CN117367433A - 低空无人机路径规划方法、装置、无人机及可读存储介质 - Google Patents
低空无人机路径规划方法、装置、无人机及可读存储介质 Download PDFInfo
- Publication number
- CN117367433A CN117367433A CN202311538442.7A CN202311538442A CN117367433A CN 117367433 A CN117367433 A CN 117367433A CN 202311538442 A CN202311538442 A CN 202311538442A CN 117367433 A CN117367433 A CN 117367433A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- cost function
- dispatch
- 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 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 105
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 204
- 238000005265 energy consumption Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 description 10
- 239000002245 particle Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002922 simulated annealing Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种低空无人机路径规划方法、装置、无人机及可读存储介质，先对目标派送区域进行栅格化处理，再基于航程、高度和危险这三方面代价建立符合无人机多目标路径规划的模型目标函数和约束条件。针对传统的A*算法只能沿着栅格的中心点寻找路径从而导致路径不平滑的问题，利用引入动态加权函数的改进A*算法规划无人机从派送起点到派送终点的飞行路径。通过在原始的A*算法中加入动态加权函数，使得在路径搜索的过程中，利用动态加权函数来对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响，在提升算法搜索效率的同时，不影响算法收敛的精确度。而模型目标函数的建立考虑了多方面的约束，使得最终的飞行路径也更为的平滑准确。
Description
技术领域
本发明涉及无人机领域，具体而言，涉及一种低空无人机路径规划方法、装置、无人机及可读存储介质。
背景技术
如今，城市低空***的高效运行对城市的经济发展和居民的生活水平至关重要，作为智能低空体系的重要组成部分，无人机低空以其高效、快捷的特点受到越来越多的关注和重视。其中，无人机支线运输和末端配送已经成为无人机低空的主要形式，与传统的交通工具相比，无人机具有更大的灵活性、更低的成本，并可以快速到达目的地。
其中，算法设计是城市低空无人机路径规划的核心，主流的路径规划智能算法有遗传算法、A*算法、蚁群算法、粒子群算法等。
但是目前对城市低空无人机配送路径规划的问题的研究相对较少，低空无人机配送的时效性和安全性是最基础的保障，因此，如何考虑低空无人机在低空空域内飞行时各方面的影响，从而有效分析并解决低空无人机配送路径规划方面的几个根本问题是当下推进智慧低空发展核心点。
当下低空无人机物流配送的研究中多采用A*算法进行路径规划，但是基于传统的A*算法进行低空无人机的路径规划存在算法搜索效率低，收敛精度差等问题。
发明内容
本发明的目的在于提供一种低空无人机路径规划方法、装置、无人机及可读存储介质，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：
第一方面，本发明提供一种低空无人机路径规划方法，包括：
建立目标派送区域所在空间的三维网格模型，所述三维网格模型包括若干立体栅格；
构建模型目标函数，并对所述模型目标函数进行分解得到实际代价函数和预估代价函数；
基于所述实际代价函数和所述预估代价函数，构建动态加权函数；
基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径；在路径搜索的过程中，所述动态加权函数用于对所述预估代价函数进行动态加权，以逐渐减小所述预估代价函数的影响。
第二方面，本发明提供一种低空无人机路径规划装置，包括：
分割模块，用于建立目标派送区域所在空间的三维网格模型，所述三维网格模型包括若干立体栅格；
建模模块，用于：构建模型目标函数，并对所述模型目标函数进行分解得到实际代价函数和预估代价函数；基于所述实际代价函数和所述预估代价函数，构建动态加权函数；
搜索模块，用于基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径；在路径搜索的过程中，所述动态加权函数用于对所述预估代价函数进行动态加权，以逐渐减小所述预估代价函数的影响。
第三方面，本发明提供一种无人机，包括：存储器和处理器，所述存储器存储有软件程序，当所述电子设备运行时所述处理器执行所述软件程序以实现如前述第一方面所述的低空无人机路径规划方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述第一方面所述的低空无人机路径规划方法。
与现有技术相比，本发明实施例提供了一种低空无人机路径规划方法、装置、无人机及可读存储介质，通过建立目标派送区域所在空间的三维网格模型，然后构建模型目标函数，并对模型目标函数进行分解得到实际代价函数和预估代价函数；接着基于实际代价函数和预估代价函数，构建动态加权函数；最后基于实际代价函数、预估代价函数以及动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径。通过在原始的A*算法中加入动态加权函数，使得在路径搜索的过程中，利用动态加权函数来对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响，在提升算法搜索效率的同时，不影响算法收敛的精确度。
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低空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低空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目标派送区域的三维环境示意图。
图4为本发明实施例提供的一种在目标派送区域利用不同算法进行路径规划的相对执行效率比较图。
图5为本发明实施例提供的一种在目标派送区域得到飞行路径示意图。
图6为本发明实施例提供的一种低空无人机路径规划装置的结构示意图。
图7为本发明实施例提供的一种无人机的结构示意图。
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。
如今，城市低空***的高效运行对城市的经济发展和居民的生活水平至关重要，作为智能低空体系的重要组成部分，无人机低空以其高效、快捷的特点受到越来越多的关注和重视。其中，无人机支线运输和末端配送已经成为无人机低空的主要形式，与传统的交通工具相比，无人机具有更大的灵活性、更低的成本，并可以快速到达目的地。
其中，算法设计是城市低空无人机路径规划的核心，主流的路径规划智能算法有遗传算法、A*算法、蚁群算法、粒子群算法等。
但是目前对城市低空无人机配送路径规划的问题的研究相对较少，低空无人机配送的时效性和安全性是最基础的保障。为此，需要考虑低空无人机在低空空域内飞行时的外部因素以及无人机飞行性能等因素，将多目标函数转换为单一目标函数，从而有效分析并解决低空无人机配送路径规划方面的几个根本问题。所以，如何考虑低空无人机在低空空域内飞行时各方面的影响，从而有效分析并解决低空无人机配送路径规划方面的几个根本问题是当下推进智慧低空发展核心点。
当下低空无人机物流配送的研究中多采用A*算法进行路径规划，但是基于传统的A*算法进行低空无人机的路径规划存在算法搜索效率低，收敛精度差等问题。
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。
有鉴于此，本发明实施例提供一种低空无人机路径规划方法，围绕城市低空无人机路径规划，综合考虑多种因素，通过利用了引进动态加权函数的改进的A*算法进行低空无人机物流配送的路径规划。以下通过实施例，并配合所附附图，进行详细说明。
本发明实施例提供的低空无人机路径规划方法，可以应用于电子设备。该电子设备可以是个人计算机、服务器、无人机(例如物流配送无人机)等。下述实施例以执行主体为无人机为例进行说明。
请参考图1，图1为本发明实施例提供的一种低空无人机路径规划方法的流程示意图，该方法包括以下步骤S101～S104：
S101、建立目标派送区域所在空间的三维网格模型。
在本实施例中，目标派送区域可以是预先选定的同城区域。在目标派送区域所在空间建立空间直角坐标系，将城市空域划分为包括若干立体栅格的三维网格模型。
例如，目标派送区域所在立体空间OABC-O'A'B'C'为尺寸大小为L×W×H的立方体区域，根据预设栅格尺寸lgrid，可以将立体空间OABC-O'A'B'C'划分为u×v×w个立体栅格，每个立体栅格的中心点可以是待选择的路径点，其中：
u＝floor(L/lgrid) (1)
v＝floor(W/lgrid) (2)
w＝floor(H/lgrid) (3)
S102、构建模型目标函数，并对模型目标函数进行分解得到实际代价函数和预估代价函数。
在本实施例中，模型目标函数可以用于衡量无人机单次派送总代价。实际代价函数用于计算派送起点到当前路径点之间的实际派送代价，预估代价函数用于计算下一路径点到派送终点之间的预估派送代价。
S103、基于实际代价函数和预估代价函数，构建动态加权函数。
在本实施例中，动态加权函数用于平衡路径搜索过程中的搜索侧重点(路径搜索速度与最优路径)。
S104、基于实际代价函数、预估代价函数以及动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径。
在本实施例中，是在传统的A*算法的基础上，利用引进了动态加权函数的改进后的A*算法进行路径搜索。在路径搜索的过程中，动态加权函数是动态变化的，用于对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响。
也就是，在路径搜索过程中，在初始从派送起点开始，动态加权函数的值较大，此时路径搜索的侧重点在于较快的搜索速度；而随着派送终点的接近接近，动态加权函数的值从大变小，路径搜索的侧重点逐渐由较快的搜索速度转变为追求最优路径。
本发明实施例提供的低空无人机路径规划方法，通过建立目标派送区域所在空间的三维网格模型，然后构建模型目标函数，并对模型目标函数进行分解得到实际代价函数和预估代价函数；接着基于实际代价函数和预估代价函数，构建动态加权函数；最后基于实际代价函数、预估代价函数以及动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径。通过在原始的A*算法中加入动态加权函数，使得在路径搜索的过程中，利用动态加权函数来对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响，在提升算法搜索效率的同时，不影响算法收敛的精确度。
可选的实现方式中，本发明的应用场景是涉及低空无人机同城派送方面的路径规划，模型目标函数的建立可以考虑航程、高度以及危险度这三方面的因素，而模型目标函数的约束除了无人机自身的性能等约束，还可以包括场景相关的约束条件。
设派送起点S和派送终点G各自在三维网格模型的位置坐标为(x0,y0,z0)、(xN,yN,zN)，派送起点和派送终点之间的第i个路径点Ci和第i-1个路径点Ci-1在三维网格模型的位置坐标分别为(xi,yi,zi)、(xi-1,yi-1,zi-1)。对应地，上述步骤S102的子步骤可以包括S1021～S1026。
S102、构建航程代价函数。
可以理解，航程代价函数可以反映无人机的飞行距离。航程代价函数的表达式可以为：
其中，Lv(i,i-1)为路径点Ci和路径点Ci-1之间的航程代价值。
S1022、基于无人机的总质量，构建高度代价函数。
可以理解，城市环境特点是建筑物高大且密集，高度代价函数可以反映无人机在两个路径点之间的高度变化带来的坠落时风险。高度代价函数的表达式可以是：
Lr(i,i-1)＝λMgΔz(i,i-1) (5)
其中，λ为无人机高度变化惩罚项超参数；M为无人机总质量；g为重力加速度，Δz(i,i-1)为路径点Ci和路径点Ci-1的高度差，Lr(i，i-1)为路径点Ci和路径点Ci-1之间的高度代价值。高度代价值可以反映无人机的坠落风险。
S1023、获取目标派送区域的静态障碍物信息。
在本实施例中，静态障碍物信息可以反映目标派送区域的静态障碍物在三维网格模型的位置分布。
S1024、基于静态障碍物信息，构建危险度代价函数。
在本实施例中，危险度代价函数可以反映无人机与静态障碍物之间的撞击风险。危险度代价函数的表达式可以是：
Ldi＝μei (6)
其中，μ为无人机危险度代价惩罚项超参数，ei为路径点Ci的危险系数，为路径点Ci相邻的第m个立体栅格的障碍物信息，m为与路径点Ci相邻的立体栅格数量：Ldi为路径点Ci的危险度代价值，反映无人机在路径点Ci处与静态障碍物的撞击风险。
S1025、基于航程代价函数、高度代价函数以及危险度代价函数，构建模型目标函数。
在本实施例中，模型目标函数的目标是最小化无人机从派送起点至派送终点之间的总代价。该模型目标函数如下：
式(9)中，α1、α2、α3分别为航程加权系数、高度加权系数和危险度加权系数；ε为误差项调节因子；N代表从派送起点到派送终点的路径点数量，i＝1,2,…,N；T反映无人机从派送起点飞行至派送终点的最小化总代价。
可选的，模型目标函数的约束条件可以包括最小路径段长度约束、飞行高度约束、安全间隔约束、飞行时间约束、缓冲区约束、飞行能耗约束、无线通信范围约束以及最大载荷约束。其各自表达如下：
一、最小路径段长度约束为：
Lv(i,i-1)≥lmin (10)
最小路径段长度约束可以反映无人机在两次转弯间的飞行距离不低于无人机性能约束的单次最小飞行距离lmin。
二、飞行高度约束为：
Hmin≤zi≤Hmax (11)
飞行高度约束用于保证无人机在路径点Ci处的高度符合低空无人机配送***允许的飞行高度范围[Hmin,Hmax]，Hmin是飞行高度下限，Hmax是飞行高度上限。
三、安全间隔约束为：
其中，Ob(xob,yob,zob)为路径点Ci周围最近的障碍物坐标，Dmin为低空无人机配送***要求的无人机与障碍物之间的最小安全间隔。
四、飞行时间约束为：
为无人机从派送起点至派送终点的飞行总时长，tset为当前派送任务设定的派送时长。
五、缓冲区约束为：
式(14)中，(xi,yi,zi)是无人机进入第i个路径点对应的缓冲区时的位置；(xb,yb,zb)是规划的第i个路径点的位置(应当是栅格中心点)，δ为缓冲调节因子。即从栅格中心点外扩δ的球体区域即为缓存区。
式(14)中，tuntil(D)为无人机从进入第i个路径点对应的缓冲区到调整位置到栅格中心点所需的缓冲时长；tbufferset为预设缓冲时长。
可以理解，设置缓冲区的目的是为了确保无人机在飞行时可以有一定的空间和时间来调整其路径，从而避免与其他物体碰撞或偏离预定路径太远。这在复杂的城市飞行环境中尤为重要，因为无人机需要避免与建筑物、其他无人机或其他障碍物碰撞。而缓冲时长可以确保无人机在飞到下一个路径点之前有足够的时间来调整其路径，以避免超出上述定义的缓冲区范围。
六、飞行能耗约束为：
式(16)中，k1为无人机水平单位距离能耗系数，k2为无人机垂直单位距离能耗系数，Emax为无人机单次运行最大能耗。飞行能耗约束可以保证规划出来的飞行路径的总能耗不超出无人机性能要求的单次运行最大能耗。
七、无线通信范围约束为：
式(17)中，(x,y,z)代表无人机当前的位置，(xs,ys,zs)代表地面控制站所在的位置，R代表无人机与地面控制站之间的最大通信范围，即最远可控航程。
无线通信范围约束用于保证规划出的飞行路径不超出地面控制站支持的最大通信范围。在城市物流无人机(UAV)路径规划中考虑无线通信范围约束通常是为了确保无人机在整个飞行过程中保持与地面控制站之间的通信不中断。
八、最大载荷约束为：
mc≤mmax (18)
其中，mc表示无人机派送的物品质量，mmax为无人机所能承受的最大载货量。最大载荷约束用于限定无人机的载物质量，以保证无人机可以正常飞行。
S1026、对模型目标函数进行规划分解，得到实际代价函数和预估代价函数。
在本实施例中，实际代价函数的表达式可以为：
其中，α1、α2、α3分别为航程加权系数、高度加权系数和危险度加权系数，当前路径点为Cn；
预估代价函数的表达式可以为：
h(n)＝α1Lv(N,j)+α2Lr(N,j)+α3Ldj (20)
其中，Lv(N,j)为派送终点G与当前路径点Cn的相邻立体栅格Cj之间的航程代价值；Lr(N,j)为派送终点G与当前路径点Cn的相邻立体栅格Cj之间的高度代价值；Ldj为当前路径点Cn的相邻立体栅格Cj的危险度代价值。
以上内容即为建模过程，以下对路径搜索过程进行介绍。
随着无人机路径规划研究的深入，越来越多的启发式算法被应用于无人机路径寻优。比较常用的有A*算法、遗传算法、蚁群算法、粒子群算法、模拟退火法等，各自特点如表1所示。其中，A*算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法，因此，本发明采用改进后的A*算法进行求解。
表1算法比较
低空无人机配送***中路径规划技术和优化算法是通过启发式搜索的模型来逐步加以优化实现，启发式算法是通常的运用启发信息，引用某些准则或经验来重新排列open表中节点的顺序，使搜索沿着某个被认为最有希望的前沿区段扩展。即通过A*算法来实现，将立体栅格视为一个节点，传统的A*算法通过f(n)＝g(n)+h(n)来计算节点的优先级。
其中f(n)是节点n的综合优先级。当需要从当前节点的各个待选节点中选择下一个节点时，需要选择综合性能优先级值最高的(f(n)最小)的待选节点作为下一个节点。
(1)g(n)是节点n距离起点的代价。
(2)h(n)是节点n距离终点的预计代价，即A*算法的启发函数。
但是，传统的A*算法只能沿着栅格的中心点寻找路径，这会导致路径不平滑，需要进行额外的平滑处理。而我们可以通过Theta*进行修改，修改关键在于其打开一个节点n，然后更新周围的节点n′时，会检查n′与parent(n)的可见性，如果可见，则把n′的父节点设置成parent(n)。当两节点之间无障碍物，即为可见。
本发明中，考虑到无人机配送的估值优化影响，在传统的A*算法的基础上，引入动态加权函数构建改进后A*算法的总代价函数如下：
f(n)＝g(n)+weight(n)*h(n) (21)
其中，动态加权函数的表达式可以是：
其中，α为一种超参数。
可以理解，在路径规划过程中，g(n)逐渐变大，h(n)逐渐变小，因而weight(n)的变化趋势是从大变小。使用weight(n)进行动态加权来可以缩短路径搜索的时间，其原则为：在搜索前期weight(n)较大时，A*算法会尽快向终点扩展，侧重于搜索速度；在搜索后期weight(n)较小时，侧重于选择到达派送终点的最优路径。
该同城低空无人机配送问题在A*算法中可以简化成一个广义搜索问题，同时不断更新parent的可见性和当前的动态加权值，具体的算法表示如下：
(1)初始化派送起点start point和派送终点end point等参数，同时随机绘制城市地图和障碍物；
(2)从派送起始start point开始，并且把它作为待处理节点存入一个“开启列表”，记作变量open list；
(3)寻找派送起点周围所有可到达点或者可通过的路径，这里我们可以通过欧几里得距离启发函数来进行距离度量，也把新节点加入open list，并为所有这些点保存点start point作为“父节点”，同时检查父节点可见性并更新weight权值函数；
(4)从open list中删除点start point，把它加入到一个close list，close list中保存所有不需要再次检查的节点，同时所有的相邻节点现在都在open list中；
(5)检查所有相邻节点，每次都从优先队列里选取f(n)值中最小的节点作为下一个待遍历节点。跳过那些已在close list中或者有障碍物的点，把他们再添加进openlist，如果他们仍然不在里面的话，就把选中的节点当作新的节点的父节点，如果某个相邻节的点已经在open list中了，检查现在的这条路径是否更好，也等于检查如果我们用新的路径到达它的话，g(n)值是否会更偏低一些；
(6)重复上述过程，直到遍历找到终点，完成循环。
所以，在图1的基础上，请参见图2，上述步骤S104的子步骤可以包括S1041～S1048：
S1041、获取派送起点和派送终点各自在三维网格模型的位置坐标。
S1042、将派送起点作为当前路径点。
在本实施例中，可以将派送起点加入路径点集合，然后将派送起点作为当前路径点开始查找下一个路径点。
S1043、获取当前路径点的待选集合。
在本实施例中，待选集合包括当前路径点的至少一个无障碍物可飞行的相邻立体栅格。
S1044、基于实际代价函数、预估代价函数以及动态加权函数，计算每个相邻立体栅格对应的飞行总代价。
在本实施例中，对于当前路径点的待选集合中的每个相邻立体栅格，可以利用上述公式(21)、(22)计算该相邻立体栅格的飞行总代价。对应的，步骤S1044的子步骤可以包括S10441～S10446：
S10441、基于实际代价函数，计算从派送起点至当前路径点的实际累积代价值。
在本实施例中，实际累积代价值为派送起点至当前路径点之间每对相邻路径点对应的实际代价值之和。
S10442、针对任一相邻立体栅格，基于预估代价函数，计算从当前路径点经相邻立体栅格至派送终点的预估代价值。
S10443、将实际累积代价值和预估代价值输入动态加权函数，得到相邻立体栅格对应的动态权重系数。
S10444、利用动态权重系数对预估代价值进行加权，得到加权预估代价值。
S10445、将累积代价值与加权预估代价值之和，作为相邻立体栅格对应的飞行总代价。
S10446、遍历每个相邻立体栅格，得到每个相邻立体栅格对应的飞行总代价。
在本实施例中，针对当前路径点的待选集合中的每个相邻立体栅格，执行上述步骤S1042～S1045，即可得到每个相邻立体栅格对应的飞行总代价。
S1045、将飞行总代价最小的相邻立体栅格的中心作为当前路径点的下一个路径点。
在本实施例中，对于当前路径点的待选集合中的每个相邻立体栅格，可以利用上述公式(21)、(22)计算该相邻立体栅格的飞行总代价。然后将飞行总代价最小的相邻立体栅格的中心作为当前路径点的下一个路径点，并将之加入路径点集合。
S1046、判断下一个路径点的相邻立体栅格是否包括派送终点。
在本实施例中，若下一个路径点的相邻立体栅格不包括派送终点，则执行以下步骤S1047后返回执行步骤S1043，直至下一个路径点的相邻立体栅格包括派送终点时，执行以下步骤S1048。
S1047、将下一个路径点作为新的当前路径点。
S1048、判定完成搜索，得到从派送起点到派送终点的飞行路径。
在本实施例中，飞行路径包括派送起点到派送终点的多个路径点。
可选的示例中，为了展现本发明中采用该改进的A*算法进行路径规划的效果，以下给出一种与遗传算法、模拟退火法、蚁群算法、粒子群算法等算法对比示例。
假设选取的无人机基本参数为：满电状态下可用电能为308kJ，无人机最远可控航程为2800m，无人机飞行高度上限为420m，无人机最大飞行速度为50km/h，最大加速度为5m/s2，最大转弯角度为90°，最长使用时间为120min。
根据本发明上述建立的无人机低空规划的模型目标函数以及算法要求，无人机参数要求和算法仿真要求如表2所示。
表2无人机参数要求和算法仿真要求
| 参数 | 值 | 参数 | 值 | 参数 | 值 |
| 单机最大载重 | 10kg | 危险度加权系数 | 0.3 | 航程加权系数 | 0.4 |
| 单机最大飞行速度 | 50km/h | 高度变化惩罚系数λ | 0.5 | 高度加权系数 | 0.3 |
| 最大飞行高度 | 420m | 危险度代价惩罚系数μ | 1.75 | 派送起点坐标 | (25，89，8) |
| 飞行时间约束 | [120,180] | 误差项调节因子ε | 0.05 | 派送终点坐标 | (90，53，12) |
| 最大加速度 | 5m/s2 | 负载重量/kg | [3-8] | 单位距离垂直耗能 | 340J/m |
| 最远可控航程 | 2800m | 计划可用电能 | 308kJ | 单位距离水平耗能 | 106J/m |
| 最大转弯角度 | 90° | 单元格距离 | 10m |
根据表2设置的参数，让无人机从该城市区域完成物流配送任务，需要有效的对低空环境中的障碍物进行避让，根据模型目标函数的多方面约束等分析，使用A*算法对该低空城市区域进行仿真模拟，求取无人机物流配送最佳规划路径。
假设图3为目标派送区域的三维环境，全图的尺寸大小为1000m*1000m*200m，该区域出发点为一座小型的物资存储仓库，有一个地点需要使用无人机投放物资，无人机避开地形障碍前往物资投放地点，并且将全图区域使用栅格法进行单元格划分，单元格之间的距离设置为10m，在该路径范围内要满足配送时间尽量短，在电量不少于10％的情况下完成任务，以及配送货物的重量不超过最大载重。
按照上述方案进行低空无人机同城路径规划，使用本发明中改进的A*算法、遗传算法、蚁群算法、模拟退火算法、粒子群算法分别进行路径求解。通过MATLAB仿真其算法效率，这里给出改进的A*算法、遗传算法、模拟退火算法、蚁群算法和粒子群算法对同一配送地图下进行路径规划的寻优情况，为更可观地展示结果，图4给出了不同算法计算下的相对执行效率。
A*算法和遗传算法在低空无人机同城配送路径规划下是最好的选择，这两种算法相比其他三种在迭代次数较少的情况下就能快速收敛，同时不易于陷入局部最优解，能够在无人机路径规划中进行很好的全局搜索，并且对参数的设置不苛刻，鲁棒性较好，是一种较优的选择。这几种算法的对比结果如表3所示。结果显示，A*算法迭代效率提高，收敛精确度较好，路径节点减少，而且在其他结果数据方面，均优于其他算法的结果。
表3低空无人机路径规划结果
| 算法 | 路径节点/个 | 路径航程/m | 飞行时间/s | 电量消耗/kJ |
| 遗传算法 | 26 | 1331 | 221.52 | 122.82 |
| A*算法 | 11 | 923 | 200.72 | 106.34 |
| 蚁群算法 | 17 | 1063 | 209.56 | 110.97 |
| 粒子群算法 | 19 | 1112 | 213.72 | 116.25 |
为了得到更优的解，我们应该注重估价函数h(n)的精确选取，在低空无人机路径规划中若估价值h(n)≤n到目标客户点的距离实际值，这时候，搜索的点数多且搜索范围大时，效率低，但可保证其仍然是能得到的一个最优解的结果；若估价值大于实际值，搜索的点数少且搜索范围小，效率高，但不能保证得到最优解。同时，根据理论知识可以知道，估价值与实际值越接近估价函数取得越好。我们在选择h(n)上不会过高估计到达目标的代价，f(n)不会超过经过节点n的解的实际代价，同时对于每个节点n和通过任一行动a生成的n的每个后续节点n'，从节点n到达目标的估计，如果h(n)是一致的，沿着任何路径的f(n)的值是非递减的；若A*算法选择扩展节点n，就已经找到了到达节点n的最优路径。通过改进的A*算法进行低空同城配送路径的规划，我们将得到的飞行路径如图5所示。
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。
为了执行上述方法实施例及各个可能的实施方式中的相应步骤，下面给出一种低空无人机路径规划装置的实现方式。
请参见图6，图6示出了本发明实施例提供的低空无人机路径规划装置的结构示意图。该低空无人机路径规划装置200包括：分割模块210、建模模块220和搜索模块230。
分割模块210，用于建立目标派送区域所在空间的三维网格模型，三维网格模型包括若干立体栅格；
建模模块220，用于：构建模型目标函数，并对模型目标函数进行分解得到实际代价函数和预估代价函数；基于实际代价函数和预估代价函数，构建动态加权函数；
搜索模块230，用于基于实际代价函数、预估代价函数以及动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径；在路径搜索的过程中，动态加权函数用于对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响。
所属领域的技术人员可以清楚地了解到，分割模块210用于实现上述步骤S101，建模模块220用于实现上述步骤S102～S103及其子步骤，搜索模块230用于实现上述步骤S104及其子步骤。为描述的方便和简洁，上述描述的低空无人机路径规划装置200的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
请参见图7，图7为本发明实施例提供的一种无人机的结构示意图。该无人机300包括处理器310、存储器320和总线330，处理器310通过总线330与存储器320连接。
存储器320可用于存储软件程序，例如，如本发明实施例所提供的低空无人机路径规划装置200对应的软件程序。处理器310通过运行存储在存储器320内的软件程序，从而执行各种功能应用以及数据处理以实现如本发明实施例所提供的低空无人机路径规划方法。
其中，存储器320可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，闪存存储器(Flash)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable ProgrammableRead-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory，EEPROM)等。
处理器310可以是一种集成电路芯片，具有信号处理能力。该处理器310可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图7所示的结构仅为示意，无人机300还可以包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时实现上述实施例揭示的低空无人机路径规划方法。该计算机可读存储介质可以是但不限于：U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、FLASH磁碟或者光盘等各种可以存储程序代码的介质。
综上，本发明实施例提供了一种低空无人机路径规划方法、装置、无人机及可读存储介质，通过建立目标派送区域所在空间的三维网格模型，然后构建模型目标函数，并对模型目标函数进行分解得到实际代价函数和预估代价函数；接着基于实际代价函数和预估代价函数，构建动态加权函数；最后基于实际代价函数、预估代价函数以及动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径。通过在原始的A*算法中加入动态加权函数，使得在路径搜索的过程中，利用动态加权函数来对预估代价函数进行动态加权，以逐渐减小预估代价函数的影响，在提升算法搜索效率的同时，不影响算法收敛的精确度。
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 (10)
1.一种低空无人机路径规划方法，其特征在于，包括：
建立目标派送区域所在空间的三维网格模型，所述三维网格模型包括若干立体栅格；
构建模型目标函数，并对所述模型目标函数进行分解得到实际代价函数和预估代价函数；
基于所述实际代价函数和所述预估代价函数，构建动态加权函数；
基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径；在路径搜索的过程中，所述动态加权函数用于对所述预估代价函数进行动态加权，以逐渐减小所述预估代价函数的影响。
2.根据权利要求1所述的方法，其特征在于，所述构建模型目标函数，并对所述模型目标函数进行分解得到实际代价函数和预估代价函数的步骤，包括：
构建所述航程代价函数；
基于所述无人机的总质量，构建所述高度代价函数；
获取所述目标派送区域的静态障碍物信息；
基于所述静态障碍物信息，构建所述危险度代价函数；
基于所述航程代价函数、所述高度代价函数以及所述危险度代价函数，构建所述模型目标函数；
对所述模型目标函数进行规划分解，得到所述实际代价函数和所述预估代价函数。
3.根据权利要求2所述的方法，其特征在于，基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径的飞行路径的步骤，包括：
获取所述派送起点和所述派送终点各自在所述三维网格模型的位置坐标；
将所述派送起点作为当前路径点；
获取所述当前路径点的待选集合；所述待选集合包括所述当前路径点的至少一个可飞行的相邻立体栅格；
基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，计算每个所述相邻立体栅格对应的飞行总代价；
将所述飞行总代价最小的相邻立体栅格的中心作为所述当前路径点的下一个路径点；
判断所述下一个路径点的相邻立体栅格是否包括所述派送终点；
若所述下一个路径点的相邻立体栅格不包括所述派送终点，则将所述下一个路径点作为新的当前路径点并返回执行所述获取所述当前路径点的待选集合的步骤，直至所述下一个路径点的相邻立体栅格包括所述派送终点；
若所述下一个路径点的相邻立体栅格包括所述派送终点，则判定完成搜索，得到从所述派送起点到所述派送终点的飞行路径，所述飞行路径包括所述派送起点到所述派送终点的多个路径点。
4.根据权利要求3所述的方法，其特征在于，所述基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，计算每个所述相邻立体栅格对应的飞行总代价的步骤，包括：
基于所述实际代价函数，计算从所述派送起点至所述当前路径点的实际累积代价值；所述实际累积代价值为所述派送起点至所述当前路径点之间每对相邻路径点对应的实际代价值之和；
针对任一所述相邻立体栅格，基于所述预估代价函数，计算从所述当前路径点经所述相邻立体栅格至所述派送终点的预估代价值；
将所述实际累积代价值和所述预估代价值输入所述动态加权函数，得到所述相邻立体栅格对应的动态权重系数；
利用所述动态权重系数对所述预估代价值进行加权，得到加权预估代价值；
将所述累积代价值与所述加权预估代价值之和，作为所述相邻立体栅格对应的飞行总代价；
遍历每个所述相邻立体栅格，得到每个所述相邻立体栅格对应的飞行总代价。
5.根据权利要求4所述的方法，其特征在于，所述航程代价函数的表达式为：
其中，所述派送起点S和所述派送终点G各自在所述三维网格模型的位置坐标为(x0,y0,z0)、(xN,yN,zN)，所述派送起点和所述派送终点之间的第i个路径点Ci和第i-1个路径点Ci-1在所述三维网格模型的位置坐标分别为(xi,yi,zi)、(xi-1,yi-1,zi-1)，Lv(i,i-1)为路径点Ci和路径点Ci-1之间的航程代价值；
所述高度代价函数的表达式为：
Lr(i,i-1)＝λMgΔz(i,i-1)
其中，λ为无人机高度变化惩罚项超参数；M为无人机总质量；g为重力加速度，Δz(i,i-1)为路径点Ci和路径点Ci-1的高度差，Lr(i，i-1)为路径点Ci和路径点Ci-1之间的高度代价值；
所述危险度代价函数的表达式为：
Ldi＝μei
其中，μ为无人机危险度代价惩罚项超参数，ei为路径点Ci的危险系数，为路径点Ci相邻的第m个立体栅格的障碍物信息，m为与路径点Ci相邻的立体栅格数量：Ldi为路径点Ci的危险度代价值；
所述模型目标函数的表达式为：
其中，α1、α2、α3分别为航程加权系数、高度加权系数和危险度加权系数；ε为误差项调节因子；N代表所述从所述派送起点到所述派送终点的路径点数量，i＝1,2,…,N；T反映无人机从所述派送起点飞行至所述派送终点的最小化总代价；所述模型目标函数的约束条件包括最小路径段长度约束、飞行高度约束、安全间隔约束、飞行时间约束、缓冲区约束、飞行能耗约束、无线通信范围约束以及最大载荷约束；
所述最小路径段长度约束为Lv(i,i-1)≥lmin，反映所述无人机在两次转弯间的飞行距离要不低于无人机性能约束的单次最小飞行距离lmin；
所述飞行高度约束为Hmin≤zi≤Hmax，反映无人机在路径点Ci处的高度符合低空无人机配送***允许的飞行高度范围[Hmin,Hmax]，Hmin是飞行高度下限，Hmax是飞行高度上限；
所述安全间隔约束为：
其中，Ob(xob,yob,zob)为路径点Ci周围最近的障碍物坐标，Dmin为最小安全间隔；
所述飞行时间约束为 为无人机从所述派送起点至所述派送终点的飞行总时长，tset为设定的派送时长；
所述缓冲区约束为：
(xi,yi,zi)是无人机进入第i个路径点对应的缓冲区时的位置；(xb,yb,zb)是规划的第i个路径点的位置，即栅格中心点；δ为缓冲调节因子；tuntil(D)为无人机从进入第i个路径点对应的缓冲区到调整位置到栅格中心点所需的缓冲时长；tbufferset为预设缓冲时长；
所述飞行能耗约束为：
其中，k1为无人机水平单位距离能耗系数，k2为无人机垂直单位距离能耗系数，Emax为无人机单次运行最大能耗；
所述无线通信范围约束为：
其中，(x,y,z)代表无人机当前的位置，(xs,ys,zs)代表地面控制站所在的位置，R代表无人机与所述地面控制站之间的最大通信范围；
所述最大载荷约束为mc≤mmax，mc表示无人机派送的物品质量，mmax为无人机所能承受的最大载货量。
6.根据权利要求5所述的方法，其特征在于，所述实际代价函数的表达式为：
其中，α1、α2、α3分别为航程加权系数、高度加权系数和危险度加权系数，当前路径点为Cn；
所述预估代价函数的表达式为：
h(n)＝α1Lv(N,j)+α2Lr(N,j)+α3Ldj
其中，Lv(N,j)为派送终点G与当前路径点Cn的相邻立体栅格Cj之间的航程代价值；Lr(N,j)为派送终点G与当前路径点Cn的相邻立体栅格Cj之间的高度代价值；Ldj为当前路径点Cn的相邻立体栅格Cj的危险度代价值。
7.根据权利要求6所述的方法，其特征在于，所述改进的A*算法的总代价函数的表达式为：
f(n)＝g(n)+weight(n)*h(n)
所述动态加权函数的表达式为：
其中，α为一种超参数。
8.一种低空无人机路径规划装置，其特征在于，包括：
分割模块，用于建立目标派送区域所在空间的三维网格模型，所述三维网格模型包括若干立体栅格；
建模模块，用于：构建模型目标函数，并对所述模型目标函数进行分解得到实际代价函数和预估代价函数；基于所述实际代价函数和所述预估代价函数，构建动态加权函数；
搜索模块，用于基于所述实际代价函数、所述预估代价函数以及所述动态加权函数，利用改进的A*算法规划无人机从派送起点到派送终点的飞行路径；在路径搜索的过程中，所述动态加权函数用于对所述预估代价函数进行动态加权，以逐渐减小所述预估代价函数的影响。
9.一种无人机，其特征在于，包括：存储器和处理器，所述存储器存储有软件程序，当所述电子设备运行时所述处理器执行所述软件程序以实现如权利要求1-7中任一项所述的低空无人机路径规划方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的低空无人机路径规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311538442.7A CN117367433A (zh) | 2023-11-16 | 2023-11-16 | 低空无人机路径规划方法、装置、无人机及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311538442.7A CN117367433A (zh) | 2023-11-16 | 2023-11-16 | 低空无人机路径规划方法、装置、无人机及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117367433A true CN117367433A (zh) | 2024-01-09 |
Family
ID=89389351
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311538442.7A Pending CN117367433A (zh) | 2023-11-16 | 2023-11-16 | 低空无人机路径规划方法、装置、无人机及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117367433A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118031997A (zh) * | 2024-04-15 | 2024-05-14 | 航天广通科技(深圳)有限公司 | 基于gis的空间地理信息服务方法及装置 |
-
2023
- 2023-11-16 CN CN202311538442.7A patent/CN117367433A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118031997A (zh) * | 2024-04-15 | 2024-05-14 | 航天广通科技(深圳)有限公司 | 基于gis的空间地理信息服务方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN109933089B (zh) | 基于最小化最大能量消耗的多无人机任务规划方法及装置 | |
| US8082102B2 (en) | Computing flight plans for UAVs while routing around obstacles having spatial and temporal dimensions | |
| CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
| CN102880186B (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
| Shima et al. | UAV cooperative multiple task assignments using genetic algorithms | |
| CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
| CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
| CN117367433A (zh) | 低空无人机路径规划方法、装置、无人机及可读存储介质 | |
| CN109506654A (zh) | 低空航路规划方法及装置、飞行器 | |
| CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
| CN114440916A (zh) | 一种导航方法、装置、设备及存储介质 | |
| CN114199255A (zh) | 一种用于城区物流无人机终端配送航路网络的规划方法 | |
| CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
| Liu et al. | Real-time unmanned aerial vehicle cruise route optimization for road segment surveillance using decomposition algorithm | |
| CN113222277A (zh) | 基于动态分配算法的城市区域物流无人机需求预测方法 | |
| Ghambari et al. | An enhanced NSGA-II for multiobjective UAV path planning in urban environments | |
| CN114625162A (zh) | 基于混合算法的无人机最优路径规划方法、***及介质 | |
| Wang et al. | UAV online path planning based on improved genetic algorithm | |
| CN115730425A (zh) | 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、***、存储介质及终端 | |
| CN115220480A (zh) | 带有约束条件的无人机航迹规划方法、装置及电子设备 | |
| CN111024081B (zh) | 一种无人机群对单移动时敏目标侦察路径规划方法 | |
| CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
| Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region |
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 |