應對突發事件的無人機監測任務分配和航行路徑規劃

薛文斌，龐國楹 ，汪志遠

(1.軍事交通學院 國家應急交通運輸裝備工程技術研究中心，天津 300161;2.軍事交通學院 基礎部，天津 300161)

?

● 基礎科學與技術 Basic Science & Technology

應對突發事件的無人機監測任務分配和航行路徑規劃

薛文斌1，龐國楹2，汪志遠1

(1.軍事交通學院 國家應急交通運輸裝備工程技術研究中心，天津 300161;2.軍事交通學院 基礎部，天津 300161)

為優化無人機監測任務分配和航行路徑，以2009年我國應用軍用偵察機和無人機監測雅安地震災情為研究始點，通過采用多目標優化理論建立受航行時間、航程、地形和天候等限制約束條件的多目標模型，研究以編隊規模最小、航程最短、威脅系數最小為整體目標函數的無人機監測問題。利用粒子群算法進行模擬仿真，得到第一波次緊急監測過程以及優化決策后第二波次監測過程中，無人機具體監測任務分配、航行路徑、每個監測點的監測時間、總航程和最優飛行次數等結論。最后，通過對比分析提出相應的監測任務分配和航行路徑優化建議。

無人機監測；任務分配；航行路徑；多目標優化；粒子群算法

近年來, 我國各地自然災害頻發，諸如 “汶川地震”“玉樹地震”“甘肅舟曲特大泥石流”和“雅安地震”等。因此，對地震等突發事件發生后的“及時監測”是應急管理的重中之重。在2009年雅安地震發生后，原北京軍區派出軍用偵察機，地方政府調用無人機對災區進行了實時監測，為匯總受災情況和調動救援人員等提供了及時有效的數據支持，成為無人機技術應用到我國應急救援及監測管控的成功案例。隨著自動化控制和網絡通信技術的發展，無人機技術正朝著數字化和智能化等方向發展，除了在軍事領域得到應用外，在民用領域尤其是應急管理中也受到廣泛關注。

無人機在應急管理中的監測技術主要涉及任務分配技術和航路規劃技術[1-2]。其中，任務規劃的目的是找出一條最佳飛行航線，以及在航線上對有效載荷的控制策略，使之最大限度地發揮有效載荷的作用。J D Wolfe等[3]研究了強耦合編隊規模的無人機編隊飛行航跡規劃問題；柳長安[4]將蟻群算法用于飛行器的偵察與攻擊任務的航路規劃；葉媛媛等[5]在任務規劃系統的框架中運用以V圖為主的算法，實現了無人機的靜態單航路和多航路協同規劃；張昉[6]應用混合系統理論、威脅感知法對任務規劃建模問題進行了研究；蒙波[7]采用傳感器的波束覆蓋范圍和A*算法對無人機的航跡規劃和任務分配進行了研究?，F有主要的航路規劃方法有動態規劃法、電勢理論法、遺傳算法、最優控制法和Voronoi圖形法等。

基于上述研究，本文以2009年我國應用軍用偵察機和無人機監測雅安地震災情為研究出發點，主要考慮無人機受到實際飛行時間和飛行航程限制，以及來自地面地形威脅和惡劣天氣威脅等現實情況，建立了以編隊規模最小、航程最短、受威脅最小為目標函數的多目標優化模型，研究了突發事件發生后，無人機任務分配和航行軌跡規劃的問題，并且改進多目標優化粒子群算法，通過仿真模擬對比任務分配和航行軌跡規劃的合理性與科學性，對應急管理以及搶險救災的決策提出科學合理的建議。

1 多目標優化模型

在突發事件發生后，管理層需要第一時間了解災區具體的人員、道路和地形等受災情況。所以，在派遣無人機監測過程中需要協調派遣最近基地的無人機，在監測過程中要盡量滿足飛行時間和航程最短，所受地形和天氣威脅最小，保證安全返航。因此，本文考慮在應對突發事件等監測任務時，無人機在航行過程中受到最大飛行時間、最大續航距離、地形和天氣威脅范圍(安全飛行范圍)以及每個監測點需監測的次數等為約束條件，建立以編隊規模最小、航程最短和威脅最小為目標函數的多目標優化模型，即

Minf(Number_Scale，Flight_Voyage，Flight_Threath)

式中f函數為無人機編隊規模、總飛行航程的無人機所受威脅指數的整體效應，具體意義如下：

(1)編隊規模Number_Scale。

(2)

式中：Basic=1，2，…，為基地數量；Load=1,2，…，為載荷種類；Point=1,2，…，為監測點數量。如果第mission次任務從基地basic到監測點point間存在路徑，則N_SBasic，Load，Point,Mission=1，否則為0。式(2)為無人機的數量與基地數、載荷種類以及監測點數量有關，也就是說，所需編隊數量不考慮沒有偵察任務的無人機。

(2)總航程Flight_Voyage。

(3)

固定載荷無人機按照飛行任務監測相應觀測點的續航距離應該小于等于其載荷無人機的最大續航距離SLoad,Max，即滿足

(4)

(3)威脅指數Flight_Threath。

地形威脅：

天氣威脅：

威脅指數：

Flight_Threath=Standard(Topography_Threath)+Standard(Weather_Threath)

(5)

特別地，無人機飛行應該滿足其產品的設計要求，在最大最小Threath_Scale設置范圍之內，這也是為保障安全有效完成任務的前提。

Min{Threath_Scale}≤Flight_Threath≤Max{Threath_Scale}

(6)

式中：Topography_Threath為地形威脅度；Longitude,Latiude為經度和緯度；Space_Scope為需要監測的范圍；Weather_Threath為不同天氣的威脅程度；Height(longitude,latitude)為高度；Disgust(Longitude,Latitude)為惡劣強度；Standard(Weather_Threath)為天氣威脅標準化后的數據；Standard(Topography_Threath)為地形威脅標準化后的數據；Proability(Longitude,Latitude)為在某一個節點上的惡劣天氣預報概率。

(4)航行時間TFlight。

不同載荷無人機需從基地起飛沿航行軌跡航行一周然后返回基地。第一波次航行起飛時間為

(7)

加油維修，決策優化后，第二波次航行起飛時間為

(8)

每架無人機在一定時間內只能完成首飛和維護后各檢測1次的任務，每個載荷的無人機航行距離不得超過最大值，即滿足

TFlight=TFirst+TSecond+tService≤TMax

(9)式中：tBasic，Mission,Load為某載荷的無人機在某基地起飛的時間；tBasic，Mission，Load，Point為某載荷的無人機在某基地起飛沿著航行軌跡監測一圈的時間；tMonitor為監測的時間；tService為加油維修的時間；Monitor=1,2,…，為監測次數；TMax為無人機最大續航時間。

(5)監測點被監測的次數NMonitor_Frequence。

固定載荷無人機應該完成對相應監測點的監測次數，即滿足

(10)

式中：Weight_Point為監測點的重要度；Need(Monitor_Frequence)為監測點應該滿足的監測頻率。

該模型充分考慮了無人機在應對突發事件偵察過程中的各方面因素，包括監測次數等任務指標以及受到無人機自身航行時間、距離和航行所受威脅等實際飛行過程中的限制條件，并且指出了以最小派遣編隊規模、最短航程和最小威脅為目標函數下的任務分配方案和航行規劃路線，該模型具有理論和實際意義。

2 粒子群算法

任務分配和航行規劃問題可以視為在基本的旅行商(travelling salesman，TSP)問題上增加了更多約束條件擴展而來的，屬于非確定多項式(non-deterministic polynomial,NP)問題。而且，該問題是典型的多目標優化問題，在其優化過程中，各子目標往往是沖突的，一個子目標性能的改善可能引起另一個子目標性能的降低，因此本文采用多目標優化粒子群算法。粒子群算法是一種有效的全局尋優算法，通過個體間的協作與競爭，實現復雜空間中最優解的搜索。

本文采用的多目標優化粒子群算法[8-9]，主要通過更新粒子速度和位置得到最優位置與全局最優位置的策略，來尋找無人機監測調度問題的最優解。這個過程包括初始種群生成，目標函數計算、個體最優位置和全局最優位置選擇等幾個主要部分組成。

3 模擬仿真

本文選取非常規突發事件(例如地震)發生在經度24.58°～33.85°，緯度95.85°～104.20°，海拔222～2 520 km的地理范圍內。該區域應為丘陵山區地帶，有6座高山，10個小村莊，8個鄉鎮，6個城市，周邊建有3個監測偵查基地，地理位置分布如圖1所示。假設在非常規突發事件發生初期，3個基地首先根據區域劃分進行第一波次監測；然后，在通過決策層對反饋信息進行整理分析以及對無人機進行維修加油后，重新分配任務進行第二波次監測。該區域內的天氣屬于同類狀態，正常天氣下無人機的最大續航能力為300 km，惡劣天氣預報概率0.3，惡劣程度為90 d(惡劣程度取值范圍：0～100 d)，受天氣影響的最大續航能力為250 km，最大續航時間35 min。通過Matlab對模型編程運行。

表1給出了3個監測基地的最優航行路徑、總時間和總航程。由圖1和表1可以看出：基地B03的監測任務最重，包括10個地區，耗時最長；基地B01的監測任務最輕,包括5個地區，耗時最短；所有航行路線均已躲避高山地區，沿山凹或者平坦地區飛行；3個基地的飛行路線沒有重合之處。這說明按照區域進行監測劃分對非常規突發事件發生初期，快速分配任務，有效監測災情是有利的。

從圖2和表1中可以看出，所有航行路線均已避開高山威脅區域，基地B01、B03的監測耗時均小于第一波次的時間，基地B02增加了監測的數量而且環繞了3座高山，時間較第一波次增加了1.321 2 min，但是整體耗時較第一波次的時間縮短了45.564 5 min，降低了58.289 7%。

圖1 突發事件發生后，3個基地按照區域劃分的 航行監測優化路徑

圖2 監測任務調整或維修加油后，3個基地不同型號無人機 按行政類別劃分的航行監測優化路徑

從整體來看，在第一波次的監測結果的分析基礎上，通過調整基地的監測任務和分配不同載荷無人機進行不同的任務監測，可以有效提高監測效率，增加監測的頻率。雖然部分路線存在相近或者重合現象，這可以對某些監測點進行隨時監測或者靈活調整監測任務，更有利于對次生或衍生災害事件進行實時監測。

表1 突發事件發生后，3個監測基地的最優航行路徑、總時間和總航程

4 結 語

本文以2009年我國應用軍用偵察機和無人機監測雅安地震災情為出發點，利用多目標優化理論和粒子群算法，研究了在山區或丘陵等地區的突發事件發生后，以飛行時間、飛行航程限制以及無人機規格限制為約束條件，以無人機編隊規模最小、航程最短、威脅系數最小為目標函數下，第一波次應急監測任務分配和航行監測，以及第二波次優化分配任務與路徑后的無人機具體任務分配、監測路線、監測點時間、總航程和最優飛行架次的相關問題。本文中所提的任務分配和航行路徑規劃方法，具有較好的實用性和擴展性。但是無人機在應急救援和管理中的偵察任務受各方面因素影響，具有復雜性，尤其是在基地分布和優化算法上還需進一步研究。

[1] PAUL G F, THOMAS J G.無人機系統導論[M]. 吳漢平，譯.2版.北京：電子工業出版社，2003.

[2] ANDERSSON M, WALLANDER J. Kin selection and reciprocity in flight formation behavioral [J].Ecology,2004,15(1):158-162.

[3] WOLFE J D, CHICHKA D F,SPEYER J L. Decentralized Controllers for Unmanned Aerial Vehicle Formation Flight[C].SanDiego:AIAA Guidance Navigation and Control Conference,1996.

[4] 柳長安.無人機航路規劃方法研究[D].西安:西北工業大學,2003.

[5] 葉媛媛，閔春平，沈林成，等.基于VORONOI圖的無人機空域任務規劃方法研究[J].系統仿真學報,2005,17(6):1353-1355.

[6] 張昉.無人機任務規劃技術研究[D].南京：南京航空航天大學,2009.

[7] 蒙波.無人機航跡規劃與任務分析的仿真與實現[D].成都：電子科技大學,2010.

[8] 李相勇,田彭,孔民.解約束優化問題的新粒子群算法[J].系統管理學報,2007,16(2):120-129.

[9] 黃友銳.智能優化算法及其應用[M].北京:國防工業出版社,2008.

(編輯：史海英)

Unmanned Aerial Vehicle Monitoring Mission Allocation and Path Planning in Emergency

XUE Wenbin1, PANG Guoying2, WANG Zhiyuan1

(1.National Emergency Transportation Equipment Engineering Technology Research Center, Military Transportation University,Tianjin 300161,China; 2.General Courses Department, Military Transportation University, Tianjin 300161, China)

To optimize unmanned aerial vehicle monitoring mission allocation and path, the paper takes military reconnaissance aircraft and unmanned aerial vehicle monitoring Ya’an Earthquake in 2009 as the research object, and studies unmanned aerial vehicle monitoring problem with overall objective function (smallest formation scale, shortest voyage and minimum threat coefficient)by establishing multi-objectives model which is restricted by voyage time, range, terrain and weather with multi-objectives optimization theory. Then, it obtains the result of monitoring mission allocation, voyage paths, measurement time of each monitoring point, total voyage and optimal flights with particle swarm algorithm in the process of first emergency monitor voyage and second optimized voyage. Finally, it proposes reasonable suggestions on responding monitoring mission allocation and voyage path optimization.

unmanned aerial vehicle monitoring; mission allocation; voyage path; multi-objectives optimization; particle swarm algorithm

2016-05-26；

2016-06-21．

天津市科委項目(14ZCZDSF00024)； 軍事研究生課題(2011JY002-381,2012JY002-418).

薛文斌(1965—)，男，碩士，副研究員.

10.16807/j.cnki.12-1372/e.2017.04.021

U491.114

A

1674-2192(2017)04- 0090- 05