CN115631645A - 基于动态最优路径规划的多任务无人集群控制系统及方法 - Google Patents

基于动态最优路径规划的多任务无人集群控制系统及方法 Download PDF

Info

Publication number
CN115631645A
CN115631645A CN202211323870.3A CN202211323870A CN115631645A CN 115631645 A CN115631645 A CN 115631645A CN 202211323870 A CN202211323870 A CN 202211323870A CN 115631645 A CN115631645 A CN 115631645A
Authority
CN
China
Prior art keywords
time
target
cell
unmanned
unmanned equipment
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
Application number
CN202211323870.3A
Other languages
English (en)
Inventor
曲超
任炎芳
靳晓洋
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.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
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 Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN202211323870.3A priority Critical patent/CN115631645A/zh
Publication of CN115631645A publication Critical patent/CN115631645A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G08G1/096844—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route where the complete route is dynamically recomputed based on new data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提出了一种基于动态最优路径规划的多任务无人集群控制系统及方法，属于无人集群路径规划技术领域，本发明通过引入基于时间的个体动态权值，能够在不同时刻对系统中全部个体进行统一的优化配置。解决现有静态规划技术路径的导致环路等待问题从而在局部区域或全局出现死锁现象；静态的最优路径选择无法适应网络状态的变化，容易引起群聚效应或阻塞震荡；对于意外及突发事件无法应急响应，造成整个系统瘫痪等问题。

Description

基于动态最优路径规划的多任务无人集群控制系统及方法
技术领域
本发明属于无人集群路径规划技术领域，特别是一种基于动态最优路径规划的多任务无人集群控制系统及方法。
背景技术
随着物联网技术的发展，无人驾驶技术的逐渐成为应用研究的热点。目前的无人驾驶技术研究的主要方向包括运动控制、障碍躲避、路径规划及信息安全等领域。当无人驾驶技术发展到成熟阶段其面临的问题也将发生转变，可以预知的是，当无人驾驶汽车成为主要的交通手段时，这种大规模无人集群的控制将成为核心的研究方向。
与机器人集群相比，无人设备集群既有集群智能技术的共性问题，也有特性问题。
首先，无人设备集群的规模相对于现阶段的无人集群规模将有指数型增长，同时在追求全局目标的同时又要求个体目标的有效实现。基于后方中心的控制结构无法提供足够的算力和响应时效；基于中心节点的控制结构无法有效达成个体目标；基于多代理(Agent)的控制结构无法优化全局目标。因此需要建立一种新型有效的控制结构来适应新的应用场景。
其次，无人设备集群不同于普通意义上的集群，在保证群体目标实现的同时更注重于个体目标的最优化。对于一定范围内的集群目标可以是减少交通拥堵、提高路网吞吐量等；而对于每个个体来说又具有自身的行动目标，既在最短时间内到达目标地点，因此需要在群体目标和个体目标间建立有效的平衡。
最后，现有的静态最优路径算法以个体最优为目标，虽然能够在一定范围内满足个体需求，且计算简便，但并未考虑系统总体最优，因而会存在如下问题：
1)路径的静态化会导致环路等待问题的出现，因而在局部区域或全局出现死锁现象；
2)静态的最优路径选择无法适应网络状态的变化，容易引起群聚效应或阻塞震荡；
3)对于意外及突发事件无法应急响应，造成整个系统瘫痪。
发明内容
本发明的目的在于基于动态最优路径规划的多任务无人集群控制系统及方法，通过引入基于时间的个体动态权值，能够在不同时刻对系统中全部个体进行统一的优化配置。算法中的每次迭代都重新计算个体在当前位置到目标位置的最优路径，避免了静态最优路径可能导致的死锁、聚集等问题，同时当网络环境发生改变时也能够在下一轮迭代周期内迅速适应，避免系统整体瘫痪。
为了达到上述目的，在本发明的第一方面提供了基于动态最优路径规划的多任务无人集群控制系统，其特征在于，包括实体层和管理层，所述实体层包括无人设备、路侧单元和接入基站，所述管理层包括边缘计算层和云计算层；
所述实体层的无人设备通过无线传输连接路侧单元，路侧单元连接接入基站，接入基站通过有线网络或无线网络或卫星通讯连接到管理层的处理节点；
所述边缘计算层由边缘计算节点组成，用于处理所管辖区域内基本路网信息，并对实时信息进行处理，所述实时信息为随时间同步产生的区域内路网信息；
所述云计算层由部署在云端的算力集群组成，用于管辖区域内的跨中间层各无人设备的全局路径规划和调优，完成对整个区域内的车流控制及整体效能优化，以及对于突发事件的道路管控、策略更新。
在本发明的第二个方面提供了基于动态最优路径规划的多任务无人集群控制方法，所述方法包括：
S1、被控制无人设备进行行驶姿态、移动速度和规避障碍行为的数据采集及基本处理，将处理结果发送到路侧单元；
S2、路侧单元将收集到的数据经由接入基站发送至边边缘计算层的能覆盖无人设备的对应边缘计算节点，由边缘计算节点计算在其覆盖范围内的无人设备的运行轨迹；
S3、若无人设备的当前位置与目标位置处于同一边缘节点控制范围，则计算无人设备从当前位置到目标位置的最短路径；对该无人设备进行最短路径移动迭代：预测在下一个周期当前无人设备沿最短路径移动到下一个元胞；
若该元胞当前被另一无人设备占用，则递推计算无人设备最短路径并沿无人设备最短路径移动；在保证不出现死锁、回退的条件下规划每一个无人设备的下一周期位置；在下一周期到来时按规划结果移动集群中的无人设备；
S4、在边缘计算节点控制范围内，将S3的计算结果通过路网控制层的路侧单元发送到对应的无人设备，无人设备接收到信号后改变其运行轨迹；
S5、若无人设备当前位置与目标位置不处于同一边缘计算节点控制范围，则将边缘计算节点控制范围及目标位置上传至云计算层；云计算节点根据边缘节点的拓扑位置关系计算该无人设备当前位置与目标位置之间的最短路径；将当前位置与目标位置之间的最短路径分别发送至控制无人设备当前位置的边缘计算节点及控制到达目标位置的边缘计算节点；在边缘计算节点控制范围内将离开边缘计算节点控制范围的最后元胞看作目标节点，按当前位置与目标位置处于同一边缘计算节点控制范围进行动态最短路径移动控制；
S6、无人集群在每次迭代周期接收所处控制范围所对应的边缘计算节点的控制指令进行移动，直到到达目标位置。
进一步地，所述基本处理的步骤包括数据格式转换和封装
进一步地，所述最短路径的动态最优路径规划算法包括：
S101、借助元胞自动机和离散化的基本思想，将空间和时间进行离散化处理；
S102、在应用场景中，群体性能的最优化在一定时间区间内交通流用最大化来表示；
S103、定义综合群体目标和个体目标将多目标集群控制最优化目标；
S104、进行引入动态个体权值的计算；
S105、优先迭代权值最优的个体。
进一步地，所述S101的具体步骤为：
S1011、在应用场景中的任意路段用一系列等距的区域来表示，称为元胞，用Ci来表示，对于元胞Ci，做如下定义：
Li表示元胞i的容纳能力，也即在安全状态下元胞内容纳的个体数目；
Ni(ωj)表示元胞i在ωj时刻的容量，也即元胞内的个体数目；
Si(ωj)表示元胞i在ωj时刻的发送能力；
Ri(ωj)表示元胞i在ωj时刻的接收能力；
Fi(ωj)表示在ωj时刻从元胞i-1流入到元胞i的个体数量；
得到如下的约束条件：
Si(ωj)≤Li-Ni(ωj)≤Li，Ri(ωj)≤Ni(ωj)≤Li (1)
Fi(ωj)＝min{Si-1(ωj)，Ri(ωj)} (2)
S1012、对道路上的车辆Vk做如下定义：
Loc(Vk，ωj)表示Vk在ωj时刻所在的元胞，且Loc(Vk，ωj)∈{Ci|i＝1，2，3…n}；
ODk表示Vk的起始位置和目标位置，且ODk＝<co，cd>∈{<Ci，Cj>|i，j＝1，2，3…n}，co，cd分别表示其实元胞和目标元胞；
OT(Vk)表示Vk出现在系统中的时间，且OT(Vk)∈{ωi|i＝1，2，3…n}；
DT(Vk)表示Vk到达目标位置时的时间，且DT(Vk)∈{ωi|i＝1，2，3…n}；
PH(Vk，ωj)表示在ωj时刻Vk已走过的路径长度；
DH(Vk)表示Vk到达目标位置时所走过的路径长度；
则对于车辆在ωj+1时刻的位置有：
Figure BDA0003911434140000041
对于系统中的每个个体，其目标函数为：
IGk＝min{T(DT(Vk)-OT(Vk)，DH(Vk))} (4)
其中T为个体在路网中从起点到终点所花费的时间与所行路程的调和最优函数。
进一步地，所述S102的具体步骤为：
群体性能的最优化在一定时间区间内交通流用最大化来表示，也即：
Figure BDA0003911434140000042
其中ΔPH(Vk)为Δt时间内所个体行驶的路程，且ΔPH(Vk)＝PH(Vk，ωend)-PH(Vk，ωstart)，ΔFi也即在Δt时间内元胞的流量，且ΔFi＝Fi(ωend)-Fi(ωstart)，PH(Vk，ωend)表示在ωend时刻Vk已走过的路径长度，PH(Vk，ωstart)表示在ωstart时刻Vk已走过的路径长度。Fi(ωend)表示在ωend时刻从元胞i-1流入到元胞i的个体数量，Fi(ωstart)表示在ωstart时刻从元胞i-1流入到元胞i的个体数量。
进一步地，所述S103的具体步骤为：
定义综合群体目标和个体目标将多目标集群控制最优化目标：
Figure BDA0003911434140000043
其中GI(t)为基于时间的最优目标函数，k为计数量，表示从第一个到第n个(最后一个)PD(DT(Vk)，ωend)为在ωend时刻预测的Vk到达目标所需要的时间，PD(DH(Vk)，ωend)为在ωend时刻预测的Vk到达目标所走过的路径长度。
进一步地，公式(6)表示在△t时间段内的系统最优化既要考虑整体的交通流又要考虑在后继的时间内个体目标的最优化。
进一步地，所述S104的具体步骤为：
所述动态个体权值用个体到目标位置的距离来表示，距离越小则权值越大，对于任意个体Vk，其在ωj时刻的权值定义为：
Rk(ωj)＝PD(DH(Vk)，ωj)-PH(Vk，ωj) (7)
PD(DH(Vk)，ωj)为在j时刻预测的Vk到达目标所走过的路径长度，PH(Vk，ωj)表示在ωj时刻Vk已走过的路径长度。
进一步地，所述S105用于尽快将短时间内能够到达目标位置的节点从网络中移除，达到减少拥堵提高系统吞吐量的目的，同时为了避免出现死锁，在算法中设置了回溯和让权等待。
本发明的有益技术效果至少在于以下几点：
(1)本发明引入基于时间的个体动态权值，能够在不同时刻对系统中全部个体进行统一的优化配置。
(2)算法中的每次迭代都重新计算个体在当前位置到目标位置的最优路径，避免了静态最优路径可能导致的死锁、聚集等问题，同时当网络环境发生改变时也能够在下一轮迭代周期内迅速适应，避免系统整体瘫痪。
(3)系统的分层模型设计，减小边缘计算中心管理的元胞数量，同时增加边缘计算内部层数的划分，可大大降低计算复杂性，提高系统响应速度。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明无人集群控制系统结构图。
图2为本发明无人集群控制结构图。
图3为本发明基于动态最优路径规划的多任务无人集群控制方法示意图。
图4为本发明路网元胞模型。
图5为本发明动态最优路径规划算法示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明无人集群控制系统结构图,如图2所示为本发明无人集群控制结构图，如图3所示为本发明基于动态最优路径规划的多任务无人集群控制算法。
具体实施：
若无人设备当前位置与目标位置处于同一边缘节点控制范围，则计算某个无人设备从当前节点到目标位置的最短路径。对该无人设备进行最短路径移动迭代：预测在下一个周期该无人设备沿最短路径移动到下一个元胞；若该元胞当前被另一无人设备占用，则递推计算其最短路径并沿其最短路径移动；在保证不出现死锁、回退的条件下规划每一个无人设备的下一周期位置。在下一周期到来时按规划结果移动集群中的无人设备。
若无人设备当前与目标位置不处于同一边缘节点控制范围，则将该边缘节点控制范围及目标位置上传至上层云计算节点。云计算节点根据无人设备当前所处控制范围的边缘节点及控制目标位置的边缘节点之间的拓扑位置关系计算该无人设备当前位置与目标位置之间的最短路径。将计算结果分别发送至控制无人设备当前位置的边缘节点及控制到达目标位置所要经过的位置的各边缘节点。在各边缘节点控制范围内将离开该边缘节点控制范围的最后元胞看作目标节点，按当前位置与目标位置处于同一边缘节点控制范围进行动态最短路径移动控制。
算法的具体步骤为：
S1、被控制无人设备进行行驶姿态、移动速度、规避障碍等行为的数据采集及基本处理。将处理结果发送到路侧单元。
S2、路侧单元将搜集到的数据经由接入基站发送至边缘计算层的当前位置在其控制范围内的边缘计算节点，由该节点利用基于动态最优路径规划的多任务无人集群控制方法计算在其覆盖范围内的无人设备的运行轨迹。
S3若无人设备当前位置与目标位置处于同一边缘节点控制范围，则计算某个无人设备从当前节点到目标位置的最短路径。对该无人设备进行最短路径移动迭代：预测在下一个周期该无人设备沿最短路径移动到下一个元胞；若该元胞当前被另一无人设备占用，则递推计算其最短路径并沿其最短路径移动；在保证不出现死锁、回退的条件下规划每一个无人设备的下一周期位置。在下一周期到来时按规划结果移动集群中的无人设备。
其使用的动态最优路径规划算法具体如下：
借助元胞自动机(cellular automata，CA)和离散化的基本思想，将空间、时间进行离散化处理。这样在应用场景中的任意路段(或在其他场景中的三维空间)均可用一系列等距的区域来表示，称为元胞，用Ci来表示。如图4所示。
对于元胞Ci，做如下定义：
Li表示元胞i的容纳能力，也即在安全状态下元胞内容纳的个体数目；
Ni(ωj)表示元胞i在ωj时刻的容量，也即元胞内的个体数目；
Si(ωj)表示元胞i在ωj时刻的发送能力；
Ri(ωj)表示元胞i在ωj时刻的接收能力；
Fi(ωj)表示在ωj时刻从元胞i-1流入到元胞i的个体数量；
显然我们有如下约束：
Si(ωj)≤Li-Ni(ωj)≤Li，Ri(ωj)≤Ni(ωj)≤Li (公式1)
Fi(ωj)＝min{Si-1(ωj)，Ri(ωj)} (公式2)
对于道路上的车辆(或空间中的个体)Vk也做如下定义：
Loc(Vk，ωj)∈{Ci|i＝1，2，3…n}表示Vk在ωj时刻所在的元胞；
ODk＝<co，cd>∈{<Ci，Cj>|i，j＝1，2，3…n}表示Vk的起始位置和目标位置，co，cd分别表示其实元胞和目标元胞；
OT(Vk)∈{ωi|i＝1，2，3…n}表示Vk出现在系统中的时间；
DT(Vk)∈{ωi|i＝1，2，3…n}表示Vk到达目标位置时的时间；
PH(Vk，ωj)表示在ωj时刻Vk已走过的路径长度；
DH(Vk)表示Vk到达目标位置时所走过的路径长度；
则对于车辆(或空间中的个体)在ωj+1时刻的位置我们有：
Figure BDA0003911434140000071
对于系统中的每个个体，其目标函数为：
IGk＝min{T(DT(Vk)-OT(Vk)，DH(Vk))} (公式4)
其中T为个体在路网中从起点到终点所花费的时间与所行路程的调和最优函数。
相对于个体目标，集群控制的目标通常为群体性能的最优化。在应用场景中群体性能的最优化通常用在一定时间区间内交通流的最大化来表示，也即：
Figure BDA0003911434140000081
其中ΔPH(Vk)＝PH(Vk，ωend)-PH(Vk，ωstart)也即在△t时间内所个体行驶的路程，ΔFi＝Fi(ωend)-Fi(ωstart)也即在Δt时间内元胞的流量。
综合群体目标和个体目标我们将多目标集群控制最优化目标定义为：
Figure BDA0003911434140000082
PD(DT(Vk)，ωend)为在ωend时间预测的Vk到达目标所需要的时间，PD(DH(Vk)，ωend)为在ωend时间预测的Vk到达目标所走过的路径长度。
该公式表示在△t时间段内的系统最优化既要考虑整体的交通流又要考虑在后继的时间内个体目标的最优化。
由于元胞在时空上属于共享资源，因此在系统中必然存在不同个体对某一相同元胞的竞争。为了解决该问题，在控制算法中引入了动态个体权值的计算。动态个体权值用个体到目标位置的距离来表示，距离越小则权值越大。对于任意个体Vk，其在ωj时刻的权值定义为：
Rk(ωj)＝PD(DH(Vk)，ωj)-PH(Vk，ωj) (公式7)
如图5所示，在算法中，优先迭代权值较大的个体，其目的是尽快将短时间内能够到达目标位置的节点从网络中移除，以达到减少拥堵提高系统吞吐量的目的。同时为了避免出现死锁，在算法中设置了回溯和让权等待。
S4、在边缘计算节点控制范围内，将计算结果通过路网控制层的路测单元发送到对应的无人设备，无人设备接收到信号后改变其运行轨迹。
S5、若无人设备当前与目标位置不处于同一边缘节点控制范围，则将该边缘节点控制范围及目标位置上传至上层云计算节点。云计算节点根据无人设备当前所处控制范围的边缘节点及控制目标位置的边缘节点之间的拓扑位置关系计算该无人设备当前位置与目标位置之间的最短路径。将计算结果分别发送至控制无人设备当前位置的边缘节点及控制到达目标位置所要经过的位置的各边缘节点。在各边缘节点控制范围内将离开该边缘节点控制范围的最后元胞看作目标节点，按当前位置与目标位置处于同一边缘节点控制范围进行动态最短路径移动控制。
S6、无人集群在每次迭代周期接收所处控制范围的边缘计算节点的控制指令进行移动，直到到达目标位置。
基于动态最优路径规划的多任务无人集群控制系统其实体结构如图1所示，实体结构包含两层：
底层为实体层，主要包括无人设备、路侧单元(RSU)、接入基站。
上层为管理层，主要包括边缘计算层、云计算层。
实体层的无人设备通过无线传输连接路测单元，路测单元连接接入基站，接入基站通过有线网络、无线网络、卫星通讯等方式连接到管理层的处理节点。
基于动态最优路径规划的多任务无人集群控制方法其控制结构如图2所示：
边缘计算层。该层主要由边缘计算节点组成。主要功能是处理所管辖区域内基本路网信息，并对实时信息进行处理，例如车辆的紧急制动、路线的切换及管辖区域内可寻址路径的规划等，同时将初步处理后的路网信息传输到上层。需要特别指出的是，该层又可以根据需要划分为若干子层，最下层对应某一具体路网区域，上面各层对应于一个或多个下层区域，实现级联管控。
云计算层。该层以部署在云端的算力集群组成。该层主要负责管辖区域内的跨中间层各无人设备的全局路径规划和调优，完成对整个区域内的车流控制及整体效能优化。除此自外对于突发事件的道路管控、策略更新都在该层完成。
综上所述，本专利该算法引入基于时间的个体动态权值，能够在不同时刻对系统中全部个体进行统一的优化配置。算法中的每次迭代都重新计算个体在当前位置到目标位置的最优路径，避免了静态最优路径可能导致的死锁、聚集等问题，同时当网络环境发生改变时也能够在下一轮迭代周期内迅速适应，避免系统整体瘫痪。该算法的缺点在于当元胞网络规模较大时，需要的算力急剧上升，会造成响应不及时的问题。但根据前述的系统分层模型设计，减小边缘计算中心管理的元胞数量，同时增加边缘计算内部层数的划分，可大大降低计算复杂性，提高系统响应速度。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.基于动态最优路径规划的多任务无人集群控制系统，其特征在于，包括实体层和管理层，所述实体层包括无人设备、路侧单元和接入基站，所述管理层包括边缘计算层和云计算层；
所述实体层的无人设备通过无线传输连接路侧单元，路侧单元连接接入基站，接入基站通过有线网络或无线网络或卫星通讯连接到管理层的处理节点；
所述边缘计算层由边缘计算节点组成，用于处理所管辖区域内基本路网信息，并对实时信息进行处理；
所述云计算层由部署在云端的算力集群组成，用于管辖区域内的跨中间层各无人设备的全局路径规划和调优，完成对整个区域内的车流控制及整体效能优化，以及对于突发事件的道路管控、策略更新。
2.基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述方法包括：
S1、被控制无人设备进行行驶姿态、移动速度和规避障碍行为的数据采集及基本处理，将处理结果发送到路侧单元；
S2、路侧单元将收集到的数据经由接入基站发送至边边缘计算层的能覆盖无人设备的对应边缘计算节点，由边缘计算节点计算在其覆盖范围内的无人设备的运行轨迹；
S3、若无人设备的当前位置与目标位置处于同一边缘节点控制范围，则计算无人设备从当前位置到目标位置的最短路径；对该无人设备进行最短路径移动迭代：预测在下一个周期当前无人设备沿最短路径移动到下一个元胞；
若该元胞当前被另一无人设备占用，则递推计算无人设备最短路径并沿无人设备最短路径移动；在保证不出现死锁、回退的条件下规划每一个无人设备的下一周期位置；在下一周期到来时按规划结果移动集群中的无人设备；
S4、在边缘计算节点控制范围内，将S3的计算结果通过路网控制层的路侧单元发送到对应的无人设备，无人设备接收到信号后改变其运行轨迹；
S5、若无人设备当前位置与目标位置不处于同一边缘计算节点控制范围，则将边缘计算节点控制范围及目标位置上传至云计算层；云计算节点根据边缘节点的拓扑位置关系计算该无人设备当前位置与目标位置之间的最短路径；将当前位置与目标位置之间的最短路径分别发送至控制无人设备当前位置的边缘计算节点及控制到达目标位置的边缘计算节点；在边缘计算节点控制范围内将离开边缘计算节点控制范围的最后元胞看作目标节点，按当前位置与目标位置处于同一边缘计算节点控制范围进行动态最短路径移动控制；
S6、无人集群在每次迭代周期接收所处控制范围所对应的边缘计算节点的控制指令进行移动，直到到达目标位置。
3.根据权利要求2所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述基本处理的步骤包括数据格式转换和封装。
4.根据权利要求2所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述最短路径的动态最优路径规划算法包括：
S101、借助元胞自动机和离散化的基本思想，将空间和时间进行离散化处理；
S102、在应用场景中，群体性能的最优化在一定时间区间内交通流用最大化来表示；
S103、定义综合群体目标和个体目标将多目标集群控制最优化目标；
S104、进行引入动态个体权值的计算；
S105、优先迭代权值最优的个体。
5.根据权利要求4所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述S101的具体步骤为：
S1011、在应用场景中的任意路段用一系列等距的区域来表示，称为元胞，用Ci来表示，对于元胞Ci，做如下定义：
Li表示元胞i的容纳能力，也即在安全状态下元胞内容纳的个体数目；
Ni(ωj)表示元胞i在ωj时刻的容量，也即元胞内的个体数目；
Si(ωj)表示元胞i在ωj时刻的发送能力；
Ri(ωj)表示元胞i在ωj时刻的接收能力；
Fi(ωj)表示在ωj时刻从元胞i-1流入到元胞i的个体数量；
得到如下的约束条件：
Si(ωj)≤Li-Ni(ωj)≤Li,Ri(ωj)≤Ni(ωj)≤Li (1)
Fi(ωj)＝min{Si-1(ωj),Ri(ωj)} (2)
S1012、对道路上的车辆Vk做如下定义：
Loc(Vk,ωj)表示Vk在ωj时刻所在的元胞，且Loc(Vk,ωj)∈{Ci|i＝1,2,3...n}；
ODk表示Vk的起始位置和目标位置，且ODk＝<co,cd>∈{<Ci,Cj>|i,j＝1,2,3…n}，co,cd分别表示其实元胞和目标元胞；
OT(Vk)表示Vk出现在系统中的时间，且OT(Vk)∈{ωi|i＝1,2,3…n}；
DT(Vk)表示Vk到达目标位置时的时间，且DT(Vk)∈{ωi|i＝1,2,3…n}；
PH(Vk,ωj)表示在ωj时刻Vk已走过的路径长度；
DH(Vk)表示Vk到达目标位置时所走过的路径长度；
则对于车辆在ωj+1时刻的位置有：
Figure FDA0003911434130000031
对于系统中的每个个体，其目标函数为：
IGk＝min{T(DT(Vk)-OT(Vk),DH(Vk))} (4)
其中T为个体在路网中从起点到终点所花费的时间与所行路程的调和最优函数。
6.根据权利要求5所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述S102的具体步骤为：
群体性能的最优化在一定时间区间内交通流用最大化来表示，也即：
Figure FDA0003911434130000032
其中ΔPH(Vk）为Δt时间内所个体行驶的路程，且ΔPH(Vk)＝PH(Vk,ωend0-PH(Vk,ωstart0，ΔFi也即在Δt时间内元胞的流量，且ΔFi＝Fi(ωend)-Fi(ωstart)，PH(Vk,ωend)表示在ωend时刻Vk已走过的路径长度，PH(Vk,ωstart)表示在ωstart时刻Vk已走过的路径长度。Fi(ωend)表示在ωend时刻从元胞i-1流入到元胞i的个体数量，Fi(ωstart)表示在ωstart时刻从元胞i-1流入到元胞i的个体数量。
7.根据权利要求6所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述S103的具体步骤为：
定义综合群体目标和个体目标将多目标集群控制最优化目标：
Figure FDA0003911434130000033
其中GI(t)为基于时间的最优目标函数，k为计数量，表示从第一个到第n个(最后一个)PD(DT(Vk),ωend)为在ωend时刻预测的Vk到达目标所需要的时间，PD(DH(Vk),ωend)为在ωend时刻预测的Vk到达目标所走过的路径长度。
8.根据权利要求6所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，公式(6)表示在Δt时间段内的系统最优化既要考虑整体的交通流又要考虑在后继的时间内个体目标的最优化。
9.根据权利要求7所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述S104的具体步骤为：
所述动态个体权值用个体到目标位置的距离来表示，距离越小则权值越大，对于任意个体Vk，其在ωj时刻的权值定义为：
Rk(ωj)＝PD(DH(Vk),ωj)-PH(Vk,ωj) (7)
PD(DH(Vk),ωj)为在j时刻预测的Vk到达目标所走过的路径长度，PH(Vk,ωj)表示在ωj时刻Vk已走过的路径长度。
10.根据权利要求6所述的基于动态最优路径规划的多任务无人集群控制方法，其特征在于，所述S105用于尽快将短时间内能够到达目标位置的节点从网络中移除，达到减少拥堵提高系统吞吐量的目的，同时为了避免出现死锁，在算法中设置了回溯和让权等待。
CN202211323870.3A 2022-10-27 2022-10-27 基于动态最优路径规划的多任务无人集群控制系统及方法 Pending CN115631645A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211323870.3A CN115631645A (zh) 2022-10-27 2022-10-27 基于动态最优路径规划的多任务无人集群控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211323870.3A CN115631645A (zh) 2022-10-27 2022-10-27 基于动态最优路径规划的多任务无人集群控制系统及方法

Publications (1)

Publication Number Publication Date
CN115631645A true CN115631645A (zh) 2023-01-20

Family

ID=84906990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211323870.3A Pending CN115631645A (zh) 2022-10-27 2022-10-27 基于动态最优路径规划的多任务无人集群控制系统及方法

Country Status (1)

Country Link
CN (1) CN115631645A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117894201A (zh) * 2024-03-11 2024-04-16 湘江实验室 基于全局交通信息的道路交通引导方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN107705557B (zh) 基于深度增强网络的路网信号控制方法及装置
CN112700639B (zh) 一种基于联邦学习与数字孪生的智能交通路径规划方法
CN111862579A (zh) 一种基于深度强化学习的出租车调度方法及系统
CN110650039A (zh) 一种基于多峰优化的无人机群辅助车辆网络协同通信模型
CN107203190A (zh) 一种基于复杂路径的惯性导航agv调度方法及系统
CN112466115A (zh) 一种基于边缘计算的公交车辆交叉口优先通行控制系统及方法
CN114283607A (zh) 一种基于分布式群智学习的多车协同规划方法
CN111638717A (zh) 一种分布式自主机器人交通协调机制的设计方法
CN111311959A (zh) 多路口协同控制方法、装置、电子设备及存储介质
CN115631645A (zh) 基于动态最优路径规划的多任务无人集群控制系统及方法
CN113552899B (zh) 一种通信链路受限下的多无人机自主协同搜索方法
Tahifa et al. Swarm reinforcement learning for traffic signal control based on cooperative multi-agent framework
Zhao et al. Research on logistics distribution route based on multi-objective sorting genetic algorithm
Xu et al. V2X empowered non-signalized intersection management in the AI era: Opportunities and solutions
Gamel et al. A fog-based Traffic Light Management Strategy (TLMS) based on fuzzy inference engine
Zhao et al. Consensus control of highway on-ramp merging with communication delays
Hajiebrahimi et al. An adaptive control method of traffic signal-timing under emergency situations for smart cities
Horng et al. Traffic congestion reduce mechanism by adaptive road routing recommendation in smart city
Cheng et al. The adaptive road routing recommendation for traffic congestion avoidance in smart city
CN115220461B (zh) 室内复杂环境下机器人单体系统及多机器人交互协同方法
CN114916013B (zh) 基于车辆轨迹预测的边缘任务卸载时延优化方法、系统及介质
Wang et al. A reinforcement learning approach to CAV and intersection control for energy efficiency
CN114613140B (zh) 无人车辆的交叉区域的智能调度方法及装置
Kurihara et al. Proposed traffic light control mechanism based on multi-agent coordination
CN115208892A (zh) 基于动态资源需求的车路协同在线任务调度方法及系统

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