CN114594785A - 基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 - Google Patents
基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 Download PDFInfo
- Publication number
- CN114594785A CN114594785A CN202210049148.9A CN202210049148A CN114594785A CN 114594785 A CN114594785 A CN 114594785A CN 202210049148 A CN202210049148 A CN 202210049148A CN 114594785 A CN114594785 A CN 114594785A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- constraint
- obstacle avoidance
- optimization
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012546 transfer Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012761 high-performance material Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model Methods 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
- 238000011160 research 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,属于航空航天技术领域。本发明实现方法为:构建最短时间的最优控制问题,将其转为固定时间最优控制问题;引入无量纲状态量θ对航向角的正切值进行替换,引入约束将动力学与目标函数中的非凸项转至此约束中,定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V;引入整型变量ηj,使二维平面任意形状的避障约束成为线性约束;对产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理;迭代求解该混合整数二阶锥优化问题,实现无人机避障实时轨迹最优规划。本发明具有如下优点:(1)求解混合整数二阶锥优化问题,规划高效;(2)对障碍物的形状没有严格的限制;(3)能够实现时间最优;(4)规划可靠性高。
Description
技术领域
本发明涉及一种无人机避障实时轨迹规划方法,尤其涉及适用于考虑最短时间指标下的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,属于航空航天技术领域。
背景技术
随着自主控制、通信技术、和高性能材料的快速发展,无人机已经广泛地应用于各种任务,其中较为典型的领域有军事侦察、消防安全、野外救援等等。上述任务对无人机的自主决策以及飞行能力提出较高的要求。尤其针对自主飞行任务,无人机必须要具备在线避障的能力。所谓无人机避障能力是指无人机在飞行过程中能够快速重复地规划无碰撞的可行甚至是最优的飞行轨迹。这就要求无人机能够针对不同形状的障碍物规划出一条安全且具备一定最优性的飞行轨迹。通常,优化方法可用来解决上述轨迹规划问题。然而,受限于数学模型的构建,目前现有的研究与技术大都局限于针对椭圆或圆形障碍的无人机轨迹规划,这使得此类技术的应用具有局限性。为了解决二维任意形状避障问题,一种基于混合整数的线性规划方法(MILP)考虑将整数变量引入,并取得了良好的效果。然而,此类方法将会引入大量的整数变量,这使得整个优化问题的求解效率较低,通常难以满足实际应用时计算效率的要求。因此,本专利提出的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,不仅能够适用于针对二维任意形状障碍物的无人机轨迹规划,相比于MILP方法,还能够有效地减少整数变量的个数,进而满足无人机在线避障规划的任务需求。
在已发展的关于无人机轨迹规划方法中在先技术[1](参见:王祝, 刘莉,龙腾,等.基于罚函数序列凸规划的多无人机轨迹规划[J].航空学报,2016,37(010):3149-3158.)考虑了具有非线性运动约束和非凸路径约束的无人机轨迹规划问题,建立了圆形障碍物的数学表达,并使用序列凸优化算法对无人机轨迹规划问题求解,以更好地权衡最优性与时效性,提升无人机避障能力,但是仅考虑了圆形障碍物,使得方法应用具有局限性。
在先技术[2](参见:Maia M H,RKHOn the use of mixed-integerlinear programming for predictive control with avoidance constraints[J].International Journal ofRobust&Nonlinear Control,2010, 19(7):822-828.)该方法引入整数变量构建了针对不规则障碍(多项式障碍物)的无人机轨迹规划问题,并取得了良好的避障效果,获得了一条安全且具有最优性的飞行轨迹。然而,该方法引入了过多的整数变量降低了问题求解效率,此外,考虑了线性无人机模型使得此研究的方法无法适用非线性无人机模型。
因此,对于无人机避障实时轨迹规划,不仅仅需要考虑二维任意形状障碍物的构建,还要能够减少问题中整型变量的个数,才能够提升优化问题的求解效率,进而使得该问题的应用场景有明显的扩展。
发明内容
本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法要解决的技术问题是:在二维任意形状避障约束下,考虑无人机二维非线性运动模型,并基于混合整数二阶锥优化实现无人机避障实时轨迹规划;具有如下优点:(1)求解混合整数二阶锥优化问题,规划高效;(2)对障碍物的形状没有严格的限制;(3)能够实现时间最优;(4)规划可靠性高。
本发明的目的是通过下述技术方案实现的:
本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,首先建立以无人机当前位置为原点的惯性坐标系;在以无人机当前位置为原点的惯性坐标系下建立无人机的运动学方程以及约束条件,并构建最短时间的最优控制问题;使用横坐标x作为自变量,将最短时间最优控制问题转为固定时间最优控制问题;并引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V;通过引入整型变量ηj,使二维平面任意形状的避障约束成为包含整数变量的线性约束;对产生的非凸不等式约束 |u|≤ωmaxδ3/V进行线性化处理并得到混合整数二阶锥优化问题;迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;当只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划。
本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,包括如下步骤:
步骤一:建立以无人机当前位置为原点的惯性坐标系。
选择以无人机当前位置为原点O来建立惯性坐标系,x轴指向目标点,y轴与x轴构成右手直角坐标系,即完成以无人机当前位置为原点的惯性坐标系的建立。
步骤二:在步骤一建立的惯性坐标系下建立无人机的运动学方程以及约束条件,并构建最短时间的最优控制问题。所述约束条件包括控制约束、终端约束、二维平面任意形状的避障约束,通过集合的形式建立二维平面任意形状的避障约束,使本发明适用于二维平面任意形状障碍物规划。
步骤2.1:在步骤一建立的惯性坐标系下建立无人机的运动学方程;建立控制约束、终端约束,并通过集合的形式建立二维平面任意形状的避障约束,进而使本发明适用于二维平面任意形状障碍物规划。
无人机在该惯性坐标系下的运动学方程表示为:
其中x表示无人机的横坐标位置,y表示无人机的纵坐标位置,θ代表无人机的航向角,V表示无人机的飞行速度(常数),ω代表无人机的航向角的变化率,是控制量。
无人机的控制约束如下:
|ω|≤ωmax (2)
其中,ωmax表示所允许的最大航向角速率。
使用集合的形式表示无人机的避障约束如下:
其中,X表示整个二维平面空间,Xo,j表示被第j个障碍物占据的平面空间,M表示障碍物的总个数。
无人机的终端约束如下:
x(tf)=xf,y(tf)=yf,θ(tf)=θf (4)
其中,tf表示无人机的飞行时间,xf、yfθf分别表示给定的终端横坐标、纵坐标以及航向角。
步骤2.2:建立最短时间的最优控制问题。
考虑时间最短的优化指标,得到如下最优控制问题
其中,tf为飞行时间是需要优化求解的变量。
步骤三:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理;并引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高优化效率。
步骤3.1:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理。
在最短时间问题以及步骤一建立的惯性坐标系下,横坐标x是单调递增的。选择横坐标x作为自变量,运动学方程变为:
其中,y′和θ′表示变量y和θ对横坐标x的导数。式的形式不发生变化。
式中的避障约束变为:
y(xf)=yf,θ(xf)=θf (8)
式中的优化目标变为:
步骤3.2:引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高优化效率。
利用式(10),式中运动学方程变为:
此时式中运动学变为:
而式中的优化目标变为下列线性形式:
通过公式定义变量u如下所示:
u:=δ3ω/V (16)
利用式,式中的动力学变为下列线性形式:
通过式,式中的非凸项被转移至式中
|u|≤ωmaxδ3/V (18)
而式中的终端约束变为
步骤四:在步骤三的使用横坐标x作为自变量后,通过引入整型变量ηj,使步骤二中的二维平面任意形状的避障约束成为包含整数变量的线性约束,进一步提高规划求解效率。
对于任意一个障碍物j,通过引入整数变量ηj,二维平面任意形状的避障约束式变为线性约束(20),进一步提高规划求解效率。
其中,D是一个足够大的常数。
式是凸的,即得到松弛问题如下:
步骤六:对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,离散化后得到混合整数二阶锥优化问题;迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划,能够用于提高规划效率。
对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,在给定的初值δ(0)后,式能够被线性化为:
离散点的数量为(N+1),在本问题中的优化变量包括: y=[y0y1...yN]T,u=[u0u1...uN]T,δ=[δ0δ1...δN]T,η=[η0η1...ηM]T。我们定义变量离散化后得到混合整数二阶锥优化问题如下:
其中,c,p和b是带有恰当维度的向量,Θ和H是带有恰当维度的矩阵,K是二阶锥的笛卡尔乘积。gm代表式中的约束。问题 Problem D(δ(0))是一个混合整数二阶锥优化问题,给定一个初始的剖面δ(0),迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划。
有益效果:
1、本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,使用横坐标x作为自变量,将建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理;并引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束 |u|≤ωmaxδ3/V,方便凸化处理,对过程约束进行松弛处理,得到约束的凸化形式,提高求解效率。
2、本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,在使用横坐标x作为自变量后,通过引入整型变量ηj,使二维平面任意形状的避障约束成为包含整数变量的线性约束,进一步提高规划求解效率。
3、本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,在建立约束条件过程中,通过集合形式建立二维平面任意形状的避障约束,使本发明适用于二维平面任意形状障碍物规划。
4、本发明公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划,能够用于提高规划效率与可靠性。
附图说明
图1是本发明步骤1中无人机坐标系建立的示意图;
图2是本发明基于混合整数二阶锥优化的无人机避障实时轨迹规划方法的流程图;
图3是本实施例中迭代求解和只求解一次时无人机的飞行轨迹;
图4是本实施例中迭代求解和只求解一次时无人机的航向角的变化曲线。
图5是本实施例中迭代求解和只求解一次时无人机的航向角速度的变化曲线。
具体实施方式
为了更好地说明本发明的目的和优点,下面通过对基于混合整数二阶锥优化的无人机避障实时轨迹规划方法进行仿真分析,对本发明做出详细解释。
实施例1:
如图2所示,本实施例公开的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,包括如下步骤:
步骤一:建立以无人机当前位置为原点的惯性坐标系。
选择以无人机当前位置为原点O来建立惯性坐标系,x轴指向目标点,y轴与x轴构成右手直角坐标系,即完成以无人机当前位置为原点的惯性坐标系的建立。
步骤二:在步骤一建立的惯性坐标系下建立无人机的运动学方程以及约束条件,并构建最短时间的最优控制问题。所述约束条件包括控制约束、终端约束、二维平面任意形状的避障约束,通过集合的形式建立二维平面任意形状的避障约束,使本发明适用于二维平面任意形状障碍物规划。
步骤2.1:在步骤一建立的惯性坐标系下建立无人机的运动学方程;建立控制约束、终端约束,并通过集合的形式建立二维平面任意形状的避障约束,进而使本发明适用于二维平面任意形状障碍物规划。
无人机在该惯性坐标系下的运动学方程表示为:
其中x表示无人机的横坐标位置,y表示无人机的纵坐标位置,θ代表无人机的航向角,V表示无人机的飞行速度(常数),ω代表无人机的航向角的变化率,是控制量。
无人机的控制约束如下:
|ω|≤ωmax (26)
其中,ωmax表示所允许的最大航向角速率。
使用集合的形式表示无人机的避障约束如下:
其中,X表示整个二维平面空间,Xo,j表示被第j个障碍物占据的平面空间,M表示障碍物的总个数。
无人机的终端约束如下:
x(tf)=xf,y(tf)=yf,θ(tf)=θf (28)
其中,tf表示无人机的飞行时间,xf、yfθf分别表示给定的终端横坐标、纵坐标以及航向角。
步骤2.2:建立最短时间的最优控制问题。
考虑时间最短的优化指标,可得到如下最优控制问题
其中,tf为飞行时间是需要优化求解的变量。
步骤三:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理;并引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高求解效率。
步骤3.1:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理。
在最短时间问题以及步骤一建立的惯性坐标系下,横坐标x是单调递增的。选择横坐标x作为自变量,运动学方程变为:
其中,y′和θ′表示变量y和θ对横坐标x的导数。式的形式不发生变化。式中的避障约束变为:
y(xf)=yf,θ(xf)=θf (32)
式中的优化目标变为:
步骤3.2:引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高求解效率。
利用式,式中运动学方程变为:
此时式中运动学变为:
而式中的优化目标变为下列线性形式:
通过公式定义变量u如下所示:
u:=δ3ω/V (40)
利用式,式中的动力学变为下列线性形式:
通过式,式中的非凸项被转移至式中:
|u|≤ωmaxδ3/V (42)
而式中的终端约束变为:
步骤四:在步骤三的使用横坐标x作为自变量后,通过引入整型变量ηj,使步骤二中的二维平面任意形状的避障约束成为包含整数变量的线性约束,进一步提高规划求解效率。
对于任意一个障碍物j,通过引入整数变量ηj,二维平面任意形状的避障约束式变为线性约束,进一步提高规划求解效率。
其中,D是一个足够大的常数。
式是凸的,即得到松弛问题如下:
步骤六:对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,离散化后得到混合整数二阶锥优化问题;迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划,能够用于提高规划效率。
对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,在给定的初值δ(0)后,式能够被线性化为:
离散点的数量为(N+1),在本问题中的优化变量包括: y=[y0y1...yN]T,u=[u0u1...uN]T,δ=[δ0δ1...δN]T,η=[η0η1...ηM]T。我们定义变量离散化后得到混合整数二阶锥优化问题如下:
其中,c,p和b是带有恰当维度的向量,Θ和H是带有恰当维度的矩阵,K是二阶锥的笛卡尔乘积。gm代表式中的约束。问题 Problem D(δ(0))是一个混合整数二阶锥优化问题,给定一个初始的剖面δ(0),迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划
表1无人机初始化设置
数值 | |
初始位置(x<sub>0</sub>,y<sub>0</sub>) | (0,0)m |
初始航向角θ<sub>0</sub> | 0° |
终端位置(x<sub>f</sub>,y<sub>f</sub>) | (110,0)m |
终端航向角θ<sub>f</sub> | 0° |
航向角速度的限制ω<sub>max</sub> | 20°/s |
在本技术中的步骤六中提到迭代求解该问题Problem D(δ(0))即可获得原最优控制问题的解,若只求解一次该问题可获得原问题的近似最优解。为了验证本方法在迭代求解的最优性以及只求解一次的计算效率等方面的优势,本方法设置了上述两种求解方式的仿真对比分析。
使用表1中无人机的初始化设置,利用迭代求解和只求解一次得到了如图3和图4的仿真结果,图3展示了无人机在两种求解方式下的飞行轨迹,可以看到无论是哪种求解方式,无人机均能够有效地完成避障,并成功地到达指定的终端状态,这验证了此发明的有效性。此外,图4和图5分别展示了无人机的航向角以及航向角速度的变化曲线,可以看到求解一次得到的解的确是近似最优解,只有航向角速度在饱和处存在些许差异。这验证了本发明两种求解方式的正确性。此外,表2统计了迭代求解和只求解一次得到的飞行时间,计算时间以及迭代次数,可见只求解一次所耗时间最少,计算效率最高。若用户想要获得最优解可采用迭代方式求解,若想要提高求解效率,可以只求解一次即可获得近似最优解。
表2迭代求解和只求解一次得到的飞行时间,计算时间以及迭代次数
迭代求解 | 只求解一次 | |
飞行时间t<sub>f</sub>(s) | 23.95 | 23.98 |
计算时间t<sub>c</sub>(s) | 0.652 | 0.151 |
迭代次数 | 3 | 1 |
以上所述的具体描述,对发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例,用于解释本发明,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,其特征在于:包括如下步骤,
步骤一:建立以无人机当前位置为原点的惯性坐标系;
步骤二:在步骤一建立的惯性坐标系下建立无人机的运动学方程以及约束条件,并构建最短时间的最优控制问题;所述约束条件包括控制约束、终端约束、二维平面任意形状的避障约束,通过集合的形式建立二维平面任意形状的避障约束;
步骤三:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理;并引入无量纲状态量θ对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高优化效率;
步骤四:在步骤三的使用横坐标x作为自变量后,通过引入整型变量ηj,使步骤二中的二维平面任意形状的避障约束成为包含整数变量的线性约束,进一步提高规划求解效率;
步骤六:对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,离散化后得到混合整数二阶锥优化问题;迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划,能够用于提高规划效率。
2.如权利要求1所述的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,其特征在于:步骤一实现方法为,
选择以无人机当前位置为原点O来建立惯性坐标系,x轴指向目标点,y轴与x轴构成右手直角坐标系,即完成以无人机当前位置为原点的惯性坐标系的建立。
3.如权利要求2所述的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,其特征在于:步骤二实现方法为,
步骤2.1:在步骤一建立的惯性坐标系下建立无人机的运动学方程;建立控制约束、终端约束,并通过集合的形式建立二维平面任意形状的避障约束,进而使本发明适用于二维平面任意形状障碍物规划;
无人机在该惯性坐标系下的运动学方程表示为:
其中x表示无人机的横坐标位置,y表示无人机的纵坐标位置,θ代表无人机的航向角,V表示无人机的飞行速度,ω代表无人机的航向角的变化率,是控制量;
无人机的控制约束如下:
|ω|≤ωmax (2)
其中,ωmax表示所允许的最大航向角速率;
使用集合的形式表示无人机的避障约束如下:
其中,X表示整个二维平面空间,Xo,j表示被第j个障碍物占据的平面空间,M表示障碍物的总个数;
无人机的终端约束如下:
x(tf)=xf,y(tf)=yf,θ(tf)=θf (4)
其中,tf表示无人机的飞行时间,xf、yfθf分别表示给定的终端横坐标、纵坐标以及航向角;
步骤2.2:建立最短时间的最优控制问题;
考虑时间最短的优化指标,得到如下最优控制问题
其中,tf为飞行时间是需要优化求解的变量。
4.如权利要求3所述的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,其特征在于:步骤三实现方法为,
步骤3.1:使用横坐标x作为自变量,将步骤二建立的最短时间最优控制问题转为固定时间最优控制问题,便于离散化处理;
在最短时间问题以及步骤一建立的惯性坐标系下,横坐标x是单调递增的;选择横坐标x作为自变量,运动学方程变为:
其中,y′和θ′表示变量y和θ对横坐标x的导数;式的形式不发生变化;式中的避障约束变为:
y(xf)=yf,θ(xf)=θf (8)
式中的优化目标变为:
步骤3.2:引入无量纲状态量对航向角的正切值进行替换,将动力学中的非线性集中到动力学方程的最后一项,并引入约束继续将动力学与目标函数中的非凸项转至此约束中,并定义变量u将非凸项转移至不等式约束|u|≤ωmaxδ3/V,方便后续步骤六凸化,提高优化效率;
利用式(10),式中运动学方程变为:
此时式中运动学变为:
而式中的优化目标变为下列线性形式:
通过公式定义变量u如下所示:
u:=δ3ω/V (16)
利用式,式中的动力学变为下列线性形式:
通过式,式中的非凸项被转移至式中
|u|≤ωmaxδ3/V (18)
而式中的终端约束变为
7.如权利要求6所述的基于混合整数二阶锥优化的无人机避障实时轨迹规划方法,其特征在于:步骤六实现方法为,
对步骤三中产生的非凸不等式约束|u|≤ωmaxδ3/V进行线性化处理,在给定的初值δ(0)后,式能够被线性化为:
离散点的数量为(N+1),在本问题中的优化变量包括:y=[y0y1...yN]T,u=[u0u1...uN]T,δ=[δ0δ1...δN]T,η=[η0η1...ηM]T;我们定义变量离散化后得到混合整数二阶锥优化问题如下:
其中,c,p和b是带有恰当维度的向量,Θ和H是带有恰当维度的矩阵,K是二阶锥的笛卡尔乘积;gm代表式中的约束;问题Problem D(δ(0))是一个混合整数二阶锥优化问题,给定一个初始的剖面δ(0),迭代求解该混合整数二阶锥优化问题获得最短时间的最优控制问题的最优解,实现基于混合整数二阶锥优化实现无人机避障实时轨迹最优规划;不同于常规凸优化方法在未收敛之前无法产生可行解,若只求解一次混合整数二阶锥优化问题亦能够获得原问题的近似最优解,实现无人机避障实时轨迹规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049148.9A CN114594785B (zh) | 2022-01-17 | 2022-01-17 | 基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049148.9A CN114594785B (zh) | 2022-01-17 | 2022-01-17 | 基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114594785A true CN114594785A (zh) | 2022-06-07 |
CN114594785B CN114594785B (zh) | 2023-07-14 |
Family
ID=81804780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049148.9A Active CN114594785B (zh) | 2022-01-17 | 2022-01-17 | 基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114594785B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806333A (zh) * | 2024-02-29 | 2024-04-02 | 北京大学 | 复杂环境中保持可见性的目标追踪轨迹规划方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2848661A1 (fr) * | 2002-12-13 | 2004-06-18 | Thales Sa | Equipement anticollision terrain embarque a bord d'aeronef avec aide au retour en vol normal |
CN106842926A (zh) * | 2017-02-08 | 2017-06-13 | 北京航空航天大学 | 一种基于正实b样条的飞行器轨迹优化方法 |
DE102015224796A1 (de) * | 2015-12-10 | 2017-06-14 | Robert Bosch Gmbh | Verfahren und Steuergerät zum Erkennen einer möglichen Kollision eines unbemannten Luftfahrzeugs mit einem Objekt |
CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
CN108445898A (zh) * | 2018-05-14 | 2018-08-24 | 南开大学 | 基于微分平坦特性的四旋翼无人飞行器***运动规划方法 |
CN109976154A (zh) * | 2019-03-04 | 2019-07-05 | 北京理工大学 | 一种基于混沌多项式和序列凸优化的飞行器轨迹优化方法 |
CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
CN111722641A (zh) * | 2020-04-10 | 2020-09-29 | 南京非空航空科技有限公司 | 一种微型无人机高机动轨迹规划方法 |
CN113157001A (zh) * | 2021-05-25 | 2021-07-23 | 北京航空航天大学 | 一种基于二阶锥优化的无人机路径规划方法 |
-
2022
- 2022-01-17 CN CN202210049148.9A patent/CN114594785B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2848661A1 (fr) * | 2002-12-13 | 2004-06-18 | Thales Sa | Equipement anticollision terrain embarque a bord d'aeronef avec aide au retour en vol normal |
DE102015224796A1 (de) * | 2015-12-10 | 2017-06-14 | Robert Bosch Gmbh | Verfahren und Steuergerät zum Erkennen einer möglichen Kollision eines unbemannten Luftfahrzeugs mit einem Objekt |
CN106842926A (zh) * | 2017-02-08 | 2017-06-13 | 北京航空航天大学 | 一种基于正实b样条的飞行器轨迹优化方法 |
CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
CN108445898A (zh) * | 2018-05-14 | 2018-08-24 | 南开大学 | 基于微分平坦特性的四旋翼无人飞行器***运动规划方法 |
CN109976154A (zh) * | 2019-03-04 | 2019-07-05 | 北京理工大学 | 一种基于混沌多项式和序列凸优化的飞行器轨迹优化方法 |
CN111722641A (zh) * | 2020-04-10 | 2020-09-29 | 南京非空航空科技有限公司 | 一种微型无人机高机动轨迹规划方法 |
CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
CN113157001A (zh) * | 2021-05-25 | 2021-07-23 | 北京航空航天大学 | 一种基于二阶锥优化的无人机路径规划方法 |
Non-Patent Citations (1)
Title |
---|
张洲宇: "基于局部方位信息的无人机避障轨迹规划", 《中国科学技术科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806333A (zh) * | 2024-02-29 | 2024-04-02 | 北京大学 | 复杂环境中保持可见性的目标追踪轨迹规划方法及装置 |
CN117806333B (zh) * | 2024-02-29 | 2024-05-24 | 北京大学 | 复杂环境中保持可见性的目标追踪轨迹规划方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114594785B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Robust tracking control strategy for a quadrotor using RPD-SMC and RISE | |
Wang et al. | Robust H∞ attitude tracking control of a quadrotor UAV on SO (3) via variation-based linearization and interval matrix approach | |
CN109828600B (zh) | 时间最优快速三维避障路径规划方法 | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
Kada et al. | Robust PID controller design for an UAV flight control system | |
Lu et al. | Online optimisation‐based backstepping control design with application to quadrotor | |
Xian et al. | Robust tracking control of a quadrotor unmanned aerial vehicle-suspended payload system | |
Kim et al. | Reinforcement learning-based optimal flat spin recovery for unmanned aerial vehicle | |
CN111766889A (zh) | 基于输出反馈的四旋翼自适应动态面滑模控制器 | |
CN111665855A (zh) | 一种机器人预设性编队控制方法 | |
Hafez et al. | Unmanned aerial vehicles formation using learning based model predictive control | |
Benedikter et al. | Convex approach to covariance control with application to stochastic low-thrust trajectory optimization | |
Gu et al. | Trajectory planning and tracking control of a ground mobile robot: A reconstruction approach towards space vehicle | |
Yeh | Attitude controller design of mini-unmanned aerial vehicles using fuzzy sliding-mode control degraded by white noise interference | |
CN115877871B (zh) | 一种基于强化学习的非零和博弈无人机编队控制方法 | |
CN111781833B (zh) | 基于状态依赖分解的航天器在线最优姿态规避控制方法 | |
Biglarbegian | A novel robust leader-following control design for mobile robots | |
Jeong et al. | Control System Design for a Ducted‐Fan Unmanned Aerial Vehicle Using Linear Quadratic Tracker | |
CN114594785A (zh) | 基于混合整数二阶锥优化的无人机避障实时轨迹规划方法 | |
Ma et al. | Robust optimal control of connected and automated vehicle platoons through improved particle swarm optimization | |
Liu et al. | Antisaturation fixed-time attitude tracking control based low-computation learning for uncertain quadrotor UAVs with external disturbances | |
CN110658811B (zh) | 基于神经网络的受限移动机器人协同路径跟踪控制方法 | |
Nguyen et al. | Formation control scheme with reinforcement learning strategy for a group of multiple surface vehicles | |
Huang et al. | Symmetry-Informed Reinforcement Learning and its Application to Low-Level Attitude Control of Quadrotors | |
Yu et al. | Fast cooperative trajectory generation of unmanned aerial vehicles using a bezier curve-based shaping method |
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 |