离网异构智能体动态编队与群智重构方法与流程

本发明涉及智能设备管理，特别是涉及一种离网异构智能体动态编队与群智重构方法。

背景技术：

1、多智能体集群编队协同是指多个无人系统（如无人机、无人车、无人艇等）在特定任务目标下，通过相互协调形成并维持特定空间构型的技术，广泛应用于军事侦察、灾害救援、环境监测等领域。随着任务场景向复杂化和未知化发展，集群编队技术面临越来越高的自主性要求；现有集群编队技术主要基于以下几类方案：

2、第一类方案是基于预设规则库的编队方法。该方法预先在系统中存储若干典型阵型模板（如楔形、环形、一字形、菱形等）及对应的切换条件，集群根据任务类型或环境触发条件从规则库中选取相应阵型执行。例如，当系统检测到威胁方向时，自动切换为面向威胁的楔形编队。此类方案的核心缺陷在于：编队模式的种类和变换逻辑完全受限于预先写入的有限规则，无法应对规则库未覆盖的未知场景，不具备真正的临场应变能力。

3、第二类方案是基于领航-跟随的编队控制方法。该方法指定集群中某一节点为领航者，其余节点作为跟随者，通过维持与领航者的相对位姿（距离和角度）形成编队。编队形状通过预设跟随者与领航者的期望相对位置来定义。此类方案的缺陷在于：编队的几何构型由设计者离线设定的期望相对位置决定，无法根据任务语义或环境动态改变构型参数；领航者失效时，编队往往面临整体崩溃的风险。

4、第三类方案是基于人工势场或虚拟力的编队方法。该方法在智能体之间、智能体与障碍物之间定义虚拟引力或斥力，通过力平衡使集群收敛到某种规则几何分布。此类方案的缺陷在于：最终形成的编队形状是力场参数平衡的结果，设计者难以精确控制编队的宏观几何形态；更为关键的是，势场函数参数一经设定便固定不变，无法根据高层任务意图进行语义层面的调整。

5、第四类方案是基于群体智能优化的编队生成方法，例如采用粒子群优化、遗传算法等对编队构型进行离线或在线优化。此类方案虽然能够搜索出较优的编队构型，但其优化目标函数仍需人工预先定义（如最小化能耗、最大化覆盖面积），优化结果本质上仍受限于预设优化目标的导向，无法从自然语言指令中自动提取和动态调整优化目标。

6、此外，上述各类方案在离网环境下均面临更为严峻的挑战。在无公网覆盖的野外、地下或强电磁干扰环境中，集群依赖自组网进行通信，带宽受限、延迟不可预测、节点间信息传输存在丢包和中断。现有方案通常假设各节点能够实时获取全局的准确状态信息（如精确位姿、剩余电量、传感器工况），而离网条件下这一假设难以成立。当状态信息因通信中断或延迟出现缺失或过时时，基于精确状态进行编队规划的方法将产生不可靠的决策结果。

7、在异构集群方面，不同类型智能体的运动能力、载荷特性和执行能力存在显著差异。现有方案在处理异构节点时，通常采用预先指定的角色分配策略（如将特定型号的无人机固定分配侦察任务），或者基于节点的标称性能参数进行确定性的任务分配。然而，在实际使用中，节点的实际执行能力可能因机械磨损、环境侵蚀等原因发生退化，这种退化过程缓慢且难以被常规的自检程序精确捕获。现有方案对此缺乏有效的应对机制，可能将关键任务分配给实际执行能力已不足的节点，导致任务失败。

8、综上所述，现有技术在多智能体集群编队领域存在以下共同局限性：编队构型的生成和调整依赖于预设规则、固定模板或人工定义的优化目标，无法根据自然语言表达的临场任务意图自动生成与之匹配的编队方案；对离网通信条件下状态信息的不确定性缺乏主动应对能力；对异构节点执行能力的动态退化缺乏感知和自适应调整机制。这些问题使得现有技术在面对未知、动态和通信受限的复杂环境时，难以实现真正的战术级自组织协同。

技术实现思路

1、为了解决上述技术问题，本发明提供一种离网异构智能体动态编队与群智重构方法，旨在无公网覆盖、通信受限的离网环境下，使异构智能体集群能够仅通过单次自然语言指令，自主完成从语义理解到编队生成的完整过程，在此过程中主动应对集群状态信息的不确定性、节点执行能力的动态退化以及协同节点间的认知分歧，在任务时限约束下动态平衡信息获取与任务执行的双重需求，并在局部节点失效时保持语义连贯的编队重构，最终实现对未知复杂环境的战术级自组织协同能力。

2、为实现上述目的，本技术提出一种离网异构智能体动态编队与群智重构方法，包括：

3、接收自然语言指令，通过部署于边缘端的视觉-语言模型解析所述自然语言指令，生成包含概率时空约束、时间窗约束和协同动作关系的任务约束图；

4、各智能体在本地维护关于集群全局状态和能力因子的分布式概率状态估计，所述全局状态至少包括所有智能体的位姿，所述能力因子表征智能体执行能力相对于标称值的比率；

5、以有限时域内最小化联合代价函数为目标，在分布式概率状态空间中进行随机最优控制求解，生成各智能体的控制序列；

6、所述联合代价函数包括语义对齐代价、能力可靠性代价、协同对齐代价以及信息不确定性代价，其中所述信息不确定性代价为位置概率状态熵、能力概率状态熵和协同概率状态熵的加权和，该加权和的权重由时敏权重函数根据任务剩余时间和当前总概率状态熵动态确定；

7、将所述控制序列下发给各智能体执行，以驱动异构集群形成符合所述任务约束图的编队。

8、作为更进一步的解决方案，所述概率时空约束由所述视觉-语言模型从所述自然语言指令中提取空间阵型的几何参数期望值、容忍方差以及约束满足概率下限构成，用于在概率状态空间中以概率形式评价编队空间构型的语义合规程度。

9、作为更进一步的解决方案，所述时间窗约束至少包括任务期望完成时刻以及允许超时概率上限，所述时敏权重函数被配置为：随着当前时刻逼近所述任务期望完成时刻，所述信息不确定性代价的权重单调衰减，以迫使优化重心从降低不确定性向快速达成时空约束转移。

10、作为更进一步的解决方案，所述能力因子至少包括最大速度比率、传感器探测性能比率和通信半径比率，所述能力可靠性代价通过以下方式构建：

11、根据所述任务约束图中角色对能力的最低阈值要求，结合智能体的能力因子概率状态估计，计算该智能体执行该角色的任务执行可靠度；

12、将该可靠度与所述自然语言指令要求的最低可靠度进行比较，将超过允许偏差的平方作为惩罚项纳入所述语义对齐代价。

13、作为更进一步的解决方案，所述协同对齐代价的构建方式为：

14、提取所述协同动作关系中每对协同智能体的协同关键变量，包括相对位姿和对方当前动作阶段；

15、计算每对协同智能体关于所述协同关键变量的概率状态估计之间的巴氏距离；

16、将所述巴氏距离映射为指数增长型代价值，作为所述协同对齐代价。

17、作为更进一步的解决方案，所述协同概率状态熵定义为所有协同对智能体关于各自协同关键变量的概率状态估计的微分熵之和，所述协同概率状态熵被纳入所述信息不确定性代价中。

18、作为更进一步的解决方案，所述时敏权重函数的形式为：

19、λ(tk,htotal)=λ0·exp(-α·max(0,tend-tk)/(β+htotal))

20、其中，λ为时敏权重，tk为当前决策时刻，tend为任务期望完成时刻，htotal为当前总概率状态熵，α、β分别为对应正实数，λ0为基础探索系数，并由所述视觉-语言模型根据所述自然语言指令中的风险敏感表述动态调整。

21、作为更进一步的解决方案，所述语义对齐代价进一步包含任务进度偏差惩罚项，该惩罚项根据当前智能体实际运动进度与基于所述时间窗约束线性插值的期望进度之间的偏差计算，使得即便空间构型处于容忍范围，过度迟缓的运动也会产生代价。

22、作为更进一步的解决方案，所述方法还包括：

23、当检测到任一智能体失效或状态异常时，相应智能体的概率状态估计基于反映失效或状态异常的观测结果进行更新；

24、基于更新后的集群全局概率状态，基于所述任务约束图重新求解所述随机最优控制问题，生成重构编队控制序列；

25、其中，重构时优先选取概率状态分歧最小的剩余协同对，以维持协同语义的连贯性。

26、作为更进一步的解决方案，所述随机最优控制求解采用概率状态模型预测路径积分方法，在每次控制更新时，基于当前概率状态估计采样多条控制轨迹，在轨迹前向传播过程中同步更新位置概率状态和能力概率状态，并利用所述联合代价函数评估轨迹的累积代价，选取代价最低的控制序列输出。

27、与相关技术相比较，本发明能提供的一种离网异构智能体动态编队与群智重构方法具备如下优势：

28、1、本发明通过视觉-语言模型将单次自然语言指令直接解析为包含概率时空约束、时间窗约束和协同动作关系的任务约束图，使编队构型由指挥员语义意图、环境空间语义和集群实时能力三者实时融合而涌现生成，摆脱了对预设阵型模板和有限状态机规则的依赖。在局部节点失效时，基于概率状态估计的观测突变更新和基于原任务约束图的优化重求解，使重构方案始终忠于指挥员的原始语义意图，利用容忍方差提供的弹性空间实现语义最近的平滑降级，而非机械填补空缺阵位，确保重构后的编队仍能完成核心任务。

29、2、本发明通过在各智能体本地维护关于集群全局状态和能力因子的分布式概率状态估计，以概率分布而非确定数值表征位姿和能力信息，使编队规划直接建立在状态不确定性模型之上，对自组网环境下的高丢包、长延迟和信息缺失具有天然容忍能力。通过时敏权重函数根据任务剩余时间和当前总概率状态熵动态调节信息不确定性代价在联合代价函数中的权重，系统在任务早期以较高权重驱动主动信息获取行为，随着时间窗口收窄自动将优化重心向快速达成时空约束转移，避免了过度探索导致的超时失败和信息严重缺失时的贸然行动，实现了时间紧迫性与行动稳健性之间的自适应平滑过渡。

30、3、本发明通过引入最大速度比率、传感器探测性能比率和通信半径比率三项能力因子并以概率状态估计形式维护，结合基于任务执行可靠度构建的能力可靠性代价，使系统能够自主感知节点的性能软退化并在任务分配中自动规避风险。同时，通过提取协同动作关系中每对协同智能体的协同关键变量，以巴氏距离量化双方认知分歧构建协同对齐代价，以协同概率状态熵度量各方认知的不确定程度，从“双方不一致”和“各自不清楚”两个维度全面评价协同链路健康度，驱动系统主动生成互观测、互定位等协同对齐动作，并在重构时优先选取认知分歧最小的剩余协同对，显著提升复杂战术配合任务的成功率。

31、4、本发明的全部模块均在局域网或自组网内离线运行，不依赖任何外部基站、云端算力或固定指挥中心，视觉-语言模型经压缩量化处理后部署于边缘端，概率状态模型预测路径积分求解的并行化特性适配嵌入式计算资源。通过将自然语言驱动的语义理解、分布式概率状态估计、时敏多目标随机优化和失效自愈重构集成为一个完整闭环，本发明赋予了异构集群在通信拒止、基础设施缺失的未知离网环境下的战术级自组织能力，在军工侦察、野外应急救援、星际矿联网等高附加值场景中具有极高的实用价值和专利防御价值。