一种旋翼无人机机群在多约束条件下自主协同机载计算的3D全覆盖搜索软件制造技术

在无GNSS的未知、超低空环境，以及多约束条件下，比如缺乏220v电力支持、无人机群(UAVs)数量变化、待搜索目标数量未知、缺乏遥控能力、没有地面或者云端服务器的情况下，实现“去中心化非编队飞行的低慢小同质视觉无人机群”协同“3D全覆盖航迹规划(3DCPP)”是集群自主智能的一个研究前沿。本专利以机载国产GPU在线并行计算为基础，提出多UAVs去中心化协同3DCPP的数据传递方案，并提出基于每架UAV机载单卡GPU，实现多UAVs去中心化、均衡协同的3DCPP构建方法。最终达到多UAVs低速飞行时的机载实时全覆盖搜索3D环境的目的。机载实时全覆盖搜索3D环境的目的。

【技术实现步骤摘要】
一种旋翼无人机机群在多约束条件下自主协同机载计算的3D全覆盖搜索软件
1.

[0001]本技术属于中小型旋翼无人机集群智能领域中的一块，即：旋翼无人机集群在多约束条件下，依靠机载计算、自主、协同、3D全覆盖搜索(3D
‑
CPP)的航迹规划。
2.
技术介绍

[0002]多约束条件下，旋翼UAVs、陌生(室内)环境、无GPS、依靠视觉感知3D密集环境、220v电力缺失、去中心化、面向未来战争的3D CPP问题，有很多研究要做。
[0003]由于单个中小型无人机存在以下缺点：载荷能力有限、低功耗、计算能力有限等，难以支持其独立完成任务。所以，中小型无人机朝着轻量级、低成本、协同集群的趋势发展。
[0004]美国空军2016年发布《小型无人机系统(SUAS)飞行规划2016
‑
2036》
[1]，分析了小型无人机的优势和定位，从战略层面肯定了中小型无人机系统的前景和价值
[2]。
[0005]但是，依据美国空军2005年发布《无人机系统线路图2005
‑
2030
[3]》的无人机自主等级，人类目前还没有实现“10级完全自主集群”技术
[4][5][6][7]。
[0006]单机自主：1级(遥控引导)、2级(实时故障诊断)、3级(故障自修复与飞行环境自适应)和4级(航路实时重规划)。
[0007]多机自主：5级(多机协同)、6级(多机战术重规划)和7级(多机战术目标)。
[0008]集群自主：8级(分布式协同控制)、9级(集群战略目标)和10级(完全自主集群)。协同集群UAVs的组织方式有两种：集中中心化、分布式去中心化。
[0009]集中中心化：由一个中心服务器收集多UAVs的信息并承担耗时的计算任务，如图1所示。但是，一旦中心服务器出现问题则代表任务失败。UAV的反应速度受其到中心服务器的通信距离、服务器的计算速度影响。中心服务器往往体积较大、电力要求高、散热大。
[0010]分布式、去中心化：没有地面中心服务器或者云端、边缘计算服务器，仅有集群UAVs。每个UAV仅依靠机载有限的自主决策与局部的感知、互相通信能力，达到集群个体间无中心式地协同、轻量化集群自主行为，如图2所示。
[0011]分布式、去中心化的多UAVs组织方式具有不可忽视的优势和应用价值，比如：
[0012](1)在相同通信能力下，搜索范围比集中式更广、更灵活、计算耗时更少
[6]。
[0013](2)由于没有中心服务器，战时士兵携带方便、对电力要求也较少，便携充电电池即可。
[0014]而集中式、大型服务器却意味着必须找到220v供电场所，并且散热高、噪声大。
[0015]然而，在面向实战、面向未来、以及严酷战场环境约束条件下，多UAVs分布式、去中心化的集群自主智能仍然面临很大的挑战。目前国内外学术界对多UAVs去中心化集群智能的研究成果非常少，并没有完全解决此类问题
[4][5][6]。
[0016]本专利目的：
[0017]本专利旨在填补国内外对这一背景问题的工程、研究空白。针对多约束环境，无GPS、陌生环境、缺乏220v电力支持、UAVs数量变化、待搜索目标数量未知、缺乏遥控能力、超
低空3D环境、没有地面或者云端服务器的情况下，依靠UAVs机载GPU并行计算，实现去中心化、自主协同地3D全覆盖航迹规划(3D
‑
CPP)。
3.
技术实现思路

[0018]本专利技术基于目前最新的计算机视觉技术、双目相机和惯性导航装置(IMU)、端到端5G无线通信术，提出：
[0019]多UAVs以数据驱动的、去中心化、机载GPU并行3D
‑
CPP算法和软件。
[0020]这是因为分布式、去中心化组织的UAVs集群，在实现了去中心化协同感知3D环境之后，每个UAV需要以去中心化的方式、单独规划其3D航迹，最终UAVs集群依据特定的能量函数，协同覆盖搜索全部的空间。
[0021]这项技术关注多UAVs非编队飞行、陌生环境下的3D
‑
CPP，主要包含两个方面：
[0022](1)全覆盖搜索的视点(View
‑
points)计算；
[0023](2)遍历现有视点、新增视点的航迹规划。
4.附图说明
[0024]图1：集中中心化的多UAVs组织方式。
[0025]图2：依靠端到端5G通信、分布式去中心化的多UAVs组织方式。
[0026]图3：本专利技术整体功能流程方案
[0027]图4：将3D空间分割成均等、不重叠Cell，组成GPU 3D Cellular Matrix并行计算模型。
[0028]图5：由于远景、近景的2D图像分辨率不同，本专利技术采用梯度大、小视点的方法，构建分级的梯度3D CPP航迹。
[0029]图6：不同航迹步长下的3D CPP结果。左图：欧式距离为步长；右图：方格之间的距离为步长。
[0030]图7：为每个Cell分配一个GPU线程(左图信号符)，计算Cell的航迹属性。右图为方格可供UAV移动的自由度，黑色方格为无人机不能穿越的障碍物方格。
5.具体实施方式
[0031]本专利技术基于目前最新的计算机视觉技术、双目相机和惯性导航装置(IMU)、端到端5G无线通信术，解决基于机载GPU并行计算的、旋翼多Visual
‑
UAVs去中心化3D协同全覆盖航迹规划。
[0032]具体实施整体功能流程如图3所示。项目将多UAVs去中心化协同飞行分为两个阶段，起飞阶段和自由飞行阶段，两个阶段的不同点主要体现在去中心化的实现上。
[0033]本专利关键技术：多UAVs以数据驱动的、去中心化、机载GPU并行3D
‑
CPP算法。
[0034]这项技术关注多UAVs非编队飞行、陌生环境下的3D
‑
CPP，主要包含两个方面：
[0035](1)全覆盖搜索的视点(View
‑
points)计算；
[0036](2)遍历现有视点、新增视点的航迹规划。
[0037]已有的文献调研中，学者们将3D
‑
CPP转化为TSP问题求解，比如粒子群算法、蚁群算法、LKH
‑
TSP算法等。但是，这类高层算法又包含了基础算法、底层算法(比如，3D最近邻域
搜索算法)，以及需要考虑对新增视点的处理。
[0038]所以，本专利技术首先需要构建一个能够实现多数基础和底层算法的GPU大规模并行的载体，用以实现多UAVs在机载GPU端并行计算的3D
‑
CPP。
[0039]项目选择申请人2021年提出的GPU 3D Cellular Matrix模型，用以实现3D
‑
CPP的相关并行算法，如图4所示。
...

【技术保护点】

【技术特征摘要】
1.使用申请人提出的GPU并行2D/3D Cellular Matrix模型用于GPU并行无人机路径规划计算。2.本发明提出的基于3D空间均等、不重叠分割的单无人机路径规划...

【专利技术属性】
技术研发人员：乔文豹，
申请(专利权)人：乔文豹，
类型：发明
国别省市：