无人机集群自组织区域覆盖方法、装置和设备

1.本发明涉及无人机技术领域，特别是涉及一种无人机集群自组织区域覆盖方法、装置和设备。


背景技术：

2.无人机具有体积小，重量轻，隐蔽性强，造价低廉，起降条件简单等特点，其环境适应性强、生存能力较强，更适合比较危险、或者重复性的工作。而随着无人机自主化和网络化通信技术的发展，无人机的运用模式也在不断发展，单架无人机由于受到探测能力、武器载荷等因素限制，难以完成复杂的任务。无人机集群，类似于蜂群和蚁群，由具备一定自主能力的无人机组成，集群通过无人机间的实时数据共享、多机组网、协同配合，可以实现整体任务的达成。其中通信网络覆盖是无人机集群的一个重要应用场景，例如灾后利用无人机集群建立应急通信网络，战场提供区域战地通信等。
3.现有技术是基于全局信息已知的条件下对虚拟力的权重系数进行设计，进而实现无人机集群的区域覆盖，然而以全局信息为基础会导致无人机集群需要处理的信息量多而复杂，且没有考虑无人机集群的传感器之间的通信范围。另外，针对无线传感器节点故障后提出的自组织补位算法，要在毁伤节点附近寻找合适的节点集进行“补位”，需要集中决策的。此外，现有技术并未考虑恢复过程对覆盖任务的影响。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种无人机集群自组织区域覆盖方法、装置和设备，能够充分发挥无人机集群自组织、自恢复的能力，无人机集群需要处理的信息量少，考虑到了无人机集群的传感器之间的通信范围，考虑到了恢复过程对覆盖任务的影响，保障覆盖任务的进行。
5.为了实现上述目的，本发明实施例采用以下技术方案：
6.一方面，本发明实施例提供一种无人机集群自组织区域覆盖方法，包括步骤：
7.识别目标无人机的当前位置；
8.基于所述当前位置，计算所述目标无人机与周边无人机之间的无人机排斥力，所述目标无人机具有感知范围，所述周边无人机位于所述感知范围中，计算所述目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算所述目标无人机与普通覆盖区域的边界之间的边界排斥力；
9.基于所述无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算所述目标无人机所受的合力；
10.在所述合力小于等于零时，停止所述目标无人机的移动。
11.另一方面，还提供一种无人机集群自组织区域覆盖装置，包括：
12.识别模块，用于识别目标无人机的当前位置；
13.第一计算模块，用于基于所述当前位置，计算所述目标无人机与周边无人机之间
的无人机排斥力，所述目标无人机具有感知范围，所述周边无人机位于所述感知范围中，计算所述目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算所述目标无人机与普通覆盖区域的边界之间的边界排斥力；
14.第二计算模块，用于基于所述无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算所述目标无人机所受的合力；
15.移动停止模块，用于在所述合力小于等于零时，停止所述目标无人机的移动。
16.又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现任一项的上述一种无人机集群自组织区域覆盖的步骤。
17.再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现任一项的上述一种无人机集群自组织区域覆盖方法的步骤。
18.上述技术方案中的一个技术方案具有如下优点和有益效果：
19.上述无人机集群自组织区域覆盖方法、装置和设备，通过识别目标无人机的当前位置，基于当前位置，计算目标无人机与周边无人机之间的无人机排斥力，目标无人机具有感知范围，周边无人机位于感知范围中，计算目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算目标无人机与普通覆盖区域的边界之间的边界排斥力，基于无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算目标无人机所受的合力，在合力小于等于零时，停止目标无人机的移动。
20.与现有技术相比，上述方法在引导无人机集群进行自组织覆盖时无需提前获取全局信息，只需感知周围局部信息，具体的，无人机排斥力、边界排斥力以及重点覆盖区域吸引力，不会造成信息过多导致无人机个体陷入混乱的情况，并且不仅可以完成对普通覆盖区域的最大范围覆盖，也可以引导无人机集群对普通覆盖区域中含有的重点覆盖区域进行更好的覆盖，也可以在无人机集群发生故障或遭受毁伤后可以迅速进行自组织恢复，获得更高的任务成功率。综上，能够充分发挥无人机集群自组织、自恢复的能力，无人机集群需要处理的信息量少，考虑到了无人机集群的传感器之间的通信范围，考虑到了恢复过程对覆盖任务的影响，保障覆盖任务的进行。
附图说明
21.图1为一个实施例中一种无人机集群自组织区域覆盖方法的流程示意图；
22.图2为一个实施例中无人机覆盖示意图；
23.图3为一个实施例中无人机节点间的排斥力示意图；
24.图4为一个实施例中无人机受外力分析示意图；
25.图5为一个实施例中一种极端分布情况示意图；
26.图6为一个实施例中又一种极端分布情况示意图；
27.图7为一个实施例中集群自组织恢复过程示意图；
28.图8为一个实施例中覆盖关键阈值调节过程图；
29.图9为一个实施例中重点区域中心位于不同位置时的无人机集群覆盖情况示意图；
30.图10为一个实施例中n＝20时集群覆盖情况示意图；
31.图11为一个实施例中n＝30时集群覆盖情况示意图；
32.图12为一个实施例中n＝40时集群覆盖情况示意图；
33.图13为一个实施例中n＝50时集群覆盖情况示意图；
34.图14为一个实施例中无人机数量和关键阈值不同时覆盖率大小的变化示意图；
35.图15为一个实施例中不同集群规模下两种模式的韧性示意图；
36.图16为一个实施例中n＝40时两种模式下单次试验覆盖率随时间变化的过程示意图；
37.图17为一个实施例中一种无人机集群自组织区域覆盖装置的示意图。
具体实施方式
38.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
39.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
40.另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
41.通信网络覆盖是无人机集群的一个重要应用场景，在任务过程中保证良好的覆盖率,对任务的成败起关键作用，无人机集群的覆盖问题是当前的一个研究热点。而现有研究中，针对于无人机集群进行区域覆盖的算法在控制方式、信息需求、覆盖区域等方面有着各自的特点与不足。因此，本发明旨在充分发挥无人机集群自组织、自恢复的能力，进一步考虑个体失效的情况，提出一种分布式自组织覆盖方法。此外，通过引入基于韧性的覆盖关键阈值调节机制，使无人机集群在个体失效后能够快速完成重构和补位。
42.在现有技术中，智能环境下的全局传感器部署和局部覆盖感知恢复方案。无线传感器网络(wsn)要想成功运行，一个关键问题是提供足够的传感覆盖。因此，将智能传感环境定义为能够感知环境并以自动方式做出适当反应的传感系统，提出了一种覆盖感知传感器自动化(casa)协议，以实现自动化智能监控网络。casa协议中包含两种集中式算法:带有边界力的增强虚拟力算法(evfa-b)和传感器自组织算法(ssoa)。evfa-b算法根据预定义的距离阈值对每个传感器施加带有权重系数的吸引力和排斥力。然后合力将传感器引导到合适的位置增强传感覆盖。此外，在传感器能量耗尽和/或意外故障的情况下，ssoa算法通过重新定位传感器周围的传感空洞(未覆盖区域)来执行局部修复。
43.现有技术是基于全局信息已知的条件下对虚拟力的权重系数进行设计，信息量多而复杂，且没有考虑传感器之间的通信范围。另外，针对无线传感器节点故障后提出的自组织补位算法，要在毁伤节点附近寻找合适的节点集进行“补位”，而该选择过程被证明是np难问题，并且是需要集中决策的。此外，现有技术并未考虑恢复过程对覆盖任务的影响。
44.因此，在现有研究的基础上，本发明旨在充分发挥无人机集群自组织、自恢复的能力，进一步考虑个体失效的情况，提出一种分布式自组织覆盖方法，使无人机在感知周围信息的情况下自组织的完成区域覆盖,并适用于包含重点覆盖区域的情况。此外，通过引入基
于韧性的覆盖关键阈值调节机制，使无人机集群在个体失效后能够快速完成重构和补位，保障覆盖任务的进行。
45.请参阅图1，一方面，本发明提供一种无人机集群自组织区域覆盖方法，具体包括步骤：
46.步骤101，识别目标无人机的当前位置；
47.在本发明实施例中，所有无人机均可看作具有恒定飞行高度的节点，其覆盖范围，见图2，所有无人机节点可通过gps获取本身位置信息，每个无人机节点具有半径为感知能力，可以获取感知范围内周边无人机的位置，见图2，待覆盖普通覆盖区域为二维平面，所有无人机节点提前获知覆盖区域边界及重点覆盖区域位置信息。
48.在实际的覆盖任务中，往往存在着需要重点关注的覆盖区域，针对这样的区域，对其覆盖更应保持连续性，并尽量减少覆盖盲区。因此当用传统的覆盖率表征无人机任务能力时，需进一步考虑重点覆盖区域与普通区域的差别。在本发明一实施例中，普通覆盖区域面积为s
t
，无人机已实现覆盖的重点覆盖区域的面积为sa，已覆盖的普通覆盖区域为sb，则所述目标无人机所在的无人机集群的覆盖率c存在如下关系：
[0049][0050]
其中，μ为重点覆盖区域的权重系数，τ为在普通覆盖区域的面积内重点覆盖区域所占比例。因此，覆盖率c可以表征无人机集群在考虑重点覆盖区域下所达到的覆盖范围。
[0051]
步骤102，基于所述当前位置，计算所述目标无人机与周边无人机之间的无人机排斥力，所述目标无人机具有感知范围，所述周边无人机位于所述感知范围中，计算所述目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算所述目标无人机与普通覆盖区域的边界之间的边界排斥力；
[0052]
本发明重点考虑普通覆盖区域存在重点覆盖区域的情况，因此将无人机集群中的个体在运动过程中受到的虚拟力分为了三种：无人机排斥力、边界排斥力以及重点覆盖区域吸引力。
[0053]
(1)无人机排斥力
[0054]
假设存在一个覆盖关键阈值d
th
＝γ*2rc，其中0≤γ≤1为关键阈值权重，若d
ij
≥d
th
，则无人机j和无人机i之间没有作用力发生。若d
ij
＜d
th
，则无人机j对无人机i形成一个排斥力，引导无人机执行分散操作，形成更大的覆盖范围。因此有
[0055][0056]
其中θ
ji
为力的方向，计算如式(3)所示：
[0057][0058]
基于此，目标无人机与周边无人机之间的无人机排斥力存在如下关系：
[0059][0060]
其中，为所述目标无人机与所述周边无人机中第一周边无人机之间的排斥力。
[0061]
如图3所示，假设无人机i在感知范围内有j、k和l三个周边无人机，其中无人机j和k在i的覆盖关键阈值d
th
之内，产生两个对无人机i的排斥力和无人机l在i的覆盖关键阈值a
th
之外，故不对无人机i产生影响。因此无人机i所受到的无人机之间的合力为
[0062]
(2)边界排斥力
[0063]
假设需覆盖的普通覆盖区域为一方形的二维平面，如图4所示，四周边界均对普通覆盖区域内的任意无人机产生排斥力，因此无人机i共受到普通覆盖区域四条边界线产生的排斥力，分别为x轴方向左右边界的作用力和以及y轴方向上下边界的作用力和
[0064][0065]
其中，ωb为无人机所受边界产生排斥力系数。
[0066]
基于此，所述目标无人机与普通覆盖区域的边界之间的边界排斥力存在如下关系：
[0067][0068]
其中，所述和为目标无人机与普通覆盖区域的边界的x轴方向左右边界的作用力，所述和为目标无人机与普通覆盖区域的边界的y轴方向上下边界的作
用力。
[0069]
(3)重点覆盖区域吸引力
[0070]
当普通覆盖区域中存在重点覆盖区域时，引入了另一虚拟力，即重点覆盖区域中心对无人机集群的吸引力。在执行任务过程中，无人机集群在普通覆盖区域内应主动向重点覆盖区域靠近，特别是现有集群数量不能完全覆盖全部区域时。如图4所示，假设重点覆盖区域的中心坐标为(xd，yd)，则该区域对无人机的吸引力为
[0071][0072]
其中ωd为重点覆盖区域吸引力因子，θ
id
为无人机指向中心坐标为(xd，yd)向量与x轴的夹角：
[0073][0074]
此外，无人机所受虚拟力的各权重系数，ωu，ωb和ωd决定了无人机最终所受合力的大小以及方向。因为普通覆盖区域的边界产生的排斥力是对称存在的，且对于所有无人机个体来说均是朝向重点覆盖区域中心的，故边界的排斥力并未对无人机之间的相对距离产生影响。因此，无人机集群的覆盖范围主要受无人机之间的作用力以及重点区域中心吸引力的影响。本发明根据覆盖任务要求与无人机配置，提出虚拟力因子的量化确定方法。
[0075]
如图5所示，考虑无人机集群处在一个极端情况，无人机i和重点覆盖区域中心(xd，yd)正处于整个覆盖区域的对角线两端，假设无人机只有一个周边无人机j处于关键阈值内，并提供相应的排斥力大小为：
[0076][0077]
其中δ是一个较小的值，代表无人机i和周边无人机j覆盖重叠的范围。
[0078]
无人机i与重点区域中心(xd，yd)之间的吸引力大小为：
[0079][0080]
此外，无人机i所受边界排斥力为：
[0081][0082]
为保证无人机能够有效的进行覆盖，无人机所受力应满足
[0083]
设因此，有：
[0084][0085]
当把无人机集群看作一个整体时，无人机之间的排斥力是集群的内力，无人机集
群整体位置则由无人机所受外力决定，即边界产生的排斥力和关键区域的吸引力。边界产生的斥力使无人机集群朝覆盖范围中心运动，同时关键区域的吸引力使集群朝(xd，yd)运动。考虑如图6所示的极端情况，无人机i与重点区域中心(xd，yd)均处于整个覆盖范围的边缘，目标无人机所受两个力方向相反。
[0086]
此时，边界排斥力大小其中，δ为一个小值。同理，无人机受到的吸引力大小为为了保证无人机在同时受到这两个力作用时仍能保证重点区域的覆盖，故有：得到：
[0087][0088]
将式(12)代入上式(11)，有
[0089][0090]
δ为一小值，进一步放松权重系数的设置，由上述分析可知，重点区域中心(xd，yd)和无人机之间的相对距离决定了吸引力的大小，同时(xd，yd)也影响整体无人机集群的位置，若该位置靠近整个覆盖区域中心，则边界产生排斥力较小；若该位置靠近区域边缘，则边界排斥力相对较大。记覆盖区域中心为可知整个区域中心到重点覆盖区域中心的距离为故设
[0091][0092]
将上式代入式(13)，并且dd＞＞δ，可得
[0093][0094]
因此可设
[0095][0096]
ωb＝(dc+0.5*dd)3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0097]
将上式代入(11)可得
[0098][0099]
故可得各虚拟力的权重系数设计如表1所示.
[0100][0101]
表1
[0102]
步骤103，基于所述无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算所述目标无人机所受的合力；
[0103]
通过计算无人机排斥力边界排斥力以及重点覆盖区域吸引力可得到目标无人机所受合力：
[0104][0105]
步骤104，在所述合力小于等于零时，停止所述目标无人机的移动。
[0106]
在本发明一实施例中，步骤104后还包括如下步骤：
[0107]
在所述合力大于零时，根据所述合力的方向计算所述目标无人机下一时刻的第一未来时刻位置；
[0108]
在所述第一未来时刻位置位于所述普通覆盖区域中时，更新所述第一未来时刻位置为当前位置，并执行所述识别目标无人机的当前位置的步骤；
[0109]
目标无人机所受合力方向与x轴的夹角为θi，假设无人机i当前t时刻的位置坐标为(xi(t)，yi(t))，无人机的飞行速度为vi，则可根据下式更新下一个时刻(t+1)时目标无人机的位置：
[0110][0111]
在所述第一未来时刻位置位于所述重点覆盖区域中时，以所述重点覆盖区域中心为运动目标确定目标运动方向，根据所述目标运动方向计算所述目标无人机下一时刻的第二未来时刻位置，更新所述第二未来时刻位置为当前位置，并执行所述识别目标无人机的当前位置的步骤。
[0112]
基于所提出的虚拟力，即无人机排斥力、重点覆盖区域吸引力以及边界排斥力，无人机个体在群体中的运动则由感知范围内其他个体、覆盖区域边界以及重点区域中心所共同决定。每个无人机个体依据这些信息不断调整位置以最终达到覆盖效果。值得注意的是，本发明所提出的自组织算法是分布式，即无人机只需进行有限的通讯和获取少量的信息以完成自身的协同运动，针对每个无人机个体。
[0113]
上述无人机集群自组织区域覆盖方法、装置和设备，通过识别目标无人机的当前位置，基于当前位置，计算目标无人机与周边无人机之间的无人机排斥力，目标无人机具有感知范围，周边无人机位于感知范围中，计算目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算目标无人机与普通覆盖区域的边界之间的边界排斥力，基于无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算目标无人机所受的合力，在合力小于等于零时，停止目标无人机的移动。
[0114]
与现有技术相比，上述方法在引导无人机集群进行自组织覆盖时无需提前获取全
局信息，只需感知周围局部信息，具体的，无人机排斥力、边界排斥力以及重点覆盖区域吸引力，不会造成信息过多导致无人机个体陷入混乱的情况，并且不仅可以完成对普通覆盖区域的最大范围覆盖，也可以引导无人机集群对普通覆盖区域中含有的重点覆盖区域进行更好的覆盖，也可以在无人机集群发生故障或遭受毁伤后可以迅速进行自组织恢复，获得更高的任务成功率。综上，能够充分发挥无人机集群自组织、自恢复的能力，无人机集群需要处理的信息量少，考虑到了无人机集群的传感器之间的通信范围，考虑到了恢复过程对覆盖任务的影响，保障覆盖任务的进行。
[0115]
在本发明一实施例中，步骤102后，还包括：
[0116]
监控到无人机集群发生损伤时，将第一覆盖关键阈值变更为第二覆盖关键阈值，所述第一覆盖关键阈值以及第二覆盖关键阈值存在如下关系：
[0117][0118]
其中，所述为第二覆盖关键阈值，d
th
为第一覆盖关键阈值，0＜p≤1；
[0119]
在预设时间之后，调整所述p＝1；
[0120]
执行所述识别目标无人机的当前位置的步骤。
[0121]
无人机集群在执行覆盖任务时，其韧性可以定义为集群遭到扰动(例如个体故障、外界毁伤等)时，能够快速恢复任务区域的覆盖率，保障覆盖任务顺利执行的能力。韧性作为集群系统一种能力的表征，需要对其进行度量。无人机集群覆盖具有明显的任务特性，例如，任务要求在规定时间内保障区域覆盖率达到一定程度。
[0122]
因此本发明利用面向任务的系统韧性指标对无人机集群覆盖能力的韧性进行评估。其计算指标如下式(22)所示：
[0123]
r(t)＝β*r0(t)+(1-β)r1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(22)
[0124]
r(t)为t时刻系统的综合韧性，参数0≤β≤1，为韧性侧重因子。r0(t)为系统任务时间韧性，r1(t)为系统任务性能韧性，其计算由式(23)决定。
[0125][0126]
其中q(t)为系统在t时刻的实际覆盖率，为系统在t时刻的任务覆盖率要求，pq(t)为系统在t时刻系统的最佳(期望)覆盖率。此外，式中为艾弗森括号，仅当p为真时否则α∈{0，1}为时间韧性和性能韧性之间的切换参数。
[0127]
集群的自组织行为机制使得个体能够根据所感知的周边情况对自身行为做出相应改变，而正是这样的机制使得无人机具有自重构、自恢复能力。以所提自组织覆盖算法为例，当个体感知周边无人机距离小于覆盖关键阈值时，排斥力的作用会使得个体相互原理以保障合适的覆盖重叠。当个体感知周边无人机距离大于时，虽然个体之间并没有作用力产生，但重点区域的吸引力会使个体超重点区域靠近，在此过程中，个体之间的距离会随之减小并接近。
[0128]
当无人机集群由随机分布状态到自组织完成区域覆盖后，无人机个体仍然基于此自组织算法实时根据感知范围内的局部信息进行调整。如图7所示，在任务初始阶段，无人
机在吸引力、排斥力的作用下，自发的朝覆盖区域各处运动，并最终保持相对稳定的覆盖效果。当无人机个体遭遇自身故障或外界扰动导致失去功能时，其覆盖范围内会出现“空洞”，此时集群的覆盖率会降低。随后无人机个体基于自组织行为规则，逐步将“空洞”补位填充，特别是将重点区域内的空缺进行填补，因此整个集群的覆盖率得到提高，从而体现了无人机集群在自组织覆盖算法下的韧性。
[0129]
无人机集群通过本发明提出的覆盖算法可实现毁伤下的自组织恢复，但反映韧性高低的一个重要方面是系统恢复的快慢程度。能否快速对毁伤无人机造成的空缺，特别是重点区域内的空缺进行填补，将直接影响集群韧性的高低。
[0130]
根据无人机个体所受虚拟力分析可知，权重因子中最大的是无人机之间的作用力因子ωu，因此所产生的影响相对其他两个力更大。由式(2)可知，覆盖关键阈值d
th
进一步决定了无人机之间作用力的大小。当d
th
小时，无人机集群更加紧凑，d
th
越大则集群越松散。因此，可通过调节d
th
，在集群遭遇毁伤，覆盖范围形成空洞时，使无人机聚集加快空洞的填补。然后再使无人机执行分散动作，以达到扩大覆盖范围的效果。如图8所示为各无人机d
th
的调节过程，当扰动于td发生时，经历t
p
＝t
s-td的准备时间(例如毁伤判断、决策等)，在ts时刻，将覆盖关键阈值变更为其中0＜p≤1。随后经过tr在tf设置p＝1，即恢复d
th
完成覆盖关键阈值的调节过程。其中，针对集群遭遇扰动的判断可由无人机个体通过多跳的通信方式获取可执行任务无人机总数，当无人机总数低于前一时刻的总数时，则判定扰动发生。
[0131]
将上述覆盖关键阈值调节机制与所提自组织覆盖算法相结合即可得到基于韧性的无人机集群覆盖算法。在个体无人机每次执行自组织覆盖算法位置更新之前，无人机个体判断集群是否遭遇毁伤，若发生毁伤，则通过覆盖关键阈值调节机制对d
th
的大小进行调整，以进一步改变自组织覆盖算法位置更新结果。最终使无人机在遭到毁伤时，尽快完成重点区域内的空洞补缺，随后再避免无人机过度紧凑，扩大外围覆盖范围。
[0132]
仿真实验分析：
[0133]
在完成无人机集群自组织覆盖算法及韧性策略之后，为验证算法有效性，本发明分别开展了重点覆盖区域覆盖、集群数量与关键阈值灵敏度以及集群韧性三个方面的仿真实验，所有实验采用多智能体仿真技术，并基于anylogic平台开展。
[0134]
1、重点覆盖区域覆盖
[0135]
第一类实验是验证算法是否能正确引导无人机集群进行重点覆盖区域覆盖。将重点覆盖区域中心设置在整个目标区域的不同位置，整体目标区域范围为1200*1200m2，无人机个数为25个，覆盖半径rc＝80m，感知半径rs＝400m，结果如图8所示。
[0136]
由图9可以看出，无论重点覆盖区域的中心位于整个目标区域的哪个位置，本发明所提出的算法都可以较好的引导无人机集群在数量较少无法对整体目标区域覆盖的情况下完成对重点区域的覆盖。
[0137]
2、集群数量与关键阈值灵敏度
[0138]
第二类实验比较了不同的无人机集群数量和不同的关键阈值权重参数γ对覆盖率c的影响。目标区域尺寸为1200*1200m2，其中重点区域为以(600，600)为中心，边长600m的正方形，重点区域的权重系数μ＝0.8。分别将无人机个体数量n取为20，30，40，50。关键阈
值权重参数γ取值分别为0.7，0.75，0.8，0.85，0.9，0.95，1。无人机覆盖范围rc＝80m，感知范围rs＝400m。结果如图10—图14所示。
[0139]
如图15所示，无人机数量和关键阈值大小均会影响整个集群的覆盖效果。总体来说，无人机数量越多，其覆盖效果越好。而关键阈值权重参数在即0.866左右时，集群的覆盖率最优。当无人机数量较少时，关键阈值的影响较为显著，过高或过低均会降低集群的覆盖率。当无人机数量足够多时，关键阈值权重参数在0.75以上的影响甚微，但低于0.75同样会使覆盖率迅速降低，这是因为过低的关键阈值使无人机之间的作用距离减小，无人机会形成更加紧凑的姿态。
[0140]
3、考虑个体失效的集群韧性评估对比
[0141]
通过不同情况下韧性指标计算以验证本发明所提方法在无人机集群遭遇毁伤后的自组织、自恢复能力。假设无人机个体数量为n＝40，关键阈值权重参数为验证算法有效性，将现有技术中基于虚拟力的覆盖算法与所提算法进行比较，值得注意的是现有技术中的算法是基于全局信息的，即假设无人机的感知范围rs＝+∞。而本发明所提算法无人机的感知范围是局部的，当前假设rs＝400m。
[0142]
假设无人机系统在指定区域按所各自算法散开，并开展覆盖任务，任务持续时间为250个时间间隔。当任务开始后td＝100时刻，集群遭受敌方区域内打击，即我方重点区域内，随机5架无人机遭到敌方毁伤，遭毁伤的无人机失去所有功能。随后基于现有技术的恢复方式(简称为方式n)，即无人机根据自组织行为规则，基于虚拟力，自发的开展恢复行为。本发明所提韧性策略模式(简称为方式p)在原有自组织覆盖算法的基础上，无人机集群在毁伤后间隔t
p
＝20调节覆盖关键阈值并保持10个时间间隔(即tr＝10)，随后恢复覆盖关键阈值。
[0143]
当集群数量分别为20，30，40，50时，各进行20次试验，并在任务结束时，根据2.1中的韧性指标计算集群韧性，其中将各时刻下覆盖率作为系统的性能指标q(t)，试验参数如表2所示。
[0144][0145][0146]
表2
[0147]
试验结果如图15所示，无论集群规模如何，本发明所提算法的平均韧性均要高于方式n，并且方式p的稳定性更强，即多次试验下，集群的韧性偏差不明显，而方式n的恢复效果具有较强的随机性。当无人机数量较少时，本身覆盖率已经不高，而且由于个数数量较少，个体之间的虚拟力相对也较少，所以遭到毁伤后，两种方式的恢复差距不大。与之相对应的，当无人机数量增多时，无人机之间的作用力也随之增加，此时所提算法能帮助集群更加快速、稳定的恢复。
[0148]
当无人机集群数量为40，两种模式下单次试验覆盖率随时间变化的过程如图16所示。当毁伤发生后，两种模式均开始恢复，并最终能恢复到相类似的覆盖率。但在恢复过程中，韧性策略模式能够更快速补充重点区域产生的空缺，使覆盖率能够快速回升。而过度收缩同样会减小覆盖率。因此，在聚集一段时间后再次恢复覆盖关键阈值(时刻130)，使集群以更合适的间距进行覆盖。因此变阈值模式下集群的韧性达到0.881，而常规模式下系统韧性只有0.71。
[0149]
请参阅图17，在一个实施例中，还提供了一种无人机集群自组织区域覆盖装置，包括：
[0150]
识别模块171，用于识别目标无人机的当前位置；
[0151]
第一计算模块172，用于基于所述当前位置，计算所述目标无人机与周边无人机之间的无人机排斥力，所述目标无人机具有感知范围，所述周边无人机位于所述感知范围中，计算所述目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算所述目标无人机与普通覆盖区域的边界之间的边界排斥力；
[0152]
第二计算模块173，用于基于所述无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算所述目标无人机所受的合力；
[0153]
移动停止模块174，用于在所述合力小于等于零时，停止所述目标无人机的移动。
[0154]
在本发明一实施例中，所述装置，还包括：
[0155]
在所述合力大于零时，根据所述合力的方向计算所述目标无人机下一时刻的第一未来时刻位置；
[0156]
在所述第一未来时刻位置位于所述重点覆盖区域中时，以所述重点覆盖区域中心为运动目标确定目标运动方向，根据所述目标运动方向计算所述目标无人机下一时刻的第二未来时刻位置，更新所述第二未来时刻位置为当前位置，并执行所述识别目标无人机的当前位置的步骤；
[0157]
在所述第一未来时刻位置位于所述普通覆盖区域中时，更新所述第一未来时刻位置为当前位置，并执行所述识别目标无人机的当前位置的步骤。
[0158]
在本发明一实施例中，普通覆盖区域面积为s
t
，无人机已实现覆盖的重点覆盖区域的面积为sa，已覆盖的普通覆盖区域为sb，则所述目标无人机所在的无人机集群的覆盖率c存在如下关系：
[0159][0160]
其中，μ为重点覆盖区域的权重系数，τ为在普通覆盖区域的面积内重点覆盖区域所占比例。
[0161]
在本发明一实施例中，所述目标无人机与周边无人机之间的无人机排斥力存在如下关系：
[0162]
[0163][0164]
其中，为所述目标无人机与所述周边无人机中第一周边无人机之间的排斥力，d
th
为第一覆盖关键阈值，θ
ji
为力的方向，d
ij
为目标无人机与所述周边无人机中第一周边无人机之间的距离。
[0165]
在本发明一实施例中，所述基于所述无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算所述目标无人机所受的合力后，还包括：
[0166]
监控到无人机集群发生损伤时，将第一覆盖关键阈值变更为第二覆盖关键阈值，所述第一覆盖关键阈值以及第二覆盖关键阈值存在如下关系：
[0167][0168]
其中，所述为第二覆盖关键阈值，d
th
为第一覆盖关键阈值，0＜p≤1；
[0169]
在预设时间之后，调整所述p＝1；
[0170]
执行所述识别目标无人机的当前位置的步骤。
[0171]
在本发明一实施例中，所述目标无人机在当前时刻(t时刻)的坐标为(xi(t)，yi(t))，所述目标无人机与重点覆盖区域中心的重点覆盖区域吸引力存在如下关系：
[0172][0173]
其中，所述ωd为重点覆盖区域吸引力因子，θ
id
为所述目标无人机指向重点覆盖区域的中心坐标(xd，yd)向量与x轴的夹角。
[0174]
在本发明一实施例中，所述目标无人机与普通覆盖区域的边界之间的边界排斥力存在如下关系：
[0175][0176]
其中，所述和为目标无人机与普通覆盖区域的边界的x轴方向左右边界的作用力，所述和为目标无人机与普通覆盖区域的边界的y轴方向上下边界的作用力。
[0177]
又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时可以实现以下步骤：通过识别目标无人机的当前位置，基于当前位置，计算目标无人机与周边无人机之间的无人机排斥力，目标无人机具有感知范围，周边无人机位于感知范围中，计算目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算目标无人机与普通覆盖区域的边界之间的边界排斥力，基于无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算目标无人机所受的合力，在合力小于等于零时，停止目标无人机的移动。
[0178]
在一个实施例中，处理器执行计算机程序时还可以实现上述一种无人机集群自组织区域覆盖方法各实施例中增加的步骤或者子步骤。
[0179]
再一方面，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：通过识别目标无人机的当前位置，基于当前位置，计算目标无人机与周边无人机之间的无人机排斥力，目标无人机具有感知范围，周边无人机位于感知范围中，计算目标无人机与重点覆盖区域中心的重点覆盖区域吸引力，计算目标无人机与普通覆盖区域的边界之间的边界排斥力，基于无人机排斥力、重点覆盖区域吸引力以及边界排斥力，计算目标无人机所受的合力，在合力小于等于零时，停止目标无人机的移动。
[0180]
在一个实施例中，计算机程序被处理器执行时，还可以实现上述一种无人机集群自组织区域覆盖方法各实施例中增加的步骤或者子步骤。
[0181]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线式动态随机存储器(rambus dram，简称rdram)以及接口动态随机存储器(drdram)等。
[0182]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0183]
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可做出若干变形和改进，都属于本发明保护范围。因此本发明专利的保护范围应以所附权利要求为准。