CN116400733B - 侦察无人机自适应调整随机树全覆盖路径规划方法 - Google Patents
侦察无人机自适应调整随机树全覆盖路径规划方法 Download PDFInfo
- Publication number
- CN116400733B CN116400733B CN202310503007.4A CN202310503007A CN116400733B CN 116400733 B CN116400733 B CN 116400733B CN 202310503007 A CN202310503007 A CN 202310503007A CN 116400733 B CN116400733 B CN 116400733B
- Authority
- CN
- China
- Prior art keywords
- growth
- random tree
- obtaining
- area
- coverage path
- 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 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 230000012010 growth Effects 0.000 claims description 121
- 230000033001 locomotion Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000004888 barrier function Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 abstract description 14
- 238000000354 decomposition reaction Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000009313 farming Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
本发明公开了一种侦察无人机自适应调整随机树全覆盖路径规划方法,包括:基于随机生成法得到区域形状;基于区域形状建立栅格地图;基于栅格地图获得待覆盖区域模型;构建UAV侦察模型,基于待覆盖区域模型和UAV侦察模型,得到首轮随机树和第一覆盖路径轮廓线;基于自适应快速扩展随机树的无人机全覆盖路径规划算法对第一覆盖路径轮廓线进行搜索得到最终覆盖路径轮廓线。本发明具有较好的区域适用性,相较于单元分解法和栅格法,规划的路径在转弯次数和冗余覆盖率都有降低,减少了UAV的能源消耗。
Description
技术领域
本发明涉及侦察无人机全覆盖路径规划技术领域,特别涉及一种侦察无人机自适应调整随机树全覆盖路径规划方法。
背景技术
在军用方面或民用方面的应用中,通过UAV搭载信息侦察设备(如雷达或相机等)从高空对地进行环境侦察,相较于卫星遥感侦察和有人驾驶侦察等方法,具有飞行成本低,信息收集实时性高和易于操作等优点。不同于现有的点到点的旅行商(TravellingSalesman Problem,TSP)问题,全覆盖路径规划(Complete Coverage Path Planning,CCPP)属于一种点到面的规划,即以侦察设备作为移动点,在移动过程中完成对部分区域的信息侦察和地图构建等任务。
目前,全覆盖路径规划算法主要分为两类。一类是传统算法,包括牛耕法、单元分解法、栅格法、随机树法和基于进化算法等方法。由于传统算法存在路径冗余和适用性较单一等缺点,近些年来越来越多的学者一方面不断对算法提出有效的改进方案,另一方面开始尝试强化学习、神经网络和深度学习等在CCPP上的应用。
为了满足全覆盖要求,Xu P F等人建立了六自由度无人艇模型,使用改进A*算法避免规划路径进入死锁,但是算法整体上适用于形状呈规则性的区域模型,区域形状不规则性越大,算法路径形成的转弯数和逃离死锁数会同时增加。Li C等人提出了一种采用Lü***构建混沌机器人,从高随机性变量中逐步确认混沌***参数,形成全覆盖路径方案。该算法虽然可以保证较高的覆盖率,但是高随机性会给UAV造成较大的运动负担,且参数的多样性也使得算法复杂度较高。Cai Z等人针对栅格区域内的障碍提出了一种改进A*算法,用于帮助路径逃离死区,找到未覆盖区域继续覆盖。但是,算法形成的逃离路径增加了区域重复覆盖率,对于UAV侦察任务而言,会产生冗余的侦察信息,降低了侦察效率。
当区域存在内部障碍导致区域形成多个子区域时,规避障碍并在可覆盖空间形成全覆盖路径也是一个突出的问题。Huang K C等人结合牛耕法和Voronoi算法,提出了区域分解的全覆盖路径方案,在Voronoi划分子区域,采用Dijkstra算法建立各子区域的邻接路径,从而在整体上形成一条遍历区域内各点的通路。但是,当区域的形状不规则性增大时,邻接路径的连接顺序较为混乱,导致遍历冗余度上升。Guastella D C等人采用基于Morse分解的子区域划分方法,实现了对禁飞区域的细化分解,从而实现更高的区域覆盖率。但是,算法对邻接路径的连接顺序没有给出较好的解决方案,导致子区域间的邻接路径较长并横跨其他子区域的情况。Vasquez J I等人针对室内互连通房间内部的全覆盖规划,提出了一种分治思想,优化各房间地覆盖顺序,对室外不同子区域间的邻接路径链接顺序有一定的启发性。但当房间分布变得复杂时,算法的有效性降低。因此,不适用子区域数较多且分布不规则的情况。
上述算法虽能获得区域的全覆盖路径规划方案,但是算法在减少路径转弯数、降低区域冗余覆盖率以及子区域之间的邻接路径问题仍有待优化。结合以上问题,本文提出了自适应调整全覆盖路径规划的改进随机树方案。
发明内容
本发明针对现有区域全覆盖路径规划算法对不规则区域的适用性较低、规划的路径会产生重叠现象和子区域路径规划之间的互通性较差等问题,本文提出了自适应快速扩展随机树(Rapidly-exploring Random Trees,RRT)的无人机(unmanned air vehicle,UAV)全覆盖路径规划算法,通过引入运动方向向量,保证了随机树的稳定生长,同时提出了自适应调整策略。一方面,对于同一区域,算法根据区域内是否存在障碍,在首轮尽可能完整地全覆盖路径;另一方面,当随机树各个分枝的末端满足连接条件时,算法自适应调整规划,减少随机树的分支端点数,进而减少覆盖路径轮廓线的转弯次数,降低UAV沿路径进行侦察产生的飞行能耗。
为了实现上述技术目的,本发明提供了如下技术方案:一种侦察无人机自适应调整随机树全覆盖路径规划方法,包括:
基于随机生成法得到区域形状;
基于所述区域形状建立栅格地图;
基于所述栅格地图获得待覆盖区域模型;
构建UAV侦察模型,基于所述待覆盖区域模型和所述UAV侦察模型,得到首轮随机树和第一覆盖路径轮廓线;基于自适应快速扩展随机树的无人机全覆盖路径规划算法对所述第一覆盖路径轮廓线进行搜索得到最终覆盖路径轮廓线。
优选地,获得待覆盖区域模型的过程包括:
基于所述区域形状采用栅格法建立栅格地图;
基于所述栅格地图采用射线法得到所述区域形状的边缘栅格和内部栅格;
基于所述区域形状的边缘栅格和内部栅格得到待覆盖区域模型。
优选地,获得最终覆盖路径轮廓线的过程包括:
基于所述UAV侦察模型和所述区域形状,进行方向选择,确定UAV运动方向和随机树的总体生长方向;
基于所述随机树的总体生长方向进行分枝点搜索得到首轮随机树和第一覆盖路径轮廓线;
对所述第一覆盖路径轮廓线进行自适应调整得到最终覆盖路径轮廓线。
优选地,所述方向选择包括:确定UAV运动方向和随机树的总体生长方向;
其中,基于四方向运动自由度模型确定UAV运动方向;
基于比较横向和纵向的生长空间确定随机树的总体生长方向和根节点位置;
总体生长方向的确定计算公式如下:
式中,lTDi和lMDi分别表示随机树沿x轴和y轴生长,产生的第i个分枝的分枝长度。
优选地,基于所述分枝点搜索完成首轮随机树生长的过程包括:
步骤一、基于所述根节点位置和所述随机树的总体生长方向得到干路路径数和干路分布,基于所述干路路径数和干路分布得到若干主子区域;
步骤二、基于所述主子区域得到次干路的路径数和生长方向;
步骤三、定义生长空间向量,基于所述生长空间向量从次干路中搜索分枝点,得到初始分枝点;
步骤四、基于所述初始分枝点得到若干生长方向,对比所述初始分枝点在若干所述生长方向的生长空间,得到所述初始分枝点的最大生长长度,得到初始分枝点的分枝;
步骤五、基于所述分枝搜索新分枝点,若所述新分枝点存在,则返回步骤四,若所述新分枝点不存在,则返回步骤三,直至随机树生长完成。
优选地,所述首轮随机树生长之前,基于所述待覆盖区域模型得到障碍点和非障碍点;
基于所述非障碍点得到非障碍点的空间生长向量;
基于若干所述非障碍点的空间生长向量构成全局生长空间向量。
优选地,所述自适应调整的过程包括:
基于所述第一覆盖路径轮廓线得到若干对相邻分枝端点;
计算所述相邻分枝端点的欧氏距离;当欧式距离等于栅格宽度时,所述相邻分枝端点建立连接,否则计算下一对相邻分枝端点的欧氏距离,直至所有相邻分枝端点的欧氏距离计算完成,得到第二覆盖路径轮廓线;
基于所述第二覆盖路径轮廓线判断所述全局生长空间向量对应的非障碍点是否被完全覆盖;
其中,当所述全局生长空间向量对应的非障碍点被完全覆盖时,则输出第二覆盖路径轮廓线为最终覆盖路径轮廓线;
当存在全局生长空间向量对应的非障碍未被覆盖时,基于未覆盖的非障碍点建立待覆盖子区域;
将所述待覆盖子区域按照所述首轮随机树的生长方式重新生长,得到若干子区域随机树;
基于最短路径建立所述首轮随机树和若干所述子区域随机树的邻接路径。
本发明具有如下技术效果:
本发明通过减少随机树的分支端点数,进而减少覆盖路径轮廓线的转弯次数,降低了UAV沿路径进行侦察产生的飞行能耗;
本发明具有较好的区域适用性,相较于单元分解法和栅格法,规划的路径在转弯次数和冗余覆盖率都有降低。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中的UAV搭载设备示意图;
图2为本发明实施例中的UAV区域扫描模型图;
图3为本发明实施例中的UAV侦察模型简化图;
图4为本发明实施例中的不同Lw下UAV做转弯运动的覆盖情况,其中,(a)表示Lw≤D时转弯运动方法,(b)表示Lw≤D时折返运动方法,(c)表示Lw>D时转弯运动方案,(d)表示Lw>D时转弯运动方案;
图5为本发明实施例中的算法整体流程图;
图6为本发明实施例中的UAV可运动方向示意图;
图7为本发明实施例中的不同生长方向的生长干路示意图,其中,(a)表示横向生长图,(b)表示纵向生长图;
图8为本发明实施例中的改进快速扩展随机树生长过程和形成的路径轮廓线,其中,(a)表示干路生长,(b)表示一侧生长完毕,(c)表示两侧生长完毕;
图9为本发明实施例中的自适应调整策略流程图;
图10为本发明实施例中的搜索邻接点过程图;
图11为本发明实施例中的区域栅格地图建立过程,其中,(a)表示区域形状,(b)表示区域栅格化,(c)表示区域边缘点,(d)表示区域所有点;
图12为本发明实施例中的无障碍下不同算法得到的全覆盖路径图,其中,(a)表示区域Ⅰ-牛耕法,(b)表示区域Ⅰ-本发明算法,(c)表示区域Ⅱ-牛耕法,(d)表示区域Ⅱ-本发明算法;
图13为本发明实施例中的无障碍下不同算法归一化路径数据对比图;
图14为本发明实施例中的不同算法各子区域路径轮廓线以及邻接路径示意图,其中,(a)表示单元分解法,(b)表示栅格法,(c)表示本发明算法;
图15为本发明实施例中的有障碍条件下不同算法得到的UAV全覆盖路径图,其中,(a)表示单元分解法,(b)表示栅格法,(c)表示本发明算法;
图16为本发明实施例中的有障碍下不同算法归一化路径数据对比图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做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。
实施例一
本实施例公开了一种侦察无人机自适应调整随机树全覆盖路径规划方法,首先对区域进行拟树生长,减少子区域的划分,其次通过搜索最短邻接点,构建各子树间的连接,降低路径的冗余覆盖度,从而实现整个区域的全覆盖路径规划。包括如下步骤:
1.构建UAV侦察模型
本发明采用的UAV模型如图1所示,根据机载相机在无人机上的姿态构建无人机对地扫描的侦察模型如图2所示。
图2中v为UAV飞行速度;H为UAV执行任务时的飞行高度;D为UAV对地面的有效扫描宽度;α为UAV几何中心与地面投影连接线与UAV几何中心距离对地面扫描区域最近点间连线的夹角;DS为对地面扫描区域与UAV几何中心所属坐标系中y轴的最短距离;L为UAV对地面椭圆扫描区的长轴长度;ψc为对地面扫描区域长轴与y轴夹角。由图2可知,当H足够高时,α→0,DS→0,因此,UAV对地扫描的简化模型如图3所示(v表示UAV飞行速度)。
结合图2和图3可知:
Lw=L·cos(ψc) (1)
根据UAV侦察模型,栅格宽度wd如式(2)所示,以保证每个栅格在经过UAV两次经过后对区域的全覆盖。
wd=2D (2)
根据图3的UAV侦察模型,图4展示了UAV在栅格地图中进行转弯运动(路径中需要UAV进行(平均)角度为90°的转弯运动)和折返运动(路径中需要UAV进行角度为180°的转弯运动)。其中,图(a)和(b)分别表示UAV有效侦察区域内Lw≤D时,UAV进行转弯和折返运动过程中的区域覆盖情况。图(c)和(d)表示Lw>D时两种不同转弯方案的区域覆盖情况(设沿路径轮廓线创建UAV全覆盖路径时,路径与路径轮廓线最小距离为D)。
图4中Rlst为UAV进行转弯运动时,UAV所能覆盖的最大扫描半径,如式(3)所示。
由图4可知,当Lw>D时,方案(c)会产生较大未覆盖区域,且该区域无法在UAV之后侦察中得到覆盖;方案(d)相比于方案(c)会产生较大的冗余覆盖区域。因此在实际覆盖中应满足Lw≤D。
图4(a)中未覆盖区域面积suncov和冗余覆盖区域面积sredcov分别如式(4)和式(5)
折返运动产生的未覆盖区域面积sruncov_r=2suncov,冗余覆盖区域面积sredcov_r=2sredcov。路径覆盖的评价函数如式(6)所示。
当Lw=D,此时,f(suncov,sredcov)=min(f(suncov,sredcov)),对应suncov和sredcov取值,
本文对区域使用不同算法实现完全覆盖的前提下创建路径,通过计算路径冗余覆盖率评判算法效益。路径冗余覆盖率αredcov如式(8)所示。
式中,nturn为路径转弯次数,nback为路径折返次数。
本发明提出的算法整体流程如图5所示。
2.改进快速扩展随机树的路径规划方法
快速扩展随机树(Rapidly-exploring Ra-ndom Trees,RRT)是一种有效的路径规划方法。算法需要从区域内确定随机树生长的初始根起点,由根起点出发不断地向外沿可生长方向进行树分枝的快速扩展,当扩展到目标节点时停止生长,最终规划出一条从根节点到目标点的规划路径。本发明基于随机树快速扩展的优势,建立从根节点到区域内其他栅格中心点的改进随机树全覆盖路径轮廓线,通过路径轮廓线确定最终的UAV飞行路径:首先根据区域内各栅格节点的可生长方向确定空间生长向量,接着比对区域横纵向最大生长空间确定随机树生长方向。此外,针对RRT生成的分枝随机性较高导致算法搜索过程容易形成冗余路径的问题提出了由中心向两侧单枝生长策略,通过树生长主干路向两侧根据实际生长情况不断搜索新的随机树分枝点来实现层次化遍历区域内所有栅格中心点最终形成规划路径轮廓线。
2.1方向选择
2.1.1确定可运动方向
结合UAV飞行侦察模型,为了保证UAV沿规划路径侦察的覆盖完整度和降低区域冗余覆盖率,本发明建立了如图6所示的UAV四方向运动自由度模型。
点P的生长方向定义为:[0,1]T,自点P的下次生长将沿y轴正方向生;[0,-1]T,自点P的下次生长将沿y轴负方向生长;[1,0]T,自点P的下次生长将沿x轴正方向生长;[-1,0]T,自点P的下次生长将沿x轴负方向生长。
2.1.2确定随机树生长方向
由于区域形状的随机性,需要比较区域横纵向最大可生长长度以确定随机树的总体生长方向,生长方向的选择如式(9)所示:
式中,lTDi和lMDi分别表示随机树沿x轴和y轴生长,产生的第i个分枝的分枝长度。
2.2分支点搜索
在应用于全覆盖路径规划时,RRT生长在搜索过程的随机性会导致算法区域的覆盖程度不稳定并且路径转弯次数较多。因此,本文提出了一种新的随机树分枝生长规则,限制随机树形成新的树分枝时的分枝点位置,以保证随机树逐层生长,渐进式搜索区域内所有点。算法首先生成以随机树根节点为起点的干路路径轮廓线。与随机树生长方向相同的定义为主干路路径轮廓线(简称干路),其他为次干路路径轮廓线(简称次干路)。如图7所示,不同的随机树生长方向均会将区域分成两个主要子区域,图中不同生长方向下所形成的主要子区域特征和分布不同。
接着,根据干路路径数和干路分布来进行后续各主要子区域内分枝点的寻找。分枝点的寻找和随机树生长过步骤为:
(1)确定次干路路径数,并记录各次干路的生长方向;
(2)定义生长空间向量:对于区域内的一点P,其对应的生长空间向量为:
edir_i=[qu_i,qd_i,ql_i,qr_i]T (10)
式中,qu_i、qd_i、ql_i和qr_i分别表示区域内第i个点上侧、下侧、左侧和右侧是否有相邻点以供点间的连接(qu_i,qd_i,ql_i,qr_i∈{0,1})。当qu_i=0时,表示点P沿x轴正方向没有可供第i个点进行分枝生长的生长空间,因此无法沿x轴正方向进行路径轮廓线的延伸;qu_i=1则表示第i个点沿x轴正方向具有可供生长的空间。将qu_i,qd_i,ql_i和qr_i分别命名为第i个点的第一生长空间、第二生长空间、第三生长空间和第四生长空间。
从次干路生长路径中搜索分枝点,若次干路数小于主要子区域数,则由主干路进行分枝点的补充搜索。在次(主)干路沿着生长方向进行分支的迭代生长过程中,算法会结合被干路覆盖点的生长空间向量edir_k(当前干路中第k个被覆盖区域点Pcov_k)与Pcov_k的生长方向向量进行比较,进而实现分枝点的搜索。
结合实际根节点在区域内的位置情况,由干路搜索初始分枝点具体搜索规则如表1所示。表中Pub(xub,yub)、Pdb(xdb,ydb)、Plb(xlb,ylb)和Prb(xrb,yrb)分别表示上侧主子区域、下侧主要子区域、左侧主要子区域和右侧主要子区域内的分枝点。(xs1,ys1)和(xs2,ys2)表示次干路在生长过程中首个满足产生初始分枝点的次干路路径点坐标(即相关第n生长空间值为“1”);(xm1,ym1)和(xm2,ym2)表示主干路在生长过程中首个满足产生初始分枝点的主干路路径点坐标。
表1
注:干路搜索的分枝点总数等于区域被干路所划分的子区域数,因此不同的随机树生长方向下,有且只有2个初始分枝点。
(3)得到初始分枝点后,比较当前分枝点在不同可生长方向下的生长空间,保证随机树新分枝始终可以在较大的生长空间中进行生长,并且在生长过程中搜索新分枝点。具体生长规则如表2所示。表中(xb1,yb1)、(xb2,yb2)、(xb3,yb3)和(xb4,yb4)分别表示在上侧、下侧、左侧和右侧主子区域的随机树分枝在生长过程中首个满足产生下一分枝点的被覆盖点坐标;lu,、ld、ll和lr分别表示搜索得到的分枝点在不同方向上的最大可生长长度,具体计算如式(11)-(14)所示:
lu={max|yi-yub||(xi==xub,yi>yub)} (11)
ld={max|yi-ydb||(xi==xdb,yi<ydb)} (12)
ll={max|xi-xlb||(yi==ylb,xi<xlb)} (13)
lr={max|xi-xrb||(yi==yrb,xi>xrb)} (14)
式中,(xi,yi)为区域内的一点,i=1,2,…,n,n为区域包含的总栅格中心点数。
表2
(4)由当前分枝向外搜索新分枝点,若搜索到新分枝点,则返回步骤(3);若不可搜索到新分枝点且当前随机树未完成区域内所有可覆盖点的覆盖,返回步骤(2);当均不满足以上两种情况时,表明随机树已经生长完毕,结束随机树生长。随机树生长示意图如图8所示。
2.3自适应调整
2.3.1树分枝端点连接自适应调整
观察图8(c)中的完整路径轮廓线可知,当前随机树虽然可以做到对区域所有点的完全覆盖,但是随机树每条分枝的末端都会产生一个端点,结合UAV飞行侦察模型(图3),端点的出现必然会导致UAV在侦察过程中转弯次数的增加,增加了UAV的能量消耗。针对这一问题,本文提出了局部自适应调整的改进方案。基于上述随机树生长产生的路径轮廓线,通过确定相邻分枝端点间的欧式距离进而选择性的进行局部路径轮廓线的分解和重组,以有效降低UAV的飞行总能耗。具体优化流程图如图9所示。
算法在每次完成当前随机树生长后,执行上述自适应调整方案,最终得到全覆盖路径轮廓线规划方案。当区域内存在障碍导致随机树无法在首个随机树生长下覆盖所有区域点时,算法会重新搜索区域内未覆盖点,确定新的待覆盖子区域,建立新的子区域全覆盖随机树。
2.3.2邻接路径点自适应搜索和建立邻接
在完成所有区域的覆盖路径轮廓线规划后,算法搜索后生长随机树和前生长随机树之间的最短连接点确定子区域间的邻接路径,最终实现整体的全覆盖路径规划。本文算法通过搜索与根节点同侧且位于新覆盖子区域边界的各点生长空间向量来建立与前生长随机树之间的连接。具体搜索过程如下:
(1)首轮随机树生长之前,记录整个区域内所有非障碍点的生长空间向量,此时各个点的生长空间向量记为全局生长空间向量edir_g_i(当前点在整个区域点中的点序为i);
(2)首轮随机树生长结束后,搜索未覆盖区域点,划分和统计形成的子区域数,对当前子区域内各点重新遍历确定新的生长空间向量(被首轮随机树覆盖的点视为障碍点),此时向量记为局部生长空间向量edir_l_i(局部点序i与全局点序一致);
(3)当前子区域随机树生长结束后,设与根节点位于同侧且同时属于当前子区域边界点的点坐标数组为Pdir_l(此时数组内各点的生长空间向量为局部生长空间向量)。顺序对比Pdir_l中各坐标点在当前子区域内的edir_l_i([qu_l_i,qd_l_i,ql_l_i,qr_l_i]T)和edir_g_i([qu_g_i,qd_g_i,ql_g_i,qr_g_i]T)的第一生长空间、第二生长空间、第三生长空间和第四生长空间值。连接点搜索规则如图10所示。
图10中,点Pcon(xcon,ycon)表示位于先前随机树中且与子区域建立最短邻接路径的点,点Pcon与对应的Pdir_l_i连接构成邻接路径。
3.试验和仿真
3.1试验场景模型
为了测试算法的适用性和鲁棒性,本文对区域形状采用随机生成法。生成区域后首先使用栅格法建立栅格地图模型,接着采用射线法搜索区域内和区域边缘的栅格,形成待覆盖区域模型,栅格地图构建过程如图11所示。
图11中,区域栅格建立和内部点搜索过程为(a)→(b)→(c)→(d)。
本发明通过对比UAV模型在不同算法规划的路径轮廓线产生的理论能耗来验证本文算法的合理性。UAV主要运动模式分为直线运动、转弯运动和折返运动,因此本文能耗计算如式(15)-(18)所示。
Q=Ql+Qt=∑ql+∑qt1+∑qt2 (15)
∑ql=∑wd·Δe1 (16)
Σqt1=90m1·Δe2 (17)
∑qt2=180m2·Δe2 (18)
式中,Δe1和Δe2分别表示单位直线运动长度和单位转角下UAV产生的平均能耗,m1表示全覆盖路径转弯次数;m2表示全覆盖路径折返次数。
现已证明UAV进行转弯运动相比与进行直线匀速运动需要更多的能耗,因此本发明通过统计不同算法得到的路径轮廓线下形成的UAV全覆盖路径的直行总长、转弯次数和折返次数来比较耗能情况,同时计算冗余覆盖率来比较各算法的效能。为了验证本发明的算法的适用性,本发明将区域内部是否存在障碍作为两种独立的情况进行验证,当区域内部没有障碍时,本发明的算法与牛耕法进行对比;当区域内部存在障碍时,本发明的算法与单元分解法和栅格法进行对比。
3.2区域内无障碍时算法对比
图12(a)和(c)表示使用适用于栅格地图的牛耕法生成的全覆盖路径;图12(b)和(d)表示本文算法形成的全覆盖路径方案。其中,区域Ⅰ为随机凸多边形,区域Ⅱ为随机凹多边形。
本发明的算法和对比算法的路径具体记录数据如表3所示。表格统计量主要包括区域栅格中心点数n、路径直行总长Lall、路径转弯次数nturn、路径折返次数nback、路径冗余覆盖率αredcov和路径理论总能耗Q。
表3
图13为表3中归一化数据比较图(为突出数据对比效果将归一化后数据放大50倍处理)。
由图13可知,应用于无障碍区域时,算法生成的直线路径总长和路径折返次数相同的同时,本文算法具有更少的转弯次数和路径冗余覆盖率,因此实际UAV运动复杂度更低并有效减少了UAV的理论飞行能耗。
3.3区域内有障碍时算法对比
图14为分别采用单元分解法(a)、栅格法(b)和本文算法(c)生成的各子区域路径轮廓线以及区域之间的邻接路径示意图。
图15是经由图14中生成的路径轮廓线形成的UAV覆盖路径。
对比实验记录数据如表4所示。
表4
图16表示的是表4中各归一化数据后的比较结果(为突出数据对比效果将归一化后数据放大50倍处理)。
图16可以直观地看到三种算法得到的总路径长度和折返次数相近,但是本文算法极大减少了路径转弯次数,并且生成路径的冗余覆盖率有较好的改善。因此与无障碍条件一样,算法同样有效降低了实际UAV的运动复杂度和理论飞行能耗。
4.结论
本发明针对不规则形状区域的全覆盖路径规划存在路径转弯次数较多和冗余覆盖率较高的问题,结合现有RRT方法提出了自适应调整的随机树算法。算法通过建立随机树分枝点搜索条件保证随机树逐层生长保证了覆盖的全面性,接着在当期树生长完毕后引入自适应调整方案,有效减少了分枝末端点数,进一步减少了覆盖路径的转弯数。当区域存在障碍导致产生子区域时,算法通过邻接搜索规则寻找与前随机生成树的最短连接,保证区域之间的连贯性,实现了产生更少路径转弯数和更低冗余覆盖率的随机多边形区域全覆盖路径规划。
试验证明,本发明算法的路径转弯次数和冗余覆盖率相比于牛耕法、单元分解法和栅格法更低。其中,无障碍条件下转弯次数在两个区域中平均减少了5次,冗余覆盖率平均降低了0.42%,理论能耗平均减少了450Δe2,在有障碍条件下至少减少13次转弯,冗余覆盖率至少降低了0.87%。在有障碍条件下,虽然直行距离略高于单元分解法(ΔLall=1.64wd),但是本文算法极大减少了路径转弯数(相比于单元分解法和栅格法分别减少了13次和42次),同时路径冗余覆盖率最低,为8.01%。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (2)
1.一种侦察无人机自适应调整随机树全覆盖路径规划方法,其特征在于,包括:
基于随机生成法得到区域形状;
基于所述区域形状建立栅格地图;
基于所述栅格地图获得待覆盖区域模型;
构建UAV侦察模型,基于所述待覆盖区域模型和所述UAV侦察模型,得到首轮随机树和第一覆盖路径轮廓线;基于自适应快速扩展随机树的无人机全覆盖路径规划算法对所述第一覆盖路径轮廓线进行搜索得到最终覆盖路径轮廓线;
获得最终覆盖路径轮廓线的过程包括:
基于所述UAV侦察模型和所述区域形状,进行方向选择,确定UAV运动方向和随机树的总体生长方向;
基于所述随机树的总体生长方向进行分枝点搜索得到首轮随机树和第一覆盖路径轮廓线;
对所述第一覆盖路径轮廓线进行自适应调整得到最终覆盖路径轮廓线;
所述方向选择包括:确定UAV运动方向和随机树的总体生长方向;
其中,基于四方向运动自由度模型确定UAV运动方向;
基于比较横向和纵向的生长空间确定随机树的总体生长方向和根节点位置;
总体生长方向的确定计算公式如下:
式中,lTDi和lMDi分别表示随机树沿x轴和y轴生长,产生的第i个分枝的分枝长度;
基于所述分枝点搜索完成首轮随机树生长的过程包括:
步骤一、基于所述根节点位置和所述随机树的总体生长方向得到干路路径数和干路分布,基于所述干路路径数和干路分布得到若干主子区域;
步骤二、基于所述主子区域得到次干路的路径数和生长方向;
步骤三、定义生长空间向量,基于所述生长空间向量从次干路中搜索分枝点,得到初始分枝点;
步骤四、基于所述初始分枝点得到若干生长方向,对比所述初始分枝点在若干所述生长方向的生长空间,得到所述初始分枝点的最大生长长度,得到初始分枝点的分枝;
步骤五、基于所述分枝搜索新分枝点,若所述新分枝点存在,则返回步骤四,若所述新分枝点不存在,则返回步骤三,直至随机树生长完成
所述首轮随机树生长之前,基于所述待覆盖区域模型得到障碍点和非障碍点;
基于所述非障碍点得到非障碍点的空间生长向量;
基于若干所述非障碍点的空间生长向量构成全局生长空间向量;
所述自适应调整的过程包括:
基于所述第一覆盖路径轮廓线得到若干对相邻分枝端点;
计算所述相邻分枝端点的欧氏距离;当欧式距离等于栅格宽度时,所述相邻分枝端点建立连接,否则计算下一对相邻分枝端点的欧氏距离,直至所有相邻分枝端点的欧氏距离计算完成,得到第二覆盖路径轮廓线;
基于所述第二覆盖路径轮廓线判断所述全局生长空间向量对应的非障碍点是否被完全覆盖;
其中,当所述全局生长空间向量对应的非障碍点被完全覆盖时,则输出第二覆盖路径轮廓线为最终覆盖路径轮廓线;
当存在全局生长空间向量对应的非障碍点未被覆盖时,基于未覆盖的非障碍点建立待覆盖子区域;
将所述待覆盖子区域按照所述首轮随机树的生长方式重新生长,得到若干子区域随机树;
基于最短路径建立所述首轮随机树和若干所述子区域随机树的邻接路径。
2.根据权利要求1所述的侦察无人机自适应调整随机树全覆盖路径规划方法,其特征在于,获得待覆盖区域模型的过程包括:
基于所述区域形状采用栅格法建立栅格地图;
基于所述栅格地图采用射线法得到所述区域形状的边缘栅格和内部栅格;
基于所述区域形状的边缘栅格和内部栅格得到待覆盖区域模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310503007.4A CN116400733B (zh) | 2023-05-06 | 2023-05-06 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310503007.4A CN116400733B (zh) | 2023-05-06 | 2023-05-06 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116400733A CN116400733A (zh) | 2023-07-07 |
CN116400733B true CN116400733B (zh) | 2023-10-20 |
Family
ID=87012324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310503007.4A Active CN116400733B (zh) | 2023-05-06 | 2023-05-06 | 侦察无人机自适应调整随机树全覆盖路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116400733B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117890999B (zh) * | 2024-03-15 | 2024-05-31 | 中国民用航空飞行学院 | 无人机排雷控制方法、装置、电子设备及存储介质 |
CN118068842B (zh) * | 2024-04-25 | 2024-06-18 | 北京理工大学 | 一种基于生成树的低重复率覆盖路径规划方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650306A (zh) * | 2020-12-25 | 2021-04-13 | 北京理工大学 | 一种基于动力学rrt*的无人机运动规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
CN113359746A (zh) * | 2021-06-21 | 2021-09-07 | 桂林电子科技大学 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
CN114153210A (zh) * | 2021-12-01 | 2022-03-08 | 苏州盈科电子有限公司 | 机器人的移动控制方法及*** |
CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
WO2023273415A1 (zh) * | 2021-06-30 | 2023-01-05 | 达闼机器人股份有限公司 | 基于无人机的定位方法、装置、存储介质、电子设备和产品 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7447593B2 (en) * | 2004-03-26 | 2008-11-04 | Raytheon Company | System and method for adaptive path planning |
-
2023
- 2023-05-06 CN CN202310503007.4A patent/CN116400733B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112650306A (zh) * | 2020-12-25 | 2021-04-13 | 北京理工大学 | 一种基于动力学rrt*的无人机运动规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
CN113359746A (zh) * | 2021-06-21 | 2021-09-07 | 桂林电子科技大学 | 基于改进双向RRT和Dijkstra融合算法的路径规划方法和装置 |
WO2023273415A1 (zh) * | 2021-06-30 | 2023-01-05 | 达闼机器人股份有限公司 | 基于无人机的定位方法、装置、存储介质、电子设备和产品 |
CN114153210A (zh) * | 2021-12-01 | 2022-03-08 | 苏州盈科电子有限公司 | 机器人的移动控制方法及*** |
CN114427866A (zh) * | 2022-01-24 | 2022-05-03 | 桂林电子科技大学 | 路径规划方法、电子设备以及存储介质 |
Non-Patent Citations (6)
Title |
---|
An adaptive RRT based on dynamic step for UAVs route planning;Na Lin等;《2014 IEEE 5th International Conference on Software Engineering and Service Science》;1111-1114 * |
不确定环境下无人机航迹规划研究;寇家勋;《中国优秀硕士学位论文全文数据库 工程科技II辑》(第06(2018)期);C031-118 * |
基于子目标搜索的机器人目标导向RRT路径规划算法;阮晓钢;周静;张晶晶;朱晓庆;;控制与决策(第10期);242-247 * |
改进PRM算法的无人机航迹规划;谭建豪;肖友伦;刘力铭;孙敬陶;;传感器与微***(第01期);44-47 * |
移动机器人全覆盖路径规划算法研究;龙卓群;雷日兴;;自动化与仪器仪表(第09期);15-17 * |
面向森林火情的无人机航迹规划算法研究;史博辉;《中国优秀硕士学位论文全文数据库 农业科技辑》(第01(2022)期);D046-3 * |
Also Published As
Publication number | Publication date |
---|---|
CN116400733A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116400733B (zh) | 侦察无人机自适应调整随机树全覆盖路径规划方法 | |
CN103528586B (zh) | 基于故障网格的航迹规划算法设计 | |
CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
CN111679692A (zh) | 一种基于改进A-star算法的无人机路径规划方法 | |
CN109917817B (zh) | 多水下机器人协同路径规划方法 | |
CN107608372A (zh) | 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法 | |
CN108507575A (zh) | 一种基于rrt算法的无人船海面路径规划方法及*** | |
Balampanis et al. | Area decomposition, partition and coverage with multiple remotely piloted aircraft systems operating in coastal regions | |
CN110032182B (zh) | 一种融合可视图法和稳定稀疏随机快速树机器人规划算法 | |
CN111721296B (zh) | 一种水下无人航行器数据驱动路径规划方法 | |
CN112947594A (zh) | 一种面向无人机的航迹规划方法 | |
CN115903879A (zh) | 基于地形数据插值技术的无人机航迹规划方法 | |
CN114839968A (zh) | 一种水面无人艇路径规划方法 | |
CN114355981A (zh) | 一种四旋翼无人机自主探索建图的方法和*** | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及*** | |
CN113625771B (zh) | 一种影子跟随的单无人机区域覆盖路径规划方法 | |
CN113703488A (zh) | 基于改进蚁群算法的多架次作业植保无人机路径规划方法 | |
Alymani et al. | Dispersal Foraging Strategy With Cuckoo Search Optimization Based Path Planning in Unmanned Aerial Vehicle Networks | |
CN112799420B (zh) | 一种基于多传感器无人机的实时航迹规划的方法 | |
CN115031736A (zh) | 一种多无人机区域覆盖航迹规划方法及*** | |
Li et al. | Research on AUV path planning based on improved ant colony algorithm | |
CN111896001A (zh) | 一种三维蚁群航迹优化方法 | |
CN112911535A (zh) | 基于Dirichlet顶点的水下AUV路径形成方法 | |
Oyana et al. | Three-layer multi-uavs path planning based on ROBL-MFO | |
Xu et al. | A spanning tree algorithm with adaptive pruning with low redundancy coverage rate |
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 |