[发明专利]一种基于信息素启发的多无人机自主覆盖方法

说明书

本发明涉及一种基于信息素启发的多无人机自主覆盖方法，该方法包括以下步骤：步骤S1、构建多无人机自主收集自然灾害区域数据的覆盖场景图；步骤S2、基于信息素聚合模型，构建多无人机路径信息素地图，标记多无人机路径；步骤S3、根据多无人机自主覆盖任务，定义状态函数、动作函数及奖励函数，建立基于神经网络的多无人机自主覆盖模型并进行训练；步骤S4、采用训练好的多无人机自主覆盖模型进行多无人机自主覆盖。与现有技术相比，本发明具有高效节能、覆盖率高、适用性广的优点。

技术领域

本发明涉及无人机自主控制技术领域，尤其是涉及一种基于信息素启发的多无人机自主覆盖方法。

背景技术

传统的静态区域覆盖方法一旦部署了静态传感器节点，如果传感器节点出现了覆盖空洞或者故障，则难以进行重新部署。相比之下，动态区域覆盖更具灵活性，因此广泛应用于目标检测、结构健康监测以及灾害救援领域。

在动态区域覆盖过程中，由于无人机的可操作性、灵活性以及鲁棒性，可根据环境变化动态调整位置极大提高移动传感器网络的性能，通过动态覆盖算法控制无人机完成物联网设备或者无线传感器数据的收集工作，实现无人机对目标区域的精准覆盖。另一方面，由于无人机无线通信系统的成本优势和快速部署能力，使其更适合于突发事件或持续时间有限的任务，如自然灾害造成的通信基础设施破坏时的应急通信恢复，以增强通信网络在紧急通信中的覆盖范围和性能。

无人机动态区域覆盖的控制算法一般分为两类，非自组织控制算法和自组织控制算法。非自组织动态覆盖算法通过位型空间建模优化减少目标区域的重复覆盖从而达到高效的覆盖。然而，这种非自组织控制方法鲁棒性较低，紧急情况下，无人机故障或者相距太远将导致覆盖空洞。自组织控制算法使无人机具有较强的鲁棒性和良好的自主性，它们可以通过局部信息交互解决紧急情况下目标区域覆盖不均匀的问题。智能化的深度强化学习被视为无人机自主控制的关键技术，因为它们可以很好的处理复杂的状态空间以及环境。但传统的RL方法，比如Q-Learning或者策略梯度方法都不适用于多无人机的动态覆盖环境。因为在训练过程中，每架无人机的策略不断变化，导致无人机始终处于动态环境，使得无人机的策略难以收敛。

为了提供长期有效的动态区域覆盖，这项任务相当具有挑战性。因为UAVs通常是小型到中型的电池驱动设备且通信范围有限，具有有限的飞行时间和有效的载荷能力，所以无人机的动态覆盖过程需要以节能的方式操作，达到延长网络生命周期的目的。此外，无人机在动态的、开放的以及不可预测的环境中工作，实现资源共享可以有效减少无人机的重复覆盖且降低无人机不必要的能量消耗。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种基于信息素启发的多无人机自主覆盖方法，具有高效节能、覆盖率高、适用性广等优点。

本发明的目的可以通过以下技术方案来实现：

根据本发明的第一方面，提供了一种基于信息素启发的多无人机自主覆盖方法，该方法包括以下步骤：

步骤S1、构建多无人机自主收集自然灾害区域数据的覆盖场景图；

步骤S2、基于信息素聚合模型，构建多无人机路径信息素地图，标记多无人机路径；

步骤S3、根据多无人机自主覆盖任务，定义状态函数、动作函数及奖励函数，建立基于神经网络的多无人机自主覆盖模型并进行训练；

步骤S4、采用训练好的多无人机自主覆盖模型进行多无人机自主覆盖。

优选地，所述步骤S1中多无人机自主收集自然灾害区域数据的覆盖场景图包括无人机、覆盖目标和障碍物位置，具体为：

定义n＝1,2,…,N表示各架无人机的编号，N为无人机的总数量，则所有无人机的集合表示为：

定义k＝1,2,…,K表示任务区域各灾害源的编号，K为灾害源的总数量，自然灾害区域所有灾害源的集合表示为：