CN108287565B - 一种基于滚动窗口的无人机自动避撞方法 - Google Patents
一种基于滚动窗口的无人机自动避撞方法 Download PDFInfo
- Publication number
- CN108287565B CN108287565B CN201810017183.6A CN201810017183A CN108287565B CN 108287565 B CN108287565 B CN 108287565B CN 201810017183 A CN201810017183 A CN 201810017183A CN 108287565 B CN108287565 B CN 108287565B
- Authority
- CN
- China
- Prior art keywords
- collision avoidance
- machine
- time
- rolling
- time window
- 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
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 36
- 210000000349 chromosome Anatomy 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 240000004760 Pimpinella anisum Species 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 description 37
- 230000004888 barrier function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
本发明公开了一种基于滚动窗口的无人机自动避撞方法，属于无人机避撞领域。本发明首先确定滚动时间窗口，在初始时间窗口开始时采集飞行状态信息，根据无人机的飞行信息进行碰撞检测，利用二分法和遗传算法进行避撞时间的估计，建立以避撞机滚转时间、避撞过程总路径、避撞机导引指令为指标的目标函数。本发明采用滚动时间窗口优化策略，在时间窗口初始时通过遗传算法对目标函数寻优求解最优导引指令，且在下一时间窗口开始时根据飞行状态信息的更新再次寻优，实现导引指令的滚动寻优。
Description
技术领域
本发明属于无人机避撞技术领域，具体涉及一种基于滚动窗口的无人机自动避撞方法。
背景技术
随着无人机相关技术的成熟以及人们日益增加的兴趣，无人机在军事、工作、生活中的使用日趋广泛。然而，无人机数量的迅猛增长也导致了安全事故的增加。欧洲航空安全局(EASA)2010-2016年统计报告显示，欧洲范围内的无人机碰撞飞机或险些碰撞事件近1000起，其中有3起已确认为无人机碰撞的事件，并造成不同程度的飞机结构损伤和经济损失。如何防止无人机与有人机之间以及无人机相互之间发生碰撞，已到了刻不容缓的地步。因此，有效的感知与规避技术是当前无人机研究的热点。
在无人机避撞方面的研究，现有的基于最优常值导引指令求解的无人机自动避撞方法求解过程简单且完成了较为准确的避撞时间在线估计，但所求解的导引指令仅为基于初始飞行状态信息的最优常值导引指令，无法随飞行信息的变化而自我修正，且因为在避撞过程中导引指令无法改变，无法对突现障碍物进行自主避撞。
发明内容
针对现有技术中存在的上述技术问题，本发明提出了一种基于滚动窗口的无人机自动避撞方法，设计合理，克服了现有技术的不足，具有良好的效果。
为了实现上述目的，本发明采用如下技术方案：
一种基于滚动窗口的无人机自动避撞方法，包括以下步骤：
步骤1：设定滚动窗口的时间长度；
设定滚动时间窗口的时间节点为t0,t1,t2,...,ti,...，则时间窗口长度
为：
避撞机以滚动窗口的形式对导引指令进行在线更新，设定每个时间窗口的初始计算时间为
其中，tci为计算时间终止时间节点，且
远远小于
在每个时间窗口的计算时间内，把当前避撞机与障碍侵入机的信息作为输入，进行避撞时间估计，对导引指令寻优，并应用于当前时间窗口和下一个时间窗口的计算阶段；随着时间窗口的滚动，通过飞行信息的不断更新，在滚动中实现导引指令优化与修正的结合；
步骤2：基于二分法与遗传算法估计避撞时间T；避撞时间T包括T1和T2两部分；
在每个滚动时间窗口初始计算时间内，首先进行无人机碰撞检测，当检测到两无人机将要发生碰撞时，进行避撞时间估计；避撞机避撞的过程由两个部分组成：第一部分使避撞机在寻优的导引指令引导下滚转以改变航向角，使两无人机的相对速度Vrel(t)追踪到碰撞锥的边界，这段时间称为T1；第二部分为避撞机不再滚转而进入平飞模式，沿着碰撞锥边界追踪避撞点的过程，这段时间称为T2；
步骤3：通过遗传算法求解使得所建立目标函数取最小值的导引指令；
建立包括飞行路径、避撞机滚转时间和导引指令指标的目标函数，利用遗传算法，在每个时间窗口的初始计算时间内根据机载传感器得到的飞行信息，对建立的目标函数寻优求解最小值J，则J对应的导引指令值即为当前时间窗口的最优导引指令，并应用于当前时间窗口和下一个时间窗口的计算阶段，直到下一个时间窗口计算结束；
步骤4：时间窗口滚动判断；
在每个滚动窗口结束时，判断避撞是否完成；
若：判断结果是避撞未完成，则返回步骤2进行下一个时间窗口的计算，实现导引指令滚动寻优；
或判断结果是避撞完成，即避撞机在当前时间窗口内已到达避撞点，则避撞机进入正常飞行模式并飞向目标点，时间窗口停止。
优选地，在步骤2中，具体包括如下步骤：
步骤2.1：采用二分法估计避撞时间T1；具体包括如下步骤：
步骤2.1.1：计算有解区间端点处的适应度函数值；
利用机载传感器获得此时避撞机和障碍侵入机的飞行状态信息，飞行状态信息包括避撞机初始位置(x0,y0)、飞行速度V和航向角ψ(t)，侵入机的位置(xOB,yOB)、速度VOB和航向角ψOB；
取适应度函数：
f(t)＝|ε(t)-θ(t)| (3)；
其中，ε(t)为相对速度方位角ψrel(t)和视线角λ(t)的差值；两无人机相对速度Vrel(t)为：
Vrel(t)＝Vcos(ψrel-ψ(t))+VOBcos(π+ψOB-ψrel(t)) (4)；
相对速度方位角ψrel(t)可由式(5)获得：
两无人机视线角λ(t)为：
θ(t)为碰撞锥的半顶角，可由式(7)获得：
给定有解区间[a,b]，分别计算f(t)在有解区间端点处的值，f(a)和f(b)；
步骤2.1.2：对有解区间进行二分；
计算f(t)在区间中点
处的值
如果
则中点
即是所搜寻的解，计算过程结束；
否则进行判断，若
与f(a)同号，则解位于区间
内，此时将a替换为
若
与f(a)异号，则解位于区间
内，此时将b替换为
步骤2.1.3：解的搜寻；
每次二分后，将取得到的有解区间[ak,bk]的中点
作为解的近似值，则在二分过程中可以获得一个解的近似序列x0,x1,x2,...,xk,...，该序列必以解x*为极限；
则有误差范围：
|x*-xk|≤σ (8)；
反复执行步骤2.1.2，直到区间[ak,bk]长度缩小到允许的误差范围之内，此时区间的中点
即为所搜寻的避撞时间T1；
步骤2.2：采用遗传算法估计避撞时间T2
避撞机与侵入机的相对速度方向在T1时刻已跟踪到碰撞锥的边界，避撞机维持当前的航向角继续追踪避撞点，此时导引指令为0；避撞机沿着碰撞锥的边界平飞直至到达避撞点这段时间T2利用遗传算法求解；具体包括如下步骤：
步骤2.2.1：染色体种群初始化
初始化初始染色体变量，对种群个数M、交叉概率PX、变异概率PM及最大迭代次数MaxGen初始化；根据估计过程获得初始条件，主要包括T1时刻的避撞机的位置(x(T1),y(T1))、避撞机航向角ψT1、侵入机的位置(xOB(T1),yOB(T1))以及侵入机航向角ψOB；
步骤2.2.2：计算每个染色体的适应度
取目标函数：
其中，xT1(t)和yT1(t)为T1时刻后避撞机的位置，
和
为时刻T1后侵入机的位置，可通过式(10)求解；
根据目标函数计算种群内每个个体的目标函数值f1,f2,...,fi,...,fM；
适应度函数：
根据适应度函数将每个个体的目标函数值按降序排列，每个个体的适应度值根据它在排序种群中的位置Pos计算出来，最终目标函数值越小的个体适应度值越大；
步骤2.2.3：选择、交叉、变异并生成下一代染色体群体
选择方法采用轮盘赌博法，根据种群中每个染色体的适应度情况确定该染色体被选择的概率，每个个体被选择的概率与其适应度函数值大小成正比，选择概率公式为：
对于选择操作生成的中间群体，从中随机的选择两个个体，以交叉概率PX判断是否需要进行交叉操作，交叉操作会在个体串中随机生成一个“一点交叉”的交叉位，对交叉位后的基因进行交叉计算，重复这一过程直到中间群体中的所有个体都被选择过；
变异运算是以很小的概率将个体编码串中的某些基因值用其他基因值代替，形成新的个体，对交叉后的中间个体以变异概率PM随机指定某一位基因的值进行变异运算，生成子代群体；
步骤2.2.4：染色体种群更新
对生成的子代群体进行适应度评估，如果子代群体中的最优个体适应度值高于总的最优个体适应度值，则用子代群体中的最优个体替换总的最优个体；若运行到规定最大遗传迭代代数MaxGen或者适应度达到预定的阈值，则算法终止；将此时得到的总的最优染色体编码解码，得到避撞机避撞时间T2。
优选地，在步骤3中，具体包括如下步骤：
步骤3.1：建立包括飞行路径、避撞机滚转时间和导引指令的目标函数：
式中：
避撞机飞行路径由式(15)获得：
其中，α,β,χ为惯性权重，其和为1；以0.1s为采样时间间隔，对避撞机航迹进行离散化，m为离散航迹点之和；导引指令ρ越大，避撞机滚转时间T1越小，避撞机滚转路径越短，平飞路径越长；
为避撞机滚转时间的归一化函数，
为避撞机飞行路径长度的归一化函数，
为避撞机导引指令的归一化函数；
步骤3.2：利用遗传算法，在每个时间窗口初始时根据机载传感器得到的飞行信息，对建立的目标函数寻优求解最小值J：
则J对应的导引指令值即为当前时间窗口的最优导引指令，并应用于当前时间窗口和下一个时间窗口的寻优计算阶段，直到下一个时间窗口计算结束。
以突现固定障碍物为例，滚动时间窗口的存在可有效针对此类突现障碍进行导引指令的修正，确保无人机安全地实现避撞。在t＝tk时刻在避撞机的避撞路径中加入固定障碍物(xSO,ySO)，使避撞机进入对固定障碍物的避撞。利用机载传感器获得飞行状态信息包括避撞机位置(x(tk),y(tk))、飞行速度V和航向角ψ(tk)，根据飞行状态信息得出无人机与固定障碍物的相对距离RT-SO(t)为：
其中，RSO避撞机与固定障碍物的安全距离。在滚动窗口的初始计算时间内，当检测到避撞机与固定障碍物会碰撞时，进行避撞时间估计，并利用遗传算法对所建立的目标函数进行寻优，获得最优导引指令，并应用于当前时间窗口和下一个时间窗口的寻优计算阶段。由于滚动时间窗口的存在，使避撞机随着时间窗口的滚动针对固定障碍物不断更新导引指令，直到完成对固定障碍物的避碰，避撞机继续对侵入机进行避撞，并在时间窗口的滚动中不断更新和修正最优导引指令。
本发明所带来的有益技术效果：
本发明提出的在滚动窗口下的无人机自主避撞方法，利用二分法和遗传算法准确的完成避撞时间估计，求解速度较快且计算方法简单；利用遗传算法对所建立的目标函数进行寻优，在得到最优解的前提下可进一步缩短计算时间；以滚动时间窗口的形式在避撞过程中对最优导引指令进行滚动寻优，通过飞行信息的不断更新，在滚动中实现导引指令优化与修正的结合；以突现固定障碍物为例，滚动时间窗口的存在可有效针对此类突现障碍进行导引指令的修正，确保无人机安全地实现避撞。
附图说明
图1为用于基于滚动窗口的无人机自动避撞方法的流程图。
图2为导引指令滚动寻优示意图。
图3为最优导引指令滚动寻优的避撞机避撞仿真图。
图4为避撞机避撞固定障碍物仿真图。
图5为避撞机导引指令变化曲线图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明：
结合图1至图5，本发明提出了一种基于滚动窗口的无人机自动避撞方法。首先确定滚动时间窗口，在初始时间窗口开始时采集飞行状态信息，根据无人机的飞行状态信息进行碰撞检测，利用二分法和遗传算法进行避撞时间的估计。采用滚动时间窗口优化策略，在时间窗口初始时通过遗传算法对建立的目标函数寻优求解最优导引指令，且在下一时间窗口开始时根据飞行状态信息的更新再次寻优，实现导引指令的滚动寻优。在对侵入机的避撞过程中，避撞机的避撞路径加入突现固定障碍物，避撞机根据传感器获得的目标信息通过滚动窗口更新最优导引指令完成对突现固定障碍物的避碰，避碰完成后通过滚动窗口更新导引指令继续完成对侵入机的避撞。
一种基于滚动窗口的无人机自动避撞方法，其流程如图1所示，具体包括以下步骤：
步骤1：设定滚动窗口的时间长度；
设定滚动时间窗口的时间节点为t0,t1,t2,...,ti,...，则时间窗口长度
为：
避撞机以滚动窗口的形式对导引指令进行在线更新。设定每个时间窗口的初始计算时间为
其中tci为计算时间终止时间节点，且
远远小于
在每个时间窗口的计算时间内，把当前避撞机与障碍(侵入机)的信息作为输入，进行避撞时间估计，对导引指令寻优，并应用于当前时间窗口和下一个时间窗口的计算阶段。随着时间窗口的滚动，通过飞行信息的不断更新，在滚动中实现导引指令优化与修正的结合。
步骤2：基于二分法与遗传算法估计避撞时间；
在每个滚动时间窗口初始计算时间内，首先进行无人机碰撞检测，当检测到两无人机将要发生碰撞时，进行避撞时间估计。避撞机避撞的过程由两个部分组成：第一部分使避撞机在寻优的导引指令引导下滚转以改变航向角，使两无人机的相对速度Vrel(t)追踪到碰撞锥的边界,这段时间称为T1；第二部分为避撞机不再滚转而进入平飞模式，沿着碰撞锥边界追踪避撞点的过程，这段时间称为T2。
因此总的避撞时间T包括两部分；分别采用二分法与遗传算法对两部分避撞时间进行求解。
步骤2.1：基于二分法的避撞时间T1求解；
步骤2.1.1：计算有解区间端点处的适应度函数值
利用机载传感器获得此时避撞机和障碍(侵入机)的飞行状态信息，飞行状态信息包括避撞机初始位置(x0,y0)、飞行速度V和航向角ψ(t)，侵入机的位置(xOB,yOB)、速度VOB和航向角ψOB。
取适应度函数：
f(t)＝|ε(t)-θ(t)| (3)；
其中，ε(t)为相对速度方位角ψrel(t)和视线角λ(t)的差值；两无人机相对速度Vrel(t)为：
Vrel(t)＝Vcos(ψrel-ψ(t))+VOBcos(π+ψOB-ψrel(t)) (4)；
相对速度方位角ψrel(t)可由式(5)获得。
两无人机视线角λ(t)为：
θ(t)为碰撞锥的半顶角，可由式(7)获得。
给定有解区间[a,b]，分别计算f(t)在有解区间端点处的值，f(a)和f(b)。
步骤2.1.2：对有解区间进行二分
计算f(t)在区间中点
处的值
如果
则中点
即是所搜寻的解，计算过程结束。否则进行判断，若
与f(a)同号，则解位于区间
内，此时将a替换为
若
与f(a)异号，则解位于区间
内，此时将b替换为
步骤2.1.3：解的搜寻
每次二分后，取得到的有解区间[ak,bk]的中点
作为解的近似值，则在二分过程中可以获得一个解的近似序列x0,x1,x2,...,xk,...，该序列必以解x*为极限。
则有误差范围：
|x*-xk|≤σ (8)；
反复执行步骤2.1.2，直到区间[ak,bk]长度缩小到允许的误差范围之内，此时区间的中点
即为所搜寻的避撞时间T1。
步骤2.2：基于遗传算法估计避撞时间T2
避撞机与侵入机的相对速度方向在间T1时刻已跟踪到碰撞锥的边界，避撞机维持当前的航向角继续追踪避撞点，此时导引指令为0。避撞机沿着碰撞锥的边界平飞直至到达避撞点这段时间T2利用遗传算法求解。
步骤2.2.1：染色体种群初始化
初始化初始染色体变量，对种群个数M、交叉概率PX、变异概率PM，及最大迭代次数MaxGen初始化。根据估计过程获得初始条件。主要包括T1时刻的避撞机的位置(x(T1),y(T1))、避撞机航向角ψT1、侵入机的位置(xOB(T1),yOB(T1))、侵入机航向角等。
步骤2.2.2：计算每个染色体的适应度
取目标函数：
其中，xT1(t)和yT1(t)为T1时刻后避撞机的位置，
和
为时刻T1后侵入机的位置，可通过式(10)求解。
根据目标函数计算种群内每个个体的目标函数值f1,f2,...,fi,...,fM。
适应度函数：
根据适应度函数将每个个体的目标函数值按降序排列，每个个体的适应度值根据它在排序种群中的位置Pos计算出来，最终目标函数值越小的个体适应度值越大。
步骤2.2.3：选择、交叉、变异并生成下一代染色体群体
选择方法采用轮盘赌博法，根据种群中每个染色体的适应度情况确定该染色体被选择的概率。每个个体被选择的概率与其适应度函数值大小成正比。选择概率公式为：
对于选择操作生成的中间群体，从中随机的选择两个个体，以交叉概率PX判断是否需要进行交叉操作。交叉操作会在个体串中随机生成一个“一点交叉”的交叉位，对交叉位后的基因进行交叉计算，重复这一过程直到中间群体中的所有个体都被选择过。
变异运算是以很小的概率将个体编码串中的某些基因值用其他基因值代替，形成新的个体。对交叉后的中间个体以变异概率PM随机指定某一位基因的值进行变异运算，生成子代群体。
步骤2.2.4：染色体种群更新
对生成的子代群体进行适应度评估，如果子代群体中的最优个体适应度值高于总的最优个体适应度值，则用子代群体中的最好优个体替换总的最优个体。若运行到规定最大遗传(迭代)代数MaxGen或者适应度达到预定的阈值，则算法终止。将此时得到的总的最优染色体编码解码，得到避撞机避撞时间T2。
步骤3：通过遗传算法求解使得所建立目标函数取最小值的导引指令；具体包括如下步骤：
步骤3.1：建立包括飞行路径、避撞机滚转时间和导引指令的目标函数：
式中：
避撞机飞行路径由式(15)获得：
其中，α,β,χ为惯性权重，其和为1；以0.1s为采样时间间隔，对避撞机航迹进行离散化，m为离散航迹点之和；导引指令ρ越大，避撞机滚转时间T1越小，避撞机滚转路径越短，平飞路径越长；
为避撞机滚转时间的归一化函数，
为避撞机飞行路径长度的归一化函数，
为避撞机导引指令的归一化函数。
步骤3.2：利用遗传算法，在每个时间窗口初始时根据机载传感器得到的飞行信息，对建立的目标函数寻优求解最小值J：
则J对应的导引指令值即为当前时间窗口的最优导引指令，并应用于当前时间窗口和下一个时间窗口的寻优计算阶段，直到下一个时间窗口计算结束。
以突现固定障碍物为例，滚动时间窗口的存在可有效针对此类突现障碍进行导引指令的修正，确保无人机安全地实现避撞。在t＝tk时刻在避撞机的避撞路径中加入固定障碍物(xSO,ySO)，使避撞机进入对固定障碍物的避撞。利用机载传感器获得飞行状态信息包括避撞机位置(x(tk),y(tk))、飞行速度V和航向角ψ(tk)，根据飞行状态信息得出无人机与固定障碍物的相对距离RT-SO(t)为：
其中，RSO为避撞机与固定障碍物的安全距离。在滚动窗口的初始计算时间内，当检测到避撞机与固定障碍物会碰撞时，进行避撞时间估计，并利用遗传算法对所建立的目标函数进行寻优，获得最优导引指令，并应用于当前时间窗口和下一个时间窗口的寻优计算阶段。由于滚动时间窗口的存在，使避撞机随着时间窗口的滚动针对固定障碍物不断更新导引指令，直到完成对固定障碍物的避碰，避撞机继续对侵入机进行避撞，并在时间窗口的滚动中不断更新和修正最优导引指令。
步骤4：时间窗口滚动判断；
在每个滚动窗口结束时进行判断。若避撞未完成，则返回步骤2进行下一个时间窗口的计算，实现导引指令滚动寻优。若避撞完成，即避撞机在当前时间窗口内已到达避撞点，避撞机进入正常飞行模式并飞向目标点，时间窗口停止。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (3)
1.一种基于滚动窗口的无人机自动避撞方法，其特征在于，包括以下步骤：
步骤1：设定滚动窗口的时间长度；
设定滚动时间窗口的时间节点为t0,t1,t2,...,ti,...，则时间窗口长度
为：
避撞机以滚动窗口的形式对导引指令进行在线更新，设定每个时间窗口的初始计算时间为
其中，tci为计算时间终止时间节点，且
远远小于
在每个时间窗口的计算时间内，把当前避撞机与障碍侵入机的信息作为输入，进行避撞时间估计，对导引指令寻优，并应用于当前时间窗口和下一个时间窗口的计算阶段；随着时间窗口的滚动，通过飞行信息的不断更新，在滚动中实现导引指令优化与修正的结合；
步骤2：基于二分法与遗传算法估计避撞时间T；避撞时间T包括T1和T2两部分；
在每个滚动时间窗口初始计算时间内，首先进行无人机碰撞检测，当检测到两无人机将要发生碰撞时，进行避撞时间估计；避撞机避撞的过程由两个部分组成：第一部分使避撞机在寻优的导引指令引导下滚转以改变航向角，使两无人机的相对速度Vrel(t)追踪到碰撞锥的边界，这段时间称为T1；第二部分为避撞机不再滚转而进入平飞模式，沿着碰撞锥边界追踪避撞点的过程，这段时间称为T2；
步骤3：通过遗传算法求解使得所建立目标函数取最小值的导引指令；
建立包括飞行路径、避撞机滚转时间和导引指令指标的目标函数，利用遗传算法，在每个时间窗口的初始计算时间内根据机载传感器得到的飞行信息，对建立的目标函数寻优求解最小值J，则J对应的导引指令值即为当前时间窗口的最优导引指令，并应用于当前时间窗口和下一个时间窗口的计算阶段，直到下一个时间窗口计算结束；
步骤4：时间窗口滚动判断；
在每个滚动窗口结束时，判断避撞是否完成；
若：判断结果是避撞未完成，则返回步骤2进行下一个时间窗口的计算，实现导引指令滚动寻优；
或判断结果是避撞完成，即避撞机在当前时间窗口内已到达避撞点，则避撞机进入正常飞行模式并飞向目标点，时间窗口停止。
2.根据权利要求1所述的基于滚动窗口的无人机自动避撞方法，其特征在于，在步骤2中，具体包括如下步骤：
步骤2.1：采用二分法估计避撞时间T1；具体包括如下步骤：
步骤2.1.1：计算有解区间端点处的适应度函数值；
利用机载传感器获得此时避撞机和障碍侵入机的飞行状态信息，飞行状态信息包括避撞机初始位置(x0,y0)、飞行速度V和航向角ψ(t)，侵入机的位置(xOB,yOB)、速度VOB和航向角ψOB；
取适应度函数：
f(t)＝|ε(t)-θ(t)| (3)；
其中，ε(t)为相对速度方位角ψrel(t)和视线角λ(t)的差值；两无人机相对速度Vrel(t)为：
Vrel(t)＝Vcos(ψrel-ψ(t))+VOBcos(π+ψOB-ψrel(t)) (4)；
相对速度方位角ψrel(t)可由式(5)获得：
两无人机视线角λ(t)为：
θ(t)为碰撞锥的半顶角，可由式(7)获得：
给定有解区间[a,b]，分别计算f(t)在有解区间端点处的值，f(a)和f(b)；
步骤2.1.2：对有解区间进行二分；
计算f(t)在区间中点
处的值
如果
则中点
即是所搜寻的解，计算过程结束；
否则进行判断，若
与f(a)同号，则解位于区间
内，此时将a替换为
若
与f(a)异号，则解位于区间
内，此时将b替换为
步骤2.1.3：解的搜寻；
每次二分后，将取得到的有解区间[ak,bk]的中点
作为解的近似值，则在二分过程中可以获得一个解的近似序列x0,x1,x2,...,xk,...，该序列必以解x*为极限；
则有误差范围：
|x*-xk|≤σ (8)；
反复执行步骤2.1.2，直到区间[ak,bk]长度缩小到允许的误差范围之内，此时区间的中点
即为所搜寻的避撞时间T1；
步骤2.2：采用遗传算法估计避撞时间T2
避撞机与侵入机的相对速度方向在T1时刻已跟踪到碰撞锥的边界，避撞机维持当前的航向角继续追踪避撞点，此时导引指令为0；避撞机沿着碰撞锥的边界平飞直至到达避撞点这段时间T2利用遗传算法求解；具体包括如下步骤：
步骤2.2.1：染色体种群初始化
初始化初始染色体变量，对种群个数M、交叉概率PX、变异概率PM及最大迭代次数MaxGen初始化；根据估计过程获得初始条件，主要包括T1时刻的避撞机的位置(x(T1),y(T1))、避撞机航向角ψT1、侵入机的位置(xOB(T1),yOB(T1))以及侵入机航向角ψOB；
步骤2.2.2：计算每个染色体的适应度
取目标函数：
其中，xT1(t)和yT1(t)为T1时刻后避撞机的位置，
和
为时刻T1后侵入机的位置，可通过式(10)求解；
根据目标函数计算种群内每个个体的目标函数值f1,f2,...,fi,...,fM；
适应度函数：
根据适应度函数将每个个体的目标函数值按降序排列，每个个体的适应度值根据它在排序种群中的位置Pos计算出来，最终目标函数值越小的个体适应度值越大；
步骤2.2.3：选择、交叉、变异并生成下一代染色体群体
选择方法采用轮盘赌博法，根据种群中每个染色体的适应度情况确定该染色体被选择的概率，每个个体被选择的概率与其适应度函数值大小成正比，选择概率公式为：
对于选择操作生成的中间群体，从中随机的选择两个个体，以交叉概率PX判断是否需要进行交叉操作，交叉操作会在个体串中随机生成一个“一点交叉”的交叉位，对交叉位后的基因进行交叉计算，重复这一过程直到中间群体中的所有个体都被选择过；
变异运算是以很小的概率将个体编码串中的某些基因值用其他基因值代替，形成新的个体，对交叉后的中间个体以变异概率PM随机指定某一位基因的值进行变异运算，生成子代群体；
步骤2.2.4：染色体种群更新
对生成的子代群体进行适应度评估，如果子代群体中的最优个体适应度值高于总的最优个体适应度值，则用子代群体中的最优个体替换总的最优个体；若运行到规定最大遗传迭代代数MaxGen或者适应度达到预定的阈值，则算法终止；将此时得到的总的最优染色体编码解码，得到避撞机避撞时间T2。
3.根据权利要求1所述的基于滚动窗口的无人机自动避撞方法，其特征在于，在步骤3中，具体包括如下步骤：
步骤3.1：建立包括飞行路径、避撞机滚转时间和导引指令的目标函数：
式中：
避撞机飞行路径由式(15)获得：
其中，α,β,χ为惯性权重，其和为1；以0.1s为采样时间间隔，对避撞机航迹进行离散化，m为离散航迹点之和；导引指令ρ越大，避撞机滚转时间T1越小，避撞机滚转路径越短，平飞路径越长；
为避撞机滚转时间的归一化函数，
为避撞机飞行路径长度的归一化函数，
为避撞机导引指令的归一化函数；
步骤3.2：利用遗传算法，在每个时间窗口初始时根据机载传感器得到的飞行信息，对建立的目标函数寻优求解最小值J：
则J对应的导引指令值即为当前时间窗口的最优导引指令，并应用于当前时间窗口和下一个时间窗口的寻优计算阶段，直到下一个时间窗口计算结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810017183.6A CN108287565B (zh) | 2018-01-09 | 2018-01-09 | 一种基于滚动窗口的无人机自动避撞方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810017183.6A CN108287565B (zh) | 2018-01-09 | 2018-01-09 | 一种基于滚动窗口的无人机自动避撞方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108287565A CN108287565A (zh) | 2018-07-17 |
| CN108287565B true CN108287565B (zh) | 2020-09-04 |
Family
ID=62835109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810017183.6A Active CN108287565B (zh) | 2018-01-09 | 2018-01-09 | 一种基于滚动窗口的无人机自动避撞方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108287565B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109765890B (zh) * | 2019-01-14 | 2022-07-29 | 哈尔滨工程大学 | 一种基于遗传算法的多usv群体协同避碰规划方法 |
| CN111932951A (zh) * | 2020-07-20 | 2020-11-13 | 中国电子科技集团公司第二十八研究所 | 一种基于滚动时域控制的航空器冲突管理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001078951A1 (en) * | 2000-04-13 | 2001-10-25 | Zhimin Lin | Semi-optimal path finding in a wholly unknown environment |
| CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
| CN105717942A (zh) * | 2016-01-31 | 2016-06-29 | 中国人民解放军海军航空工程学院 | 一种无人飞行器空间避障方法及相关路径在线规划方法 |
| CN106949894A (zh) * | 2017-04-13 | 2017-07-14 | 山东科技大学 | 一种用于无人机自动避撞的最优常值导引指令求解方法 |
| CN106956260A (zh) * | 2017-03-31 | 2017-07-18 | 浙江大学 | 一种多关节机械臂平面蛇形轨迹运动的逆运动学求解方法 |
-
2018
- 2018-01-09 CN CN201810017183.6A patent/CN108287565B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001078951A1 (en) * | 2000-04-13 | 2001-10-25 | Zhimin Lin | Semi-optimal path finding in a wholly unknown environment |
| CN103605368A (zh) * | 2013-12-04 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种动态未知环境中路径规划方法及装置 |
| CN105717942A (zh) * | 2016-01-31 | 2016-06-29 | 中国人民解放军海军航空工程学院 | 一种无人飞行器空间避障方法及相关路径在线规划方法 |
| CN106956260A (zh) * | 2017-03-31 | 2017-07-18 | 浙江大学 | 一种多关节机械臂平面蛇形轨迹运动的逆运动学求解方法 |
| CN106949894A (zh) * | 2017-04-13 | 2017-07-14 | 山东科技大学 | 一种用于无人机自动避撞的最优常值导引指令求解方法 |
Non-Patent Citations (3)
| Title |
|---|
| In-flight initial alignment for small UAV MEMS-based navigation via adaptive unscented Kalman filtering approach;WangDingjie等;《Aerospace Science and Technology》;20170228;第61卷;第73-84页 * |
| 基于遗传改进协调场的移动机器人避障策略;张捍东,等;《系统仿真学报》;20071231;第19卷(第24期);第5742-5746页 * |
| 多UCAV动态协同任务规划建模与滚动优化方法研究;霍霄华;《中国博士学位论文全文数据库信息科技辑》;20090730(第07(2009)期);第I138-130页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108287565A (zh) | 2018-07-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3255371B1 (en) | Aircraft control device, aircraft, and method for computing aircraft trajectory | |
| CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
| CN105426970B (zh) | 一种基于离散动态贝叶斯网络的气象威胁评估方法 | |
| WO2018176595A1 (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
| CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
| CN111044052B (zh) | 一种基于智能感知的无人机自适应导航系统及方法 | |
| CN111256682B (zh) | 不确定条件下的无人机群路径规划方法 | |
| CN110597264A (zh) | 无人机反制系统 | |
| CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
| CN108287565B (zh) | 一种基于滚动窗口的无人机自动避撞方法 | |
| CN111811513B (zh) | 一种多无人机协同覆盖及避障的航迹规划方法 | |
| CN110793522B (zh) | 一种基于蚁群算法的航迹规划方法 | |
| US8831793B2 (en) | Evaluation tool for vehicle survivability planning | |
| KR20160048530A (ko) | 자율 이동 차량의 경로 생성 방법 및 경로 생성 장치 | |
| CN114967732A (zh) | 有人无人机编队集结方法、装置、计算机设备和存储介质 | |
| CN107272736B (zh) | 一种基于鸽子被动式避障飞行的无人机避障导引方法 | |
| CN113126647B (zh) | 一种基于领导者跟追随者原理的协同制导方法 | |
| CN114355987B (zh) | 一种基于弹性重要度的无人机编队重构方法 | |
| Li et al. | A deep learning-based approach to time-coordination entry guidance for multiple hypersonic vehicles | |
| CN116048126A (zh) | 一种基于abc快速收敛的无人机实时路径规划方法 | |
| CN106950833B (zh) | 基于改进pio算法的卫星姿态动态规划方法 | |
| Lee et al. | Real‐time collision‐free landing path planning for drone deliveries in urban environments | |
| Qi et al. | Detection and tracking of a moving target for UAV based on machine vision | |
| CN114578846A (zh) | 一种基于机动检测排序的agimm跟踪方法 | |
| DeLima et al. | Toward developing an optimal cooperative search algorithm for multiple unmanned aerial vehicles |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20180717 Assignee: Rongcheng Huide Environmental Protection Technology Co.,Ltd. Assignor: Shandong University of Science and Technology Contract record no.: X2021370010028 Denomination of invention: An automatic collision avoidance method for UAV Based on rolling window Granted publication date: 20200904 License type: Exclusive License Record date: 20210729 |