基于云计算和大数据无人机任务规划系统和方法与流程

本发明涉及一种基于云计算和大数据无人机任务规划系统。

背景技术：

无人机是一种有动力、可控制、能够执行多种类型任务的无人驾驶飞行器，其具有造价低廉、机动灵活、部署便捷等特点，是替代有人驾驶飞机或卫星执行侦察、巡航等任务的最佳选择。无人机可广泛完成军、民应用领域的多种任务，目前已经成为各发达国家必争的战略技术高地。因为无人机不需要人的直接驾驶，而且由于其机动灵活，所以在现代化战争中扮演着越来越重要的角色，因此对无人机任务规划系统的迫切需求日益增长。传统的作战规划更多停留在军事谋略的层面，很大程度上依赖个人经验和指挥艺术，规划结果的实施和贯彻也难以得到有效保证。随着无人机的发展，无人机越来越多的运用到军事中，且随着战场中无人机数量的增多，且各种环境信息，敌我信息的复杂化，传统的作战规划已经无法集中统一科学地存储、管理、分析长时间大范围海量战场数据，无法进行各种具体的数据挖掘处理，也不具备良好的冗错能力，且依赖于指挥人员的经验进行规划，不支持多个指挥人员的并行访问，整个任务规划系统容易崩溃、瘫痪。

云计算的基本思想是利用远程或者非本地的集群计算机或者分布式计算机为互联网用户提供软硬件、计算和存储等服务。云计算的主要技术有虚拟化技术、分布式处理技术以及负载均衡技术，本专利中云计算运用到的主要技术是分布式处理技术。

蚁群算法，又称蚂蚁算法，是一种用来寻找优化路径的机率型算法。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。其主要特点是通过正反馈、分布式协作来寻找最优路径。这是一种基于种群寻优的启发式搜索算法。它充分利用了生物蚁群能通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。得到了具有NP难度的旅行商问题的最优解答。同时，该算法还被用于求解Job-Shop调度问题、二次指派问题以及多维背包问题等，显示了其适用于组合优化类问题求解的优越特征。

技术实现要素：

为了解决目前无人机控制系统不适于大规模应用的技术问题，本发明提供一种基于云计算和大数据无人机任务规划系统和方法。

为了实现上述技术目的，本发明的技术方案是，一种基于云计算和大数据的无人机任务规划系统，包括信息采集模块、数据信息管理中心以及输出显示系统，所述的信息采集模块、数据信息管理中心以及输出显示系统通过互联网相互连接；

所述的信息采集模块包括信息采集和接收装置，用于采集和接收上级下达的任务信息、指挥控制信息、情报信息和战场环境信息；并将采集和接收到的数据信息通过网络传输给数据信息管理中心；

所述的数据信息管理中心包括系统管理单元、原始数据单元、数据处理单元和数据储存单元，用于负责全部数据的存储、处理、计算、分析，并将处理后的结果通过网络传输给输出显示系统；所述的原始数据单元、数据处理单元和数据储存单元依次通信连接，原始数据单元的输入端连接信息采集模块的输出端，数据储存单元的输出端连接输出显示系统的输入端；

输出显示系统用于接收前述数据信息管理中心的分析结果，并进行显示。

一种基于云计算和大数据的无人机任务规划方法，采用如权利要求1所述的系统，包括以下步骤：

由信息采集模块采集和接收上级下达的任务信息、指挥控制信息、情报信息和战场环境信息；并将采集和接收到的数据信息通过网络传输给数据信息管理中心；

由数据信息管理中心对全部数据的存储、处理、计算、分析，并将处理后的结果通过网络传输给输出显示系统；

由输出显示系统接收前述数据信息管理中心的分析结果，并进行显示。

所述的方法，所述的数据信息管理中心中的原始数据单元用于接收上级下达的任务信息数据、指挥控制信息数据、情报信息数据和战场环境信息数据

所述的方法，所述的数据信息管理中心中的数据处理单元用于执行航路规划、任务载荷规划、数据链路规划、应急处置规划和数据生成加载，并通过基于分布式文件系统和分布式编程模型进行数据清洗、数据集成的数据预处理技术以初步提取有用数据，再利用Chukwa采集数据、Avro使数据序列化、ETL并行加载各项数据，之后采用Kmeans进行聚类分析、Mahout进行分类分析、Spss进行回归分析，同时采用遗传算法进行全局航迹规划和任务分配、动态规划法进行局部航迹规划、蚁群算法进行无人机的协同任务分配，最后利用Bootstrap进行整体模式评估。

所述的方法，所述的数据信息管理中心中的数据存储单元采用Hadoop框架常用的Hive数据仓库和Hbase非关系型数据库来存储所述数据处理单元的数据，同时采用数据库转移工具Sqoop、集群监控工具Ambari、集群协同服务Zookeper来保证数据处理结果能够快速准确存入所述数据存储单元。

所述的方法，所述的数据信息管理中心中的系统管理单元采用分布式的海量日志采集、聚合和传输的系统Flume系统，用于记录所述数据信息管理中心所发生的事件，包括系统访问、功能修改、系统设置。

本发明的技术效果在于，本发明实现了战场中各种数据的统一管理，包括数据采集、数据传输、数据存储及结果展示，将整个战场中的数据信息全部管理起来，充分利用了数据中所包含的信息。

本发明利用云计算技术实现了硬件资源的虚拟化，节约了硬件资源成本，同时云计算分布式数据处理技术提高了数据传输效率；其多个副本容错技术、计算节点同构可互换技术保障了数据信息的高可靠性。

本发明利用了大数据技术的数据挖掘、回归分析、分类分析、聚类分析技术对不同时间、不同地点、不同类别的海量数据进行分析，通过这些分析得出相应的结论用于指挥人员指导现场作战。

本发明通过大数据技术对海量数据分析，根据历史数据形成特定数据库，为当时或者以后的作战提供基础以及经验。

本发明在显示系统中利用了实时数据分析技术，显示系统所呈现数据的实时性得到充分保证，指挥人员能够对现场的作战情况进行实时监督；本发明数据信息管理中心支持并行访问，能同时满足多个指挥人员以及操作人员对各个战场的显示要求。

附图说明

图1为本发明的系统结构框图；

图2为本发明原始数据单元结构图；

图3为本发明数据信息管理中心内部构架图；

图4为本发明无人机任务规划流程图；

图5为本发明实施例系统框图；

图6为本发明实施例部分显示结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图与实例对本发明作进一步详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例的系统包括信息采集模块、数据信息管理中心以及输出显示系统，这三大部分通过互联网相互连接，其中：

信息采集模块用于采集和接收上级下达的任务信息、指挥控制信息、情报信息(目标信息、敌作战意图等)和战场环境信息(敌情、我情、地形、气象、电磁)等。将采集和接收到的数据信息通过网络传输给数据信息管理中心的原始数据单元；在本实施例中信息采集模块包括接收任务信息、指挥控制信息、情报信息，使用无人机和各种检测设备检测战场环境信息，且利用3G网络与远程所述数据信息管理中心实现网络连接，同时所述显示系统也同样通过3G网络与所述数据信息管理中心相连接，如图5所示。

数据信息管理中心是本发明的核心部分，负责全部数据的存储、处理、计算、分析，它将所得的数据信息存储在原始数据单元，并结合大数据技术进行一系列的分析、处理，给出各种不同形式的分析处理结果并存入对应数据库，便于无人机能够根据战场情况快速自主地进行作战方案的调整或重规划，同时相关指挥人员和操作人员也可以调用、查看、对比和分析；数据信息中心的基本构架如图3所示。

输出显示系统用于接收前述数据信息管理中心的分析结果，并由显示终端予以显示，便于相关指挥人员和操作人员对战场中无人机的飞行情况进行实时监控与管理。

本实施例中采用无人机作为的信息采集模块中的检测设备，用于检测现场中地形、气象、电磁、敌情、我情等。这些数据经由3G网络发送至所述数据信息管理中心。

所述信息采集模块包括采集和接收上级下达的任务信息、指挥控制信息、情报信息(目标信息、敌作战意图等)和战场环境信息(敌情、我情、地形、气象、电磁)等，其中上级下达的任务信息、指挥控制信息以及情报信息都可以通过现场或者网络等形式传递给系统中的信息采集模块；而战场环境信息则可以通过携带在无人机上或者战场中的检测装置得到。这些采集到的信息可以通过移动基站、移动网络管理中心、互联网最后传到数据信息管理中心。

所述基于云计算和大数据的无人机任务规划系统，其特征在于，所述数据信息管理中心包含了原始数据单元、数据处理单元、数据存储单元、系统管理几个部分。

所述原始数据单元包含了上级下达的任务信息数据、指挥控制信息数据、情报信息数据(目标信息数据、敌作战意图数据等)和战场环境信息数据(敌情、我情、地形、气象、电磁)等，如图2所示，上级下达的任务信息数据是任务规划的基础，是保证任务规划能够进行的根本；指挥控制信息数据是任务规划的核心，能够保证任务规划的顺利进行；情报信息数据为任务规划提供了方向；而战场信息数据是战场上的地形、气象、电磁，是任务规划的必要条件。

所述数据处理单元包括航路规划、任务载荷规划、数据链路规划、应急处置规划、数据生成加载。其在分布式文件系统HDFS和分布式编程模型MapReduce的基础之上采用数据清洗、数据集成的数据预处理技术初步提取有用数据，再利用Chukwa采集数据、Avro使数据序列化、ETL并行加载各项数据，之后采用Kmeans进行聚类分析、Mahout进行分类分析、Spss进行回归分析，同时采用遗传算法进行全局航迹规划和任务分配、动态规划法进行局部航迹规划、蚁群算法进行无人机的协同任务分配等，最后利用Bootstrap进行整体模式评估。图6显示了数据经数据处理单元处理之后在PC端显示的结果。

所述的数据挖掘中Kmeans进行聚类分析具体实施步骤如下：

第一步：从n个数据对象任意选择k个对象作为初始聚类中心；

第二步：根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；

第三步：重新计算每个(有变化)聚类的均值(中心对象)；

最后，计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤(2)。

所述无人机的协同任务分配采用的主要是蚁群算法，而蚁群算法的求解主要是根据TSP问题的基本流程为例描述蚁群优化算法的工作机制。TSP问题表示为一个无人机可能飞行的路径的有向图G＝(N，A)，

其中N＝{1,2,…,n}A＝{(i,j)|i,j∈N}

每条路径之间距离(d_ij)_n×n

目标函数为，

其中w＝(i₁，i₂,…,i_n)为路径1,2，…n的一个排列，i_n+1＝i₁。

所述的蚁群算法对TSP的求解有两大步骤：路径构建和信息素更新。

所述的路径构建就是每个无人机都随机选择一个点作为其需要去完成任务的出发点，并维护每个路径记忆向量，用来存放改无人机依次经过的点。无人机在构建路径的每一步中，按照一个随机比例规则选择下一个要到达的点。因此，随机比例规则为：

其中，i，j分别为无人机的起点和终点；

η_ij＝1/d_ij为能见度，是两点i、j路距离的倒数；

τ_ij(t)为时间t由i到j的信息素(路径上的点的个数)强度；

allowed_k为尚未访问过的节点集合；

α，β为两常数，分别是信息素和能见度的加权值。

所述的信息素更新的初始化信息素浓度τ_ij＝C,如果C太小，算法容易早熟，无人机会很快的全部集中到一条局部最优的路径上。反之，信息素对搜索方向的指导作用太低，也会影响算法性能。

所述的蚁群算法中：C＝m/Cⁿⁿ。为了模拟无人机的在每条路径上留下的信息素，当无人机完成依次飞行，也就是留下一条路径是，必须把每条路径的信息素浓度重新更新依次，分为两个步骤：

第一步，每产生一条路径后，路径上的信息素可能会产生误差，也就是没有收集到，导致信息素浓度低；

第二步，无人机再根据自己构建的路径再次飞行，然后获取其信息素

其中m为路径是那个的点数，0＜ρ≤1为信息素的浓度，再蚁群算法中通常设置为0.5，为第k个点再路径i到j所留下来的信息素，其中为：

所述数据存储单元采用Hadoop框架常用的Hive数据仓库和Hbase非关系型数据库来存储所述数据处理单元的数据，同时采用数据库转移工具Sqoop、集群监控工具Ambari、集群协同服务Zookeper来保证数据处理结果能够快速准确存入所述数据存储单元。

所述系统管理采用分布式的海量日志采集、聚合和传输的系统Flume系统，用于记录所述数据信息管理中心所发生的事件，包括系统访问、功能修改、系统设置。。本实施例中的海量检测数据在数据库转移工具Sqoop、集群监控工具Ambari、集群协同服务Zookeper的协同作用下存储在Hive数据仓库和Hbase数据库当中，以备后面调用分析。

所述显示系统用于接收前述数据信息管理中心的航路规划、任务载荷规划、数据链路规划、应急处置规划、任务推演与评估的结果，所有这些信息最终由电脑、平板、手机各种显示终端予以显示，这些显示终端都是从基于虚拟资源的所述数据信息管理中心加载数据的，从而可以支持并行访问，且数据信息实时性得到保证，不同指挥人员、操作人员可以随时进行调用、查看。