CN109669357A - 多任务无人机的路径规划校验与多平台控制***及方法 - Google Patents

Abstract

本发明具体涉及一种多任务无人机的路径规划校验与多平台控制***及方法,属于无人机技术领域。所述控制***包括无人机和地面站；所述控制方法包括：1)将N个待侦察目标作为数据对象进行聚类分析；2)采用蚁群算法对各聚类内的待侦察目标进行路径规划；3)地面站操作***以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；4)生成最佳路径；5)地面站控制***对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。本发明能够自动对无人机的飞行路径进行规划，使得无人机在执行任务的过程中，获得最大的收益，同时能够最大程度的减小飞行距离、缩短飞行时间，提高无人机执行任务的效率。

Description

多任务无人机的路径规划校验与多平台控制***及方法

技术领域

本发明属于无人机技术领域，具体涉及一种多任务无人机的路径规划校验与多平台控制***及方法。

背景技术

四轴飞行器近年来在农业植保、侦察探测、抢险救援、信息中继等领域得到广泛应用。然而传统的单一四轴飞行器在执行任务时会有很多的局限性：

比如在航拍领域，但单飞行器进行航拍时只能得到一个视角的图像，不能全方位地进行监测；在快递运送领域，单架四轴飞行器运输量不足，如果做成大负载的四轴飞行器，在进行小量运输时又会造成资源浪费；在森林防火监测时单个四轴飞行器的监测效率低，监控范围与精度不足等。

发明内容

针对上述存在的技术问题，本发明提供一种多任务无人机的路径规划校验与多平台控制***，包括：包括无人机和地面站；

所述无人机包括飞控板、机载计算机、GPS模块、通讯模块和飞行器；所述飞控板分别与机载计算机、GPS模块和飞行器连接；所述通讯模块与飞控板连接；

在进行最佳路径的仿真校验时，所述地面站与无人机的飞控板和机载计算机通过数据线连接；

在进行多平台控制时，所述地面站与无人机的通讯模块之间建立通信链路总线。

所述地面站为PC，其控制***中包括目标规划***、路径规划***、多平台控制***和基于jMAVSim模拟器和无人机数学模型的仿真***。

所述通讯模块采用433M无线模块。

一种多任务无人机的路径规划校验与多平台控制***的控制方法，采用上述的多任务无人机的路径规划校验与多平台控制***，包括以下步骤：

步骤1，在地面站的控制***中建立基于K-Means方法的目标规划***；将N个待侦察目标作为数据对象进行聚类分析，采用K-Means方法，包括以下步骤：

步骤1.1，从N个数据对象中任意选择L个数据对象作为聚类中心；

步骤1.2，将聚类中心以外的L-N个数据对象作为聚类对象，计算每个聚类对象与各个初始聚类中心的距离，并将每个聚类对象归类于距离其最近的初始聚类中心，得到L个聚类；

步骤1.3，对每一个聚类，求聚类中所有数据对象的平均中心；

步骤1.4，计算聚类的平均中心和聚类中心的距离；如果距离小于阈值，则终止计算，得到L个聚类；否则，将平均中心作为聚类中心，返回步骤1.2；

步骤2，在地面站的控制***中建立基于蚁群算法的路径规划***；采用蚁群算法对各聚类内的待侦察目标进行路径规划；

步骤2.1，针对L个聚类中任意一个聚类l，包括C个待侦察目标，将各个待侦查目标的位置设置在路径规划***中；

路径规划***中，所有目标之间两两生成连线，作为无人机从某一目标出发时可选择的路径，即两点路径；为该路径赋予相应的信息素浓度初值D_i；信息素浓度初值D_i与两点路径上作为起点的目标的自身价值V_j成正比关系，即D_i＝k×V_j，其中k为比例系数；

步骤2.2，所述聚类l包括D个无人机起飞基地和布置在各个无人机起飞基地的E架无人机；

将距离每个无人机起飞基地最近的目标设为起始目标，得到与每个无人机起飞基地对应的D个起始目标；

控制各个无人机起飞基地的E架无人机飞行至对应的各个起始目标上；

步骤2.3，控制各个无人机从自身所在的目标随机的向其它目标飞行，并设定其不会飞至本步骤中已经过的目标，具体控制方法为：

无人机从起始目标上出发，飞行至下一目标；无人机在任意目标上，均有C-1条可选的两点路径，选择其中任意一条指向其尚未到达过的目标的两点路径；

当无人机遍历过全部的C个待侦察目标后，将其经过的C-1条两点路径进行记录并整合为一条完整路径，回归起始目标；

反复执行上述内容，得到若干条完整路径，直至实验结束；

无人机的飞行过程中，在经过的两点路径上释放信息素，随着时间推移，信息素会逐渐消散；

该段两点路径的实际信息素浓度为信息素浓度初值D_i在信息素的释放与消散共同作用后结果；因此，某一两点路径上无人机越多，其实际信息素浓度越高；路径规划***根据实际信息素浓度情况，控制各个无人机优先沿实际信息素浓度高的路径飞行；

步骤2.5，得到聚类l中的信息素浓度最高的完整路径，即优选路径p；

根据本步骤所述方法，得到各个聚类的优选路径；

步骤2的内容全部在路径规划***中运算完成，不进行实际飞行；

步骤3，地面站的控制***以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；

步骤3.1，计算优选路径p的探测目标总价值minf₁：

探测目标总价值minf₁的构成因素包含各个待探测目标的自身价值和探测成功率，其表述为：

式中，P_Rlp为聚类l的无人机按照优选路径p行动时，对该路径上第j个目标的探测成功率；

在路径p上的第j个目标记为j_p，V_j为j_p的自身价值，V_jp为j_p在路径p上的价值；V_max为V_jp的最大值；

x_lp为聚类l中经过优选路径p的无人机数量；

N_a为各个聚类中无人机数量的总和；

步骤3.2，计算优选路径p的总飞行距离minf₂：

式中，D_lp为聚类l的无人机按照路径p行动时的飞行距离总和；

R_l为UAV作战半径；

为最长路径的长度，

λ₁，λ₂为权重，λ₁+λ₂＝1，λ₁,λ₂≥0；

1/R_lN_a为规划因子；

根据上述方法，得到各个聚类的优选路径的探测目标总价值和最小的总飞行距离；

步骤3.3，计算目标执行价值f₃；

最佳路径的生成过程受到探测目标总价值minf₁和总飞行距离minf₂的影响；计算各个优选路径的目标执行价值f₃：

f₃＝k₁*minf₁+k₂minf₂

k1、k2为权重，k₁+k₂＝1，k₁,k₂≥0；

步骤4，生成最佳路径；

为实现最大的目标价值，进行G次价值计算，即重复执行G次步骤2-步骤3；每次进行价值计算时，给予不同的比例系数k，计算不同的k带来的G组目标执行价值f₃；

地面站的控制***取目标执行价值f₃最小的优选路径为最佳路径，计算得到的结果上传至无人机的飞控***，作为无人机的实际飞行路径；

步骤5，地面站控制***对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。

所述步骤5中，对最佳路径进行仿真校验，具体方法为：

在地面站的控制***中建立基于jMAVSim模拟器和无人机数学模型的仿真***，对无人机进行硬件在环半物理仿真；

将无人机的飞控板和机载计算机从飞机上拆下，并与地面站通过数据线连接；地面站的仿真***给出不同的飞行环境参数，通过飞控板和机载计算机收到的信号和所给出的指令，模拟无人机的飞行状况；

飞控板和机载计算机根据实际飞行路径生成对飞行器的飞控指令，即对各螺旋桨转速的控制指令；

地面站的仿真***实时读取飞控***的飞控指令，并根据无人机数学模型，解算无人机在飞控指令下的飞行轨迹，并将解算出的无人机位置、速度、方向等信息实时返回飞控板和机载计算机，由其生成下一步飞控指令，由此校验实际飞行路径的可靠性，直至人为终止仿真过程。

所述步骤5，在无人机实际飞行的过程中，根据多平台控制***控制无人机动作，具体为：

各架无人机将自身位置、速度信息以及摄像信息实时传递至通信链路总线，同时从通信链路总线实时共享其它无人机的相关信息，同时地面站根据所述信息进行各架无人机的路径规划，在无人机集群飞行过程中不断更新各架无人机的飞行路径指令，实现无人机编队飞行效果的最优化。

本发明的有益效果：

本发明提出一种多无人机任务的路径规划方法，能够自动对无人机的飞行路径进行规划，使得无人机在执行任务的过程中，获得最大的收益，同时能够最大程度的减小飞行距离、缩短飞行时间，提高无人机执行任务的效率。

本发明设计合理，易于实现，具有很好的实用价值。

附图说明

图1为本发明具体实施方式中所述路径规划校验与多平台控制***在最佳路径的仿真校验时的连接示意图；

图2为本发明具体实施方式中所述路径规划校验与多平台控制***在进行多平台控制时的连接示意图。

图中：1、地面站；2、飞控板；3、机载计算机；4、GPS模块；5、通讯模块；6、飞行器；7、通信链路总线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明做出进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出一种多任务无人机的路径规划校验与多平台控制***，包括无人机和地面站1；

所述无人机包括飞控板2、机载计算机3、GPS模块4、通讯模块5和飞行器6；所述飞控板2分别与机载计算机3、GPS模块4和飞行器6连接；所述通讯模块5与飞控板2连接；

所述地面站1为PC，其控制***中包括目标规划***、路径规划***、多平台控制***和基于jMAVSim模拟器和无人机数学模型的仿真***；

在进行最佳路径的仿真校验时，如图1所示，所述地面站1与无人机的飞控板2通过数据线连接；

在进行多平台控制时，如图2所示，所述地面站1与无人机的通讯模块5之间建立通信链路总线7；

所述通讯模块5采用433M无线模块；

本发明提出一种多任务无人机的路径规划校验与多平台控制***的控制方法，采用上述的多任务无人机的路径规划校验与多平台控制***，包括以下步骤：

步骤1，在地面站1的控制***中建立基于K-Means方法的目标规划***；将N个待侦察目标作为数据对象进行聚类分析，采用K-Means方法，包括以下步骤：

步骤1.1，从N个数据对象中任意选择L个数据对象作为聚类中心；

步骤1.2，将聚类中心以外的L-N个数据对象作为聚类对象，计算每个聚类对象与各个初始聚类中心的距离，并将每个聚类对象归类于距离其最近的初始聚类中心，得到L个聚类；

步骤1.3，对每一个聚类，求聚类中所有数据对象的平均中心；

步骤1.4，计算聚类的平均中心和聚类中心的距离；如果距离小于阈值，则终止计算，得到L个聚类；否则，将平均中心作为聚类中心，返回步骤1.2；

步骤2，在地面站1的控制***中建立基于蚁群算法的路径规划***；采用蚁群算法对各聚类内的待侦察目标进行路径规划；

步骤2.1，针对L个聚类中任意一个聚类l，包括C个待侦察目标，将各个待侦查目标的位置设置在路径规划***中；

路径规划***中，所有目标之间两两生成连线，作为无人机从某一目标出发时可选择的路径，即两点路径；为该路径赋予相应的信息素浓度初值D_i；信息素浓度初值D_i与两点路径上作为起点的目标的自身价值V_j成正比关系，即D_i＝k×V_j，其中k为比例系数；

步骤2.2，所述聚类l包括D个无人机起飞基地和布置在各个无人机起飞基地的E架无人机；

将距离每个无人机起飞基地最近的目标设为起始目标，得到与每个无人机起飞基地对应的D个起始目标；

控制各个无人机起飞基地的E架无人机飞行至对应的各个起始目标上；

步骤2.3，控制各个无人机从自身所在的目标随机的向其它目标飞行，并设定其不会飞至本步骤中已经过的目标，具体控制方法为：

无人机从起始目标上出发，飞行至下一目标；无人机在任意目标上，均有C-1条可选的两点路径，选择其中任意一条指向其尚未到达过的目标的两点路径；

当无人机遍历过全部的C个待侦察目标后，将其经过的C-1条两点路径进行记录并整合为一条完整路径，回归起始目标；

反复执行上述内容，得到若干条完整路径，直至实验结束；

无人机的飞行过程中，在经过的两点路径上释放信息素，随着时间推移，信息素会逐渐消散；

该段两点路径的实际信息素浓度为信息素浓度初值D_i在信息素的释放与消散共同作用后结果；因此，某一两点路径上无人机越多，其实际信息素浓度越高；路径规划***根据实际信息素浓度情况，控制各个无人机优先沿实际信息素浓度高的路径飞行；

步骤2.5，得到聚类l中的信息素浓度最高的完整路径，即优选路径p；

根据本步骤所述方法，得到各个聚类的优选路径；

步骤2的内容全部在路径规划***中运算完成，不进行实际飞行；

步骤3，地面站1的控制***以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；

步骤3.1，计算优选路径p的探测目标总价值minf₁：

探测目标总价值minf₁的构成因素包含各个待探测目标的自身价值和探测成功率，其表述为：

式中，P_Rlp为聚类l的无人机按照优选路径p行动时，对该路径上第j个目标的探测成功率；

在路径p上的第j个目标记为j_p，V_j为j_p的自身价值，V_jp为j_p在路径p上的价值；V_max为V_jp的最大值；

x_lp为聚类l中经过优选路径p的无人机数量；

N_a为各个聚类中无人机数量的总和；

步骤3.2，计算优选路径p的总飞行距离minf₂：

式中，D_lp为聚类l的无人机按照路径p行动时的飞行距离总和；

R_l为UAV作战半径；

为最长路径的长度，

λ₁，λ₂为权重，λ₁+λ₂＝1，λ₁,λ₂≥0；

1/R_lN_a为规划因子；

根据上述方法，得到各个聚类的优选路径的探测目标总价值和最小的总飞行距离；

步骤3.3，计算目标执行价值f₃；

最佳路径的生成过程受到探测目标总价值minf₁和总飞行距离minf₂的影响；计算各个优选路径的目标执行价值f₃：

f₃＝k₁*minf₁+k₂minf₂

k1、k2为权重，k₁+k₂＝1，k₁,k₂≥0；；

步骤4，生成最佳路径；

为实现最大的目标价值，进行G次价值计算，即重复执行G次步骤2-步骤3；每次进行价值计算时，给予不同的比例系数k，计算不同的k带来的G组目标执行价值f₃；

地面站1的控制***取目标执行价值f₃最小的优选路径为最佳路径，计算得到的结果上传至无人机的飞控***，作为无人机的实际飞行路径；

步骤5，地面站1的控制***对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。

所述步骤5中，对最佳路径进行仿真校验，具体方法为：

在地面站1的控制***中建立基于jMAVSim模拟器和无人机数学模型的仿真***，对无人机进行硬件在环半物理仿真；

将无人机的飞控板2和机载计算机3从飞机上拆下，并与地面站1通过数据线连接；地面站1的仿真***给出不同的飞行环境参数，通过飞控板2和机载计算机3收到的信号和所给出的指令，模拟无人机的飞行状况；

飞控板2和机载计算机3根据实际飞行路径生成对飞行器6的飞控指令，即对各螺旋桨转速的控制指令；

地面站1的仿真***实时读取飞控***的飞控指令，并根据无人机数学模型，解算无人机在飞控指令下的飞行轨迹，并将解算出的无人机位置、速度、方向等信息实时返回飞控板2和机载计算机3，由其生成下一步飞控指令，由此校验实际飞行路径的可靠性，直至人为终止仿真过程；

所述步骤5，在无人机实际飞行的过程中，根据多平台控制***控制无人机动作，具体为：

各架无人机将自身位置、速度信息以及摄像信息实时传递至通信链路总线7，同时从通信链路总线7实时共享其它无人机的相关信息，同时地面站1根据所述信息进行各架无人机的路径规划，在无人机集群飞行过程中不断更新各架无人机的飞行路径指令，实现无人机编队飞行效果的最优化。

Claims (6)

1.一种多任务无人机的路径规划校验与多平台控制***，其特征在于，包括：包括无人机和地面站；

所述无人机包括飞控板、机载计算机、GPS模块、通讯模块和飞行器；所述飞控板分别与机载计算机、GPS模块和飞行器连接；所述通讯模块与飞控板连接；

在进行最佳路径的仿真校验时，所述地面站与无人机的飞控板和机载计算机通过数据线连接；

在进行多平台控制时，所述地面站与无人机的通讯模块之间建立通信链路总线。

2.根据权利要求1所述的多任务无人机的路径规划校验与多平台控制***，其特征在于，所述地面站为PC，其控制***中包括目标规划***、路径规划***、多平台控制***和基于jMAVSim模拟器和无人机数学模型的仿真***。

3.根据权利要求1所述的多任务无人机的路径规划校验与多平台控制***，其特征在于，所述通讯模块采用433M无线模块。

4.一种多任务无人机的路径规划校验与多平台控制***的控制方法，其特征在于，采用权利要求2所述的多任务无人机的路径规划校验与多平台控制***，包括以下步骤：

步骤1，在地面站的控制***中建立基于K-Means方法的目标规划***；将N个待侦察目标作为数据对象进行聚类分析，采用K-Means方法，包括以下步骤：

步骤1.1，从N个数据对象中任意选择L个数据对象作为聚类中心；

步骤1.2，将聚类中心以外的L-N个数据对象作为聚类对象，计算每个聚类对象与各个初始聚类中心的距离，并将每个聚类对象归类于距离其最近的初始聚类中心，得到L个聚类；

步骤1.3，对每一个聚类，求聚类中所有数据对象的平均中心；

步骤1.4，计算聚类的平均中心和聚类中心的距离；如果距离小于阈值，则终止计算，得到L个聚类；否则，将平均中心作为聚类中心，返回步骤1.2；

步骤2，在地面站的控制***中建立基于蚁群算法的路径规划***；采用蚁群算法对各聚类内的待侦察目标进行路径规划；

步骤2.1，针对L个聚类中任意一个聚类l，包括C个待侦察目标，将各个待侦查目标的位置设置在路径规划***中；

路径规划***中，所有目标之间两两生成连线，作为无人机从某一目标出发时可选择的路径，即两点路径；为该路径赋予相应的信息素浓度初值D_i；信息素浓度初值D_i与两点路径上作为起点的目标的自身价值V_j成正比关系，即D_i＝k×V_j，其中k为比例系数；

步骤2.2，所述聚类l包括D个无人机起飞基地和布置在各个无人机起飞基地的E架无人机；

将距离每个无人机起飞基地最近的目标设为起始目标，得到与每个无人机起飞基地对应的D个起始目标；

控制各个无人机起飞基地的E架无人机飞行至对应的各个起始目标上；

步骤2.3，控制各个无人机从自身所在的目标随机的向其它目标飞行，并设定其不会飞至本步骤中已经过的目标，具体控制方法为：

无人机从起始目标上出发，飞行至下一目标；无人机在任意目标上，均有C-1条可选的两点路径，选择其中任意一条指向其尚未到达过的目标的两点路径；

当无人机遍历过全部的C个待侦察目标后，将其经过的C-1条两点路径进行记录并整合为一条完整路径，回归起始目标；

反复执行上述内容，得到若干条完整路径，直至实验结束；

无人机的飞行过程中，在经过的两点路径上释放信息素，随着时间推移，信息素会逐渐消散；

该段两点路径的实际信息素浓度为信息素浓度初值D_i在信息素的释放与消散共同作用后结果；因此，某一两点路径上无人机越多，其实际信息素浓度越高；路径规划***根据实际信息素浓度情况，控制各个无人机优先沿实际信息素浓度高的路径飞行；

步骤2.5，得到聚类l中的信息素浓度最高的完整路径，即优选路径p；

根据本步骤所述方法，得到各个聚类的优选路径；

步骤2的内容全部在路径规划***中运算完成，不进行实际飞行；

步骤3，地面站的控制***以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；

步骤3.1，计算优选路径p的探测目标总价值minf₁：

探测目标总价值minf₁的构成因素包含各个待探测目标的自身价值和探测成功率，其表述为：

式中，P_Rlp为聚类l的无人机按照优选路径p行动时，对该路径上第j个目标的探测成功率；

在路径p上的第j个目标记为j_p，V_j为j_p的自身价值，V_jp为j_p在路径p上的价值；V_max为V_jp的最大值；

x_lp为聚类l中经过优选路径p的无人机数量；

N_a为各个聚类中无人机数量的总和；

步骤3.2，计算优选路径p的总飞行距离minf₂：

式中，D_lp为聚类l的无人机按照路径p行动时的飞行距离总和；

R_l为UAV作战半径；

为最长路径的长度，

λ₁，λ₂为权重，λ₁+λ₂＝1，λ₁,λ₂≥0；

1/R_lN_a为规划因子；

根据上述方法，得到各个聚类的优选路径的探测目标总价值和最小的总飞行距离；

步骤3.3，计算目标执行价值f₃；

最佳路径的生成过程受到探测目标总价值minf₁和总飞行距离minf₂的影响；计算各个优选路径的目标执行价值f₃：

f₃＝k₁*minf₁+k₂minf₂

k1、k2为权重，k₁+k₂＝1，k₁,k₂≥0；

步骤4，生成最佳路径；

为实现最大的目标价值，进行G次价值计算，即重复执行G次步骤2-步骤3；每次进行价值计算时，给予不同的比例系数k，计算不同的k带来的G组目标执行价值f₃；

地面站的控制***取目标执行价值f₃最小的优选路径为最佳路径，计算得到的结果上传至无人机的飞控***，作为无人机的实际飞行路径；

步骤5，地面站控制***对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。

5.根据权利要求4所述的多任务无人机的路径规划校验与多平台控制***的控制方法，其特征在于，所述步骤5中，对最佳路径进行仿真校验，具体方法为：

在地面站的控制***中建立基于jMAVSim模拟器和无人机数学模型的仿真***，对无人机进行硬件在环半物理仿真；

将无人机的飞控板和机载计算机从飞机上拆下，并与地面站通过数据线连接；地面站的仿真***给出不同的飞行环境参数，通过飞控板和机载计算机收到的信号和所给出的指令，模拟无人机的飞行状况；

飞控板和机载计算机根据实际飞行路径生成对飞行器的飞控指令，即对各螺旋桨转速的控制指令；

地面站的仿真***实时读取飞控***的飞控指令，并根据无人机数学模型，解算无人机在飞控指令下的飞行轨迹，并将解算出的无人机位置、速度、方向等信息实时返回飞控板和机载计算机，由其生成下一步飞控指令，由此校验实际飞行路径的可靠性，直至人为终止仿真过程。

6.根据权利要求4所述的多任务无人机的路径规划校验与多平台控制***的控制方法，其特征在于，所述步骤5，在无人机实际飞行的过程中，根据多平台控制***控制无人机动作，具体为：

各架无人机将自身位置、速度信息以及摄像信息实时传递至通信链路总线，同时从通信链路总线实时共享其它无人机的相关信息，同时地面站根据所述信息进行各架无人机的路径规划，在无人机集群飞行过程中不断更新各架无人机的飞行路径指令，实现无人机编队飞行效果的最优化。