【论文总结】飞行器任务规划技术综述<沈成林教授/国防科大>

54 阅读 0 评论 36 点赞

我是靠谱客的博主超级毛豆，最近开发中收集的这篇文章主要介绍【论文总结】飞行器任务规划技术综述<沈成林教授/国防科大>，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

任务规划概念：
任务规划主要指基于目标、地形、气象等环境信息，为飞行器制定出满足飞行性能等约束条件并使任务效能最优的任务实施计划。
研究人员在研究各种规划方法的基础上，通过多学科的交叉并结合人工智能、决策理论以及建模与优化技术，解决了一系列具有代表性的任务规划问题【参考文献1-5】，并研制出多种任务规划系统。
同时任务规划也存在诸多问题：其中一个主要问题是任务规划系统的烟囱式发展，导致的通用性降低，由于处在不同的系统和框架下，许多规划模型及数据无法通用，带来了开发、使用及维护的困难。同时，任务环境不确定性的增强、规划阶段由预先规划向动态实时规划转变都给规划方法及规划结果的有效性带来了考验（动态规划）

研究现状
研究现状主要总结现阶段所使用的主流算法与取得成果。
由于任务规划的要素增多且相互耦合、约束条件与指标具有强非线性及不连续性、战场环境的动态性与不确定性增强、规划过程具有非马尔科夫特性、机载设备的限制要求以及规划结果的战术战法等方面使得规划的复杂性越来越大。

1.行动规划

行动规划是任务规划研究的热点之一，核心内容主要由任务分配(Task Allocation)以及协同规划(Cooperative Planning)两部分组成。两部分具有强耦合关系，常作为一个整体考虑（个人观点为大家常常忽略了任务分配只考虑协同规划后半部分）

任务分配主要为研究任务、目标、平台及武器间的优化配置；
协同规划是在任务分配的基础上确定各平台所执行的行动及其时序关系。

常用解决办法：转化为经典的组合优化问题模型，如多旅行商问题(Multiple Traveling Salesman Problem , MTSP)模型、车辆路由问题(Vehicle Routing Problem , VRP)模型、混合整数线性规划(Mixed-Integer Linear Programming , MILP)模型、动态网络流优化模型、多处理器资源分配模型等。

其中MILP模型具有较强的可扩展性，是目前应用十分广泛的一类模型；VRP模型及其扩展带时间窗约束的CVRPTW模型具有较强的描述能力，并已成功用于“全球鹰”和“捕食者”无人机协同侦察任务规划的建模中。

对多个目标依次执行搜索、识别、攻击及毁伤评估等多种行动，Shima等【50】提出了协同多任务分配问题(CMTAP)模型，该模型能够描述不同行动间的时序关系、促进关系和使能约束，较好地解决了复杂任务分配及协同规划的建模问题。

上述模型的主要求解方式：

1).集中式求解：最优化方法和启发式方法2类
(1)最优化方法
穷举法(深度优先或广度优先)、动态规划、分支定界等。会随着问题规模的增大而急剧增加难度

(2)启发式方法
传统启发式算法
智能优化算法：易于实现，计算复杂度低，性能优越，常用有禁忌搜索法(TS)、模拟退火算法(SA)、遗传算法(GA)、粒子群优化算法(PSO)、蚁群算法、蜂群算法等。

2)分布式求解：自顶向下(Top-down)和自下而上(Bottom-up)
(1)自顶向下
自顶向下的方法主要基于分层递阶求解的思路，将原问题分解为若干个子问题，各平台之间通过协商与合作完成对子问题的求解
其代表性方法包括：基于合同网(Contract Net)市场竞拍机制的方法、分布式马尔可夫决策(Decentralized Markov Decision Process , Dec-MDP )方法、分布式模型预测控制(DMPC)方法、动态分布式约束优化方法(D-DCOP)等。

(2)自下而上
侧重于研究基于反应和行为主义方法的优化与协调策略，强调个体对环境的动态反应，通过个体的局部感知和反应交互作用来涌现整体自组织行为，具有计算简单、鲁棒性好等诸多优点。

Dionne和Rabbath【58】提出了异步间断通信条件下的分布式任务一致性(Decentralized Task Consensus , DTC)方法，其重点是通过对群组内其他平台的状态进行有效估计，提高多平台间任务分配的效能；Godwin【59】和Liao【60】等分别针对有限通信范围和平台运动所产生的动态通信连接等问题，提出了有限通信条件下的决策－估计结构和多平台信息共享及融合策略。

2.航线/轨迹规划
航线/轨迹规划是飞行器任务规划的底层问题。寻找从初始位置到目标位置的最优路径。
A * 搜索算法、稀疏A *算法，遗传算法，粒子群优化算法、蚁群算法、复合算法，RRT,势场法等等解决航线规划问题

对于轨迹规划问题：这些年发展的主要方法分为最优控制方法(Optimal Control Method , OCM)、微分平坦方法(Defferential Flatness Method)、机动自动机(Maneuver Automation, MA)方法等。

由于飞行器轨迹规划问题可以看做非线性、带有状态约束和控制约束的最优控制问题，采用最优控制方法进行求解是最自然的选择。根据求解策略的不同，可将最优控制方法进一步分为间接法和直接法。间接法基于Pontryagin极小值原理推导最优控制的一阶必要条件，进而构成最优轨迹的Hamilton边值问题进行求解。直接法则采用参数化方法将最优控制问题转化为非线性规划问题(NLP)，并通过数值优化方法求解来获得最优轨迹。

微分平坦方法以飞行状态方程组的平坦输出为出发点，通过求取平坦输出到输入空间的逆映射来获取最优轨迹控制量，目前已在无人机等飞行器轨迹规划中展开了初步应用。

机动自动机方法则通过构建机动轨迹片元库，并利用优化算法选择一个从初始状态到目标状态的最优轨迹片元序列。该方法将搜索空间从连续的轨迹控制量空间转换到离散的轨迹片元空间，能够生成有利于飞行控制的配平轨迹，并在一定程度上减少时间开销。

3.发展趋势
1) 开放通用互操作

2) 不确定条件下的任务规划
目前的任务规划方法主要侧重于解决确定条件下的规划问题。在实际应用中，由于任务环境的部分可观性，加上传感器及情报信息的误差，以及可能存在的对抗，规划时所依赖的环境信息是不确定的。同时，对规划结果的执行也不可避免地存在误差，并可能对任务执行的成败造成重要影响。因此，在任务规划过程中需要对上述不确定性予以考虑。其中，对信息的不确定性可采用概率统计、部分可观马尔可夫过程等方法进行处理；对于存在对抗方而引起的不确定性(Adversarial Uncertainty)，则需要结合博弈论(Game Theory)等方法展开进一步研究。

3)动态实时任务规划
实时任务规划一方面需要克服信息的动态性及不确定性所带来的影响，另一方面需要在有限的时间及计算资源的条件下给出合理可行的规划结果，具有更高的复杂性和求解难度。

目前，国内外主要从问题简化建模及滚动优化两方面对实时任务规划进行了研究，，如何在真实模型和简化模型，以及在局部最优和全局最优间进行合理、有效折中还需要进行深入的研究与探索。

【1】Bortoff S A . Path planning for UAVs [C] //proceedings of the 2000 American Control Conferences,2000,1(6):364-368

【2】Beard R W ,McLain T W,Goodrich M,et al.Coordinated target assignment and intercept for unmanned air vehicles [J] 2002

【3】Bellingham J,Tillerson M,Richards A,et al.Multitask allocation and path planning for coperating UAVs [M]//Cooperative Control :Models,Applications and Algorithms. 2003

【4】Pongpunwattana A.Real-time planning for teams of autonomous vehicles in dynamic uncertain environments [D] seattle:university of Washington,2004

【5】Ownby M.Mixed initiative control of automa-teams(mica)-a progress report 2004

【50】 Shima T. Multiple task assignments for cooperating uninhabited aerial vehicles using genetic algorithms [J] 2006

【58】Dionne D.Multi-UAV decentralized task allocation with intermittent communications: the DTC algorithm [C] 2007

【59】Godwin M F. Distributed collaboration with limited communication using mission state estimates [C] 2006

【60】Liao Y.Infomation sharing in cooperative unmanned aerial vehicle teams [C] 2005