CN114201925B - 无人机集群协同任务规划方法、电子设备及可读存储介质 - Google Patents
无人机集群协同任务规划方法、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN114201925B CN114201925B CN202210143945.3A CN202210143945A CN114201925B CN 114201925 B CN114201925 B CN 114201925B CN 202210143945 A CN202210143945 A CN 202210143945A CN 114201925 B CN114201925 B CN 114201925B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- task
- evaluation
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 120
- 238000004088 simulation Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000009527 percussion Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种无人机集群协同任务规划方法、电子设备及可读存储介质,涉及无人机技术领域,方法包括:获取无人机集群待执行的任务;根据所述约束条件规划各个基地到达目标点的最优航路;依据无人机的种类和数目、最优航路所需的飞行距离和飞行时间确定分配给每架无人机的目标任务序列;根据无人机的目标任务序列确定各无人机执行目标任务序列所需的规划时间和规划航路;对规划航路进行优化处理,确定无人机的飞行航路;对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划;本申请能够提高无人机集群协同执行任务的效能。
Description
技术领域
本申请涉及但不限于无人机技术领域,尤其涉及一种无人机集群协同任务规划方法、电子设备及可读存储介质。
背景技术
由于雷达系统搜索能力和地面防空火力的逐渐增强,日益复杂的执行任务环境、日益多样化的执行任务样式和日益扩大的执行任务范围,使得无人机执行任务面临严峻的挑战,要求其能在复杂多变的环境中实时快速的做出最优的执行任务决策。由于单架无人机能力有限,简单的决策不能对复杂多变的环境做出客观全面的评价,因此无人机之间的协同执行任务越来越重要。多架无人机所构成的无人机集群协同执行任务更能发挥无人机的优势,提高任务成功率,也是未来空中执行任务的发展趋势。
无人机集群协同执行任务得到了越来越多的关注。无人机集群协同自主控制是多类型无人机协同执行任务的关键。对于高密度区域的无人机集群,如何在满足各项技术指标等约束条件下,根据任务的实际需求,确定哪个无人机去执行哪项任务,以达到期望的执行任务目标,保证执行任务过程有序高效的执行,是目前无人机集群协同执行任务中的研究重点。研究无人机集群的执行任务规划对于提高无人机执行任务的效能具有非常重要的意义。
发明内容
以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本申请实施例提供了一种无人机集群协同任务规划方法、电子设备及可读存储介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,本申请实施例提供了一种无人机集群协同任务规划方法,所述方法包括:
步骤S100,获取无人机集群待执行的任务;
步骤S200,确定无人机集群所在的各个基地执行任务的约束条件,根据所述约束条件规划各个基地到达目标点的最优航路;其中,所述目标点为无人机执行目标任务序列所在位置;
步骤S300,确定各个基地中无人机的种类和数目,依据无人机的种类和数目、最优航路所需的飞行距离和飞行时间确定分配给每架无人机的目标任务序列;其中,所述基地中同一架无人机具有相同的起飞点和降落点;
步骤S400,根据无人机的目标任务序列确定各无人机执行目标任务序列所需的规划时间和规划航路;
步骤S500,根据无人机的飞行技术指标对规划航路进行优化处理,确定无人机的飞行航路;
步骤S600,在仿真环境中控制无人机集群中的无人机按飞行航路执行任务,以对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划。
在一些实施例中,所述步骤S200还包括:
步骤S210,确定无人机集群执行任务的任务空间;
步骤S220,从所述任务空间中筛选出满足约束条件的航路,得到可选航路;其中,所述约束条件包括:时间约束、高度约束、类型约束、地形约束、以及威胁约束;
步骤S230,确定无人机集群中各架无人机完成目标任务序列的任务效能;其中,所述任务效能为无人机完成任务获得的收益与执行任务过程中所付出的代价之差;
步骤S240,根据无人机集群中各架无人机完成目标任务序列的任务效能确定无人机集群期望得到的总任务效能;
步骤S250,确定最大的总任务效能,将最大的总任务效能对应的可选航路作为各个基地到达目标点的最优航路。
在一些实施例中,步骤S230中,所述确定无人机集群中各架无人机完成目标任务序列的任务效能,包括:
步骤S231,获取任务在当前时刻的价值以及无人机执行任务的收益因子,根据所述任务在当前时刻的价值以及无人机执行任务的收益因子确定该无人机完成该任务得到的收益;
步骤S232,获取无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价,根据所述无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价确定该无人机完成该任务付出的代价;
步骤S233,根据无人机完成该任务得到的收益和付出的代价确定无人机完成目标任务序列的任务效能。
在一些实施例中,所述步骤S240中,无人机集群期望得到的总任务效能的计算公式为:
其中,ef表示无人机集群期望得到的总任务效能,size(Seqi)是目标任务序列Seqi中任务的个数,Ui表示编号为i的无人机,ef(Ui(Seqi))表示无人机Ui完成目标任务序列Seqi总的任务效能;n为待执行任务的总数量,k为无人机集群中无人机的总数量。
在一些实施例中,步骤S600中,所述对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划,包括:
步骤S610,根据主准则层中评估因素个数确定主评估因素集,将主评估因素集按照次准则层中每个科目的评估指标细分成多个子评估因素集;
步骤S620,对主评估因素集中的每个子评估因素集分别进行一级评判,以确定无人机的综合评判向量;
步骤S630,将每个子评估因素集作为单因素,得到主因素集到评语集的模糊映射;
步骤S640,将每个子评估因素集作为主因素集的一部分,按各个子评估因素集的重要性给出权重分配,得到二级综合评判结果;
步骤S650,对二级综合评判结果归一化后,按最大隶属原则得出模糊综合评判,以确定待评估的系统所属等级;
步骤S660,根据定义的各等级分数,计算出综合评价结果,
步骤S670,根据需要建立各层次的因素集并对相应的权重进行赋值,计算得到无人机效能评估结果;
步骤S680,根据无人机效能评估结果中的最优结果确定最终的无人机协同任务计划。
在一些实施例中,所述步骤S620包括以下步骤:
步骤S621,在仿真测试中,将评语集分为多个档次;
步骤S622,获取专家组各自对评估指标体系中各项指标给出的相对标度,并计算出相应指标权重,然后对专家们的权重值进行加总求平均,确定各项指标的最终权重;
步骤S623,把子评估因素集到评语集作为一个模糊映射,确定模糊评估矩阵;
步骤S624,根据模糊理论,进行模糊评估矩阵的合成运算,得出每个子评估因素集的综合评判向量。
第二方面,本申请实施例还提供了一种电子设备,所述电子设备还包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所述的无人机集群协同任务规划方法。
第三方面,本申请实施例还提供了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行如第一方面所述的无人机集群协同任务规划方法。
本申请的有益效果是:首先根据所述约束条件规划各个基地到达目标点的最优航路,对各个基地待执行的任务初步分配;接着,据无人机的种类和数目、最优航路所需的飞行距离和飞行时间确定分配给每架无人机的目标任务序列,根据无人机的目标任务序列确定各无人机执行目标任务序列所需的规划时间和规划航路,对各个基地中无人机待执行的任务进行具体分配;进而,根据无人机的飞行技术指标对规划航路进行优化处理,最后,对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划,从而提高无人机集群协同执行任务的效能。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请一个实施例提供的无人机集群协同任务规划方法的流程图;
图2是本申请一个实施例提供的电子设备的电路框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书、权利要求书或上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
下面结合附图,对本发明实施例作进一步阐述。
如图1所示,图1是本申请一个实施例提供的一种无人机集群协同任务规划方法的流程图,在该方法中,包括但不限于有以下步骤:
步骤S100,获取无人机集群待执行的任务;
步骤S200,确定无人机集群所在的各个基地执行任务的约束条件,根据所述约束条件规划各个基地到达目标点的最优航路;其中,所述目标点为无人机执行目标任务序列所在位置,所述最优航路为最短飞行路径的航路和/或最短飞行时间的航路;
具体地,在一些实施例中,步骤S200包括:根据威胁源情况、无人机航速、无人机飞行高度范围、燃油量和无人机装备性能,得出从各个基地到达各自对应的目标点的最优航路;其中,所述基地为无人机初始点位置。
步骤S300,确定各个基地中无人机的种类和数目,依据无人机的种类和数目、最优航路所需的飞行距离和飞行时间确定分配给每架无人机的目标任务序列;其中,所述基地中同一架无人机具有相同的起飞点和降落点;
进行任务分配,明确各基地无人机的种类和数目,并假设每架无人机的起飞点和降落点是同一位置,依据航迹规划给出的飞行距离和飞行时间给每架无人机分配任务目标,并明确各无人机的任务时间和规划航路。
步骤S400,根据无人机的目标任务序列确定各无人机执行目标任务序列所需的规划时间和规划航路;
在一些实施例中,步骤S400还包括:根据无人机的目标任务序列确定无人机执行目标任务序列的目标点、目标任务序列包含的目标数目、以及各个目标的位置及各目标的权重;
步骤S500,根据无人机的飞行技术指标对规划航路进行优化处理,确定无人机的飞行航路;其中,所述飞行技术指标包括:最小拐弯半径、最大俯仰角、最低飞行高度、以及最低飞行速度;
具体地,根据无人机的飞行技术指标对航迹进行处理,制定出切实符合飞行条件的航路;
步骤S600,在仿真环境中控制无人机集群中的无人机按飞行航路执行任务,以对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划。
本步骤中,通过进行飞行评估,无人机按优化得到的飞行航路在三维仿真环境中进行试飞,同时将飞行数据输出与无人机技术性能参数相对比得出飞行可行性报告;再进行仿真推演,将规划好的数据,通过三维平台进行仿真推演,判断任务分配的合理性,并将结论输出,形成最终的无人机协同任务计划。
需要说明的是,在一些实施例中,无人机集群协同任务规划包括:态势分析、航迹规划、任务分配、航迹优化、飞行评估和仿真推演。通过分析明确无人机执行任务的时间、地点、任务包含的目标数目,各个目标的位置及各目标的权重。然后对任务区域中的已知敌方火炮、雷达、导弹等威胁目标的分布情况进行分析并最终形成约束条件,为无人机航迹规划提供数据依据。
还需说明的是,无人机集群协同任务规划问题是一个多约束条件的组合优化问题,所涉及的约束条件众多,各约束条件耦合度高,求解复杂。本申请描述了动态环境下无人机自主任务规划问题,研究数学建模,并求解的全过程。
针对高密度无人机集群的协同任务,首先需要对一些主要任务要素进行分析刻画。主要任务要素包括任务环境、无人机群、任务集合等一系列元素。其中,任务环境集合E={E1,E2,E3,…,Ei,…,En},Ei∈E;采用四个元素{X,Y,Z,T}来表示四维空间,{X,Y,Z}代表空间的集合;T代表时间的集合;无人机集群集合为U={U1,U2,U3,…,Un};给定要分配的任务,定义任务的集合为T={T1,T2,T3,…,Tn};约束集合P={P1,P2,P3,…,Pn},如地形约束、航程约束、高度约束和类型约束等。
在一些实施例中,所述步骤S200还包括但不限于有以下步骤:
步骤S210,确定无人机集群执行任务的任务空间;
步骤S220,从所述任务空间中筛选出满足约束条件的航路,得到可选航路;其中,所述约束条件包括:时间约束、高度约束、类型约束、地形约束、以及威胁约束;
具体地,所述可选航路满足以下条件:
无人机在给定时间窗口内能从该无人机所在基地到达目标点;
无人机执行目标任务序列在限定高度空间内;
无人机的构型满足目标任务序列对应的类型,所述无人机的构型包括:只能执行打击任务、只能执行侦察任务、以及能够同时执行侦察和打击任务;
无人机执行目标任务序列时避开不可飞区域;
无人机执行目标任务序列时避开威胁区域;
需要说明的是,无人机集群航线规划的目标是为了设计出若干条合理的飞行航线去引导无人机集群完成给定的目标任务序列。假设无人机Ui分配了目标任务序列Seqi={T1,T2,T3}。
为了提高无人机集群自主任务规划全局的任务效能,无人机集群完成任务飞行的航线应该满足如下方程组:
其中,Vc(i)max是无人机Ui飞行的最大巡航速度(无人机飞行最大速度),t(i)max是无人机两个任务之间的最大时间间隔,取决于任务的时间约束窗口;D(Seqi)是无人机完成任务总的航程;Cost(Ui(Seqi))是无人机完成目标任务序列总的任务代价。规划航线的优劣主要与时间约束、地形约束、威胁约束有关。针对高密度无人机集群,规划航线的优劣还与无人机之间是否满足碰撞约束有关。
步骤S230,确定无人机集群中各架无人机完成目标任务序列的任务效能;其中,所述任务效能为无人机完成任务获得的收益与执行任务过程中所付出的代价之差;
可见,任务效能综合反应无人机完成任务所获得的收益和付出的代价。
步骤S240,根据无人机集群中各架无人机完成目标任务序列的任务效能确定无人机集群期望得到的总任务效能;
步骤S250,确定最大的总任务效能,将最大的总任务效能对应的可选航路作为各个基地到达目标点的最优航路。
具体来说,针对无人机集群协同任务,通常需考虑如下几类约束条件:
时间约束:对于任意给定任务Ti,无人机Ui如果分配到该任务,则无人机须在给定时间窗口[Etime(Ti),Ltime(Ti)]到达任务区才完成任务。其中:Etime(Ti)是无人机到达给定任务区的最早时间,Ltime(Ti)是无人机到达给定任务区的最晚时间,主要考虑三种典型目标任务序列。
高度约束:高度约束包括无人机自身高度约束和任务自身高度约束。对于任意给定任务Ti,无人机Ui如果分配了该任务,则无人机Ui必须在任务Ti限定高度空间[MinHeight(Ti),MaxHeight(Ti)]飞行才能完成任务。其中:MinHeight(Ti)是无人机Ui执行任务Ti的最小飞行高度,MaxHeight(Ti)是无人机Ui执行任务Ti的最大飞行高度。假设无人机Ui要执行任务Ti,则无人机高度约束条件约束的高度范围必须要满足任务Tj对应的高度约束条件,否则无人机Ui就不能执行任务Tj。
类型约束:类型约束有两种,一种是无人机自身类型约束,无人机类型约束规定了无人机的三种构型:只能执行打击任务、只能执行侦察任务、可以同时执行侦察和打击任务。类型约束限定了任务类型,假设无人机Ui要执行任务Tj,则无人机的类型约束必须要满足任务Tj对应的类型约束条件,否则无人机Ui就不能执行任务Tj。
地形约束:对于给定的任务环境Pi,对于任意无人机Ui∈U,无人机Ui在执行任务时必须避开的区域。地形约束包括地理上的不可飞,如高山、气流不稳定空域等和敌方控制的空域,如敌方火炮覆盖区域、地空导弹阵地等。
威胁约束:对给定的任务集合T,如果Ti∈T且Fi={Ai},对于任意无人机Ui∈U,如果Ti在Ui执行任务的航线上,则Ti就是Ui的威胁约束。
对于给定的地形约束Pi来说,在任务分配时可以当作是静态的决策变量;对于执行任务每架无人机来说,地形约束集P所定义的区域都是不可飞区域;而威胁约束则是动态变化的,示例性的,假定无人机Ui要执行目标任务序列Seqi={T3,T4},且预定航路要穿越打击任务T1所示的威胁范围,则任务T1所示威胁范围就是无人机Ui执行目标任务序列Seqi的一个威胁约束;如果预定的航路不穿越打击任务T1所示的威胁范围,那么任务T1所示的威胁范围就不是无人机Ui,执行目标任务序列Seqi的威胁约束。
此外,考虑局部区域协同任务想定(想定是指对执行任务双方基本态势、执行任务企图和执行任务发展情况的设想),高密度无人机集群必须满足不能相互碰撞,因此无人机集群中各无人机的飞行航迹需要满足避障约束。
另外,在一些实施例中,步骤S230中,所述确定无人机集群中各架无人机完成目标任务序列的任务效能,包括但不限于有以下步骤:
步骤S231,获取任务在当前时刻的价值以及无人机执行任务的收益因子,根据所述任务在当前时刻的价值以及无人机执行任务的收益因子确定该无人机完成该任务得到的收益;
其中,无人机Ui完成任务Tj得到的收益Reward(Ui(Tj))的计算公式为:
Reward(Ui(Tj))=Type(Ui)*Value(Tj)(t);
式中,Value(Tj)(t)表示任务Tj在t时刻的价值;Type(Ui)表示无人机Ui执行任务的收益因子,由无人机类型确定;α为随机数,0<α≤1。
需要说明的是,Value(Tj)(t)在任务空间中由态势、任务策略等因素来决定,一般情况下Value(Tj)(t)应该是一个常量,只是在态势、任务策略发生较大变化时Value(Tj)(t)才可能发生变化。Type(Ui)是与无人机类型有关的收益因子。
步骤S232,获取无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价,根据所述无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价确定该无人机完成该任务付出的代价;
无人机Ui完成任务Ti付出的代价的计算公式为:
Cost(Ui(Tj))=c1*D(Tj)+c2*Risk(Tj);
式中,Cost(Ui(Tj))表示无人机Ui完成目标任务序列Seqi中任务Tj付出的代价;其中,无人机Ui具备单独执行任务的能力,D(Tj)表示无人机Ui从目标任务序列Seqi中的任务Tj的前一个任务到完成任务Tj总飞行航程,如果Tj是Seqi中的第一个任务,那么D(Tj)是无人机从起点到完成任务Tj的飞行航程。Risk(Tj)表示无人机执行任务Tj的风险代价,与航路威胁、地形威胁有关;c1和c2分别是飞行航程和风险代价的代价因子;i=1,2,...,m;j=1,2,...,t;m为无人机集群中无人机总数,t为任务序列Seqi中任务总数。
步骤S233,根据无人机完成该任务得到的收益和付出的代价确定无人机完成目标任务序列的任务效能。
其中,无人机Ui完成目标任务序列Seqi任务效能的计算公式为:
ef(Ui(Seqi))=ef(Ui(T1))+ef(Ui(T2))+...+ef(Ui(Tj));
ef(Ui(Tj))=Reward(Ui(Tj))-Cost(Ui(Tj));
式中,Seqi为无人机Ui分配到的目标任务序列,Seqi={T1,...Ti,T2,T3},ef(Ui(Seqi))是无人机Ui完成目标任务序列Seqi总的任务效能;Ui(Tj)是无人机Ui完成目标任务序列Seqi中任务Tj的任务效能;Reward(Ui(Tj))是无人机Ui完成目标任务序列Seqi中任务Tj得到的收益。
本申请提供的实施例中,无人机集群自主任务规划问题是一个多目标组合优化问题,除了满足约束条件外,还需要有一个或多个目标函数来作为组合优化的评价指标,以此来反应任务规划的优劣。本申请采用任务效能综合反应无人机完成任务所获得的收益和付出的代价。
另外,在一些实施例中,所述步骤S240中,无人机集群期望得到的总任务效能的计算公式为:
其中,ef表示无人机集群期望得到的总任务效能,size(Seqi)是目标任务序列Seqi中任务的个数,n为待执行任务的总数量,k为无人机集群中无人机的总数量,
即,假设有n个待执行任务,k架无人机,通过无人机协同任务分配后,无人机集群期望得到的结果为ef,ef表示无人机集群期望得到的总任务效能,是期望结果,size(Seqi)大于零。
本申请提供的实施例中,要对无人机集群协同任务效能进行评估,首先要针对无人机的协同任务特点和运用无人机现状以及影响多无人机总体协同任务效能的因素,制定一种科学合理且实用的评估指标体系。在应用中,无人机的协同任务包括情报侦察、目标指示、炮火校射、电子干扰、火力打击、毁伤评估等6种以上的协同任务,针对这6种任务,在充分分析无人机协同任务使用的特殊性、无人机自身的指标、以及影响系统总体协同任务效能的因素的基础上,利用层次分析法建立无人机集群协同任务效能评估指标体系。
上述无人机集群协同任务效能评估指标体系是一个二级三层结构的指标体系。这些评估指标大多带有模糊性,基于模糊理论,可将次准则层对主准则层的评判作为第一级评判,把主准则层对目标层的评判作为第二级评判,从而构成一个二级三层模糊综合评估模型。
在一些实施例中,步骤S600中,所述对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划,包括:
步骤S610,根据主准则层中评估因素个数确定主评估因素集,将主评估因素集按照次准则层中每个科目的评估指标细分成多个子评估因素集;
示例性的,根据主准则层中评估因素个数确定主评估因素集U={U1,U2,..,Ui,..,Un},将主评估因素集按照次准则层中每个科目的评估指标细分成m个子评估因素集;需要说明的是,如果存在多层次准则层,则继续细分子评估因素集,直至最底层。
步骤S620,对主评估因素集中的每个子评估因素集分别进行一级评判,以确定无人机的综合评判向量;
所述步骤S620包括以下步骤:
步骤S621,在仿真测试中,将评语集分为多个档次;
步骤S622,获取专家组各自对评估指标体系中各项指标给出的相对标度,并计算出相应指标权重,然后对专家们的权重值进行加总求平均,确定各项指标的最终权重;
步骤S623,把子评估因素集到评语集作为一个模糊映射,确定模糊评估矩阵;
需要说明的是,对于由试验结果决定的定量评估科目,根据规范量化后的评分,按照区间直接归属到对应的评语集;如果某个科目进行了多次试验或某次试验有多组采集数据,则对多组数据分别进行评分;
步骤S624,根据模糊理论,进行模糊评估矩阵的合成运算,得出每个子评估因素集的综合评判向量。
需要说明的是,如果存在多层子评估因素集,则逐层进行模糊运算,直至得出最高次准则层的模糊评判矩阵。
评语集:用V={V1,V2,…,Vi,…,Vn}表示,在多无人机多任务规划仿真实验验证综合评价中将评语集分为V={Ⅰ,Ⅱ,Ⅲ,Ⅳ,Ⅴ}五个档次;为了做到定性与定量科目打分统一,将评语集与百分制对应,定义Vi={95,85,75,65,30}。
权重指标集:让专家组各自对评估指标体系中各项指标给出相对标度,并计算出相应指标权重,然后对专家们的权重值进行加总求平均,确定各项指标的最终权重。
模糊评估矩阵:把子评估因素集(即每个科目的评估指标)到评语集V作为一个模糊映射,确定模糊评估矩阵Ri,Ri={rijk}。
对于由试验结果决定的定量评估科目,根据规范量化后的评分,按照区间直接归属到对应的评语集。如果某个科目进行了多次试验或某次试验有多组采集数据,则对多组数据分别进行评分,Ri为评估子评估因素集中第ij项评估指标被作出评语集中第k种评估的次数,c为数据总组数。
对于专家打分的非定性分析科目,则有rijk=cijk/c,其中,cijk为评估子评估因素集Ui中第项评估指标被作出评语集中第k种评估的次数,c为数据总组数。对于专家打分的定性分析科目,则有rijk=dijk/d;其中,dijk为评估子评估因素集Ui中第ij项评估指标被作出评语集中第k种评估Vk的专家人数,d为参加评估的总专家数。
根据模糊理论,进行模糊矩阵的合成运算,得出的Ui的综合评判向量Bi ,其中,B=AR={bi1,bi2,bi3,bi4,bi5}。如果存在多层子评估因素集,则逐层进行模糊运算,直至得出最高次准则层的模糊评判矩阵R,R={Bi }。
步骤S630,将每个子评估因素集作为单因素,得到主因素集到评语集的模糊映射;
步骤S640,将每个子评估因素集作为主因素集的一部分,按各个子评估因素集的重要性给出权重分配,得到二级综合评判结果;
步骤S650,对二级综合评判结果归一化后,按最大隶属原则得出模糊综合评判,以确定待评估的系统所属等级;
步骤S660,根据定义的各等级分数,计算出综合评价结果,
步骤S670,根据需要建立各层次的因素集并对相应的权重进行赋值,计算得到无人机效能评估结果;
步骤S680,根据无人机效能评估结果中的最优结果确定最终的无人机协同任务计划。
本申请提供的实施例中,将每个子评估因素集看成一个因素,用作为它的单因素
评判,即得到主因素集U到评语集V的一个模糊映射,U={U1,U2,U3,…,Un}。将每个Ui作为U
的一部分,可按它们的重要性给出权重分配A={a1,a2,a3,…,an},进而得到二级综合评判,
对评判结果归一化后得到;按最大隶属原则,得到
,则得出模糊综合评判为Vk,于是得到待评估的系统所属等级。最后再根据定义的各等级分
数,计算出综合评价结果F,。
在实际评估过程中,根据需要建立各层次的因素集并对相应的权重进行赋值,最终计算得到无人机效能评价结果。
另外,参照图2,本申请的一个实施例还提供了一种电子设备10,所述电子设备10包括:存储器11、处理器12及存储在存储器11上并可在处理器12上运行的计算机程序。
处理器12和存储器11可以通过总线或者其他方式连接。
实现上述实施例的无人机集群协同任务规划方法所需的非暂态软件程序以及指令存储在存储器11中,当被处理器12执行时,执行上述实施例中的无人机集群协同任务规划方法。
此外,本申请的一个实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个处理器或控制器执行,例如,被上述电子设备实施例中的一个处理器执行,可使得上述处理器执行上述实施例中的无人机集群协同任务规划方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
以上是对本申请的较佳实施进行了具体说明,但本申请并不局限于上述实施方式,熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (3)
1.一种无人机集群协同任务规划方法,其特征在于,所述方法包括:
步骤S100,获取无人机集群待执行的任务;
步骤S200,确定无人机集群所在的各个基地执行任务的约束条件,根据所述约束条件规划各个基地到达目标点的最优航路;其中,所述目标点为无人机执行目标任务序列所在位置;
步骤S300,确定各个基地中无人机的种类和数目,依据无人机的种类和数目、最优航路所需的飞行距离和飞行时间确定分配给每架无人机的目标任务序列;其中,所述基地中同一架无人机具有相同的起飞点和降落点;
步骤S400,根据无人机的目标任务序列确定各无人机执行目标任务序列所需的规划时间和规划航路;
步骤S500,根据无人机的飞行技术指标对规划航路进行优化处理,确定无人机的飞行航路;
步骤S600,在仿真环境中控制无人机集群中的无人机按飞行航路执行任务,以对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划;
其中,所述步骤S200还包括:
步骤S210,确定无人机集群执行任务的任务空间;
步骤S220,从所述任务空间中筛选出满足约束条件的航路,得到可选航路;其中,所述约束条件包括:时间约束、高度约束、类型约束、地形约束、以及威胁约束;
步骤S230,确定无人机集群中各架无人机完成目标任务序列的任务效能;其中,所述任务效能为无人机完成任务获得的收益与执行任务过程中所付出的代价之差;
步骤S240,根据无人机集群中各架无人机完成目标任务序列的任务效能确定无人机集群期望得到的总任务效能;
步骤S250,确定最大的总任务效能,将最大的总任务效能对应的可选航路作为各个基地到达目标点的最优航路;
其中,无人机Ui分配了目标任务序列Seqi={T1,T2,T3},则约束条件为如下方程组:
其中,Vc(i)max是无人机Ui飞行的最大巡航速度,t(i)max是无人机两个任务之间的最大时间间隔;D(Seqi)是无人机完成任务总的航程;Cost(Ui(Seqi))是无人机完成目标任务序列总的任务代价;D(Ti)是无人机从起点到完成任务Ti的飞行航程;Risk(Tj)表示无人机执行任务Tj的风险代价;c1和c2分别是飞行航程和风险代价的代价因子;
其中,步骤S230中,所述确定无人机集群中各架无人机完成目标任务序列的任务效能,包括:
步骤S231,获取任务在当前时刻的价值以及无人机执行任务的收益因子,根据所述任务在当前时刻的价值以及无人机执行任务的收益因子确定该无人机完成该任务得到的收益;
其中,无人机Ui完成任务Tj得到的收益Reward(Ui(Tj))的计算公式为:
Reward(Ui(Tj))=Type(Ui)*Value(Tj)(t);
式中,Value(Tj)(t)表示任务Tj在t时刻的价值;Type(Ui)表示无人机Ui执行任务的收益因子,由无人机类型确定;α为随机数,0<α≤1;
步骤S232,获取无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价,根据所述无人机执行相邻两个任务的飞行航程以及无人机执行任务的风险代价确定该无人机完成该任务付出的代价;
无人机Ui完成任务Ti付出的代价的计算公式为:
Cost(Ui(Tj))=c1*D(Tj)+c2*Risk(Tj);
式中,Cost(Ui(Tj))表示无人机Ui完成目标任务序列Seqi中任务Tj付出的代价;其中,无人机Ui具备单独执行任务的能力,D(Tj)表示无人机Ui从目标任务序列Seqi中的任务Tj的前一个任务到完成任务Tj总飞行航程;i=1,2,...,m;j=1,2,...,t;m为无人机集群中无人机总数,t为任务序列Seqi中任务总数;
步骤S233,根据无人机完成该任务得到的收益和付出的代价确定无人机完成目标任务序列的任务效能;
其中,无人机Ui完成目标任务序列Seqi任务效能的计算公式为:
ef(Ui(Seqi))=ef(Ui(T1))+ef(Ui(T2))+...+ef(Ui(Tj));
ef(Ui(Tj))=Reward(Ui(Tj))-Cost(Ui(Tj));
式中,Seqi为无人机Ui分配到的目标任务序列,ef(Ui(Seqi))是无人机Ui完成目标任务序列Seqi总的任务效能;Ui(Tj)是无人机Ui完成目标任务序列Seqi中任务Tj的任务效能;Reward(Ui(Tj))是无人机Ui完成目标任务序列Seqi中任务Tj得到的收益;
步骤S600中,所述对无人机集群进行仿真测试,根据仿真测试的结果进行效能评估,以确定最终的无人机协同任务计划,包括:
步骤S610,根据主准则层中评估因素个数确定主评估因素集,将主评估因素集按照次准则层中每个科目的评估指标细分成多个子评估因素集;
步骤S620,对主评估因素集中的每个子评估因素集分别进行一级评判,以确定无人机的综合评判向量;
步骤S630,将每个子评估因素集作为单因素,得到主因素集到评语集的模糊映射;
步骤S640,将每个子评估因素集作为主因素集的一部分,按各个子评估因素集的重要性给出权重分配,得到二级综合评判结果;
步骤S650,对二级综合评判结果归一化后,按最大隶属原则得出模糊综合评判,以确定待评估的系统所属等级;
步骤S660,根据定义的各等级分数,计算出综合评价结果,
步骤S670,根据需要建立各层次的因素集并对相应的权重进行赋值,计算得到无人机效能评估结果;
步骤S680,根据无人机效能评估结果中的最优结果确定最终的无人机协同任务计划;
其中,所述步骤S620包括以下步骤:
步骤S621,在仿真测试中,将评语集分为多个档次;
步骤S622,获取专家组各自对评估指标体系中各项指标给出的相对标度,并计算出相应指标权重,然后对专家们的权重值进行加总求平均,确定各项指标的最终权重;
步骤S623,把子评估因素集到评语集作为一个模糊映射,确定模糊评估矩阵;
步骤S624,根据模糊理论,进行模糊评估矩阵的合成运算,得出每个子评估因素集的综合评判向量。
2.一种电子设备,其特征在于,所述电子设备包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述的无人机集群协同任务规划方法。
3.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1所述的无人机集群协同任务规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143945.3A CN114201925B (zh) | 2022-02-17 | 2022-02-17 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143945.3A CN114201925B (zh) | 2022-02-17 | 2022-02-17 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114201925A CN114201925A (zh) | 2022-03-18 |
CN114201925B true CN114201925B (zh) | 2022-06-17 |
Family
ID=80645457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210143945.3A Active CN114201925B (zh) | 2022-02-17 | 2022-02-17 | 无人机集群协同任务规划方法、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114201925B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115388901B (zh) * | 2022-10-27 | 2023-03-24 | 北京卓翼智能科技有限公司 | 一种无人机集群的航迹规划方法、装置及电子设备 |
CN115497012B (zh) * | 2022-10-28 | 2023-03-10 | 中国电子科技集团公司第五十四研究所 | 一种无人集群系统目标融合拣选方法及装置 |
CN115456488A (zh) * | 2022-11-10 | 2022-12-09 | 深圳市道通智能航空技术股份有限公司 | 机群系统的任务规划方法、任务规划装置及其电子设备 |
CN115456486A (zh) * | 2022-11-10 | 2022-12-09 | 深圳市道通智能航空技术股份有限公司 | 机群系统的任务规划方法、任务规划装置及其电子设备 |
CN115879327B (zh) * | 2023-02-24 | 2023-05-30 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的毁伤效能评估方法、装置、设备及介质 |
CN116523384B (zh) * | 2023-04-11 | 2024-05-14 | 中国人民解放军陆军工程大学 | 基于独立否决和联合否决的无人机效能确定方法及系统 |
CN116774735B (zh) * | 2023-08-24 | 2023-11-10 | 北京理工大学 | 一种基于边缘计算的无人机集群轨迹规划方法及系统 |
CN117053800B (zh) * | 2023-10-09 | 2024-01-09 | 中国气象科学研究院 | 用于气象观测的无人机航路规划方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN110608743A (zh) * | 2019-10-18 | 2019-12-24 | 南京航空航天大学 | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 |
CN110941283A (zh) * | 2019-11-20 | 2020-03-31 | 西北工业大学 | 一种基于任务需求的异构无人机集群协同最优配置方法 |
CN112817330A (zh) * | 2021-01-05 | 2021-05-18 | 北京联合大学 | 一种多无人机四维航迹协同规划方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104536454B (zh) * | 2014-12-05 | 2017-01-04 | 中国运载火箭技术研究院 | 一种用于双无人机协同的时空同步匹配方法 |
CN105427674B (zh) * | 2015-11-02 | 2017-12-12 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
CN106197426A (zh) * | 2016-06-28 | 2016-12-07 | 桂林电子科技大学 | 一种无人机应急通信路径规划方法及系统 |
CN106919184B (zh) * | 2016-12-20 | 2019-12-13 | 北京理工大学 | 双无人机协同作业系统及双无人机协同作业方法 |
CN107045458B (zh) * | 2017-03-09 | 2020-05-12 | 西北工业大学 | 基于多目标量子粒子群算法的无人机协同任务分配方法 |
CN107977743B (zh) * | 2017-11-29 | 2021-01-26 | 安徽有云智能科技有限公司 | 多无人机协同任务分配方法及装置 |
CN111047086B (zh) * | 2019-09-18 | 2022-11-04 | 合肥工业大学 | 车辆路径规划与无人机任务分配联合优化方法和装置 |
CN113283827B (zh) * | 2021-04-16 | 2024-03-12 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 |
CN113671985A (zh) * | 2021-07-28 | 2021-11-19 | 中国人民解放军32146部队 | 一种分阶段多基地无人机任务分配和航迹规划方法 |
-
2022
- 2022-02-17 CN CN202210143945.3A patent/CN114201925B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699106A (zh) * | 2013-12-30 | 2014-04-02 | 合肥工业大学 | 基于VR-Forces仿真平台的多无人机协同任务规划仿真系统 |
CN110608743A (zh) * | 2019-10-18 | 2019-12-24 | 南京航空航天大学 | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 |
CN110941283A (zh) * | 2019-11-20 | 2020-03-31 | 西北工业大学 | 一种基于任务需求的异构无人机集群协同最优配置方法 |
CN112817330A (zh) * | 2021-01-05 | 2021-05-18 | 北京联合大学 | 一种多无人机四维航迹协同规划方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114201925A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114201925B (zh) | 无人机集群协同任务规划方法、电子设备及可读存储介质 | |
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
US8185298B2 (en) | Hybrid heuristic national airspace flight path optimization | |
CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN112016812A (zh) | 多无人机任务调度方法、系统及存储介质 | |
US11663921B2 (en) | Flight trajectory multi-objective dynamic planning method | |
CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
CN114442662A (zh) | 基于改进狼群优化算法的无人机集群协同对地打击方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN116560406A (zh) | 一种无人机集群协同规划与自主调度方法 | |
CN115755963B (zh) | 一种考虑载具投递模式的无人机群协同任务规划方法 | |
CN114510072B (zh) | 基于进化迁移优化的多无人机路径规划方法、终端及介质 | |
CN115186446A (zh) | 一种基于离散网格结构的交叉口全链路交通仿真方法 | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
CN113485409A (zh) | 一种面向地理公平性的无人机路径规划分配方法及系统 | |
Wei et al. | Multi-UAVs cooperative reconnaissance task allocation under heterogeneous target values | |
CN116088396B (zh) | 一种无人集群双层协同任务控制方法及系统 | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN115617071A (zh) | 一种量子雪豹机制的多无人机任务规划方法 | |
CN117008641B (zh) | 用于多个异构无人机协同低空突防的分配方法和装置 | |
Standfuß et al. | Performance assessment of European air navigation service providers | |
CN116300990B (zh) | 用于低空环境的直升机和无人机协同搜救时间规划方法 | |
CN115203986B (zh) | 不规则责任区空基探测平台空域配置方法 | |
Shi et al. | Weapon configuration, allocation and route planning for a fleet of unmanned combat air vehicles | |
Ji et al. | Architecture Design for Unmanned Aerial Vehicle Mission Planning System |
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 |