This is a research portfolio project for multi-agent reinforcement learning in UAV-USV cooperative task allocation. It is one of the primary public repositories representing my algorithm and simulation work.
多智能体强化学习框架，用于海上风电场无人机与无人船协同任务分配和路径规划研究。
my_paper - 2/
├── config.yaml # 主配置文件
├── content.png # 2048x2048 卫星影像
├── content.xml # PASCAL VOC 标注文件
├── requirements.txt # Python依赖
├── run_pipeline.py # 主执行脚本
├── src/ # 源代码
│ ├── data/ # 数据处理
│ │ ├── parser.py # XML解析器
│ │ ├── layers.py # 层生成器
│ │ └── grid.py # 栅格生成器
│ ├── navigation/ # 路径规划
│ │ └── pathfinder.py # 路径缓存系统
│ ├── env/ # 仿真环境
│ │ ├── agent_state.py # 智能体状态机
│ │ ├── events.py # 事件系统
│ │ ├── energy.py # 能量模型
│ │ └── charging.py # 充电系统
│ ├── baselines/ # 基线算法
│ └── viz/ # 可视化
├── scripts/ # 执行脚本
│ ├── build_layers.py # 构建层数据
│ ├── build_grids.py # 构建栅格
│ ├── build_cache.py # 构建路径缓存
│ └── validate_env.py # 环境验证
└── tests/ # 测试套件
# 创建conda虚拟环境
conda create -n wind_farm python=3.10
conda activate wind_farm
# 安装依赖
pip install -r requirements.txt确保以下文件存在：
content.png: 2048×2048 海上风电场卫星影像content.xml: PASCAL VOC格式标注文件，包含：- 39个风机 (
fan) - 2个充电站 (
charge station) - 6个岛屿 (
island) - 134个UAV禁飞区 (
UAV obstacle)
- 39个风机 (
# 运行完整数据处理流水线
python run_pipeline.py --all
# 或分步执行
python run_pipeline.py --step layers # 构建地图层
python run_pipeline.py --step grids # 构建导航栅格
python run_pipeline.py --step cache # 构建路径缓存
python run_pipeline.py --step validate # 验证环境运行成功后会生成：
layers.pkl: 地图层数据layers_preview.png: 地图层可视化grids/: UAV和USV导航栅格grids_visualization.png: 栅格可视化cache/: 路径缓存文件
-
XML解析 (
src/data/parser.py)- 解析PASCAL VOC标注文件
- 像素坐标→世界坐标转换
- 对象分类和验证
-
层生成 (
src/data/layers.py)- 任务点层（风机位置）
- 充电站层
- 障碍物层（岛屿、禁飞区）
- 安全缓冲区生成
-
栅格化 (
src/data/grid.py)- UAV/USV差异化可通行域
- 占据栅格生成
- 导航图构建
-
路径缓存 (
src/navigation/pathfinder.py)- A*最短路径计算
- 全对距离矩阵
- 压缩缓存存储
-
智能体状态机 (
src/env/agent_state.py)- 6种工作模式：idle/transit/service/queue/charge/return
- 能量管理和安全约束
- 状态转换验证
-
事件驱动系统 (
src/env/events.py)- 半离散时间仿真
- 优先队列事件调度
- 多类型事件处理器
-
能量模型 (
src/env/energy.py)- 线性/二次能耗模型
- 环境因素修正
- 能量优化策略
-
充电系统 (
src/env/charging.py)- 固定/移动充电站
- FCFS/优先级队列
- 充电性能统计
主要配置参数在 config.yaml 中：
map:
gsd_m_per_px: 5.0 # 地面分辨率（米/像素）
grid_res_m: 10.0 # 栅格分辨率（米/格）
buffer:
rho_fan: 80.0 # 风机安全缓冲（米）
rho_uav: 40.0 # UAV障碍膨胀（米）
rho_island: 10.0 # 岛屿缓冲（米）
agents:
uav:
n: 5 # UAV数量
v: 15.0 # 速度（米/秒）
Ecap: 160 # 电池容量
alpha: 0.20 # 能耗系数（单位/米）
usv:
n: 1 # USV数量
v: 5.0 # 速度（米/秒）
Ecap: 1200 # 电池容量
alpha: 0.05 # 能耗系数
reward:
lambda_T: 1.0 # 总时间权重
lambda_sigma: 0.2 # 负载均衡权重
lambda_E: 0.01 # 能量权重
lambda_Q: 0.05 # 排队权重# 运行环境验证
python scripts/validate_env.py --test all
# 分类测试
python scripts/validate_env.py --test xml # XML解析
python scripts/validate_env.py --test agent # 智能体状态机
python scripts/validate_env.py --test charging # 充电系统
python scripts/validate_env.py --test event # 事件系统
python scripts/validate_env.py --test integration # 系统集成- 路径缓存: 使用zstd压缩，支持O(1)距离查询
- 栅格化: 基于rasterio的高效几何体栅格化
- 事件系统: 优先队列确保时间复杂度为O(log n)
- 并行处理: 支持多进程路径计算
- 支持动态障碍物和禁飞区
- 移动充电站（USV充电）
- 多种能量模型（线性、二次、环境相关）
- 可插拔的充电策略
- 详细的性能分析和可视化
-
XML解析失败
- 检查文件格式是否为PASCAL VOC
- 验证坐标范围是否在图像内
- 确认类别名称拼写正确
-
栅格生成失败
- 检查内存使用（大栅格需要更多内存）
- 调整栅格分辨率参数
- 验证几何体有效性
-
路径缓存超时
- 减少节点数量或使用KNN邻接
- 启用并行计算
- 增加搜索超时时间
所有模块使用标准Python logging，设置环境变量控制日志级别：
export PYTHONPATH=$(pwd)
python -c "import logging; logging.basicConfig(level=logging.DEBUG)"如果使用本项目，请引用：
@misc{wind_farm_marl_2024,
title={Multi-Agent Reinforcement Learning for UAV-USV Cooperative Task Allocation in Offshore Wind Farms},
author={Research Team},
year={2024},
url={https://github.com/your-repo}
}MIT License
- 项目维护者：Research Team
- 邮箱：your-email@domain.com
- 问题反馈：GitHub Issues