CN114139776B - 一种基于认知图谱的深空探测任务规划方法及系统 - Google Patents
一种基于认知图谱的深空探测任务规划方法及系统 Download PDFInfo
- Publication number
- CN114139776B CN114139776B CN202111346884.2A CN202111346884A CN114139776B CN 114139776 B CN114139776 B CN 114139776B CN 202111346884 A CN202111346884 A CN 202111346884A CN 114139776 B CN114139776 B CN 114139776B
- Authority
- CN
- China
- Prior art keywords
- deep space
- chain
- omega
- deep
- state
- 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
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000009471 action Effects 0.000 claims abstract description 101
- 238000013480 data collection Methods 0.000 claims abstract description 11
- 230000008520 organization Effects 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims description 62
- 239000000523 sample Substances 0.000 claims description 54
- 238000012216 screening Methods 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于认知图谱的深空探测任务规划方法及系统,方法包括:数据收集步骤;数据组织步骤;第一确定步骤;第二确定步骤;第三确定步骤。本发明为深空探测器提供由结构化数据组成的领域知识,从而让深空探测器能够更方便地根据特定的业务需求针对数据进行操作;能够将深空探测航天器的小行星附着任务的元动作、状态作为知识存储,同时知识也具备快速调用的优势,能为后续步骤快速迭代规划奠定基础;知识图谱节点之间存在的相关性,使得深空探测航天器的多个包含电源系统、通信系统、姿态系统、拍摄系统等子系统的智能体具备一定的推理能力,增强自主性;通过多条链转变成知识图谱的表达形式将深空探测任务规划领域中抽象的任务具体化。
Description
技术领域
本发明涉及一种基于认知图谱的深空探测任务规划方法及系统,属于航天深空探测领域。
背景技术
深空探测是人类对深空环境和天体开展的探测活动,也是人类探索宇宙获取更多科学认知的重要手段。由于深空探测器距离地球远、所处环境复杂、先验经验少,同时考虑因时延及星体遮挡等不可控因素所造成的通信滞后问题,通过地面测控站的遥测和遥控对探测器控制的方法难以满足任务执行过程中的实时性和安全性等要求。随着深空探测活动的深入以及探测手段的进步,在地外目标天体高科学价值区域开展原位探测和采样返回成为未来行星探测的重要发展方向。深空探测任务愈发复杂,控制难度加大,自主技术已经逐渐成为深空探测领域未来发展的重要方向,其中让深空探测器能够自主进行任务规划是实现深空探测器自主运行的关键技术之一。
智能算法为研究深空探测器自主任务规划提供了新的解决方案,推进了这一领域的研究发展,然而自动任务规划问题的求解能力取决于有效的知识表达和高效的逻辑推理。深空探测任务是多个子系统并行的复杂实时任务,并且严格受限于时间和资源等复杂条件。任务规划的目标不仅是为探测器在一段时间内的活动序列做出好的决策,同时还必须满足时序交互和资源调度等多方面的约束。因此如何表达深空探测器多任务协同中的实时性规则和一致性约束知识是自主任务规划的重要基础,也是目前深空探测任务规划系统实现自主智能的瓶颈。
发明内容
本发明提供了一种基于认知图谱的深空探测任务规划方法及系统,实现了深空探测任务的路线规划。
本发明的技术方案是:一种基于认知图谱的深空探测任务规划方法,包括:数据收集步骤,收集深空探测器的状态集合,深空探测器元动作集合;数据组织步骤,组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;第一确定步骤,确定深空探测器状态存在约束并缩减解空间;第二确定步骤,确定资源约束并进一步缩减第一确定步骤获得的解空间;第三确定步骤,确定深空探测任务目标业务要求并筛选最优解。
所述数据收集具体为:
3)深空探测器的状态集合
深空探测器内包含多个子系统μ1,…μm;每个子系统包含若干状态,第i个子系统的所有状态表示为si1,…,sin;深空探测器m个子系统的所有的状态构成集合S;
集合S中任意状态sij包含第i个子系统第j个状态的状态名称αij、状态所属子系统名称μi以及到达该状态的时间戳ξij,记为:sij=(αij,μi,ξij);
其中,i=1,2,...,m;m表示子系统总数,m≥1且m为正整数;n≥2且n为正整数;j≥2且j为正整数;
4)深空探测器元动作集合
每个子系统具有不同深空探测器的元动作,第i个子系统的所有的深空探测器的元动作表示为mai1,...,maio;深空探测器m个子系统的所有的元动作构成集合MA;
集合MA中任意深空探测器元动作maiu包含第i个子系统第u个元动作的名称βiu、执行该深空探测器元动作所需要消耗的资源riu以及执行该深空探测器元动作所需要消耗的时间tiu,记为:maiu=(βiu,riu,tiu);
其中,o≥1且o为正整数;u=1,...,o;消耗的资源riu包括可再生资源rciu与不可再生资源ruiu。
所述数据组织具体为:
针对若干已知的深空探测任务目标,根据深空探测器实现每个目标的任务执行过程组织深空探测器状态与深空探测器元动作的顺序,使深空探测器状态与深空探测器元动作构成链;
将链整理为若干三元组,三元组中的三个元素从左到右依次代表深空探测器的当前状态、深空探测器元动作与深空探测器的下一个状态,形如<sAp,maAy,sBq>;所有的三元组构成集合SPO;其中,A,p,y,B≥1且为正整数,q≥2且为正整数;maAy表示第A个子系统的第y个元动作,sAp示第A个子系统的第p个状态,sBq示第B个子系统的第q个状态;
将三元组采用认知图谱进行表达,将深空探测器状态视为深空探测任务规划领域认知图谱的节点,将深空探测器元动作视为深空探测任务规划领域认知图谱的边。
所述确定深空探测器状态存在约束并缩减解空间,具体为:
针对待探索的深空探测任务目标,在深空探测任务规划领域认知图谱内,根据待探索的深空探测任务目标指定的状态起点、状态终点与必须执行的深空探测器状态,并以深空探测器状态之间是否存在深空探测器元动作进行搜索,得出深空探测任务规划序列,构成可行解集合作为第一次缩减后的解空间Ω′;
其中,深空探测任务规划序列即为深空探测任务目标的解,该解为S2构建的深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链,记为:ω1,…,ωh,所有的链构成集合Ω′,记为深空探测任务规划的解空间;其中,h≥1且为正整数,ωh表示第h条链。
所述确定资源约束并进一步缩减解空间,具体为:
遍历第一确定步骤获得的解空间集合的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωk,都执行以下两个操作:
操作一:将ωk中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第k条链消耗的不可再生资源量总和RUk总,并与深空探测器能够携带的最大不可再生资源量RUk总进行比较:若RUk总<RUmax,则该链ωk保留;否则,将链ωk删除;
操作二:将ωk中所有深空探测器元动作消耗的可再生资源量进行求和,得到第k条链消耗的可再生资源量总和RCk总,并加上深空探测器可再生资源阈值Rsafe,得到RCk总+Rsafe,将其与深空探测器能够携带的最大可再生资源量RCmax进行比较:若RCk总+Rsafe<RCmax,则该链ωk保留;否则,将链ωk删除;
如果上述两个操作的结果都为保留,则链ωk保留;否则,将链ωk删除;
遍历结束后,得到第二次缩减后的解空间Ω”;
其中,深空探测器能够携带的最大资源量记为Rmax,包含最大可再生资源量RCmax与最大不可再生资源量RUmax;ωk∈Ω′,k=1,...,h。
所述确定深空探测任务目标业务要求并筛选最优解,具体为:
遍历第二确定步骤获得的缩减后的解空间的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωv,ωv∈Ω”,v表示解空间Ω”中的第v条链;建立筛选指标,根据深空探测任务目标业务要求的不同,选择指标对链进行优化。
所述指标包括:
指标一:将ωv中所有深空探测器元动作消耗的时间进行求和,得到Tv总;
指标二:统计ωv中所有深空探测器元动作的数量,得到ma_countv;
指标三:统计ωv中所有深空探测器状态的数量,得到s_countv;
指标四:将ωv中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第v条链消耗的不可再生资源量总和RUv总,并与最大携带不可再生资源量RUmax相减,得到不可再生资源剩余量RUv总-RUmax;
指标五:将ωv中所有深空探测器元动作消耗的可再生资源量进行求和,得到第v条链消耗的可再生资源量总和RCv总,并与最大携带可再生资源量RCmax相减,得到可再生资源剩余量RCv总-RCmax;
其中,指标一、指标二、指标三作为第一类指标,指标四、指标五作为第二类指标;根据深空探测任务目标业务要求的不同,选择第一类指标或第二类指标进行链的筛选;选择第一类指标时,选择三个指标中的任意一个;选择第二类指标时,选择二个指标中的任意一个。
如果选择了第一类指标,则对Ω”中所有的链的第一类指标进行统计,选择指标值最小的链保留;其余删除;如果最小的指标存在多个,则随机选择最小的指标中的一个所代表的链进行保留,其余删除;或者,
如果选择了第二类指标,则对Ω”中所有的链的第二类指标进行统计,选择指标值最大的链保留;其余删除;如果最大的指标存在多个,则随机选择最大的指标中的一个所代表的链进行保留,其余删除。
根据本发明的另一方面,还提供了一种基于认知图谱的深空探测任务规划系统,包括:数据收集单元,用于收集深空探测器的状态集合,深空探测器元动作集合;数据组织单元,用于组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;第一确定单元,用于确定深空探测器状态存在约束并缩减解空间;第二确定单元,用于确定资源约束并进一步缩减第一确定单元获得的解空间;第三确定单元,用于确定深空探测任务目标业务要求并筛选最优解。
根据本发明的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于认知图谱的深空探测任务规划方法。
本发明的有益效果是:将复杂的任务数据变为简单且可拓展的知识图谱节点和边;为深空探测器提供由结构化数据组成的领域知识,从而让深空探测器能够更方便地根据特定的业务需求针对数据进行操作;能够将深空探测航天器的小行星附着任务的元动作、状态作为知识存储,同时知识也具备快速调用的优势,能为后续步骤快速迭代规划奠定基础;知识图谱节点之间存在的相关性,使得深空探测航天器的多个包含电源系统、通信系统、姿态系统、拍摄系统等子系统的智能体具备一定的推理能力,增强自主性;通过多条链转变成知识图谱的表达形式将深空探测任务规划领域中抽象的任务具体化。
附图说明
图1是一种基于认知图谱的深空探测任务规划方法流程图;
图2是S2中构建的深空探测任务规划领域认知图谱;
图3是S3中搜索出来的深空探测任务规划链A;
图4是S3中搜索出来的深空探测任务规划链B;
图5为基于认知图谱获取的非可行链。
具体实施方式
下面结合附图和实施例,对发明作进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-4所示,一种基于认知图谱的深空探测任务规划方法,包括:数据收集步骤,收集深空探测器的状态集合,深空探测器元动作集合;数据组织步骤,组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;第一确定步骤,确定深空探测器状态存在约束并缩减解空间;第二确定步骤,确定资源约束并进一步缩减第一确定步骤获得的解空间;第三确定步骤,确定深空探测任务目标业务要求并筛选最优解。
进一步地,可以设置如下具体实施步骤:
本实施案例将以深空探测器的拍摄任务为例;规定本实施案例的解空间中在满足所有约束的前提下,时间最短的深空探测任务规划序列为最优序列;消耗的资源中,可再生资源包括电量与存储空间,不可再生资源为燃料。
S1:数据收集
1)深空探测器的状态集合
收集所有有关深空探测任务规划相关的报告,整理出所有与深空探测器相关的状态;深空探测器内包含多个子系统μ1,…μm;每个子系统包含若干状态,第i个子系统的所有状态表示为si1,…,sin;深空探测器m个子系统的所有的状态构成集合S;
集合S中任意状态sij包含第i个子系统第j个状态的状态名称αij、状态所属子系统名称μi以及到达该状态的时间戳ξij,记为:sij=(αij,μi,ξij);
其中,i=1,2,...,m;m表示子系统总数,m≥1且m为正整数;n≥2且n为正整数;j≥2且j为正整数;
部分深空探测器状态如表1所示。
表1部分深空探测器状态
2)深空探测器元动作
深空探测器元动作表示深空探测器能够执行的、不可再分割的原子动作;每个子系统具有不同深空探测器的元动作,第i个子系统的所有的深空探测器的元动作表示为mai1,...,maio;深空探测器m个子系统的所有的元动作构成集合MA;
集合MA中任意深空探测器元动作maiu包含第i个子系统第u个元动作的名称βiu、执行该深空探测器元动作所需要消耗的资源riu以及执行该深空探测器元动作所需要消耗的时间tiu,记为:maiu=(βiu,riu,tiu);
其中,o≥1且o为正整数,u=1,...,o;消耗的资源riu包括可再生资源rciu与不可再生资源ruiu;部分深空探测器元动作如表2所示;
表2部分深空探测器元动作所消耗的部分可再生资源与部分不可再生资源
S2:组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱
针对若干已知的深空探测任务目标,根据深空探测器实现每个目标的任务执行过程组织深空探测器状态与深空探测器元动作的顺序,使深空探测器状态与深空探测器元动作构成链,形如状态1,元动作1,状态2,元动作2,状态3……;使用S1中列举出来的深空探测器状态与深空探测器元动作可以表示为:休眠状态,开机,通常状态,展开电池板……;
将链整理为若干三元组,三元组中的三个元素从左到右依次代表深空探测器的当前状态、深空探测器元动作与深空探测器的下一个状态,形如<sAp,maAy,sBq>;所有的三元组构成集合SPO;A,p,y,B≥1且为正整数,q≥2且为正整数;使用S1中列举出来的深空探测器状态与深空探测器元动作可以表示为<休眠状态,开机,通常状态>;
将三元组采用认知图谱进行表达,将深空探测器状态视为深空探测任务规划领域认知图谱的节点,将深空探测器元动作视为深空探测任务规划领域认知图谱的边;通过认知图谱形成可视化的节点、边的图,更利于人机交互;再者,当已知的深空探测任务目标越来越多时,该认知图谱可以进行更新;
S3:确定深空探测器状态存在约束并缩减解空间
针对待探索的深空探测任务目标,在S2得出的深空探测任务规划领域认知图谱内,根据待探索的深空探测任务目标指定的状态起点、状态终点与必须执行的深空探测器状态,并以深空探测器状态之间是否存在深空探测器元动作进行搜索,得出深空探测任务规划序列,构成可行解集合作为第一次缩减后的解空间Ω′;从而实现第一次缩减解空间的大小;
其中,深空探测任务规划序列即为深空探测任务目标的解,该解为S2构建的深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链,记为:ω1,…,ωh,所有的链构成集合Ω′,记为深空探测任务规划的解空间;其中,h≥1且为正整数,ωh表示第h条链;
对于状态起点、状态终点、必须执行的深空探测器状态为待探索的深空探测任务目标中制定的,通过外部输入获取;对于待探索的深空探测任务目标一般可以通过专业人员进行制定,针对该制定的任务目标能更加符合实际所需要,同时能够减少搜索的复杂度;
对于本实施案例的拍摄任务,必须包含在内的若干特定深空探测器状态可以用集合表示为{拍摄状态(拍摄子系统),就绪状态(姿态子系统)};在S2中得出的深空探测任务规划领域认知图谱内,通过外部输入的起点与终点在认知图谱中搜索路径,构成深空探测自主任务规划问题的解空间Ω′;从而实现第一次缩减解空间的大小;
根据本实施案例的筛选,结果将包含两种可能性,分别如图3、图4所示,分别记为深空探测任务规划链A、链B。故可行解集合Ω′仅包含深空探测任务规划序列由链A、链B。其中,图5展示的是一条非可行链,图5并不包含就绪状态(姿态子系统)。
S4:确定资源约束并进一步缩减解空间
设定本案例中将会使用到的资源约束如表3所示。
表3实施案例中深空探测器能够携带的最大资源量
资源名称 | 资源类别 | 表达式 | 值 |
最大存储空间 | 可再生 | cmax | 700 |
最大电量 | 可再生 | emax | 2000 |
最大燃料 | 不可再生 | fmax | 800 |
遍历S3中可行解集合的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωk,都执行以下两个操作:
操作一:将ωk中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第k条链消耗的不可再生资源量总和RUk总,并与深空探测器能够携带的最大不可再生资源量RUk总进行比较:若RUk总<RUmax,则该链ωk保留;否则,将链ωk删除;
操作二:将ωk中所有深空探测器元动作消耗的可再生资源量进行求和,得到第k条链消耗的可再生资源量总和RCk总,并加上深空探测器可再生资源阈值Rsafe,得到RCk总+Rsafe,将其与深空探测器能够携带的最大可再生资源量RCmax进行比较:若RCk总+Rsafe<RCmax,则该链ωk保留;否则,将链ωk删除;上述表3中给出了两种可再生资源,则操作二根据不同的可再生资源分别进行该操作;
如果上述两个操作的结果都为保留,则链ωk保留;否则,将链ωk删除;
遍历结束后,得到第二次缩减后的解空间Ω”;
其中,深空探测器能够携带的最大资源量记为Rmax,包含最大可再生资源量RCmax与最大不可再生资源量RUmax;ωk∈Ω′;
Rsafe表示为了保证深空探测器能够在可再生资源量不足以支撑下一个深空探测器元动作的执行时,深空探测器能够启动可再生资源补充程序需要的最低可再生资源量;通过设置该阈值,可以确保执行的结果更符合实际所需;
遍历结束后,得到进一步缩减的解空间Ω”。根据本实施案例的元动作的消耗量,规划结果链A、B的资源消耗量如表4所示。
表4三种深空探测自主任务规划序列中链的对比
S5:确定深空探测任务目标业务要求并筛选最优解
遍历S4获得的第二次缩减后的解空间的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωv,ωv∈Ω”;建立筛选指标,根据深空探测任务目标业务要求的不同,选择指标对链进行优化。
所述指标包括:
指标一:将ωv中所有深空探测器元动作消耗的时间进行求和,得到Tv总;
指标二:统计ωv中所有深空探测器元动作的数量,得到ma_countv;
指标三:统计ωv中所有深空探测器状态的数量,得到s_countv;
指标四:将ωv中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第v条链消耗的不可再生资源量总和RUv总,并与最大携带不可再生资源量RUmax相减,得到不可再生资源剩余量RUv总-RCmax;
指标五:将ωv中所有深空探测器元动作消耗的可再生资源量进行求和,得到第v条链消耗的可再生资源量总和RCv总,并与最大携带可再生资源量RCmax相减,得到可再生资源剩余量RCv总-RCmax;
其中,指标一、指标二、指标三作为第一类指标,指标四、指标五作为第二类指标;根据深空探测任务目标业务要求的不同,选择第一类指标或第二类指标进行链的筛选;选择第一类指标时,选择三个指标中的任意一个;选择第二类指标时,选择二个指标中的任意一个。
如果选择了第一类指标,则对Ω”中所有的链的第一类指标进行统计,选择指标值最小的链保留;其余删除;如果最小的指标存在多个,则随机选择最小的指标中的一个所代表的链进行保留,其余删除;或者,
如果选择了第二类指标,则对Ω”中所有的链的第二类指标进行统计,选择指标值最大的链保留;其余删除;如果最大的指标存在多个,则随机选择最大的指标中的一个所代表的链进行保留,其余删除。
S6:根据S5的选择,输出最优深空探测自主任务规划序列
针对本实施案例,时间最短的深空探测任务规划序列将会是最优序列。故使用第一类指标中的指标一,选择Tv总最小的序列,即规划结果链A。所以本案例的最有深空探测自主任务规划序列的输出结果为规划结果链A。
根据本发明的另一方面,还提供了一种基于认知图谱的深空探测任务规划系统,包括:
数据收集单元,用于收集深空探测器的状态集合,深空探测器元动作集合;
数据组织单元,用于组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;
第一确定单元,用于确定深空探测器状态存在约束并缩减解空间;
第二确定单元,用于确定资源约束并进一步缩减第一确定步骤获得的解空间;
第三确定单元,用于确定深空探测任务目标业务要求并筛选最优解。
根据本发明的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的基于认知图谱的深空探测任务规划方法。
所述运行程序通过存储介质存储,该程序被处理器执行时实现一种基于认知图谱的深空探测任务规划方法,
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或处理器。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种基于认知图谱的深空探测任务规划方法,其特征在于:包括:
数据收集步骤,收集深空探测器的状态集合,深空探测器元动作集合;
数据组织步骤,组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;
第一确定步骤,确定深空探测器状态存在约束并缩减解空间;
第二确定步骤,确定资源约束并进一步缩减第一确定步骤获得的解空间;
第三确定步骤,确定深空探测任务目标业务要求并筛选最优解;
所述数据收集具体为:
1)深空探测器的状态集合
深空探测器内包含多个子系统μ1,...μm;每个子系统包含若干状态,第i个子系统的所有状态表示为si1,...,sin;深空探测器m个子系统的所有的状态构成集合S;
集合S中任意状态sij包含第i个子系统第j个状态的状态名称αij、状态所属子系统名称μi以及到达该状态的时间戳ξij,记为:sij=(αij,μi,ξij);
其中,i=1,2,...,m;m表示子系统总数,m≥1且m为正整数;n≥2且n为正整数;j≥2且j为正整数;
2)深空探测器元动作集合
每个子系统具有不同深空探测器的元动作,第i个子系统的所有的深空探测器的元动作表示为mai1,...,maio;深空探测器m个子系统的所有的元动作构成集合MA;
集合MA中任意深空探测器元动作maiu包含第i个子系统第u个元动作的名称βiu、执行该深空探测器元动作所需要消耗的资源riu以及执行该深空探测器元动作所需要消耗的时间tiu,记为:maiu=(βiu,riu,tiu);
其中,o≥1且o为正整数;u=1,...,o;消耗的资源riu包括可再生资源rciu与不可再生资源ruiu;
所述数据组织具体为:
针对若干已知的深空探测任务目标,根据深空探测器实现每个目标的任务执行过程组织深空探测器状态与深空探测器元动作的顺序,使深空探测器状态与深空探测器元动作构成链;
将链整理为若干三元组,三元组中的三个元素从左到右依次代表深空探测器的当前状态、深空探测器元动作与深空探测器的下一个状态,形如<sAp,maAy,sBq>;所有的三元组构成集合SPO;其中,A,p,y,B≥1且为正整数,q≥2且为正整数;maAy表示第A个子系统的第y个元动作,sAp示第A个子系统的第p个状态,sBq示第B个子系统的第q个状态;
将三元组采用认知图谱进行表达,将深空探测器状态视为深空探测任务规划领域认知图谱的节点,将深空探测器元动作视为深空探测任务规划领域认知图谱的边;
所述确定深空探测器状态存在约束并缩减解空间,具体为:
针对待探索的深空探测任务目标,在深空探测任务规划领域认知图谱内,根据待探索的深空探测任务目标指定的状态起点、状态终点与必须执行的深空探测器状态,并以深空探测器状态之间是否存在深空探测器元动作进行搜索,得出深空探测任务规划序列,构成可行解集合作为第一次缩减后的解空间Ω′;
其中,深空探测任务规划序列即为深空探测任务目标的解,该解为S2构建的深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链,记为:ω1,...,ωh,所有的链构成集合Ω′,记为深空探测任务规划的解空间;其中,h≥1且为正整数,ωh表示第h条链;
所述确定资源约束并进一步缩减解空间,具体为:
遍历第一确定步骤获得的解空间集合的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωk,都执行以下两个操作:
操作一:将ωk中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第k条链消耗的不可再生资源量总和RUk总,并与深空探测器能够携带的最大不可再生资源量RUk总进行比较:若RUk总<RUmax,则该链ωk保留;否则,将链ωk删除;
操作二:将ωk中所有深空探测器元动作消耗的可再生资源量进行求和,得到第k条链消耗的可再生资源量总和RCk总,并加上深空探测器可再生资源阈值Rsafe,得到RCk总+Rsafe,将其与深空探测器能够携带的最大可再生资源量RCmax进行比较:若RCk总+Rsafe<RCmax,则该链ωk保留;否则,将链ωk删除;
如果上述两个操作的结果都为保留,则链ωk保留;否则,将链ωk删除;
遍历结束后,得到第二次缩减后的解空间Ω″;
其中,深空探测器能够携带的最大资源量记为Rmax,包含最大可再生资源量RCmax与最大不可再生资源量RUmax;ωk∈Ω′,k=1,...,h;
所述确定深空探测任务目标业务要求并筛选最优解,具体为:
遍历第二确定步骤获得的缩减后的解空间的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωv,ωv∈Ω″,v表示解空间Ω″中的第v条链;建立筛选指标,根据深空探测任务目标业务要求的不同,选择指标对链进行优化。
2.根据权利要求1所述的基于认知图谱的深空探测任务规划方法,其特征在于:所述指标包括:
指标一:将ωv中所有深空探测器元动作消耗的时间进行求和,得到Tv总;
指标二:统计ωv中所有深空探测器元动作的数量,得到ma_countv;
指标三:统计ωv中所有深空探测器状态的数量,得到s_countv;
指标四:将ωv中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第v条链消耗的不可再生资源量总和RUv总,并与最大携带不可再生资源量RUmax相减,得到不可再生资源剩余量RUv总-RUmax;
指标五:将ωv中所有深空探测器元动作消耗的可再生资源量进行求和,得到第v条链消耗的可再生资源量总和RCv总,并与最大携带可再生资源量RCmax相减,得到可再生资源剩余量RCv总-RCmax;
其中,指标一、指标二、指标三作为第一类指标,指标四、指标五作为第二类指标;根据深空探测任务目标业务要求的不同,选择第一类指标或第二类指标进行链的筛选;选择第一类指标时,选择三个指标中的任意一个;选择第二类指标时,选择二个指标中的任意一个。
3.根据权利要求2所述的基于认知图谱的深空探测任务规划方法,其特征在于:如果选择了第一类指标,则对Ω″中所有的链的第一类指标进行统计,选择指标值最小的链保留;其余删除;如果最小的指标存在多个,则随机选择最小的指标中的一个所代表的链进行保留,其余删除;或者,
如果选择了第二类指标,则对Ω″中所有的链的第二类指标进行统计,选择指标值最大的链保留;其余删除;如果最大的指标存在多个,则随机选择最大的指标中的一个所代表的链进行保留,其余删除。
4.一种基于认知图谱的深空探测任务规划系统,其特征在于:包括:
数据收集单元,用于收集深空探测器的状态集合,深空探测器元动作集合;
数据组织单元,用于组织深空探测器状态与深空探测器元动作,构建深空探测任务规划领域认知图谱;
第一确定单元,用于确定深空探测器状态存在约束并缩减解空间;
第二确定单元,用于确定资源约束并进一步缩减第一确定单元获得的解空间;
第三确定单元,用于确定深空探测任务目标业务要求并筛选最优解;
所述数据收集具体为:
3)深空探测器的状态集合
深空探测器内包含多个子系统μ1,...μm;每个子系统包含若干状态,第i个子系统的所有状态表示为si1,...,sin;深空探测器m个子系统的所有的状态构成集合S;
集合S中任意状态sij包含第i个子系统第j个状态的状态名称αij、状态所属子系统名称μi以及到达该状态的时间戳ξij,记为:sij=(αij,μi,ξij);
其中,i=1,2,...,m;m表示子系统总数,m≥1且m为正整数;n≥2且n为正整数;j≥2且j为正整数;
4)深空探测器元动作集合
每个子系统具有不同深空探测器的元动作,第i个子系统的所有的深空探测器的元动作表示为mai1,...,maio;深空探测器m个子系统的所有的元动作构成集合MA;
集合MA中任意深空探测器元动作maiu包含第i个子系统第u个元动作的名称βiu、执行该深空探测器元动作所需要消耗的资源riu以及执行该深空探测器元动作所需要消耗的时间tiu,记为:maiu=(βiu,riu,tiu);
其中,o≥1且o为正整数;u=1,...,o;消耗的资源riu包括可再生资源rciu与不可再生资源ruiu;
所述数据组织具体为:
针对若干已知的深空探测任务目标,根据深空探测器实现每个目标的任务执行过程组织深空探测器状态与深空探测器元动作的顺序,使深空探测器状态与深空探测器元动作构成链;
将链整理为若干三元组,三元组中的三个元素从左到右依次代表深空探测器的当前状态、深空探测器元动作与深空探测器的下一个状态,形如<sAp,maAy,sBq>;所有的三元组构成集合SPO;其中,A,p,y,B≥1且为正整数,q≥2且为正整数;maAy表示第A个子系统的第y个元动作,sAp示第A个子系统的第p个状态,sBq示第B个子系统的第q个状态;
将三元组采用认知图谱进行表达,将深空探测器状态视为深空探测任务规划领域认知图谱的节点,将深空探测器元动作视为深空探测任务规划领域认知图谱的边;
所述确定深空探测器状态存在约束并缩减解空间,具体为:
针对待探索的深空探测任务目标,在深空探测任务规划领域认知图谱内,根据待探索的深空探测任务目标指定的状态起点、状态终点与必须执行的深空探测器状态,并以深空探测器状态之间是否存在深空探测器元动作进行搜索,得出深空探测任务规划序列,构成可行解集合作为第一次缩减后的解空间Ω′;
其中,深空探测任务规划序列即为深空探测任务目标的解,该解为S2构建的深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链,记为:ω1,...,ωh,所有的链构成集合Ω′,记为深空探测任务规划的解空间;其中,h≥1且为正整数,ωh表示第h条链;
所述确定资源约束并进一步缩减解空间,具体为:
遍历第一确定步骤获得的解空间集合的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωk,都执行以下两个操作:
操作一:将ωk中所有深空探测器元动作消耗的不可再生资源量进行求和,得到第k条链消耗的不可再生资源量总和RUk总,并与深空探测器能够携带的最大不可再生资源量RUk总进行比较:若RUk总<RUmax,则该链ωk保留;否则,将链ωk删除;
操作二:将ωk中所有深空探测器元动作消耗的可再生资源量进行求和,得到第k条链消耗的可再生资源量总和RCk总,并加上深空探测器可再生资源阈值Rsafe,得到RCk总+Rsafe,将其与深空探测器能够携带的最大可再生资源量RCmax进行比较:若RCk总+Rsafe<RCmax,则该链ωk保留;否则,将链ωk删除;
如果上述两个操作的结果都为保留,则链ωk保留;否则,将链ωk删除;
遍历结束后,得到第二次缩减后的解空间Ω″;
其中,深空探测器能够携带的最大资源量记为Rmax,包含最大可再生资源量RCmax与最大不可再生资源量RUmax;ωk∈Ω′,k=1,...,h;
所述确定深空探测任务目标业务要求并筛选最优解,具体为:
遍历第二确定步骤获得的缩减后的解空间的每一项深空探测任务规划领域认知图谱中搜索出来的若干深空探测器状态与深空探测器元动作相连的链ωv,ωv∈Ω″,v表示解空间Ω″中的第v条链;建立筛选指标,根据深空探测任务目标业务要求的不同,选择指标对链进行优化。
5.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至3中任意一项所述的基于认知图谱的深空探测任务规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346884.2A CN114139776B (zh) | 2021-11-15 | 2021-11-15 | 一种基于认知图谱的深空探测任务规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111346884.2A CN114139776B (zh) | 2021-11-15 | 2021-11-15 | 一种基于认知图谱的深空探测任务规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114139776A CN114139776A (zh) | 2022-03-04 |
CN114139776B true CN114139776B (zh) | 2024-04-23 |
Family
ID=80393969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111346884.2A Active CN114139776B (zh) | 2021-11-15 | 2021-11-15 | 一种基于认知图谱的深空探测任务规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114139776B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523212A (zh) * | 2023-04-12 | 2023-08-01 | 中国科学院软件研究所 | 一种多星协同语义建模及任务规划方法和系统 |
CN117453900B (zh) * | 2023-10-13 | 2024-07-05 | 中国科学院国家空间科学中心 | 一种基于深空探测领域知识分析的科学目标推荐方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504520A (zh) * | 2014-12-23 | 2015-04-08 | 北京理工大学 | 一种基于神经网络的深空探测器自主任务规划方法 |
GB201719540D0 (en) * | 2016-11-28 | 2018-01-10 | National Univ Of Defence Technology | Autonomous Operation and control system of agileimaging satellite and operation process thereof |
CN113283666A (zh) * | 2021-06-10 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种卫星群的启发式智能任务推理与决策方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2021
- 2021-11-15 CN CN202111346884.2A patent/CN114139776B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104504520A (zh) * | 2014-12-23 | 2015-04-08 | 北京理工大学 | 一种基于神经网络的深空探测器自主任务规划方法 |
GB201719540D0 (en) * | 2016-11-28 | 2018-01-10 | National Univ Of Defence Technology | Autonomous Operation and control system of agileimaging satellite and operation process thereof |
CN113283666A (zh) * | 2021-06-10 | 2021-08-20 | 中国人民解放军国防科技大学 | 一种卫星群的启发式智能任务推理与决策方法 |
Non-Patent Citations (3)
Title |
---|
基于强化学习的深空探测器自主任务规划方法;毛维杨;深空探测学报(中英文);20230415;第10卷(第02期);220-230 * |
基于知识图谱的深空探测器任务规划建模;王鑫;深空探测学报(中英文);20210615;第8卷(第03期);315-323 * |
深空探测器任务规划认知图谱及多属性约束冲突检测;柳景兴;深空探测学报(中英文);20230215;第10卷(第01期);88-96 * |
Also Published As
Publication number | Publication date |
---|---|
CN114139776A (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114139776B (zh) | 一种基于认知图谱的深空探测任务规划方法及系统 | |
CN108388958B (zh) | 一种二维姿态机动卫星任务规划技术研究的方法及装置 | |
WO2019127946A1 (zh) | 一种基于学习型遗传算法的多任务多资源滚动分配方法 | |
CN104361234A (zh) | 一种复杂约束条件下多星多任务观测调度优化方法 | |
CN110412869A (zh) | 一种多星协同的空间动态目标实时跟踪方法 | |
WO2021057329A1 (zh) | 一种作战体系架构建模与最优搜索方法 | |
Martin et al. | Multi-robot task allocation clustering based on game theory | |
CN112632744A (zh) | 基于超网络模型的作战体系架构建模方法及空间探索算法 | |
Zhang et al. | Mission planning issues of imaging satellites: Summary, discussion, and prospects | |
CN108333922B (zh) | 一种基于智能优化与约束推理的单星自主任务规划方法 | |
Wang et al. | Scheduling multiple agile earth observation satellites for oversubscribed targets using complex networks theory | |
CN112241177B (zh) | 基于时间线状态路标的启发式航天器任务规划方法 | |
Ou et al. | Deep reinforcement learning method for satellite range scheduling problem | |
CN105760652B (zh) | 一种基于约束可满足技术的深空探测自主任务规划方法 | |
Zhao et al. | Agile satellite mission planning via task clustering and double-layer tabu algorithm | |
Wen et al. | Scheduling single-satellite observation and transmission tasks by using hybrid Actor-Critic reinforcement learning | |
Ren et al. | Hierarchical reinforcement-learning for real-time scheduling of agile satellites | |
Bao et al. | An effective method for satellite mission scheduling based on reinforcement learning | |
CN110850893A (zh) | 一种基于最大值代价评估的航天器任务规划方法 | |
CN111190711B (zh) | Bdd结合启发式a*搜索的多机器人任务分配方法 | |
Liu et al. | Time-dependent autonomous task planning of agile imaging satellites | |
CN112348361B (zh) | 基于状态转移路径重构的启发式航天器任务规划方法 | |
Yang et al. | A hybrid discrete artificial bee colony algorithm for imaging satellite mission planning | |
Powell et al. | Towards explainability of on-board satellite scheduling for end user interactions | |
Zhao et al. | An optimization method for satellite data structure design based on improved ant colony algorithm |
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 |