[论文解读] Multi-UAV Routing for Persistent Intelligence Surveillance & Reconnaissance Missions

Satyanarayana G. Manyam, Steven A. Rasmussen+3 more|arXiv (Cornell University)|Feb 27, 2017

Optimization and Search Problems参考文献 12被引用 8

一句话总结

本文提出了一种混合整数线性规划（MILP）方法和一种树搜索启发式算法，用于在持续情报、监视与侦察（PISR）任务中进行多架无人飞行器（UAV）路径规划，旨在最小化最大数据传输延迟，同时满足任务重访周期约束。MILP公式（F1 和 F3）确保基于优先级的重访频率的周期长度约束，该启发式算法在20项任务实例中可在11秒内获得近似最优解，支持快速机载重规划。

ABSTRACT

We consider a Persistent Intelligence, Surveillance and Reconnaissance (PISR) routing problem, which includes collecting data from a set of specified task locations and delivering that data to a control station. Each task is assigned a refresh rate based on its priority, where higher priority tasks require higher refresh rates. The UAV team's objective is to minimize the maximum of the delivery times of all the tasks' data to the control station, while simultaneously, satisfying each task's revisit period constraint. The centralized path planning problem for this PISR routing problem is formulated using mixed integer linear programming and solved using a branch-and-cut algorithm. Heuristics are presented to find sub-optimal feasible solutions that require much less computation time. The algorithms are tested on several instances and their performance is compared with respect to the optimal cost and computation time.

研究动机与目标

• 最小化在持续ISR任务中，从任务位置到控制站的最大数据传输时间（延迟）。
• 根据优先级满足特定任务的重访周期约束，确保高优先级任务被更频繁地监控。
• 为多个同质UAV在持续监视场景中开发高效的集中式路径规划算法。
• 通过计算开销低的启发式算法，实现对动态任务变更的快速重规划。

提出的方法

• 将PISR路径规划问题建模为带有周期长度约束的多旅行商问题，采用混合整数线性规划（MILP）方法。
• 提出两种新颖的MILP公式（F1 和 F3），并引入专用约束以强制执行每项任务的重访周期限制。
• 采用分支定界-切割算法，在时间限制内求解MILP公式，获得最优或近似最优解。
• 提出一种基于分配-树搜索的树搜索启发式算法，以快速生成次优的可行解。
• 采用递推时域方法处理无限时间范围，通过周期性求解有限时间内的规划问题。
• 在包含10、20和30项任务的随机实例上验证模型，比较最优成本与计算时间。

实验结果

研究问题

• RQ1 在具有基于优先级的重访约束的多架UAV持续ISR任务中，如何最小化最大数据传输延迟？
• RQ2 哪些MILP公式能有效建模UAV路径规划中任务重访周期的周期长度约束？
• RQ3 所提出的MILP公式在解的质量与计算时间方面的表现如何比较？
• RQ4 快速启发式算法能否为实时或机载重规划应用生成接近最优的可行解？
• RQ5 在不同问题规模下，解的质量与计算时间之间存在何种权衡？

主要发现

• MILP公式F3在解的质量与计算时间方面均优于F1，对所有10项和20项任务实例均找到了最优解。
• 在10项任务实例中，10/10个实例找到最优解；在20项任务实例中，4/10个实例找到最优解；在30项任务实例中，10/30个实例找到最优解，但较大实例的收敛速度较慢。
• 树搜索启发式算法在11毫秒内生成最佳优先搜索解，所有实例的最终解均在11秒内生成，且成本在最优解的50%以内。
• 对于30项任务实例，启发式算法在10.7秒内找到可行解，而MILP在时间限制内未能收敛至最优解。
• 该启发式算法计算时间低且可行性高，非常适合在动态任务条件下进行机载重规划。
• 本研究指出，需要设计更优的有效不等式以收紧下界，从而提升MILP公式的计算效率。