一种多约束条件下的异构多飞机协同任务自动分解方法

技术领域

本发明主要涉及到无人机的控制技术领域，特指一种多约束条件下的异构 多飞机协同任务自动分解方法。

背景技术

随着无人机在各个行业和各个领域的广泛应用，为了满足实际需求，组合 型、多无人机编组等方式也越来越普及。由于单架无人机的任务能力有限，通 常需要采用多种类型的无人机协同配合的方式、或者采用无人机与有人机协同 配合的方式才能有效完成任务。然而，如采用多飞机方式之后，上述任务通常 就会由多个具有时限、优先级、规则等约束条件的子任务组成，导致异构多飞 机协同任务方案的自动生成具有一定的挑战。

现有技术中，遗传算法、粒子群算法、蚁群算法等仿生优化算法已被广泛 用于无人机的任务规划问题，但该类方法主要解决的是飞行控制层面的航线规 划问题，往往没有深入分析任务所需能力与飞机实际能力之间存在的差异，从 而难以在任务管理层面实现异构多飞机之间的能力互补与高效协同。如采用多 智能体系统建模技术有望解决该问题，但相关研究成果仍然较少。为此，对于 该问题，传统技术中并没有一个较好的解决方案，在可靠性、高效性、准确性 上均没法达到较好的效果。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提 供一种原理简单、自动化程度高、可靠性和效果好的多约束条件下的异构多飞 机协同任务自动分解方法。

为解决上述技术问题，本发明采用以下技术方案：

一种多约束条件下的异构多飞机协同任务自动分解方法，其步骤包括：

步骤S1:飞机任务能力分析阶段；根据任务目标，拟定多飞机协同能力互补 关系，分配每个飞机的任务角色；

步骤S2:多智能体任务分解阶段；利用任务数据库，构建具有优先级约束关 系的子任务集合，通过程序自动得到层次化的任务分解树和带时间窗的飞机行 动流。

作为本发明方法的进一步改进：所述步骤S1的流程包括：

步骤S101:设计任务想定，明确任务总体目标以及各阶段子任务目标；

步骤S102:分析任务中存在的约束关系，将其进行数学描述；

步骤S103:针对每一个子任务，量化表示单飞机的任务能力；

步骤S104:面向整个任务流程，拟定多飞机协同能力互补关系方案表，初步 分配每个飞机的任务角色。

作为本发明方法的进一步改进：在所述步骤S102中，分析任务中存在的约 束关系，流程包括：

任务分解根据不同的问题来建立,目标是确保任务分解有合适的粒度；设t 时刻有人机形成任务T

任务分解后得到的各子任务

t

式中，t

作为本发明方法的进一步改进：设作业编队由一架有人机和m架无人机组 成，在t时刻生成的任务为T

定义任务分配矩阵S

式中i＝1，2，...，m；j＝1，2，...，n。

任务分配的目标是将n个任务分配给m架无人机，任务分配：

式中：m

作为本发明方法的进一步改进：所述步骤S2的流程包括：

步骤S201:构建任务域常识数据库，定义所有实体类型、声明实体属性、初 始化实体的取值；

步骤S202:设计采取的基本动作集和由部分原子任务构成的方法集；

步骤S203:构建代价函数，包括时间成本、不希望出现的动作序列以及用于 调度的智能体交互规则；

步骤S204:构建具有优先级约束关系的子任务集合；

步骤S205:选取宽度优先搜索算法，设置搜索算法运行的时间上限；

步骤S206:运行程序进行任务分解方案的迭代求解，自动得到层次化的任务 分解树和带时间窗的飞机行动流。

作为本发明方法的进一步改进：所述步骤S204中，针对于约束条件，分为 三个方面进行表示：首先是时间约束方面，由持续时间函数做为时间尺度，设 置在每一个原子任务中，每一个原子任务占用一个时间单元，时间流在任务流 的结构中跟随原子任务流动；在逻辑约束方面，由方法和社会规则来确定，贴 近执行环境规则；在能力约束上，依据所查阅到的有人机与无人机相关能力参 数来设置各个实体属性的值，确保各实体能力的相对大小，基于对能力依赖关 系表的分析，能够合理的规划出任务流程。

作为本发明方法的进一步改进：所述任务的优先级表达转换为方法中的子 任务分解的排序，子任务可以部分或完全有序。在最后一种情况下，顺序必须 是显式的，并且由符号>和前一个任务的数字Id编码，后面是子任务的名称。

作为本发明方法的进一步改进：所述步骤S1和步骤S2是基于ROS机器人 操作系统和HATP智能体编程环境，在符号系统中解决多约束条件下异构多飞机 协同任务自动分解问题。

与现有技术相比，本发明的优点在于：

本发明的多约束条件下的异构多飞机协同任务自动分解方法，原理简单、自 动化程度高、可靠性和效果好，将多智能体系统任务规划技术应用于异构多飞 机协同任务自动分解问题。本发明针对具有时间约束、任务优先级约束、飞机 能力约束等多种约束条件下的复杂任务，分析异构多飞机之间的能力差异，将 复杂任务自动分解至可由某个飞机单独执行或由某些飞机协同执行的原子任务， 得到层次化的任务分解树和带时间窗的飞机行动流。本发明可有效提高异构多 飞机协同的效能，在有人机-无人机协同、异构多无人机协同、无人机集群等任 务模式中具有较高的应用价值。

附图说明

图1是本发明方法的流程示意图。

图2是本发明在具体应用实例中的异构多飞机任务想定图。

图3是本发明在具体应用实例中的网格化任务示意图。

图4是本发明在具体应用实例中多飞机协同能力互补关系方案表示意图。

图5是本发明在具体应用实例中层次化的任务分解树示意图。

图6是本发明在具体应用实例中带时间窗的飞机行动流示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

如图1所示，本发明的一种多约束条件下的异构多飞机协同任务自动分解 方法，包括：

步骤S1:飞机任务能力分析阶段；根据任务目标，拟定多飞机协同能力互补 关系，分配每个飞机的任务角色；

步骤S2:多智能体任务分解阶段；利用任务数据库，构建具有优先级约束关 系的子任务集合，通过程序自动得到层次化的任务分解树和带时间窗的飞机行 动流。

在具体应用实例中，在步骤S1中所述飞机任务能力分析阶段包括：

步骤S101:设计任务想定，明确任务总体目标以及各阶段子任务目标。

步骤S102:分析任务中存在的约束关系，将其进行数学描述。

步骤S103:针对每一个子任务，量化表示单飞机的任务能力。

步骤S104:面向整个任务流程，拟定多飞机协同能力互补关系方案表，初步 分配每个飞机的任务角色。

在具体应用实例中，在步骤S2中所述多智能体任务分解阶段包括：

步骤S201:构建任务域常识数据库，定义所有实体类型、声明实体属性、初 始化实体的取值；

步骤S202:设计采取的基本动作集和由部分原子任务构成的方法集。

步骤S203:构建代价函数，包括时间成本、不希望出现的动作序列以及用于 调度的智能体交互规则等。

步骤S204:构建具有优先级约束关系的子任务集合。

步骤S205:选取宽度优先搜索算法，设置搜索算法运行的时间上限。

步骤S206:运行程序进行任务分解方案的迭代求解，自动得到层次化的任务 分解树和带时间窗的飞机行动流。

在一个具体的应用实例中，如图2所示，本实施例在以下场景想定下进行 异构多飞机协同任务自动分解：异构多机编队由一架有人机携一架侦察无人机 和一架具有执行能力的无人机组成，对指定区域内的多个目标执行集结、侦察、 其他作业等任务，按照任务优先级、任务能力需求、飞机的能力、时间等约束 条件，自动将地面目标分配给不同的飞机，要求以最小的代价完成任务。

在该实施例中，本发明基于ROS机器人操作系统和HATP智能体编程环境， 在符号系统中解决多约束条件下异构多飞机协同任务自动分解问题。

具体包含以下流程：所述解决方案分为飞机任务能力分析阶段和多智能体 任务分解两个阶段：

所述飞机任务能力分析阶段主要包括以下步骤：

步骤I-1：设计任务想定，明确任务总体目标以及各阶段子任务目标。

如图2所示，右下角的五角星为基地的起点，左下角的五角星无人机和有 人机从基地起点出发，在指定位置以一定速度向目标飞行，上角的三个红色四 角星代表在固定位置的作业执行目标，现设定当有人/无人机团队对目标进行侦 察、作业执行后的补充作业，确保目标的作业完成后，全部返回基地终点即视 为任务结束。

为了使任务环境的几何建模能够更加简洁明确，将基地与目标点的相对位 置绘制成方格地图：采用区域网格地图，其坐标原点在左下角。其中Bi为我方 飞机起飞/降落的基地(坐标分别为(1,1)和(5,1))，Tj为目的地面目标(坐 标为(2,4)、(3,2)、(5,3)))。

步骤I-2：分析任务中存在的约束关系，将其进行数学描述。

任务分解需要根据不同的问题来建立,目标是确保任务分解有合适的粒度。 设t时刻有人机形成任务T

任务分解后得到的各子任务

t

式中，t

设作业编队由一架有人机和m架无人机组成，在t时刻生成的任务为T

定义任务分配矩阵S

式中i＝1，2，...，m；j＝1，2，...，n。

任务分配的目标是将n个任务分配给m架无人机，使编队达到最大作战效 能。

为确保完成任务的准确高效性，需要考虑任务分配的合理性：

式中：m

步骤I-3：针对每一个子任务，量化表示单飞机的任务能力。

异构多机团队包括X架飞机。当X＝3时，包括一架有人机MAV1、一架侦察 无人机UAV1_Z、一架无人机UAV2_ZD。要求对每架飞机的能力进行量化描述， 主要包括下述三个方面：

航行能力Cap_dist。通常来讲，有人机的航程大于无人机。查找型号数据， 例如，有人机的初始航行能力Cap_dist(MAV1)＝20，无人机的初始航行能力 Cap_dist(UAV1_Z)＝Cap_dist(UAV2_ZD)＝15。

作业能力Cap_attk。要考虑有人机和无人机装配的执行部件不同。假设地 面目标Tj的待作业能力为Cap_defend＝3，只有当作业能力大于带作业能力时 才能完成目标，即一架有人机遂行执行任务，或者两架无人机共同遂行执行任 务。

步骤I-4：面向整个任务流程，拟定多飞机协同能力互补关系方案表，初步 分配每个飞机的任务角色。如图4所示。

在具体应用实例中，所述多智能体任务分解阶段的具体实现步骤如下：

步骤II-1：构建任务域常识数据库，定义所有实体类型、声明实体属性、 初始化实体的取值；

步骤II-1-1：定义所有实体类型

每个飞机智能体在HATP中是默认实体，还需定义目标点实体和基地实体的 属性。

define entityTypeTaskLoc；

{

static atom bool isHostile；

dynamic atom bool isReconed；

dynamic atom bool isClear；

dynamic atom bool isStriked；

dynamic atom number capdefend；}

步骤II-1-2：声明实体属性。

TL1＝new TaskLoc；

AP1＝new TaskLoc；

MAV1＝new Agent；

步骤II-1-3：初始化实体的取值。

MAV1.type＝"MAV"；

MAV1.isAt＝AP1；

MAV1.isInAir＝false；

MAV1.missileNum＝2；

MAV1.capattak＝4；

步骤II-2：设计采取的基本动作集和由部分原子任务构成的方法集。

步骤II-2-1：设计采取的基本动作集。

action TakeOff(Agent A,TaskLoc T)

步骤II-2-2：设计由部分原子任务构成的方法集。

methodGather_in_air(Agent A1,Agent A2,Agent A3,TaskLoc AP)

method Finish_all_task(Agent A1,Agent A2,Agent A3,TaskLoc T,TaskLocAP,TaskLoc BP)

步骤II-3：构建代价函数，包括时间成本、不希望出现的动作序列以及用 于调度的智能体交互规则等。

float cost100(){return 100.；}//成本函数

pairduration1(){return make_pair(1,1)；}//持续时 间函数

undesirableSeqPenalty

computeControlOfIntricacy

computeWastedTime

computeEffortBalancing.

步骤II-4：构建具有优先级约束关系的子任务集合。

针对于约束条件，分为三个方面进行表示。首先是时间约束方面，由持续 时间函数做为时间尺度，设置在每一个原子任务中，每一个原子任务占用一个 时间单元，时间流在任务流的结构中跟随原子任务流动；在逻辑约束方面，由 方法和社会规则来确定，尽可能的贴近现实作战环境规则；在能力约束上，主 要是依据所查阅到的有人机与无人机相关能力参数来设置各个实体属性的值， 主要确保各实体能力的相对大小，基于对能力依赖关系表的分析，能够合理的 规划出任务流程。

任务的优先级表达转换为方法中的子任务分解的排序，子任务可以部分或 完全有序。在最后一种情况下，顺序必须是显式的，并且由符号>和前一个任务 的数字Id编码，后面是子任务的名称。

步骤II-5：选取宽度优先搜索算法，设置搜索算法运行的时间上限。设置 时间限制为1秒。

步骤II-6：运行程序进行任务分解方案的迭代求解，自动得到层次化的任 务分解树和带时间窗的飞机行动流。运行结果如图5和图6所示。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实 施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出， 对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进 和润饰，应视为本发明的保护范围。