CN113778119B - 一种无人机控制路径优化方法 - Google Patents
一种无人机控制路径优化方法 Download PDFInfo
- Publication number
- CN113778119B CN113778119B CN202111131532.5A CN202111131532A CN113778119B CN 113778119 B CN113778119 B CN 113778119B CN 202111131532 A CN202111131532 A CN 202111131532A CN 113778119 B CN113778119 B CN 113778119B
- Authority
- CN
- China
- Prior art keywords
- path
- unmanned aerial
- aerial vehicle
- value
- random
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 107
- 230000035772 mutation Effects 0.000 claims description 12
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 80
- 230000002068 genetic effect Effects 0.000 abstract description 31
- 230000000694 effects Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 20
- 240000007651 Rubus glaucus Species 0.000 description 18
- 235000011034 Rubus glaucus Nutrition 0.000 description 18
- 235000009122 Rubus idaeus Nutrition 0.000 description 18
- 238000010586 diagram Methods 0.000 description 18
- 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 14
- 108090000623 proteins and genes Proteins 0.000 description 14
- 238000004088 simulation Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 210000000349 chromosome Anatomy 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010353 genetic engineering Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003592 biomimetic effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供了一种无人机控制路径优化方法,其中,无人机控制路径优化方法包括:根据实际飞行任务获取无人机飞行途中需经过的路径节点及数量,并对由这些路径节点构成的路径进行实数编码产生随机路径;计算实数编码后的随机路径的适应度值,根据遗传算法思想,利用适应度值选择目标路径;获取无人机按照目标路径飞行时的障碍环境数据;基于障碍环境数据通过VFH避障策略确定目标方向;根据目标路径和目标方向确定无人机的实际飞行路径。本申请基于遗传算法结合VFH避障策略的路径优化方法并将此方法应用于所提出的无人机***,达到使此无人机***能够按照该路径优化方法实现在室内外复杂环境下进行最优路径规划的技术效果。
Description
技术领域
本申请涉及无人机技术领域,尤其涉及一种无人机控制路径优化方法。
背景技术
近年来,路径规划成为国内外众多学者的研究热点,而路径规划的性能优劣很大程度上取决于规划算法的优劣,如何在各种场景下迅速、准确的规划出一条高效路径且使其具备应对场景动态变化的能力是路径规划算法应当解决的问题。根据对环境信息的把握程度的差异,科学家们将路径规划划分为基于先验完全信息的全局路径规划以及基于传感器信息的局部路径规划。其中,从获取障碍物信息是静态或是动态的角度看,全局路径规划属于静态规划(又称离线规划),局部路径规划属于动态规划(又称在线规划)。全局路径规划要求执行部件掌握所有的环境信息,根据环境地图的所有信息进行路径规划;局部路径规划只需要由执行部件上搭载的传感器实时采集环境信息,了解环境地图信息,然后确定出自身位于所在地图的位置及其周围局部的障碍物分布情况,进而可以选出从当前位置节点到某一子目标结点的最优路径。路径规划在实际生产生活中的诸多领域都具有广泛的应用,譬如:车辆在复杂交通情况下的路径规划、求解常见的组合优化问题中的NP-hard问题(非确定性多项式难题)---旅行商问题(TSP)、无人机最佳航线规划、物流管理中的车辆配置问题(VRP)以及基于GIS***(地理信息***或者空间信息***)的城市道路规划等。
随着科技的进步,路径规划问题的解决方法层出不穷,各种方法根据其自身优缺点对应的适用范围也各不相同。通过对各领域常用的路径规划算法的研究,学者们按照各种算法发现先后时序及算法基本原理,将路径规划算法大致分为三类:传统算法、图形学的方法、智能仿生学算法。其中,传统的路径规划算法有:模拟退火算法、人工势场算法、模拟逻辑算法、禁忌搜索算法等。然而传统算法在解决实际问题时往往存在建模难的问题,为此人们提出了图形学的方法解决了建模的问题,常用的图形学的方法有:C空间法、栅格法、自由空间法、voronoi图法(泰森多边形)等。但是图形学的方法普遍存在搜索能力的不足,往往需要结合专门的搜索算法。此外在处理复杂环境信息情况下的路径规划问题时。来自于自然界的启示往往能起到很好的作用。智能仿生学算法就是人们通过研究自然界中生物***的优异能力及产生的原理而发现的算法,路径规划中常用到的此类算法有:蚁群算法、免疫算法、粒子群算法、鱼群算法、遗传算法等。
随着人工智能的蓬勃发展,无人机在农田灌溉、环境监测、搜索救援等民用领域以及侦察检测、干扰通信以及对地攻击等军事领域均得到了广泛应用,如何高效使用无人机在很大程度上取决于如何对无人机进行合理的路径规划,而路径规划则离不开各类路径智能算法,目前多数无人机研发机构采用的A*算法(静态路网中求解最短路径最有效的直接搜索方法)是一种启发式搜索算法,其优点在于能快速地寻找静态路网中两点的最短路径,但在面对复杂的环境情况下,往往不能保证其搜索到的路径是最佳路径,此外该算法控制下的无人机并不适用于动态规划。
发明内容
有鉴于此,本申请的目的在于至少提供一种无人机控制路径优化方法,通过基于遗传算法并结合VFH避障策略的路径优化方法并将此方法应用于所提出的无人机平台的方式,解决现有技术中无人机面对复杂的环境情况下不适用于动态规划的技术问题,达到使此无人机平台能够实现在室内外复杂环境下的路径优化的技术效果。本申请的无人机控制路径优化方法比传统的路径寻优方法适用性更强、寻找的最优路线更加合理。
本申请主要包括以下几个方面:
第一方面,本申请实施例提供一种无人机控制路径优化方法,此方法包括:根据实际飞行任务获取无人机的路径节点及数量,将路径节点进行随机排列确定为随机路径;计算随机路径的适应度值,根据遗传算法思想,利用适应度值选择目标路径;获取无人机按照目标路径飞行时的障碍环境数据;将无人机的位置作为中心点,依据障碍环境数据生成活动窗口,将活动窗口划分为多个连续的二维栅格,并获取每个二维栅格的障碍概率值;根据障碍概率值确定其对应的二维栅格的栅格向量;栅格向量包括栅格向量值和栅格向量角;将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度;根据区域障碍密度确定目标区域;根据目标区域确定目标方向;依据目标路径飞行,当遇到障碍时,按照目标方向进行躲避,进而确定无人机的实际飞行路径。
可选地,计算随机路径的适应度值,根据遗传算法思想,利用适应度值选择目标路径,包括:确定组成随机路径的路径节点的序号;根据序号对随机路径进行实数编码;计算实数编码后的随机路径的相邻路径节点的距离和值的倒数,记为第一和值,将第一和值确定为随机路径的适应度值;选择适应度值最小的随机路径作为目标随机路径;判断此时的迭代次数是否达到迭代次数阈值;若迭代次数达到了迭代次数阈值,则确定目标随机路径为目标路径。
可选地,判断此时的迭代次数是否达到迭代次数阈值之后,还包括:将随机路径确定为第一路径,若迭代次数不等于迭代次数阈值,将第一路径的适应度值求和得到第二和值,计算第一路径的适应度值与第二和值的比值,将比值确定为第一路径的适应度概率;根据适应度值概率,通过轮盘赌法对第一路径中的随机路径进行多轮选择,将多轮选择后的随机路径再经过单点交叉、逆转变异得到第二路径;将迭代次数加一,确定第二路径为第一路径,计算第一路径的适应度值。
可选地,第一路径通过轮盘赌法选择、单点交叉、逆转变异生成第二路径,包括:随机生成第一随机数,利用此随机数选择第一路径中的随机路径作为第二路径中的随机路径;随机生成第二随机数,判断第二随机数是否大于预置交叉概率;若第二随机数大于预置交叉概率,则将第一路径中的随机路径两两配对组成路径对,随机选择路径对的交叉点;随机选择路径对中的一个随机路径确定为第一父代路径,将路径对中的另一个随机路径确定为第二父代路径,复制第一父代路径的第一位编码至交叉点的前一位编码,将复制的第一父代路径的部分编码作为第一前部分路径;再从第二父代路径的第一个编码开始扫描,若第一前部分路径的编码中没有出现过第二父代路径中的编码,则将其添加至第一前部分路径,直至第二父代路径全部扫描完成,则将全部添加完成的第一前部分路径确定为第一子代路径;复制第二父代路径的第一位编码至交叉点的前一位编码,将复制的第二父代路径的部分编码作为第二前部分路径;再从第一父代路径的第一个编码开始扫描,若第二前部分路径的编码中没有出现过第一父代路径中的编码,则将其添加至第二前部分路径,直至第二父代路径全部扫描完成,则将全部添加完成的第二前部分路径确定为第二子代路径;将第一子代路径与第二子代路径确定为交叉路径;随机生成第三随机数,判断第三随机数是否大于预置变异概率;若第三随机数大于预置变异概率,则随机选择交叉路径的两个逆转点,将两个逆转点对应的编码位置互换,经逆转变异后的随机路径将作为第二路径中的路径。
可选地,随机生成第二随机数,判断第二随机数是否大于预置交叉概率之后,还包括:若第二随机数不大于预置交叉概率,则将第一路径确定为交叉路径。
可选地,随机生成第三随机数,判断第三随机数是否大于预置变异概率之后,还包括:若第三随机数不大于预置变异概率,则将交叉路径确定为第二路径。
可选地,根据障碍概率值确定其对应的二维栅格的栅格向量,包括:计算二维栅格的中心点到无人机的位置的距离值,计算第一正常数与距离值的乘积记为第一乘积,将第二正常数与第一乘积做差值,计算二维栅格对应的障碍概率值的平方与差值的乘积记为第二乘积,将第二乘积确定为栅格向量值;根据无人机的绝对位置坐标与二维栅格的绝对位置坐标通过反正切函数,确定栅格向量角;根据栅格向量值和栅格向量角确定其对应的二维栅格的栅格向量。
可选地,将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度,包括:根据角分辨率,对活动窗口进行区域划分;将每一区域内的栅格向量的栅格向量值求和得到第三和值,将第三和值确定为每一区域障碍密度值。
可选地,根据区域障碍密度确定目标区域,包括:选择区域障碍密度小于障碍密度阈值的区域作为候选区域;候选区域包括至少一个区域;选择包括连续数量最多的区域的候选区域确定为目标区域。
可选地,根据目标区域确定目标方向,包括:计算目标区域两端的栅格向量的栅格向量角的和值,记为第四和值,将第四和值的一半确定为目标方向。
第二方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,存储器存储有处理器可执行的机器可读指令,当电子设备运行时,处理器与存储器之间通过总线进行通信,机器可读指令被处理器运行时执行上述第一方面或第一方面中任一种可能的实施方式中的无人机控制路径优化方法的步骤。
第三方面,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述任一种可能的实施方式中的无人机控制路径优化方法的步骤。
本申请实施例提供的一种无人机控制路径优化方法,获取无人机的路径节点及数量,将路径节点进行随机排列确定为随机路径;计算随机路径的适应度值,根据遗传算法思想,利用适应度值选择目标路径;获取无人机按照目标路径飞行时的障碍环境数据;将无人机的位置作为中心点,依据障碍环境数据生成活动窗口,将活动窗口划分为多个连续的二维栅格,并获取每个二维栅格的障碍概率值;根据障碍概率值确定其对应的二维栅格的栅格向量;栅格向量包括栅格向量值和栅格向量角;将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度;选择区域障碍密度小于障碍密度阈值的区域作为候选区域;根据候选区域的栅格向量确定目标方向;依据目标路径飞行,当遇到障碍时,按照目标方向进行躲避,进而确定无人机的实际飞行路径。通过基于遗传算法并结合VFH避障策略的路径优化方法并将此方法应用于所提出的无人机平台的方式,解决现有技术中无人机面对复杂的环境情况下不适用于动态规划的技术问题,达到使此无人机平台能够实现在室内外复杂环境下的路径优化的技术效果。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种无人机控制路径优化方法的流程图。
图2示出了本申请实施例所提供的另一种无人机控制路径优化方法的流程图。
图3示出了本申请实施例所提供的单点交叉示意图。
图4示出了本申请实施例所提供的逆转变异示意图。
图5示出了本申请实施例所提供的活动窗口示意图。
图6示出了本申请实施例所提供的一种无人机***的结构示意图。
图7示出了本申请实施例所提供的室外路径规划示意图。
图8示出了本申请实施例所提供的室内路径规划示意图。
图9示出了本申请实施例所提供的一种无人机控制路径优化装置的结构示意图。
图10示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中的附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例,都属于本申请保护的范围。
现有技术的在面对复杂的环境情况下,往往不能保证其搜索到的路径是最佳路径,且在现有技术控制下的无人机并不适用于动态规划。基于此,本申请实施例提供的一种无人机控制路径优化方法,通过基于遗传算法并结合VFH避障策略的路径优化方法并将此方法应用于所提出的无人机平台的方式,解决现有技术中无人机面对复杂的环境情况下不适用于动态规划的技术问题,达到使此无人机平台能够实现在室内外复杂环境下的路径优化的技术效果,具体如下:
请参阅图1,图1为本申请实施例所提供的一种无人机控制路径优化方法的流程图。如图1所示,本申请实施例提供的无人机控制路径优化方法,包括以下步骤:
S101、获取无人机飞行途中需经过的路径节点及数量,将路径节点进行随机排列产生随机路径。
具体的,无人机的路径节点以及路径节点数量可以由人为通过计算机设置,树莓派机载计算机获取无人机的路径节点以及路径节点数据根据遗传算法选择目标路径。将路径节点进行随机排列,根据随机排列后的路径节点确定为随机路径,其中,随机路径包括全部的路径节点,并且每个路径节点只出现一次。
S102、计算随机路径的适应度值,根据适应度值选择目标路径。
具体的,根据随机路径中路径节点的顺序,计算随机路径中相邻路径节点的距离和值的倒数,记为第一和值,将第一和值确定为随机路径的适应度值。选择适应度值最小的随机路径确定为目标路径。
S103、获取无人机按照目标路径飞行时的障碍环境数据。
具体的,当无人机按照目标路径飞行时,由激光雷达传感器和深度实感摄像头获取飞行过程中的障碍环境数据,并将障碍环境数据发送至无人机的飞机控制***,飞机控制***再将障碍环境数据发送至树莓派机载计算机。树莓派机载计算机获取障碍环境数据并执行后续避障算法。
S104、将无人机的实际飞行位置作为中心点,依据障碍环境数据生成活动窗口,将活动窗口划分为多个连续的二维栅格,并获取每个二维栅格的障碍概率值。
具体的,将无人机的位置作为中心点(VCP),无人机的位置是室外根据经纬度确定,室内则是靠人为规则的坐标系确定的。根据激光雷达传感器和深度实感摄像头所能测的最远距离的两倍作为活动窗口的边长s,将边长为s的活动窗口划分为多个连续的二维栅格,二维栅格的大小可以通过计算机设置,障碍概率值可由于激光雷达传感器和深度实感摄像头特性相关的概率方程进行更新。
S105、根据障碍概率值确定其对应的二维栅格的栅格向量;栅格向量包括栅格向量值和栅格向量角。
具体的,根据二维栅格的障碍概率值确定对应的二维栅格的栅格向量。栅格向量包括栅格向量值和栅格向量角。
S106、将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度。
具体的,计算二维栅格的栅格向量后,可以认为此活动窗口内只有栅格向量,依据角分辨率将活动窗口进行区域划分后,可以认为区域内只有栅格向量,将区域内所有的栅格向量的栅格向量值求和,将求和的和值确定为此区域的区域障碍密度。
S107、根据区域障碍密度确定目标区域。
具体的,选择区域障碍密度小于障碍密度阈值的区域作为候选区域;候选区域包括至少一个区域;选择包括连续数量最多的区域的候选区域确定为目标区域。也就是说,目标区域为最大的连续区域。
S108、根据目标区域确定目标方向。
具体的,计算目标区域两端的栅格向量的栅格向量角的和值,记为第四和值,将第四和值的一半确定为目标方向。其中,目标方向可以是目标方向角度,无人机依据目标方向角度飞行。
S109、依据目标路径飞行,当遇到障碍时,按照目标方向进行躲避,进而确定无人机的实际飞行路径。
具体的,无人机在依据目标路径飞行过程中,当遇到障碍时,树莓派接收障碍环境数据经过避障算法求得目标方向角度,无人机按照目标方向角度飞行进行躲避,进而确定无人机的实际飞行路径。
在具体实施中,请参阅图2,图2为本申请实施例所提供的另一种无人机控制路径优化方法的流程图。如图2所示,本申请实施例提供的无人机控制路径优化方法,包括以下步骤:
S201、确定路径节点及数量,将由这些路径节点构成的个体进行实数编码产生种群(种群中的每个个体代表一条路径)。
具体的,获取无人机的路径节点以及路径节点数量,将路径节点进行随机排列确定为随机路径。其中,路径节点以及路径节点数量可以由人为在计算机中设置。随机路径指的是由所有的路径节点进行随机排列组成的,其中,一个路径节点只能在随机路径中出现一次。本申请通过遗传算法规划最优路线,将遗传算法应用于无人机最优路径规划时,其对应的问题参数集是由无人机任务规划中需要经过的路径节点所构成,该参数集对应的编码方式为实数编码,即对需要经过的N个路径节点进行1~N的实数的随机排列产生种群,种群中的每个个体代表一条路径。
也就是说,将N个路径节点进行随机排列后组成随机路径,多个随机路径组成种群,每个随机路径为种群中的每个个体,若组成了M个随机路径,则种群中的个体数量为M。将这些路径节点构成的路径进行实数编码可以是确定组成随机路径的路径节点的序号,根据序号对随机路径进行实数编码,也就是说,依据随机路径中N个路径节点的出现先后顺序对随机路径进行编码。
示例性的,若有八个路径节点,对路径节点进行序号编号,将八个路径节点随机排列后得到路径中的节点顺序依次为路径节点2、路径节点1、路径节点3、路径节点8、路径节点7、路径节点5、路径节点6和路径节点4,即对随机路径进行实数编码后,可以由编码21387564代表此随机路径。
S202、种群参数初始化(设置种群个数、个体基因个数、迭代次数阈值、预置交叉概率、预置变异概率)。
具体的,遗传算法中的种群参数初始化需要确定的初始化参数有:种群个数M、染色体(个体)基因个数(即节点个数N)、迭代次数阈值C、预置交叉概率Pc和预置变异概率Pmutation。
S203、根据适应度函数(由于任意两个节点间的距离已知,故选取个体对应的总距离的倒数作为适应度函数)计算种群中每个个体的适应度值。
具体的,根据适应度函数计算种群中每个个体的适应度值指的是:构建合理的适应度函数来评判种群的优劣,在无人机最佳路径规划中,本申请在默认任意两个节点的距离已知的条件下,对每个染色体(即N个节点的随机排列后的随机路径,或者说是个体)计算出总距离,将一个随机全排列的总距离的倒数作为适应度函数,即距离越短,适应度函数值越高,这符合所设计无人机***平台对最优路径的选择要求。其中,适应度函数的计算方法为,计算实数编码后的随机路径的相邻路径节点的距离和值的倒数,记为第一和值,将第一和值确定为随机路径的适应度值。由于任意两个节点间的距离已知,故选取个体对应的总距离的倒数作为适应度函数。
S204、评价种群(计算出最优个体的适应度值)。
具体的,遗传算法中的评价种群包括:位串解码的参数、计算目标函数值、函数值向适应值映射、适应值调整。本申请的评价种群指的是计算出最优个体的适应度值。最优个体指的是适应度值最小的个体为最优个体,即,最小的第一和值对应的随机路径为最优路径。其中,选择适应度值最小的随机路径作为目标随机路径。
S205、迭代次数是否等于迭代次数阈值。
具体的,当种群中的最优染色体(最优路线)的适应度值达到给定的阈值,或者最优染色体的适应度和群体适应度不再上升时,或者迭代次数达到预设的代数时,遗传算法终止,本***平台采用的终止条件是预先设置合理的最大迭代次数。判断此时的迭代次数是否等于迭代次数阈值,若迭代次数等于迭代次数阈值,则确定目标随机路径为目标路径。
S206、进行遗传操作(选择、交叉、变异)。
S207、根据种群中个体适应度,利用轮盘赌法选择多个优胜个体。
具体的,将随机路径作为第一路径,若迭代次数不等于迭代次数阈值,将第一路径的适应度值求和得到第二和值,计算第一路径的适应度值与第二和值的比值,将比值确定为第一路径的适应度概率;根据适应度值概率,通过轮盘赌法对第一路径进行多轮选择得到多个优胜随机路径。
具体的,遗传算法中关键的环节在于遗传操作,遗传操作的效果则取决于选择、交叉以及变异这三个基本遗传操作。其中选择操作是建立在种群染色体适应度评估基础上,其目的在于将适应度高的染色体直接遗传到下一代或通过配对交叉产生新的染色体再遗传给下一代,淘汰适应度低的染色体,从而提高种群的整体适应度。常见的选择的方式有:轮盘赌法、锦标赛法。本申请采用的是轮盘赌法,其方法原理如下:设,种群个数为M,种群中的个体ξ的适应度值为fξ,则将ξ被选择的概率成为适应度概率,例如,通过如下公式进行计算求取适应度概率:
公式(1)中,Pξ指的是第ξ个个体(第ξ个随机路径)的适应度概率,fξ指的是第ξ个个体的适应度值,即,第ξ个随机路径的适应度值,M指的是种群中个体的总数量。由公式(1)易知,适应度概率反映的是第ξ个个体的适应度值在整个群体的个体适应度值总和中所占的比例。个体适应度值越高,其适应度概率越高,被选择的概率越高,反之亦然。在计算出群体中的各个个体的选择概率后,为了选择交配个体,需要进行多轮选择,每一轮产生一个[0,1]之间的第一随机数,将该随机数作为选择指针来确定被选个体。选择好个体后,随机地组成交配对,以供后面的交叉操作。
S208、随机选择两个优胜个体进行单点交叉产生新的子代个体。
具体的,交叉操作是整个遗传算法的核心,所谓交叉是指将两个父代个体的部分基因结构加以替换重组而产生新的子代个体的操作。常用的交叉的方式有:单点交叉、多点交叉、均匀交叉等,本***采用的是单点交叉方式。单点交叉法只适用于实数编码,其原理为父代选择一个交叉点,子代的前半部分基因从其中一个父代基因初始位置至交叉点位所包含的基因复制得到,然后从另一个父代基因初始位置开始扫描,如果某个基因在子代中没有,就把它添加进去。交叉操作使得遗传算法具有更好的全局搜索能力,遗传算法得到最优解的概率大大提高。
示例性的,请参阅图3,图3示出了本申请实施例所提供的单点交叉示意图。随机生成第二随机数,当第二随机数大于预置交叉概率时,则将第一路径中的随机路径两两配对组成路径对,路径对为编码为21387564的随机路径与编码为26573184的随机路径;随机选择路径对的交叉点为2138’7564和2657’3184,随机选择编码为21387564的随机路径为第一父代路径,编码为26573184的随机路径为第二父代路径。复制编码为21387564的第一父代路径的第一位编码至交叉点的前一位编码,则复制的部分编码为2138,将编码为2138的路径作为交叉路径的第一前部分路径;再从编码为26573184的第二父代路径的第一个编码2开始扫描,由于编码2存在于第一前部分路径的编码2138中,则不加入第一前部分路径的编码中,扫描至第二父代路径的第二个编码6没有出现在第一前部分路径的编码中,则将编码6添加至第一前部分路径中,此时第一前部分路径的编码为21386。直至第二父代路径的编码全部扫描完成,则将将全部添加完成的第一前部分路径确定为第一子代路径。即,此时全部添加完成的第一前部分路径的编码为21386574,将编码为21386574的编码作为第一子代路径。
示例性的,复制编码为26573184的第二父代路径的第一位编码至交叉点的前一位编码,则复制的部分编码为2657,将编码为2657的路径作为第二前部分路径;再从编码为21387564的第一父代路径的第一个编码2开始扫描,由于编码2存在于前部分路径的编码2657中,则不加入第二前部分路径的编码中,扫描至第一父代路径的第二个编码1没有出现在第二前部分路径的编码中,则将编码1添加至第二前部分路径中,此时第二前部分路径的编码为26571,直至第一父代路径的编码全部扫描完成,则将将全部添加完成的第二前部分路径确定为第二子代路径。即,此时全部添加完成的第二前部分路径的编码为21386574,将编码为21386574的编码作为第二子代路径。
具体的,将第一子代路径与第二子代路径确定为交叉路径。若第二随机数不大于预置交叉概率,则将第一路径中的随机路径确定为交叉路径。示例性的,若第二随机数不大于预置交叉概率,则将编码为21387564的第一路径中的随机路径与编码为26573184的第一路径中的随机路径确定为交叉路径。
S209、对子代个体的基因进行逆转变异操作。
具体的,变异操作则是对种群中的部分个体的某些基因位上的基因值进行改动,遗传算法引入变异操作的意义在于:第一,使算法具有局部随机搜索能力,即当算法通过交叉操作接近最优解时,变异操作可以让算法结果加速向最优值靠拢;第二,维持种群基因多样性,以防出现局部收敛现象。常见的变异方式有基本位变异及逆转变异两种,本申请采用的是逆转变异的方式。逆转变异的原理是指对种群中的某个个体中随机挑选两个逆转点,再将两个逆转点间的基因交换。
请参阅图4,图4示出了本申请实施例所提供的逆转变异示意图。具体的,随机生成第三随机数,判断第三随机数是否大于预置变异概率,若第三随机数大于预置变异概率,则随机选择交叉路径的两个逆转点,将两个逆转点对应的编码位置互换,经逆转变异后的随机路径将作为第二路径中的路径;若第三随机数不大于预置变异概率,则将交叉路径确定为第三路径中的路径。示例性的,随机生成第三随机数,当第三随机数大于预置变异概率时,若交叉路径的编码为21387564,随机选择交叉路径的两个逆转点为第二编码位和第七编码位,将两个逆转点对应的编码位置互换,则互换后的路径编码为26387514,将编码为26387514的路径确定为第二路径中的路径。若第三随机数大于预置变异概率时,则将编码为21387564的交叉路径确定为第二路径中的路径。
S210、产生新一代种群。
具体的,将第二路径确定为新一代种群,根据适应度函数计算种群中每个个体的适应度值。即,将迭代次数加一,确定第二路径为第一路径,计算第一路径的适应度值。
S211、输出最优个体对应的最优路线,根据实际任务需求确定无人机的起飞点(起飞点为已知节点的其中一个)。
具体的,通过上述遗传算法的确能规划出已知位置的多个路径节点之间的最佳路线,在实际进行多个路径节点任务规划时,只需确定任务的起飞点即可使无人机按照算法规划出来的路线进行飞行。但该算法无法规避最佳路线中可能存在的障碍物等突发情况,基于这种情况,无人机***平台在使用遗传算法进行全局路径规划的基础上采用了VFH避障算法来实现对无人机局部路径规划,该算法可用来驱动无人机的运动方向,使其避免碰到障碍物,同时接近目标,简而言之可使无人机实现避障功能。
S212、树莓派按照上述遗传算法思想进行编程和利用仿真平台仿真,仿真无误后通过与飞控直接相连建立通信。
S213、树莓派将最优路径的节点信息发送给无人机飞控,飞控控制无人机使其按照最优路径飞行。
S214、无人机按照最优路径飞行时,激光雷达和深度实感摄像头扫描无人机周围路障,并发送环境数据至飞控。
具体的,获取无人机按照目标路径飞行时,激光雷达传感器和深度实感摄像头扫描到的障碍环境数据,并将障碍环境数据发送至飞机控制***(即,飞控)。
S215、树莓派获取飞控接收到的环境数据,基于无人机实际活动窗口利用VFH算法进行实时避障。
具体的,飞机控制***将障碍环境数据发送至树莓派机载计算机,由树莓派机载计算机基于障碍环境数据通过VFH算法进行实时避障。其中,VFH的全称是Vector FieldHistogram,即向量区域柱图。该方法思想是将无人机描述为二维平面世界中的一个点,然后使用柱状图描述无人机周围障碍物。该方法分为两阶段,第一阶段将无人机周围的直方图栅格转换为极坐标向量,第二阶段根据无人机四周作用的极坐标,选择合适的方向驱动无人机前进。
S216、将无人机活动窗口划分为若干个连续的二维栅格,通过与所用传感器特性有关的概率方程更新各个二维栅格CV值(CV值表征二维栅格存在障碍物的概率值)。
请参阅图5,图5示出了本申请实施例所提供的活动窗口示意图。具体的,二维栅格CV值指的是障碍概率值,将无人机的位置作为中心点(VCP),(x0,y0)是此刻无人机中心点(VCP)的绝对位置坐标,依据障碍环境数据生成活动窗口,将活动窗口划分为多个连续的二维栅格,并获取每个二维栅格的障碍概率值。任意时刻无人机对外界环境的感知范围是有限的,并取决于所用传感器的有效测量范围。定义某一时刻无人机所能感知的最大范围为活动窗口。它实际上是以无人机为圆心,所用传感器所测范围为半径的圆形区域。但在本申请中,为方便算法的使用,将其简化为边长为s的正方形区域。其中,s是传感器所能测的最远距离的两倍。
S217、将二维栅格向量化。
具体的,根据障碍概率值确定其对应的二维栅格的栅格向量;栅格向量包括栅格向量值和栅格向量角。栅格向量值的计算方法为,计算二维栅格的中心点到无人机的位置的距离值,计算第一正常数与距离值的乘积记为第一乘积,将第二正常数与第一乘积做差值,计算二维栅格对应的障碍概率值的平方与差值的乘积记为第二乘积,将第二乘积确定为栅格向量值。也就是说,栅格向量值与栅格角都是其对应的二维栅格的中心点到无人机位置(VCP)的向量大小与向量角。
具体的,栅格向量值通过如下公式进行计算:
mi,j=(ci,j *)2×(a-b×di,j) (2)
公式(2)中,mi,j表示的是横坐标第i个,纵坐标第j个的栅格向量的栅格向量值,a,b是正常数;ci,j *是活动窗口内横坐标第i个,纵坐标第j个二维栅格的CV值(即,障碍概率值);di,j是该横坐标第i个,纵坐标第j个二维栅格到无人机(即,活动窗口的中心点,或,VCP)的距离值。具体的,根据无人机的绝对位置坐标与二维栅格的绝对位置坐标通过反正切函数,确定栅格向量角;栅格向量角的通过如下公式进行计算:
公式(3)中,βi,j指的是横坐标第i个,纵坐标第j个二维栅格的栅格向量角,x0,y0是此刻无人机中心点(VCP)的绝对位置坐标,xi,yj是该二维栅格的绝对位置坐标(即,二维栅格中心点的绝对位置坐标)。具体的,根据栅格向量值和栅格向量角确定其对应的二维栅格的栅格向量。
S218、将活动窗口分区并计算每一区的障碍密度。
具体的,将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度,区域障碍密度的计算方法为,根据角分辨率,对活动窗口进行区域划分,若选择角分辨率α,则分区后得到的区域总数n=360°/α,本申请中α=5°,即,有72个区域。将每一区域内的栅格向量的栅格向量值求和得到第三和值,将第三和值确定为每一区域障碍密度值。通过如下公式计算区域障碍密度值:
hk=∑u,vmu,v (4)
公式(4)中,k指的是区域标号,即,本申请中k的取值为0,1,2,…,71,hk指的是第k个区域障碍密度值,mu,v指的是第k个区域内的某一个栅格向量的栅格向量值。则,hk求取的是第k个区域的所有的栅格向量的栅格向量值之和。
S219、障碍密度是否小于阈值。
具体的,判断区域障碍密度是否小于障碍密度阈值。
S220、将该区作为候选区。
具体的,选择区域障碍密度小于障碍密度阈值的数量最多的连续区域作为候选区域。预设某一障碍密度阈值τ,将障碍密度低于该障碍密度阈值的区域,称为“候选区”。当有连续的Smax(实验中Smax=18)个候选区存在时,称它们为“宽谷”;否则称之为“窄道”。
S221、确定运动方向。
具体的,计算候选区域两端的栅格向量的栅格向量角的和值,记为第四和值,将第四和值的一半确定为目标方向。通过如下公式计算目标方向:
公式(5)中,θ指的是目标方向,βl指的是候选区域最左端的栅格向量的栅格向量角,βr指的是候选区域最右端的栅格向量的栅格向量角。
S222、树莓派将方向信息发送至飞控,飞控控制无人机按照运动方向飞行实现避障动作。
S223、避障动作完成后无人机依旧按照规划的最优路线飞行及避障直至完成规划任务。
具体的,依据目标路径飞行,当遇到障碍时,按照目标方向进行躲避,进而确定无人机的实际飞行路径。
请参阅图6,图6示出了本申请实施例所提供的一种无人机***的结构示意图。如图6所示,无人机***10包括:检测模块101、避障模块102、控制模块103、定位模块104、飞机控制***105、通讯模块106、执行模块107、电源模块108。无人机***10执行上述的无人机控制路径优化方法。检测模块101由气压计、电子罗盘、惯性测量单元构成。其中,气压计的作用是通过测量大气压强变化来确定无人机在空中飞行时的高度,电子罗盘的功能在于协助飞行器测定方位与勘察地形,而惯性测量单元是一种结合加速度计和陀螺仪(有时还有磁力计)来测量和报告无人机的特定力、角速度及其周围磁场的电子装置;避障模块102由激光雷达和深度实感摄像头构成。其中激光雷达利用一种通过脉冲激光照射物体并用传感器测量反射脉冲返回时间来测量探测到自身与物体距离,并且能够使用紫外线、可见光或近红外光对物体成像。深度实感摄像头亦能可以测量物体到相机距离,且相比较传统的相机,深度相机在功能上添加了一个深度测量,从而更方便准确的感知周围的环境及变化。这两种设备为无人机实现避障功能提供了重要的环境数据;控制模块103主要由机载计算机组成,机载计算机是为航天航空专门设计制作的一种特种计算机,也称航空计算机,其功能在于能对飞行器在飞行过程中接收到的各类指令和操纵进行测量、处理、传递、显示和控制;定位模块104主要分为室外定位以及室内定位,室外定位采用的是我国科研人员自主研发的北斗导航***以及美国GPS组成的双导航模块,目的是提高无人机在室外的定位精度和抗干扰能力,而室内定位采用的是红外定位装置结合双目视觉摄像头以及超声波定位装置,这使得无人机在各种定位信号弱、干扰信号强的室内环境下仍能较准确地确定自身方位并完成预先规划的任务;飞机控制***105是指能够稳定无人机飞行姿态,并能控制无人机自主或半自主飞行的控制***,是无人机完成起飞、空中飞行、执行任务和返场回收等整个飞行过程的核心***,被称为无人机的大脑,是无人机中最关键的模块;通讯模块106包括数传模块和图传模块。数传模块采用低功耗设计,功能是及时将获取到的数据信息通过MAVLINK协议进行传输到地面指挥中心,而图传模块作用是利用无人机实现实时远程视频监控,二者均有利于地面控制中心针对当前环境做出下一步决策;执行模块107由4个相同型号的电机构成,作用是执行飞机控制***105提供的动作指令,进而改变无人机的姿态、速度及方向,为完成预定任务奠定重要基础;电源模块108分成控制供电和动力供电这两个部分,其作用是给此无人机***平台各模块正常工作提供能量保障。
表1
表1为无人机***硬件种类及数量表。
具体的,表1中的与无人机相关的硬件按照无人机组装教程和各种模块部件的官方安装教程进行组装,组装过程中应反复对各部件的正负极接线、接口位置、安装位置等细节进行仔细检查,确认无误后便可以对组装好的无人机进行调试。
具体的,无人机的调试方法为:首先在个人笔记本电脑PC(本***平台用到的电脑为:联想Thinkpad T14 Gen 1,内存24G,硬盘1T)安装mission planner地面站,其次利用数据线将无人机飞控与PC端USB接口进行连接,在给无人机飞控烧写稳定版本的APM固件后,最后通过在地面站设置正确的端口及波特率连接无人机飞控,此时无人机的各个模块对应的部件启用以及参数设置可通过此地面站软件进行调整和修改。图7为所应用的无人机***平台实物示意图。
具体的,仿真平台的搭建方法为:上一步调试好无人机只是解决无人机能够正常通过遥控控制或者数传平台等人为操作性强的操纵方式飞行,此时无人机的自主性并不够强,本***平台通过在树莓派4B机载计算机安装Dronekit(Dronekit是一个用于控制无人机的Python库,Dronekit提供了用于控制无人机的API,其代码独立于飞控)并通过串口直接连接方式使得树莓派与飞控板通讯,进而实现用代码控制无人机的目的。为了避免无人机发生失控造成危险,利用仿真平台验证所编写的代码的正确性是不可或缺的一步,为此本无人机***搭建了安装有ArduPilot仿真开发环境和三维仿真平台gazebo的Ubuntu16.04***平台,树莓派编写的程序便可以通过笔记本电脑上的仿真平台进行验证。
具体的,仿真测试及实际飞行验证方法为:本发明主要利用遗传算法结合VFH避障算法来实现无人机在面对室内外各种复杂障碍物情况下最优路径的选择。设计的路径优化方式用到的遗传算法的参数为:1、种群大小:20~80;2、遗传算法的终止迭代次数:100~1000;3、交叉概率:0.1~0.99;4、变异概率:0.0001~0.1。此外路径优化方法中VFH避障算法中的选择角分辨率α=5°。
请参阅图7,图7示出了本申请实施例所提供的室外路径规划示意图。在室外情况下,本***利用GPS与北斗双模定位模块ATK1218-BD进行室外定位,相较其它单定位模块,本申请的定位精度有较为明显的提升,本申请的室外定位模块实时定位精度可达1到3米,非实时定位甚至可以分辨出毫米之差,定位误差能降低到厘米级,这完全满足室外规划任务需求。
具体的,无人机***平台室外规划的具体步骤如下:步骤一、利用树莓派4B安装的Dronekit编写基于遗传算法及VFH避障算法的python代码,并反复利用三维仿真平台进行验证,在确保所编写代码无误情况下,将仿真测试的python代码中编写的连接地址由树莓派IP地址改为实际树莓派与无人机飞控的连接端口;步骤二、在地面站软件中的参数表设置相应参数使室外定位模块正常启动,并开启此无人机***平台除定位模块的其它模块,待无人机各模块正常启动后将无人机放置到起飞点;步骤三、将PC与树莓派连接到同一个局域网(局域网的选择视实际规划任务的距离范围而定);步骤四、在PC的Ubuntu16.04终端利用ssh命令连接树莓派,在此终端进入测试代码所在目录,输入指令执行编写好的python代码,此时无人机便能按照代码的逻辑完成解锁、起飞、执行最优路径、避障直至到达终点、降落、上锁的实际飞行任务。这便是路径优化方式的室外路径规划过程。
请参阅图8,图8示出了本申请实施例所提供的室内路径规划示意图。与室外不同的是,由于本无人机***平台在室内接收到的GPS及北斗信号较弱以致无法正常启用室外定位模块进行定位,故启用红外装置、双目视觉摄像头以及超声波定位装置来实现室内定位,定位误差为厘米级,其它模块的启用以及操作流程与室外路径规划基本一致。
具体的,本发明的创新性在于提出了一种基于遗传算法并结合VFH避障策略的路径优化方式并将此方法应用于所提出的无人机平台,使此无人机平台能够按照该路径优化方式实现在室内外复杂环境下的路径优化。路径优化方式比传统的路径寻优方式适用性更强、寻找的最优路线更加合理。
具体的,本发明至少具有以下优点:第一、采用遗传算法思想进行路径规划,该算法相较于其他传统算法,由于其独特的搜索方式使得无人机在路径搜索过程中能够有效地避开局部最优值的陷阱,为寻找全局最优值提供了保障。第二、采用遗传算法思想在寻找最优路径时,与传统的启发式搜索、枚举式搜索相比,具有更好的收敛性、更高的计算精度、更短的计算时间以及更高的鲁棒性。第三、遗传算法可以结合其他算法,如粒子群算法、蚁群算法、免疫算法等其他一些路径规划算法或者利用可视图法、人工势场法以及VFH等避障算法更好地实现无人机在面对各种复杂情况下的最优路径选择。第四、采用VFH避障算法,该算法相较于可视图法、人工势场法等其他常见避障算法,对传感器等一些硬件设备的精度要求较低,更具有灵活性、自主性。且在面对狭隘的路径或者相邻障碍物间的距离过近时能够更好地发现可行的最佳路径,避免无人机在搜索过程中遗漏掉最优路径的情况。第五、该平台的室外定位***采用的是我国自主研发的北斗导航模块以及美国的GPS模块共同构成的双导航模块,对比大多数无人机研究机构采用的GPS单导航模块而言具备更高的定位精度以及更强的抗干扰能力,为无人机进行精确的室外路径规划奠定了基础。第六、该平台的室内定位***采用的是双目视觉摄像头搭配红外装置以及超声波定位模块综合实现室内定位,大大提高了室内定位精度,为无人机实现室内路径规划提供保障。第七、该无人机***平台在满足静态全局规划的基础上,还能满足动态局部规划,为解决各类复杂的环境情况下最优路径提供了有利条件。
请参阅图9,图9示出了本申请实施例所提供的一种无人机控制路径优化装置的结构示意图。如图9所示,无人机控制路径优化装置20包括:第一获取模块201、第一计算模块202、第二获取模块203、第三获取模块204、第一确定模块205、第二计算模块206、第二确定模块207、第三确定模块208和第四确定模块209。第一获取模块201,用于获取无人机的路径节点及数量,将路径节点进行随机排列产生随机路径;第一计算模块202,用于计算随机路径的适应度值,根据适应度值选择目标路径;第二获取模块203,用于获取无人机按照目标路径飞行时的障碍环境数据;第三获取模块204,用于将无人机的实际飞行位置作为中心点,依据障碍环境数据生成活动窗口,将活动窗口划分为多个连续的二维栅格,并获取每个二维栅格的障碍概率值;第一确定模块205,用于根据障碍概率值确定其对应的二维栅格的栅格向量;栅格向量包括栅格向量值和栅格向量角;第二计算模块206,用于将活动窗口进行区域划分,根据区域内的栅格向量的栅格向量值,计算区域的区域障碍密度;第二确定模块207,用于根据区域障碍密度确定目标区域;第三确定模块208,用于根据目标区域确定目标方向;第四确定模块209,用于依据目标路径飞行,当遇到障碍时,按照目标方向进行躲避,进而确定无人机的实际飞行路径。因此装置的实施可以参见无人机控制路径优化方法的实施,重复之处不再赘述。
基于同一申请构思,参见图10,图10所示,为本申请实施例提供的一种电子设备30的结构示意图,包括:处理器301、存储器302和总线303,存储器302存储有处理器301可执行的机器可读指令,当电子设备30运行时,处理器301与存储器302之间通过总线303进行通信,机器可读指令被处理器301运行时执行如上述实施例中任一的无人机控制路径优化方法的步骤。
基于同一申请构思,本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例提供的无人机控制路径优化方法的步骤。具体的,存储介质能够为通用的存储介质,如移动磁盘、硬盘等,存储介质上的计算机程序被运行时,能够执行上述无人机控制路径优化方法,通过基于遗传算法并结合VFH避障策略的路径优化方法并将此方法应用于所提出的无人机平台的方式,解决现有技术中无人机面对复杂的环境情况下不适用于动态规划的技术问题,达到使此无人机平台能够实现在室内外复杂环境下的路径优化的技术效果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的几个实施例中,应理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者技术方案的部分可以以软件产品的形式体现出来,计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种无人机控制路径优化方法,其特征在于,所述路径优化方法,包括:
获取无人机飞行途中需经过的路径节点及数量,将所述路径节点进行随机排列产生随机路径;
计算所述随机路径的适应度值,根据所述适应度值选择目标路径;
获取所述无人机按照所述目标路径飞行时的障碍环境数据;
将所述无人机的实际飞行位置作为中心点,依据所述障碍环境数据生成活动窗口,将所述活动窗口划分为多个连续的二维栅格,并获取每个所述二维栅格的障碍概率值;所述活动窗口是以无人机的激光雷达传感器和深度实感摄像头所能测的最远距离的两倍为边长的正方形区域;
根据所述障碍概率值确定其对应的所述二维栅格的栅格向量;所述栅格向量包括栅格向量值和栅格向量角;
将所述活动窗口进行区域划分,根据区域内的所述栅格向量的所述栅格向量值,计算所述区域的区域障碍密度;
根据所述区域障碍密度确定目标区域;
根据所述目标区域确定目标方向;
依据所述目标路径飞行,当遇到障碍时,按照所述目标方向进行躲避,进而确定所述无人机的实际飞行路径;
所述计算所述随机路径的适应度值,根据所述适应度值选择目标路径,包括:
确定组成所述随机路径的所述路径节点的序号;
根据所述序号对所述随机路径进行实数编码;
计算所述实数编码后的所述随机路径中的相邻路径节点距离和值的倒数,记为第一和值,将所述第一和值确定为所述随机路径的适应度值;
选择所述适应度值最小的所述随机路径作为目标随机路径;
判断此时的迭代次数是否等于迭代次数阈值;
若所述迭代次数等于所述迭代次数阈值,则确定所述目标随机路径为目标路径;
栅格向量值通过如下公式进行计算:
mi,j=(ci,j *)×(a-b×di,j)
该公式中,mi,j表示的是横坐标第i个,纵坐标第j个的栅格向量的栅格向量值,a,b是正常数;ci,j *是活动窗口内横坐标第i个,纵坐标第j个二维栅格的障碍概率值;di,j是该横坐标第i个,纵坐标第j个二维栅格到无人机的位置的距离值;
栅格向量角通过如下公式进行计算:
该公式中,βi,j指的是横坐标第i个,纵坐标第j个二维栅格的栅格向量角,x0,y0是无人机的绝对位置坐标,xi,yj是该横坐标第i个,纵坐标第j个二维栅格的中心点的绝对位置坐标。
2.根据权利要求1所述的无人机控制路径优化方法,其特征在于,所述判断此时的迭代次数是否等于迭代次数阈值之后,还包括:
将所述随机路径确定为第一路径,若所述迭代次数不等于迭代次数阈值,将所述第一路径的所述适应度值求和得到第二和值,计算所述第一路径的所述适应度值与所述第二和值的比值,将所述比值确定为所述第一路径的适应度概率;
根据所述适应度概率,通过轮盘赌法对所述第一路径中的随机路径进行多轮选择,对选择出的随机路径通过单点交叉、逆转变异操作生成第二路径;
计算所述第二路径的所述适应度值,根据所述适应度值选择所述目标路径,将所述迭代次数加一,将所述第二路径作为所述第一路径,判断此时的迭代次数是否等于迭代次数阈值,若满足判断条件则结束循环。
3.根据权利要求2所述的无人机控制路径优化方法,其特征在于,所述根据所述适应度概率,通过轮盘赌法对所述第一路径中的随机路径进行多轮选择,对选择出的随机路径通过单点交叉、逆转变异操作生成第二路径,包括:
根据所述第一路径的适应度概率构造适应度概率轮盘,此轮盘区间由第一路径的各随机路径的适应度概率累加组成;
随机生成第一随机数,所述第一随机数的大小决定第二路径中的随机路径的选择;
随机生成第二随机数,判断所述第二随机数是否大于预置交叉概率;
若所述第二随机数大于所述预置交叉概率,则将所述第一路径中的所述随机路径两两配对组成路径对,随机选择所述路径对的交叉点;
随机选择路径对中的一个所述随机路径确定为第一父代路径,将所述路径对中的另一个所述随机路径确定为第二父代路径,复制所述第一父代路径的第一位编码至所述交叉点的前一位编码,将复制的所述第一父代路径的部分编码作为第一前部分路径;再从所述第二父代路径的第一个编码开始扫描,若所述第一前部分路径的编码中没有出现过所述第二父代路径中的编码,则将其添加至所述第一前部分路径,直至所述第二父代路径全部扫描完成,则将全部添加完成的所述第一前部分路径确定为第一子代路径;
复制所述第二父代路径的第一位编码至所述交叉点的前一位编码,将复制的所述第二父代路径的部分编码作为第二前部分路径;再从所述第一父代路径的第一个编码开始扫描,若所述第二前部分路径的编码中没有出现过所述第一父代路径中的编码,则将其添加至所述第二前部分路径,直至所述第一父代路径全部扫描完成,则将全部添加完成的所述第二前部分路径确定为第二子代路径;
将所述第一子代路径与所述第二子代路径确定为交叉路径;
随机生成第三随机数,判断所述第三随机数是否大于预置变异概率;
若所述第三随机数大于所述预置变异概率,则随机选择所述交叉路径的两个逆转点,将两个逆转点对应的编码位置互换,确定为经逆转变异后的随机路径将作为所述第二路径中的路径。
4.根据权利要求3所述的无人机控制路径优化方法,其特征在于,所述随机生成第二随机数,判断所述第二随机数是否大于预置交叉概率之后,还包括:
若所述第二随机数不大于所述预置交叉概率,则将所述第一路径确定为所述交叉路径。
5.根据权利要求3所述的无人机控制路径优化方法,其特征在于,所述随机生成第三随机数,判断所述第三随机数是否大于预置变异概率之后,还包括:
若所述第三随机数不大于所述预置变异概率,则将所述交叉路径确定为第二路径。
6.根据权利要求1所述的无人机控制路径优化方法,其特征在于,所述根据所述障碍概率值确定其对应的所述二维栅格的栅格向量,包括:
计算所述二维栅格的中心点到所述无人机的位置的距离值,计算第一正常数与所述距离值的乘积记为第一乘积,将第二正常数与所述第一乘积做差值,计算所述二维栅格对应的所述障碍概率值的平方与所述差值的乘积记为第二乘积,将所述第二乘积确定为所述栅格向量值;
根据所述无人机的绝对位置坐标与所述二维栅格的绝对位置坐标通过反正切函数,确定所述栅格向量角;
根据所述栅格向量值和所述栅格向量角确定其对应的所述二维栅格的所述栅格向量。
7.根据权利要求1所述的无人机控制路径优化方法,其特征在于,将所述活动窗口进行区域划分,根据区域内的所述栅格向量的所述栅格向量值,计算所述区域的区域障碍密度,包括:
根据角分辨率,对所述活动窗口进行区域划分;
将每一区域内的所述栅格向量的栅格向量值求和得到第三和值,将所述第三和值确定为每一区域障碍密度值。
8.根据权利要求1所述的无人机控制路径优化方法,其特征在于,所述根据所述区域障碍密度确定目标区域,包括:
选择所述区域障碍密度小于障碍密度阈值的区域作为候选区域;所述候选区域包括至少一个所述区域;
选择包括连续数量最多的所述区域的所述候选区域确定为所述目标区域。
9.根据权利要求1所述的无人机控制路径优化方法,其特征在于,所述根据所述目标区域确定目标方向,包括:
计算所述目标区域两端的所述栅格向量的栅格向量角的和值,记为第四和值,将所述第四和值的一半确定为目标方向。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131532.5A CN113778119B (zh) | 2021-09-26 | 2021-09-26 | 一种无人机控制路径优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111131532.5A CN113778119B (zh) | 2021-09-26 | 2021-09-26 | 一种无人机控制路径优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778119A CN113778119A (zh) | 2021-12-10 |
CN113778119B true CN113778119B (zh) | 2022-10-21 |
Family
ID=78853659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111131532.5A Active CN113778119B (zh) | 2021-09-26 | 2021-09-26 | 一种无人机控制路径优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778119B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115388719B (zh) * | 2022-08-24 | 2024-01-16 | 天津津航计算技术研究所 | 一种基于激光制导武器的飞行器激光照射航路规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
CN105807769A (zh) * | 2016-03-09 | 2016-07-27 | 哈尔滨工程大学 | 无人水下航行器ivfh避碰方法 |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
CN110345948A (zh) * | 2019-08-16 | 2019-10-18 | 重庆邮智机器人研究院有限公司 | 基于神经网络与q学习算法结合的动态避障方法 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
CN111142374A (zh) * | 2020-01-03 | 2020-05-12 | 江西理工大学 | 一种悬挂式永磁磁悬浮列车自动驾驶***的速度控制方法 |
CN112506196A (zh) * | 2020-12-07 | 2021-03-16 | 合肥工业大学 | 基于先验知识的机器人避障方法和*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107924190A (zh) * | 2015-06-23 | 2018-04-17 | 阿肯技术公司 | 用于由再充电站支持以执行服务的多个混合无人飞行器的自主操作的*** |
CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
-
2021
- 2021-09-26 CN CN202111131532.5A patent/CN113778119B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103926925A (zh) * | 2014-04-22 | 2014-07-16 | 江苏久祥汽车电器集团有限公司 | 一种基于改进的vfh算法的定位与避障方法及机器人 |
CN105807769A (zh) * | 2016-03-09 | 2016-07-27 | 哈尔滨工程大学 | 无人水下航行器ivfh避碰方法 |
CN108762264A (zh) * | 2018-05-22 | 2018-11-06 | 重庆邮电大学 | 基于人工势场与滚动窗口的机器人的动态避障方法 |
CN110345948A (zh) * | 2019-08-16 | 2019-10-18 | 重庆邮智机器人研究院有限公司 | 基于神经网络与q学习算法结合的动态避障方法 |
CN110609557A (zh) * | 2019-10-09 | 2019-12-24 | 中国人民解放军陆军装甲兵学院 | 无人车混合路径规划算法 |
CN111142374A (zh) * | 2020-01-03 | 2020-05-12 | 江西理工大学 | 一种悬挂式永磁磁悬浮列车自动驾驶***的速度控制方法 |
CN112506196A (zh) * | 2020-12-07 | 2021-03-16 | 合肥工业大学 | 基于先验知识的机器人避障方法和*** |
Non-Patent Citations (2)
Title |
---|
Obstacle Avoidance for Unmanned Undersea Vehicle in Unknown Unstructured Environment;Yan Zheping.etc;《Mathematical Problems in Engineering》;20131124;全文 * |
密集障碍环境下移动机器人路径规划算法研究;江浩恒;《中国优秀硕士学位论文全文数据库》;20210515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113778119A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107238388B (zh) | 多无人机任务分配与航迹规划联合优化方法及装置 | |
Li et al. | Path planning technologies for autonomous underwater vehicles-a review | |
CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
Jones et al. | Path-planning for unmanned aerial vehicles with environment complexity considerations: A survey | |
Obermeyer | Path planning for a UAV performing reconnaissance of static ground targets in terrain | |
Han et al. | Grid-optimized UAV indoor path planning algorithms in a complex environment | |
Özalp et al. | Optimal UAV path planning in a 3D threat environment by using parallel evolutionary algorithms | |
CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
CN109508035A (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
Wang et al. | Efficient autonomous exploration with incrementally built topological map in 3-D environments | |
Saulnier et al. | Information theoretic active exploration in signed distance fields | |
CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及*** | |
CN104992466B (zh) | 一种三维场景的即时寻径方法 | |
CN109240279A (zh) | 一种基于视觉感知和空间认知神经机制的机器人导航方法 | |
CN113778119B (zh) | 一种无人机控制路径优化方法 | |
CN117406771B (zh) | 一种基于四旋翼无人机的高效自主探索方法、***及设备 | |
Kumar et al. | Region coverage-aware path planning for unmanned aerial vehicles: A systematic review | |
Lei et al. | Bio-inspired intelligence-based multi-agent navigation with safety-aware considerations | |
Bai et al. | Research of environmental modeling method of coal mine rescue snake robot based on information fusion | |
Christl | Vision-Based Autonomous Drone Control using Supervised Learning in Simulation | |
Beard | Environment Search Planning Subject to High Robot Localization Uncertainty | |
Zeno et al. | A novel neurophysiological based navigation system | |
Mugnai et al. | Towards Autonomous Firefighting UAVs: Online Planners for Obstacle Avoidance and Payload Delivery | |
Singh et al. | Outdoor Localization of Robot with RSSI for Iot Connected Smart Devices | |
Zheng et al. | The Navigation Based on Hybrid A Star and TEB Algorithm Implemented in Obstacles Avoidance |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240429 Address after: Room 501-01, Building 3, No. 99 Fuda Road, Ludu Street, Taicang City, Suzhou City, Jiangsu Province, 215412 Patentee after: Jiangsu Jinjing Intelligent Control Technology Co.,Ltd. Country or region after: China Address before: 341000 No. 86 Hongqi Avenue, Jiangxi, Ganzhou Patentee before: Jiangxi University of Science and Technology Country or region before: China |
|
TR01 | Transfer of patent right |