整理:《基于着色Petri网的无人机侦察规划》

  • 无人机任务规划可分为 路径规划战术规划航迹规划,本文侧重于对 战术规划 的设计

 

传统存在问题 and 本文提出方案

  • 传统的 Petri 网不能准确模拟战术规划中资源及任务正负效应建模
  • 采用着色Petri网进一步设计网间结构,利用总体目标管理图以及变量管理图实现了消耗类资源以及多目标任务规划中的正负效应模拟

 

方案各环节浅析

着色Petri网

基于Petri网上,主要对托肯以及有向弧进行了扩展:

  1. 每个标记附加一个颜色数据值(可以用来表示消耗类资源)
  2. 对各条有向弧定义标记类型和通过条件
  3. 对变迁定义变迁表达式函数,对触发条件进行约束。

因为暂时还没系统学习过离散数学,并不能非常好的理解形式化定义的各个部分,但大致意思还是能明白的

 

计划-目标层次分解

使用树结构对计划和目标进行分解和描述

  • 目标/子目标节点可以包含多个计划节点实现任一计划,都可完成该目标

image-20220722115648280

子目标节点的托肯可以通过任意一个变迁转移到某一个计划结点

个人理解:要完成一个计划,可以分解为完成多个目标,例如实现一个战略计划,则需要达成多个目标

 

  • 计划节点可以包含多个子目标节点实现所有子目标,才可以完成该计划

image-20220722115738403

计划节点的托肯会转移到各个子目标结点

个人理解:要完成一个目标,可以分解为完成多个计划中的一个,比如可以用PlanA,PlanB来达成一个目的。

 

消耗类资源规划建模

基于着色技术,通过资源信息总览实现对各类资源资源消耗总量的记录,借此可以判断某目标能否安全完成(安全性)以及资源消耗总量情况(最优性)

  • 消耗类资源模型

image-20220722121923333

阅读笔记:

对于 t1,当满足 q >= x 时,就进行变迁,从 P1 走 f1 给予 t1 q 个资源,进行检查后,再走 f1 返还给 P1 q 个资源。 对于t2,当满足 q >= x 时,就进行变迁,从 P1 走 f2 给予 t2 q个资源,再走 f3 从 t2 给予 P1 q - x 个资源 另外,双向箭头一般代表着比较、判断,尤其是在后面的 "与资源信息总览比较" 中

 

  • 最优计划推理结构图

    image-20220722121845709

     

阅读笔记:

先进行双向指向的变迁(用于比较和判断资),若ok,那么再继续进行最优计划的那条路进行变迁

 

  • 基于资源信息总览的任务目标推理

image-20220722122058904

阅读笔记: 首先 有向弧 指向 资源信息总览的库所 则一定是 R_new,因为是要更新资源;而返回回去的时候则是把原资源返回回去,所以是 R_old。 另外第一次更新,会先更新新目标的资源消耗量(第一类),同时判断执行该目标的安全性;接着执行完该目标后再次更新,此时更新执行该目标后的资源消耗总量(第二类)。 中间执行该目标的过程很好理解,不知道这里想的对不对。 图五的中的计划执行前会先获取计划的资源消耗信息来更新资源信息总览,随后再执行计划,计划结束后又会再次更新。

 

正效应规划建模

  • 正效应:对于拥有相同触发条件的多个目标,我们只需只执行一次对应的计划。

    • 可以避免大量的重复工作、资源消耗
    • 正效应推理是对目标的触发条件判断是否已经满足
  • 正效应推理模型

image-20220722123530195

阅读笔记: 对于一个子目标,先传递给 P2,P5 托肯,P5 开始的正效应推理判断此时目标是否已经达成了。此推理过程会触发 变量管理图中的变迁 t3,如果目标未达成,则 P6 获得 托肯,接着开始执行计划。开始执行后,会通过触发变迁 t2,来给P1设置目标效果值,接着会触发 t1,用来更新总体目标,P7 中的这一个新的满足条件的托肯便会移入 P8,当 P7 中所有托肯移入 P8,则会触发 t5,最终到达 P9,总目标达成。

 

负效应规划建模

  • 负效应:对于3个及3个以上的目标,目标的触发条件之间存在着因果、阻碍关系。通过负效应推理,正确安排事件的执行顺序。

    • 达到目标的完全实现,避免资源浪费
    • 本文负效应推理的实现基于保护托肯
  • 负效应推理模型

    image-20220722124635089

阅读笔记:

当一个目标执行时,会对库所 P1 添加保护托肯。只有当该目标执行完成后,才会移除保护托肯。 当有保护托肯时,别的目标无法更改库所 P1 值

 

方案的验证

无人机侦察战术规划

  • 侦查任务层次分解结构图

image-20220722125426785

image-20220722125305807

流程分析(照搬阅读笔记的):

1、首先总目标下分为很多个小目标,对于这些小目标有依次执行的顺序,①飞至区域 X,一定在传输 X 区域信息之前 ②飞至一个区域时不能飞往另一个区域(保护托肯)③飞至一个区域时可以传输另一个区域的信息(如果去过的话)

2、在准备开始执行一个子目标时,会先触发相关变迁,随后 t32 触发,会将获取到的消耗量信息更新给资源信息总览(同时判断执行安全性),以及添加保护托肯(飞往任务),这些变迁是 t32 关联的

3、在结束一个子目标后,与(2)相同,应该也会触发相关的变迁,随后将 t34 触发,更新资源信息总览、设置保护托肯,当然还会触发 t37 来更新消耗类资源

4、传输信息的任务进去时会先执行正效应推理,来判断是否已完成,以防浪费资源,但这里不存在正效应

5、本任务中的负效应主要是飞至任务区域A和侦查任务区域A时不能飞往任务区域B,在结束侦查A的任务后会移除保护托肯,而在开始飞往一个区域的任务执行时会添加保护托肯

6、总体上,每完成一个子目标,P50 就会获得一个托肯,当获得 6 个托肯时,就会触发一系列表示最终任务完成的变迁和库所

PS:

1、橙色部分是正效应推理 2、传输区域的任务部分,目标下有两个计划,一个计划是传输工作,另一个是直接返回基地 一般会优先执行传输计划,无论是飞往B地(保护托肯制约),还是未执行飞往B地(因为根据燃油消耗量选择最优计划)

 

个人总结

  • 文章方面

    • 在阅读图表的时候,文章没有对所有标记都写上含义,导致有些地方可能是个人理解,难免会产生偏差
    • 在负效应规划建模方法里,有一句话个人觉得可能是写错了图7中,P2库所与P7库所表示的子目标g1与g2同属于一个计划
    • 文章脉络清晰,对现存问题和改进方案,包括方案具体缓解都进行了详细的分析,配以图表;同时应用相关案例对方案进行了验证;最终进行总结,并提出研究缺陷不能表达任务执行的时间因素 和 未来研究方向将分层及时延概念引入结构图
  • 个人方面

    • 作为第一次阅读学术论文,确实存在大量的前置概念不了解,尤其是离散数学只有算法图论的一些概念,没有系统学过。借此补上了相关知识点 Petri Net基础部分离散数学的符号意义
    • 对学术论文写作有了大致的了解,包括其框架、内容等
    • 增加了对Petri网的相关研究的了解
posted @ 2022-07-22 13:50 Yra 阅读(304) 评论(0) 推荐(0) 编辑
摘要: 海明码 首先,海明码是一种基于偶校验的一种校验码,只适用于编码有一位出错的情况。 海明码的位数 对于原来的n位信息码D4D3D2D1,我们为其加上k位校验码,也就是一共n + k位 对于这n + k位码,每一位都有可能出错,因此对于每一种出错情况加起来一共n + k种状态,再加上全部正确 阅读全文
posted @ 2022-07-07 19:03 Yra 阅读(384) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 图片文字识别 OCR 图片文字识别问题描述 图像文字识别应用所作的事是,从一张给定的图片中识别文字。这比从一份扫描文档中识别文字要复杂的多。 图片文字识别流程图 为了完成这样的工作,需要采取如下步骤: 文字侦测(Text detectio 阅读全文
posted @ 2022-05-29 22:02 Yra 阅读(93) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 推荐系统 基于内容的推荐算法 上图是一个 四位用户 对 五部电影的打分情况 加上 各电影的特征值 对于每个电影的特征值 x(i)我们还要加上特征的截距项 x0(i) 如 \(x^{(1)}=\begin{bmat 阅读全文
posted @ 2022-05-27 22:29 Yra 阅读(87) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 异常检测问题 问题动机 有时我们需要对数据的异常检测,如生产线上某个产品是否合格,网站内某个用户是否异常…… 步骤: 1、根据数据的特征值x(i),我们进行建模,得到p(x) 2、设定一个阈值ϵ,如果 \( 阅读全文
posted @ 2022-05-26 20:33 Yra 阅读(58) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 主成分分析法 PCA 数据压缩 对于一个多维度的特征量,我们可以进行压缩,来使得数据量减少 如: 数据可视化 对于下列数据,我们先将 R50变为了 R2 随后作图 便能很清楚直观的了解到数据的一些信息 PCA PC 阅读全文
posted @ 2022-05-23 20:56 Yra 阅读(81) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 聚类算法Clustering(无监督学习) K均值算法 K-Means 步骤: 1、随机生成两点 这两点叫做聚类中心,选择两点是因为这里想把数据分成两类 2、迭代 在内循环中的第一步是 簇分配 这里将每个绿点根据距离谁最近分成红蓝两部分 阅读全文
posted @ 2022-05-22 22:42 Yra 阅读(95) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 核函数 Kernels 对于非线性数据,如: 我们可以增加高阶多项式,但是计算量将会十分大 因此需要引入非线性模型,而核函数便是其中一种。 我们取三个点 l(1)l(2)l(3), 对于给定的x,我们定义新的 阅读全文
posted @ 2022-05-21 12:46 Yra 阅读(234) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 支持向量机 优化目标 我们将逻辑回归中的曲线,变为紫色的线,由一条斜的直线和一条水平直线组成,并将其对应的函数变为cost0(z)cost1(z) 在逻辑回归中,这个是我们要优化的代价函数,我们按上面所述的更改函数, 阅读全文
posted @ 2022-05-19 15:51 Yra 阅读(43) 评论(0) 推荐(0) 编辑
摘要: 此系列笔记来源于 Coursera上吴恩达老师的机器学习课程 误差分析 评估一个学习算法 步骤: 1、首先我们先将数据集分为两部分 训练集 和 测试集 ,一般按 7 : 3 的比例 2、用训练集去学习 Θ 并且 最小化 Jtrain(Θ) 3、计算测试集的 阅读全文
posted @ 2022-05-15 21:03 Yra 阅读(475) 评论(0) 推荐(0) 编辑
点击右上角即可分享
微信分享提示