[发明专利]一种不确定环境下的分布式多无人机任务分配方法

说明书

本发明提供了一种不确定环境下的分布式多无人机任务分配方法，首先建立协同任务分配模型，各无人机进行自己的任务束更新、构建，然后无人机编队进行一致性协商，实现不确定参数下最大化整体收益的目标。本发明利用一致性束算法CBBA，在分布式的架构下求解任务环境存在不确定参数时多无人机的时敏任务协同分配问题，利用高斯过程回归模型来捕捉不确定参数对任务分配收益的影响来参与分配过程从而保证任务分配结果的实际执行效果，利用主动学习和流形学习方法来提高算法的计算效率。

技术领域

本发明涉及一种多无人机任务分配方法。

背景技术

当前，随着无人机技术的提高，多无人机能通过协同、协作组成集群编队来完成单无人机无法完成或难以完成的工作。因此，多无人机系统的研究受到广泛关注。多无人机任务分配是多无人机协同任务规划的关键技术之一，其目标是根据任务区域和目标的先验情报信息，在考虑具体约束条件的前提下，以任务的总体效能最优或次优为目标，合理地将具体行动任务分配给无人机编队中的成员。随着无人机性能的不断提高和任务环境干扰因素的增加，任务分配过程中常常存在部分先验数据具有不确定性的现象，因此，不确定环境下的多无人机任务分配研究成为研究热点。

针对不确定环境下的多无人机任务分配问题，相关领域学者在主流的任务分配算法基础上考虑了分配参数的不确定性。陈侠将不确定性指标表示为区间不确定性信息，然后给出了基于随机概率的多属性方案排序(Stochastic Multi-criteria AcceptabilityAnalysis,SMAA)方法的求解思路。Ponda提出了鲁棒任务分配算法，具体操作是基于期望值法、最坏情形法、风险约束法将已知分布信息的不确定参数耦合进任务分配过程，并在一致性束算法CBBA(Consensus-Based Bundle Algorithm,CBBA)框架内进行了求解。但是现有的方法需要的计算量过大，如何在不降低鲁棒任务分配算法的执行效能的情况下提高算法的计算效率是本领域技术人员需要解决的技术问题。

发明内容

为了克服现有技术的不足，本发明提供一种不确定环境下的分布式多无人机任务分配方法，利用一致性束算法CBBA，在分布式的架构下求解任务环境存在不确定参数时多无人机的时敏任务协同分配问题，利用高斯过程回归模型(Gaussian ProcessRegression,GPR)来捕捉不确定参数对任务分配收益的影响来参与分配过程从而保证任务分配结果的实际执行效果，利用主动学习和流形学习方法来提高算法的计算效率。

本发明解决其技术问题所采用的技术方案包括以下步骤：

步骤1，对于由N_a个无人机组成的无人机编队，所有无人机均是同一类型；任务执行区域内有N_t个目标，无人机编队要对每个目标执行时敏任务，每个时敏任务的执行时间为t_j，j＝1,2...,N_t，其时间窗约束为ET_j≤t_j≤LT_j，其中，ET_j为任务j的最早允许开始执行时间，LT_j为任务j的最晚允许开始执行时间；

无人机i对目标j执行任务的收益其中，V_j为目标j的价值，λ为指数折扣收益模型的递减因子，α为距离代价的惩罚因子，L_ij为无人机i与目标j的欧式距离；

每个任务的执行时长t_j-dur＝g_j(θ)，其中，任务环境的不确定参数θ服从分布概率密度函数p(θ)，函数关系g_j在仿真时由历史数据或模型仿真获得；

协同分配模型目的是求解决策矩阵x，x_ij＝1表示分配无人机i对目标j执行任务，x∈χ,

每个无人机最多能够执行L_i个任务，每个无人机维护以下数据信息结构：