动态环境下多无人机协同任务规划方法

发布时间：2020-11-16 10:26

　　 在现代战争中,无人机开始以机群方式协同执行任务。通过研究动态环境下的多无人机任务规划方法,可以使机群以较小的代价完成复杂的任务,提升机群执行任务的成功率和效率,增强无人机机群的容错性、鲁棒性。对无人机任务规划方法的研究主要包括任务规划模型的建立和任务规划算法的运用,现有的任务规划模型缺乏对战场约束条件的考量,不适应实际的需求。任务规划算法的计算效率过低,对动态情况响应不足。这些问题的存在降低了无人机机群的安全性和生存能力,并导致机群执行任务的失败。针对上述问题,本文首先对任务规划中的任务分配与重分配问题进行了描述与建模。分析了多无人机协同任务分配的约束条件,对现有的无人机多任务分配问题模型(CMTAP)进行了扩展,建立符合战场需求的任务分配模型。当无人机在执行任务过程中遇到突发情况需要进行任务重分配时,对无人机机群的任务分配方案进行局部调整,建立了任务动态重分配模型。在任务分配与重分配模型的基础上,本文接着提出了基于自组织特征映射(SOM)神经网络的任务分配方法,根据战场环境信息进行网络的初始化并结合SOM神经网络中的Kohonen规则和Winner Take All规则求解任务分配方案。针对重分配问题提出了基于分组策略的任务动态重分配方法,采用基于SOM神经网络的聚类算法对需要进行重分配的任务和无人机进行分组聚类,分组完成后使用引入精英蚁群策略的蚁群算法对执行任务集合更改的无人机进行任务序列的调整,该方法能够快速响应无人机机群执行任务过程中遇到的突发情况。最后本文研究了动态环境下的无人机路径规划方法,提出了基于Q学习的无人机路径规划方法。建立了符合无人机自身约束条件和路径规划问题特性的马尔可夫决策过程(MDP)模型。在MDP模型基础上,结合Q学习与效用追踪(Eligibility Traces)技术规划能够避开雷达、地形障碍的路径。仿真实验以及与同类算法的比较分析表明:本文提出的多无人机协同任务分配方法能够在较短时间内得出合理有效的任务分配方案;本文提出的无人机路径规划方法提升了无人机在动态环境下的适应能力,为无人机规划出能够避开威胁区域且飞行距离较短的安全飞行路径。
【学位单位】：南京邮电大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：V279;TP18
【部分图文】：

将根据预先设置的场景启动动态重分配响应机制。本文根据多无人机作战的实将触发动态重分配的场景分为任务取消或增加、任务点位置更新和无人机故障这三配的触发条件是无人机在任务执行过程中遇到这几种分配场景中的一种或者多种情下面对重分配触发场景作具体介绍：1)任务取消或增加由于战场中的部分环境信息处于未知状态，从而导致任务空间的变化，比如出现新标点，无人机机群需要在新目标点上执行任务，则要向任务集合 T 中增加一个或多又比如遭遇突发的恶劣天气状况，无人机执行任务危险系数过高，则需要取消任务某一个任务。当出现新增任务时，通过重分配算法将其分配给无人机机群内的某架无人机，并对机执行任务的次序进行调整。根据图 2-3 所示，假设无人机原先的执行任务顺序是在执行任务 T1过程中，新增攻击任务 T2，则通过重分配得到的新的任务序列为：T3}。

图 3.2 任务分配阶段使用的 SOM 神经网络结构 选取获胜节点层的节点中随机选取一个任务点 Tk（Tk∈T）作为网络的输入。首自身约束公式(1-5)和(1-6)，当一架无人机 Uj从当前位置飞行到量，即无人机 Uj从初始位置开始转移到 Tk所在位置的飞行总距者无人机 Uj当前剩余武器数量不足以支撑其完成 Tk任务时，该即竞争层中的第 j 列不参与到选取获胜节点的计算过程。通过对进行自身约束条件的检查，得到具备执行 Tk能力的无人机集的每架无人机 Ui，计算竞争层(k,i)节点与 Tk的距离，并选取与输获胜节点。SOM 神经网络中节点的权值使用经纬度坐标表示，所以使用 hav间的距离，haversine 方程根据经纬度坐标计算球面上两个点间的

(a) (b) (c)图 3.4 蚁群算法原理图在图 3.4 中，A 点为蚁穴，E 点为食物源，FC 为障碍物，则蚂蚁只能经过 A-BFD-E 或CD-E 这两条路径，BFD 和 BCD 两条路径的长度分别为 2 个单位和 1 个单位。初始状态有路径上都未留有信息素。每个时间单位都有 30 只蚂蚁从 B 点去往 D 点和有 30 只蚂蚁 点去往 B 点，从这两个岔路口出发选择往左还是往右。一开始，所有蚂蚁进行随机选择图 3.4(b)所示。经过几个时间单位后，由于 BCD 路径比 BFD 路径短，当蚂蚁在路径上留信息素总量一定时，BCD 路径上的信息素浓度较高，所以有更多的蚂蚁选择 BCD 路径图 3.4(c)所示。经过更长时间积累后，BCD 上的信息素浓度会越来越高，最后所有的蚂会选择 BCD 这条较短的路径。蚁群算法是群智能领域的一种重要算法，该算法具有正反馈、自组织性、较强的鲁棒性于其他方法结合等优点，在解决诸如 TSP 的优化问题方面展现出了优异的性能，所以本无人机任务序列的动态调整问题建模为 TSP，并采用该算法解决。
【相似文献】

相关期刊论文 前10条

1 徐宏庆;;无人机应用技术专业建设的探索[J];正德职业技术学院学报;2018年02期

2 张斌;林斌;杨彦彰;李名兆;林奕翔;;国内民用无人机系统标准体系构建现状[J];中国标准化;2019年S1期

3 王湛;王江东;杨宏伟;;民用轻小型无人机系统检测认证研究[J];质量与认证;2019年12期

4 潘泉;康童娜;吕洋;赵春晖;胡劲文;;无人机感知规避技术发展与挑战[J];无人系统技术;2018年04期

5 杜恒;;基于足球比赛路径规划的农用无人机定位和导航研究[J];农机化研究;2019年10期

6 问延安;蒋倩;;智慧监管:民用无人机企业监管的路径选择[J];长沙航空职业技术学院学报;2018年04期

7 张军国;闫浩;胡春鹤;李婷婷;于明;;无人机在林业中的应用及前景展望[J];林业工程学报;2019年01期

8 刘逸宸;;无人机系统信息传输技术分析[J];科技资讯;2018年32期

9 金伟;周震博;;2018年无人机研发热点回眸[J];科技导报;2019年01期

10 杨春;;智能科技 智慧未来 溧阳国际无人机发展论坛暨第四届无人机百人会圆满落幕[J];中国公共安全;2019年Z1期

相关博士学位论文 前10条

1 刘明辉;无人机高速数据链关键技术研究[D];西安电子科技大学;2019年

2 曹伟;LTE外辐射源雷达多旋翼无人机探测技术研究[D];国防科技大学;2018年

3 孔维玮;基于多传感器的无人机自主着舰引导与控制系统研究[D];国防科技大学;2017年

4 马兆伟;基于学习的无人机感知与规避关键技术研究[D];国防科技大学;2018年

5 赵述龙;数据驱动的无人机曲线路径跟踪控制方法研究[D];国防科技大学;2017年

6 宋春林;四旋翼无人机在未知环境中自主导航和飞行控制方法研究[D];哈尔滨工业大学;2019年

7 张坤;不确定条件下无人机三维航迹跟踪控制研究[D];西北工业大学;2018年

8 唐必伟;粒子群算法的改进及其在无人机任务规划中的应用[D];西北工业大学;2017年

9 姬翔;多特征融合的旋翼无人机能耗优化路径规划方法研究[D];西北大学;2019年

10 王小亮;面向对地观测的无人机路径规划与编队控制方法研究[D];武汉大学;2017年

相关硕士学位论文 前10条

1 王明君;多无人机协同机场驱鸟系统的任务分配与路径规划[D];南京航空航天大学;2019年

2 周遂之;4G网络无人机控制的设计与实现[D];重庆邮电大学;2019年

3 杜国栋;基于Leader-follower理论的四旋翼无人机编队控制方法研究[D];重庆邮电大学;2019年

4 李卓文;无人机地面站管控系统的研究与开发[D];重庆邮电大学;2019年

5 胡续俊;基于GPU的无人机中继系统传播环境建模及仿真研究[D];南京航空航天大学;2018年

6 丁亚;基于系统工程方法的无人机族系统总体设计[D];南京航空航天大学;2019年

7 黄精琦;某小型海用无人飞行器发射与回收技术研究[D];南京航空航天大学;2019年

8 聂禾玮;飞翼无人机机动控制技术研究[D];南京航空航天大学;2019年

9 沈佳明;基于快速原型的无人机仿真系统设计与开发[D];南京航空航天大学;2019年

10 翟丽相;基于反演控制的无人机容错控制方法研究[D];南京航空航天大学;2019年

本文编号：2886050