空时间的步骤继续执行。
7.如权利要求5所述的面向目标核查印证的异构无人机群协同方法，其特征在于，
所述并行蚁群算法中，信息素的交流公式为：
Phm＝(Phm+Phbest)/2
其中，Phm为第m个子种群所对应的信息素，Phbest为当前适应度值最小的蚂蚁子种群对应的信息素。
8.一种面向目标核查印证的异构无人机群协同装置，其特征在于，包括：
参数获取模块，用于获取初始目标信息及第一组无人机的信息；其中，所述第一组无人机包括第一载荷种类的无人机；
模型建立模块，用于根据所述目标信息及所述第一组无人机的信息，在约束条件下，以无人机总滞空时间最短为目标函数建立异构无人机群协同规划模型；
第一路径规划模块，用于对所述异构无人机群协同规划模型求解，得到各个无人机的目标路径；
待确认目标确定模块，用于所述第一组无人机中各个无人机按照对应的目标路径进行侦查，获取得到待确认目标信息；
第二路径规划模块，用于根据所述待确认目标信息，确定第二组无人机的信息，并根据所述待确认目标信息及所述第二组无人机的信息，确定所述第二组无人机中各个无人机的目标路径；其中，所述第二组无人机包括第二载荷种类的无人机。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的面向目标核查印证的异构无人机群协同方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的面向目标核查印证的异构无人机群协同方法的步骤。
CN202110516309.6A 2021-05-12 2021-05-12 面向目标核查印证的异构无人机群协同方法 Active CN113110595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516309.6A CN113110595B (zh) 2021-05-12 2021-05-12 面向目标核查印证的异构无人机群协同方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516309.6A CN113110595B (zh) 2021-05-12 2021-05-12 面向目标核查印证的异构无人机群协同方法

Publications (2)

Publication Number Publication Date
CN113110595A CN113110595A (zh) 2021-07-13
CN113110595B true CN113110595B (zh) 2022-06-21

Family

ID=76722396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516309.6A Active CN113110595B (zh) 2021-05-12 2021-05-12 面向目标核查印证的异构无人机群协同方法

Country Status (1)

Country Link
CN (1) CN113110595B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114281104B (zh) * 2021-12-16 2024-02-20 成都戎星科技有限公司 一种基于改进蚁群算法的多无人机协同调控方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008073069A2 (en) * 2006-08-18 2008-06-19 Cyber Defense Systems, Inc. Unmanned aerial vehicle
CN102147255A (zh) * 2011-01-12 2011-08-10 北京航空航天大学 一种威胁信息共享环境下的无人机群实时航路规划方法
CN102768518A (zh) * 2012-07-11 2012-11-07 清华大学 多无人机平台协同控制系统
CN104699102A (zh) * 2015-02-06 2015-06-10 东北大学 一种无人机与智能车协同导航与侦查监控系统及方法
CN105302153A (zh) * 2015-10-19 2016-02-03 南京航空航天大学 异构多无人机协同察打任务的规划方法
CN107886201A (zh) * 2017-11-29 2018-04-06 合肥工业大学 多无人机任务分配的多目标优化方法及装置
CN109144110A (zh) * 2018-09-14 2019-01-04 北京领云时代科技有限公司 一种无人机集群目标跟踪系统
CN110426043A (zh) * 2019-08-06 2019-11-08 中国人民解放军陆军工程大学 面向线目标的无人机侦察航迹规划方法
CN110442143A (zh) * 2019-07-05 2019-11-12 北京航空航天大学 一种基于组合多目标鸽群优化的无人机态势数据聚类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008073069A2 (en) * 2006-08-18 2008-06-19 Cyber Defense Systems, Inc. Unmanned aerial vehicle
CN102147255A (zh) * 2011-01-12 2011-08-10 北京航空航天大学 一种威胁信息共享环境下的无人机群实时航路规划方法
CN102768518A (zh) * 2012-07-11 2012-11-07 清华大学 多无人机平台协同控制系统
CN104699102A (zh) * 2015-02-06 2015-06-10 东北大学 一种无人机与智能车协同导航与侦查监控系统及方法
CN105302153A (zh) * 2015-10-19 2016-02-03 南京航空航天大学 异构多无人机协同察打任务的规划方法
CN107886201A (zh) * 2017-11-29 2018-04-06 合肥工业大学 多无人机任务分配的多目标优化方法及装置
CN109144110A (zh) * 2018-09-14 2019-01-04 北京领云时代科技有限公司 一种无人机集群目标跟踪系统
CN110442143A (zh) * 2019-07-05 2019-11-12 北京航空航天大学 一种基于组合多目标鸽群优化的无人机态势数据聚类方法
CN110426043A (zh) * 2019-08-06 2019-11-08 中国人民解放军陆军工程大学 面向线目标的无人机侦察航迹规划方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Analysis on MAV/UAV cooperative combat based on complex network;Jie-ru Fan，等;《Defence Technology》;20201231;第16卷;第150-157页 *
Multi-target oriented UAV reconnaissance path planning;Qiangwei Pang，等;《AEMCME》;20191231;第1-6页 *
多无人机协同侦察任务规划方法研究综述;庞强伟,等;《电讯技术》;20190630;第59卷(第6期);第741-748页 *
多无人机编队协同目标分配的两阶段求解方法;叶青松，等;《合肥工业大学学报（自然科学版）》;20151031;第38卷(第10期);第1431-1436页 *
异构型多UAV协同侦察最优化任务决策研究;张耀中，等;《西北工业大学学报》;20170630;第35卷(第3期);第385-392页 *

Also Published As

Publication number Publication date
CN113110595A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN105729491B (zh) 机器人任务的执行方法、装置及系统
CN105302153B (zh) 异构多无人机协同察打任务的规划方法
CN107515618B (zh) 一种考虑时间窗口的异构无人机协同任务分配方法
CN107947845B (zh) 基于通信中继的无人机编队协同目标分配方法
CN107330560B (zh) 一种考虑时序约束的异构飞行器多任务协同分配方法
CN108549402A (zh) 基于量子乌鸦群搜索机制的无人机群任务分配方法
CN111311049A (zh) 一种基于收益最大化的多智能体任务分配方法
CN105184092A (zh) 一种资源限制条件下多类型无人机协同任务分配方法
CN110134007A (zh) 多无人机协同目标分配方法
CN111121784B (zh) 一种无人侦察机航路规划方法
CN115755954B (zh) 巡检路径规划方法、系统、计算机设备及存储介质
CN116166048B (zh) 一种无人机群容错任务规划方法
CN112099522A (zh) 多无人机协同对地攻击任务规划方法及终端设备
CN113110595B (zh) 面向目标核查印证的异构无人机群协同方法
Fu et al. A two-layer task assignment algorithm for UAV swarm based on feature weight clustering
CN115222271A (zh) 基于神经网络的武器目标分配方法
CN114841055B (zh) 一种基于生成对抗网络的无人机集群任务预分配方法
Sujit et al. Multi-UAV task allocation using team theory
Baccour et al. Distprivacy: Privacy-aware distributed deep neural networks in iot surveillance systems
CN113190041B (zh) 一种基于约束松弛技术的无人机集群在线目标分配方法
CN113177583B (zh) 一种空中目标聚类分群方法
CN116088586B (zh) 一种无人机作战过程中的临机任务规划的方法
CN111797966A (zh) 一种基于改进羊群算法的多机协同全局目标分配方法
CN115564374A (zh) 协同多任务重分配方法、装置、设备及可读存储介质
Bo et al. Cooperative task assignment algorithm of manned/unmanned aerial vehicle in uncertain environment

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