CN115903888A - 一种基于天牛群算法的旋翼无人机自主路径规划方法 - Google Patents
一种基于天牛群算法的旋翼无人机自主路径规划方法 Download PDFInfo
- Publication number
- CN115903888A CN115903888A CN202211402120.5A CN202211402120A CN115903888A CN 115903888 A CN115903888 A CN 115903888A CN 202211402120 A CN202211402120 A CN 202211402120A CN 115903888 A CN115903888 A CN 115903888A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- unmanned aerial
- aerial vehicle
- path
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于天牛群算法的旋翼无人机自主路径规划方法,属于航空军事作战和民用巡查技术领域,包括以下步骤:步骤1、构建旋翼无人机路径障碍物模型并进行环境建模;步骤2、无人机性能约束和代价函数的设计;步骤3、基于天牛群算法进行搜索迭代,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,得到旋翼无人机的最优路径。本发明将天牛须、粒子群两种算法的优点进行融合改进,提出了天牛群算法,基于天牛群算法的无人机路径规划方法不仅增强了无人机识别目标方向的能力,而且为无人机规划出良好的飞行路径,有效的缩短无人机的飞行时间。
Description
技术领域
本发明属于航空军事作战和民用巡查技术领域,具体涉及一种基于天牛群算法的旋翼无人机自主路径规划方法。
背景技术
旋翼无人机具有能够垂直起降、自由悬停、控制灵活和适应各种环境能力强等优点,在军事作战和民用侦查领域得到广泛推广。无论是在军用或是民用方面,无人机主要在空旷的野外平原和高空域执行侦查,航拍,监测等任务,在面对城市中的未知环境,旋翼无人机路径规划缺乏自主性和实用性。路径规划技术尚不成熟,仍然需要人为操控且发生事故率较高。无人机在面对社区,学校等未知情况下的建筑时候,作出自主飞行决策性不高,在出现未知障碍物时常发生碰撞,这大大降低了无人机的机动能力。因此,研究旋翼无人机自主路径规划方法,得到最优无碰撞路径,最大限度地减少路径长度、飞行时间和能源消耗,具有重要的实用价值。
天牛算法的搜索个体是一只天牛,搜索结果拥有着大量的不确定性,不适合无人机在高维复杂环境下进行路径搜索,无法解决旋翼无人机在高维复杂的环境中规划出的路径产生偶然性的问题。
发明内容
为了解决旋翼无人机在高维复杂的环境中规划出的路径产生偶然性的问题,本发明提出了一种基于天牛群算法的旋翼无人机自主路径规划方法,将天牛须、粒子群两种算法的优点进行融合改进,提出了天牛群算法,并将其应用到旋翼无人机路径规划中,提高了旋翼无人机自主规划能力,获得最优无碰撞路径,最大限度地减少路径长度、飞行时间和能源消耗。
本发明的技术方案如下:
一种基于天牛群算法的旋翼无人机自主路径规划方法,具体包括以下步骤:
步骤1、构建旋翼无人机路径障碍物模型并进行环境建模;
步骤2、无人机性能约束和代价函数的设计;
步骤3、基于天牛群算法进行搜索迭代,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,得到旋翼无人机的最优路径;
天牛群算法的搜索过程如下:
(1)首先进行天牛群初始化;初始化种群的数量、初始步长以及初始化搜索空间中每个个体的速度和位置,得到天牛左右触须的坐标;
(2)获取天牛种群的个体极值和种群极值;计算所有个体的适应度值作为代价函数值,将所有个体的极值一一进行比对获得所有天牛的种群极值;
(3)进入迭代过程,每一次迭代之后都进行步长的更新,并得到新的惯性权重和步长因子值,进而获得新的增量函数值;
(4)通过天牛的个体最优位置和种群最优位置进行天牛的速度和位置更新;
(5)循环终止条件:判断迭代次数是否到达最大迭代次数,当满足终止条件时,运行终止。
进一步地,步骤1具体包括以下子步骤:
步骤1.1、构建旋翼无人机路径障碍物模型:采用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,具体为,采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及土丘;
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型来模拟旋翼无人机飞行的路径环境。
进一步地,步骤2中,性能约束包括最大电量约束、无人机自身性能约束、障碍物约束;
所述步骤2具体包括以下子步骤:
步骤2.1、最大电量约束:旋翼无人机在航行过程中携带的电量是有限的,飞机的飞行距离受到电池容量的限制,无人机的电量消耗与无人机的飞行路径以及飞行路径的曲率成本有关;假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程表示为Li;第i段路径长度的代价函数fd为:
式中xi,yi,zi分别表示前一个路径点在x,y,z轴上的坐标,xi+1,yi+1,zi+1分别表示后一个路径点在x,y,z轴上的坐标;表示前一个路径点与后面一个路径点之间的距离;由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,yi′描述为yi相对于xi在坐标(xi,yi)下的一阶导,yi″描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数;
无人机电池的能耗fb为:
fb=fd+fc (3)
其中fd表示第i段路径长度的代价函数,fc表示曲率代价函数;
步骤2.2、无人机自身性能约束函数fo为:
从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为约束值;
从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度,M为约束值;
飞行高度的约束函数fopt_height(xi)表示为:
其中H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值;
步骤2.3、障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍的半径;
步骤2.4、通过对以上各个约束函数的分析,得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (11)
式中代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1。
进一步地,步骤3中,基于天牛群算法得到旋翼无人机最优路径的具体步骤为:
步骤3.1、进行天牛群初始化,初始化种群数量以及初始化搜索空间中每个天牛的速度和位置;具体过程如下:
其中,rands(.)是随机函数,3表示随机函数为三维,1表示将坐标进行归一化处理;
第m只天牛在三维空间里的位置向量表示为:
创建天牛的初始的左右触角的空间坐标:
其中xrk表示第k次迭代时右天线的位置坐标,xlk表示第k次迭代时左天线的坐标;dk为天牛两个天线之间的搜索距离;第m只天牛的速度表示为:
步骤3.2、设置初始步长;具体过程如下:
天牛群中天牛的初始步长为step,初始步长的值设定为:
step=(ub-lb)*2 (17)
式中ub代表搜索空间中边界值的上限,lb代表搜索空间中边界值的下限;
步骤3.3、计算所有天牛的适应度值并比较得到的全局最优;具体过程如下:
采用适用于旋翼无人机的代价函数来获取种群的个体极值和种群极值,代价函数如步骤2.4所示;
通过个体最优极值fm和种群最优极值fg获得个体最优位置pm和种群最优位置pg;
第m个个体个最优极值fm对应的当前搜索到的个体最优位置pm为:
其中,fm=(fm1,fm2,fm3)T表示种群中第m个个体在j维空间的最优极值参数,pmj(j=1...3)表示种群第m个个体在j维空间的最优位置参数;
天牛群体的种群最优位置表示为:
其中,fg=(fg1,fg2,fg3)T表示种群在j维空间的最优极值,pgj(j=1...3)表示种群最优个体在j维空间的位置参数;
接下来设置步长的更新规则,
eta=step1*(step0/step1)(1/(1+10*k/K)) (20)
δk=eta*step (21)
在这一步中,将天牛左右触角的位置扩展到高维度,δk表示当前步长;step0和step1是设置的随机数,其范围为[0,1],eta代表步长系数的更新,用来更新步长;
左触角和右触角的位置坐标更新规则分别表示为:
进行天牛种群速度和位置的更新,第m个天牛、k+1次迭代所进行的速度更新为:
第m个天牛、k+1次迭代时的位置更新为:
步骤3.4、设置惯性权重;
设置部分系数的值,采用降低惯性权重的策略,公式如下:
c1=1-exp(-|fm-fg|) (28)
c2=1-c1 (29)
其中,学习因子c1控制个体的自我学习能力,学习因子c2控制群体的社会学习能力,它们是两个正数;ω是惯性权重,ωmax和ωmin分别代表ω的最大值和最小值;k和K是当前迭代次数和最大迭代次数;步骤3.5、每次迭代更新完天牛的速度和位置后,均需要更新步长系数、惯性权重和步长,然后重新计算每个天牛的适应度值并重新比较得到全局最优,并使迭代次数加一,直到达到最大迭代次数后结束算法;
步骤3.6、基于上述步骤不断更新得到天牛群体的最优值,且每一次迭代更新都将旋翼无人机的位置替换为当前天牛群的种群最优位置,达到最大迭代次数后将每次迭代后的旋翼无人机位置用光滑的曲线连接起来,最终得到了使用天牛群算法规划出来的最优路径。
本发明所带来的有益技术效果:
本发明在天牛须算法的基础上引入粒子群算法,将两种算法的优点进行融合改进,不仅保证天牛须算法强大的全局搜索能力,更利用粒子群算法特有的个体和群体极值,大大加强了路径规划的合理性以及可通行性,该算法能够帮助旋翼无人机在三维环境中高效的飞行并且准确的到达目标点;
本发明设计的基于天牛群算法的路径规划方法,在天牛须算法的基础上增加了天牛种群的数量,解决了旋翼无人机在飞行方向上对目标点判断不够准确的问题,通过仿真实验证明相比常规的天牛须算法,基于天牛群算法的无人机路径规划方法不仅增强了无人机识别目标方向的能力,而且为无人机规划出良好的飞行路径,有效的缩短无人机的飞行时间。
附图说明
图1为天牛须算法的流程图;
图2为本发明天牛群算法的流程图;
图3为本发明仿真实验天牛群算法BSO和天牛须算法BAS分别在参数空间和目标空间的对比结果图;
图4为本发明仿真实验天牛群算法BSO和天牛须算法BAS分别在x轴、y轴和z轴方向上移动距离的对比结果图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种基于天牛群算法的旋翼无人机自主路径规划方法,具体包括以下步骤:
步骤1、构建旋翼无人机路径障碍物模型并进行环境建模;具体包括以下子步骤:
步骤1.1、构建旋翼无人机路径障碍物模型:主要是用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,如采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及一些土丘等等。
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型共计13个来模拟旋翼无人机飞行的路径环境。
步骤2、无人机性能约束和代价函数的设计;性能约束包括最大电量约束、无人机自身性能约束、障碍物约束,具体包括以下子步骤:
步骤2.1、最大电量约束:旋翼无人机在航行过程中携带的电量是有限的,飞机的飞行距离受到电池容量的限制。无人机的电量消耗主要与无人机的飞行路径以及飞行路径的曲率成本有关。假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程可以表示为Li。第i段路径长度的代价函数fd为:
式中xi,yi,zi分别表示前一个路径点在x,y,z轴上的坐标,xi+1,yi+1,zi+1分别表示后一个路径点在x,y,z轴上的坐标。表示前一个路径点与后面一个路径点之间的距离。由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,yi′描述为yi相对于xi在坐标(xi,yi)下的一阶导,yi″描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数。
无人机电池的能耗fb为:
fb=fd+fc (32)
其中fd表示第i段路径长度的代价函数,fc表示曲率代价函数。
步骤2.2、无人机自身性能约束函数fo为:
旋翼无人机在进行路径规划过程中,无人机的爬升和俯冲角度是一个重要的约束,最大俯仰角是无人机从当前位置飞到下一个中间点位置在垂直方向上的角度限制,无人机的俯仰角不能超过这个最大的俯仰角。从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为合适的约束值。
旋翼无人机在实际飞行过程中,最大偏航角约束是指旋翼无人机由当前位置转弯到下一位置时,受到自身机动性能的限制,偏航角只能小于等于最大偏航角,飞机才能飞到下一个位置。从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度,M为合适的约束值。
旋翼无人机的飞行场所多数在城市和山区,无人机飞行高度过低会使无人机与复杂的地形相撞,而无人机飞行高度过高会消耗过多的电能,因此要选择合适的高度范围,飞行高度的约束函数fopt_height(xi)可以表示为:
其中H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值。
步骤2.3、障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍的半径。
步骤2.4、通过对以上各个约束函数的分析,可以得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (40)
式中代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1,根据不同环境合理调整比例系数可以使无人机获得更好的飞行路径。
步骤3、基于天牛群算法进行搜索迭代,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,得到旋翼无人机的最优路径。
其中rands(.)是随机函数,逗号左侧的j表示随机函数的维度,逗号右侧的1表示将坐标进行归一化处理。
然后创建天牛的左右须空间坐标,
其中xrk表示第k次迭代时右天线的位置坐标,xlk表示第k次迭代时左天线的坐标。d0为天牛两个天线之间的距离。用适应度函数值f(xlk)和f(xrk)来表示左右触角处的气味强度。下一步,设置天牛的迭代机制来制定检测行为,模型如下:
其中xk+1、xk分别为天牛在第k+1和第k次迭代时天牛质心的坐标,δk代表步长。sign()表示一个符号函数,如果右侧天线的适应度大于左侧的,则天牛向的方向移动δk,反之则向的反方向移动。搜索距离dk和步长δk之间的关系如下:
δk=eta*δk-1 (45)
dk=δk/c2 (46)
其中c1、c2为需要调整的常数,eta代表步长因子,用来更新步长,其值在天牛须算法中为固定值。天牛每迭代更新一次位置后,都需要更新步长,然后迭代次数加一,直到达到迭代次数后输出天牛历史最优位置。具体流程图如图1所示。
将天牛须算法中的天牛个体扩展为群体就得到了天牛群算法,在该算法中,每只天牛代表优化问题的一个潜在解,每只天牛对应一个由适应度函数确定的适应度值。类似于粒子群算法,天牛也共享信息,但天牛的距离和方向取决于它们的速度和长触角要检测到的信息强度,并且在数学形式上,借用了粒子群算法的思想。
天牛群算法的搜索过程如下:
(1)首先进行天牛群初始化;初始化种群的数量、初始步长以及初始化搜索空间中每个个体的速度和位置,得到天牛左右触须的坐标。
(2)获取天牛种群的个体极值和种群极值;计算所有个体的适应度值即代价函数值,将所有个体的极值一一进行比对获得所有天牛的种群极值。
(3)进入迭代过程,设置系数ωmax、ωmin、c1、c2、λ以及step0和step1的值,每一次迭代之后都进行步长的更新,并得到新的ω和eta值,进而获得新的增量函数ξ的值。
(4)通过天牛的个体最优位置和种群最优位置进行天牛的速度和位置更新。
(5)循环终止条件:判断迭代次数是否到达最大迭代次数,当满足终止条件时,运行终止。
天牛群算法的算法流程图如图2所示。天牛群算法的详细搜索过程如下:
步骤3.1、进行天牛群初始化,即初始化种群数量以及初始化搜索空间中每个天牛的速度和位置。具体过程如下:
其中,rands(.)是随机函数,逗号左侧的3表示随机函数为三维,逗号右侧的1表示将坐标进行归一化处理。
第m只天牛在三维空间里的位置向量可以表示为:
创建天牛的初始的左右触角的空间坐标:
其中xrk表示第k次迭代时右天线的位置坐标,xlk表示第k次迭代时左天线的坐标。dk为天牛两个天线之间的搜索距离。第m只天牛的速度表示为:
步骤3.2、设置初始步长。具体过程如下:
天牛群中天牛的初始步长为step,初始步长的值设定为:
step=(ub-lb)*2 (52)
式中ub代表搜索空间中边界值的上限,lb代表搜索空间中边界值的下限。
步骤3.3、计算所有天牛的适应度值并比较得到的全局最优。具体过程如下:
采用适用于旋翼无人机的代价函数来获取种群的个体极值和种群极值,代价函数如步骤2.4所示。
通过天牛须算法可以得知第m个个体最优极值fm并且通过比较每个个体的最优极值可以得到种群最优极值fg。通过个体最优极值fm和种群最优极值fg获得个体最优位置pm和种群最优位置pg。
第m个个体个最优极值fm对应的当前搜索到的个体最优位置pm为:
pm=(pm1,pm2,pm3)T (53)
其中pmj(j=1...3)表示种群第m个个体在j维空间的最优位置参数。
天牛群体的种群最优位置表示为:
pg=(pg1,pg2,pg3)T (54)
其中pgj(j=1...3)表示种群最优个体在j维空间的位置参数。
接下来设置步长的更新规则,
eta=step1*(step0/step1)(1/(1+10*k/K)) (55)
δk=eta*step (56)
在这一步中,将天牛左右触角的位置扩展到高维度,δk表示当前步长。step0和step1是设置的随机数,其范围为[0,1],eta代表步长系数的更新,用来更新步长。
左触角和右触角的位置坐标更新规则分别表示为:
其中m=1,2...,s;k是当前的迭代次数。表示第m个天牛、k次迭代时天牛的速度,表示第k+1次迭代时天牛运动增加的幅度,该值越大表示运动越剧烈,并不是简单的大小。表示天牛左右触角适应度函数值的差,用来决定天牛是向左侧移动还是向右侧移动。
进行天牛种群速度和位置的更新,第m个天牛、k+1次迭代所进行的速度更新为:
第m个天牛、k+1次迭代时的位置更新为:
步骤3.4、设置惯性权重。
设置部分系数的值,本发明采用降低惯性权重的策略,公式如下:
c1=1-exp(-|fm-fg|) (63)
c2=1-c1 (64)
学习因子c1控制着个体的自我学习能力,学习因子c2控制着群体的社会学习能力,它们是两个正数。ω是惯性权重,ωmax和ωmin最大限度分别代表ω的最大值和最小值。k和K是当前迭代次数和最大迭代次数。将ω的最大值设置为0.9,最小值设置为0.4,使算法在进化开始时可以搜索更大的范围,尽快找到最优解区域,随着ω逐渐减小,天牛的速度减小,然后进入局部搜索。
在迭代前期,fm与fg取值相差较大,从而能够保证了较大的c1和较小的c2,从而使得算法能够在较大的取值空间范围内进行搜索;随着迭代的进行,两者的差值变小,就保证了较小的c1和较大的c2,使得算法能够定位到一个较小的区域,从而能够以较快的速度收敛到全局最优。
步骤3.5、每次迭代更新完天牛的速度和位置后,均需要更新步长系数、惯性权重和步长,然后重新计算每个天牛的适应度值并重新比较得到全局最优,并使迭代次数加一。直到达到最大迭代次数后结束算法。
步骤3.6、基于上述步骤不断更新得到天牛群体的最优值,且每一次迭代更新都将旋翼无人机的位置替换为当前天牛群的种群最优位置,达到最大迭代次数后将每次迭代后的旋翼无人机位置用光滑的曲线连接起来,这样就得到了使用天牛群算法规划出来的最优路径。
为了证明本发明的可行性与优越性,进行了相关算法仿真实验进行验证。验证的过程为:
基于步骤2.4中障碍物约束函数ft的表达式,在各系数之和为1的前提下,改变各系数的大小,进行多组仿真,图3和图4为其中一组仿真结果展示。通过图3可知,使用天牛群算法BSO规划出来的路径比使用常规天牛须算法BAS规划出的路径更为平滑,且天牛群算法BSO的收敛速度更快、得到的最优代价值更好。通过图4可知,在x,y,z轴上天牛群算法规划出来的路径长度均比常规天牛须算法规划出来的路径长度要短。通过多组仿真结果可以看出随着代价函数中设置的威胁物约束占比的减小,设置的旋翼无人机自身性能约束及最大电量约束占比增大,两种算法收敛获得的最优代价值也在增加,但在代价函数相同的情况下,天牛群算法明显比常规的天牛须算法收敛效果更好,获得的最优代价值更小,即得到了更优的代价函数值。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种基于天牛群算法的旋翼无人机自主路径规划方法,其特征在于,具体包括以下步骤:
步骤1、构建旋翼无人机路径障碍物模型并进行环境建模;
步骤2、无人机性能约束和代价函数的设计;
步骤3、基于天牛群算法进行搜索迭代,达到最大迭代次数后将每次迭代后的无人机位置用光滑的曲线连接起来,得到旋翼无人机的最优路径;
天牛群算法的搜索过程如下:
(1)首先进行天牛群初始化;初始化种群的数量、初始步长以及初始化搜索空间中每个个体的速度和位置,得到天牛左右触须的坐标;
(2)获取天牛种群的个体极值和种群极值;计算所有个体的适应度值作为代价函数值,将所有个体的极值一一进行比对获得所有天牛的种群极值;
(3)进入迭代过程,每一次迭代之后都进行步长的更新,并得到新的惯性权重和步长因子值,进而获得新的增量函数值;
(4)通过天牛的个体最优位置和种群最优位置进行天牛的速度和位置更新;
(5)循环终止条件:判断迭代次数是否到达最大迭代次数,当满足终止条件时,运行终止。
2.根据权利要求1所述基于天牛群算法的旋翼无人机自主路径规划方法,其特征在于,所述步骤1具体包括以下子步骤:
步骤1.1、构建旋翼无人机路径障碍物模型:采用不同形状的障碍物来模拟飞行环境中的各式各样的实际物体,具体为,采用柱体障碍物来模拟无人机在飞行过程中遇到的各式各样的建筑物,采用球体来模拟无人机在飞行过程中遇到的巨石以及土丘;
步骤1.2、基于步骤1.1,在搜索空间中选用俯视图分别为圆形、正方形和L型的障碍物模型来模拟旋翼无人机飞行的路径环境。
3.根据权利要求1所述基于天牛群算法的旋翼无人机自主路径规划方法,其特征在于,所述步骤2中,性能约束包括最大电量约束、无人机自身性能约束、障碍物约束;
所述步骤2具体包括以下子步骤:
步骤2.1、最大电量约束:旋翼无人机在航行过程中携带的电量是有限的,飞机的飞行距离受到电池容量的限制,无人机的电量消耗与无人机的飞行路径以及飞行路径的曲率成本有关;假定飞机的飞行路径分为n段,最大航程为Lmax,则第i段航程表示为Li;第i段路径长度的代价函数fd为:
式中xi,yi,zi分别表示前一个路径点在x,y,z轴上的坐标,xi+1,yi+1,zi+1分别表示后一个路径点在x,y,z轴上的坐标;表示前一个路径点与后面一个路径点之间的距离;由于算法搜索生成的路径不能满足无人机飞行的需要,需要对生成的路径进行平滑处理,引入曲率代价函数fc:
其中,y′i描述为yi相对于xi在坐标(xi,yi)下的一阶导,y″i描述为yi相对于xi在坐标(xi,yi)下的二阶导,ni表示第n段路径上路径点的个数;
无人机电池的能耗fb为:
fb=fd+fc (3)
其中fd表示第i段路径长度的代价函数,fc表示曲率代价函数;
步骤2.2、无人机自身性能约束函数fo为:
从当前点到下个中间点的俯仰角约束函数fpitch_angle(xi)满足以下公式:
式中,θ为无人机的俯仰角度,θmax为无人机的最大俯仰角度,M为约束值;
从当前点到下个位置的偏航角约束函数fyaw_angle(xi)满足以下公式:
式中,Ψi为无人机的偏航角度,Ψmax为无人机的最大偏航角度,M为约束值;
飞行高度的约束函数fopt_height(xi)表示为:
其中H是根据环境分析以及任务需要所推算出的最优飞行高度,hi为无人机距地面的高度,Mh为约束值;
步骤2.3、障碍物约束:无人机在飞行过程中会遇到各种各样的障碍物,障碍物约束函数ft表示为:
式中Q表示障碍物的个数,dn,q表示第n路径段内路径点到第q个障碍物之间的距离,rq表示第q个障碍的半径;
步骤2.4、通过对以上各个约束函数的分析,得到无人机飞行轨迹的代价函数为:
f=ω1fb+ω2fo+ω3ft (11)
式中代价函数中ω1、ω2和ω3表示各个部分的约束函数在代价函数中所占的比例,并且系数之和为1。
4.根据权利要求3所述基于天牛群算法的旋翼无人机自主路径规划方法,其特征在于,所述步骤3中,基于天牛群算法得到旋翼无人机最优路径的具体步骤为:
步骤3.1、进行天牛群初始化,初始化种群数量以及初始化搜索空间中每个天牛的速度和位置;具体过程如下:
其中,rands(.)是随机函数,3表示随机函数为三维,1表示将坐标进行归一化处理;
第m只天牛在三维空间里的位置向量表示为:
创建天牛的初始的左右触角的空间坐标:
其中xrk表示第k次迭代时右天线的位置坐标,xlk表示第k次迭代时左天线的坐标;dk为天牛两个天线之间的搜索距离;第m只天牛的速度表示为:
步骤3.2、设置初始步长;具体过程如下:
天牛群中天牛的初始步长为step,初始步长的值设定为:
step=(ub-lb)*2 (17)
式中ub代表搜索空间中边界值的上限,lb代表搜索空间中边界值的下限;
步骤3.3、计算所有天牛的适应度值并比较得到的全局最优;具体过程如下:
采用适用于旋翼无人机的代价函数来获取种群的个体极值和种群极值,代价函数如步骤2.4所示;
通过个体最优极值fm和种群最优极值fg获得个体最优位置pm和种群最优位置pg;
第m个个体个最优极值fm对应的当前搜索到的个体最优位置pm为:
其中,fm=(fm1,fm2,fm3)T表示种群中第m个个体在j维空间的最优极值参数,pmj(j=1...3)表示种群第m个个体在j维空间的最优位置参数;
天牛群体的种群最优位置表示为:
其中,fg=(fg1,fg2,fg3)T表示种群在j维空间的最优极值,pgj(j=1...3)表示种群最优个体在j维空间的位置参数;
接下来设置步长的更新规则,
eta=step1*(step0/step1)(1/(1+10*k/K)) (20)
δk=eta*step (21)
在这一步中,将天牛左右触角的位置扩展到高维度,δk表示当前步长;step0和step1是设置的随机数,其范围为[0,1],eta代表步长系数的更新,用来更新步长;
左触角和右触角的位置坐标更新规则分别表示为:
进行天牛种群速度和位置的更新,第m个天牛、k+1次迭代所进行的速度更新为:
第m个天牛、k+1次迭代时的位置更新为:
步骤3.4、设置惯性权重;
设置部分系数的值,采用降低惯性权重的策略,公式如下:
c1=1-exp(-|fm-fg|) (28)
c2=1-c1 (29)
其中,学习因子c1控制个体的自我学习能力,学习因子c2控制群体的社会学习能力,它们是两个正数;ω是惯性权重,ωmax和ωmin分别代表ω的最大值和最小值;k和K是当前迭代次数和最大迭代次数;
步骤3.5、每次迭代更新完天牛的速度和位置后,均需要更新步长系数、惯性权重和步长,然后重新计算每个天牛的适应度值并重新比较得到全局最优,并使迭代次数加一,直到达到最大迭代次数后结束算法;
步骤3.6、基于上述步骤不断更新得到天牛群体的最优值,且每一次迭代更新都将旋翼无人机的位置替换为当前天牛群的种群最优位置,达到最大迭代次数后将每次迭代后的旋翼无人机位置用光滑的曲线连接起来,最终得到了使用天牛群算法规划出来的最优路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402120.5A CN115903888A (zh) | 2022-11-10 | 2022-11-10 | 一种基于天牛群算法的旋翼无人机自主路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402120.5A CN115903888A (zh) | 2022-11-10 | 2022-11-10 | 一种基于天牛群算法的旋翼无人机自主路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903888A true CN115903888A (zh) | 2023-04-04 |
Family
ID=86493219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402120.5A Pending CN115903888A (zh) | 2022-11-10 | 2022-11-10 | 一种基于天牛群算法的旋翼无人机自主路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903888A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090931A (zh) * | 2023-03-16 | 2023-05-09 | 南京邮电大学 | 一种基于客户分类的末端配送方法及装置 |
CN117146827A (zh) * | 2023-10-30 | 2023-12-01 | 广东电网有限责任公司佛山供电局 | 一种无人机巡检路径规划方法及装置 |
CN117826845A (zh) * | 2024-03-04 | 2024-04-05 | 易创智芯(西安)科技有限公司 | 一种航空运行安全主动避障及规划方法 |
-
2022
- 2022-11-10 CN CN202211402120.5A patent/CN115903888A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090931A (zh) * | 2023-03-16 | 2023-05-09 | 南京邮电大学 | 一种基于客户分类的末端配送方法及装置 |
CN116090931B (zh) * | 2023-03-16 | 2024-02-09 | 南京邮电大学 | 一种基于客户分类的末端配送方法及装置 |
CN117146827A (zh) * | 2023-10-30 | 2023-12-01 | 广东电网有限责任公司佛山供电局 | 一种无人机巡检路径规划方法及装置 |
CN117826845A (zh) * | 2024-03-04 | 2024-04-05 | 易创智芯(西安)科技有限公司 | 一种航空运行安全主动避障及规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210020051A1 (en) | Airplane flight path planning method and device based on the pigeon-inspired optimization | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
CN110806756B (zh) | 基于ddpg的无人机自主引导控制方法 | |
CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
De Filippis et al. | A minimum risk approach for path planning of UAVs | |
CN112684807A (zh) | 无人机集群三维编队方法 | |
Nikolos et al. | UAV path planning using evolutionary algorithms | |
CN108919818B (zh) | 基于混沌种群变异pio的航天器姿态轨道协同规划方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN115454115A (zh) | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 | |
CN112327939B (zh) | 一种城市街区环境下高层消防多无人机协同路径规划方法 | |
CN116954239B (zh) | 一种基于改进粒子群算法的无人机航迹规划方法及*** | |
CN109870906A (zh) | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 | |
CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
CN115060263A (zh) | 一种考虑低空风和无人机能耗的航迹规划方法 | |
Bian et al. | Trajectory following and improved differential evolution solution for rapid forming of UAV formation | |
CN110793522B (zh) | 一种基于蚁群算法的航迹规划方法 | |
CN113220008B (zh) | 多火星飞行器的协同动态路径规划方法 | |
CN117724524A (zh) | 一种基于改进球面向量粒子群算法的无人机航线规划方法 | |
CN112258896A (zh) | 基于航迹的无人机融合空域运行方法 | |
CN114815875B (zh) | 一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法 | |
CN112161626B (zh) | 一种基于航路跟踪映射网络的高可飞性航路规划方法 | |
Cui | Multi-target points path planning for fixed-wing unmanned aerial vehicle performing reconnaissance missions | |
Oyana et al. | Three-layer multi-uavs path planning based on ROBL-MFO | |
Li et al. | Unified path planning for composite UAVs via Fermat point-based grouping particle swarm optimization |
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 |