CN114200964A - 一种无人机集群协同侦察覆盖分布式自主优化方法 - Google Patents
一种无人机集群协同侦察覆盖分布式自主优化方法 Download PDFInfo
- Publication number
- CN114200964A CN114200964A CN202210146501.5A CN202210146501A CN114200964A CN 114200964 A CN114200964 A CN 114200964A CN 202210146501 A CN202210146501 A CN 202210146501A CN 114200964 A CN114200964 A CN 114200964A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- reconnaissance
- global
- policy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 230000009471 action Effects 0.000 claims abstract description 19
- 238000005381 potential energy Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 47
- 150000001875 compounds Chemical class 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 25
- 230000008901 benefit Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000135164 Timea Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
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
本发明公开了一种无人机集群协同侦察覆盖分布式自主优化方法,通过将无人机执行不同位置策略和功率策略时获得的收益虚拟化,以收益虚拟来驱动无人机行动的自主决策,通过分布式自主迭代学习算法优化无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化,该方法使得无人机群能够在侦察区域内自主展开协同,并合理分配侦察资源,提高无人机群的稳定性和灵活性,在不同环境中均能保持稳定的侦察综合效率。
Description
技术领域
本发明涉及无人机协同侦察系统,具体涉及一种无人机集群协同侦察覆盖分布式自主优化方法。
背景技术
在遭遇自然灾害时或者战场的紧急区域,现有的侦察设备可能遭到破坏无法正常使用,此时如何利用有限的负载资源来获得最大的情报信息至关重要;无人机由于其体积小,灵活性强等特点,已经在军事和民用领域有了广泛的应用。在紧急区域,无人机很适合用于侦察失去掌控的地区从而获取目标区域的信息,并为进一步的救援或者战斗工作提供帮助;多无人机协同侦察是无人机的一种重要应用,要求无人机在一定约束的条件下协同对指定区域进行侦察;协同侦察可以有效增强无人机侦察的效率和质量,是未来无人机作战模式的重要趋势。多无人机协同侦察存在如下几方面优势:高效,当存在大量任务区域需要进行侦察时,单个无人机完成侦察任务所消耗的时间会超出无人机的续航时间,如果采用多无人机侦察,只需要给每架无人机分配指定的区域,可以有效减少时间的消耗;稳定,如果只存在单架无人机进行侦察任务时,如果无人机发生故障则会导致任务中断,使用多架无人机协同侦察时,当其中一架或者多架无人机出现故障时,会有其他的无人机来接替故障无人机的工作,保障侦察工作的顺利完成;灵活,单个无人机在进行侦察时所携带的侦察载荷有限,如果侦察载荷不能用于目标区域时,只能中断侦察任务的执行,而在使用多架无人机侦察时,无人机可以携带不同的侦察载荷来针对不同的任务场景。
现有技术虽然对无人机协同侦察有所研究,但主要集中在研究无人机协同侦察的路径优化,默认目标在指定区域一直存在,忽视了目标间隔性出现这种可能性。从侦察的方式来看,大部分现有研究采取无人机巡逻侦察方式,对侦察的成功率考虑不足。因此,有必要研究无人机集群在侦察中,面对目标不同出现概率的场景的侦察覆盖技术。
发明内容
本发明的目的:在于提供一种无人机集群协同侦察覆盖分布式自主优化方法,使得无人机群能够针对指定复杂区域,根据侦察区域内目标出现的分布情况,通过系统协同任务分配和算法迭代,通过集中决策的方式,合理分配无人机系统中每一架无人机的位置策略和功率策略,提高无人机群对于侦察区域的侦察能力。
为实现以上功能,本发明设计一种无人机集群协同侦察覆盖分布式自主优化方法,包括以下步骤:步骤S1.初始化无人机群中各无人机的位置策略和功率策略,基于无人机群中各无人机的位置策略和功率策略的选择,构建无人机群行动决策。
侦察区域内存在至少一个预设待侦察目标点,基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间,构建全局侦察覆盖效用、全局侦察覆盖能量效率。
基于全局侦察覆盖效用、全局侦察覆盖能量效率,构建无人机群执行不同行动决策时获得的虚拟收益模型。
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型,构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数,其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响。
步骤S3.基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化。
作为发明的一种优选技术方案:步骤S1中构建无人机群执行不同行动决策时获得
的虚拟收益模型的具体步骤如下:步骤S11.针对无人机群中任意一个无人机n,基于侦察区
域地形信息,构建无人机n对侦察区域内其中一个预设待侦察目标点i的侦察成功率
如下式:
式中,i为侦察区域内其中一个预设待侦察目标点,,I为侦察区域内所有待侦
察目标点的集合,为侦察的初始距离,为预设侦察成功率与侦察距离的预设系数,为无人机n的高度,为无人机n水平坐标,为预设待侦察目标点i的水平坐
标。
式中,N为无人机群中无人机的数量。
步骤S15.基于全局侦察覆盖效用U,构建全局侦察覆盖能量效率G如下式:
作为发明的一种优选技术方案:步骤S2中构建全局侦察覆盖效用的势能函数、全
局侦察覆盖能量效率的势能函数的具体步骤如下:步骤S21.将无人机群中的一个无人机n
的侦察覆盖区域定义为,将与无人机n存在重叠侦察覆盖区域的无人机定义为邻居无人
机,其中邻居无人机的侦察覆盖区域定义为,各无人机的侦察覆盖区域满足;
无人机n基于其位置策略移动到下一位置,该位置记为,移动至位置的无人机n的侦察
覆盖区域为,位于位置的无人机n的邻居无人机的侦察覆盖区域为,针对各无人机
的位置策略,构建全局侦察覆盖效用的势能函数如下式:
式中,为无人机n的位置策略变为时的全局侦察覆盖效用的势能函
数,为无人机n及其所有邻居无人机的侦察覆盖区域的集合,为无人机n的位置策
略为时,对预设待侦察目标点i的侦察成功率,为无人机n的位置策略变为时,对
预设待侦察目标点i的侦察成功率,k为无人机群中除无人机n及其各邻居无人机以外的一
个无人机,为无人机k对预设待侦察目标点i的侦察成功率。
步骤S22.针对无人机n的功率策略的改变,构建全局侦察覆盖能量效率的势能函数如下式:
式中,为无人机n的功率策略为时的全局侦察覆盖能量效率的势能函
数,为无人机n的功率策略,为无人机群中除无人机n以外的其他各无人机的功率策
略,为无人机n的功率策略为时无人机群对预设待侦察目标点i的侦察成功
率,为无人机群中一个无人机m的功率策略,其中。
作为发明的一种优选技术方案:步骤S3中基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化的具体步骤如下:步骤S31.在无人机群中随机选择一个无人机j,构建无人机j的状态参数如下式:
步骤S34.更新该无人机的状态参数为,然后从无人机群中的其他各无人
机中随机选择一个无人机,重复步骤S31至步骤S33的位置策略选择过程,直至达到预设最
大迭代次数,保存预设最大迭代次数所对应的无人机群中各无人机的状态参数。
步骤S35.在无人机群中随机选择一个无人机k,构建无人机k的状态参数如下式:
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率,以及无人机k基于功率策略的全局侦察覆盖能量效率,其中为无人机k基于功率策略进行功率改变后的状态参数,为无人机群中除无人机k以外的其他各无人机的状态参数。
步骤S38.更新无人机k的状态参数为,然后从无人机群中的其他各无人
机中随机选择一个无人机,重复步骤S35至步骤S37的功率策略选择过程,直至达到预设最
大迭代次数,保存预设最大迭代次数所对应的无人机群中各无人机的状态参数,此时各无
人机的位置策略和功率策略使无人机群所获虚拟收益最大。
有益效果:相对于现有技术,本发明的优点包括:本发明设计了一种无人机集群协同侦察覆盖分布式自主优化方法,使无人机群能够根据侦察区域自主地展开协同,并合理分配侦察资源,并且不会因为巡逻式的侦察错过目标的出现,提高了无人机集群系统的稳定性和灵活性,在不同环境中均能保持稳定的侦察综合效率。
附图说明
图1是根据本发明实施例提供的无人机群的示意图;
图2是根据本发明实施例提供的无人机对预设待侦察目标点的侦察示意图;
图3是根据本发明实施例提供的预设待侦察目标点出现的概率密度图;
图4是根据本发明实施例提供的无人机群初始分布位置设置图;
图5是根据本发明实施例提供的优化后无人机群的分布位置图;
图6是根据本发明实施例提供的不同数量的无人机组成的无人机群的全局侦察覆盖效用对比图;
图7是根据本发明实施例提供的不同数量的无人机组成的无人机群的总功率对比图;
图8是根据本发明实施例提供的不同数量的无人机组成的无人机群的全局侦察覆盖能量效率对比图。
具体实施方式
下面结合附图对本发明作进一步描述,以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法,包括以下步骤:步骤S1.初始化无人机群中各无人机的位置策略和功率策略,基于无人机群中各无人机的位置策略和功率策略的选择,构建无人机群行动决策。
侦察区域内存在至少一个预设待侦察目标点,基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间,构建全局侦察覆盖效用、全局侦察覆盖能量效率。
基于全局侦察覆盖效用、全局侦察覆盖能量效率,构建无人机群执行不同行动决策时获得的虚拟收益模型。
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型,构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数,其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响。
步骤S3.基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法,无人机
群的示意图参考图1,步骤S1中构建无人机群执行不同行动决策时获得的虚拟收益模型的
具体步骤如下:步骤S11.无人机对预设待侦察目标点的侦察示意图参考图2,针对无人机群
中任意一个无人机n,基于侦察区域地形信息,构建无人机n对侦察区域内其中一个预设待
侦察目标点i的侦察成功率如下式:
式中,i为侦察区域内其中一个预设待侦察目标点,,I为侦察区域内所有待侦
察目标点的集合,为侦察的初始距离,为预设侦察成功率与侦察距离的预设系数,为无人机n的高度,为无人机n水平坐标,为预设待侦察目标点i的水平坐
标。
式中,N为无人机群中无人机的数量。
在一个实施例中,预设待侦察目标点出现的概率密度图参考图3,侦察区域划分为
5050的网格,每个刻度为150m,图3中侦察区域的亮度表示预设待侦察目标点出现的概
率,其中坐标(15,35)和坐标(35,15)两个点为预设待侦察目标点出现的主要区域;对应预
设待侦察目标点出现的概率密度预设的无人机群初始分布位置设置图参考图4,其中图片
的分辨率r=256,无人机与空中服务器之间所传输的图片中一个像素的比特数b=8, 传输信
息的带宽B=20MHz,传输信道的噪声系数,无人机n的高度,侦察
的初始距离,预设侦察成功率与侦察距离的预设系数。
步骤S14. 由于无人机群的侦察在实际应用中对时效性的要求很高,侦察信息获
取的速度对侦察的价值有重要影响,因此,在无人机群的侦察过程中,一方面需要提高无人
机群的全局侦察覆盖效用,另一方面,需要减小各无人机信息上传所耗费的时间,因此,基
于无人机群对预设待侦察目标点i的侦察成功率,构建全局侦察覆盖效用U如下式:
步骤S15.无人机的能耗问题是制约无人机进行长时间工作的关键因素,在侦察场景中,通过减小各无人机的功率来减少无人机群的总能耗,因此,基于全局侦察覆盖效用U,构建全局侦察覆盖能量效率G如下式:
步骤S16.基于无人机群中各无人机的位置策略和功率策略,构建虚拟收益模型:,其中P表示各无人机功率策略的集合,S表示各无人机位置策略的集合,在
虚拟收益模型中,更高的全局侦察覆盖能量效率G意味着更高的无人机群的侦察覆盖效用,
以及更低的无人机群总能耗。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法,步骤S2
中构建全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数的具体步骤如
下:步骤S21.将无人机群中的一个无人机n的侦察覆盖区域定义为,将与无人机n存在重
叠侦察覆盖区域的无人机定义为邻居无人机,其中邻居无人机的侦察覆盖区域定义为,
各无人机的侦察覆盖区域满足;无人机n基于其位置策略移动到下一位置,该位
置记为,移动至位置的无人机n的侦察覆盖区域为,位于位置的无人机n的邻居无
人机的侦察覆盖区域为,无人机n在改变自身的位置策略的过程中,全局侦察覆盖效用
不会因为任一无人机的位置策略改变而变化时,即达到纳什均衡,虚拟收益模型的虚拟收
益达到最大。
针对各无人机的位置策略,构建全局侦察覆盖效用的势能函数如下式:
式中,为无人机n的位置策略变为时的全局侦察覆盖效用的势能函
数,为无人机n及其所有邻居无人机的侦察覆盖区域的集合,为无人机n的位置策
略为时,对预设待侦察目标点i的侦察成功率,为无人机n的位置策略变为时,对
预设待侦察目标点i的侦察成功率,k为无人机群中除无人机n及其各邻居无人机以外的一
个无人机,为无人机k对预设待侦察目标点i的侦察成功率。
步骤S22.针对无人机n的功率策略的改变,构建全局侦察覆盖能量效率的势能函数如下式:
式中,为无人机n的功率策略为时的全局侦察覆盖能量效率的势能函
数,为无人机n的功率策略,为无人机群中除无人机n以外的其他各无人机的功率策
略,为无人机n的功率策略为时无人机群对预设待侦察目标点i的侦察成功
率,为无人机群中一个无人机m的功率策略,其中。
无人机群中的各无人机在调整自身位置策略和功率策略时,对自身效用的影响和全局侦察覆盖效用的影响一致,因此全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数可以被转化为精确势能博弈,根据精确势能博弈的定义,上述全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数均存在最优的位置策略和功率策略,使得虚拟收益模型的虚拟收益达到最大。
本发明实施例提供的一种无人机集群协同侦察覆盖分布式自主优化方法,无人机集群协同覆盖问题转化为精确势能博弈问题后,存在使得全局侦察覆盖效用、全局侦察覆盖能量效率最大化的位置策略和功率策略,因此为避免无人机群在进行迭代的过程中陷入局部最优,无法收敛到最佳状态,根据如下方法对该精确势能博弈的纳什均衡进行求解。
步骤S3中基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化的具体步骤如下:步骤S31.在无人机群中随机选择一个无人机j,构建无人机j的状态参数如下式:
步骤S34.更新该无人机的状态参数为,然后从无人机群中的其他各无人
机中随机选择一个无人机,重复步骤S31至步骤S33的位置策略选择过程,直至达到预设最
大迭代次数,保存预设最大迭代次数所对应的无人机群中各无人机的状态参数。
步骤S35.在无人机群中随机选择一个无人机k,构建无人机k的状态参数如下式:
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率,以及无人机k基于功率策略的全局侦察覆盖能量效率,其中为无人机k基于功率策略进行功率改变后的状态参数,为无人机群中除无人机k以外的其他各无人机的状态参数。
步骤S38.更新无人机k的状态参数为,然后从无人机群中的其他各无人
机中随机选择一个无人机,重复步骤S35至步骤S37的功率策略选择过程,直至达到预设最
大迭代次数,保存预设最大迭代次数所对应的无人机群中各无人机的状态参数,此时各无
人机的位置策略和功率策略使无人机群所获虚拟收益最大。
在一个实施例中,优化后无人机群的分布位置图参考图5,图5中侦察区域的亮度表示无人机群对预设待侦察目标点的侦察成功率,无人机群中的各无人机集中分布于侦察区域内预设待侦察目标点周围,并且存在多个无人机同时侦察同一个区域,起到协作的效果。
不同数量的无人机组成的无人机群的全局侦察覆盖效用对比图参考图6,在不同数量的无人机组成的无人机群中,无人机群的全局侦察覆盖效用均能达到收敛,并且随着无人机数量的增加,无人机群的全局侦察覆盖效用也在逐步提升,但是提升幅度随无人机数量的增加逐步减小,在实际应用中可以按照侦察要求派出所需数量的无人机。
不同数量的无人机组成的无人机群的总功率对比图参考图7,在不同数量的无人机组成的无人机群中,无人机群总功率均能达到收敛,并且随着无人机数量的增加,无人机群总功率提高,在实际情况中,可以根据实际需求更改各无人机的功率值。
不同数量的无人机组成的无人机群的全局侦察覆盖能量效率对比图参考图8,在不同数量的无人机组成的无人机群中,无人机群的全局侦察覆盖能量效率均能达到收敛,并且随着无人机数量的增加,无人机群的全局侦察覆盖能量效率降低,在实际情况中,可以根据实际需求选择无人机的数量来应对不同的情况。
上面结合附图对本发明的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做出各种变化。
Claims (4)
1.一种无人机集群协同侦察覆盖分布式自主优化方法,其特征在于,包括以下步骤:
步骤S1.初始化无人机群中各无人机的位置策略和功率策略,基于无人机群中各无人机的位置策略和功率策略的选择,构建无人机群行动决策;
侦察区域内存在至少一个预设待侦察目标点,基于无人机群行动决策、无人机群中各无人机分别对各预设待侦察目标点的侦察成功率、无人机群中各无人机分别侦察各预设待侦察目标点所需时间,构建全局侦察覆盖效用、全局侦察覆盖能量效率;
基于全局侦察覆盖效用、全局侦察覆盖能量效率,构建无人机群执行不同行动决策时获得的虚拟收益模型;
步骤S2.基于无人机群的行动决策的选择、以及虚拟收益模型,构建该行动决策下的全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数,其中全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数用于表征无人机群中各无人机位置策略和功率策略变化时对所获虚拟收益模型的影响;
步骤S3.基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化。
2.如权利要求1所述的一种无人机集群协同侦察覆盖分布式自主优化方法,其特征在于,步骤S1中构建无人机群执行不同行动决策时获得的虚拟收益模型的具体步骤如下:
式中,i为侦察区域内其中一个预设待侦察目标点,,I为侦察区域内所有待侦察目
标点的集合,为侦察的初始距离,为预设侦察成功率与侦察距离的预设系数,为
无人机n的高度,为无人机n水平坐标,为预设待侦察目标点i的水平坐标;
式中,N为无人机群中无人机的数量;
步骤S15.基于全局侦察覆盖效用U,构建全局侦察覆盖能量效率G如下式:
3.如权利要求2所述的一种无人机集群协同侦察覆盖分布式自主优化方法,其特征在于,步骤S2中构建全局侦察覆盖效用的势能函数、全局侦察覆盖能量效率的势能函数的具体步骤如下:
步骤S21.将无人机群中的一个无人机n的侦察覆盖区域定义为,将与无人机n存在重
叠侦察覆盖区域的无人机定义为邻居无人机,其中邻居无人机的侦察覆盖区域定义为,
各无人机的侦察覆盖区域满足;无人机n基于其位置策略移动到下一位置,该位
置记为,移动至位置的无人机n的侦察覆盖区域为,位于位置的无人机n的邻居无
人机的侦察覆盖区域为,针对各无人机的位置策略,构建全局侦察覆盖效用的势能函数
如下式:
式中,为无人机n的位置策略变为时的全局侦察覆盖效用的势能函数,
为无人机n及其所有邻居无人机的侦察覆盖区域的集合,为无人机n的位置策略为
时,对预设待侦察目标点i的侦察成功率,为无人机n的位置策略变为时,对预设待
侦察目标点i的侦察成功率,k为无人机群中除无人机n及其各邻居无人机以外的一个无人
机,为无人机k对预设待侦察目标点i的侦察成功率;
步骤S22.针对无人机n的功率策略的改变,构建全局侦察覆盖能量效率的势能函数如下式:
式中,为无人机n的功率策略为时的全局侦察覆盖能量效率的势能函数,为无人机n的功率策略,为无人机群中除无人机n以外的其他各无人机的功率策略,为无人机n的功率策略为时无人机群对预设待侦察目标点i的侦察成功率,为无人机群中一个无人机m的功率策略,其中;
4.如权利要求3所述的一种无人机集群协同侦察覆盖分布式自主优化方法,其特征在于,步骤S3中基于虚拟收益模型,结合无人机群中各无人机位置策略和功率策略变化对所获虚拟收益模型的影响,通过分布式自主迭代学习,优化无人机群中各无人机的位置策略和功率策略,实现无人机群所获虚拟收益最大化的具体步骤如下:
步骤S31.在无人机群中随机选择一个无人机j,构建无人机j的状态参数如下式:
步骤S34.更新该无人机的状态参数为,然后从无人机群中的其他各无人机中
随机选择一个无人机,重复步骤S31至步骤S33的位置策略选择过程,直至达到预设最大迭
代次数,保存预设最大迭代次数所对应的无人机群中各无人机的状态参数;
步骤S35.在无人机群中随机选择一个无人机k,构建无人机k的状态参数如下式:
步骤S36.计算无人机k基于当前时刻的功率策略的全局侦察覆盖能量效率,以及无人机k基于功率策略的全局侦察覆盖能量效率,其中为无人机k基于功率策略进行功率改变后的状态参数,为无人机群中除无人机k以外的其他各无人机的状态参数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210146501.5A CN114200964B (zh) | 2022-02-17 | 2022-02-17 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210146501.5A CN114200964B (zh) | 2022-02-17 | 2022-02-17 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114200964A true CN114200964A (zh) | 2022-03-18 |
CN114200964B CN114200964B (zh) | 2022-04-26 |
Family
ID=80645606
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210146501.5A Active CN114200964B (zh) | 2022-02-17 | 2022-02-17 | 一种无人机集群协同侦察覆盖分布式自主优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200964B (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155999A (zh) * | 2014-07-31 | 2014-11-19 | 海南大学 | 战场环境下多无人机时敏任务动态分配算法 |
CN105278542A (zh) * | 2015-09-23 | 2016-01-27 | 沈阳航空航天大学 | 多无人机协同打击任务的攻防对策最优策略方法 |
US20170045886A1 (en) * | 2014-09-05 | 2017-02-16 | SZ DJI Technology Co., Ltd | Context-based flight mode selection |
CN108616302A (zh) * | 2018-04-28 | 2018-10-02 | 中国人民解放军陆军工程大学 | 一种功率控制下的无人机多重覆盖模型及部署方法 |
US20190103032A1 (en) * | 2017-10-03 | 2019-04-04 | Topcon Corporation | Unmanned aerial vehicle, data processing device, path selection device, processing method and processing program |
CN109961657A (zh) * | 2019-03-01 | 2019-07-02 | 北京邮电大学 | 一种无人机调配方法、无人机及控制台 |
CN110134146A (zh) * | 2019-06-14 | 2019-08-16 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN110196605A (zh) * | 2019-04-26 | 2019-09-03 | 大连海事大学 | 一种强化学习的无人机群在未知海域内协同搜索多动态目标方法 |
US20200160732A1 (en) * | 2017-06-30 | 2020-05-21 | Nec Corporation | Area evaluation system, method, and program |
CN111367317A (zh) * | 2020-03-27 | 2020-07-03 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的无人机集群在线任务规划方法 |
US20200250998A1 (en) * | 2016-06-10 | 2020-08-06 | ETAK Systems, LLC | Drone Air Traffic Control over wireless networks for package delivery cancelation |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
CN112902969A (zh) * | 2021-02-03 | 2021-06-04 | 重庆大学 | 一种无人机在数据收集过程中的路径规划方法 |
CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
CN112950085A (zh) * | 2021-04-07 | 2021-06-11 | 江苏大势航空科技有限公司 | 无人机集群监测方法、计算机存储介质及电子设备 |
CN113190038A (zh) * | 2021-04-19 | 2021-07-30 | 北京理工大学 | 一种无人机集群空中区域侦察任务的分配方法 |
CN213934636U (zh) * | 2020-11-30 | 2021-08-10 | 南京信息工程大学 | 一种四旋翼无人机编队搜索控制系统 |
CN113625771A (zh) * | 2021-09-10 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种影子跟随的单无人机区域覆盖路径规划方法 |
CN113867418A (zh) * | 2021-09-17 | 2021-12-31 | 南京信息工程大学 | 一种无人机集群自主协同侦察任务调度方法 |
-
2022
- 2022-02-17 CN CN202210146501.5A patent/CN114200964B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104155999A (zh) * | 2014-07-31 | 2014-11-19 | 海南大学 | 战场环境下多无人机时敏任务动态分配算法 |
US20170045886A1 (en) * | 2014-09-05 | 2017-02-16 | SZ DJI Technology Co., Ltd | Context-based flight mode selection |
CN105278542A (zh) * | 2015-09-23 | 2016-01-27 | 沈阳航空航天大学 | 多无人机协同打击任务的攻防对策最优策略方法 |
US20200250998A1 (en) * | 2016-06-10 | 2020-08-06 | ETAK Systems, LLC | Drone Air Traffic Control over wireless networks for package delivery cancelation |
US20200160732A1 (en) * | 2017-06-30 | 2020-05-21 | Nec Corporation | Area evaluation system, method, and program |
US20190103032A1 (en) * | 2017-10-03 | 2019-04-04 | Topcon Corporation | Unmanned aerial vehicle, data processing device, path selection device, processing method and processing program |
CN108616302A (zh) * | 2018-04-28 | 2018-10-02 | 中国人民解放军陆军工程大学 | 一种功率控制下的无人机多重覆盖模型及部署方法 |
CN109961657A (zh) * | 2019-03-01 | 2019-07-02 | 北京邮电大学 | 一种无人机调配方法、无人机及控制台 |
CN110196605A (zh) * | 2019-04-26 | 2019-09-03 | 大连海事大学 | 一种强化学习的无人机群在未知海域内协同搜索多动态目标方法 |
CN110134146A (zh) * | 2019-06-14 | 2019-08-16 | 西北工业大学 | 一种不确定环境下的分布式多无人机任务分配方法 |
CN111367317A (zh) * | 2020-03-27 | 2020-07-03 | 中国人民解放军国防科技大学 | 基于贝叶斯学习的无人机集群在线任务规划方法 |
CN111695776A (zh) * | 2020-05-11 | 2020-09-22 | 清华大学 | 无人机集群分布式在线协同区域侦察方法及装置 |
CN112016812A (zh) * | 2020-08-06 | 2020-12-01 | 中南大学 | 多无人机任务调度方法、系统及存储介质 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
CN213934636U (zh) * | 2020-11-30 | 2021-08-10 | 南京信息工程大学 | 一种四旋翼无人机编队搜索控制系统 |
CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
CN112902969A (zh) * | 2021-02-03 | 2021-06-04 | 重庆大学 | 一种无人机在数据收集过程中的路径规划方法 |
CN112950085A (zh) * | 2021-04-07 | 2021-06-11 | 江苏大势航空科技有限公司 | 无人机集群监测方法、计算机存储介质及电子设备 |
CN113190038A (zh) * | 2021-04-19 | 2021-07-30 | 北京理工大学 | 一种无人机集群空中区域侦察任务的分配方法 |
CN113625771A (zh) * | 2021-09-10 | 2021-11-09 | 中国人民解放军国防科技大学 | 一种影子跟随的单无人机区域覆盖路径规划方法 |
CN113867418A (zh) * | 2021-09-17 | 2021-12-31 | 南京信息工程大学 | 一种无人机集群自主协同侦察任务调度方法 |
Non-Patent Citations (2)
Title |
---|
MARCO ANDREETTO,等: "A Cooperative Monitoring Technique Using Visually Servoed Drones", 《 2015 IEEE WORKSHOP ON ENVIRONMENTAL, ENERGY, AND STRUCTURAL MONITORING SYSTEMS (EESMS) PROCEEDINGS》 * |
王尔申,等: "改进目标收益函数的无人机集群空地对抗模型", 《南京航空航天大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114200964B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
CN108616302B (zh) | 一种功率控制下的无人机多重覆盖模型及部署方法 | |
CN111194038B (zh) | 多无人机移动基站位置部署方法 | |
CN108882201B (zh) | 一种面向能量效率的无人机集群网络中继传输选择方法 | |
CN111432433B (zh) | 基于强化学习的无人机中继智能流量卸载方法 | |
WO2022077817A1 (zh) | 一种基于视觉与性能约束的多无人机协同控制方法及系统 | |
CN108632831A (zh) | 一种基于动态航迹的无人机群频谱资源分配方法 | |
CN110913402A (zh) | 一种联合优化通信与编队的高覆盖效率的无人机自组网分簇方法 | |
CN114142908B (zh) | 一种面向覆盖侦察任务的多无人机通信资源分配方法 | |
CN110727903B (zh) | 一种有限覆盖资源实现最大观测面积的卫星任务规划方法 | |
CN114048689A (zh) | 基于深度强化学习的多无人机空中充电和任务调度方法 | |
CN112702713B (zh) | 一种多约束条件下的低空无人机通信部署方法 | |
CN112817327B (zh) | 一种通信约束下的多无人机协同搜索方法 | |
CN113206701A (zh) | 一种无人机飞行基站的三维部署和功率分配联合优化方法 | |
CN112580537A (zh) | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN114025361A (zh) | 面向协同中继任务的多无人机网络拓扑构造与规划方法 | |
Han et al. | Distributed UAV deployment in hostile environment: A game-theoretic approach | |
Hu et al. | Multi-UAV coverage path planning: A distributed online cooperation method | |
Sobouti et al. | Managing sets of flying base stations using energy efficient 3D trajectory planning in cellular networks | |
CN114200964B (zh) | 一种无人机集群协同侦察覆盖分布式自主优化方法 | |
CN117726153A (zh) | 一种适用于无人机集群作业任务的实时重归划方法 | |
Wang et al. | An efficient and robust UAVs’ path planning approach for timely data collection in wireless sensor networks | |
CN116595864A (zh) | 一种基于均值漂移聚类算法优化的多无人机任务分配方法 | |
Xiong et al. | Wireless resources cooperation of assembled small UAVs for data collections of IoT |
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 |