[发明专利]一种不确定条件下UUV自适应任务规划方法

说明书

本发明公开一种不确定条件下UUV自适应任务规划方法，一、根据任务需求将初始任务目标分为待执行目标集G₀和备用目标集B₀；二、根据G₀生成初始任务计划Π₀；并对Π₀成功概率进行评估，若初始规划的任务计划成功概率满足给定的门限值要求，则将任务计划载入UUV控制系统开始执行；否则需要重新设定目标集；三、由UUV系统当前状态，根据任务类型分别评估后续任务计划成功率，并与设定门限值比较，若任务成功率较小，则调用删除任务目标算法RAMG，反之调用增加任务目标算法AAMG，生成新的目标集G，根据G重规划生成新的任务计划，UUV继续执行新任务计划；四、任务计划中的所有动作按顺序执行完毕，任务结束；本发明能有效提高UUV自主能力。

技术领域

本发明属于水下无人航行器(Unmanned Underwater Vehicle，以下简称UUV)任务规划领域，具体涉及一种不确定条件下UUV自适应任务规划方法。

背景技术

UUV在水下任务执行过程中，水文地理、任务目标、系统工作状态等因素都存在变化的可能，完全依靠人工远程遥控或按预编程方式工作，无法及时有效应对复杂多变的动态环境，因此需要UUV能够实现实时自主态势感知、评估以及动作规划，在无人工干预的情况下能够作出正确的决策。不确定条件下任务规划方法是近年热点研究问题，解决不确定性任务规划问题的相关研究方法主要包括马尔科夫决策过程方法、重规划方法、分支规划方法、规划问题分解方法、计划修改方法等。

1.基于马尔科夫决策过程的任务规划方法

马尔科夫决策过程(Markov Decision Process,MDP)通过构建“状态转移函数(transition function)”，对每个不确定效果都相应赋予相应的概率值，在给定状态转移概率的情况下，寻找能够获得最大回报值的最优策略。马尔科夫决策过程方法存在的主要问题是在状态空间规模较大的情况下，求解计算量很大(NP-hard问题)，特别是对于状态变量是连续的情况(状态空间数量无限)，因此限制了实际应用的范围。一种解决思路是将连续状态空间离散化，或减小状态空间数量，但建模方法与具体解决的问题领域相关。例如，Capitan等采用部分可观测马尔科夫决策过程方法(POMDP)解决多无人机侦察多目标的任务规划问题，为了降低计算复杂性，每架UAV通过POMDP方法规划局部任务，并基于拍卖方法完成全局任务分配；Redding等提出一种成组聚合马尔科夫决策过程方法GA-Dec-MMDP，可以大幅缩减状态空间数量，适合用于较大规模的无人机集群任务规划问题，但无法实现最优化。此外，基于启发式前向状态空间搜索的值迭代算法也可以提高计算效率，存在的问题是返回的策略不一定是最优解，且算法是不完备的。

2.重规划方法

Yoon等提出一种重规划方法FF-Replan解决不确定任务规划问题。

FF-Replan以快速前向规划器FF为基础，在任务执行过程中系统进入非期望状态时，启动FF重规划，生成新的任务计划。由于FF是确定性任务规划方法，因此FF-Replan采用两种方式来处理不确定性问题：一是执行动作只有一个确定性结果(可以采用相关启发式规则确定结果，如发生概率最大的结果等)，二是执行动作生成所有可能的结果。

在任务规划问题中，系统资源使用是连续性变化的，每个相关动作执行时都存在无限个可能的结果，因此使用FF-Replan规划任务时，只能采用确定性单个结果的处理方式，如规定每个动作的能源消耗值为对应分布的均值。但是根据概率分布的特点，能耗等于均值的概率为0，这会导致FF-Replan规划器在执行每个动作之后，都会判断系统进入未指定的状态，并由此触发任务重规划。UUV任务的另一个特点是可能出现系统故障或资源不足等异常情况，而FF-Replan不具备针对特殊情况发生概率的评估能力以及处理异常事件的规划能力，因此FF-Replan方法不适合用于UUV任务规划。

3.分支规划方法