CN113759958B - 基于定位精度的无人机编队航迹规划方法 - Google Patents
基于定位精度的无人机编队航迹规划方法 Download PDFInfo
- Publication number
- CN113759958B CN113759958B CN202110767868.4A CN202110767868A CN113759958B CN 113759958 B CN113759958 B CN 113759958B CN 202110767868 A CN202110767868 A CN 202110767868A CN 113759958 B CN113759958 B CN 113759958B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- track
- planning
- positioning
- 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.)
- Active
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000002245 particle Substances 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005755 formation reaction Methods 0.000 description 45
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000004744 fabric Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供基于定位精度的无人机编队航迹规划方法,包括初步规划和精确规划,初步规划是通过传统启发式算法,考虑无人机飞行过程中的安全性和无人机运动学限制,设置合适的步长对主机进行航迹规划;初步规划生成主机的航迹,并记录主机在每个步长结束时的位置,作为精确规划时需要运算的航迹点;精确规划通过多目标粒子群寻优算法,针对初步规划的主机航迹点运算出从机在安全性、定位精度、路程长度为综合代价并满足无人机最大通信距离、最小防碰撞距离限制的最优航迹。本发明的优势是算法定位精度高、运行时间短。
Description
技术领域
本发明涉及一种基于定位精度的无人机编队航迹规划方法,属于无源定位领域。
背景技术
现阶段无人机技术日趋成熟,具有造价低廉、操作简单等特点,无人机的大量应用可以代替飞行员在危险的环境下完成任务,极大的减小了任务成本。所以当前无人机技术已成为各科技大国的研究重点。由于单无人机自身飞行载荷有限,无法搭载大量传感器,并且在战场环境下单个无人机极容易受到打击无法正常完成任务。基于此,通过多无人机编队协同完成任务的方式更多的被采用于实际探测任务中。通过多无人机编队协同的工作方式可以很好地提高工作效率,同时也一定程度上避免了单个个体故障导致的任务失败的风险,并且可以获得更为全面的信息。
目前,依据无人机编队来完成实际战场任务已经成为主流研究方向,使用的规划方案多为保证编队协调性的前提下的路径最短原则。然而,以定位为目的的无人机协同工作策略近年也开始被提及。多无人机编队采用时差定位的方式进行定位时,由于各个无人机的空间排布对于定位精度有决定性的影响,所以需要对无人机编队的飞行航迹进行优化来改善定位效果。在基于改进MOGOA的无人机群航迹规划研究(天津大学学报第53卷第9期2020年9月)一文中使用蝗虫算法进行无人机最优编队路径规划并考虑了定位精度作为路径规划的评判指标,但是这种方法进行的路径规划需要耗费大量的时间,并且定位效果也不够好。
因此,在考虑定位精度的前提下,一种快速精确的无人机编队航迹规划方案由此提出。
发明内容
本发明针对当前基于定位的多无人机编队航迹规划中定位效果不够精确、航迹规划需要大量时间的问题,提出一种解决方案。
本发明的目的是这样实现的:包括初步规划和精确规划,初步规划是通过传统启发式算法,考虑无人机飞行过程中的安全性和无人机运动学限制,设置合适的步长对主机进行航迹规划;初步规划生成主机的航迹,并记录主机在每个步长结束时的位置,作为精确规划时需要运算的航迹点;精确规划通过多目标粒子群寻优算法,针对初步规划的主机航迹点运算出从机在安全性、定位精度、路程长度为综合代价并满足无人机最大通信距离、最小防碰撞距离限制的最优航迹,具体步骤为:
步骤1:将无人机编队航迹规划问题建模为综合考虑无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制作为代价的无人机编队的航迹规划,并获取环境中的障碍物、威胁区域信息;
步骤2:通过启发式算法对无人机主机进行初步航迹规划,确定从航迹起点到航迹终点的若干个定位航迹点;
步骤3:通过粒子群寻优算法,在步骤2确定的若干个定位航迹点处搜索从机最优空间位置;
步骤4:将步骤2、3中确定的主从无人机在各个航迹点处的最优位置形成无人机航迹;
步骤5:在定位航迹点处获取各个无人机位置和测量数据,进行解算得到目标位置信息,完成规划。
本发明还包括这样一些结构特征:
1.在步骤1中将无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制建模为如下模型:
(1)最大通信距离:
其中:(xt yt zt)为无人机主机位置,(xt,i yt,i zt,i)为第i架从机位置,dmax为无人机最大通信距离;
(2)最小防碰撞距离:
其中:表示t时刻任意两架无人机的位置,n1≠n2,dmin为无人机最小防碰撞距离;
(3)路程长度:
其中:fdis为路程代价,vt,n为t时刻第n架无人机的飞行速度,N为无人机架数,S为航迹终点位置,为对应t时刻无人机的位置;
(4)安全性:
fthreat=fanti+fprohibit
其中:fthreat为安全代价,fanti为敌方反侦察威胁代价,fprohibit为禁飞区域威胁,其中:
假设存在R个雷达探测区域,第r个雷达探测区域的中心位置坐标可以表示为雷达探测区域的最远探测半径为dr max,dr min代表第r部雷达预警区域半径,当drmin<dt,n,r≤drmax时,分子部分乘上drmin主要是为了提升威胁代价的数值,否则drmin<dt,n,r≤drmax范围内,威胁代价极小且变化不明显;Pt,n,r(dt,n,r)为t时刻第r个雷达对第n架无人机位置处的单位时间威胁代价,(xt,n,yt,n,zt,n)为第n架无人机在t时刻的位置;
假设共存在W个禁飞区域,第w个禁飞区域的中心位置表示为禁飞区域的最小半径设为dw min,当无人机进入该区域之后,直接会发生碰撞;禁飞区域的最大威胁半径为dw max,当无人机处于dw min到dw max的区域范围内时,由于风向、无人机自身飞行过程中的晃动问题,存在与禁飞区域碰撞的可能性,且无人机与禁飞区域的距离越近,威胁越大;当无人机到第w个禁飞区域的距离大于dw max时,此时禁飞区域对无人机的威胁可忽略不计,dt,n,w表示第w个禁飞区域的中心/>到第n架无人机坐标位置Xt,n的平面距离;当dwmin<dt,n,w≤dwmax时,分子部分乘上dwmin主要是为了提升威胁代价的数值;
(5)定位精度:
fCRLB=(trace(C))1/2
其中:fCRLB为定位精度的克拉美罗下界,在此作为定位精度代价;
(6)无人机运动学限制:
其中:vmax、θmax为无人机最大速度、最大俯仰角、最大方位角。
2.在步骤2针对无人机主机的航迹规划中,考虑无人机运动学约束、路程代价、安全性进行航迹规划,在这一步中会以主机作为判断无人机编队运动学约束的主要参考,在主机未达到无人机运动学极限并且定位点位置较远时,可近似以主机代替无人机编队进行运动学约束判别;依据无人机飞行速度确定航迹规划中无人机每一步的步长;依据设定的步长规划出若干个定位航迹点,作为无人机编队执行定位运算的位置。
3.在步骤3针对从机的位置规划中,在步骤2规划出主机航迹定位点的位置处通过粒子群寻优算法进行寻优操作;从机最优位置的确定使用最小防碰撞距离、路程长度、安全性、定位精度作为判断指标;由于在时差定位过程中采用Chan解算,会存在定位盲区、无解的现象,因此在此引入无人机Y形布站方式;具体方案是以主机作为Y形布站的中心,使一架从机位于主机和目标定位点连线的竖直面上,限制剩余两架从机寻优过程中水平角度θ的范围,使四架无人机在XOY平面上的投影近似Y形布站,这样可明显减小解算时陷入定位盲区、无解区域的概率;在这一步中不限制的值,保证四架无人机高度不同,在XOY平面投影近似为Y形布站即可。
4.在步骤4中连接各个航迹点后获得的航迹即为通过粒子群寻优算法获取的编队最优航迹。
5.在步骤5中,主无人机获取各无人机空间位置和测量数据后,采用Chan算法进行时差定位解算,生成最终的目标定位数据。
与现有技术相比,本发明的有益效果是:本发明的优势是算法定位精度高、运行时间短。如图4所示,采用上述粒子群算法方案解算的无人机编队拥有相对于采用蝗虫算法解算的无人机编队更优异的定位效果。采用粒子群算法方案解算的无人机编队在开始时的定位点处拥有非常明显的定位优势,并且在编队飞行结束时,粒子群方案解算的无人机编队也相对蝗虫算法解算的无人机编队在定位效果上保持一定优势。如图5所示,粒子群算法解算方案相对于蝗虫算法解算方案在时间上具有更加明显的优势。采用多目标粒子群算法解算的无人机编队航迹规划所需运行时间为242秒,相比于蝗虫算法的4373秒,算法速度提升了18倍。
附图说明
图1是多目标粒子群算法流程图;
图2是球坐标示意图;
图3是Y型布站XOY平面投影图;
图4是算法效果对比图;
图5是算法运算时间对比图;
图6是主无人机航迹XOY平面投影图;
图7是主无人机航迹图;
图8是无人机编队航迹XOY平面投影图;
图9是无人机编队航迹图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
结合图1至图9,本发明是一种基于定位的采用多目标粒子群算法寻优的多无人机编队航迹规划方法。考虑四架无人机为一个无人机编队,在编队飞行过程中选择一架无人机作为主机,通过控制另外三架无人机相对主机的位置的方式实现编队控制,另外三架受控制的无人机称为从机。主机的飞行轨迹由启发式搜索算法得出,而从机轨迹则依据主机的轨迹通过多目标粒子群算法寻优得出。编队飞行过程中间隔一段时间划定一个定位航迹点,在定位航迹点处采用时差定位方式执行目标定位运算;此时,各从机将自身位置以及目标测量数据传送给主机,由主机完成定位运算;通过对无人机编队航迹的规划实现包括定位精度在内的综合代价最优。
本发明所使用的多目标粒子群寻优算法,算法流程如图1所示;多目标粒子群算法首先初始化一群9维的随机粒子(随机解),每个维度对应一个需要寻优运算的值,每三个值为一组,作为一架无人机的三维坐标;本发明中主机的航迹由启发式算法的得出,采用多目标粒子群算法对从机位置进行寻优,因此9维粒子对应三架从机相对于主机的空间位置。然后通过迭代找到最优解,在每一次的迭代中,粒子通过跟踪两个“极值”来更新自己。我们分别称这两个极值为个体最优极值(简写为pbest,表示群体中的某个粒子在不断地迭代寻优运算中的历史最优位置)和群体最优极值(简写为gbest,表示群体中的所有粒子在不断地迭代寻优运算中的历史最优位置);不同于单目标粒子群优化算法,在多目标粒子群算法每一代的迭代结果中,算法会选择此次迭代的非劣解,对非劣解集进行更新,而群体最优极值则由非劣解集中随机选出。在找到这两个最优值后,粒子通过下面的公式来更新自己的速度和位置。
其中:k为当前迭代次数,i为粒子的维数,vi为粒子的速度,c1和c2为学习因子,pbestk为粒子个体经历的历史最好位置,gbestk为群体中所有粒子经历的最好位置,在这里由非劣解集中随机选出,w为惯性系数。
对于非劣解和非劣解集:在多目标优化问题的可行域中存在一个问题的解,若不存在另一个可行解,使一个解中的目标全部劣于该解,则该解称为多目标优化问题的非劣解。所有非劣解的集合叫做非劣解集。
筛选非劣解集主要分为初始筛选非劣解集和更新非劣解集。初始筛选非劣解集是指在粒子初始化后,当一个粒子不受其他粒子支配(即不存在其他粒子的评判指标均优于该粒子)时,把粒子放入非劣解集中,并且在粒子更新前从非劣解集中随机选择一个粒子作为群体最优粒子。更新非劣解集是指当新粒子不受其他粒子以及当前非劣解集中粒子的支配时,把新粒子放入非劣解集中,并且每次粒子更新前都从非劣解集中随机选择一个粒子作为群体最优粒子。
本发明采用Chan算法进行时差定位解算,在此不做过多介绍。
本发明主要在以下方面做出优化:
第一方面,为缩短算法时间,本发明针对现有多无人机空间位置寻优算法中需要反复判断无人机俯仰角、航偏角的问题,引入主从无人机控制策略。通过设置一架无人机为主机,其他无人机为从机,主机和从机之间需要满足无人机最大通信距离限制和最小防碰撞距离限制,从机和从机之间仅需满足最小防碰撞距离限制。通过初步规划确定主机航迹、精确规划确定从机相对于主机的空间位置排布的方式进行无人机空间位置寻优。在这样的策略下,在两个定位航迹点距离较远,主无人机和从无人机的间距较小,且主无人机俯仰角、航偏角变化不大的情况下,从机无需进行无人机转角限制的判断以及修正。
第二方面,本发明针对现有多无人机空间位置寻优算法中需要在判断无人机最大、最小间距时计算量大的问题,引入球坐标系对从机相对于主机的空间位置进行寻优,如图2所示,在这种坐标中,以主机的位置作为球坐标系的原点,通过对参数调节从机位置,确保从机位置满足无人机最大、最小间距。
已有寻优策略中多是针对无人机的空间位置XYZ空间坐标进行寻优,通过这种方式需要经常比对、修正各个无人机的空间位置来保证各个无人机满足无人机的最大、最小间距要求。而采用球坐标系针对进行寻优,通过设置球坐标的半径R为无人机最大间距,可以把各个无人机空间位置寻优限制在球面坐标之内,这样就避免了在寻优过程中需要大量考虑各无人机最大间距的限制条件从而导致运算时间过长的问题。通过球面坐标的寻优策略仅需考虑无人机最小间距的限制,从而节省了大量运算时间。
第三方面,为了提高定位性能,本发明也针对时差定位存在定位无解点的问题,通过引入Y型布站的方式减小在多无人机编队定位过程中出现无解点的概率。
具体策略是在从机的空间位置寻优中,判断主机与目标定位点的水平夹角,使一架从机位于主机与定位得出的目标点连线的水平面上,限制另外两架从机的方位角θ1、θ2的角度,使之近似为Y型布站,而后通过粒子群寻优算法计算出最适合的位置。如图3所示,图为Y型布站在XOY平面的投影,中间的无人机为主机,***无人机为从机,通过控制θ1、θ2的角度来改变Y型布站的从机位置。
本发明考虑四架无人机作为一个无人机编队,综合考虑无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制作为代价以无人机当前位置为起点,第一次解算目标源的位置为终点进行无人机编队的航迹规划。
航迹规划分为两个阶段,初步规划和精确规划。
初步规划是通过传统启发式算法,考虑无人机飞行过程中的安全性和无人机运动学限制,设置合适的步长对主机进行航迹规划。初步规划会生成主机的航迹,并记录主机在每个步长结束时的位置,作为精确规划时需要运算的航迹点。图6为生成的主机航迹图的XOY平面投影,图7为主机的三维航迹图,中间三个空心圆柱表示禁飞区域,半圆形区域表示雷达侦查区域,在初步规划时考虑安全性,需避开禁飞区域和雷达侦查区域,并预留空间保证精确规划时从机不会进入禁飞区域和雷达侦查区域。
精确规划时通过多目标粒子群寻优算法,针对初步规划的主机航迹点运算出三架从机在安全性、定位精度、路程长度为综合代价并满足无人机最大通信距离、最小防碰撞距离限制的最优航迹,如图8、9所示。图8为无人机编队在XOY平面投影图,四条航迹对应四架无人机编队;图9为无人机编队三维航迹图,圆柱形区域为禁飞区域,圆形区域为雷达侦查区域。
在进行精确规划时,为满足无人机最大通信距离限制,使用球面坐标进行无人机位置规划。在球面坐标中,球面半径为无人机最大通信距离,以初步规划的主机航迹点为球心,球面坐标参数限制为R≤Lmax、-π≤θ≤π、通过粒子群对球面座标的/>数据进行寻优。
基于粒子群寻优算法解算的无人机编队时差定位方法包括以下步骤:
步骤1,将无人机编队航迹规划问题建模为综合考虑无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制作为代价的无人机编队的航迹规划,并获取环境中的障碍物、威胁区域信息;
步骤2,通过启发式算法对无人机主机进行初步航迹规划,确定从航迹起点到航迹终点的若干个定位航迹点;
步骤3,通过粒子群寻优算法,在步骤2确定的若干个定位航迹点处搜索从机最优空间位置;
步骤4,将步骤2、3中确定的主从无人机在各个航迹点处的最优位置形成无人机航迹;
步骤5,在定位航迹点处获取各个无人机位置和测量数据,进行解算得到目标位置信息;
进一步地,在步骤1中将无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制建模为如下模型:
(1)最大通信距离:
(xt yt zt)为无人机主机位置,(xt,i yt,i zt,i)为第i架从机位置,dmax为无人机最大通信距离。
(2)最小防碰撞距离:
表示t时刻任意两架无人机的位置,n1≠n2,dmin为无人机最小防碰撞距离。
(3)路程长度:
fdis为路程代价,vt,n为t时刻第n架无人机的飞行速度,N为无人机架数,S为航迹终点位置,为对应t时刻无人机的位置。
(4)安全性:
fthreat=fanti+fprohibit 公式6
fthreat为安全代价,fanti为敌方反侦察威胁代价,fprohibit为禁飞区域威胁,其中:
假设存在R个雷达探测区域,第r个雷达探测区域的中心位置坐标可以表示为雷达探测区域的最远探测半径为dr max,dr min代表第r部雷达预警区域半径,当drmin<dt,n,r≤drmax时,分子部分乘上drmin主要是为了提升威胁代价的数值,否则drmin<dt,n,r≤drmax范围内,威胁代价极小且变化不明显。Pt,n,r(dt,n,r)为t时刻第r个雷达对第n架无人机位置处的单位时间威胁代价,(xt,n,yt,n,zt,n)为第n架无人机在t时刻的位置。
假设共存在W个禁飞区域,第w个禁飞区域的中心位置表示为禁飞区域的最小半径设为dw min,当无人机进入该区域之后,直接会发生碰撞;禁飞区域的最大威胁半径为dw max,当无人机处于dw min到dw max的区域范围内时,由于风向、无人机自身飞行过程中的晃动等问题,存在与禁飞区域碰撞的可能性,且无人机与禁飞区域的距离越近,威胁越大;当无人机到第w个禁飞区域的距离大于dw max时,此时禁飞区域对无人机的威胁可忽略不计。dt,n,w表示第w个禁飞区域的中心/>到第n架无人机坐标位置Xt,n的平面距离;当dwmin<dt,n,w≤dwmax时,分子部分乘上dw min主要是为了提升威胁代价的数值。
(5)定位精度:
fCRLB=(trace(C))1/2 公式13
fCRLB为定位精度的克拉美罗下界,在此作为定位精度代价,不再赘述。
(6)无人机运动学限制:
vmax、θmax为无人机最大速度、最大俯仰角、最大方位角。
进一步的,在步骤2针对无人机主机的航迹规划中,考虑无人机运动学约束、路程代价、安全性进行航迹规划,在这一步中会以主机作为判断无人机编队运动学约束的主要参考,在主机未达到无人机运动学极限并且定位点位置较远时,可以近似以主机代替无人机编队进行运动学约束判别。同时,在这一步会依据无人机飞行速度确定航迹规划中无人机每一步的步长(即航迹规划中无人机前进一次的距离)。依据设定的步长规划出若干个定位航迹点,作为无人机编队执行定位运算的位置。
进一步的,在步骤3针对从机的位置规划中,在步骤2规划出主机航迹定位点的位置处通过粒子群寻优算法进行寻优操作。在这一步中,从机最优位置的确定使用最小防碰撞距离、路程长度、安全性、定位精度作为判断指标。由于本发明采用球面坐标的方式进行从机位置选择,球面半径选择为无人机最大通信距离,从机位置寻优均在半径范围内进行,因此在此步寻优中无需考虑无人机最大通信距离限制。同时,由于在时差定位过程中采用Chan解算,会存在定位盲区、无解的现象,因此在此引入无人机Y形布站方式。具体方案是以主机作为Y形布站的中心,使一架从机位于主机和目标定位点连线的竖直面上,限制剩余两架从机寻优过程中水平角度θ的范围,使四架无人机在XOY平面上的投影近似Y形布站,这样可明显减小解算时陷入定位盲区、无解区域的概率。在这一步中不限制的值,保证四架无人机高度不同,在XOY平面投影近似为Y形布站即可。
进一步的,在步骤4中连接各个航迹点后获得的航迹即为通过粒子群寻优算法获取的编队最优航迹。
进一步的,在步骤5中,主无人机获取各无人机空间位置和测量数据后,采用Chan算法进行时差定位解算,生成最终的目标定位数据。
Claims (5)
1.基于定位精度的无人机编队航迹规划方法,其特征在于:包括初步规划和精确规划,初步规划是通过传统启发式算法,考虑无人机飞行过程中的安全性和无人机运动学限制,设置合适的步长对主机进行航迹规划;初步规划生成主机的航迹,并记录主机在每个步长结束时的位置,作为精确规划时需要运算的航迹点;精确规划通过多目标粒子群寻优算法,针对初步规划的主机航迹点运算出从机在安全性、定位精度、路程长度为综合代价并满足无人机最大通信距离、最小防碰撞距离限制的最优航迹,具体步骤为:
步骤1:将无人机编队航迹规划问题建模为综合考虑无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制作为代价的无人机编队的航迹规划,并获取环境中的障碍物、威胁区域信息;
将无人机最大通信距离、最小防碰撞距离、路程长度、安全性、定位精度、无人机运动学限制建模为如下模型:
(1)最大通信距离:
其中:(xt yt zt)为无人机主机位置,(xt,i yt,i zt,i)为第i架从机位置,dmax为无人机最大通信距离;
(2)最小防碰撞距离:
其中:表示t时刻任意两架无人机的位置,n1≠n2,dmin为无人机最小防碰撞距离;
(3)路程长度:
其中:fdis为路程代价,vt,n为t时刻第n架无人机的飞行速度,N为无人机架数,S为航迹终点位置,为对应t时刻无人机的位置;
(4)安全性:
fthreat=fanti+fprohibit
其中:fthreat为安全代价,fanti为敌方反侦察威胁代价,fprohibit为禁飞区域威胁,其中:
假设存在R个雷达探测区域,第r个雷达探测区域的中心位置坐标可以表示为雷达探测区域的最远探测半径为dr max,dr min代表第r部雷达预警区域半径,当drmin<dt,n,r≤drmax时,分子部分乘上drmin主要是为了提升威胁代价的数值,否则drmin<dt,n,r≤drmax范围内,威胁代价极小且变化不明显;Pt,n,r(dt,n,r)为t时刻第r个雷达对第n架无人机位置处的单位时间威胁代价,(xt,n,yt,n,zt,n)为第n架无人机在t时刻的位置;
假设共存在W个禁飞区域,第w个禁飞区域的中心位置表示为禁飞区域的最小半径设为dw min,当无人机进入该区域之后,直接会发生碰撞;禁飞区域的最大威胁半径为dw max,当无人机处于dw min到dw max的区域范围内时,由于风向、无人机自身飞行过程中的晃动问题,存在与禁飞区域碰撞的可能性,且无人机与禁飞区域的距离越近,威胁越大;当无人机到第w个禁飞区域的距离大于dw max时,此时禁飞区域对无人机的威胁可忽略不计,dt,n,w表示第w个禁飞区域的中心/>到第n架无人机坐标位置Xt,n的平面距离;当dwmin<dt,n,w≤dwmax时,分子部分乘上dwmin主要是为了提升威胁代价的数值;
(5)定位精度:
fCRLB=(trace(C))1/2
其中:fCRLB为定位精度的克拉美罗下界,在此作为定位精度代价;
(6)无人机运动学限制:
其中:vmax、θmax为无人机最大速度、最大俯仰角、最大方位角;
步骤2:通过启发式算法对无人机主机进行初步航迹规划,确定从航迹起点到航迹终点的若干个定位航迹点;
步骤3:通过粒子群寻优算法,在步骤2确定的若干个定位航迹点处搜索从机最优空间位置;
步骤4:将步骤2、3中确定的主从无人机在各个航迹点处的最优位置形成无人机航迹;
步骤5:在定位航迹点处获取各个无人机位置和测量数据,进行解算得到目标位置信息,完成规划。
2.根据权利要求1所述的基于定位精度的无人机编队航迹规划方法,其特征在于:在步骤2针对无人机主机的航迹规划中,考虑无人机运动学约束、路程代价、安全性进行航迹规划,在这一步中会以主机作为判断无人机编队运动学约束的主要参考,在主机未达到无人机运动学极限并且定位点位置较远时,可近似以主机代替无人机编队进行运动学约束判别;依据无人机飞行速度确定航迹规划中无人机每一步的步长;依据设定的步长规划出若干个定位航迹点,作为无人机编队执行定位运算的位置。
3.根据权利要求2所述的基于定位精度的无人机编队航迹规划方法,其特征在于:在步骤3针对从机的位置规划中,在步骤2规划出主机航迹定位点的位置处通过粒子群寻优算法进行寻优操作;从机最优位置的确定使用最小防碰撞距离、路程长度、安全性、定位精度作为判断指标;由于在时差定位过程中采用Chan解算,会存在定位盲区、无解的现象,因此在此引入无人机Y形布站方式;具体方案是以主机作为Y形布站的中心,使一架从机位于主机和目标定位点连线的竖直面上,限制剩余两架从机寻优过程中水平角度θ的范围,使四架无人机在XOY平面上的投影近似Y形布站,这样可明显减小解算时陷入定位盲区、无解区域的概率;在这一步中不限制的值,保证四架无人机高度不同,在XOY平面投影近似为Y形布站即可。
4.根据权利要求3所述的基于定位精度的无人机编队航迹规划方法,其特征在于:在步骤4中连接各个航迹点后获得的航迹即为通过粒子群寻优算法获取的编队最优航迹。
5.根据权利要求4所述的基于定位精度的无人机编队航迹规划方法,其特征在于:在步骤5中,主无人机获取各无人机空间位置和测量数据后,采用Chan算法进行时差定位解算,生成最终的目标定位数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767868.4A CN113759958B (zh) | 2021-07-07 | 2021-07-07 | 基于定位精度的无人机编队航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110767868.4A CN113759958B (zh) | 2021-07-07 | 2021-07-07 | 基于定位精度的无人机编队航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759958A CN113759958A (zh) | 2021-12-07 |
CN113759958B true CN113759958B (zh) | 2023-08-01 |
Family
ID=78787555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110767868.4A Active CN113759958B (zh) | 2021-07-07 | 2021-07-07 | 基于定位精度的无人机编队航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759958B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661204B (zh) * | 2022-11-01 | 2023-11-10 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN112783207A (zh) * | 2020-12-31 | 2021-05-11 | 哈尔滨工程大学 | 一种基于多目标粒子群优化的无人机航迹规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8634982B2 (en) * | 2009-08-19 | 2014-01-21 | Raytheon Company | System and method for resource allocation and management |
-
2021
- 2021-07-07 CN CN202110767868.4A patent/CN113759958B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN112783207A (zh) * | 2020-12-31 | 2021-05-11 | 哈尔滨工程大学 | 一种基于多目标粒子群优化的无人机航迹规划方法 |
Non-Patent Citations (1)
Title |
---|
基于改进MOGOA 的无人机群航迹规划研究;陈涛等;《天津大学学报(自然科学与工程技术版)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113759958A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109947136B (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
Xiong et al. | Application improvement of A* algorithm in intelligent vehicle trajectory planning | |
CN110481551A (zh) | 一种自动换道的控制方法、装置及车辆 | |
CN113759958B (zh) | 基于定位精度的无人机编队航迹规划方法 | |
CN111256697A (zh) | 一种针对路径点聚类机器学习的无人机航迹规划方法 | |
CN110806585B (zh) | 一种基于树干聚类跟踪的机器人定位方法及*** | |
CN110174112B (zh) | 一种用于移动机器人自动建图任务的路径优化方法 | |
CN111895995B (zh) | 基于pso的飞行器编队多维地磁匹配导航方法及*** | |
CN116954239B (zh) | 一种基于改进粒子群算法的无人机航迹规划方法及*** | |
CN113515111B (zh) | 一种车辆避障路径规划方法及装置 | |
CN116088576A (zh) | 一种基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN116331264A (zh) | 一种未知障碍物分布的避障路径鲁棒规划方法及*** | |
CN116540738A (zh) | 基于运动约束改进蚁群算法的移动机器人路径规划方法 | |
CN111998858A (zh) | 一种基于改进a*算法的无人机航路规划方法 | |
CN113325867B (zh) | 一种无人航行器搜寻的路径规划方法、装置和无人航行器 | |
CN115752474A (zh) | 非平坦地面环境下的机器人导航规划方法、装置及机器人 | |
CN113341999A (zh) | 一种基于优化d*算法的叉车路径规划方法及装置 | |
CN116518982B (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
CN111208820B (zh) | 人工智能大数据下粒子化无人车组、控制方法及介质 | |
CN117289301A (zh) | 一种未知越野场景下空地无人平台协同路径规划方法 | |
CN114200936B (zh) | 基于最优控制及宽度学习的agv实时路径规划方法 | |
CN116560362A (zh) | 一种自动导航的路径规划跟踪方法及*** | |
CN116301038A (zh) | 一种基于航迹优化规划的无人机输电线路自主巡检方法 | |
CN115903816A (zh) | 一种低能耗移动机器人路径规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |