CN107543549B - 无人机单侧成像约束条件下的路线规划方法 - Google Patents

Abstract

一种无人机单侧成像约束条件下的路线规划方法，包括以下步骤：步骤S1：基于已知被侦察目标群中所有被侦察目标的位置坐标，算得初步规划路线；步骤S2：采用点坐标变换计算方法获得无人机在单侧成像约束条件下到达理论侦察位置的坐标；步骤S3：参照步骤S1的初步规划路线，得到无人机飞往理论侦察位置的理论侦察规划路线；步骤S4：计算出理论侦察规划路线对应的飞行里程；步骤S5：多次循环步骤S1～S4，得到多种理论侦察规划路线，以及多个对应的飞行里程；步骤S6：以多种理论侦察规划路线中的飞行里程最短的理论侦察规划路线为目标函数，获取该飞行里程最短的理论侦察规划路线，即得到无人机在单侧成像约束条件下飞往实际侦察位置的最优侦察路线。

Description

无人机单侧成像约束条件下的路线规划方法

技术领域

本发明涉及无人机任务规划领域，具体涉及一种无人机单侧成像约束条件下的路线规划方法。

背景技术

无人机是一种具有自主飞行能力和独立执行任务能力的新型工具，不仅在新型作战中能够执行军事侦察、监视、搜索等任务，在地震等自然灾害面前，也能够单独完成灾情巡查。随着无人机技术的快速发展，无人机将应用于未来的很多场景。

为了提高无人机的使用效率，无人机的调度人员往往需要在无人机出发前规划好无人机的飞行路线，使得这些无人机能够更好的发挥其作用。无人机在对目标侦察时，会根据不同目标的特点采用不同的扫描方式，广域搜索模式就是其中一种典型的扫描方式。无人机在广域搜索模式下对目标进行成像的成像方式受特定带宽约束，而且通常限定成像传感器只能在无人机的一侧成像，成像传感器的位置确定后，在后续无人机执行任务的过程中不再做调整。

目前对无人机在单侧成像约束条件下的路线规划的研究方案仍有很多有待完善之处。例如，有的研究方案通过先找到无人机飞往预定被侦察目标正上方的最优路线规划，在此基础上再根据无人机成像范围的约束，以被侦察目标为圆心作圆，进而通过寻找相邻的圆的切线得到较优的路径规划。这种路线规划方案所找到的单侧成像约束条件下的路线规划方案只是局部最优解，且在被侦查目标数量较大时，可行性较差，不能很好的适用于实际的侦察任务的规划。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种无人机单侧成像约束条件下的路线规划方法。

本发明提供了一种无人机单侧成像约束条件下的路线规划方法，基于已知被侦察目标群中所有被侦察目标的位置坐标，求得无人机在单侧成像约束条件下飞往侦察位置的最优侦察路线，其特征在于，包括以下步骤：步骤S1：基于已知被侦察目标群中所有被侦察目标的位置坐标，采用初步规划算法计算得到无人机在没有单侧成像约束条件时飞往预定被侦察目标A1的正上方的初步规划路线；步骤S2：根据预定被侦察目标A1的位置坐标以及初步规划路线，采用点坐标变换计算方法获得无人机在单侧成像约束条件下到达理论侦察位置的坐标；步骤S3：将步骤S2获得的无人机应到达理论侦察位置的坐标，参照步骤S1的初步规划路线，得到无人机在单侧成像约束条件下飞往理论侦察位置的理论侦察规划路线；步骤S4：根据步骤S3获得的理论侦察规划路线，计算出理论侦察规划路线对应的飞行里程；步骤S5：多次循环步骤S1～S4，得到多种理论侦察规划路线，以及多个对应的飞行里程；步骤S6：以多种理论侦察规划路线中的飞行里程最短的理论侦察规划路线为目标函数，采用预定求解算法获取该飞行里程最短的理论侦察规划路线，该理论侦察规划路线即为无人机在单侧成像约束条件下飞往侦察位置的最优侦察路线。

在本发明提供的无人机单侧成像约束条件下的路线规划方法中，还可以具有这样的特征：其中，单侧成像约束条件包括:无人机只能在一侧成像；无人机的成像范围为2km～8km。

在本发明提供的无人机单侧成像约束条件下的路线规划方法中，还可以具有这样的特征：其中，当所述无人机在左侧成像时，步骤S2中的点坐标变换计算方法包括以下步骤：步骤S2-1：获取预定被侦察目标A1的位置坐标(x₁,y₁)以及分别获取预定被侦察目标A1的前后两个被侦察目标A0和A2的位置坐标(x₀,y₀)和(x₂,y₂)，然后进入步骤S2-2；步骤S2-2：根据无人机的单侧成像约束条件中的成像范围约束条件，选定成像距离为d，通过三角形相似定理，计算得到无人机从被侦察目标A0飞往预定被侦察目标A1的路线L01中与预定被侦察目标A1的距离为d的参考点T_a的坐标(X_a,Y_a)，以及无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12的中与预定被侦察目标A1的距离为d的参考点T_b的坐标(X_b,Y_b)，然后进入步骤S2-3；步骤S2-3：采用两点之间的斜率公式计算无人机从被侦察目标A0到飞往预定被侦察目标A1的路线L01在平面坐标系内的斜率k₁＝(y₁-y₀)/(x₁-x₀)，以及无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12在平面坐标系内的斜率k₂＝(y₂-y₁)/(x₂-x₁)，然后进入步骤S2-4；步骤S2-4：判断斜率k₁是否为无穷数，当判断结果为是时，进入步骤S2-5；当判断结果为否时，则进入步骤S2-6；步骤S2-5：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₂)，然后进入步骤S2-9；步骤S2-6：判断斜率k₂是否为无穷数，当判断结果为是时，进入步骤S2-7；当判断结果为否时，则进入步骤S2-8；步骤S2-7：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₁)，然后进入步骤S2-9；步骤S2-8：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝arctan(|(k₂-k₁)/(1+k₁·k₂)|)，然后进入步骤S2-9；步骤S2-9：计算参考点T_a绕预定被侦察目标A1旋转θ后的参考点T_f的坐标(X_f,Y_f)：

X_f＝(X_a-x₁)·cos(θ)-(Y_a-y₁)·sin(θ)+x₁，

Y_f＝(X_a-x₁)·sin(θ)+(Y_a-y₁)·cos(θ)+y₁，

然后进入步骤S2-10；步骤S2-10：判断参考点T_f的坐标(X_f,Y_f)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-11；当判断结果为否时，则进入步骤S2-12；步骤S2-11：取中间变量θ_r＝θ，然后进入步骤S2-21；步骤S2-12：取中间变量θ_r＝π-θ，然后进入步骤S2-13；步骤S2-13：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π-θ后的参考点T_g的坐标(X_g,Y_g)：

X_g＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_g＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-14；步骤S2-14：判断参考点T_g的坐标(X_g,Y_g)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-15；

步骤S2-15：取中间变量θ_r＝π+θ，然后进入步骤S2-16；步骤S2-16：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π+θ后的参考点T_h的坐标(X_h,Y_h)：

X_h＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_h＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-17；步骤S2-17：判断参考点T_h的坐标(X_h,Y_h)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-18；步骤S2-18：取中间变量θ_r＝2π-θ，然后进入步骤S2-19；步骤S2-19：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝2π-θ后的参考点T_i的坐标(X_i，Y_i)：

X_i＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_i＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-20；步骤S2-20：判断参考点T_i的坐标(X_i，Y_i)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-23；步骤S2-21：无人机在满足侦察到被侦察目标A1时，无人机到达理论侦察位置所需的转角：

Φ＝θ_r/2，

然后进入步骤S2-22；步骤S2-22：计算得到无人机到达理论侦察位置T_r的坐标(X_r，Y_r)：

X_r＝(X_a-x₁)·cos(Φ)-(Y_a-y₁)·sin(Φ)+x₁，

Y_r＝(X_a-x₁)·sin(Φ)+(Y_a-y₁)·cos(Φ)+y₁，

接着进入结束状态；步骤S2-23：输出“数据出错”，接着进入结束状态。

在本发明提供的无人机单侧成像约束条件下的路线规划方法中，还可以具有这样的特征：其中，没有单侧成像约束条件为：无人机在任意方位成像。

在本发明提供的无人机单侧成像约束条件下的路线规划方法中，还可以具有这样的特征：其中，步骤S1中的初步规划算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。

在本发明提供的无人机单侧成像约束条件下的路线规划方法中，还可以具有这样的特征：其中，步骤S6中的预定求解算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。

发明的作用与效果

根据本发明所涉及的无人机单侧成像约束条件下的路线规划方法，在已知被侦察目标群的位置坐标后，首先利用初步规划算法随机获取无人机飞往预定被侦察目标的正上方的初步规划路线；然后采用点坐标变换计算方法获得无人机应到达的侦察位置的坐标；再参照初步规划路线中的侦察顺序，得到无人机飞往侦察位置的实际侦察规划路线；最后循环上述步骤，以实际侦察规划路线中的最短路线为目标函数，通过预定求解算法求得无人机在单侧成像约束条件下飞往侦察位置的最优实际侦察路线。

采用本发明的无人机单侧成像约束条件下的路线规划方法的优点是：在基本不改变现有技术中已有规划方法(例如模拟退火算法、遗传算法、粒子群算法、蚁群算法等)的基础上，进一步采用简单的点坐标变换计算以实现无人机采用广域搜索模式时的单侧成像约束条件下的最优路线规划。本发明可找到单侧成像约束条件下的全局最优解，且在被侦查目标数量较大时，有着较好的可行性，能够很好的适用于实际的侦察任务的规划。

附图说明

图1是本发明的实施例中无人机单侧成像约束条件下的路线规划方法的总流程图；

图2是本发明的实施例中步骤2的点坐标变换计算方法的流程图；

图3是本发明的实施例中点坐标变换计算方法中路线的斜率为无穷情形时的示例图；

图4是本发明的实施例中点坐标变换计算方法中旋转角为不同角度时的示例图；

图5是本发明的实施例中点坐标变换计算方法中旋转角的角度选取不当无法侦察到预定被侦察目标A1时的示例图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明无人机单侧成像约束条件下的路线规划方法作具体阐述。

如图1所示，本实施例中一种无人机单侧成像约束条件下的路线规划方法，包括以下步骤：

步骤S1：基于已知被侦察目标群中所有被侦察目标的位置坐标，采用初步规划算法计算得到无人机在没有单侧成像约束条件(即无人机在任意方位成像)时飞往预定被侦察目标A1的正上方的初步规划路线。

上述初步规划算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。在本实施例中，采用模拟退火算法来随机获取初步规划路线。即通过交换任意两个侦察目标u,v的侦察顺序(设u＜v＜n,n为所侦察目标的总个数)，或交换两段路径，即将u和v之间的路径插到w之后，将v和w之间的路径插到u之后访问(设u≤v＜w＜n，n为所侦察目标的总个数)，具体举例如下：例如已知被侦察目标群中包括编号为1～10的10个被侦察目标，上一次路径规划方案为，1→2→3→4→5→6→7→8→9→10；交换两个被侦察目标3和7，交换结果为，1→2→7→4→5→6→3→8→9→10；交换两段路径3→4→5→6和6→7→8→9→10，交换结果为：1→2→3→6→7→8→9→10→4→5。

步骤S2：根据预定被侦察目标A1的位置坐标以及初步规划路线，采用点坐标变换计算方法获得无人机在单侧成像约束条件下到达理论侦察位置的坐标。

上述单侧成像约束条件包括：无人机只能在左侧成像或只能在右侧成像；无人机的成像范围为2km～8km。

在本实施例中以无人机在左侧成像为例，左侧成像时以参考点T_a绕预定被侦察目标A1旋转。当无人机在右侧成像时，以参考点T_b绕预定被侦察目标A1旋转，其原理也与此类似。

图2是本发明的实施例中步骤2的点坐标变换计算方法的流程图；图3是本发明的实施例中点坐标变换计算方法中路线的斜率为无穷情形时的示例图；图4是本发明的实施例中点坐标变换计算方法中旋转角为不同角度时的示例图：以及图5是本发明的实施例中点坐标变换计算方法中旋转角的角度选取不当无法侦察到预定被侦察目标A1时的示例图。

如图2所示，无人机在左侧成像时，在步骤S2中的点坐标变换计算方法包括以下步骤：

步骤S2-1：获取预定被侦察目标A1的位置坐标(x₁,y₁)以及分别获取预定被侦察目标A1的前后两个被侦察目标A0和A2的位置坐标(x₀,y₀)和(x₂,y₂)，然后进入步骤S2-2。

步骤S2-2：根据无人机的单侧成像约束条件中的成像范围约束条件，选定成像距离为d，通过三角形相似定理，计算得到无人机从被侦察目标A0飞往预定被侦察目标A1的路线L01中与预定被侦察目标A1的距离为d的参考点T_a的坐标(X_a,Y_a)，以及无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12的中与预定被侦察目标A1的距离为d的参考点T_b的坐标(X_b,Y_b)，然后进入步骤S2-3。

在本实施例中，无人机左侧成像，在可行的成像范围内选取最佳的成像距离d＝3km。则在路线L01中参考点T_a与预定被侦察目标A1的距离为3km；在路线L12中参考点T_b与预定被侦察目标A1的距离也为3km。

步骤S2-3：采用两点之间的斜率公式计算无人机从被侦察目标A0到飞往预定被侦察目标A1的路线L01在平面坐标系内的斜率k₁＝(y₁-y₀)/(x₁-x₀)，以及无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12在平面坐标系内的斜率k₂＝(y₂-y₁)/(x₂-x₁)，然后进入步骤S2-4。

步骤S2-4：判断斜率k₁是否为无穷数，当判断结果为是时，进入步骤S2-5；当判断结果为否时，则进入步骤S2-6。

在上述步骤S2-4中的k₁为无穷数包括两类情形：一种如图3(a)和图3(c)所示的k₁为正无穷，另一种如图3(b)和图3(d)所示k₁为负无穷。

步骤S2-5：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₂)，然后进入步骤S2-9。

步骤S2-6：判断斜率k₂是否为无穷数，当判断结果为是时，进入步骤S2-7；当判断结果为否时，则进入步骤S2-8。

在上述步骤S2-6中的k₂为无穷数包括两类情形：一种如图3(a)和图3(e)所示的k₂为正无穷，另一种如图3(b)和图3(f)所示k₂为负无穷。

步骤S2-7：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₁)，然后进入步骤S2-9。

步骤S2-8：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝arctan(|(k₂-k₁)/(1+k₁·k₂)|)，然后进入步骤S2-9。

根据上述记载，满足进入步骤S2-8的条件为：k₁、k₂都不是无穷数。

步骤S2-9：计算参考点T_a绕预定被侦察目标A1旋转θ后的参考点T_f的坐标(X_f,Y_f)：

X_f＝(X_a-x₁)·cos(θ)-(Y_a-y₁)·sin(θ)+x₁，

Y_f＝(X_a-x₁)·sin(θ)+(Y_a-y₁)·cos(θ)+y₁，

然后进入步骤S2-10。

步骤S2-10：判断参考点T_f的坐标(X_f,Y_f)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-11；当判断结果为否时，则进入步骤S2-12。

步骤S2-11：取中间变量θ_r＝θ，然后进入步骤S2-21。

在本实施例中，满足取中间变量θ_r＝θ的条件为路线L01绕预定被侦察目标A1旋转[0，π/2]的角度可以和路线L12重合，具体举例情形如图4(a)和图4(b)所示。

步骤S2-12：取中间变量θ_r＝π-θ，然后进入步骤S2-13。

在本实施例中，满足取中间变量θ_r＝π-θ的条件为路线L01绕预定被侦察目标A1旋转(π/2,π]的角度可以和路线L12重合，具体举例如图4(c)和图4(d)所示。

步骤S2-13：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π-θ后的参考点T_g的坐标(X_g,Y_g)：

X_g＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_g＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-14。

步骤S2-14：判断参考点T_g的坐标(X_g,Y_g)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-15。

步骤S2-15：取中间变量θ_r＝π+θ，然后进入步骤S2-16。

在本实施例中，满足取中间变量θ_r＝π+θ的条件为路线L01绕预定被侦察目标A1旋转(π,3π/2]的角度可以和路线L12重合，具体举例如图4(e)和图4(f)所示。

步骤S2-16：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π+θ后的参考点T_h的坐标(X_h,Y_h)：

X_h＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_h＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-17。

步骤S2-17：判断参考点T_h的坐标(X_h,Y_h)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-18。

步骤S2-18：取中间变量θ_r＝2π-θ，然后进入步骤S2-19。

在本实施例中，满足取中间变量θ_r＝2π-θ的条件为路线L01绕预定被侦察目标A1旋转(3π/2，2π)的角度可以和路线L12重合，具体情形举例如图4(g)所示。

步骤S2-19：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝2π-θ后的参考点T_i的坐标(X_i，Y_i)：

X_i＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_i＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-20。

步骤S2-20：判断参考点T_i的坐标(X_i，Y_i)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-23。

步骤S2-21：无人机在满足侦察到被侦察目标A1时，无人机到达理论侦察位置所需的转角：

Φ＝θ_r/2，

参考点T_a绕预定被侦察目标A1旋转角度Φ即为无人机的理论侦察位置。这里Φ选则θ_r/2可以确保无人机在理论位置经过时一定能侦察到预定被侦察目标A1，而当取其它(0,1)区间内的数值时，可能存在无法侦察到预定被侦察目标A1的特殊情形，如图5所示情形，无人机将无法侦察到目标A1。然后进入步骤S2-22。

步骤S2-22：计算得到无人机到达理论侦察位置T_r的坐标(X_r，Y_r)：

X_r＝(X_a-x₁)·cos(Φ)-(Y_a-y₁)·sin(Φ)+x₁，

Y_r＝(X_a-x₁)·sin(Φ)+(Y_a-y₁)·cos(Φ)+y₁，

接着进入结束状态；

步骤S2-23：输出“数据出错”，接着进入结束状态。

步骤S3：将步骤S2获得的无人机应到达理论侦察位置T_r的坐标，参照步骤S1的初步规划路线，得到无人机在单侧成像约束条件下飞往理论侦察位置T_r的理论侦察规划路线。

步骤S4：根据步骤S3获得的理论侦察规划路线，计算出理论侦察规划路线对应的飞行里程。

步骤S5：多次循环步骤S1～S4，得到多种理论侦察规划路线，以及多个对应的飞行里程。

步骤S6：以多种理论侦察规划路线中的飞行里程最短的理论侦察规划路线为目标函数，采用预定求解算法获取该飞行里程最短的理论侦察规划路线，该理论侦察规划路线即为无人机在单侧成像约束条件下飞往侦察位置的最优侦察路线。

上述的步骤S6中的预定求解算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。在本实施例中采用模拟退火算法进行运算。

实施例的作用与效果

根据本实施例所涉及的无人机单侧成像约束条件下的路线规划方法，在已知被侦察目标群的位置坐标后，首先利用初步规划算法随机获取飞往预定被侦察目标的正上方的初步规划路线；然后采用点坐标变换计算方法获得无人机应到达的侦察位置的坐标；再参照初步规划路线中的侦察顺序，得到无人机飞往侦察位置的实际侦察规划路线；最后循环上述步骤，以实际侦察规划路线中的最短路线为目标函数，通过预定求解算法求得无人机在单侧成像约束条件下飞往侦察位置的最优实际侦察路线。

采用本实施例的无人机单侧成像约束条件下的路线规划方法的优点是：在基本不改变现有技术例如模拟退火算法等已有规划方法的基础上，进一步采用简单的点坐标变换计算以实现无人机采用广域搜索模式时的单侧成像约束条件下的最优路线规划，即使在被侦查目标数量较大时，仍有较好的可行性，能够很好的适用于实际的侦察任务的规划。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (4)

1.一种无人机单侧成像约束条件下的路线规划方法，基于已知被侦察目标群中所有被侦察目标的位置坐标，求得无人机在单侧成像约束条件下飞往实际侦察位置的最优侦察路线，其特征在于，包括以下步骤：

步骤S1：基于所述已知被侦察目标群中所述所有被侦察目标的位置坐标，采用初步规划算法计算得到所述无人机在没有单侧成像约束条件时飞往预定被侦察目标A1的正上方的初步规划路线；

步骤S2：根据所述预定被侦察目标A1的位置坐标以及所述初步规划路线，采用点坐标变换计算方法获得所述无人机在单侧成像约束条件下到达理论侦察位置T_r的坐标；

步骤S3：将步骤S2获得的所述无人机到达理论侦察位置T_r的坐标，参照所述步骤S1的所述初步规划路线，得到所述无人机在单侧成像约束条件下飞往所述理论侦察位置T_r的理论侦察规划路线；

步骤S4：根据步骤S3获得的所述理论侦察规划路线，计算出所述理论侦察规划路线对应的飞行里程；

步骤S5：多次循环步骤S1～S4，得到多种所述理论侦察规划路线，以及多个所述对应的飞行里程；

步骤S6：以多种所述理论侦察规划路线中的飞行里程最短的所述理论侦察规划路线为目标函数，采用预定求解算法获取该飞行里程最短的所述理论侦察规划路线，该理论侦察规划路线即为所述无人机在单侧成像约束条件下飞往所述实际侦察位置的最优侦察路线，

其中，所述单侧成像约束条件包括：所述无人机只能在一侧成像；

所述无人机的成像范围为2km～8km，

当所述无人机在左侧成像时，步骤S2中的所述点坐标变换计算方法包括以下步骤：

步骤S2-1：获取预定被侦察目标A1的位置坐标(x₁,y₁)以及分别获取预定被侦察目标A1的前后两个被侦察目标A0和A2的位置坐标(x₀,y₀)和(x₂,y₂)，然后进入步骤S2-2；

步骤S2-2：根据所述无人机的单侧成像约束条件中的成像范围约束条件，选定成像距离为d，通过三角形相似定理，计算得到所述无人机从被侦察目标A0飞往预定被侦察目标A1的路线L01中与预定被侦察目标A1的距离为d的参考点T_a的坐标(X_a,Y_a)，以及所述无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12的中与预定被侦察目标A1的距离为d的参考点T_b的坐标(X_b,Y_b)；

步骤S2-3：采用两点之间的斜率公式计算所述无人机从被侦察目标A0到飞往预定被侦察目标A1的路线L01在平面坐标系内的斜率k₁＝(y₁-y₀)/(x₁-x₀)，以及所述无人机从预定被侦察目标A1飞往被侦察目标A2的路线L12在平面坐标系内的斜率k₂＝(y₂-y₁)/(x₂-x₁)，然后进入步骤S2-4；

步骤S2-4：判断斜率k₁是否为无穷数，当判断结果为是时，进入步骤S2-5；当判断结果为否时，则进入步骤S2-6；

步骤S2-5：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₂)，然后进入步骤S2-9；

步骤S2-6：判断斜率k₂是否为无穷数，当判断结果为是时，进入步骤S2-7；当判断结果为否时，则进入步骤S2-8；

步骤S2-7：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝π/2-arctan(k₁)，然后进入步骤S2-9；

步骤S2-8：计算路线L01与路线L12在平面坐标系内形成的夹角θ＝arctan(|(k₂-k₁)/(1+k₁·k₂)|)，然后进入步骤S2-9；

步骤S2-9：计算参考点T_a绕预定被侦察目标A1旋转θ后的参考点T_f的坐标(X_f,Y_f)：

X_f＝(X_a-x₁)·cos(θ)-(Y_a-y₁)·sin(θ)+x₁，

Y_f＝(X_a-x₁)·sin(θ)+(Y_a-y₁)·cos(θ)+y₁，

然后进入步骤S2-10；

步骤S2-10：判断参考点T_f的坐标(X_f,Y_f)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-11；当判断结果为否时，则进入步骤S2-12；

步骤S2-11：取中间变量θ_r＝θ，然后进入步骤S2-21；

步骤S2-12：取中间变量θ_r＝π-θ，然后进入步骤S2-13；

步骤S2-13：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π-θ后的参考点T_g的坐标(X_g,Y_g)：

X_g＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_g＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-14；

步骤S2-14：判断参考点T_g的坐标(X_g,Y_g)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-15；

步骤S2-15：取中间变量θ_r＝π+θ，然后进入步骤S2-16；

步骤S2-16：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝π+θ后的参考点T_h的坐标(X_h,Y_h)：

X_h＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_h＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-17；

步骤S2-17：判断参考点T_h的坐标(X_h,Y_h)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-18；

步骤S2-18：取中间变量θ_r＝2π-θ，然后进入步骤S19；

步骤S2-19：计算参考点T_a绕预定被侦察目标A1旋转θ_r＝2π-θ后的参考点T_i的坐标(X_i，Y_i)：

X_i＝(X_a-x₁)·cos(θ_r)-(Y_a-y₁)·sin(θ_r)+x₁，

Y_i＝(X_a-x₁)·sin(θ_r)+(Y_a-y₁)·cos(θ_r)+y₁，

然后进入步骤S2-20；

步骤S2-20：判断参考点T_i的坐标(X_i，Y_i)与参考点T_b的坐标(X_b,Y_b)是否重合，当判断结果为是时，进入步骤S2-21；当判断结果为否时，则进入步骤S2-23；

步骤S2-21：所述无人机在满足侦察到被侦察目标A1时，所述无人机到达所述理论侦察位置所需的转角：

Φ＝θ_r/2，

然后进入步骤S2-22；

步骤S2-22：计算得到所述无人机到达所述理论侦察位置T_r的坐标(X_r，Y_r)：

X_r＝(X_a-x₁)·cos(Φ)-(Y_a-y₁)·sin(Φ)+x₁，

Y_r＝(X_a-x₁)·sin(Φ)+(Y_a-y₁)·cos(Φ)+y₁，

接着进入结束状态；

步骤S2-23：输出“数据出错”，接着进入结束状态。

2.根据权利要求1所述的无人机单侧成像约束条件下的路线规划方法，其特征在于：

其中，所述没有单侧成像约束条件为：所述无人机在任意方位成像。

3.根据权利要求1所述的无人机单侧成像约束条件下的路线规划方法，其特征在于：

其中，步骤S1中的所述初步规划算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。

4.根据权利要求1所述的无人机单侧成像约束条件下的路线规划方法，其特征在于：

其中，步骤S6中的所述预定求解算法为模拟退火算法、遗传算法、粒子群算法、蚁群算法中的任意一种。

Images