异构多无人机协同任务分配与路径优化方法技术

本发明专利技术提供了一种异构多无人机协同任务分配与路径优化方法，具体涉及无人机技术领域，该方法可以包括：先确定目标区域内无人机的相关信息、无人机站点的相关信息以及需使用无人机获取的目标物的相关信息，再计算无人机的站点到所有目标物的欧氏距离以及所有目标物之间的欧氏距离，然后建立异构无人机变收益任务分配问题HU‑TAP‑VP模型，获取执行协同任务的初始任务分配方案集合，最后使用引入自适应切换机制的混合遗传模拟退火算法HGSA进行优化，从而得到每架无人机的安全可飞路径。基于本发明专利技术实施例提供的方法，可以在复杂危险场景下，快速得到高质量的任务分配方案，优化每架无人机对目标物的访问路径。

【技术实现步骤摘要】
异构多无人机协同任务分配与路径优化方法
本专利技术涉及无人机
，具体涉及一种异构多无人机协同任务分配与路径优化方法。
技术介绍
目前，无人机已被广泛应用于军事目标侦察和地震灾后勘察等复杂危险场景中，由于这些任务的时间敏感性较高，而且对任务的完成质量有一定的要求，所以单架无人机往往无法完成，需要多架异构的无人机协同完成上述任务。无人机可以搭载不同类型的传感器获取目标物的图像，比如：通过可见光雷达和合成孔径雷达对军事目标或地震灾区内的建筑物进行拍照。对不同类型传感器所获取的图像进行合成可以大大提升所获取信息的可信度，只有当信息的可信度高于任务需要的最低可信度时，无人机所获取的信息才是有用的。在现有方案中，在考虑任务时间约束的情况下为多架无人机分配了目标，但没有考虑无人机的动力学约束，所以没有为每一架无人机规划出可飞的路径。因此，无法使得每架无人机的路径达到最优，从而无法最大化所有无人机获取的有用信息。
技术实现思路
(一)解决的技术问题针对现有技术的不足，本专利技术提供了一种异构多无人机协同任务分配与路径优化方法，可以在复杂危险场景下，优化每架无人机对目标物的访问路径，以最大化无人机所获取的有用信息。(二)技术方案为实现以上目的，本专利技术通过以下技术方案予以实现：本专利技术提供了一种异构多无人机协同任务分配与路径优化方法，所述方法包括：确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；确定执行访问所述目标物的任务执行时长；获取访问所述目标物的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；确定执行任务的多种传感器的信息融合率，以及任务所需要的最低可信度；获取所述无人机的站点的站点坐标；计算所述无人机的站点到所有所述目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；根据所述飞行速度计算每架无人机从所述站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；建立所述异构无人机变收益任务分配问题HU-TAP-VP模型；采用所述HU-TAP-VP模型，根据所述每个目标物的坐标及其重要程度、任务执行时长，获取所述异构多无人机执行协同任务的初始任务分配方案集合；采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案；根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。可选地，所述无人机站点到所有所述目标物的欧氏距离通过下式计算得到：其中，d0i表示无人机站点到目标物i的欧氏距离；x0表示无人机站点的横坐标；xi表示目标物i的横坐标；y0表示无人机站点纵坐标；yi表示目标物i的纵坐标；所述所有目标物之间的欧氏距离通过下式计算得到：其中，dij表示目标物i到目标物j的欧氏距离，xi表示目标物i的横坐标；xj表示目标物j的横坐标；yi表示目标物i的纵坐标；yj表示目标物j的纵坐标；在所述欧氏距离矩阵中，第一行是无人机到目标物的距离，第二行到第N+1行是目标物到目标物的距离，所述欧氏距离矩阵的列是目标物到无人机站点及目标物到目标的距离。可选地，所述HU-TAP-VP模型的目标函数采用公式(3)来表示：其中，i为目标物的编号，wi为目标物i的重要程度，yi为表示无人机传感器获取目标物i中的信息可信度决策变量，N为所述目标物的数量，Max为最大值函数。可选地，所述HU-TAP-VP模型的约束条件采用公式(4)至(8)来表示：其中，为第k架无人机从站点到目标物i的决策变量，0表示无人机的站点，U为无人机的集合；为第k架无人机从目标物h到目标物i的决策变量，为第k架无人机从目标物i到目标物j的决策变量，T为目标物的集合；K为无人机的数量；为第k架无人机从目标物i到目标物j的飞行时间，Ttask为所述任务执行时长；公式(6)为二元决策变量的取值，当为1时表示第k架无人机选择了从目标物i到目标物j的路径，当为0时表示第k架无人机没有选择这条路径；公式(4)为二元决策变量yi的取值，当yi为1时表示无人机传感器获取目标物i中的信息可信度大于等于任务所需要的最低可信度，当yi为0时表示传感器获取的信息可信度未达到任务要求的最低可信度，相当于无人机没有访问目标物i；γ为执行任务的多种类型传感器的信息融合率，f为任务所需要的最低可信度。可选地，所述初始任务分配方案集合包括多个任务分配方案，所述任务分配方案包括每架所述异构多无人机中每架所述无人机的无人机编号、任务执行顺序；其中，所述任务执行顺序包括：无人机的起点、依次经过的目标物编号。可选地，所述采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案，包括：采用遗传算法对所述初始任务方案集合进行迭代优化，获取比所述初始路径规划方案最优的任务分配方案；当遗传算法优化能力呈现下降趋势时，引入自适应切换机制，将遗传算法得到的最优解作为模拟退火算法的初始解，并采用模拟退火算法继续进行优化；采用模拟退火算法对所述初始路径规划方案进行扰动，获取所述初始路径规划方案的多个临域方案；通过多轮迭代对所述多个领域方案进行优化，获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案。可选地，根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径，包括：根据所述最优任务分配方案中每架无人机对目标物的访问顺序，确定每架无人机访问每个目标物时的航向角；再根据无人机的最小转弯半径对无人机的路径进行优化，得到每架无人机的安全可飞路径。(三)有益效果本专利技术提供了一种异构多无人机协同任务分配与路径优化方法。与现有技术相比，具备以下有益效果：1、在复杂危险场景下，为协同执行任务的多架无人机分配合适的目标物，确定每架无人机对所分配目标物的访问顺序，最后根据所述每架无人机的访问顺序优化出一条可飞的路径，使得所有无人机在给定的任务时间内所获取有用信息最多；2、通过循环迭代的优化方法，针对需要多架异构无人机协同完成的复杂任务，实现了多无人机的任务分配与路径优化，降低了任务分配的时间，同时为每架无人机规划了安全的可飞路径。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图本文档来自技高网...

【技术保护点】
1.一种异构多无人机协同任务分配与路径优化方法，其特征在于，所述方法包括：/n确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；/n确定执行访问所述目标物的任务执行时长；/n获取访问所述目标物的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；/n确定执行任务的多种类型传感器的信息融合率，以及任务所需要的最低可信度；/n获取所述无人机的站点的站点坐标；/n计算所述无人机的站点到所有所述目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；/n根据所述飞行速度计算每架无人机从所述站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；/n建立所述异构无人机变收益任务分配问题HU-TAP-VP模型；/n采用所述HU-TAP-VP模型，根据所述每个目标物的坐标及其重要程度、任务执行时长，获取所述异构多无人机执行协同任务的初始任务分配方案集合；/n采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案；/n根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。/n...

【技术特征摘要】
1.一种异构多无人机协同任务分配与路径优化方法，其特征在于，所述方法包括：
确定目标区域内需要无人机获取信息的目标物坐标及其重要程度；
确定执行访问所述目标物的任务执行时长；
获取访问所述目标物的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：编号、所搭载的传感器类型、飞行速度和/或最小转弯半径；
确定执行任务的多种类型传感器的信息融合率，以及任务所需要的最低可信度；
获取所述无人机的站点的站点坐标；
计算所述无人机的站点到所有所述目标物的欧氏距离以及所有目标物之间的欧氏距离，并使用二维矩阵进行存储，记做欧氏距离矩阵；
根据所述飞行速度计算每架无人机从所述站点到每个目标物的飞行时长以及每架无人机在所有目标物之间的飞行时长，并使用三维矩阵进行存储，记做飞行时长矩阵；
建立所述异构无人机变收益任务分配问题HU-TAP-VP模型；
采用所述HU-TAP-VP模型，根据所述每个目标物的坐标及其重要程度、任务执行时长，获取所述异构多无人机执行协同任务的初始任务分配方案集合；
采用引入自适应切换机制的混合遗传模拟退火算法HGSA对所述初始任务分配方案集合进行优化以获得每架所述无人机的访问任意一个或多个所述目标物的最优任务分配方案；
根据所述最优任务分配方案中每架无人机对目标物的访问顺序以及无人机的最小转弯半径进行路径优化，得到每架无人机的安全可飞路径。


2.根据权利要求1所述的方法，其特征在于，所述无人机站点到所有所述目标物的欧氏距离通过下式计算得到：



其中，d0i表示无人机站点到目标物i的欧氏距离；x0表示无人机站点的横坐标；xi表示目标物i的横坐标；y0表示无人机站点纵坐标；yi表示目标物i的纵坐标；
所述所有目标物之间的欧氏距离通过下式计算得到：



其中，dij表示目标物i到目标物j的欧氏距离，xi表示目标物i的横坐标；xj表示目标物j的横坐标；yi表示目标物i的纵坐标；yj表示目标物j的纵坐标；
在所述欧氏距离矩阵中，第一行是无人机到目标物的距离，第二行到第N+1行是目标物到目标物的距离，所述欧氏距离矩阵的列是目标物到无人机站点及目标物到目标的距离。


3.根据权利要求1所述的方法，其中，所述HU-TAP-VP模型的目标函数采用公式(3)来表示：



其中，i为目标物的编号，wi为目标物i的重要程度，yi为表示无人机传感器获取目标物i中的信息可信度决策变量，N为所述目标物的数量，Max为最大值函数。


4.根据权利要求...

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