1.一种多维决策融合的无人机集群协同决策方法,其特征在于,所述该方法包括如下步骤:步骤1:将森林场景进行区域划分,所述该无人机集群为侦打一体无人机集群,由于目标的隐蔽性,每个区域分配有侦打一体无人机组进行巡查;
步骤2:各区域内首先利用侦打一体无人机组进行巡查,所述侦打一体无人机配有摄像头、激光雷达两种外置传感器进行检测,获取其图像数据信息、激光雷达数据信息;
步骤3:基于目标轮廓、位置信息对无人机不同传感器检测信息进行配准,然后基于配准后的检测数据对多无人机检测信息进行配准,并基于融合后的信息构筑集群信息包,遍历图像识别信息中各轮廓向量,取出点云识别信息中与图像识别信息各轮廓向量欧氏距离最小的向量组成向量对:其中,为无人机i图像识别目标中第j个轮廓向量,为无人机i点云识别目标中第k个轮廓向量,n为无人机识别目标的个数;
将组成向量对的向量对应的图像信息与点云信息组成信息对,得到无人机i自身配准后的信息包其中,
其中,为无人机i识别目标Tgtj的信息,Gi(Tgtj)、Li(Tgtj)分别为无人机i图像识别目标Tgtj的信息和无人机i点云识别目标Tgtj的信息,n为无人机识别目标的个数;
对于多无人机,获取各无人机自身识别目标的位置信息与其余各无人机识别目标的位置信息进行比对,并选取距离最近的位置组成位置对:其中,Posi(Tgtj)为无人机i识别目标Tgtj的位置信息,Posk(Tgtl)为无人机k识别目标Tgtl的位置信息,j、l分别为目标的序号,n为无人机识别目标的个数;
将组成位置对的位置信息对应的目标视为同一目标,最终完成目标配准,并得到多无人机目标配准后的信息包dpcluster:其中,m为无人机集群中的无人机数量;
步骤4:基于配准后的检测信息,对不同无人机、不同传感器采集到的检测信息,进行不同层次的信息融合,最终得到识别目标的信息,由于在森林环境中,地形、植被类型和树木高度的变化,植被覆盖密度呈现出差异化的分布特征,这种差异直接影响了光线的穿透和分布,导致森林内部的光照强度存在着显著差异,光照强度为如下描述:其中,Ii为无人机i所处位置的光照强度,I0为未受到阻挡时的光照强度,kI为衰减系数,表示单位植被覆盖密度对光照强度的衰减程度,kI>0,λ(xi,yi)为无人机i所处位置的植被覆盖度;
同样地,由于森林中不同位置植被覆盖度的不同,进而导致不同位置的环境湿度存在差异,环境湿度表示如下:Hi=H0×(1+kH×λ(xi,yi))
其中,Hi为无人机i所处位置的环境湿度,H0为环境平均湿度,kH为湿度量化系数,用于量化植被覆盖度对湿度的影响,kH>0,λ(xi,yi)为无人机i所处位置的植被覆盖度;
植被覆盖度同时也会影响风速,覆盖度对风速的影响表示如下:
其中,Vi为无人机i所处位置的风速,V0为未受阻挡时的风速,kV为风速量化系数,用于量化植被覆盖度对风速的影响,kV>0,λ(xi,yi)为无人机i所处位置的植被覆盖度;
由于受到光照强度、环境湿度以及风速的影响,对视野中的目标Tgtj而言,基于配准后的识别信息,无人机i将目标Tgtj识别为有威胁目标与无威胁目标的置信度分别为:confi,nthr(Tgtj)=1-confi,thr(Tgtj)其中,confi,thr(Tgtj)为无人机i将目标Tgtj识别为有威胁目标的综合置信度,confi,nthr(Tgtj)为无人机i将目标Tgtj识别为无威胁目标的综合置信度,Ii为无人机i所处位置的光照强度,I0为未受到阻挡时的光照强度,Hi为无人机i所处位置的湿度,H0为环境平均湿度,Hmax为环境最大湿度,Vi为无人机i所处位置的风速,Vc为干扰无人机的风速阈值,为无人机i通过图像识别目标Tgtj为有威胁目标的置信度,为无人机i点云识别目标Tgtj为有威胁目标的置信度;
由于各无人机与目标的相对位置不同,首先计算各无人机观察因子VAi:其中,μi、μ(Tgtj)分别为无人机i与目标Tgtj的单位朝向向量,σ为控制衰减的标准差,λ(xi,yi)、λmax(xi,yi)分别为无人机i所处位置的植被覆盖度和植被覆盖度最大值,αVA、βVA用于调节视角影响与视野遮挡对各无人机观察因子的影响,且有:αV+βV=1
基于各无人机观察因子,对各无人机对目标Tgtj的识别置信度进行处理,得到各无人机用于融合决策的置信度confi,'thr(Tgtj):其中,confi,'thr(Tgtj)为处理后的无人机i认为目标Tgtj有威胁的置信度;
获取上述各无人机进行处理后的识别置信度,根据置信度,将目标分为共识集群与非共识集群,集群中无人机的序号如下:UIDcon∪UIDncon={1,2,...,m}
其中,
其中,UIDcon、UIDncon分别为共识集群中无人机的编号与非共识集群中无人机的编号,m为无人机集群中无人机的数量,c表示置信度的取值,εc为置信度区间长度,并且有:对集群中无人机对目标Tgtj进行目标识别的置信度进行如下融合:
其中,
αconf+βconf=1,αconf<βconf
其中,表示集群目标识别认为目标Tgtj为有威胁目标的置信度,conf′i,thr(Tgtj)为无人机i将目标识别为有威胁目标的综合置信度,m表示构成集群的无人机数量,mcon为共识集群中无人机的数量,c表示置信度的取值,αconf、βconf为权重系数,用于调整前后两部分的比例,τmin、τmax分别为多无人机融合置信度公式的分段阈值;
获取集群对目标的识别属性结合周围环境因素,建立目标构成实际威胁的阈值confthr:confthr=g1(n)×g2(φj,aj)×conf0
其中,
其中,conf0为基础置信度阈值,g1(n)为目标数量影响因子,kn为目标数目量化系数,用于量化目标数量对有威胁置信度的影响,n为目标数目,nc为目标数量影响阈值,g2(φj,aj)为目标轨迹函数,φj用于衡量目标Tgtj的行进方向,aj为目标Tgtj的加速度,εa为目标加速度阈值,ka为目标加速度量化值,且有0<ka<1,discluster(Tgtj|tsk)、discluster(Tgtj|tsk+1)分别表示目标Tgtj与集群在tsk时刻和tsk+1时刻的距离;
根据上述构建的阈值,最终得出经过群体融合决策后判别的目标类别与置信度:其中,clscluster(Tgtj)为集群共识判别目标Tgtj的类型,thr、nthr分别表示目标类型为有威胁目标和无威胁目标;
对视野中各目标都执行相同步骤,最终得到所有目标的类别与对应置信度;
步骤5:基于构筑的集群信息包以及侦打一体无人机的自身状态信息建立无人机决策模型,并进行决策,基于上述步骤4中融合得到的信息,首先将目标群分为两部分,威胁目标群与非威胁目标群:Tgtthr={Tgtj|clscluster(Tgtj)=thr},j=1,2,…n1Tgtnthr={Tgtl|clscluster(Tgtl)=nthr},l=1,2,…n2其数量关系如下:
n1+n2=n
其中,Tgtthr、Tgtnthr分别为威胁目标群与非威胁目标群,n1、n2、n分别为威胁目标、非威胁目标、所有目标的数量;
无人机决策模型从以下两个方面建立:
支援阶段:无人机集群首先自检对比集群中无人机的数量与目标数量,若满足:m<n1
即无人机数量少于目标群中具有威胁目标的数量,则向其余无人机发出协同请求,当无人机i收到请求后,获取发出协同请求的各无人机集群的二维位置,集群位置定义如下:其中有:
其中,为第k个无人机集群的二维位置,为第k个无人机集群的横坐标,为第k个无人机集群的纵坐标,m为集群中无人机数量,xl、yl分别表示集群中各无人机的横纵坐标,K为发出协同请求的无人机集群数量,m为无人机集群中无人机的数量;
无人机i通过自身决策来决定是否前往协同,首先读取自身图像信息Gi与点云信息Li,则得出以下收益函数以及其约束:其中,
ω1+ω2+ω3=1
其中,di,k为无人机i与集群k间的距离,dmax为无人机i收到的所有发出请求的无人机集群中距离的最大值,ρi,k为无人机i位置与集群k位置连线方向上的树木密度,ρmax为无人机i收到的所有发出请求的无人机集群中连线方向上树木密度的最大值,为无人机集群k发现的目标中有威胁目标的数量,ω1、ω2、ω3为影响因子,表征了各部分的重要程度,用于调整各部分的比例,分别包含无人机i通过图像检测和点云检测检测到的所有目标的类型;
各无人机经过上述计算后,得出协助各无人机集群的收益,经过比较后,优先选择协助获得最大收益的无人机集群,当发出请求的无人机集群纳入m-n1架无人机后,则不再发出协助请求;
跟踪/打击阶段:对于所述无人机集群而言,其动作空间如下:
Acluster={Attack,Track}
其中,Acluster为无人机集群能够执行的动作,动作包括攻击、跟踪;
对于完成支援补充后的无人机集群有如下决策方式:
其中有:
其中,C为综合评分,用来决策动作,M(Tgtj)为运动目标计数函数,用来判断目标是否移动,Pos(Tgtj|tsk)、Pos(Tgtj|tsk+1)分别表示在tsk、tsk+1时刻目标Tgtj的位置,n为目标数目,n1为有威胁目标数目,Acluster为集群动作决策,Cattack为评分阈值且有Cattack∈(0,1);
当集群动作决策为track时,对目标群有如下决策:
其中,UIDtrack为执行跟踪任务的无人机编号,为序号为UIDtrack的无人机,为无人机i与具有威胁目标Tgtj间的距离,Tgtthr为威胁目标群,m为无人机集群中无人机的数量,n1为威胁目标个数,上述流程为对威胁目标都分配一个距离最近的无人机组成机体-跟踪任务对进行单体跟踪,然后已经组成任务对的无人机与目标不再参与分配,剩余未被分配的无人机则停留等待,对于进行单体跟踪的无人机,持续利用决策公式计算综合评分并进行决策;
同样地,当集群动作决策为attack时,对目标群有如下决策:
其中,UIDattack为进行打击任务的无人机编号,为序号为UIDattack的无人机,disi(Tgtj|Tgtj∈Tgtthr)为无人机i与具有威胁目标Tgtj间的距离,Tgtthr为威胁目标群,m为无人机集群中无人机的数量,n1为威胁目标个数,上述流程为对威胁目标都分配一个距离最近的无人机组成机体-打击任务对进行单体打击,然后已经组成任务对的无人机与目标不再参与分配;
若有未被分配的无人机,则将其按照就近原则协助距离最近的打击无人机进行打击,直至该区域的目标都被消灭。
2.根据权利要求1所述的一种多维决策融合的无人机集群协同决策方法,其特征在于,所述步骤2包括:目标分为两种类型:有威胁目标与无威胁目标,无人机集群搜索到目标后,对无人机摄像头采集到的图像数据进行处理,包含的信息Gi如下:Gi={Gi(Tgtj)},j=1,2,…,n
其中,
其中,i代表无人机的序号,Gi(Tgtj)表示无人机i对目标Tgtj的图像识别信息,为第i架无人机图像目标识别目标Tgtj的类别,包含第i架无人机通过图像目标识别将目标Tgtj识别为有威胁目标和无威胁目标的置信度,为第i架无人机图像目标识别目标Tgtj的轮廓信息,分别为无人机i通过图像目标识别将目标Tgtj识别为有威胁目标和无威胁目标的置信度,n为视野中目标的个数;
同样地,无人机激光雷达扫描得到的点云数据经过处理后,包含的信息Li如下:Li={Li(Tgtj)},j=1,2,…,n…
其中,
其中,i代表无人机的序号,Li(Tgtj)表示无人机i对目标Tgtj的点云识别信息,为第i架无人机点云目标识别目标Tgtj的类别,包含第i架无人机通过点云目标识别将目标Tgtj识别为有威胁目标和无威胁目标的置信度,为第i架无人机点云目标识别目标Tgtj的轮廓信息,分别为无人机i通过点云目标识别将目标Tgtj识别为有威胁目标和无威胁目标的置信度,n为视野中目标的个数。