Многоцелевая оптимизация для координации роя Уав в миссиях наблюдения

Многоцелевая оптимизация для координации роя БПЛА в миссиях наблюдения

Беспилотные летательные аппараты (БПЛА) — обычно называемые беспилотными летательными аппаратами — стали важными активами в современном наблюдении. Один беспилотник может наблюдать фиксированную область, но скоординированный ] шквал БПЛА может охватывать обширные регионы, отслеживать несколько целей и адаптироваться к изменяющимся условиям в режиме реального времени. Сложность заключается в балансировании нескольких конкурирующих целей одновременно: максимизировать покрытие, минимизировать использование энергии, избегать столкновений и уважать временные окна. Это область многоцелевая оптимизация (MOO).

В миссиях наблюдения операторам нужен рой, который остается в воздухе как можно дольше, охватывает каждый угол назначенной зоны и никогда не ставит самолет под угрозу. Эти цели часто конфликтуют - для охвата большего количества области обычно требуется больше скорости или высоты, что быстрее истощает батарею. MOO обеспечивает математическую основу для поиска лучших компромиссов среди таких целей, создавая набор жизнеспособных решений, а не один ответ. В этой статье объясняются основные идеи, современные методы, реальные приложения и будущие направления исследований для многоцелевой оптимизации в координации роя БПЛА.

Понимание многообъективной оптимизации

Многообъективная оптимизация решает проблемы с двумя или более целями, которые не могут быть оптимизированы независимо. Цель состоит в том, чтобы найти Парето-оптимальный набор — решения, где улучшение одной цели обязательно ухудшает другую. Каждое решение в этом наборе называется не доминирует : ни одно другое решение не работает лучше на всех целях одновременно. Сбор этих решений формирует фронт Парето , который лица, принимающие решения, могут проверить, чтобы выбрать наиболее подходящий компромисс для своей миссии.

Для роя БПЛА типичные цели включают:

  • Зона покрытия — процент зоны наблюдения, наблюдаемый в течение заданного времени.
  • Потребление энергии — общая батарея или топливо, используемое роем.
  • Время миссии — как долго рой может действовать до возвращения на базу.
  • Риск столкновения — Вероятность того, что два БПЛА нарушат безопасные расстояния разделения.
  • Задержка связи — задержка в ретрансляции данных между БПЛА и наземной станцией.

Эти цели по своей сути противоречивы. Увеличение охвата часто требует дальнейшего разнесения БПЛА, что повышает риск столкновения и задержки связи. Расширение времени миссии приводит к замедлению скоростей, что снижает охват за единицу времени. Многообъективная оптимизация формализует эти компромиссы и позволяет инженерам количественно сравнивать альтернативы.

На практике MOO для роев БПЛА решается с использованием эволюционных алгоритмов , , , или , основанных на градиенте методов , адаптированных для многообъективных задач. Выход — это не один план полета, а набор планов, каждый из которых представляет собой различный баланс целей. Операторы могут затем выбрать план, который наилучшим образом соответствует контексту миссии — например, приоритетное покрытие по энергии в сценарии поиска и спасения в условиях высокой повстанческой активности.

Основные проблемы в координации Swarm

Динамическая и неопределенная среда

Миссии по наблюдению происходят в условиях, которые непредсказуемо меняются. Погодные условия, движущиеся препятствия (например, птицы, другие самолеты) и смещающиеся приоритеты миссии влияют на производительность роя. Адаптивность в реальном времени имеет важное значение. Оптимизирующее решение, рассчитанное при взлете, может устареть через несколько минут из-за внезапного порыва ветра или неожиданной бесполетной зоны.

Ограниченный диапазон связи и пропускная способность

БПЛА в рое обычно обмениваются данными через специальные беспроводные сети. Эти связи имеют ограниченный диапазон, пропускную способность и надежность. Когда БПЛА распространяются на большую площадь, некоторые могут потерять прямой контакт с наземной станцией или друг с другом. Алгоритмы распределенной координации должны работать только с локальной информацией, что затрудняет глобальную оптимизацию. Многообъективные подходы для таких сценариев часто полагаются на основанные на консенсусе или децентрализованные методы , где каждый БПЛА поддерживает частичный обзор общего объективного пространства.

Энергетические и долговечные ограничения

Большинство малых БПЛА имеют время полета от 20 до 40 минут на аккумуляторе. Большие платформы могут оставаться в воздухе в течение нескольких часов, но все еще сталкиваются со строгими энергетическими бюджетами. Потребление энергии зависит от скорости, высоты, полезной нагрузки и пути полета. Рой, который пытается максимизировать покрытие, может быстро разряжать батареи, вынуждая ранний возврат и оставляя части области незамеченными. Оптимизация с учетом энергии продлевает срок службы миссии, планируя подзарядку или замену маршрутов в середине миссии.

Принятие решений в реальном времени

Операции наблюдения часто требуют решений в секундах или минутах. Алгоритм оптимизации, который требует часов для схода, непрактичен. Исследователи разрабатывают быстрые приблизительные методы, которые быстро производят почти оптимальные решения. К ним относятся эвристика локального поиска, упрощенные модели и суррогаты машинного обучения, которые предсказывают эффективность планов кандидатов без запуска полного моделирования.

Масштабируемость

Размер роя может варьироваться от нескольких до сотен БПЛА. Количество возможных координационных планов растет экспоненциально с размером роя. Многообъективные методы оптимизации должны эффективно масштабироваться. Методы разложения разбивают проблему на более мелкие подзадачи (например, координация на основе кластера), в то время как параллельные вычисления позволяют одновременно оценивать многие решения-кандидаты.

Подходы к многообъективной оптимизации

Методы на основе парето

Подходы, основанные на Парето, явно ищут набор не доминирующих решений. Наиболее известным является Недоминируемый сортирующий генетический алгоритм II (NSGA-II) . NSGA-II оценивает кандидатские решения по уровню доминирования Парето, а затем использует метрику расстояния скученности для сохранения разнообразия вдоль фронта. Варианты, такие как NSGA-III, расширяют эту концепцию до многообъективных проблем (четыре или более целей). Для роев БПЛА NSGA-II может генерировать набор планов полета, которые выводят из строя покрытие, энергию и риск, позволяя операторам визуализировать фронт Парето.

Методы, основанные на разложении

Вместо одновременной обработки целей методы разложения преобразуют многообъективную задачу в серию однообъективных задач с помощью весовых векторов. Алгоритм MOEA/D (Многообъективный эволюционный алгоритм на основе разложения) является популярным примером. Каждый весовой вектор определяет предпочтительное направление в объективном пространстве, а алгоритм оптимизирует все подзадачи параллельно. MOEA/D эффективен и хорошо подходит для задач с плавными фронтами Парето. В координации БПЛА он может использоваться для генерации разнообразных планов, охватывающих весь спектр компромиссов.

Алгоритмы Swarm Intelligence

Алгоритмы Swarm Intelligence черпают вдохновение из естественного коллективного поведения. Оптимизация роя частиц (PSO) , первоначально предназначенная для однообъективных задач, была расширена до MOO через варианты, такие как MOPSO. В PSO каждая частица (кандидатское решение) перемещается через пространство поиска под влиянием своей собственной самой известной позиции и самой известной позиции роя. Многообъективная PSO поддерживает архив не доминирующих решений и использует механизм выбора лидера, чтобы направлять рой к фронту Парето. Для роев БПЛА MOPSO может запускаться распределенным образом, причем каждый БПЛА действует как частица, которая делит свой локальный лучший с соседями.

Эволюционные и генетические алгоритмы

Эволюционные алгоритмы (EA) работают на популяции решений-кандидатов, применяя отбор, кроссовер и мутацию. Общие многообъективные EA включают SPEA2 (Strength Pareto Evolutionary Algorithm 2) и NSGA-II. Для координации БПЛА EA привлекательны, потому что они не требуют градиентной информации — они могут обрабатывать нелинейные, прерывистые объективные пространства. Пользовательские EA могут включать операторы, специфичные для проблем, такие как мутации, направленные на перепланировку пути или кроссовер, ориентированный на охват.

Гибридные и машинные методы обучения

Недавняя работа сочетает в себе оптимизацию с обучением с подкреплением (FLT:1] (RL) или , контролируемым обучением . Например, нейронная сеть может изучать политику, которая отображает показания датчиков для команд полета, в то время как многообъективный оптимизатор оценивает эффективность политики в отношении покрытия, энергии и безопасности. Оптимизатор обучает сеть производить действия, которые приближаются к фронту Парето. Этот подход особенно полезен для операций в реальном времени, где изученная политика может мгновенно реагировать на новую информацию.

Другая гибридная стратегия использует суррогатные модели — быстрые приближения дорогостоящих данных моделирования или датчиков. Оптимизатор запрашивает суррогат для оценки многих планов кандидатов без запуска полного моделирования, сокращая время вычислений. Суррогаты строятся с использованием нейронных сетей, гауссовских процессов или ансамблевых методов.

Реальные приложения

Наблюдение за границей и периметром

Национальный пограничный мониторинг требует непрерывного широкого охвата с ограниченными ресурсами. БПЛА рои могут патрулировать сотни километров, обнаруживая незаконные пересечения или изменения окружающей среды. Многоцелевая оптимизация помогает планировщикам распределять БПЛА по сегментам на основе уровней риска, местности и погоды, сохраняя при этом потребление топлива в пределах. Например, таможенная и пограничная служба США протестировала концепции наблюдения на основе роя, где алгоритмы оптимизации планируют патрулирование для максимального вероятности обнаружения и минимизации пробелов.

Реагирование на стихийные бедствия и поиск и спасение

После землетрясений, наводнений или лесных пожаров команды должны быстро найти выживших и оценить ущерб. рои БПЛА могут проникать в районы, которые опасны для людей. Первоочередными целями становятся максимизация площади, которую ищут в час , и , минимизация времени для первого обнаружения . Энергетические ограничения все еще присутствуют, но миссия имеет решающее значение по времени. Многообъективная оптимизация может генерировать набор шаблонов поиска - некоторые из них быстро охватывают всю зону, другие, которые сосредоточены на областях с высокой вероятностью. Операторы выбирают план, который наилучшим образом соответствует срочности и доступным батареям.

Сельскохозяйственный мониторинг и точное земледелие

В сельском хозяйстве рои БПЛА контролируют здоровье сельскохозяйственных культур, обнаруживают вредителей и отображают потребности в ирригации. Цели включают в себя максимизировать полевое покрытие с спектральными датчиками, минимизировать время полета уменьшить помехи на полях, и обеспечить перекрытие для точной мозаики. Многообъективная оптимизация уравновешивает эти цели, генерируя планы полетов, которые охватывают поле в наименьшем количестве проходов при сохранении качества данных. Реальные реализации, такие как разработанные , используют оптимизацию для планирования миссий с несколькими БПЛА для крупных ферм.

Инспекция инфраструктуры

Линии электропередач, трубопроводы, мосты и железные дороги охватывают большие расстояния и требуют регулярного осмотра. рои БПЛА могут одновременно проверять несколько секций. Цели здесь: максимизировать проверяемую длину , минимизировать использование энергии и поддерживать безопасные расстояния от конструкций и других БПЛА. Многообъективные подходы помогают инспекторам выбирать между быстрым обзором всего актива (низкая энергия, умеренная детализация) и медленным, крупным осмотром критических секций (высокая энергия, высокая детализация).

Военная разведка, наблюдение и разведка (ISR)

Военные миссии ISR требуют скрытности, настойчивости и охвата. Цели включают максимизировать зону покрытия интересов , минимизировать обнаруживаемость (радиолокационное сечение, шум) и поддерживать коммуникационные связи . Многообъективная оптимизация создает маршруты, которые избегают обнаружения, все еще охватывая приоритетные зоны. Исследования оборонных организаций, таких как DARPA , исследовали рои, которые автоматически адаптируются к угрозам с использованием многообъективного планирования.

Будущие направления и тенденции исследований

Онлайн и адаптивная оптимизация

Современные методы часто вычисляют планы в автономном режиме до начала миссии. Будущее принесет онлайн-оптимизацию , где рой постоянно обновляет свой план по мере поступления новой информации — изменения погоды, сбой БПЛА или появление новой цели. Это требует быстрых алгоритмов и бортовых вычислений. Новые аппаратные средства, такие как передовые процессоры ИИ (например, NVIDIA Jetson, Google Coral) позволяют в реальном времени MOO на каждом БПЛА.

Интеграция с глубоким обучением

Глубокое обучение с подкреплением (DRL) может обучать политикам, которые действуют как быстрые, приблизительные многообъективные оптимизаторы. Агент DRL учится выбирать действия, которые приводят к хорошим компромиссам между охватом, энергией и безопасностью. Исследователи продемонстрировали рои на основе DRL, которые координируются без явной связи, просто наблюдая за позициями друг друга. Эта линия работы обещает рои, которые являются автономными и надежными.

Многоцелевая оптимизация

По мере того, как миссии БПЛА становятся все более сложными, число целей растет - покрытие, энергия, безопасность, связь, скрытность, управление полезной нагрузкой и многое другое. Традиционные методы на основе Парето борются со многими целями, потому что доля не доминирующих решений быстро увеличивается (проклятие размерности). Новые алгоритмы, такие как NSA-III , MOEA / DD и Гибридные методы контрольных точек , предназначены для многообъективных сценариев. Эти методы будут иметь решающее значение для роев следующего поколения, которые должны учитывать дюжину или более критериев производительности.

Неопределенная оптимизация

Будущие методы будут явно моделировать неопределенности: шум датчиков, порывы ветра, деградация батареи и изменения плана миссии. Надежная или стохастическая многообъективная оптимизация производит планы, которые хорошо работают в различных возможных условиях, а не только в ожидаемом случае. Это особенно важно для военных и аварийных миссий, где условия очень непредсказуемы.

Человеческое тёплое сотрудничество

Оптимизация может также включать в себя человеческие предпочтения интерактивно. Рой представляет собой набор оптимальных планов Парето, и оператор выбирает один или обеспечивает обратную связь (например, «Я предпочитаю более высокий охват, даже если он использует больше энергии»). Алгоритм соответствующим образом обновляет свой поиск. Интерактивные инструменты MOO разрабатываются для таких приложений, как NASA беспилотные системы управления трафиком, позволяющие менеджерам воздушного пространства корректировать цели в режиме реального времени.

Междоменная координация

Будущие миссии по наблюдению могут включать не только БПЛА, но и наземных роботов, спутники и пилотируемые самолеты. Многообъективная оптимизация должна координировать эти гетерогенные активы с разной динамикой и ограничениями. Это активная область исследований в многоагентных системах , где алгоритмы оптимизации расширены для обработки операций смешанного флота.

Заключение

Многообъективная оптимизация обеспечивает принципиальный способ решения конкурирующих целей, присущих координации роя БПЛА для наблюдения. Создавая набор компромиссных решений, а не один план, операторы могут принимать обоснованные решения, которые соответствуют приоритетам миссии. В то время как проблемы остаются - динамические среды, ограничения связи, ограничения энергии и масштабируемость - растущий набор алгоритмов (NSGA-II, MOPSO, MOEA / D, гибридные модели DRL) предлагает практические решения.

По мере того, как платформы БПЛА становятся меньше, дешевле и более способными, а алгоритмы оптимизации становятся быстрее и более адаптивными, автономные рои будут выполнять все более сложные роли наблюдения. Интеграция онлайн-оптимизации, многообъективных методов и рамок «человек в круге» раздвинет границы того, чего могут достичь рои. Исследователи и практики, которые понимают эти методы, будут хорошо приспособлены для разработки следующего поколения интеллектуальных, эффективных и устойчивых систем БПЛА.