一种基于人机协同的群智任务分配方法

技术领域

本发明属于群智感知的技术领域，涉及到一种基于人机协同的群智任务分配方法。

背景技术

移动群智感知已成为智慧城市感知的新范式。与以往将传感器固定在城市中进行参与式环境感知不同，移动群智感知更强调移动性，以城市中大量移动的人群作为载体，通过其携带的大量移动设备实现更广泛、更灵活的环境感知。在基于移动用户的群智感知中，用户完成任务方式较为灵活，主要分为通过顺路去完成一些任务的机会主义用户和通过主动移动去完成一些任务的参与式用户两大类。然而，由于用户基于主观意愿申请和接收感知任务，虽然群智平台会实施一些激励机制来鼓励用户，但根据实际经验，一些热门、奖励丰厚和成本低的感知任务总是优先被用户考虑执行，而剩余的大量任务不能得到按时完成，因此基于移动用户的群智感知具有一定的不稳定性和不可控性，如何提高群智感知的任务完成率是一个亟需解决的问题。

随着云计算、自动驾驶、5G通信和城市车联网等技术的发展，基于移动车辆的群智感知也逐渐成为城市感知的新平台。城市中大量行驶的传统车辆和无人车可以通过携带的各类传感器来实现对行驶轨迹沿线的感知，感知数据经过预处理后，利用5G、蜂窝网络等通信技术传输到群智感知平台来实现城市感知。与移动用户相比，传统车辆可以顺路去执行一些感知任务，而移动的无人车可以通过群智感知平台的指令去执行一些冷门的感知任务，也可以代替用户去完成一些相对危险的任务，并且无人车可以长时间在城市中远距离移动，从而实现更加低成本的环境感知，大量可控制的移动无人车为城市中实现更广泛的感知创造了有利的条件。

受上述问题的启发，本发明提出了一种基于人机协同的群智任务分配方法。与以往的移动群智感知模型不同，感知过程的参与者不限于单个用户或车辆，而是由大量分布在城市中的移动用户、车辆和可移动的无人车组成。通过模拟现实情况，移动用户可以顺路去完成一些感知任务也可以根据自己的主观意愿申请感知任务；城市中移动的车辆也可以顺路去完成一些感知任务；剩余的没有人、很少人接受或者不适合人的感知任务可以由群智感知平台发送指令交给可移动的无人车来完成，通过人机协同来最大限度的保证感知任务的完成。

发明内容

针对现有的群智感知方法中单个体感知存在的局限性，本发明提供了一种基于人机协同的群智任务分配方法，引入城市中大量移动用户、车辆和可移动的无人车共同来完成用户提交的任务，通过分析机会主义用户和机会主义车辆的历史路线预测未来的移动路线，设计双向期望值匹配算法进行任务分配；通过反向拍卖机制竞拍参与式用户的任务标书进行任务分配；通过聚类方法对剩余未分配的任务进行聚类，将无人车分配到距离其最近的簇中，依次分配给无人车距离最近的任务。

本发明的技术方案如下：

一种基于人机协同的群智任务分配方法，任务分配工作总共由三个阶段组成：在第一阶段，群智感知平台通过分析机会主义用户和机会主义车辆的历史路线来预测未来移动目的地的可能性进行任务匹配；在第二阶段，群智感知平台发布任务通知，参与式用户通过任务标书主动申请任务，群智感知平台对标书进行竞拍完成参与式用户的任务分配；在第三阶段，群智感知平台对剩余未分配的任务进行聚类，将无人车分配到距离最近的簇中，依次分配给无人车距离最近的任务。具体步骤如下：

步骤1：群智感知平台解析顾客的任务请求，提取任务集T、任务地点、任务时间、任务类型和任务预算等具体信息。

步骤2：群智感知平台在第一阶段对机会主义用户集OPP和机会主义车辆集OPV进行任务分配。假设机会主义用户历史路线满足泊松分布，而机会主义车辆有GPS历史记录，分析机会主义用户和机会主义车辆过去的行驶地点，来计算未来出现在任务位置的可能性，通过设计的双向期望值匹配算法进行任务分配。具体过程如下：

步骤2.1：假设机会主义用户一天内经过某一任务t

其中，s为经过的次数，λ

评估一天内机会主义用户经过任务位置loc

统计每一个机会主义用户opp在任务t

步骤2.2：通过无人车历史GPS数据，统计每一个机会主义车辆opv的一周内的历史行驶记录，预测机会主义车辆出现在某一个任务位置loc

其中，N表示任务的个数，count(loc

步骤2.3：每个任务t

步骤2.4：在遍历过程中，如果出现已经被标记的任务，那么就进行回溯，看之前遍历的机会主义用户或机会主义车辆是否存在未标记的任务。如果在回溯中成功找到未标记的任务，则之前遍历的机会主义用户或机会主义车辆对该未标记任务进行标记，并取消之前遍历的机会主义用户或机会主义车辆对当前任务的标记，同时当前遍历到的机会主义用户或机会主义车辆对当前任务进行标记。

步骤2.5：如果回溯没有找到还未标记的任务，则当前遍历到的机会主义用户或机会主义车辆跳过对当前任务的标记，并选择剩余还未标记的任务进行标记。

步骤2.6：重复步骤2.3至步骤2.5，直到机会主义用户和机会主义车辆都遍历结束。

步骤2.7：群智感知平台向机会主义用户和机会主义车辆分配标记的任务，等待机会主义用户和机会主义车辆上传任务结果。

步骤3：群智感知平台发布第一阶段剩余未分配的任务集RT，城市中的参与式用户集合PAT主动向群智感知平台上传目标任务集set和标书的报价price申请执行任务。收到参与式用户的申请以后，群智感知平台过滤掉报价超出任务预算top的申请，采用反向拍卖机制进行任务和参与者的匹配。同时给参与竞拍但未成功的参与式用户发放一定的积分作为下一次竞拍时的代价补偿来激励参与式用户。具体过程如下：

步骤3.1：过滤掉参与式用户pat

步骤3.2：计算参与式用户pat

步骤3.3：按

其中，RT为经过第一阶段机会主义用户和机会主义车辆任务分配之后剩余未分配的任务集，CT为已经选中标书的候选任务集。

步骤3.4：选择效用函数Unity(pat

步骤3.5：不断迭代，重复步骤3.3和步骤3.4，直到遍历所有参与式用户提交的标书。

步骤3.6：参与式用户上传初始位置，群智感知平台计算参与式用户的移动代价，参与式用户返回感知结果后，群智平台向参与式用户发放奖励：

其中，γ

步骤4：群智感知平台在第三阶段对专用的无人车进行剩余任务的分配。群智感知平台对第二阶段剩余未分配的任务集合RTF根据任务地理坐标和任务类型进行聚类，任务聚类完成以后无人车分别选择当前距离最近的簇，然后在簇中依次搜索距离最近的任务来完成。具体步骤如下：

步骤4.1：选择无人车的数量K作为聚类后的簇个数，将无人车的位置作为初始的簇中心，记为

步骤4.2：计算第二阶段剩余的任务集合RTF中的感知任务t

步骤4.3：重新计算各簇中任务点的均值，并以均值作为新的簇中心，记为

步骤4.4：将每个感知任务距离与所属簇中心的误差平方和作为损失函数，依次进行计算：

其中，c

步骤4.5：重复步骤4.2至步骤4.4，直到损失函数收敛，输出稳定的簇中心，记为

步骤4.6：依次选择当前无人车car

其中，

步骤4.7：无人车依次分别选择当前距离最近的簇中心，将无人车分配到簇中，在簇中依次选择距离最近的任务来完成。

本发明的有益效果：本发明提出的基于人机协同的群智任务分配方法，充分利用了城市中各类可移动资源，有效克服了单个体感知存在的局限性，提高了感知任务完成率，节约了感知任务完成的成本，能够更好地适应城市中丰富多样的感知任务请求。

附图说明

图1是本发明提供的基于人机协作的层次结构图。

图2是本发明提供的基于人机协作的任务分配场景图。

图3是本发明提供的任务匹配算法流程图。

图4是本发明提供的任务匹配算法具体案例图。

图5是本发明提供的用户标书选择算法流程图。

图6是本发明提供的任务聚类算法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合附图，对本发明的具体实施方式进行详细的描述。

本发明的技术方案是一种基于人机协同的群智任务分配方法。群智平台解析顾客上传的任务请求后，如图1所示接下来的任务分配方法主要由机会主义用户任务分配、机会主义车辆任务分配、参与式用户任务分配和专用无人车任务分配四个任务分配子方法组成。

图2所示为任务分配场景，收到顾客上传的任务请求后，群智感知平台分为三个阶段来进行任务分配，最终将感知结果返回给顾客。任务分配工作主要由三个阶段组成，第一阶段分析机会主义用户和机会主义车辆的历史路线来预测未来移动目的地的可能性进行任务匹配；群智感知平台在第二阶段发布任务通知，参与式用户通过标书主动申请任务，群智感知平台对标书进行竞拍完成参与式用户的任务分配；群智感知平台在第三阶段对剩余未分配的任务进行聚类，将无人车分配到距离最近的簇中，依次分配给无人车距离最近的任务。具体步骤如下：

步骤1：群智感知平台解析顾客提交的任务请求，提取任务集合T，每个任务t

步骤2：群智感知平台在第一阶段对机会主义用户集OPP和机会主义车辆集OPV进行任务分配工作。假设机会主义用户历史路线满足泊松分布，而机会主义车辆有GPS历史行驶记录，分析机会主义用户和机会主义车辆过去的行驶地点，来计算不同机会主义用户出现在任务位置的可能性，通过设计的双向期望值匹配算法进行任务分配，匹配过程如图3所示；具体步骤如下：

步骤2.1：假设机会主义用户一天内经过某一任务t

其中，s为经过次数，λ

评估一天内机会主义用户经过任务位置loc

统计每一个机会主义参与者opp在任务t

步骤2.2：通过无人车历史GPS数据，统计每一个机会主义车辆opv的一周内的历史行驶记录，预测机会主义车辆出现在某一个任务位置loc

其中，N表示任务个数，count(loc

步骤2.3：每个任务t

步骤2.4：在遍历过程中，如果出现已经被标记的任务，那么就进行回溯，看之前遍历的机会主义用户或机会主义车辆是否存在未标记的任务。如果在回溯中成功找到未标记的任务，则之前遍历的机会主义用户或机会主义车辆对该未标记任务进行标记，并取消对当前任务的标记，同时当前遍历到的机会主义用户或机会主义车辆对当前任务进行标记。

步骤2.5：如果回溯没有找到还未标记的任务，那么当前遍历到的机会主义用户或机会主义车辆就跳过对该任务的标记，同时选择剩余还未标记的任务进行标记。

步骤2.6：重复步骤2.3至步骤2.5，直到机会主义用户和机会主义车辆遍历结束。

步骤2.7：群智感知平台向机会主义用户和机会主义车辆分配标记的任务，等待机会主义用户和机会主义车辆上传任务结果。

为了更好的理解第一阶段提供的任务匹配算法，下面提供一个具体实例进行说明，如图4所示，假设目前任务已完成排序，且任务最大匹配数q为2。根据上述算法的步骤2.3，我们首先遍历机会主义用户opp

步骤3：群智感知平台发布第一阶段剩余的未分配的任务集RT，城市中的参与式用户集合PAT主动向平台上传目标任务集set和标书的报价price申请执行任务。如图5所示，收到用参与式用户的申请以后，群智平台过滤掉报价超出任务预算top的申请，采用反向拍卖机制进行任务和参与者的匹配。同时给参与竞拍但未成功的参与式用户发放一定的积分作为下一次竞拍时的代价补偿来激励参与式用户。

步骤3.1：首先群智感知平台过滤掉参与式用户pat

步骤3.2：计算参与式用户pat

步骤3.3：按

其中，RT为经过第一阶段机会主义用户和机会主义车辆任务分配之后剩余未分配的任务集，CT为已经选中标书的候选任务集。

步骤3.4：选择效用函数Unity(pat

步骤3.5：不断迭代，重复步骤3.3和3.4，直到遍历所有参与式用户提交的标书。

步骤3.6：参与式用户上传初始位置，群智感知平台计算参与式用户的移动代价，参与式用户返回任务结果后，群智感知平台向参与式用户发放奖励：

其中，γ

步骤4：群智感知平台在第三阶段对专用的无人车进行剩余任务的分配。如图6所示，群智感知平台首先对第二阶段剩余的任务集合RTF根据任务地理坐标和任务类型进行聚类，任务聚类完成以后无人车分别选择当前距离最近的簇，然后在簇中依次搜索距离最近的任务来完成。

步骤4.1：首先选择无人车的数量K作为聚类之后簇的个数，并将无人车的位置作为初始的簇中心，记为

步骤4.2：计算第二阶段剩余未分配的任务集合RTF中的感知任务t

步骤4.3：重新计算各簇中任务点的均值，并以均值作为新的簇中心，记为

步骤4.4：将每个感知任务t

其中，c

步骤4.5：重复步骤4.2至步骤4.4，直到上述损失函数收敛，输出稳定的簇中心，记为

步骤4.6：依次选择当前无人车car

其中，

步骤4.7：无人车分别选择当前距离最近的簇中心，将无人车分配到簇中，无人车根据无人车与任务的距离从近到远对簇中的任务进行排序，在簇中依次选择当前位置最近的任务来完成。

综上所述，本发明提出的基于人机协同的群智任务分配方法，充分利用了城市中各类可移动资源，有效克服了单个体感知存在的局限性，提高了感知任务完成率，节约了任务完成的成本，能够更好的适应城市中丰富多样的感知任务请求。