CN116822362B - 一种基于粒子群算法的无人机无冲突四维航迹规划方法 - Google Patents
一种基于粒子群算法的无人机无冲突四维航迹规划方法 Download PDFInfo
- Publication number
- CN116822362B CN116822362B CN202310787050.8A CN202310787050A CN116822362B CN 116822362 B CN116822362 B CN 116822362B CN 202310787050 A CN202310787050 A CN 202310787050A CN 116822362 B CN116822362 B CN 116822362B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- conflict
- free
- track
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 230000003111 delayed effect Effects 0.000 claims abstract description 9
- 230000001133 acceleration Effects 0.000 claims description 19
- 230000033001 locomotion Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013477 bayesian statistics method Methods 0.000 claims description 3
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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粒子群算法的无人机无冲突四维航迹规划方法,属于空中交通管理领域;首先输入无人机群体无冲突四维航迹规划的约束条件,生成初始航迹;基于粒子群算法对融合运行区域内无人机群体进行无冲突航迹优化,并判断是否存在冲突,如果否,则输出无冲突最优航迹规划集合;如果是,则基于延迟起飞时间算法进一步实现无人机群体的冲突解脱,并判断是否存在冲突,如果否,则输出最优化航迹集合和最优起飞时间;如果是则通过增加航路点到航迹的方法再次实现无人机群体冲突解脱,判断是否存在冲突,如果否,则输出航路点的最优化坐标和航迹参数;如果是,则重复粒子群算法;本发明快速实现了无人机群体无冲突四维航迹规划。
Description
技术领域
本发明属于空中交通管理领域,尤其涉及一种基于粒子群算法的无人机无冲突四维航迹规划方法。
背景技术
无人机的自主性是其区别有人机的重要特征,增强其与有人机的共域飞行能力对大幅提升空域的利用率有较大意义。
在未来复杂高密度的空域运行环境中,尤其是在中低空飞行条件下,执行各种飞行活动的无人机需要根据任务要求和环境约束进行三维空间的动态路径规划,使其规避地形障碍和碰撞风险,安全到达目标点。此外,在实际运行条件下,无人机能否在预定时间到达目标点也是必需考虑的限定条件,由此产生了加入飞行时间约束的四维路径规划问题。
综上所述,构建四维空间的任务路径规划***成为提高无人机自主性的研究方向。近年来,无人机任务/路径规划已引起许多学者的关注并采用各种方法进行研究。
目前,国内的研究主要集中在二维、三维空间中的静态路径规划。国外学者在70年代初提出了基于四维路径规划的空中交通管制概念,但是针对无人机的四维航迹的规划方法研究比较少;同时、现有的无人机4D航迹规划方法主要是在无人机3D航迹规划的基础上,通过调整速度实现无人机的最优到达时间,但该方法的计算复杂度较高,计算延迟时间长,不符合多无人机情况下快速实现无人机无冲突解脱,不利于无人机的高效运行。
而且,现在的无人机四维航迹规划很少考虑管制区域内有人机情况下的无人机无冲突航迹规划。因此,需要提出一种能够实现无人机高效4D航迹规划的方法。
发明内容
针对下一代融合运行区域内,当有人机和无人机融合运行4D航迹规划发展需求时,为了快速实现无人机群体无冲突四维航迹规划,提出了一种基于粒子群算法的无人机无冲突四维航迹规划方法。
包括如下步骤:
步骤一、输入需规划的无人机群体无冲突四维航迹规划的约束条件、初始位置以及到达目的地信息;
约束条件包括:无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制、与障碍物的安全距离限制,以及融合运行区域内的有人机位置平移不确定性区域
其中,无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制、与障碍物的安全距离限制,具体限制范围根据实际情况人为设定。
有人机位置平移不确定性区域计算如下:
通过对有人机的历史飞行数据进行贝叶斯统计均值,得到有人机位置分布的先验信息;在获取观测样本后,按照样本和参数的联合分布,通过贝叶斯理论对下一时刻有人机位置平移随机变量分布进行预测,根据预测分布的均值和协方差计算得到有人机位置分布的不确定区域。
有人机的位置平移随机变量的期望和协方差/>通过概率模型表示,公式如下:
其中,期望和协方差/>通过对有人机历史飞行数据进行贝叶斯统计得到。N(.)表示分布函数,k=1,2,3....M表示有人机可能运动模式的数量,t表示时间步长,j'表示管制区内的第j'个有人机。
步骤二:基于输入的规划信息,生成该无人机群体初始的四维航迹;
步骤三:基于粒子群算法对初始的四维航迹进行无冲突航迹优化,得到全局最优位置;
主要包括以下步骤:
步骤3-1:构建包括约束条件的飞行距离最小的优化指标函数:
aiξ<amax,i=1,2,…N,ξ=X,Y,Z
viξ<vmax,i=1,2,…N,ξ=X,Y,Z
其中,J表示飞行距离最小和过点时间误差最小的指标函数,Li表示无人机i的最短飞行距离,ej表示无人机j的过点时间误差,N表示无人机的数量,Cij表示相邻无人机i和j之间的碰撞,一般用0和1表示,0表示无碰撞,1表示碰撞;aiξ表示无人机i在X,Y,Z三个方向上的加速度,viξ表示无人机i在X,Y,Z三个方向上的速度,amax,vmax分别表示无人机加速度和速度的最大值。
步骤3-2:根据上述优化指标,结合约束条件,形成无人机四维航迹规划的代价函数f:
其中,ωc,ωa,ωv分别表示碰撞权值、加速度限制权值和速度限制权值,fc,fa,fv是碰撞、加速度和速度限制的约束条件不满足时对应的惩罚函数。
步骤3-3:对粒子群算法中粒子的位置和速度初始化,并对局部最优位置初始化;
步骤3-4,当局部最优位置对应的代价函数小于全局最优位置对应的代价函数,更新全局最优位置;否则,结束。
初始的全局最优位置人为规定;
步骤3-5:遍历所有粒子,更新第l个粒子的位置和速度;
Xl(m+1)=Xl(m)+Vl(m+1),l=1,2,…L
l初始值为1;
Vl(m)表示第m次迭代中粒子的速度,ω是迭代权值,分别表示认知系数,rand表示0~1的随机数,pBestl(m),gBestl(m)分别表示第l个粒子在最近m次迭代过程中的局部最优解和全局最优解,Xl(m)是第m次迭代中粒子的位置,L表示粒子总数。ωmaxωmin分别表示迭代权值的最大值和最小值,MaxIteration是最大迭代次数。
步骤3-6:当第l个粒子更新后的位置对应的代价函数f(Xl)小于局部最优解对应的代价函数,即满足f(Xl)<f(pBestl),则更新局部最优位置,返回步骤3-4;
否则,保持局部最优解不变;返回步骤3-5进行下一次迭代,直至达到最大迭代次数。
步骤四、判断全局最优位置的无人机群体是否存在航迹冲突,如果是,进入步骤五;否则,输出全局最优位置作为最优航迹规划集合;
步骤五、基于延迟起飞时间算法实现无人机群体的冲突解脱;
首先,从全局最优位置的无人机群体集合中,选取存在冲突的无人机,形成冲突集合;并按照冲突次数由多到少对无人机排序;依次选择冲突最多的无人机的计划起飞时间,将其推迟时间T;然后,更新冲突信息,再次判断更新后的无人机群体对应的航迹是否存在冲突,如果是,继续将冲突最多的无人机的计划起飞时间推迟,直至达到最大迭代次数或者所有无人机都实现无冲突的四维航迹规划;
步骤六、当延迟起飞算法达到最大迭代次数后,判断无人机群体规划的航迹是否仍旧存在冲突,如果是,则通过在航迹上增加航路点实现无人机群体冲突解脱,否则,输出最优化航迹集合和最优起飞时间;
首先,初始化航路点数量;并找到所有未解决的冲突航迹,按照冲突次数由多到少将无人机进行排序;对于冲突最多的航迹增加航路点,基于PSO获取冲突最多的航迹的最优航路点坐标、航迹段等参数;
然后,更新所有无人机航迹的参数并再次进行航迹冲突探测,更新冲突信息,直至达到最大迭代次数或者所有无人机都实现无冲突的四维航迹规划;
步骤七、判断增加航路点算法达到最大迭代次数后,无人机群体规划的航迹是否仍旧存在冲突,如果是,返回步骤三,否则,输出航路点的最优化坐标和航迹参数,得到得到最终的无人机群体对应的无冲突四维航迹规划。
本发明的优点在于:
本发明一种基于粒子群算法的无人机无冲突四维航迹规划方法,为无人机无冲突四维航迹规划提供了一种快速实现方法;其次,为未来有人机无人机无冲突融合运行提供了技术支持;同时,本发明为下一代空管***实现4D航迹精准预测提供技术支撑。
附图说明
图1是本发明一种基于粒子群算法的无人机无冲突四维航迹规划方法的流程图;
图2是本发明基于粒子群算法对四维航迹进行无冲突航迹优化的流程图;
图3是本发明基于延迟起飞时间算法实现无人机冲突解脱的流程图;
图4是本发明基于增加航路点的无人机无冲突四维航迹规划方法流程图;
图5是本发明基于增加航路点的无人机无冲突四维航迹规划的示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图和实施例对本发明作进一步的详细描述。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,都应当属于本发明保护的范围。
本发明提供了一种基于粒子群算法的无人机无冲突四维航迹规划方法,包括:首先输入无人机群体无冲突四维航迹规划的约束条件、初始位置以及到达目的地信息,基于无人机飞行计划信息以及无人机动力学模型,初始生成无人机四维航迹;在假设有限迭代次数的前提下基于粒子群算法(PSO)对融合运行区域内无人机群体进行无冲突航迹优化,并判断该无人机群体的航迹是否存在冲突,如果否,则输出无冲突最优航迹规划集合;如果是则基于延迟起飞时间算法进一步实现无人机群体的冲突解脱,并进一步判断无人机群体规划的航迹是否存在冲突,如果否,则输出最优化航迹集合和最优起飞时间;如果是则通过增加航路点到航迹的方法进一步实现无人机群体冲突解脱,判断无人机群体规划的航迹是否存在冲突,如果否,则输出航路点的最优化坐标和航迹参数;如果是,则重复上述步骤,直至融合运行区域内的无人机群体实现无冲突的四维航迹规划。
如图1所示,包括如下步骤:
步骤一、输入需规划的无人机群体无冲突四维航迹规划的约束条件、初始位置以及到达目的地信息;
无人机群体无冲突四维航迹规划的约束条件主要是指:无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制、与障碍物的安全距离限制,以及融合运行区域内的有人机,可以将其看成是一个移动的障碍物;
具体地,本发明重点考虑有人机的相对入侵带来的不确定性对无人机四维航迹预测的影响,主要是指有人机的位置平移不确定;因此,当有人机的位置平移精度较高、具有边界时,通常可以通过限定航点扩展时的控制输入序列使之服从未知有界的扰动序列,从而使无人机航迹预测过程中满足约束,该扰动序列以参数的不确定范围形式表示。当有人机的位置平移不确定度较大、无边界时,本发明拟将有人机位置平移不确定性表示为概率模型,表示如下:
其中,和/>分别表示有人机的位置平移随机变量的期望和协方差,通过对有人机历史飞行数据进行贝叶斯统计得到。N(.)表示分布函数,k=1,2,3....M表示有人机可能运动模式的数量,t表示时间步长,j'表示管制区内的第j'个有人机。
通过对有人机的历史飞行数据进行贝叶斯统计均值,得到有人机位置分布的先验信息,在获取观测样本后,按照样本和参数的联合分布,通过贝叶斯理论对下一时刻有人机位置平移随机变量分布进行预测,根据预测分布的均值和协方差计算得到有人机位置分布的不确定区域。将该区域记为无人机禁止飞行区域,禁飞区域作为无人机航迹预测的环境约束条件,记为
步骤二:基于该无人机群体输入的规划信息,结合该无人机群体飞行计划以及预设的动力学模型,生成初始的无人机群体的四维航迹;
不同无人机对应的动力学模型不同;
步骤三:基于粒子群算法(PSO)对融合运行区域内生成的初始的无人机四维航迹进行无冲突航迹优化;判断优化后的无人机群体航迹是否存在冲突,如果是,进入步骤四;否则,输出最优航迹规划集合;
如图2所示,主要包括以下步骤:
步骤3-1:构建包括无人机群体无冲突四维航迹规划的约束条件的飞行距离最小的优化指标函数:
aiξ<amax,i=1,2,…N,ξ=X,Y,Z
viξ<vmax,i=1,2,…N,ξ=X,Y,Z
其中,J表示飞行距离最小和过点时间误差最小的指标函数,Li表示无人机i的最短飞行距离,ej表示无人机j的过点时间误差,N表示无人机的数量,Cij表示相邻无人机i和j之间的碰撞,一般用0和1表示,0表示无碰撞,1表示碰撞;aiξ表示无人机i在X,Y,Z三个方向上的加速度,viξ表示无人机i在X,Y,Z三个方向上的速度,amax,vmax分别表示无人机加速度和速度的最大值。
步骤3-2:根据上述优化指标和约束条件,形成无人机四维航迹规划的代价函数:
其中,ωc,ωa,ωv分别表示碰撞权值、加速度和速度限制权值,fc,fa,fv是碰撞、加速度和速度限制的约束条件不满足时对应的惩罚函数。
步骤3-3:初始化:包括粒子群中粒子的位置和速度初始化,局部和全局最优位置的初始化;当局部最优解对应的代价函数小于全局最优位置对应的代价函数,更新全局最优位置;否则,结束,输出全局最优位置;
步骤3-4:根据下面式子更新第l个粒子的位置和速度;
Xl(m+1)=Xl(m)+Vl(m+1),l=1,2,…N
l初始值为1;
Vl(m)表示第m次迭代中粒子的速度,ω是迭代权值,分别表示认知系数,rand表示0~1的随机数,pBestl(m),gBestl(m)分别表示第l个粒子在最近m次迭代过程中的局部最优解和全局最优解,MaxIteration最大迭代次数,Xl(m)是第m次迭代中粒子的位置,L表示粒子总数;ωmaxωmin分别表示迭代权值的最大值和最小值。
步骤3-5:当第l个粒子更新后的位置对应的代价函数f(Xl)小于局部最优解对应的代价函数,即f(Xl)<f(pBest),更新局部最优位置;如果f(pBest)<f(gBest),更新全局最优位置;
重复上述步骤,直至最大迭代次数。
步骤四、基于延迟起飞时间算法进一步实现无人机群体的冲突解脱,并判断无人机群体规划的航迹是否存在冲突,如果是,进入步骤五;否则,输出最优化航迹集合和最优起飞时间;
如图3所示,冲突解脱算法包括以下步骤:
步骤4-1:基于有限迭代次数前提下获取的无人机四维航迹规划集合,选取仍然存在冲突的无人机,形成冲突集合;并按照冲突次数由多到少对冲突无人机航迹排序;
步骤4-2:优先推迟冲突集合中冲突最多的无人机的计划起飞时间参数,推迟时间为T;推迟起飞时间相当于缩短了到达时间;
步骤4-3:基于PSO,再次进行航迹冲突探测,更新冲突信息,判断无人机群体对应的航迹是否存在冲突;
步骤4-4:重复上述步骤,直至达到迭代次数最大或者所有无人机都实现无冲突四维航迹规划;
步骤五:通过增加航路点到航迹的方法进一步实现无人机群体冲突解脱,判断无人机群体规划的航迹是否存在冲突,如果否,则输出航路点的最优化坐标和航迹参数,如果是,则重复步骤二;
如图4所示,冲突解脱方法具体包括以下步骤:
步骤5-1:初始化航路点数量;
步骤5-2:找到所有未解决的冲突航迹,并对冲突航迹按照冲突由多到少进行排序;
步骤5-3:对于冲突最多的航迹增加航路点,如图5所示,在此基础上基于PSO,优先对航迹冲突最多的无人机进行无冲突优化,获取冲突最多的航迹的最优航路点坐标、航迹段等参数;更新航迹参数并再次进行航迹冲突探测,更新冲突信息;
步骤5-4:重复上述步骤直至无人机群体对应航迹无冲突:
步骤六:重复上述步骤,直至需规划的无人机群体实现无冲突的四维航迹规划。
本发明实施例应用于融合运行区域内无人机四维航迹预测准确性的提升,有助于未来实现有人机无人机融合运行高精度四维航迹的预测
具体步骤如下:
步骤1:将无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制以及与障碍物(管制空域内的有人机)的安全距离限制等作为无人机群体无冲突四维航迹规划的约束条件、同时根据飞行计划获取无人机的初始位置以及到达目的地信息;
步骤2:基于无人机飞行计划信息以及无人机动力学模型,基于步骤1的输入信息初始生成无人机四维航迹;
步骤3:通过在假设有限迭代次数的前提下基于粒子群算法(PSO)对步骤2生成的融合运行区域内无人机群体进行无冲突航迹优化;
通过PSO的方法能够对无人机群体存在的航迹冲突进行初始化的判断,但由于迭代次数的最大限制,不能保证无人机群时时刻刻保持无冲突状态,如果冲突仍然存在,则需要执行步骤4继续进行冲突解脱;
步骤4:在步骤3的基础上,通过基于延迟起飞时间算法进一步实现无人机群体的冲突解脱;
步骤5:在步骤4的基础上通过增加航路点到航迹的方法进一步实现无人机群体冲突解脱;
步骤6:重复上述步骤,直至需规划的无人机群体实现无冲突的四维航迹规划。
以4~10架无人机为无人机群体,根据获取的约束条件值作为输入条件,设最大速度限制为5unit/s,最大加速度为2unit/s2,无人机之间的安全间隔设置为1unit,有人机的速度假设为匀速运动,假设其为一个运动的障碍物。在此基础上,基于步骤2生成无人机机的初始四维航迹,基于步骤3的基于粒子群算法(PSO)分别对数量为4~10架无人机群体进行无冲突最优航迹规划,通过仿真分析可以发现,随着无人机数量的增加,PSO算法需要迭代的次数增加,假设最大迭代次数为150,则无冲突解脱迭代次数与无人机群体数量的关系如下表所示
表1
UAV数量 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
迭代次数 | 50 | 104 | 140 | 149 | 150 | 150 | 150 |
从图表中可以看出,当无人机数量较少时可以基于PSO算法实现无人机群体的无冲突解脱,但是当无人机数量大于8时,在150次迭代次数的限制下,无人机群体无法实现无冲突四维航迹规划,因此需要在步骤3的基础上,基于步骤4提出的基于延迟起飞时间算法进一步实现无人机群体的冲突解脱,结果如下表所示
表2
UAV数量 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
调整的航迹 | 1 | 2 | 3 | 4 | 5 | 6 | 8 |
迭代次数 | 22 | 89 | 165 | 256 | 442 | 587 | 767 |
从表2可以看出,结合步骤3和步骤4的算法,当无人机的数量比较小的时候,迭代的次数较少,但是当无人机数量增加时,迭代次数会很大,航迹规划时间会很长,不利于实时的无冲突航迹规划,因此需要在步骤4的基础上,考虑步骤5提出的通过增加航路点到航迹的方法进一步实现无人机群体冲突解脱,得到结果如表3所示
表3
UAV数量 | 6 | 7 | 8 | 9 | 10 |
增加的航路点数量 | 5 | 5 | 5 | 6 | 8 |
迭代次数 | 343 | 174 | 191 | 311 | 400 |
通过上述表格的例子可以看出,基于本发明可以快速的实现无人机群体无冲突航迹规划,该方法计算复杂度小,可以解决大规模无人机无冲突航迹规划问题,具体一定的应用价值。
Claims (3)
1.一种基于粒子群算法的无人机无冲突四维航迹规划方法,其特征在于,具体步骤如下:
步骤一、输入需规划的无人机群体无冲突四维航迹规划的约束条件、初始位置以及到达目的地信息;
约束条件包括:无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制、与障碍物的安全距离限制,以及融合运行区域内的有人机位置平移不确定性区域
其中,无人机最大速度限制、最大加速度限制、过点时间误差限制、最大转弯半径限制、与障碍物的安全距离限制,具体限制范围根据实际情况人为设定;
有人机位置平移不确定性区域计算如下:
通过对有人机的历史飞行数据进行贝叶斯统计均值,得到有人机位置分布的先验信息;在获取观测样本后,按照样本和参数的联合分布,通过贝叶斯理论对下一时刻有人机位置平移随机变量分布进行预测,根据预测分布的均值和协方差计算得到有人机位置分布的不确定区域;
有人机的位置平移随机变量的期望和协方差/>通过概率模型表示,公式如下:
其中,期望和协方差/>通过对有人机历史飞行数据进行贝叶斯统计得到;N(.)表示分布函数,k=1,2,3....M表示有人机可能运动模式的数量,t表示时间步长,j'表示管制区内的第j'个有人机;
步骤二、基于输入的规划信息,生成该无人机群体初始的四维航迹;并在假设有限迭代次数的前提下基于粒子群算法进行无冲突航迹优化,得到全局最优位置;
主要包括以下步骤:
步骤3-1:构建包括约束条件的飞行距离最小的优化指标函数:
aiξ<amax,i=1,2,…N,ξ=X,Y,Z
viξ<vmax,i=1,2,…N,ξ=X,Y,Z
其中,J表示飞行距离最小和过点时间误差最小的指标函数,Li表示无人机i的最短飞行距离,ej表示无人机j的过点时间误差,N表示无人机的数量,Cij表示相邻无人机i和j之间的碰撞,一般用0和1表示,0表示无碰撞,1表示碰撞;aiξ表示无人机i在X,Y,Z三个方向上的加速度,viξ表示无人机i在X,Y,Z三个方向上的速度,amax,vmax分别表示无人机加速度和速度的最大值;
步骤3-2:根据上述优化指标,结合约束条件,形成无人机四维航迹规划的代价函数f:
其中,ωc,ωa,ωv分别表示碰撞权值、加速度限制权值和速度限制权值,fc,fa,fv是碰撞、加速度和速度限制的约束条件不满足时对应的惩罚函数;
步骤3-3:对粒子群算法中粒子的位置和速度初始化,并对局部最优位置初始化;
步骤3-4,当局部最优位置对应的代价函数小于全局最优位置对应的代价函数,更新全局最优位置;否则,结束;
初始的全局最优位置人为规定;
步骤3-5:遍历所有粒子,更新第l个粒子的位置和速度;
Xl(m+1)=Xl(m)+Vl(m+1),l=1,2,…L
l初始值为1;
Vl(m)表示第m次迭代中粒子的速度,ω是迭代权值,分别表示认知系数,rand表示0~1的随机数,pBestl(m),gBestl(m)分别表示第l个粒子在最近m次迭代过程中的局部最优解和全局最优解,Xl(m)是第m次迭代中粒子的位置,L表示粒子总数;ωmaxωmin分别表示迭代权值的最大值和最小值,MaxIteration是最大迭代次数;
步骤3-6:当第l个粒子更新后的位置对应的代价函数f(Xl)小于局部最优解对应的代价函数,即满足f(Xl)<f(pBestl),则更新局部最优位置,返回步骤3-4;否则,保持局部最优解不变;返回步骤3-5进行下一次迭代,直至达到最大迭代次数;
步骤三、判断全局最优位置的无人机群体是否存在航迹冲突,如果否,输出全局最优位置作为最优航迹规划集合;如果是,则基于延迟起飞时间算法进一步实现无人机群体的冲突解脱;
步骤四、当延迟起飞算法达到最大迭代次数后,进一步判断无人机群体规划的航迹是否存在冲突;如果否,则输出最优化航迹集合和最优起飞时间;如果是则通过增加航路点到航迹的方法进一步实现无人机群体冲突解脱;
步骤五、判断增加航路点算法达到最大迭代次数后,无人机群体规划的航迹是否存在冲突,如果否,则输出航路点的最优化坐标和航迹参数,得到最终的无人机群体对应的无冲突四维航迹规划;如果是,则返回步骤二重复上述步骤,直至融合运行区域内的无人机群体实现无冲突的四维航迹规划。
2.如权利要求1所述的一种基于粒子群算法的无人机无冲突四维航迹规划方法,其特征在于,所述基于延迟起飞时间算法实现无人机群体的冲突解脱,具体过程为:
首先,从全局最优位置的无人机群体集合中,选取存在冲突的无人机,形成冲突集合;并按照冲突次数由多到少对无人机排序;依次选择冲突最多的无人机的计划起飞时间,将其推迟时间T;然后,更新冲突信息,再次判断更新后的无人机群体对应的航迹是否存在冲突,如果是,继续将冲突最多的无人机的计划起飞时间推迟,直至达到最大迭代次数或者所有无人机都实现无冲突的四维航迹规划。
3.如权利要求1所述的一种基于粒子群算法的无人机无冲突四维航迹规划方法,其特征在于,所述通过在航迹上增加航路点实现无人机群体冲突解脱,具体为:
首先,初始化航路点数量;并找到所有未解决的冲突航迹,按照冲突次数由多到少将无人机进行排序;对于冲突最多的航迹增加航路点,基于PSO获取冲突最多的航迹的最优航路点坐标和航迹段参数;
然后,更新所有无人机航迹的参数并再次进行航迹冲突探测,更新冲突信息,直至达到最大迭代次数或者所有无人机都实现无冲突的四维航迹规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787050.8A CN116822362B (zh) | 2023-06-29 | 2023-06-29 | 一种基于粒子群算法的无人机无冲突四维航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787050.8A CN116822362B (zh) | 2023-06-29 | 2023-06-29 | 一种基于粒子群算法的无人机无冲突四维航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822362A CN116822362A (zh) | 2023-09-29 |
CN116822362B true CN116822362B (zh) | 2024-01-30 |
Family
ID=88121690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310787050.8A Active CN116822362B (zh) | 2023-06-29 | 2023-06-29 | 一种基于粒子群算法的无人机无冲突四维航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822362B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117320106B (zh) * | 2023-11-30 | 2024-03-12 | 湖南林科达信息科技有限公司 | 一种基于北斗的林业无人机智能通信***及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN112414405A (zh) * | 2020-10-22 | 2021-02-26 | 武汉大学 | 一种顾及dsm的应急任务的无人机集群航迹规划方法 |
CN114664122A (zh) * | 2022-03-25 | 2022-06-24 | 南京航空航天大学 | 一种考虑高空风不确定性的冲突最小化航迹规划方法 |
CN115840465A (zh) * | 2022-12-02 | 2023-03-24 | 西安电子科技大学 | 一种基于粒子群算法的无人机集群航迹规划方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10270642B2 (en) * | 2012-12-05 | 2019-04-23 | Origin Wireless, Inc. | Method, apparatus, and system for object tracking and navigation |
CN114413906B (zh) * | 2022-01-18 | 2022-12-13 | 哈尔滨工业大学 | 一种基于改进粒子群优化算法的三维轨迹规划方法 |
-
2023
- 2023-06-29 CN CN202310787050.8A patent/CN116822362B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109631900A (zh) * | 2018-12-24 | 2019-04-16 | 中国矿业大学 | 一种无人机三维航迹多目标粒子群全局规划方法 |
CN112414405A (zh) * | 2020-10-22 | 2021-02-26 | 武汉大学 | 一种顾及dsm的应急任务的无人机集群航迹规划方法 |
CN114664122A (zh) * | 2022-03-25 | 2022-06-24 | 南京航空航天大学 | 一种考虑高空风不确定性的冲突最小化航迹规划方法 |
CN115840465A (zh) * | 2022-12-02 | 2023-03-24 | 西安电子科技大学 | 一种基于粒子群算法的无人机集群航迹规划方法 |
Non-Patent Citations (2)
Title |
---|
多无人机协同四维航迹规划的改进的Tau-H策略;丁强;陶伟明;;浙江大学学报(工学版)(07);全文 * |
无人机三维实时航迹规划;席剑锐;杨金孝;张博亮;陈志星;;计算机测量与控制(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822362A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262548B (zh) | 一种考虑抵达时间约束的无人机航迹规划方法 | |
CN108958285B (zh) | 一种基于分解思想的高效多无人机协同航迹规划方法 | |
Cobano et al. | Path planning based on genetic algorithms and the monte-carlo method to avoid aerial vehicle collisions under uncertainties | |
Alejo et al. | Particle swarm optimization for collision-free 4d trajectory planning in unmanned aerial vehicles | |
CN116822362B (zh) | 一种基于粒子群算法的无人机无冲突四维航迹规划方法 | |
CN114397896A (zh) | 一种改进粒子群算法的动态路径规划方法 | |
Niu et al. | UAV track planning based on evolution algorithm in embedded system | |
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 | |
CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
Klein et al. | Moving target approach for wind-aware flight path generation | |
Perez-Leon et al. | Integration of a 4D-trajectory follower to improve multi-UAV conflict management within the U-space context | |
Ma et al. | Volcanic Ash Region Path Planning Based on Improved A‐Star Algorithm | |
Wu et al. | Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error | |
Xinmin et al. | Key Technology in Multi-UAV Conflict Detection and Resolution Strategy. | |
Kong et al. | Multi-UAV simultaneous target assignment and path planning based on deep reinforcement learning in dynamic multiple obstacles environments | |
CN116518982B (zh) | 一种低空林业监测遥感无人机路径多目标规划方法 | |
Ge et al. | Trajectory planning of fixed-wing UAV using kinodynamic RRT algorithm | |
Duoxiu et al. | Proximal policy optimization for multi-rotor uav autonomous guidance, tracking and obstacle avoidance | |
CN115963855A (zh) | 一种基于深度学习的无动力再入飞行器落区预示方法 | |
Xie et al. | Hybrid AI-based Dynamic Re-routing Method for Dense Low-Altitude Air Traffic Operations | |
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 | |
Guo et al. | Online path planning for UAV navigation based on quantum particle swarm optimization | |
Huang et al. | Potential hazard-aware adaptive shared control for human-robot cooperative driving in unstructured environment | |
Chu et al. | Track planning of multi-rotor unmanned aerial vehicle in the complex environment space | |
Kvasnikov et al. | Designing a computerized information processing system to build a movement trajectory of an unmanned aircraft vehicle |
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 |