无人机编队探测任务协同分配方法及装置制造方法及图纸

本发明专利技术公开了一种无人机编队探测任务协同分配方法及装置，用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务，其中方法包括：获取目标区域数据，无人机数据和无人机所搭载传感器数据；根据所述目标区域数据，无人机数据和传感器数据，构建MO‑ADTA‑MUAV模型；获取满足所述MO‑ADTA‑MUAV模型约束条件的初始解集；基于预设的NSGA‑Ⅱ算法进行计算，得到所述MO‑ADTA‑MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，并将所述最优解作为无人机编队探测任务协同分配的分配结果。本发明专利技术中通过建模并优化得到优化的无人机分配方案。

Cooperative distribution method and device for unmanned aerial vehicle formation detection task

The invention discloses a UAV formation detection task allocation method and device, to perform multiple coverage detection task of target area for aircraft equipped with sensors fixed wing UAV starting from the same point, wherein the method comprises the following steps: acquiring the target area data, UAV data and UAV equipped with sensors according to the data; the target region data, UAV data and sensor data, construction of MO ADTA MUAV model; get the initial solution set to meet the MO ADTA MUAV model constraints; calculate NSGA II preset algorithm based on the MO ADTA MUAV model in the target region data. No Pareto data and sensor data under the optimal solution and the optimal solution as the distribution results of UAV mission Co allocation. In the invention, the optimized unmanned aerial vehicle allocation scheme is obtained by modeling and optimizing.

【技术实现步骤摘要】
无人机编队探测任务协同分配方法及装置
本专利技术涉及无人机探测
，尤其涉及一种无人机编队探测任务协同分配方法及装置。
技术介绍
随着航空技术的不断发展，越来越多的高科技设备已经应用到航空领域中。而在众多高科技设备当中，无人机以其作业效率高、劳动强度小、综合成本低等方面的优势，迅速成为航空作业过程中一种较为重要的高科技设备。例如，可以执行航拍或扫描成像等作业任务。目前的无人机大致可以大致分为自旋翼以及固定翼两大类。其中固定翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被较为广泛应用于航空作业中。然而，在实施本专利技术的过程中专利技术人发现，由于当前无人机作业主要是人为遥控为主，实际作业的效果受到操作员的操作水平的影响较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致无人机的作业遗漏率和重复率往往偏高。此外，当多架无人机对多个点目标完成一种任务时，利用多架搭载不同传感器的无人机组成多无人机编队执行任务不但能够改善传统单无人机所携载荷带来的限制，而且能够利用多无人机间的传感器特点实现性能方面的互补，在面对不同类型任务目标时具备较强优势。在此过程中如何为每一架无人机分配任务执行的序列并规划执行每一个探测任务时的飞行轨迹，以对总飞行路径和总任务收益这两个目标进行多目标优化，成为了一个亟待解决的问题。
技术实现思路
基于上述问题，本专利技术提供一种无人机编队探测任务协同分配方法及装置，通过建模并优化进而得到无人机编队探测任务协同分配的分配方案。为解决上述问题，本专利技术提供了一种无人机编队探测任务协同分配方法，用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务，所述方法包括：获取目标区域数据，无人机数据和无人机所搭载传感器数据；根据所述目标区域数据，无人机数据和传感器数据，构建MO-ADTA-MUAV模型(Multi-Objective—AreaDetectionTaskAssignment—Multi-UAV)；所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径，所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束；获取满足所述MO-ADTA-MUAV模型约束条件的初始解集；基于预设的NSGA-Ⅱ算法进行计算，得到所述MO-ADTA-MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，并将所述最优解作为无人机编队探测任务协同分配的分配结果。其中，所述MO-ADTA-MUAV模型的目标函数分别为：所述MO-ADTA-MUAV模型的约束条件分别为：其中，所述Profit为所有架无人机的总探测收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标区域，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，NA为目标区域个数，NU为无人机个数，Si为目标区域Ai的面积；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标区域的类型，Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标区域Ai进行了覆盖探测，否则X(k，i)＝0，Yk(i，j)为决策变量，Yk(i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk(i，j)＝0；Lini为无人机在目标区域Ai内部的探测路径长度，LOutij为无人机从Ai到Aj的飞行路径长度；Cmax为传感器的最大探测能力。其中，所述无人机的总飞行路径为每架无人机的探测路径总和，其中，各架无人机的探测路径具体包括：各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径；其中，所述区域内探测路径使用光栅式探测路径规则生成：无人机从区域边界上的进入位置进入区域，进入位置预设为与目标区域4个顶点距离为Rs的8个点，其中Rs为传感器探测半径。随后，无人机沿垂直于进入点所在边界的方向飞行，当飞行至区域的边界后，无人机以预设的探测半径进行U型180°转弯，然后平行于原路径方向继续飞行，如此往返，直至完成对该区域的全覆盖探测，并离开目标区域；其中，所述区域间飞行路径使用杜宾路径Dubinspath规则生成。其中，获取满足所述MO-ADTA-MUAV模型约束条件的初始解集；具体包括：基于所述目标区域信息、无人机信息进行编码，随机生成多条染色体；其中，一条所述染色体就表示一个在所述初始解集中的初始解，即一个可行的无人机编队探测任务协同分配方案；所述染色体的第一行为所述目标区域的标识信息的随机全排列，其中排列顺序表示了任务的执行顺序；所述染色体的第二行表示执行该目标区域任务的无人机的标示信息；所述染色体的第三行为无人机进入该目标区域的进入点序号；一个对应位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的进入位置序号这三个要素组成了所述染色体的一个基因。其中，基于预设的NSGA-Ⅱ算法进行计算，得到所述MO-ADTA-MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，具体包括：S51、根据所述初始解生成初始化父代种群，父代种群的预设规模为P；S52、通过对应信息交叉所述父代种群，产生交叉后种群。并通过三重随机变异所述交叉后种群，产生子代种群；S53、将所述子代种群与所述父代种群合并，生成合并后种群，并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和探测收益；S54、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和探测收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；S55、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；S56、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S57，如否则跳转步骤S52；S57、依据父代种群中各条染色体的非支配顺序数，输出非支配顺序数为1的染色体作为本次任务分配的结果。其中，所述步骤S54中对应信息交叉所述父代种群，具体包括：S61、随机抽选父代种群中任意两条染色体；S62、从所选择的第一条染色体中随机选择一段连续的基因，并在所选择的第二条代染色体中选择具有与第一条中被选中的一段基因有相同目标标识信息的基因；S63、将第一条染色体中选择的基因与第二条染色体中选择的基因，基于目标标识信息进行互换。产生两条新的染色体；S64、判断新生成的染色体是否满足约束条件，不满足则跳转步骤S62，满足则跳转步骤S65；S65、判断生成新染色体的个数是否达到P个，若是则跳转步骤S66，若否则跳转步骤S61；S66、将最终产生的P个新染色体组成所述交叉后种群。其中，所述步骤S54中，三重随机变异所述交叉后种群，具体有：无人机标识信息变异、无人机进入目标区域的进入位置变异和探测顺序变异；其中，无人机标识信息变异：选择染色体中任一条基因，将该条基因中的无人机标识信息变换为其他无人机的标识信息；无人机进入目标区域的进入位置变异：选择染色体中任一条基因，将该条基因中的无人机进入目标的进入位置序号变换为其他的进入位置序号；探测顺序变异：选择染色体中任一条基因，并在该染色体中搜索与选本文档来自技高网...

【技术保护点】
一种无人机编队探测任务协同分配方法，用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务，其特征在于，所述方法包括：获取目标区域数据，无人机数据和无人机所搭载传感器数据；根据所述目标区域数据，无人机数据和传感器数据，构建MO‑ADTA‑MUAV模型；所述MO‑ADTA‑MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径，所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束；获取满足所述MO‑ADTA‑MUAV模型约束条件的初始解集；基于预设的NSGA‑Ⅱ算法进行计算，得到所述MO‑ADTA‑MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，并将所述最优解作为无人机编队探测任务协同分配的分配结果；所述MO‑ADTA‑MUAV模型的目标函数分别为：

【技术特征摘要】
1.一种无人机编队探测任务协同分配方法，用于多架搭载传感器的固定翼无人机于同一出发点出发对多个目标区域执行覆盖探测任务，其特征在于，所述方法包括：获取目标区域数据，无人机数据和无人机所搭载传感器数据；根据所述目标区域数据，无人机数据和传感器数据，构建MO-ADTA-MUAV模型；所述MO-ADTA-MUAV模型的目标函数包括最大化探测任务中多架无人机的总探测收益和最小化多架无人机的总飞行路径，所述模型的约束条件把控传感器的探测能力约束、无人机起飞降落位置约束、任务执行情况约束；获取满足所述MO-ADTA-MUAV模型约束条件的初始解集；基于预设的NSGA-Ⅱ算法进行计算，得到所述MO-ADTA-MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，并将所述最优解作为无人机编队探测任务协同分配的分配结果；所述MO-ADTA-MUAV模型的目标函数分别为：所述MO-ADTA-MUAV模型的约束条件分别为：其中，所述Profit为所有架无人机的总探测收益，Length为多架无人机的总飞行路径；Ai为编号为i的目标区域，其中A0表示无人机出发点位置，Ui表示编号为i的无人机，NA为目标区域个数，NU为无人机个数，Si为目标区域Ai的面积；t∈{T1，T2，T3}为某一无人机所搭载的传感器类型，g∈{G1，G2，G3}为某一种目标区域的类型，Prtg为使用传感器t对类型为g的目标区域进行探测的收益系数；X(k，i)为决策变量，X(k，i)＝1表示无人机Uk对目标区域Ai进行了覆盖探测，否则X(k，i)＝0，Yk(i，j)为决策变量，Yk(i，j)＝1表示无人机Uk访问完Ai后前往的是Aj，否则Yk(i，j)＝0；Lini为无人机在目标区域Ai内部的探测路径长度，LOutij为无人机从Ai到Aj的飞行路径长度；Cmax为传感器的最大探测能力。2.如权利要求1所述的方法，其特征在于，所述无人机的总飞行路径为每架无人机的探测路径总和，其中，各架无人机的探测路径具体包括：各架无人机对各自所探测的目标区域的区域内探测路径和其在各自所探测目标区域的区域间飞行路径；其中，所述区域内探测路径使用光栅式探测路径规则生成：无人机从区域边界上的进入位置进入区域，进入位置预设为与目标区域4个顶点距离为Rs的8个点，其中Rs为传感器探测半径；随后，无人机沿垂直于进入点所在边界的方向飞行，当飞行至区域的边界后，无人机以预设的探测半径进行U型180o转弯，然后平行于原路径方向继续飞行，如此往返，直至完成对该区域的全覆盖探测，并离开目标区域；其中，所述区域间飞行路径使用杜宾路径Dubinspath规则生成。3.根据权利要求1所述的方法，其特征在于，获取满足所述MO-ADTA-MUAV模型约束条件的初始解集；具体包括：基于所述目标区域信息、无人机信息进行编码，随机生成多条染色体；其中，一条所述染色体就表示一个在所述初始解集中的初始解，即一个可行的无人机编队探测任务协同分配方案；所述染色体的第一行为所述目标区域的标识信息的随机全排列，其中排列顺序表示了任务的执行顺序；所述染色体的第二行表示执行该目标区域任务的无人机的标示信息；所述染色体的第三行为无人机进入该目标区域的进入点序号；一个对应位置的目标区域标识信息、无人机标识信息和无人机进入目标区域的进入位置序号这三个要素组成了所述染色体的一个基因。4.如权利要求1所述的方法，其特征在于，基于预设的NSGA-Ⅱ算法进行计算，得到所述MO-ADTA-MUAV模型在所述目标区域数据，无人机数据和传感器数据下的Pareto最优解，具体包括：S51、根据所述初始解生成初始化父代种群，父代种群的预设规模为P；S52、通过对应信息交叉所述父代种群，产生交叉后种群，并通过三重随机变异所述交叉后种群，产生子代种群；S53、将所述子代种群与所述父代种群合并，生成合并后种群，并计算该合并后种群中各条染色体所表示分配情况下的总飞行路径和探测收益；S54、对所述合并后种群依据其各条染色体所表示分配情况下的总飞行路径和探测收益进行非支配顺序数和拥挤度计算，生成虚拟适应值；S55、取所述合并后种群中虚拟适应值排名前P的染色体，组成新的父代种群；S56、判断生成所述新的父代种群的次数是否达到预设最大化迭代次数，如是则跳转步骤S57，如否则跳转步骤S52；S57、依据...

【专利技术属性】
技术研发人员：胡笑旋，方向，罗贺，朱默宁，王国强，马华伟，夏维，靳鹏，牛艳秋，梁峥峥，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34