(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211266909.2 (22)申请日 2022.10.17 (71)申请人 清华大学 地址 100084 北京市海淀区清华园1号 (72)发明人 王建强　刘艺璁　韩泽宇　杨奕彬　 王裕宁　许庆　徐少兵　 (74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 专利代理师 雷玉龙 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/30(2012.01) G06F 16/36(2019.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 5/02(2006.01) (54)发明名称 多无人车任务分配方法、 装置、 车辆及存储 介质 (57)摘要 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。 权利要求书3页 说明书14页 附图7页 CN 115526417 A 2022.12.27 CN 115526417 A 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；权　利　要　求　书 1/3 页 2 CN 115526417 A 2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。 8.根据权利要求7所述的装置， 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。 9.根据权利要求7或8所述的装置， 其特征在于， 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。 10.根据权利要求7 所述的装置， 其特 征在于， 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。 11.根据权利要求7 所述的装置， 其特 征在于， 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 。权　利　要　求　书 2/3 页 3 CN 115526417 A 3