CN111667124A - 无人机路径的规划方法及装置 - Google Patents
无人机路径的规划方法及装置 Download PDFInfo
- Publication number
- CN111667124A CN111667124A CN202010621461.6A CN202010621461A CN111667124A CN 111667124 A CN111667124 A CN 111667124A CN 202010621461 A CN202010621461 A CN 202010621461A CN 111667124 A CN111667124 A CN 111667124A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- path
- unmanned aerial
- aerial vehicle
- paths
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种无人机路径的规划方法及装置,包括对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成染色体路径;选择预设数量的染色体路径作为初始种群,并根据无人机运动中的能量消耗关系定义适应度函数;按照预设比例选择适应度函数低的染色体路径作为父代染色体,从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;根据交叉编码概率对所述双亲染色体进行交叉,得到交叉后的染色体;根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;根据所述第一后代生成新的种群,计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。
Description
技术领域
本发明实施例涉及无人机技术领域,特别是涉及一种无人机路径的规划方法及装置。
背景技术
无人机作为近年来新兴的高端技术产品,在很多不同领域内已经有了较多的应用,例如航拍测绘、灾害搜救、精准农业、管道巡检等应用。
无人机在具体应用中,需要根据给定的划定区域,无人机按照一定的全覆盖路径进行遍历。目前多采用往返式和螺旋式等方式完成遍历。目前,无人机多采用机载电源提供能量支持完成飞行任务,但是机载电源存储能量的限制,机载电源的使用时长有限,因此,在无人机飞行过程中,如果不选择合适的路径在坐标点之间飞行完成全覆盖遍历,则会造成能量浪费,如此一来,减少了机载电源提供能量的时间,影响无人机的正常使用。
因此,现在亟需一种无人机全覆盖路径规划方法,选择能耗最低的路径在坐标点之间飞行实现最优能耗,提高无人机的遍历效率。
发明内容
有鉴于此,本发明实施例提供了一种无人机路径的规划方法及装置,主要目的在于通过遗传算法对无人机全覆盖路径进行规划,选择一条覆盖整个区域且能量消耗最低的全覆盖路径,实现最优能耗,提高无人机遍历效率的效果。
为了实现上述功能,本发明实施例主要提供如下技术方案:
第一方面,本发明实施例提供了一种无人机路径的规划方法,该方法包括:
对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径;
在所有染色体路径中选择预设数量的染色体路径作为初始种群,并根据无人机运动中的能量消耗关系定义适应度函数;
计算每个染色体路径的适应度函数,根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;
根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;
根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;
根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;
计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。
可选的,对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径包括:
将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域;
将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合中;其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选;
无人机从所述集合中选择一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径;
可选的,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序包括:
若无人机无法正常行驶,则调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
可选的,选择在所有染色体路径中确定的预设数量的染色体路径作为初始种群包括:
选择所有染色体路径中的往返式、螺旋式、随机式路径作为初始种群。
可选的,所述适度函数为:
其中,J为总成本,J{S,L,R,U}分别是直线、左转弯、右转弯、U型转弯四种运动方式的成本,JStart为起始点有加速的成本,JEnd为终止点减速阶段成本,n为组成覆盖路径所采取的移动次数。
第二方面,本发明实施例还提供一种无人机路径的规划装置,该装置包括:
建模单元,用于对覆盖区域进行网络栅格法建模;
生成单元,用于根据网格化后的矩阵地图生成路径;
表征单元,用于将所述路径表征为染色体路径;
第一选择单元,用于在所有染色体路径中选择预设数量的染色体路径作为初始种群;
定义单元,用于根据无人机运动中的能量消耗关系定义适应度函数;
第一计算单元,用于计算每个染色体路径的适应度函数;
第二选择单元,用于根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体;
第三选择单元,用于从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群;
第四选择单元,用于在所述当前种群中选择双亲染色体;
交叉单元,用于根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;
第一确定单元,用于根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;
验证单元,用于根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;
第二计算单元,用于计算验证成功的所有染色体路径对应的适应度函数;
第二确定单元,用于将适应度函数最低的路径确定为当前最佳染色体路径。
可选的,所述建模单元包括:
第一分解模块,用于将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域;
第二分解模块,用于将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合中;其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选;
处理模块,用于无人机从所述集合中选择一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径;
可选的,所述处理模块,还用于当无人机无法正常行驶时,调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
可选的,所述第一选择单元,还用于选择所有染色体路径中的往返式、螺旋式、随机式路径作为初始种群。
可选的,所述适度函数为:
其中,J为总成本,J{S,L,R,U}分别是直线、左转弯、右转弯、U型转弯四种运动方式的成本,JStart为起始点有加速的成本,JEnd为终止点减速阶段成本,n为组成覆盖路径所采取的移动次数。
对应修改
借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:
本发明实施例提供的无人机路径的规划方法及装置,对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径;在所有染色体路径中选择预设数量的染色体路径作为初始种群,根据无人机运动中的能量消耗关系定义适应度函数;选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。基于遗传算法,将网格化覆盖区域内,将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作,把这四种动作看作遗传算法中的染色体基因,它们的组合方式决定了整个全覆盖路径的生成。提供交叉、选择、变异,优先那些能量消耗更低的染色体,最终规划出一条既能覆盖整个区域,能量消耗更低的全覆盖路径,提高无人机遍历效率。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的一种无人机路径的规划方法的流程图;
图2示出了本发明实施例提供的另一种无人机路径的规划方法的流程图;
图3本发明实施例提供的一种覆盖区域障碍物网络栅格化建模示意图;
图4示出了本发明实施例提供的一种网格地图初始染色体路径示意图;
图5示出了本发明实施例提供的一种螺旋式、往返式、突变式、随机式路径作为初始种群染色体路径示意图;
图6示出了本发明实施例提供的一种无人机路径的规划装置的组成框图;
图7示出了本发明实施例提供的另一种无人机路径的规划装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种无人机路径的规划方法,主要目的在于通过遗传算法对无人机全覆盖路径进行规划,选择一条覆盖整个区域且能量消耗最低的全覆盖路径,实现最优能耗,提高无人机遍历效率的效果。为了实现上述效果,本发明实施例提供一种无人机路径的规划方法,如图1所示,所述方法包括:
101、对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径。
在实际应用中,本发明实施例主要用于无人机路径规划,例如:航拍测绘、灾害搜救、精准农业、管道巡检等等,具体的不做限定。
在本发明实施例中,在对覆盖区域进行网络栅格法建模时,将无人机需要遍历的覆盖区分解为多个正方形的小方格形成矩阵地图,小方格的大小由无人机的视场角决定,规划不同路径,使无人机完成整个矩阵地图的遍历,生成多条路径,路径数量与矩阵地图的大小相关,具体应用中可根据不同应用场景进行确定。将不同的路径方式作为染色体路径。
102、在所有染色体路径中选择预设数量的染色体路径作为初始种群,并根据无人机运动中的能量消耗关系定义适应度函数。
在本发明实施例中,初始种群的建立是遗传算法中最重要的组成部分之一,因为它是下一代的基本模块,初始种群的建立可以选择传统无人机遍历路径,示例性的:往返式、螺旋式、随机式等路径,也可以根据实际矩阵地图自行规划的路径进行选择,具体的不做限定。根据无人机实际运动中的能量消耗关系定义适应度函数,将无人机能量消耗关系定义为适应度函数,使用适应度函数对染色体路径进行评估。
103、计算所述初始种群中每个染色体路径的适应度函数,根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体。
在本发明实施例中,无人机在完成矩阵地图遍历时,需要通过直线、左转弯、右转弯、掉头等运动形式完成,该四种飞行动作作为遗传算法中的基因编码。实际上,不同运动形式消耗的能量不相同,同时每条染色体路径选择的运动形式也不同,因此需要根据路径不同的运动形式计算每个染色体路径的能量消耗。根据适应度函数的定义,适应度函数越小,则染色体路径的能量消耗越低,因此在选择适应度函数较低的染色体路径作为父代染色体。在选择父代染色体路径时的预设比例可以设置为初始种群的20%、30%等等,具体的不做限定。为了增加种群的多样性,考虑更多的路径,因此,随机选择一定数量的染色体加入到初始种群中来,以产生新的种群,从而得到更多的染色体路径。
104、根据交叉编码概率对所述双亲染色体进行交叉,得到新的第一后代。
根据交叉编码概率对双亲染色体进行交叉,每条染色体都会产生一定数量的基因来产生新的后代。确定一个概率一对染色体是否会发生交叉。为了在后代中创造多样性,另一种交叉编码概率决定了杂交是否发生在随机选择的双亲染色体上。
105、根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代。
定义变异概率决定一个交叉后的染色体是否会发生突变,形成一个新的后代。当发生突变时,随机选择染色体的一个基因,并将其转化为另一个动作。
106、根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序。
为了确保无人机的飞行符合一般飞行规律,在通过交叉、变异形成的后代作为新的种群,需对每条染色体路径进行验证,确定每条染色体路径都可完成全覆盖遍历且符合正常的移动顺序。仅将染色体路径可完成全覆盖遍历,且符合正常的移动顺序的染色体路径保留,其他的不符合染色体路径可完成全覆盖遍历,和/或不符合正常的移动顺序得染色体路径忽略。
107、计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。
对新的种群中保留下来的染色体路径进行收敛运算,得到适应度函数最低,即能量消耗最低的飞行路径做为当前最佳染色体路径。
本发明实施例提供一种无人机路径的规划方法,对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径;在所有染色体路径中选择预设数量的染色体路径作为初始种群,根据无人机运动中的能量消耗关系定义适应度函数;选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。与现有技术相比,本发明实施例增加了基于遗传算法进行无人机全覆盖路径进行规划,将无人机运动中的能量消耗定义为适应度函数,选择建立初始种群,通过交叉、变异等形成新的种群,计算完全覆盖整个区域、符合无人机移动的顺序的所有染色体路径对应的适应度函数,将适应度函数最低的路径的确定为当前最佳染色体路径,降低了无人机遍历过程的能量消耗,提高无人机的遍历效率。
作为对上述实施例的细化及扩展,在本发明实施例中,将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选,若无人机无法正常行驶,则调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序,直到访问整个正方形矩阵地图,完成无人机全覆盖路径进行规划,根据适应度函数选择最优路径,提高了无人机的遍历效率。为了实现上述功能,本发明实施例还提供无人机路径的规划方法,如图2所示,所述方法包括:
201、对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径。
将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域,具体的如图3所示,以下是一个地图网格化后的矩阵地图:
其中,0值表示该方格为自由区域,需要被覆盖,1值表示该方格为障碍区域,不可被覆盖。
将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合motion中。
motion=[S L R U]
其中,S表示一次动作为直线飞行,L表示一次动作为左转弯飞行,R表示一次动作为右转弯飞行,U表示一次动作为U型转弯飞行。在路径选择点,无人机从motion集合中选择一种运动方式,如果有必要,每一种方式都将试一次,因此运动矢量大小总为4。
无人机从所述集合中一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径。
若无人机无法正常行驶,则调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
在本发明实施例中,无人机无法正常行驶,表示它被已经访问过的方格、障碍方格所包围,在这种情况下将调用一个函数,它将找到最近的未访问的方格,并重新确定运动顺序。无人机的每一次动作都将遍历一个自由方格并将动作保存下来,充当一个基因,所有动作组合成一条染色体路径。如图4所示的染色体路径可以表示为:
chromosome[RSSSSLSSSSLSLLRSSSRSSSRSRSSSLLSSRRSSSS]
operators[RSSSSLSSSSLSLLRSSSSSSLLSSRRSSSS]
其中chromosome为染色体路径,operators保存了当前遍历的方格在此前未被访问过的决策,用于交叉和变异。
202、在所有染色体路径中选择预设数量的染色体路径作为初始种群,并将无人机能量定义为适应度函数。
有关步骤202的说明,请参照步骤102中的详细说明,本发明实施例在此不再进行赘述。
为了更清晰的说明本发明实施例,选择所有染色体路径中的往返式(如图5中的(a)所示)、螺旋式(如图5中的(b)所示)、随机式路径(如图5中的(c)所示)作为初始种群。具体的选择需根据实际应用场景进行搭配选择。
movement=[random order of(S,L,R)U]
其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选,只有当其它三种运动都不可行时,才进行选择。该路径的任务是以最小的能量消耗覆盖所有的方格。在定义适应度函数之前对每一次决策的能耗进行分析,为了执行L和R动作,无人机需要飞行到方格中心,悬停之后向左或者向右转动90°,然后在此移动,同样地,执行U型转弯时,无人机从一端飞行到方格的另一端,悬停并执行180°转弯,并返回其起始位置。转弯比直线飞行消耗更多的能量,并且转弯角度越大,消耗能量越多。
203、计算所述初始种群中每个染色体路径的适应度函数,根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体。
有关步骤203的说明,请参照步骤103中的详细说明,本发明实施例在此不再进行赘述。
204、根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体。
为了在后代中创造多样性,交叉编码概率决定了交叉是否发生在随机选择的双亲染色体上。示例性的:
path#1 order[RSSSSLSSSSLSLLRSSSSSSLLSSRRSSSS]
其中,粗体标记的动作是从路径#2中按照30%的比例交叉而来。
205、根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代。
当发生突变时,随机选择染色体路径的一个基因,并将其转化为另一个动作,示例性的:
其中,粗体标记的动作为变异。
206、根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序。
有关步骤206的说明,请参照步骤106中的详细说明,本发明实施例在此不再进行赘述。
207、计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的确定为当前最佳染色体路径。
无人机飞行能量可由以下适应度函数计算:
其中,J为总成本,J{S,L,R,U}分别是直线、左转弯、右转弯、U型转弯四种运动方式的成本,JStart为起始点有加速的成本,JEnd为终止点减速阶段成本,n为组成覆盖路径所采取的移动次数。通常情况下,被重复遍历的方格数量多少决定了该路径的质量,如果两条路径所消耗的能量相同,则重复遍历方格数量少的路径更优。
综上,基于遗传算法的无人机全覆盖路径规划方法,将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作,把这四种动作看作遗传算法中的染色体基因,它们的组合方式决定了整个全覆盖路径的生成。因为实际无人机飞行过程中,直线飞行相对于转弯,左右转弯相对于U型转弯消耗的能量更少,在交叉、选择、变异中优先那些能量消耗更低的染色体,最终规划出一条既能覆盖整个区域,能量消耗更低的全覆盖路径,提高了无人机的遍历效率。
进一步的,作为对上述实施例所示方法的实现,本发明另一实施例还提供了一种小调制指数相位指数连续相位信号的解调装置。该装置实施例与前述方法实施例对应,为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。
本发明实施例提供一种无人机路径的规划装置,如图6所示,包括:
建模单元31,用于对覆盖区域进行网络栅格法建模;
生成单元32,用于根据网格化后的矩阵地图生成路径;
表征单元33,用于将所述路径表征为染色体路径;
第一选择单元34,用于在所有染色体路径中选择预设数量的染色体路径作为初始种群;
定义单元35,用于根据无人机运动中的能量消耗关系定义适应度函数;
第一计算单元36,用于计算每个染色体路径的适应度函数;
第二选择单元37,用于根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体;
第三选择单元38,用于从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群;
第四选择单元39,用于在所述当前种群中选择双亲染色体;
交叉单元310,用于根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;
第一确定单元311,用于根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;
验证单元312,用于根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;
第二计算单元313,用于计算验证成功的所有染色体路径对应的适应度函数;
第二确定单元314,用于将适应度函数最低的路径确定为当前最佳染色体路径。
本发明实施例提供一种无人机路径的规划装置,对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径;在所有染色体路径中选择预设数量的染色体路径作为初始种群,根据无人机运动中的能量消耗关系定义适应度函数;选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;根据交叉编码概率对所述双亲染色体进行交叉,得到新的交叉后的染色体;根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。与现有技术相比,本发明实施例增加了基于遗传算法进行无人机全覆盖路径进行规划,将无人机运动中的能量消耗定义为适应度函数,选择建立初始种群,通过交叉、变异等形成新的种群,计算完全覆盖整个区域、符合无人机移动的顺序的所有染色体路径对应的适应度函数,将适应度函数最低的路径的确定为当前最佳染色体路径,降低了无人机遍历过程的能量消耗,提高无人机的遍历效率。
进一步的,如图7所示,所述建模单元31包括:
第一分解模块311,用于将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域;
第二分解模块312,用于将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合中;其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选;
处理模块313,用于无人机从所述集合中选择一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径;
进一步的,如图7所示,所述处理模块313,还用于当无人机无法正常行驶时,调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
进一步的,如图7所示,所述第一选择单元34,还用于选择所有染色体路径中的往返式、螺旋式、随机式路径作为初始种群。
进一步的,所述适度函数为:
其中,J为总成本,K{S,L,R,U}分别是直线、左转弯、右转弯、U型转弯四种运动方式的成本,JStart为起始点有加速的成本,JEnd为终止点减速阶段成本,n为组成覆盖路径所采取的移动次数。
综上,基于遗传算法的无人机全覆盖路径规划装置,将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作,把这四种动作看作遗传算法中的染色体基因,它们的组合方式决定了整个全覆盖路径的生成。因为实际无人机飞行过程中,直线飞行相对于转弯,左右转弯相对于U型转弯消耗的能量更少,在交叉、选择、变异中优先那些能量消耗更低的染色体,最终规划出一条既能覆盖整个区域,能量消耗更低的全覆盖路径,提高了无人机的遍历效率。
由于本实施例所介绍的无人机路径的规划装置为可以执行本发明实施例中的无人机路径的规划方法的装置,故而基于本发明实施例中所介绍的无人机路径的规划方法,本领域所属技术人员能够了解本实施例的无人机路径的规划装置的具体实施方式以及其各种变化形式,所以在此对于该无人机路径的规划装置如何实现本发明实施例中的多种无人机路径的规划方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中无人机路径的规划方法所采用的装置,都属于本申请所欲保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、***或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种无人机路径的规划方法,其特征在于,包括:
对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径,并将所述路径表征为染色体路径;
在所有染色体路径中选择预设数量的染色体路径作为初始种群,并根据无人机运动中的能量消耗关系定义适应度函数;
计算每个染色体路径的适应度函数,根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体,并从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群,并在所述当前种群中选择双亲染色体;
根据交叉编码概率对所述双亲染色体进行交叉,得到交叉后的染色体;
根据预设变异概率确定所述交叉后的染色体的突变发生,得到新的第一后代;
根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;
计算验证成功的所有染色体路径对应的适应度函数,将适应度函数最低的路径确定为当前最佳染色体路径。
2.根据权利要求1所述的方法,其特征在于,对覆盖区域进行网络栅格法建模,根据网格化后的矩阵地图生成路径包括:
将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域;
将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合中;其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选;
无人机从所述集合中选择一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径。
3.根据权利要求2所述的方法,其特征在于,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序包括:
若无人机无法正常行驶,则调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
4.根据权利要求1所述的方法,其特征在于,选择在所有染色体路径中确定的预设数量的染色体路径作为初始种群包括:
选择所有染色体路径中的往返式、螺旋式、随机式路径作为初始种群。
6.一种无人机路径的规划装置,其特征在于,包括:
建模单元,用于对覆盖区域进行网络栅格法建模;
生成单元,用于根据网格化后的矩阵地图生成路径;
表征单元,用于将所述路径表征为染色体路径;
第一选择单元,用于在所有染色体路径中选择预设数量的染色体路径作为初始种群;
定义单元,用于根据无人机运动中的能量消耗关系定义适应度函数;
第一计算单元,用于计算每个染色体路径的适应度函数;
第二选择单元,用于根据所述适应度函数按照预设比例选择适应度函数低的染色体路径作为父代染色体;
第三选择单元,用于从所有染色体路径中选择染色体路径新增到所述初始种群中形成当前种群;
第四选择单元,用于在所述当前种群中选择双亲染色体;
交叉单元,用于根据交叉编码概率对所述双亲染色体进行交叉,得到交叉后的染色体;
第一确定单元,用于根据预设变异概率确定所述双亲染色体的突变发生,得到新的第一后代;
验证单元,用于根据所述第一后代生成新的种群,并验证每条染色体路径是否完全覆盖整个区域,并且符合无人机移动的顺序;
第二计算单元,用于计算验证成功的所有染色体路径对应的适应度函数;
第二确定单元,用于将适应度函数最低的路径确定为当前最佳染色体路径。
7.根据权利要求6所述的装置,其特征在于,所述建模单元包括:
第一分解模块,用于将所述覆盖区域根据无人机的视场角分解为多个正方形矩阵地图,所述正方形矩阵地图中包括自由区域以及障碍区域;
第二分解模块,用于将无人机路径分解为直线、左转弯、右转弯、U型转弯四种运动方式,并将其存储于集合中;其中,直线、左转弯、右转弯可以随机选择,而U型转弯始终作为最后一次备选;
处理模块,用于无人机从所述集合中选择一种或多种组合的运动方式,依次遍历相邻正方形矩阵地图中的自由区域,并确定每一次行驶到相邻正方形矩阵地图的运动顺序,记为一条染色体路径。
8.根据权利要求7所述的装置,其特征在于,所述处理模块,还用于当无人机无法正常行驶时,调用调整函数,为无人机重新规划其未访问过的正方形矩阵地图,并重新确定运动顺序。
9.根据权利要求1所述的装置,其特征在于,所述第一选择单元,还用于选择所有染色体路径中的往返式、螺旋式、随机式路径作为初始种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621461.6A CN111667124A (zh) | 2020-06-30 | 2020-06-30 | 无人机路径的规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621461.6A CN111667124A (zh) | 2020-06-30 | 2020-06-30 | 无人机路径的规划方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111667124A true CN111667124A (zh) | 2020-09-15 |
Family
ID=72391036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621461.6A Pending CN111667124A (zh) | 2020-06-30 | 2020-06-30 | 无人机路径的规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667124A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351397A (zh) * | 2020-11-11 | 2021-02-09 | 南京航空航天大学 | 一种用于室内定位信息收集的无人机路径和动作规划算法 |
CN112506216A (zh) * | 2020-11-18 | 2021-03-16 | 天津(滨海)人工智能军民融合创新中心 | 一种无人机的飞行路径规划方法及装置 |
CN112666949A (zh) * | 2020-12-24 | 2021-04-16 | 武汉理工大学 | 船舶路径规划方法、***和存储介质 |
CN115857516A (zh) * | 2023-03-02 | 2023-03-28 | 之江实验室 | 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108872978A (zh) * | 2018-05-11 | 2018-11-23 | 湖北中南鹏力海洋探测***工程有限公司 | 一种基于高频地波雷达洋流数据的水上船只路径规划方法 |
CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
CN106843211B (zh) * | 2017-02-07 | 2019-11-08 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
US20200013296A1 (en) * | 2018-07-05 | 2020-01-09 | Shu-Hui Kao | Method for flight path planning of unmanned aerial vehicles using flying routes of birds |
CN111664852A (zh) * | 2020-06-15 | 2020-09-15 | 天津大学 | 一种无人机路径规划方法及装置 |
-
2020
- 2020-06-30 CN CN202010621461.6A patent/CN111667124A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106843211B (zh) * | 2017-02-07 | 2019-11-08 | 东华大学 | 一种基于改进遗传算法的移动机器人路径规划方法 |
CN108872978A (zh) * | 2018-05-11 | 2018-11-23 | 湖北中南鹏力海洋探测***工程有限公司 | 一种基于高频地波雷达洋流数据的水上船只路径规划方法 |
US20200013296A1 (en) * | 2018-07-05 | 2020-01-09 | Shu-Hui Kao | Method for flight path planning of unmanned aerial vehicles using flying routes of birds |
CN109108963A (zh) * | 2018-07-24 | 2019-01-01 | 西北工业大学 | 基于差分演化粒子群算法空间多关节机器人路径规划方法 |
CN111664852A (zh) * | 2020-06-15 | 2020-09-15 | 天津大学 | 一种无人机路径规划方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112351397A (zh) * | 2020-11-11 | 2021-02-09 | 南京航空航天大学 | 一种用于室内定位信息收集的无人机路径和动作规划算法 |
CN112506216A (zh) * | 2020-11-18 | 2021-03-16 | 天津(滨海)人工智能军民融合创新中心 | 一种无人机的飞行路径规划方法及装置 |
CN112666949A (zh) * | 2020-12-24 | 2021-04-16 | 武汉理工大学 | 船舶路径规划方法、***和存储介质 |
CN115857516A (zh) * | 2023-03-02 | 2023-03-28 | 之江实验室 | 结合牛耕式运动与遗传算法的全覆盖路径规划方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667124A (zh) | 无人机路径的规划方法及装置 | |
Szlapczynski | Evolutionary sets of safe ship trajectories: a new approach to collision avoidance | |
CN111664852B (zh) | 一种无人机路径规划方法及装置 | |
Kuhlemann et al. | A genetic algorithm for finding realistic sea routes considering the weather | |
Afonso et al. | Task allocation and trajectory planning for multiple agents in the presence of obstacle and connectivity constraints with mixed‐integer linear programming | |
Ouelmokhtar et al. | Energy-based USV maritime monitoring using multi-objective evolutionary algorithms | |
Ahmad et al. | Efficient Energy Flight Path Planning Algorithm Using 3‐D Visibility Roadmap for Small Unmanned Aerial Vehicle | |
Abu et al. | Optimization of an autonomous mobile robot path planning based on improved genetic algorithms | |
CN116661479B (zh) | 建筑巡检路径规划方法、设备和可读存储介质 | |
Ouelmokhtar et al. | Near-optimal covering solution for USV coastal monitoring using PAES | |
Gancet et al. | Pg2p: A perception-guided path planning approach for long range autonomous navigation in unknown natural environments | |
CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
CN115421522A (zh) | 一种基于并行自适应蚁群算法的无人机覆盖路径规划方法 | |
Alsouly et al. | Enhanced Genetic Algorithm for Mobile Robot Path Planning in Static and Dynamic Environment. | |
CN112925321B (zh) | 基于人工势场法的船舶路径规划方法、装置和存储介质 | |
WO2022070246A1 (en) | Path generation apparatus, path planning apparatus, path generation method, path planning method, and non-transitory computer readable medium | |
Moreira | Deep Reinforcement Learning for Automated Parking | |
von Schantz et al. | Minimization of mean-CVaR evacuation time of a crowd using rescue guides: a scenario-based approach | |
Neisse et al. | Investigating deep neural networks as heuristic functions for path planning with topographic terrain characteristics in agent-based simulation | |
Fries | Autonomous robot navigation in diverse terrain using a fuzzy evolutionary technique | |
Fries | Navigation of Autonomous Mobile Robots in Diverse Terrain | |
Solomon | Development of a real-time hierarchical 3D path planning algorithm for unmanned aerial vehicles | |
Khsheibun et al. | Efficient coverage of unstructured environments | |
Hermanu et al. | Autonomous robot navigation using a genetic algorithm with an efficient genotype structure | |
Lin et al. | A Review of Path-Planning Approaches for Multiple Mobile Robots. Machines 2022, 10, 773 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200915 |