基于深度学习的无人机集群协同任务分配方法及系统与流程

本发明涉及无人机集群协同任务分配领域，尤其涉及一种基于深度学习的无人机集群协同任务分配方法及系统。

背景技术：

1、随着无人机技术的快速发展，无人机集群协同执行搜索救援、环境监测等复杂任务已成为研究热点。在无人机集群任务分配领域，现有技术主要采用拍卖算法、匈牙利算法及一致性束算法等经典方法实现任务与无人机的匹配。然而，上述方法多基于静态或确定性假设，难以适应搜救场景中目标位置不确定、环境动态变化等实际需求。

2、在数据聚合方面，传统方法通常采用固定网格划分或简单聚类对传感器探测数据进行处理，未充分考虑多无人机覆盖重叠导致的信息冗余问题，易造成虚假目标响应或区域重复计算，降低了搜救区域识别的准确性。在区域评估方面，现有技术往往将传感器探测结果直接作为任务分配依据，缺乏对多源传感器数据冲突性和时序动态变化的有效量化手段，难以区分高置信度确定区域与具有探索价值的不确定区域，导致任务分配策略粗放，资源利用效率低下。此外，现有任务分配模型多采用固定时效窗口和静态投标机制，无法根据区域信息增益动态调整时效约束与出价阈值，在复杂环境下容易出现任务超时失效或竞标冲突难以消解等问题。同时，无人机间的协同多依赖简单的广播通信，缺乏基于信誉机制的信息融合与不确定性分析手段，难以在分布式架构下实现高效可靠的任务协商与冲突消解。

3、因此，亟需一种新的无人机集群协同任务分配方法，提高搜救区域识别的准确性，实现任务优先级的精细化区分，增强不确定区域分析的科学性，建立时空耦合约束下的有效匹配机制，使分配策略根据环境动态调整。

技术实现思路

1、本发明的目的是要提供一种基于深度学习的无人机集群协同任务分配方法及系统。

2、为达到上述目的，本发明是按照以下技术方案实施的：

3、本发明包括以下步骤：

4、获取无人机集群的原始数据，所述原始数据包括空间坐标数据、传感器数据、平台状态数据及广播数据；基于图注意力网络和重叠覆盖校正对所述原始数据进行聚合，得到搜救区域；

5、根据所述平台状态数据和所述传感器数据计算所述搜救区域的置信度，将所述置信度大于阈值的所述搜救区域作为确定区域，否则作为不确定区域；基于时序变化度及多源冲突度对所述不确定区域进行探索潜力评估，得到探索区域；

6、基于信誉机制对所述探索区域进行不确定性分析，得到信息增益；将所述确定区域和所述探索区域作为待分配区域，基于空间协同惩罚和时效性计算所述待分配区域的时空联合匹配度，得到时空匹配度矩阵；

7、根据所述时空匹配度矩阵，构建基于所述信息增益的动态出价阈值一致性束任务分配模型；将待分配数据输入所述动态出价阈值一致性束任务分配模型，输出任务分配方案。

8、进一步地，所述基于图注意力网络和重叠覆盖校正对所述原始数据进行聚合的方法，包括：

9、以无人机为节点，根据广播数据构建拓扑邻接关系及节点注意力权重，基于拓扑邻接关系和节点注意力权重构建图注意力网络，将原始数据输入图注意力网络，通过非线性变换映射生成初始特征数据；

10、根据广播数据采用透镜面积公式计算重叠覆盖权重系数，根据重叠覆盖权重系数对初始特征数据进行加权修正，得到校正特征数据；

11、采用l2范数计算校正特征数据中空间位置的特征响应强度，将特征响应强度大于预设阈值的空间位置标记为候选点；采用两遍扫描法将相邻的候选点归入同一候选聚合簇，提取每个候选聚合簇的空间凸包，将空间凸包围合的区域作为搜救区域。

12、进一步地，根据所述平台状态数据和所述传感器数据计算所述搜救区域的置信度的方法，包括：

13、获取搜救区域的原始数据，根据传感器探测数据构建多维特征向量；传感器探测数据至少包括红外热成像强度、声波信号幅值及电磁辐射特征值；采用s型函数将传感器探测数据映射至0~1区间，得到原始数据的目标存在初始评分；

14、根据平台状态数据的无人机定位精度、传感器标定误差及目标区域距离，采用归一化线性加权融合方法计算传感器置信度权重；

15、将目标初始存在评分与传感器置信度权重进行加权平均，得到搜救区域的置信度；

16、根据置信度对搜救区域进行划分，若搜救区域的置信度大于预设置信度阈值，将搜救区域标记为确定区域；否则，将搜救区域标记为不确定区域；预设置信度阈值取值范围为[0.5,0.7]。

17、进一步地，基于时序变化度及多源冲突度对所述不确定区域进行探索潜力评估的方法，包括：

18、根据传感器探测值在预设时间窗口内的变化率，采用时间序列分析计算不确定区域的时序变化度；根据红外、声波、电磁多源传感器探测结果之间的一致性，采用香农熵计算不确定区域的多源冲突度；根据时序变化度和多源冲突度计算不确定区域的探索潜力：

19、

20、其中为第i个不确定区域；m为传感器类型总数，m≥3；为第m类传感器判定区域为异常的概率；为区域在时刻t的多源传感器融合探测值；t为预设时间窗口内的采样帧数，t≥2；δt为相邻两帧的时间间隔；

21、将不确定区域按探索潜力从高到低排序，选取前k个不确定区域作为探索区域，其中k为预设正整数。

22、进一步地，基于信誉机制对所述探索区域进行不确定性分析的方法，包括：

23、将所有无人机的初始信誉值设为相同值；无人机根据信誉值对探索区域内原始数据的目标存在初始评分进行修正，得到个体修正评分；无人机通过机间通信广播个体修正评分和信誉值，根据接收到的其他无人机的信誉值对个体修正评分进行加权融合，得到探索区域的目标存在概率；

24、将预设先验概率设为均匀分布，根据目标存在概率和预设先验概率计算kl散度，得到探索区域的信息增益。

25、进一步地，基于空间协同惩罚和时效性计算所述待分配区域的时空联合匹配度的方法，包括：

26、将确定区域的时效窗口设定为固定值；根据信息增益计算探索区域的动态时效窗口，其中k为正数衰减系数，为第i个探索区域的信息增益；

27、根据空间距离和飞行速度计算待分配区域的预估到达耗时，若≤，将无人机u与确定区域i作为有效匹配对；若≤(i)，将无人机u与探索区域i作为有效匹配对；

28、根据预估到达耗时采用指数衰减模型计算时间惩罚系数；采用基于安全距离的罚函数计算有效匹配对的空间协同惩罚系数；根据时间惩罚系数和空间协同惩罚系数计算有效匹配对的时空联合匹配度：

29、为异常的概率

30、其中，为无人机u与区域i的时空联合匹配度；为归一化空间协同惩罚系数，0≤≤1；为归一化时间惩罚系数，0≤≤1；为预设的时空耦合强度系数，0.5≤

λ≤2；

α为预设的时间惩罚基数权重，0≤

α≤0.5；

31、所有时空联合匹配度根据空间位置排列构成时空匹配度矩阵。

32、进一步地，构建基于所述信息增益的动态出价阈值一致性束任务分配模型，包括：

33、根据无人机的时空匹配度矩阵，将时空联合匹配度作为投标价值，生成本地任务束；根据信息增益和剩余电量计算无人机的成本阈值：

34、

35、其中，为无人机u对区域i的成本阈值；为预设的最大容忍代价上界；为预设的基准容忍代价，>>0；为区域i的信息增益；为预设的信息增益敏感系数，1≤≤3；为无人机u的归一化剩余电量，0≤≤1；为预设的资源敏感系数，0.2≤≤0.5；

36、将存在至少一个有效匹配对的待分配区域作为有效区域；将本地任务束中投标价值小于成本阈值的有效区域加入无人机的本地候选集；

37、无人机通过机间通信广播本地候选集及投标价值，执行冲突消解；若有效区域仅出现在一架无人机的本地候选集中，由无人机直接中标；若有效区域出现在多架无人机的本地候选集中，由投标价值最低的无人机中标；若有效区域未出现在任何无人机的本地候选集中，则标记为流标区域；本轮消解结束后，重新计算流标区域的动态时效窗口；若存在至少一架无人机满足预估到达耗时≤动态时效窗口，则流标区域进入下一轮竞标；否则标记为超时无效，不参与下一轮竞标；

38、重复执行候选集构建与冲突消解，直至不存在任何有效匹配对或迭代次数达到最大轮次，输出任务分配方案。

39、第二方面，一种基于深度学习的无人机集群协同任务分配系统，包括：

40、数据采集与聚合模块：用于获取无人机集群的原始数据，所述原始数据包括空间坐标数据、传感器数据、平台状态数据及广播数据；基于图注意力网络和重叠覆盖校正对所述原始数据进行聚合，得到搜救区域；

41、区域筛选模块：用于根据所述平台状态数据和所述传感器数据计算所述搜救区域的置信度，将所述置信度大于阈值的所述搜救区域作为确定区域，否则作为不确定区域；基于时序变化度及多源冲突度对所述不确定区域进行探索潜力评估，得到探索区域；

42、匹配矩阵生成模块：用于基于信誉机制对所述探索区域进行不确定性分析，得到信息增益；将所述确定区域和所述探索区域作为待分配区域，基于空间协同惩罚和时效性计算所述待分配区域的时空联合匹配度，得到时空匹配度矩阵；

43、模型构建模块：用于根据所述时空匹配度矩阵，构建基于所述信息增益的动态出价阈值一致性束任务分配模型；将待分配数据输入所述动态出价阈值一致性束任务分配模型，输出任务分配方案。

44、本发明的有益效果是：

45、本发明是一种基于深度学习的无人机集群协同任务分配方法及系统，与现有技术相比，本发明具有以下技术效果：

46、本发明通过图注意力网络与重叠覆盖校正对多源异构数据进行聚合，有效抑制了重复覆盖导致的信息冗余，提高了搜救区域识别的准确性；基于置信度划分确定区域与不确定区域，并结合时序变化度与多源冲突度评估探索潜力，实现了任务优先级的精细化区分；引入信誉机制与kl散度量化信息增益，增强了不确定区域分析的科学性；通过动态时效窗口与时空联合匹配度计算，建立了时空耦合约束下的有效匹配机制；基于信息增益与剩余电量构建动态出价阈值一致性束任务分配模型，使分配策略能够根据环境信息动态调整。