[发明专利]基于顺次分配的多层多粒度集群任务规划方法

说明书

本发明公开了基于顺次分配的多层多粒度集群任务规划方法，包括多层降维信念信息表示、层间信息交互模型和在线预测函数的顺序分配，所述多层降维信念信息表示为建立统一巡逻模型，所述层间信息交互模型中每一层无人机关注的信息粒度是不同的，但具有一定对应关系，且每一层无人机间的对应关系为主要包括自底向上的信念信息传输和自顶向下的命令信息传输；所述在线预测函数的顺序分配为基于近视调度算法，所述近视调度算法包括基于启发式函数的单无人机巡逻、基于顺次分配技术的子群巡逻和集群巡逻的集中调度。本发明能够在复杂的情况下更好的实现对无人机集群连续侦察的任务规划，有利于进行推广运用。

技术领域

本发明涉及无人机集群控制技术领域，尤其涉及基于顺次分配的多层多粒度集群任务规划方法。

背景技术

无人机集群近年来发展迅速，特别是具有侦察能力的无人机集群，正在成为态势感知的常用手段。我们考虑这样一个情景：无人机集群不断地侦察一片区域，尽可能多地收集态势信息。这在现实中很常见，例如搜索山区失踪的游客、侦察战场环境、获取灾情信息和巡逻植保等等。在这些地区，环境是动态变化和不确定的，且每架无人机只能获取当前时刻的局部信息。换句话说，环境是部分可观察的。因此，难点在于如何进行任务规划，使无人机集群到信息值最大的地方采集信息。

对于动态和不确定的环境，马尔可夫链是目前使用的最广泛的方法之一。例如，有研究者将地面目标建模为两状态马尔可夫链，或者将侦察环境建模为K状态马尔可夫链，也有研究者使用马尔可夫链来表示目标的隐藏运动。根据这些模型，我们假设侦察环境随K状态马尔可夫链变化。目前，大多数关于无人机集群侦察问题的可计算算法是单层控制结构。例如，有研究者引入三种方法来解决具有集中控制结构和分散控制结构的多无人机系统的协同任务规划，有研究者提出了一种在动态和不确定环境中进行单层多无人机系统侦察的任务规划方法。因此，为了有效地管理大规模多无人机系统，建议使用层次结构控制结构来降低复杂性。有许多框架可以解决侦察任务规划问题，部分可观察马尔可夫决策过程是最常见的框架之一。但是，随着无人机数量的增加，可能的行动数量将呈指数增长，一些基线算法，如部分可观察蒙特卡罗计划，很难解决我们的问题。为此，我们提出了一种基于顺次分配的多层多粒度集群任务规划方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的基于顺次分配的多层多粒度集群任务规划方法。

为了实现上述目的，本发明采用了如下技术方案：

基于顺次分配的多层多粒度集群任务规划方法，包括多层降维信念信息表示、层间信息交互模型和在线预测函数的顺序分配，

所述多层降维信念信息表示为建立统一巡逻模型，每一层都可以看作是独立的侦察问题，即将每一层的侦察都抽象为部分可见的马尔科夫决策过程模型，即S,A,O,δ,Ω,R,B；描述如下：

为该层所有无人机联合状态集合，包括位置状态和信息状态，定义为是当前系统状态，包括V和S，V是Agent的位置状态，S是环境信息状态，一个联合位置状态定义为联合信息状态定义为其中U为该层无人机的数量，|V|为该层所有顶点数量，每个顶点的信息状态属于I_k∈[I₁,I₂,...,I_K]；

为该层所有无人机联合行动集合，一个联合行动定义为

为该层所有无人机联合观测集合，一个联合观测定义为

为该层环境所有无人机的联合状态转移函数集合，定义为主要包括两类转移：位置转移状态函数和信息状态转移函数，其中，

对于某无人机k,k∈U，其位置状态转移函数公式如下，其中v_goal表示无人机执行行动后的目标位置；