多无人车任务分配方法、装置、车辆及存储介质制造方法及图纸

本申请涉及多无人车技术领域，特别涉及一种多无人车任务分配方法、装置、车辆及存储介质，其中，方法包括：将获取到的多个无人车的目标任务和预设分解目标输入预先建立的预设知识图谱，输出目标任务的一个或多个子任务间时序约束关系；根据每个子任务的预设分配参数和每个子任务间时序约束关系生成每个无人车分配方案，并利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果，并结合人工选择意图确定所有分配方案中的最优分配方案，并将最优分配方案中的子任务分别给对应的无人车。由此，解决了相关技术中无法将复杂任务分解为可执行的子任务，导致分配结果不全面、且不合理等问题。且不合理等问题。且不合理等问题。

【技术实现步骤摘要】
多无人车任务分配方法、装置、车辆及存储介质


[0001]本申请涉及多无人车
，特别涉及一种多无人车任务分配方法、装置、电子设备及存储介质。

技术介绍

[0002]无人车技术的发展不仅有助于提升民用车辆与交通领域的智能化，也被广泛应用于其他包括仓储、制造、港口、机场等场景，执行移动运输或其他特定任务，比如用于自然灾害发生后的搜索救援。无人车属于移动机器人，任务分配是多机器人系统中的复杂关键问题，人机协同决策技术融合人类智慧和机器理性，有助于提高多无人车任务分配的适用性和效率。
[0003]多无人车的类型和特点不同决定任务分配具有多目标性，这些目标往往不能同时达到最优，而目前大部分应用仅考虑单一目标或多个目标的简单叠加，使得分配结果不够全面而合理。尚不能实现复杂任务的智能化自动分配，无法将复杂任务分解为可执行的子任务，并与后续任务分配有机结合。

技术实现思路

[0004]本申请提供一种多无人车任务分配方法、装置、车辆及存储介质，以解决相关技术中无法将复杂任务分解为可执行的子任务，导致分配结果不全面、且不合理等问题。
[0005]本申请第一方面实施例提供一种多无人车任务分配方法，包括以下步骤：获取多个无人车的目标任务和所述目标任务的预设分解目标；将所述目标任务和所述预设分解目标输入预先建立的预设知识图谱，输出所述目标任务的一个或多个子任务间时序约束关系；根据每个子任务的预设分配参数和所述每个子任务间时序约束关系生成每个无人车分配方案，并利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果；根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案，并将所述最优分配方案中的子任务分别给对应的无人车。
[0006]可选地，在本申请的一个实施例中，所述预设分解目标包括任务类型向量、任务位置向量和作用对象向量中的一个或多个，所述将所述目标任务和所述预设分解目标输入预先建立的预设知识图谱，输出所述目标任务的一个或多个子任务间时序约束关系，包括：将所述任务类型向量、所述任务位置向量和所述作用对象向量中的一个或多个输入所述预先建立的预设知识图谱，作为第0层各节点的向量，经过消息传递后输出各节点的有向边作为各子任务时序关系约束的预测值；根据所述预设值和/或人工修改意图确定所述目标任务的一个或多个子任务间时序约束关系。
[0007]可选地，在本申请的一个实施例中，所述预设知识图谱基于携带有人工分解任务结果的训练数据训练得到，包括：获取携带有人工分解任务结果的训练数据，其中，人工分解任务结果包括子任务间的实际时序关系约束特征；利用预设关系型图卷积神经网络对任务分解知识图谱进行建模，并利用所述训练数据进行有向边预测训练，得到子任务间的预
测时序关系约束知识；根据所述实际时序关系约束特征和所述预测时序关系约束知识计算训练损失，直到训练损失满足停止条件时，停止迭代训练，得到所述预设知识图谱。
[0008]可选地，在本申请的一个实施例中，利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果，包括：利用预设编码方式对所述每个分配方案进行对应编码，得到每个分配方案的基因型编码结果；对所述每个分配方案的基因型编码结果进行表现型解码，将每个分配方案由基因型射成表现型，并随机生成多个满足预设约束条件的可行方案解，作为初始化解集；对所述初始化解集进行代际进化计算，优化方案总用时和方案成功率，得到每个分配方案的总用时和成功率的优化结果。
[0009]可选地，在本申请的一个实施例中，所述根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案，包括：根据所述优化结果匹配每个分配方案的用时等级和成功率等级；根据所述每个分配方案的用时等级和所述成功率等级确定每个分配方案的语义描述，并获取用户基于所述语义描述的人工选择意图；根据所述人工选择意图确定所有分配方案中的最优分配方案。
[0010]可选地，在本申请的一个实施例中，在根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案之前，包括：采取预设空间等距原则从所有分配方案中筛选出满足预设条件的一个或多个分配方案，其中，所述最优分配方案为所述一个或多个分配方案中的分配方案。
[0011]本申请第二方面实施例提供一种多无人车任务分配装置，包括：获取模块，用于获取多个无人车的目标任务和所述目标任务的预设分解目标；处理模块，用于将所述目标任务和所述预设分解目标输入预先建立的预设知识图谱，输出所述目标任务的一个或多个子任务间时序约束关系；优化模块，用于根据每个子任务的预设分配参数和所述每个子任务间时序约束关系生成每个无人车分配方案，并利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果；分配模块，用于根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案，并将所述最优分配方案中的子任务分别给对应的无人车。
[0012]可选地，在本申请的一个实施例中，所述预设分解目标包括任务类型向量、任务位置向量和作用对象向量中的一个或多个，所述处理模块，进一步用于将所述任务类型向量、所述任务位置向量和所述作用对象向量中的一个或多个输入所述预先建立的预设知识图谱，作为第0层各节点的向量，经过消息传递后输出各节点的有向边作为各子任务时序关系约束的预测值；根据所述预设值和/或人工修改意图确定所述目标任务的一个或多个子任务间时序约束关系。
[0013]可选地，在本申请的一个实施例中，还包括：训练模块，用于获取携带有人工分解任务结果的训练数据，其中，人工分解任务结果包括子任务间的实际时序关系约束特征；利用预设关系型图卷积神经网络对任务分解知识图谱进行建模，并利用所述训练数据进行有向边预测训练，得到子任务间的预测时序关系约束知识；根据所述实际时序关系约束特征和所述预测时序关系约束知识计算训练损失，直到训练损失满足停止条件时，停止迭代训练，得到所述预设知识图谱。
[0014]可选地，在本申请的一个实施例中，所述优化模块，进一步用于利用预设编码方式
对所述每个分配方案进行对应编码，得到每个分配方案的基因型编码结果；对所述每个分配方案的基因型编码结果进行表现型解码，将每个分配方案由基因型射成表现型，并随机生成多个满足预设约束条件的可行方案解，作为初始化解集；对所述初始化解集进行代际进化计算，优化方案总用时和方案成功率，得到每个分配方案的总用时和成功率的优化结果。
[0015]可选地，在本申请的一个实施例中，所述分配模块，进一步用于根据所述优化结果匹配每个分配方案的用时等级和成功率等级；根据所述每个分配方案的用时等级和所述成功率等级确定每个分配方案的语义描述，并获取用户基于所述语义描述的人工选择意图；根据所述人工选择意图确定所有分配方案中的最优分配方案。
[0016]可选地，在本申请的一个实施例中，还包括：筛选模块，用于在根据所述优化结果和人工选择意图确定所有分配方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多无人车任务分配方法，其特征在于，包括以下步骤：获取多个无人车的目标任务和所述目标任务的预设分解目标；将所述目标任务和所述预设分解目标输入预先建立的预设知识图谱，输出所述目标任务的一个或多个子任务间时序约束关系；根据每个子任务的预设分配参数和所述每个子任务间时序约束关系生成每个无人车分配方案，并利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果；根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案，并将所述最优分配方案中的子任务分别给对应的无人车。2.根据权利要求1所述的方法，其特征在于，所述预设分解目标包括任务类型向量、任务位置向量和作用对象向量中的一个或多个，所述将所述目标任务和所述预设分解目标输入预先建立的预设知识图谱，输出所述目标任务的一个或多个子任务间时序约束关系，包括：将所述任务类型向量、所述任务位置向量和所述作用对象向量中的一个或多个输入所述预先建立的预设知识图谱，作为第0层各节点的向量，经过消息传递后输出各节点的有向边作为各子任务时序关系约束的预测值；根据所述预设值和/或人工修改意图确定所述目标任务的一个或多个子任务间时序约束关系。3.根据权利要求1或2所述的方法，其特征在于，所述预设知识图谱基于携带有人工分解任务结果的训练数据训练得到，包括：获取携带有人工分解任务结果的训练数据，其中，人工分解任务结果包括子任务间的实际时序关系约束特征；利用预设关系型图卷积神经网络对任务分解知识图谱进行建模，并利用所述训练数据进行有向边预测训练，得到子任务间的预测时序关系约束知识；根据所述实际时序关系约束特征和所述预测时序关系约束知识计算训练损失，直到训练损失满足停止条件时，停止迭代训练，得到所述预设知识图谱。4.根据权利要求1所述的方法，其特征在于，利用预设方案评价指标对每个分配方案的总用时和成功率进行多目标优化，得到每个分配方案的总用时和成功率的优化结果，包括：利用预设编码方式对所述每个分配方案进行对应编码，得到每个分配方案的基因型编码结果；对所述每个分配方案的基因型编码结果进行表现型解码，将每个分配方案由基因型射成表现型，并随机生成多个满足预设约束条件的可行方案解，作为初始化解集；对所述初始化解集进行代际进化计算，优化方案总用时和方案成功率，得到每个分配方案的总用时和成功率的优化结果。5.根据权利要求1所述的方法，其特征在于，所述根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案，包括：根据所述优化结果匹配每个分配方案的用时等级和成功率等级；根据所述每个分配方案的用时等级和所述成功率等级确定每个分配方案的语义描述，并获取用户基于所述语义描述的人工选择意图；
根据所述人工选择意图确定所有分配方案中的最优分配方案。6.根据权利要求1或5所述的方法，其特征在于，在根据所述优化结果和人工选择意图确定所有分配方案中的最优分配方案之前，包括：采取预设空间等距原则从所有分配方案中筛选出满足预设条件的一个或多个分配方案，其中，所述最优分配方案为所述一个或多个分配方案中的分配方案。7.一种多无人车任务分配装置，其特征在于，包括：获取模块，用于获取多个无人车的目标任务和所述目标任...

【专利技术属性】
技术研发人员：王建强，刘艺璁，韩泽宇，杨奕彬，王裕宁，许庆，徐少兵，
申请(专利权)人：清华大学，
类型：发明
国别省市：