CN117250996B - 一种无人集群对可移动目标的搜索方法 - Google Patents

Abstract

本发明提供了一种无人集群对可移动目标的搜索方法，包括以下步骤：将搜索目标区域划分为若干个搜索区域；获取移动目标的移动向量，采用面积法对所述移动向量进行计算，获得移动目标在各搜索区域中转移的转移概率；对所述转移概率进行卷积计算，获取各搜索区域中发现移动目标的目标概率；对每一个需要分配任务的无人设备，计算所述目标概率与该无人设备预计到达时间的比值，为所述无人设备指派没有被服务且所述比值最大的搜索区域。

Description

一种无人集群对可移动目标的搜索方法

技术领域

本发明涉及无人集群自动控制领域，具体涉及一种无人集群对可移动目标的搜索方法。

背景技术

海上搜救任务面临搜索面积大、气象环境复杂等多种挑战，因此存在搜救效率低、响应时间长等诸多缺点。无人装置因其敏捷性，便携性和空中可达性等优点而非常适合海上巡航、搜索工作。

关于可移动目标无人集群搜索路线规划的研究主要包括两个方面：一是对可移动目标运动轨迹的预测和模拟，二是对搜索路径的规划算法。其中，对于目标非固定的移动特性描述一直都是相关问题研究的重点和难点，目前对于无人集群在移动目标搜索中的相关研究较为少见，还没有形成一套有效的可移动目标运动特性计算方案和路径规划方法用于解决该问题。并且对移动目标的搜索大多通过覆盖所有区域的方法进行路径规划，这使得搜索路径的规划没有考虑到目标的移动特征，使得移动目标的搜索效率过低，也没有形成一套准确、可靠的数学模型和仿真平台用于解决该问题。

发明内容

本发明提出了一种无人集群对可移动目标的搜索方法，解决了现有技术对于移动目标的搜索效率较低、没有形成一套有效的可移动目标运动特性计算方案和搜索区域分配方法的问题。

为解决上述技术问题，本发明提供了一种无人集群对可移动目标的搜索方法，包括以下步骤：

步骤S1：将搜索目标区域划分为若干个搜索区域；

步骤S2：获取移动目标的移动向量，采用面积法对所述移动向量进行计算，获得移动目标在各搜索区域中转移的转移概率；

步骤S3：对所述转移概率进行卷积计算，获取各搜索区域中发现移动目标的目标概率；

步骤S4：对每一个需要分配任务的无人设备，计算所述目标概率与该无人设备预计到达时间的比值，为所述无人设备指派没有被服务且所述比值最大的搜索区域。

优选地，步骤S2中所述移动向量包括固定移动向量Y与随机移动向量S。

优选地，获取所述随机移动向量S的方法包括：

步骤S21：随机生成一个在区间内均匀分布的角度/>；

步骤S22：将所述角度应用于圆的极坐标方程，得到随机移动向量的极坐标形式；

步骤S23：获取移动目标在单位时间内的最大移动距离R，随机生成一个在区间内均匀分布的半径/>，将极坐标转换为直角坐标，得到随机移动向量的直角坐标形式。

优选地，步骤S23中所述随机移动向量的直角坐标形式为：

；

式中，分别为随机移动向量的横、纵坐标，/>。

优选地，步骤S2中所述移动向量的表达式为：

；

式中，分别为固定移动向量的横、纵坐标。

优选地，步骤S2中所述转移概率的表达式为：

；

式中，为单个搜索区域的边长，/>分别为搜索区域相对中心区域的横纵坐标。

优选地，步骤S3中所述目标概率的表达式为：

；

式中，为t时刻坐标为/>的搜索区域发现目标的概率。

优选地，步骤S3还包括概率更新部分：当t时刻有无人设备经过某搜索区域时，时刻该搜索区域中发现移动目标的概率更新为：

；

式中，为无人设备经过搜索区域时发现目标的概率系数。

本发明还提供一种电子设备，包括：存储器、处理器和计算机程序，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现上述任一项所述的一种无人集群对可移动目标的搜索方法。

本发明另外提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现上述任一项所述的一种无人集群对可移动目标的搜索方法。

本发明的有益效果至少包括：与传统搜索路径规划算法相比，本发明中提供的方法充分考虑到移动目标的运动特征，将无人设备群及时有效的送到最需要搜索、搜索目标最有可能出现的区域，能够根据目标的移动特征自适应的调节无人设备群的搜索区域分配方案，且具有较好的搜索效果，能够提高发现目标的概率。

附图说明

图1为本发明实施例的方法流程示意图；

图2（a）为本发明实施例的面积法中卷积核的计算方法示意图；

图2（b）为本发明实施例的面积法中面积的计算方法示意图；

图3为本发明实施例中在某区域内发现移动目标的概率演化示意图；

图4(a)为本发明的单事故点搜索场景实例的搜索场景示意图；

图4(b)为本发明的单事故点搜索场景实例的目标概率；

图4(c)为本发明的单事故点搜索场景实例的无人集群分配方案；

图5(a)为本发明的多事故点搜索场景实例的搜索场景示意图；

图5(b)为本发明的多事故点搜索场景实例的目标概率；

图5(c)为本发明的多事故点搜索场景实例的无人集群分配方案。

具体实施方式

下面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。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例提供了一种无人机群对可移动目标的搜索方法，包括以下步骤：

步骤S1：将搜索目标区域划分为若干个搜索区域。

具体地，移动目标的位置会随着时间的流逝而发生变化，所以首先要解决的问题是模拟运动目标的行为特征。将搜索区域看作离散空间，即若干个独立存在的区域，假定各区域为边长为的正方形。此时，目标的移动特征可以看作在各个区域间转移的概率，即区域间的状态变化逻辑，这类似于元胞自动机的演化规则。因此，使用类似元胞自动机的状态转移逻辑来模拟搜索目标在离散空间中被发现概率的扩散特征，是符合目标移动特征的。

步骤S2：获取移动目标的移动向量，采用面积法对移动向量进行计算，获得移动目标在各搜索区域中转移的转移概率。

具体地，假设因海上洋流、风力等外部因素使目标固定移动的向量为，搜索目标随机移动的向量为/>。固定移动向量可以根据当地水纹条件测量，若无法测出，可以根据最大流速估计出随机向量，然后将固定向量设为(0,0)。本发明实施例中考虑/>在圆内均匀分布的情况，又被称为均匀圆阵（uniform circular array）。

为了模拟向量S在圆内均匀分布，可以用极坐标来表示。首先，生成一个在区间内均匀分布的角度值/>，可以通过使用随机数发生器来实现。将角度/>应用到圆的极坐标方程上，得到向量的极坐标形式。然后生成一个在区间/>内均匀分布的半径/>。使用三角函数将极坐标转换为直角坐标，得到向量的直角坐标形式。假设/>是该向量的直角坐标，则有：

；

最终，可以得到一个在圆内均匀分布的向量：

；

其中，。

根据固定移动向量与随机移动向量，可以计算移动目标向周边移动的概率。搜索区域内发现目标的概率（）每步演化时，搜救目标向周边移动的概率，即卷积核（convolution kernel）的计算方法如图2（a）所示。目标移动到其他区域的概率，是搜救目标的移动向量/>所构成的圆形与对应的矩形搜救区域重合的面积除以圆的总面积，反之中心区域下一个时间段内发现搜救目标的概率，受到附近搜索区域中发现搜救目标概率的影响。如图2（b）所示，将圆心作为坐标原点，根据新的图示可得到区域/>与圆重合部分的面积如下：

；

则卷积核中相应元素对应数值的大小的计算方法如下面的公式所示：

；

式中，为单个搜索区域的边长，/>分别为搜索区域相对中心区域的横纵坐标，可以发现卷积核中所有值的和应当为1。

步骤S3：对转移概率进行卷积计算，获取各搜索区域中发现移动目标的目标概率。

具体地，如果将每个区域发现目标的概率看作高度，某一区域内发现目标的概率会根据上一时刻此区域中发现目标的概率和周围区域中的发现目标概率进行演化，具体演化逻辑如图3所示。图中，时刻，坐标为/>的位置发现目标的概率受到/>时刻区域发现目标的概率和/>时刻周边各个区域中发现目标概率的影响，计算公式如下：

通过这种概率计算方案，就能计算得出在任意时刻、任意区域中发现目标的概率。

当无人机路过某个区域时，有一定的概率会发现搜索目标，这取决于无人机摄像头的分辨率、目标识别算法等因素，此处将单个步长内无人设备经过某一区域时发现目标的概率系数取作/>，当无人机路过该区域时此区域中发现目标的概率会变小，即表示概率的长方体高度会变化。区域/>中发现目标的概率会变为：

；

式中，为无人机经过搜索区域时发现目标的概率系数，可以通过实验计算或者直接估计。

若无人机群中有架无人设备，则无人机群在(0,T]时间段内发现搜索目标的总概率的表达式为：

；

式中，为/>时刻第/>个无人机所处搜索区域发现目标的概率。

从上式中可以看出，无人机群在(0,T]时间段内发现搜救目标概率为所有时刻无人机所处对应区域中搜救目标发现概率与单个步长/>内单个区域发现目标概率系数的乘积，再求和。

步骤S4：对每一个需要分配任务的无人机，计算目标概率与该无人机预计到达时间的比值，为无人机指派没有被服务且比值最大的搜索区域。

具体地，无人集群路径规划算法需要考虑无人机所处的位置，在概率最高的区域指派到达时间更短的无人机，能够实现更优的规划效果。基于此思想，提出了一种关注完成搜索概率速度的算法，称之为搜索概率速度最大排序搜索算法。该算法的思路是对每一个需要分配任务的无人机，当无人机速度相同时，目标概率与该无人机预计到达时间的比值可以转换为目标概率与到该无人机的距离的比值，计算出在t时刻所有区域中发现目标的概率与到第u个无人设备/>距离的比值/>：

。

当无人机速度不同时，预计到达时间为无人机到移动目标的距离除以无人机的速度。然后将该比值从高到低排序，为空闲无人设备指派没有正在被服务且比值最大的区域。当所有时刻都能为空闲的无人设备指派区域后，无人设备群的搜索路径就自然形成了。

根据上述内容建立的数学模型，在Anylogic中使用java语言，编制了海上移动目标的无人机群救援路径规划计算软件。该软件操作界面友好，能够根据事故点和当前拥有的救援力量计算出路径点，可以比较直观的展示出无人机的路径，同时软件的可操作性较好，具有输出结果直观、简单而实用等特点。

本发明还提供一种电子设备，包括：存储器、处理器和计算机程序，计算机程序存储在存储器中，并被配置为由处理器执行以实现上述的一种无人集群对可移动目标的搜索方法。

本发明另外提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行以实现上述的一种无人集群对可移动目标的搜索方法。

下面结合附图及实施例对本发明作进一步的详细描述，但该实施例不应理解为对本发明的限制，本发明提出的方法同样适用于无人船等无人设备。

实施例1：假设某次海上救援任务中救援场景为60km*60km的海域，离散空间的边长，本次任务的极限搜索时间为/>小时。无人机在事故发生位置的西北角待命，无人机续航为/>小时，速度为/>，无人机群中无人设备可用数量为架，无人机在/>公里内能够发现目标的概率为/>。搜救场景如图4(a)所示。

由于事故海域洋流方向不确定，在此假设该场景中每步仿真中区域内搜救目标发现概率演化的卷积核为：

使用本方案计算出使用不同无人机数量时发现目标的概率如图4(b)所示，规划得到的无人机群搜索路径如图4(c)所示。

实施例2：当初始求救信号给出的搜救位置不准确或存在多个事故点位时，需要假定多个搜索区域中都可能存在搜救目标，并估计不同位置初始发现目标的概率。在多事故的案例分析中，搜救场景的其他参数设置与上一节相同，但初始搜救区域位置有2个，假设搜救区域距离无人机待机位置为（20km，20km）、（45km，45km），发现搜救目标的概率分别为0.4、0.6，搜救场景设置如图5(a)所示，使用本方案计算出使用不同无人机数量时发现目标的概率如图5(b)所示，规划得到的无人机群搜索路径如图5(c)所示。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种无人集群对可移动目标的搜索方法，其特征在于，包括以下步骤：

步骤S1：将搜索目标区域划分为若干个搜索区域；

步骤S2：获取移动目标的移动向量，采用面积法对所述移动向量进行计算，获得移动目标在各搜索区域中转移的转移概率；

所述移动向量包括固定移动向量Y与随机移动向量S，获取所述随机移动向量S的方法包括：

步骤S21：随机生成一个在区间[0,2π)内均匀分布的角度θ；

步骤S22：将所述角度θ应用于圆的极坐标方程，得到随机移动向量的极坐标形式：

S＝(S_x,S_y)＝(r*cos(θ),r*sin(θ))；

式中，S_x、S_y分别为随机移动向量S的横、纵坐标，θ∈[0,2π),r∈[0,R)；

步骤S23：获取移动目标在单位时间内的最大移动距离R，随机生成一个在区间[0,R)内均匀分布的半径r，将极坐标转换为直角坐标，得到随机移动向量的直角坐标形式；

则所述移动向量的表达式为：

[S_x+Y_x,S_y+Y_y]＝[r*cos(θ)+Y_x,r*sin(θ)+Y_y]；

式中，Y_x、Y_y分别为固定移动向量的横、纵坐标；

计算所述转移概率K_i,j的表达式为：

式中，L为单个搜索区域的边长，i、j分别为搜索区域相对中心区域的横纵坐标；

步骤S3：对所述转移概率进行卷积计算，获取各搜索区域中发现移动目标的目标概率：

P_i,j,t+Δt＝P_i-1,j-1,t×K_-1,-1+P_i-1,j,t×K_-1,0+P_i-1,i+1,t×K_1,1+P_i,j-1,t×K_1,-1+P_i,j,t×K_0,0+P_i,j+1,t×K_0,1+P_i+1,j-1,t×K_1,-1+P_i+1,j,t×K_-1,0+P_i+1,j+1,t×K_1,1；

式中，P_i,j,t为t时刻坐标为(i,j)的搜索区域发现目标的概率；

步骤S4：对每一个需要分配任务的无人设备，计算所述目标概率与该无人设备预计到达时间的比值，为所述无人设备指派没有被服务且所述比值最大的搜索区域。

2.根据权利要求1所述的一种无人集群对可移动目标的搜索方法，其特征在于，步骤S3还包括概率更新部分：当t时刻有无人设备经过某搜索区域时，t+Δt时刻该搜索区域中发现移动目标的概率更新为：

P_i,j,t+Δt＝P_i,j,t*(1-μ)；

式中，μ为无人设备经过搜索区域时发现目标的概率系数。

3.一种电子设备，包括：存储器、处理器和计算机程序，其特征在于：所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现权利要求1～2任一项所述的一种无人集群对可移动目标的搜索方法。

4.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现权利要求1～2任一项所述的一种无人集群对可移动目标的搜索方法。