CN107544553A - 一种基于混合蚁群算法的无人机航路规划方法 - Google Patents

Abstract

本发明公开了一种基于混合蚁群算法的无人机航路规划方法，本发明在现有无人机航路规划研究基础之上，采用蚁群算法与人工势场法相结合的方法分别对航路进行全局航路规划以及局部路径重规划。采用混合蚁群算法无人机先进行全局航路规划，针对一些无法飞行的拐角需要作出局部路径重规划，使无人机在避开自身约束条件的同时成功绕开了障碍物，提高了无人机的作战效率和生存概率。

Description

一种基于混合蚁群算法的无人机航路规划方法

技术领域

本发明属于智能控制技术领域，涉及一种无人机航路规划方法，具体涉及一种基于蚁群算法和人工势场法相结合的无人机全局路径规划和局部路径重规划方法。

背景技术

无人机(UAV)因具有可探测性低、造价低廉、不惧伤亡、起降简单、操作灵活、系统配置多样化、自动控制智能化等特点因而在未来一体化联合作战中扮演越来越重要的角色。无人机(UAV)航路规划的热点和难点在于如何满足安全性和实时性的同时，兼顾全局路径规划和局部路径重规划，以提高无人机的作战效率和生存概率。

早期的无人机都是按照地面任务规划中心预先计算并设定好的航迹飞行。目前无人机航迹规划是虚拟仿真训练系统的关键技术之一，主要是在一个具有动态性、不确定性、实时性的环境，依据地形和敌情信息，在预定任务、威胁分布、燃油限制等约束条件下，寻找从起点到目标点的安全、可行航路。无人机航路规划基本上可分为两种类型：一种是基于先验环境信息的全局航路规划，另一种是基于突发威胁信息的局部航路重规划。目前常用的全局航路规划方法主要包括粒子群优化算法、VORONOI图、A*算法、蚁群算法、遗传算法等。而实际战场环境下，不仅存在威胁等级不相同的固定威胁源，还存在突发威胁源，诸多因素使得战场环境变得更为复杂及不确定，为了提高无人机完成任务的效率及生存率，必须进行局部航路重规划。

发明内容：

针对上述出现的问题和不足，本发明提出了一种基于蚁群算法和人工势场法相结合的无人机全局路径规划和局部路径重规划方法，根据已有蚁群算法研究成果进行全局航路规划，采用人工势场法处理突发威胁进行局部航路重规划。

本发明所采用的技术方案是：一种基于混合蚁群算法的无人机航路规划方法，其特征在于：利用蚁群算法进行全局航路规划，采用人工势场法处理突发威胁进行局部航路重规划；

所述利用蚁群算法进行全局航路规划，具体实现包括以下步骤：

步骤1：建立无人机飞行空间模型；

步骤2：确定无人机飞行空间模型中各段路径的航路性能指标；

步骤3：进行无人机全局航路规划。

本发明在现有无人机航路规划研究基础之上，采用蚁群算法与人工势场法相结合的方法分别对航路进行全局航路规划以及局部路径重规划。采用混合蚁群算法无人机先进行全局航路规划，针对一些无法飞行的拐角需要作出局部路径重规划，使无人机在避开自身约束条件的同时成功绕开了障碍物，提高了无人机的作战效率和生存概率。

附图说明

图1为本发明实施例的栅格信息示意图；

图2为本发明实施例的显示栅格节点间的连通信息示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明提供的一种基于混合蚁群算法的无人机航路规划方法，利用蚁群算法进行全局航路规划，采用人工势场法处理突发威胁进行局部航路重规划；

蚁群算法(Ant Colony Algorithm)的基本思想由意大利Dorigo等于1991年首次提出，利用生物信息激素(Pheromone/Stigmergy)作为蚂蚁选择后续行为的依据,通过蚂蚁的协同完成寻优过程。它采用交互式的学习方法，借助于同时进行的、交互处理的、智能化的路径搜索进化，可解决许多最优化问题。国内很多学者已应用蚁群算法对机器人、无人机和飞机等路径规划问题进行研究，为蚁群算法在航迹规划问题研究中的应用奠定了基础。

在无人机全局航路规划中，首先采用栅格法结合图论的思想进行无人机飞行空间模型的建立与威胁区域的定义。其次，需要确定无人机的航路性能指标，最后基于蚁群算法进行无人机全局航路规划方法。

利用蚁群算法进行全局航路规划，具体实现包括以下步骤：

步骤1：建立无人机飞行空间模型；

为简化问题，将飞行空间用二维空间表示，即假设无人机的飞行高度和速度恒定。在初始航路规划问题中，通常障碍、火力威胁区域、探测威胁区域是已知的。对飞行任务空间进行栅格划分，可用如下矩阵表示飞行空间或威胁区：

其中i,j＝1,2,…,n

在栅格图中，如果障碍区域不满一个栅格时，要扩充为一个栅格。截取的部分栅格图，如图1所示。图中深色栅格为障碍物或威胁区域栅格，白色栅格为自由栅格。

为了便于应用蚁群算法进行航路规划，飞行空间所建的栅格环境模型，可以逻辑对应到有向图中。在有向图中可以显示栅格节点间的连通信息，即航迹规划中的所有航路，其中孤立节点为障区，如图2所示。

在图2描述的部分有向图D＝(V,E)中,V＝(27,28,29,30,37,…,59,60)为顶点的集合；E＝{(27,37),(27,28),…,(59,60)}为边的集合。

在栅格图中，每个栅格的序号是从上到下，从左到右依次递增的顺序从1开始编号的，可用如下公式进行转换：

N＝G(i,j)＝(n×(i-1))+j(i,j＝1,2…,k)；

每个栅格G(i,j)转换到有向图对应路径节点N的直角坐标(x_N,y_N)的计算公式如下：

式中，a为栅格大小，mod(·)为取余函数，INT(·)为取整函数；如果x_N＝-0.5则取x_N＝k-0.5。

步骤2：确定无人机飞行空间模型中各段路径的航路性能指标；

通过对无人机飞行区域进行建模得到路径节点后，还需要确定各段路径的性能指标。无人机全局航路规划不仅要依据预先获得的威胁信息寻找安全的飞行轨迹，而且还要做到从起点到目标点所用燃油最小。本发明采用如下方程来定义航路性能指标：

式中，J为航路性能指标函数；为第i段航路的燃油消耗代价；为第i段航路的威胁代价；k为权重系数，k∈[0,1]。

燃油消耗代价是与航程有关的函数。假定无人机巡航段飞行速度恒定，则燃油代价与航程成正比，飞过第i段航路所消耗的燃油代价为：

为了准确描述每段航路的威胁情况，在每段航路中找均匀分布的5个点，计算各点到威胁源的威胁代价，累加求和即为该段航路的威胁代价。威胁代价计算公式定义为：

上式中，N为飞机当前飞行位置所能探测到的威胁个数，K_j为第j个威胁的强度；R_ij为该段航路上的点到第j个威胁中心的距离。

步骤3：进行无人机全局航路规划。

在已知飞行任务、从起点到终点的威胁分布、燃油限制等约束下，利用蚁群算法搜索有效航路的步骤如下：

(1)信息素初始化

设置时间t＝0，循环次数N＝0，最大循环次数N_max，蚂蚁数量为m。将各蚂蚁置于起始位置S，初始化飞行空间栅格图上所有节点的信息素，将各条路径上信息素浓度都初始化为相同的常数，即T_ij(0)＝c(c为常数)。

(2)选择航路点的准则

每只蚂蚁从航路节点i转移到节点j的选择概率由两节点之间的航路代价和信息素强度决定。蚂蚁k从节点i转移到可行节点j的概率为：

式中，节点j为节点i的相邻节点；τ(i,j)为航路段L(i,j)的信息素浓度，η(i,j)为节点i相对于节点j的能见度，η(i,j)＝1J_ij，J_ij为航迹段L(i,j)的航路代价；α，β为可调参数，用于确定信息素浓度和能见度的相对重要性。

为降低规划结果陷入局部最优解的可能性，算法中规定参数α，β的至可随时间变化而动态调整。需要设置一个临界时刻点M。航迹规划开始阶段，即在M时刻前，各节点上的信息素浓度较小，此时转移概率中能见度因子η(i,j)应起主要作用；而在M时刻后，转移概率中的主导因素变成信息素浓度。因此，规定从起始时刻t＝0到t＝M，α值随时间线性递增，β值随时间线性递减；从M时刻到规划终止时刻，α和β均为常数。

(3)信息素更新规则

当所有蚂蚁完成各自的航路选择过程后，必须调整各边上的信息素浓度。这里我们同时考虑局部更新和全局更新，调整规则如下：

τ^new(i,j)＝(1-ρ)τ^old(i,j)+ρ[Δτ(i,j)+e·Δτ^e(i,j)]

式中，

其中，Q表示信息素强度；J_k表示蚂蚁K选择的航路的广义代价；J_e表示当前最优的航路代价；e是调整最优解的影响权重的参数；

(4)航路调整；

无人机飞行需要一条比较平滑的路径，蚁群算法规划出的路径存在某些无法飞行的拐角，因此需要对航路进行调整。在这里，是将蚂蚁所走的构成直角的弯曲路径逐段拉直为一条由直线段连接的可行路径。将此可行路径与记录的目前航路代价最小的路径进行比较，如果路径航路代价更小，则用该路径替换航路代价最小的路径。对路径上的所有点的信息素根据信息素更新规则进行更新。

本实施例采用人工势场法处理突发威胁进行局部航路重规划，人工势场法是由Khatib提出，被广泛应用于机器人路径规划。具体方法是首先在机器人的运动空间中创建一个势场U。该势场由两部分组成：一个是引力场U_att，方向指向目标点Goal；另一个是斥力场U_rep，方向指向远离障碍物Obstacle的方向。整个势场U是其引力部分和斥力部分的叠加。无人机就沿着合成的势场力方向运动，绕开障碍物，向目标点运动。本发明中将人工势场法用于处理突发威胁，进行局部航路重规划。

采用人工势场法处理突发威胁进行局部航路重规划，具体实现过程是：

无人机在斥力势场产生的斥力F_rep和引力势场产生的引力F_att的共同作用下运动，可以把无人机、障碍物Obstacle和目标Goal看成可自由移动的质点。

无人机受到的斥力势场U_rep所产生的斥力F_rep为：

其中，K_rep为斥力常数；(x_R,y_R)为无人机的坐标；d(i)为无人机与障碍物Oi之间的距离；(x_i,y_i)为障碍物Oi的坐标。因此，无人机受到的斥力之和为：

无人机受到的引力势场U_att产生的引力F_att为：

其中，K_att为引力常数；d(t)为无人机与目标Goal之间的距离；(x_t,y_t)为目标的坐标。无人机所受力的矢量和等于自身所受引力和斥力总和：

F＝F_att+F_rep

由上式可以看出，无人机在力F的作用下运动，从而可以保证无人机在不和障碍物发生碰撞的情况下，自动向目标点移动。通过调整经验值K_rep和K_att的大小，可以很好地控制其运动。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种基于混合蚁群算法的无人机航路规划方法，其特征在于：利用蚁群算法进行全局航路规划，采用人工势场法处理突发威胁进行局部航路重规划；

所述利用蚁群算法进行全局航路规划，具体实现包括以下步骤：

步骤1：建立无人机飞行空间模型；

步骤2：确定无人机飞行空间模型中各段路径的航路性能指标；

步骤3：进行无人机全局航路规划。

2.根据权利要求1所述的基于混合蚁群算法的无人机航路规划方法，其特征在于：步骤1中，采用栅格法结合图论的思想进行无人机飞行空间模型的建立与威胁区域的定义，具体实现包括以下子步骤：

步骤1.1：将飞行空间用二维空间表示，假设无人机的飞行高度和速度恒定，障碍、火力威胁区域、探测威胁区域已知；对飞行任务空间进行栅格划分，用如下矩阵表示飞行空间或威胁区：

其中，i,j＝1,2,…,n；在栅格图中，如果障碍区域不满一个栅格时，则扩充为一个栅格；

步骤1.2：将飞行空间所建的栅格图对应到有向图中，在有向图中显示栅格节点间的连通信息，即航迹规划中的所有航路，其中孤立节点为障区。

3.根据权利要求1所述的基于混合蚁群算法的无人机航路规划方法，其特征在于：步骤2中，采用如下方程来定义航路性能指标：

<mrow> <mi>min</mi> <mi> </mi> <mi>J</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <mo>&amp;lsqb;</mo> <mi>k</mi> <mi> </mi> <msubsup> <mi>J</mi> <mrow> <mi>f</mi> <mi>u</mi> <mi>e</mi> <mi>l</mi> </mrow> <mi>i</mi> </msubsup> <mo>+</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>k</mi> <mo>)</mo> </mrow> <msubsup> <mi>J</mi> <mrow> <mi>t</mi> <mi>h</mi> <mi>r</mi> <mi>e</mi> <mi>a</mi> <mi>t</mi> </mrow> <mi>i</mi> </msubsup> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>

式中，J为航路性能指标函数；为第i段航路的燃油消耗代价；为第i段航路的威胁代价；k为权重系数，k∈[0,1]；

燃油消耗代价是与航程有关的函数，假定无人机巡航段飞行速度恒定，则燃油代价与航程成正比，飞过第i段航路所消耗的燃油代价为：

<mrow> <msubsup> <mi>J</mi> <mrow> <mi>f</mi> <mi>u</mi> <mi>e</mi> <mi>l</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <msub> <mi>L</mi> <mi>i</mi> </msub> <mo>;</mo> </mrow>

在每段航路中找均匀分布的5个点，计算各点到威胁源的威胁代价，累加求和即为该段航路的威胁代价；威胁代价计算公式定义为：

<mrow> <msubsup> <mi>J</mi> <mrow> <mi>t</mi> <mi>h</mi> <mi>r</mi> <mi>e</mi> <mi>a</mi> <mi>t</mi> </mrow> <mi>i</mi> </msubsup> <mo>=</mo> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msub> <mi>K</mi> <mi>j</mi> </msub> <mo>/</mo> <mrow> <mo>(</mo> <msubsup> <mi>R</mi> <mrow> <mn>1</mn> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>R</mi> <mrow> <mn>2</mn> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>R</mi> <mrow> <mn>3</mn> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>R</mi> <mrow> <mn>4</mn> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>+</mo> <msubsup> <mi>R</mi> <mrow> <mn>5</mn> <mi>j</mi> </mrow> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

式中，N为飞机当前飞行位置所能探测到的威胁个数，K _j为第j个威胁的强度，R_ij为该段航路上的点到第j个威胁中心的距离。

4.根据权利要求1所述的基于混合蚁群算法的无人机航路规划方法，其特征在于：步骤3中，基于蚁群算法进行无人机全局航路规划，具体实现包括以下子步骤：

步骤3.1：信息素初始化；

已知飞行任务、从起点到终点的威胁分布、燃油限制，设置时间t＝0，循环次数N＝0，最大循环次数N_max，蚂蚁数量为m；将各蚂蚁置于起点位置S，初始化飞行空间栅格图上所有节点的信息素，将各条路径上信息素浓度都初始化为相同的常数，即T_ij(0)＝c，c为常数；

步骤3.2：确定选择航路点准则；

每只蚂蚁从航路节点i转移到节点j的选择概率由两节点之间的航路代价和信息素强度决定；蚂蚁k从节点i转移到可行节点j的概率为：

式中，节点j为节点i的相邻节点；τ(i,j)为航路段L(i,j)的信息素浓度，η(i,j)为节点i相对于节点j的能见度，η(i,j)＝1/J_ij，J_ij为航迹段L(i,j)的航路代价；α，β为可调参数，可调参数α，β的值可随时间变化而动态调整，用于确定信息素浓度和能见度的相对重要性；设置临界时刻点M，规定从起始时刻t＝0到t＝M，α值随时间线性递增，β值随时间线性递减；从M时刻到规划终止时刻，α和β均为常数；

步骤3.3：信息素更新；

当所有蚂蚁完成各自的航路选择过程后，必须调整各边上的信息素浓度，包括局部更新和全局更新，调整规则如下：

式中：

其中，Q表示信息素强度；J_k表示蚂蚁K选择的航路的广义代价；J_e表示当前最优的航路代价；e是调整最优解的影响权重的参数；

步骤3.4：航路调整；

将蚂蚁所走的构成直角的弯曲路径逐段拉直为一条由直线段连接的可行路径，将此可行路径与记录的目前航路代价最小的路径进行比较，如果路径航路代价更小，则用该路径替换航路代价最小的路径；对路径上的所有点的信息素根据信息素更新规则进行更新。

5.根据权利要求1所述的基于混合蚁群算法的无人机航路规划方法，其特征在于，所述采用人工势场法处理突发威胁进行局部航路重规划，具体实现过程是：无人机在斥力势场产生的斥力F_rep和引力势场产生的引力F_att的共同作用下运动，可以把无人机、障碍物Obstacle和目标Goal看成可自由移动的质点；

无人机受到的斥力势场U_rep所产生的斥力F_rep为：

<mrow> <msub> <mi>F</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>p</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>K</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>p</mi> </mrow> </msub> <mrow> <msup> <mi>d</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>R</mi> </msub> </mrow> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>+</mo> <mfrac> <mrow> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>R</mi> </msub> </mrow> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>

其中，K_rep为斥力常数；(x_R,y_R)为无人机的坐标；d(i)为无人机与障碍物Oi之间的距离；(x_i,y_i)为障碍物Oi的坐标；

因此，无人机受到的斥力之和为：

<mrow> <msub> <mi>F</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>p</mi> </mrow> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>i</mi> </munder> <msub> <mi>F</mi> <mrow> <mi>r</mi> <mi>e</mi> <mi>p</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

无人机受到的引力势场U_att产生的引力F_att为：

<mrow> <msub> <mi>F</mi> <mrow> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>K</mi> <mrow> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msub> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msub> <mi>x</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>x</mi> <mi>R</mi> </msub> </mrow> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mover> <mi>x</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>+</mo> <mfrac> <mrow> <msub> <mi>y</mi> <mi>t</mi> </msub> <mo>-</mo> <msub> <mi>y</mi> <mi>R</mi> </msub> </mrow> <mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mover> <mi>y</mi> <mo>&amp;RightArrow;</mo> </mover> <mo>&amp;rsqb;</mo> <mo>;</mo> </mrow>

其中，K_att为引力常数；d(t)为无人机与目标Goal之间的距离；(x_t,y_t)为目标的坐标；

无人机所受力的矢量和等于自身所受引力和斥力总和：

F＝F_att+F_rep；

由上式可以看出，无人机在力F的作用下运动，从而保证无人机在不和障碍物发生碰撞的情况下，自动向目标点移动；通过调整经验值K_rep和K_att的大小，能很好地控制无人机运动。