CN113188547A - 无人机路径规划方法、装置、控制器及存储介质 - Google Patents
无人机路径规划方法、装置、控制器及存储介质 Download PDFInfo
- Publication number
- CN113188547A CN113188547A CN202110492757.7A CN202110492757A CN113188547A CN 113188547 A CN113188547 A CN 113188547A CN 202110492757 A CN202110492757 A CN 202110492757A CN 113188547 A CN113188547 A CN 113188547A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- base station
- path
- signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 17
- 239000003016 pheromone Substances 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000008054 signal transmission Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 241000257303 Hymenoptera Species 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 16
- 238000005457 optimization Methods 0.000 description 7
- 230000001413 cellular effect Effects 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种无人机路径规划方法、装置、控制器及存储介质,该方法包括:获取任务区域内各基站的信号覆盖区域;根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。最优规划路径上的点均在基站的信号覆盖区域内,确保无人机飞行过程中通信稳定性,保证飞行可靠性和安全性,且利用蚁群算法得到的最优规划路径可指导无人机以最快速度安全从起点飞向终点,完成飞行任务。对于无人机低空通航效率有积极影响。
Description
技术领域
本申请涉及无人机控制技术领域,特别是涉及一种无人机路径规划方法、装置、控制器及存储介质。
背景技术
随着无人机飞行控制技术的革新与发展,无人机在许多商业活动中表现出高质量、低成本的优势,比如货物投送,空中侦察与监测等,这些活动主要存在于城市环境当中,由于城市当中高楼林立,无人机在执行上述任务时必须实现超视距工作,所以蜂窝联网无人机便成了一个很好的选择,具体实现时,通过将无人机接入互联网来控制其飞行,但发明人在实施过程中发现,无人机在执行任务过程中会由于与地面基站失去联系而无法分辨指令信息,进而失控,给居民的生命财产安全带来威胁。
发明内容
基于此,有必要针对上述技术问题,提供一种能够避免按规划路径飞行过程中因通信问题导致无人机失控的无人机路径规划方法、装置、控制器及存储介质,以提高城市环境中,尤其是低空无人机的飞行稳定性和安全性。
本申请实施例一方面提供了一种无人机路径规划方法,该方法包括:
获取任务区域内各基站的信号覆盖区域;
根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
本申请实施例提供的无人机路径规划方法,充分考虑无人机飞行区域内基站的信号覆盖情况,根据各基站的信号覆盖区域,构建无人机所在高度水平面的无人机二维路径规划空间模型,首先根据无人机起点的位置信息和终点的位置信息,需要寻找该二维路径规划空间下基站覆盖区域内无人机的最短路径,将其作为无人机初步规划路径,该路径上的点均在基站的信号覆盖区域内,可以确保该路径下无人机飞行过程中具备良好的通信条件,保证飞行可靠性和安全性,在此基础上,进一步利用蚁群算法对无人机初步规划路径进行优化,得到无人机最优规划路径,将其作为最终的无人机规划路径,指导无人机以最快速度安全从起点飞向终点,完成飞行任务。
在其中一个实施例中,所述获取任务区域内各基站的信号覆盖区域的步骤包括:
将所述任务区域网格化;
根据所述任务区域各网格点与各所述基站的位置关系,确定各网格点与各所述基站之间的信号传输方式,所述信号传输方式包括视距传播和非视距传播;
根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域。
在其中一个实施例中,所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型的构建过程包括:
通过以下公式,利用各基站发射的信号功率和无人机当前位置信息获得当前无人机接收到的从各个基站发射出的信号信噪比模型:
其中,ρk(ν(t))表示当前无人机接收到的从第k个基站发射的信号信噪比,P表示基站发射的信号功率,ν(t)表示无人机在其所处二维平面中的二维坐标信息,γk,s(t)表示第k个基站到无人机信道的信道增益,s∈{LoS,NLoS},LoS表示视距传播,NLoS表示非视距传播,σ2表示无人机的噪声功率;
令所述无人机接收到的从各基站发射出的信号信噪比等于无人机最小接收信噪比并联合所述信号信噪比模型和所述信道增益计算模型,得到无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型:
其中,ds为无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离,h表示无人机的高度,hg表示所述基站的高度。
在其中一个实施例中,所述根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域的步骤包括:
根据以下公式和所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定位于基站的信号覆盖区域内的网格点坐标(x,y,h):
(x-xk)2+(y-yk)2≤ds 2
其中,(xk,yk)表示所述基站在所述无人机所在高度的二维平面上的投影坐标。
在其中一个实施例中,所述根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型的步骤包括:
基于各所述基站的信号覆盖区域和MAKLINK图论法在所述任务区域生成多条MAKLINK连接线,建立所述任务区域的无人机二维路径规划空间模型;所述MAKLINK连接线是指与两个未覆盖基站信号的区域之间不与未覆盖基站信号的区域相交的顶点连线以及未覆盖基站信号的区域顶点与所述任务区域边界相交的连线。
在其中一个实施例中,所述根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径的步骤包括:
利用Dijkstra算法和起点位置信息、终点位置信息对所述无人机二维路径规划空间模型求解,获得无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径,所述无人机初步规划路径为所述无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径。
在其中一个实施例中,所述根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径的步骤包括:
初始化蚂蚁个数m、最大迭代次数、各路径的信息素、反映蚂蚁在活动过程中信息素轨迹的参数α、反映能见度在蚂蚁选择路径中的相对重要性的参数β和信息素轨迹的衰减系数ρ;
每只蚂蚁在起点位置处按照以下公式逐次选择下一条连接线Li+1上的节点j,直至到达无人机终点位置:
其中,所述无人机初步规划路径经过节点S,P1,P2,…Pd,T;S表示无人机二维路径规划空间模型中无人机起点位置的节点,T表示无人机二维路径规划空间模型中无人机终点位置的节点,P1,P2,…Pd表示所述无人机初步规划路径经过的各MAKLINK连接线中点;I表示下一条连接线Li+1上所有点的集合,τik表示路径(i,k)上的信息素强度,ηik=1/dik表示路径(i,k)上的能见度,dik表示路径(i,k)的长度,q为[0,1]之间的随机数,q0为[0,1]之间的可调参数;J表示在上一条连接线Li(i=1,2,…,d)的节点i时选择下一条连接线的节点j的概率,τij表示路径(i,j)上的信息素强度,ηij=1/dij表示路径(i,j)上的能见度,dij表示路径(i,j)的长度,τis表示节点i到下一条连接线Li+1各节点路径上的信息素强度,ηis=1/dis表示节点i到下一条连接线Li+1各节点路径上的能见度,dis表示节点i到下一条连接线Li+1各节点路径的长度;
每只蚂蚁根据自己经过的路径按照以下公式更新蚂蚁经过的各路径的信息素:
τij=(1-ρ)τij+Δτij
记录并更新本次迭代中所有蚂蚁所走过的最短路径为全局最优路径;
若迭代次数加1后不大于所述最大迭代次数,则跳转执行所述当前连接线Li上的每只蚂蚁在节点i处按照以下公式选择下一条连接线Li+1上的节点j,直至到达无人机终点位置的步骤;
若迭代次数加1后大于所述最大迭代次数,则输出更新后的全局最优路径为所述无人机最优规划路径。
另一方面,本申请实施例还提供了一种无人机路径规划装置,该装置包括:
基站覆盖区域获取模块,用于获取任务区域内各基站的信号覆盖区域;
二维路径规划空间构建模块,用于根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
初步路径规划模块,用于根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
最优路径规划模块,用于根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
一种控制器,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
附图说明
图1为一个实施例中无人机路径规划方法的流程示意图;
图2为又一个实施例中无人机路径规划方法的流程示意图;
图3为一个实施例中任务区域内环境示意图;
图4为一个实施例中获取任务区域内各基站的信号覆盖区域步骤的流程示意图;
图5为一个实施例中任务区域内基站信号覆盖情况示意图;
图6为一个实施例中任务区域划分示意图;
图7为一个实施例中任务区域内的MAKLINK线及任务区域的无人机二维路径规划空间模型示意图;
图8为一个实施例中任务区域内从起点经过MAKLINK线中点到终点的各路径规划的无向网络图;
图9为一个实施例中利用Dijkstra算法和起点位置信息、终点位置信息对所述无人机二维路径规划空间模型求解,获得无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径的步骤示意图;
图10为一个实施例中图3所示任务区域内无人机初步规划路径示意图;
图11为一个实施例中利用Dijkstra算法寻找出的连接线进行划分后的示意图;
图12为一个实施例中根据无人机初步规划路径和蚁群算法,获得无人机最优规划路径步骤的流程示意图;
图13为图3所示任务区域内无人机最优规划路径示意图;
图14为一个实施例中无人机路径规划装置的结构示意图;
图15为一个实施例中控制器的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如背景技术中所述,在低空城市群中进行无人机飞行控制实现,常会通过与蜂窝联网实现超视距工作要求。通过将无人机接入互联网来控制其飞行时,要求无人机在执行任务的过程中时刻保持着与地面基站之间的联系,即无人机接收到的地面某一基站发射出的信号的信噪比需要大于其分辨率,否则无人机就可能因为无法分辨指令信息而导致失控,进而给居民的生命财产安全带来威胁。同时,为了执行任务的成本最低,在已知任务的起点和终点后,我们需要为无人机规划出一条满足上述条件的最短路径,如此才能做到安全,高效的完成任务。
基于此,本申请实施例一方面提供了一种无人机路径规划方法,如图1所示,该方法包括:
S200:获取任务区域内各基站的信号覆盖区域。
其中,任务区域是指无人机执行飞行任务的区域,例如,可以是无人机执行飞行任务的起点和终点所构成的矩形区域,该区域内可包括多个基站和其他物体,如建筑物等。基站的信号覆盖区域内无人机接收到基站发射的信号信噪比大于其分辨率,即该区域是指能够保证无人机正常通信的区域范围。
S400:根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型。无人机二维路径规划空间模型是指能够表征无人机所在高度的水平面内基站信号覆盖情况的空间模型。
S600:根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径。
起点位置信息是指无人机执行任务时给定的起点的位置信息,例如,该位置信息可以是世界坐标系下起点的坐标数据。类似的,终点位置信息是指无人机执行任务时给定的飞行终点的位置信息,该位置信息可以是世界坐标系下终点的坐标数据。无人机初步规划路径是指该无人机二维路径规划空间上经过计算得到的最短飞行路径。
S800:根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。最优规划路径是指在无人机初步规划路径基础上,找到无人机初步规划路径所经过点周围的、基站覆盖区域内的点,利用蚁群算法从这些点中找出的最短飞行路径,即对无人机初步规划路径的优化,使无人机按照最优规划路径飞行,飞行时间最短,且飞行过程中通信稳定,安全。
本申请实施例提供的无人机路径规划方法,充分考虑无人机飞行区域内基站的信号覆盖情况,根据各基站的信号覆盖区域,构建无人机所在高度水平面的无人机二维路径规划空间模型,首先根据无人机起点的位置信息和终点的位置信息,需要寻找该二维路径规划空间下基站覆盖区域内无人机的最短路径,将其作为无人机初步规划路径,该路径上的点均在基站的信号覆盖区域内,可以确保该路径下无人机飞行过程中具备良好的通信条件,保证飞行可靠性和安全性,在此基础上,进一步利用蚁群算法对无人机初步规划路径进行优化,得到无人机最优规划路径,将其作为最终的无人机规划路径,指导无人机以最快速度安全从起点飞向终点,完成飞行任务。
另外,传统的路径规划算法包括全局规划和局部规划两类,全局规划算法如顶点图像法,栅格划分法,局部规划算法主要为人工势场法等,对于简单的场景,如将无人机和基站之间电磁波的传播方式统一简化为视距传播时,上述方法能得到一个很好的解。但往往无人机执飞区域的实际情况远非如此,由于城市环境高楼林立,电磁波的传播存在阴影效应,因此直接简化为视距传播是不科学的,也是没有实际意义的,考虑了多种电磁波传播方式后,无人机的路径规划便也变得十分复杂,传统算法很难得到一个很好的结果。但随着仿生式算法的提出与改进,利用自然界生物的智慧来求解优化问题的思路进入到大众的视野,蚁群算法便是代表之一。考虑到蚁群算法具有较好的全局寻优和求解复杂问题的能力,本申请实施例提供的无人机路径规划方法,利用蚁群算法对路径进行优化,得到最优规划路径,能较好地解决城市环境中无人机路径规划这一现实问题。
在其中一个实施例中,如图2所示,所述获取任务区域内各基站的信号覆盖区域S200的步骤包括:
S220:将所述任务区域网格化。
S240:根据所述任务区域各网格点与各所述基站的位置关系,确定各网格点与各所述基站之间的信号传输方式,所述信号传输方式包括视距传播和非视距传播。对于城市环境下,城市环境高楼林立,电磁波的传播存在阴影效应,因此直接简化为视距传播是不科学的,所以基于网格点与基站的位置关系,可以根据两者之间的建筑物情况,确定各网格点与基站之间的信号传输方式为实现传输方式还是非视距传播。其中,视距传播指电磁射线沿直线传播。非视距传播方式是指无人机和基站之间非直接的点对点通信。
S260:根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域。该无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型是关于无人机在各网格点与基站通信时,能够满足无人机最小分辨率(即允许的最小信噪比)的模型。
具体的,先通过网格化,得到任务区域内多个网格点,根据网格点和每个基站的位置关系,可以确定每个无人机在各网格点时与基站的信号传输方式是视距传播还是非视距传播,能够得到不同传播方式下,无人机在各网格点与基站通信时的信号强弱,再利用无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离确定模型计算无人机在各网格点与基站通信时,能够满足无人机最小分辨率(即允许的最小信噪比)的最远网格点,比最远网格点距离基站近的网格点所组成的区域即为该基站的信号覆盖区域。通过该方法得出的信号覆盖区域,充分考虑城市环境中由于高楼林立造成在某些位置与基站通信时,二者之间的电磁波传播并非是视距传播的情况,使得最终确定的基站信号覆盖区域内,无人机和基站的通信更加稳定,进一步提高无人机飞行过程中的安全性。
在其中一个实施例中,确定无人机在各网格点与各基站之间的信号传输方式,可以用以下方法进行判定:当无人机在位置和基站之间的连线高于二者之间任何建筑物的高度时视为视距传播,否则为非视距传播。
在其中一个实施例中,所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型的构建过程包括:
通过以下公式,利用各基站发射的信号功率和无人机当前位置信息获得当前无人机接收到的从各个基站发射出的信号信噪比模型:
其中,ρk(ν(t))表示当前无人机接收到的从第k个基站发射的信号信噪比,P表示基站发射的信号功率,ν(t)表示无人机在其所处二维平面中的二维坐标信息,γk,s(t)表示第k个基站到无人机信道的信道增益,s∈{LoS,NLoS},LoS表示视距传播,NLoS表示非视距传播,σ2表示无人机的噪声功率;
令所述无人机接收到的从各基站发射出的信号信噪比等于无人机最小接收信噪比并联合所述信号信噪比模型和所述信道增益计算模型,得到无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型:
其中,ds为无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离,h表示无人机的高度,hg表示所述基站的高度。
为更好的说明本申请实施例提供的无人机路径规划方法的实现过程,以(m×n)km2的执飞任务区域,无人机的起点为该任务区域的一个顶点,无人机任务终点为对角线的另一顶点为例进行说明。该任务区域内随机分布着发射功率一定、高度一定的若干基站和位置随机分布、高度在一定范围内服从瑞利分布的建筑物,现需要为无人机规划出一条最短路径来完成任务,同时保证无人机时刻与地面某一基站保持联系。任务区域内的环境示意图如图3所示,图中内部矩形框代表建筑物,不同灰度代表不同高度,五角星代表起点和终点,四角星代表基站。
在上述任务区域,无人机执行某一任务所用总时间为T,则对于时刻t∈[0,T],使用v(t)=[x(t),y(t),h]T代表无人机的位置,h表示无人机飞行高度,该值为一常数,为避免碰撞,其大小可取决于城市中最高建筑物的高度,同时无人机可配有GPS等具有定位功能的装置,可获取无人机当前位置v(t)。
若设无人机在0时刻的位置为vI,终点位置为vF,其按照匀速飞行。在无人机执行任务的整个过程中,其必须与地面随机分布的K个基站中的一个保持联系。记第k个基站的位置为uk=[xk,yk,hg]T,k∈[1,K],hg表示基站高度并且设所有基站高度相同。同时,设 k∈[1,K]代表基站在无人机所在高度的二维水平面里的投影位置。
由于路径规划的目的是为了找到无人机从出发点vI到终点vF的最短路径,由于无人机速度恒定,因此可以转化为无人机执行任务的时间最短,同时在整条路径中都需要满足无人机接收信号信噪比SNR(ρk(v(t)))不小于无人机最小接收信噪比所以建立单目标优化模型如下:
由于该优化问题很难直接求解,同时我们注意到满足优化模型中的约束条件即说明无人机的飞行路径在基站的覆盖区域之内,所以该问题可转化为在基站的覆盖区域内找出一条从起点到终点的最短路径。
考虑下行链路,设基站发射的信号功率为P,则无人机在位置v(t)时接收到的从第k个基站发射出的信号信噪比为:
第k个基站到无人机的信道的信道增益γk,s(t)计算方式为:
定义各基站的覆盖区域为和无人机飞行高度一致的一系列的点,且无人机在这些点处所接收到的基站发射信号的信噪比都不小于无人机分辨率才能满足通信稳定性的要求,所以可得第k个基站(k∈[1,K])的信号覆盖区域为:
求基站的覆盖区域可以从求基站覆盖区域的边界入手,基站的信号覆盖区域边界上的点满足:
联立式(3)(4)(6)得无人机到第k个基站的距离dk(t):
所以在无人机所在高度的二维平面内,基站所能覆盖的点到基站的最远距离ds的平方为:
将其作为无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,用于进一步确定在该边界范围内的覆盖点,以得到基站的信号覆盖区域。
在其中一个实施例中,如图4所示,所述根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域的步骤S260包括:
根据以下公式和所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定位于基站的信号覆盖区域内的网格点坐标(x,y,h):
(x-xk)2+(y-yk)2≤ds 2 (9)
其中,(xk,yk)表示所述基站在所述无人机所在高度的二维平面上的投影坐标。根据以上确定基站覆盖区域的步骤,我们得到图3所示任务区域的基站覆盖情况如图5所示(由于覆盖区域较广泛,不便指示,特标出未覆盖区域)。
因为实际情况下我们也是通过确定无人机经过哪些点来规划无人机的路径,所以确定各基站覆盖区域后,可以将无人机的轨迹离散化,设表示无人机轨迹上的一系列点,相邻两个点之间无人机所走路径为直线,则可以将原优化问题(1)和(2)转化如下优化条件:
式中,L(vn,vn+1)表示vn,vn+1两点之间的连线。
在其中一个实施例中,所述根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型的步骤包括:
基于各所述基站的信号覆盖区域(如图6中多边形外部的区域)和MAKLINK图论法在所述任务区域生成多条MAKLINK连接线,建立所述任务区域的无人机二维路径规划空间模型;所述MAKLINK连接线是指与两个未覆盖基站信号的区域之间不与未覆盖基站信号的区域相交的顶点连线以及未覆盖基站信号的区域顶点与所述任务区域边界相交的连线。
通过利用MAKLINK图论法将基站的信号覆盖区域进行离散化,得到多条MAKLINK连接线,构建无人机二维路径规划空间模型,进一步求解上式(10)、(11)中的最短路径的问题。
在其中一个实施例中,所述根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径的步骤包括:
利用Dijkstra算法和起点位置信息、终点位置信息对所述无人机二维路径规划空间模型求解,获得无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径,所述无人机初步规划路径为所述无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径。
确定基站的覆盖区域之后,在已知无人机起点S和终点T时,在该任务区域内找到一条无人机驾驶的最短路径,且该路径不可通过基站未覆盖区域(图6中多边形内部区域)的解决途径,可以在利用MAKLINK图论法构建无人机二维路径规划空间模型(如图7所示)之后,为进一步降低复杂度,先利用Dijkstra算法求解一个无人机初步规划路径,在该基础上再利用蚁群算法来求解最优规划路径,有利于提高路径规划效率。
在MAKLINK图上存在L条自由连接线,连接线的中点的位置依次为v1,v2,…,vL,连接相邻MAKLINK线的中点加上起点S和终点T构成用于初始路径规划的无向网络图如图8所示,连线完成后得到中点连接矩阵,维度为(L+2)×(L+2),任意两个中点以及起点S和终点T相连为1,否则为0,如此便得到了无人机二维路径规划的解空间。
实际情况下,最优路径可能通过任意一条连接线,并且可能通过连接线的任意位置,但直接对上述所有连接线离散化求解复杂度较高,所以我们考虑首先采用Dijkstra算法确定路径经过的连接线,之后将得到的连接线细分,采用蚁群算法求得最优解,可以在保证规划效率的同时,找到最短飞行路径的规划准确度。
Dijkstra算法的基本思想是把带权图中所有节点分为两组,第一组S是已确定最短路径的节点,第二组U是未确定最短路径的节点。按照最短路径递增的顺序逐个把第二组的节点加入到第一组中,直到从源点出发可到达的所有节点都包含在第一组中。基于以上思想,利用Dijkstra算法和起点位置信息、终点位置信息对所述无人机二维路径规划空间模型求解(即求解路径经过的连接线),获得无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径的步骤如图9所示:
初始化未确定最短路径的节点集合V和已经确定最短路径的节点集合S;
格局当前起点位置,终点位置以及各MAKLINK连接线中点位置计算起点到各点的距离;
若连接线中点与所述起点直接连接,则得到该点与起点最短路径Dij=dij,若连接线终点与所述起点没有直接连接在,则得到该点与起点的最短路径Dij=∞;
将满足i=find(D=min(D))的节点i从集合V中取出放入集合S中;
根据节点i更新路径D中起点到集合V中各点的路径长度;
上述算法求得的是起点到各连接线中点以及终点的最短路径,一种可能情况下的起点到终点的最短路径示意图如图10所示,此时的起点到终点的最短路径是一个次优解,因为真实的无人机路径可以经过连接线的任意位置,上述次优解(无人机初步规划路径)只是确定了无人机最优路径所经过的连接线,所以接下来我们需要利用蚁群算法在该次优解的基础上求出最优解。
利用dijkstra算法在无人机二维路径规划空间模型(即MAKLINK图)上产生依次通过节点S,P1,P2,…Pd,T的无人机初步规划路径。设节点对应的连接线分别为Li(i=1,2,…,d),采用蚁群算法需要离散化工作空间,考虑到每条连接线的长度不同,采用固定距离法对连接线进行划分,设定划分长度为δ,则每条连接线的划分数目为:
将各连接线划分为πi等份后,从连接线Li-1到连接线Li有(πi+1)条路径。设分别表示连接线Li的两个端点,分别表示连接线Li的两个端点坐标。那么将Li分为πi份后,其第ni(i=1,2,…,d)个πi等分点的坐标为:
基于以上分析,对利用Dijkstra算法寻找出的连接线进行划分后的示意图如图11所示。由此可以看到,给定一组ni值,我们便知道无人机路径通过各个连接线的哪一点,也就可以得到一条从起点到终点的路径,所以,蚁群算法搜索得到的最优解可以表示为(n1,n2,…,nd)。
具体的,在其中一个实施例中,如图12所示,所述根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径的步骤包括:
初始化蚂蚁个数m、最大迭代次数、各路径的信息素、反映蚂蚁在活动过程中信息素轨迹的参数α、反映能见度在蚂蚁选择路径中的相对重要性的参数β和信息素轨迹的衰减系数ρ;
每只蚂蚁在起点位置S处按照以下公式逐次选择下一条连接线Li+1上的节点j,直至到达无人机终点位置T:
其中,I表示下一条连接线Li+1上所有点的集合,τik表示路径(i,k)上的信息素强度,ηik=1/dik表示路径(i,k)上的能见度,dik表示路径(i,k)的长度,q为[0,1]之间的随机数,q0为[0,1]之间的可调参数;J表示在上一条连接线Li(i=1,2,…,d)的节点i时选择下一条连接线的节点j的概率,τij表示路径(i,j)上的信息素强度,ηij=1/dij表示路径(i,j)上的能见度,dij表示路径(i,j)的长度,τis表示节点i到下一条连接线Li+1各节点路径上的信息素强度,ηis=1/dis表示节点i到下一条连接线Li+1各节点路径上的能见度,dis表示节点i到下一条连接线Li+1各节点路径的长度;
每只蚂蚁根据自己经过的路径按照以下公式更新蚂蚁经过的各路径的信息素:
τij=(1-ρ)τij+Δτij (17)
其中,表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息素量,其值视蚂蚁的优劣程度而定,路径越短,释放的信息素就越多;Δτij表示本次循环中路径(i,j)的信息素量的增量,Lk为第k只蚂蚁在本次循环中所走的路径长度,Q为设定的常数;
记录并更新本次迭代中所有蚂蚁所走过的最短路径为全局最优路径;
若迭代次数加1后不大于所述最大迭代次数,则跳转执行所述当前连接线Li上的每只蚂蚁在节点i处按照以下公式选择下一条连接线Li+1上的节点j,直至到达无人机终点位置的步骤;
若迭代次数加1后大于所述最大迭代次数,则输出更新后的全局最优路径为所述无人机最优规划路径。
利用以上算法得到一种可能的最优路径如图13所示,虚线为Dijkstra算法寻找出的次优解(无人机初步规划路径),实线为蚁群算法在此基础上寻找出的最优规划路径,由此,我们便利用蚁群算法较好的解决了城市环境下蜂窝联网无人机的路径规划问题。
其中,通常设置信息素轨迹的衰减系数ρ<1来避免路径上信息素的无限积累。
应该理解的是,虽然图1、2、4、9、12的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、2、4、9、12中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
另一方面,本申请实施例还提供了一种无人机路径规划装置,如图14所示,该装置包括:
基站覆盖区域获取模块200,用于获取任务区域内各基站的信号覆盖区域;
二维路径规划空间构建模块400,用于根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
初步路径规划模块600,用于根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
最优路径规划模块800,用于根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
关于无人机路径规划装置的具体限定可以参见上文中对于无人机路径规划方法的限定,在此不再赘述。上述无人机路径规划装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于控制器中的处理器中,也可以以软件形式存储于控制器中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种控制器,该控制器可以是服务器,其内部结构图可以如图15所示。该控制器包括通过***总线连接的处理器、存储器和网络接口。其中,该控制器的处理器用于提供计算和控制能力。该控制器的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该控制器的数据库用于存储最大迭代次数等数据。该控制器的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机路径规划方法。
本领域技术人员可以理解,图15中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的控制器的限定,具体的控制器可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种控制器,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
S200:获取任务区域内各基站的信号覆盖区域;
S400:根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
S600:根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
S800:根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
本申请实施例提供的控制器,其处理器在执行计算机程序时还可以实现上述无人机路径规划方法的其他步骤,并达到相应的有益效果。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
S200:获取任务区域内各基站的信号覆盖区域;
S400:根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
S600:根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
S800:根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无人机路径规划方法,其特征在于,所述方法包括:
获取任务区域内各基站的信号覆盖区域;
根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
2.根据权利要求1所述的方法,其特征在于,所述获取任务区域内各基站的信号覆盖区域的步骤包括:
将所述任务区域网格化;
根据所述任务区域各网格点与各所述基站的位置关系,确定各网格点与各所述基站之间的信号传输方式,所述信号传输方式包括视距传播和非视距传播;
根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域。
3.根据权利要求2所述的方法,其特征在于,所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型的构建过程包括:
通过以下公式,利用各基站发射的信号功率和无人机当前位置信息获得当前无人机接收到的从各个基站发射出的信号信噪比模型:
其中,ρk(ν(t))表示当前无人机接收到的从第k个基站发射的信号信噪比,P表示基站发射的信号功率,ν(t)表示无人机在其所处二维平面中的二维坐标信息,γk,s(t)表示第k个基站到无人机信道的信道增益,s∈{LoS,NLoS},LoS表示视距传播,NLoS表示非视距传播,σ2表示无人机的噪声功率;
令所述无人机接收到的从各基站发射出的信号信噪比等于无人机最小接收信噪比并联合所述信号信噪比模型和所述信道增益计算模型,得到无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型:
其中,ds为无人机所在二维平面内的各基站覆盖点到基站在无人机所在二维平面内的投影的最远距离,h表示无人机的高度,hg表示所述基站的高度。
4.根据权利要求3所述的方法,其特征在于,所述根据各网格点与各所述基站之间的信号传输方式和无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定各基站的信号覆盖区域的步骤包括:
根据以下公式和所述无人机所在二维平面内的基站覆盖点到基站在无人机所在二维平面内的投影的最远距离计算模型,确定位于基站的信号覆盖区域内的网格点坐标(x,y,h):
(x-xk)2+(y-yk)2≤ds 2
其中,(xk,yk)表示所述基站在所述无人机所在高度的二维平面上的投影坐标。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型的步骤包括:
基于各所述基站的信号覆盖区域和MAKLINK图论法在所述任务区域生成多条MAKLINK连接线,建立所述任务区域的无人机二维路径规划空间模型;所述MAKLINK连接线是指与两个未覆盖基站信号的区域之间不与未覆盖基站信号的区域相交的顶点连线以及未覆盖基站信号的区域顶点与所述任务区域边界相交的连线。
6.根据权利要求5所述的方法,其特征在于,所述根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径的步骤包括:
利用Dijkstra算法和起点位置信息、终点位置信息对所述无人机二维路径规划空间模型求解,获得无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径,所述无人机初步规划路径为所述无人机起点位置到各MAKLINK连接线中点以及无人机终点位置的最短路径。
7.根据权利要求6所述的方法,其特征在于,所述根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径的步骤包括:
初始化蚂蚁个数m、最大迭代次数、各路径的信息素、反映蚂蚁在活动过程中信息素轨迹的参数α、反映能见度在蚂蚁选择路径中的相对重要性的参数β和信息素轨迹的衰减系数ρ;
每只蚂蚁在起点位置处按照以下公式逐次选择下一条连接线Li+1上的节点j,直至到达无人机终点位置:
其中,所述无人机初步规划路径经过节点S,P1,P2,…Pd,T;S表示无人机二维路径规划空间模型中无人机起点位置的节点,T表示无人机二维路径规划空间模型中无人机终点位置的节点,P1,P2,…Pd表示所述无人机初步规划路径经过的各MAKLINK连接线中点;I表示下一条连接线Li+1上所有点的集合,τik表示路径(i,k)上的信息素强度,ηik=1/dik表示路径(i,k)上的能见度,dik表示路径(i,k)的长度,q为[0,1]之间的随机数,q0为[0,1]之间的可调参数;J表示在上一条连接线Li(i=1,2,…,d)的节点i时选择下一条连接线的节点j的概率,τij表示路径(i,j)上的信息素强度,ηij=1/dij表示路径(i,j)上的能见度,dij表示路径(i,j)的长度,τis表示节点i到下一条连接线Li+1各节点路径上的信息素强度,ηis=1/dis表示节点i到下一条连接线Li+1各节点路径上的能见度,dis表示节点i到下一条连接线Li+1各节点路径的长度;
每只蚂蚁根据自己经过的路径按照以下公式更新蚂蚁经过的各路径的信息素:
τij=(1-ρ)τij+Δτij
记录并更新本次迭代中所有蚂蚁所走过的最短路径为全局最优路径;
若迭代次数加1后不大于所述最大迭代次数,则跳转执行所述当前连接线Li上的每只蚂蚁在节点i处按照以下公式选择下一条连接线Li+1上的节点j,直至到达无人机终点位置的步骤;
若迭代次数加1后大于所述最大迭代次数,则输出更新后的全局最优路径为所述无人机最优规划路径。
8.一种无人机路径规划装置,其特征在于,所述装置包括:
基站覆盖区域获取模块,用于获取任务区域内各基站的信号覆盖区域;
二维路径规划空间构建模块,用于根据各基站的信号覆盖区域,构建所述任务区域的无人机二维路径规划空间模型;
初步路径规划模块,用于根据起点位置信息、终点位置信息和所述无人机二维路径规划空间模型,获得位于基站的信号覆盖区域内的无人机初步规划路径;
最优路径规划模块,用于根据所述无人机初步规划路径和蚁群算法,获得无人机最优规划路径。
9.一种控制器,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492757.7A CN113188547A (zh) | 2021-05-06 | 2021-05-06 | 无人机路径规划方法、装置、控制器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110492757.7A CN113188547A (zh) | 2021-05-06 | 2021-05-06 | 无人机路径规划方法、装置、控制器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113188547A true CN113188547A (zh) | 2021-07-30 |
Family
ID=76983968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110492757.7A Pending CN113188547A (zh) | 2021-05-06 | 2021-05-06 | 无人机路径规划方法、装置、控制器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113188547A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112783192A (zh) * | 2019-11-11 | 2021-05-11 | ***通信集团上海有限公司 | 无人机路径规划方法、装置、设备和存储介质 |
CN114138006A (zh) * | 2021-11-04 | 2022-03-04 | 中国电子科技集团公司电子科学研究院 | 一种面向城市低空环境的无人机路径规划方法及设备 |
CN115567102A (zh) * | 2022-09-23 | 2023-01-03 | 中国联合网络通信集团有限公司 | 衰减确定方法、装置、设备及存储介质 |
CN115691225A (zh) * | 2022-08-23 | 2023-02-03 | 北京航空航天大学 | 一种基于正交时频空调制的无人机路径规划方法 |
CN115860292A (zh) * | 2022-11-21 | 2023-03-28 | 武汉坤达安信息安全技术有限公司 | 基于渔政监控的无人机最优规划路径方法及装置 |
CN115953919A (zh) * | 2023-03-15 | 2023-04-11 | 国科星图(深圳)数字技术产业研发中心有限公司 | 一种基于网格化航路分析的飞行管理***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109947129A (zh) * | 2019-03-29 | 2019-06-28 | 华南理工大学 | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 |
CN110941284A (zh) * | 2019-11-20 | 2020-03-31 | 黄锦山 | 一种基于无人机的中继网络部署方法及地面台设备 |
CN111683375A (zh) * | 2020-05-08 | 2020-09-18 | 北京科技大学 | 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法 |
CN111750869A (zh) * | 2020-08-14 | 2020-10-09 | 中国电子科技集团公司第五十四研究所 | 一种实时重构Voronoi图的无人机路径规划方法 |
CN111970709A (zh) * | 2020-07-10 | 2020-11-20 | 西北农林科技大学 | 一种基于粒子群优化算法的无人机中继部署方法及*** |
CN112068590A (zh) * | 2020-08-21 | 2020-12-11 | 广东工业大学 | 无人机基站飞行规划方法、***、储存介质及无人机基站 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
CN112511197A (zh) * | 2020-12-01 | 2021-03-16 | 南京工业大学 | 基于深度强化学习的无人机辅助弹性视频多播方法 |
-
2021
- 2021-05-06 CN CN202110492757.7A patent/CN113188547A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107562072A (zh) * | 2017-10-11 | 2018-01-09 | 湖北工业大学 | 一种基于自适应蚁群算法的无人机最优路径规划方法 |
CN109947129A (zh) * | 2019-03-29 | 2019-06-28 | 华南理工大学 | 基于Dijkstra与改进粒子群算法的旋翼无人机路径规划方法 |
WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及*** |
CN110941284A (zh) * | 2019-11-20 | 2020-03-31 | 黄锦山 | 一种基于无人机的中继网络部署方法及地面台设备 |
CN111683375A (zh) * | 2020-05-08 | 2020-09-18 | 北京科技大学 | 一种针对无人机辅助无线蜂窝网络的无人机部署优化方法 |
CN111970709A (zh) * | 2020-07-10 | 2020-11-20 | 西北农林科技大学 | 一种基于粒子群优化算法的无人机中继部署方法及*** |
CN111750869A (zh) * | 2020-08-14 | 2020-10-09 | 中国电子科技集团公司第五十四研究所 | 一种实时重构Voronoi图的无人机路径规划方法 |
CN112068590A (zh) * | 2020-08-21 | 2020-12-11 | 广东工业大学 | 无人机基站飞行规划方法、***、储存介质及无人机基站 |
CN112511197A (zh) * | 2020-12-01 | 2021-03-16 | 南京工业大学 | 基于深度强化学习的无人机辅助弹性视频多播方法 |
Non-Patent Citations (2)
Title |
---|
OMID ESRAFILIAN,等: "3D-Map Assisted UAV Trajectory Design Under Cellular Connectivity Constraints", 《ICC 2020 - 2020 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》, 27 July 2020 (2020-07-27) * |
叶圣涛: "无人机遥测遥控地面站及威胁联网下航迹规划的研究", 《万方》, 29 March 2021 (2021-03-29), pages 7 - 46 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112783192A (zh) * | 2019-11-11 | 2021-05-11 | ***通信集团上海有限公司 | 无人机路径规划方法、装置、设备和存储介质 |
CN112783192B (zh) * | 2019-11-11 | 2022-11-22 | ***通信集团上海有限公司 | 无人机路径规划方法、装置、设备和存储介质 |
CN114138006A (zh) * | 2021-11-04 | 2022-03-04 | 中国电子科技集团公司电子科学研究院 | 一种面向城市低空环境的无人机路径规划方法及设备 |
CN115691225A (zh) * | 2022-08-23 | 2023-02-03 | 北京航空航天大学 | 一种基于正交时频空调制的无人机路径规划方法 |
CN115691225B (zh) * | 2022-08-23 | 2023-10-20 | 北京航空航天大学 | 一种基于正交时频空调制的无人机路径规划方法 |
CN115567102A (zh) * | 2022-09-23 | 2023-01-03 | 中国联合网络通信集团有限公司 | 衰减确定方法、装置、设备及存储介质 |
CN115567102B (zh) * | 2022-09-23 | 2024-06-11 | 中国联合网络通信集团有限公司 | 衰减确定方法、装置、设备及存储介质 |
CN115860292A (zh) * | 2022-11-21 | 2023-03-28 | 武汉坤达安信息安全技术有限公司 | 基于渔政监控的无人机最优规划路径方法及装置 |
CN115860292B (zh) * | 2022-11-21 | 2023-08-04 | 武汉坤达安信息安全技术有限公司 | 基于渔政监控的无人机最优规划路径方法及装置 |
CN115953919A (zh) * | 2023-03-15 | 2023-04-11 | 国科星图(深圳)数字技术产业研发中心有限公司 | 一种基于网格化航路分析的飞行管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113188547A (zh) | 无人机路径规划方法、装置、控制器及存储介质 | |
Bayerlein et al. | Trajectory optimization for autonomous flying base station via reinforcement learning | |
CN107864007B (zh) | 面向区域目标的多星多地面站资源协同分配管理方法 | |
Aljehani et al. | Performance evaluation of multi-UAV system in post-disaster application: Validated by HITL simulator | |
Kaur et al. | Flying ad-hoc network (FANET): challenges and routing protocols | |
CN109358638A (zh) | 基于分布式地图的无人机视觉避障方法 | |
CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
KR102099136B1 (ko) | 유무인비행체를 위한 3d 공중도로 네트워크 생성 장치 및 방법 | |
US11262746B1 (en) | Simultaneously cost-optimized and policy-compliant trajectory generation for unmanned aircraft | |
CN113543066B (zh) | 感通导指一体化交互与多目标应急组网方法及*** | |
CN107478233B (zh) | 一种地质勘探航迹规划方法及*** | |
CN107806877A (zh) | 一种基于蚁群算法的四旋翼无人机的航迹规划优化方法 | |
Bailon-Ruiz et al. | Real-time wildfire monitoring with a fleet of UAVs | |
CN113950063B (zh) | 无线通信网络组网方法、装置、计算机设备和存储介质 | |
KR102399293B1 (ko) | 공간정보 기반 드론 안전비행 맵 구축 방법 | |
CN113325875B (zh) | 一种实现无人机数目最小化的无人机路径规划方法 | |
CN114326827A (zh) | 一种无人机集群多任务动态分配方法及*** | |
Sun et al. | UAV-Net+: Effective and energy-efficient UAV network deployment for extending cell tower coverage with dynamic demands | |
JP6891950B2 (ja) | 装置、システム、方法、及びプログラム | |
US11487301B2 (en) | Method and device for generating an optimum vertical trajectory intended to be followed by an aircraft | |
Bhandarkar et al. | User coverage maximization for a uav-mounted base station using reinforcement learning and greedy methods | |
CN115793704A (zh) | 一种无人直升机光伏太阳能电厂最优巡检路径规划方法 | |
Poudel et al. | Priority-aware task assignment and path planning for efficient and load-balanced multi-UAV operation | |
CN114138006A (zh) | 一种面向城市低空环境的无人机路径规划方法及设备 | |
Thyagarajan et al. | Planning dissimilar paths for military units |
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: 20210730 |