CN113671985A - 一种分阶段多基地无人机任务分配和航迹规划方法 - Google Patents
一种分阶段多基地无人机任务分配和航迹规划方法 Download PDFInfo
- Publication number
- CN113671985A CN113671985A CN202110854920.XA CN202110854920A CN113671985A CN 113671985 A CN113671985 A CN 113671985A CN 202110854920 A CN202110854920 A CN 202110854920A CN 113671985 A CN113671985 A CN 113671985A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- task
- base
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 110
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000002068 genetic effect Effects 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 25
- 238000009499 grossing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000003064 k means clustering Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000007123 defense Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 240000000736 Amomum maximum Species 0.000 description 1
- 241000163925 Bembidion minimum Species 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法,包括区域设置,任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景,通过区域设置、改进A*算法预估航程矩阵、多基地多无人机任务分配、基地内单无人机时序任务分配、航迹规划等多个阶段,实现多基地多无人机的任务规划。多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K‑means算法求解,当任务数量少、疏散分布时,采用深度遍历方法求解;单无人机时序任务分配阶段,基于TSP模型和遗传算法求解;航迹规划阶段,基于改进A*算法和三次B样条曲线法优化航迹。该方法将问题化繁为简、可扩展性好、易于工程实现和应用。
Description
技术领域
本发明涉及一种无人机任务规划技术领域,具体涉及一种分阶段多基地无人机任务分配和航迹规划方法。
背景技术
随着无人机在应急抢险、测绘、监控等领域中的广泛使用,无人机运行的保障要求越来越高,而由于无人机使用环境的复杂性、多样性,尤其是在诸如抢险救灾、战争形态等应用领域中,这一要求尤为突出,而单一无人机平台受作用半径、续航时间、实用升限和任务载荷等性能局限,往往难以满足实际应用需求。多无人机协同任务规划成为当前国内外广泛关注的课题。
任务分配和航迹规划是多无人机任务规划的关键技术问题,国内外学者对无人机任务分配和航迹规划开展了广泛的研究,已取得了较大进展。当前多无人机任务规划研究过程中,通常采用基于多目标优化函数的全局任务规划方法,在同一阶段完成多无人机的任务分组、任务分工、时序分配和航迹规划等。当前方法主要存在以下几方面不足:①与分层级指挥、分区域协同的指挥流程不匹配,航迹规划易出现区域交叉情况,增加无人机时空防撞协调的复杂性;②难以处理基地疏散配置、各基地无人机数量和性能不同等复杂异构的情况,构建的多目标优化函数过于繁琐;③在任务动态变化时,任务动态再分配存在大量计算冗余,易造成较大的计算复杂度,实效性和可扩展性不好;④任务分配研究过程中,在考虑距离代价时,通常用直线欧式距离近似表示航程,没有考虑威胁区域等约束条件对航程预估的影响,从而易造成任务分配不合理。
因此针对这一现状,以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景,开发一种分阶段多基地无人机任务分配和航迹规划方法,以满足实际使用的需要。
发明内容
本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法,以解决现有技术存在的问题。
为解决上述技术问题,本发明采用的技术方案如下:
一种分阶段多基地无人机任务分配和航迹规划方法,包括如下步骤:
S1,区域设置,首先,在地理信息系统中,依次点击各基地坐标和任务坐标,确定任务规划区域范围;而后,在规划区域内,采用不同几何形状标记出威胁区域;
S2,任务分配,首先,在航程估算阶段,改进A*算法,构建各基地、各任务点之间的A*预估航程矩阵;其次,在多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K-means算法,实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等;当任务数量少、疏散分布时,采用深度遍历方法实现精确任务分配;最后,在单无人机时序任务分配阶段,基于旅行商模型和遗传算法,求解各基地内单无人机的时序任务分配;
S3,航迹规划,首先,采用改进A*算法规划并绘制航迹;而后,基于三次B样条曲线进行航迹平滑。
优选的,所述S1步骤中,在进行区域设置时,按以下步骤进行:
第一步,区域规划,在地理信息系统中,点击选定并标注多基地、多任务的位置,按点击次序为每个基地和任务编号,确定任务规划的区域范围。设各基地和任务的最大位置高斯坐标值分别为Xmax、Ymax,设最小位置高斯坐标值分别Xmin、Ymin,设规划空间的扩展距离值为H,则可确定矩形规划区域的四个顶点分别为(Xmin-H,Ymin-H)、(Xmin-H,Ymax+H)、(Xmax+H,Ymax+H)、(Xmin-H,Ymax+H);将二维规划空间离散栅格化,(Xmin-H,Ymin-H)为原点,设h为网格边长,则规划空间中任意点(x,y)的网格坐标(xg,yg)表示为:
第二步,威胁设置;基于基础地理信息和区域态势信息,在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域;根据不同威胁模型的特点,在GIS系统中通过手绘或标注等形式,用圆形、矩形、多边形等不同形状标记威胁区域;可计算出威胁区域边界的网格坐标(xgt,ygt),构建威胁区域矩阵G[x][y],令G[xgt][ygt]=1表示该网格为威胁网格,G[xgt][ygt]=0表示该网格不是威胁网格;
优选的,所述S2步骤中,在进行任务分配时,按以下步骤进行:
第一步,改进A*算法设计,在设置规划区域和威胁空间的基础上,分别以各基地和任务点为起止点,通过A*算法启发式搜索最优路径,并估算各基地与各个任务点、各个任务点之间的航程距离,结合具体应用背景,主要在约束搜索区域、航迹节点再调整等方面对传统A*算法进行优化,具体表述为:
1、定代价函数,A*算法的代价函数表示为:f(n)=g(n)+h(n),n为当前节点,f(n)为起始点经节点n到目标点的代价函数,g(n)为从起始点到节点n的实际代价,h(n)为节点n到目标节点的估计代价。
g(n)为从起始点到节点n的实际代价函数,可表示为:g(n)=ω1ln+ω2Jn+ω3zn,其中,ln为航程代价,Jn为威胁代价,zn为高度代价,ω1,ω2和ω3分别表示航迹代价权值;其中要求航迹能够规避所有威胁区域,将威胁代价设为无穷大,令ω2=∞;在无人机实际巡航飞行过程中,设定无人机以固定高度巡飞,将三维空间航迹搜索问题简化为二维问题,令ω1=1,ω3=0。
2、限定约束条件;考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束,为优化搜索空间、提高搜索速度,在启发式航迹搜索过程中,设定以下约束条件:
a.最大航程,单架无人机航迹搜索的总航程f应小于无人机的最大航程Lmax,即f<Lmax;
b.最小轨迹段长度,受机动能力约束,无人机改变飞行方向前,需要沿原方向直飞一段距离,即最短直飞距离为hmin。在A*算法中,网格边长h为搜索步长,搜索步长应大于最小航迹段长度,即h>hmin;
c.最大转弯角,在规划空间启发性搜索下一节点时,限定在扇形约束区域内搜索,而不是遍历每个相邻节点。最大转弯角θ对应于最小转弯半径Rmin,节点扩展角α在2θ范围内的扇形区域搜索,从而可减小搜索空间、加快搜索速度;
3、航迹节点调整,在栅格化节点扩展过程中,节点扩展主要局限在栅格线的交叉点上,会导致部分航迹呈锯齿状,需将部分锯齿型折线航迹优化为直线,设无人机w初始航迹节点序列vw1[r],节点序列数量为r,则节点再调整过程为:
a.初始令j=r;
b.循环检查(vw1[i],vw1[j])之间的连线是否通过威胁区,i∈[1,...,j-1];若通过威胁区,令i=i+1;若不通过威胁区,令j=i,并将vw1[j]保存为再调整后的航迹节点;
c.重复上述循环,直至j=1,停止循环,生成再调整后的航迹序列vw2[l],调整后的节点序列数量为l;
4、航迹搜索过程。在启发式搜索时,建立OPEN和CLOSE两个表,OPEN表用于存储已经计算但没有扩展的节点,CLOSE表用于存储已经扩展的节点;数据存储结构表示为{(xi,yi),fi,gi,hi,pi},(xi,yi)为节点的网格坐标,fi,gi,hi,pi分别为代价函数的变量值,pi代表当前节点的父节点,航迹搜索的主要流程表述为:
a.初始化;设置步长和障碍区域,初始化OPEN和CLOSE表,将起点放入OPEN表中作为当前节点;
b.节点扩展与存储;当前节点的相邻节点,若满足约束条件且不在当前OPEN和CLOSE表中,则将该有效节点加入OPEN表;将OPEN表中代价最小的节点A移到CLOSE表;判断节点A是否为终点,若是终点则退出节点搜索,若不是终点则继续节点扩展;从CLOSE表中提取初始航迹节点序列vw1[r],将终点的代价函数值作为预估航程;
c.航迹节点调整,初始设vw1[r]中的初始航迹起点为调整起点,初始航迹终点作为调整中继点;从调整起点开始,依次判断vw1[r]中各航迹点与调整中继点的连线是否经过障碍区;若调整起点与调整中继点连线通过障碍,则将当前调整起点的下一点更新为调整起点,继续判断是否通过障碍;若调整起点与调整中继点连线不通过障碍,将当前调整中继点保存为航迹调整后的一个航程点,并将当前调整起点更新为调整中继点,继续循环判断;直至当前调整中继点为起点,停止循环,综合各个调整中继点构建出调整后的航迹序列vw2[l];
第二步,多基地多无人机任务分配。设基地序列为P={P1,P2,P3,…Pn},基地数量为n;任务目标序列为T={T1,T2,T3,…Tm},任务数量为m;构建距离矩阵d[n][m],用于表示每个基地距离每一目标的A*距离;构建距离矩阵表示为q[m][m],用于表示任两个目标之间的A*距离;各基地无人机数量序列为U={U1,U2,U3,…Un},用于表示各个基地配置的无人机数量;
根据任务数量和分布情况,多无人机任务分配可以区分两种情况求解:①任务数量多、区域集中分布时,采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节,可将较大规模的目标分配问题化繁为简、时效性和可扩展性好;②任务数量少、疏散分布时,采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况,简化了求解过程,直接采用深度遍历方法进行精确任务分配。求解过程处理方法为:
(1)基于目标聚类的求解方法
基于目标聚类的求解方法包括三个处理环节:目标区域聚类、聚类目标分配、基地内多无人机任务分配;目标区域聚类,是实现目标按地理分布集聚特性进行区域聚类;聚类目标分配,是实现将各个聚类目标区域分配给距离最近的无人机基地;基地内多无人机任务分配,是实现无人机基地内多架无人机的目标分配;
优选的,当任务数量多、区域集中分布时,基于目标聚类方法求解多基地多无人机任务分配,按以下步骤进行:
通过改进K-means聚类目标聚类,将多基地无人机多任务分配问题进行聚类分析,实现了目标区域聚类、聚类目标分配等功能,将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地。
在初始聚类中心选取、应用A*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面,对传统K-means聚类算法进行改进。改进K-means聚类算法的处理流程,具体表述为:
a.目标聚类初始化,选取K个位置分散的目标点为初始聚类中心,根据GIS系统上各位置点的分布,选择K个相对分散的目标作为初始聚类中心点;
b.确定无人机基地与目标聚类的对应关系,将无人机基地分配给距离最近的聚类中心点;
c.循环目标聚类,基于航程代价进行判断,循环计算各目标点到各个聚类中心的距离,将每个目标划入其距离最近的目标区域类中;其中当随机选取一个聚类目标序列,其与对应基地之间总航程超过基地内所有无人机最大航程,则从该目标类中选择距离邻近目标簇中心最近的一个目标,将该目标加入邻近目标簇中;
d.更新目标聚类中心点,根据所有数据点的平均距离值计算区域质心位置,将聚类中心调整至各区域类的中心目标点;
e.重复b、c和d,直至聚类中心不再变化或达到最大的迭代次数;
单个基地内的任务分配,若单架无人机能够完成,则优先使用单无人机执行;若单架次无人机无法完成所有任务,则需要结合执行任务的总航程和单机的最大航程,估算出所需的无人机数量k,进而按照无人机数量采聚类方法再次进行任务分配。
(2)基于深度遍历的求解方法
优选的,当任务数量少、疏散分布时,基于深度遍历方法求解多基地多无人机任务分配按以下步骤进行:
为每个基地分配距离最近的目标,目标函数Z表示为dij为无人机i到目标j的A*距离;约束条件包括:①最大航程约束,单个基地的无人机执行多任务的总航程不能超出其最大航程Lmax;②任务约束,每个基地一架无人机参与任务,每个目标至少有一架无人机去执行任务。
深度遍历精确求解的流程表述为:
a.按照目标序列T的编号,根据目标函数Z,从第一个目标开始依次循环;对比目标与每个无人机基地的距离,选择出距离当前目标最近的无人机基地;依次循环比较,最终确定与目标序列T对应的无人机基地序列,设为H={H1,H2,H3,…Hm}。
b.结合序列T和H的对应关系,为每架无人机分配任务,获得第w架无人机对应的任务分组为hw[k]。
第三步,基地内单无人机时序任务分配,在多基地无人机任务分配方案中,若单个无人机分配了多项任务,则需进行单无人机多任务时序分配。单无人机时序任务分配,基于改进A*算法的预估航程矩阵,采用TSP旅行商模型求解。
优选的,所述基地内单无人机时序任务分配的旅行商模型求解,按以下步骤进行:
采用A*算法估算出无人机起飞点、多个任务目标点之间的距离,对于第w架无人机,其对应的任务分组为hw[k],构建出A*距离矩阵表示为pw[k][k],k为第w架无人机的对应任务数,起点和终点为无人机基地,1、2至k代表目标序号。
若时序任务分配规模较小,采用深度遍历法,循环比较任何一种可能方案,准确获得最优解。若时序任务分配规模较大,精确算法求解计算量过大,则采用遗传算法,基于遗传算法求解的主要处理流程表述为:
a.初始化,初始设置种群规模、个体长度、迭代次数、交叉和变异概率等。单个染色体为目标编号序列,长度为k。
b.初始种群,随机产生目标序列的初始群体。
c.遗传操作,选择操作,依据目标函数R计算适应度值,根据适应度值选择染色体,采取轮盘赌的方法选择,适应度值越大则被选中的概率越大;交叉操作,采用置换交叉方式,两个父体上随机选取一段基因片段交换;变异操作,在一条染色体上两个基因以一定概率交换并产生新的个体;
d.择优操作,综合父群体和子群体选取优秀个体,淘汰适应度差的个体,若最优个体不满足要求或未达到迭代次数,则继续进行选择、交叉、变异操作;否则,停止循环。最终生成最优任务编号序列。第w架无人机的时序目标序列表示为uw[k],k为时序任务数量。
优选的,所述步骤S3中,航迹规划按以下步骤进行:
第一步,航迹寻优,基于多无人机任务分配和单机时序任务分配的分配方案,依据每架无人机的任务序列,基于改进A*算法,分别进行航迹规划。
无人机w的起点、时序序列uw[k]中的各任务点、无人机w的回收点构成航迹点序列,从起点开始,依次将航迹序列中的两个连续时序节点作为A*搜索的起止点,获得各连续节点之间的初始航迹序列vw1[r]、及调整后航迹序列vw2[l]。任意两个时序连续节点间的vw2[l],组合在一起最终构成第w架无人机的总航迹vw3[q],总航迹点数量为q。
将无人机的航迹点vw3[q],进行地理坐标转换,绘制在地理信息系统上,可得到无人机航迹图。依次绘制每架无人机的航迹点,得到多基地多无人机的航迹规划图。
第二步,航迹平滑,航迹寻优绘制的航迹为折线图,不符合实际航迹,需要将折线航迹转换为平滑曲线,得出满足飞行约束的航迹曲线,并采用三次B-Spline曲线标记展示。
优选的,所述采用三次样条曲线对飞行航迹曲线平滑时,基于A*航迹寻优的获得的航迹控制点为Pi(i=0,1,…,n),采用三次样条曲线进行平滑处理,每段曲线由连续相邻的4个航迹控制点确定;并在vw3[q]的各个航迹点附近增加控制点,进而再执行曲线平滑操作。
Pi为序列航迹点,三次B-Spline曲线表示为
本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法,包括区域设置,任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景,通过区域设置、改进A*算法预估航程矩阵、多基地多无人机任务分配、阵地内单无人机时序任务分配、航迹规划等多个阶段,实现多基地多无人机的任务规划。多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K-means算法求解,当任务数量少、疏散分布时,采用深度遍历方法求解;单无人机时序任务分配阶段,基于TSP模型和遗传算法求解;航迹规划阶段,基于改进A*算法和三次B样条曲线法优化航迹。该方法与分层级指挥和分区域协同的指挥流程相匹配,适用于基地疏散配置、各基地无人机异构等复杂应用环境,将问题化繁为简、实效性和可扩展性好、易于工程实现和应用。
附图说明
图1为本发明方法流程示意图;
图2为本发明多基地无人机任务规划的原理框图;
图3为本发明规划空间示意图;
图4为本发明多阶段任务分配的原理框图;
图5为本发明航迹节点的扇形搜索区域示意图;
图6为本发明航迹节点调整示意图;
图7为本发明改进A*算法流程图;
图8为本发明多基地无人机任务分配编码示意图;
图9为本发明改进K-means聚类算法流程图;
图10为本发明时序任务分配编码示意图;
图11为本发明基于遗传算法求解流程图;
图12为本发明基于目标聚类的任务规划测试图;
图13为本发明基于深度遍历的任务规划测试图。
具体实施方式
根据下述实施例,可以更好地理解本发明。然而,本领域的技术人员容易理解,实施例所描述的内容仅用于说明本发明,而不应当也不会限制权利要求书中所详细描述的本发明。
如图1—13所示,一种分阶段多基地无人机任务分配和航迹规划方法,包括如下步骤:
S1,区域设置,首先在地理信息系统(Geographic Information System,GIS)中,依次点击确定各基地坐标和任务坐标,确定任务规划区域范围,而后在规划区域内采用不同几何形状标记威胁区域;
S2,任务分配,首先,在航程估算阶段,改进A*算法,构建各基地、各任务点之间的A*预估航程矩阵;其次,在多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K-means算法,实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等;当任务数量少、疏散分布时,采用深度遍历方法实现精确任务分配;最后,在单无人机时序任务分配阶段,基于旅行商模型(Travelling Salesman Problem,TSP)和遗传算法,求解各基地内单无人机的时序任务分配;
S3,航迹规划;首先采用改进A*算法规划并绘制航迹,而后基于三次B样条曲线进行航迹平滑。
为了更好的对本发明在实际使用中的应用方法及工作原理,进一步对本发明所涉及的技术内容进行说明介绍;
步骤1:区域设置。
在地理信息系统(Geographic Information System,GIS)中,依次点击各基地坐标和任务坐标,确定任务规划区域范围,并在规划区域内采用不同几何形状标记威胁区域。
步骤1.1,区域规划。在地理信息系统中,点击选定并标注多基地、多任务的位置,按点击次序为每个基地和任务编号,确定任务规划的区域范围。规划空间如图3所示,设最大位置高斯坐标值分别为Xmax、Ymax,设最小位置高斯坐标值分别Xmin、Ymin,设规划空间的扩展距离值为H,则可确定矩形规划区域的四个顶点分别为(Xmin-H,Ymin-H)、(Xmin-H,Ymax+H)、(Xmax+H,Ymax+H)、(Xmin-H,Ymax+H)。
将二维规划空间离散栅格化,(Xmin-H,Ymin-H)为原点,设h为网格边长,则规划空间中任意点(x,y)的网格坐标(xg,yg)表示为:
步骤1.2,威胁设置。在复杂电磁、地理和气象环境、高强度对抗、空域资源紧张等复杂特殊应用环境下,无人机执行任务将面临着多样的威胁挑战。基于基础地理信息和区域态势信息,在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域。根据不同威胁模型的特点,在GIS系统中通过手绘或标注等形式,用圆形、矩形、多边形等不同形状标记威胁区域。按式(1)计算威胁区域边界的网格坐标(xgt,ygt),构建威胁区域矩阵G[x][y],令G[xgt][ygt]=1表示该网格为威胁网格,G[xgt][ygt]=0表示该网格不是威胁网格。
步骤2:任务分配。
多无人机任务分配,可以简单描述为:给定多个基地的多无人机、多项任务,为各个基地分配任务区域,为每个子任务寻找无人机来负责执行该子任务,使得整个系统执行任务过程中代价最小、收益最大。
本发明采用多阶段任务分配策略,主要基于以下考虑:①分阶段任务分配与指挥流程相匹配。按照分层级指挥、分区域协同的指挥策略,多无人机协同任务规划将呈现阶段式应用样式,包括各无人机基地划定任务区域、各基地内多无人机目标分配、各无人机目标时序分配等多个环节。②分阶段任务分配适用于复杂应用环境。在动态不确定、强对抗性、任务广域分布、多基地无人机异构配置的应用环境下,基于多目标优化模型的全局任务分配将过于复杂,在任务动态分配时存在大量计算冗余;分阶段任务分配通过解耦拆分和分布式求解,可有效降低算法复杂度,减小问题求解规模;③采用改进A*算法预估航程。任务分配过程中,采用改进A*算法预估航程,充分考虑了威胁区域等约束条件对距离代价的影响,避免了直接采用直线欧式距离导致的计算误差;④分阶段任务分配简便有效。分阶段分配将问题化繁为简,算法灵活、思路清晰、实效性和可扩展性好,易于工程实现和应用。
如图4所示,多阶段任务分配主要包括航程估算、多基地多无人机任务分配、基地内单无人机时序任务分配等三个阶段,其中多基地无人机任务分配又包含了目标区域聚类、聚类目标分配至各基地、基地内多无人机任务分配等三个阶段。航程估算,是指基于改进A*算法获得任务分配所需的预估航程矩阵;多阵地多无人机任务分配,当任务数量多、区域集中分布时,基于改进K-means算法求解,当任务数量少、疏散分布时,采用深度遍历方法实现精确任务分配;单无人机时序任务分配,基于TSP模型和遗传算法,解决单无人机的多目标任务顺序分配问题。
步骤2.1,改进A*算法设计。A*算法是一种启发式搜索算法,通过在栅格化空间不断评估路径函数值来启发式搜索节点,构造最优航迹。A*算法全局性好、运行较快、易于工程实现。在设置规划区域和威胁空间的基础上,分别以无人机基地和任务点为起止点,通过A*算法启发式搜索最优路径,并估算无人机基地与各个任务点、各个任务点之间的航程距离。结合具体应用背景,主要在约束搜索区域、航迹节点再调整等方面对传统A*算法进行了改进设计,通过约束扇形搜索区域减小搜索计算代价,通过航迹节点调整去优化锯齿型航迹,具体表述如下。
①定代价函数。A*算法的代价函数表示为:
f(n)=g(n)+h(n) (2)
式中,n为当前节点,f(n)为起始点经节点n到目标点的代价函数,g(n)为从起始点到节点n的实际代价,h(n)为节点n到目标节点的估计代价。
g(n)为从起始点到节点n的实际代价函数,可表示为:
g(n)=ω1ln+ω2Jn+ω3zn (3)
其中,ln为航程代价,Jn为威胁代价,zn为高度代价,ω1,ω2和ω3分别表示航迹代价权值。在高对抗应用条件下,无人机安全飞行是首要指标,要求航迹能够规避所有威胁区域,将威胁代价设为无穷大,令ω2=∞;在无人机实际巡航飞行过程中,通常优先采用固定高度巡航,为简化航迹优化问题、减少计算量,设定无人机以固定高度巡飞,将三维空间航迹搜索问题简化为二维问题,令ω1=1,ω3=0。
h(n)可理解为启发函数,引导节点(xn,yn)向目标点(xt,yt)的方向搜索扩展,可表示为:
②定约束条件。考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束,为优化搜索空间、提高搜索速度,在启发式航迹搜索过程中,设定以下约束条件:
a.最大航程
无人机受数据链作用距离、飞行动力等因素影响,最大航程受限。单架无人机航迹搜索的总航程f应小于无人机的最大航程Lmax,即
f<Lmax (5)
b.最小轨迹段长度
受机动能力约束,无人机改变飞行方向前,需要沿原方向直飞一段距离,即最短直飞距离为hmin。在A*算法中,网格边长h为搜索步长,搜索步长应大于最小航迹段长度,即
h>hmin (6)
c.最大转弯角
在规划空间启发性搜索下一节点时,限定在扇形约束区域内搜索,而不是遍历每个相邻节点。如图5所示,阴影区域表示扇形搜索区域,最大转弯角θ对应于最小转弯半径Rmin,节点扩展角α在2θ范围内的扇形区域搜索,从而可减小搜索空间、加快搜索速度。
③航迹节点调整。在栅格化节点扩展过程中,节点扩展主要局限在栅格线的交叉点上,可能会导致部分航迹呈锯齿状。为了避免锯齿型航迹,需要进行航迹节点再调整,将部分锯齿型折线航迹优化为直线。如图6所示,将图中虚线航迹优化为实线航迹。
设无人机w初始航迹节点序列vw1[r],节点序列数量为r,则节点再调整过程为:a.初始令j=r;b.循环检查(vw1[i],vw1[j])之间的连线是否通过威胁区,i∈[1,...,j-1];若通过威胁区,令i=i+1;若不通过威胁区,令j=i,并将vw1[j]保存为再调整后的航迹节点;c.重复上述循环,直至j=1,停止循环,生成再调整后的航迹序列vw2[l],调整后的节点序列数量为l。
④航迹搜索过程。在启发式搜索时,建立OPEN和CLOSE两个表,OPEN表用于存储已经计算但没有扩展的节点,CLOSE表用于存储已经扩展的节点。数据存储结构表示为{(xi,yi),fi,gi,hi,pi},(xi,yi)为节点的网格坐标,fi,gi,hi,pi分别为代价函数的变量值,pi代表当前节点的父节点。如图7所示,航迹搜索的主要流程为:
a.初始化。设置步长和障碍区域,初始化OPEN和CLOSE表,将起点放入OPEN表中作为当前节点。
b.节点扩展与存储。当前节点的相邻节点,若满足约束条件且不在当前OPEN和CLOSE表中,则将该有效节点加入OPEN表;将OPEN表中代价最小的节点A移到CLOSE表;判断节点A是否为终点,若是终点则退出节点搜索,若不是终点则继续节点扩展。从CLOSE表中提取初始航迹节点序列vw1[r],将终点的代价函数值作为预估航程。
c.航迹节点调整。初始设vw1[r]中的初始航迹起点为调整起点,初始航迹终点作为调整中继点;从调整起点开始,依次判断vw1[r]中各航迹点与调整中继点的连线是否经过障碍区;若调整起点与调整中继点连线通过障碍,则将当前调整起点的下一点更新为调整起点,继续判断是否通过障碍;若调整起点与调整中继点连线不通过障碍,将当前调整中继点保存为航迹调整后的一个航程点,并将当前调整起点更新为调整中继点,继续循环判断;直至当前调整中继点为起点,停止循环,综合各个调整中继点构建出调整后的航迹序列vw2[l]。
步骤2.2,多基地多无人机任务分配。设基地序列为P={P1,P2,P3,…Pn},基地数量为n;任务目标序列为T={T1,T2,T3,…Tm},任务数量为m;构建距离矩阵d[n][m],用于表示每个基地距离每一目标的A*距离;构建距离矩阵表示为q[m][m],用于表示任两个目标之间的A*距离;各基地无人机数量序列为U={U1,U2,U3,…Un},用于表示各个基地配置的无人机数量。
如图8所示,为多基地无人机的任务分配编码,每项任务均有无人机负责执行。根据任务数量和分布情况,多无人机任务分配可以区分两种情况求解:①任务数量多、区域集中分布时,采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节,可将较大规模的目标分配问题化繁为简、时效性和可扩展性好;②任务数量少、疏散分布时,采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况,简化了求解过程,直接采用深度遍历方法进行精确任务分配。
(1)基于目标聚类的求解方法
基于目标聚类的求解方法包括三个处理环节:目标区域聚类、聚类目标分配、基地内多无人机任务分配等。目标区域聚类,是实现目标按地理分布集聚特性进行区域聚类;聚类目标分配,是实现将各个聚类目标区域分配给距离最近的无人机基地;基地内多无人机任务分配,是实现无人机基地内多架无人机的目标分配。
K-means聚类算法是一种迭代求解的聚类分析方法,其原理简单、收敛速度快、实用性好。采用各目标间距离作为相似性评价指标,通过多轮循环迭代,最终确定K个紧凑且相对独立的目标簇。需要注意的是,由于无人机基地的异构性,各无人机基地配备的无人机数量和型号不同,因此聚类目标不应超出其距离最近基地的任务能力,主要关注各基地的总任务航程这一约束能力值。
结合具体应用背景,在初始聚类中心选取、应用A*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面,对传统K-means聚类算法进行改进。如图9所示,改进K-means聚类算法的处理流程为:
a.目标聚类初始化。选取K个位置分散的目标点为初始聚类中心。为节省计算开销,可根据GIS系统上各位置点的分布,手动选择K个相对分散的目标作为初始聚类中心点;
b.确定无人机基地与目标聚类的对应关系。将无人机基地分配给距离最近的聚类中心点;
c.循环目标聚类。循环计算各目标点到各个聚类中心的距离,将每个目标划入其距离最近的目标区域类中。为避免聚类区域的目标数量超出距离最近基地的任务能力值,基于航程代价进行判断。若随机选取一个聚类目标序列,其与对应基地之间总航程超过基地内所有无人机最大航程,则从该目标类中选择距离邻近目标簇中心最近的一个目标,将该目标加入邻近目标簇中;
d.更新目标聚类中心点。根据所有数据点的平均距离值计算区域质心位置,将聚类中心调整至各区域类的中心目标点;
e.重复b、c和d,直至聚类中心不再变化或达到最大的迭代次数。
通过改进后的K-means目标聚类方法,实现了目标区域聚类、聚类目标分配两个功能,将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地。
单个基地内的无人机任务分配,若单架无人机能够完成,则优先使用单无人机执行;若单架次无人机无法完成所有任务,则结合执行任务的总航程和单机的最大航程,估算出所需的无人机数量k,进而按照无人机数量采用K-means聚类方法再次进行任务分配。最终为每架无人机分配任务,第w架无人机对应的任务分组为hw[k]。
(2)基于深度遍历的求解方法
当任务数量少、疏散分布时,该情况下通常计算规模较小,直接采用深度遍历方法进行精确任务分配。
为每个基地分配距离最近的目标,目标函数Z表示为
其中,dij为无人机i到目标j的A*距离。
约束条件包括:①最大航程约束。单个基地的无人机执行多任务的总航程不能超出其最大航程Lmax。②任务约束。每个基地一架无人机参与任务,每个目标至少有一架无人机去执行任务。
遍历精确求解的流程表述为:
a.按照目标序列T的编号,从第一个目标开始依次循环;对比目标与每个无人机基地的距离,选择出距离当前目标最近的无人机基地;依次循环比较,最终确定与目标序列T对应的无人机基地序列,设为H={H1,H2,H3,…Hm};
b.结合序列T和H的对应关系,为每架无人机分配任务,获得第w架无人机对应的任务分组为hw[k]。
第三步,基地内单无人机时序任务分配。
在多基地无人机任务分配方案中,若单个无人机分配了多项任务,则需进行单无人机多任务时序分配。单无人机时序任务分配,采用了TSP旅行商模型。
TSP问题是经典的路径优化问题,单一旅行者从起始点出发,经过多个目标点,最终回到出发点,寻求使路径成本最小的行进路线。传统的TSP模型求解时,在计算各路径点之间的距离时,通常是将各点之间距离简化为直线欧式距离。在复杂高对抗的应用环境下,目标点间距离若不考虑规避威胁区域,将存在较大的误差,TSP求解将难以获取合理的结果。因此,改进TSP求解方法,任意两点的距离采用A*算法预估距离。
考虑规避威胁区域,采用A*算法估算出无人机起飞点、多个任务目标点之间的距离,构建出A*距离矩阵表示为pw[k][k],k为第w架无人机的对应任务数。
如图10所示,为无人机时序任务分配编码,无人机时序任务分配起点和终点为无人机基地,1、2至k代表目标序号。
目标函数R表示为:
其中,hij为无人机从目标i到目标j的A*距离,cij∈{0,1}为决策变量。
若时序任务分配规模较小,优先采用深度遍历法,循环比较任何一种可能方案,准确获得最优解。若时序任务分配规模较大,精确算法求解计算量过大,则采用遗传算法。如图11所示,基于遗传算法求解的主要处理流程为:
a.初始化。初始设置种群规模、个体长度、迭代次数、交叉和变异概率等。
b.初始种群。随机产生目标序列的初始群体。单个染色体为目标编号序列。
c.遗传操作。选择操作,依据目标函数R计算适应度值,根据适应度值选择染色体,采取轮盘赌的方法选择,适应度值越大则被选中的概率越大;交叉操作,采用置换交叉方式,两个父体上随机选取一段基因片段交换;变异操作,在一条染色体上两个基因以一定概率交换并产生新的个体。
d.择优操作。综合父群体和子群体选取优秀个体,淘汰适应度差的个体。若最优个体不满足要求或未达到迭代次数,则继续进行选择、交叉、变异操作;否则,停止循环。最终生成最优任务编号序列u[k]。第w架无人机的时序目标序列表示为uw[k],k为时序任务数量。
步骤3:航迹规划。采用改进A*算法规划并绘制航迹,基于三次B样条曲线进行航迹平滑。
步骤3.1,航迹寻优。
基于多无人机任务分配和单机时序任务分配的分配方案,依据每架无人机的任务序列分别进行航迹规划,应用改进A*算法进行航迹寻优。A*算法按照步骤2.1执行。
以第w架无人机为例,无人机w的起点、时序序列uw[k]中的各任务点、无人机w的回收点构成航迹点序列,从起点开始,依次将航迹序列中的两个连续时序节点作为A*搜索的起止点,获得各连续节点之间的初始航迹序列vw1[r]、及调整后航迹序列vw2[l]。任意两个时序连续节点间的vw2[l],组合在一起最终构成第w架无人机的总航迹vw3[q],总航迹点数量为q。
将无人机的航迹点vw3[q],进行地理坐标转换,绘制在地理信息系统上,可得到无人机航迹图。依次绘制每架无人机的航迹点,得到多基地多无人机的航迹规划图。
步骤3.2,航迹平滑。
航迹寻优绘制的航迹为折线图,不符合实际航迹,需要将折线航迹转换为平滑曲线,得出满足飞行约束的航迹曲线。三次B-Spline曲线具有局部性、凸包性和C2连续性等特点,平滑效果好。
基于A*航迹寻优的获得的航迹控制点为Pi(i=0,1,…,n),采用三次样条曲线进行平滑处理,每段曲线由连续相邻的4个航迹控制点确定。改进A*算法的航迹点往往易于稀疏化,使得航迹平滑曲线更接近初始航迹折线,可考虑在vw3[q]的各个航迹点附近增加控制点,比如航迹点vw3[i]与节点vw1[j]相一致,可将vw3[i]点处增加控制点vw1[j+1],进而再执行曲线平滑操作。
三次B样条拟合曲线表示为
如图12所示,进行了基于改进K-means目标聚类的任务规划测试。分别在GIS中点击确定了3个无人机阵地和18个目标的位置,以手绘形式标记出多个威胁区域;点击“航程估算”预估出各个位置点之间A*航程;点击“聚类选取”确定了3个目标初始聚类中心,GIS区域的实心圆点表示初始聚类中心;点击“目标聚类”实现目标区域聚簇,GIS区域的实心圆点分别为初始聚类中心及K-means聚类后的中心;点击“任务分配”,将3个聚类目标群分配至3个无人机阵地;点击“航迹搜索”后,在GIS区域绘制出各无人机与其时序任务之间的A*搜索航迹,航迹能够规避障碍,但由于A*搜索局限在栅格交叉点而导致部分航迹呈锯齿状;点击“航迹调整”后,在GIS区域绘制出调整优化后的航迹,部分A*搜索锯齿型折线航迹段优化为直线;点击“航迹平滑”后,在GIS区域绘制出B样条平滑航迹。测试表明,目标聚簇分配和目标时序分配合理,航迹规避了障碍区域,通过航迹调整和航迹平滑优化了航迹,测试过程计算无明显时延。
如图13所示,进行了基于深度遍历的任务规划测试。分别在GIS中点击确定了5个无人机阵地和7个疏散分布的目标位置,以手绘形式标记出多个威胁区域;点击“航程估算”预估出各个位置点之间A*航程,点击“任务分配”为每个目标分配无人机,分配结果显示在任务显示区域,2个无人机阵地参与执行任务;点击“航迹搜索”,在GIS区域绘制出各无人机与其时序任务之间的A*搜索航迹;点击“航迹调整”,将部分A*搜索锯齿型折线航迹段进行优化;点击“航迹平滑”后,在GIS区域绘制出B样条平滑航迹。测试表明,疏散分布的目标合理分配至各无人机阵地,各无人机航迹有效规避了威胁区,通过航迹调整和航迹平滑优化了无人机航迹。
本发明公开了一种分阶段多基地无人机任务分配和航迹规划方法,包括区域设置,任务分配及航迹规划等三个步骤。本发明以异构多无人机疏散配置在多个基地、协同执行多目标探测任务为应用背景,通过区域设置、改进A*算法预估航程矩阵、多基地多无人机任务分配、阵地内单无人机时序任务分配、航迹规划等多个阶段,实现多基地多无人机的任务规划。多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K-means算法求解,当任务数量少、疏散分布时,采用深度遍历方法求解;单无人机时序任务分配阶段,基于TSP模型和遗传算法求解;航迹规划阶段,基于改进A*算法和三次B样条曲线法优化航迹。该方法与分层级指挥和分区域协同的指挥流程相匹配,适用于基地疏散配置、各基地无人机异构等复杂应用环境,将问题化繁为简、实效性和可扩展性好、易于工程实现和应用。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述分阶段多基地无人机任务分配和航迹规划方法包括如下步骤:
S1,区域设置,首先,在地理信息系统中,依次点击各基地坐标和任务坐标,确定任务规划区域范围;而后,在规划区域内,采用不同几何形状标记出威胁区域;
S2,任务分配,首先,在航程估算阶段,改进A*算法,构建各基地、各任务点之间的A*预估航程矩阵;其次,在多基地多无人机任务分配阶段,当任务数量多、区域集中分布时,基于改进K-means算法,实现目标区域聚类、各阵地聚类目标分配、阵地内无人机任务分配等;当任务数量少、疏散分布时,采用深度遍历方法实现精确任务分配;最后,在单无人机时序任务分配阶段,基于旅行商模型和遗传算法,求解各基地内单无人机的时序任务分配;
S3,航迹规划,首先,采用改进A*算法规划并绘制航迹;而后,基于三次B样条曲线进行航迹平滑。
2.根据权利要求1所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述S1步骤中,在进行区域设置时,按以下步骤进行:
第一步,区域规划,在地理信息系统中,点击选定并标注多基地、多任务的位置,按点击次序为每个基地和任务编号,确定任务规划的区域范围,设各基地和任务的最大位置高斯坐标值分别为Xmax、Ymax,设最小位置高斯坐标值分别Xmin、Ymin,设规划空间的扩展距离值为H,则可确定矩形规划区域的四个顶点分别为(Xmin-H,Ymin-H)、(Xmin-H,Ymax+H)、(Xmax+H,Ymax+H)、(Xmin-H,Ymax+H);将二维规划空间离散栅格化,(Xmin-H,Ymin-H)为原点,设h为网格边长,则规划空间中任意点(x,y)的网格坐标(xg,yg)表示为:
第二步,威胁设置;基于基础地理信息和区域态势信息,在GIS中标绘出地形、雷达探测、防空火力、禁飞区等飞行威胁区域;根据不同威胁模型的特点,在GIS系统中通过手绘或标注等形式,用圆形、矩形、多边形等不同形状标记威胁区域;可计算出威胁区域边界的网格坐标(xgt,ygt),构建威胁区域矩阵G[x][y],令G[xgt][ygt]=1表示该网格为威胁网格,G[xgt][ygt]=0表示该网格不是威胁网格。
3.根据权利要求1所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述S2步骤中,在进行任务分配时,按以下步骤进行:
第一步,改进A*算法设计,在设置规划区域和威胁空间的基础上,分别以各基地和任务点为起止点,通过A*算法启发式搜索最优路径,并估算各基地与各个任务点、各个任务点之间的航程距离,结合具体应用背景,主要在约束搜索区域、航迹节点再调整等方面对传统A*算法进行优化;
第二步,多基地多无人机任务分配,设基地序列为P={P1,P2,P3,…Pn},基地数量为n;任务目标序列为T={T1,T2,T3,…Tm},任务数量为m;构建距离矩阵d[n][m],用于表示每个基地距离每一目标的A*距离;构建距离矩阵表示为q[m][m],用于表示任两个目标之间的A*距离;各基地无人机数量序列为U={U1,U2,U3,…Un},用于表示各个基地配置的无人机数量;
根据任务数量和分布情况,多无人机任务分配可以区分两种情况求解:①任务数量多、区域集中分布时,采用基于目标聚类的求解方法。该方法包括目标区域聚类、聚类目标分配、阵地内无人机任务分配等多个处理环节,可将较大规模的目标分配问题化繁为简、时效性和可扩展性好;②任务数量少、疏散分布时,采用基于深度遍历的求解方法。该方法适用于计算规模小、目标聚类初始参数难以确定等情况,简化了求解过程,直接采用深度遍历方法进行精确任务分配;
第三步,基地内单无人机时序任务分配,在多基地无人机任务分配方案中,若单个无人机分配了多项任务,则需进行单无人机多任务时序分配,单无人机时序任务分配,基于改进A*算法获得的预估距离矩阵,采用TSP旅行商模型求解。
4.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述第一步,改进A*算法设计时,按以下步骤进行:
(1)定代价函数,A*算法的代价函数表示为:f(n)=g(n)+h(n),n为当前节点,f(n)为起始点经节点n到目标点的代价函数,g(n)为从起始点到节点n的实际代价,h(n)为节点n到目标节点的估计代价;
g(n)为从起始点到节点n的实际代价函数,g(n)=ω1ln+ω2Jn+ω3zn,ln为航程代价,Jn为威胁代价,zn为高度代价,ω1,ω2和ω3分别表示航迹代价权值;其中要求航迹能够规避所有威胁区域,将威胁代价设为无穷大,令ω2=∞;在无人机实际巡航飞行过程中,设定无人机以固定高度巡飞,将三维空间航迹搜索问题简化为二维问题,令ω1=1,ω3=0;
(2)限定约束条件;考虑无人机的最大航程、最小轨迹段长度、最大转弯角等性能约束,为优化搜索空间、提高搜索速度,在启发式航迹搜索过程中,设定以下约束条件:
a.最大航程,单架无人机航迹搜索的总航程f应小于无人机的最大航程Lmax,f<Lmax;
b.最小轨迹段长度,受机动能力约束,无人机改变飞行方向前,需要沿原方向直飞一段距离,即最短直飞距离为hmin,在A*算法中,网格边长h为搜索步长,搜索步长应大于最小航迹段长度,h>hmin;
c.最大转弯角,在规划空间启发性搜索下一节点时,限定在扇形约束区域内搜索,而不是遍历每个相邻节点。最大转弯角θ对应于最小转弯半径Rmin,节点扩展角α在2θ范围内的扇形区域搜索,从而可减小搜索空间、加快搜索速度;
(3)航迹节点调整,在栅格化节点扩展过程中,节点扩展主要局限在栅格线的交叉点上,会导致部分航迹呈锯齿状,需将部分锯齿型折线航迹优化为直线。设无人机w初始航迹节点序列vw1[r],节点序列数量为r,则节点再调整过程为:
a.初始令j=r;
b.循环检查(vw1[i],vw1[j])之间的连线是否通过威胁区,i∈[1,...,j-1];若通过威胁区,令i=i+1;若不通过威胁区,令j=i,并将vw1[j]保存为再调整后的航迹节点;
c.重复上述循环,直至j=1,停止循环,生成再调整后的航迹序列vw2[l],调整后的节点序列数量为l;
(4)航迹搜索过程,在启发式搜索时,建立OPEN和CLOSE两个表,OPEN表用于存储已经计算但没有扩展的节点,CLOSE表用于存储已经扩展的节点;数据存储结构表示为{(xi,yi),fi,gi,hi,pi},(xi,yi)为节点的网格坐标,fi,gi,hi,pi分别为代价函数的变量值,pi代表当前节点的父节点,航迹搜索的主要流程表述为:
a.初始化;设置步长和障碍区域,初始化OPEN和CLOSE表,将起点放入OPEN表中作为当前节点;
b.节点扩展与存储;当前节点的相邻节点,若满足约束条件且不在当前OPEN和CLOSE表中,则将该有效节点加入OPEN表;将OPEN表中代价最小的节点A移到CLOSE表;判断节点A是否为终点,若是终点则退出节点搜索,若不是终点则继续节点扩展;从CLOSE表中提取初始航迹节点序列vw1[r],将终点的代价函数值作为预估航程;
c.航迹节点调整,初始设vw1[r]中的初始航迹起点为调整起点,初始航迹终点作为调整中继点;从调整起点开始,依次判断vw1[r]中各航迹点与调整中继点的连线是否经过障碍区;若调整起点与调整中继点连线通过障碍,则将当前调整起点的下一点更新为调整起点,继续判断是否通过障碍;若调整起点与调整中继点连线不通过障碍,将当前调整中继点保存为航迹调整后的一个航程点,并将当前调整起点更新为调整中继点,继续循环判断;直至当前调整中继点为起点,停止循环,综合各个调整中继点构建出调整后的航迹序列vw2[l]。
5.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述第二步,当任务数量多、区域集中分布时,采用基于目标聚类的求解方法,按以下步骤进行:
基于目标聚类的求解方法包括三个处理环节:目标区域聚类、聚类目标分配、基地内多无人机任务分配;目标区域聚类,是实现目标按地理分布集聚特性进行区域聚类;聚类目标分配,是实现将各个聚类目标区域分配给距离最近的无人机基地;基地内多无人机任务分配,是实现无人机基地内多架无人机的目标分配;
通过改进K-means聚类目标聚类,将多基地无人机多任务分配问题进行聚类分析,实现了目标区域聚类、聚类目标分配等功能,将目标按地理分布分成任务区域、并将任务区域分配给距离最近的无人机基地;
在初始聚类中心选取、应用A*算法预估距离、添加任务总航程约束、确定聚类目标对应基地等方面,对传统K-means聚类算法进行改进;改进K-means聚类算法的处理流程,具体表述为:
a.目标聚类初始化,选取K个位置分散的目标点为初始聚类中心,根据GIS系统上各位置点的分布,选择K个相对分散的目标作为初始聚类中心点;
b.确定无人机基地与目标聚类的对应关系,将无人机基地分配给距离最近的聚类中心点;
c.循环目标聚类,基于航程代价进行判断,循环计算各目标点到各个聚类中心的距离,将每个目标划入其距离最近的目标区域类中;其中当随机选取一个聚类目标序列,其与对应基地之间总航程超过基地内所有无人机最大航程,则从该目标类中选择距离邻近目标簇中心最近的一个目标,将该目标加入邻近目标簇中;
d.更新目标聚类中心点,根据所有数据点的平均距离值计算区域质心位置,将聚类中心调整至各区域类的中心目标点;
e.重复b、c和d,直至聚类中心不再变化或达到最大的迭代次数;
单个基地内的任务分配,若单架无人机能够完成,则优先使用单无人机执行;若单架次无人机无法完成所有任务,则需要结合执行任务的总航程和单机的最大航程,估算出所需的无人机数量k,进而按照无人机数量采聚类方法再次进行任务分配。
6.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述第二步,当任务数量少、疏散分布时,采用基于深度遍历的求解方法,按以下步骤进行:
当任务数量少、疏散分布时,通常计算规模较小,可直接直接根据A*算法预估距离,采用深度遍历方法进行精确任务分配;为每个基地分配距离最近的目标,目标函数Z表示为dij为无人机i到目标j的A*距离;约束条件包括:①最大航程约束,单个基地的无人机执行多任务的总航程不能超出其最大航程Lmax;②任务约束,每个基地一架无人机参与任务,每个目标至少有一架无人机去执行任务,深度遍历精确求解的流程表述为:
a.按照目标序列T的编号,根据目标函数Z,从第一个目标开始依次循环;对比目标与每个无人机基地的距离,选择出距离当前目标最近的无人机基地;依次循环比较,最终确定与目标序列T对应的无人机基地序列,设为H={H1,H2,H3,…Hm};
b.结合序列T和H的对应关系,为每架无人机分配任务,获得第w架无人机对应的任务分组为hw[k]。
7.根据权利要求3所述的一种分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述第三步,基地内单无人机时序任务分配的TSP旅行商模型求解时,按以下步骤进行:
采用A*算法估算出无人机起飞点、多个任务目标点之间的距离,对于第w架无人机,其对应的任务分组为hw[k],构建出A*距离矩阵表示为pw[k][k],k为第w架无人机的对应任务数,起点和终点为无人机基地,1、2至k代表目标序号,目标函数R表示为:hij为无人机从目标i到目标j的A*距离,cij∈{0,1}为决策变量。
若时序任务分配规模较小,采用深度遍历法,循环比较任何一种可能方案,准确获得最优解,若时序任务分配规模较大,精确算法求解计算量过大,则采用遗传算法,基于遗传算法求解的主要处理流程表述为:
a.初始化,初始设置种群规模、个体长度、迭代次数、交叉和变异概率等;单个染色体为目标编号序列,长度为k;
b.初始种群,随机产生目标序列的初始群体;
c.遗传操作,选择操作,依据目标函数R计算适应度值,根据适应度值选择染色体,采取轮盘赌的方法选择,适应度值越大则被选中的概率越大;交叉操作,采用置换交叉方式,两个父体上随机选取一段基因片段交换;变异操作,在一条染色体上两个基因以一定概率交换并产生新的个体;
d.择优操作,综合父群体和子群体选取优秀个体,淘汰适应度差的个体,若最优个体不满足要求或未达到迭代次数,则继续进行选择、交叉、变异操作;否则,停止循环;最终生成最优任务编号序列;第w架无人机的时序目标序列表示为uw[k],k为时序任务数量。
8.根据权利要求1所述的分阶段多基地无人机任务分配和航迹规划方法,其特征在于,所述步骤S3中,航迹规划按以下步骤进行:
第一步,航迹寻优,基于多无人机任务分配和单机时序任务分配的分配方案,依据每架无人机的任务序列,分别基于改进A*算法,进行航迹规划;
无人机w的起点、时序序列uw[k]中的各任务点、无人机w的回收点构成航迹点序列,从起点开始,依次将航迹序列中的两个连续时序节点作为A*搜索的起止点,获得各连续节点之间的初始航迹序列vw1[r]、及调整后航迹序列vw2[l];任意两个时序连续节点间的vw2[l],组合在一起最终构成第w架无人机的总航迹vw3[q],总航迹点数量为q;
将无人机的航迹点vw3[q],进行地理坐标转换,绘制在地理信息系统上,可得到无人机航迹图,依次绘制每架无人机的航迹点,得到多基地多无人机的航迹规划图;
第二步,航迹平滑,航迹寻优绘制的航迹为折线图,不符合实际航迹,需要将折线航迹转换为平滑曲线,得出满足飞行约束的航迹曲线,基于A*航迹寻优的获得的航迹控制点为Pi(i=0,1,…,n),采用三次样条曲线进行平滑处理,每段曲线由连续相邻的4个航迹控制点确定;并在vw3[q]的各个航迹点附近增加控制点,进而再执行曲线平滑操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854920.XA CN113671985A (zh) | 2021-07-28 | 2021-07-28 | 一种分阶段多基地无人机任务分配和航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110854920.XA CN113671985A (zh) | 2021-07-28 | 2021-07-28 | 一种分阶段多基地无人机任务分配和航迹规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113671985A true CN113671985A (zh) | 2021-11-19 |
Family
ID=78540337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110854920.XA Pending CN113671985A (zh) | 2021-07-28 | 2021-07-28 | 一种分阶段多基地无人机任务分配和航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113671985A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201925A (zh) * | 2022-02-17 | 2022-03-18 | 佛山科学技术学院 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
CN114740883A (zh) * | 2022-03-09 | 2022-07-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种协同点侦察任务规划跨层联合优化方法 |
CN114740898A (zh) * | 2022-05-27 | 2022-07-12 | 北京航空航天大学 | 一种基于自由空间与a*算法的三维航迹规划方法 |
CN114740899A (zh) * | 2022-06-08 | 2022-07-12 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种网格化空域分配与协同搜索规划方法 |
CN115329595A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN115879603A (zh) * | 2022-11-17 | 2023-03-31 | 武汉大学 | 一种面向多目标点的多无人机协同数据采集方法及装置 |
CN116070882A (zh) * | 2023-03-21 | 2023-05-05 | 深圳大学 | 时序约束下基于边际成本的多机器人协同任务分配方法 |
CN117251748A (zh) * | 2023-10-10 | 2023-12-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
CN117572894A (zh) * | 2024-01-16 | 2024-02-20 | 中国人民解放军陆军航空兵学院 | 一种无人机指定区域内按时到达航线规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100163621A1 (en) * | 2006-01-11 | 2010-07-01 | Carmel-Haifa University Economic Corporation Ltd. | Uav decision and control system |
CN104410109A (zh) * | 2014-12-02 | 2015-03-11 | 大连理工大学 | 一种富水电地区窝电分析及上网电量动态调整方法 |
CN108196575A (zh) * | 2018-01-05 | 2018-06-22 | 湖北工业大学 | 一种无人机任务分配及路线规划方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN110175172A (zh) * | 2019-05-22 | 2019-08-27 | 深圳大学 | 基于稀疏二分图的极大二分团并行枚举方法 |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN112733421A (zh) * | 2020-12-01 | 2021-04-30 | 南京航空航天大学 | 一种针对有人无人机协同对地作战的任务规划方法 |
-
2021
- 2021-07-28 CN CN202110854920.XA patent/CN113671985A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100163621A1 (en) * | 2006-01-11 | 2010-07-01 | Carmel-Haifa University Economic Corporation Ltd. | Uav decision and control system |
CN104410109A (zh) * | 2014-12-02 | 2015-03-11 | 大连理工大学 | 一种富水电地区窝电分析及上网电量动态调整方法 |
CN108196575A (zh) * | 2018-01-05 | 2018-06-22 | 湖北工业大学 | 一种无人机任务分配及路线规划方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN110264026A (zh) * | 2019-04-22 | 2019-09-20 | 北京邮电大学 | 地震救援中基于两级规划的救援飞机在线任务分配方法 |
CN110175172A (zh) * | 2019-05-22 | 2019-08-27 | 深圳大学 | 基于稀疏二分图的极大二分团并行枚举方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
CN112733421A (zh) * | 2020-12-01 | 2021-04-30 | 南京航空航天大学 | 一种针对有人无人机协同对地作战的任务规划方法 |
Non-Patent Citations (4)
Title |
---|
刘志阳 等: "无人机多目标侦察航迹规划方法", 电光与控制, no. 08, pages 49 - 53 * |
潘楠 等: "多基地多目标无人机协同任务规划算法研究", 现代防御技术, vol. 49, no. 2, pages 49 - 56 * |
郑锴 等: "基于改进 A* 算法的无人机任务分配和航迹规划优化方法", 电光与控制, vol. 29, no. 10, pages 7 - 11 * |
齐乃明 等: "航迹预测的多无人机任务规划方法", 哈尔滨工业大学学报, no. 04, pages 32 - 36 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201925A (zh) * | 2022-02-17 | 2022-03-18 | 佛山科学技术学院 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
CN114740883A (zh) * | 2022-03-09 | 2022-07-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种协同点侦察任务规划跨层联合优化方法 |
CN114740898B (zh) * | 2022-05-27 | 2024-06-07 | 北京航空航天大学 | 一种基于自由空间与a*算法的三维航迹规划方法 |
CN114740898A (zh) * | 2022-05-27 | 2022-07-12 | 北京航空航天大学 | 一种基于自由空间与a*算法的三维航迹规划方法 |
CN114740899A (zh) * | 2022-06-08 | 2022-07-12 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种网格化空域分配与协同搜索规划方法 |
CN115329595A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN115879603A (zh) * | 2022-11-17 | 2023-03-31 | 武汉大学 | 一种面向多目标点的多无人机协同数据采集方法及装置 |
CN115879603B (zh) * | 2022-11-17 | 2024-05-14 | 武汉大学 | 一种面向多目标点的多无人机协同数据采集方法及装置 |
CN116070882B (zh) * | 2023-03-21 | 2023-06-02 | 深圳大学 | 时序约束下基于边际成本的多机器人协同任务分配方法 |
CN116070882A (zh) * | 2023-03-21 | 2023-05-05 | 深圳大学 | 时序约束下基于边际成本的多机器人协同任务分配方法 |
CN117251748A (zh) * | 2023-10-10 | 2023-12-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
CN117251748B (zh) * | 2023-10-10 | 2024-04-19 | 中国船舶集团有限公司第七〇九研究所 | 一种基于历史规律挖掘的航迹预测方法、设备及存储介质 |
CN117572894A (zh) * | 2024-01-16 | 2024-02-20 | 中国人民解放军陆军航空兵学院 | 一种无人机指定区域内按时到达航线规划方法 |
CN117572894B (zh) * | 2024-01-16 | 2024-03-22 | 中国人民解放军陆军航空兵学院 | 一种无人机指定区域内按时到达航线规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113671985A (zh) | 一种分阶段多基地无人机任务分配和航迹规划方法 | |
Zhu et al. | Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding | |
US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
CN109506655B (zh) | 基于非均匀建模的改进蚁群路径规划算法 | |
CN111562785B (zh) | 一种群集机器人协同覆盖的路径规划方法及系统 | |
CN112731967B (zh) | 一种基于聚类和遗传算法的多无人机协同任务规划方法 | |
CN111915932A (zh) | 一种多目标约束的低空无人机航路规划设计方法 | |
Yuan et al. | A cooperative approach for multi-robot area exploration | |
CN112925350B (zh) | 一种多无人机分布式协同目标搜索方法 | |
CN113313957B (zh) | 基于增强型Dijkstra算法的无信号灯交叉路口车辆调度方法 | |
CN108801266A (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN111132014A (zh) | 一种基于无人机移动信标的无线传感器网络节点定位方法 | |
CN115202394A (zh) | 一种基于改进遗传算法的无人机全覆盖路径规划方法 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN115730700A (zh) | 基于参考点的自适应多目标任务规划方法、系统和设备 | |
Yang et al. | A novel urban emergency path planning method based on vector grid map | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN113867358A (zh) | 多无人车协同遍历任务的智能路径规划方法 | |
CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
CN112229409B (zh) | 基于贝叶斯和进化算法的无人机协同航迹规划方法 | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region | |
Song et al. | A novel path planning algorithm for ships in dynamic current environments | |
CN114777788A (zh) | 基于路径搜索及智能优化的航路规划方法、设备及介质 | |
Bai et al. | Task assignment for robots with limited communication |
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 |