基于综合赋权的无人机任务规划方法、系统及存储介质技术方案

本申请公开了一种基于综合赋权的无人机任务规划方法、系统及存储介质。该方法包括：确定任务规划的站点，获取各站点间的物理空间距离，获取途径站点在任务执行时间段内的天气状态期望值，将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，计算得到两个站点间的路径代价，构建路径代价模型，路径长度模型中描述了任意两个站点间的路径代价，进而获取用于计算规划路径总代价的规划路径总代价模型，对路径总代价模型进行求解，获取总路径代价最小的路径。实现规避极端、恶劣天气对无人机任务规划的影响，提高了无人机路径规划的安全性、可实施性和适用性。可实施性和适用性。可实施性和适用性。

【技术实现步骤摘要】
基于综合赋权的无人机任务规划方法、系统及存储介质


[0001]本申请涉及无人机飞行任务规划
，更具体地，涉及一种基于综合赋权的无人机任务规划方法、系统、设备及存储介质。

技术介绍

[0002]无人机作为一种新型武器装备，具有快速部署、灵活轻便、移动组网等特点，受到了国内外研究人员的广泛关注。无人机任务规划是无人机高效执行任务的关键技术，是一类在离散状态下求解极值的组合优化问题。
[0003]在典型的无人机路径规划问题中，优化的目标是使得遍历所有站点后的总体路径最小，由于无人机运动速度一定，也就是使得总体运行时间最短。目前的算法主要分为两个阶段，在第一阶段中使用精确算法进行求解，时间复杂度非常高，在第二阶段中使用近似算法进行总体飞行路径最小值的求解。
[0004]但实际的总体飞行路径的影响因素较多，在较长飞行路径中，如跨城市执行任务时，恶劣、糟糕的天气会使得在任务执行过程中造成损毁等情况，无法继续执行国内任务，如何实现适用性更强，可实施性更强的无人机任务规划任是任然是迫切需要解决的问题。

技术实现思路

[0005]针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种基于综合赋权的无人机任务规划方法方法，能够有效解决天气情况可知、可预报条件下的无人机任务规划问题。
[0006]为实现上述目的，按照本专利技术的第一个方面，提供了一种基于综合赋权的无人机任务规划方法，该方法包括：
[0007]确定任务的出发站点和途径站点，获取各站点间的物理空间距离；
[0008]获取所述途径站点在任务执行时间段内的天气状态期望值；
[0009]将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，计算得到两个站点间的路径代价，构建路径代价模型，所述路径长度模型中描述了任意两个站点间的路径代价；
[0010]根据所述路径代价模型，构建用于计算规划路径总代价的规划路径总代价模型；
[0011]对所述路径总代价模型进行求解，获取总路径代价最小的路径。
[0012]进一步地，获取所述途径站点在任务执行时间段内的天气状态期望值包括：
[0013]获取天气预报信息，将第t天的第i个站点的天气状态记为q
it
，则第i个站点第t+1天的天气状态q
i,t
表示为：
[0014]q
i,t+1
＝q
i,t
×
p
i,[t,t+1]。
[0015]其中，p
i,[t,t+1]表示第i个站点的天气情况，由第t天转移至第t+1天的天气状态转移概率，
[0016]对于第i个站点来说，未来n天内的天气情况的期望可表示为：
[0017][0018]进一步地，获取天气转移概率包括：将第t天到第t+1天好转好的概率为p1，好转坏的概率为p2，坏转好的概率为p3，坏转坏的概率为p4，满足 p1+p2＝1,p3+p4＝1，转移概率矩阵p
i,[t,t+1]表示为：
[0019][0020]进一步地，将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，是将该两个站点间到达站点的天气状态期望值作为该两个站点间物理空间距离的幂指数。
[0021]进一步地，将途径站点总数记为m，将出发站点记为c，所述路径代价模型记为G，表达形式为：
[0022][0023][0024]其中，T
u
为预设的调整因子，0≤T
u
≤1，g
ij
代表站点i和站点j之间的物理空间距离，1≤i≤m，或i＝c，1≤j≤m，或j＝c，E
j
是站点j的天气状态期望值。
[0025]进一步地，所述规划路径总代价是规划路径上每对相邻的站点间的路径代价之和。
[0026]进一步地，所述规划路径总代价的表达式为：
[0027][0028]其中，规划路径中无人机访问站点的顺序记为Route＝{c,v1,v2,...,v
m
,c}， v1,v2,...,v
m
表示依次访问的途径站点，G[c,v1]为从出发站点c前往第一个站点时v1的路径代价，G[v
i
,v
j
]为站点v
i
与站点v
j
间的路径代价计算，1≤i≤m，1≤j≤m， G[v
m
,c]为从站点v
m
前往出发站点c的路径代价。
[0029]进一步地，对所述路径总代价模型进行求解，包括：
[0030]构造判别函数x(s
i
,s
j
)，代表站点s
i
向站点s
j
的无人机路径情况，表示为：
[0031][0032]满足所有站点均被访问，且只被访问一次，表示为：
[0033][0034][0035]基于天气因素对任务规划影响的路径代价模型优化目标函数表示为：
[0036][0037]利用遗传算法求解，获取总路径代价最小的路径。
[0038]按照本专利技术的第二个方面，还提供了一种基于综合赋权的无人机任务规划系统，包括：
[0039]获取空间距离模块，用于确定任务的出发站点和途径站点，得到各站点间的物理空间距离；
[0040]获取天气状态期望值模块，用于通过获取天气预报信息，构造天气情况转移概率矩阵，得到途径站点在任务执行时间段内的天气状态期望值；
[0041]获取路径代价模块，将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，计算得到两个站点间的路径代价，构建路径代价模型后，构建用于计算规划路径总代价的规划路径总代价模型；
[0042]路径代价求解模块，用于通过对所述路径总代价模型进行求解，获取总路径代价最小的路径。
[0043]按照本专利技术的第三个方面，还提供了一种存储介质，其存储有可由处理器执行的计算机程序，当所述计算机程序在处理器上运行时，使得处理器执行上述任一项所述方法的步骤。
[0044]总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
[0045](1)本专利技术提供的一种基于综合赋权的无人机任务规划方法预先综合考虑路径长度和目标站点的天气状况，减少不良天气现象对无人机飞行的影响，在保证无人机执行最小化路径长度的基础上，提高长距离飞行任务的安全性与可执行性，达到节省油耗、安全快速完成站点访问任务的效果。
[0046](2)本专利技术通过将天气情况作为权重因子，构造基于天气情况的路径代价矩阵和基于天气情况综合赋权的路径代价模型，并利用算法如遗传算法进行求解。只需要构造相应适应度函数、路径代价矩阵对接遗传算法相应接口就可以完成问题求解，易于执行实现，可实施性强。
附图说明
[0047]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于综合赋权的无人机任务规划方法，其特征在于，包括：确定任务的出发站点和途径站点，获取各站点间的物理空间距离；获取所述途径站点在任务执行时间段内的天气状态期望值；将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，计算得到两个站点间的路径代价，构建路径代价模型，所述路径长度模型中描述了任意两个站点间的路径代价；根据所述路径代价模型，构建用于计算规划路径总代价的规划路径总代价模型；对所述路径总代价模型进行求解，获取总路径代价最小的路径。2.如权利要求1所述的一种基于综合赋权的无人机任务规划方法，其特征在于，获取所述途径站点在任务执行时间段内的天气状态期望值包括：获取天气预报信息，将第t天的第i个站点的天气状态记为q
it
，则第i个站点第t+1天的天气状态q
i,t
表示为：q
i,t+1
＝q
i,t
×
p
i,[t,t+1]
其中，p
i,[t,t+1]
表示第i个站点的天气情况，由第t天转移至第t+1天的天气状态转移概率，对于第i个站点来说，未来n天内的天气情况的期望可表示为：3.如权利要求2所述的一种基于综合赋权的无人机任务规划方法，其特征在于，所述天气转移概率包括：将第t天到第t+1天好转好的概率记为p1，好转坏的概率为p2，坏转好的概率为p3，坏转坏的概率为p4，满足p1+p2＝1,p3+p4＝1，转移概率矩阵p
i,[t,t+1]
表示为：4.如权利要求1所述的一种基于综合赋权的无人机任务规划方法，其特征在于，所述将站点的天气状态期望值作为两个站点间物理空间距离的权重因子，是将该两个站点间到达站点的天气状态期望值作为该两个站点间物理空间距离的幂指数。5.如权利要求4所述的一种基于综合赋权的无人机任务规划方法，其特征在于，将途径站点总数记为m，将出发站点记为c，所述路径代价模型记为G，表达形式为：表达形式为：其中，T
u
为预设的调整因子，0≤T
u
≤1，g
ij
代表站点i和站点j之间的物理空间距离，1≤i≤m，或i＝c，1≤j≤m，或j＝c，E
...

【专利技术属性】
技术研发人员：罗颖光，段超凡，周彦，付国宾，余奇，胡佳，严其飞，彭靥，张阳，李斌，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：