CN114610064A - 基于动态目标搜索的空地协同任务分配方法及相关设备 - Google Patents

Abstract

本申请提供一种基于动态目标搜索的空地协同任务分配方法及相关设备，基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标，基于所述目标信息和动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。本申请充分考虑了跨域无人平台视野覆盖优势和区域监视能力，提高多平台协同目标搜索能力。同时，鉴于异构无人平台的特点，建立面向系统能耗和任务时效双重指标的协同优模型，提高异构平台协同执行任务的能力。

Description

基于动态目标搜索的空地协同任务分配方法及相关设备

技术领域

本申请涉及协同搜索技术领域，尤其涉及一种基于动态目标搜索的空地协同任务分配方法及相关设备。

背景技术

随着机器学习和人工智能技术的不断进步,自主性和智能性已经成为无人系统研发的重要趋势,也是系统研究成果落地应用的重要指标。具有一定智能化水平的自主无人系统能够大力推进科技与经济的快速发展,进一步提高人类的生活质量。由于军事和民用领域的广泛应用前景,智能自主无人系统的研发受到世界各国的高度重视,特别是在军事领域中,无人系统被视为未来智能化战争的主力军。在不确定环境下将多种异构、离散的无人资源高效组织、协同规划构成一个有效的闭合环路,对于自主无人系统的构建至关重要,是推进无人系统自主能力发展的重要一环。因此,近年来基于多无人平台协同优化的任务分配、路径规划方法层出不穷,成为学者研究的热点问题之一。

现有的研究方法在跨域异构多平台组织协同方面均取得了较好的任务完成率。然而在现实城市环境中,仍然存在以下问题急需解决:(1)当目标位置动态变化,且运动状态、轨迹未知时,如何组织异构无人平台进行高效协同搜索,避免出现目标遗漏问题；(2)由于跨域无人平台的异构性，如何根据平台的特点设置最优的分配方式,在保证任务分配完成率的同时,提高平台之间的协同效率。

发明内容

有鉴于此，本申请的目的在于提出一种基于动态目标搜索的空地协同任务分配方法及相关设备。

基于上述目的，本申请提供了一种基于动态目标搜索的空地协同任务分配方法，包括：

对目标搜索区域进行预处理；

基于整合优化模型，通过无人机和无人车对经过预处理的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标；

获取全部所述运动目标的目标信息和动态打击任务；

基于所述目标信息和动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。

可选的，所述对目标搜索区域进行预处理，包括：

对所述目标搜索区域进行栅格化处理，以得到所述目标搜索区域对应的栅格化地图，所述栅格化地图包括建筑物栅格、城建区域栅格和街道栅格。

可选的，所述基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，包括：

以最大化所述整合优化模型中的协同收益性能和区域覆盖率为优化指标，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索。

可选的，所述协同收益性能具体为

其中，S_a(k+q)和S_r(k+q)分别表示第q个预测周期无人机或无人车在所述栅格化地图中的所处栅格的吸引信息素值和排斥信息素值，β和γ为常数系数，N表示预测周期总数，k表示第k个预测周期；

所述区域覆盖率具体为

其中，N_uav表示无人机的总数量，R_uav表示理想情况下无人机的区域覆盖面积，R′_i表示在当前周期下无极人i的实际区域覆盖面积，N_ugv表示无人车的总数量，R_ugv表示理想情况下无人车的区域覆盖面积，R′_j表示在当前周期下无人车j去除与无人机发生重复覆盖后的实际覆盖面积。

可选的，所述目标信息包括目标类型、目标位置、目标运动方向和载弹量需求。

可选的，所述任务类型包括搜索任务、监控任务和打击任务。

可选的，所述通过协同优化模型得到参与所述动态打击任务的所述无人机和所述无人车，包括：

基于所述协同优化模型的约束条件和通过最小化所述协同优化模型的目标函数，以确定参与所述动态打击任务的所述无人机和所述无人车。

可选的，所述目标函数为

C＝α₁C₁+α₂C₂

其中，α₁和α₂为权重系数，α₁+α₂＝1，C₁表示无人机和无人车的能耗，C₂表示无人机和无人车的最短任务完成时间。

可选的，

其中，η_i表示无人机i在单位飞行距离的能量消耗，η_j表示无人车j在单位飞行距离的能力消耗，D_i表示无人机i的行进距离，D_j表示无人车j的行进距离，sign_i表示无人机i的分配决策变量，sign_j表示无人机j的分配决策变量，N_uav表示无人机的总数量，N_ugv表示无人车的总数量，sign_i＝1或sign_j＝1表示无人机i或无人车j正在执行所述搜索任务，sign_i＝2或sign_j＝2表示无人机i或无人车j正在执行所述监控任务，sign_i＝3或sign_j＝3表示无人机i或无人车j正在执行所述监控任务；

其中，

和

分别表示无人机和无人车的最大行驶速度。

可选的，所述约束条件包括安全距离约束、不可达区域约束和载弹量约束，所述安全距离约束包括无人机安全距离约束和无人车安全距离约束，所述无人机安全距离约束为

所述无人车安全距离约束为

其中，

表示编号相邻的无人机i′和无人机k之间的距离，i′＝1,2,…,N_uav-1，k＝i′+1,…,N_uav，

表示编号相邻的无人车j′和无人车k′之间的距离，j′＝1,2,…,N_ugv-1，k′＝j′+1,…,N_ugv，

和

分别表示所述无人机和所述无人车的最小安全距离；

所述不可达区域约束为

其中，

表示无人机i在时刻t在所述栅格化地图中的坐标，

表示无人车j在时刻t在所述栅格化地图中的坐标，building表示所述建筑物栅格集合，road表示所述街道栅格集合，i＝1,2,…,N_uav，j＝1,2,…,N_ugv；

所述载弹量约束为

其中，strike_i,t表示无人机i在第t时刻的载弹量，strike_j,t表示无人车j在第t时刻的载弹量，trike_target表示所述运动目标的所述载弹量需求，i＝1,2,…,N_uav，j＝1,2,…,N_ugv。

从上面所述可以看出，本申请提供的一种基于动态目标搜索的空地协同任务分配方法及相关设备，基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标，基于所述目标信息和动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。本申请充分考虑了跨域无人平台视野覆盖优势和区域监视能力，提高多平台协同目标搜索能力。同时，鉴于异构无人平台的特点，建立面向系统能耗和任务时效双重指标的协同优模型，提高异构平台协同执行任务的能力。

附图说明

为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术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申请的实施例，对于本领域普通技术人员来讲，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为本申请实施例的基于动态目标搜索的空地协同任务分配方法的流程示意图；

图2为本申请实施例的目标搜索区域的栅格化地图示意图；

图3为本申请实施例的运动目标与无人平台的运动方向标识示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。

需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

以下结合附图来详细说明本申请的实施例。

本申请提供了一种基于动态目标搜索的空地协同任务分配方法，参考图1，包括以下几个步骤：

步骤S101、对目标搜索区域进行预处理。

本实施例中以城市环境为背景，利用无人机和无人车组成编队对未知的目标搜索区域进行搜索。在进行搜索之前需要对目标搜索区域进行数字化处理，目标搜索区域中会包括一些建筑物和街道，需要在目标搜索区域中对建筑物和街道进行标记，以便无人机和无人车能够更好的在目标搜索区域进行搜索。

步骤S102、基于整合优化模型，通过无人机和无人车对经过预处理的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标。

具体的，基于经过预处理的目标搜索区域，通过整合优化模型的算法引导无人机和无人车进行运动目标的搜索，使其在有限时间内尽可能多的找到运动目标，同时增加无人机和无人车的在目标搜索区域的搜索覆盖率。

步骤S103、获取全部所述运动目标的目标信息和动态打击任务。

具体的，通过上述步骤确定了目标搜索区域内的全部运动目标后，实时收集运动目标的信息，同时根据收集到的全部运动目标的目标信息确定动态打击任务，以实现对运动目标的精准打击。

步骤S104、基于所述目标信息和所述动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。

具体的，打击任务包括三种类型，分别为搜索任务、监视任务和打击任务。对于正在执行搜索任务的无人机或无人车，能够被分配动态打击任务，对于正在执行监视任务的无人机或无人车，通常其载弹量不能满足打击要求，需要等他其他无人机或无人车辅助打击，因此执行监视任务的无人机或无人车不能参与动态打击任务。对于正在执行打击任务的无人机或无人车，则不能参加其他动态打击任务。综上，只有执行搜索任务的无人机或无人车能够分配动态打击任务。确定了参与动态打击任务的无人机或无人车之后，通过A*算法对无人机和无人车到达目标点的路径进行动态规划，形成可行路径，最终完成任务分配，实现精准打击，提高任务的执行效率和无人资源利用率。本实施例中的A*算法参考电子文献{http://blog.csdn.net/lmq_zzz/article/details/88999480}。

经过上述步骤S101-S104，基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标，基于所述目标信息和动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。本实施例分考虑了跨域无人平台视野覆盖优势和区域监视能力，提高多平台协同目标搜索能力。同时，鉴于异构无人平台的特点，建立面向系统能耗和任务时效双重指标的协同优模型，提高异构平台协同执行任务的能力。

在一些实施例中，所述对目标搜索区域进行预处理，包括：

对所述目标搜索区域进行栅格化处理，以得到所述目标搜索区域对应的栅格化地图，所述栅格化地图包括建筑物栅格、城建区域栅格和街道栅格。

具体的，本实施例在目标搜索区域中设置了建筑物、城建区域和街道等约束限制，增加了无人机和无人车的运动和感知约束。一方面，这些约束限制了无人机和无人车的运动范围、减少了无人平台的可行路径，从而增加目标搜索和打击任务的难度。另一方面，这些约束限制了无人平台的感知能力，对于依靠视觉发现目标的无人平台而言，当摄像头与目标连线上出现障碍物时，品台因目标部分特征消失而无法感知到目标。为了便于描述目标搜索与打击过程，对目标搜索区域进行栅格化等分处理，分割为N_l×N_w个栅格，如图2所示。假设该目标搜索区域的长和款分别为L和W，每个栅格g的大小为Δl×Δw。黑色长方体表示城市建筑物，其占地面积为9个栅格。与此同时,为了简化目标识别过程,设定无人机编队均等高飞行,且搭载的目标检测摄像头均垂直向下,其发现范围为9个栅格(图2中的A区域)。相应地,图2中的B区域表示地面无人车的发现范围,即仅有发现前方一个栅格内的目标。由栅格的可达性,每个栅格g(m,n)可赋值为

式中(m,n)为栅格g(m,n)在地图中的编号索引(m∈[1,N_L]，m∈[1,N_w])，reachableregion表示可到达区域，others表示其他区域。

在一些实施例中，所述基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，包括：

以最大化所述整合优化模型中的协同收益性能和区域覆盖率为优化指标，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索。

具体的，为了增加目标搜索和打击任务的挑战性，在目标搜索区域设置了三类不同运动状态的运动目标，这三类运动目标模型的具体表达如下：

(1)目标初始位置未知，做匀速运动

当目标的初始位置信息未知时,目标以等概率分布在目标搜索区域中的任一栅格,设当前时刻目标位置分布集合D1为:

目标运动位置的概率密度函数f₁(x,y)为:

式中,L和W分别表示搜索区域的长和宽,Δl×Δw为栅格的大小。

(2)目标初始位置已知，做均变速运动

假设目标的初始位置信息已知,目标以最大速度ν_max在初始位置(x₀,y₀)处开始运动,概率分布在目标搜索区域中的任一栅格,此时目标位置分布集合D2为:

目标运动位置的概率密度函数f₂(x,y)为:

式中,Δt为目标相邻运动时间间隔。

(3)目标初始位置已知，做变速运动

假设目标的初始位置信息已知,目标以最大速度ν_max在初始位置(x₀,y₀)处开始运动,其运动方向未知且不固定,此时目标位置分布集合D₃为：

D₃＝{(x,y)||x-x₀|+|y-y₀|≤v_max×Δt}

目标运动位置的概率密度函数f₃(x,y)为:

式中,σ为二元正态分布方差,α为标准化常数,其值为:

根据上述目标运动概率密度估计函数能够得到目标的运动轨迹,因此运动目标模型的结构体可表示为:

式中,type为运动目标类型,即服从上述哪一类运动分布,movingdirection表示目标的运动方向,在基于栅格化的路径规划过程中,运动目标只能在道路上运动,不能穿过建筑物和城建区域,将目标在相邻时刻的行进方向表示如图3所示。具体标号为:(1)″0″表示向前；(2)″1″表示向左；(3)″2″表示向后；(4)″3″表示向右。trackset()为目标运动轨迹,记录运动目标走过的位置坐标。foundflag为被发现标志,记录运动目标被发现的时间周期。strikeflag为被打击标志,记录运动目标被打击的时间，M表示运动目标数量。

对于无人机和无人车来说，假设每一时刻同一栅格最多只存在一个运动目标，每个无人机或无人车利用机载摄像头对目标搜索区域的各栅格进行搜索与打击任务，其行进轨迹由转弯半径和速度所决定，即

UV_i(t)＝[x_i(t),y_i(t),d_i(t)]

式中,x_i(t),y_i(t)表示第t时刻第i个无人平台(无人机或无人车)在目标搜索区域中的2维位置坐标,d_i(t)表示转动方向。需要指出的是,无人机能够穿过城建区域,但遇到建筑物则需要绕行,因此在相邻时刻的航行方向设置为八链码方向。而无人车则无论遇到城建区域还是建筑物均需要绕行,因此在相邻时刻的行进方向设置与目标相同,为4个方向,具体表示如图3所示。无人平台(无人机或无人车)的运动状态表达式为:

式中,v表示无人平台(无人机或无人车)的行进速度,θ为无人平台(无人机或无人车)的转向角,θ包括θ_uav∈[-180°,-135°,-90°,-45°,0°,45°,90°,135°]和θ_ugv∈[-180°,-90°,0°,90°]，无人平台(无人机或无人车)的模型结构可表示为:

式中,type为无人平台类型,即无人机或无人车,movingdirection表示无人平台的运动方向,sign表示无人平台的任务类型,具体分为搜索任务,监视任务和打击任务。bombload为无人平台载弹量,若载弹量为0,则该平台只能执行搜索和监视任务。trackset()为无人平台运动轨迹,记录走过的位置坐标.foundnum记录该无人平台进行搜索发现的目标编号序列,strikenum记录该无人平台进行打击任务的目标编号序列，N_uav表示无人机的总数量，N_ugv表示无人车的总数量。

根据建立的栅格化地图，通过赋予栅格各类数字信息素浓度引到无人平台进行目标搜索任务。随着搜索任务的深入，无人平台会在栅格化地图上释放各类信息素，以不断更新初始数字信息素图。

数字信息素包括吸引信息素和排斥信息素，具体如下：

(1)吸引信息素

为降低目标搜索区域的不确定度,引入吸引信息素概念。假设S_a(k)＝(S_a(m,n,k))_L×W为第k个预测周期的吸引信息素矩阵,其中S_a(m,n,k)表示栅格g(m,n)的吸引信息素浓度,其初始值为常数。吸引信息素的更新规则为:

S_a(k)＝(1-E_a)((1-G_a)[S_a(k-1)+d_aV]+GP_a(k))

式中，E_a和G_a分别代表吸引信息素的挥发系数和传播系数,d_a是吸引信息素的释放常数,GP_a(k)是吸引信息素的传播矩阵。V＝(v_mn)_L×W是一个特殊的二值矩阵,其元素均等于0或1。当且仅当在上一个预测周期内至少任意一个无人机搜索了栅格g(m,n)时,v_mn＝0。GP_a(k)＝(gp_a(m,n,k))_L×W是在(k-1,k)时段从相邻栅格到栅格g(m,n)的信息浓度,gp_a(m,n,k)的计算方法为：

式中,U是栅格g(m,n)的相邻栅格集合,g_mn∈U是该栅格的相邻栅格之一,L_mn是相邻栅格的总数。吸引信息素仅在无人平台未搜索的栅格中释放。通过吸引信息素,无人平台能够被引导到未经搜索的栅格中。

(2)排斥信息素

为避免平台间重复搜索已搜索过的栅格,引入排斥信息素概念,排斥信息素的更新规则与吸引信息素相对应,设定S_r(k)＝(S_r(m,n,k))_L×W为第k个预测周期的排斥信息素矩阵,其中S_r(m,n,k)表示栅格g(m,n)的排斥信息素浓度,其更新规则为：

S_r(k)＝(1-E_r)((1-G_r)[S_r(k-1)+d_rV]+GP_r(k))

式中,与吸引信息素相对应,E_r和G_r分别代表排斥信息素的挥发系数和传播系数,d_r是吸引信息素释放的常数，GP_r(k)是传播矩阵。GP_r(k)＝(gp_r(m,n,k))_L×W是在(k-1,k)时段从相邻栅格到g(m,n)的信息浓度,gp_r(m,n,k)的计算方法为：

式中,U是栅格g(m,n)的相邻栅格集合,g_mn∈U是该栅格的相邻栅格之一,L_mn是相邻栅格的总数。需要指出的是,排斥信息素只在上一个预测周期访问的栅格中释放,利用排斥信息素能够避免重复搜索栅格。

利用上面建立的数字信息素，综合考虑多无人平台件的协同配合能力和区域覆盖能力，建立了基于无人平台协同收益性能和区域覆盖率的优化指标。具体如下：

(1)协同收益性能

基于吸引信息素和排斥信息素的释放与稀释,无人平台间的协同收益性能指标J_c(k)定义如下：

式中,S_a(k+q)和S_r(k+q)分别表示第q个预测周期无人平台在所述栅格化地图中的所处栅格的吸引信息素值和排斥信息素值,β和γ为常数系数，k表示第k个预测周期。J_c(k)中吸引信息素可引导无人平台搜索未知栅格,排斥信息素可避免重复搜索历史栅格,在这两种信息素的作用下,多无人平台可尽量不重复地搜索栅格,从而高效搜索任务区域。

(2)区域覆盖率

在限定的预测周期内,为了更好地掌握城市区域的结构信息,空地协同搜索应保证每一时刻无人平台的整体区域覆盖率最大化,即尽可能多的探测区域信息。平台间的区域覆盖率指标J_o(k)定义如下：

式中,(N-k+1)²/N为预测时间域的动态系数,由于目标动态性,预测周期越长则区域覆盖利用度越低,因此使用动态系数平衡计算覆盖利用率受预测周期长度的影响。N_uav表示无人机的总数量，R_uav表示理想情况下无人机的区域覆盖面积，R′_i表示在当前周期下无极人i的实际区域覆盖面积，N_ugv表示无人车的总数量，R_ugv表示理想情况下无人车的区域覆盖面积，R′_j表示在当前周期下无人车j去除与无人机发生重复覆盖后的实际覆盖面积。

综合上述两个指标,为保证多平台协同决策的有效性,整合优化模型如下：

maxJ_s(k)＝max[λ₁J_c(k)+λ₂J_o(k)]

式中，λ₁和λ₂分别是协同收益性能和区域覆盖率的权重系数。J_s体现了当前周期下多无人平台的整体性能优劣,基于加深迭代策略,每次迭代J_s都会有不同程度地提高,待迭代结果稳定后的取值即为当前预测周期的最优解。

基于上述协同收益性能和区域覆盖率为优化指标，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，确定目标搜索区域内的全部运动目标。

在一些实施例中，所述目标信息包括目标类型、目标位置、目标运动方向和载弹量需求。

当无人平台发现运动目标后，根据实时收集的目标信息，在任务分配的过程中，根据目标位置、载弹量需求等建立协同优化模型进行任务分配。

在一些实施例中，所述通过协同优化模型得到参与所述动态打击任务的所述无人机和所述无人车，包括：

基于所述协同优化模型的约束条件和通过最小化所述协同优化模型的目标函数，以确定参与所述动态打击任务的所述无人机和所述无人车。

在协同优化模型中，设定平台能耗和最短任务完成时间为目标函数，具体为：

(1)平台能耗

由于机载电池的限制,追求更低的行进成本是空地无人平台执行任务的首要目标,决定着精准打击任务的成败。平台能耗是指面向动态打击任务的到达,无人平台由起止点达到目的地的过程中产生的能量消耗,包括电池能耗、机电损耗等方面,平台能耗的定义为

其中，η_i表示无人机i在单位飞行距离的能量消耗，η_j表示无人车j在单位飞行距离的能力消耗，D_i表示无人机i的行进距离，D_j表示无人车j的行进距离，sign_i表示无人机i的分配决策变量，sign_j表示无人机j的分配决策变量，N_uav表示无人机的总数量，N_ugv表示无人车的总数量，sign_i＝1或sign_j＝1表示无人机i或无人车j正在执行所述搜索任务，sign_i＝2或sign_j＝2表示无人机i或无人车j正在执行所述监控任务，sign_i＝3或sign_j＝3表示无人机i或无人车j正在执行所述监控任务，只有当sign_i＝1或sign_j＝1时，当前无人机或无人车才能够参与任务分配，作为协同优化模型的输入。

(2)最短任务完成时间

执行时效性是协同优化模型必须要考虑的因素,特别是面向动态目标的打击任务,一旦错失最佳打击时间,后果将不堪设想。因此,在本文的动态任务分配过程中,希望到达的实时任务能够在尽可能短的时间内完成,从而保证任务的时效性要求。最短任务完成时间的定义为

其中，

和

分别表示无人机和无人车的最大行驶速度。

综合上述两种优化目标，协同优化模型的目标函数可表示为

C＝α₁C₁+α₂C₂

其中，α₁和α₂为权重系数，α₁+α₂＝1，C₁表示平台能耗，C₂表示无人机和无人车的最短任务完成时间。

在空地协同执行任务的过程中，应对平台间的安全距离、载弹量以及区域环境进行约束判断，避免发生路径不可达、平台损毁等问题。

在一些实施例中，所述约束条件包括安全距离约束、不可达区域约束和载弹量约束，所述安全距离约束包括无人机安全距离约束和无人车安全距离约束，所述无人机安全距离约束为

所述无人车安全距离约束为

其中，

表示编号相邻的无人机i′和无人机k之间的距离，i′＝1,2,…,N_iav-1，k＝i′+1,…,N_uav，

表示编号相邻的无人车j′和无人车k′之间的距离，j′＝1,2,…,N_ugv-1，k′＝j′+1,…,N_ugv，

和

分别表示所述无人机和所述无人车的最小安全距离，Δx_i′,k＝(x_i′,t-x_k,t)²，Δy_i′,k＝(y_i′,t-y_k,t)²，Δx_j′,m＝(x_j′,t-x_m,t)²，Δy_j′,m＝(y_j′,t-y_m,t)²，(x_i′,t,y_i′,t)表示无人机i′在时刻t的坐标，(x_k,t,y_k,t)表示无人机k在时刻t的坐标，(x_j′,t,y_j′,t)表示无人车j′在时刻t的坐标，(x_m,t,y_m,t)表示无人车m在时刻t的坐标。

在城市环境中，不可达区域时十分重要的问题，直接决定着协同优化模型的实用性在本实施例中，无人机主要设定的不可达区域为建筑物，即无人机在执行任务时必须绕过此建筑物，而无人车的不可达区域为建筑物和城建区域，即仅能在街道上行进。因此，所述不可达区域约束为

其中，

表示无人机i在时刻t在所述栅格化地图中的坐标，

表示无人车j在时刻t在所述栅格化地图中的坐标，building表示所述建筑物栅格集合，road表示所述街道栅格集合，i＝1,2,…,N_uav，j＝1,2,…,N_ugv。

在动态任务分配过程中，本实施例主要面向打击任务，因此平台载弹量是十分必要的前提。若无人平台的载弹量为0，则该平台不能参与任务分配，智能执行目标搜索和监视任务。在此基础上，被安排执行打击任务的多平台还应满足一下约束条件

其中，strike_i,t表示无人机i在第t时刻的载弹量，strike_j,t表示无人车j在第t时刻的载弹量，strike_target表示所述运动目标的所述载弹量需求，i＝1,2,…,N_uav，j＝1,2,…,N_ugv。

需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围(包括权利要求)被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。

本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于动态目标搜索的空地协同任务分配方法，其特征在于，包括：

对目标搜索区域进行预处理；

基于整合优化模型，通过无人机和无人车对经过预处理的所述目标搜索区域内的运动目标进行搜索，以确定全部所述运动目标；

获取全部所述运动目标的目标信息和动态打击任务；

基于所述目标信息和所述动态打击任务的任务类型，通过协同优化模型确定参与所述动态打击任务的所述无人机和所述无人车，并基于A*算法确定参与所述打击任务的所述无人机和所述无人车的可行路径，以完成空地协同任务分配。

2.根据权利要求1所述的方法，其特征在于，所述对目标搜索区域进行预处理，包括：

对所述目标搜索区域进行栅格化处理，以得到所述目标搜索区域对应的栅格化地图，所述栅格化地图包括建筑物栅格、城建区域栅格和街道栅格。

3.根据权利要求2所述的方法，其特征在于，所述基于整合优化模型，通过无人机和无人车对经过初始化的所述目标搜索区域内的运动目标进行搜索，包括：

以最大化所述整合优化模型中的协同收益性能和区域覆盖率为优化指标，通过无人机和无人车对经过初始化的所述目标搜索区域内的所述运动目标进行搜索。

4.根据权利要求3所述的方法，其特征在于，所述协同收益性能具体为

其中，S_a(k+q)和S_r(k+q)分别表示第q个预测周期无人机或无人车在所述栅格化地图中的所处栅格的吸引信息素值和排斥信息素值，β和γ为常数系数，N表示预测周期总数，k表示第k个预测周期；

所述区域覆盖率具体为

其中，N_uav表示无人机的总数量，R_uav表示理想情况下无人机的区域覆盖面积，R′_i表示在当前预测周期下无人机i的实际区域覆盖面积，N_ugv表示无人车的总数量，R_ugv表示理想情况下无人车的区域覆盖面积，R′_j表示在当前预测周期下无人车j去除与无人机发生重复覆盖后的实际覆盖面积。

5.根据权利要求2所述的方法，其特征在于，所述目标信息包括目标类型、目标位置、目标运动方向和载弹量需求。

6.根据权利要求5所述的方法，其特征在于，所述任务类型包括搜索任务、监控任务和打击任务。

7.根据权利要求6所述的方法，其特征在于，所述通过协同优化模型得到参与所述动态打击任务的所述无人机和所述无人车，包括：

基于所述协同优化模型的约束条件和通过最小化所述协同优化模型的目标函数，以确定参与所述动态打击任务的所述无人机和所述无人车。

8.根据权利要求7所述的方法，其特征在于，所述目标函数为

C＝α₁C₁+α₂C₂

其中，α₁和α₂为权重系数，α₁+α₂＝1，C₁表示无人机和无人车的能耗，C₂表示无人机和无人车的最短任务完成时间。

9.根据权利要求8所述的方法，其特征在于，

其中，η_i表示无人机i在单位飞行距离的能量消耗，η_j表示无人车j在单位飞行距离的能力消耗，D_i表示无人机i的行进距离，D_j表示无人车j的行进距离，sign_i表示无人机i的分配决策变量，sign_j表示无人机j的分配决策变量，N_uav表示无人机的总数量，N_ugv表示无人车的总数量，sign_i＝1，2，3，sign_j＝1，2，3，sign_i＝1或sign_j＝1表示无人机i或无人车j正在执行所述搜索任务，sign_i＝2或sign_j＝2表示无人机i或无人车j正在执行所述监控任务，sign_i＝3或sign_j＝3表示无人机i或无人车j正在执行所述监控任务；

其中，

和

分别表示无人机和无人车的最大行驶速度。

10.根据权利要求7所述的方法，其特征在于，所述约束条件包括安全距离约束、不可达区域约束和载弹量约束，所述安全距离约束包括无人机安全距离约束和无人车安全距离约束，所述无人机安全距离约束为

所述无人车安全距离约束为

其中，

表示编号相邻的无人机i′和无人机k之间的距离，i′＝1，2，…，N_uav-1，k＝i′+1，…，N_uav，

表示编号相邻的无人车j′和无人车k′之间的距离，j′＝1，2，…，N_ugv-1，k′＝j′+1，…，N_ugv，

和

分别表示所述无人机和所述无人车的最小安全距离；

所述不可达区域约束为

其中，

表示无人机i在时刻t在所述栅格化地图中的坐标，

表示无人车j在时刻t在所述栅格化地图中的坐标，building表示所述建筑物栅格集合，road表示所述街道栅格集合，i＝1，2，…，N_uav，j＝1，2，…，N_ugv；

所述载弹量约束为

其中，strike_i，t表示无人机i在第t时刻的载弹量，strike_j，t表示无人车j在第t时刻的载弹量，strike_target表示所述运动目标的所述载弹量需求，i＝1，2，…，N_uav，j＝1，2，…，N_ugv。

Images