|
曝光台 注意防骗 网曝天猫店富美金盛家居专营店坑蒙拐骗欺诈消费者
MICA项目对多UAV协同作战的多项关键技术进行研究，其研究目标是探索新的监视和控制手段（即自主协同控制方法）以使人能更好地参与到战场管理过程中，实现相对较少的操作人员对大规模无人作战平台编队的控制。其研究课题包括协同任务分配、无人机路径规划、多机协同跟踪、编队控制等多个方面，参与团队主要来自麻省理工学院、加州伯克利大学等。WASM项目则多以UAV广域搜索与打击任务为背景，采用分层控制与优化的手段对多机协同控制进行研究，并在研究过程中建立一个MultiUAV协同控制仿真平台。
从这些研究项目可以看出，多无人机系统控制涉及软硬件机器整合等多个方面，其中一个核心课题就是多无人机协同任务规划问题，它直接决定在各个UAV个体间进行工作任务分配和如何执行，以在多种复杂因素影响下最大化系统效率。目前国内外已经有大量多个UAV协同任务规划问题为主题的学术论文。
在任何对多无人机协同任务规划的研究中，首先必须明确其研究的任务背景是什么，再根据该任务背景要求进行进一步的分解和细化，形成无人机可以完成的工作，进而根据任务指标并考虑某些因素进行问题建模与求解。协同任务规划问题以多UAV系统总体性能最大化或代价最小化为指标，其一般形式为将若干工作指派给多个UAV执行。因为现实中存在着极其多样化的任务背景以及复杂的影响因素，目前存在的任务规划方法无不是针对特定的任务背景进行研究。
由于多无人机协同任务规划问题的复杂性，一般采用分层控制（Hierarchical control）的方式将其分解成为决策层、协调层、执行层等若干个子问题，再对这些子问题进行求解，从而降低解决这个复杂问题的难度。如Boskovic，J.D.等人提出将任务规划问题分解成决策层（decision making layer）、路径规划层（path planning layer）、轨迹生成层（trajectory generation layer）、内环控制层(inner-loop control layer)等4个层次，其中：决策层负责多UAV系统顶层的任务决策、避障、冲突消解、任务分配和指标评估等；路径负责任务执行中的运动规划，生成航路点，以引导UAV规避威胁、障碍等；轨迹层则负责根据UAV的状态、输入和初始条件等，为UAV生成通过航路点的可飞路径；控制层则保证UAV准确的沿着生成的轨迹飞行，并进行一定的冗余管理以降低干扰等因素的影响。Tsourdos，A.等人则从UAV协同路径规划的角度讲任务规划的层次结构分为机群协同任务规划与分配层、机群协同路径规划层、单机控制层等三个层次。这些研究表明，这类分层控制的思路可以很好的梳理和降低多UAV协同决策与控制中的复杂性，是解决该问题的有效手段。
有了分层控制的思路之后，需要对多机系统任务规划问题进行建模与求解。从数学角度（运筹学，Operationgs research）看，该问题属于一类复杂的组合优化问题，需要对多UAV集群内各个成员进行任务指派和资源分配。对该优化问题进行建模与求解的方法有很多种，大致可以分为集中式和分布式两类，两者各有千秋。从发展的时间早晚来说，集中式的发展要早于分布式，但由于分布式相对而言在动态、不确定的场景下和实时性要求等方面的适用性更广泛，对它的研究热情有大涨之势。
（1）集中式任务规划方法（Centrilized control）
特点是在系统中存在着一个中心节点，由这个中心节点完成整个系统的任务指派和调度、协调等工作，无人机仅充当任务执行者的角色。在集中式的处理过程中，问题建模和求解这两个方面有着较为清晰的界限。
将多UAV协同任务规划问题抽象成组合优化问题的形式，需要借助图论（graph theory），把问题参与者，包括无人机和任务对象（如地面目标）等，抽象成图（graph）的节点（vertex），而一个UAV以某种状态对一个对象执行任务的过程则抽象成图的边（edge），再引入二元决策变量，把这个复杂的规划问题刻画成一个有向图（directed graph）的形式。实际上不管集中式还是分布式方法都存在着这样一个问题抽象的过程。
然后，可以采用现有的方法对该问题进行建模，并使用某种合适的搜索算法（search algorithm）对这个有向图搜索以确定最优解。
现在已经存在多种集中式任务规划建模方法，包括多旅行商问题（Multiple Travelling Salesman problem，mTSP）、车辆路由问题（Vehicle Routing Problem，VRP）、网络流（Network Flow Optimization，NFO）模型、混合整数线性规划（Mixed-Integer Linear Programming，MILP）等。前两种模型一般用于处理单一任务的多UAV协同，如协同搜索任务等，在建模过程中可以考虑问题的时间相关约束，如时间窗约束等。在处理多任务时，如确认/攻击/毁伤评估一体化任务，设定为只对目标位置访问一次的mTSP和VRP模型则变得不太好用。此时，NFO和MILP模型相对更适用些。
NFO模型在早期对广域搜索弹药（WASM）问题的研究中使用较多。该方法以无人机为网络中的供货商，需要执行的任务（可能是对地面目标的确认、打击、毁伤评估等任务）为物流，而把对无人机执行某项任务的指派决策当做雪球，无人机对应决策的执行代价或收益则作为货物在网络中流动的成本，基于图论建立网络流模型。优化目标则是网络流量总代价最小。
MILP模型应该是目前使用较广泛的集中式任务规划方法，在WASM、SEAD（Suppression of Enemy Air Defense，敌方防控火力压制）等问题中均能建立较合适的模型。该方法属于网络流模型的自然拓展，其在建模过程中引入了两种类型的决策变量：二元决策变量和连续决策变量。这两类变量的使用，让MILP方法能处理更管饭的任务规划与调度问题，可以考虑更复杂的约束，如时间、资源等，本质上讲就是使任务规划模型与一般意义上的组合优化问题更接近了。
在NFO和MILP模型的基础上，Shima，T.等人总结并建立了被称为“协同多任务分配问题”（Cooperative Multiple Task Assignment Problem，CMTAP）的组合优化模型。CMTAP模型采用图论描述方法，以多UAV系统对多个地面目标协同执行受时序优先级的约束的确认（classify）、攻击（attack）和毁伤评估（verify）等三种任务为任务场景，考虑了时间、资源、可飞路径冯多想约束。该模型能较好的描述多UAV协同任务规划问题，基于它稍作改动即可适用于广泛的应用场景。
理论上讲，在建立任务规划模型后，可以选择很多种搜索算法进行求解，如广度优先搜索（breadth-first search）、深度优先搜索（depth-first search）、Dijktra算法、Bellman-Ford算法等确定性的图搜索算法，分支定界（branch and bound）、动态规划（dynamic programming）等优化算法，以及遗传算法（genetic algorithm，GA）、粒子群优化算法（particle swarm optimization，PSO）、禁忌搜索（tabu search）、模拟退火（Simulated Annealing）等启发模式随机搜索算法。
采用前两类算法的好处是可以保证能够找到问题的最优解，而且由于已经存在大量成熟的商业软件如CPLEX等，可以直接使用它们而大大减少研究人员的工作量。在处理简化问题时，它们因穷遍整个解空间而能获得问题的最优解，但随着问题规模的增长，解空间的尺寸也指数级膨胀，遍历所搜的计算量迅速增大，要穷遍整个解空间可能变得不显示。这就是多UAV协同任务规划问题的NP-hard特性。
中国通航网 www.ga.cn
通航翻译 www.aviation.cn
本文链接地址：无人机集群技术国内外对比(2)
|
