一种多无人机协同巡检的任务分配与路径规划方法与流程

摘要: 本发明涉及无人机,具体涉及一种多无人机协同巡检的任务分配与路径规划方法。背景技术:1、随着多无人机协作技术的快速演进,其在电力线路运维、高速公路监控及城市安防保...
一种多无人机协同巡检的任务分配与路径规划方法与流程

本发明涉及无人机,具体涉及一种多无人机协同巡检的任务分配与路径规划方法。

背景技术:

1、随着多无人机协作技术的快速演进,其在电力线路运维、高速公路监控及城市安防保障等领域的应用已成为提升作业效率与覆盖范围的关键技术支撑。多无人机协同系统通过群体智能协作,能够在大规模、复杂动态环境下执行高效巡检任务,显著降低了人工运维的难度与成本。作为无人机群组作业的核心,如何科学地统筹资源分配并为各飞行器规划最优执行路径,已成为提升系统智能化水平和实战效能的重要研究方向。

2、其中,任务分配与路径规划的协同优化是多无人机巡检系统中的核心难点。任务分配旨在将海量巡检点合理指派至各个无人机节点,而路径规划则侧重于在满足飞行约束的前提下搜索出耗时极短或能耗极低的运动轨迹。实现任务分配与路径规划的深度耦合,对于在大规模任务场景下平衡巡检总里程与无人机负载分布具有极其重要的实际意义,也是确保多机协同系统稳定运行的前提。

3、然而,现有技术多采用分层解耦策略将任务分配与路径规划分离处理,严重割裂了两者的内在关联,导致在大规模场景下搜索空间急剧膨胀,系统计算效率低下且容易陷入局部最优。同时,传统优化算法在应对复杂约束环境时存在收敛速度慢及全局搜索能力不足的问题,难以满足动态任务重分配及在线重规划对实时响应的严苛要求。此外,由于缺乏对大规模巡检点的有效聚类与分割机制,使得模型在处理多区域、多邻域巡检任务时无法实现任务单元与路径参数的精准关联,导致最终方案在任务响应速度与资源分配精度方面存在明显短板。

技术实现思路

1、本发明在于提供一种多无人机协同巡检的任务分配与路径规划方法,可以有效解决上述背景技术中的问题。

2、为了解决上述的问题,本发明采取的技术方案如下:

3、一种多无人机协同巡检的任务分配与路径规划方法,包括以下步骤:

4、步骤1,将巡检点位置信息、无人机续航能力约束、任务执行优先级以及气象环境干扰参数作为输入变量,建立以巡检总耗时极小化、路径总长度极小化及各无人机负载均衡度极大化为目标的多无人机协同巡检联合优化模型,实现任务分配变量与路径节点坐标变量的深度耦合;

5、步骤2,执行巡检任务点聚类与分割预处理,采用基于密度的聚类算法对巡检点进行空间关联分析,根据各无人机的最大作业半径与单次巡航时长限制,将巡检区域划分为多个任务子单元;

6、步骤3,基于多目标遗传算法执行外层任务分配,在生成的各个所述任务子单元基础上,初始化包含任务指派编码的种群序列,利用非支配排序机制与拥挤度距离评价函数,通过自适应交叉算子和自适应变异算子对任务分配方案进行多代迭代优化,确定各无人机负责执行的巡检点集合序列;

7、步骤4,基于多邻域迭代动态规划算法执行内层路径规划,针对所述巡检点集合序列,在满足禁飞区避障约束与无人机最小转弯半径运动学约束的前提下,利用多邻域搜索机制寻找各巡检点之间的最短连通轨迹,并将计算得到的精确路径成本反馈至外层任务分配以进行协同迭代计算;

8、步骤5,基于深度强化学习执行动态任务重分配与在线重规划,通过机载传感器实时获取无人机当前状态与任务执行进度数据,在出现突发高优先级任务或巡检环境发生剧烈变化时,利用预先训练的深度神经网络模型在预定时间内生成重分配策略,实现飞行轨迹的动态修正。

9、本技术方案提升了任务分配与路径规划的协同优化效率。本发明通过构建联合优化模型,打破了传统分层解耦策略导致的信息壁垒。通过将任务分配变量与路径节点坐标变量统一建模和深度耦合,避免了在分层求解过程中因路径成本估算不准而导致的资源配置浪费,显著缩短了总路径长度并降低了求解过程中的计算冗余。

10、进一步地,所述步骤1中,构建所述多无人机协同巡检联合优化模型的过程包括定义状态空间和目标函数:

11、所述状态空间包括由多维坐标表示的巡检点位置集合,以及由无人机剩余能量、最大飞行速度和额定功耗率组成的无人机属性集合;

12、所述多无人机协同巡检联合优化模型通过引入耦合系数描述任务分配方案对路径规划复杂度的影响机制,在统一的数学框架下利用拉格朗日乘子法处理等式约束与不等式约束;

13、所述目标函数表示为:

14、

15、其中,表示第台无人机的路径总长度,表示第无人机的任务执行总耗时,为所有无人机的平均耗时,为无人机总数,、、为预设的加权系数;所述负载均衡度极大化目标通过计算各无人机执行任务总时长的标准差实现。

16、本技术方案实现了多维目标的协同平衡,不仅关注路径长度与总耗时,还通过引入负载均衡度极大化目标,确保了无人机群组的作业寿命同步。通过协同优化,将各无人机之间的剩余电量差异控制在合理范围内,避免了因单机电量耗尽导致的整体任务中断,显著提升了系统的实战效能。

17、进一步地,所述步骤2中,对巡检点进行空间关联分析的过程包括:

18、将邻域半径设定为预设距离范围内,将邻域内最小点数设定为预设数量阈值,通过识别巡检点的密度分布特征,自动识别并排除异常孤立点;

19、所述执行巡检任务点聚类与分割预处理还包括:对划分生成的每个所述任务子单元进行凸包计算以确定每个所述任务子单元的几何边界,并根据无人机的初始部署位置计算各所述任务子单元的访问代价权重,为初始的指派逻辑提供指引。

20、本技术方案有效解决了大规模巡检点的维数灾难问题,通过引入任务分割预处理机制和基于密度的聚类算法,本发明将庞大的搜索空间分解为多个具有空间关联性的任务子单元,采用分而治之的策略显著提升了算法在大规模巡检点场景下的计算收敛速度。

21、进一步地,所述步骤3中,初始化种群序列时采用双层编码方式,第1层编码表示巡检点所属的无人机编号,第2层编码表示该无人机访问各巡检点的先后顺序;

22、所述自适应交叉算子的交叉概率根据种群的适应度分布自动调整,其计算逻辑如下:

23、 当 时,;

24、当 时,;

25、其中,为种群最大适应度值,为每代平均适应度值,为参与交叉的两个个体中较大的适应度值,和为预设的概率常数。

26、自适应变异算子采用基于反转、交换和插入的多模态变异策略,变异概率在预设概率区间内动态波动;所述步骤3的迭代优化过程中引入精英保留策略,将每一代迭代过程中产生的处于帕累托前沿顶端的非支配层级指定级别的优秀个体直接保留至下一代。

27、本技术方案增强了算法的全局搜索能力与收敛稳定性, 在外层任务分配中引入改进的多目标遗传算法,结合自适应交叉算子、自适应变异算子以及精英保留策略,使算法在搜索过程中能够更好地平衡探测与开发的关系,有效防止了优化后期陷入局部最优,并在解的多样性和向帕累托前沿的逼近度上表现出显著优势。

28、进一步地,所述步骤4中,多邻域搜索机制通过定义包括两点交换、三点置换及局部倒置的邻域操作对当前路径进行微观调整; 所述执行内层路径规划时引入模拟退火机制,在搜索过程中以预设的概率接受劣质解,接受劣质解的概率随迭代次数的增加按预定衰减规律衰减。

29、满足禁飞区避障约束与无人机最小转弯半径运动学约束包括:

30、针对所述禁飞区避障约束,采用人工势场法与几何避障法相结合的策略,将禁飞区视为斥力源,将目标巡检点视为引力源,通过计算合力方向确定无人机的避障航向,对于无法通过合力场直接穿越的区域采用几何避障法中的切线法生成辅助绕行点;

31、针对所述无人机最小转弯半径运动学约束,通过引入杜宾斯曲线或贝塞尔曲线对折线路径进行平滑处理。

32、本技术方案提升了路径规划的安全可执行性与搜索鲁棒性,在内层路径规划中结合多邻域搜索与模拟退火机制,减少了无效转弯;并采用人工势场与几何切线相结合的避障策略,辅以平滑曲线处理,确保了规划出的路径不仅符合无人机的实际气动特性,且在复杂约束下具有高度的安全冗余。

33、进一步地,所述步骤5中,深度神经网络模型采用包含演员网络和评论家网络的演员评论家架构;所述演员网络负责根据当前环境状态输出任务分配动作,所述评论家网络负责评估该动作的长期奖励期望; 所述深度神经网络模型的奖励函数综合了任务完成度的正向奖励,以及总能耗消耗、时间惩罚项和安全性风险的负向惩罚权重; 所述当前状态的数据在输入所述深度神经网络模型前经过归一化处理,映射到预设数值区间。

34、动态任务重分配与在线重规划的机制包括: 对新生成的巡检任务进行优先级判定,若新任务优先级高于当前正在执行的任务,系统暂停当前路径执行,利用所述深度神经网络模型快速计算切入点和新路径; 对环境风场进行实时补偿,通过无人机反馈的风速风向数据,动态修正模型中的功耗率参数和飞行速度矢量; 建立包含巡检历史轨迹、任务分配成功率以及典型气象条件下能耗数据的经验数据库,利用该经验数据库对所述深度神经网络模型进行离线预训练。

35、本技术方案实现了任务执行的实时响应与动态调度。基于深度强化学习的动态任务重分配机制赋予了系统极强的环境自适应能力。在面对突发高优先级任务、环境风场扰动或无人机故障时,系统无需重新启动耗时的全局搜索流程,而是通过预训练的神经网络进行快速策略推断,极大地缩短了在线重规划的响应延迟,确保了多机系统在复杂动态环境下的作业连续性。

36、上述任务分配与路径规划方法通过中心控制站或分布式机群协同网络实现,各无人机之间通过无线通信链路交换位置信息和剩余载荷数据,在通信带宽受限的条件下维持所述多无人机协同巡检联合优化模型的运行。

37、为使本发明的上述目的、特征和优点能更明显易懂,下文特举本发明实施例,并配合所附附图,作详细说明如下。