多无人机探测任务分配与航迹规划联合优化方法及装置与流程

本发明实施例涉及无人机
技术领域：
，具体涉及一种多无人机探测任务分配与航迹规划联合优化方法及装置。
背景技术：
：随着航空技术的不断发展，越来越多的高科技设备已经应用到航空领域中。而在众多高科技设备当中，无人机以其作业效率高、劳动强度小、综合成本低等方面的优势，迅速成为航空作业过程中一种较为重要的高科技设备。例如，可以执行航拍或扫描成像等作业任务。目前的无人机大致可以大致分为多旋翼(例如四旋翼、六旋翼或八旋翼无人机等)以及固定翼两大类。其中固定翼无人机以飞行距离长、巡航面积大、飞行速度快、高度高等优点被较为广泛应用于航空作业中。然而，在实施本发明的过程中发明人发现，由于当前使用固定翼无人机航空探测作业主要是人为遥控为主，实际作业的效果受到操作员的操作水平的影响较大，且通过人为即视的方式规划的航线与理论航线偏离严重，导致无人机的作业遗漏率和重复率往往偏高。且当多个操作员对多个固定翼无人机操作时，彼此之间也缺乏协同。此外，在利用多架固定翼无人机进行航空作业过程中，如何能够根据探测区域的不同情况对各架无人机的作业任务以及航迹进行合理规划，以使得执行本次航空作业任务的总收益最大(即尽可能多的完成区域探测任务且完成区域探测后所有区域的总收益最大)，也成为了一个亟待解决的问题。技术实现要素：本发明的一个实施例提供了一种多无人机探测任务分配与航迹规划联合优化方法及装置，用于克服现有技术中在利用多架固定翼无人机进行作业时，主要采用人工遥控的方式，彼此之间的协同性差，且无法对各架无人机的航迹进行合理规划以获得最大总收益的缺陷。第一方面，本发明一个实施例提供了一种多无人机探测任务分配与航迹规划联合优化方法，当多架固定翼无人机在时间窗内对多块待探测区域执行探测任务时，所述方法包括：获取执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息；获取满足预设的MUAV-VTW-VP-DTOP模型约束条件的初始解集，其中，所述MUAV-VTW-VP-DTOP模型为使得按预设的联合优化飞行方式飞行的所述多架固定翼无人机在此次探测任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束、无人机最小转弯半径约束以及待探测区域时间窗可变约束；采用预设的遗传算法并基于所述初始解集对所述MUAV-VTW-VP-DTOP模型求解得到最优解，并将该最优解作为多架无人机对多块探测区域的任务分配和航迹规划联合优化的结果。第二方面，本发明的另一个实施例提供了一种多无人机探测任务分配与航迹规划联合优化装置，当多架固定翼无人机在时间窗内对多块待探测区域执行探测任务时，所述装置包括：信息获取单元，用于获取执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息；初始解获取单元，用于获取满足预设的MUAV-VTW-VP-DTOP模型约束条件的初始解集，其中，所述MUAV-VTW-VP-DTOP模型为使得按预设的联合优化飞行方式飞行的所述多架固定翼无人机在此次探测任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束、无人机最小转弯半径约束以及待探测区域时间窗可变约束；最优解计算单元，用于采用预设的遗传算法并基于所述初始解集对所述MUAV-VTW-VP-DTOP模型求解得到最优解，并将该最优解作为多架无人机对多块探测区域的任务分配和航迹规划联合优化的结果。本发明的一个实施例提供了一种多无人机探测任务分配与航迹规划联合优化方法，该方法中针对于固定翼无人机对多块待探测区域执行作业任务的情况，首先获取执行本次任务的执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息，接着根据这一信息基于预设的模型以及算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中每架无人机的任务以及航迹规划，使得各架无人机可以按照该任务以及航迹规划自动执行作业任务，在避免出现各架无人机彼此不协同的情况发生的同时，还能够获得最大总收益，从而能够有效地提高作业的效率，使得无人机作业形式能够应用于更广泛的航空作业中。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：图1是本发明提供的一种多无人机探测任务分配与航迹规划联合优化的方法实施例流程图；图2是本发明提供的飞行路径示意图；图3(a)-3(c)是本发明提供的待探测区域探测方式示意图；图4是本发明提供的进入点位置示意图；图5(a)-5(c)是本发明提供的一天温度变化与时间窗的关系；图6是本发明提供的染色体编码方式及实例示意图；图7是本发明提供的染色体交叉过程示意图；图8是本发明提供的染色体变异过程示意图；图9是本发明提供的30个待探测区域示意图；图10是本发明提供的50个待探测区域示意图；图11是本发明提供的一种多无人机探测任务分配与航迹规划联合优化的装置实施例结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。第一方面，本发明实施例提供了一种多无人机探测任务分配与航迹规划联合优化方法，当多架固定翼无人机在时间窗内对多块待探测区域执行探测任务时，如图1所示，所述方法包括：S101、获取执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息；S102、获取满足预设的MUAV-VTW-VP-DTOP模型约束条件的初始解集，其中，所述MUAV-VTW-VP-DTOP模型为使得按预设的联合优化飞行方式飞行的所述多架固定翼无人机在此次探测任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束、无人机最小转弯半径约束以及待探测区域时间窗可变约束；S103、采用预设的遗传算法并基于所述初始解集对所述MUAV-VTW-VP-DTOP模型求解得到最优解，并将该最优解作为多架无人机对多块探测区域的任务分配和航迹规划联合优化的结果。本发明的一个实施例提供了一种多无人机探测任务分配与航迹规划联合优化方法，该方法中针对于固定翼无人机对多块待探测区域执行作业任务的情况，首先获取执行本次任务的获取执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息，接着根据这一信息基于预设的模型以及算法，获得能够使得该模型获得最大总收益的最优解，并将该最优解作为本次作业的任务分配和航迹规划结果。相比于现有的人工遥控的方式，本发明提供的方法能够根据预设的模型及算法自动获得本次作业中每架无人机的任务以及航迹规划，使得各架无人机可以按照该任务以及航迹规划自动执行作业任务，在避免出现各架无人机彼此不协同的情况发生的同时，还能够获得最大总收益，从而能够有效地提高作业的效率。在具体实施时，可以理解的是，上述方法中的MUAV-VTW-VP-DTOP模型包含的目标函数以及约束条件是本发明能够获得最优规划结果的重要依据，其可以通过多种方式来设置，下面对其中一种可选的设置方式进行详细说明。所述MUAV-VTW-VP-DTOP模型是一个在外界环境影响下具有可变收益和可变时间窗的团队定向问题。由于探测任务自身的特点，不仅待探测区域可执行任务的时间窗的数量和长度受到外界环境的影响，而且执行任务后的收益，即模型中的目标函数也受外界环境的影响。与此同时，无人机自身性能、待探测区域的大小与无人机执行任务时的路径等方面也对任务分配的结果产生影响。下面对影响模型设置的各个因素进行详细说明。(一)固定翼无人机用U表示执行待探测任务的NU架同构无人机的集合且每架无人机每次只能执行一种任务；所有无人机均从同一起点出发，并最终返回到该起点。在飞行过程中，所有无人机均具有相同的最小转弯半径RU和飞行速度V，且均携带探测半径为RD的传感器。结合无人机执行探测任务的特点，发明人基于以下假设提出本发明所提供的方法：(1)无人机均具有自动避障的能力，可在面临碰撞的情形下，采用自主规避的控制策略，由此而产生的路径偏差相对于总的飞行路径长度也很小，因此可忽略不计；(2)无人机均以相同的巡航速度和巡航高度飞行，从而在不考虑其他因素影响时达到最佳的探测效果；(3)无人机飞行过程中不考虑外界环境对无人机飞行轨迹的影响；(4)无人机飞行过程中燃料有限。(二)待探测区域设A0,分别为无人机的起点和终点，本文中起点和终点相同；为NA块待探测区域，且待探测区域Ai是顶点坐标为(Ai1,Ai2,Ai3,Ai4)面积为SQi的矩形；无人机的起点、终点以及待探测区域的集合为当无人机Uu对待探测区域Ai覆盖式扫描时，无人机飞入待探测区域的进入点为Iniu，飞离待探测区域的离开点为Outiu，并假设该无人机必须完全探测整块待探测区域后才能离开。与此同时，每一个待探测区域最多只能被探测一次。(三)飞行路径在无人机执行探测任务的过程中，不仅需要在待探测区域内部通过覆盖式扫描完成作业任务，而且还需要在不同待探测区域间飞行以实现任务之间的切换，由此而产生了两种类型的飞行路径，即待探测区域间和待探测区域内的飞行路径。(1)无人机在待探测区域间的飞行路径：在两块待探测区域Ai,Aj之间，无人机在动力学约束下将沿着Dubins路径飞行。无人机Uu在待探测区域Ai的离开点Outiu视为该无人机在待探测区域间Dubins路径的起始点，而无人机Uu在待探测区域Aj的进入点Inju为该无人机在待探测区域间Dubins路径的终止点，无人机Uu在两块待探测区域Ai,Aj之间的Dubins路径花费时间为tijwu。根据Dubins路径的产生原理，两点间最短Dubins路径可以由弧段路径和直线段路径组合生成，存在以下六种情况，即D＝{LSL,RSR,RSL,LSR,RLR,LRL}。其中，L表示无人机向左转弯的一段弧，R表示无人机向右转弯的一段弧，S表示无人机以直线方式飞行。例如图2所示，LSR表示无人机从起点出发先向左转弯沿弧段路径(L)飞行，然而再沿直线方式(S)飞行，最后无人机再向右转弯沿弧段路径(R)飞行到达终点的一段Dubins路径。(2)无人机在待探测区域内覆盖式扫描时的飞行路径无人机作业方式：在待探测区域Ai内部，无人机使用平行扫描策略进行路径规划。在覆盖式扫描时无人机Uu从待探测区域Ai的Iniu点进入，进入待探测区域后的路径平行于待探测区域某条边，然后从Outiu点离开，此时，无人机Uu探测扫描待探测区域花费的时间为tiwu。在给定速度下无人机的探测扫描时间取决于转弯的次数，针对图3(a)的待探测区域就有两个不同的转弯半径次数(如图3(b),3(c)所示)，其中图3(c)所示的转弯次数比图3(b)所示的转弯次数少，且总路径长度也比图3(b)所示总路径长度要少。探测扫描过程中无人机的转弯半径根据待探测区域的边长和最大探测半径确定，其转弯半径r介于无人机的最小转弯半径RU和所携带喷头的探测半径RD之间，即r∈[RU,RD]。无人机采用平行扫描策略执行区域探测任务时，需要先确定进入待探测区域的点和进入方向。无人机进入待探测区域的点可以是任意点，但是当进入点距离待探测区域顶点处距离为RD时无人机的转弯次数最少，总路径最短。由于本文的待探测区域均为矩形，则距离顶点为RD的点有八个(如图4所示)，分别为{RD1,RD2...RD8}，所以无人机进入待探测区域的进入点Iniu有八种可能，且进入方向均为垂直于该点所在的边。且由进入点可以唯一确定离开点，因为当无人机的转弯半径确定，探测半径确定，进入待探测区域方向确定，待探测区域边长确定时，则转弯次数确定，无人机离开待探测区域的方向和离开点Outiu是确定的。然而在对待探测区域进行探测扫描时不仅需要考虑待探测区域内部的花费时间还需要考虑待探测区域之间的花费时间，需要均衡两者之间的时间，所以不再以所花费的时间为衡量标准，而是以探测过的待探测区域的收益为标准，且待探测区域的收益与外界环境有关系。(四)外界环境当执行探测任务时外界环境不仅会对执行任务的时间窗产生影响，也会对执行任务后的收益产生变化。假设在不考虑其他情形下，只考虑外界环境温度影响时，时间窗和收益函数的变化如下：(1)外界环境温度对时间窗的影响：在不考虑外界环境温度以外的其他因素情况下，为使得探测效果可能发挥最大作用时，假设已知待探测区域适宜探测的温度范围为(Tso,Tsc)，且当无人机Uu工作时间内的温度T在(Tso,Tsc)内时，则可以利用本发明提供的TW算法来获取时间窗，也即该温度所对应的各个时间段为待探测扫描待探测区域的W个时间窗[Oiwu,Ciwu]，其中Oiwu,Ciwu分别表示待探测区域可以探测时的开始时间和结束时间。预设的TW算法步骤如下：在Matlab2013环境中，首先获得执行任务的温度；然后根据温度数据拟合出温度曲线图；最后根据执行任务的最佳适宜温度，获得在温度曲线中的时间范围。比如，一般地，一天24小时之内的温度变化通常先由低到高，再由高到低，在12点至14点达到一天之内的最高温度T，这种规律可以近似视为二次函数分布或正弦分布。针对最佳探测任务的温度范围，可进一步产生三种情形的时间窗。如图5(a)所示，当T＜Tso时，无人机不具备执行探测任务的时间窗；如图5(b)所示，当Tso＜T＜Tsc时，可以产生一个任务执行的时间窗；如图5(c)所示，当Tsc＜T时，可以产生两个任务执行的时间窗。由此可见，当探测任务的时间窗受到外界环境温度的影响时所描述的探测任务分配问题的时间窗的数量可能分别是1或2。(2)外界环境温度对收益的影响：不同温度下探测任务的效益是不同的，无人机对待探测区域Ai完成探测任务效益变化函数为Pi(t)。因每个待探测区域执行任务相同，故相同时间待探测区域完成探测任务后的收益是相同的，但是不同时间同一个待探测区域的收益却是变化的。Pi(t)函数可以是凹函数、凸函数、正态分布、递减等各种函数关系，这是与执行探测任务的类型有关，因为在一定温度范围内探测任务的收益可能随着温度的升高而变大、变小、不变等各种情况。且标准化后每个待探测区域的收益如式(1)所示：针对所描述的多无人机探测任务分配与航迹规划联合优化问题，本文以所有无人机完成任务后的总收益最大化作为优化问题的目标函数，建立如下数学模型。约束条件为：其中，Nu表示无人机Uu的个数；NA表示待探测Ai的总个数；表示所有无人机的起始点和终点，所述起始点与终点为同一点；W表示时间窗的个数，可以通过预设TW方法来获取执行任务的时间窗；SPiw表示在第w个时间内完成待探测区域Ai的任务所获得的收益；SQi表示待探测区域Ai的面积；Piw(t)为连续变化函数；M的值为预设值；siwu表示无人机Uu在第w个时间内对待探测区域Ai开始探测任务的时间，sjwu表示无人机Uu在第w个时间内对待探测区域Aj开始探测任务的时间；Oiwu表示无人机Uu在第w个时间内对待探测区域Ai可以探测的开始时间；Ciwu表示无人机Uu在第w个时间内对待探测区域Ai可以探测的结束时间；tiwu表示无人机Uu在第w个时间内对待探测区域Ai按照预设的联合优化飞行方式执行任务的时间；tijwu表示无人机Uu在第w个时间内对待探测区域Ai,Aj之间按照预设的联合优化飞行方式飞行的时间；Eu表示无人机Uu的最大飞行时长限制；xiwu表示无人机Uu在第w个时间内对待探测区域Ai完成探测任务的情况，若xiwu＝1，则表示完成探测任务，否则无人机Uu没有对待探测区域Ai执行任务；yijwu表示无人机Uu在第w个时间内是否经过待探测区域Ai,Aj，若yijwu＝1表示无人机Uu在第w个时间内经过待探测区域Ai,Aj，否则该无人机没有经过待探测区域Ai,Aj。且目标函数式(2)是使得完成探测任务后待探测区域的总收益最大。约束式(3)是保证在所有的路线，即所有的无人机起点为A0，终点为且路线个数为无人机在各个时间窗内的路线总和，也等于无人机的数量乘以时间窗个数。约束式(4)使得每条边要具有连接性。约束式(5)是为了说明访问待探测区域时需要服务时间。约束式(6)确保每个待探测区域在所有的时间窗内最多只被访问一次。约束式(7)使得执行任务的时间必须在时间窗内，且无人机从起始点到达待探测区域和从待探测区域返回起始点时可以不在时间窗内。约束式(8)为无人机所需燃料的限制转化为每架无人机飞行时长的限制。约束式(9)是目标、路径等变量的定义。不难理解的是，在获得了MUAV-VTW-VP-DTOP模型之后，本发明实施例提供的方法可以根据预设的算法求解MUAV-VTW-VP-DTOP模型的最优解。其中这一求取最优解的预设算法可以通过多种方法实现，下面对其中一种可选的方式进行详细说明。本发明使用的是遗传算法来解决多无人机探测任务分配与航迹规划联合优化问题。遗传算法的一个分配方案为一条染色体。种群由多条染色体组成，其规模根据问题来进行定义，种群即为本发明中的初始解集，种群通过染色体的交叉、变异来进行更新种群，形成新的种群，其中交叉是指两条父代染色体根据交叉概率形成新的两条子代染色体，变异是指一条染色体根据变异概率形成一条新的染色体，不断进行循环迭代，从而选出最优的子代，即最优解。本发明中具体的染色体编码、交叉、变异、适应度函数规则如下，本实施例以一个时间窗为例进行说明。(1)编码染色体编码代表了问题的一种可行的解决方案。一条染色体即为本发明中的一个初始解。通过确定无人机访问待探测区域的进入点、开始时间、访问顺序可以形成一个可行解，因此，将待探测区域编号、无人机编号、待探测区域进入点编号、每条路线中无人机访问第一块待探测区域的开始时间依次作为染色体的组成部分。其中，待探测区域编号属于集合{1,2,...NA}，无人机编号属于集合{0,1,...NU}，待探测区域进入点编号属于集合{1,2,...8}，每条路线中访问第一块待探测区域的开始时间必须在[Ow,Cw]时间窗内。如图6所示的一条染色体包含无人机U1和U2对5块待探测区域进行完成探测任务的一种可行方案。其中，无人机U1在9点4分16秒首先从RD5点进入待探测区域A5，再从RD6点进入待探测区域A2，无人机U2在9点55分34秒首先从RD7点进入待探测区域A3，再从RD8点进入A4，最后返回起点，最后返回起点；待探测区域A1没有被探测扫描。(2)交叉通过对父代染色体进行交叉，可以继承父代中比较优良的基因，获得更优的子代。本实施例设计了一种新的单点交叉方式。即，首先随机确定交叉位置，将父代两个染色体中的基因进行交叉，由于基因的第四行代表同一条路线中无人机访问第一块待探测区域的开始时间，因此在交叉后的子代染色体中，还需要将同一条路线中涉及到的其它基因的第四行也替换为新的时间。例如，在图7中，将父代染色体ParentA的第5列与ParentB的第2列进行交叉。对于子代染色体OffspringA来说，由于无人机U1访问第一块待探测区域的开始时间调整为8.574，因此必须将OffspringA中第3列的第4行同样设为8.574。同理，可以得到另一条子代染色体OffspringB。(3)变异变异是为了防止遗传算法陷入局部最优。本实施例中染色体变异包括三种情况，分别是对染色体的第2、3、4行进行变异。即，对访问待探测区域的无人机、进入点、进入时间进行变异。根据变异概率，这3种变异情况可以不发生、也可以发生若干个。例如，在图8中，染色体A的第2行和第3行发生了变异。染色体A的第二行第二列从0变异为2，这种变异结果代表原先不被访问的待探测区域A1将由无人机U2访问；染色体A的第三行第三列从5变异为7，这种变异结果代表无人机U1访问待探测区域A5的进入点由RD5点替换为RD7点。为了保证无人机U2访问第一块待探测区域的开始时间相一致，在上述变异的基础上，再将染色体B的第二列第四行更新为9.071。(4)适应度函数和选择一个染色体的适应度是所有被访问目标区域的总收益，这是与目标区域的收益变化函数有关，即与被访问的区域、区域的面积有关。适应度可以通过公式(2)，即所述MUAV-MTW-VP-DTOP模型的目标函数即为遗传算法的适应度计算函数。染色体的选择是通过轮盘赌的方法来进行选择，其中每条染色体被选择的可能性是相同的。为体现本发明实施例提供的方法的优越性，下面举几个具体的实例，详细说明本发明实施例提供的方法在基于上述参数的设置下如何求得预设模型的最优解获得最终的航迹规划结果。由于本发明中时间窗个数是不确定的，可能为0,1,2或者更多。因此本实施例以1个时间窗和2个时间窗情形进行说明，在各个时间窗情形和收益不确定的情形下使用遗传算法可以用来解决本发明的MUAV-VTW-VP-DTOP模型，从而获得多架无人机对多块探测区域的任务分配和航迹规划联合优化的方案。具体来说，在MATLAB2013的环境中实现了预设算法对MUAV-MTW-DTOP模型的求解，并进行了实验。(1)1个时间窗情形案例1：假设有2架无人机(如表1所示,其中Ψo，Ψe为无人机在开始点和结束点的航向角)在时间窗[7点17分42秒，16点40分20秒]内按照联合优化飞行方式对图9所示的待探测区域进行探测扫描并返回到起始点，且收益函数为一个凹函数情形M1，如式(10)所示：表1无人机基本信息表无人机参数A0\AN+1ΨoVRURDΨeEwu无人机信息(0,0)04m/s3m5m03600s使用预设的遗传算法对案例1进行求解，且设置交叉概率为0.9，变异概率为0.5，种群规模为600，迭代次数为100。且所有结果为十次结果的平均值。得到的1个时间窗的分配结果及收益如表2所示。表2一个时间窗情形结果表其中一种最优分配方案如表3所示，第一列表示待探测区域，第二列表示执行待探测区域任务的无人机，第三列表示无人机访问待探测区域时的进入点，第四列表示无人机在每条路线中访问第一个待探测区域的开始时间，其中待探测区域1、4、6、10、11、13、15、18、19、20、24、29、30没有被访问。表3一个时间窗情形分配方案表(2)2个时间窗情形案例2：假设有2架无人机(如表1所示)在两个时间窗[7点42分9秒,10点53分18秒]，[15点25分11秒,18点36分20秒]内按照联合优化飞行方式对图10所示的待探测区域进行探测扫描并返回到起始点，其中无人机在第一个时间窗内执行任务返回到起始点后，在第二个时间窗内其状态又恢复到初始状态，其续航时间也为E，可以继续执行任务，而在各个时间窗内返回到起始点时无人机在当前时间窗内不具备再次执行任务的能力。且待探测区域在其两个时间窗内收益函数M2分别为式(11)中SPi1,SPi2所示。使用预设的遗传算法对案例2进行求解，且设置交叉概率为0.9，变异概率为0.5，种群规模为600，迭代次数为150。且所有结果为十次结果的平均值。得到的2个时间窗的分配结果及收益如表4所示。表4两个时间窗情形结果表其中一种最优分配方案如表5所示，第一列表示待探测区域，第二列表示执行待探测区域任务的无人机，第三列表示无人机访问待探测区域时的进入点，第四列表示无人机在每个时间窗内访问第一个待探测区域的开始时间，且待探测区域6、7、10、14、15、17、19、23、24、25、26、27、29、36、38、44、45、46、47、48、49没有被访问。表5两个时间窗情形分配方案表由上述两个案例可见，采用本发明实施例提供的方法能够根据不同的实际情况获得适应当前环境的获得最大总收益的最合理的分配结果。第二方面，本发明的一个实施例还提供了一种多无人机探测任务分配与航迹规划联合优化装置，当多架固定翼无人机在时间窗内对多块待探测区域执行探测任务时，如图11所示，所述装置包括：信息获取单元201，用于获取执行任务的类型、执行任务时的天气状况、待探测区域信息、固定翼无人机信息；初始解集获取单元202，用于获取满足预设的MUAV-VTW-VP-DTOP模型约束条件的初始解集，其中，所述MUAV-VTW-VP-DTOP模型为使得按预设的联合优化飞行方式飞行的所述多架固定翼无人机在此次探测任务中获得最大总收益的目标函数；所述预设约束包括每架固定翼无人机所飞行时长约束、无人机最小转弯半径约束以及待探测区域时间窗可变约束；最优解计算单元203，用于采用预设的遗传算法并基于所述初始解集对所述MUAV-VTW-VP-DTOP模型求解得到最优解，并将该最优解作为多架无人机对多块探测区域的任务分配和航迹规划联合优化的结果。在具体实施时，所述MUAV-MTW-VP-DTOP模型的目标函数为：其中，所述MUAV-MTW-VP-DTOP模型的约束条件为：其中，Nu表示无人机Uu的个数；NA表示待探测Ai的总个数；表示所有无人机的起始点和终点，所述起始点与终点为同一点；W表示时间窗的个数；SPiw表示在第w个时间内完成待探测区域Ai的任务所获得的收益；SQi表示待探测区域Ai的面积；Piw(t)为连续变化函数；M的值为预设值；siwu表示无人机Uu在第w个时间内对待探测区域Ai开始探测任务的时间，sjwu表示无人机Uu在第w个时间内对待探测区域Aj开始探测任务的时间；Oiwu表示无人机Uu在第w个时间内对待探测区域Ai可以探测的开始时间；Ciwu表示无人机Uu在第w个时间内对待探测区域Ai可以探测的结束时间；tiwu表示无人机Uu在第w个时间内对待探测区域Ai按照预设的联合优化飞行方式执行任务的时间；tijwu表示无人机Uu在第w个时间内对待探测区域Ai,Aj之间按照预设的联合优化飞行方式飞行的时间；Eu表示无人机Uu的最大飞行时长限制；xiwu表示无人机Uu在第w个时间内对待探测区域Ai完成探测任务的情况，若xiwu＝1，则表示完成探测任务，否则无人机Uu没有对待探测区域Ai执行任务；yijwu表示无人机Uu在第w个时间内是否经过待探测区域Ai,Aj，若yijwu＝1表示无人机Uu在第w个时间内经过待探测区域Ai,Aj，否则该无人机没有经过待探测区域Ai,Aj。在具体实施时，所述待探测区域为矩形，所述预设的联合优化飞行方式包括在待探测区域内部的平行扫描飞行方式以及在待探测区域之间的Dubins路径飞行方式；所述平行扫描的飞行方式为：以垂直于待探测区域第一边的方向从第一边上的第一进入点进入探测区域，所述第一进入点与最近的探测区域顶点的距离为无人机扫描半径，其中所述第一边为待探测区域的任意一边；在需要进行转弯时，以大于或等于无人机的最小转弯半径进行转弯飞行；所述Dubins路径飞行方式为：基于无人机的最小转弯半径的约束以弧形转弯与直线行进结合的方式飞行。在具体实施时，所述时间窗是通过下述方式获得的：根据待探测区域执行探测任务的时间产生W个固定翼无人机执行任务时间窗[Oiwu,Ciwu]，其中时间窗的个数W可以为若干个。在具体实施时，所述Piw(t)随时间的变化呈现的函数关系是不同的。由于本实施例所介绍的多无人机探测任务分配与航迹规划联合优化的装置为可以执行本发明实施例中的多无人机探测任务分配与航迹规划联合优化的方法的装置，故而基于本发明实施例中所介绍的多无人机探测任务分配与航迹规划联合优化的方法，本领域所属技术人员能够了解本实施例的多无人机探测任务分配与航迹规划联合优化的装置的具体实施方式以及其各种变化形式，所以在此对于该多无人机探测任务分配与航迹规划联合优化的装置如何实现本发明实施例中的多无人机探测任务分配与航迹规划联合优化的方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中多无人机探测任务分配与航迹规划联合优化的方法所采用的装置，都属于本申请所欲保护的范围。在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的替代特征来代替。此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。本发明的某些部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。当前第1页1 2 3