CN114415697A - 一种多无人海洋运载器协同编队的任务分配方法及系统 - Google Patents
一种多无人海洋运载器协同编队的任务分配方法及系统 Download PDFInfo
- Publication number
- CN114415697A CN114415697A CN202210317505.5A CN202210317505A CN114415697A CN 114415697 A CN114415697 A CN 114415697A CN 202210317505 A CN202210317505 A CN 202210317505A CN 114415697 A CN114415697 A CN 114415697A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- matrix
- vehicles
- determining
- path
- 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 48
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 239000003305 oil spill Substances 0.000 claims abstract description 92
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 239000011664 nicotinic acid Substances 0.000 claims abstract description 14
- 239000000969 carrier Substances 0.000 claims abstract description 9
- 239000003016 pheromone Substances 0.000 claims description 39
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012546 transfer Methods 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 12
- 150000001875 compounds Chemical class 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000003592 biomimetic effect Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 101100428624 Ustilago maydis (strain 521 / FGSC 9021) umv1 gene Proteins 0.000 description 1
- 101100540343 Ustilago maydis (strain 521 / FGSC 9021) umv2 gene Proteins 0.000 description 1
- 101100372658 Ustilago maydis (strain 521 / FGSC 9021) umv3 gene Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
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
本发明提供了一种多无人海洋运载器协同编队的任务分配方法及系统,其方法包括:获取海洋溢油图像,并根据海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及目标位置;基于预设的路径规划模型,确定多无人海洋运载器中各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵;基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵;基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径;基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。本发明降低了多无人海洋运载器在执行任务时的能源耗费。
Description
技术领域
本发明涉及水运交通技术领域,具体涉及一种多无人海洋运载器协同编队的任务分配方法及系统。
背景技术
通过分析近年来发生的较大海上平台溢油事故,如美国墨西哥湾漏油事件、印度金奈和我国蓬莱溢油事件等,可以得到溢油处理设施能否迅速有效地容纳海面溢油,对于控制污染、应对危机和后果处理等都起着关键性的作用。
路径规划算法是无人海洋运载器集群执行任务的关键。目前单无人海洋运载器全局路径规划相关算法研究有很多,但随着围油任务复杂度的提高以及对路径规划算法鲁棒性要求的提高,但单无人海洋运载器的全局路径规划算法已无法满足要求。而与单无人海洋运载器工作相比,多无人海洋运载器协同工作具有鲁棒性好、容错性高等独特优势,不仅能够完成单无人海洋运载器工作无法完成的复杂任务,而且在部分运载器出现故障时,只需重新规划剩余运载器即可继续执行任务,从而达到优化任务执行效果和提高系统可靠性的目的。
针对多无人海洋运载器协同工作,国内外传统的编队控制方法主要有领航跟随者法、虚拟结构法和基于行为法等。上述方法研究大多以单过程、单独个体的最佳航迹算法为基础来达到集群系统路径最佳,这样容易造成无人海洋运载器集群执行遍历过程时的短视性,导致所得任务分配方案并非最佳分配方案,进而导致在多无人海洋运载器在控制海面溢油过程中能源耗费较多的技术问题。
发明内容
有鉴于此,有必要提供一种多无人海洋运载器协同编队的任务分配方法及系统,用以解决现有技术中存在的多无人海洋运载器在控制海绵溢油过程中能源耗费较多的技术问题。
一方面,本发明提供了一种多无人海洋运载器协同编队的任务分配方法,包括:
获取海洋溢油图像,并根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置;
基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵;
基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径;
基于所述最短闭循环巡回路径以及所述任务分配矩阵控制所述多无人海洋运载器运行。
在一些可能的实现方式中,所述根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置,包括:
对所述海洋溢油图像进行预处理,并提取所述海洋溢油图像的边缘,获得多个溢油区域;
确定所述多个溢油区域中各溢油区域的区域周长;
确定各所述溢油区域中所述无人海洋运载器的个数,并根据所述区域周长和所述无人海洋运载器的个数,确定所述无人海洋运载器的起始位置和目标位置。
在一些可能的实现方式中,所述基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵,包括:
将所述海洋溢油图像进行栅格化;
确定所述起始位置对应的起始栅格以及所述目标位置对应的目标栅格;
确定由所述起始栅格到达待评估栅格的第一评估代价以及由所述待评估栅格到达所述目标栅格的第二评估代价,并根据所述第一评估代价和所述第二评估代价确定总评估代价;
基于所述总评估代价确定所述起始位置和所述目标位置之间的航迹长度,并基于所述航迹长度构建所述任务代价矩阵。
在一些可能的实现方式中,所述基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的最短总航迹长度,包括:
步骤一、获取所述任务代价矩阵中每一行的最小值,并将对应行减去所述最小值,获得第一待处理矩阵;
步骤二、获取所述第一待处理矩阵中每一列的最小元素,并将对应列减去所述最小元素,获得第二待处理矩阵;
步骤三、获取所述第二待处理矩阵中覆盖所有零元素的最小行数,若所述最小行数等于所述任务代价矩阵的矩阵阶数,则所述零元素对应的行和列为最优分配方案;
步骤四、若所述最小行数小于所述任务代价矩阵的矩阵阶数,则找到未覆盖的元素中的最小数值,并基于所述最小数值对所述第二待处理矩阵进行更新,并返回至所述步骤三;
步骤五、基于所述最优分配方案确定所述多无人海洋运载器在两个溢油区域之间的最短总航迹长度;
步骤六、基于所述最短总航迹长度获得所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵。
在一些可能的实现方式中,所述最短总航迹长度为:
式中,表示无人海上运载器由溢油区域转移至溢油区域所需的最短航迹长度;表示第艘无人海上运载器到达目的地的航迹长度;表示变量因子;表示指派第艘无人海洋运载器达到目的地;表示未指派第艘无人海洋运载器达到目的地;表示所述多无人海洋运载器的总个数。
在一些可能的实现方式中,所述预设的仿生路径规划模型为蚁群路径规划模型;所述基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径,包括:
步骤七、对蚁群和模型参数进行初始化,所述模型参数包括循环次数、初始时刻、初始信息素量、最大时刻以及最大循环次数;
步骤十一、更新初始时刻,并判断更新后的初始时刻是否小于最大时刻;
步骤十二、若更新后的初始时刻小于最大时刻,则返回所述步骤八;若更新后的初始时刻是否大于或等于最大时刻,则确定每只蚂蚁的信息素增量,并根据所述每只蚂蚁的信息素增量确定从所述当前溢油区域转移至所述下一行走溢油区域的信息素总增量以及信息素总量;
步骤十三、更新循环次数,并判断更新后的循环次数是否大于或等于所述最大循环次数,若更新后的循环次数小于所述最大循环次数,则返回所述步骤八,若更新后的循环系数大于或等于所述最大循环次数,则获得所述最短闭循环巡回路径。
在一些可能的实现方式中,所述状态转移概率为:
所述信息素总增量为:
所述信息素总量为:
式中,为所述状态转移概率;为第只蚂蚁下一步允许选择的溢油区域;为禁忌表;为启发函数;为无人海上运载器由溢油区域转移至溢油区域所需的航迹长度;为信息启发算子;为期望启发算子;为时刻溢油区域转移至溢油区域之间路径上的信息素量;为信息素总增量;为第只蚂蚁从所述当前溢油区域转移至所述下一行走溢油区域的信息素增量;若第只蚂蚁在本次循环中经过路段,则;若第只蚂蚁在本次循环中不经过路段,则;为信息素强度;为第只蚂蚁在本次循环中所走路径的总长度;为信息素总量;为信息素挥发系数;为蚁群中蚂蚁的总个数。
另一方面,本发明还提供了一种多无人海洋运载器协同编队的任务分配系统,包括:
图像获取单元,用于获取海洋溢油图像,并根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置;
单路径规划单元,用于基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵;
任务分配单元,用于基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
巡回路径规划单元,用于基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径;
运行控制单元,用于基于所述最短闭循环巡回路径以及所述任务分配矩阵控制所述多无人海洋运载器运行。
另一方面,本发明还提供了一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意一种实现方式中所述的多无人海洋运载器协同编队的任务分配方法中的步骤。
另一方面,本发明还提供了一种计算机可读存储介质,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述任意一种实现方式中所述的多无人海洋运载器协同编队的任务分配方法中的步骤。
采用上述实施例的有益效果是:本发明提供的多无人海洋运载器协同编队的任务分配方法,首先基于预设的路径规划模型,确定各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵,然后基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵,再基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径,最后基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。由于本发明以多无人海洋运载器作为一个整体来获得最短闭循环巡回路径,可确保最短闭循环巡回路径的代价最低,即:可降低多无人海洋运载器在执行任务时的能源耗费。
进一步地,本发明通过基于预设的仿生路径规划模型和路径长度矩阵确定最短闭循环巡回路径,可降低陷入局部最优的概率,提高最短闭循环巡回路径的确定效率,从而可提高多无人海洋运载器执行任务的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的多无人海洋运载器协同编队的任务分配方法的一个实施例流程示意图;
图2为本发明图1中S101的另一个实施例流程示意图;
图3为本发明图1中S102的一个实施例流程示意图;
图4为本发明图1中S103的一个实施例流程示意图;
图5为本发明图1中S104的一个实施例流程示意图;
图6为本发明提供的多无人海洋运载器协同编队的任务分配系统的一个实施例结构示意图;
图7为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解,本领域技术人员在本发明内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
在本发明实施例的描述中,“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如:A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明实施例提供了一种多无人海洋运载器协同编队的任务分配及系统,以下分别进行说明。
图1为本发明提供的多无人海洋运载器协同编队的任务分配方法的一个实施例流程示意图,如图1所示,多无人海洋运载器协同编队的任务分配方法包括:
S101、获取海洋溢油图像,并根据海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及多无人海洋运载器在各溢油区域中的目标位置;
S102、基于预设的路径规划模型,确定多无人海洋运载器中各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵;
S103、基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
S104、基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径;
S105、基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。
与现有技术相比,本发明实施例提供的多无人海洋运载器协同编队的任务分配方法,首先基于预设的路径规划模型,确定各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵,然后基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵,再基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径,最后基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。由于本发明以多无人海洋运载器作为一个整体来获得最短闭循环巡回路径,可确保最短闭循环巡回路径的代价最低,即:可降低多无人海洋运载器在执行任务时的能源耗费。
进一步地,本发明实施例通过基于预设的仿生路径规划模型和路径长度矩阵确定最短闭循环巡回路径,可降低陷入局部最优的概率,提高最短闭循环巡回路径的确定效率,从而可提高多无人海洋运载器执行任务的效率。
需要说明的是:步骤S101中的获取海洋溢油图像可具体为:通过卫星遥感监测系统、航空监测系统、巡逻船监测系统或定点监测系统中的至少一种系统获取海洋溢油图像。
在本发明的一些实施例中,如图2所示,步骤S101包括:
S201、对海洋溢油图像进行预处理,并提取海洋溢油图像的边缘,获得多个溢油区域;
S202、确定多个溢油区域中各溢油区域的区域周长;
S203、确定各溢油区域中无人海洋运载器的个数,并根据区域周长和无人海洋运载器的个数,确定无人海洋运载器的起始位置和目标位置。
在本发明的一些实施例中,步骤S201具体为:调整海洋溢油图像的分辨率,使海洋溢油图像的高度和宽度均控制在200像素以内,然后将海洋溢油图像进行灰度变换等图像预处理工作,转换成二维灰色图像,然后将图像进行二值化,使用四连通性跟踪二值图像中的区域边界完成海洋溢油图像的边缘提取,获得多个溢油区域。
需要说明的是:为了简化计算,将本发明实施例中的无人海洋运载器抽象为质心处没有质量和体积的动点,且无人海洋运载器不考虑水动力、风、浪、流的影响。
在本发明的一些实施例中,步骤S102中预设的路径规划模型为A*模型,则如图3所示,步骤S102包括:
S301、将海洋溢油图像进行栅格化;
S302、确定起始位置对应的起始栅格以及目标位置对应的目标栅格;
S303、确定由起始栅格到达待评估栅格的第一评估代价以及由待评估栅格到达目标栅格的第二评估代价,并根据第一评估代价和第二评估代价确定总评估代价;
S304、基于总评估代价确定起始位置和目标位置之间的航迹长度,并基于航迹长度构建任务代价矩阵。
具体地,总评估代价为:
具体地,任务代价矩阵为:
在本发明的一些实施例中,步骤S103中预设的任务分配模型为匈牙利模型,则如图4所示,步骤S103包括:
S401、获取任务代价矩阵中每一行的最小值,并将对应行减去最小值,获得第一待处理矩阵;
S402、获取第一待处理矩阵中每一列的最小元素,并将对应列减去最小元素,获得第二待处理矩阵;
S403、获取第二待处理矩阵中覆盖所有零元素的最小行数,若最小行数等于任务代价矩阵的矩阵阶数,则零元素对应的行和列为最优分配方案;
S404、若最小行数小于任务代价矩阵的矩阵阶数,则找到未覆盖的元素中的最小数值,并基于最小数值对第二待处理矩阵进行更新,并返回至步骤S403;
S405、基于最优分配方案确定多无人海洋运载器在两个溢油区域之间的最短总航迹长度;
S406、基于最短总航迹长度获得多无人海洋运载器在多个溢油区域之间的路径长度矩阵。
需要说明的是:步骤S404中的基于最小数据对第二待处理矩阵进行更新,具体为:将第二待处理矩阵中未覆盖的元素减去最小数据,覆盖一次的元素不变,覆盖两次的元素加上最小数据。
在本发明的一些实施例中,最短总航迹长度为:
式中,表示无人海上运载器由溢油区域转移至溢油区域所需的最短航迹长度;表示第艘无人海上运载器到达目的地的航迹长度;表示变量因子;表示指派第艘无人海洋运载器达到目的地;表示未指派第艘无人海洋运载器达到目的地;表示所述多无人海洋运载器的总个数。
在本发明的一些实施例中,步骤S104中预设的仿生路径规划模型为蚁群路径规划模型,则如图5所示,步骤S104包括:
S501、对蚁群和模型参数进行初始化,模型参数包括循环次数、初始时刻、初始信息素量、最大时刻以及最大循环次数;
S505、更新初始时刻,并判断更新后的初始时刻是否小于最大时刻;
S506、若更新后的初始时刻小于最大时刻,则返回步骤S502;若更新后的初始时刻是否大于或等于最大时刻,则确定每只蚂蚁的信息素增量,并根据每只蚂蚁的信息素增量确定从当前溢油区域转移至下一行走溢油区域的信息素总增量以及信息素总量;
S507、更新循环次数,并判断更新后的循环次数是否大于或等于最大循环次数,若更新后的循环次数小于最大循环次数,则返回步骤S502,若更新后的循环系数大于或等于最大循环次数,则获得最短闭循环巡回路径。
为了验证蚁群路径规划模型的优越性,本发明实施例对比蚁群路径规划模型、遗传算法路径规划模型和模拟退火路径规划模型,对比结果如表1所示:
表1 路径规划模型对比
由表1可以看出:当迭代次数到200次时,蚁群路径规划模型已经可以得出最优结果为75.5432m,三种算法中蚁群算法运行结果最优,迭代次数在三种算法中最少,效率最高;遗传算法路径规划模型直到迭代次数到1000次时,仍未得到最优解;模拟退火路径规划模型运行较快,但迭代次数较多,较难达到全局最优解。由运行结果可知:在迭代求解的过程中,蚁群路径规划模型凭借其正反馈机制使得搜索过程不断收敛,能够较快地逼近最优解;其次,蚁群路径规划模型搜索过程采用分布式计算方式,多个个体同时进行并行计算,大大提高了算法的计算能力和运行效率;再次,启发式的概率搜索方式不容易陷入局部最优,因此易于寻找到全局最优解。因此,通过使用蚁群路径规划模型获得最短闭循环巡回路径,可提高获得最短闭循环巡回路径的速度和可靠性。
在本发明的一些实施例中,状态转移概率为:
信息素总增量为:
信息素总量为:
式中,为所述状态转移概率;为第只蚂蚁下一步允许选择的溢油区域;为禁忌表;为启发函数;为无人海上运载器由溢油区域转移至溢油区域所需的航迹长度;为信息启发算子;为期望启发算子;为时刻溢油区域转移至溢油区域之间路径上的信息素量;为信息素总增量;为第只蚂蚁从所述当前溢油区域转移至所述下一行走溢油区域的信息素增量;若第只蚂蚁在本次循环中经过路段,则;若第只蚂蚁在本次循环中不经过路段,则;为信息素强度;为第只蚂蚁在本次循环中所走路径的总长度;为信息素总量;为信息素挥发系数;为蚁群中蚂蚁的总个数。
在本发明的具体实施例中,共有六个溢油区域,溢油区域编号分别为一、二、三、四、五、六,每个溢油区域需要六个无人海洋运载器围合溢油区域,六个无人海洋运载器的编号分别为UMV1、UMV2、UMV3、UMV4, UMV5、UMV6,以溢油区域最左边的点作为其中一个目标位置,沿逆时针方向等距设置其他五个目标位置,六个目标位置的编号分别为1、2、3、4、5、6。经过仿真验证,
仿真结果如表2所示:
表2 仿真结果
由表2可知:多无人海洋运载器的最短闭循环巡回路径为1024.27米。
进一步地,利用暴力求解法遍历海洋溢油图像的栅格环境中得出的所有路径,对应总代价均始终不小于1024.27m,由此可知:本发明实施例提出的多无人海洋运载器协同编队的任务分配方法可确保最短闭循环巡回路径的代价最低,降低多无人海洋运载器在执行任务时的能源耗费。
为了更好实施本发明实施例中的多无人海洋运载器协同编队的任务分配方法,在基于多无人海洋运载器协同编队的任务分配方法基础之上,对应的,如图6所示,本发明实施例还提供了一种多无人海洋运载器协同编队的任务分配系统,多无人海洋运载器协同编队的任务分配系统600包括:
图像获取单元601,用于获取海洋溢油图像,并根据海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及多无人海洋运载器在各溢油区域中的目标位置;
单路径规划单元602,用于基于预设的路径规划模型,确定多无人海洋运载器中各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵;
任务分配单元603,用于基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
巡回路径规划单元604,用于基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径;
运行控制单元605,用于基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。
上述实施例提供的多无人海洋运载器协同编队的任务分配系统600可实现上述多无人海洋运载器协同编队的任务分配方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述多无人海洋运载器协同编队的任务分配方法实施例中的相应内容,此处不再赘述。
如图7所示,本发明还相应提供了一种电子设备700。该电子设备700包括处理器701、存储器702及显示器703。图7仅示出了电子设备700的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
处理器701在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器702中存储的程序代码或处理数据,例如本发明中的多无人海洋运载器协同编队的任务分配方法。
在一些实施例中,处理器701可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中,处理器701可为本地的或远程的。在一些实施例中,处理器701可实施于云平台。在一实施例中,云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等,或以上的任意组合。
存储器702在一些实施例中可以是电子设备700的内部存储单元,例如电子设备700的硬盘或内存。存储器702在另一些实施例中也可以是电子设备700的外部存储设备,例如电子设备700上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。
进一步地,存储器702还可既包括电子设备700的内部储存单元也包括外部存储设备。存储器702用于存储安装电子设备700的应用软件及各类数据。
显示器703在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器703用于显示在电子设备700的信息以及用于显示可视化的用户界面。电子设备700的部件701-703通过系统总线相互通信。
在一实施例中,当处理器701执行存储器702中的多无人海洋运载器协同编队的任务分配程序时,可实现以下步骤:
获取海洋溢油图像,并根据海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及多无人海洋运载器在各溢油区域中的目标位置;
基于预设的路径规划模型,确定多无人海洋运载器中各无人海洋运载器在起始位置和各溢油区域中的目标位置之间的任务代价矩阵;
基于预设的任务分配模型以及任务代价矩阵确定多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
基于预设的仿生路径规划模型以及路径长度矩阵确定多无人海洋运载器的最短闭循环巡回路径;
基于最短闭循环巡回路径以及任务分配矩阵控制多无人海洋运载器运行。
应当理解的是:处理器701在执行存储器702中的多无人海洋运载器协同编队的任务分配程序时,除了上面的功能之外,还可实现其它功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备700的类型不做具体限定,电子设备700可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备700也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
相应地,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质用于存储计算机可读取的程序或指令,程序或指令被处理器执行时,能够实现上述各方法实施例提供的多无人海洋运载器协同编队的任务分配方法中的步骤或功能。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的多无人海洋运载器协同编队的任务分配方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种多无人海洋运载器协同编队的任务分配方法,其特征在于,包括:
获取海洋溢油图像,并根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置;
基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵;
基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径;
基于所述最短闭循环巡回路径以及所述任务分配矩阵控制所述多无人海洋运载器运行。
2.根据权利要求1所述的多无人海洋运载器协同编队的任务分配方法,其特征在于,所述根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置,包括:
对所述海洋溢油图像进行预处理,并提取所述海洋溢油图像的边缘,获得多个溢油区域;
确定所述多个溢油区域中各溢油区域的区域周长;
确定各所述溢油区域中所述无人海洋运载器的个数,并根据所述区域周长和所述无人海洋运载器的个数,确定所述无人海洋运载器的起始位置和目标位置。
3.根据权利要求1所述的多无人海洋运载器协同编队的任务分配方法,其特征在于,所述基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵,包括:
将所述海洋溢油图像进行栅格化;
确定所述起始位置对应的起始栅格以及所述目标位置对应的目标栅格;
确定由所述起始栅格到达待评估栅格的第一评估代价以及由所述待评估栅格到达所述目标栅格的第二评估代价,并根据所述第一评估代价和所述第二评估代价确定总评估代价;
基于所述总评估代价确定所述起始位置和所述目标位置之间的航迹长度,并基于所述航迹长度构建所述任务代价矩阵。
4.根据权利要求1所述的多无人海洋运载器协同编队的任务分配方法,其特征在于,所述基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的最短总航迹长度,包括:
步骤一、获取所述任务代价矩阵中每一行的最小值,并将对应行减去所述最小值,获得第一待处理矩阵;
步骤二、获取所述第一待处理矩阵中每一列的最小元素,并将对应列减去所述最小元素,获得第二待处理矩阵;
步骤三、获取所述第二待处理矩阵中覆盖所有零元素的最小行数,若所述最小行数等于所述任务代价矩阵的矩阵阶数,则所述零元素对应的行和列为最优分配方案;
步骤四、若所述最小行数小于所述任务代价矩阵的矩阵阶数,则找到未覆盖的元素中的最小数值,并基于所述最小数值对所述第二待处理矩阵进行更新,并返回至所述步骤三;
步骤五、基于所述最优分配方案确定所述多无人海洋运载器在两个溢油区域之间的最短总航迹长度;
步骤六、基于所述最短总航迹长度获得所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵。
6.根据权利要求1所述的多无人海洋运载器协同编队的任务分配方法,其特征在于,所述预设的仿生路径规划模型为蚁群路径规划模型;所述基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径,包括:
步骤七、对蚁群和模型参数进行初始化,所述模型参数包括循环次数、初始时刻、初始信息素量、最大时刻以及最大循环次数;
步骤十一、更新初始时刻,并判断更新后的初始时刻是否小于最大时刻;
步骤十二、若更新后的初始时刻小于最大时刻,则返回所述步骤八;若更新后的初始时刻是否大于或等于最大时刻,则确定每只蚂蚁的信息素增量,并根据所述每只蚂蚁的信息素增量确定从所述当前溢油区域转移至所述下一行走溢油区域的信息素总增量以及信息素总量;
步骤十三、更新循环次数,并判断更新后的循环次数是否大于或等于所述最大循环次数,若更新后的循环次数小于所述最大循环次数,则返回所述步骤八,若更新后的循环系数大于或等于所述最大循环次数,则获得所述最短闭循环巡回路径。
7.根据权利要求6所述的多无人海洋运载器协同编队的任务分配方法,其特征在于,所述状态转移概率为:
所述信息素总增量为:
所述信息素总量为:
8.一种多无人海洋运载器协同编队的任务分配系统,其特征在于,包括:
图像获取单元,用于获取海洋溢油图像,并根据所述海洋溢油图像获得多个溢油区域、多无人海洋运载器的起始位置以及所述多无人海洋运载器在各溢油区域中的目标位置;
单路径规划单元,用于基于预设的路径规划模型,确定所述多无人海洋运载器中各无人海洋运载器在所述起始位置和各所述溢油区域中的目标位置之间的任务代价矩阵;
任务分配单元,用于基于预设的任务分配模型以及所述任务代价矩阵确定所述多无人海洋运载器在多个溢油区域之间的路径长度矩阵;
巡回路径规划单元,用于基于预设的仿生路径规划模型以及所述路径长度矩阵确定所述多无人海洋运载器的最短闭循环巡回路径;
运行控制单元,用于基于所述最短闭循环巡回路径以及所述任务分配矩阵控制所述多无人海洋运载器运行。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任意一项所述的多无人海洋运载器协同编队的任务分配方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的多无人海洋运载器协同编队的任务分配方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317505.5A CN114415697A (zh) | 2022-03-29 | 2022-03-29 | 一种多无人海洋运载器协同编队的任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210317505.5A CN114415697A (zh) | 2022-03-29 | 2022-03-29 | 一种多无人海洋运载器协同编队的任务分配方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114415697A true CN114415697A (zh) | 2022-04-29 |
Family
ID=81263848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210317505.5A Pending CN114415697A (zh) | 2022-03-29 | 2022-03-29 | 一种多无人海洋运载器协同编队的任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114415697A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105775054A (zh) * | 2016-03-03 | 2016-07-20 | 武汉理工大学 | 蚁群式动态溢油回收无人艇系统及其溢油回收方法 |
CN107037829A (zh) * | 2017-05-09 | 2017-08-11 | 广东容祺智能科技有限公司 | 一种集群无人机航线规划方法 |
CN107168341A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工程大学 | 面向溢油围捕的柔性连接式双无人艇自主协同方法 |
CN108873894A (zh) * | 2018-06-11 | 2018-11-23 | 上海大学 | 一种基于多无人艇的目标跟踪协同控制系统和方法 |
CN113050635A (zh) * | 2021-03-13 | 2021-06-29 | 西北农林科技大学 | 一种果园采摘运输多机器人的任务分配和路径规划方法 |
CN113342008A (zh) * | 2021-05-21 | 2021-09-03 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
-
2022
- 2022-03-29 CN CN202210317505.5A patent/CN114415697A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105775054A (zh) * | 2016-03-03 | 2016-07-20 | 武汉理工大学 | 蚁群式动态溢油回收无人艇系统及其溢油回收方法 |
CN107037829A (zh) * | 2017-05-09 | 2017-08-11 | 广东容祺智能科技有限公司 | 一种集群无人机航线规划方法 |
CN107168341A (zh) * | 2017-07-12 | 2017-09-15 | 哈尔滨工程大学 | 面向溢油围捕的柔性连接式双无人艇自主协同方法 |
CN108873894A (zh) * | 2018-06-11 | 2018-11-23 | 上海大学 | 一种基于多无人艇的目标跟踪协同控制系统和方法 |
CN113050635A (zh) * | 2021-03-13 | 2021-06-29 | 西北农林科技大学 | 一种果园采摘运输多机器人的任务分配和路径规划方法 |
CN113342008A (zh) * | 2021-05-21 | 2021-09-03 | 武汉理工大学 | 一种海空协同水下目标追踪的路径规划系统及方法 |
CN114019983A (zh) * | 2021-12-09 | 2022-02-08 | 中国海洋大学 | 面向多任务点的无人艇协同路径规划方法 |
Non-Patent Citations (2)
Title |
---|
师将: "无人机编队协同任务分配与路径规划技术研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
谢中华: "《MATLAB与数学建模》", 30 September 2019, 北京航空航天大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7234370B2 (ja) | ニューラルネットワークを使用した集積回路フロアプランの生成 | |
CN109541634B (zh) | 一种路径规划方法、装置和移动设备 | |
CN111707279B (zh) | 一种激光点云与地图的匹配评价方法、介质、终端和装置 | |
CN111752691B (zh) | Ai计算图的排序方法、装置、设备及存储介质 | |
CN102496187A (zh) | 一种基于三角形网格的追踪等值线至边界及断层的方法 | |
CN115270644B (zh) | 一种智能船舶节能航行编队方法、电子设备和存储介质 | |
US20230419639A1 (en) | Target detection method and device for high-resolution remote sensing image | |
CN116301048A (zh) | 无人机路径规划方法、系统、电子设备以及存储介质 | |
CN109974708B (zh) | 一种无人船航迹规划方法、终端设备及存储介质 | |
CN108509532B (zh) | 一种应用于地图的聚点方法和装置 | |
CN112268564B (zh) | 一种无人机降落空间位置和姿态端到端估计方法 | |
CN112270083B (zh) | 一种多分辨建模与仿真方法及系统 | |
CN114415697A (zh) | 一种多无人海洋运载器协同编队的任务分配方法及系统 | |
CN114396959B (zh) | 基于高精度地图的车道匹配定位方法、装置、设备及介质 | |
CN114371692B (zh) | 能源约束下的巡逻船区域覆盖路径规划方法、系统及装置 | |
CN115239889A (zh) | 3d重建网络的训练方法、3d重建方法、装置、设备和介质 | |
WO2020233052A1 (zh) | 智能化路径规划方法、装置、设备及存储介质 | |
Pettway et al. | Adaptive meshing in a mixed regime hydrologic simulation model | |
Qin et al. | Dynamic Detection of Topological Information from Grid‐Based Generalized Voronoi Diagrams | |
CN116405883B (zh) | 一种无人驾驶设备集群的覆盖搜寻方法、装置和终端设备 | |
CN113985894B (zh) | 一种自主避障路径规划方法、装置、设备及存储介质 | |
CN117808873B (zh) | 冗余道路检测方法、装置、电子设备及存储介质 | |
CN113655785B (zh) | 一种基于混合算法的无人艇群控制方法 | |
Yin et al. | Incremental construction of generalized Voronoi diagrams on pointerless quadtrees | |
CN116912790A (zh) | 一种车道线检测方法及装置 |
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 |