CN116382331A - 多无人机快速调度方法、装置、设备及可读存储介质 - Google Patents
多无人机快速调度方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116382331A CN116382331A CN202310278511.9A CN202310278511A CN116382331A CN 116382331 A CN116382331 A CN 116382331A CN 202310278511 A CN202310278511 A CN 202310278511A CN 116382331 A CN116382331 A CN 116382331A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target point
- scheduling
- time
- 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 64
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000036461 convulsion Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 2
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004904 shortening Methods 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种多无人机快速调度方法、装置、设备及可读存储介质,该方法包括:步骤S11,确定无人机群中无人机的数量;步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案;步骤S13,基于最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将预先路径拟合为B样条曲线,对B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。通过本发明,在保证多无人机调度过程中无碰撞且动力学可行的基础上,进一步缩短了无人机群执行调度任务所需的时间,提高了工作效率。
Description
技术领域
本发明涉及多无人机运动规划技术领域,尤其涉及一种多无人机快速调度方法、装置、设备及可读存储介质。
背景技术
近些年来,四旋翼无人机由于其灵活性、功能性和可扩展性越来越受到重视,随着计算、传感与通信技术的发展,无人机在搜寻、救援、辅助通信等各个应用领域都有突出的表现,可进行自主导航的无人机应用于地球上各种任务与挑战,帮助人类操作员实现各种难以达成或充满风险的任务。
受限于无人机的载荷能力和续航时间,单个无人机可以完成的任务类型十分有限,多无人机在现实任务中更加具有适用性和可靠性,在这些任务中,无人机为了完成规划或调度任务,往往需要在复杂而密集的障碍物群中飞行。然而,目前的多无人机调度方法在使用时,无人机群执行调度任务花费时间长,工作效率低。
发明内容
本发明的主要目的在于提供一种多无人机快速调度方法、装置、设备及可读存储介质,旨在解决现有技术中多无人机调度方法在使用时,执行调度任务花费时间长、工作效率低的技术问题。
第一方面,本发明提供一种多无人机快速调度方法,所述多无人机快速调度方法方法包括:
步骤S11,确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,所述最佳配对方案的第一参考时长是所有配对方案中最小的,所述第一参考时长为一配对方案中最大的预测调度时长,所述预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
步骤S13,基于所述最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将所述预先路径拟合为B样条曲线,对所述B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
可选地,步骤S12具体包括:
设置第一变量Topt,用于记录最佳配对方案的所述第一参考时长;
设置第二变量Tmax,用于记录当前配对方案的所述第一参考时长;
设置数组X,用于记录最佳配对方案对应的目标点分配序列;
根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij;
若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值;
若所有无人机和所有目标点均完成配对,且第二变量Tmax小于第一变量Topt,则以第二变量Tmax的数值覆盖第一变量Topt的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列;
若所有可能配对方案均完成分析,则确定数组X对应的配对方案为最佳配对方案。
可选地,在所述若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值的步骤之前还包括:
若预测调度时长tij大于第一变量Topt,则放弃无人机ri和目标点gj的配对可能:若则重新在未安排目标点/>中随机选择目标点gm与无人机ri进行配对,并计算预测调度时长tim,其中,p≤m≤q,且m≠j;若/> 则返回上一层递归,修改未安排无人机群为/>重新为无人机ri-1分配目标点。
可选地,在所述设置第二变量Tmax,用于记录当前配对方案的所述第一参考时长的步骤之后还包括:
设置第三变量Topt_total,用于记录最佳配对方案的第二参考时长,其中,所述第二参考时长为一配对方案中所有无人机的所述预测调度时间之和;
设置第四变量Ttotal,用于记录当前配对方案的所述第二参考时长;
若所有无人机和所有目标点均完成配对,第二变量Tmax等于第一变量Topt,第四变量Ttotal小于第三变量Topt_total,则以第四变量Ttotal的数值覆盖第三变量Topt_total的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列。
可选地,所述根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij的步骤包括:
基于启发式算法公式,计算得到预测调度时长tij,所述启发式算法公式为:
其中,Lij为无人机ri的位置距离目标点gj的欧式空间距离,vm为最大无人机速度,am为最大无人机加速度,vij为无人机ri的速度在目标点gj所在方向上的速度分量,vij_ver为无人机ri的速度垂直于目标点gj所在方向的速度分量。
可选地,所述B样条曲线由p度、N+1个控制点{Q0,...,QN}、M+1个节点{u0,...,uM}描述,且,M=N+p+1,相邻节点之间具有相同的时间间隔Δt=ui+1-ui;
所述B样条曲线的表示形式为:
其中,C(u)为时间为u时表示的轨迹位置,Qi为第i个控制点所在三维坐标,ui为第i个节点,Ni,p(u)为p次B样条基函数。
可选地,所述轨迹优化操作基于软约束优化方法,将无人机轨迹的各要求约束表示为软约束代价:
其中,λs、λc、λf、λsw、λv为各部分代价对应的权重参数,JS为用无人机的急动度计算得到的轨迹平滑性成本;Jc为由控制点距离障碍物距离计算的碰撞成本;Jf为轨迹动态可行性的成本;Jsw为通过无人机间距计算的集群避碰成本,Jv为局部路径点导向的速度优化成本。
第二方面,本发明还提供一种多无人机快速调度装置,所述多无人机快速调度装置包括:
确定模块,用于步骤S11,确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
配对模块,用于步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,所述最佳配对方案的第一参考时长是所有配对方案中最小的,所述第一参考时长为一配对方案中最大的预测调度时长,所述预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
运动规划模块,用于步骤S13,基于所述最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将所述预先路径拟合为B样条曲线,对所述B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
回调模块,用于步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
第三方面,本发明还提供一种多无人机快速调度设备,所述多无人机快速调度设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的多无人机快速调度程序,其中所述多无人机快速调度程序被所述处理器执行时,实现上述多无人机快速调度方法的步骤。
第四方面,本发明还提供一种可读存储介质,所述可读存储介质上存储有多无人机快速调度程序,其中所述多无人机快速调度程序被处理器执行时,实现上述多无人机快速调度方法的步骤。
本发明提出实时目标重分配思想,根据无人机实时状态调整目标分配结果,确定最佳配对方案。通过不断反馈无人机群的实时位置、速度信息,并据此作出目标分配调整,使整个调度系统能够保持在时间最优的状态之下。通过本发明,在保证多无人机调度过程中无碰撞且动力学可行的基础上,进一步缩短了无人机群执行调度任务所需的时间,提高了工作效率。
附图说明
图1为本发明一实施例中多无人机快速调度方法的流程示意图;
图2为本发明一实施例中多无人机快速调度方法的场景示意图;
图3为本发明一实施例中配对模块与运动规划模块的工作原理图;
图4为本发明一实施例中步骤S12的流程示意图;
图5为本发明一实施例中多无人机快速调度设备的硬件结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
第一方面,本发明实施例提供了一种多无人机快速调度方法。
图1示出了本发明一实施例中多无人机快速调度方法的流程示意图。
参照图1,一实施例中,多无人机快速调度方法包括如下步骤:
S11、确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
本实施例中,根据需要执行的调度任务确定无人机群规模,无人机群由多个四旋翼无人机组成,无人机的数量与调度任务中目标点的数量相等,部署无人机群起始位置。本实施例的调度任务目标为确保在无碰撞且动力学可行的情况下将无人机群调度到目标点,并且尽可能减少时间消耗。
图2示出了本发明一实施例中多无人机快速调度方法的场景示意图。
参照图2,在场景中存在未知复杂障碍物,障碍、无人机群以及目标点未在图2中全部示出,无人机群需从起始位置穿越障碍物场景到达目标点。无人机群表示为R={r1,...,rn},无人机群起始位置表示为S={s1,…,sn},目标点表示为G={g1,…,gn}。其中,n为无人机的数量,无人机ri∈R与起始位置si∈S对应,但并不与目标点gi∈G对应。由于无人机群并没有在特定目标点执行特定任务的约束,无人机群中任意无人机可选择任意目标点作为自身规划终点,且可以在调度任务执行过程中变更目标点,但需满足调度任务完成时,每个目标点处有一架无人机停靠。图2示出了r1、r2、r3对应与g1、g2、g3配对的一种情况。
S12、根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,最佳配对方案的第一参考时长是所有配对方案中最小的,第一参考时长为一配对方案中最大的预测调度时长,预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
本实施例中,各目标点的位置信息在调度任务的整个执行过程中保持不变,在获取到一时刻各无人机的实时位置信息和实时速度信息后,即可通过启发式算法得到任一无人机到达任一目标点的预设调度时长。调度任务中,所有无人机同时出发,当最后一架无人机到达对应的目标点时调度任务完成,无人机群执行调度任务所需的时间即为用时最久的无人机的飞行时间。在本步骤中,通过预测调度时长估测无人机到达对应的目标点的用时,定义一配对方案中最大的预测调度时长为第一参考时长,通过穷举所有可能的配对方案,计算各配对方案的第一参考时长并进行比较,即可得出第一参考时长最小的最佳配对方案。
S13、基于最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将预先路径拟合为B样条曲线,对B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
本实施例中,在确定最佳配对方案后,各无人机均对应一特定的目标点,根据局部环境实时建模信息和目标点的位置信息,即可通过A*算法生成一条满足起点终点约束和无碰撞的预先路径,将预先路径拟合为一条朴素的B样条曲线后,再对B样条曲线进行轨迹优化操作,实现平滑性、避碰、集群及局部路径点导向的速度等多方面的优化,向各无人机发布优化后的轨迹,使得各无人机能够依据接收到的轨迹飞行。
S14、若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
在复杂障碍环境下进行调度工作时,为了避免与无人机与四周的障碍物以及无人机之间发生碰撞,需要在规划过程中不断调整无人机群的轨迹,使得无人机群无法按照最初的预想进行调度飞行。本实施例中,以所有目标点是否均停靠有一架无人机作为调度任务是否完成的判断依据,在调度任务完成前,以预设时间间隔不断重复步骤S12和步骤S13,根据实时获取到的各无人机的实时位置信息和实时速度信息确定对应时刻下的最佳配对方案,判断是否需要对配对方案进行修改以缩短无人机群执行调度任务所需的时间。
特别说明,本实施例中,步骤S12和步骤S13运行的同时,无人机的实际位置和速度是在变化的,而步骤S12和步骤S13中计算所采用的各无人机的实时位置信息和实时速度信息则是某一时刻获取的定值,在运算过程中保持不变。因此,步骤S12和步骤S13运行时长应小于各无人机的实时位置信息和实时速度信息的获取时间间隔(也即前述的预设时间间隔),保证在获取到后一时刻的实时位置信息和实时速度信息前,向各无人机发布依据前一时刻的实时位置信息和实时速度信息得到的飞行轨迹。
图3示出了本发明一实施例中配对模块与运动规划模块的工作原理图。
参照图3,一实施例中,配对模块用于实现步骤S12,运动规划模块用于实现步骤S13,配对模块获取到各无人机的实时位姿信息(即实时位置信息和实时速度信息)后,执行步骤S12的操作,确定最佳配对方案,并向运动规划模块输出目标点分配序列。可以理解,当无人机群按照序号由小到大排列时,根据目标点分配序列即可确定配对方案。例如,无人机群以r1、r2、r3的顺序排列,配对模块输出的目标点分配序列为g2、g1、g3,即表示配对方案为r1对应g2、r2对应g1、r3对应g3。运动规划模块接收到目标点分配序列后首先进行重规划判断,若本次目标点分配序列与前次相同,则无需修改后续路径规划中的对应目标点,否则需要根据新的目标点分配序列进行修改。然后依次进行A*寻路、B样条拟合和轨迹优化操作得到优化后的轨迹,并发布到对应的无人机。
由此,本实施例提出实时目标重分配思想,根据无人机实时状态调整目标分配结果,确定最佳配对方案。通过不断反馈无人机群的实时位置、速度信息,并据此作出目标分配调整,使整个调度系统能够保持在时间最优的状态之下。通过本实施例,在保证多无人机调度过程中无碰撞且动力学可行的基础上,进一步缩短了无人机群执行调度任务所需的时间,提高了工作效率。
一实施例中,步骤S12具体包括:
设置第一变量Topt,用于记录最佳配对方案的第一参考时长;
设置第二变量Tmax,用于记录当前配对方案的第一参考时长;
设置数组X,用于记录最佳配对方案对应的目标点分配序列;
根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij;
若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值;
若所有无人机和所有目标点均完成配对,且第二变量Tmax小于第一变量Topt,则以第二变量Tmax的数值覆盖第一变量Topt的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列;
若所有可能配对方案均完成分析,则确定数组X对应的配对方案为最佳配对方案。
本实施例中,每个配对方案的确定以及相关数据的记录表现为递归过程,以无人机序号由小到大的顺序为各无人机随机分配目标点,一无人机对应分配一目标点,未安排目标点数量始终等于未安排无人机数量。计算当前递归层级中的无人机ri与目标点gj的预测调度时长tij,并将预测调度时长tij与第二变量Tmax作比较,判断是否需要进行数值覆盖,确保第二变量Tmax记录的是当前配对方案中最大的预测调度时长(即第一参考时长),若当前递归层级不是最后一层,则在完成当前递归层级后进入下一层递归。最后一层递归完成后,所有无人机和所有目标点均完成配对,确定出一个配对方案。将第二变量Tmax与第一变量Topt作比较,判断是否需要进行数值覆盖并修改数组X中的目标点分配序列,确保第一变量Topt记录的是目前确定出的所有配对方案中最小的第一参考时长,数组X记录的是最小的第一参考时长对应的目标点分配序列。在穷举了所有可能配对方案后,数组X对应的配对方案即为最佳配对方案。
进一步地,一实施例中,在若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值的步骤之前还包括:
若预测调度时长tij大于第一变量Topt,则放弃无人机ri和目标点gj的配对可能:若则重新在未安排目标点/>中随机选择目标点gm与无人机ri进行配对,并计算预测调度时长tim,其中,p≤m≤q,且m≠j;若/> 则返回上一层递归,修改未安排无人机群为/>重新为无人机ri-1分配目标点。
本实施例中,将当前递归层级中的预测调度时长tij与第一变量Topt作比较,若预测调度时长tij大于第一变量Topt,可以理解,包含了无人机ri和目标点gj配对的配对方案不可能为最佳配对方案。针对当前配对方案的确定过程,当前递归层级出现上述情况时,若还有其他未安排的目标点,则为无人机ri分配其他目标点,若没有其他未安排的目标点,则返回上一层递归,重新为无人机ri-1分配目标点。通过本实施例递归完成后得到的配对方案的第一参考时长必定小于等于第一变量Topt,具备成为最佳配对方案的可能性。如此,在穷举所有可能配对方案的过程中跳过了部分不必要的运算,有助于减少运算量,缩短运算时间。
进一步地,一实施例中,在设置第二变量Tmax,用于记录当前配对方案的第一参考时长的步骤之后还包括:
设置第三变量Topt_total,用于记录最佳配对方案的第二参考时长,其中,第二参考时长为一配对方案中所有无人机的预测调度时间之和;
设置第四变量Ttotal,用于记录当前配对方案的第二参考时长;
若所有无人机和所有目标点均完成配对,第二变量Tmax等于第一变量Topt,第四变量Ttotal小于第三变量Topt_total,则以第四变量Ttotal的数值覆盖第三变量Topt_total的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列。
前述实施例仅考虑了第二变量Tmax小于第一变量Topt的情况,然而,在某些情况下,可能出现第二变量Tmax等于第一变量Topt的情况,即两个配对方案的第一参考时长相等的情况。若仅以第一参考时长作为唯一评价指标,则无法比较两个配对方案哪个更优。本实施例中,以第一参考时长作为首要的评价指标,进一步引入了第二参考时长作为次要的评价指标,在两个配对方案的第一参考时长相等的情况下,选择第二参考时长更小的方案作为最佳配对方案。
图4示出了本发明一实施例中步骤S12的流程示意图。
参照图4,一实施例中,步骤S12开始后,输入通过广播网络等途径获取到的各无人机的实时位姿信息以及调度任务中确定的各目标点的位置信息,确定一个配对方案,使所有无人机和所有目标点一一配对,计算各无人机与对应目标点的预测调度时间,并进一步分析出当前配对方案的第一参考时长和第二参考时长,根据第一参考时长和第二参考时长评估当前配对方案是否为目前确定出的所有配对方案中的最佳配对方案。在所有可能配对方案均完成分析后,输出最佳配对方案。
进一步地,一实施例中,根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij的步骤包括:
基于启发式算法公式,计算得到预测调度时长tij,启发式算法公式为:
其中,Lij为无人机ri的位置距离目标点gj的欧式空间距离,vm为最大无人机速度,am为最大无人机加速度,vij为无人机ri的速度在目标点gj所在方向上的速度分量,vij_ver为无人机ri的速度垂直于目标点gj所在方向的速度分量。
本实施例中,无人机在未预建模的复杂障碍环境中飞行的用时受多个因素影响,比如距目标的距离、障碍物密度、是否需要避开友方无人机的飞行轨迹等等。但由于除各无人机的实时位置信息、实时速度信息和各目标点的位置信息之外的其他因素不可预知,本实施例采用启发式算法计算预测调度时间。在借助预测调度时间完成最佳配对方案的确定后,再规划飞行轨迹。
特别说明,vm和am是受硬件限制的速度和加速度上限,可根据实际情况进行设置。vij和vij_ver则是根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到的。
具体地,欧式空间距离计算公式为:
其中,无人机ri的空间坐标为A={xri,yri,zri},目标点gj的空间坐标为B={xgj,ygj,zgj}。
进一步地,一实施例中,B样条曲线由p度、N+1个控制点{Q0,...,QN}、M+1个节点{u0,...,uM}描述,且,M=N+p+1,相邻节点之间具有相同的时间间隔Δt=ui+1-ui;
B样条曲线的表示形式为:
其中,C(u)为时间为u时表示的轨迹位置,Qi为第i个控制点所在三维坐标,ui为第i个节点,Ni,p(u)为p次B样条基函数。
进一步地,一实施例中,轨迹优化操作基于软约束优化方法,将无人机轨迹的各要求约束表示为软约束代价:
其中,λs、λc、λf、λsw、λv为各部分代价对应的权重参数,JS为用无人机的急动度计算得到的轨迹平滑性成本;Jc为由控制点距离障碍物距离计算的碰撞成本;Jf为轨迹动态可行性的成本;Jsw为通过无人机间距计算的集群避碰成本,Jv为局部路径点导向的速度优化成本。
本实施例中,λs、λc、λf、λsw、λv依据经验制定。示例地,各权重参数设置为:λs=1.0、λc=0.5、λf=0.1、λsw=0.5、λv=0.3。值得注意的是,当规划的轨迹有与障碍物碰撞或者是在无人机之间有碰撞风险,导致规划失败时,应提高λc和λsw的值以避免风险。轨迹优化的输出是优化后的控制点Q={Q0,...,QN}等变量表示的B样条曲线轨迹。
第二方面,本发明实施例还提供一种多无人机快速调度装置。
一实施例中,多无人机快速调度装置包括:
确定模块,用于步骤S11,确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
配对模块,用于步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,最佳配对方案的第一参考时长是所有配对方案中最小的,第一参考时长为一配对方案中最大的预测调度时长,预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
运动规划模块,用于步骤S13,基于最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将预先路径拟合为B样条曲线,对B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
回调模块,用于步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
进一步地,一实施例中,配对模块用于:
设置第一变量Topt,用于记录最佳配对方案的第一参考时长;
设置第二变量Tmax,用于记录当前配对方案的第一参考时长;
设置数组X,用于记录最佳配对方案对应的目标点分配序列;
根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij;
若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值;
若所有无人机和所有目标点均完成配对,且第二变量Tmax小于第一变量Topt,则以第二变量Tmax的数值覆盖第一变量Topt的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列;
若所有可能配对方案均完成分析,则确定数组X对应的配对方案为最佳配对方案。
进一步地,一实施例中,配对模块还用于:
若预测调度时长tij大于第一变量Topt,则放弃无人机ri和目标点gj的配对可能:若则重新在未安排目标点/>中随机选择目标点gm与无人机ri进行配对,并计算预测调度时长tim,其中,p≤m≤q,且m≠j;若/> 则返回上一层递归,修改未安排无人机群为/>重新为无人机ri-1分配目标点。
进一步地,一实施例中,配对模块还用于:
设置第三变量Topt_total,用于记录最佳配对方案的第二参考时长,其中,第二参考时长为一配对方案中所有无人机的预测调度时间之和;
设置第四变量Ttotal,用于记录当前配对方案的第二参考时长;
若所有无人机和所有目标点均完成配对,第二变量Tmax等于第一变量Topt,第四变量Ttotal小于第三变量Topt_total,则以第四变量Ttotal的数值覆盖第三变量Topt_total的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列。
进一步地,一实施例中,配对模块用于:
基于启发式算法公式,计算得到预测调度时长tij,启发式算法公式为:
其中,Lij为无人机ri的位置距离目标点gj的欧式空间距离,vm为最大无人机速度,am为最大无人机加速度,vij为无人机ri的速度在目标点gj所在方向上的速度分量,vij_ver为无人机ri的速度垂直于目标点gj所在方向的速度分量。
其中,上述多无人机快速调度装置中各个模块的功能实现与上述多无人机快速调度方法实施例中各步骤相对应,其功能和实现过程在此处不再一一赘述。
第三方面,本发明实施例提供一种多无人机快速调度设备,该多无人机快速调度设备可以是个人计算机(personal computer,PC)、笔记本电脑、服务器等具有数据处理功能的设备。
图5示出了本发明一实施例中多无人机快速调度设备的硬件结构示意图。
参照图5,本发明实施例中,多无人机快速调度设备可以包括处理器1001(例如中央处理器Central Processing Unit,CPU),通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity,WI-FI接口);存储器1005可以是高速随机存取存储器(random access memory,RAM),也可以是稳定的存储器(non-volatilememory),例如磁盘存储器,存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解,图5中示出的硬件结构并不构成对本发明的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
继续参照图5,图5中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及多无人机快速调度程序。其中,处理器1001可以调用存储器1005中存储的多无人机快速调度程序,并执行本发明实施例提供的多无人机快速调度方法。
第四方面,本发明实施例还提供一种可读存储介质。
本发明可读存储介质上存储有多无人机快速调度程序,其中多无人机快速调度程序被处理器执行时,实现如上述的多无人机快速调度方法的步骤。
其中,多无人机快速调度程序被执行时所实现的方法可参照本发明多无人机快速调度方法的各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种多无人机快速调度方法,其特征在于,所述多无人机快速调度方法方法包括:
步骤S11,确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,所述最佳配对方案的第一参考时长是所有配对方案中最小的,所述第一参考时长为一配对方案中最大的预测调度时长,所述预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
步骤S13,基于所述最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将所述预先路径拟合为B样条曲线,对所述B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
2.如权利要求1所述的多无人机快速调度方法,其特征在于,步骤S12具体包括:
设置第一变量Topt,用于记录最佳配对方案的所述第一参考时长;
设置第二变量Tmax,用于记录当前配对方案的所述第一参考时长;
设置数组X,用于记录最佳配对方案对应的目标点分配序列;
根据无人机ri的实时位置信息、实时速度信息和目标点gj的位置信息计算得到预测调度时长tij;
若预测调度时长tij大于第二变量Tmax,则以预测调度时长tij的数值覆盖第二变量Tmax的原始数值;
若所有无人机和所有目标点均完成配对,且第二变量Tmax小于第一变量Topt,则以第二变量Tmax的数值覆盖第一变量Topt的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列;
若所有可能配对方案均完成分析,则确定数组x对应的配对方案为最佳配对方案。
4.如权利要求2所述的多无人机快速调度方法,其特征在于,在所述设置第二变量Tmax,用于记录当前配对方案的所述第一参考时长的步骤之后还包括:
设置第三变量Topt_total,用于记录最佳配对方案的第二参考时长,其中,所述第二参考时长为一配对方案中所有无人机的所述预测调度时间之和;
设置第四变量Ttotal,用于记录当前配对方案的所述第二参考时长;
若所有无人机和所有目标点均完成配对,第二变量Tmax等于第一变量Topt,第四变量Ttotal小于第三变量Topt_total,则以第四变量Ttotal的数值覆盖第三变量Topt_total的原始数值,并以当前配对方案的目标点分配序列覆盖数组X的原始分配序列。
8.一种多无人机快速调度装置,其特征在于,所述多无人机快速调度装置包括:
确定模块,用于步骤S11,确定无人机群中无人机的数量,其中,无人机的数量与调度任务中目标点的数量相等;
配对模块,用于步骤S12,根据各无人机的实时位置信息、实时速度信息和各目标点的位置信息,确定最佳配对方案,其中,所述最佳配对方案的第一参考时长是所有配对方案中最小的,所述第一参考时长为一配对方案中最大的预测调度时长,所述预设调度时长根据无人机的实时位置信息、实时速度信息和对应的目标点的位置信息计算得到,用于估测无人机到达对应的目标点的用时;
运动规划模块,用于步骤S13,基于所述最佳配对方案,根据局部环境实时建模信息、目标点的位置信息,通过A*算法生成各无人机的预先路径,将所述预先路径拟合为B样条曲线,对所述B样条曲线进行轨迹优化操作,向各无人机发布优化后的轨迹;
回调模块,用于步骤S14,若任一目标点没有停靠无人机,则以预设时间间隔重复执行步骤S12和步骤S13。
9.一种多无人机快速调度设备,其特征在于,所述多无人机快速调度设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的多无人机快速调度程序,其中所述多无人机快速调度程序被所述处理器执行时,实现如权利要求1至7中任一项所述的多无人机快速调度方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有多无人机快速调度程序,其中所述多无人机快速调度程序被处理器执行时,实现如权利要求1至7中任一项所述的多无人机快速调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278511.9A CN116382331A (zh) | 2023-03-21 | 2023-03-21 | 多无人机快速调度方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310278511.9A CN116382331A (zh) | 2023-03-21 | 2023-03-21 | 多无人机快速调度方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116382331A true CN116382331A (zh) | 2023-07-04 |
Family
ID=86977987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310278511.9A Pending CN116382331A (zh) | 2023-03-21 | 2023-03-21 | 多无人机快速调度方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116382331A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406771A (zh) * | 2023-10-17 | 2024-01-16 | 武汉大学 | 一种基于四旋翼无人机的高效自主探索方法、系统及设备 |
-
2023
- 2023-03-21 CN CN202310278511.9A patent/CN116382331A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406771A (zh) * | 2023-10-17 | 2024-01-16 | 武汉大学 | 一种基于四旋翼无人机的高效自主探索方法、系统及设备 |
CN117406771B (zh) * | 2023-10-17 | 2024-04-30 | 武汉大学 | 一种基于四旋翼无人机的高效自主探索方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1733287B1 (en) | System and method for adaptive path planning | |
CN106134136A (zh) | 计算针对广域网上的数据传送的长期调度 | |
WO2019141220A1 (zh) | 移动机器人的路径规划方法及系统 | |
CN108172026B (zh) | 复杂空域多飞行器自主避险方法及装置 | |
CN116382331A (zh) | 多无人机快速调度方法、装置、设备及可读存储介质 | |
JP2011170502A (ja) | 飛行体順序付けシステム、飛行体順序付け方法および飛行体順序付けプログラム | |
CN106934539B (zh) | 一种带有期限和费用约束的工作流调度方法 | |
CN108415760B (zh) | 一种基于移动机会网络的群智计算在线任务分配方法 | |
CN114781950A (zh) | 基于蚁群算法的雷达资源调度策略、装置以及电子设备 | |
EP3772024A1 (en) | Management device, management method, and management program | |
CN111915185A (zh) | 一种基于路径规划策略的时空众包任务分配方法和装置 | |
Panda et al. | Autonomous mobile robot path planning using hybridization of particle swarm optimization and Tabu search | |
CN116880507A (zh) | 具有运动学约束的多任务分配与多机器人路径规划的协同调度方法 | |
CN115329595B (zh) | 一种基于知识与经验的无人机集群任务规划方法及系统 | |
CN117196169A (zh) | 一种基于深度强化学习的机位调度方法 | |
CN115756789A (zh) | 一种针对深度学习推理服务系统的gpu调度优化方法 | |
CN103164747B (zh) | 一种战场抢修资源重组优化决策方法 | |
EP3910560A1 (en) | Information processing apparatus, method of solving, and solving program | |
CN110928253B (zh) | 自动制造系统的动态加权启发式调度方法 | |
CN113790729A (zh) | 一种基于强化学习算法的无人天车路径规划方法及装置 | |
CN111722925A (zh) | 用于动态边缘计算的协同调度方法、系统、装置 | |
Veselov et al. | Hybrid algorithm of mobile position-trajectory control | |
CN112334962A (zh) | 信息处理装置、移动装置、信息处理系统、方法以及程序 | |
Jeon et al. | Task Assignment for Multiple Multi-purpose Unmanned Aerial Vehicles Using Greedy Algorithm | |
CN117494919B (zh) | 一种基于多机器人协同码垛作业的路径规划方法及装置 |
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 |