论文部分内容阅读
多无人机协同任务规划技术是实现多无人机在复杂动态环境下协同执行任务,提升任务效能的关键。无人机任务环境的高动态特性要求任务规划系统必须在线作出快速响应,为多无人机系统提供合理的任务方案和飞行航迹。因此,高效的在线协同任务规划技术已成为当前无人机任务规划领域的研究热点。动态环境下多无人机在线任务规划必须满足飞行环境、机动性能和任务时序等复杂约束条件,对系统的实时性、最优性、鲁棒性都提出了很高的要求。本文基于分布式任务规划体系架构对动态环境下多无人机在线任务规划问题开展研究,主要研究内容包括:(1)综述了多无人机在线任务规划相关技术的国内外研究概况,包括动态环境建模、多无人机任务分配和航迹规划技术,并且分析了当前在线任务规划方法在最优性、时效性等方面的不足。(2)建立了动态任务环境中的基本要素模型,主要包括无人机运动学模型、静态威胁模型以及数字高程地形模型。考虑环境中存在的运动对象(机动目标和动态威胁),采用时间相关运动模型,根据不同的运动目标观测量,分别使用基本卡尔曼和扩展卡尔曼滤波方法对运动对象的轨迹进行预测。仿真试验结果表明:采用上述模型与方法进行运动对象轨迹预测的误差远小于无人机自身的侦察范围,满足动态环境下在线协同任务规划需求。(3)基于分布式任务分配体系架构,建立了多无人机任务分配问题的数学模型。采用合同网协议求解多无人机在线任务分配问题,设计了标书评估、市场平衡等一系列协商机制,以平衡多机任务负载和提升任务执行效能。然后,针对具有时序约束的任务分配问题,基于扩展合同网协议,设计了两轮单回合拍卖的协商机制,降低了算法的计算复杂度,提高了算法的时效性和可靠性。开展了多无人机在线任务分配仿真对比试验,试验结果表明:本文所提出的方法能高效处理多机在线任务分配问题,并在任务分配效率和分配结果最优性方面都优于传统的遗传算法。(4)为了有效权衡在线航迹规划对规划时效性和结果最优性的需求,将修复式Anytime架构与稀疏A*搜索(Sparse A*Search,SAS)相结合,提出了修复式Anytime稀疏A*算法(Basic Anytime Repairing SAS,BAR-SAS),实现了在极短时间内规划可行航迹和利用剩余时间不断改善航迹的功能。之后针对BAR-SAS收敛时启发权重过低和节点扩展效率较低的缺陷,提出双排序准则和存储空间约束策略,并且引入变步长策略以缓解BAR-SAS算法效率对规划区域和障碍尺度强烈敏感的问题,进而提出了一种改进的AR-SAS算法(Enhanced AR-SAS,EAR-SAS)。无人机在线航迹规划仿真试验结果表明EAR-SAS算法在可行航迹和最优航迹的求解效率上都有明显提升,能够对动态环境做出快速合理的反应,满足在线航迹规划需求。