CN115903918A - 一种无人***韧性控制方法及装置 - Google Patents
一种无人***韧性控制方法及装置 Download PDFInfo
- Publication number
- CN115903918A CN115903918A CN202310010525.2A CN202310010525A CN115903918A CN 115903918 A CN115903918 A CN 115903918A CN 202310010525 A CN202310010525 A CN 202310010525A CN 115903918 A CN115903918 A CN 115903918A
- Authority
- CN
- China
- Prior art keywords
- unmanned system
- node
- force
- path node
- unmanned
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 238000010845 search algorithm Methods 0.000 claims abstract description 23
- 230000004888 barrier function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人***韧性控制方法及装置，属于无人***路径规划技术领域，用于解决现有无人***路径规划算法抗干扰能力较差，无法保证无人***在干扰环境内安全运行的问题。该方法包括：根据环境干扰力确定满足无人***韧性控制的最小安全距离；判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，以判断无人***是否存在碰撞风险；根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于合力生成运动控制指令，控制无人***向下一个路径节点移动。
Description
技术领域
本发明属于无人***路径规划技术领域，具体地，涉及一种无人***韧性控制方法及装置。
背景技术
智能体如无人机、无人车，具有状态耦合度低、空间姿态灵活等优势，使得平台工作效率得到大幅提升，从而受到高空作业需求者的青睐。例如，在军事上常常被用来执行通讯中继、物资运输等任务；在民用领域，通常用来执行气象研究、农业浇灌、地形测绘、物流运输、航空拍摄、森林火情防控等任务。
无人***可以由人类操作员操作，然而在一些场景下，例如在干扰环境执行任务时，操作员的误操作或是通信可能存在延迟，有可能导致无人***做出错误的路径轨迹。
自主规划路径的无人***在实际运行中，也往往会受到天气因素导致的外界干扰（如风、雨等），这些外界干扰对无人***造成的位移偏差，使无人***偏离了任务路线。而传统路径规划算法，例如以计算量小、速度快为代表的稀疏A*搜索算法（Spare A-starSearch，SAS）抗干扰性能较弱，无人***因干扰偏离预计航线时就可能与障碍物发生碰撞，导致机体受损，甚至失控坠机等严重后果。
发明内容
本发明公开了一种无人***韧性控制方法及装置，以解决现有无人***路径规划算法抗干扰能力较差，无法保证无人***在干扰环境内安全运行的问题。
本发明的第1方面，公开了一种无人***韧性控制方法，该方法包括：
感知当前路径节点的环境干扰力；
根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动。
在一个实施例中，所述最小安全距离
D min 满足以下条件：
D min ≥
ξ+
1/2*D uav ，
ξ为当前环境干扰力使无人***在单位时间内产生的路径干扰偏移量，
D uav 为无人***本体的最大直径。
在一个实施例中，所述根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，包括：基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据构建基于高斯分布的干扰分级模型。
在一个实施例中，当前路径节点
i下内环节点的搜索算法代价函数
T(
i)为：
T(
i) =
g(
s,
i) +
h(
i,
e) +
O(
s,
i)
式中，
h(
i,
e)为使用欧氏距离计算的内环节点（
x i ,
y i ,
z i）与离目标点（
x e ,
y e ,
z e ）之间的估计路径代价，
g(
s,
i)从起始点（
x S ,
y S ,
z S ）开始到当前路径节点
i下的内环节点（
x i ,
y i ,
z i）的累计路径代价，
O(
s,
i)为补偿惩罚
O(
s,
i)；
其中，补偿惩罚
O(
s,
i)设定为：
O(
s,
i) =
g(
s,
i)
O risk
ω
式中，
ω是潜在风险判罚权重；
O risk 是潜在风险判别系数，当无人***存在碰撞风险时为1，否则为0。
在一个实施例中，无人***从当前路径节点移动到下一个路径节点所受到的合力
F fin 为：
F fin = F tra +
F rep +
θ F (
F z +
F h ) +
θ G
G
式中，
F tra 为牵引力；
F rep 为排斥力，当无人***不存在碰撞风险时，排斥力
F rep 为0；
F z 为垂直于地面的干扰力；
F h 为水平方向的干扰力；
G为载荷力；
θ F 和
θ G 分别为干扰力和载荷力的权重系数。
在一个实施例中，排斥力
F rep 的计算公式为：
式中，
O risk 是潜在风险判别系数，当无人***存在碰撞风险时为1，否则为0；
k rep 为排斥力系数；
D(
i,
o)表示无人***与最近障碍物之间的距离；
R表示无人***本体中心到最外轮廓点之间的距离。
本发明的第2方面，公开了一种无人***韧性控制装置，该装置包括：
感知模块，用于感知当前路径节点的环境干扰力以及障碍物；
设置模块，用于根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
风险判断模块，用于判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
计算模块，用于根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
控制模块，用于将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动。
在一个实施例中，所述设置模块根据环境干扰力的感知结果，利用基于高斯分布的干扰分级模型确定满足无人***韧性控制的最小安全距离，其中，所述干扰分级模型基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据构建。
本发明解决了传统路径规划算法“贴边走”可能出现安全距离不足的痛点，使得规划路径时与障碍物保留的最小安全距离增大，路径的碰撞容错增大，韧性更强，无人***更安全。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其他特征、目的和优点将会变得更明显：
图1为无人***环形节点（内环节点或外环节点）示意图；
图2为根据本发明实施例的无人***韧性控制方法流程示意图；
图3为根据本发明实施例的无人***韧性控制装置组成示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
对于无干扰的理想场景，无人***在执行任务时只需要按照事先设定的任务点顺序遍历即可。同时，由于一般的路径规划算法也具有一定的抗干扰能力，因此在一些常见的干扰场景中，无人***也能够完成路径规划。但在一些强干扰强载荷下，风险可能超出无人***安全范围。
为解决上述问题，本发明公开了一种无人***韧性控制方法，其技术构思在于，当干扰发生时，尤其是在强干扰载荷下，无人***识别到潜在安全风险，通过两层安全防护机制，即无人***结合自身物理实体性能来确定合理安全范围机制和无人***在线实时监测机制，根据确定合理安全范围机制刻画无人***安全边界，再根据在线实时监测机制动态调整无人***路径规划避障参数，针对不同等级的干扰选择合适的路径韧性规划策略，以增强无人***的韧性。
图1为无人***周围的环形节点示意图。如图1所示，以单个无人***（旋翼无人机、地面无人车、水面无人船等智能体）为例，以无人***本体为中心点，围绕无人***本体周围具有多个环形节点（Ring Nodes）。其中，刚好覆盖无人***本体宽度的环形节点为内环节点（Inner Ring Nodes），无人***在干扰场景下保持安全运行要求的环形节点为外环节点（Outer Ring Nodes）。例如，所述内环节点分布在一包络无人***本体的长方体或立方体的表面上，并且显然外环节点比内环节点覆盖的范围更大，例如分布在一尺寸更大的长方体或立方体的表面上。
当无人***的外环节点与障碍物节点重合时，则该外环节点即为碰撞节点（Collision Nodes），并判断无人***具有碰撞风险。本发明中，将外环节点与无人***本体之间的最小距离定义为韧性系数。
要实现无人***的韧性控制，需要在无人***本体与环境中的障碍物之间预留一定的安全距离。本发明中，设当前环境使无人***在单位时间内产生的路径干扰偏移量为
ξ，无人***本体的最大直径为
D uav （
D uav 可以理解为无人***本体的中心到最外轮廓点之间的距离
R的2倍），则当无人***本体与障碍物之间的最小安全距离
D min 满足以下条件：
D min ≥
ξ+
1/2*D uav 时，则认为无人***的最小安全距离
D min 满足韧性控制需要。因此，外环节点与无人***本体之间的距离也至少应为上述最小安全距离
D min 。
图2为根据本发明实施例的无人***韧性控制方法流程示意图。如图2所示，该方法包括如下步骤：
步骤21、感知当前路径节点的环境干扰力；
无人***包括感知模块，例如多种类型的传感器或检测单元，用于感知环境状态，包括无人***所受的外部环境作用力，以及进行障碍物检测等。
根据无人***的不同类型，例如空中无人机、水面无人船、地面无人车等，以及无人***所处的环境不同，无人***可能受到垂直方向、水平方向的干扰力。
（1）垂直方向的干扰力
例如，考虑到重力方向上的干扰，无人机在雨天飞行时，雨水滴降落在智能体机身上则会产生压强
P r ，机身可以被雨点击中的有效面积
S r ，雨滴的下落速度为
V r ，雨滴滴落在无人机机身之后反弹，雨水的动量损失为
η，雨水的密度为
ρ r ，单位时间
t内，降水量为
H r 。 则无人机在雨中飞行受到雨水的垂直作用力（干扰力）为
F r ：
对于无人机而言，最大上升速度受到发动机功率限制，在笛卡尔坐标系中，上升与z轴正方向同向。设
F zMax 为最大上升力，则：
F zMax >
δ G (
G uav ,
G s ) +
F r
式中，
δ G 为重力补偿系数，
G uav 为智能体自重，
G s 为智能体载荷，
F r 为竖直方向的干扰力。
可以理解，如果无人***是无人车、无人船，则一般可以忽略垂直方向的干扰力。
（2）水平方向的干扰力
可以根据天气预报数据得知当天的预测平均风速
V μF （向量值）和最大风速
V maxF （向量值），并将其作为先验知识。同时，通过无人***传感器就可以测得当前环境中单位时间
t w 内的平均风速
V μS 。因此，根据预测风速和实测风速，取二者之中的较大值作为评估瞬时风险的风速依据，即：
V res =
Max(
V μF ,
V μS )
设无人***在无风状态下可以达到的最大速度为
V uav （向量值），当无人***相对于地面的运动速度为
v（向量值），满足任务需求的速度为
V d （向量值）时，则：
V d ≤
v =
V res +
V uav
根据空气阻力公式，可以计算无人***水平方向的受力：
F hmax =
CρS w
V d /
2
式中，
C为空气阻力系数，
ρ为空气密度，
S w 为无人***接触风力等效面积。
从而，根据计算得到的垂直方向干扰力和水平方向干扰力，基于环境干扰力的历史数据，可以进行风险预测，例如确定当前环境干扰力对应的风险等级，并基于风险等级确定满足无人***韧性控制的最小安全距离。
此外，无人***还可能受到其他类型的干扰，例如磁场干扰，同样可以利用已知模型将干扰转换为受力参数。
步骤22、根据干扰力感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
如前所述，外环节点是比内环节点覆盖的范围更大，例如分布在一尺寸更大的长方体或立方体的表面上。当无人***的外环节点与障碍物节点重合时，则该外环节点即为碰撞节点，并判断无人***具有碰撞风险。根据无人***本体与障碍物之间的最小安全距离
D min 可以确定外环节点位置，即外环节点与无人***本体之间的距离也至少应为上述最小安全距离
D min 。
在一个实施例中，基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据构建基于高斯分布的干扰分级模型，该干扰分级模型基于环境干扰力将干扰划分为若干等级，不同等级对应不同的最小安全距离，从而在获得干扰力感知结果后，即可对照该模型确定最小安全距离，进而得到外环节点位置。
步骤23、判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
若无人***的某个内环节点作为下一个路径节点时，无人***探测到的障碍物节点与无人***的外环节点重合或接触（此时由于存在最小安全距离，无人***实际上未与障碍物发生碰撞），就表示障碍物节点进入了无人***的风险识别区，即无人***存在碰撞风险。否则，则认为无人***不存在碰撞风险。
步骤24、根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
设无人***在某段待规划路径的起始点坐标为（
x S ,
y S ,
z S ），目标点坐标为（
x e ,
y e ,
z e ），在当前路径节点
i（第
i个路径节点，
s <
i < e）下的内环节点坐标为（
x i ,
y i ,
z i），则使用欧氏距离
D euc 计算内环节点距离目标点的估计路径代价
h(
i,
e)：
其中，
从起始点开始到当前路径节点下的内环节点的累计路径代价
g(
s,
i)为：
式中，
n为自变量。
在传统SAS路径规划算法中，搜索算法代价函数本发明在传统SAS路径规划算法中对总代价函数
T(
i)为：
T(
i) =
g(
s,
i) +
h(
i,
e)
本发明对传统SAS路径规划算法进行改进，使无人***在没有撞到障碍物的情况下，也会有补偿惩罚
O(
s,
i)，使得当无人***选择改进的SAS算法绕过障碍物节点时，避免了紧贴障碍物运行的情况，从而实现了无人***的韧性增强。其中，改进后的无人***在当前位置的总代价函数
T(
i)设定如下：
T(
i) =
g(
s,
i) +
h(
i,
e) +
O(
s,
i)
本发明将补偿惩罚
O(
s,
i)设定为：
O(
s,
i) =
g(
s,
i)
O risk
ω
其中，
ω是潜在风险判罚权重。根据受干扰的程度调整权重。
ω越大，则无人***在寻路决策时更偏重安全策略，距离障碍物预留的安全距离越大。反之，则更偏重快捷策略，预留的安全距离更小；
O risk 是潜在风险判别系数，当无人***的传感器探测到外环节点与障碍物节点重合或接触时为1，否则为0。
因此，在当前路径节点
i下，各内环节点的搜索算法代价函数值为：
可以看出，当不存在碰撞风险时，上述搜索算法代价函数值即为传统SAS路径规划算法的计算公式，只包含估计路径代价
h(
i,
e)和累计路径代价
g(
s,
i)。而当无人***存在碰撞风险时，由于
O risk 为1，即上式中（1 +
ω）大于1，使得搜索算法代价函数值必然大于不存在碰撞风险的情况。
本发明中，以如下方式计算无人***从当前路径节点移动到下一个路径节点所受到的合力
F fin ：
F fin = F tra +
F rep +
θ F (
F z +
F h ) +
θ G
G
式中，
F tra 为牵引力；
F rep 为排斥力；
F z 为垂直于地面的干扰力；
F h 为水平方向的干扰力；
G为载荷力，包括无人***本体及安装载荷的总重；
θ F 和
θ G 分别为干扰力和载荷力的权重系数。
其中，牵引力
F tra 按照以下公式计算：
F tra = -
k tra
D euc (
i,
e)
式中，
k tra 为牵引力系数。
其中，排斥力
F rep 按照以下公式计算：
式中，
O risk 是潜在风险判别系数，当无人***存在碰撞风险时为1，否则为0；
k rep 为排斥力系数；
D(
i,
o)表示无人***与最近障碍物之间的距离；
R表示无人***本体中心到最外轮廓点之间的距离。
因此，当无人***存在碰撞风险时，根据上式可知，排斥力
F rep 不为0，则以如下方式计算无人***从当前路径节点移动到下一个路径节点所受到的合力
F fin ：
F fin = F tra +
F rep +
θ F (
F z +
F h ) +
θ G
G
当无人***不存在碰撞风险时，排斥力
F rep 为0，则以如下方式计算无人***从当前路径节点移动到下一个路径节点所受到的合力
F fin ：
F fin = F tra +
θ F (
F z +
F h ) +
θ G
G
步骤25、将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动；
根据前一步骤计算得到的搜索算法代价函数值对当前路径节点下的各内环节点进行排序，并将搜索算法代价函数值最低的内环节点作为下一个路径节点。基于前一步骤计算得到的合力生成运动控制指令，根据该运动控制指令控制无人***由当前路径节点向下一个路径节点移动。
本发明针对传统算法无法与障碍物留存合理安全距离的问题，通过在三维地图中规划的路径根据风险等级预留出障碍物距离的安全余量，解决了传统路径规划算法“贴边走”可能出现安全距离不足的痛点，通过搜索外环节点使智能体规划路径时与障碍物保留的最小安全距离增大，路径的碰撞容错增大，韧性更强，无人***更安全。同时，通过调整避障等级，可以根据效率需要决定是否降低安全余量，控制更加灵活。
图3为根据本发明实施例的无人***韧性控制装置组成示意图。如图3所示，该装置包括：
感知模块31，用于感知当前路径节点的环境干扰力以及障碍物；
设置模块32，用于根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
风险判断模块33，用于判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
计算模块34，用于根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
控制模块35，用于将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动。
在一个实施例中，设置模块32根据环境干扰力的感知结果，利用基于高斯分布的干扰分级模型确定满足无人***韧性控制的最小安全距离。其中，所述干扰分级模型基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据预先构建，并存储在该无人***的存储模块中。
虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明发明构思的情况下，可以对本本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (9)
1.一种无人***韧性控制方法，其特征在于，该方法包括：
感知当前路径节点的环境干扰力；
根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动。
2.根据权利要求1所述的无人***韧性控制方法，其特征在于，所述最小安全距离D min 满足以下条件：D min ≥ ξ +1/2*D uav ，ξ为当前环境干扰力使无人***在单位时间内产生的路径干扰偏移量，D uav 为无人***本体的最大直径。
3.根据权利要求1所述的无人***韧性控制方法，其特征在于，所述根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，包括：基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据构建基于高斯分布的干扰分级模型。
4. 根据权利要求1所述的无人***韧性控制方法，其特征在于，当前路径节点i下内环节点的搜索算法代价函数T(i)为：
T(i) = g(s, i) + h(i, e) + O(s, i)
式中，h(i, e)为使用欧氏距离计算的内环节点（x i , y i , z i）与离目标点（x e , y e , z e ）之间的估计路径代价，g(s, i)从起始点（x S , y S , z S ）开始到当前路径节点i下的内环节点（x i , y i , z i）的累计路径代价，O(s, i)为补偿惩罚O(s, i)；ω
其中，补偿惩罚O(s, i)设定为：
O(s, i) = g(s, i)O risk ω
式中，ω是潜在风险判罚权重；O risk 是潜在风险判别系数，当无人***存在碰撞风险时为1，否则为0。
5. 根据权利要求1所述的无人***韧性控制方法，其特征在于，无人***从当前路径节点移动到下一个路径节点所受到的合力F fin 为：
F fin = F tra + F rep + θ F (F z + F h ) + θ G G
式中，F tra 为牵引力；F rep 为排斥力，当无人***不存在碰撞风险时，排斥力F rep 为0；F z 为垂直于地面的干扰力；F h 为水平方向的干扰力；G为载荷力；θ F 和θ G 分别为干扰力和载荷力的权重系数。
6.根据权利要求1所述的无人***韧性控制方法，其特征在于，排斥力F rep 的计算公式为：
式中，O risk 是潜在风险判别系数，当无人***存在碰撞风险时为1，否则为0；k rep 为排斥力系数；D(i, o)表示无人***与最近障碍物之间的距离；R表示无人***本体中心到最外轮廓点之间的距离。
7.一种无人***韧性控制装置，其特征在于，该装置包括：
感知模块，用于感知当前路径节点的环境干扰力以及障碍物；
设置模块，用于根据环境干扰力的感知结果确定满足无人***韧性控制的最小安全距离，以确定无人***的外环节点位置；
风险判断模块，用于判断将无人***在当前路径节点的各内环节点作为下一个路径节点时，外环节点是否与障碍物节点重合或接触，以判断无人***是否存在碰撞风险；
计算模块，用于根据碰撞风险判断结果，计算在当前路径节点下各内环节点的搜索算法代价函数值以及无人***从当前路径节点移动到下一个路径节点所受到的合力；
控制模块，用于将搜索算法代价函数值最低的内环节点作为下一个路径节点，基于所述合力生成运动控制指令，控制无人***由当前路径节点向下一个路径节点移动。
8. 根据权利要求7所述的无人***韧性控制装置，其特征在于，所述最小安全距离D min 满足以下条件：D min ≥ ξ +1/2*D uav ，ξ为当前环境干扰力使无人***在单位时间内产生的路径干扰偏移量，D uav 为无人***本体的最大直径。
9.根据权利要求7所述的无人***韧性控制装置，其特征在于，所述设置模块根据环境干扰力的感知结果，利用基于高斯分布的干扰分级模型确定满足无人***韧性控制的最小安全距离，其中，所述干扰分级模型基于环境干扰力以及与环境干扰力对应的干扰偏移量的历史数据构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310010525.2A CN115903918A (zh) | 2023-01-05 | 2023-01-05 | 一种无人***韧性控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310010525.2A CN115903918A (zh) | 2023-01-05 | 2023-01-05 | 一种无人***韧性控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115903918A true CN115903918A (zh) | 2023-04-04 |
Family
ID=86479011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310010525.2A Pending CN115903918A (zh) | 2023-01-05 | 2023-01-05 | 一种无人***韧性控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115903918A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
| US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
| CN109240288A (zh) * | 2018-08-31 | 2019-01-18 | 武汉理工大学 | 一种基于轨迹单元的障碍物情况下无人艇避碰路径规划方法 |
| CN113341984A (zh) * | 2021-06-15 | 2021-09-03 | 桂林电子科技大学 | 基于改进rrt算法的机器人路径规划方法和装置 |
| CN115562265A (zh) * | 2022-09-29 | 2023-01-03 | 哈尔滨理工大学 | 一种基于改进a*算法的移动机器人路径规划方法 |
-
2023
- 2023-01-05 CN CN202310010525.2A patent/CN115903918A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444769A (zh) * | 2016-10-31 | 2017-02-22 | 湖南大学 | 一种室内移动机器人增量式环境信息采样的最优路径规划方法 |
| US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
| CN109240288A (zh) * | 2018-08-31 | 2019-01-18 | 武汉理工大学 | 一种基于轨迹单元的障碍物情况下无人艇避碰路径规划方法 |
| CN113341984A (zh) * | 2021-06-15 | 2021-09-03 | 桂林电子科技大学 | 基于改进rrt算法的机器人路径规划方法和装置 |
| CN115562265A (zh) * | 2022-09-29 | 2023-01-03 | 哈尔滨理工大学 | 一种基于改进a*算法的移动机器人路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| ZHINING XU 等: "An Anti-Disturbance Resilience Enhanced Algorithm for UAV 3D Route Planning" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111399506B (zh) | 一种基于动力学约束的全局-局部混合无人船路径规划方法 | |
| US11619953B2 (en) | Three dimensional aircraft autonomous navigation under constraints | |
| CN104965518B (zh) | 基于三维数字地图的电力巡检飞行机器人航线规划方法 | |
| CN109521794A (zh) | 一种多无人机航路规划及动态避障方法 | |
| CN109407705A (zh) | 一种无人机躲避障碍物的方法、装置、设备和存储介质 | |
| CN106530840A (zh) | 一种基于飞机实时性能的飞行撞地威胁规避方法 | |
| 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 | |
| JP2019196150A (ja) | 安全着陸可能領域を識別するためのシステム、方法、プログラム及びプログラムを記憶した記憶媒体 | |
| CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
| KR20120129002A (ko) | 수중로봇과 그 제어방법 | |
| CN113670309A (zh) | 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 | |
| Zhang et al. | UAV safe route planning based on PSO-BAS algorithm | |
| CN115793709A (zh) | 一种基于pomdp模型的apf无人机路径规划方法 | |
| CN116627154A (zh) | 基于位姿预测和轨迹优化的无人机引导降落方法及无人机 | |
| CN116661497A (zh) | 一种智能飞行汽车 | |
| CN115903880A (zh) | 一种基于改进强化学习的无人机自主图像导航与避障方法 | |
| Thanellas et al. | A spatially wind aware quadcopter (UAV) path planning approach | |
| CN117371760B (zh) | 考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法 | |
| 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 | |
| CN115903918A (zh) | 一种无人***韧性控制方法及装置 | |
| CN116448119A (zh) | 一种面向突发威胁的无人蜂群协同航迹规划方法 | |
| CN116382334A (zh) | 一种针对多无人机协同航迹规划的融合优化方法 | |
| CN116088566A (zh) | 一种无人机地速自适应控制方法、控制器及无人机 | |
| CN113375672B (zh) | 一种无人飞行器的高实时航迹避让方法及*** | |
| CN114330832A (zh) | 一种智能快递包裹配送***及其工作方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230404 |
|
| RJ01 | Rejection of invention patent application after publication |