CN114812564A - 基于城市动态时空风险分析的多目标无人机路径规划方法 - Google Patents

基于城市动态时空风险分析的多目标无人机路径规划方法 Download PDF

Info

Publication number
CN114812564A
CN114812564A CN202210707989.4A CN202210707989A CN114812564A CN 114812564 A CN114812564 A CN 114812564A CN 202210707989 A CN202210707989 A CN 202210707989A CN 114812564 A CN114812564 A CN 114812564A
Authority
CN
China
Prior art keywords
risk
flight
unmanned aerial
aerial vehicle
coefficient
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
Application number
CN202210707989.4A
Other languages
English (en)
Other versions
CN114812564B (zh
Inventor
马佳曼
颜雨潇
蒋淑园
罗喜伶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202210707989.4A priority Critical patent/CN114812564B/zh
Publication of CN114812564A publication Critical patent/CN114812564A/zh
Application granted granted Critical
Publication of CN114812564B publication Critical patent/CN114812564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明的实施例提供了一种基于城市动态时空风险分析的多目标无人机路径规划方法，涉及无人机技术领域。通过构建目标区域的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，利用模糊动态贝叶斯网络将三个模型融合后得到无人机飞行风险地图，再设计基于风险动力学约束的混合A*算法规划飞行航线飞行风险地图。这样同时评估了无人机在面对静态建筑物、以及随不同时段的城市事件影响变化、人流信息的动态风险因素得到飞行风险地图，基于风险约束的动力学路径规划可以得到保证飞行安全、路径平滑、代价更小的飞行航线。

Description

基于城市动态时空风险分析的多目标无人机路径规划方法
技术领域
本发明涉及无人机技术领域，具体而言，涉及一种基于城市动态时空风险分析的多目标无人机路径规划方法 。
背景技术
随着城市人口的持续增长，以及城市交通的拥堵状况的加剧，当前地面交通***已经达到了其使用极限。由于无人机具备多功能作业、且作业效率较高、作业成本低廉等特点，使得无人机在智慧城市体系的构建过程中可以发挥极大的作用。当前人们熟知的无人机应用领域包括了：商品运输、智能监控、交通调查、空中巴士和辅助通信等等。
当前无人机的城市飞行环境具备规划范围广、空中环境复杂以及非结构化等特点。面对这样复杂的城市飞行环境，无人机路径规划方法工作主要目标就是根据城市多种风险作出响应，规划满足安全飞行、节约人力物力的多目标路径。而现有技术的路径规划，存在以下三个方面的缺陷：
首先，现有技术的城市飞行地图主要基于地面建筑物、禁飞区等静态障碍进行风险分析得到的，然而对于城市人流、车流密集区等动态的因素没有考虑其对无人机飞行的影响风险。相应地，规划得到的飞行路径由于没有考虑动态的车流、人流因素，使得无人机按照飞行路径执行任务时具有一定的风险性。
其次，现有技术中基于传输飞行地图进行无人机路径规划以避开高风险区域的方法基本不随时间变化而变化。但是，无人机城市飞行环境是动态多变的，由于人群流动、聚集、城市功能在时间维度的改变，不同时间段下不同区域的风险系数也是变化。例如：露天休闲场所、学校等区域在节假日、工作日的人群密集程度是不同。基于该城市飞行地图规划的飞行路径无法保证不同时间段内无人机的飞行安全和飞行效率。
再则，无人机自身的动力局限性、任务的时效性以及复杂的城市飞行要求限制三者之间存在矛盾。现有技术路径规划时，是在二维平面中单纯的使用加权的方法来对每个区域进行风险评估，容易导致确定航线和高度方面的代价函数不严格，使得最终的飞行路径容易出现不必要的“之”字型路线和不平滑路线。
因此，基于城市动态时空风险评估的、双向管控飞行安全和飞行效率的多目标无人机路径规划方法提出是必要且有重要意义的。
发明内容
本发明的目的在于提供一种基于城市动态时空风险分析的多目标无人机路径规划方法，以改善现有技术存在的问题。
本发明的实施例可以这样实现：
本发明提供一种基于城市动态时空风险分析的多目标无人机路径规划方法，包括：
建立目标区域所在空间的三维网格模型；所述三维网格模型包含多个网格单元；
构建所述目标区域的密集人流区域风险模型，所述密集人流区域风险模型表征无人机在不同时段飞行时的人群密度对应的坠落风险系数；
构建所述目标区域的社会属性风险模型，所述社会属性风险模型表征所述无人机在所述不同时段飞行时的地区社会属性对应的碰撞风险系数；
构建所述目标区域的静态物理障碍风险模型，所述静态物理障碍风险模型表征所述无人机在所述不同时段飞行时的静态建筑物对应的飞行风险系数；
利用模糊动态贝叶斯网络融合所述密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，获得飞行风险地图；所述飞行风险地图为所述三维网格模型中包含所述不同时段下每个所述网格单元对应的总风险系数；
根据所述飞行风险地图，设计基于风险动力学约束的混合A*算法规划所述无人机在所述目标区域的飞行航线。
在可选的实施方式中，所述构建所述目标区域的密集人流区域风险模型的步骤，包括：
获取所述目标区域的人流量信息，并基于所述人流量信息得到人群密度系数；
基于所述无人机撞击地面的动能，确定所述无人机坠落导致的撞击风险率；
根据预设系数、所述人群密度系数、所述撞击风险率，确定所述坠落风险系数。
在可选的实施方式中，所述人群密度系数的表达式为：
Figure M_220617171423709_709224001
其中，
Figure M_220617171423773_773166001
表示在二维层面地面的第
Figure M_220617171423804_804429002
个网格处的人流量，
Figure M_220617171423835_835682003
表示所述第
Figure M_220617171423866_866903004
个网格处的人群密度系数；
所述撞击风险率的表达式为：
Figure M_220617171423898_898164001
其中，
Figure M_220617171423946_946468001
为所述无人机撞击地面的动能；
Figure M_220617171423962_962618002
为遮蔽参数，取值区间为（0,1]；
Figure M_220617171423993_993857003
为所述遮蔽参数为0.5时所述撞击风险率达到50%时所需的撞击能量；
Figure M_220617171424025_025167004
为所述遮蔽系数降到0时导致撞击事故所需的撞击能量值；
Figure M_220617171424040_040298005
为所述撞击风险率；
所述坠落风险系数的表达式为：
Figure M_220617171424071_071560001
其中，
Figure M_220617171424134_134547001
表示在时段
Figure M_220617171424183_183376002
中第
Figure M_220617171424214_214605003
个所述网格单元对应的坠落风险系数，
Figure M_220617171424245_245838004
为所述预设系数。
在可选的实施方式中，所述构建所述目标区域的社会属性风险模型的步骤，包括：
计算所述目标区域中每个兴趣点的访问概率；所述目标区域中包括多个兴趣点；
获取所述目标区域的社会属性信息；所述社会属性信息包括M个地区社会属性；
基于所述访问概率和所述社会属性信息，确认所述目标区域中第m种地区社会属性的目标访问概率；
获取所述目标区域的禁飞区域和非禁飞区域各自对应的禁飞风险系数；
基于所述目标访问概率和所述禁飞风险系数，确定所述碰撞风险系数。
在可选的实施方式中，所述访问概率的表达式为：
Figure M_220617171424277_277107001
其中，
Figure M_220617171424323_323942001
为所述多个兴趣点中的任意一个，
Figure M_220617171424356_356648002
为在时段
Figure M_220617171424372_372802003
所述兴趣点周围50米内的
Figure M_220617171424404_404060004
个访问点中的任意一个，𝛽为距离衰减参数，
Figure M_220617171424419_419672005
表示所述访问点到所述兴趣点的距离；
Figure M_220617171424450_450923006
表示在时段
Figure M_220617171424497_497803007
所述兴趣点的访问概率；
所述目标访问概率的表达式为：
Figure M_220617171424529_529102001
其中，
Figure M_220617171424603_603721001
表示地区社会属性
Figure M_220617171424634_634979002
所在区域的目标访问概率，
Figure M_220617171424666_666243003
代表所述兴趣点的数量；
所述碰撞风险系数的表达式为：
Figure M_220617171424681_681862001
其中，
Figure M_220617171424747_747256001
表示M个所述地区社会属性中第
Figure M_220617171424794_794641002
个所述地区社会属性所在区域的目标访问概率；
Figure M_220617171424810_810275003
表示第
Figure M_220617171424841_841509004
个所述地区社会属性所在区域的禁飞风险系数。
在可选的实施方式中，所述构建所述目标区域的静态物理障碍风险模型的步骤，包括：
获取与所述三维网格模型对应的静态建筑物信息；所述静态建筑物信息表征每个所述网格单元所在位置是否存在所述静态建筑物；
基于所述静态建筑物信息，确定所述飞行风险系数。
在可选的实施方式中，所述利用模糊动态贝叶斯网络融合所述密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，获得飞行风险地图的步骤，包括：
在每个所述网格单元，根据该网格单元对应的坠落风险系数、碰撞风险系数、飞行风险系数的大小，确定所述不同时段中该网格单元对应的总风险系数。
在可选的实施方式中，所述飞行风险地图的表达式为：
Figure M_220617171424872_872776001
其中，
Figure M_220617171425091_091519001
表示位置点
Figure M_220617171425122_122786002
所在的网格单元在时段
Figure M_220617171425155_155463003
对应的总风险系数；
Figure M_220617171425171_171587004
表示所述位置点
Figure M_220617171425202_202838005
所在的网格单元在时段
Figure M_220617171425234_234097006
对应的坠落风险系数；
Figure M_220617171425265_265351007
表示所述位置点
Figure M_220617171425280_280967008
所在的网格单元在时段
Figure M_220617171425312_312221009
对应的碰撞风险系数；
Figure M_220617171425344_344906010
表示所述位置点
Figure M_220617171425361_361050011
所在的网格单元在时段
Figure M_220617171425392_392301012
对应的飞行风险系数；
Figure M_220617171425423_423555001
其中，
Figure M_220617171425517_517312001
表示所述坠落风险系数对应的人群密度风险敏感参数，
Figure M_220617171425549_549996002
表示所述碰撞风险系数对应的社会属性风险敏感参数；
Figure M_220617171425566_566111003
表示所述飞行风险系数对应的静态物理障碍风险敏感参数；
Figure M_220617171425597_597384004
为加权求和函数。
在可选的实施方式中，所述根据所述飞行风险地图，设计基于风险动力学约束的混合A*算法规划所述无人机在所述目标区域的飞行航线的步骤，包括：
获取起点和终点的位置坐标；
对所述飞行风险地图进行预处理，得到稀疏风险地图；所述稀疏风险地图中的所有网格单元均为所述无人机可飞行的区域；
基于代价函数，设计所述基于风险动力学约束的混合A*算法搜索所述起点至所述终点之间的飞行航线。
与现有技术相比，本发明实施例提供了一种基于城市动态时空风险分析的多目标无人机路径规划方法，通过构建的目标区域的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，这三个模型从四维（三维空间和时间维度）角度出发分别考虑了在不同时段下，城市的人群密度对无人机飞行的影响、城市中不同区域各自持有的地区社会属性对无人机飞行的影响、城市中的静态建筑物对无人机飞行的影响。再利用模糊动态贝叶斯网络将三个模型融合后得到飞行风险地图，再设计基于风险动力学约束的混合A*算法规划飞行航线。同时评估了无人机在面对静态建筑物、以及随不同时段、城市事件影响变化、人流信息的动态风险因素，得到的飞行风险地图更加全面，基于风险约束的动力学路径规划可以得到保证飞行安全、路径平滑、代价更小的飞行航线。使得无人机在保证在满足复杂城市环境中飞行需求的前提下，高效地完成各种飞行任务。
附图说明
为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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为本发明实施例提供的一种基于城市动态时空风险分析的多目标无人机路径规划方法的流程示意图之一。
图2为本发明实施例提供的一种基于城市动态时空风险分析的多目标无人机路径规划方法的流程示意图之二。
图3为本发明实施例提供的一种基于城市动态时空风险分析的多目标无人机路径规划方法的流程示意图之三。
图4为本发明实施例提供的一种基于城市动态时空风险分析的多目标无人机路径规划方法的流程示意图之四。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明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发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
随着城市人口的持续增长，以及城市交通的拥堵状况的加剧，当前地面交通***已经达到了其使用极限。由于无人机具备多功能作业、且作业效率较高、作业成本低廉等特点，使得无人机在智慧城市体系的构建过程中可以发挥极大的作用。当前人们熟知的无人机应用领域包括了：商品运输、智能监控、交通调查、空中巴士和辅助通信等等。
在城市飞行环境中，由于其规划范围广、空中环境复杂以及非结构化的特点，规划得到无人机在城市飞行的路径的前提是需要预先得到城市飞行地图，再基于城市飞行地图进行路径规划得到无人机的飞行路径。
由于城市人口密度大，地面状况复杂，因此无人机复杂城市环境中飞行至少需要保证达到以下三种要求：(1)安全性，需要考虑地面动态流动的人群、车流以及静态建筑等影响，保证在安全的路径执行飞行任务；（2）高效性，高效使用有限的城市空域；（3）隐私性，避开需要保护隐私的禁飞区域。因此，在满足城市飞行的多种需求下，确保在复杂城市环境中无人机可顺利完成任何类型的常规任务的路径规划算法十分重要。
在现有技术中，大部分无人机路径规划时利用的城市飞行地图，主要是针对地面建筑物、禁飞区等静态障碍进行风险评估得到的，但是这样考虑的风险因素不够全面，无法得到较为全面的城市飞行地图。
而现有技术的路径规划，存在以下三方面的缺陷:
首先，现有技术的城市飞行地图主要基于地面建筑物、禁飞区等静态障碍进行风险分析得到的，然而对于城市人流、车流密集区等动态的因素没有考虑其对无人机飞行的影响风险。相应地，规划得到的飞行路径由于没有考虑动态的车流、人流因素，使得无人机按照飞行路径执行任务时具有一定的风险性。
其次，现有技术中基于传输飞行地图进行无人机路径规划以避开高风险区域的方法基本不随时间变化而变化。但是，无人机城市飞行环境是动态多变的，由于人群流动、聚集、城市功能在时间维度的改变，不同时间段下不同区域的风险系数也是变化。例如：露天休闲场所、学校等区域在节假日、工作日的人群密集程度是不同。基于该城市飞行地图规划的飞行路径无法保证不同时间段内无人机的飞行安全和飞行效率。
再则，无人机自身的动力局限性、任务的时效性以及复杂的城市飞行要求限制三者之间存在矛盾。现有技术路径规划时，是在二维平面中单纯的使用加权的方法来对每个区域进行风险评估，容易导致确定航线和高度方面的代价函数不严格，使得最终的飞行路径容易出现不必要的“之”字型路线和不平滑路线。
基于上述技术问题的发现，发明人经过创造性劳动提出下述技术方案以解决或者改善上述问题。需要注意的是，以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本申请实施例针对上述问题所提出的解决方案，都应该是发明人在发明创造过程中对本申请做出的贡献，而不应当理解为本领域技术人员所公知的技术内容。
因此，本发明实施例提供一种基于城市动态时空风险分析的多目标无人机路径规划方法，通过构建目标区域的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，从四维（三维空间和时间维度）角度出发分别考虑了在不同时段下，城市的人群密度对无人机飞行的影响、城市中不同区域各自持有的地区社会属性对无人机飞行的影响、城市中的静态建筑物对无人机飞行的影响，再利用模糊动态贝叶斯网络融合三个风险模型得到飞行风险地图，最后设计基于风险动力学约束的利用混合A*算法进行路径规划得到无人机的飞行航线。以下通过实施例，并配合所附附图，进行详细说明。
请参考图1，图1为本发明实施例提供的一种基于城市动态时空风险分析的多目标无人机路径规划方法的流程示意图，该方法的执行主体可以是一种电子设备，该方法包括以下步骤：
S110、建立目标区域所在空间的三维网格模型。
在本实施例中，目标区域可以是城市区域。三维网格模型包含多个网格单元。利用栅格将目标区域所在的三维空域进行离散化处理得到包括
Figure M_220617171425613_613024001
个网格单元的三维网格模型G
Figure M_220617171425644_644263002
。
S120、构建目标区域的密集人流区域风险模型。
在本实施例中，密集人流区域风险模型表征无人机在不同时段飞行时的人群密度对应的坠落风险系数。结合交通流量信息，密集人流区域风险模型可以反映密集人流区域对无人机在不同时段飞行时的风险影响程度。
S130、构建目标区域的社会属性风险模型。
在本实施例中，社会属性风险模型表征无人机在不同时段飞行时的地区社会属性对应的碰撞风险系数。结合城市兴趣点（Point of Interest，POI），社会属性风险模型可以反映地区社会属性对无人机在不同时段飞行时的风险影响程度。
S140、构建目标区域的静态物理障碍风险模型。
本实施例中，静态物理障碍风险模型表征无人机在不同时段飞行时的静态建筑物对应的飞行风险系数。利用静态建筑物信息，静态物理障碍风险模型可以反映无人机飞行时受物理障碍的影响程度。
S150、利用模糊动态贝叶斯网络融合密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，获得飞行风险地图。
在本实施例中，可以设计基于模糊动态贝叶斯网络，针对每个网格单元，将三种风险系数汇总得到对应的总风险系数，绘制四维的飞行风险地图，不同时段下每个网格单元的风险成本将被计算出来并呈现在地图上，用于后续的无人机路径规划。
可以理解，飞行风险地图为三维网格模型中包含不同时段下每个网格单元对应的总风险系数。密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型三者均为从时间和空间维度出发，分别代表了三种影响因素（动态的人流量、不同的地区社会属性、静态建筑物）对无人机飞行的影响程度。而飞行风险地图中综合考量了三种影响因素的影响程度，融合得到每个网格单元对应的总风险系数。
S160、根据飞行风险地图，设计基于风险动力学约束的混合A*算法规划无人机在目标区域的飞行航线。
在飞行风险地图的基础上，可以设计基于风险动力学约束的混合A*算法（Risk-based Hybrid A*）来规划无人机的飞行航线。传统A*算法中将无人机看成一个质点，那么无人机三维笛卡尔坐标网格(x,y,z)就可以看作是它的状态向量。然而，无人机由于飞行性能问题，其在不同网格间转弯或抬高降低高度收到自身惯性影响，只选择网格中心点规划的路径不够平滑，且不能考虑惯性对无人机飞行成本代价的消耗和安全影响。
而本实施例采用风险动力学约束的混合A*算法，可以将无人机视为刚体，将其大小、朝向等纳入飞行状态考虑。
需要说明的是，在实际情况中，上述步骤S120、S130、S140之间的执行顺序不以图1所示为限，S120、S130、S140可以并列执行，也可以任意顺序先后执行。
本发明实施例提供了一种基于城市动态时空风险分析的多目标无人机路径规划方法，首先建立目标区域所在空间的包含多个网格单元三维网格模型。然后基于城市的动态时空风险分析分别构建了目标区域中的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，再利用模糊动态贝叶斯网络将三个模型融合后得到飞行风险地图，再利用混合A*算法规划飞行航线。这样，同时基于建筑物、禁飞区这两个静态影响因素以及不同时段中变化的人流信息这一动态风险因素这三种不同的角度对无人机飞行的风险性进行分析评估，得到的飞行风险地图更加全面，路径规划得到飞行航线更能保障无人机的飞行安全，使得无人机在保证在满足复杂城市环境中飞行需求的前提下，高效地完成各种飞行任务。
三维空间模型是空间维度，在时间维度，可以将每天划分为T个时间段。以下通过介绍在T个时间段中的任意一个时间段t，无人机的三种风险模型各自对应的风险系数。
在可选的实施方式中，空中飞行无人机可能会失去控制或动力而坠落，无人机坠落在人流量密集区域，容易发生事故，例如，无人机坠落导致行人受伤或者致死。密集人流区域风险模型可以基于目标区域的地面人流、车流密度来评估无人机飞行的坠落风险系数，相应地，请参见图2，上述步骤S120的子步骤可以包括：
S121、获取目标区域的人流量信息，并基于人流量信息得到人群密度系数。
在本实施例中，人流量信息可以通过手机信令或者交通客流数据估计得到。对人流量信息利用sigmoid函数进行归一化处理可以得到人群密度系数。
可以理解，归一化处理之后，人群密度系数的取值区间在[0,1]。从三维网格模型的二维层面出发，该人群密度系数的表达式可以如下所示：
Figure M_220617171425691_691137001
其中，
Figure M_220617171425737_737985001
表示在二维层面地面的第
Figure M_220617171425771_771208002
个网格处的人流量，
Figure M_220617171425802_802471003
表示第
Figure M_220617171425849_849324004
个网格处的人群密度系数。
S122、基于无人机撞击地面的动能，确定无人机坠落导致的撞击风险率。
无人机坠落的动能取决于飞行高度、无人机质量和体积大小等，无人机撞击地面的动能可以表示为：
Figure M_220617171425880_880590001
其中，
Figure M_220617171425975_975801001
表示无人机质量，此处
Figure M_220617171425991_991423002
表示无人机坠落地面用时，
Figure M_220617171426022_022670003
为重力加速度，
Figure M_220617171426053_053924004
为空气阻力。
Figure M_220617171426069_069543005
为空气阻力系数，
Figure M_220617171426100_100806006
为无人机垂直方向上的最大横截面积，
Figure M_220617171426116_116418007
为空气密度，
Figure M_220617171426151_151061008
为飞行高度。
Figure M_220617171426182_182823009
为无人机撞击地面的动能。
可以理解，撞击风险率可以表示无人机坠落地面导致事故的概率。撞击风险率可以表示为：
Figure M_220617171426198_198448001
其中，
Figure M_220617171426245_245334001
为遮蔽参数，其取值区间为（0,1]；
Figure M_220617171426276_276584002
表示遮蔽参数为0.5时撞击风险率达到50%时所需的撞击能量；
Figure M_220617171426307_307838003
表示遮蔽系数降到0时导致撞击事故所需的撞击能量值；
Figure M_220617171426323_323471004
为撞击风险率。
S123、根据预设系数、人群密度系数、撞击风险率，确定坠落风险系数。
假设，在时段
Figure M_220617171426356_356628001
，在飞行高度
Figure M_220617171426388_388387002
网格单元
Figure M_220617171426404_404039003
内，无人机坠落，其坠落风险系数的表达式可以为：
Figure M_220617171426435_435278001
其中，
Figure M_220617171426482_482141001
表示在时段
Figure M_220617171426530_530979002
中第
Figure M_220617171426548_548046003
个网格单元对应的坠落风险系数。
Figure M_220617171426579_579806004
为预设系数，是基于无人机行业标准设定的每飞行小时无人机坠落的概率。
在可选的实施方式中，由于城市地区中不同区域具有不同的社会属性，其风险代价和飞行规则都不相同。例如，在空间维度，城市的许多区域需要隐私保护，属于禁飞区域；在时间层面，学校、公园等地区的人流量在工作日、和休息日以及一天中的不同时段人流量存在差异，相应地，不同时段，学校、公园等区域无人机飞行的风险系数也有所不同。
因此，社会属性风险模型可以是考虑了不同的地区社会属性在不同时段对无人机飞行的影响。相应地，请参见图3，上述步骤S130的子步骤可以包括：
S131、计算目标区域中每个兴趣点的访问概率。
在本实施例中，目标区域中包括多个兴趣点。可以先获取目标区域POI数据，POI数据可以包括目标区域中的各个兴趣点的位置信息等。兴趣点的类型可以是公园、学校、社区等等。然后再计算每个兴趣点在时段
Figure M_220617171426611_611226001
的访问概率，该访问概率的表达式可以是：
Figure M_220617171426642_642341001
其中，
Figure M_220617171426720_720465001
为目标区域中多个兴趣点中的任意一个，
Figure M_220617171426753_753156002
为在时段
Figure M_220617171426784_784933003
兴趣点周围50米内的
Figure M_220617171426800_800540004
个访问点中的任意一个，𝛽为距离衰减参数。
Figure M_220617171426831_831789005
表示访问点到兴趣点的距离；
Figure M_220617171426878_878666006
表示在时段
Figure M_220617171426925_925540007
兴趣点的访问概率。
当访问点距离该兴趣点
Figure M_220617171426958_958755001
越远，从该访问点至兴趣点的访问概率就越小，当d𝑖𝑠𝑡(
Figure M_220617171426990_990002002
)大于50米时，此兴趣点
Figure M_220617171427021_021238003
对此访问点
Figure M_220617171427130_130626004
的吸引力为0。
因此，一个兴趣点的访问概率为周围50米范围内所有访问点的访问概率之和。
S132、获取目标区域的社会属性信息。
在本实施例中，社会属性信息包括M个地区社会属性。目标区域中，不同区域可以对应不同的地区社会属性。例如，有的地区社会属性所在区域可能属于禁飞区、禁止鸣笛区域或者限速区等等。
S133、基于访问概率和社会属性信息，确认目标区域中第m种地区社会属性的目标访问概率。
在本实施例中，每种地区社会属性所在区域的目标访问概率为该区域内的各个兴趣点的访问概率之和。第m种地区社会属性为M个地区社会属性中的任意一个。第m种地区社会属性所在区域对应的目标访问概率的表达式可以为：
Figure M_220617171427166_166271001
其中，
Figure M_220617171427291_291246001
表示地区社会属性
Figure M_220617171427338_338124002
所在区域的在时段
Figure M_220617171427388_388939003
的目标访问概率，
Figure M_220617171427435_435800004
代表兴趣点的数量。
Figure M_220617171427467_467065005
表示兴趣点
Figure M_220617171427529_529555006
与第m种地区社会属性对应的，同时兴趣点
Figure M_220617171427564_564214007
在
Figure M_220617171427595_595687008
内。
S134、获取目标区域的禁飞区域和非禁飞区域各自对应的禁飞风险系数。
在本实施例中，禁飞风险系数可以是从城市空域规定信息中得到的。
S135、基于目标访问概率和禁飞风险系数，确定碰撞风险系数。
在本实施例中，将目标访问概率和禁飞风险系数结合，可以得到在时段时段
Figure M_220617171427642_642337001
碰撞风险系数，该碰撞风险系数的表达式可以为：
Figure M_220617171427673_673599001
其中，
Figure M_220617171427753_753141001
表示M个地区社会属性中第
Figure M_220617171427800_800508002
个地区社会属性所在区域的目标访问概率；
Figure M_220617171427831_831774003
表示第
Figure M_220617171427863_863017004
个地区社会属性所在区域的禁飞风险系数。
在可选的实施方式中，静态物理障碍风险模型取决于目标区域的静态建筑物，考虑了静态建筑物对无人机的飞行影响。相应地，上述步骤S140的子步骤可以包括：
S141、获取与三维网格模型对应的静态建筑物信息。
静态建筑物信息可以表征每个网格单元所在位置是否存在静态建筑物。
S142、基于静态建筑物信息，确定飞行风险系数。
飞行风险系数的表达式可以是：
Figure M_220617171427878_878629001
其中，在时段
Figure M_220617171428034_034873001
当网格单元
Figure M_220617171428050_050497002
中存在静态建筑物（
Figure M_220617171428081_081744003
）时，则飞行风险系数为1；反之，飞行风险系数则为0。
在可选的实施方式中，基于上述介绍的三种风险模型各自对应的风险系数，再进一步融合可以得到飞行风险地图。在三种风险模型融合的过程中，可以利用模糊动态贝叶斯网络（MFDBN）来解决由于数据不充分和传播不准确原因造成的风险评估不确定问题，以及人群密度与时间和事件关系密切导致的风险评估需要随城市人口流动趋势进行实时调整的问题。
示例性地，可以将模糊动态贝叶斯网络与动态风险评估量化方法（DRA）结合。首先在数据不确定的情况下，同时进行不确定性随时间的传播量化和动态风险评估量化(DRA)，利用动态贝叶斯网络（DBN）使用三角模糊数，以完全保留t时刻不确定性信息
Figure M_220617171428113_113016001
。
示例性地，上述步骤S150的子步骤可以包括：
S151、在每个网格单元，根据该网格单元对应的坠落风险系数、碰撞风险系数、飞行风险系数的大小，确定不同时段中该网格单元对应的总风险系数。
在本实施例中，飞行风险地图的表达式可以为：
Figure M_220617171428177_177934001
其中，
Figure M_220617171428287_287338001
表示位置点
Figure M_220617171428318_318578002
所在的网格单元在时段
Figure M_220617171428367_367405003
对应的总风险系数；
Figure M_220617171428383_383035004
表示位置点
Figure M_220617171428414_414278005
所在的网格单元在时段
Figure M_220617171428445_445066006
对应的坠落风险系数；
Figure M_220617171428476_476801007
表示位置点
Figure M_220617171428508_508043008
所在的网格单元在时段
Figure M_220617171428539_539269009
对应的碰撞风险系数；
Figure M_220617171428559_559258010
表示位置点
Figure M_220617171428591_591033011
所在的网格单元在时段
Figure M_220617171428622_622272012
对应的飞行风险系数。
Figure M_220617171428653_653532001
表示当坠落风险系数、碰撞风险系数、飞行风险系数均小于等于零时，对应的总风险系数为0；
Figure M_220617171428700_700451002
表示当坠落风险系数、碰撞风险系数、飞行风险系数均处于(0,1)区间内时，对应的总风险系数为
Figure M_220617171428750_750666003
；
Figure M_220617171428782_782456004
表示当存在坠落风险系数、碰撞风险系数、飞行风险系数中的任意一个大于等于1时，对应的总风险系数为1。
Figure M_220617171428829_829318001
其中，
Figure M_220617171428954_954305001
表示坠落风险系数对应的人群密度风险敏感参数，
Figure M_220617171428972_972868002
表示碰撞风险系数对应的社会属性风险敏感参数；
Figure M_220617171429004_004126003
表示飞行风险系数对应的静态物理障碍风险敏感参数。表达式中的
Figure M_220617171429035_035376004
为加权求和函数。
示例性地，请参见图4，上述步骤S160飞行风险地图可以包括以下子步骤：
S161、获取起点和终点的位置坐标。
S162、对飞行风险地图进行预处理，得到稀疏风险地图。
在本实施例中，起点和终点均位于目标区域之内。稀疏风险地图中的所有网格单元均为无人机可飞行的区域。可以利用无人机自身性能约束，剔除无效网格，得到稀疏风险地图。示例性地，无效网格可以是静态建筑物部分以及静态建筑物往上预设高度部分对应的网格单元，预设高度部分可以为1米或者2米。这样可以提高后续基于风险动力学约束的混合A*算法基于稀疏风险地图搜索飞行航线的速度。
S163、基于代价函数，设计基于风险动力学约束的混合A*算法搜索起点至终点之间的飞行航线。
在本实施例中，飞行航线可以由起点到终点之间的S个路径点连接而成。S个路径点组成路径点集合。
设计风险动力学约束的混合A*算法进行路径搜索的过程可以是：从起点开始，先计算起点所在网格单元周围的每个相邻网格单元的代价值，并在代价值最小的相邻网格单元中确定出起点后的第一个路径点；然后计算第一个路径点所在网格单元周围的每个相邻网格单元的代价值，并在代价值最小的相邻网格单元确定出第一个路径点之后的第二个路径点……以此类推，直到确定出终点前的第S个路径点。
下面给出一种根据飞行风险地图，采用混合A*算法规划无人机在目标区域的飞行航线的伪代码示例：
Input：三维网格模型G(
Figure M_220617171429066_066645001
)，起始网格单元
Figure M_220617171429113_113062002
，目标网格单元
Figure M_220617171429161_161846003
，飞行风险地图
Figure M_220617171429208_208699004
Output：路径点集合
Figure M_220617171429255_255623001
Begin：
1.Set OPEN=[起始网格单元
Figure M_220617171429302_302496001
], CLOSED=[], Waypoint=[]
2.Delete 网格单元 //预处理，得到稀疏风险地图
3.While<OPEN表非空 and 当前网格单元
Figure SYM_220617171423001
目标网格单元> do
4.扩展列表子网格
Figure M_220617171429350_350775001
If <扩展过程遇到障碍物>
Then 列表子网格
Figure M_220617171429382_382572001
风险代价增加
End
return 子网格列表
For n In子网格列表
If <n Not In ( OPEN Or CLOSED)>
Then 加入OPEN表
End
Else if <子网格 In OPEN>
Then 更新代价值
End
当前网格单元=最小代价值网格单元 In OPEN
If <当前网格单元=目标网格单元>
then返回路径
End
Else
当前网格单元 to CLOSED
End
End
If<当前结点=目标节点
Figure M_220617171429413_413787001
>
Then return 路径
End
End
其中，起始网格
Figure M_220617171429460_460660001
对应起点的位置坐标，目标网格单元
Figure M_220617171429491_491942002
对应终点的位置坐标。对每个当前网格单元来说，OPEN中即包含了当前网格单元对应的全部相邻网格单元。
假设第s个路径点（可以是飞行航线上的任意一个路径点）所在的网格单元称为当前网格单元。在确定了第s个路径点后，则会从当前网格单元周围的相邻网格单元中选出代价值最小的网格单元，并在该代价值最小的网格单元中确定出第s+1个路径点。最终获得从起点
Figure M_220617171429538_538790001
到终点
Figure M_220617171429572_572002002
的飞行航线规划。
在利用代价函数计算当前网格单元的每个相邻网格单元的代价值时，对于某个相邻网格单元A，利用代价函数计算的代价值与两个方面相关：一方面是该相邻网格单元A与终点之间的直线距离，相较于当前网格单元的其余几个相邻网格单元，该直线距离越大，代价值会相对越大，反之则相对越小；另一方面是该相邻网格单元与静态建筑物的距离，相较于当前网格单元的其余几个相邻网格单元，该相邻网格单元A离静态建筑物距离越近，相应的动力学衰减系数越大，对应的代价值会相对越大，反之则相对越小。
在本实施例中，在三维空间网格中，新增了一个维度θ。假设第s个路径点到终点为一条直线，θ表示该直线与x轴方向的夹角。
在当前路径点处选择下一个路径点时（该当前路径点为路径点集合中的任意一个路径点），对当前状态进行描述，表示为：
Figure M_220617171429603_603235001
Figure M_220617171429650_650106001
Figure M_220617171429696_696979001
Figure M_220617171429728_728240001
其中，
Figure M_220617171429777_777069001
为四种状态维度的当前初始化状态，
Figure M_220617171429808_808326002
为对应离散空间中的离散状态向量。在每个网格单元中最多选取一个点作为路径点，因此算法需要对状态向量(
Figure M_220617171429855_855184003
)的每一个维度进行离散化切分，切分间隔为离散的分辨率
Figure M_220617171429870_870838004
。
在当前路径点处拓展寻找下一个可行的路径点时，结合离散状态向量进行迭代，状态向量在第
Figure M_220617171429902_902076001
次迭代的状态由状态向量在第
Figure M_220617171429933_933343002
次迭代时状态更新决定（此处
Figure M_220617171429968_968474003
、
Figure M_220617171429984_984120004
代表迭代次数）对离散化状态方程进行更新的迭代通式为：
Figure M_220617171430015_015335001
Figure M_220617171430077_077844001
Figure M_220617171430143_143736001
Figure M_220617171430191_191115001
其中，
Figure M_220617171430253_253627001
为预设的扩展步长参数，下标
Figure M_220617171430284_284883002
为代表离散的状态向量，改变
Figure SYM_220617171423001
和
Figure M_220617171430316_316139003
得到可作为下一个路径点的扩展子列表。扩充列表过程中，若与障碍物相撞说明网格列表与障碍物相距较近，根据子列表网格与障碍物相撞次数，加权增加子网格代价值。
需要说明的是，上述方法实施例中各个步骤的执行顺序不以附图所示为限制，各步骤的执行顺序以实际应用情况为准。
与现有技术相比，本发明实施例具有以下有益效果：
通过构建的目标区域的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，从四维（三维空间和时间维度）角度出发分别考虑了在不同时段下，城市的人群密度对无人机飞行的影响、城市中不同区域各自持有的地区社会属性对无人机飞行的影响、城市中的静态建筑物对无人机飞行的影响。最终利用模糊动态贝叶斯网络融合这三个方面的影响，得到了目标区域的飞行风险地图，该飞行风险地图的表现形式为三维网格模型中的每个网格单元在不同时段对应的不同的总风险系数。这样，不仅考虑到了建筑物和空中禁飞区等静态影响因素的，还考虑了不同时段中变化的人流信息这个动态风险因素，得到的飞行风险地图更加全面，能够在保障无人机在城市复杂多变的地面环境下的安全飞行，动态的对无人机飞行代价进行综合智能的评估计算，减小对地面人群、车辆、建筑物等的碰撞风险。
设计基于风险动力学约束的混合A*算法,基于该飞行风险地图从四维层面进行路径规划得到无人机的飞行航线，不同于传统网格中心的飞行轨迹点选择方式，本方案针对无人机飞行性能、速度和惯性，利用基于风险动力学约束的混合A*算法，优化其路径平滑性，使路径长度、消耗的能量和路径风险同时达到最小，合并多目标获取代价小的飞行航线。这样基于风险约束的动力学路径规划可以得到保证飞行安全、路径平滑、代价更小的飞行航线，使得无人机在保证在满足复杂城市环境中飞行需求的前提下，以高效能完成各种飞行任务。
综上所述，本发明实施例提供了一种基于城市动态时空风险分析的多目标无人机路径规划方法，通过构建的目标区域的密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，从四维（三维空间和时间维度）角度出发分别考虑了在不同时段下，城市的人群密度对无人机飞行的影响、城市中不同区域各自持有的地区社会属性对无人机飞行的影响、城市中的静态建筑物对无人机飞行的影响，利用模糊动态贝叶斯网络将三个模型融合后得到飞行风险地图，再设计基于风险动力学约束的混合A*算法来规划无人机的飞行航线。这样，同时评估了无人机在面对静态建筑物、以及随不同时段、城市事件影响变化、人流信息的动态风险因素，得到的飞行风险地图更加全面，基于风险约束的动力学路径规划可以得到保证飞行安全、路径平滑、代价更小的飞行航线。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于城市动态时空风险分析的多目标无人机路径规划方法，其特征在于，包括：
建立目标区域所在空间的三维网格模型；所述三维网格模型包含多个网格单元；
构建所述目标区域的密集人流区域风险模型，所述密集人流区域风险模型表征无人机在不同时段飞行时的人群密度对应的坠落风险系数；
构建所述目标区域的社会属性风险模型，所述社会属性风险模型表征所述无人机在所述不同时段飞行时的地区社会属性对应的碰撞风险系数；
构建所述目标区域的静态物理障碍风险模型，所述静态物理障碍风险模型表征所述无人机在所述不同时段飞行时的静态建筑物对应的飞行风险系数；
利用模糊动态贝叶斯网络融合所述密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，获得飞行风险地图；所述飞行风险地图为所述三维网格模型中包含所述不同时段下每个所述网格单元对应的总风险系数；
根据所述飞行风险地图，设计基于风险动力学约束的混合A*算法规划所述无人机在所述目标区域的飞行航线。
2.根据权利要求1所述的方法，其特征在于，所述构建所述目标区域的密集人流区域风险模型的步骤，包括：
获取所述目标区域的人流量信息，并基于所述人流量信息得到人群密度系数；
基于所述无人机撞击地面的动能，确定所述无人机坠落导致的撞击风险率；
根据预设系数、所述人群密度系数、所述撞击风险率，确定所述坠落风险系数。
3.根据权利要求2所述的方法，其特征在于，所述人群密度系数的表达式为：
Figure M_220617171417955_955245001
其中，
Figure M_220617171418096_096435001
表示在二维层面地面的第
Figure M_220617171418142_142789002
个网格处的人流量，
Figure M_220617171418162_162310003
表示所述第
Figure M_220617171418193_193587004
个网格处的人群密度系数；
所述撞击风险率的表达式为：
Figure M_220617171418224_224834001
其中，
Figure M_220617171418287_287310001
为所述无人机撞击地面的动能；
Figure M_220617171418302_302944002
为遮蔽参数，取值区间为（0,1]；
Figure M_220617171418334_334198003
为所述遮蔽参数为0.5时所述撞击风险率达到50%时所需的撞击能量；
Figure M_220617171418367_367401004
为所述遮蔽系数降到0时导致撞击事故所需的撞击能量值；
Figure M_220617171418383_383044005
为所述撞击风险率；
所述坠落风险系数的表达式为：
Figure M_220617171418414_414283001
其中，
Figure M_220617171418476_476779001
表示在时段
Figure M_220617171418508_508018002
中第
Figure M_220617171418539_539274003
个所述网格单元对应的坠落风险系数，
Figure M_220617171418573_573945004
为所述预设系数。
4.根据权利要求1所述的方法，其特征在于，所述构建所述目标区域的社会属性风险模型的步骤，包括：
计算所述目标区域中每个兴趣点的访问概率；所述目标区域中包括多个兴趣点；
获取所述目标区域的社会属性信息；所述社会属性信息包括M个地区社会属性；
基于所述访问概率和所述社会属性信息，确认所述目标区域中第m种地区社会属性的目标访问概率；
获取所述目标区域的禁飞区域和非禁飞区域各自对应的禁飞风险系数；
基于所述目标访问概率和所述禁飞风险系数，确定所述碰撞风险系数。
5.根据权利要求4所述的方法，其特征在于，所述访问概率的表达式为：
Figure M_220617171418605_605190001
其中，
Figure M_220617171418667_667687001
为所述多个兴趣点中的任意一个，
Figure M_220617171418698_698959002
为在时段
Figure M_220617171418714_714570003
所述兴趣点周围50米内的
Figure M_220617171418746_746785004
个访问点中的任意一个，𝛽为距离衰减参数，
Figure M_220617171418762_762908005
表示所述访问点到所述兴趣点的距离；
Figure M_220617171418794_794157006
表示在时段
Figure M_220617171418825_825403007
所述兴趣点的访问概率；
所述目标访问概率的表达式为：
Figure M_220617171418856_856667001
其中，
Figure M_220617171418934_934794001
表示地区社会属性
Figure M_220617171418968_968969002
所在区域的目标访问概率，
Figure M_220617171419000_000209003
代表所述兴趣点的数量；
所述碰撞风险系数的表达式为：
Figure M_220617171419015_015830001
其中，
Figure M_220617171419093_093967001
表示M个所述地区社会属性中第
Figure M_220617171419125_125244002
个所述地区社会属性所在区域的目标访问概率；
Figure M_220617171419158_158413003
表示第
Figure M_220617171419189_189663004
个所述地区社会属性所在区域的禁飞风险系数。
6.根据权利要求1所述的方法，其特征在于，所述构建所述目标区域的静态物理障碍风险模型的步骤，包括：
获取与所述三维网格模型对应的静态建筑物信息；所述静态建筑物信息表征每个所述网格单元所在位置是否存在所述静态建筑物；
基于所述静态建筑物信息，确定所述飞行风险系数。
7.根据权利要求1所述的方法，其特征在于，所述利用模糊动态贝叶斯网络融合所述密集人流区域风险模型、社会属性风险模型、静态物理障碍风险模型，获得飞行风险地图的步骤，包括：
在每个所述网格单元，根据该网格单元对应的坠落风险系数、碰撞风险系数、飞行风险系数的大小，确定所述不同时段中该网格单元对应的总风险系数。
8.根据权利要求7所述的方法，其特征在于，所述飞行风险地图的表达式为：
Figure M_220617171419220_220919001
其中，
Figure M_220617171419347_347847001
表示位置点
Figure M_220617171419379_379619002
所在的网格单元在时段
Figure M_220617171419410_410854003
对应的总风险系数；
Figure M_220617171419442_442108004
表示所述位置点
Figure M_220617171419473_473358005
所在的网格单元在时段
Figure M_220617171419504_504620006
对应的坠落风险系数；
Figure M_220617171419535_535855007
表示所述位置点
Figure M_220617171419554_554871008
所在的网格单元在时段
Figure M_220617171419586_586651009
对应的碰撞风险系数；
Figure M_220617171419617_617885010
表示所述位置点
Figure M_220617171419649_649151011
所在的网格单元在时段
Figure M_220617171419680_680394012
对应的飞行风险系数；
Figure M_220617171419696_696009001
其中，
Figure M_220617171419823_823944001
表示所述坠落风险系数对应的人群密度风险敏感参数，
Figure M_220617171419839_839569002
表示所述碰撞风险系数对应的社会属性风险敏感参数；
Figure M_220617171419870_870829003
表示所述飞行风险系数对应的静态物理障碍风险敏感参数；
Figure M_220617171419902_902099004
为加权求和函数。
9.根据权利要求1所述的方法，其特征在于，所述根据所述飞行风险地图，设计基于风险动力学约束的混合A*算法规划所述无人机在所述目标区域的飞行航线的步骤，包括：
获取起点和终点的位置坐标；
对所述飞行风险地图进行预处理，得到稀疏风险地图；所述稀疏风险地图中的所有网格单元均为所述无人机可飞行的区域；
基于代价函数，设计所述基于风险动力学约束的混合A*算法搜索所述起点至所述终点之间的飞行航线。
CN202210707989.4A 2022-06-22 2022-06-22 基于城市动态时空风险分析的多目标无人机路径规划方法 Active CN114812564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210707989.4A CN114812564B (zh) 2022-06-22 2022-06-22 基于城市动态时空风险分析的多目标无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210707989.4A CN114812564B (zh) 2022-06-22 2022-06-22 基于城市动态时空风险分析的多目标无人机路径规划方法

Publications (2)

Publication Number Publication Date
CN114812564A true CN114812564A (zh) 2022-07-29
CN114812564B CN114812564B (zh) 2022-09-20

Family

ID=82520311

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210707989.4A Active CN114812564B (zh) 2022-06-22 2022-06-22 基于城市动态时空风险分析的多目标无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN114812564B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227857A (zh) * 2023-02-15 2023-06-06 上海正弘建设工程顾问有限公司 一种基于大数据的工程信息智能化分析***及方法
CN116523384A (zh) * 2023-04-11 2023-08-01 中国人民解放军陆军工程大学 基于独立否决和联合否决的无人机效能确定方法及***
CN117993227A (zh) * 2024-04-03 2024-05-07 北京工业大学 人流中的超越行为的仿真方法和装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114633A1 (en) * 2008-10-31 2010-05-06 David Sislak System and method for planning/replanning collision free flight plans in real or accelerated time
CN106970648A (zh) * 2017-04-19 2017-07-21 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
CN108196575A (zh) * 2018-01-05 2018-06-22 湖北工业大学 一种无人机任务分配及路线规划方法
US20190035287A1 (en) * 2016-06-10 2019-01-31 ETAK Systems, LLC Drone collision avoidance via Air Traffic Control over wireless networks
CN109839110A (zh) * 2019-01-09 2019-06-04 浙江大学 一种基于快速随机搜索树的多目标点路径规划方法
US20200241569A1 (en) * 2019-01-30 2020-07-30 The United States Of America, As Represented By The Secretary Of The Navy Method and System for Optimal Trajectory Path Tasking for an Unmanned Aerial Vehicle (UAV)
CN112215407A (zh) * 2020-09-23 2021-01-12 中国民航大学 一种三维无人机安全航路规划方法
CN112880684A (zh) * 2021-01-18 2021-06-01 中国人民解放军空军工程大学 一种城市空间无人机安全航路规划方法
CN113670309A (zh) * 2021-07-21 2021-11-19 南京航空航天大学 考虑安全风险与噪声影响的城市低空无人机路径规划方法
CN113932813A (zh) * 2021-09-30 2022-01-14 北航（四川）西部国际创新港科技有限公司 智能空地载具、其风险地图构建及航路规划方法与装置
CN114034301A (zh) * 2021-10-21 2022-02-11 北京航空航天大学杭州创新研究院 一种基于决策树的实时航路规划方法
CN114579892A (zh) * 2022-05-06 2022-06-03 南京航空航天大学 一种基于跨城市兴趣点匹配的用户异地访问位置预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100114633A1 (en) * 2008-10-31 2010-05-06 David Sislak System and method for planning/replanning collision free flight plans in real or accelerated time
US20190035287A1 (en) * 2016-06-10 2019-01-31 ETAK Systems, LLC Drone collision avoidance via Air Traffic Control over wireless networks
CN106970648A (zh) * 2017-04-19 2017-07-21 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
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN108196575A (zh) * 2018-01-05 2018-06-22 湖北工业大学 一种无人机任务分配及路线规划方法
CN109839110A (zh) * 2019-01-09 2019-06-04 浙江大学 一种基于快速随机搜索树的多目标点路径规划方法
US20200241569A1 (en) * 2019-01-30 2020-07-30 The United States Of America, As Represented By The Secretary Of The Navy Method and System for Optimal Trajectory Path Tasking for an Unmanned Aerial Vehicle (UAV)
CN112215407A (zh) * 2020-09-23 2021-01-12 中国民航大学 一种三维无人机安全航路规划方法
CN112880684A (zh) * 2021-01-18 2021-06-01 中国人民解放军空军工程大学 一种城市空间无人机安全航路规划方法
CN113670309A (zh) * 2021-07-21 2021-11-19 南京航空航天大学 考虑安全风险与噪声影响的城市低空无人机路径规划方法
CN113932813A (zh) * 2021-09-30 2022-01-14 北航（四川）西部国际创新港科技有限公司 智能空地载具、其风险地图构建及航路规划方法与装置
CN114034301A (zh) * 2021-10-21 2022-02-11 北京航空航天大学杭州创新研究院 一种基于决策树的实时航路规划方法
CN114579892A (zh) * 2022-05-06 2022-06-03 南京航空航天大学 一种基于跨城市兴趣点匹配的用户异地访问位置预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YAO JI; CHAO DONG; XIAOJUN ZHU; QIHUI WU: "Fair-Energy Trajectory Planning for Multi-Target Positioning Based on Cooperative Unmanned Aerial Vehicles", 《IEEE ACCESS》 *
任新惠，武彤: "基于配送模式的无人机城市配送路径规划", 《科学技术与工程》 *
胡莘婷等: "基于城区行人安全的无人机运行风险评估", 《中国安全科学学报》 *
高晓静等: "无人机路径规划中的环境和威胁模型研究", 《航空计算技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227857A (zh) * 2023-02-15 2023-06-06 上海正弘建设工程顾问有限公司 一种基于大数据的工程信息智能化分析***及方法
CN116227857B (zh) * 2023-02-15 2023-11-21 上海正弘建设工程顾问有限公司 一种基于大数据的工程信息智能化分析***及方法
CN116523384A (zh) * 2023-04-11 2023-08-01 中国人民解放军陆军工程大学 基于独立否决和联合否决的无人机效能确定方法及***
CN116523384B (zh) * 2023-04-11 2024-05-14 中国人民解放军陆军工程大学 基于独立否决和联合否决的无人机效能确定方法及***
CN117993227A (zh) * 2024-04-03 2024-05-07 北京工业大学 人流中的超越行为的仿真方法和装置

Also Published As

Publication number Publication date
CN114812564B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN114812564B (zh) 基于城市动态时空风险分析的多目标无人机路径规划方法
US10706729B2 (en) Joint search method for UAV multiobjective path planning in urban low altitude environment
Wen et al. A hybrid temporal association rules mining method for traffic congestion prediction
Talebpour et al. Modeling lane-changing behavior in a connected environment: A game theory approach
Pang et al. UAV path optimization with an integrated cost assessment model considering third-party risks in metropolitan environments
US8082102B2 (en) Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
Bai et al. UAV path planning based on improved A∗ and DWA algorithms
Wang et al. Stop-and-wait: Discover aggregation effect based on private car trajectory data
CN109685286B (zh) 未知静态障碍环境下usv基于改进蚁群优化的避碰规划方法
Sarmady et al. Modeling groups of pedestrians in least effort crowd movements using cellular automata
Pang et al. A risk-based UAS traffic network model for adaptive urban airspace management
Ma et al. Adaptive path planning method for UAVs in complex environments
CN115355922A (zh) 一种基于改进蚁群算法的出行路径规划方法及***
Hildemann et al. 3D-flight route optimization for air-taxis in urban areas with Evolutionary Algorithms and GIS
Li et al. A reinforcement learning-based routing algorithm for large street networks
Cai et al. A novel vector-based dynamic path planning method in urban road network
Chen et al. Urban road network partitioning based on bi-modal traffic flows with multiobjective optimization
Tan et al. Enhancing sustainable urban air transportation: Low-noise UAS flight planning using noise assessment simulator
Wu et al. A flood-discharge-based spatio-temporal diffusion method for multi-target traffic hotness construction from trajectory data
Shafizadeh‐Moghadam et al. On the spatiotemporal generalization of machine learning and ensemble models for simulating built‐up land expansion
Scozzaro et al. Noise abatement trajectories for a uav delivery fleet
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和***
CN115730711A (zh) 空间划分方法、装置及存储介质
Purohit et al. Game theoretic multi-agent approach to traffic flow control

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