CN110908395A - 改进的无人机航迹实时规划方法 - Google Patents

Abstract

本发明公开了一种改进的无人机航迹实时规划方法，用于解决现有无人机目标跟踪航迹规划方法对于运动目标跟踪实时性差的技术问题。技术方案是根据无人机与被跟踪目标的状态信息，预先规划飞行航路，引导无人机沿预定航路飞行。由于跟踪目标为机动目标，不同于从A点飞往B点的全局规划，航路规划不能一次性离线完成，必须根据无人机、目标的位置等在线实时进行，一边飞行一边规划，使得规划的航路对目标的机动做出及时反应。本发明采用模型预测控制以局部最优代替全局最优，使得无人机的航路规划能够及时响应战场环境的动态变化。由于需要计算的是局部最优，可以做到近实时求解，对目标进行实时预测，及时更新目标位置，使航迹规划实时性更好。

Description

改进的无人机航迹实时规划方法

技术领域

本发明涉及一种无人机目标跟踪航迹规划方法，特别涉及一种改进的无人机航迹实时规划方法。

背景技术

针对无人机目标跟踪问题，国内外有较多研究。Eric针对部队转移掩护任务研究无人机跟踪转移部队的方法，该研究假设部队位置实时发送给无人机，即目标为合作目标，因此，无人机所要考虑的问题是如何保持指定距离跟踪转移部队。Dobrokhodov把目标的状态估计引入到平台的运动控制策略中进行考虑，在对移动目标跟踪的同时，估计运动目标的状态，然后采用Lyapunov控制方法保持传感器对目标的持续覆盖。但这两种方法并没有充分考虑无人机的动力学约束。李洪烈设计了基于航迹点控制的固定翼无人机的目标跟踪算法，仿真结果表明该算法实时性强、可靠性高。王勋设计了一种产生期望角的分段引导律和无人机转向控制率，实现对地面非合作静止目标的跟踪。但这两种方法并没有考虑飞行过程中可能遇到的障碍，如地形、火力威胁等造成的不可飞行区。姚永杰提出切线动态规划法对无人机跟踪运动目标过程中的威胁进行规避，但仅仅针对单个、位于无人机起始点与目标之间的威胁，不能解决复杂威胁的情况，并且没有考虑地形等其他因素的影响。UgurZengin and Atilla Dogan提出了一种深度梯度搜索算法，给出了实时路径跟随策略和敌方威胁下的仿真环境，深度梯度搜索方法决定无人机的方向、最小化威胁程度并避开限制区域，仿真结果表明该策略可以引导无人机避开禁飞区，并可以很好地跟踪目标，但是该算法复杂性较大，难以在机载计算机上实现实时计算。Tay等人在《Thesis Collection》发表论文《Development and Implementation of New Control Law for Vision BasedTarget Tracking System Onboard Small Unmanned Aerial Vehicles》中提供了无人机的目标跟踪策略，但对于运动目标的跟踪实时性较差。

发明内容

为了克服现有无人机目标跟踪航迹规划方法对于运动目标跟踪实时性差的不足，本发明提供一种改进的无人机航迹实时规划方法。该方法根据无人机与被跟踪目标的状态信息，预先规划飞行航路，引导无人机沿预定航路飞行。由于跟踪目标为机动目标，不同于从A点飞往B点的全局规划，航路规划不能一次性离线完成，必须根据无人机、目标的位置等在线实时进行，一边飞行一边规划，使得规划的航路对目标的机动做出及时反应。本发明采用模型预测控制以局部最优代替全局最优，使得无人机的航路规划能够及时响应战场环境的动态变化。由于需要计算的是局部最优，可以做到近实时求解，非常适合对无人机的航路进行实时规划；对目标进行实时预测，及时更新目标位置，使航迹规划实时性更好。

本发明解决其技术问题所采用的技术方案：一种改进的无人机航迹实时规划方法，其特点是包括以下步骤：

步骤一、模型预测控制。在每一个采样时刻，用***的当前状态作为初始条件，通过优化性能指标求解得到最优控制序列使得输出与期望之间的偏差最小。在下一个采样时刻，重复以上优化过程，整个控制过程随着时间的推进反复滚动进行。

多步预测。以运动目标当前时刻的状态信息为输入参数，使用UKF算法对运动目标进行多步预测，计算出当前时刻之后的多个单位时间上目标的运动状态信息，选取预测结果作为无人机跟踪的参考数据。

滚动优化。在优化过程中，只考虑当前时刻到之后固定时间段内的性能指标，当到下一采样时刻，性能指标的考虑时间段也随之向后推移。在无人机目标跟踪的过程中，规划q个步长，只对其中的p个步长进行优化，寻找目标函数的最大值或最小值：

目标函数的寻找结果即为：

或

然后确定q个步长的飞行航路。

反馈校正。在航路规划的每个采样时刻利用从上个采样时刻到该采样时刻之间的目标量测信息对其位置进行校正。

步骤二、机动目标状态预测。当无人机跟踪机动目标时，根据测量值对其进行预测估计。

设目标观测模型为：

Z(k)＝HX(k)+V(k) (4)

式中，Z(k)是量测值；V(k)是观测噪声，且V(k)～N(0,R)，R为噪声协方差矩阵。

设W(k)和V(k)相互独立，H为传感器观测矩阵，且均为理想量测器。对于协同转弯模型有：

对于当前统计模型有:

选择UKF算法用于机动目标的预测。

步骤三、航迹点规划。将飞行航路离散化，将空间中的航路曲线转换为航路点的序列，以适合计算机程序的解算。

假设在t时刻，无人机所处位置为O，无人机在最大偏航角速率

允许范围内飞行，假设以Δt为步长，在每个位置有3种选择，无人机可选择保持航向或以角速率

左偏航δ或右偏航δ，则在3Δt内共有27条航路可供选择。

设无人机航迹点为(x,y,ψ)，其中x,y表示二维平面位置，ψ表示偏航角。假设t时刻航迹点O为(x₀,y₀,ψ₀)，取Δt＝1，由几何关系计算出扩展航迹点A的状态信息(x₀-Rsinψ₁+Rsinψ₀,y₀+Rcosψ₁-Rcosψ₀,ψ₁)，其中

为无人机转弯半径，V为无人机的速度。

航迹点的规划步骤如下：

①当前t₀时刻，以Δt为步长，规划以后N步最优航迹点序列；

②将前K步规划的航迹点作为实际飞行航迹点，其中0<K<N；

③在t₀+KΔt时刻重复①②步，直到任务结束。

步骤四、A*算法求解航迹点序列。定义一个评价函数：

f(k)＝w_gg(k)+w_hh(k) (7)

A*算法具体步骤如下：

①初始化OpenList、CloseList为空，把起始节点S加入OpenList；

②遍历OpenList，查找f最小的节点并设为当前节点，同时将其从OpenList转入CloseList；

③If当前节点为目标节点

④对当前节点的相邻节点进行如下操作：

⑤循环执行步骤②～⑤。

A*算法中的评价函数f(k)中包括消耗代价g(k)和估计代价h(k)。由于无人机执行的是目标跟踪任务，在无威胁环境下令消耗代价g(k)＝0。估计代价h(k)，对启发函数进行改进如下：

本发明的有益效果是：该方法根据无人机与被跟踪目标的状态信息，预先规划飞行航路，引导无人机沿预定航路飞行。由于跟踪目标为机动目标，不同于从A点飞往B点的全局规划，航路规划不能一次性离线完成，必须根据无人机、目标的位置等在线实时进行，一边飞行一边规划，使得规划的航路对目标的机动做出及时反应。本发明采用模型预测控制以局部最优代替全局最优，使得无人机的航路规划能够及时响应战场环境的动态变化。由于需要计算的是局部最优，可以做到近实时求解，非常适合对无人机的航路进行实时规划；对目标进行实时预测，及时更新目标位置，使航迹规划实时性更好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明改进的无人机航迹实时规划方法的流程图。

图2是本发明方法无人机目标跟踪路径规划方框图。

图3是本发明方法无人机目标跟踪航迹规划结果示意图。

具体实施方式

参照图1-3。

本发明方法的硬件环境为：GPU：Intel至强系列，内存：8G，硬盘：500G机械硬盘；软件环境为MATLAB2014。以无人机执行目标跟踪为背景，研究无人机的航路规划问题；借用模型预测控制的思想对UAV进行实时的航路规划，对A*算法中的启发函数进行更正，能够实现目标跟踪部分的航迹规划，并使算法能够快速收敛，提高运算速率。

本发明改进的无人机航迹实时规划方法具体步骤如下：

步骤1、模型预测控制：在每一个采样时刻，用***的当前状态作为初始条件，通过优化性能指标求解得到最优控制序列使得输出与期望之间的偏差最小，但实际作用到***中的只有最优控制序列中的第一个控制信号。在下一个采样时刻，重复以上优化过程，整个控制过程随着时间的推进反复滚动进行。

(1)多步预测：对目标跟踪任务的需求分析来看，目标跟踪***的目的是控制无人机在目标的附近，与目标保持一定的距离，即无人机与被跟踪的地面目标的距离作为***的输出。一方面，对于无人机，根据无人机模型即可以计算得到无人机的状态信息，另一方面，***输出不仅仅和无人机的位置有关，还与地面目标的位置有关，因此需要对地面目标进行预测。

(2)滚动优化：以滚动方式反复在线进行的，每一采样时刻的优化性能指标只考虑从该时刻起到未来有限的时间段内，到下一采样时刻，其优化指标考虑的时间段也随之向前推移。对于本发明目标跟踪***的滚动优化，其数学描述为：设无人机航路规划q个步长，实际飞行航路为p个步长，且p≤q，在任意时刻i，给定性能指标函数：

滚动优化就是对该性能指标函数进行寻优，使得目标函数最大化或最小化，即：

或

然后确定q个步长的飞行航路。

(3)反馈校正：主要针对地面目标的位置信息进行计算。由于无人机航路规划的时间间隔远大于对目标的量测时间间隔，所以在航路规划的每个采样时刻可以利用从上个采样时刻到该采样时刻之间的目标量测信息对其位置进行校正。

步骤2、机动目标状态预测：当无人机跟踪机动目标时，就需要根据测量值对其进行预测估计。

设目标观测模型为：

Z(k)＝HX(k)+V(k) (4)

式中：

Z(k)——量测值；

V(k)——观测噪声，且V(k)～N(0,R)，R为噪声协方差矩阵。

设W(k)和V(k)相互独立，H为传感器观测矩阵，且均为理想量测器。对于协同转弯模型有：

对于“当前”统计模型有:

选择UKF(Unscented Kalman Filter)算法用于机动目标的预测。UKF未对***方程和量测方程提出任何附加条件，算法既适用于线性对象，也适用于非线性对象，且非线性越强，其算法的优越性越强。

步骤3、航迹点规划：要明确的表示一条航路曲线，可以采用解析表达式的方法，但是其表示形式不利于在计算机中使用程序进行解算，而且有些航路曲线的解析表达式过于复杂甚至无法解析表达。本发明将飞行航路离散化，将空间中的航路曲线转换为航路点的序列，以适合计算机程序的解算。

假设在t时刻，无人机所处位置为O，接下来无人机可以在最大偏航角速率

允许范围内飞行。假设以Δt为步长(相邻航迹点的时间间隔)，在每个位置有3种选择，无人机可选择保持航向或以角速率

左偏航δ或右偏航δ，则在3Δt内共有27条航路可供选择。

设无人机航迹点为(x,y,ψ)，其中x,y表示二维平面位置，ψ表示偏航角。假设t时刻航迹点O为(x₀,y₀,ψ₀)，取Δt＝1，由几何关系可以计算出扩展航迹点A的状态信息(x₀-Rsinψ₁+Rsinψ₀,y₀+Rcosψ₁-Rcosψ₀,ψ₁)，其中

为无人机转弯半径，V为无人机的速度。同理，其他的扩展节点信息可以依次求得。

航迹点的规划步骤如下：

①当前t₀时刻，以Δt为步长，规划以后N步最优航迹点序列；

②将前K步规划的航迹点作为实际飞行航迹点，其中0<K<N；

③在t₀+KΔt时刻重复①②步，直到任务结束。

步骤4、A*算法求解航迹点序列：首先需要定义一个评价函数：

f(k)＝w_gg(k)+w_hh(k) (7)

A*算法具体步骤如下：

①初始化OpenList、CloseList为空，把起始节点S加入OpenList；

②遍历OpenList，查找f最小的节点并设为当前节点，同时将其从OpenList转入

CloseList；

③If当前节点为目标节点

④对当前节点的相邻节点进行如下操作：

⑤循环执行步骤②～⑤。

A*算法中的评价函数f(k)中包括消耗代价g(k)和估计代价h(k)。由于无人机执行的是目标跟踪任务，油耗代价可以不予考虑，在无威胁环境下可令消耗代价g(k)＝0。估计代价h(k)，有时也被称为启发函数。为了能够很好的反映当前节点的估计代价，不是前面搜索节点代价值f(k)过小，以至于不会因为迭代的增加导致算法不能快速收敛。于是，本发明对启发函数进行改进如下：

Claims (1)

1.一种改进的无人机航迹实时规划方法，其特征在于包括以下步骤：

步骤一、模型预测控制；在每一个采样时刻，用***的当前状态作为初始条件，通过优化性能指标求解得到最优控制序列使得输出与期望之间的偏差最小；在下一个采样时刻，重复以上优化过程，整个控制过程随着时间的推进反复滚动进行；

多步预测；以运动目标当前时刻的状态信息为输入参数，使用UKF算法对运动目标进行多步预测，计算出当前时刻之后的多个单位时间上目标的运动状态信息，选取预测结果作为无人机跟踪的参考数据；

滚动优化；在优化过程中，只考虑当前时刻到之后固定时间段内的性能指标，当到下一采样时刻，性能指标的考虑时间段也随之向后推移；在无人机目标跟踪的过程中，规划q个步长，只对其中的p个步长进行优化，寻找目标函数的最大值或最小值：

目标函数的寻找结果即为：

或

然后确定q个步长的飞行航路；

反馈校正；在航路规划的每个采样时刻利用从上个采样时刻到该采样时刻之间的目标量测信息对其位置进行校正；

步骤二、机动目标状态预测；当无人机跟踪机动目标时，根据测量值对其进行预测估计；

设目标观测模型为：

Z(k)＝HX(k)+V(k) (4)

式中，Z(k)是量测值；V(k)是观测噪声，且V(k)～N(0,R)，R为噪声协方差矩阵；

设W(k)和V(k)相互独立，H为传感器观测矩阵，且均为理想量测器；对于协同转弯模型有：

对于当前统计模型有:

选择UKF算法用于机动目标的预测；

步骤三、航迹点规划；将飞行航路离散化，将空间中的航路曲线转换为航路点的序列，以适合计算机程序的解算；

假设在t时刻，无人机所处位置为O，无人机在最大偏航角速率

允许范围内飞行，假设以Δt为步长，在每个位置有3种选择，无人机可选择保持航向或以角速率

左偏航δ或右偏航δ，则在3Δt内共有27条航路可供选择；

设无人机航迹点为(x,y,ψ)，其中x,y表示二维平面位置，ψ表示偏航角；假设t时刻航迹点O为(x₀,y₀,ψ₀)，取Δt＝1，由几何关系计算出扩展航迹点A的状态信息(x₀-Rsinψ₁+Rsinψ₀,y₀+Rcosψ₁-Rcosψ₀,ψ₁)，其中

为无人机转弯半径，V为无人机的速度；

航迹点的规划步骤如下：

①当前t₀时刻，以Δt为步长，规划以后N步最优航迹点序列；

②将前K步规划的航迹点作为实际飞行航迹点，其中0<K<N；

③在t₀+KΔt时刻重复①②步，直到任务结束；

步骤四、A*算法求解航迹点序列；定义一个评价函数：

f(k)＝w_gg(k)+w_hh(k) (7)

A*算法具体步骤如下：

①初始化OpenList、CloseList为空，把起始节点S加入OpenList；

②遍历OpenList，查找f最小的节点并设为当前节点，同时将其从OpenList转入CloseList；

③If当前节点为目标节点

④对当前节点的相邻节点进行如下操作：

⑤循环执行步骤②～⑤；

A*算法中的评价函数f(k)中包括消耗代价g(k)和估计代价h(k)；由于无人机执行的是目标跟踪任务，在无威胁环境下令消耗代价g(k)＝0；估计代价h(k)，对启发函数进行改进如下：

Images