摘要
随着无人系统越来越多地应用于灾后救援领域，针对复杂的灾后救援环境，为实现救援行动的快速和高效，如何提高无人系统的自主决策能力已逐渐成为学者们的重点研究方向。无人系统的任务规划是体现其自主性的重要方面，智能的任务规划系统对提高无人系统自主决策能力具有重要意义。本文围绕着多无人系统的任务规划问题，对救援场景下的多无人系统协同路径规划与协同任务分配技术展开研究，具体研究内容如下: 首先，研究了多无人机的路径规划问题，建立了多目标优化模型，并提出了一种基于强化学习的多模式融合多目标粒子群算法(Multi-objective Particle Swarm Optimization Algorithm with Multi-mode Collaboration based on Reinforcement Learning，MCMOPSO-RL)对模型进行求解。考虑到传统粒子群优化算法存在精度低、容易陷入局部最优等问题，引入强化学习策略，使得每个粒子具有三种位置更新方式，可以根据自身当前状态自适应进行选择。同时，为避免维数灾难问题，提出一种多群规划策略，以实现多无人机之间的协同规划。通过不同场景下的仿真实验证明，改进算法有效地提高了最优解搜索能力及路径规划成功率。 随后，围绕预规划阶段的多无人机协同任务分配问题，建立组合优化模型，提出一种自适应遗传学习粒子群算法(Adaptive Genetic Learning Particle Swarm Optimization，AGLPSO)对模型的解进行寻优。提出的算法采用实向量编码机制简化模型求解，并通过两层级联结构提高算法搜索能力:第一层采用遗传学习策略生成高质量的精英粒子，并通过精英学习策略更新进化停滞的粒子;第二层根据精英粒子指导种群的搜索方向，并采用自适应进化策略提高算法在不同进化时期的寻优能力。仿真实验表明，AGLPSO算法能快速、有效地找到合理的救援分配方案。 然后，针对任务执行阶段存在的场景不确定性和通信范围限制问题，提出一种基于区块链技术的分布式动态任务分配算法。算法引入区块链技术作为底层架构，实现了去中心化的无人机局部信息交流，并通过共识机制使无人机在场景状态信息上达成一致。当出现突发情况时，为有效进行任务方案的重分配，在传统一致性包算法(Consensus-Based Bundle Algorithm，CBBA)的基础上提出了一种聚类策略，以减少无人机之间的冲突，提高分配效率。同时，针对不同的突发情况，提出了不同的重分配策略，以更高效地完成救援任务。仿真结果验证了算法改进的有效性，证明了提出的算法能成功处理突发情况，实现对任务分配方案的实时重规划，确保救援任务顺利完成。 最后，为验证本文提出的动态任务分配算法，搭建了基于ROS的地面移动机器人实验平台，通过在室内环境下的多机器人协同任务分配实验，证明了本文提出的算法的有效性和可用性。
NETL