CN105353768B - 狭窄空间内基于随机采样的无人机轨迹规划方法 - Google Patents

狭窄空间内基于随机采样的无人机轨迹规划方法 Download PDF

Info

Publication number
CN105353768B
CN105353768B CN201510895751.9A CN201510895751A CN105353768B CN 105353768 B CN105353768 B CN 105353768B CN 201510895751 A CN201510895751 A CN 201510895751A CN 105353768 B CN105353768 B CN 105353768B
Authority
CN
China
Prior art keywords
unmanned plane
point
vehicle
road sign
rrt
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
Application number
CN201510895751.9A
Other languages
English (en)
Other versions
CN105353768A (zh
Inventor
李大川
李清
程农
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN201510895751.9A priority Critical patent/CN105353768B/zh
Publication of CN105353768A publication Critical patent/CN105353768A/zh
Application granted granted Critical
Publication of CN105353768B publication Critical patent/CN105353768B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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

本发明涉及一种狭窄空间内基于随机采样的无人机轨迹规划方法，属于无人机轨迹规划领域。该方法包括：获取无人机飞行环境信息，将无人机的初始状态、目标状态和飞行环境的三维模型作为轨迹规划的初始参数；根据所述飞行环境的三维模型进行路标点采样：并将所述路标点分别存入狭窄空间N和空旷区域U所对应的路标点列表，采用多快速扩展随机树，并将多条RRT轨迹树两两连接成为一条融合后的RRT轨迹树与所述无人机的初始状态、目标状态相连接，从而生成一条连接所述无人机的初始状态和目标状态的完整轨迹。本发明可有效提高狭窄空间内无人机轨迹规划的计算效率。

Description

狭窄空间内基于随机采样的无人机轨迹规划方法
技术领域
本发明涉及一种狭窄空间内基于随机采样的无人机轨迹规划方法，属于无人机轨迹规划领域。
背景技术
无人机轨迹规划的目的在于根据无人机的任务目标、环境信息和约束，在环境中寻找满足某种最优性能指标和约束的、从无人机的起始状态到任务目标的连续飞行轨迹。轨迹规划是无人机导航与控制领域的重要问题，也是实现无人机自主飞行的关键技术之一。
非结构化复杂三维环境广泛存在于无人机环境探索、目标搜寻和监测等等许多实际应用中。现实中的众多任务场景(如复杂室内空间、倒塌的建筑物内部、矿井等)均属于此类非结构化复杂三维环境。该类环境一般存在狭窄空间、非凸结构障碍物以及复杂的环境结构，因此任务环境中自由空间与障碍物区域的相对关系较为复杂，空间的连通性较弱。无人机在存在狭窄空间的非结构化复杂三维环境下执行任务，要求无人机系统必须能够有效地识别自由空间与障碍物，并规划出避开障碍物的连续轨迹。
传统的基于随机采样的轨迹规划方法(如概率路径图方法(PRM)和快速扩展随机树(RRT)等)虽然在解决存在动力学/运动学约束和高维空间的规划问题中应用较为广泛，但由于该类方法一般在空间中采用均匀采样策略，在存在狭窄空间的复杂三维环境中往往无法从复杂的结构中有效辨识出自由空间；且难以在连通性较差的复杂空间中实现轨迹的扩展，轨迹规划的整体计算效率较低。
发明内容
本发明的目的在于解决上述技术的不足之处，提出一种狭窄空间内基于随机采样的无人机轨迹规划方法，可有效提高狭窄空间内无人机轨迹规划的计算效率。
本发明提出的一种狭窄空间内基于随机采样的无人机轨迹规划方法，其特征在于，该方法具体包括以下步骤：
S101：建立飞行环境三维模型和设置轨迹规划初始参数：
获取无人机飞行环境信息，并根据所述飞行环境信息建立以多面体形式表达的飞行环境的三维模型；所述飞行环境包含自由空间和障碍物；
确定无人机的初始状态和目标状态，无人机的初始状态和目标状态包括无人机的位置、速度和相对于飞行环境的姿态；
并将所述无人机的初始状态、目标状态和飞行环境的三维模型作为轨迹规划的初始参数；
S102：根据所述飞行环境的三维模型进行路标点采样：
在步骤S101建立的飞行环境的三维模型中通过随机星型-均匀混合采样策略判断并生成路标点，并将所述路标点分别存入狭窄空间N和空旷区域U所对应的路标点列表NList和UList；
S103：以生成的路标点和无人机的初始状态、目标状态为根节点，采用多快速扩展随机树进行轨迹扩展：
以步骤S102中生成的路标点列表NList和UList中的每一路标点和所述无人机的初始状态、目标状态为RRT轨迹树的根节点，在所述飞行环境的三维模型中进行多条RRT轨迹树的扩展，并将多条RRT轨迹树两两连接成为一条融合后的RRT轨迹树；
S104：生成完整轨迹
将步骤103中融合后的RRT轨迹树与所述无人机的初始状态、目标状态相连接，从而生成一条连接所述无人机的初始状态和目标状态的完整轨迹，作为该无人机的飞行轨迹。
本发明提出的狭窄空间内基于随机采样的无人机轨迹规划方法，其特点和有益效果在于：
1.本发明采用的随机星型-均匀混合采样策略结合了随机星型采样和均匀采样的优势，一方面通过随机星型采样，可有效辨识非结构化复杂三维环境中的狭窄空间，提高狭窄空间内的路标点密度，并可区分环境中的障碍物死区和拐角结构；另一方面，通过均匀采样，可同时在环境中的空旷区域产生一定数量的路标点。因此，采用随机星型-均匀混合采样策略能够生成全局分布更为合理的路标点，可适应无人机飞行环境结构的复杂性和多样性，有利于轨迹的扩展。
2.本发明基于多RRT轨迹扩展实现无人机轨迹规划，以分布在无人机飞行环境中不同区域的多个路标点为根节点同时进行多条RRT轨迹树的扩展，可有效提高狭窄空间内无人机轨迹规划的计算效率。
附图说明
图1为根据本发明提出的狭窄空间内基于随机采样的无人机轨迹规划方法的总体流程框图；
图2为本发明一个实施例的路标点采样的流程框图；
图3为本实施例方法中所述随机星型采样策略对位于狭窄空间内的位形点(左a)和位于非狭窄空间内的位形点(右b)的判断示意图；
图4为本实施例的多RRT轨迹扩展示意图；
图5为本实施例的轨迹生成示意图。
具体实施方式
下面结合附图和实施例详细描述本发明的具体实施方式。
本发明提出的一种狭窄空间内基于随机采样的无人机轨迹规划方法总体流程如图1所示，具体包括以下步骤：
S101：建立飞行环境三维模型和设置轨迹规划初始参数：
获取无人机飞行环境信息，并根据所述飞行环境信息建立以多面体形式表达的飞行环境的三维模型；所述飞行环境包含自由空间和障碍物；
确定无人机的初始状态和目标状态，无人机的初始状态和目标状态包括无人机的位置、速度和相对于飞行环境的姿态；
并将所述无人机的初始状态、目标状态和飞行环境的三维模型作为轨迹规划的初始参数；
S102：根据所述飞行环境的三维模型进行路标点采样：
在步骤S101建立的飞行环境的三维模型中通过随机星型-均匀混合采样策略生成路标点，判断并将所述路标点分别存入狭窄空间N和空旷区域U所对应的路标点列表NList和UList；
S103：以生成的路标点和无人机的初始状态、目标状态为根节点，采用多RRT(快速扩展随机树)进行轨迹扩展：
以步骤S102中生成的路标点列表NList和UList中的每一路标点和所述无人机的初始状态、目标状态为RRT轨迹树的根节点，在所述飞行环境的三维模型中进行多条RRT轨迹树的扩展，并将多条RRT轨迹树两两连接成为一条融合后的RRT轨迹树；
S104：生成完整轨迹
将步骤103中融合后的RRT轨迹树与所述无人机的初始状态、目标状态相连接，从而生成一条连接所述无人机的初始状态和目标状态的完整轨迹，作为该无人机的飞行轨迹。
上述方法的各步骤具体实现方法说明如下；
在步骤S101中，无人机通过机载RGB-D相机或激光测距仪等器件获得无人机飞行环境的深度信息，并以三维点云数组的形式存储。其中三维点云数组中的每一点表征飞行环境中的某一点相对于无人机的三维坐标信息,该三维点云数组即包含了无人机飞行环境中的各障碍物和环境结构的信息。进一步将三维点云数组转换为以多面体形式表示的飞行环境的三维模型，其中每个多面体以构成该多面体的所有平面的形式存储。每个多面体即代表了无人机飞行环境中的不同障碍物和环境结构。
步骤102中通过随机星型-均匀混合采样策略生成路标点的实现流程如图2所示，具体步骤包括：
S1021设定所需的总路标点数ntotal,和权重系数ωN,ωU，且ωN+ωU＝1；
在本实施例中，可根据无人机飞行环境的尺寸设置和计算时间要求设置总路标点数ntotal(本实施例中无人机的飞行环境尺寸为18m×6.9m×8m，路标点采样步骤的计算时间设置为80秒，则设置总路标点数ntotal＝30),并根据无人机飞行环境的特点和飞行环境中狭窄空间N和空旷区域U(其中狭窄空间N为四周由障碍物包围、且其内部区域与外部可连通的空间，空旷区域U为不包含障碍物或障碍物较稀疏的空间)的相对比例(权重系数)分别设置为ωN,ωU；
S1022在无人机的飞行环境中通过随机星型采样策略采样判断生成狭窄空间N中数量为nN个路标点，并将生成的路标点存入列表NList；
所述路标点为无人机的位形空间内的一个位形点；
无人机的位形表征无人机的状态(无人机的位置、速度和相对于飞行环境的姿态)和无人机的几何构型；
无人机的位形空间为无人机的所有位形的集合，因此所述每一路标点均表征无人机的状态和无人机的几何构型；
所述随机星型采样策略判断并生成飞行环境中狭窄空间内的路标点，其具体实现方法如下：令q为无人机的位形空间内的一个位形点，以q为中心分别构建长度为2λ的(在本实施例中，λ可根据无人机的尺寸和狭窄空间的尺寸设置，如实施例中采用的无人机尺寸为45cm×45cm×25cm，无人机飞行环境中的狭窄通道的平均宽度为60cm，则设定λ＝60)、且两两垂直的3条线段：其中(p1,p2),(p3,p4),(p5,p6)分别为所述3条线段的端点；
令COLLISION(p)为碰撞检测函数，其中p为无人机位形空间内的位形点，碰撞检测函数COLLISION(p)用于检测位形点p是否与飞行环境中的障碍物发生碰撞，碰撞检测函数COLLISION(p)的输出如下：
采用所述随机星型采样策略判断q是否位于狭窄空间内，其判断逻辑如下：
判断逻辑1：COLLISION(q)＝FALSE
判断逻辑2：COLLISION(p1)＝TRUE AND COLLISION(p2)＝TRUE
判断逻辑3：COLLISION(p3)＝COLLISION(p4)AND
COLLISION(p5)＝COLLISION(p6)
判断逻辑4：COLLISION(p3)＝COLLISION(p4)＝FALSE OR
COLLISION(p5)＝COLLISION(p6)＝FALSE
其中AND表示逻辑上的“与”，OR表示逻辑上的“或”。若位形点q满足上述所有判断逻辑中的条件，则判断位形点q位于狭窄空间内；若位形点q不满足上述所有判断逻辑中的条件，则判断位形点q不位于狭窄空间内。
在本实施例中，利用上述随机星型采样策略判断逻辑生成路标点，具体步骤为：在无人机的飞行环境中通过随机采样得到位形点p1，通过碰撞检测函数COLLISION(p)对p1进行碰撞检测，若检测结果COLLISION(p1)为TRUE，则保留位形点p1；令N(σ)为零均值且标准差为σ的高斯分布(在本实施例中，可根据无人机飞行环境的特点和飞行环境中狭窄空间的相对尺寸设置标准差σ，(σ即等价于上述λ，可根据无人机的尺寸和狭窄空间的尺寸设置，如实施例中采用的无人机尺寸为45cm×45cm×25cm，无人机飞行环境中的狭窄通道的平均宽度为60cm，则设定σ＝60)，令无人机的位形空间的维度为n，在无人机的位形空间的每一维度随机生成一服从所述N(σ)分布的数值，记为(x1,x2,...xn)，则偏移向量Δp可根据(x1,x2,...xn)得到：Δp＝(x1,x2,...xn)，则根据路标点p1和偏移向量Δp可得到位形点p2：p2＝p1+Δp；通过碰撞检测函数COLLISION(p)对p2进行碰撞检测，若检测结果COLLISION(p2)为TRUE，则保留p2，且p1和p2构成线段取线段的中点得到位形点q；以位形点q为中点分别构建线段使得线段两两垂直，从而得到线段的两个端点(p3,p4)，并得到线段的两个端点(p5,p6)；分别根据上述随机星型采样策略判断逻辑判断端点(p3,p4)和(p5,p6)，若(p3,p4)和(p5,p6)满足上述随机星型采样策略判断逻辑中的判断逻辑3和判断逻辑4，则可判定上述位形点q位于狭窄空间内，并将位形点q作为飞行环境中狭窄空间内的路标点存入列表NList。
S1023在无人机的飞行环境中通过均匀采样策略生成数量为nU的不与障碍物发生碰撞的路标点，使得nN＝ωNntotal,nU＝ωUntotal，将所述均匀采样策略生成的路标点存入列表UList。
在步骤103的实施例中，将以无人机的初始状态、目标状态为根节点扩展出的RRT轨迹树分别记为Tinitial和Tgoal，RRT轨迹树由节点和连接节点的边组成，其中RRT轨迹树的每个节点表征无人机的一个位形(位形表征无人机的位置、速度、相对于飞行环境的姿态和无人机的几何构型)，连接两个节点q1、q2的边e(q1,q2)代表q1、q2对应的无人机的位形之间的不与飞行环境中的障碍物发生碰撞的连通轨迹，即无人机可从节点q1对应的无人机的位置、速度、相对于飞行环境的姿态和几何构型连续运动到节点q2对应的无人机的位置、速度、相对于飞行环境的姿态和几何构型；当以q1为当前节点，进行RRT轨迹树扩展时，由q1扩展出的节点q2为q1的子节点，q1为q2的父节点。
在本实施例中，多条RRT轨迹树的两两连接通过RRT-Connect算法实现，如图4所示，具体步骤如下：
S1031令qa和qb为上述步骤S1022和步骤S1023产生的某两个路标点，分别以路标点qa和qb为根节点扩展出两个RRT轨迹树Ta和Tb；
S1032在无人机的飞行环境中通过随机采样得到位形点qrand，并从RRT轨迹树Ta中的所有节点中寻找与位形点qrand最近的节点
S1033随后根据无人机的动力学特性寻找节点到位形点qrand之间的不与飞行环境中的障碍物发生碰撞的连通轨迹，若节点到位形点qrand之间存在不与飞行环境中的障碍物发生碰撞的直接连通轨迹，则将位形点qrand作为新节点加入RRT轨迹树Ta中，并将位形点qrand标记为qnew，将qnew的父节点设置为节点反之，若节点到位形点qrand之间不存在直接连通轨迹，则根据无人机的动力学特性从节点朝向位形点qrand的方向扩展，得到位形点qextend(qextend为可从节点朝向位形点qrand方向扩展的、不与飞行环境中的障碍物发生碰撞的最远的位形点)，并将位形点qextend标记为qnew，将qnew的父节点设置为节点
S1034随后，从RRT轨迹树Tb中的所有节点中寻找与位形点qnew最近的节点随后根据无人机的动力学特性寻找节点到位形点qnew之间的不与飞行环境中的障碍物发生碰撞的连通轨迹，若节点到位形点qnew之间存在不与飞行环境中的障碍物发生碰撞的直接连通轨迹，则将位形点qnew作为新节点加入RRT轨迹树Tb中，此时便可实现RRT轨迹树Ta和Tb在位形点qnew连接为一个RRT轨迹树，并将连接后的RRT轨迹树记为Ta；若节点到位形点qnew之间不存在直接连通轨迹，则交换Ta和Tb的顺序，重复执行上述RRT-Connect算法的步骤S1032-S1034，直至实现RRT轨迹树Ta和Tb的连接。
本实施例在步骤103中，通过上述RRT-Connect算法，将以路标点列表NList和UList中的每一路标点为根节点扩展出的多个RRT轨迹树连接为一条RRT轨迹树，记为Tlocal。
如图5所示，在本实施例的步骤104中，通过步骤103中所述的RRT-Connect算法将RRT轨迹树Tlocal和Tinitial、Tgoal连接为一条完整的RRT轨迹树，记为Tfinal，然后在Tfinal的各节点中从无人机的目标状态对应节点根据父节点依次回溯到无人机的起始状态对应节点，从而得到一条连接所述无人机的初始状态和目标状态的完整轨迹。
根据本实施例的方法证明通过随机星型-均匀混合采样策略生成路标点，可有效辨识非结构化复杂三维环境中的狭窄空间，提高狭窄空间内的路标点密度，生成全局分布更为合理的路标点；基于多RRT轨迹扩展实现无人机轨迹规划，以分布在无人机飞行环境中不同区域的多个路标点为根节点同时进行多条RRT轨迹树的扩展，可有效提高狭窄空间内无人机轨迹规划的计算效率。

Claims (5)

1.一种狭窄空间内基于随机采样的无人机轨迹规划方法，其特征在于，该方法具体包括以下步骤：
S101：建立飞行环境三维模型和设置轨迹规划初始参数：
获取无人机飞行环境信息，并根据所述飞行环境信息建立以多面体形式表达的飞行环境的三维模型；所述飞行环境包含自由空间和障碍物；
确定无人机的初始状态和目标状态，无人机的初始状态和目标状态包括无人机的位置、速度和相对于飞行环境的姿态；
并将所述无人机的初始状态、目标状态和飞行环境的三维模型作为轨迹规划初始参数；
S102：根据所述飞行环境的三维模型进行路标点采样：
在步骤S101建立的飞行环境的三维模型中通过随机星型-均匀混合采样策略判断并生成路标点，并将所述路标点分别存入狭窄空间N和空旷区域U所对应的路标点列表NList和UList；
S103：以生成的路标点和无人机的初始状态、目标状态为根节点，采用多快速扩展随机树进行轨迹扩展：
以步骤S102中生成的路标点列表NList和UList中的每一路标点和所述无人机的初始状态、目标状态为RRT轨迹树的根节点，在所述飞行环境的三维模型中进行多条RRT轨迹树的扩展，并将多条RRT轨迹树两两连接成为一条融合后的RRT轨迹树；
S104：生成完整轨迹
将步骤103中融合后的RRT轨迹树与所述无人机的初始状态、目标状态相连接，从而生成一条连接所述无人机的初始状态和目标状态的完整轨迹，作为该无人机的飞行轨迹。
2.如权利要求1所述方法，其特征在于，所述步骤S101中，无人机通过机载RGB-D相机或激光测距仪获得无人机飞行环境的深度信息，并以三维点云数组的形式存储；其中三维点云数组中的每一点表征飞行环境中的某一点相对于无人机的三维坐标信息，进一步将三维点云数组转换为以多面体形式表示的飞行环境的三维模型，其中每个多面体以构成该多面体的所有平面的形式存储，每个多面体代表了无人机飞行环境中的不同障碍物和环境结构。
3.如权利要求1所述方法，其特征在于，所述步骤S102中通过随机星型-均匀混合采样策略生成路标点的具体步骤包括：
S1021：设定所需的总路标点数ntotal,和权重系数ωN,ωU，且ωN+ωU＝1；
并根据无人机飞行环境的特点和飞行环境中狭窄空间N和空旷区域U的相对比例分别设置为ωN,ωU；
S1022：在无人机的飞行环境中通过随机星型-均匀混合采样策略采样判断生成狭窄空间N中数量为nN个路标点，并将生成的路标点存入列表NList；
所述路标点为无人机的位形空间内的一个位形点；无人机的位形表征无人机的状态和无人机的几何构型；无人机的位形空间为无人机的所有位形的集合，所述每一路标点均表征无人机的状态和无人机的几何构型。
4.如权利要求3所述方法，其特征在于，所述随机星型-均匀混合采样策略判断并生成飞行环境中狭窄空间内的路标点，其具体实现方法如下：令q为无人机的位形空间内的一个位形点，以q为中心分别构建长度为2λ的、且两两垂直的3条线段：其中(p1,p2),(p3,p4),(p5,p6)分别为所述3条线段的端点；
令COLLISION(p)为碰撞检测函数，其中p为无人机位形空间内的位形点，碰撞检测函数COLLISION(p)用于检测位形点p是否与飞行环境中的障碍物发生碰撞，碰撞检测函数COLLISION(p)的输出如下：
采用随机星型采样策略判断q是否位于狭窄空间内，其判断逻辑如下：
判断逻辑1：COLLISION(q)＝FALSE
判断逻辑2：COLLISION(p1)＝TRUE AND COLLISION(p2)＝TRUE
判断逻辑3：COLLISION(p3)＝COLLISION(p4)AND
COLLISION(p5)＝COLLISION(p6)
判断逻辑4：COLLISION(p3)＝COLLISION(p4)＝FALSE OR
COLLISION(p5)＝COLLISION(p6)＝FALSE
其中AND表示逻辑上的“与”，OR表示逻辑上的“或”；若位形点q满足上述所有判断逻辑中的条件，则判断位形点q位于狭窄空间内；若位形点q不满足上述所有判断逻辑中的条件，则判断位形点q不位于狭窄空间内；
S1023：在无人机的飞行环境中通过均匀采样策略生成数量为nU的不与障碍物发生碰撞的路标点，使得nN＝ωNntotal,nU＝ωUntotal，将所述均匀采样策略生成的路标点存入列表UList。
5.如权利要求4所述方法，其特征在于，所述步骤S103中，将多条RRT轨迹树的两两连接成为一条融合后的RRT轨迹树，具体步骤如下：
S1031：令qa和qb为所述步骤S1022和步骤S1023产生的某两个路标点，分别以路标点qa和qb为根节点扩展出两个RRT轨迹树Ta和Tb；
S1032：在无人机的飞行环境中通过随机采样得到位形点qrand，并从RRT轨迹树Ta中的所有节点中寻找与位形点qrand最近的节点
S1033：随后根据无人机的动力学特性寻找节点到位形点qrand之间的不与飞行环境中的障碍物发生碰撞的连通轨迹，若节点到位形点qrand之间存在不与飞行环境中的障碍物发生碰撞的直接连通轨迹，则将位形点qrand作为新节点加入RRT轨迹树Ta中，并将位形点qrand标记为qnew，将qnew的父节点设置为节点反之，若节点到位形点qrand之间不存在直接连通轨迹，则根据无人机的动力学特性从节点朝向位形点qrand的方向扩展，得到位形点qextend，并将位形点qextend标记为qnew，将qnew的父节点设置为节点
S1034：从RRT轨迹树Tb中的所有节点中寻找与位形点qnew最近的节点根据无人机的动力学特性寻找节点到位形点qnew之间的不与飞行环境中的障碍物发生碰撞的连通轨迹，若节点到位形点qnew之间存在不与飞行环境中的障碍物发生碰撞的直接连通轨迹，则将位形点qnew作为新节点加入RRT轨迹树Tb中，实现RRT轨迹树Ta和Tb在位形点qnew连接为一个RRT轨迹树，并将连接后的RRT轨迹树记为Ta；若节点到位形点qnew之间不存在直接连通轨迹，则交换Ta和Tb的顺序，重复执行步骤S1032-S1034，直至实现RRT轨迹树Ta和Tb的连接；从而得到一条连接所述无人机的初始状态和目标状态的完整轨迹。
CN201510895751.9A 2015-12-08 2015-12-08 狭窄空间内基于随机采样的无人机轨迹规划方法 Active CN105353768B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510895751.9A CN105353768B (zh) 2015-12-08 2015-12-08 狭窄空间内基于随机采样的无人机轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510895751.9A CN105353768B (zh) 2015-12-08 2015-12-08 狭窄空间内基于随机采样的无人机轨迹规划方法

Publications (2)

Publication Number Publication Date
CN105353768A CN105353768A (zh) 2016-02-24
CN105353768B true CN105353768B (zh) 2017-12-26

Family

ID=55329756

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510895751.9A Active CN105353768B (zh) 2015-12-08 2015-12-08 狭窄空间内基于随机采样的无人机轨迹规划方法

Country Status (1)

Country Link
CN (1) CN105353768B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105955275B (zh) * 2016-05-26 2021-07-13 华讯方舟科技有限公司 一种机器人路径规划方法及系统
CN106155081B (zh) * 2016-06-17 2018-02-16 北京理工大学 一种旋翼无人机大范围目标监测和精确定位方法
CN106444740B (zh) * 2016-07-15 2019-03-12 浙江工业大学 基于mb-rrt的无人机二维航迹规划方法
CN108733045B (zh) * 2017-09-29 2022-01-04 北京猎户星空科技有限公司 机器人及其避障方法以及计算机可读存储介质
CN107943053A (zh) * 2017-12-15 2018-04-20 陕西理工大学 一种移动机器人的路径规划方法
CN108427438A (zh) * 2018-04-11 2018-08-21 北京木业邦科技有限公司 飞行环境检测方法、装置、电子设备及存储介质
CN109669459B (zh) * 2018-12-28 2022-05-10 西北工业大学 一种采用不变集的动态反馈路径规划方法
CN110456825B (zh) * 2019-07-22 2020-09-15 清华大学 一种基于改进快速随机搜索树的无人机在线运动规划方法
CN110531782A (zh) * 2019-08-23 2019-12-03 西南交通大学 用于社区配送的无人机航迹路径规划方法
CN113342056B (zh) * 2021-07-01 2022-07-26 华侨大学 一种基于改进a星算法的无人机轨迹规划方法
CN116149373B (zh) * 2023-04-18 2023-06-20 武汉智联时空科技有限公司 一种无人机贴近飞行的巡检路径安全性检测方法及系统
CN116307331B (zh) * 2023-05-15 2023-08-04 北京航空航天大学 航空器轨迹的规划方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08147036A (ja) * 1994-11-15 1996-06-07 Hitachi Kiden Kogyo Ltd 無人搬送車の操舵方法
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN103995968A (zh) * 2014-05-22 2014-08-20 合肥工业大学 无人飞行器对地面目标运动轨迹预测的装置及其方法
CN104154910A (zh) * 2014-07-22 2014-11-19 清华大学 一种微型无人机室内定位方法
CN104236548A (zh) * 2014-09-12 2014-12-24 清华大学 一种微型无人机室内自主导航方法
CN104597910A (zh) * 2014-11-27 2015-05-06 中国人民解放军国防科学技术大学 一种基于瞬时碰撞点的无人机非协作式实时避障方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08147036A (ja) * 1994-11-15 1996-06-07 Hitachi Kiden Kogyo Ltd 無人搬送車の操舵方法
CN103149939A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于视觉的无人机动态目标跟踪与定位方法
CN103995968A (zh) * 2014-05-22 2014-08-20 合肥工业大学 无人飞行器对地面目标运动轨迹预测的装置及其方法
CN104154910A (zh) * 2014-07-22 2014-11-19 清华大学 一种微型无人机室内定位方法
CN104236548A (zh) * 2014-09-12 2014-12-24 清华大学 一种微型无人机室内自主导航方法
CN104597910A (zh) * 2014-11-27 2015-05-06 中国人民解放军国防科学技术大学 一种基于瞬时碰撞点的无人机非协作式实时避障方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Sampling-Based Real-Time Motion Planning under State Uncertainty for Autonomous Micro-Aerial Vehicles in GPS-Denied Environments;Dachuan Li et al.;《Sensors》;20141130(第14期);第21791-21825页 *
快速平滑收敛策略下基于QS-RRT的UAV运动规划;刘伟 等;《中国科学：信息科学》;20121130;第42卷(第11期);第1403-1422页 *

Also Published As

Publication number Publication date
CN105353768A (zh) 2016-02-24

Similar Documents

Publication Publication Date Title
CN105353768B (zh) 狭窄空间内基于随机采样的无人机轨迹规划方法
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
De Filippis et al. Path planning strategies for UAVS in 3D environments
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
CN105700549A (zh) 一种基于序列小生境粒子群算法的无人机多航迹规划方法
Yu et al. Autonomous obstacle avoidance for uav based on fusion of radar and monocular camera
CN106570468A (zh) 一种重建LiDAR原始点云建筑物轮廓线的方法
CN109214596B (zh) 求取具有方向约束和障碍限制的栅格最短路径规划方法
Chen et al. An improved probabilistic roadmap algorithm with potential field function for path planning of quadrotor
Wang et al. On optimal path planning for UAV based patrolling in complex 3D topographies
Tang et al. Collision avoidance for multi-UAV based on geometric optimization model in 3D airspace
Chen et al. Dynamic obstacle avoidance for UAVs using a fast trajectory planning approach
CN112857370A (zh) 一种基于时序信息建模的机器人无地图导航方法
Liu et al. A variable-step RRT* path planning algorithm for quadrotors in below-canopy
Shangguan et al. Interactive perception-based multiple object tracking via CVIS and AV
Anjum et al. Mobility modeling and stochastic property analysis of airborne network
CN116560408A (zh) 一种用于无人机时间最优轨迹的序列凸优化方法及系统
Falomir et al. A 3D mobility model for autonomous swarms of collaborative UAVs
CN109977455A (zh) 一种适用于带地形障碍三维空间的蚁群优化路径构建方法
Tsiogkas et al. Facilitating multi-AUV collaboration for marine archaeology
Qin et al. A path planning algorithm based on deep reinforcement learning for mobile robots in unknown environment
Bashi et al. Developing a model for unmanned aerial vehicle with fixed-wing using 3D-map exploring rapidly random tree technique
Kim Coverage control of multiple robots in cluttered three‐dimensional environments
CN117930871B (zh) 一种旋翼物流无人机群实时冲突解脱方法
Huang et al. A multimodal data harness approach of mobile sensors trajectory planning for target tracking

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant