CN107145161A - 无人机访问多目标点的航迹规划方法及装置 - Google Patents

无人机访问多目标点的航迹规划方法及装置 Download PDF

Info

Publication number
CN107145161A
CN107145161A CN201710392618.0A CN201710392618A CN107145161A CN 107145161 A CN107145161 A CN 107145161A CN 201710392618 A CN201710392618 A CN 201710392618A CN 107145161 A CN107145161 A CN 107145161A
Authority
CN
China
Prior art keywords
msub
mrow
unmanned plane
chromosome
course angle
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.)
Granted
Application number
CN201710392618.0A
Other languages
English (en)
Other versions
CN107145161B (zh
Inventor
罗贺
梁峥峥
胡笑旋
朱默宁
王国强
马华伟
靳鹏
夏维
牛艳秋
方向
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710392618.0A priority Critical patent/CN107145161B/zh
Publication of CN107145161A publication Critical patent/CN107145161A/zh
Application granted granted Critical
Publication of CN107145161B publication Critical patent/CN107145161B/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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/12—Target-seeking control

Abstract

本发明实施例公开了一种无人机访问多目标点的航迹规划方法及装置。方法包括：获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及无人机和风场的运动参数；根据位置信息，结合地速航向角离散度和预设遗传算法，构建初始种群；根据初始种群和风场参数确定无人机飞行状态和无人机完成航迹段的航行时间，根据航迹段的航行时间和SUAV‑VS‑DVRP模型获取初始种群中染色体对应的航行时间；基于遗传算法，对初始种群中各Dubins飞行路径进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的Dubins飞行路径作为最优飞行路径。本发明实施例将无人机航迹规划问题与无人机实际飞行环境相结合，使规划得到的最优飞行路径方案优于无人机速度恒定的方案。

Description

无人机访问多目标点的航迹规划方法及装置
技术领域
本发明实施例涉及无人机技术领域，具体涉及一种无人机访问多目标点的航迹规划方法及装置。
背景技术
当前，无人机UAV(Unmanned Aerial Vehicle)在军民领域有着广泛的应用，可完成目标侦察、目标跟踪、情报收集、震后救援和地质勘探等多种类型任务。例如在多架UAV协同侦察目标时，既要最合理地为每架UAV分配其所需侦察的目标，还要为其规划最优的飞行航迹。该问题是一个受多因素约束的任务分配与航迹规划联合优化问题，也是非确定性问题。
随着UAV研究的深入，环境因素被逐渐纳入问题的研究，特别是UAV任务分配、航迹规划和飞行控制等问题中，在环境因素的影响下如何降低耗能、控制UAV的飞行状态从而使UAV消耗最少的燃料执行最多的任务、具备更好的任务执行状态和更高的安全性是当前UAV研究的主要工作。当前常用于解决UAV任务分配与任务规划问题的模型有：TSP模型，TOP模型和VRP模型，其中，TSP模型是在只有单一旅行者的条件下，使得旅行者通过所有给定的目标点之后，从而使其路径成本最小的模型；TOP模型是在存在多个成员的条件下，使得每个成员尽可能访问更多的目标点，从而使得所有成员的总收益最大的模型；VRP模型是在车辆数量固定的条件下，使得车辆访问一定数量目标点，且在此过程中每个目标点只能被访问一次，最终使得UAV航行的总距离或总时间最短的模型。
在实现本发明实施例的过程中，发明人发现现有的技术方案在实际操作中，一般是假设模型中在恒定时间内无人机的速度是恒定的。然而这个假设显然是不现实的，导致模型无法精确模拟出无人机的实际运动状态，进而无法进行最优的航迹规划。
发明内容
本发明实施例的一个目的是解决现有技术由于在进行航迹规划是设定无人机的速度是恒定的，导致模型无法精确模拟出无人机的实际运动状态，进而无法给出的最优的航迹规划。
本发明实施例提出了一种无人机访问多目标点的航迹规划方法，包括：
S1、获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
S2、根据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
S3、根据所述初始种群和风场参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
可选的，根据所述无人机和所述多个目标点的位置信息，结合无人机地速航向角离散度和预设遗传算法，构建初始种群包括：
根据预设遗传算法的编码方式进行染色体编码生成预定规模的初始种群；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
可选的，所述初始种群和风场参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间包括：
对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；
根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间；
根据每个航迹段对应的航行时间获取所述染色体对应的航行时间。
可选的，所述根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间包括：
采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速；
采用以下公式计算获取无人机的地速：
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向。
可选的，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间包括：
根据SUAV-VS-DVRP模型获取航行时间：
其约束条件为：
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
可选的，基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径，包括：
步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；
步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；
步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；
整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；
判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；
步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；
步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
本发明实施例提出了一种无人机访问多目标点的航迹规划装置，包括：
获取模块，用于获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
第一处理模块，用于根据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
第二处理模块，用于根据所述初始种群和风场参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
第三处理模块，用于基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
可选的，所述第一处理模块，用于结合无人机地速航向角离散度和预设遗传算法，构建初始种群，其步骤为：根据预设遗传算法的编码方式进行染色体编码；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
可选的，所述第二处理模块，用于对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；
执行第一步骤和第二步骤；
所述第一步骤包括：采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速。
采用以下公式计算获取无人机的地速：
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向。
所述第二步骤包括：
根据SUAV-VS-DVRP模型获取航行时间：
其约束条件为：
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
可选的，所述第三处理模块，用于执行以下步骤：步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
由上述技术方案可知，本发明实施例提出的一种无人机访问多目标点的航迹规划方法及装置首先通过对风场和无人机的运动参数进行分析，获取无人机在风场中的实际飞行状态，然后基于实际飞行状态进行飞行路径的规划，与现有技术中设定无人机速度恒定的方案相比，能根据不确定环境中风场的状态精确计算无人机在所有可能飞行路径上的航行时间，进而选择出最优的飞行路径。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一实施例提供的一种风影响下无人机访问多目标点的航迹规划方法的流程示意图；
图2示出了本发明一实施例提供的计算Dubins飞行路径的航行时间的流程示意图；
图3示出了本发明一实施例提供的遗传算法的流程示意图；
图4a-图4c示出了本发明一实施例提供遗传算法中的算子的示意图；
图5示出了本发明一实施例提供的风向示意图；
图6示出了本发明一实施例提供的速度矢量关系示意图；
图7示出了本发明一实施例提供的UAV由A飞往C点受风场影响的分析示意图；
图8示出了本发明一实施例提供的对飞行路径进行分段的示意图；
图9a-图9d示出了本发明一实施例提供的UAV在西风、南风东风、北风影响下的最短飞行路径的示意图；
图10示出了本发明一实施例提供的一种风影响下无人机访问多目标点的航迹规划的结构示意图。
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的一部分实施例，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的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。
图1示出了本发明一实施例提供的一种无人机访问多目标点的航迹规划的流程示意图，参见图1，该方法可由处理器实现，具体包括如下步骤：
110、获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
需要说明的是，在进行任务分配和航迹规划之前，技术人员可设定或者根据实际情况测出无人机和多个目标点的位置信息，然后将其输入至处理器中；而地速航向角离散度可根据实际需要进行配置。
另外，无人机的运动参数可以是技术人员根据实际飞行需要设定的，风场的运动参数可以是技术人员测量得出或者是根据实际情况设定的。
120、据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
不难理解的是，无人机在风场中飞行时，必然会受到风场的影响，影响因素举例为：风场的风向和风速，因此，为了得到精确的无人机的实际飞行状态，本实施例基于无人机自身的运动参数和风场的运动参数计算获取无人机的实际飞行状态，以为后续的航迹规划提供精确的数据基础。
详细地，所述无人机的运动参数包括：空速；所述风场的运动参数包括：风速；进而根据所述无人机的空速和所述风场的风速获取所述无人机的地速。
另外，不难理解的是，在没有约束条件下，两点之间的飞行路径可能存在无限多个情况，因此，本发明实施例为了降低计算量，在尽可能不影响航迹规划的前提下，通过预先设置约束条件的方式，例如：约束无人机飞行的航向角、飞行的高度等等；然后结合预设遗传算法构建染色体数量有限的初始种群，其中，每个染色体对应一条Dubins飞行路径。
不难理解的是，构建飞行路径的方式有多种，此处使用的是dubins car model(Dubins车模型)。
130、根据所述初始种群和风场参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
140、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
不难理解的是，每次交叉、变异的迭代可能都有新的个体的出现，然后基于步骤130对新的染色体进行的航行时间的计算，因此，每个Dubins飞行路径对应一个航行时间。
可见，本实施例首先通过对风场和无人机的运动参数进行分析，获取无人机在风场中的实际飞行状态，然后基于实际飞行状态进行飞行路径的规划，与现有技术相比，本实施例将无人机航迹规划问题与无人机实际飞行环境相结合，使规划得到的最优飞行路径方案优于无人机速度恒定的方案，进而达到能精确计算无人机在所有可能飞行路径上的航行时间，进而选择出最优的飞行路径。
下面对本发明实施例中的各步骤进行详细说明：
首先，对步骤120进行详细说明：
结合无人机地速航向角离散度和预设遗传算法，构建初始种群，其步骤为：根据预设遗传算法的编码方式进行染色体编码；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
需要说明的是，无人机的航向角为360°，而为了减少处理器需要处理的数据量,提高航迹规划的效率，此处的航向角离散度可以为无人机到达个目标点的航向角必须为10的倍数，例如：10度、20度...360度等。
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
然后，参见图2，下面对步骤130进行详细说明：
210、对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；
220、根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间；
230、根据每个航迹段对应的航行时间获取所述染色体对应的航行时间。
需要说明的是，在构建完成所有的Dubins飞行路径后，处理器根据角度变化将Dubins飞行路径分为若干段，然后根据每一段飞行路径两端的起始点和终止点的坐标以及无人机到达起始点和终止点的航向角，结合预建立的计算模型，计算获取每一段飞行路径的航行时间，进而获取这一Dubins飞行路径的航行时间，同理，可计算获取各Dubins飞行路径的航行时间。
其中，步骤220包括：
采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速。
采用以下公式计算获取无人机的地速：
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向。
其中，步骤230包括：
根据SUAV-VS-DVRP模型获取航行时间：
其约束条件为：
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
下面对步骤140进行详细说明：
步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；
步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；
步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；
整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；
判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；
步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；
步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
下面参见图3对本发明的采用的遗传算法的原理进行详细说明：
1、开启；
2、基于技术人员的设定，生成包括指定数量染色体的种群，指定数量可具体为100个；
其中，每个染色体与图1对应实施例中的步骤130中的Dubins飞行路径一一对应。
需要说明的是，染色体编码代表了问题的一种可行的解决方案。在sUav-DVS-VRP问题中一个可行的解决方案是由UAV访问目标点的顺序和访问目标点的UAV航向角两部分组成。同样的，染色体的编码也由两部分组成，分别为：目标点编号和航向角编号。其中，目标点编号属于集合航向角编号属于集合
如图4a所示，染色体A表示在稳定风场下UAV访问三个目标点的一种可行方案，即一号UAV从起始点S(0,0)出发，访问目标点3后返回，二号UAV从起始点S(0,0)出发，访问目标点1后，再访问目标点2，最终返回。编码中第二行代表UAV访问对应目标点时的航向角编码，即i，可根据其编码解码得到对应的航向角βg。
3、计算每个染色体的适应度；
需要说明的是，采用图1对应实施例中的步骤140的计算方法，计算无人机完成每个Dubins飞行路径的航行时间，并基于航行时间计算染色体的适应度，例如：航行时间与适应度成反比关系。
不难理解的是，按照上述步骤2中的编码方式生成规定数量的种群后进行适应度的计算，本文发明中适应度的计算以目标函数为依据，其计算过程如下：
4、选择操作
根据J’通过轮盘赌的方法进行选择操作。
5、交叉操作
通过对父代染色体进行交叉，可以继承父代中比较优良的基因，获得更优的子代。针对sUav-DVS-VRP问题本文针对当前的编码方式采用单点映射的方法，即随机产生父代染色体A交叉的基因位，在父代染色体B中找到同一目标点对应的基因位，交叉产生子染色体A、B。
参见图4b，有父代Parent A和Parent B，在Parent A上随机产生进行交叉的基因位为3，找到Parent B上对应相同目标点的基因位，经过交叉后产生子染色体OffSpring A和OffSpring B。
6、变异操作
变异是为了防止遗传算法陷入局部最优。针对求解sUav-DVS-VRP模型的遗传算法，染色体变异存在两种情况：目标点编码变异和航向角编码变异。根据变异概率，染色体中可发生多次变异也可不发生变异。其中，目标点编码变异采用双基因位变异，即在染色体的第一行随机产生两个进行变异的基因位，并将两个基因位上的值互换，该方法满足了模型中每个目标点只被访问一次的约束，保证了子染色体的可行性，航向角编码采用均匀变异。
如图4c所示，有父代Parent A，在Parent A上分别进行目标点变异和航向角变异，在进行变异前首先判断两种变异是否发生，在判断得到目标点变异发生时，随机选取进行编译的基因位，本例中选取的基因位是1和3，随后将被选取的基因位上的目标值进行交换，得到新的目标点访问顺序；在判断得到航向角变异发生时，随机选取进行编译的基因位，本例中选取的基因位是2，随机生成与当前航向角不同的航向角替换当前值，得到新的无人机访问对应目标点的航向角状态。
7、更新操作
8、选取最优分配方案
9、判断是否终止
10、获得最优分配方案
11、结束
需要说明的是，上述步骤与图1对应实施例中的部分步骤相对应，故，相似之处此处不再赘述，具体请查看图1对应的实施例中的相关内容。
下面结合上述的遗传算法对本发明的设计原理进行详细说明：
步骤一，为避免问题过于复杂，本发明采用区域固定风场进行风场建模，即在规定区域内，其风场的风速和风向是不变的。
已知区域的风场状态可表示为：
其中，Vw表示风场中的风速，βw表示风向。
风速Vw是指风相对于地面单位时间内移动的距离，单位为m/s；风向βw是指风吹来的方向，风向的测量单位一般用方位来表示，如陆地上，一般用16个方位表示，海上多用36个方位表示，而在高空则用角度表示，即把圆周分成360度，本文规定西风(W)是0度(即360度)，南风(S)是90度，东风(E)是180度，北风(N)是270度，如图5所示。
步骤二，配置UAV
以U表示UAV，固定翼UAV在空中的配置定义为：
q＝(x，y，ψ) (4)
其中，
其中，和表示的是一架UAV在笛卡尔惯性参考系中的坐标；Vg表示UAV的地速；是指UAV的角速度；|c|≤1，表示UAV的转角指令；Ωmax是UAV的最大旋转角速度。
需要注意的是，
其中，rmin表示UAV最小转弯半径，Vg为固定翼UAV的地速，因而在风影响下的多UAV任务分配与航迹规划联合优化问题中，UAV的最大旋转角速度需满足以下条件：
其中，rmin的值固定不变。
为使问题简化，本文提出以下关于UAV在执行任务过程中需满足的运动约束的假设：
(1)UAV最小转弯半径不变为rmin；
(2)UAV在固定的高度飞行；
(3)根据UAV的飞行包线，UAV在指定高度固定载荷下的飞行速度存在上下界[21]，即Va_min和Va_max分别表示在某高度下UAV空速的最小值和最大值；
(4)UAV由出发点出发并在执行完成任务后不返回出发点。
步骤三，计算UAV的实际飞行状态
考虑风影响的UAV实际速度定义为UAV的地速大小为Vg，此时UAV的航向角为βg，UAV地速矢量将不考虑风影响的UAV理论速度定义为UAV的空速大小为Va，此时UAV的航向角为βa，UAV空速矢量UAV空速地速与风场中风速的矢量关系如图6所示。
上述速度与角度关系为：
在无风时，即UAV空速与地速相等。
可通过对UAV航向角的离散化降低问题的复杂性，即UAV航向角可表示为
其中Nψ表示航向角的离散度。由于UAV以其地速为依据进行航迹规划，因而本文提出改变UAV空速航向角βa使UAV地速航向角βg满足上述航向角集合的要求，即
在Nψ＝36时，可将实验误差控制在可接受的范围内。
下面结合图7进行实例说明：
UAV由A(50,300)飞往C(150,350)，该UAV所处的环境是风速为5m/s、风向为南风(Vw＝5m/s,βw＝90°)，UAV在位置点X(85,324)时，根据式(9)和(11)可得到其空速和地速如表4-1所示。
表4-1固定翼UAV在X(85,324)点，无风与南风环境下空速、地速对比表
步骤四，目标点配置
NT个目标点的集合可表示为：
其中，集合中所有的目标点的位置和任务量均已知。在本发明中，每一个目标点上都可能有不同类型的任务需要被UAV执行，且在此过程中每架UAV只能执行一个目标点上的一个任务，即每个目标点都要被不同的UAV访问，每架UAV只能访问某个目标点一次。
步骤五，计算航行时间
在以飞行时间作为目标函数的UAV任务分配与航迹规划问题中，UAV的任务分配方案决定UAV访问目标点的顺序，根据UAV目标点访问顺序进行航迹规划，由航迹规划的结果计算UAV飞行时间进而由UAV飞行时间决定当前UAV任务分配与航迹规划方案是否优于已知方案。
考虑到UAV地速为变量的情况，本发明采用积分的方式计算UAV的飞行时间。以表示以航向角βψj由Tj出发并以航向角βψk飞至Tk的时间，其计算公式为：
上式中表示，将UAV由Tj到Tk的路径根据角度变化分为若干段，如图8所示，并将每一段起点的地速Vg作为本段的飞行速度，从而得到UAV在两点间的航行时间
根据固定翼UAV的空间配置可将其定义为Dubins car model。根据Dubins路径的产生原理，两点间最短Dubins路径可以由弧段路径和直线段路径组合生成，存在以下六种情况：
D＝{LSL,RSR,RSL,LSR,RLR,LRL}
其中，L表示UAV以半径rmin向左转弯的一段弧，R表示UAV向以半径rmin右转弯的一段弧，S表示UAV以直线方式飞行。从而，可根据公式(14)计算UAV在任意目标点间Dubins路径的航行时间。
其中，表示UAVUi在Tj、Tk两点航向角分别为βψj、βψk的航行时间，由(13)计算得到，其约束符合(8)；
是一个二元决策变量，即当UAVU经Tj飞行至Tk时，则的值为1，否则的值为0；
J中j、k值取0表示UAV由起始点出发或路径末端指向起始点。
在求解过程中，还需满足预设的约束条件，具体包括：
上述条件保证所有的目标点都能被访问到且只能被访问一次。
上述条件保证有一条无人机航向由起始点出发，并有一条无人机航线回到终止点。
上述条件在其它约束条件的基础上保证UAV的航行轨迹是一条有序的路线，并最终回到起始点。
可见，基于上式可得到每个飞行路径的航行时间，进而从中选取出航行时间最短的飞行路径。
下面对本发明进行具体实例的详细说明：
首先，所有的仿真实验均是在4G内存、3.4GHz CPU的硬件上、在Matlab R2014a的环境中运行的。具体说明如下：
UAV模型基于小型固定翼UAV的数学模型，其空速为10米/秒，最小转弯半径为200米，航向角离散度为36，固定翼UAV均从出发点S(0,0)处以航向角90°起飞，在完成访问任务后以航向角90°返回点S(0,0)；风场环境是固定风场，即在一次实验过程中风速和风向都是不变的，并且为了保证UAV能够安全飞行，风速大小不超过9米/秒，风向取西、南、东和北，即0°、90°、180°和270°四个方向，UAV需要访问的三个目标点坐标分别为：A(50,300)、B(100,150)和C(150,350)。
根据上述本发明提出的模型和算法，本文分别在风、南风、东风和北风的风场环境和试验场景下进行实验，并得到各风场环境下无人机飞行时间最短的任务分配与航迹规划方案如表3-1所示(依次参见图9a-图9d)。
3-1
风场环境 无人机任务分配与航迹规划方案 飞行时间
西风环境 b(50°)→c(110°)→a(120°) 143.7
南风环境 c(20°)→a(270°)→b(310°) 154.4
东风环境 b(30°)→a(310°)→c(270°) 141.9
北风环境 a(40°)→c(20°)→b(110°) 118.4
对于方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。
图10示出了本发明一实施例提供的一种无人机访问多目标点的航迹规划装置的结构示意图，参见图10，该装置包括：获取模块101、第一处理模块102、第二处理模块103以及第三处理模块104，其中：
获取模块101，用于获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
第一处理模块102，用于根据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
第二处理模块103，用于根据所述初始种群和风场参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
第三处理模块104，用于基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
可见，本实施例首先通过对风场和无人机的运动参数进行分析，获取无人机在风场中的实际飞行状态，然后基于实际飞行状态进行飞行路径的规划，与现有技术相比，本实施例将无人机航迹规划问题与无人机实际飞行环境相结合，使规划得到的最优飞行路径方案优于无人机速度恒定的方案，进而达到能精确计算无人机在所有可能飞行路径上的航行时间，进而选择出最优的飞行路径。
下面对本装置的各功能模块进行详细说明：
第一处理模块102，用于结合无人机地速航向角离散度和预设遗传算法，构建初始种群，其步骤为：根据预设遗传算法的编码方式进行染色体编码；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
第二处理模块103，用于对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；
执行第一步骤和第二步骤；
所述第一步骤包括：采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速。
采用以下公式计算获取无人机的地速：
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向。
所述第二步骤包括：
根据SUAV-VS-DVRP模型获取航行时间：
其约束条件为：
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
第三处理模块104，用于执行以下步骤：步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
对于装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
应当注意的是，在本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。
本发明的各个部件实施方式可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本装置中，PC通过实现因特网对设备或者装置远程控制，精准的控制设备或者装置每个操作的步骤。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样实现本发明的程序可以存储在计算机可读介质上，并且程序产生的文件或文档具有可统计性，产生数据报告和cpk报告等，能对功放进行批量测试并统计。应该注意的是上述实施方式对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施方式。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种无人机访问多目标点的航迹规划方法，其特征在于，包括：
S1、获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
S2、根据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
S3、根据所述初始种群、无人机和风场的运动参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
S4、基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
2.根据权利要求1所述的方法，其特征在于，根据所述无人机和所述多个目标点的位置信息，结合无人机地速航向角离散度和预设遗传算法，构建初始种群包括：根据预设遗传算法的编码方式进行染色体编码生成预定规模的初始种群；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
3.根据权利要求1-3任一项所述的方法，其特征在于，根据所述初始种群、无人机和风场的运动参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间包括：
对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；
根据每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间；
根据每个航迹段对应的航行时间获取所述染色体对应的航行时间。
4.根据权利要求3所述方法，其特征在于，根据所述每个航迹段对应的起始点的坐标和航向角以及终止点的坐标和航向角，结合风场参数确定无人机飞行状态，进而获取所述无人机完成所述航迹段的航行时间包括：
采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
<mrow> <msub> <mi>t</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>&amp;theta;</mi> <mo>=</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> </mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> </munderover> <msubsup> <mo>&amp;Integral;</mo> <mi>&amp;theta;</mi> <mrow> <mi>&amp;theta;</mi> <mo>+</mo> <mi>&amp;Delta;</mi> <mi>&amp;theta;</mi> </mrow> </msubsup> <mfrac> <msub> <mi>r</mi> <mi>min</mi> </msub> <msub> <mi>V</mi> <mi>g</mi> </msub> </mfrac> <mi>d</mi> <mi>&amp;theta;</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> </mrow>
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速；
采用以下公式计算获取无人机的地速：
<mrow> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>g</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>g</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <msub> <mi>V</mi> <mi>g</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>a</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>w</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>a</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>w</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msub> <mi>V</mi> <mi>a</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>V</mi> <mi>w</mi> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow> 1
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向。
5.根据权利要求3所述方法，其特征在于，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间包括：
根据SUAV-VS-DVRP模型获取航行时间：
<mrow> <mi>J</mi> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <msub> <mi>t</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> </mrow>
其约束条件为：
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
<mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mn>0</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mn>0</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <msub> <mi>N</mi> <mi>T</mi> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
6.根据权利要求4所述方法，其特征在于，基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径，包括：
步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；
步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；
步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；
整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；
判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；
步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；
步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
7.一种无人机访问多目标点的航迹规划装置，其特征在于，包括：
获取模块，用于获取无人机和多个目标点的位置信息，无人机地速航向角离散度以及所述无人机和风场的运动参数；
第一处理模块，用于根据所述无人机和所述多个目标点的位置信息，无人机地速航向角离散度和预设遗传算法，构建以Dubins飞行路径为个体的初始种群；
第二处理模块，用于根据所述初始种群、无人机和风场的运动参数确定无人机飞行状态和无人机完成Dubins飞行路径的航迹段的航行时间，根据所述航迹段的航行时间和SUAV-VS-DVRP模型获取初始种群中染色体对应的航行时间；
第三处理模块，用于基于遗传算法，对初始种群中染色体进行交叉、变异处理，并在达到预定迭代次数后，选取航行时间最短的染色体对应的Dubins飞行路径作为所述无人机的最优飞行路径。
8.根据权利要求7所述的装置，其特征在于，所述第一处理模块，用于结合无人机地速航向角离散度和预设遗传算法，构建初始种群，其步骤为：根据预设遗传算法的编码方式进行染色体编码；所述染色体由目标点信息和无人机地速航向角信息组成；其中所述目标点属于集合T0表示UAVs的起点，无人机地速航向角属于集合Ng表示无人机地速航向角离散度；
所述染色体第一行为所述目标点的随机全排列，第二行为根据无人机航向角离散度为每个目标点随机选取对应的地速航向角。
9.根据权利要求8所述的装置，其特征在于，所述第二处理模块，用于对每个染色体对应的Dubins飞行路径进行航向角变化的分析，并根据分析结果将所述Dubins飞行路径分为多个航迹段；执行第一步骤和第二步骤；
所述第一步骤包括：采用以下公式计算获取无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk航迹段的航行时间：
<mrow> <msub> <mi>t</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>&amp;theta;</mi> <mo>=</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> </mrow> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> </munderover> <msubsup> <mo>&amp;Integral;</mo> <mi>&amp;theta;</mi> <mrow> <mi>&amp;theta;</mi> <mo>+</mo> <mi>&amp;Delta;</mi> <mi>&amp;theta;</mi> </mrow> </msubsup> <mfrac> <msub> <mi>r</mi> <mi>min</mi> </msub> <msub> <mi>V</mi> <mi>g</mi> </msub> </mfrac> <mi>d</mi> <mi>&amp;theta;</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> </mrow>
其中，Tj为起始点，βgj为无人机在起始点的航向角，Tk为终止点，βgk为无人机在终止点的航向角，T表示目标点的集合，rmin为无人机最小转弯半径，Vg为无人机的地速；
采用以下公式计算获取无人机的地速：
<mrow> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>g</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>g</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <msub> <mi>V</mi> <mi>g</mi> </msub> <mo>=</mo> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>a</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>cos&amp;beta;</mi> <mi>w</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>a</mi> </msub> </mrow> </mtd> <mtd> <mrow> <msub> <mi>sin&amp;beta;</mi> <mi>w</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "(" close = ")"> <mtable> <mtr> <mtd> <msub> <mi>V</mi> <mi>a</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>V</mi> <mi>w</mi> </msub> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中，Va表示空速大小，βa表示空速航向角，Vg表示地速的大小，βg表示地速航向角，Vw表示风速大小，βw表示风向；
所述第二步骤包括：
根据SUAV-VS-DVRP模型获取航行时间：
<mrow> <mi>J</mi> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <msub> <mi>t</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> </mrow>
其约束条件为：
<mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
<mrow> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mn>0</mn> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mn>0</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mn>0</mn> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
<mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>j</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>T</mi> </msub> </munderover> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>g</mi> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msub> <mi>N</mi> <mi>g</mi> </msub> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>X</mi> <mrow> <mo>(</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </msub> <mo>=</mo> <msub> <mi>N</mi> <mi>T</mi> </msub> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>T</mi> <mi>k</mi> </msub> <mo>&amp;Element;</mo> <mi>T</mi> <mo>,</mo> <mo>&amp;ForAll;</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>j</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;beta;</mi> <mrow> <mi>g</mi> <mi>k</mi> </mrow> </msub> <mo>&amp;Element;</mo> <mi>H</mi> </mrow>
其中，βgj、βgk分别表示UAV在Tj、Tk两目标点的航向角；表示无人机以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk的航行时间；是一个二元决策变量，若UAVs以地速航向角βgj由目标点Tj出发并以地速航向角βgk飞至目标点Tk时，否则NT表示目标点的数量,Ng表示无人机地速航向角离散度。
10.根据权利要求7-9任一项所述的装置，其特征在于，所述第三处理模块，用于执行以下步骤：步骤1、使用所述编码方法生成初始解，并生成预定规模的初始种群并根据种群中每个染色体对应的航行时间计算其适应度；步骤2、使用轮盘赌方法选择父代种群中的两个个体(A,B)进行交叉，交叉规则为先随机选择个体A中交叉位置，然后查找个体B中与个体A交叉位置第一行相同的基因，将染色体A和B中交叉位置基因进行替换得到新的染色体C和D，判断染色体C和D是否满足SUAV-VS-DVRP模型的约束条件，若满足则利用染色体C和D替换种群中染色体A和B，否则结束，然后不断迭代更新步骤1种群，得到新的子代种群；步骤3、使用轮盘赌方法选择步骤2种群中一条染色体进行变异，对所述染色体进行变异的方式为下述变异方式中的至少一种，包括：对染色体第一行进行目标点变异；对染色体第二行进行无人机地速航向角变异；整个染色体变异的步骤包括：首先，若染色体的第一行顺序变异，则随机选取当前染色体的两个基因位并交换对应基因位的目标点编码；再选择第二行是否变异及变异位置，若变异则随机生成变异的有异于当前位置无人机地速航向角编码的值替换原值；判断变异后的染色体是否满足SUAV-VS-DVRP模型的约束条件，若满足则替换种群中染色体，否则结束替换并不断迭代更新步骤2种群，得到新的子代种群；步骤4、计算子代种群适应度并选取本次迭代中所有解中的最优解；步骤5、判断当前的迭代次数是否达到预设值，若判断否，则对步骤3中的子代种群和父代种群按照一定比例组合形成新的父代种群返回步骤2；若判断为是，则结束迭代，将最终获得的最优解作为无人机的任务分配与航迹规划结果。
CN201710392618.0A 2017-05-27 2017-05-27 无人机访问多目标点的航迹规划方法及装置 Active CN107145161B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710392618.0A CN107145161B (zh) 2017-05-27 2017-05-27 无人机访问多目标点的航迹规划方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710392618.0A CN107145161B (zh) 2017-05-27 2017-05-27 无人机访问多目标点的航迹规划方法及装置

Publications (2)

Publication Number Publication Date
CN107145161A true CN107145161A (zh) 2017-09-08
CN107145161B CN107145161B (zh) 2020-02-21

Family

ID=59779352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710392618.0A Active CN107145161B (zh) 2017-05-27 2017-05-27 无人机访问多目标点的航迹规划方法及装置

Country Status (1)

Country Link
CN (1) CN107145161B (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398958A (zh) * 2018-03-14 2018-08-14 广州亿航智能技术有限公司 无人机编队路径匹配方法、装置和储存介质
CN108872978A (zh) * 2018-05-11 2018-11-23 湖北中南鹏力海洋探测系统工程有限公司 一种基于高频地波雷达洋流数据的水上船只路径规划方法
CN109000651A (zh) * 2018-05-31 2018-12-14 上海大学 一种路径规划方法及路径规划装置
CN109460059A (zh) * 2018-12-03 2019-03-12 中国航空工业集团公司洛阳电光设备研究所 一种双机协同攻击占位最优时间引导方法
CN110046857A (zh) * 2019-04-23 2019-07-23 南京邮电大学 一种基于遗传算法的无人机物流系统及配送方法
CN110297500A (zh) * 2019-06-28 2019-10-01 天津大学 一种给定多航路点下无人机的连续航迹规划方法
CN110906936A (zh) * 2019-12-18 2020-03-24 哈尔滨工程大学 一种水下机器人路径规划方法
CN110956337A (zh) * 2019-12-16 2020-04-03 深圳中科保泰科技有限公司 无人机常态化智能作业前的勘探方法和装置
CN111007874A (zh) * 2019-09-18 2020-04-14 合肥工业大学 无人机与车辆协同的电力巡检方法和装置
CN111047087A (zh) * 2019-09-18 2020-04-21 合肥工业大学 无人机与车辆协同下路径的智能优化方法和装置
CN111352417A (zh) * 2020-02-10 2020-06-30 合肥工业大学 异构多无人机协同路径的快速生成方法
CN111474949A (zh) * 2020-01-14 2020-07-31 一飞智控(天津)科技有限公司 无人机集群飞行可行路径轨迹规划方法、无人机群及介质
CN111879313A (zh) * 2020-07-31 2020-11-03 中国人民解放军国防科技大学 一种基于无人机图像识别的多目标连续定位方法及系统
CN112334781A (zh) * 2019-10-29 2021-02-05 深圳市大疆创新科技有限公司 返航方法、返航用电量确定方法及装置
CN112631338A (zh) * 2020-12-09 2021-04-09 广州极飞科技有限公司 一种航线规划方法、装置、计算机设备及存储介质
CN112711273A (zh) * 2020-12-29 2021-04-27 中国航天空气动力技术研究院 太阳能无人机航迹规划方法、电子设备及介质
CN112783988A (zh) * 2020-12-29 2021-05-11 同济大学 一种空调通风系统内部环境参数的监测反馈及分析方法
CN112818472A (zh) * 2021-02-25 2021-05-18 西北工业大学 一种民用飞机飞行试验科目安排及优化方法
CN112947594A (zh) * 2021-04-07 2021-06-11 东北大学 一种面向无人机的航迹规划方法
CN112947555A (zh) * 2021-02-04 2021-06-11 中国人民解放军国防科技大学 多机协同打击的快速航迹规划方法、装置及计算机设备
CN114326799A (zh) * 2021-12-27 2022-04-12 鹏城实验室 一种面向多移动目标监测任务的无人机任务规划方法
CN114897246A (zh) * 2022-05-16 2022-08-12 北京航空航天大学 基于遗传算法和贪心策略的飞艇多任务点航线规划方法
CN114911263A (zh) * 2022-06-10 2022-08-16 哈尔滨工业大学 基于同伦法的多无人机同步到达轨迹规划方法、存储介质及设备
CN116414153A (zh) * 2023-06-12 2023-07-11 西安天成益邦电子科技有限公司 基于人工智能的无人机起降校正方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN102980581A (zh) * 2012-12-07 2013-03-20 北京中海新图科技有限公司 基于不规则海岛的无人机覆盖航迹规划方法
CN103149937A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于曲率补偿的横侧向曲线航迹跟踪方法
CN103472850A (zh) * 2013-09-29 2013-12-25 合肥工业大学 一种基于高斯分布预测的多无人机协同搜索方法
CN103592941A (zh) * 2013-10-30 2014-02-19 天津大学 一种飞行速度限制下的无人飞行器航迹规划方法
CN103676944A (zh) * 2013-12-11 2014-03-26 北京理工大学 基于Dubins路径和稀疏A*搜索的无人机航迹规划方法
US8886459B2 (en) * 2013-03-11 2014-11-11 Arinc Incorporated Systems and methods for small unmanned aircraft systems (sUAS) tactical tracking and mission data acquisition
CN104596516A (zh) * 2014-11-24 2015-05-06 中国海洋大学 基于动态新增毗邻区域的无人机覆盖航迹规划
US9056679B1 (en) * 2013-08-13 2015-06-16 The United States Of America As Represented By The Secretary Of The Navy System and method for airborne deployment of object designed for waterborne task
CN104931056A (zh) * 2015-06-23 2015-09-23 西北工业大学 一种应用遗传算法进行三维航迹规划的编码方法
CN105425820A (zh) * 2016-01-05 2016-03-23 合肥工业大学 一种针对具有感知能力的运动目标的多无人机协同搜索方法
CN105512769A (zh) * 2015-12-16 2016-04-20 上海交通大学 基于遗传规划的无人机航迹规划系统及方法
CN105929848A (zh) * 2016-06-28 2016-09-07 南京邮电大学 一种三维环境中的多无人机系统的航迹规划方法
CN106197426A (zh) * 2016-06-28 2016-12-07 桂林电子科技大学 一种无人机应急通信路径规划方法及系统
CN106289264A (zh) * 2016-08-26 2017-01-04 哈尔滨工业大学深圳研究生院 一种基于子区域划分的多无人机遍历搜索算法
CN106406346A (zh) * 2016-11-01 2017-02-15 北京理工大学 一种多无人机协同快速覆盖搜索航迹规划方法
CN106600147A (zh) * 2016-12-15 2017-04-26 合肥工业大学 面向可分解任务的多无人机任务分配方法和装置
CN106681358A (zh) * 2017-03-03 2017-05-17 合肥工业大学 集中式无人机编队任务分配方法和装置

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880186A (zh) * 2012-08-03 2013-01-16 北京理工大学 基于稀疏a*算法和遗传算法的航迹规划方法
CN102980581A (zh) * 2012-12-07 2013-03-20 北京中海新图科技有限公司 基于不规则海岛的无人机覆盖航迹规划方法
CN103149937A (zh) * 2013-02-26 2013-06-12 北京航空航天大学 一种基于曲率补偿的横侧向曲线航迹跟踪方法
US8886459B2 (en) * 2013-03-11 2014-11-11 Arinc Incorporated Systems and methods for small unmanned aircraft systems (sUAS) tactical tracking and mission data acquisition
US9056679B1 (en) * 2013-08-13 2015-06-16 The United States Of America As Represented By The Secretary Of The Navy System and method for airborne deployment of object designed for waterborne task
CN103472850A (zh) * 2013-09-29 2013-12-25 合肥工业大学 一种基于高斯分布预测的多无人机协同搜索方法
CN103592941A (zh) * 2013-10-30 2014-02-19 天津大学 一种飞行速度限制下的无人飞行器航迹规划方法
CN103676944A (zh) * 2013-12-11 2014-03-26 北京理工大学 基于Dubins路径和稀疏A*搜索的无人机航迹规划方法
CN104596516A (zh) * 2014-11-24 2015-05-06 中国海洋大学 基于动态新增毗邻区域的无人机覆盖航迹规划
CN104931056A (zh) * 2015-06-23 2015-09-23 西北工业大学 一种应用遗传算法进行三维航迹规划的编码方法
CN105512769A (zh) * 2015-12-16 2016-04-20 上海交通大学 基于遗传规划的无人机航迹规划系统及方法
CN105425820A (zh) * 2016-01-05 2016-03-23 合肥工业大学 一种针对具有感知能力的运动目标的多无人机协同搜索方法
CN105929848A (zh) * 2016-06-28 2016-09-07 南京邮电大学 一种三维环境中的多无人机系统的航迹规划方法
CN106197426A (zh) * 2016-06-28 2016-12-07 桂林电子科技大学 一种无人机应急通信路径规划方法及系统
CN106289264A (zh) * 2016-08-26 2017-01-04 哈尔滨工业大学深圳研究生院 一种基于子区域划分的多无人机遍历搜索算法
CN106406346A (zh) * 2016-11-01 2017-02-15 北京理工大学 一种多无人机协同快速覆盖搜索航迹规划方法
CN106600147A (zh) * 2016-12-15 2017-04-26 合肥工业大学 面向可分解任务的多无人机任务分配方法和装置
CN106681358A (zh) * 2017-03-03 2017-05-17 合肥工业大学 集中式无人机编队任务分配方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
潘卫军等: "多直升机协同搜索航迹规划", 《第十三届中国科协年会第22分会场-中国通用航空发展研讨会》 *
郭海洋: "基于蜂群算法的无人机群协同飞行策略研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108398958B (zh) * 2018-03-14 2021-04-23 广州亿航智能技术有限公司 无人机编队路径匹配方法、装置和储存介质
CN108398958A (zh) * 2018-03-14 2018-08-14 广州亿航智能技术有限公司 无人机编队路径匹配方法、装置和储存介质
CN108872978A (zh) * 2018-05-11 2018-11-23 湖北中南鹏力海洋探测系统工程有限公司 一种基于高频地波雷达洋流数据的水上船只路径规划方法
CN109000651A (zh) * 2018-05-31 2018-12-14 上海大学 一种路径规划方法及路径规划装置
CN109000651B (zh) * 2018-05-31 2022-04-19 上海大学 一种路径规划方法及路径规划装置
CN109460059A (zh) * 2018-12-03 2019-03-12 中国航空工业集团公司洛阳电光设备研究所 一种双机协同攻击占位最优时间引导方法
CN110046857B (zh) * 2019-04-23 2022-08-30 南京邮电大学 一种基于遗传算法的无人机物流系统及配送方法
CN110046857A (zh) * 2019-04-23 2019-07-23 南京邮电大学 一种基于遗传算法的无人机物流系统及配送方法
CN110297500A (zh) * 2019-06-28 2019-10-01 天津大学 一种给定多航路点下无人机的连续航迹规划方法
CN111007874A (zh) * 2019-09-18 2020-04-14 合肥工业大学 无人机与车辆协同的电力巡检方法和装置
CN111047087A (zh) * 2019-09-18 2020-04-21 合肥工业大学 无人机与车辆协同下路径的智能优化方法和装置
CN111007874B (zh) * 2019-09-18 2022-07-19 合肥工业大学 无人机与车辆协同的电力巡检方法和装置
CN112334781A (zh) * 2019-10-29 2021-02-05 深圳市大疆创新科技有限公司 返航方法、返航用电量确定方法及装置
CN110956337A (zh) * 2019-12-16 2020-04-03 深圳中科保泰科技有限公司 无人机常态化智能作业前的勘探方法和装置
CN110956337B (zh) * 2019-12-16 2022-05-24 深圳中科保泰空天技术有限公司 无人机常态化智能作业前的勘探方法和装置
CN110906936A (zh) * 2019-12-18 2020-03-24 哈尔滨工程大学 一种水下机器人路径规划方法
CN110906936B (zh) * 2019-12-18 2022-11-18 哈尔滨工程大学 一种水下机器人路径规划方法
CN111474949B (zh) * 2020-01-14 2023-12-26 一飞智控(天津)科技有限公司 无人机集群飞行可行路径轨迹规划方法、无人机群及介质
CN111474949A (zh) * 2020-01-14 2020-07-31 一飞智控(天津)科技有限公司 无人机集群飞行可行路径轨迹规划方法、无人机群及介质
CN111352417A (zh) * 2020-02-10 2020-06-30 合肥工业大学 异构多无人机协同路径的快速生成方法
CN111352417B (zh) * 2020-02-10 2022-08-02 合肥工业大学 异构多无人机协同路径的快速生成方法
CN111879313A (zh) * 2020-07-31 2020-11-03 中国人民解放军国防科技大学 一种基于无人机图像识别的多目标连续定位方法及系统
CN112631338A (zh) * 2020-12-09 2021-04-09 广州极飞科技有限公司 一种航线规划方法、装置、计算机设备及存储介质
CN112711273A (zh) * 2020-12-29 2021-04-27 中国航天空气动力技术研究院 太阳能无人机航迹规划方法、电子设备及介质
CN112783988A (zh) * 2020-12-29 2021-05-11 同济大学 一种空调通风系统内部环境参数的监测反馈及分析方法
CN112947555A (zh) * 2021-02-04 2021-06-11 中国人民解放军国防科技大学 多机协同打击的快速航迹规划方法、装置及计算机设备
CN112947555B (zh) * 2021-02-04 2022-06-14 中国人民解放军国防科技大学 多机协同打击的快速航迹规划方法、装置及计算机设备
CN112818472A (zh) * 2021-02-25 2021-05-18 西北工业大学 一种民用飞机飞行试验科目安排及优化方法
CN112947594B (zh) * 2021-04-07 2023-08-04 东北大学 一种面向无人机的航迹规划方法
CN112947594A (zh) * 2021-04-07 2021-06-11 东北大学 一种面向无人机的航迹规划方法
CN114326799A (zh) * 2021-12-27 2022-04-12 鹏城实验室 一种面向多移动目标监测任务的无人机任务规划方法
CN114326799B (zh) * 2021-12-27 2023-11-28 鹏城实验室 一种面向多移动目标监测任务的无人机任务规划方法
CN114897246A (zh) * 2022-05-16 2022-08-12 北京航空航天大学 基于遗传算法和贪心策略的飞艇多任务点航线规划方法
CN114911263A (zh) * 2022-06-10 2022-08-16 哈尔滨工业大学 基于同伦法的多无人机同步到达轨迹规划方法、存储介质及设备
CN116414153A (zh) * 2023-06-12 2023-07-11 西安天成益邦电子科技有限公司 基于人工智能的无人机起降校正方法
CN116414153B (zh) * 2023-06-12 2023-08-18 西安天成益邦电子科技有限公司 基于人工智能的无人机起降校正方法

Also Published As

Publication number Publication date
CN107145161B (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN107238388B (zh) 多无人机任务分配与航迹规划联合优化方法及装置
CN107145161A (zh) 无人机访问多目标点的航迹规划方法及装置
CN107169608A (zh) 多无人机执行多任务的分配方法及装置
CN107103164A (zh) 无人机执行多任务的分配方法及装置
Zheng et al. Evolutionary route planner for unmanned air vehicles
Edison et al. Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms
Zhou et al. An improved flower pollination algorithm for optimal unmanned undersea vehicle path planning problem
CN106843236A (zh) 基于权重改进粒子群算法的无人自行车路径规划方法
Dong et al. A review of mobile robot motion planning methods: from classical motion planning workflows to reinforcement learning-based architectures
CN106197426A (zh) 一种无人机应急通信路径规划方法及系统
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN115562357B (zh) 一种面向无人机集群的智能路径规划方法
CN116560384A (zh) 一种基于深度强化学习的变体飞行器鲁棒控制方法
CN110530373A (zh) 一种机器人路径规划方法、控制器及系统
Ali et al. Feature selection-based decision model for UAV path planning on rough terrains
Xu et al. Artificial moment method for swarm robot formation control
Becce et al. Optimal path planning for autonomous spraying uas framework in precision agriculture
Hohmann et al. Three-dimensional urban path planning for aerial vehicles regarding many objectives
Zhang et al. Graph-based path decision modeling for hypersonic vehicles with no-fly zone constraints
Dunn et al. Unmanned Air System Search and Localization Guidance Using Reinforcement Learning.
Ernest et al. Fuzzy clustering based genetic algorithm for the multi-depot polygon visiting dubins multiple traveling salesman problem
Omar et al. 3D path planning for unmanned aerial vehicles using visibility line based method
Cocaud Autonomous tasks allocation and path generation of UAV's
Tai et al. COAA*—an optimized obstacle avoidance and navigational algorithm for UAVs operating in partially observable 2D environments
Xu et al. Trajectory planning of Unmanned Aerial Vehicle based on A* algorithm

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