无人机组群巡检灭火系统设计【含CAD图纸、说明书、SW三维图纸】
收藏
资源目录
压缩包内文档预览：(预览前20页/共39页)
编号：19798951
类型：共享资源
大小：13.84MB
格式：ZIP
上传时间：2019-06-09
上传人：机****料
认证信息
个人认证
高**（实名认证）
河南
IP属地：河南
50
积分
- 关 键 词：
-
含CAD图纸、说明书、SW三维图纸
无人机组群巡检灭火系统设计【含CAD图纸
无人机组群巡检灭火系统设计
无人机设计【
CAD图纸】
CAD图纸【
无人机设计说明书
无人机设计图纸
无人机三维图纸
- 资源描述：
-
- 内容简介：
-
本科毕业设计 题 目： 无人机组群巡检灭火系统设计 学 院： 机电工程学院 专 业： 机械设计制造及其自动化 姓 名： 学 号： 指导教师： 年5月28日摘 要 随着无人机执行任务的环境日益复杂，任务类型日益多样，无人机己经开始从单架次独立任务的方式向着多架次、多类型的机群作战方向发展。通过对多无人机协同任务分配的研究，可以使系统完成的任务类型更为多样，同时任务完成的质量和效率也获得较大程度的提高。 本文研究了集中式多类型无人机编队任务分配方法。集中式指的是任务分配过程中，无人机处于从属地位，不具有自主能力，完全受控制站中人的控制。多类型指的是无人机类型和执行能力的不同。 本文首先介绍了无人机的应用现状，讨论了几种任务分配算法，分析了他们的优缺点。其次，在静态环境下基于平面网格坐标系，建立了一个多无人机任务分配数学模型，设计了一种有人参与的静态分配算法。然后利用了一个无人机森林灭火的实例，通过MATLAB仿真和分析说明了算法的可行性和实用性。最后，在动态环境中，根据无人机状态改变和任务改变两种情况，对动态任务进行了动态重分配。关键字:无人机；任务分配；静态分配；动态重分配 Abstract With the increasingly complex environment, the missions of the UAV grow variously. The operational manner of UAV changes from the independence towards the multi-way, more types of UAV. through the research of the assignation of the multi-type UAV, you can make the types of completed tasks more diversely and the quality and efficiency improved greatly. This paper addresses the problem of task allocation in the centralized and multi-type UAV fleets. Centralized refers to in the task allocation process, UAV is in asubordinate position, UAV do not have independent ability, completely under controlof human in control base. Multi-type UAV refers to the different abilities of UAV. First of all, this paper introduces the present situation of the applications of UAV,discussed some kinds of task allocation algorithms and analyzed their advantages anddisadvantages. Whats more, in a static environment, based on the planar grid coordinate system, we set up a multi-UAV task allocation mathematical model and designed a Static allocation algorithm with humans attended. Then use an example of forest outfire to Show the feasibility and practicability of the algorithm by the simulation analysis of Matlab. Finally, according to two situations: UAV changed or tasks changed, the task allocation changes to dynamic redistribution, in dynamic environment.Keywords: UAV ；Task allocation ；Static allocation ；Dynamic redistribution目 录第一章 绪论16 1.1任务分配的研究背景16 1.2国内外无人机应用现状16 1.2.1应用在军事上16 1.2.2应用在自然灾害的防护上16 1.3论文的主要内容16 1.4论文组织结构16第二章 无人机任务分配问题研究现状及发展趋势16 2.1无人机任务分配问题的定义及解决步骤16 2.1.1 UAV任务分配问题的定义16 2.1.2 UAV任务分配问题的描述16 2.1.3解决UAV任务分配问题的步骤16 2.2无人机任务分配控制方法16 2.2.1集中式控制16 2.2.2分布式控制16 2.3无人机任务分配模型分类16 2.3.1多旅行商问题模型16 2.3.2通用分配问题模型16 2.3.3车辆路径问题模型16 2.3.4混合整数线性规划模型16 2.3.5 CMTAP通用模型16 2.4静态任务分配算法16 2.4.1群算法16 2.4.2市场类算法16 2.4.3进化理论算法16 2.5动态环境中多任务重分配算法16 2.5.1合同网算法16 2.5.2拍卖算法16 2.5.3聚类算法16第三章 静态环境下无人机任务分配16 3.1任务分配场景和限制条件16 3.1.1任务分配的场景16 3.1.2任务分配限制条件16 3.2多无人机任务分配的数学模型16 3.2.1无人机任务集描述16 3.2.2平面网格坐标系16第四章 动态环境下无人机任务分配16 4.1动态任务重分配16 4.1.1动态任务重分配的触发条件16 4.1.2任务动态再分配采用的策略16 4.1.3任务重分配的流程16 4.1.4任务动态再分配需要考虑的因素16 4.1.5任务改变时的任务动态再分配算法16 4.1.6无人机状态改变时的任务再分配16结 论14参考文献15致 谢16第一章绪论1.1任务分配的研究背景 无人机(Uninhabited Aerial Vehicle, UAV)是指由远程遥控或自主控制操作的无人驾驶的飞机。采用无人驾驶的方式使飞机摆脱了驾驶员自身生理条件的限制，能够完成一般飞机不能完成的任务。无人机具有重量轻、维护成本低、机动性能高等明显优势，同时无人驾驶的方式使操作人员远离危险的任务环境，极大地降低了操作人员的危险程度。 UAV协同任务规划是现代战争中提出的新课题。随着无人机的出现，利用无人机执行任务逐步成为了现实，目前UAV协同任务规划得到了越来越多的关注，因为尽管单无人机可以无需合作完成某个环境的搜索，但是一个更有效的搜索需要合作来减少重复覆盖，通常多无人机任务规划可以分成两大部分:上层的任务分配(Task Assignment or Task Allocation)和下层的路径规划(Path Planning)，任务分配考虑各种约束条件，以总体任务有效达成为目标，将具体目标和行动任务分配给各机，而各机根据分配的任务再进行具体的作战路径规划。路径规划的功能是在满足如最大线性速度、最大转角速度、操作的安全性、时间和环境变量等自身或外部限制的前提下在一系列位置之间设计或生成路径。本文我们主要讨论UAV任务分配问题。1. 2国内外无人机应用现状1. 2. 1.应用在军事上 UAV任务规划技术主要还是应用在军事上。无人作战飞机(Uninhabited CombatAerial Vehicle, UCAV)指的是无人机携带武器或者弹药，可对地面目标进行攻击和轰炸。在军事发达国家，尤其美国、英国以及法国对无人作战机研究深入，美国对于无人机任务分配问题在军事上的研究最为深入，在上世纪70年代就开始对无人机任务分配问题进行描述并进行实际应用。在越南战争，海湾战争以及北约空袭南斯拉夫等过往战争中，无人机经常用于执行一些人不能完成的军事任务。在这些战争中虽然无人机不是主要执行任务的飞机，但它却成了决定战争导向的决定因素之一。由于无人机的无人驾驶特点，可以被派往危险的环境中执行一些人不能执行的任务，因而成为重要的军事力量受各国关住。无人机可以用来完成对战场实时的侦察和监视、对目标位置的确定、任务目标的评估、电子对抗等。无人机最早的开发是在第一次世界大战之后。到了第二次世界大战后，很多军事实力较强的国家将退役下来的飞机进行改装，使人与飞机脱离，这样就促成了近代无人机的发展。随着信息化技术的发展，无人机在执行侦察任务的过程中的作用越来越明显。例如，在越南战争期间，美国就大量使用无人机对价值较高的军事设施和通信设施进行预先侦察。无人机不仅仅应用于侦察，还应用在具体的作战任务执行中。在对阿富汗的战争中，美国“捕食者”无人机首次发射“海尔法”导弹击中地面目标，打破了无人机传统的作战保障角色，使之成为一种作战兵器1982年以色列航空工业公司首创的无人机能进行侦察、信息收集、跟踪和相互通讯等。1991年，海湾战争中，美国军方己经推出了特别设计的，具有雷达系统的小型无人机为诱饵，这种无人机在其它国家也进行了一些研究。无人机在海湾战争之后很快的发展起来并在很多任务中应用。以美国为首的西方国家要为了增加对实现无人机在战争的作用，将最新的高科技技术应用到无人机的研究和开发当中去，不仅增加无人机飞行时间，提高了图像，文字等信息的传输速度，还考虑了无人机具体的避开危险区域能力，以顺利完成任务。 和美国等西方国家相比，我国的无人机研究水平差距还是很大。虽然国内从80年代末开始，对路径规划问题进行过许多研究，发表了许多论文，但大多数的文献仅仅是对单无人机所进行的路径规划问题的研究，目的是避开无人机在飞行过程中遇到的危险区域，很少有关于无人机任务分配问题解答的研究成果。当前我们国家无人机反的研究还处在起步阶段。由于我国的无人机功能简单，自主能力较差，需要地面控制站进行任务分配的规划。而当前的无人机发展趋势是无人机的智能化，将无人机看成一个个智能体，我国在这方面的研究成果很少。功能上也只能进行简单的图像，数字传输，任务分配、路径规划的能力很差。尚不具备执行复杂战术任务的能力。近年来我国的国防科技大学、西北工业大学等高等院校和科研单位在无人机任务分配问题上也进行了一些理论分析和实际问题的研究，可以说取得了不错的成就。但从现阶段己经得到的理论和实际成果来看，目前我国对无人机任务分配问题的研究还处有很多不足和局限。例如无人机的自主性较差，无人机的决策大都是由地面控制站决定的。对于无人机所处的动态环境考虑不足，无人机的尺寸、时间窗函数等考虑较少。2. 2应用在自然灾害的防护上 和平和发展当今世界的两大主题，所以无人机的应用也由军用慢慢转向民用。其中最主要的民用用途是在自然灾害的防护上。2001年以来，世界各国都在大力发展各种用途的无人飞行器。目前世界上32个国家己研制出了多种无人机。美国、以色列、俄罗斯、北约等国家非常重视多用途无人机的研制、生产和应用。森林火灾的现场温度高，对飞机的抗热性能高。现场的烟尘大，能见度不高，尽管有人飞机能飞至火场上课，飞机中的人也不能清除地了解火场当前的具体情况。这时无人机的优势就体现出来，通过在无人机上配置摄像机和数字图像传输设备，可轻易完成对火场的侦察，灭火和灭火评估。美国航天局最新研制的无人灭火机“工khana。这款无人灭火机由“捕食者B (Predator B)改进而来。“捕食者B”原本是美国空军用于战时监视和侦察的，现在它的改进版“工khana”被用作另一个领域，那就是森林灭火。在火场中，由于火势的动态性和不确定性以及协同控制的复杂性，使得任务开始后出现许多无法预料的情况，必须根据火场火势和编队状态的变化快速调整UAV编队的任务计划，通过动态重调度实现任务的重分配。 我国也有无人机应用在灾害防护上的实例Lll。该实例描述了无人机在国内地震中的应用。重大自然灾害如地震、水灾、冰雪等具有突发性强、灾害范围广、破坏性大特点，往往会造成重灾区信息通讯中断和道路交通破坏，灾情信息不畅将导致抢险救灾盲目部署，继而造成更大的损失和次生灾害。2008年汉川8.。级地震，极重灾区北川县城出现大范围建筑物倒塌和重大人员伤亡，通讯和交通系统遭到毁灭性破坏，传出特大灾情己是震后的第2天，在亲历和目睹汉川地震抢险救灾过程之后，全社会己经取得共识，通过各种手段有效获取灾情是开展重大自然灾害抢险救灾首要问题。汉川地震之后，在我国有一些单位应用无人机获取遥感图像，进行震害分析，做出了探索性工作。无人机组定位于获取高分辨率图像，进行灾害识别并直接应用于抢险救灾。无人机组在北川县曲山镇等地进行了地震灾区实验，并在2010年玉树地震抢险救灾工作中成功实现了高原灾区首次航空摄影，获取的高清影像为划分灾区范围提供了重要的依据。本文我们着重讨论无人机在森林还火灾中的应用。1. 3论文的主要内容 无人机如何在复杂的环境中顺利地完成所需执行的任务，并且能够使得任务执行的效率最高，收获的利益最大，付出的代价最小，是多无人机任务分配所要考虑的问题。本文的主要工作是通过对各种任务分配算法的研究，引出了一种有人参与的多无人机任务分配算法并进行了理论研究和仿真分析。主要步骤是:首先建立了一个任务分配在森林火灾防护的应用场景，设置了关于实际问题的限制条件，然后建立了一个基于六元组的任务描述，使用了平面网格坐标系对任务分配问题进行建模，在以上的基础了最后利用了一个无人机森林灭火的实例，通过MATLAB仿真结合算法说明了该算法的可行性和实用性。因为无人机任务分配所处环境是动态的，所以对动态环境下无人机任务重分配问题也进行了一些算法研究和实例分析。1. 4论文组织结构 本文主要介绍多无人机的任务分配算法，在介绍了传统的任务分配的算法的基础上，分析了它们的优缺点，引出了一种有人参与的多无人机任务分配算法，为无人机的任务分配算法提供了新的思想。并结合了一个无人机在森林灭火中的应用实例，利用MATLLAB进行仿真研究。 第一章:绪论。介绍了论文选题的背景，国内外无人机任务分配的应用现状。简述了论文的主要内容以及论文的组织结构。 第二章:无人机任务分配的现状及发展趋势。首先给出了无人机任务分配问题的定义并对无人机任务分配问题进行了描述。其次，说明了解决任务分配问题的基本步骤，包括任务分配数学模型的建立和具体算法的设计。然后介绍了任务分配的体系结构和当前几种任务分配模型，接着介绍了几种静态任务分配算法和动态任务分配算法并分析了它们的优缺点。最后指出了当前无人机任务分配方法研究存在的一些问题。 第三章:讨论了静态环境下无人机任务分配问题。首先建立了一个无人机森林灭火的应用场景，设置了一些限制条件。在此场景下设计了一个六元组的任务描述并使用平面网格坐标系完成了对任务分配问题数学模型的建立。其次，设计了一种有人参与的多无人机任务静态分配算法。最后应用一个无人机森林灭火的实例，通过MATLAB仿真分析，验证了该算法的可行性和实用性。 第四章:讨论了动态环境下无人机任务分配问题。介绍了动态任务再分配的触发条件，动态任务重分配采用的策略以及任务动态再分配需要考虑的因素。分别考虑任务改变、无人机状态改变这两种触发条件，设计了两种新的动态任务再分配算法。结合第三章的无人机森林灭火的实例，通过MATLAB仿真分析，验证了这两个算法的可行性和实用性。 第五章:总结与展望。总结了本文的主要研究工作，指出了论文中的不足之处，并对今后的工作提出若干自己的想法。第二章无人机任务分配问题研究现状及发展趋势2. 1无人机任务分配问题的定义及解决步骤2. 1. 1 UAV任务分配问题的定义 UAV任务分配问题可以定义为:在己经完成UAV编队分组的基础上，基于一定的环境和任务要求，为编队中的UAV分配一个或多个有序任务，以便在完成最大可能任务的同时，使得UAV编队的整体效率最高。 我们结合图2. 1这个简单的例子来直观地了解任务分配问题的具体含义:首先设置了任务集和无人机集:其中包含了四个待执行任务，无人机编队由两架无人机组成。然后设计具体的路径和任务执行顺序来完成所设定的四个任务。图中每个带箭头直线上的数字表示无人机在该段航路上所花费的时间，四个任务用四个圆圈来表示。圆圈中上半部分的数字表示的无人机任务集中任务的序号，下半部分的数字表示完成这个任务需要的具体时间。最后虚实线表示的是任务分配的具体的方案。无人机分别沿着制定的虚线完成四个所设定的任务，通过这种方法，花费时间要明显小于单架无人机。 2. 1. 2 UAV任务分配问题的描述 给定一个UAV编队U，它包含数目为N二的无人机，v一vl.v2. . . vNU。为简化问题，假设UAV编队在一个二维空间执行任务，在任意时刻t，无人机U，的位置为(xU tyU t)。每个UAV都假设为质点。同时，在任务区域内包含有限数目的待执行任务，组成一个任务集T一仁 .Tz. . . TNT, N:为任务的数量，包含唯一的任务ID，对应水平位置为(对了)但不同的任务允许有相同的水平位置23。在任务分配前，以上的信息都是己知的。UAV任务分配的结果是为编队中的任一无人机U，分配一条任务执行路线P，有 :x ,y , xM ,yM)，xT; yT;)(2一) 其中，(x0 O,y0 0)表示无人机U，的出发位置，也就是说，对应无人机U;需要市。定一个有序任务集。;一T1 ,T2 , .,界。任务分配的一般原则如下:(1)优先分配价值高的一般原则;(2)将目标分配给对其最有利的UAV ;(3)在尽可能短的时间内尽可能多地访问目标，并保证UAV编队飞行总路线最短;(4)参与任务的各UAV的任务负载尽可能均衡。2. 1. 3解决UAV任务分配问题的步骤 无人机任务分配方法的求解主要分为两方面:任务分配模型的建立以及具体的任务分配算法的设计: (1) UAV任务分配的数学模型的建立 要对无人机进行数学建模，首先要对无人机所处的空间环境进行描述和表达。通常我们以一个二维或者三维的变量来定义一个无人机和目标点的位置，为简便，一般采用二维变量。得到了无人机和目标点的位置，就能得到任一无人机的任务执行路线。然后我们设计一个二值决策变量，如果无人机完成某个任务，二值变量就为1，如果不完成那个任务，二值变量就为0。然后要设定无人机任务分配的约束条件，如无人机最大航程、任务时间窗约束、任务执行的先后顺序、无人机的载荷等。 (2) UAV任务分配算法的设计 完成了对无人机任务分配的数学建模，我们就要来设计具体的算法。设计算法我们首先要根据以往的算法和基本概念提出算法得出的理论依据，然后决定算法的搜索策略，以较快较好为准则，确定算法的搜索策略。因为无人机分配问题要用计算机进行运算仿真，必须对算法进行编码，所以得设计算法的编码和解码方式。还应设计一个评价函数，来评价任务分配方案的好坏，我们称其为适应度函数。适应度函数要考虑的实际因素主要包括:任务完成的时间最短，任务分配方案得到的收益最高以及无人机消耗能力最小。最后，我们还要对算法进行性能分析，包括算法能否得到最优任务分配方案，算法的效率以及算法的实时性。2. 2无人机任务分配控制方法 由于无人机执行任务环境是动态的，不是固定不变的，所以无人机的任务分配控制方法也应该根据不同的任务环境而区别对待。无人机任务分配控制方法选取对无人机执行任务的效率和质量有很大关系。任务分配控制方法的选取应该考虑以下几个因素:任务完成的快速性，任务的实时性，任务分配的计算时间和计算复杂度，抗干扰能力等。无人机任务分配控制方法主要可以分为集中式控制28(Centralized Control)以及分布式控制(Distributed Control)这两种。2. 2. 1集中式控制 在集中式控制方法中，由地面控制站中的操作人员制定任务分配方案和无人机具体的飞行航路，无人机本身不具备决策能力，完全按照地面控制站发出的任务指令和航路执行任务。图2. 2表示了集中式体系结构图28: 在这种控制方式下，各无人机之间的协同控制存在以下问题: (1)实时性差 因为无人机本身不具备决策能力，所以地面控制站中的操作人员要根据无人机编队通过数据传输返回的无人机状态信息，任务状态信息以所处的环境信息等，对任务分配问题进行具体的决策。无人机编队与地面控制站保持着联系，当返回的数据量很大时，有可能地面控制站收到的信息是不全的或者是错误的，导致决策错误。地面控制综合这些信息速度较慢，导致决策较慢，实时性差。 (2)计算时间长，算法复杂度高 对于集中式控制方法，地面控制站对所有的无人机传来的数据信息进行总结和分析，信息都集中在任务控制站中，解决问题的具体计算过程复杂，计算信息多，导致完成任务分配的计算时间很长。对于多类型任务的无人机编队，例如无人机编队中无人机能够执行任务种类的不同，无人机执行任务能力不同，此时更凸显了这个问题的严重。 (3)抗干扰能力较差 由于地面控制站往往只有一个，如果在具体任务执行过程中，地面控制因为某些特定因素遭到毁坏甚至瘫痪，将造成的损失是巨大的。同时无人机编队中的无人机失效或者发现新的任务目标，在原有基础上的再分配也是很相当复杂的。2.2.2分布式控制 区别于集中式控制方法，分布式控制方法中无人机编队中或者无人机编队之间的无人机是具有独自决策能力的智能体，它们具有很强的协同能力和自治性。无人机之间以数据链技术为支撑，对无人机所处环境，任务目标集信息，无人机状态信息进行交互，综合考虑各种因素，提出具体的解决任务分配问题的方案和具体步骤。较之于集中式控制方法，无人机个体在分布式控制方法下具有较强的实时性，抗干扰能力，计算量小，计算复杂度小等优点。当前，分布式控制方法主要可以分为两种:完全分布式控制方法和部分分布式控制方法。 (1)完全分布式控制 完全分布式控制方法是一种依靠无人机的自主性和相互协作的一种方法，由于无人机任务分配问题的复杂性，该方法相当于将复杂的问题分解成为一个个相对简单的小问题，对每架无人机进行任务分配，接着就是将各个无人机的信息进行交互，对任务进行整体求解。如图2. 3所示，完全分布式控制方法中我们把无人机看成具有决策能力的智能体，这样无人机任务分配问题就转化成为各个智能体之间任务的分配和决策。在这种结构中，无人机相对于集中式控制有很强的自主性，能够对任务集信息和自身的信息进行采集和分析，并进行决策，在特定的情况下通过数据链与其它无人机进行数据交互，协作完成所需执行的任务。 图2.3完全分布式控制结构图 这种控制方法中，无人机编队内各个无人机对所得到的信息进行相互的共享，得到所有的关于任务执行的信息，最后整理分析所得到的信息对无人机编队中的每一架任务分配任务集。由于无人机编队中有多架无人机，在执行任务中可能发生交叉冲突，即碰撞冲突，所以需要对它们进行考虑并消除。同时在这种控制方法中，无人机之间是通过数据链技术进行任务集数据的传输和共享，为的是更好的具有任务决策的实时性，所以数据量是相当大的，将随着编队内无人机的数量呈指数增长。所以应用这种控制方法，编队内无人机的个数受到了很大的限制。 (2)部分分布式控制 部分分布式控制方法吸取了无人机任务分配控制方法中集中式控制和完全分布式控制方法各自的优势，对于解决多类型无人机编队任务分配问题更为合理。经过对集中式控制方法和分布式控制方法的比较，我们得出分布是控制方法是一种实时性较强的方法，能够快速的对任务信息进行采集和分析，得到解决任务分配问题的具体方案，获得的方案往往是局部最优的，但不能得到全局最优方案。而集中式控制方法恰恰相反，由于所有信息都要返回地面控制站进行汇总，所有能够进行全面而详细的规划，从而获得的方案一般都是全局最优方案，但是实时性就很差啦。当前，国内外很多院校和科研机构对集中式控制和分布式控制方法结合的问题进行了理论分析和实际验证，对两种方法进行了整合，得到了部分分布式控制方法，结构图如图2. 4所示。 在部分分布式控制方法中，地面控制站中的操作人员对无人机返回的信息进行归纳和分析，在静态环境下给无人机编队中的每架无人机都设计了初始任务分配方案。在动态环境下，例如无人机状态的改变，任务的改变将导致任务的再分配。此时，无人机编队中的无人机发挥自己的自主性，重新对任务目标信息采集并分析，在编队中与其它无人机进行信息的共享和交互。地面控制站中的操作人员在某些特定的时候对无人机编队发送任务指令，大部分时候依靠的是无人机编队自身的协同分配。主要既提高了实时性，又大大减小了地面工作站的任务量，得到的任务分配方案也是相对合理的。部分分布是控制方法对集中式控制和分布式控制方法进行取长补短，体现了人们的智慧，具有较强的实际应用意义。2. 3无人机任务分配模型分类 根据任务分配建模分类，现阶段的模型主要有多旅行商问题2(MultipleTraveling Sa-lesman Problem, MTSP)模型，通用分配问题3(Generalized AssignmentProblem, GAP)模型，车辆路径问题4(Vehicle Routing Problem, VRP)模型，混合整数线性规划s,6,s,9(Mixed Integer Linear Programming, MILP)模型以及CMTAP(Cooperative Multiple Task Assignment Problem)模型。2. 3. 1多旅行商问题模型 通常，我们所说的旅行商问题是一个NP完全问题，具的定义如下:假设有a个旅行商人，方个城市，每个旅行商人都要沿着城市之间的道路访问其中的一些城市，最后所有的旅行商人都要返回初始的城市，限制每个城市都要被访问并且有且仅有一次，问题所要达到的目的是在完成对所有城市访问的同时，总距离最短、完成任务时间最短、消耗最小、收益最大等。把旅行上问题模型应用到无人机任务分配中去，我们假设有一个二架无人机的无人机编队，有二个目标任务的任务集，无人机编队从同一个基地出发，沿着预先设定的飞行航路，完成所有的任务，每个任务只能被完成一次，最后考虑无人机的总航程，无人机完成任务的时间，无人机消耗的能力，完成任务的价值利益等。2. 3. 2通用分配问题模型通用分配问题模型考虑将二个任务分配给二个单体，每个任务只能给一个单体并且单体的资源受到限制。相当于二个任务分配给给一个无人机执行并且无人机的资源，如最大任务数，二个无人机，每个任务只能最大航程受到限制。2. 3. 3车辆路径问题模型 我们对车辆路径模型进行如下描述:假设有二辆货车，每辆车的负载能力不同，它们从同一个基地出发，为二个目标点输送货物，每个目标点需要送达的货物数量不同。最后，所有货车回到出发点。车辆路径问题模型yo要考虑送达的时间，货物送达的消耗，完成输送的价值等，并保证所有的货物安全送达。2. 3. 4混合整数线性规划模型 混合整数线性利用线性化函数建立模型，模型描述简洁、直接，有助于提高无人机任务执行效率和生存能力，达到了任务分配的目的和初衷而且可以通过对约束条件的修正来满足实际问题需要，但是模型规模不能过大。问题规模过大将导致计算量指数型增长，任务分配的实时性得不到保证。2. 3. 5 CMTAP通用模型 随着无人机能力不断增强，无人机执行任务的复杂程度也随之增强，不同任务之间存在着复杂的时序以及时间约束。对于这一类复杂的任务集合，目前大多数任务分配模型无法对其进行有效的描述。一种CMTAP模型川被引出，这种模型充分考虑一组无人机完成一系列针对地面目标的连贯任务，包括任务目标的识别、攻击、毁伤评估等。2. 4静态任务分配算法 在静态环境中，无人机和任务都是确定的，不发生改变。在这样的条件下，多无人机任务分配的算法主要有:群算法，市场机制算法和进化算法。2. 4. 1群算法 群算法主要模仿自然界中各种生物的群体化行为，例如虫群12和羊群。我们通过对虫群群体化行为就行具体的研究分析，从而来简单说明群算法的具体特点:所谓的昆虫群的群体行动指的是昆虫个体根据一些规律进行个别的运动，从而导致整个群体显现出一种运动规则，在运动中昆虫主要遵循三个准则:第一，实时监测与邻近个体距离，防止产生交叉冲突，即防止和其它个体产生碰撞;第二，采集邻近个体的信息，如速度，位置等;第三，保证和其它昆虫的距离，不能太远，而脱离群体。昆虫以上的这些行为都是个体的行为，不是群体的运动，不过所有的个体都执行这些准则，就会产生整体的运动趋势。群算法中目前为止最为经典就是蚁群算法13,14,15,16 (Ant Colony Optimization) , 1991年，意大利科学家Dorigo首先在其发表的研究成果中提到了蚁群算法。蚁群算法遵循的基本规则是:模仿生物界中蚂蚁群体寻找食物的行为，蚂蚁在寻找食物的时候，一般都能够在经过的路径上分泌并留下特定的激素。蚂蚁个体往复的在路径上留下激素，激素的浓度在较好的路径上积累，浓度变大，从而使后来的蚂蚁能快速的找到食物所在的位置。一种改进的蚁群算法川，该蚁群算法基于蚁群中各种类型蚂蚁的分工机制，相对于多子蚁群算法有效地提高了算法的优化能力。图2. 5可简单说明蚁群算法的基本原理。支路二(蚁穴)a(食物)b支路一 2.5蚁群算法原理图 如图所示，a点表示的是蚂蚁的巢穴位置，别点表示的是食物的位置，有两条路径在巢穴和食物之间。假定有两组数目相同的蚂蚁同时由a点出发，沿着两条路径分别向着方点前进，刚开始沿着两条路径的概率是相等的，均为二分之一，设定蚂蚁爬行的速度相同，蚂蚁单位时间分泌的激素量相同。蚂蚁就这样往复的在这两条路径上来回搬运食物，但是由于路径二明显长于路径一，所以路径二上的激素的浓度将会明显小于路径一上的激素的浓度。由于路径二的上的激素浓度较大，蚂蚁就会越来越偏向于向路径二前进，这样在路径一上留下来的激素也越来越多，激素的浓度不断增加，直到最后，几乎所有蚂蚁都会沿着路径一前进去寻找食物，这样大大提高了蚂蚁搬运食物的效率。 除了蚁群算法，常见的群算法还有Kennedy和Eberhart提出的粒子群算法2, 13(Particle Swarm Optimization)其最初是模仿鸟群觅食而设计的，在PSO算法中，每个任务分配方案都是“粒子”，所有的粒子都有适应值函数决定的适应值。PSO算法的基本流程为: (1)初始化一群大小为二的粒子，包括他的位置和速度。 (2)设计适应度函数并评价每个粒子的适应度大小 (3)对每个粒子将其适应度大小与历史极值尸作比较，如果比历史极值好，便将它作为新的Po (4)对每个粒子，将适应值与尸作比较，如果较好，将它作为新的尸 (5)根据迭代公式，变化粒子的位置和速度。 (6)如达到结束条件(有足够好的适应值或者达到预设的迭代次数)则结束，否则返回步骤(2)0 (7)算法结束。 群算法作为一类典型的解决静态任务分配的方法，有其自身独特的地方。相对于其它任务分配算法，有很多的优点，但是万事都有利有弊，群算法在存在优势的同时还存在许多的不足之处。我们对先前研究的蚁群算法和粒子群算法进行分析，结合国内外对群算法在无人机任务分配中的应用实例和理论研究，总结归纳出群算法具体有以下四个优势: (1)随机性强。 (2)可以对较大规模的实际问题进行求解。 (3)逻辑简单，适用于简单的任务判断。 (4)在搜索过程中消耗的能力少。四个缺点: (1)实时性差，很难确定具体时间。 (2)理论依据不够充分。 (3)得到的解不一定是最优的。 (4)对于多类型的无人机不适用。 群算法依据的是生物种群中生物个体的运动，每个生物个体的形态结构和具体能力基本是一样的，近乎相同，所以具有很强的随机性。在对于考虑无人机类型单一的任务分配问题时是有优势的。但是当无人机的类型多样时，如无人机的能力和性能的不同，群算法不能区别各个无人机，从而不能合理的对任务进行分配。其次，群算法的基础是由生物种群中的个体行动，但是任务分配的最终解决方案是由生物种群的整体运动趋势得来的。所以个体数目的多少对算法没有很大的影响，即可以对较大规模的实际任务分配问题进行求解，这又是它的一个优势。另外，群算法的搜索方式是随机搜索，以粒子群算法为例，其搜索空间是不确定的，我们知道粒子群中的粒子是朝着一个方向移动，但是没有准确的理论依据，这是这类算法最重要的缺点。并且由于随机搜索的方法通常得到的是局部最优解，对于全局最优解往往很难得到，容易“早熟”。所以我们在群算法搜索过程中引入正反馈机制，大大提高了算法的收敛速度。2.4.2市场类算法 市场类算法1819,20,21是另一大类静态任务分配算法。它来源于市资本主义社会市场经济体制。市场中有许许多多的客户，每个客户依据自己的投资能力和预期效益而对市场中的项目进行投资，个别的客户个体无法改变整个市场的走势，但是把所有的客户看作一个统一的大集合，就可以通过投资对整个的市场的走势产生决定性的作用，即市场的发展或者是市场的消退。市场类算法把市场中的每个客户可以看作智能体，在无人机的任务分配方法研究中得到了很广泛的应用。Czil介绍了一种包含谈判机制的市场类算法，无人机通过数据链技术相互传递信息，协商得出任务分配方案。在该类算法中，每架无人机完成一个任务都会产生收益，但是执行时会消耗无人机的能力。得到与损失的差额就是无人机完成任务的利益，每架无人机都为了利益最大化而执行任务。 通过对大量对市场类算法在无人机任务分配方法求解的理论研究和实际应用中，我们总结归纳了市场类算法的主要优点。 1)确保了每架无人机收获的利益和消耗的能力相差不大。 (2)无人机的类型可以不同。 (3)大大减少了无人机在空间内搜索的时间。 因为市场中每个单体所追求的是个体的利益，所以对于个体而言不仅要考虑完成任务获得的收益，还要考虑自身的执行能力，也就是所谓的本钱。无人机在任务分配过程中，要考虑无人机本身执行任务的能力，包括航程，航速和负载载荷等，这就保证了资源的均衡。其次考虑到市场中各个客户的不同，符合无人机任务分配的实际问题，因为往往无人机的类型都是不一样的。最后，由于市场类方法，只考虑个体的收益最大，而不是考虑整体的收益最大，不需要对所有的情况进行全面的考虑，从而减少了空间中搜索的时间。但是由于市场中的盲目性，往往不能得到最佳的分配方案。2. 4. 3进化理论算法 最后一大类静态任务分配算法是进化理论算法，该算法的理论依据是仿照自然界中生物种群进化，以优胜劣汰的进化原则，将相对优秀的生物个体保留下来，而相对差点的个体剔除出种群。遗传算法是这一大类算法中使用最多，最为有名的算法。1975年，美国密歇根大学的教授首次在研究成果中提到了遗传算法，之后，全世界很多国家的科研工作者对遗传算法进行了理论研究和实际应用。遗传算法仿照生物进化理论，才有染色体编码方式进行任务分配方法的最优化选择。遗传算法以决策变量的编码作为运算对象，传统的优化算法往往直接采用决策变量的实际值，这是它的一个很大的特点。基于UAV多任务协同分配问题特定染色体编码方式，遗传算法采用两种进化操作:选择操作和交叉操作。有研究者在传统的遗传算法中使用邻域搜索算法m。基于邻域搜索原理，运用对称群结构描述UAV任务分配的搜索空间，运用右乘运算构造搜索邻域，结禁忌搜索。相对于传统遗传算法、爬山能力强和全局迭代寻优，易找到全局最优点，实现了基于对称群计算的UAV任务分配算法。 算法基本步骤: (1)设置演化代数Ng,，种群规模NV oV，繁殖池子大小S，交叉概率p。，变异概率p,n; (2)随机生成大小为No*的种群; (3)评价UAV任务分配种群中的每一个个体; (4)如果满足终止，转到12步，否则，进入第_5步; (5)利用选择轮盘种群中选取S个个体组成繁殖池子; (6)按交叉概率Pc，采用PMX交叉方式进行交叉操作 (7)按照变异概率Pm，进行变异操作; (8)将新生成的个体加入到种群中; (9)计算新个体的适应值 (10)将扩展的种群最差的S个个体删除，使其恢复原来种群的大小; (11)转到第(4)步 (12)从种群中选出最好的个体作为所求航迹，进化过程结束。 算法染色体编码方法如下: 染色体表现形式与问题越接近，进化算法越能够生成更好的解，对于最基本的任务分配方法，采用了如下染色体编码方案:进化种群中每个个体用一个长度为Z的任务点排列表示，这里Z表示所有的任务点的数目。染色体的每个基因座上随机设定一个任务点的顶点。同时对于UAV集中的所有UAV, ,(i=1,.NU )，此染色体还对应一个随机产生的非负整数N，的集合，集合中的元素表示该UAV分配到的任务点的数目，并保证 艺N. . (3)变异操作 在UAV任务分配的混合搜索算法中，将细菌觅食算法中的迁徙操作作为改进进化算法中的变异算子使用，称之为迁徙变异算子。迁徙变异算子首先进行迁徙操作，以概率P随机选择种群中评价函数值较差的染色体，作为变异的初始染色体，然后以概率Pn随机抽取初始染色体中的一位进行变异操作。进化理论算法的优点主要有如下三点: (1)以评价函数值为依据进行判断，不需要引入其他数学方法对数据进行处理。 (2)因为有多个基因插入点，所以具有很强的随机性。 (3)存在变异概率，可以跳出局部最优。 遗传算法的算法速度快，通常很快就能得到比较好的局部最优解，因为遗传算法中变异的概率很小，所以很难跳出局部最优解而得到全局最优解，这是其主要缺点。同时遗传算法由于其本质上的随机性，求解过程中存在较多劣质搜索过程，导致其在大规模组合优化问题的求解中效率和精度不高。2. 5动态环境中多任务重分配算法 在具体环境中，由于环境的动态性和不确定性以及协同控制的复杂性，使得任务开始后会出现许多无法预料的情况，因此，必须根据战场态势和编队状态的变化快速调整UAV编队的任务计划，通过动态重调度实现UAV之间的任务重分配，以真正适应复杂的作战环境。因此，我们更多的使用到的是动态分配算法。UAV任务再分配的一般策略整个编队的完全再分配局部调整分组基础上的再分配。动态任务分配算法主要有:合同网算法、拍卖算法、聚类算法。2. 5. 1合同网算法 为了更好的解释合同网的概念，我们首先简要介绍下什么是Agent智能体)。通常我们认为:Agent主要应用于动态环境中，他具有先进的设备，如传感器，高性能机载电脑，先进的导航系统等，实时获取自身的状态信息，如形态，位置，负载等;任务集信息，如目标位置，目标数量，任务目标价值以及周围的环境信息。通过对这些信息的总结，分析，与其他无人机进行信息共享交互，制定出任务分配方案并执行。它具有高度的自治性和行动力，在分布式控制中被广泛地应用。 下面我们着重要来介绍MAS (Multi-Agent System)，即通常我们所说的多智能体系统。多智能体系统一般由多个具有运算能力的智能体所组成，在该系统中每一个智能体都是真实存在的实际任务执行者，可对周围环境和进行监测和分析，并将得到的信息通过数据链技术与其他智能体进行通信。多智能体系统在分布式控制中既是相互独立，又是相互作用的。智能体之间通过发送请求和提供信息，是一种具有相互作用的分布式控制。 合同网协议是多智能系统中的核心问题，系统中的智能体都依照合同网协议来调整各自的行为，从而使得目标任务的完全分配。合同网协议主要应用在分布式控制方法中的，智能体通过建立信息数据链，进行信息的交互。现实中合同网的关键是合同协议的制定，从而设计具体的任务分配方案，保证任务的正常执行。 合同网一般有三大类任务执行角色:招标者，投标者，中标者。 我们对合同网的一般理解为:首先是任务招标者有任务需要其他任务执行者的能力来完成所需完成的任务，因此招标者就会向投标者通过信息交互发布任务请求，即所谓的招标行为;接着收到任务信息的投标者们先是评估自己的执行能力和想要得到的收益，给出自己的投标值，即所谓的投标行为;最后招标者，整理分析投标者给出的投标值，遴选出最适合完成任务的投标者作为中标者。如下图表示了一个合同网方法的简单框图:潜在投标者投标者招标投标 中标者招标者二1(二 (二 中标 图2.7 我们将合同网算法的具体步骤总结如下: (1)招标者传送任务信息给投标者，包括任务数量，任务完成期限等; (2)投标者对招标者传送的任务信息实时监测，并对自己感兴趣的任务进行投标成为投标者; (3)管理Agent在一定的时间段内对所收集的应标进行评估，根据评估结果 向其满意的投标者分配任务; (4)任务执行Agent确认该任务分配者提出的合同完成分配，形成承诺监督关系。 合同网算法中，由于各个投标者的机会是相同的，招标者根据投标者给出的投标值，依据市场经济中的一般规律进行对投标者的遴选，选出中标者。虽然用合同网算法能够快速实现对目标任务的全部分配，但是合同网算法也存在很多的不足之处，如:招标者投标信息过大，投标过程中没有建立合同，可能中标者会将任务转给别的投标者，有时候很多招标者等。2. 5. 2拍卖算法 拍卖算法ass是在动态环境中分布式控制方法分配任务方法的又一种重要方法。拍卖法算法模拟具体的拍卖过程，在拍卖过程中各个智能体计算每一个任务的收益，消耗的能力，评价函数等。拍卖算法首先给出一个拍卖的具体先后次序，各个智能体按照次序去完成自己拍卖得到的任务集，最后得到整体的任务分配方案。在智能体能力范围和约束条件之内，拍卖法重新给出一个拍卖次序进行又一次的拍卖，根据评价函数评价新方案和旧方案，将较优的方案留下来，如此周而往复，得到较好的解。 对于动态环境无人机任务分配方法中，我们主要关心的还是算法的实时性，算法的实时性不是说完成任务的时间越短越好，而是当任务环境改变的时候，包括任务集的改变和无人机集的改变，能够快速的给出新的分配方案。而拍卖算法恰恰具有这种能力。 拍卖算法首先要解决的是竞拍机制的制定，在解决动态环境下无人机任务分配问题时，竞拍机制相对于传统的有很大的不同，传统的竞拍机制都只是对一个目标任务进行拍卖，有一个拍卖决策者，按照特定的规则将任务分配给出价最高的个体，各个个体天生存在着相互竞争的关系。在无人机任务分配的实际问题中由地面控制站生成无人机完成任务的次序，并且同时对所有任务的分配，当次序确定后，各架无人机不存在竞争关系。 为方便描述，假定某无人机完成任务方案可以表示为只一吧1君Z ,.只3)只为一个有序集，z表示有序集P元素的个数。竞拍中，主要考虑4下面的预期效益函数: lValuei (P)一艺pi.%k6.jk(2一3) 其中，Pi,j、表示无人机U，完成任务只*的概率，6、表示任务气的重要程度。 拍卖方法虽然不是确定性算法，不能得到最优解，但是在动态环境中的任务重分配中，具有较好的实时性，能够较快地得出新的分配方案。2.5.3聚类算法 聚类算法22,23主要研究的是如何根据目标位置、功能等属性值将其分为若干类别，以揭示目标之间的相互关系和差别，使得一个类别中的对象样本有较高的相似度，而不同类别中对象样本的属性值差别较大。 聚类的定义如下: 给定一组数据D，把它划分为若干聚类或者称为簇 C, C2., CkI Ci二。(2-4) 使得不同聚类中的数据尽可能的不相似而通一聚类中的数据尽可能地相似。K均值算法(也称K-means算法)是一种最常用的动态聚类算法，它是一种基于划分的迭代算法，在求解过程中，通过反复修改分类来达到最满意的聚类结果;该算法的基本思想是:首先以一些初始点为聚类中心，对样本集进行初始分类;判定分类结果是否能使一个确定的准则函数取得极值:如能，聚类算法结束;如不能，改变聚类中心，重新进行分类，并重复判定，所使用的准则一般是误差平方和准则。24是一种基于ISODATA约束聚类。ISODATA算法是动态聚类的一种。动态聚类的特点在于，聚类过程通过不断地迭代来完成，且在迭代中通常允许样本从一个聚合类中转移到另一个聚类中。ISODATA聚类的基本思想是，假定样本集中的全体样本分为m类，并选定K为初始聚类中心，然后根据最小距离原则将每个样本分配到某一类中，之后不断迭代，计算各类的聚类中心，并以新的聚类中心调整聚类情况，并在迭代过程中，根据聚类情况自动地进行类的合并和分裂。经典K均值算法介绍 K均值算法(也称K-means算法)是一种最常用的动态聚类算法，它是一种基于划分的迭代算法，在求解过程中，通过反复修改分类来达到最满意的聚类结果;该算法的基本思想是: 首先以一些初始点为聚类中心，对样本集进行初始分类;判定分类结果是否能使一个确定的准则函数取得极值:如能，聚类算法结束;如不能，改变聚类中心，重新进行分类，并重复判定，所使用的准则一般是误差平方和准则。 初始聚类中心生成方法:在K均值算法的基础上，许多改进算法在如何选择初始聚点以及如何修改聚点等方面提出不同的方法。初始聚点的选择决定了初始划分，对最终的划分有很大的影响，选择的初始聚点不同，算法求解的结果也不同。一般情况下，初始聚类中心的选择，有如下几种途径: (1)经验选择法。根据以往经验大体知道对象应如何划分，分为几类，选择每一类中有代表性的对象作为聚点。 (2)随机选择法。将对象随机地分成几组，取每组的中心作为聚点。 (3)抽样法。当对缘数量很大时，先随机地抽取一部分对其进行聚类，然后取每组的中心作为聚点。 (4)最小最大法。先选择所有对象中相距最远的两个对象为聚点，然后选择第三个聚点，使得它与己经确定的聚点的最小距离是其余对象与前两个聚点的较小距离中最大的，然后按同样的原则选择以后的聚点。 在经典聚类算法中，首先需要对样本进行初始划分，先选择K个代表点，K为剩余任务的数目。以这K个点位聚类中心，并把所有的样本点归入到与其距离最近的那一类中。初始代表点为简便而随机取得。然后计算每一类的样本均值，把它作为该新类的核心，并把所有样本点按照新的聚类核心重新进行划分。该过程一直重复下去，直到所有样本点的分类不变为止。第三章静态环境下无人机任务分配 对于给定任务和现有的无人机资源，确定参与执行任务的侦察无人机、灭火无人机的数量，组成无人机编队。无人机的任务分配可以定义为，基于一定的环境知识(例如，任务目标位置、威肋、区域位置等)和任务要求，为编队中的各架无人机分配一个或一组有序的任务集(或目标、空间位置)，以便在完成最大任务的同时，使无人机编队的整体效率达到最优。无人机任务分配问题的解是任务区域各任务(或目标位置)的一个排列。由于其明显的优化组合特征，求解无人机任务分配的有效方法是设计出能在合理的计算时间内找到最优或近似最优解的启发式算法。 静态环境指的是无人机集，任务目标集以及任务环境都保持不变。在这种情况下，我们对无人机任务分配问题进行研究。3. 1任务分配场景和限制条件3.1.1任务分配的场景 由于无人机在自然灾害中的应用越来越广泛，本文设定的任务分配场景就是多无人机协同森林灭火。在一个二维空间平面中，含有N1架侦察机和NZ架灭火机的小型无人机(每架无人机只能执行一种任务，侦察或灭火)编队对M处静止目标，假定目标对无人机无威肋、，进行“侦察一灭火一灭火评估”。3. 1. 2任务分配限制条件 在3.1.1无人机任务分配的场景下，并考虑实际情况，我们设定了以下限制条件: (1)每架无人机只能执行单一任务，任务包括侦察(监视)或灭火; (2)无人机与地面控制站通过无线数据链路进行信息交互，无人机之间无通信联系; (3)各架无人机的任务分配和再分配由地面控制站执行，有人参与方式; (4)各架无人机的航线规划由地面控制站执行，并将含有时间信息，任务信息等的各航线点坐标发送给无人机，无人机严格按此航线飞行和执行任务; (5)坐标发送给无人机，无人机严格按此航线飞行和执行任务; (6)所有无人机的起飞、着陆地点相同或近似相同。 C7)多无人机之间的同步协调通过地面控制站操作人员进行。3. 2多无人机任务分配的数学模型3. 2. 1无人机任务集描述 无人机任务集TS可以用以下一个6元组来描述: TS=(ID, Act, Location, Min, Max/duration, State(3一1) 在以上任务集当中:ID表示无人机的标识符，采用前缀+数字方式来标识编队中的每一架无人机。前缀R表示侦察机，F表示灭火机。数字表示序号。例如R1表示1号侦察机，F2表示2号灭火机，依此类推; Act表示无人机执行的动作，包括: (1)起飞(Take-off:无人机在时间窗口Min, Max起飞并到达指定位置Location ; (2)着陆CLand):无人机在时间窗口Min, Max返航至指定位置Location并着陆; (3)按指定航线飞往目标位置(Go-to ):无人机应在时间窗口Min, Max到达指定位置Location，在飞行过程中并不打开侦察设备; (4)侦察(Reconnaissance ):无人机应在时间窗口Min, Max到达指定位置Location并打开侦察设备，主要用于沿航线的侦察，结果可用于实时修改网格平面坐标系中网格的状态; (5)监视(Surveillance ):无人机在指定位置Location打开侦察设备做盘旋运动监视目标，以便进行毁伤评估，并持续一段时间duration结束;毁伤评估的结果或是将该任务从网格平面坐标系中去除目标(目标位置改为空格)或是保留; (6)灭火(Outfire ):无人机应在时间窗口Min, Max到达指定位置Location并对目标进行灭火; (7)无动作(Ignore ):无人机应在时间窗口Min, Max到达指定位置Location并关闭侦察设备，Reconnaissance与Ignore相配合可完成对特定航段的侦察任务; (8)等待(Wait):无人机在指定位置Location做盘旋运动等待，并持续一段时间duration后结束; Location依Act不同分别表示该架无人机应到达的目标位置或在该位置的停留时间;Arrival time表示无人机到达目标位置Location的时间窗口的开始时间;Away time依Act不同分别表示该架无人机到达目标位置Location的时间窗口的结束时间或离开目标位置Location的时间; State表示无人机任务分配或任务执行中的状态，包括正常(Normal)和异常 CAbnormai)两种状态。在任务分配时，Normal表示任务分配成功，Abnormal表示任务分配失败(可能的原因包括续航时间不够，等等);在任务执行中，Normal表示可以继续执行己分配的任务，Abnormal表示出现异常情况无人机不能继续执行任务(可能的原因包括无人机故障、续航时间不够，等等)。3.2.2平面网格坐标系 设置一个Lx X Ly尺寸的平面网格，其中包含无人机编队的整个飞行区域和待灭火的目标。并假设 (1)在任意的时刻t，如果某个网格被填空，表示无人机可以安全地飞临其位置。 (2)在任意的时刻t，如果某个网格被填黑，表示无人机在其位置受到威胁，无人机规划航线应避免穿过该网格。例如，如图1所示，网格(2, 4 )被填黑，网格(2, 4 )位置是一个危险位置。 (3)在任意的时刻t，如果某个网格被填入T+数字的字符，表示该网格是某个目标所在位置网格。例如，如图1所示，网格(9, _5 )中显示一个T1，表示目标1的位置在网格(9, _5 )。假设一个特定的目标只能占据一个网格位置。 (4)在任意的时刻t，如果某个网格被填入一个加黑的字母+数字，表示该网格位置此时被一架无人机占据。例如，如图1所示，在某时刻t，网格(3, 6 )中显示一个加黑的R1，表示1号侦察机的当前位置在网格(3, 6)。其中，侦察机用R前缀表示，灭火机的前缀为F，数字表示该类机的序号，例如F2表示2号灭火机。 (5)如果某个网格被填入一个符号“O，表示该网格被某架无人机的航线规划。例如，如图1所示，网格(_5, 8 )中显示一个符号“O，表示网格(_5, 8 )是某架无人机所规划航线的一部分。符号“O”下表示了一个序偶的集合，序偶得第一个元素表示某个种类的某个编号的无人机，序偶的第二个元素是时间，表示该架无人机在此时间将占据该网格。例如，O = , ,其中，表示1号侦察机在第100秒至110秒时将经过网格(_5, 8)而则2号攻击机将在第200秒至210秒经过网格(_5, 8 )，如果两个时间相等或太接近，则表示所规划的航线有交叉，可以从时间和空间两个角度去考虑解决航线交叉问题。 (6)S表示起飞、着陆位置。 O。 O R1 F2 幸 丫 1 . O S奋 口、 图3.1网格平面坐标系表示示意图3. 3有人参与的多无人机任务静态分配算法3. 3. 1算法基本步骤 (1)确定任务目标数为M，任务目标序号j = 1; (2)为任务目标j组织一个多无人机编队小组; (3)为编队小组中的每一架无人机生成初始任务集; (4)为编队小组中的每一架无人机规划航线并将航线点编入该架无人机的任务集; (5)if jM, then j+, go to (2); (6)判断己规划航线是否存在交叉冲突，若有，则在空间或时间上对相关航线进行调整，直至无交叉冲突。 (7)任务分配结束。3. 3. 2算法示例 例1:如图3.1所示，任务描述如下(省略时间窗口信息): (1)无人机R1起飞至S点; (2)无人机F2起飞至S点; (3)无人机R1飞至T1点进行侦察; (4)无人机R1飞至位置(9,4)等待，以便灭火机对位置(9,_5)的目标灭火; (5)无人机F2飞至T1点进行灭火，灭火立即返航至S点着陆; (6)无人机R1随后飞至T1点进行观察以便进行灭火评估，结束后返航至S点着陆。 根据以上任务要求，任务静态分配算法过程如下: (1)任务目标数M=1，任务目标序号J = 1; (2)为任务目标1组织一个无人机编队小组:地面控制站操作任务根据任务性质决定编队小组由一架侦察机(编号R1)和一架灭火机(编号F1)组成; (3)为编队小组中的每一架无人机生成初始任务集，其中 为R1生成初始任务集为: TSR 1= ，/起飞 ,/飞至T1点侦察 ,/关闭侦察设备 ，/飞至(9,4)处 ，/在(9,4)处等灭火结束 ，/飞至T1进行观察 /返航置S点着陆 为F1生成初始任务集为: TSF 1= /起飞 /在T1处对目标进行灭火 /返航置S点着陆 (4)为编队小组中的每一架无人机规划航线并将航线点编入该架无人机的任务集，由图1，对R1生成的航线点有(5,8), (6,8)和(9,4);对R1生成的航线点有(5,8)和(68)，插入相应的任务集，有: 为R1生成任务集为: TSR 1= ，/起飞 ，/飞至(5,8) ,/飞至(6,8) ,/飞至T1点侦察 ,/关闭侦察设备 ，/飞至(9,4)处 ，/在(9,4)处等攻击结束 ，/飞至T1进行观察 ,/飞至(6,8) ，/飞至(5,8) /返航置S点着陆 为F1生成初始任务集为: TSF 1= ， ， ， ， (5)只有一个任务，编队完成(6)航线交叉冲突检查，无冲突(7)任务分配完成 /起飞 /飞至(5,8) /飞至(6,8)/在T1处对目标进行灭火 /飞至(6,8) /飞至(5,8)/返航置S点着陆3. 4无人机任务分配的一个应用实例3. 4. 1初始环境的建立 结合3. 2的无人机任务分配的数学模型和3. 3的静态任务分配算法，我们以多无人机协同森林灭火为例对无人机任务分配。假定有20个任务目标(人工制给定)，3个UAV飞行编队，每个UAV编队的数目不定，由人工给定。任务分配开始后，需要对所有任务目标进行侦察，灭火，灭火评估。本文在HP 520 (1.8GHz的PC机进行仿真实验，运行环境是Windows XP,编程环境是MATLAB7.10。为简化仿真过程，本文仿真实实验取飞行行路为直线。F几王e Edi七Yiew Insert Tools Deskton Win己ow Helv口11.3 图3.2多无人机任务分配初始点 图_7.2是在MATLAB上利用M文件设计的多无人机任务分配界面 (1)界面左半部分是100*100的二维平面，是用来绘制任务分配示意图的。 (2)界面右半部分中心点，点击选取，可在左半部分任意选取任务中心点，因为初始设置为3个无人机编队，所以选取3个中心点，并记录中心点的二维坐标;点击下面的随机生成的按钮，通过设定聚类半径，本仿真采用的半径为巧，随机生成任意个任务目标点，本仿真是20个随机任务目标点;点击开始按钮运行程序，得出各个无人机编队先后经过的任务点，结合上文的数学模型和有人参与的多无人机任务静态分配算法，得到无人机任务分配方案。3. 4. 2 UAV设定 (1)无人机的数目:由人工制定或者自动生成，本文采用人工指定; (2)起飞位置设定:为方便任务分配仿真，假设无人机的起飞位置都为坐标原点(0,0); (3)巡航速度:为方便运算，假设无人机的速度均为1 OOm/s，且无人机的飞行航路为直线; (4)任务能力:无人机分为侦察机和灭火机，为简化问题，我们设定侦察机的任务能力为_5，即一架侦察机能够最多侦察和监控_5个任务目标;设定灭火机的能力为1，表示灭火机均装备了1箱水。假设无人机编队1中有2架侦察机，2架灭火机，则无人机性能参数表如表3-1:表3-1 UAV初始设定 UAV 起飞位航速(m/s) 最大航程任务能力水箱数编号 置 (km) R1 (0, 0)100 1000 侦察 0 R2 (0, 0)100 1000 侦察 0 F1 (0, 0)100 1000 灭火 1 F2 (0, 0)100 1000 灭火 1 3. 4. 3任务目标设定 (1)任务目标数目:由人工制定或者自动生成，本文采用人工指定; (2)任务目标位置设定:由任务分配系统自动生成; (3)任务目标所消耗能力:即各个任务目标灭火所需要的水量，我们设定每个任务目标灭火所消耗的水量为1箱 (4)任务执行时间:指的是侦察，灭火，所消耗的时间;为简化问题描述，省略时间窗口信息 (5)任务中心的分类:根据任务中心的不同，以及范围半径的设定对任务目标进行划分 根据图3. 3，则任务目标参数表如下: 表3-2任务目标初始值任务目标编目标位置消耗能力任务执行时任务中心 号 (km) (箱) 间(s) T1 (25, 77)1 2 1 T2 (28, 74)1 3 1 T3 (34, 75)1 2 1 T4 (24, 71)1 2 1 T_5 (27, 76)1 3 1 T6 (28, 73)1 1 1 T7 (21, 85)1 1 1 T8 (26, 84)1 2 1 T9 (31, 69)1 3 1 T10 (51, 64)1 2 2 T11 (51, 58)1 2 2 T12 (51, 61)1 3 2 T13 (55, 49)1 3 2 T14 (50, 59)1 3 2 T1_5(76, 19)1 3 3 T16 (74, 22)1 3 3 T17 (84, 17)1 2 3 T18 (62, 22)1 1 3 T19 (75, 16)1 1 3 T20 (75, 8) 1 2 3 3.4.4仿真结果与具体步骤File Edit View Insert Tools Desktop Window Help口ll 图3. 3无人机静态任务分配仿真 仿真结果如图3. 3:具体的仿真步骤是: (1)首先人工制定3个中心，以这3个中心设定半径大小，划分3个圆形区域，在这三个圆形区域中随机生成20个任务目标 (2)通过分析任务目标区域的划分，地面工作站派遣三个无人机编队去完成任务，根据任务目标和无人机的本身能力，比如未命中目标情况，无人机失效的情况，必须在无人机编队众多分配一些侦察机和灭火机。 因为侦察机的能力设定_5，所以当任务目标数目大于等于_5，就得分配两架侦察机，灭火机灭火是有命中概率的，假定灭火机的灭火成功概率为0.9，则需要将需求的灭火机数量除以0.9，并向上取整。 根据以上无人机分配的情况，在无人机编队1中我们分配了2架侦察机，11架灭火机，完成任务T1-T9;在第无人机编队2中分配了2架侦察机，6架灭火机;在第三个无人机编队中分配了2架侦察机，7架灭火机。 我们对无人机编队按顺序编号，则编队1中侦察机编号是R 1-R2，灭火机编号为F1-F11;编队2中侦察机编号是R3-R4，灭火机编号为F12-F17;编队3中侦察机编号是R_5-R6，灭火机编号是F18-F24o (3)从原点出发，我们按照Dij算法的原则进行任务顺序的安排。所谓的Dij算法对任务目标进行搜素，首先以原点为起点，搜索离原点最近的点，然后以该最近点为起点，去除己路过的点，到剩下点最近的点为无人机编队所要经过的下一个点。 (4)完成所有任务后，无人机编队返回原点，也就是无人机基地3. 4. 5有人参与的多无人机任务分配算法分析 根据3. 3. 1算法的具体步骤，我们以第二个无人机编队为例进行分析:该编队中分配了两架侦察机R3, R4, 6架灭火机F12-F17，因为按照时间先后顺序，R3和F12是最先离开基地的侦察机和灭火机，所以以R3和F12为例将无人机编队二的任务分配描述为: (1)侦察机R3起飞至T13点，也就是离原点最近的点。途中无人机R3对路径进行侦察，看路径上有无障碍物或者其他威肋、。 (2)侦察机R3在T13附近进行等待， (3)灭火机F12起飞至于他T13点灭火 (4)灭火机F12随着其他灭火机，往下一个任务目标点飞去，依次飞过F11,F14, F12, F10，最后飞回坐标原点。 (5)侦察机随后飞至T13进行观测，以便进行灭火评估，结束后去往下一个任务目标点，等待，观测，等到该区域内所有任务目标都评估完后，飞回基地，也就是坐标原点。这是在正常工作时得到的情况，如R3失效，或者其他原因导致不能进行侦察，则由侦察机 R4补上，这将在下一章动态无人机任务分配中讲到。 根据以上任务要求，编队2中无人机任务静态分配算法过程如下: (1)任务目标数M=_5，任务目标序号j = 13,11,14,12,10; (2)为任务目标1组织一个无人机编队小组:地面控制站操作任务根据任务性质决定编队小组由两架架侦察机(编号R3 , R4 )和六架灭火机(编号F12, F13,F14, F15, F16, F17)组成;在正常工作情况下只需一架侦察机(编号R3)和五架灭火机(编号F12, F13, F14, F15, F16)就能完成任务; (3)为编队小组中的每一架无人机生成初始任务集，其中为R3生成初始任务集为:TSR3=，/起飞 ,/飞至T13点侦察 ,/关闭侦察设备 ,/在T13附近等灭火结束 ,/飞至T13进行观察 ,/飞至T11附近,/在T11附近等待灭火结束 ,/飞至T11进行观察 ,/飞至T14附近 ,/在T14附近等待灭火结束 ,/飞至T14进行观察 ,/飞至T12附近 ,/在T12附近等待灭火结束 ,/飞至T12进行观察 ,/飞至T10附近 ,/在T10附近等待灭火结束 ,/飞至T10进行观察/返航至原点着陆为F12生成初始任务集为:TSFio=/从坐标原点起飞/对目标T13进行灭火/返航回到坐标原点 F13 F14, F15 F16生成的初始任务集与F12类似，所以不作重复描述。 (4)为编队小组中的每一架无人机规划航线并将航线点编入该架无人机的任务集，由仿真图可知;对R3生成的航线没有变化，而由飞F12生成的航线发生了改变，因为完成对T13的灭火任务后，F12并没有马上返原点，而是同其他的无人机编队一样，依次经过T11, T14, T12, T10，将航迹点插入相应的任务集，有重新生成F12的任务集: TSF 12= /从坐标原点起飞/对目标T13进行灭火 ，/飞往T11 ，/飞往T14 ，/飞往T12 ，/飞往T10 /返航回到坐标原点 (5)无人机编队完成区域内所有任务 (6)航线交叉冲突检查，无冲突。 C7)任务分配完成 我们仅仅通过了对无人机编队2的无人机进行分析，而并没有对无人机编队3和编队1进行算法分析，可以从仿真图中，可以看出，编队1和编队3都存在着交叉冲突，以编队3为例，为消除交叉点，灭火机F21在对T19完成灭火后应该飞往T17而非T20 重新生成F21的任务集:TSF21= ， ， /从坐标原点起飞/飞往T10/飞往T16/飞往T1_5/对目标T19进行灭火/飞往T17/飞往T20/返航回到坐标原点3. 5本章小结 本章主要讨论了静态环境下无人机任务分配问题，首先建立了一个任务分配在森林火灾防护的应用场景，设置了关于实际问题的限制条件，然后建立了一个基于六元组的任务描述，使用了平面网格坐标系对任务分配问题进行建模，在以上的基础了，引出了一种有人参与的多无人机任务静态分配算法，最后利用了一个无人机森林灭火的实例，通过MATLAB仿真说明了算法的可行性和实用性。第四章动态环境下无人机任务分配 由于实际的环境是动态的，无人机，任务目标，和周围环境都会发生改变，所以我们在无人机静态任务分配的基础上，需要对动态环境下无人机任务重新分配进行研究，无人机任务重分配，主要考虑的是任务重分配的“实时性”。4. 1动态任务重分配4.1.1动态任务重分配的触发条件 任务分配使得编队中的每架无人机分配到一个有序任务集，它们通过在时间和空间上的协调，共同配合完成任务。随着任务的执行，战场环境以及无人机编队的状态可能发生改变，如: (1)任务改变 无人机编队在执行任务过程中，其任务集并不一定会是固定不变的。例如，一些在任务执行前未被发现的新目标出现，如果这些新出现的任务被地面控制站操作人员确认为应纳入无人机编队的优先任务时，则需进行任务再分配。又例如，编队中的侦察机发现了新的危险，地面控制站须对无人机进行航线再规划，如果新规划的航线导致原先的制定的任务分配不能执行时，则须进行任务再分配。 (2)无人机状态改变 由于各种不确定因素(如无人机故障)，编队中的各架无人机可能退出任务的执行，而它原先分配到的任务需要分配给其它无人机，这时，需要进行任务再分酉己。 (3)地面控制站 地面控制站可在任何时刻对正在执行的任务进行干预而触发任务再分配。4. 1. 2任务动态再分配采用的策略 可以采用三种形式进行任务动态再分配，包括: (1)整个编队的完全再分配 此种方案如同起飞前的任务静态分配，优点是保证了全局最优;缺点是问题规模较大时，计算时间长。 (2)局部调整 此种方案是任务再分配针对每架无人机单独调整，优点是任务再分配快速;缺点是最优性难于保证。 (3)分组基础上的再分配 此种方案是上述两种方案的折中，它首先对无人机和任务进行分组，然后进行组内任务再分配。 在我们的方案中，地面控制站操作人员可在三种方案中进行选择，以最有利于任务动态再分配。4. 1. 3任务重分配的流程 静态任务分配完成后，系统处于稳定的任务执行状态，这时的任务不会发生变更。当条件发生变化，一些任务需要变更时，将触发任务重分配，之后系统又回到稳定状态，等待整个系统任务完成或下一次重分配。整个重分配过程中系统状态发生变化，同时系统中各执行者的状态也将受到影响。变化过程如图4. 1:图4.1任务重分配流程图4. 1. 4任务动态再分配需要考虑的因素 假设任务动态再分配只在现有无人机编队中进行，即不给现有无人机编队增加新的无人机。这时，需要考虑的因素包括: (1)编队中现有可执行任务的无人机的种类及其数量 (2)主要考虑编队中现有可执行任务的无人机的种类及其数量是否满足任务分配的要求，例如，需要执行新的攻击任务时，但是，当前编队中现有可执行任务的无人机无攻击机，则不能完成任务。当然，也无需再进行任务分配工作。 (3)编队中现有可执行任务的无人机的当前位置和续航时间 (4)当(1)的条件满足时，根据编队中现有可执行任务的无人机的当前位置和新的任务目标位置重新规划新的航线，并估计各架无人机完成任务并正常返航所需的时间，与续航时间进行比较，确定是否继续进行任务分配工作。 (5)待执行的任务目标位置和时间窗口 (6)当(1)和(2)的条件都满足时，任务动态再分配可以完成。这时，还需对己规划任务的时间窗口与待执行任务的时间窗口进行比较，确定是否执行己完成分配的新任务。4. 1. 5任务改变时的任务动态再分配算法 任务改变时的任务动态再分配算法如下: (1)由地面控制站操作人员确定参加新任务的无人机; (2)被确定参加新任务的无人机停止执行现行任务，原地等待; (3)由地面控制站操作人员选择任务动态再分配策略; (4)对所有参加新任务的无人机指派任务和规划航线; (5)如果规划的新航线满足执行新任务的要求，则由地面控制站操作人员将任务集发送给对应的无人机，并启动执行; (6)参加新任务的无人机结束等待，执行任务由地面控制站操作人员将任务集发送给对应的无人机，并启动执行。4. 1. 6无人机状态改变时的任务再分配 当某一架无人机状态异常时的任务动态再分配算法如下: (1)安排该架无人机返航并着陆; (2)确定该架无人机状态改变使得该无人机不能继续执行的任务是哪一个任务; (3)判断该编队小组中是否有同类无人机可以替代退出的无人机?若有，转下一步;否则，转(5); (4)对该编队小组的无人机进行任务再分配; (5)判断是否可能从编队中的其它小组抽调一架同类无人机替代退出的无人机?若有，转下一步;若无，则不能继续按原计划执行该任务。这时，由地面控制站操作人员确定该任务是否继续执行，例如，某侦察一灭火小组的侦察机发生故障，侦察机退出，这时，应由地面控制站操作人员确定攻击机是否继续执行任务;如果是攻击机发生故障，则该任务不能由该编队小组继续执行，这时，对整个编队来说，相当于增加了一个新任务，按任务改变时的任务动态再分配算法进行; (6)涉及的两个编队小组进行任务再分配。4. 2动态任务重分配的应用实例基于3.4节静态任务分配的应用实例，我们来讨论在动态环境下任务的重分配方法4. 2. 1任务改变时的任务动态重分配算法实例 初始环境的建立引用第三章3. 4中的MATLAB仿真图3. 2 静态任务分配时，无人机编队1由两架侦察机，11架灭火机组成;无人机编队2由两架侦察机和6架灭火机组成;无人机编队3由两架侦察机，7架灭火机组成，静态分配路线图如图3. 3 0 在3. 4无人机静态任务分配的基础上，坐标为(74, 10)，则得到仿真图:图4. 2.里熟吸征致护.假定在=800s时，增加新任务点T21,File Edit View Insert Tools Desktop Window Help口ll 图4.2 t=800时，增加新任务T21 假定不考虑时间窗函数和任务执行时间，无人机编队3，零秒时从基地起飞，到达T18点需要花费6_58s，由T18飞到T16花费120s,T16飞到T1_5花费36s;可知t=800s时，无人机编队3正由T16飞往T1_5的途中。根据4. 1. 5给出的任务改变是的任务再分配算法 (1)由地面控制站操作人员确定参加新任务的无人机; 由图4. 2可知新任务点落在了区域3，所以最好是编队3中的无人机去完成T21的任务。无人机编队3包含的无人机为R_5-R6, F18-F24，在t=800s时，无人机编队3正由T16飞往T1_5的途中，假定按照无人机编号来确定任务执行无人机的顺序，则，在t=800s时无人机R_5己经消耗了能力2，而侦察机的能力设定为_5 ,如果R_5去对新任务点进行侦察，R6也有足够的能力完成对区域3中剩下任务的侦察，而R6也可以直接去T21侦察，再回来侦察区域3中的其他任务集。所以R_5和R6都可以去参加新任务。在t=800s时，F18,F19己经完成了灭火，不具备灭火能力，所以只能在F20-F24中选取一架灭火机，因为T21只需要1架侦察机和一架灭火机就能完成任务，所以我们选择R6和F20为去参加新任务的无人机。 (2)被确定参加新任务的无人机R6和F20停止执行现行任务，原地等待; (3)由地面控制站操作人员选择任务动态再分配策略; 因为新增任务在中心3所包含的区域内，新增的任务少，并且无人机编队3中有空闲的侦察机和灭火机，所以我们采用局部重调度策略，能够快速的分配完新任务。 (4)对所有参加新任务的无人机指派任务和规划航线; 因为t=800s时，R6，和F20均在T16和T1_5之间，所以为R6和F20制定新的任务集如下: 因为R6在无人机编队3中刚开始不进行侦察工作，由R_5完成，而R_5的能力只有_5不能完成6个任务的侦察，所以最后的任务7必须由R6完成，所以R6在完成新任务的侦察和评估后将回到T17进行侦察和评估。所以得到R6的任务集如下: TSR6= ,/从原点起飞 ,/飞至T18点 ,/飞至T16点 ,/在T1_5, T16间等待 ,/飞至T21侦察 ,/在T21附近等待灭火结束 ,/飞至T21进行观察 ,/飞至T17侦察 ,/在T17附近等待灭火结束 ,/飞至T17进行观察 /返航至原点着陆 F20的新任务集相对简单，如下; TSFZo= /从坐标原点起飞 ,/飞至T18点 ,/飞至T16点 ,/在T1_5, T16间等待 /对目标T21进行灭火 /返航回到坐标原点 (5)如果规划的新航线满足执行新任务的要求，则由地面控制站操作人员将任务集发送给对应的无人机，并启动执行; 经计算无人机R6和F24，均没超出最大航程，而且，完全满足新任务的要求，所以新任务启动。 (6)参加新任务的无人机结束等待，执行任务由地面控制站操作人员将任务集发送给对应的无人机，并启动执行。4.2.2无人机状态改变时的任务动态重分配算法实例File Edit View Insert Tools Lesktop Window Help口ll 图4.3 t=900s时，R3失效 如图4.3，假定在t=900s时，无人机R3失效，t=900s时，经计算，无人机编队2正由T12飞往T10根据4. 1. 6给出的无人机状态改变时的任务再分配算法，结合现在的具体例子进行分析(1)安排该架无人机返航并着陆; R3按原路径返航的任务集如下: TSR3= ，/起飞 ,/飞至T13点侦察 ,/关闭侦察设备 ,/在T13附近等灭火结束 ,/飞至T13进行观察 ,/飞至T11附近 ,/在T11附近等待灭火结束 ,/飞至T11进行观察 ,/飞至 T14附近 ,/在T14附近等待灭火结束 ,/飞至T14进行观察 ,/飞至T12附近 ,/在T12附近等待灭火结束 ,/飞至T12进行观察 ,/飞至T12和T10之间R3失 效 /返航至原点着陆 (2)该架无人机状态改变使得该无人机不能继续执行的任务是哪一个任务; 不能执行的任务是对T10的侦察和观察; (3)编队小组中是否有同类无人机可以替代退出的无人机?若有，转下一步;否则，转(5); 因为无人机编队2中侦察机除了R3以为还有R4，所以转第四步 (4)对该编队小组的无人机进行任务再分配;R4的新任务集可以表示为 TSR4= ，/起飞 ,/飞至T13附近 ，/飞至T11附近 ,/飞至T14附近 ,/飞至T12附近 ,/飞至T10附近 ,/在T10附近等待灭火结束 ,/飞至T10进行观察 /返航至原点着陆 (5)判断是否可能从编队中的其它小组抽调一架同类无人机替代退出的无人机?若有，转下一步;若无，则不能继续按原
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号