一种基于最坏情况柔性策略评估的灾后无人机部署方法技术

本发明专利技术公开了一种基于最坏情况柔性策略评估的灾后无人机部署方法，包括：获取无人机集群的当前位置、任务目标位置、剩余能量、通信能耗、飞行能耗和无人机的最大通信距离；基于所述通信能耗和飞行能耗构建所述无人机集群的能耗模型，基于所述无人机集群的当前位置、任务目标位置和无人机的最大通信距离构建信道模型；设置所述无人机集群的优化约束目标；基于所述能耗模型、信道模型和所述无人机集群的剩余能量，利用所述优化约束目标，对所述无人机集群进行优化，获取所述无人机集群的最优飞行策略。本发明专利技术能够有效规避高风险飞行位置，最终实现覆盖与能耗之间的平衡。最终实现覆盖与能耗之间的平衡。最终实现覆盖与能耗之间的平衡。

【技术实现步骤摘要】
一种基于最坏情况柔性策略评估的灾后无人机部署方法


[0001]本专利技术属于无人机辅助救灾领域，尤其涉及一种基于最坏情况柔性策略评估的灾后无人机部署方法。

技术介绍

[0002]我国是世界上自然灾害最严重的少数几个国家之一。一般年份，全国受灾害影响的人口约2亿人，直接经济损失2000亿元左右。随着国民经济持续高速发展、生产规模扩大和社会财富的积累，灾害损失有日益加重的趋势。灾害已成为制约国民经济持续稳定发展的主要因素之一。我国的自然灾害种类多，发生频率高，灾情严重。在偏远山区，极端天气或其他原因引起的自然灾害很容易发生区域性扩散，且这些地理、天气等因素也给抢险救灾带来了巨大的挑战。现阶段无人机进行探测任务主要应用于狭小且行动空间离散的环境，使用范围受限、灵活性较差，难以保证无人机之间的网络连通性。特别是在灾后应急的场景中目标点、无人机、地面基站距离过长、环境恶劣的情况下，更需要对无人机的飞行轨迹进行实时调整，保证其能安全、连续、高效地完成远程探测任务。
[0003]当事故发生后，由于具有灵活部署、无人化作业、能在狭小空间飞行等特点，无人机能够迅速深入危险区域执行探测任务，通过自身所携带的传感器模块收集探测数据，并传输回地面站，用于灾后救援的数据分析。由于单架无人机感知与通信范围的局限性，多无人机集群可以通过态势感知与信息交互实现自组织组网，形成飞行自组网。在飞行自组织网中，无人机采取合作的模式，量化无人机的任务属性，实现能效和任务完成度的联合优化，从而减少任务分配不合理导致的能量损耗。地面基站操作员一般会采用任务驱动方式规划无人机的飞行轨迹，同时，对于多无人机集群而言，无人机之间的拓扑结构也会对飞行轨迹产生影响。因此，如何动态规划无人机集群的最佳轨迹以满足任务需求、降低能耗、保证网络连通性至关重要。目前国际上大多采用通过创建无人机状态转移图的有向无环图，将单个无人机的路径规划设计问题转化为整数线性规划问题，使用图论、凸优化、分布式深度强化学习等方法，最小化无人机总轨迹长度并降低中断概率。这些方法适用于行动空间离散且较小的场景，面对复杂而艰巨的灾后场景，离散位置选择导致无人机飞行中的微小偏差也可能会产生严重的事故。因此，需要一种更严瑾的连续轨迹设计实时调整无人机的飞行状态。
[0004]此外，在灾后场景中任务往往更加复杂，为了确保信息可以交互并返回给地面系统，网络连通性对于合作无人机集群至关重要。如果由于缺乏连通性而无法返回信息，不仅会造成无人机资源的浪费，而且更严重的是可能会延误灾后救援，造成更大的人力和财力损失。为了在保证多跳链路连通的情况下减少过高的路由开销，Q.Zhu等人在2017年提出一种基于模糊最优选择的多中继无人机选择方案，以通过利用历史检测信息和监视回报评估来实现监视任务和连通性维护之间的权衡。然而，这种方法仅适用于易获得历史检测数据的情况，当探测场景为偏远的灾后山区或森林时，先前探测数据的缺失导致无法进行有效权衡，不适用于灾后场景。对于灾后偏远场景，仍有一些问题值得进一步讨论：(1)通过连续
轨迹优化部署无人机集群的3D位置；(2)无人机在完成每次任务后是否有足够的剩余能量返回地面基站；(3)复杂任务协同无人机集群中每架无人机的角色选择和不同贡献分析；(4)无人机与地面基站的连通性维护以保证数据的可靠性传输。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出了一种基于最坏情况柔性策略评估的灾后无人机部署方法，能够有效规避高风险飞行位置，最终实现覆盖与能耗之间的平衡。
[0006]为实现上述目的，本专利技术提供了一种基于最坏情况柔性策略评估的灾后无人机部署方法，包括：
[0007]获取无人机集群的当前位置、任务目标位置、剩余能量、通信能耗、飞行能耗和无人机的最大通信距离；
[0008]基于所述通信能耗和飞行能耗构建所述无人机集群的能耗模型，基于所述无人机集群的当前位置、任务目标位置和无人机的最大通信距离构建信道模型；
[0009]设置所述无人机集群的优化约束目标；
[0010]基于所述能耗模型和信道模型，利用所述优化约束目标，对所述无人机集群进行优化，获取所述无人机集群的最优飞行策略。
[0011]可选的，所述能耗模型为：
[0012][0013]其中，E为无人机集群的总能耗，E
p
(i)为无人机推进飞行能耗，N为无人机数量，i为第i个无人机。
[0014]可选的，所述信道模型为：
[0015][0016]其中，为无人机的最大通信距离，p
i
表示给定的传输功率，σ2表示高斯白噪声方差，γ
th
表示信噪比的阈值，h
u
表示无人机u
i
到地面基底之间的相对高度。
[0017]可选的，所述优化约束目标为：
[0018][0019]其中，ρ
π
表示基于策略π的轨迹分布，表示基于策略π的轨迹分布，为3D坐标，r(s
t
，a
t
)表示奖励函数，c(s
t
，a
t
)表示损失函数。
[0020]可选的，对所述无人机集群进行优化包括：
[0021]对所述优化约束目标设置奖励评估模型、安全评估模型和最坏情况评估模型；其中，所述奖励评估模型的参数包括：无人机的有效覆盖率，所述安全评估模型的参数包括：
所述无人机剩余能耗；
[0022]基于所述奖励评估模型、安全评估模型和最坏评估模型，获得所述无人机集群的最优飞行位置策略。
[0023]可选的，所述奖励评估模型为：
[0024][0025]其中，r(s
t
，a
t
)表示奖励函数，ι表示网络连通。
[0026]可选的，构建所述安全评估模型包括：
[0027]设计损失函数；
[0028]根据所述损失函数的预期值获取条件风险价值；
[0029]基于所述条件风险价值构建所述安全评估模型；
[0030]所述损失函数为：
[0031][0032]其中，表示E
p
(i)为无人机推进飞行能耗，E
r
(i)为无人机剩余能量。
[0033]可选的，所述安全评估模型为：
[0034][0035]其中，F
C
表示p
π
(C∣s,a)的累积分布函数，α表示风险等级、(C∣s,a)的累积分布函数，α表示风险等级、为3D坐标、D表示约束值，
[0036]可选的，所述最坏情况评估模型为：
[0037][0038]其中，Γ
π
(s，a，α)表示安全衡量指标，CVaR
α
，α表示风险等级,Φ
‑1(α)表示累积分布函数，
[0039]可选的，获取所述最优飞行策略包括：对所述无人机集群进行角色管理，所述角色管理包括：角色分配和角色切换，
[0040]角色本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于最坏情况柔性策略评估的灾后无人机部署方法，其特征在于，包括：获取无人机集群的当前位置、任务目标位置、剩余能量、通信能耗、飞行能耗和无人机的最大通信距离；基于所述通信能耗和所述飞行能耗构建所述无人机集群的能耗模型，基于所述无人机集群的当前位置、所述任务目标位置和所述无人机的最大通信距离构建信道模型；设置所述无人机集群的优化约束目标；基于所述能耗模型、所述信道模型和所述无人机集群的剩余能量，利用所述优化约束目标，对所述无人机集群进行优化，获取所述无人机集群的最优飞行策略。2.根据权利要求1所述的一种基于最坏情况柔性策略评估的灾后无人机部署方法，其特征在于，所述能耗模型为：其中，E为无人机集群的总能耗，E
p
(i)为无人机推进飞行能耗，N为无人机数量，i为第i个无人机。3.根据权利要求1所述的一种基于最坏情况柔性策略评估的灾后无人机部署方法，其特征在于，所述信道模型为：其中，为无人机的最大通信距离，p
i
表示给定的传输功率，σ2表示高斯白噪声方差，γ
th
表示信噪比的阈值，h
u
表示无人机u
i
到地面基底之间的相对高度，f
c
表示为载波频率。4.根据权利要求1所述的一种基于最坏情况柔性策略评估的灾后无人机部署方法，其特征在于，所述优化约束目标为：其中，ρ
π
表示基于策略π的轨迹分布，r(s
t
，a
t
)表示奖励函数，c(s
t
，a
t
)表示损失函数，a
t
表示为无人机在t时刻的动作选择，即要下一个位置，s
t
表示为无人机在t时刻的状态，即当前位置，表示为累积期望函数，D表示为剩余能量约束，H表示为可调熵阈值，强制了无人机空间探索随机性的最小程度。5.根据权利要求1所述的一种基于最坏情况柔性策略评估的灾后无人机部署方法，其特征在于，对所述无人机集群进行优化包括：对所述优化约束目标设置奖励评估模型、安全评估模型和最坏情况评估模型；其中，所述奖励评估模型的参数包括：无人机的有效覆盖率，所述安全评估模型的参数包括：无人机剩余能耗；
基于所述奖励评估模型、所述安全评估模型和所述最坏评估模型，获得所述无人机集群的最优飞行位置策略。6....

【专利技术属性】
技术研发人员：孙彦景，王晶晶，孙逢宇，张贝贝，董锴文，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：