多异构无人机协同任务规划的快速耦合解决方案
WeinanWu, XiaogangWanglowast;, NaigangCui
摘要：本文研究了异构固定翼无人机编队必须确定最优飞行轨迹才能飞越多个目标并执行连续任务的问题。为了获得快速且可行的解决方案，提出了一种耦合分布式规划方法，其集成了问题的任务分配和轨迹生成两个方面。通过特定的约束条件和松弛的dubins路径规划，重新构造了协同任务规划问题，提出了一种分布式遗传算法来寻找最优解，并改进染色体基因以适应无人机的异构特性。然后，利用具有六自由度（DOF）的固定翼无人机模型和路径跟踪方法对该方法进行了验证。仿真结果表明，该方法获得了可行的解，显著提高了运转率，具有实际应用的潜力。
关键词：异构无人机；任务规划；分布式遗传算法；特定约束；耦合解决方案
1.引言
在复杂的飞行任务中，越来越多地使用无人机(UAV)，这推动了自主任务规划方法的发展，以确保无人机编队在空间和时间上的协调。这些规划方法可应用于完成自主任务[1]的异构网络代理团队，如恐怖分子阴谋的侦察、打击和核查行动。在这类任务中，任务协调、任务优先级和可飞行轨迹生成是任务规划解决方案的三个基本要求[2]。当无人机和任务数量增加，这类问题的复杂性随之出现[3]；此外，任务分配和轨迹生成之间的内在耦合阻碍了对全局最优的收敛。
之前的工作分别对这两个子问题进行了处理，并应用了混合整数线性规划法[4,5]、容量限制运输网络算法[3]、树搜索[6]、遗传算法[7-10]、交替算法[11]和两点算法[12]等方法。这类规划技术的主要特征如下：给定可行的任务分配方案，将问题简化为轨迹生成，这可以极大地降低复杂度，但如果轨迹与任务分配过程中假设的轨迹存在显著差异，则可能导致得到的解决方案较差。
因此，Richards等人[3]提出了一个耦合方法；但是，它采用的是欧式距离，而没有获得可飞行轨迹。文献[13–15]提出了另一种将dubins路径与协同多任务分配问题(CMTAPs)合并以获得可飞行轨迹的耦合方法，该方法通过离散飞行器在每个目标上可能的航向角，将CMTAP转换成有向图;然而，一个航向值的微小变化会导致整个路径长度跳转到一个更高的值，而采用的集中遗传算法（CGA）不能保证在可接受的操作时间内收敛。文献[16,17]将dubins路径代价集成到任务分配过程的改进方法已经被证明在单无人机的情况下可以获得了更好的解决方案，虽然其并未应用于多无人机的情况。
遗传算法可以为CMTAP提供良好的近似解[7,18]。利用分布技术可以显著地加快遗传算法的进程，文献[19]证明了一种新的分布式遗传算法（DGA）能够获得全局最优解，这使其对动态环境中的规划具有实用性。
本文对CMTAP进行了改进，以涵盖无人机、目标和任务的特征，如无人机的异质性、机载资源的限制、目标的威胁周期、任务优先级和任务执行时间等。在不解耦这对子问题的情况下，将dubins路径代价添加到CMTAP中，利用DGA在可接受的操作时间长度内获得可行解，并对DGA的基因进行改进，以适应无人机的异构特性。从自主无人机制导控制系统的角度出发，采用路径跟踪方法，在六自由度固定翼无人机模型上对该方法进行了测试。
2. 经改进的带有约束的CMTAP
在本节中, 以修正后的具有约束的 CMTAP 的形式提出了异构无人机车队的耦合任务分配和轨迹生成问题。该问题适用于一组不同类型的无人机对几个已知目标进行侦察、攻击和核查等连续作战的情况。修正后的具有约束性的 CMTAP 是Edison等人[13]和Deng等人[14]的一项扩展研究。
2.1. 参数定义
2.1.1. 无人机
固有的异质性主要来自不同类型的无人机。本场景中介绍了三种无人机：侦察无人机、攻击无人机和作战无人机。侦察无人机可以执行除攻击任务外的所有类型的任务，攻击无人机只能执行攻击任务，作战无人机可以执行各种类型的任务。这里，表示所有无人机的集合。
侦察无人机：
设为侦察无人机Nr的集合，其中r表示无人机类型。
为了符合实际情况，应考虑此类无人机的某些特点，如机载传感器的探测范围（以rdetect表示）、侦察任务和核查任务所需的执行时间（分别以tr和tv表示）、最小转弯半径（以表示）。
攻击无人机：
设是攻击无人机Ns的集合，其中s表示无人机的类型。在这种情况下，Li表示机载武器的数量限制，其中; 表示该无人机的最小转弯半径。
作战无人机：
设是作战无人机Nc的集合，其中c表示无人机的类型。类似地，给出了机载传感器的检测范围（以表示）、侦察任务和核查任务所需的执行时间（分别以和表示）、最小转弯半径（以表示）。
三种无人机的机动性因机载资源的不同而不同。通常，，说明攻击无人机在没有机载传感器的情况下具有更好的机动性。Nu=||U||=Nr Ns Nc为无人机总数。
为了简单起见，假设无人机可以在任务期间保持飞行高度，并且可以通过高度分层保持无碰撞[13]。此外，Dubins汽车模型已经被证明是代表无人机配置的可行选择[20]。
2.1.2. 目标和任务
我们假定任务期间目标是已知且不变的。设T ={T1, T2, ..., TNT}是目标NT的集合。对于每个目标，需要按顺序进行侦察，攻击和核查操作，任务总量随每个目标的重要程度而变化。重要性更高的目标需要双重攻击，其他不太重要的类型只需要单次攻击即可完成任务。因而，我们将T分为两个子集Td={Td1, Td2, ..., TdNTd}和Ts={Ts1, Ts2, ..., TsNTs}。因此，任务总数如下：
（1）
其中NTask是任务总数，mi是目标i的任务数。
2.2. 修正CMTAP
参考Cons等人[16]和Isaiah等人[17]对单个无人机的充分研究，我们将dubins路径成本集成到任务分配过程中，并考虑实际RSV任务的约束。
2.2.1.约束
本文将约束分为三类：轨迹约束，任务约束和环境约束。约束的几何表示由图1中的示例给出。图中案例涉及作战无人机和任务执行三个目标的攻击无人机。任务包括{R，S}，{S}和{S}任务，红星标示的目标需要双重攻击。从点O开始并经过点K，C，G，H和I到点F的蓝线表示攻击无人机的轨迹。从A点开始并经过B，C，D和E点到F点的绿线和红线表示作战无人机的轨迹，绿星表示目标侦察任务，左侧的红星表示在目标攻击任务。图1的几何表示清楚地显示了约束。
图1 约束的几何表示
轨迹约束：
轨迹应该满足三个约束。
设ki(t)为t时刻无人机i的曲率; 因此，第一个约束如下：
(2)
其中， rlimitisin;{rrlimit, rslimit, rclimit}表示无人机的最小转弯半径。
此外，从自主无人机导航系统的角度来看，终端冲击角是影响攻击效果的关键因素; 因此，需要对攻击任务的目标的航向角进行限制（例如，图1的点I和K）。第二个约束如下：
(3)
其中，代表目标的航向角; 和 分别表示最小和最大限制值。
对于需要双重攻击的目标（例如图1中的红星），两架无人机在大致相反的方向上执行攻击操作是合理的。在这种情况下，航向角受到的约束如下：
(4)
其中，和分别表示无人机i和无人机j对目标的航向角。
环境约束:
环境层面应该满足两个约束：
首先，本文考虑了具有探测能力的无人机的探测范围和目标侦察任务的威胁范围。
如图1所示，rthreat表示威胁圆的半径，rdetect表示探测圆的半径。 通常，rdetectgt;rthreat。 因此，这个约束如下：
(5)
其中，(xi(t), yi(t), hi(t)表示在侦察任务期间t时刻无人机i的位置 ；(xit, yit) 表示目标i的位置。
其次，应该在环境层面上满足避障条件。
(6)
其中，Theta;代表无人机需要避免的一系列障碍。
任务约束:
在任务层面应遵守三个约束：对同一个目标的三种类型任务的任务优先级限制，这采用了Edison等人[13]的研究，由于对目标的任务无法立即完成而需要考虑任务执行时间，而且机载资源有限。
本文中，侦察任务主要要求执行时间，因此，这一约束条件如下。
无人机行进的轨迹由多个Dubins路径组成，根据Dubins路径的特征，UAV行进的轨迹由两种类型的Dubins路径组成，分别是弧线段和直线段。
目标j为需要侦察的目标，无人机i是执行侦察任务的无人机，因此执行侦察任务的无人机的相应飞行路径由dubins路径的弧线段组成，ϕ1, ϕ2是该弧线段中无人机i的初始和终端航向角，因此约束条件如下：
（7）
其中tduration表示无人机i在目标j上执行侦察任务所消耗的时间，treq表示侦察任务所需的执行时间。
然后，机载有限资源的约束如下所示：
（8）
其中，Li表示无人机i上的武器限制。
2.2.2. 代价函数
选择两个标准来量化该问题的代价函数：无人机执行所有要求的任务的累积距离以及所有涉及到执行任务的无人机的最大轨迹长度。 因此，要最小化的代价函数J如下：
（9）
在公式（9）中，是一个二次元变量，如果无人机i对目标j执行任务l，则其值等于1。 第三个表达式确保任务集中的任意一个任务仅分配给一个无人机。最后一个表达式确保对每个目标的任务mj都完全执行。是无人机i对目标j执行任务l行驶的距离。
考虑到无人机的运动学约束，等于从l -1的初始位置到目标j当前位置的Dubins路径长度。然而，受到Boissonnat等人[21]的启发,我们使用两点Dubins路径，其自由终端航向角为(xi, yi,phi;i) → (xj, yj)而不是(xi, yi,phi;i) → (xj, yj,phi;j)，这种改进称为松弛的Dubins路径。因此，改进后的CMTAP被提供为具有约束（等式（2）-（10））的代价函数（等式（9））。
3.分布式遗传算法
使用分布式结构来执行规划过程，并使用DGA以获得快速且可行的解决方案。 此外，所提出的耦合方法解决了两个耦合的子问题：任务分配和轨迹生成。 因此，轨迹生成算法用作任务分配算法中的子过程。
3.1. DGA运行
首先，简单的流程图如图2所示。
图2 DGA流程图
根据提出的核心内容，图3给出了DGA的伪码。
图3 DGA伪代码
本文提出的DGA要求相对较低的广播带宽，其中只有少量的信息通过无人机。由于对每个无人机的DGA计算具有自主性，因此，DGA可与分布式规划框架一起使用，并具有高
全文共10027字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[1564]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
