CN115630514A - 一种无人机集群协同任务分配方法与装置 - Google Patents

一种无人机集群协同任务分配方法与装置 Download PDF

Info

Publication number
CN115630514A
CN115630514A CN202211340217.8A CN202211340217A CN115630514A CN 115630514 A CN115630514 A CN 115630514A CN 202211340217 A CN202211340217 A CN 202211340217A CN 115630514 A CN115630514 A CN 115630514A
Authority
CN
China
Prior art keywords
task
unmanned aerial
aerial vehicle
vehicle cluster
tasks
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
Application number
CN202211340217.8A
Other languages
English (en)
Other versions
CN115630514B (zh
Inventor
刘策越
雍婷
常亮
郭强
张先国
任传伦
周启晨
徐明烨
张辉
张宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cetc Cyberspace Security Research Institute Co ltd
CETC 15 Research Institute
CETC 30 Research Institute
Original Assignee
Cetc Cyberspace Security Research Institute Co ltd
CETC 15 Research Institute
CETC 30 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cetc Cyberspace Security Research Institute Co ltd, CETC 15 Research Institute, CETC 30 Research Institute filed Critical Cetc Cyberspace Security Research Institute Co ltd
Priority to CN202211340217.8A priority Critical patent/CN115630514B/zh
Publication of CN115630514A publication Critical patent/CN115630514A/zh
Application granted granted Critical
Publication of CN115630514B publication Critical patent/CN115630514B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种无人机集群协同任务分配方法与装置，该方法包括：检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。通过梳理无人机、任务目标以及待执行任务的逻辑映射关系，智能优化潜在的任务分配方案，从而保证分配结果能够强化无人机集群的自主任务规划能力，有效地提升无人机集群的协同任务执行效率。

Description

一种无人机集群协同任务分配方法与装置
技术领域
本发明涉及智能无人机集群领域，具体涉及一种无人机集群协同任务分配方法与装置。
背景技术
多架无人机组成无人机集群，可以进行协同，从而完成任务，无人机集群是未来无人机的发展方向。伴随人工智能技术与通信技术的突破性进展，智能化已成为未来无人机集群的重点发展方向。基于联合探测、智能决策与协同行动等技术手段，智能化无人机集群能够执行更为复杂困难的场景任务，缩短任务出勤时间，提高任务成功率与稳定性。协同任务分配是无人机集群智能决策的重要环节之一，通过梳理无人机、任务目标以及待执行任务的逻辑映射关系，智能优化潜在的任务分配方案，从而保证分配结果能够强化无人机集群的自主任务规划能力，进而提升无人环境下的工作执行效能。因此，研究无人机集群的协同任务分配方法具有重要意义。
发明内容
本发明的假设情景为无人机集群对多个任务目标执行摧毁作战，针对所要解决的技术问题，提供一种无人机集群协同任务分配方法与装置。本发明的目的是依据无人机集群与目标的位姿和状态信息，先计算各项任务的执行收益，再采用优化模型对无人机集群进行任务分配，从而有效地提升无人机集群的协同任务执行效率。
本发明实施例第一方面公开了一种无人机集群协同任务分配方法，所述方法包括：
检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；
根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述利用预设的优化模型对无人机集群进行任务分配，得到分配结果，包括：
步骤1，计算自身任务收益，收益高的任务被优先执行；
步骤2，无人机间交换信息，检测规划轮次、目标状态信息的一致性，如一致，进入步骤3分配无人机的协同任务，如不一致，等待无人机间信息的更新；
步骤3，分配协同任务；
步骤4，记录任务分配结果；
步骤5，更新目标状态；
步骤6，判定所有潜在任务是否分配完毕，如是，任务分配结束，如否，返回步骤1继续循环，直到所有潜在任务分配完毕，得到分配结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述计算自身任务收益，收益高的任务被优先执行，包括：
计算无人机未来状态，得到执行未来任务时无人机的状态；
筛选无人机未来任务，针对选定的目标，筛选出的未来任务最多只有一项；
规划无人机任务路径，得到无人机集群执行当前与未来任务所需的总路径；
过滤无人机无效未来任务，所述无效未来任务包括：
总路径长度比目标当前任务的路径长度短，或当前任务为攻击任务；
对有效的未来任务计算其收益，如果所述未来任务与无人机之前所分配的潜在任务相同，则对所述未来任务的收益添加记忆因子，以提高无人机继续执行所述未来任务的几率，避免因任务重新分配而导致的混乱。
作为一种可选的实施方式，在本发明实施例第一方面中，所述协同任务，包括：
搜索、分类、攻击和检测任务；
所述搜索任务具有最高的优先级，需要优先被执行；
所述分类任务具有排名第二的优先级；
所述攻击任务具有排名第三的优先级；
所述检测任务具有排名第四的优先级；
4种任务都应按优先级顺序完成。
作为一种可选的实施方式，在本发明实施例第一方面中，所述分配协同任务，包括：
构建无人机集群协同任务分配模型，利用预设的优化模型进行协同任务分配；
将所述优化模型转化为线性整数规划问题；
对所述线性整数规划问题采用预设的解析模型进行迭代求解，得到任务分配结果。
作为一种可选的实施方式，在本发明实施例第一方面中，所述更新目标状态，包括：
当完成分类任务时，目标状态更新为分类未攻击；
当完成攻击任务时，目标状态更新为攻击未检测；
当完成检测任务时，目标状态更新为已摧毁。
作为一种可选的实施方式，在本发明实施例第一方面中，所述优化模型，包括：
n架无人机节点；m个目标节点，网络流向的节点为汇节点；
无人机节点与汇节点的连线代表搜索任务；
无人机节点与目标节点的连线代表分类、攻击或检测任务；
所述节点之间的连线上有权重，所述权重与相应的任务收益有关；
根据约束条件最大化所有无人机的任务收益，所述约束条件包括约束条件A，约束条件B和约束条件C；
所述约束条件A是一架无人机只能分配一项任务；
所述约束条件B是一个目标最多分配一架无人机；
所述约束条件C是所有无人机都会被分配任务；
采用预设的解析模型对所述优化模型进行迭代求解，得到分配结果。
本发明实施例第二方面公开了一种无人机集群协同任务分配装置，所述装置包括：
第一处理模块，检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
第二处理模块，根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；
第三处理模块，根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述利用预设的优化模型对无人机集群进行任务分配，得到分配结果，包括：
步骤1，计算自身任务收益，收益高的任务被优先执行；
步骤2，无人机间交换信息，检测规划轮次、目标状态信息的一致性，如一致，进入步骤3分配无人机的协同任务，如不一致，等待无人机间信息的更新；
步骤3，分配协同任务；
步骤4，记录任务分配结果；
步骤5，更新目标状态；
步骤6，判定所有潜在任务是否分配完毕，如是，任务分配结束，如否，返回步骤1继续循环，直到所有潜在任务分配完毕，得到分配结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述计算自身任务收益，收益高的任务被优先执行，包括：
计算无人机未来状态，得到执行未来任务时无人机的状态；
筛选无人机未来任务，针对选定的目标，筛选出的未来任务最多只有一项；
规划无人机任务路径，得到无人机集群执行当前与未来任务所需的总路径；
过滤无人机无效未来任务，所述无效未来任务包括：
总路径长度比目标当前任务的路径长度短，或当前任务为攻击任务；
对有效的未来任务计算其收益，如果所述未来任务与无人机之前所分配的潜在任务相同，则对所述未来任务的收益添加记忆因子，以提高无人机继续执行所述未来任务的几率，避免因任务重新分配而导致的混乱。
作为一种可选的实施方式，在本发明实施例第二方面中，所述协同任务，包括：
搜索、分类、攻击和检测任务；
所述搜索任务具有最高的优先级，需要优先被执行；
所述分类任务具有排名第二的优先级；
所述攻击任务具有排名第三的优先级；
所述检测任务具有排名第四的优先级；
4种任务都应按优先级顺序完成。
作为一种可选的实施方式，在本发明实施例第二方面中，所述分配协同任务，包括：
构建无人机集群协同任务分配模型，利用预设的优化模型进行协同任务分配；
将所述优化模型转化为线性整数规划问题；
对所述线性整数规划问题采用预设的解析模型进行迭代求解，得到任务分配结果。
作为一种可选的实施方式，在本发明实施例第二方面中，所述更新目标状态，包括：
当完成分类任务时，目标状态更新为分类未攻击；
当完成攻击任务时，目标状态更新为攻击未检测；
当完成检测任务时，目标状态更新为已摧毁。
作为一种可选的实施方式，在本发明实施例第二方面中，所述优化模型，包括：
n架无人机节点；m个目标节点，网络流向的节点为汇节点；
无人机节点与汇节点的连线代表搜索任务；
无人机节点与目标节点的连线代表分类、攻击或检测任务；
所述节点之间的连线上有权重，所述权重与相应的任务收益有关；
根据约束条件最大化所有无人机的任务收益，所述约束条件包括约束条件A，约束条件B和约束条件C；
所述约束条件A是一架无人机只能分配一项任务；
所述约束条件B是一个目标最多分配一架无人机；
所述约束条件C是所有无人机都会被分配任务；
采用预设的解析模型对所述优化模型进行迭代求解，得到分配结果。
本发明第三方面公开了另一种无人机集群协同任务分配装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的无人机集群协同任务分配方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的无人机集群协同任务分配方法中的部分或全部步骤。
与现有技术相比，本发明实施例具有以下有益效果：
检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。可见，通过梳理无人机、任务目标以及待执行任务的逻辑映射关系，智能优化潜在的任务分配方案，从而保证分配结果能够强化无人机集群的自主任务规划能力，进而提升无人环境下协同任务执行效率。
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的介绍，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种无人机集群协同任务分配方法总体框图；
图2是本发明实施例公开的无人机集群的任务示意图；
图3是本发明实施例公开的无人机集群协同任务分配方法流程图；
图4是本发明实施例公开的计算自身任务收益方法示意图；
图5本发明实施例公开的优化模型示意图；
图6是本发明实施例公开的网络流优化问题示意图；
图7是本发明实施例公开的一种无人机集群协同任务分配装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
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。
实施例一
请参阅图1，图1是本发明实施例公开的一种无人机集群协同任务分配方法总体框图，包括以下操作：
101、检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
102、根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益，通过计算任务收益，可令无人机集群优先执行高收益任务，从而提升任务的执行效率；
103、根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
本发明实施例中，假设情景为无人机集群对多个任务目标执行摧毁作战。无人机集群的可执行任务列表如图2所示，包括搜索、分类、攻击、检测4种，所有任务都应顺序完成。依据无人机集群与目标的位姿和状态信息，先计算各项任务的执行收益，再采用预设的优化模型对无人机集群进行任务分配，从而有效地提升无人机集群的协同任务执行效率。
一个可选的实施例中，上述步骤103中采用预设的优化模型对无人机集群进行任务分配示意图如图3所示，包括：
步骤1、计算自身任务收益，针对自身无人机i以及目标j，计算其执行任务k的收益
Figure BDA0003916143890000081
通过计算任务收益，可令无人机集群优先执行高收益任务，从而提升任务的执行效率，其流程如图4所示。
(1)计算无人机未来状态，即执行未来任务时无人机的状态。针对自身无人机i，计算其在执行分配任务时的状态。
(2)筛选无人机未来任务。针对自身无人机i以及目标j，利用表1，依据目标状态筛选未来任务k，对选定的目标来说，筛选出的未来任务最多只有一项。
(3)规划无人机任务路径。依据无人机集群和目标的当前位姿，规划自身无人机i执行当前任务与未来任务k所需要的路径，其长度记为
Figure BDA0003916143890000083
其中搜索任务的路径长度设定为零。
(4)过滤无人机无效未来任务，主要有两种情形：
任务未顺序完成。对目标j，如果未来任务k能够在当前任务k-1之前完成，则无效。上述情形的判定条件是未来任务k的路径长度
Figure BDA0003916143890000084
小于当前任务k-1的路径长度
Figure BDA0003916143890000082
其中*是执行任务k-1的无人机。
正在执行攻击任务。在本发明中，设定无人机采用自杀式攻击，因此执行攻击任务的无人机无法执行其余任务，故此时未来任务k无效。
(5)计算无人机未来任务收益。
对于搜索任务，其收益计算公式为：
搜索任务收益＝最大目标价值*(剩余飞行时间/总飞行时间)*比例系数
对于分类任务，其收益计算公式为：
分类任务收益＝(上次识别质量*击毁成功率*目标价值+目标价值*((剩余飞行时间-任务路径长度/标定飞行速度)/总飞行时间))*比例系数
对于攻击任务，其收益计算公式为：
攻击任务收益＝(识别成功率*击毁成功率*目标价值-目标价值*(任务路径长度/(标定飞行速度*总飞行时间)))*比例系数
对于检测任务，其收益计算公式为：
检测任务收益＝(检测成功率*(1-击毁成功率)*识别成功率*目标价值+目标价值*((剩余飞行时间-任务路径长度/标定飞行速度)/总飞行时间))*比例系数
(6)添加记忆因子
针对无人机i和目标j，如果之前对其预分配了任务k，则在计算任务k的收益时添加记忆因子。如此，无人机i继续对目标j执行任务k的几率将会提高，如此设计可避免因任务重新分配而导致的混乱。
任务收益＝任务收益*记忆因子
表1 目标状态与未来任务的对应关系
Figure BDA0003916143890000091
步骤2、无人机间交换信息。所有无人机交换自身信息，检测规划轮次、目标状态等信息是否一致。如一致，则进入步骤3，分配无人机的协同任务；如不一致，则等待无人机间信息的更新。
步骤3、分配协同任务。分配流程如图5所示。
(1)构建网络流优化问题。该问题可由图6表示，图6中左边的节点代表着n架无人机，中间的节点代表着m个目标，右边的节点则是网络流向的汇节点，无人机与汇节点的连线代表着搜索任务，无人机与目标的连线则代表着分类、攻击或检测任务，上述连线都携带着权重c，代表着相应的任务收益；整个问题的优化目标是最大化所有无人机的任务收益，相应的约束条件是一架无人机只能分配一项任务、一个目标最多分配一架无人机、所有无人机都会被分配任务。可由下述数学模型表示：
目标：
Figure BDA0003916143890000092
条件：
Figure BDA0003916143890000101
Figure BDA0003916143890000102
Figure BDA0003916143890000103
Figure BDA0003916143890000104
其中，i为无人机编号，j为目标编号，
Figure BDA0003916143890000105
表示第i个无人机执行搜索任务的收益，
Figure BDA0003916143890000106
表示第i个无人机执行搜索任务的分配变量，search表示搜索任务，k代表任务号，无人机个数为n，目标个数为m，J为收益，
Figure BDA0003916143890000107
为第i架无人机针对目标j执行任务k，
Figure BDA0003916143890000108
表示第i架无人机针对目标j执行任务k的权重，xj0表示所有无人机针对第j个目标的总分配变量，
Figure BDA0003916143890000109
表示所有无人机针对第j个目标执行任务k的总分配变量。
(2)转化为线性整数规划问题。
目标：maxJ＝Cx
条件：Ax＝b
xi∈[0,1]
其中，
Figure BDA00039161438900001010
b＝[11×n，01×m，n]T
Figure BDA00039161438900001011
ei＝[01×(i-1)，1，01×(m-i)]
Figure BDA00039161438900001012
其中，J为收益，x为无人机集群的任务矩阵，C为无人机执行任务的收益矩阵，b为约束系数，A为无人机任务分配的约束矩阵，ei为第i个目标的多元规划系数，xi为矩阵x中的第i个元素，xi∈[0,1]，xi为第i个无人机任务分配的线性整数规划概率系数，01×(i-1)表示i-1个0元素组成的向量；(-1)m×n表示-1元素构成的维度为m行n列的矩阵，In表示n行n列的单位矩阵；
Figure BDA0003916143890000111
为第i架无人机针对目标j执行任务k，
Figure BDA0003916143890000112
表示第i架无人机针对目标j执行任务k的权重。
(3)求解(2)的线性整数规划问题，若松弛解为整数解，则松弛解是原问题的最优解，即最优的协同任务分配方案，进入步骤4；若松弛解不为整数，则从松弛解中任选一个非整数分量xi进行分枝，分为xi≤[xi]和xi≥[xi]+1两类子问题。
对子问题继续求其松弛解：
若无可行解，剪枝，探寻其他分枝。
若松弛解为整数解，剪枝；如果此时目标值更优，则更新最优目标值及其整数解；然后探寻其它分枝。
若松弛解为非整数解，且其目标值小于或等于当前最优目标值，剪枝，探寻其他分支。
若松弛解为非整数解，且其目标值大于当前最优目标值，则从松弛解中任选一个非整数分量xi进行分枝，分为xi≤[xi]和xi≥[xi]+1两类子问题。如此不断迭代，直至探寻完所有分枝。
最后保存的整数解即是原问题的最优解，即最优的协同任务分配方案。
步骤4、记录任务分配结果。对步骤3中的任务分配结果进行记录，若所有分配的任务都是搜索任务，则令无人机集群直接执行该任务；若不是，则只记录路径长度最短的分配任务，并删除其余的分配结果。
步骤5、更新目标状态。假设步骤4中记录的任务已完成，依据表2更新目标状态。
表2 完成任务与目标更新的对应关系
Figure BDA0003916143890000113
Figure BDA0003916143890000121
步骤6、判定所有潜在任务是否分配完毕，若没有，则继续循环。通过这种迭代机制，算法会对所有的潜在任务进行分配，从而缩短了任务执行间隔，提升了任务执行效率。
可见，实施本发明实施例所描述无人机集群协同任务分配方法，检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。可见，通过梳理无人机、任务目标以及待执行任务的逻辑映射关系，智能优化潜在的任务分配方案，从而保证分配结果能够强化无人机集群的自主任务规划能力，进而提升无人环境下协同任务执行效率。
实施例二
请参阅图7，图7是本发明实施例公开的一种无人机集群协同任务分配装置的结构示意图，所述装置包括：
第一处理模块701，检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
第二处理模块702，根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；
第三处理模块703，根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
可见，实施图7所示无人机集群协同任务分配装置，检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。可见，通过梳理无人机、任务目标以及待执行任务的逻辑映射关系，智能优化潜在的任务分配方案，从而保证分配结果能够强化无人机集群的自主任务规划能力，进而提升无人环境下协同任务执行效率。
实施例三
本发明实施例公开了一种无人机集群协同任务分配装置，该装置能够用于实现无人机集群协同任务分配。该装置可以包括：
存储有可执行程序代码的存储器；
与存储器耦合的处理器；
处理器调用存储器中存储的可执行程序代码，用于执行实施例一或实施例二所描述的无人机集群协同任务分配方法中的步骤。
实施例四
本发明实施例公开了一种计算机读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的无人机集群协同任务分配方法中的步骤。
最后应说明的是：本发明实施例公开的一种无人机集群协同任务分配方法与装置所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (10)

1.一种无人机集群协同任务分配方法，其特征在于，所述方法包括：
检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；
根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
2.根据权利要求1所述的无人机集群协同任务分配方法，其特征在于，所述利用预设的优化模型对无人机集群进行任务分配，得到分配结果，包括：
步骤1，计算自身任务收益，收益高的任务被优先执行；
步骤2，无人机间交换信息，检测规划轮次、目标状态信息的一致性，如一致，进入步骤3分配无人机的协同任务，如不一致，等待无人机间信息的更新；
步骤3，分配协同任务；
步骤4，记录任务分配结果；
步骤5，更新目标状态；
步骤6，判定所有潜在任务是否分配完毕，如是，任务分配结束，如否，返回步骤1继续循环，直到所有潜在任务分配完毕，得到分配结果。
3.根据权利要求2所述的无人机集群协同任务分配方法，其特征在于，所述计算自身任务收益，收益高的任务被优先执行，包括：
计算无人机未来状态，得到执行未来任务时无人机的状态；
筛选无人机未来任务，针对选定的目标，筛选出的未来任务最多只有一项；
规划无人机任务路径，得到无人机集群执行当前与未来任务所需的总路径；
过滤无人机无效未来任务，所述无效未来任务包括：
总路径长度比目标当前任务的路径长度短，或当前任务为攻击任务；
对有效的未来任务计算其收益，如果所述未来任务与无人机之前所分配的潜在任务相同，则对所述未来任务的收益添加记忆因子，以提高无人机继续执行所述未来任务的几率，避免因任务重新分配而导致的混乱。
4.根据权利要求2所述的无人机集群协同任务分配方法，其特征在于，所述协同任务，包括：
搜索、分类、攻击和检测任务；
所述搜索任务具有最高的优先级，需要优先被执行；
所述分类任务具有排名第二的优先级；
所述攻击任务具有排名第三的优先级；
所述检测任务具有排名第四的优先级；
4种任务都应按优先级顺序完成。
5.根据权利要求2所述的无人机集群协同任务分配方法，其特征在于，所述分配协同任务，包括：
构建无人机集群协同任务分配模型，利用预设的优化模型进行协同任务分配；
将所述优化模型转化为线性整数规划问题；
对所述线性整数规划问题采用预设的解析模型进行迭代求解，得到任务分配结果。
6.根据权利要求2所述的无人机集群协同任务分配方法，其特征在于，所述更新目标状态，包括：
当完成分类任务时，目标状态更新为分类未攻击；
当完成攻击任务时，目标状态更新为攻击未检测；
当完成检测任务时，目标状态更新为已摧毁。
7.根据权利要求5所述的无人机集群协同任务分配方法，其特征在于，所述优化模型，包括：
n架无人机节点；m个目标节点，网络流向的节点为汇节点；
无人机节点与汇节点的连线代表搜索任务；
无人机节点与目标节点的连线代表分类、攻击或检测任务；
所述节点之间的连线上有权重，所述权重与相应的任务收益有关；
根据约束条件最大化所有无人机的任务收益，所述约束条件包括约束条件A，约束条件B和约束条件C；
所述约束条件A是一架无人机只能分配一项任务；
所述约束条件B是一个目标最多分配一架无人机；
所述约束条件C是所有无人机都会被分配任务；
采用预设的解析模型对所述优化模型进行迭代求解，得到分配结果。
8.一种无人机集群协同任务分配装置，其特征在于，所述装置包括：
第一处理模块，检测到建模信号，建立无人机集群协同任务分配模型，所述建模信号包括新目标，或现有任务失败；
第二处理模块，根据无人机集群协同任务分配模型，基于无人机集群与目标的位姿和状态信息，计算各项任务的执行收益；
第三处理模块，根据各项任务的执行收益，采用预设的优化模型对无人机集群进行任务分配，得到分配结果。
9.一种无人机集群协同任务分配装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的无人机集群协同任务分配方法。
10.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的无人机集群协同任务分配方法。
CN202211340217.8A 2022-10-29 2022-10-29 一种无人机集群协同任务分配方法与装置 Active CN115630514B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211340217.8A CN115630514B (zh) 2022-10-29 2022-10-29 一种无人机集群协同任务分配方法与装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211340217.8A CN115630514B (zh) 2022-10-29 2022-10-29 一种无人机集群协同任务分配方法与装置

Publications (2)

Publication Number Publication Date
CN115630514A true CN115630514A (zh) 2023-01-20
CN115630514B CN115630514B (zh) 2023-07-04

Family

ID=84908385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211340217.8A Active CN115630514B (zh) 2022-10-29 2022-10-29 一种无人机集群协同任务分配方法与装置

Country Status (1)

Country Link
CN (1) CN115630514B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116939679A (zh) * 2023-09-15 2023-10-24 四川腾盾科技有限公司 一种不可靠网络下多无人机分布式集群构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852486A (zh) * 2019-10-16 2020-02-28 中国人民解放军国防科技大学 一种无人机集群自主协同的任务规划方法
CN113887919A (zh) * 2021-09-28 2022-01-04 南京理工大学 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统
CN114185362A (zh) * 2021-12-07 2022-03-15 北京航空航天大学 一种基于郊狼信息熵的无人机集群任务动态分配方法
CN114545975A (zh) * 2022-03-08 2022-05-27 大连理工大学 融合多目标进化算法和合同网算法的多无人机系统任务分配方法
CN114815898A (zh) * 2022-06-06 2022-07-29 重庆邮电大学 一种无人机协同任务规划方法
CN115032627A (zh) * 2022-04-26 2022-09-09 中国电子科技集团公司第十五研究所 分布式多传感器多模态无人集群目标融合跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110852486A (zh) * 2019-10-16 2020-02-28 中国人民解放军国防科技大学 一种无人机集群自主协同的任务规划方法
CN113887919A (zh) * 2021-09-28 2022-01-04 南京理工大学 基于杂交-离散粒子群算法的多无人机协同任务分配方法及系统
CN114185362A (zh) * 2021-12-07 2022-03-15 北京航空航天大学 一种基于郊狼信息熵的无人机集群任务动态分配方法
CN114545975A (zh) * 2022-03-08 2022-05-27 大连理工大学 融合多目标进化算法和合同网算法的多无人机系统任务分配方法
CN115032627A (zh) * 2022-04-26 2022-09-09 中国电子科技集团公司第十五研究所 分布式多传感器多模态无人集群目标融合跟踪方法
CN114815898A (zh) * 2022-06-06 2022-07-29 重庆邮电大学 一种无人机协同任务规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
林晨: "面向无人机集群任务分配的分布式算法研究", pages 11 - 17 *
贾高伟 等: "无人机集群任务规划方法研究综述", vol. 43, no. 1, pages 99 - 111 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116939679A (zh) * 2023-09-15 2023-10-24 四川腾盾科技有限公司 一种不可靠网络下多无人机分布式集群构建方法
CN116939679B (zh) * 2023-09-15 2024-01-23 四川腾盾科技有限公司 一种不可靠网络下多无人机分布式集群构建方法

Also Published As

Publication number Publication date
CN115630514B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
Srinivasan et al. Particle swarm inspired evolutionary algorithm (PS-EA) for multiobjective optimization problems
Wang et al. A multi-stage krill herd algorithm for global numerical optimization
CN111095233B (zh) 混合文件系统架构、文件存储、动态迁移及其应用
CN110673951B (zh) 通用运行环境的拟态调度方法、系统及介质
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
Trabelsi et al. Classification systems based on rough sets under the belief function framework
CN111626291B (zh) 一种图像视觉关系检测方法、系统及终端
CN115630514B (zh) 一种无人机集群协同任务分配方法与装置
CN114781611A (zh) 自然语言处理方法、语言模型训练方法及其相关设备
CN113343073A (zh) 基于大数据和人工智能的信息欺诈识别方法及大数据系统
CN113902131A (zh) 抵抗联邦学习中歧视传播的节点模型的更新方法
CN113392867A (zh) 一种图像识别方法、装置、计算机设备及存储介质
CN116304722A (zh) 基于平衡树索引结构的向量检索模型的训练方法
CN115422486B (zh) 基于人工智能的云服务在线页面优化方法及大数据系统
CN114117079B (zh) 基于大数据分析拦截的拦截反馈处理方法及信息拦截系统
CN116051924A (zh) 一种图像对抗样本的分治防御方法
CN113963201B (zh) 骨骼动作识别方法、装置、电子设备及存储介质
CN115883172A (zh) 异常监测方法、装置、计算机设备和存储介质
US11961099B2 (en) Utilizing machine learning for optimization of planning and value realization for private networks
CN114329026A (zh) 图像检索方法、装置、电子设备和计算机可读存储介质
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质
CN115630513B (zh) 基于集群优化的无人机集群协同任务分配方法
CN115454473A (zh) 基于深度学习漏洞决策的数据处理方法及信息安全系统
CN113704528A (zh) 聚类中心确定方法、装置和设备及计算机存储介质
CN113407837A (zh) 基于人工智能的智慧医疗大数据处理方法及智慧医疗系统

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