林火搜救多无人机协同任务分配方法.pdf

中国新技术新产品2024 NO.3（下）-133-生 产 与 安 全 技 术随着科技的不断进步与创新，越来越多的国内外专家与学者开始致力于探索无人机在搜救行动中的潜在应用。肖玉杰等1提出了一种分层框架，其用途是分配任务、规划路径和进行碰撞检测，其中，使用协商算法进行任务分配。袁德平等2运用群智能算法和进化算法解决了搜救任务分配问题。朱红果等3提出一种基于市场机制的复杂任务分配算法，充分考虑了任务的优先级，并验证了分层动态树方法在大规模 UAV 监测中的有效性。国博等4创建了基于混合整数线性规划的任务分配模型，并改进了粒子群算法，以解决多 UAV 任务分配问题。有伟等5综合考虑多种约束条件，建立多目标整数规划的任务协同分配模型，设计了免疫粒子群算法，以解决多 UAV 任务分配问题。Deng，Qi bo等6使用多类型基因改进遗传算法处理异构 UAV 动态任务分配问题，同时考虑了资源约束。基于无人机在搜救行动受到的环境影响，如风速、风向、大气能见度、云层高度以及光照角度等关键要素，本文构建了一个无人机-环境约束模型，旨在精确评估并优化无人机在复杂环境下的搜救效率。针对多机协同搜救任务分配问题，提出状态压缩动态规划算林火搜救多无人机协同任务分配方法刘森姜雪松张宇晨郭轶男李晋泽（东北林业大学，黑龙江 哈尔滨 150040）摘 要：本文提出了一种基于改进的状态压缩动态规划（Dynamic Programming，DP）对多无人机（Unmanned Aerial Vehicle，UAV）协同搜救任务分配方法。根据环境的动态变化性和无人机自身性能约束建立以多 UAV 协同搜救时间最短为目标任务分配模型，考虑火势蔓延速度、地形坡度以及无人机油耗等多个因素构建无人机-环境约束模型，应用改进的 DP 算法对任务分配问题求解，仿真结果表明本方法的有效性和优越性。关键词：多无人机协同；搜救约束模型；地形建模；改进动态规划算法中图分类号：V279文献标志码：A表 8 治理前后富水崩坡积堆积体监测参数进程无侧限抗压强度（kPa）内摩擦角（）黏聚力（kPa）变形速率（mm/d）治理前11418.9520.141.1治理后34537.6330.56-0.1由表 8 可知，治理后，高速公路隧道富水崩坡积堆积体的无侧限抗压强度、内摩擦角、黏聚力显著增加，均符合设计要求。变形速率显著下降，表明综合应用防排水、隧道底部加固、边坡预加固技术，可以有效提高富水崩坡积堆积体的稳定性，保障高速公路隧道施工作业安全推进。5 结语综上所述，富水崩坡积治理是隧道施工作业的难题，单一堆积体治理技术无法保证治理效果。因此，在富水围岩的不利情况下，应从防控降水诱发滑坡着手，创新应用综合防排水方案。针对现场滑坡体特点，技术人员可以综合应用盲沟排水、钢花管注浆技术，加固隧道底部。在这个基础上，技术人员可以利用洞口减桥跨延长路基反压技术和防滑桩等技术，控制围岩变形，在降低隧道洞口堆积变形体滑坡事故发生率的同时，为建设环保、安全的隧道工程提供技术支持。参考文献1 赵永辉.雅鲁藏布江公路滑坡发育特征及破坏机理研究 J.公路，2021，66（4）：6-10.2 叶茂盛，杨梦力，王建军，等.澜沧江沿岸某岩堆地质特征及成因分析研究 J.工程勘察，2022，50（6）：26-31.3 刘希林，卓瑞娜.崩岗崩积体坡面初始产流时间影响因素及其临界阈值 J.生态环境学报，2023，32（1）：36-46.4 张寅寅.不同排水方案下均质土坝渗流及坝坡稳定性有限元仿真 J.中国农村水利水电，2019（8）：110-115.5 严琼，曹振生，王猛，等.路堑高边坡桩板墙加固方案设计优化研究 J.中外公路，2022，42（6）：12-17.6 雷晓锋，汪班桥，李楠.格构梁锚杆加固滑坡地震动力响应分析 J.水文地质工程地质，2020，47（1）：89-95.7 吴玮江，王国亚，刘兴荣，等.甘肃舟曲县牙豁口滑坡发育特征与成因分析 J.冰川冻土，2021，43（2）：544-554.（上接第125页）图 4 降水井立面示意图黏士回填穷实37mm砂那石过滤层外包一层40目尼龙网150m4m2m沉沙段0.5m中国新技术新产品2024 NO.3（下）-134-生 产 与 安 全 技 术法，通过仿真确定最终任务分配方案。1 无人机-环境约束模型1.1 风力风速约束模型无人机的最大抗风能力 Cw通常取决于多个因素，包括无人机的质量、体积以及发动机的最大输出功率等核心参数。在气象学领域，根据其对各种物体的影响程度将风速划分为不同的等级。目前，搜救无人机能够在最大风力达到 6 级的情况下保持稳定运行和操作。为保障搜救无人机的安全，保证搜救效率，本文设定了无人机可承受的最大风速为 10.8m/s。一旦风速超过阈值，无人机将无法通过该区域。当风速超过可承受最大风速时，可通过降低无人机的飞行高度来减缓风速，直至其降至无人机可承受的最大风速范围内。采用该模型的目的是找到一种策略，以应对不同风速条件下的搜救任务，如公式（1）所示。vvHsHHsHscm?10 8.（1）式中：vH为由当前高度降低高度 H 后的风速大小；vs为海拔高度 Hs 处的平均水平风速大小构建无人机最大抗风能力与飞行速度之间的约束模型，以保障搜救行动的安全，如公式（2）所示。f vvvcvcwwww?0（2）式中：v 为搜救无人机搜索时的飞行速度；vw为当前风速；cw为无人机可承受最大风速。1.2 能见度约束模型根据森林地区能见度的特性分析，该地区的局部能见度与平原地区存在显著差异，变化较大。在能见度较低的情况下，为了确保机载摄像机能够清晰拍摄到目标区域的地面情况，搜救无人机需要降低飞行高度，因此，本文构建了能见度与拍摄距离之间的约束关系模型，如公式（3）公式（5）所示。HVisBsB?1200?ln （3）HHcloud （4）HHVisHHHHHcloudminmaxminmax?（5）式中：Vis 为目标区域的当前能见度；Hcloud为云层距离地面的相对高度；Hmin为搜救无人机在该地区最低安全飞行高度，具体高度值须根据实际情况进行确定；Hmax为搜救无人机的最高飞行高度。1.3 光照角度对无人机搜救约束通常可以用太阳的高度角和太阳方位角来描述光照角度。这 2 个参数对拍摄图像的清晰度和质量有重要影响，如图 1 所示。光照角度和方位角关系式如公式（6）所示。sinsin sincos coscoscossinsinsincoscos?（6）式中：、分别为太阳的高度角和方位角；、分别为赤纬角和太阳时角。1.4 搜救无人机视程约束当搜救无人机执行搜索与救援任务时，其核心功能依赖于图像采集技术。在实践中，常见的图像采集方法涵盖了摄像机、扫描仪、红外线热成像仪以及激光雷达等多种设备。然而，鉴于森林环境的独特复杂性，这些设备在应用中常会受到环境因素的干扰，影响其精确度。同时，考虑经济成本，搜救无人机难以配备高精尖或高成本的图像采集设备。搜救无人机携带的摄像机系统包括摄像头和云台 2 个主要部分，以满足在搜救任务中获取图像数据的需求。搜救无人机机载摄像机对目标区域地面的拍摄方式如图 2 所示。图 2 搜救无人机动态视程示意图H1H2无人机尺寸和搜救无人机拍摄视程的比例关系如公式（7）公式（9）所示。swlp=（7）pminp （8）2tan2tan4minpwlH （9）式中：p 为待搜救区域面积和无人机搜救视程之间的比例关系；l 为待搜救区域长度；w 为待搜救区域宽度；、分别为太阳的高度角和方位角。1.5 无人机动态搜救油耗约束搜救无人机的油耗受多种因素影响，包括发动机型号、注：、分别为太阳的高度角和方位角。图 1 太阳光照角度北水平面倾斜面东Z南中国新技术新产品2024 NO.3（下）-135-生 产 与 安 全 技 术飞行速度、载荷以及飞行高度。在发动机型号一致的情况下，飞行速度、载荷和飞行高度与油耗之间存在正相关关系。随着飞行速度的增加、载荷的加重以及飞行高度的提升，无人机的油耗也会相应上升。基于这些因素，可以构建一个关于搜救无人机油耗的模型表达式，如公式（10）公式（15）所示。Fueli=v，G，Hi（10）FuelHC=fuelH（11）Fuelu H=1 fuelH （12）fuelDH=2 fuelH （13）FuelFueltFueltFuelttotalHCiHUjHUkKjnim?1011 （14）FueltotalCapfuel（15）式中：Fueli为搜救无人机在高度 Hi处搜救时的油耗；v 为搜救无人机的飞行速度；G 为无人机所携带的负载；FuelHC为搜救无人机在高度 H 处巡航时的油耗；C 为巡航阶段；fuelH为搜救无人机在巡航阶段的速度、高度和载荷均不变阶段无人机的油耗为固定值；Fuelu H为搜救无人机爬升高度的油耗；U 为爬升阶段；1每百米油耗增长系数，即每爬升100m 消耗燃料增加量的燃料消耗；FuelDH为搜救无人机下降高度 H 的油耗；D 为下降阶段；2为每百米油耗降低系数，表示在下降阶段每下降 100m 所减少的燃料消耗；H 为无人机在不同飞行阶段的高度变化；C 为搜救无人机在特定高度 H 处的巡航阶段的耗油量，即巡航期间的燃料消耗；imitHCFuel=1为搜救无人机在飞行高度 H 处、飞行总时间=miit1的耗油量；m 为在高度处 H 的航段数；capfuel为最大载油量。2 无人机协同搜救任务分配模型原理2.1 火势蔓延模型模型假设如下。A1：森林火灾火势初始蔓延速度与气温和风力呈线性相关。A2：研究区域为丘陵地区，地势坡度 60。A3：林场类型包括草甸、次生林和针叶林。A4：能够及时获取森林火灾区域的气象数据，如公式（16）和公式（17）所示。V0=aT+bW+c（16）Vd=v0KsKwK=V0KsKe0.1782vw （17）式中：Vd 为火势蔓延速度；Vw为风速；V0为火势初始蔓延速度；Ks为可燃物类型修正系数；Kw为风力修正系数；K为地形坡度修正系数；T 为温度；w 为风力；a=0.053，b=0.048，c=0.275。初始蔓延速度可通过地表可燃物取样火烧方法测算获得，根据回归取样数据可得到 V0与空气温度、风速或风力等关系式；可燃物类型修正系数为草甸 Ks，g=1.0；次生林Ks，sf=0.7；针叶林 Ks，cf=0.4；草甸、零坡度地势、风力等级为12 级时的 Vw。2.2 基于状态压缩动态规划算法建模使用状态压缩的动态规划，mask：由 01 组成的二进制数，第 i 位表示第 i 个着火点，第 i 位为 1 说明第 i 个着火点已灭火，第 i 位为 0 说明第 i 个着火点未灭火。dpjmask：说明在只有1个无人机且状态为mask时，最后1个灭火点为j，需要的最短时间 prev_j：j 的前一个灭火点，prev_mask：j 的前一个灭火点对应的 mask，time_to_extinguish：从 prev_j 到 j 点并灭火需要的总时间。先求出使用 1 个无人机时状态为 mask 的最短时间 dp20mask=min（dpjmask）j 在 mask 内再通过动态规划求出 dp2imaski 1，dp2imask1=min（dp2imask1，max（dp20mask2，dp2i-1mask1-mask2），dp20mask2 表示状态 mask2 用第 i+1 个无人机去灭火 dp2i-1mask1-mask2 表示剩余的灭火点用前 i 个无人机去灭火，最终求出多无人机的飞行路径 paths 和总灭火时间。模型假设如下。1）着火点的火势由中心匀速环状向外蔓延，蔓延半径和时间成正比。2）各无人机的救援速度相同。3）无人机同型号且飞行速度相同。4）出救点的资源储备满足火点的总需求。目标函数 min_Tp。Tp=v0i/vf+（tp60vdi+ri）/（vu-vdi）/60 （18）FueltotalCapfuel（19）Hl wp?422mintantan?（20）式中：Tp为搜救时间；Vij为第 i 个着火点到第 j 个着火点距离（第 0 个点为救援点）；ri为第 i 个着火点初始火势大小；vdi为第 i 个着火点火势蔓延速度；vf为无人机飞行速度；Vu为无人机搜救速度。3 案例分析3.1 案例为验证多无人机协同任务分配模型的有效性，本文以2010 年大兴安岭呼中林业局呼中林区发生火灾为背景，根据调查有 7 个着火点，火灾于 7 月 3 日 11 时被扑灭。各火点之间的距离如图 3 所示、气象以及地理数据见表 1 表 3。本文采用贪心算法和状态压缩 DP 算法进行求解。所有搜救无人机均从同一起点飞入各自负责的子区域。已知该型号的搜救无人机性能如下：升限高度为 6700m，最大载油量为 5000mL，油耗系数 1=2=0.05；该型号搜救无人机的搜救能力如下：横向视场角=60，纵向视场角=60，对发生火灾区域进行标记，分别为 A、B、C、D、E、F 和 G 共 7 个地区。出救点目前有 3 架无人机向 7 个着火点进行搜救。3.2 仿真结果基于改进动态规划算法和贪心算法仿真结果，假设有 3架无人机，飞行速度分别为 80km/h、85km/h、90km/h、95km/h表 3 各着火点的火势蔓延速度着火点火势蔓延速度/（mmin-1）着火点火势蔓延速度/（mmin-1）A5.16E6.56B2.20F4.83C2.55G3.40D6.98中国新技术新产品2024 NO.3（下）-136-生 产 与 安 全 技 术以及 100km/h，对比如图 4 和图 5 所示。对比训练结果可知，固定无人机数量和无人机飞行速度，无人机救援速度在 15km/h20km/h，贪心算法的救援时间比动态规划算法的救援时间更短，而无人机救援速度在10km/h15km/h，动态规划算法的救援时间比贪心算法的救援时间更短。然而实际救援速度大部分在 10km/h15km/h，因此改进的动态规划算法更有优势。4 结语本文研究了多 UAV 对于动态任务分配的问题，在综合考虑 UAV 能耗、视程等自身性能约束，执行任务环境约束等条件的情况下建立以 UAV 搜救时间最短为目标的任务分配模型。1）根据搜救任务的动态变化趋势选取符合搜救环境的 UAV，满足搜救任务的稳定性。2）状态压缩 DP 以更快的速度进行状态转移和计算，因为状态的表示更紧凑。这可以降低计算复杂度，使任务分配问题的求解时间更短，特别是对于大型复杂任务分配问题来说。参考文献1 肖玉杰，李杰，刘方.基于合同网的分布式动态任务分配算法 J.舰船科学技术，2015（3）：6.2 袁德平.基于混合群智能算法的无人机集群任务分配J.中国电子科学研究院学报，2023，18（6）：531-538.3 朱红果，郑昌文.一种基于 PSO 的多 UAV 协同航迹规划方法 J.计算机工程与科学，2010，32（10）：142-144.4 国博，王社伟，陶军.基于改进粒子群算法的多无人机任务分配研究 J.计算机仿真，2009，26（7）：62-64.5 有伟，王社伟，陶军.基于免疫粒子群算法的多UCAV 协同任务分配 J.计算机工程与应用，2010，46（32）：5.6DENG，QIBO，YU，et al.Cooperative task assignment of multiple heterogeneous unmanned aerial vehicles using a modifed genetic algorithm with multi-type genesJ.Chinese Journal of Aeronautics，2013，26（116）：150-162.通信作者：姜雪松（1979），男，博士，副教授，主要研究方向为工业工程与管理、制造系统工程及信息化、现代机械设计理论与方法研究。电子邮箱：。基金项目：黑龙江省自然科学基金资助项目“基于调制电子增强的高功率脉冲磁控溅射新技术及其应用研究”（项目编号：LH2019E001）。表 1 着火点气象数据着火点平均温度/平均风速/（ms-1）平均风力/级A253.62B232.01C222.01D263.62E243.62F233.62G222.01表 2 着火点的地理数据着火点坡度/（）可燃物类型时间要求/hA10草甸4B2草甸6C5草甸6D15草甸3E13草甸4F8草甸5G8草甸6图 5 算法对比结果二87654321动3 90贪3 90动3 95贪3 9510.015.020.025.030.012.517.522.527.5无人机搜救速度（km/h）搜救时间（h）图 4 算法对比结果一 9876543210动3 80贪3 80动3 85贪3 8510.015.020.025.030.012.517.522.527.5无人机搜救速度（km/h）搜救时间（h）ABCDEFG出救点出救点ABCDEFG042566365506645420203345354864562004653444258633346060555254654553600626456503544556206566664842526465063456458545666630图 3 着火点之间距离