CN106969778A - 一种多无人机协同施药的路径规划方法 - Google Patents

Abstract

本发明公开了一种多无人机协同施药的路径规划方法，首先确定无人机航向和无人机的喷施宽度，并据此将施药任务区域划分为多个平行的子区域；然后确定优化标准和约束条件，并据此建立多无人机协同施药路径的目标函数；采用遗传算法和模拟退火算法相结合的优化方法对建立的目标函数进行优化，最终得到最优的无人机飞行路径。本发明基于GA和SA组合的双重优化方案，并在该优化方案的基础上给出了多无人机的协同飞行路线，解决了使用一般农业机械不能较好完成精准农业中施药任务的技术难题。

Description

一种多无人机协同施药的路径规划方法

技术领域

本发明属于精准农业以及机器学习中面向任务的技术，特别涉及了一种多无人机协同施药的路径规划方法。

背景技术

目前，精准农业中的施药任务主要是通过人工或机械装备来完成。而农用无人机施药作业相对于传统的人工施药作业和机械装备施药有很多优点：作业高度低，飘移少，可空中悬停，无需专用起降机场，旋翼产生的向下气流有助于增加雾流对作物的穿透性，防治效果好，远距离遥控操作，喷洒作业人员避免了暴露于农药的危险，提高了喷洒作业安全性等。无人直升机喷洒技术采用喷雾喷洒方式至少可以节约50％的农药使用量，节约90％的用水量，这很大程度上降低了资源成本。

在精准农业的研究中，路径规划的研究主要针对于地面车辆，然而，考虑到地形、作物分布及土壤压实等情况，地面车辆并不适用于农业任务。因此，无人机则成为很好的替代品来执行农业任务。农用无人机的协同路径规划成为农业中新的研究领域。将精准农业中的多机协同路径规划问题抽象为多目标规划问题的数学模型，在线性规划的基础上解决多目标决策问题。在处理多目标规划的过程中，约束法及评价函数法是常用的处理方法。

假设在p个目标中，f₁(x)为主要目标，而对于其余(p-1)个目标函数f_i(x)均可以确定其允许的边界值：a_i≤f_i(x)≤b_i，其中，i＝2,3,L,p。这样就可以将该(p-1)个目标函数当做最优化问题的约束来处理，于是多目标规划问题转化为单目标规划问题。

评价函数的基本思想是将多目标规划问题转为一个单目标规划问题来求解，而且该单目标规划问题的目标函数是用多目标问题的各个目标函数构造出来的。若原多目标函数为F(x)，则可通过各种不同的方式构造评价函数h(F(x))，然后求解。

遗传算法(GA)是通过对某一代种群经过生物基因的复制、变换和变异，产生新一代种群。再重复此过程，直到群体或最优点的性能到达满意程度。

模拟退火算法(SA)是将热力学的理论套用到统计学上，将搜寻空间内的每一点想象成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始，每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。

遗传算法容易过早收敛，并且在进化后期搜索效率较低，使得最终搜索得到的结果往往会陷入局部最优，还有出现过早收敛的现象。而模拟退火算法，在搜索最优解的过程中，除了可以接受优化解外，还根据随机接受准则有限度地接受恶化解，并且接受恶化解的概率慢慢趋向于0，这使得算法有可能从局部极值区域中跳出，即可能找到全局最优解，并保证了算法的收敛性。另一方面，模拟退火算法的执行速度比较受影响，由于其退火速度及概率问题导致速度较为缓慢，而遗传算法可获得一个广阔的近似最优解的空间，能够提高搜索效率，加快算法的执行速度。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种多无人机协同施药的路径规划方法，基于GA和SA组合的双重优化方案，并在该优化方案的基础上给出了多架农用无人机的协同飞行路线，解决了使用一般农业机械不能较好完成精准农业中施药任务的技术问题。

为了实现上述技术目的，本发明的技术方案为：

一种多无人机协同施药的路径规划方法，包括以下步骤：

(1)首先确定无人机航向和无人机的喷施宽度，并据此将施药任务区域划分为多个平行的子区域；

(2)确定优化标准和约束条件，并据此建立多无人机协同施药路径的目标函数；

(3)采用遗传算法和模拟退火算法相结合的优化方法对步骤(2)建立的目标函数进行优化，最终得到最优的无人机飞行路径。

进一步地，在步骤(2)中，将飞行距离、输入代价和消耗时间作为优化标准，即：和f_t(x)＝min[max[p_t(x_i)]]，其中，f_d(x)、f_I(x)分别代表最短飞行距离、最小输入代价，f_t(x)代表执行飞行任务时间最长的无人机的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个无人机u_i完成其任务所需的飞行距离、输入代价、飞行任务时间，max[p_t(x_i)]代表所有无人机中执行飞行任务时间的最大值，x_i为无人机u_i的飞行路径，U为无人机的数目。

进一步地，在步骤(2)中，目标函数的约束条件包括无人机记载药箱容量约束，该约束的形式为：

上式中，表示第i个无人机u_i完成第j个子区域施药任务所需的药液容量，task(u_i)表示无人机u_i负责施药的子区域的集合，C为无人机u_i所携带的容器容量。

进一步地，在步骤(2)中，建立的多无人机协同施药路径的目标函数如下：

f(x)＝k₁f_d(x)+k₂f_I(x)+k₃f_t(x)

其中，k₁、k₂、k₃分别为最短飞行距离、最小输入代价、最短消耗时间的权重，且0<k₁,k₂,k₃<1，k₁+k₂+k₃＝1。

5、根据权利要求1-4中任意一项所述多无人机协同施药的路径规划方法，其特征在于，步骤(3)的具体过程如下：

A、对遗传算法和模拟退火算法进行数据初始化；

B、通过轮盘赌方法进行种群选择，并进行交叉、变异；

C、对种群进行模拟退火运算，即对产生的飞行序列进行交换、重定位、逆转操作，产生新的飞行序列，并根据接受概率决定接受与否；

D、重复步骤C，当温度值低于初始设定值后，退出模拟退火操作；

E、将当代种群中的最大适应值与上一代种群中的最大适应值比较，选择两者中较大的适应值进行保留；

F、重复步骤B-E，直至达到设定的进化迭代次数；

G、获得各架无人机的最优飞行路径。

进一步地，在步骤(1)中，确定无人机航向的方法如下：

设施药任务区域为具有n个顶点的不规则封闭区域，计算施药任务区域的某条边缘与其余所有不在该边缘上的n-2个顶点的距离，将距离最大值记为该条边缘的跨度，以此方法计算施药任务区域每条边缘对应的跨度，取最小跨度作为施药任务区域的宽度，并将最小跨度所对应的边缘的方向作为无人机航向。

进一步地，在步骤(2)中，目标函数的约束条件包括无人机最小转弯半径约束，该约束有2种情况：r≤w/2和r>w/2，其中，r为无人机最小转弯半径，w为无人机的施药宽度。

采用上述技术方案带来的有益效果：

(1)本发明通过给出的优化标准能够较方便的建立组合优化目标函数，对路径规划结果进行合理的评价；

(2)本发明把无人机的药箱容量及最小转弯半径作为目标函数的条件约束，实现协同路径规划；

(3)本发明利用GA与SA相结合的多重优化算法能够以较高的执行效率提供较优的多机协同路径规划结果。

附图说明

图1是本发明的基本流程图；

图2是本发明确定航向的原理图；

图3是本发明最小转弯半径与施药宽度的示意图；

图4是r＞w/2时采用一般路径规划方法的示意图；

图5是r＞w/2时采用本发明的路径规划方法的示意图；

图6是实施例所选取的试验田区域示意图；

图7是实施例中试验田航向的确定示意图；

图8是利用本发明对所选试验田区域进行多机协同路径规划的结果示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

一般来说，农用无人机所携带的施药工具具有一定的喷施宽度，可同时覆盖该宽度范围内的作物。在以下描述中，无人机未改变航向的过程中所覆盖的区域称为“子区域”，因此，针对需要进行执行施药任务的农田，可按照无人机航向的变化将其划分为多个平行的子区域。为避免冗余的施药作业，对于每个子区域，只能被其中一架无人机在执行施药任务的过程中覆盖。

为解决精准农业中的多机协同路径规划问题，首先，根据确定好的无人机航向及无人机的喷施宽度将任务区域划分为多个平行的子区域；其次，由不同的的优化标准(飞行距离、输入代价及消耗时间)建立组合优化的目标函数，经GA与SA相结合的双重优化算法决定较优的子区域序列，即无人机的飞行路线。本发明的基本流程如图1所示。

无人机在转弯期间并不执行施药任务，因此需要首先确定无人机的航向，避免过多的转弯次数以提高任务执行效率。采用最小宽度策略来确定无人机的航向：设定P为具有n个顶点的不规则任务区域，采用E＝{e₁,e₂,...,e_n}来表示顶点的集合，且顶点均为两两共线。分别计算边缘与其他顶点(e₃,e₄,...,e_n)间的距离D_i(i＝1,2,...,n-2)，将距离最大值记为边缘的跨度d₁。同样的，计算其他边缘与非边缘点间的距离并取最大值，可得到边缘的跨度集合d_j(j＝1,2,3,...,n)。取最小值d_j作为该不规则任务区域的宽度，并将该边缘方向作为无人机的航向。具体描述如图2所示，其中，d₁和d₂分别为和的跨度。

在确定了无人机航向和划分好子区域后，需要建立多无人机协同施药的路径的目标函数。首先选择优化标准，在本发明中，将飞行距离、输入代价和消耗时间作为优化标准，即：和f_t(x)＝min[max[p_t(x_i)]]，其中，f_d(x)、f_I(x)分别代表最短飞行距离、最小输入代价，f_t(x)代表执行飞行任务时间最长的无人机的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个无人机u_i完成其任务所需的飞行距离、输入代价、飞行任务时间，max[p_t(x_i)]代表所有无人机中执行飞行任务时间的最大值，x_i为无人机u_i的飞行路径，U为无人机的数目。为了降低任务过程中的检修操作代价，本发明避免了无人机的再填充操作。根据无人机的飞行速度及药液的喷洒流量，将无人机药液的装载容量作为一个约束条件，即其中表示第i个无人机u_i完成第j个子区域施药任务所需的药液容量，task(u_i)表示无人机u_i负责施药的子区域的集合，C为无人机u_i所携带的容器容量。从而保证每架无人机完成其安排好的任务。

此外，本发明还引入了无人机的最小转弯半径约束。无人机的最小转弯半径r与喷施宽度w的关系如图3所示。

以飞行距离、输入代价、时间消耗为标准建立组合优化的目标函数f(x)＝k₁f_d(x)+k₂f_I(x)+k₃f_t(x)，其中k₁，k₂，k₃分别为距离、输入、时间的权重，且0<k₁,k₂,k₃<1，k₁+k₂+k₃＝1。

建立组合优化目标函数之后，采用GA与SA相结合的多重优化方法对无人机产生的路径进行优化处理，具体步骤为：

A、对遗传算法和模拟退火算法进行数据初始化；

B、通过轮盘赌方法进行种群选择，并进行交叉、变异；

C、对种群进行模拟退火运算，即对产生的飞行序列进行交换、重定位、逆转操作，产生新的飞行序列，并根据接受概率决定接受与否；

D、重复步骤C，当温度值低于初始设定值后，退出模拟退火操作；

E、将当代种群中的最大适应值与上一代种群中的最大适应值比较，选择两者中较大的适应值进行保留；

F、重复步骤B-E，直至达到设定的进化迭代次数；

G、获得各架无人机的最优的子区域飞行序列，即最优飞行路径。

当无人机最小转弯半径r＞w/2时，采用一般路径规划方法的结果如图4所示，而采用本发明的优化方法，可获得如图5所示的结果。通过两种方法的比较，可看出本发明可以降低无人机的飞行距离，并提高了农业任务的执行时间效率。

对精准农业研究示范基地的试验田选定一块非规则区域，如图6所示，确定无人机的航向如图7所示，结合本发明的技术方案最终实现的精准农业中的多机协同路径规划结果如图8所示。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (7)

1.一种多无人机协同施药的路径规划方法，其特征在于，包括以下步骤：

(1)首先确定无人机航向和无人机的喷施宽度，并据此将施药任务区域划分为多个平行的子区域；

(2)确定优化标准和约束条件，并据此建立多无人机协同施药路径的目标函数；

(3)采用遗传算法和模拟退火算法相结合的优化方法对步骤(2)建立的目标函数进行优化，最终得到最优的无人机飞行路径。

2.根据权利要求1所述多无人机协同施药的路径规划方法，其特征在于：在步骤(2)中，将飞行距离、输入代价和消耗时间作为优化标准，即：和f_t(x)＝min[max[p_t(x_i)]]，其中，f_d(x)、f_I(x)分别代表最短飞行距离、最小输入代价，f_t(x)代表执行飞行任务时间最长的无人机的最短消耗时间，p_d(x_i)、p_I(x_i)、p_t(x_i)分别代表第i个无人机u_i完成其任务所需的飞行距离、输入代价、飞行任务时间，max[p_t(x_i)]代表所有无人机中执行飞行任务时间的最大值，x_i为无人机u_i的飞行路径，U为无人机的数目。

3.根据权利要求2所述多无人机协同施药的路径规划方法，其特征在于：在步骤(2)中，目标函数的约束条件包括无人机记载药箱容量约束，该约束的形式为：

$\underset{j\&Element;task\left(u_i\right)}{\&Sigma;}{C}_{t_j}{|}_{u_i}\&le;C$

上式中，表示第i个无人机u_i完成第j个子区域施药任务所需的药液容量，task(u_i)表示无人机u_i负责施药的子区域的集合，C为无人机u_i所携带的容器容量。

4.根据权利要求3所述多无人机协同施药的路径规划方法，其特征在于：在步骤(2)中，建立的多无人机协同施药路径的目标函数如下：

f(x)＝k₁f_d(x)+k₂f_I(x)+k₃f_t(x)

$\begin{array}{cc}s.t.& \underset{j\&Element;task\left(u_i\right)}{\&Sigma;}{C}_{t_j}{|}_{u_i}\&le;C\end{array}$

其中，k₁、k₂、k₃分别为最短飞行距离、最小输入代价、最短消耗时间的权重，且0<k₁,k₂,k₃<1，k₁+k₂+k₃＝1。

5.根据权利要求1-4中任意一项所述多无人机协同施药的路径规划方法，其特征在于，步骤(3)的具体过程如下：

A、对遗传算法和模拟退火算法进行数据初始化；

B、通过轮盘赌方法进行种群选择，并进行交叉、变异；

C、对种群进行模拟退火运算，即对产生的飞行序列进行交换、重定位、逆转操作，产生新的飞行序列，并根据接受概率决定接受与否；

D、重复步骤C，当温度值低于初始设定值后，退出模拟退火操作；

E、将当代种群中的最大适应值与上一代种群中的最大适应值比较，选择两者中较大的适应值进行保留；

F、重复步骤B-E，直至达到设定的进化迭代次数；

G、获得各架无人机的最优飞行路径。

6.根据权利要求1-4中任意一项所述多无人机协同施药的路径规划方法，其特征在于：在步骤(1)中，确定无人机航向的方法如下：

设施药任务区域为具有n个顶点的不规则封闭区域，计算施药任务区域的某条边缘与其余所有不在该边缘上的n-2个顶点的距离，将距离最大值记为该条边缘的跨度，以此方法计算施药任务区域每条边缘对应的跨度，取最小跨度作为施药任务区域的宽度，并将最小跨度所对应的边缘的方向作为无人机航向。

7.根据权利要求1-4中任意一项所述多无人机协同施药的路径规划方法，其特征在于：在步骤(2)中，目标函数的约束条件包括无人机最小转弯半径约束，该约束有2种情况：r≤w/2和r>w/2，其中，r为无人机最小转弯半径，w为无人机的施药宽度。