CN117726153B - 一种适用于无人机集群作业任务的实时重规划方法 - Google Patents
一种适用于无人机集群作业任务的实时重规划方法 Download PDFInfo
- Publication number
- CN117726153B CN117726153B CN202410180007.XA CN202410180007A CN117726153B CN 117726153 B CN117726153 B CN 117726153B CN 202410180007 A CN202410180007 A CN 202410180007A CN 117726153 B CN117726153 B CN 117726153B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- task
- cluster
- aerial vehicle
- node
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 230000001172 regenerating effect Effects 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000004083 survival effect Effects 0.000 claims description 27
- 239000003016 pheromone Substances 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 4
- 102100025026 E3 ubiquitin-protein ligase TRIM68 Human genes 0.000 claims description 2
- 101100370400 Homo sapiens TRIM68 gene Proteins 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001351 cycling effect Effects 0.000 claims description 2
- 239000000446 fuel Substances 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000005728 strengthening Methods 0.000 claims description 2
- 230000006378 damage Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 13
- 238000005265 energy consumption Methods 0.000 description 11
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明提供了一种适用于无人机集群作业任务的实时重规划方法,能够在无人机集群遭遇节点损失或环境变化时,快速、高效地进行任务重规划,以提高系统抗毁性。该方法包括以下步骤:(1)通过无向图网络实现无人机集群的全局态势感知;(2)自动识别并确定受影响的作业区域和任务目标;(3)协商推举出一个决策节点进行任务分配和调度;(4)利用变直径自适应聚类算法进行任务重规划计算,输出新的聚类中心位置和任务分配方案;(5)广播新的任务方案给各存活无人机单机节点,利用航路规划模块重新生成并执行新的任务路径。本发明显著提升了无人机集群的任务适应性和执行效率,特别适用于需要快速响应环境变化和任务需求的区域覆盖搜索任务。
Description
技术领域
本发明属于无人机集群技术领域,涉及无人机集群的任务规划,具体是一种适用于无人机集群作业任务的实时重规划方法。该方法通过无向图网络建立通讯联系,利用协商推举决策节点机制,变直径自适应聚类算法,聚类中心汇聚算法,任务效能代理模型等技术,实现了无人机集群在节点损失情况下的快速任务重规划,优化无人机集群的作业效率与能量消耗。
背景技术
无人机集群是由多架无人机组成的协同作业系统,可实现比单一无人机更为复杂和广泛的任务,提高了作业效率和可靠性。无人机集群通过通信网络进行信息交换和协同控制,可以根据任务需求和环境变化,动态调整集群规模、结构和行为。无人机集群的一种重要的作业任务是区域覆盖搜索,即让无人机集群按照一定的策略和路径,对指定的区域进行全面的搜索和探测。区域覆盖搜索任务可以应用于军事侦察、灾害救援、环境监测等领域,具有重要的实际意义。
无人机集群在执行区域覆盖搜索任务时,需要进行任务规划,即确定无人机集群的目标区域、飞行路径、分配策略等,以实现任务的高效完成。任务规划通常在任务开始前进行,基于无人机集群的初始状态和任务需求,生成一个静态的或预设的任务方案。然而,无人机集群在执行区域覆盖搜索任务过程中,可能面临各种不确定的风险和干扰,导致无法按照既有的任务规划执行任务。例如,无人机集群可能遭受信号屏蔽干扰等,导致部分无人机损失或失联;无人机集群可能因为能量消耗、机械故障、环境变化等原因,导致部分无人机无法继续飞行或执行任务;无人机集群可能因为任务需求或目标区域的变化,导致既有的任务规划不再适用或优化。
在这些情况下,无人机集群需要具备抗毁弹性,即在遭受损失或干扰后,仍能保持任务的完成。为了实现抗毁弹性,无人机集群需要进行任务重规划,即根据当前的无人机集群状态和任务需求,重新生成一个新的任务方案,以替代或修正既有的任务规划。任务重规划是无人机集群的一种重要的自适应能力,可以提高无人机集群的任务效率和可靠性,降低无人机集群的能量消耗和风险。传统的无人机集群任务规划方法通常依赖于中心化的控制系统进行任务分配和调度,这种方法在处理简单、预定义的任务时表现良好。然而,在复杂多变的实际应用场景中,中心化控制系统易受到单点故障的影响,一旦控制中心出现问题,整个无人机集群的作业效率和效果将受到严重影响。此外,中心化的任务规划方法在处理大规模无人机集群时,面临着计算资源和通信带宽的巨大挑战,难以满足紧急任务变化下的快速响应需求,这在如灾害救援等时效性关键的应用场景中尤为重要。
现有的无人机集群任务重规划方法,要么不能有效地降低集群能量消耗,要么不能及时地响应任务变化,要么不能适应复杂的任务环境,都不能满足无人机集群的实时重规划需求。因此,开发一种既能快速响应任务需求变化、又能有效管理能量消耗,同时适应多变任务环境的无人机集群实时重规划方法,成为了无人机集群技术发展中亟待解决的技术问题。
发明内容
(一)发明目的
针对现有技术中无人机集群在执行区域覆盖搜索任务时面临的实时性和抗毁弹性不足、能量消耗优化不佳以及对复杂环境适应性不强等缺陷和不足,为解决无人机集群在遭遇节点损失或环境变化时,如何快速、高效地进行任务重规划,以保持任务覆盖度、降低能量消耗并提高系统抗毁性的技术问题,本发明旨在提供一种适用于无人机集群作业任务的实时重规划方法。该方法通过无向图网络建立通讯联系、利用协商推举决策节点机制、变直径自适应聚类算法、任务效能代理模型等技术,实现了无人机集群在遭受节点损失或干扰后,能够快速地重新生成新的任务方案,保证任务的完成,同时降低集群的能量消耗和风险。
(二)技术方案
为实现该发明目的,解决其技术问题,本发明采用如下技术方案:
一种适用于无人机集群作业任务的实时重规划方法,所述无人机集群包括多个无人机单机节点并通过无向图网络建立各无人机单机节点之间的通讯联系,且每一无人机单机节点均至少内置有一任务管理模块、一ISR模块(Intelligence, Surveillance, andReconnaissance)和一航路规划模块,其中,所述任务管理模块用以协调无人机单机节点中的各功能模块以确保其按照预定的任务策略和路径执行任务,所述ISR模块用以为无人机单机节点提供环境和目标的基础态势信息,所述航路规划算法模块基于其内置的算法对无人机单机节点进行航路规划,其特征在于,所述实时重规划方法在实施时至少包括如下实施步骤:
SS1. 通过无人机集群中的无向图通讯网络,每一无人机单机节点分享并传递其当前位置和飞行状态信息至其他无人机单机节点,以此建立和更新全局态势感知,其中每一无人机单机节点利用其内置的ISR模块获取并处理环境和目标信息,确保无人机集群内部信息的同步和准确性;
SS2. 在检测到某一或某些无人机单机节点遭受损失或干扰而无法正常工作时,无人机集群中存活的处于正常工作状态的各无人机单机节点利用其内置的任务管理模块并基于全局态势信息和当前任务进度,自动识别并确定受影响的作业区域和任务目标,以决定需重规划的所有目标;
SS3. 启动各存活无人机单机节点内置的任务管理模块中所预设的协商推举共识机制,基于态势评估计算函数G并通过计算及比较各单机节点的态势评估值,从无人机集群中选出一存活无人机单机节点作为决策节点,所述决策节点用以对步骤SS2所确定的需重规划的所有目标进行任务分配和调度;
SS4. 所述决策节点根据所接收的来自集群中各存活无人机单机节点的当前位置信息,并结合预设返回集结点信息以及步骤SS2所确定的待执行任务的目标信息,利用内置的航路规划模块中的变直径自适应聚类算法进行任务重规划计算,计算并输出新的聚类中心位置和任务分配方案;
SS5. 所述决策节点的任务管理模块将步骤SS4所输出的新的聚类中心位置和任务分配方案通过无人机集群中的无向图通讯网络广播给集群中的各存活无人机单机节点,各存活无人机单机节点根据所接收的新的聚类中心位置和任务分配方案,利用其内置的航路规划模块重新生成并执行新的任务路径,以完成步骤SS2所确定的需重规划的所有目标的搜索和探测任务。
(三)技术效果
同现有技术相比,本发明的适用于无人机集群作业任务的实时重规划方法,具有以下有益且显著的技术效果:
(1)本发明通过无向图网络建立通讯联系和协商推举决策节点机制,能够在无人机节点损失或通信受到干扰的情况下,快速响应并重新规划任务,确保任务的持续执行。这种快速的响应和重规划能力,显著提高了无人机集群在复杂环境下的稳定性和可靠性,尤其适用于灾害救援、军事侦察等对抗干扰能力要求较高的场景。
(2)本发明通过变直径自适应聚类算法,本发明能够根据当前无人机集群的状态和任务需求,动态调整无人机的分组和任务分配,最小化了飞行距离和能量消耗。与传统的中心化控制系统相比,这种方法在处理大规模无人机集群和紧急任务变化时,显示出更高的效率和灵活性。
(3)本发明通过采用蚁群优化算法进行航路规划,能够在全局范围内寻找最优的任务执行路径,避免了传统方法中可能出现的局部最优问题。这种全局优化方法不仅提高了任务执行的效率,还进一步降低了能量消耗,尤其适合于需要覆盖广泛区域的搜索和监控任务。
(4)本发明采用的无人机集群任务规划方法,不依赖于特定的硬件平台或通信协议,使得系统具有良好的可扩展性和灵活性。这意味着该方法可以容易地应用于不同类型和规模的无人机集群,满足多样化的应用需求。
(5)本发明通过实时重规划机制和动态聚类算法,能够快速响应环境变化和任务需求的变化,实时更新任务规划和飞行路径。这种高度的实时性和动态性,使得无人机集群能够更加灵活有效地执行任务,特别适用于时间敏感和环境动态变化的应用场景。
(6)本发明的无人机集群作业任务的实时重规划方法,不仅显著提高了无人机集群的抗干扰能力、任务执行效率和能量消耗优化,还增强了系统的适应性、全局优化能力、可扩展性和灵活性,以及任务规划的实时性和动态性,从而为无人机集群的应用提供了一种更加高效、可靠和灵活的解决方案。
附图说明
图1所示为无人机单机节点的任务规划管理架构示意图;
图2所示为本发明的适用于无人机集群作业任务的实时重规划方法的实施流程示意图;
图3所示为多机搜索场景下无人机集群执行既定任务航线的示意图;
图4所示为多机搜索场景下某单机节点损失的示意图;
图5所示为多机搜索场景下任务重规划完成的示意图;
图6所示为变直径自适应聚类算法结果示意图,图中,蓝色星点表示无人机集群集结点/出发点,绿色表示待视目标点,每个大圆表示一个聚类并对应一架无人机,每条线表示每架无人机的任务路径,聚类圆的大小从左到右逐渐减小,使得靠近出发点的无人机承担的搜索目标数量多,远离出发点的无人机承担的搜索目标数量少,以此来抵消无人机的长距离奔袭时间消耗,降低整个任务用时;
图7所示为任务效能代理模型建立过程示意图;
图8所示为任务效能代理模型映射关系示意图;
图9所示为初始任务规划示意图,20个目标点,4架无人机,4架机执行任务,某时刻,紫色无人机损毁;
图10所示为快速任务重规划完成示意图,基于现有三架机与待视目标信息,实时快速重新聚类,生成最优路径,快速任务重规划完成。
具体实施方式
为了更好的理解本发明,下面结合实施例进一步阐明本发明的内容。在附图中,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。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。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。下面结合附图对本发明的结构、技术方案作进一步的具体描述,给出本发明的一个实施例。
实施例1
图1所示为本发明中无人机单机节点的任务规划管理架构示意图,如图1所示,无人机集群包括多个无人机单机节点并通过无向图网络建立各无人机单机节点之间的通讯联系,且每一无人机单机节点均至少内置有一任务管理模块、一ISR模块(Intelligence,Surveillance, and Reconnaissance)、一航路规划模块和一轨迹跟踪模块,其中,任务管理模块用以协调无人机单机节点中的各功能模块以确保其按照预定的任务策略和路径执行任务,ISR模块用以为无人机单机节点提供环境和目标的基础态势信息,航路规划算法模块基于其内置的算法对无人机单机节点进行航路规划,轨迹跟踪模块用以实时跟踪和调整无人机单机的飞行轨迹以符合任务规划的要求。
图2所示为本发明的适用于无人机集群作业任务的实时重规划方法的实施流程示意图,图3~图5为多机搜索场景任务重规划示意图。如图2-5所示,本发明的实时重规划方法在实施时至少包括如下实施步骤:
SS1. 通过无人机集群中的无向图通讯网络,每一无人机单机节点分享并传递其当前位置和飞行状态信息至其他无人机单机节点,以此建立和更新全局态势感知,其中每一无人机单机节点利用其内置的ISR模块获取并处理环境和目标信息,确保无人机集群内部信息的同步和准确性;
SS2. 在检测到某一或某些无人机单机节点遭受损失或干扰而无法正常工作时,无人机集群中存活的处于正常工作状态的各无人机单机节点利用其内置的任务管理模块并基于全局态势信息和当前任务进度,自动识别并确定受影响的作业区域和任务目标,以决定需重规划的所有目标;
SS3. 启动各存活无人机单机节点内置的任务管理模块中所预设的协商推举共识机制,基于态势评估计算函数G并通过计算及比较各单机节点的态势评估值,从无人机集群中选出一存活无人机单机节点作为决策节点,所述决策节点用以对步骤SS2所确定的需重规划的所有目标进行任务分配和调度;
SS4. 所述决策节点根据所接收的来自集群中各存活无人机单机节点的当前位置信息,并结合预设返回集结点信息以及步骤SS2所确定的待执行任务的目标信息,利用内置的航路规划模块中的变直径自适应聚类算法进行任务重规划计算,计算并输出新的聚类中心位置和任务分配方案;
SS5. 所述决策节点的任务管理模块将步骤SS4所输出的新的聚类中心位置和任务分配方案通过无人机集群中的无向图通讯网络广播给集群中的各存活无人机单机节点,各存活无人机单机节点根据所接收的新的聚类中心位置和任务分配方案,利用其内置的航路规划模块重新生成并执行新的任务路径,以完成步骤SS2所确定的需重规划的所有目标的搜索和探测任务。
本发明优选的实例中,上述步骤SS2中,所述全局态势信息至少包括无人机集群中每一无人机单机节点的预定任务区域以及其当前位置和飞行状态,所述当前任务进度至少包括每一无人机单机节点已完成的作业区域和任务目标,所述受影响的作业区域和任务目标为由于无人机单机节点的损失或干扰而导致无法按照预定的任务规划执行任务的区域和目标,所述重规划的所有目标为需要重新分配和调整的区域和目标。
进一步地,上述步骤SS2中,所述自动识别并确定受影响的作业区域和任务目标的方法至少包括以下子步骤:
SS21. 利用全局态势信息和当前任务进度,确定损失或干扰的无人机单机节点的当前位置和飞行状态并结合其预定作业区域和任务目标,计算出受影响而需要重新分配和调整的区域和目标;
SS22. 利用全局态势信息和当前任务进度,确定余下各正常工作状态的无人机单机节点的当前位置和飞行状态并结合其预定作业区域和任务目标,计算出可用的并可以接收重新分配和调整的区域和目标;
SS23. 根据子步骤SS21计算出的受影响而需要重新分配和调整的作业区域和任务目标以及子步骤SS22计算出的可用的并可以接收重新分配和调整的作业区域和任务目标,对二者进行合并操作以生成需重新进行任务规划的作业区域和任务目标,以保障任务连续性与集群作业的整体稳定性。
本发明优选的实例中,上述步骤SS3中,所述态势评估计算函数G根据作业任务的类型和性质进行确定,至少用以综合评估存活无人机单机节点的安全性和通视性以确定最适合作为决策节点的单机节点,其数学表达式如下:
其中,w 1和w 2分别为安全性指标g 1和通视性指标g 2的权重系数,并且其中,安全性指标g 1和通视性指标g 2的数值分别由以下公式计算:
所述安全性指标g 1为存活无人机单机节点x i 与预设集结点位置x 0之间的距离,所述通视性指标g 2为存活无人机单机节点x i 与其他各存活无人机单机节点x j 之间的通讯总距离,N为无人机集群的总数,n为损失或干扰无人机单机节点的数目,g 1越小表示存活无人机单机节点越靠近安全区域,g 2越小表示存活无人机单机节点与其它无人机的通讯总距离最短而通视性越好。
进一步地,上述步骤SS3中,除安全性指标g 1和通视性指标g 2外,所述态势评估计算函数G中还至少包括能量效率指标g 3、环境适应性指标g 4和/或通信稳定性指标g 5,其数学表达式如下:
其中,能量效率指标g 3为存活无人机单机节点当前能量状态与其最大能量容量的比率并用以评估存活无人机单机节点剩余电量或燃料效率以确保所选举的决策节点有足够的能量完成任务规划和执行,环境适应性指标g 4用以评估存活无人机单机节点对环境变化的适应能力以确保决策节点能够有效应对任务执行过程中可能遇到的各种环境挑战,通信稳定性指标g 5用以评估存活无人机单机节点的通信设备性能和当前通信链路的稳定性以确保决策节点能够保持与集群中其他无人机的稳定通信,w 3、w 4、w 5为能量效率指标g 3、环境适应性指标g 4、通信稳定性指标g 5的权重系数,各评估指标g i 的权重系数w i 根据作业任务的类型和性质进行调整和设置:
其中,a i 为评估指标g i 的重要性系数,m是评估指标g i 的个数。
进一步地,上述步骤SS3中,各存活无人机单机节点在利用协商推举共识机制筛选决策节点时至少包括如下子步骤:
SS31. 无人机集群中的每一存活无人机单机节点基于自身的空间位置、运动状态及预设的全局态势信息,利用其内置的任务管理模块并根据预设的态势评估计算函数G,根据当前任务需求和环境条件并结合多个评估指标g i 从多个维度独立计算其态势评估值G i :
其中,w i 为各评估指标g i 对应的权重系数并根据作业任务的类型和性质进行调整和设置,m是评估指标g i 的个数;
SS32. 无人机集群中的每一存活无人机单机节点利用其内置的无向图通讯网络,将自身的态势评估值G i 广播至其他无人机单机节点,并接收其他无人机单机节点的态势评估值G j ,通过比较各无人机单机节点的态势评估值,确定最大的态势评估值G max,并选出对应的无人机单机节点作为决策节点;
SS33. 无人机集群中的每一存活无人机单机节点利用其内置的无向图通讯网络确认决策节点的身份,并向决策节点发送自身的当前位置信息和任务状态信息以便决策节点进行任务分配和调度。
本发明通过上述步骤,无人机集群能够在遭遇节点损失或其他不可预见情况时,迅速而有效地进行实时重规划,保障任务的顺利完成。这一过程不仅增强了无人机集群的适应性和鲁棒性,还提高了任务执行的效率和安全性。
实施例1示出了本发明的适用于无人机集群作业任务的实时重规划方法实施流程,本发明通过其任务规划管理架构和实施流程,确保了无人机集群能够在面临节点损失或干扰时,迅速而有效地进行任务重规划,不仅增强了无人机集群对环境变化的适应能力,还通过协商推举共识机制和变直径自适应聚类算法,提高了决策效率和任务执行的灵活性。此外,该实施例通过全局态势感知和综合评估机制,确保了任务连续性与集群作业的整体稳定性,为无人机集群作业任务的实时重规划提供了高效可靠的解决方案。
实施例2
在实施例1的总体框架下,本实施例重点用于呈现各实施步骤中的细节。
本发明优选的实例中,上述步骤SS4中,所述任务重规划计算在实施时至少包括以下子步骤:
SS41. 以各存活无人机单机节点的当前位置作为起始集结点并结合预设的返回集结点信息构建一集结点坐标集{P jjd },基于步骤SS2所确定的待执行任务的目标信息构建一待视目标点坐标集{P tar },并给定一个参考点P 0以确定聚类的起始点和方向;
SS42. 初始化聚类参数,所述聚类参数用于控制聚类圆的数量、大小和位置以适应不同的目标分布和任务需求,并至少包括聚类圆的初始直径D 0、聚类圆的定位距离Δd,其中,聚类圆的初始直径D 0为聚类算法启动时根据待视目标点的分布范围和密度所确定的聚类圆直径基值,聚类圆的定位距离Δd用以表示在聚类转换期间新聚类的起点和前一个聚类的中心之间的最小位置偏移,并根据待视目标点的分布特征和聚类圆的初始直径D 0进行设定以避免聚类圆的重叠或过度分散;
SS43. 逐一计算待视目标点坐标集{P tar }中每一待视目标点与参考点P 0之间的距离,确定所有距离中的最短距离d min ,并基于所有待视目标点与参考点P 0之间的距离计算整个目标点集合到参考点的平均距离d base ,其中,所述平均距离d base 用以表示待视目标点的平均分布,所述最短距离d min 用以表示待视目标点的最近分布;
SS44. 根据子步骤SS43计算得到的最短距离d min ,选定其所对应的待视目标点作为第i个聚类的起始点P ini-i ,对于每一选定的聚类起始点P ini-i 进一步验证以确保其与现有任意聚类圆心之间的距离C不小于预定的聚类圆定位距离Δd以避免聚类圆的重叠,其中,若存在多个与参考点P 0之间的距离等于最短距离d min 的待视目标点,则任选一个作为聚类起始点P ini-i ,所述任意已存在的聚类圆心C是指在前i-1个聚类中已经确定的聚类圆心的坐标,如果i=1,则不存在已存在的聚类圆心;
SS45. 以子步骤SS44所确定的第i个聚类的起始点P ini-i 为起点,从待视目标点坐标集{P tar }中搜索在聚类圆初始直径D 0范围内的所有待视目标点,并从中识别出距离起始点P ini-i 最远的目标点P far-i 作为第i个聚类的终止点,若存在多个这样的目标点,则任选一个作为P far-i ,并以起始点P ini-i 与终止点P far-i 的中点位置作为第i个聚类圆心的坐标C i ,其中,;
SS46. 计算第i个聚类圆心的坐标C i 与参考点P 0之间的距离d i 并根据d i 、待视目标点坐标集{P tar }中所有点距离参考点P 0的平均距离d base 和最小距离d min 以及预设的聚类圆直径调整系数u 1和u 2,计算该位置下第i个聚类圆的直径D i ,其数学计算式为:
所述数学计算式用以根据聚类圆心的位置动态调整聚类圆直径以适应不同区域内目标点的分布密度和聚类中心的地理位置,使得距离参考点P 0较近的聚类圆直径较大,而距离参考点P 0较远的聚类圆直径较小,其中,聚类圆直径调整系数u 1和u 2分别为针对聚类圆心C i 相对于平均目标分布偏移、聚类圆心C i 与最近目标点距离的调节因子,u 1用以调整聚类圆的大小以反映聚类中心相对于目标点整体分布的位置变化,u 2则根据聚类圆心C i 到最近目标点的距离调整聚类圆的大小;
SS47. 根据第i个聚类圆心的坐标C i 和第i个聚类圆的直径D i ,从待视目标点坐标集{P tar }中搜索并记录所有位于第i个聚类圆中的目标点,以此为基础形成第i个聚类的目标点集合{Pc i,j },并在该目标点集合{Pc i,j }中增加距离聚类圆心C i 最近的集结点P jjd,j 作为第i个聚类的集结点以保证聚类圆的可达性,若存在多个这样的点,则任选一个P jjd,j 加入目标点集合{Pc i,j };
SS48. 完成第i个聚类的识别和记录后,从待视目标点坐标集{P tar }中移除第i个聚类中的目标点以避免重复聚类,重复执行上述子步骤SS43至SS47,进行下一个聚类操作,直到所有待视目标点都被归入相应的聚类圆中;
SS49. 顺序完成所有聚类后,检查待视目标点坐标集{P tar }是否为空,如果不为空,则表明还有待视目标点没有被覆盖,此时需调整聚类圆初始直径D 0以及聚类圆定位距离Δd,使其变大或变小以适应待视目标点的分布情况,然后重新执行子步骤SS43至SS48,直至待视目标点坐标集{Ptar}为空为止,所有的待视目标点都被遍历并分配到相应的聚类圆中,每一聚类圆对应一存活无人机单机节点,从而完成任务重规划的变直径自适应聚类,如图6所示。
步骤SS4的目的是根据存活无人机单机节点的当前位置和待执行任务的待视目标点,对存活无人机单机节点进行重新分组和分配,使得每个无人机单机节点可执行一个聚类圆内的目标点,并保证聚类圆的可达性和适应性。
进一步地,上述子步骤SS42中,在初始化聚类参数时,根据任务效能代理模型的计算结果选择使得任务效能最大化的聚类半径作为聚类圆的初始直径D 0,其中,任务效能代理模型为在执行任务前的预运行阶段,以任务效能最大化为目标,通过循环多次所计算得出的聚类圆直径与无人机数量之间的映射关系,映射关系反映了在给定无人机数量下完成相同数量任务的最优聚类圆直径。任务效能代理模型的建立过程及映射关系如图7、8所示。
本发明优选的实例中,上述步骤SS5中,各所述航路规划模块中均设置有相同的TSP+ANO航路规划算法,各所述存活无人机单机节点根据其接收的聚类中心位置和任务分配方案进行航路规划时,至少包括以下子步骤:
SS51. 对于每一存活的无人机单机节点,针对其分配的聚类目标点集合{Pc i,j },初始化其信息素和蚂蚁的数量从而为蚁群优化算法提供起始状态,其中信息素初始化为所有路径上相同的初始值,表示路径选择的概率还未受到前期探索的影响,蚂蚁的数量为聚类目标点的个数|{Pc i,j }|;
SS52. 对问题的解空间进行随机初始化,为每只蚂蚁随机分配一个起始解,每只蚂蚁初始时随机选择一个聚类目标点作为起始访问点,每一解空间对应每个目标点的访问顺序,解空间的大小为聚类目标点的阶乘|{Pc i,j }|!;
SS53. 对于每只蚂蚁,根据当前信息素浓度和启发式信息选择下一个访问的目标点,以模仿蚂蚁寻找食物路径的行为,其中,信息素用以指示路径的优劣,启发式信息则提供了问题特定的指导,启发式信息优选为两个目标点之间的距离的倒数dis[i][j]-1;
SS54. 当每只蚂蚁完成对所有聚类目标点的访问后,进行路径的更新和信息素的强化,其中,每只蚂蚁所走过的路径上的信息素浓度会增加,从而影响后续蚂蚁的路径选择,信息素的更新公式为:
其中,表示在第t次迭代时,从目标点i到目标点j的路径上的信息素浓度,ρ表示信息素的挥发系数,/>表示第k只蚂蚁在第t次迭代时,从目标点i到目标点j的路径上留下的信息素量,其计算公式为:
其中,Q表示信息素的常数系数,L k (t)表示第k只蚂蚁在第t次迭代时所走过的路径的总长;
SS55. 在多次迭代后,根据所有蚂蚁构建的路径集合更新全局最优解,选取覆盖所有目标点且总距离最短的路径作为当前最优解;
SS56. 记录每个聚类圆内的最优路径信息,即聚类圆内每个目标点的访问顺序和总的路径长度;
SS57. 设置终止条件,所述终止条件为达到预定的迭代次数或信息素更新后全局最优解未发生变化,当满足终止条件时,算法停止迭代,此时的全局最优解即为无人机执行任务的最终航路规划。
实施例3
在实施例1、2的基础上,本实施例3简要呈现一个利用本发明的方法进行无人机集群作业任务实时重规划的一个具体实例。如图9所示,初始任务规划包括20个目标点和4架无人机。在执行任务过程中,紫色无人机遭遇意外损毁。此时,本发明方法立即启动,如图10所示,剩余的三架无人机根据当前的全局态势信息和各自的位置,通过内置的航路规划模块和变直径自适应聚类算法,迅速进行聚类和任务重分配。结果显示,系统能够在极短时间内完成任务重规划,并为每架无人机生成最优路径,确保了任务的连续性和高效完成,体现了本发明在应对突发情况和维持任务执行效率方面的显著优势。
通过上述实施例,完全有效地实现了本发明的目的。该领域的技术人员可以理解本发明包括但不限于附图和以上具体实施方式中描述的内容。虽然本发明已就目前认为最为实用且优选的实施例进行说明,但应知道,本发明并不限于所公开的实施例,任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (7)
1.一种适用于无人机集群作业任务的实时重规划方法,所述无人机集群包括多个无人机单机节点并通过无向图网络建立各无人机单机节点之间的通讯联系,且每一无人机单机节点均至少内置有一任务管理模块、一ISR模块和一航路规划模块,其中,所述任务管理模块用以协调无人机单机节点中的各功能模块以确保其按照预定的任务策略和路径执行任务,所述ISR模块用以为无人机单机节点提供环境和目标的基础态势信息,所述航路规划模块基于其内置的算法对无人机单机节点进行航路规划,其特征在于,所述实时重规划方法在实施时至少包括如下实施步骤:
SS1. 通过无人机集群中的无向图通讯网络,每一无人机单机节点分享并传递其当前位置和飞行状态信息至其他无人机单机节点,以此建立和更新全局态势感知,其中每一无人机单机节点利用其内置的ISR模块获取并处理环境和目标信息,确保无人机集群内部信息的同步和准确性;
SS2. 在检测到某一或某些无人机单机节点遭受损失或干扰而无法正常工作时,无人机集群中存活的处于正常工作状态的各无人机单机节点利用其内置的任务管理模块并基于全局态势信息和当前任务进度,自动识别并确定受影响的作业区域和任务目标,以决定需重规划的所有目标;
SS3. 启动各存活无人机单机节点内置的任务管理模块中所预设的协商推举共识机制,基于态势评估计算函数G并通过计算及比较各单机节点的态势评估值,从无人机集群中选出一存活无人机单机节点作为决策节点,所述决策节点用以对步骤SS2所确定的需重规划的所有目标进行任务分配和调度,其中,所述态势评估计算函数G根据作业任务的类型和性质进行确定,至少用以综合评估存活无人机单机节点的安全性和通视性以确定最适合作为决策节点的单机节点,其数学表达式如下:
其中,w 1和w 2分别为安全性指标g 1和通视性指标g 2的权重系数,并且其中,安全性指标g 1和通视性指标g 2的数值分别由以下公式计算:
所述安全性指标g 1为存活无人机单机节点x i 与预设集结点位置x 0之间的距离,所述通视性指标g 2为存活无人机单机节点x i 与其他各存活无人机单机节点x j 之间的通讯总距离,N为无人机集群的总数,n为损失或干扰无人机单机节点的数目,g 1越小表示存活无人机单机节点越靠近安全区域,g 2越小表示存活无人机单机节点与其它无人机的通讯总距离最短而通视性越好;
并且其中,各存活无人机单机节点在利用协商推举共识机制筛选决策节点时至少包括如下子步骤:
SS31. 无人机集群中的每一存活无人机单机节点基于自身的空间位置、运动状态及预设的全局态势信息,利用其内置的任务管理模块并根据预设的态势评估计算函数G,根据当前任务需求和环境条件并结合多个评估指标g i 从多个维度独立计算其态势评估值G i :
其中,w i 为各评估指标g i 对应的权重系数并根据作业任务的类型和性质进行调整和设置,m是评估指标g i 的个数;
SS32. 无人机集群中的每一存活无人机单机节点利用其内置的无向图通讯网络,将自身的态势评估值G i 广播至其他无人机单机节点,并接收其他无人机单机节点的态势评估值G j ,通过比较各无人机单机节点的态势评估值,确定最大的态势评估值G max,并选出对应的无人机单机节点作为决策节点;
SS33. 无人机集群中的每一存活无人机单机节点利用其内置的无向图通讯网络确认决策节点的身份,并向决策节点发送自身的当前位置信息和任务状态信息以便决策节点进行任务分配和调度;
SS4. 所述决策节点根据所接收的来自集群中各存活无人机单机节点的当前位置信息,并结合预设返回集结点信息以及步骤SS2所确定的待执行任务的目标信息,利用内置的航路规划模块中的变直径自适应聚类算法进行任务重规划计算,计算并输出新的聚类中心位置和任务分配方案,所述任务重规划计算在实施时至少包括:
SS41. 以各存活无人机单机节点的当前位置作为起始集结点并结合预设的返回集结点信息构建一集结点坐标集{P jjd },基于步骤SS2所确定的待执行任务的目标信息构建一待视目标点坐标集{P tar },并给定一个参考点P 0以确定聚类的起始点和方向;
SS42. 初始化聚类参数,所述聚类参数用于控制聚类圆的数量、大小和位置以适应不同的目标分布和任务需求,并至少包括聚类圆的初始直径D 0、聚类圆的定位距离Δd,其中,聚类圆的初始直径D 0为聚类算法启动时根据待视目标点的分布范围和密度所确定的聚类圆直径基值,聚类圆的定位距离Δd用以表示在聚类转换期间新聚类的起点和前一个聚类的中心之间的最小位置偏移,并根据待视目标点的分布特征和聚类圆的初始直径D 0进行设定以避免聚类圆的重叠或过度分散;
SS43. 逐一计算待视目标点坐标集{P tar }中每一待视目标点与参考点P 0之间的距离,确定所有距离中的最短距离d min ,并基于所有待视目标点与参考点P 0之间的距离计算整个目标点集合到参考点的平均距离d base ,其中,所述平均距离d base 用以表示待视目标点的平均分布,所述最短距离d min 用以表示待视目标点的最近分布;
SS44. 根据子步骤SS43计算得到的最短距离d min ,选定其所对应的待视目标点作为第i个聚类的起始点P ini-i ,对于每一选定的聚类起始点P ini-i 进一步验证以确保其与现有任意聚类圆心C之间的距离不小于预定的聚类圆定位距离Δd以避免聚类圆的重叠,其中,若存在多个与参考点P 0之间的距离等于最短距离d min 的待视目标点,则任选一个作为聚类起始点P ini-i ,现有任意聚类圆心C是指在前i-1个聚类中已经确定的聚类圆心的坐标,如果i=1,则不存在已存在的聚类圆心;
SS45. 以子步骤SS44所确定的第i个聚类的起始点P ini-i 为起点,从待视目标点坐标集{P tar }中搜索在聚类圆初始直径D 0范围内的所有待视目标点,并从中识别出距离起始点P ini-i 最远的目标点P far-i 作为第i个聚类的终止点,若存在多个这样的目标点,则任选一个作为P far-i ,并以起始点P ini-i 与终止点P far-i 的中点位置作为第i个聚类圆心的坐标C i ,其中,;
SS46. 计算第i个聚类圆心的坐标C i 与参考点P 0之间的距离d i 并根据d i 、待视目标点坐标集{P tar }中所有点距离参考点P 0的平均距离d base 和最小距离d min 以及预设的聚类圆直径调整系数u 1和u 2,计算第i个聚类圆的直径D i ,其数学计算式为:
所述数学计算式用以根据聚类圆心的位置动态调整聚类圆直径以适应不同区域内目标点的分布密度和聚类中心的地理位置,使得距离参考点P 0较近的聚类圆直径较大,而距离参考点P 0较远的聚类圆直径较小,其中,聚类圆直径调整系数u 1和u 2分别为针对聚类圆心C i 相对于平均目标分布偏移、聚类圆心C i 与最近目标点距离的调节因子,u 1用以调整聚类圆的大小以反映聚类中心相对于目标点整体分布的位置变化,u 2则根据聚类圆心C i 到最近目标点的距离调整聚类圆的大小;
SS47. 根据第i个聚类圆心的坐标C i 和第i个聚类圆的直径D i ,从待视目标点坐标集{P tar }中搜索并记录所有位于第i个聚类圆中的目标点,以此为基础形成第i个聚类的目标点集合{Pc i,j },并在该目标点集合{Pc i,j }中增加距离聚类圆心C i 最近的集结点P jjd,j 作为第i个聚类的集结点以保证聚类圆的可达性,若存在多个这样的点,则任选一个P jjd,j 加入目标点集合{Pc i,j };
SS48. 完成第i个聚类的识别和记录后,从待视目标点坐标集{P tar }中移除第i个聚类中的目标点以避免重复聚类,重复执行上述子步骤SS43至SS47,进行下一个聚类操作,直到所有待视目标点都被归入相应的聚类圆中;
SS49. 顺序完成所有聚类后,检查待视目标点坐标集{P tar }是否为空,如果不为空,则表明还有待视目标点没有被覆盖,此时需调整聚类圆初始直径D 0以及聚类圆定位距离Δd,使其变大或变小以适应待视目标点的分布情况,然后重新执行子步骤SS43至SS48,直至待视目标点坐标集{Ptar}为空为止,所有的待视目标点都被遍历并分配到相应的聚类圆中,每一聚类圆对应一存活无人机单机节点,从而完成任务重规划的变直径自适应聚类;
SS5. 所述决策节点的任务管理模块将步骤SS4所输出的新的聚类中心位置和任务分配方案通过无人机集群中的无向图通讯网络广播给集群中的各存活无人机单机节点,各存活无人机单机节点根据所接收的新的聚类中心位置和任务分配方案,利用其内置的航路规划模块重新生成并执行新的任务路径,以完成步骤SS2所确定的需重规划的所有目标的搜索和探测任务。
2.根据权利要求1所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述步骤SS2中,所述全局态势信息至少包括无人机集群中每一无人机单机节点的预定任务区域以及其当前位置和飞行状态,所述当前任务进度至少包括每一无人机单机节点已完成的作业区域和任务目标,所述受影响的作业区域和任务目标为由于无人机单机节点的损失或干扰而导致无法按照预定的任务规划执行任务的区域和目标,所述重规划的所有目标为需要重新分配和调整的区域和目标。
3.根据权利要求2所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述步骤SS2中,所述自动识别并确定受影响的作业区域和任务目标的方法至少包括以下子步骤:
SS21. 利用全局态势信息和当前任务进度,确定损失或干扰的无人机单机节点的当前位置和飞行状态并结合其预定作业区域和任务目标,计算出受影响而需要重新分配和调整的区域和目标;
SS22. 利用全局态势信息和当前任务进度,确定余下各正常工作状态的无人机单机节点的当前位置和飞行状态并结合其预定作业区域和任务目标,计算出可用的并可以接收重新分配和调整的区域和目标;
SS23. 根据子步骤SS21计算出的受影响而需要重新分配和调整的作业区域和任务目标以及子步骤SS22计算出的可用的并可以接收重新分配和调整的作业区域和任务目标,对二者进行合并操作以生成需重新进行任务规划的作业区域和任务目标,以保障任务连续性与集群作业的整体稳定性。
4.根据权利要求1所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述步骤SS3中,除安全性指标g 1和通视性指标g 2外,所述态势评估计算函数G中还至少包括能量效率指标g 3、环境适应性指标g 4和/或通信稳定性指标g 5,其数学表达式如下:
其中,能量效率指标g 3为存活无人机单机节点当前能量状态与其最大能量容量的比率并用以评估存活无人机单机节点剩余电量或燃料效率以确保所选举的决策节点有足够的能量完成任务规划和执行,环境适应性指标g 4用以评估存活无人机单机节点对环境变化的适应能力以确保决策节点能够有效应对任务执行过程中可能遇到的各种环境挑战,通信稳定性指标g 5用以评估存活无人机单机节点的通信设备性能和当前通信链路的稳定性以确保决策节点能够保持与集群中其他无人机的稳定通信,w 3、w 4、w 5为能量效率指标g 3、环境适应性指标g 4、通信稳定性指标g 5的权重系数,各评估指标g i 的权重系数w i 根据作业任务的类型和性质进行调整和设置:
其中,a i 为评估指标g i 的重要性系数,m是评估指标g i 的个数。
5.根据权利要求1所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述子步骤SS42中,在初始化聚类参数时,根据任务效能代理模型的计算结果选择使得任务效能最大化的聚类半径作为聚类圆的初始直径D 0,其中,所述任务效能代理模型为在执行任务前的预运行阶段,以任务效能最大化为目标,通过循环多次所计算得出的聚类圆直径与无人机数量之间的映射关系,所述映射关系反映了在给定无人机数量下完成相同数量任务的最优聚类圆直径。
6.根据权利要求1所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述步骤SS5中,各所述航路规划模块中均设置有相同的TSP+ANO航路规划算法,各所述存活无人机单机节点根据其接收的聚类中心位置和任务分配方案进行航路规划时,至少包括以下子步骤:
SS51. 对于每一存活的无人机单机节点,针对其分配的聚类目标点集合{Pc i,j },初始化其信息素和蚂蚁的数量从而为蚁群优化算法提供起始状态,其中信息素初始化为所有路径上相同的初始值,表示路径选择的概率还未受到前期探索的影响,蚂蚁的数量为聚类目标点的个数|{Pc i,j }|;
SS52. 对问题的解空间进行随机初始化,为每只蚂蚁随机分配一个起始解,每只蚂蚁初始时随机选择一个聚类目标点作为起始访问点,每一解空间对应每个目标点的访问顺序,解空间的大小为聚类目标点的阶乘|{Pc i,j }|!;
SS53. 对于每只蚂蚁,根据当前信息素浓度和启发式信息选择下一个访问的目标点,以模仿蚂蚁寻找食物路径的行为,其中,信息素用以指示路径的优劣,启发式信息则提供了问题特定的指导;
SS54. 当每只蚂蚁完成对所有聚类目标点的访问后,进行路径的更新和信息素的强化,其中,每只蚂蚁所走过的路径上的信息素浓度会增加,从而影响后续蚂蚁的路径选择,信息素的更新公式为:
其中,表示在第t次迭代时,从目标点i到目标点j的路径上的信息素浓度,ρ表示信息素的挥发系数,/>表示第k只蚂蚁在第t次迭代时,从目标点i到目标点j的路径上留下的信息素量,其计算公式为:
其中,Q表示信息素的常数系数,L k (t)表示第k只蚂蚁在第t次迭代时所走过的路径的总长;
SS55. 在多次迭代后,根据所有蚂蚁构建的路径集合更新全局最优解,选取覆盖所有目标点且总距离最短的路径作为当前最优解;
SS56. 记录每个聚类圆内的最优路径信息,即聚类圆内每个目标点的访问顺序和总的路径长度;
SS57. 设置终止条件,所述终止条件为达到预定的迭代次数或信息素更新后全局最优解未发生变化,当满足终止条件时,算法停止迭代,此时的全局最优解即为无人机执行任务的最终航路规划。
7.根据权利要求6所述的适用于无人机集群作业任务的实时重规划方法,其特征在于,上述子步骤SS53中,所述启发式信息为两个目标点之间的距离的倒数dis[i][j]-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410180007.XA CN117726153B (zh) | 2024-02-18 | 2024-02-18 | 一种适用于无人机集群作业任务的实时重规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410180007.XA CN117726153B (zh) | 2024-02-18 | 2024-02-18 | 一种适用于无人机集群作业任务的实时重规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117726153A CN117726153A (zh) | 2024-03-19 |
CN117726153B true CN117726153B (zh) | 2024-04-19 |
Family
ID=90211104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410180007.XA Active CN117726153B (zh) | 2024-02-18 | 2024-02-18 | 一种适用于无人机集群作业任务的实时重规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726153B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
WO2022057700A1 (zh) * | 2020-09-18 | 2022-03-24 | 武汉理工大学 | 一种多艘无人测量船艇覆盖路径规划方法 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN116560406A (zh) * | 2023-05-26 | 2023-08-08 | 长沙军民先进技术研究有限公司 | 一种无人机集群协同规划与自主调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915932A (zh) * | 2020-07-29 | 2020-11-10 | 北京航空航天大学 | 一种多目标约束的低空无人机航路规划设计方法 |
-
2024
- 2024-02-18 CN CN202410180007.XA patent/CN117726153B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
CN111240319A (zh) * | 2019-12-31 | 2020-06-05 | 南京理工大学 | 室外多机器人协同作业系统及其方法 |
WO2022057700A1 (zh) * | 2020-09-18 | 2022-03-24 | 武汉理工大学 | 一种多艘无人测量船艇覆盖路径规划方法 |
CN115755963A (zh) * | 2022-11-15 | 2023-03-07 | 大连理工大学 | 一种考虑载具投递模式的无人机群协同任务规划方法 |
CN116560406A (zh) * | 2023-05-26 | 2023-08-08 | 长沙军民先进技术研究有限公司 | 一种无人机集群协同规划与自主调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117726153A (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Distributed and energy-efficient mobile crowdsensing with charging stations by deep reinforcement learning | |
CN109116349B (zh) | 多传感器协同跟踪联合优化决策方法 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
Cheng et al. | AI for UAV-assisted IoT applications: A comprehensive review | |
CN109104464B (zh) | 一种边缘计算环境下面向协同存储的分布式数据更新方法 | |
US20210348928A1 (en) | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network | |
CN113422803B (zh) | 一种基于端边云协同的无人机智能巡检任务无缝迁移方法 | |
CN113645143B (zh) | 一种空中集群通信网络的优化方法及装置 | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
CN112698925B (zh) | 一种服务器集群的容器混合运行处理方法 | |
Dai et al. | A learning algorithm for real-time service in vehicular networks with mobile-edge computing | |
CN114638155A (zh) | 一种基于智能机场的无人机任务分配与路径规划方法 | |
CN117251825B (zh) | 一种新能源电站多传感器数据融合平台 | |
Parvaresh et al. | A continuous actor–critic deep Q-learning-enabled deployment of UAV base stations: Toward 6G small cells in the skies of smart cities | |
Bilen et al. | Digital twin evolution for hard-to-follow aeronautical ad-hoc networks in beyond 5g | |
CN117726153B (zh) | 一种适用于无人机集群作业任务的实时重规划方法 | |
CN116755867B (zh) | 一种面向卫星云的计算资源调度系统、方法及存储介质 | |
CN111770133B (zh) | 一种多体慧联云控平台 | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN110662272A (zh) | 一种基于蜂群无人机的最少数量领航者选取方法 | |
CN115665859A (zh) | 一种多智能体任务卸载和资源调度联合优化方法 | |
CN116109058A (zh) | 一种基于深度强化学习的变电站巡视管理方法和装置 | |
CN115545106A (zh) | 一种多无人机中的AoI敏感的数据收集方法及系统 | |
Li et al. | Improved genetic algorithm for multi-agent task allocation with time windows | |
El Amraoui | Metaheuristic Moth Flame Optimization Based Energy Efficient Clustering Protocol for 6G Enabled Unmanned Aerial Vehicle Networks |
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 |