一种结合图处理和逻辑化描述的多无人系统任务分解方法与流程

1.本发明主要涉及到智能无人设备控制技术领域，特指一种结合图处理和逻辑化描述的多无人系统任务分解方法。


背景技术：

2.随着科学技术的发展，越来越多的智能化无人设备在各行各业得以应用。例如无人机、无人车等众多智能化无人设备(无人系统)。现有的无人系统任务大多是将任务的执行顺序固定或者通过人为监管的方式来指导任务执行，在工厂生产、仓库存储、卫星调度等领域使用较为广泛，但这样的任务执行方法容错性较低，且出现异常时无法及时处理。
3.在复杂任务的背景下，单个无人系统的能力已经远远无法满足任务的需要，因此多无人系统协同配合执行任务便成了行业内关注的焦点。由于多无人系统内部各单元存在着明显的差异性，利用传统的建模规划方法很难得到完整、统一的表述。


技术实现要素：

4.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种具有更好灵活性和通用性、智能性更高的结合图处理和逻辑化描述的多无人系统任务分解方法。
5.为解决上述技术问题，本发明采用以下技术方案：
6.一种结合图处理和逻辑化描述的多无人系统任务分解方法，其包括：
7.步骤s1：三维地图的空间划分；
8.步骤s2：识别所述三维地图的实体三维坐标，添加实体间的无向连通关系，得到场景空间路径逻辑连接图；
9.步骤s3：计算实体间的实际距离并储存，判定实体间的通视能力并储存；
10.步骤s4：对三维地图中的实体或区域添加附着属性，对所探查到的路径添加附着属性，生成当前环境实例化并存储；
11.步骤s5：无人系统接收到当前任务后，结合存储的环境实例化，利用pddl(planning domain definition language,规划领域定义语言)逻辑化语言生成待求解problem文件；
12.步骤s6：生成预定义领域库domain文件；
13.步骤s7：依据上述存储的文件，实时计算调整行动序列，直至任务完成。
14.作为本发明的进一步改进：所述步骤s1包括：
15.步骤s101：将每个像素作为一组，然后计算每一组的纹理，并将两个最接近的组结合起来；首先对较小的组进行分组，继续合并区域，直到所有区域都结合在一起；
16.步骤s102：r
‑
cnn利用候选区域方法创建感兴趣的区域，所述感兴趣的区域被转换为固定大小的图像，并分别送到卷积神经网络中；
17.步骤s103：使用聚类算法对区域进行分类，使用线性回归损失来校正边界框，以实
现目标分类并得到边界框。
18.作为本发明的进一步改进：所述聚类算法采用自下而上层次聚类法，即：首先将每个数据点视为一个单一的簇，然后计算所有簇之间的距离来合并簇，直到所有的簇聚合成为一个簇为止。
19.作为本发明的进一步改进：所述步骤s4中对三维地图中的实体或区域添加附着属性得到实体或区域附着属性，对所探查到的路径添加附着属性得到路径附着属性，生成当前环境实例化并存储。
20.作为本发明的进一步改进：所述实体或区域附着属性包括实体的性质、划分区的状态、区域面积中的一项或多项；所述路径添加附着属性包括道路的长度、道路的可通过性、道路的隐蔽程度中的一项或多项。
21.作为本发明的进一步改进：所述待求解problem文件中包含对象信息、对象初始状态和目标；所述对象信息包含在此次任务过程所有可使用的无人系统；所述对象初始状态是指当前可用的所有无人系统的位置、速度、油量、电量、损毁情况中的一项或多项；所述目标是由逻辑化的谓词表述及约束指标组成的一系列希望达到的状态合集。
22.作为本发明的进一步改进：所述步骤s6中，对不同类别无人系统的能力、动作进行系统逻辑化表述，并将其转换成pddl格式要求的结构，生成预定义领域库domain文件。
23.作为本发明的进一步改进：所述预定义领域库domain文件包含：谓词、函数、常量、动作；预定义领域库收到任务目标后，基于lpg
‑
td算法对需要执行的任务进行分解，得到全局的执行动作序列。预定义领域库收到任务目标后，基于lpg
‑
td算法(local search in planning graph，规划图局部搜索)对需要执行的任务进行分解，得到全局的执行动作序列；lpg在规划图基础上定义了动作图的数据结构，其搜索空间就是由动作图构成的空间。搜索时，lpg
‑
td首先随机产生一动作图，然后对动作图进行修改，使得其转换成另一个状态。当动作图中不再存在不支持的前提条件和互斥动作时，则称找到规划解。
24.作为本发明的进一步改进：所述步骤s1中，在室外复杂场景下，是通过卫星地图及其他传感器感知外部环境，利用目标检测算法确定空间内的相关实体，再使用聚类算法针对地理位置实体完成三维地图的空间划分。
25.作为本发明的进一步改进：还包括步骤s8：动态更新存储信息；所述动态更新存储信息用来辅助下一步问题文件的生成和任务分解。
26.与现有技术相比，本发明的优点在于：
27.1、本发明提出了基于领域定义库的一种新规划方法，这目前是该领域的前沿应用。本发明在pddl预先领域定义域中，存储了所有无人系统的能力、动作等数据，在具体任务分解时，根据实时场景条件的输入，在定义域中快速进行任务序列搜索。在无法得到有效结果时，主动利用推理技术学习新环境并在人的监督下更新定义域，从而使得系统具有良好的灵活性和通用性。
28.2、本发明采用了针对三维地图的图像预处理，增加实体间的连通关系，计算实体间距离，判断实体间通视情况，从而可以有效增加后续求解的准确性；本发明进一步对区域或实体附着属性，以适应不同的场景，与真实情况更贴合，为此，本发明的求解结果可执行性更强，在无法分解出任务序列时，还可以主动更新领域库，进而增强了方法的普适性和智能性。由此可见，本发明可以实现动态复杂场景下多无人系统协同任务分解，具有良好的科
研及工程价值。
附图说明
29.图1是本发明方法的流程示意图。
30.图2是本发明在具体应用实例中搜救区域划分、道路连通性的示意图。
31.图3是本发明在具体应用实例中规划结果的示意图。
具体实施方式
32.以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
33.如图1所示，本发明的结合图处理和逻辑化描述的多无人系统任务分解方法，其包括：
34.步骤s1：三维地图的空间划分；
35.步骤s2：识别步骤s1中三维地图的实体三维坐标，依据实际情况，添加实体间的无向连通关系，得到场景空间路径逻辑连接图；
36.步骤s3：根据所述实体三维坐标和所述场景空间路径逻辑连接图，计算实体间的实际距离，储存在空间距离矩阵中；判定实体间的通视能力，储存在空间通视矩阵中；
37.步骤s4：结合上述步骤内容，对三维地图中的实体或区域添加附着属性得到实体或区域附着属性，对所探查到的路径添加附着属性得到路径附着属性，生成当前环境实例化并存储在redis(remote dictionary server，远程字典服务)中；
38.步骤s5：无人系统接收到当前任务后，更新自身当前状态信息，结合存储的环境实例化，利用pddl逻辑化语言生成待求解problem文件，所述待求解问题文件中包含对象信息、对象初始状态和目标；
39.步骤s6：生成预定义领域库文件；
40.步骤s7：依据上述存储的文件，实时计算调整行动序列，直至任务完成；即，无人系统执行任务过程中，根据实际变化情况，动态更新环境信息、实体位置、无人系统状态等存储在redis中的信息，并实时计算调整行动序列，直至任务完成；
41.作为较佳的实施例，本发明进一步还可以包括步骤s8：动态更新存储信息；所述动态更新存储信息用来辅助下一步问题文件的生成和任务分解。
42.由上可知，本发明的结合图处理和逻辑化描述的多无人系统任务分解方法，是运用图处理的pddl逻辑化表示方法进行多无人系统任务分解，得到行动序列，且根据实时场景自动更新，无需提前设定，对规划异常的情况进行有监督的定义域更新。
43.在具体应用实例中，所述步骤s1中，本发明在室外复杂场景下，是通过卫星地图及其他传感器感知外部环境，利用目标检测算法确定空间内的相关实体，再使用聚类算法针对地理位置实体完成三维地图的空间划分。
44.在具体应用实例中，本发明根据实际需要，所述目标检测方法可以采用r
‑
cnn算法，即利用候选区域来获取感兴趣的区域。
45.在具体应用实例中，所述r
‑
cnn算法的流程包括：
46.步骤s101：将每个像素作为一组，然后计算每一组的纹理，并将两个最接近的组结合起来；在这个过程中，作为优选方案，本发明为了避免单个区域吞噬其他区域，首先对较
小的组进行分组，继续合并区域，直到所有区域都结合在一起；
47.步骤s102：r
‑
cnn利用候选区域方法创建感兴趣的区域(如本实例中约2000个感兴趣区域)，这些感兴趣的区域被转换为固定大小的图像，并分别送到卷积神经网络中；
48.步骤s103：使用聚类算法(svm)对区域进行分类，使用线性回归损失来校正边界框，以实现目标分类并得到边界框。
49.在这个过程中，作为优选方案，所述聚类算法采用自下而上层次聚类法，即：首先将每个数据点视为一个单一的簇，然后计算所有簇之间的距离来合并簇，直到所有的簇聚合成为一个簇为止。
50.在具体应用实例中，所述步骤s4中，所述实体或区域附着属性包括实体的性质、划分区的状态、区域面积中的一项或多项。
51.在具体应用实例中，所述步骤s4中，所述路径添加附着属性包括道路的长度、道路的可通过性、道路的隐蔽程度中的一项或多项。
52.在具体应用实例中，所述步骤s5中，所述对象信息包含在此次任务过程所有可使用的无人系统；所述对象初始状态是指当前可用的所有无人系统的位置、速度、油量、电量、损毁情况等等；所述目标是由逻辑化的谓词表述及约束指标组成的一系列希望达到的状态合集。
53.在具体应用实例中，所述步骤s6中，本发明对不同类别无人系统的能力、动作进行系统逻辑化表述，并将其转换成pddl格式要求的结构，生成预定义领域库domain文件；所述预定义领域库文件包含：谓词、函数、常量、动作；预定义领域库收到任务目标后，基于lpg
‑
td算法(local search in planning graph，规划图局部搜索)对需要执行的任务进行分解，得到全局的执行动作序列；lpg在规划图基础上定义了动作图的数据结构，其搜索空间就是由动作图构成的空间。搜索时，lpg
‑
td首先随机产生一动作图，然后对动作图进行修改，使得其转换成另一个状态。当动作图中不再存在不支持的前提条件和互斥动作时，则称找到规划解。
54.具体应用实施例：以无人机、无人车协同地面小队进行灾后应急搜救任务为例。本地域投入搜救力量包含1支地面小队，配备若干小型搜救侦察无人机及轻型无人车。
55.经上级情况通报，发现e、f区域呼救人群两处，b区域高地一处，c区域待搜寻危房一处。搜救初始时间为0000。设定搜救时间0100时，a区域突然出现待救援伤员一处。
56.搜救区域划分、道路连通性如图2所示。d区域为安全区域，b区域为不确定区域，a、c、e、f区域为危险区。道路通过性已经标注在图上。道路长度与各搜救单元移动速度均以实际数据为准。
57.无人系统接收到当前任务后，结合存储的环境实例化，利用pddl生成待求解problem文件，基于预定义领域库domain文件，依据上述存储的文件，实时计算调整搜救行动序列，直至任务完成。规划结果如图3所示。
58.以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。