CN115221799B - 一种基于多分支的无人集群超实时推演系统及方法 - Google Patents

Abstract

本发明涉及一种基于多分支的无人集群超实时推演系统及方法，属于无人机集群控制与仿真推演领域。系统包括LVC总线、多分支平行推演模块和超实时推演控制模块；LVC总线与无人机地面控制站连接，用于获取无人机的实装实时数据；LVC总线还用于根据实装实时数据生成虚拟数据和相关数据；多分支平行推演模块与LVC总线连接，多分支平行推演模块用于根据实装实时数据、虚拟数据、想定数据和场景要素进行无人集群运动过程推演；超实时推演控制模块与多个推演分支连接，用于对无人集群运动过程推演进行加速，并对无人集群运动过程推演的飞行情况进行预测，得到预测结果，生成推演数据。本发明降低了无人机在飞行过程中发生失误的概率。

Description

一种基于多分支的无人集群超实时推演系统及方法

技术领域

本发明涉及无人机集群控制与仿真推演领域，特别是涉及一种基于多分支的无人集群超实时推演系统及方法。

背景技术

传统的无人集群运动控制时，通常采用二维网格或者三维网格绘制，实时呈现集群飞行轨迹，但这种方法无法支撑复杂环境下无人集群的运动行为与集群内无人机协同状态的预测。随着现代飞行任务智能化需求的进一步提升，传统的方法受试验成本、试验场景的制约，已无法满足无人机智能算法模型训练所需的数据样本需求。因此，面向无人集群任务态势推演的多分支超实时方法应运而生，本方法结合了数字孪生技术的任务态势推演能够根据飞行地形、飞行航迹、气象以及水文等因素建立多分支模拟飞行场景，在每个独立分支中高度还原打造飞行任务场景。

同时，为优化无人机中的智能模型，降低无人机在飞行中发生失误的概率，无人机集群自主飞行需要大量的样本数据做支撑进行训练学习，学习不同场景下无人机可能遇到的问题以及目前存在的缺陷，完善内置算法，以规避无人机在飞行过程中会面对的风险。

因此，亟需一种能够产生大量样本数据的无人集群推演系统，以供无人机进行协同学习训练。

发明内容

本发明的目的是提供一种基于多分支的无人集群超实时推演系统及方法，以解决现有技术中的无人机推演方法不能产生大量样本数据供无人机进行学习训练，从而导致无人机在飞行过程中发生失误的概率高的问题。

为实现上述目的，本发明提供了如下方案：

一种基于多分支的无人集群超实时推演系统，包括LVC总线、多分支平行推演模块和超实时推演控制模块；

所述LVC总线，与无人机地面控制站连接，用于获取并存储无人机的实装实时数据，并根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素；

所述多分支平行推演模块与所述LVC总线连接，所述多分支平行推演模块包括多个推演分支和平行分支克隆子模块；所述平行分支克隆子模块用于将所述实装实时数据和所述虚拟数据克隆到多个所述推演分支中；所述推演分支用于根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素进行无人集群运动过程推演；

所述超实时推演控制模块与多个所述推演分支连接，所述超实时推演控制模块用于对所述无人集群运动过程推演进行加速，并对所述无人集群运动过程推演的飞行情况进行预测，得到预测结果，生成推演数据。

可选地，所述LVC总线中内置想定生成模块、场景构建模块、导调控制模块以及虚拟无人机模拟模块；

所述场景构建模块用于根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景；所述场景要素包括气象、水文和环境；

所述导调控制模块用于驱动所述虚拟飞行场景运行并生成驱动数据；

所述虚拟无人机模拟模块用于根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据；

所述想定生成模块用于根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据。

可选地，所述多分支平行推演模块还包括分支决策计算子模块、多分支计算资源子模块和多分支推演管理子模块；

所述分支决策计算子模块用于根据所述实体无人机中预设轨迹的拐点数量，计算所述推演分支的数量；

所述多分支计算资源子模块用于对所述推演分支的内存、CPU和GPU进行资源分配；

所述多分支推演管理子模块用于对所述推演分支进行增分支操作、删分支操作、改分支操作以及查分支操作。

可选地，多个所述推演分支之间相互独立。

可选地，还包括虚实结合态势可视化模块；所述虚实结合态势可视化模块与所述LVC总线连接；

所述LVC总线还用于将所述实装实时数据和所述虚拟数据融合，生成无人集群的虚实结合态势；

所述虚实结合态势可视化模块用于展示所述虚实结合态势。

一种基于多分支的无人集群超实时推演方法，所述方法应用于上述的基于多分支的无人集群超实时推演系统，所述方法包括：

获取实体无人机的实装实时数据；

根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素；

确定推演分支的数量，并对推演分支的内存、CPU和GPU进行资源分配，完成多个推演分支的建立；

根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素在多个所述推演分支中进行无人集群运动过程推演；

对所述无人集群运动过程推演的飞行情况进行预测，生成推演数据，得到预测结果；

输出所述推演数据和所述预测结果。

可选地，所述根据所述实装实时数据生成虚拟数据和相关数据，具体包括：

根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景；所述场景要素包括气象、水文和环境；

驱动所述虚拟飞行场景运行并生成驱动数据；

根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据；

根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据。

可选地，还包括：

将所述实装实时数据和所述虚拟数据融合，生成虚实结合态势。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明通过LVC总线获取实体无人机的实装实时数据并生成虚拟数据和相关数据；基于上述的实装实时数据和虚拟数据，设置多分支平行推演模块，并在里面内置平行分支克隆子模块和推演分支。平行分支克隆子模块将所有实装实时数据和虚拟数据克隆到各推演分支中，推演分支根据实装实时数据、虚拟数据、想定数据和场景要素进行无人集群运动过程推演。在推演分支的基础上设置超实时推演控制模块，加速无人集群运动过程推演的过程，以达到对无人机飞行情况的预测，推演结束后可生成预测结果并产生推演数据。通过本发明的推演方法能够产生大量的推演数据，利用推演过程中产生的大量推演数据作为模型训练样本数据，可供无人机集群进行学习，从而降低了无人机在飞行过程中发生失误的概率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种基于多分支的无人集群超实时推演系统的结构图；

图2为本发明提供的一种基于多分支的无人集群超实时推演方法的流程图。

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，本领域普通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。

本发明的目的是提供一种基于多分支的无人集群超实时推演系统及方法，以解决现有技术中的无人机推演方法不能产生大量样本数据供无人机进行学习训练，从而导致无人机在飞行过程中发生失误的概率高的问题。

基于上述问题，本发明提供了一种基于多分支的无人机集超时实推演系统及方法，在多分支推演的基础上，加上超实时推演功能，以达到两个目的：一是通过分支推演，提前预测无人机的飞行情况和飞行结果；二是将推演分支在推演过程中产生的庞大推演数据，作为模型训练样本数据，供无人机集群进行协同学习训练。

本发明通过有限试验，在系统中建立相互隔离的多分支推演场景，既支持集群协同状态与运动行为控制智能算法的数据样本生成，又能通过超实时推演，得出各分支推演结果，预测无人集群运行状态，从中选择最优控制策略，辅助无人集群的运动决策控制。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明提供的一种基于多分支的无人集群超实时推演系统的结构图，如图1所示，该系统包括LVC总线、多分支平行推演模块和超实时推演控制模块。

所述LVC总线，与无人机地面控制站连接，用于获取并存储无人机的实装实时数据，并根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素。在实际应用中，地面无人机控制站接收实体无人机的实装实时数据。地面无人机控制站通过与LVC总线之间的网关，将接收到的所述实装实时数据回传至LVC总线。

进一步地，所述LVC总线中内置想定生成模块、场景构建模块、导调控制模块以及虚拟无人机模拟模块，并存储了所述实体无人机传输的实装实时数据。在实际应用中，想定生成模块用于生成描述数字无人机和实体无人机协同关系的想定数据，场景构建模块用来构建无人机飞行场景中的气象、水文以及环境等场景要素。

所述场景构建模块用于根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景；所述场景要素包括气象、水文和环境。

所述导调控制模块用于驱动所述虚拟飞行场景运行并生成驱动数据。

所述虚拟无人机模拟模块用于根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据。

所述想定生成模块用于根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据。

所述多分支平行推演模块与所述LVC总线连接。所述多分支平行推演模块包括多个推演分支（分支1，分支2，......，分支n）和平行分支克隆子模块。

所述平行分支克隆子模块用于将所述实装实时数据和所述虚拟数据克隆到多个所述推演分支中。在实际应用中，通过平行分支克隆，将所述LVC总线中存储的实装实时数据和虚拟数据克隆到多个推演分支中，克隆的分支的数量由分支决策计算子模块计算出的数量决定。所有克隆的分支都是独立的单分支，不进行相互联通。

所述推演分支用于根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素进行无人集群运动过程推演。

进一步地，所述多分支平行推演模块还包括分支决策计算子模块、多分支计算资源子模块和多分支推演管理子模块。

所述分支决策计算子模块用于根据所述实体无人机中预设轨迹的拐点数量，进行分支决策计算，得出所需推演分支的数量。

所述多分支计算资源子模块用于对所述推演分支的内存、存储、CPU和GPU进行资源分配。

所述多分支推演管理子模块用于对所述推演分支进行增分支操作、删分支操作、改分支操作以及查分支操作。在实际应用中，人为根据各推演分支的实际需求，从所述想定数据、场景要素等数据中为推演分支选择需要使用的数据，使各推演分支能够根据不同数据进行不同场景的无人集群运动过程推演。

所述超实时推演控制模块与多个所述推演分支连接，所述超实时推演控制模块用于对所述无人集群运动过程推演进行加速，并对所述无人集群运动过程推演的飞行情况进行预测，得到预测结果，生成推演数据。在实际应用中，在所述推演分支中设置超实时推演控制模块，可将所述推演分支中进行的无人集群运动过程推演进行加速，实现无人机飞行情况的预测和预知，并生成推演数据。

在实际应用中，所述基于多分支的无人集群超实时推演系统还包括分支预测结果模块和模型训练样本模块，无人集群运动过程推演结束后，输出预测结果进行查看，将所述推演数据存储在模型训练样本模块内，作为模型训练样本数据，供无人机的无人系统智能模型进行学习训练。

进一步地，基于多分支的无人集群超实时推演系统还包括虚实结合态势可视化模块；所述虚实结合态势可视化模块与所述LVC总线连接。

所述LVC总线还用于将所述实装实时数据和所述虚拟数据融合，生成无人集群的虚实结合态势。所述虚实结合态势可视化模块用于展示所述虚实结合态势。

图2为本发明提供的一种基于多分支的无人集群超实时推演方法的流程图，所述方法应用于上述的基于多分支的无人集群超实时推演系统，如图2所示，所述方法包括：

步骤201：获取实体无人机的实装实时数据。

步骤202：根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素。

步骤203：确定推演分支的数量，并对推演分支的内存、CPU和GPU进行资源分配，完成多个推演分支的建立。在实际应用中，进行无人集群运动过程推演之前，根据所述实体无人机中预设轨迹的拐点数量，进行分支决策计算，得出所需推演分支的数量，分配计算资源，建立多个推演分支。

步骤204：根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素在多个所述推演分支中进行无人集群运动过程推演。

步骤205：对所述无人集群运动过程推演的飞行情况进行预测，生成推演数据，得到预测结果。

步骤206：输出所述推演数据和所述预测结果。

进一步地，所述步骤202，具体包括：

根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景。所述场景要素包括气象、水文和环境。

驱动所述虚拟飞行场景运行并生成驱动数据。

根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据。

根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据。

进一步地，还包括：

将所述实装实时数据和所述虚拟数据融合，生成虚实结合态势。在实际应用中，采用可视化方式，将所述虚实结合态势展示出来。

本发明具有如下优点：

1、采用多分支的方式进行推演，实现了无人机推演数据和场景的多样化。

2、利用LVC总线将实体数据（实装实时数据）和虚拟数据融合，实现了以可视化的方式展示虚实结合态势。

3、通过超实时推演控制，加速推演进程，实现无人机飞行情况和飞行结果的提前预测。

4、多分支推演过程中产生的大量推演数据，可为无人系统智能模型提供模型训练样本数据进行学习训练。

采用本发明的方法进行无人集群运动过程推演，将推演得出的大量推演数据作为无人机模型训练样本进行学习训练，实现无人机中无人系统智能模型的学习和优化。该方法通过场景构建实现态势推演，加上超实时推演控制功能，加速分支推演进程，完成对飞行情况和飞行结果的预判，并将推演产生的大量数据作为训练样本，供无人集群进行学习训练，从而降低了无人机在飞行中发生失误的概率，规避无人机在飞行过程中会面对的风险。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

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，对于本领域的一般技术人员，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 (7)

1.一种基于多分支的无人集群超实时推演系统，其特征在于，包括LVC总线、多分支平行推演模块和超实时推演控制模块；

所述LVC总线，与无人机地面控制站连接，用于获取并存储无人机的实装实时数据，并根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素；无人机地面控制站接收实体无人机的实装实时数据；无人机地面控制站通过与LVC总线之间的网关，将接收到的所述实装实时数据回传至LVC总线；

所述LVC总线中内置想定生成模块、场景构建模块、导调控制模块以及虚拟无人机模拟模块；

所述场景构建模块用于根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景；所述场景要素包括气象、水文和环境；

所述导调控制模块用于驱动所述虚拟飞行场景运行并生成驱动数据；

所述虚拟无人机模拟模块用于根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据；

所述想定生成模块用于根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据；

所述多分支平行推演模块与所述LVC总线连接，所述多分支平行推演模块包括多个推演分支和平行分支克隆子模块；所述平行分支克隆子模块用于将所述实装实时数据和所述虚拟数据克隆到多个所述推演分支中；所述推演分支用于根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素进行无人集群运动过程推演；

所述超实时推演控制模块与多个所述推演分支连接，所述超实时推演控制模块用于对所述无人集群运动过程推演进行加速，并对所述无人集群运动过程推演的飞行情况进行预测，得到预测结果，生成推演数据。

2.根据权利要求1所述的基于多分支的无人集群超实时推演系统，其特征在于，所述多分支平行推演模块还包括分支决策计算子模块、多分支计算资源子模块和多分支推演管理子模块；

所述分支决策计算子模块用于根据所述实体无人机中预设轨迹的拐点数量，计算所述推演分支的数量；

所述多分支计算资源子模块用于对所述推演分支的内存、CPU和GPU进行资源分配；

所述多分支推演管理子模块用于对所述推演分支进行增分支操作、删分支操作、改分支操作以及查分支操作。

3.根据权利要求1所述的基于多分支的无人集群超实时推演系统，其特征在于，多个所述推演分支之间相互独立。

4.根据权利要求1所述的基于多分支的无人集群超实时推演系统，其特征在于，还包括虚实结合态势可视化模块；所述虚实结合态势可视化模块与所述LVC总线连接；

所述LVC总线还用于将所述实装实时数据和所述虚拟数据融合，生成无人集群的虚实结合态势；

所述虚实结合态势可视化模块用于展示所述虚实结合态势。

5.一种基于多分支的无人集群超实时推演方法，其特征在于，所述方法应用于权利要求1-4任一项所述的基于多分支的无人集群超实时推演系统，所述方法包括：

获取实体无人机的实装实时数据；

根据所述实装实时数据生成虚拟数据和相关数据；所述相关数据包括想定数据和场景要素；

确定推演分支的数量，并对推演分支的内存、CPU和GPU进行资源分配，完成多个推演分支的建立；

根据所述实装实时数据、所述虚拟数据、所述想定数据和所述场景要素在多个所述推演分支中进行无人集群运动过程推演；

对所述无人集群运动过程推演的飞行情况进行预测，得到预测结果，生成推演数据；

输出所述推演数据和所述预测结果。

6.根据权利要求5所述的基于多分支的无人集群超实时推演方法，其特征在于，所述根据所述实装实时数据生成虚拟数据和相关数据，具体包括：

根据所述实装实时数据构建无人机飞行场景中的场景要素，并生成虚拟飞行场景；所述场景要素包括气象、水文和环境；

驱动所述虚拟飞行场景运行并生成驱动数据；

根据所述驱动数据模拟数字无人机的运行状态并生成虚拟数据；

根据所述实装实时数据和所述虚拟数据生成描述数字无人机和实体无人机协同关系的想定数据。

7.根据权利要求5所述的基于多分支的无人集群超实时推演方法，其特征在于，还包括：

将所述实装实时数据和所述虚拟数据融合，生成虚实结合态势。

Images