一种面向HTN的火星巡视器任务规划方法、装置和系统制造方法及图纸

本发明专利技术公开了一种面向HTN的火星巡视器任务规划方法、装置和系统，属于火星探测技术领域，所述方法包括：将火星巡视任务执行数据对应的领域知识已知数据输入构建的领域知识学习模型，其基于层次任务网络结构学习模型通过分解关系因子构建复合任务与操作符序列之间分解关系，利用迭代优化方法获得复合任务的层次任务网络结构；利用操作符和分解方法学习模型输出领域知识要素；将两个模型输出融合后得到的领域知识文件，能够为智能规划人员编写火星巡视器任务领域知识提供有力参考，从而实现火星巡视器的任务规划。本申请能够克服火星巡视器任务规划领域知识构建面临的效率低下、人工成本高、更改效率低等技术问题。更改效率低等技术问题。更改效率低等技术问题。

【技术实现步骤摘要】
一种面向HTN的火星巡视器任务规划方法、装置和系统


[0001]本专利技术属于火星探测
，更具体地，涉及一种面向HTN的火星巡视器任务规划方法、装置和系统。

技术介绍

[0002]火星巡视器任务时间周期较长，通常持续几个月甚至几年，同时，由于深空环境复杂多变，任务的安全执行收到众多干扰因素影响，此外，火星巡视器与地面之间的通信存在较大的时延，其数据传输能力受到一定限制。面对其约束条件复杂，地外星体环境动态多变，通信条件受限制等特点，为了给火星巡视器任务执行提供有效的决策支持，火星巡视器任务智能规划的研究正在持续不断深入。HTN规划作为一种广泛应用的智能任务规划方法，图1展示了其概念模型，规划器的输入主要由领域知识、系统状态和任务网络三部分构成。其中，领域知识是特定领域内用于规划问题的“处方”和工具，通常包含具体的分解规则和执行规则，表示为分解方法集合和操作符集合。系统状态和任务网络共同构成了规划领域问题，描述的是当前环境的实时状态信息以及待实现的任务目标。
[0003]现有的火星巡视器任务智能规划研究假设已有完备的领域知识模型，而领域知识是应用智能规划方法的基础，合理且完备的领域知识能够有效地提高规划效率，增加规划结果的准确性；反之则会严重影响智能规划研究的进行。但是领域知识经常很难获取，领域知识的构建往往是知识工程的瓶颈。

技术实现思路

[0004]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种面向HTN的火星巡视器任务规划方法、装置和系统，其目的在于，将火星巡视任务执行数据对应的领域知识已知数据输入构建的领域知识学习模型，其基于层次任务网络结构学习模型以及操作符和分解方法学习模型输出面向HTN的分解方法和领域知识要素，将二者融合后得到的领域知识文件，能够为智能规划人员编写火星巡视器任务领域知识提供有力参考，从而实现火星巡视器的任务规划，能够克服火星巡视器任务规划领域知识构建面临的效率低下、人工成本高、更改效率低等技术问题。
[0005]为实现上述目的，按照本专利技术的一个方面，提供了一种面向HTN的火星巡视器任务规划方法，包括：
[0006]S1：构建火星巡视器的领域知识学习模型，包括层次任务网络结构学习模型以及操作符和分解方法学习模型；
[0007]S2：将任务执行数据对应的领域知识已知数据输入所述领域知识学习模型，以使利用层次任务网络结构学习模型对所述领域知识已知数据进行学习并通过分解关系因子构建复合任务与操作符序列之间分解关系，利用迭代优化方法获得复合任务的层次任务网络结构，进而利用操作符和分解方法学习模型对所述领域知识已知数据、所述分解方法和所述层次任务网络结构进行学习并输出领域知识要素，最终输出所述面向HTN的分解方法
和所述领域知识要素融合后得到的领域知识文件；
[0008]其中，所述领域知识要素包括：所述分解方法的前提条件、操作符的前提条件、操作符的添加状态和删除状态；
[0009]S3：将所述领域知识文件输入HTN规划器得到行动方案，以执行任务。
[0010]在其中一个实施例中，所述层次任务网络结构学习模型包括：
[0011]分解结构优化模块，用于输入所述领域知识已知数据，将执行任务名称作为复合任务名称，利用启发式分解关系因子构建复合任务与操作符序列的分解关系，最终获得复合任务分解方法结构；
[0012]层次任务网络学习模块，用于基于所述复合任务分解方法结构，利用递归方式学习方法的层次任务网络结构。
[0013]在其中一个实施例中，所述分解结构优化模块，用于：
[0014]随机选择一个执行任务名称np和对应的操作符序列ax，如果匹配成功率为1，则说明目前设置的操作符序列具有较好的匹配度；此时只考虑加长操作符序列；在动作执行序列集合中随机选择一个有符合实例的动作执行序列，并根据动作执行序列进行操作符序列的添加和删除，并计算改变之后执行任务名称集合中所有执行任务名称的分解结构相符率Q，如果所有执行任务名称的Q均不降低则保留优化，否则不保留，进行下一轮优化；
[0015]重复上述步骤，最终得到一个理想的执行任务分解结构，令所有执行任务名称的Q都为1。
[0016]在其中一个实施例中，所述层次任务网络学习模块，用于：
[0017]使用自底向上的方式，由执行任务最终分解获得的操作符序列开始，选择最频繁出现的操作符子序列作为一个分解方法的层次任务网络，并自动生成新的方法名称来表示对应的子序列，并将操作符序列中相应的子序列替换为方法名称，再重新获得执行任务的操作符序列概率矩阵；
[0018]将同样的方法再操作符序列中反复迭代，最终获得执行任务分解方法的层次任务网络。
[0019]在其中一个实施例中，所述操作符和分解方法学习模型包括：
[0020]领域知识构建模块，用于将所述动作执行轨迹编码为关系数据库，将领域知识信息编码为逻辑公式，通过对逻辑公式权重的学习获得领域知识信息的满足程度，初步构建的领域知识；
[0021]冲突检测与修复模块，用于将所述初步构建的领域知识代入原有的动作执行轨迹数据，对冲突进行检测，获得冲突的具体位置和数据，储存在冲突集合中；随机选取冲突集合中的一个冲突，查找修复冲突的方式并进行修复，进而得到所述领域知识要素。
[0022]在其中一个实施例中，所述领域知识要素还包括资源约束；所述操作符和分解方法学习模型还包括：
[0023]资源约束获取模块，用于以所述领域知识要素和所述历史资源数据为输入获得对应的资源约束，所述资源约束包括资源变化时间和资源变化量。
[0024]在其中一个实施例中，所述领域知识已知数据包括：巡视器的动作执行序列、动作执行轨迹、执行任务名称、操作符名称、状态描述和参数类型；
[0025]其中，所述巡视器的动作执行轨迹的来源包括：动作执行数据、历史状态数据、历
史资源数据和外界环境历史状态数据。
[0026]在其中一个实施例中，在所述S2之前，所述方法还包括：将任务执行数据的格式统一转化为预设格式，再对其进行特征提取，得到所述领域知识已知数据。
[0027]按照本专利技术的另一方面，提供了一种面向HTN的火星巡视器任务规划装置，包括：
[0028]构建模块，构建火星巡视器的领域知识学习模型，包括层次任务网络结构学习模型以及操作符和分解方法学习模型；
[0029]获取模块，用于将任务执行数据对应的领域知识已知数据输入所述领域知识学习模型，以使利用层次任务网络结构学习模型对所述领域知识已知数据进行学习并通过分解关系因子构建复合任务与操作符序列之间分解关系，利用迭代优化方法获得复合任务的层次任务网络结构，进而利用操作符和分解方法学习模型对所述领域知识已知数据、所述分解方法和所述层次任务网络结构进行学习并输出领域知识要素，最终输出所述面向HTN的分解方法和所述领域知识要素融合后得到的领域知识文件；
[0030]其中，所述领域知识要素包括：所述分解方法的前提条件、操作符的前提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向HTN的火星巡视器任务规划方法，其特征在于，包括：S1：构建火星巡视器的领域知识学习模型，包括层次任务网络结构学习模型以及操作符和分解方法学习模型；S2：将任务执行数据对应的领域知识已知数据输入所述领域知识学习模型，以使利用层次任务网络结构学习模型对所述领域知识已知数据进行学习并通过分解关系因子构建复合任务与操作符序列之间分解关系，利用迭代优化方法获得复合任务的层次任务网络结构，进而利用操作符和分解方法学习模型对所述领域知识已知数据、所述分解方法和所述层次任务网络结构进行学习并输出领域知识要素，最终输出所述面向HTN的分解方法和所述领域知识要素融合后得到的领域知识文件；其中，所述领域知识要素包括：所述分解方法的前提条件、操作符的前提条件、操作符的添加状态和删除状态；S3：将所述领域知识文件输入HTN规划器得到行动方案，以执行任务。2.如权利要求1所述的面向HTN的火星巡视器任务规划方法，其特征在于，所述层次任务网络结构学习模型包括：分解结构优化模块，用于输入所述领域知识已知数据，将执行任务名称作为复合任务名称，利用启发式分解关系因子构建复合任务与操作符序列的分解关系，最终获得复合任务分解方法结构；层次任务网络学习模块，用于基于所述复合任务分解方法结构，利用递归方式学习方法的层次任务网络结构。3.如权利要求2所述的面向HTN的火星巡视器任务规划方法，其特征在于，所述分解结构优化模块，用于：随机选择一个执行任务名称np和对应的操作符序列ax，如果匹配成功率为1，则说明目前设置的操作符序列具有较好的匹配度；此时只考虑加长操作符序列；在动作执行序列集合中随机选择一个有符合实例的动作执行序列，并根据动作执行序列进行操作符序列的添加和删除，并计算改变之后执行任务名称集合中所有执行任务名称的分解结构相符率Q，如果所有执行任务名称的Q均不降低则保留优化，否则不保留，进行下一轮优化；重复上述步骤，最终得到一个理想的执行任务分解结构，令所有执行任务名称的Q都为1。4.如权利要求2所述的面向HTN的火星巡视器任务规划方法，其特征在于，所述层次任务网络学习模块，用于：使用自底向上的方式，由执行任务最终分解获得的操作符序列开始，选择最频繁出现的操作符子序列作为一个分解方法的层次任务网络，并自动生成新的方法名称来表示对应的子序列，并将操作符序列中相应的子序列替换为方法名称，再重新获得执行任务的操作符序列概率矩阵；将同样的方法再操作符序列中反复迭代，最终获得执行任务分解方法的层次任务网络。5.如权利要求1所述的面向HTN的火星巡视器任务规划方法，其特征在于，所述操作符和分...

【专利技术属性】
技术研发人员：祁超，王红卫，郑沁雨，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：