CN108387232B - 基于人工势场的进化算法的飞行物航迹规划方法 - Google Patents

基于人工势场的进化算法的飞行物航迹规划方法 Download PDF

Info

Publication number
CN108387232B
CN108387232B CN201810087507.3A CN201810087507A CN108387232B CN 108387232 B CN108387232 B CN 108387232B CN 201810087507 A CN201810087507 A CN 201810087507A CN 108387232 B CN108387232 B CN 108387232B
Authority
CN
China
Prior art keywords
track
point
points
value
potential field
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
Application number
CN201810087507.3A
Other languages
English (en)
Other versions
CN108387232A (zh
Inventor
甄然
吴学礼
甄士博
李素康
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.)
Hebei Wangxin Digital Technology Co ltd
Original Assignee
Hebei University of Science and 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 Hebei University of Science and Technology filed Critical Hebei University of Science and Technology
Priority to CN201810087507.3A priority Critical patent/CN108387232B/zh
Publication of CN108387232A publication Critical patent/CN108387232A/zh
Application granted granted Critical
Publication of CN108387232B publication Critical patent/CN108387232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明提供一种基于人工势场的进化算法的飞行物航迹规划方法，通过分别进化航迹点，并通过人工势场在各个航迹点之间增加间隔点，可以更好地利用指导进化，得到更高的质量航迹点。经过实际能力验证，在复杂的山地场景中，本发明在有效性和效率上均较现有的独立航迹点进化算法具有明显优势。

Description

基于人工势场的进化算法的飞行物航迹规划方法
技术领域
本发明涉及飞行物自主避险技术领域，具体涉及一种基于人工势场的进化算法的飞行物航迹规划方法。
背景技术
基于进化算法的路径规划在无人机的航迹规划中通常比其他方法更灵活和有效。一方面，算法具有非常强大的全局搜索能力，增强效率；另一方面，算法本身不需要耗费时间去构建空间，可以避免陷入局部最优。独立航迹点微分进化算法是进化算法的一种变形，将传统的微分进化算法由整条航迹进化改进为航迹点进化，提高了进化效率。
航迹点独立进化算法，是新型微分进化算法。在无人机航迹规划问题时，大多数常用的目标和约束函数是将航迹点独立看待的。由于规划出的无障碍路径的实际注意点就是几何问题，由航迹点产生的点、线和角度,可以直接地分解进化这些函数，那么新的约束函数可以在改进原函数的基础上获得。在这种情况下，高质量的航迹点可以提高整个备选路径的质量。如图1所示，为现有的航迹点进化方法的实现流程图：具体地说，在第j条路径上的航迹点按升序排序进化，即第(i+1)个航迹点将在第i个之后进化，i＝2,3,...Nw-1。对于第j条路径上的第i个航迹点，对于它的后代是由所有之前迭代而得到的航迹上第i个航迹点进化得到的,i＝2,3,...Nw-1j＝2,3,...Np。通过这种方式，可以明显的改善目前第i个航迹点的质量。产生新的后代后，它被要求与上一代竞争，表现更好的航迹点将会留下来。为了评估航迹点，一系列源于微分算法常用函数新的评价函数被引用过来。每一个航迹点的交叉变异操作是由进化算法的变形微分算法来完成。在每一次迭代中执行一次。理想情况下，其可在任时候执行，记为N，N越大航迹点获得的信息量就越大，可以使用和产生更好质量的航迹点。然而，N的大小具有两面性，信息量越大计算量也就变大。
然而，现有的航迹规划方法中，所采用的进化算法大多的改进方式，都是以航迹点与航迹点之间的直线连线为基础。当在为一个无人机设计路径时，很多重要的因素需要被考虑进去，比如无人机的可操作性，任务空间的环境，安全性和路径的成本。这些因素即在目标方程中被找到，或者在路径必须遵守的约束方程中找到。但是，航迹点与航迹点直接相连的方法，对于航迹的平滑性影响很大。航迹点越多路径越平滑。但是航迹点数量增多，计算量也在增大。
发明内容
为解决现有技术存在的不足，提供一种不增加计算量而使飞行物航迹变平滑的方法，本发明提供了一种基于人工势场的进化算法的飞行物航迹规划方法，包括如下步骤：
步骤S1：初始化多个航迹点，并在多个航迹点的基础上初始化Np条航迹线，每条航迹线上具有相同数量的Nw个航迹点；
步骤S2：初始化第一个迭代周期的每条航迹线第一个航迹点的交叉操作的自适应参数μCR j,1(1)及变异操作的自适应参数μF j,1(1)；并初始化第一个迭代周期中CR和F的理想值SCR(1)和SF(1)；其中，j代表每个航迹点，其值介于2至Np；
步骤S3：自适应生成每条航迹线第一个航迹点的CR值和F值；
步骤S4：从当前迭代周期t中的所有航迹点中，选择前q％好的航迹点对应的航迹线，并从这些航迹线中随机选取一条
Figure GDA0002956317980000031
同时，再随机选取两条航迹线
Figure GDA0002956317980000032
和
Figure GDA0002956317980000033
其中，
Figure GDA0002956317980000034
及
Figure GDA0002956317980000035
属于三条不同的航迹线；
步骤S5：根据下述公式,对
Figure GDA0002956317980000036
及
Figure GDA0002956317980000037
之外的所有航迹线上的所有航迹点
Figure GDA0002956317980000038
生成一个潜在航迹点
Figure GDA0002956317980000039
Figure GDA00029563179800000310
其中，i代表航迹点，其值介于2至Nw；j代表航迹线，其值介于2至Np；
Figure GDA00029563179800000311
及
Figure GDA00029563179800000312
分别代表航迹线
Figure GDA00029563179800000313
及
Figure GDA00029563179800000314
上对应的航迹点；每条航迹线上，各航迹点的μCR j,i(t)及对应的F值随航迹点的不同也进行相应更新；
步骤S6：生成mrand＝randint(1,3)，构建一个中间航迹点
Figure GDA00029563179800000315
对于m∈(1,3)，如果满足m＝mrand或rand(0,1)<CR中的任一项，则
Figure GDA00029563179800000316
否则
Figure GDA00029563179800000317
其中，mrand＝randint(1,3)表示从1、2或3中随机选择一个数值，rand(0,1)<CR表示从0到1之间随机选择一个数值；m表示航迹点
Figure GDA00029563179800000318
在xyz轴坐标上的适应值；
步骤S7：根据下述规则，确定下一次迭代周期中相应航迹线上的航迹点：
如果
Figure GDA00029563179800000319
则
Figure GDA00029563179800000320
否则
Figure GDA00029563179800000321
之后，CR→SCR(t),F→SF(t)
CR→SCR(t),F→SF(t)表示记录成功进化后CR和F的值，并从中得到CR和F的理想值SCR(t)及SF(t)；
步骤S8：根据下述公式，计算下一个迭代周期的每个航迹点交叉操作的自适应参数μCR i(t+1)及变异操作的自适应参数μF i(t+1)：
μCR j,i(t+1)＝(1-c)μCR j,i(t)+c﹒meanA[SCR(t)]；
μF j,i(t+1)＝(1-c)μF j,i(t)+c﹒meanL[SF(t)]；
并且，自适应生成下一个迭代周期各航迹点的CR值和F值；
其中，meanA[SCR(t)]和meanL[SF(t)]分别表示上一个迭代周期中，多个CR的理想值的平均值，以及多个F的理想值的平均值；
步骤S9：重复步骤S4至步骤S9，依次完成所有迭代周期的航迹点及航迹线更新，以从最终的航迹线中选择最佳航线；
步骤S10：在每条航迹线的相邻航迹点之间均匀划分多个间隔点。
其中，所述步骤S3中，CR值和F值的生成方法分别为：
CR＝rand(μCR i,d)；
F＝rand(μF i,d)；
其中，rand(μCR i,d)表示在多个μCR i服从高斯分布，且其标准偏差为d的情况下随机生成CR值；rand(μF i,d)表示在多个μF i服从柯西分布，且其标准偏差为d的情况下随机生成F值。
其中，所述步骤S7的
Figure GDA0002956317980000041
中，函数的计算公式为：
Figure GDA0002956317980000042
其中，
Figure GDA0002956317980000051
及
Figure GDA0002956317980000052
分别表示航迹点
Figure GDA0002956317980000053
或航迹点
Figure GDA0002956317980000054
在三个坐标轴上的分量；
Figure GDA0002956317980000055
及
Figure GDA0002956317980000056
分别表示航迹点
Figure GDA0002956317980000057
在三个坐标轴上的分量；
Figure GDA0002956317980000058
及
Figure GDA0002956317980000059
分别表示航迹点
Figure GDA00029563179800000510
在三个坐标轴上的分量。
其中，所述步骤S10中，航迹点
Figure GDA00029563179800000511
及
Figure GDA00029563179800000512
间的间隔点的坐标轴计算公式为：
Figure GDA00029563179800000513
Figure GDA00029563179800000514
Figure GDA00029563179800000515
其中，
Figure GDA00029563179800000516
及
Figure GDA00029563179800000517
分别表示航迹点
Figure GDA00029563179800000518
的三维坐标分量，
Figure GDA00029563179800000519
Figure GDA00029563179800000520
及
Figure GDA00029563179800000521
分别表示航迹点
Figure GDA00029563179800000522
的三维坐标分量，Nd表示航迹点
Figure GDA00029563179800000523
与航迹点
Figure GDA00029563179800000524
之间的间隔点总数；
Figure GDA00029563179800000525
及
Figure GDA00029563179800000526
分别表示航迹点
Figure GDA00029563179800000527
与航迹点
Figure GDA00029563179800000528
之间第n个间隔点的三维坐标分量；
Figure GDA00029563179800000529
及
Figure GDA00029563179800000530
分别代表第Nd个间隔点受到的力在x轴及y轴上的分量；
Figure GDA00029563179800000531
及
Figure GDA00029563179800000532
分别代表航迹点
Figure GDA00029563179800000533
受到的力在x轴及y轴上的分量；
Figure GDA0002956317980000061
及
Figure GDA0002956317980000062
分别代表航迹点
Figure GDA0002956317980000063
受到的力在x轴及y轴上的分量。
其中，
Figure GDA0002956317980000064
及
Figure GDA0002956317980000065
的确定方法为：
Figure GDA0002956317980000066
Figure GDA0002956317980000067
其中，
Figure GDA0002956317980000068
为第Nd个间隔点受到的力，θ为第Nd个间隔点受到的力与x轴的夹角；
Figure GDA0002956317980000069
及
Figure GDA00029563179800000610
的确定方法为：
Figure GDA00029563179800000611
Figure GDA00029563179800000612
其中，
Figure GDA00029563179800000613
为航迹点
Figure GDA00029563179800000614
受到的力，θ为航迹点
Figure GDA00029563179800000615
受到的力与x轴的夹角；
Figure GDA00029563179800000616
及
Figure GDA00029563179800000617
的确定方法为：
Figure GDA00029563179800000618
Figure GDA00029563179800000619
其中，
Figure GDA00029563179800000620
为航迹点
Figure GDA00029563179800000621
受到的力，θ为航迹点
Figure GDA00029563179800000622
受到的力与x轴的夹角。
其中，
Figure GDA0002956317980000071
或
Figure GDA0002956317980000072
的确定方法为：
Ftotal(X)＝Fatt(X)+Frep(X)；
其中，X表示航迹点
Figure GDA0002956317980000073
或
Figure GDA0002956317980000074
或这两个航迹点之间的第Nd个间隔点；
Fatt(X)为该点的吸引力，Frep(X)为该点的斥力。
其中，所述Fatt(X)的确定方法为：
Fatt(X)＝-▽Uatt(X)＝-▽Katt(X)|X-Xq|；
其中，Uatt(X)表示对应的X点的吸引力势场，Katt(X)为对应的X点的势场系数，|X-Xq|为对应的X点与目标点的直线距离；▽Uatt(X)和▽Katt(X)分别代表X点的吸引力势场和势场系数的微积分。
其中，所述Frep(X)的确定方法为：
若|X-X0|≤ρ0，则
Figure GDA0002956317980000075
若|X-X0|>ρ0，则
Frep(X)＝-▽Urep(X)＝0；
其中，Urep(X)表示对应的X点的斥力势场，ρ0为禁飞的安全距离，|X-X0|为对应的X点与障碍物X0之间的直线距离；
▽Urep(X)X点的斥力势场的微积分。
其中，所述步骤S10中，在寻找最佳航线时，同时需要考虑飞行物的最小被击落风险、最小被雷达发现的风险、最小的飞行高度、最大转向点、坡度限制、区域航迹点的限制以及航迹点的约束。
其中，
Figure GDA0002956317980000081
其中，如果dis≤RKmax，则
Figure GDA0002956317980000082
否则，
Figure GDA0002956317980000083
其中，m表示导弹的数目，dis表示间隔点与导弹的距离，RKmax表示飞行物被击落的风险概率。
其中，
Figure GDA0002956317980000084
其中，如果dis≤RDmax，则
Figure GDA0002956317980000085
否则，
Figure GDA0002956317980000086
其中，m表示雷达的数目，dis表示间隔点与雷达的距离，RDmax表示飞行物最小被发现概率。
其中，最大转向点的寻找公式为：
Figure GDA0002956317980000087
本发明提供的基于人工势场的进化算法的飞行物航迹规划方法，通过分别进化航迹点，可以更好地利用指导进化，得到更高的质量航迹点。经过实际能力验证，在复杂的山地场景中，本发明在有效性和效率上均较现有的独立航迹点进化算法具有明显优势。
附图说明
图1：现有的航迹点进化方法的实现流程图；
图2：本发明中多个航迹点之间的二维路径示意图；
图3：本发明的场景仿真图；
图4：现有的航迹点独立进化的微分算法的仿真图；
图5：本发明的基于人工势场法引导的独立航迹点进化算法的仿真图。
附图标记说明
10 航迹点
20 间隔点
30 障碍物
具体实施方式
为了对本发明的技术方案及有益效果有更进一步的了解，下面结合附图详细说明本发明的技术方案及其产生的有益效果。
一、技术方案
如何将提出的算法在进化算法中选择进化，在现有的方法中，再生、选择与表示相互是独立的，直接地说，任何再生策略都可以被用来去进化，本发明中，采用进化算法的变形——微分算法，去进化航迹点。微分进化有着与进化算法相同的框架结构，本发明中，通过不同的交叉操作，创造出实验向量，具体的，通过增加两个不同权重的向量到第三个中去交叉。
本发明提供的基于人工势场的进化算法的飞行物航迹规划方法，包括如下步骤：
步骤S1：初始化多个航迹点，并在多个航迹点的基础上初始化Np条航迹线，每条航迹线上具有相同数量的Nw个航迹点。
步骤S2：初始化第一个迭代周期的每个航迹点更新CR值的的自适应参数μCR j,1(1)及更新F值的自适应参数μF j,1(1)，即交叉操作及变异操作的自适应参数；并初始化CR和F的理想值SCR(1)和SF(1)；其中，j代表每个航迹点，其值介于2至Np；
步骤S3：根据下述公式自适应生成CR值和F值：
CR＝rand(μCR i,d)；
F＝rand(μF i,d)；
其中，rand(μCR i,d)表示在多个μCR i服从高斯分布，且其标准偏差为d的情况下随机生成CR值；rand(μF i,d)表示在多个μF i服从柯西分布，且其标准偏差为d的情况下随机生成F值。
步骤S4：从当前迭代周期t中的所有航迹点中，选择前q％好的航迹点对应的航迹线，并从这些航迹线中随机选取一条
Figure GDA0002956317980000101
同时，再随机选取两条航迹线
Figure GDA0002956317980000102
和
Figure GDA0002956317980000103
其中，
Figure GDA0002956317980000104
及
Figure GDA0002956317980000105
属于三条不同的航迹线。
也即，
Figure GDA0002956317980000106
是从前q％的优秀路径中选择出来的，q值从5-20中选择，严格来说，被选择出的航迹线
Figure GDA0002956317980000107
可能不是航迹点
Figure GDA0002956317980000108
产生后代最好的参考，这是因为
Figure GDA0002956317980000109
称为的良好行为在路径不同于j路径行为良好的航迹点。但在早起的搜索阶段，候选路径非常多样化，虽然航迹点
Figure GDA00029563179800001010
和到
Figure GDA00029563179800001011
的质量不能被认证，但
Figure GDA00029563179800001012
至少在良好的位置。这个阶段可以被视为粗调，随着优化的继续，航迹点的位置将逐渐收敛，候选人路径将彼此接近。在这个阶段，这些信息
Figure GDA00029563179800001013
可以用来微调的航迹点，种突变的结构逐步驱动找到最优航迹。
步骤S5：根据下述公式,对
Figure GDA0002956317980000111
及
Figure GDA0002956317980000112
之外的所有航迹线上的所有航迹点
Figure GDA0002956317980000113
生成一个潜在航迹点
Figure GDA0002956317980000114
Figure GDA0002956317980000115
其中，i代表航迹点，其值介于2至Nw；j代表航迹线，其值介于2至Np；
Figure GDA0002956317980000116
及
Figure GDA0002956317980000117
分别代表航迹线
Figure GDA0002956317980000118
及
Figure GDA0002956317980000119
上对应的航迹点。
步骤S6：生成mrand＝randint(1,3)，构建一个中间航迹点
Figure GDA00029563179800001110
对于m∈(1,3)，如果满足m＝mrand或rand(0,1)<CR中的任一项，则
Figure GDA00029563179800001111
否则
Figure GDA00029563179800001112
步骤S7：根据下述规则，确定下一次迭代周期中相应航迹线上的航迹点：
如果
Figure GDA00029563179800001113
则
Figure GDA00029563179800001114
否则
Figure GDA00029563179800001115
并且，CR→SCR i(t),F→SF i(t)
CR→SCR(t),F→SF(t)表示记录成功进化后CR和F的值，并从中得到CR和F的理想值SCR(t)及SF(t)；比较函数的确定公式如下：
Figure GDA00029563179800001116
其中，
Figure GDA00029563179800001117
及
Figure GDA00029563179800001118
分别表示航迹点
Figure GDA00029563179800001119
或航迹点
Figure GDA00029563179800001120
在三个坐标轴上的分量；
Figure GDA00029563179800001121
及
Figure GDA00029563179800001122
分别表示航迹点
Figure GDA00029563179800001123
在三个坐标轴上的分量；
Figure GDA00029563179800001124
及
Figure GDA00029563179800001125
分别表示航迹点
Figure GDA00029563179800001126
在三个坐标轴上的分量。
也即，通过步骤S6到步骤S8的交叉操作、评估排名，使先前路径和后代路标进行竞争，留下更好的航迹点。SCR i(t)及SF i(t)记录成功繁殖的CR和F值，保证后代表现比上一代好。
步骤S8：根据下述公式，计算下一个迭代周期的每个航迹点交叉操作的自适应参数μCR i(t+1)及变异操作的自适应参数μF i(t+1)：
μCR j,i(t+1)＝(1-c)μCR j,i(t)+c﹒meanA[SCR(t)]；
μF j,i(t+1)＝(1-c)μF j,i(t)+c﹒meanL[SF(t)]；
更新完后，下一个迭代周期的CR值和F值会自适应生成；
Figure GDA0002956317980000121
发明人研究发现，c值的范围在0.05至0.2之间内，效果明显，在本发明中，c值可以设为0.1。
步骤S9：重复步骤S4至步骤S9，依次完成所有迭代周期的航迹点及航迹线更新，以从最终的航迹线中选择最佳航线。
步骤S10：在每条航迹线的相邻航迹点之间均匀划分多个间隔点。
步骤S10为本发明的核心点，按照人工势场的理论，将各个航迹点之间的线段均匀分成多段，从而在不增加计算量的情况下使所规划的路径更平滑；
航迹点
Figure GDA0002956317980000122
及
Figure GDA0002956317980000123
间的间隔点的坐标轴计算公式为：
Figure GDA0002956317980000124
Figure GDA0002956317980000125
Figure GDA0002956317980000126
其中，
Figure GDA0002956317980000131
及
Figure GDA0002956317980000132
分别表示航迹点
Figure GDA0002956317980000133
的三维坐标分量，
Figure GDA0002956317980000134
Figure GDA0002956317980000135
及
Figure GDA0002956317980000136
分别表示航迹点
Figure GDA0002956317980000137
的三维坐标分量，Nd表示航迹点
Figure GDA0002956317980000138
与航迹点
Figure GDA0002956317980000139
之间的间隔点总数；
Figure GDA00029563179800001310
及
Figure GDA00029563179800001311
分别表示航迹点
Figure GDA00029563179800001312
与航迹点
Figure GDA00029563179800001313
之间第n个间隔点的三维坐标分量；
Figure GDA00029563179800001314
及
Figure GDA00029563179800001315
分别代表第Nd个间隔点受到的力在x轴及y轴上的分量；
Figure GDA00029563179800001316
及
Figure GDA00029563179800001317
分别代表航迹点
Figure GDA00029563179800001318
受到的力在x轴及y轴上的分量；
Figure GDA00029563179800001319
及
Figure GDA00029563179800001320
分别代表航迹点
Figure GDA00029563179800001321
受到的力在x轴及y轴上的分量。
其中，
Figure GDA00029563179800001322
Figure GDA00029563179800001323
为第Nd个间隔点受到的力，θ为第Nd个间隔点受到的力与x轴的夹角。
其中，
Figure GDA00029563179800001324
Figure GDA00029563179800001325
为航迹点
Figure GDA00029563179800001326
受到的力，θ为航迹点
Figure GDA00029563179800001327
受到的力与x轴的夹角。
其中，
Figure GDA00029563179800001328
Figure GDA00029563179800001329
为航迹点
Figure GDA00029563179800001330
受到的力，θ为航迹点
Figure GDA00029563179800001331
受到的力与x轴的夹角。
Figure GDA0002956317980000141
或
Figure GDA0002956317980000142
的确定方法为：
Ftotal(X)＝Fatt(X)+Frep(X)；
其中，X表示航迹点
Figure GDA0002956317980000143
或
Figure GDA0002956317980000144
或这两个航迹点之间的第Nd个间隔点；
Fatt(X)为该点的吸引力，Frep(X)为该点的斥力。
所述Fatt(X)的确定方法为：
Fatt(X)＝-▽Uatt(X)＝-▽Katt(X)|X-Xq|；
其中，Uatt(X)表示对应的X点的吸引力势场，Katt(X)为对应的X点的势场系数，|X-Xq|为对应的X点与目标点的直线距离。▽Uatt(X)和▽Katt(X)分别代表X点的吸引力势场和势场系数的微积分。
所述Frep(X)的确定方法为：
若|X-X0|≤ρ0，则
Figure GDA0002956317980000145
若|X-X0|>ρ0，则
Frep(X)＝-▽Urep(X)＝0；
其中，Urep(X)表示对应的X点的斥力势场，ρ0为禁飞的安全距离，|X-X0|为对应的X点与障碍物X0之间的直线距离。▽Urep(X)X点的斥力势场的微积分。
图2为本发明中多个航迹点之间的二维路径示意图，如图所示，发明人设置每两个航迹点10之间的间隔点20数量为2，相对于没有间隔点20的航迹线，在考虑到间隔点20的情况下，航迹线更加平滑，可以完美避开障碍物30，而且当间隔点20加入的越多，航迹越平滑。
在寻找最佳航线时，同时需要考虑飞行物的最小被击落风险、最小被雷达发现的风险、最小的飞行高度、最大转向点、坡度限制、区域航迹点的限制以及航迹点的约束。
具体的，
Figure GDA0002956317980000151
其中，如果dis≤PKmax，则
Figure GDA0002956317980000152
否则，
Figure GDA0002956317980000153
其中，m表示导弹的数目，dis表示间隔点与导弹的距离，RKmax表示飞行物被击落的风险概率。
Figure GDA0002956317980000154
其中，如果dis≤RDmax，则
Figure GDA0002956317980000155
否则，
Figure GDA0002956317980000156
其中，m表示雷达的数目，dis表示间隔点与雷达的距离，RDmax表示飞行物最小被发现概率。
最大转向点的寻找公式为：
Figure GDA0002956317980000161
二、仿真分析
1、场景描述
在无人机路径规划的场景描述中,没有广泛被人接受的基准。因此，发明人设计了如上图3的模拟场景与不同数量的障碍物进行仿真。具体来说，场景由三个关键部分组成即：地形、障碍和开始以及目的地。这里的地形是著名的散兵坑的平优化问题的变形，方程为：
Figure GDA0002956317980000162
参数a和c是用来地形的改变格局。采用这种地形的原因是出现的场景非常崎岖，高的部分可以成像为在现实中的“山”路径规划的空间设置在有限的空间内(10*10*2000)障碍是危险的区域，甚至禁止无人机的飞行。
2、仿真结果
下表中，算法N为现有的航迹点独立进化算法，Z代表本发明所使用的基于人工势场法引导的独立航迹点进化算法。T为时间，S为航迹顺滑度，L为距离，Nm为航迹点数目，SR为对话成功率。由下表可得，本发明所使用的基于人工势场法引导的独立航迹点，相比较现有技术的进化算法，航迹点使用量小，用时短，而且航迹平滑度要比独立航迹点进化算法高。
表1两个规划的具体参数
Figure GDA0002956317980000163
Figure GDA0002956317980000171
由图4和表1可以得到，在航迹点独立进化的微分算法中，最少需要20个航迹点，才可以完成航迹规划。并且在图4中，航迹并不平滑。我们知道在高速飞行的无人机中，飞一个折线角并不容操控。而在由人工势场法引导的航迹点独立进化算法中，如图5所示，无人机航迹规划不仅完成速度快，并且只需要5个航迹点就可以完成规划，人工势场法引导航迹的方法在减少航迹点方面起了很重要的作用。航迹点具有两面性。航迹点越多路径越平滑，准确性越高。但是计算量会变大，效率会降低。由图5和表1我们可以得到，由人工势场法引导的航迹点独立进化算法中，路径更加平滑，收敛速度快，并且时间短。是一种非常有效的航迹规划方法。
综上，本发明提供的无人机航迹规划方法，通过分别进化航迹点，可以更好地利用指导进化，得到更高的质量航迹点。经过实际能力验证，在复杂的山地场景中，本发明在有效性和效率上均较现有的独立航迹点进化算法具有明显优势。
虽然本发明已利用上述较佳实施例进行说明，然其并非用以限定本发明的保护范围，任何本领域技术人员在不脱离本发明的精神和范围之内，相对上述实施例进行各种变动与修改仍属本发明所保护的范围，因此本发明的保护范围以权利要求书所界定的为准。

Claims (10)

1.基于人工势场的进化算法的飞行物航迹规划方法，其特征在于，包括如下步骤：
步骤S1：初始化多个航迹点，并在多个航迹点的基础上初始化Np条航迹线，每条航迹线上具有相同数量的Nw个航迹点；
步骤S2：初始化第一个迭代周期的每条航迹线第一个航迹点的交叉操作的自适应参数μCR j,1(1)及变异操作的自适应参数μF j,1(1)；并初始化第一个迭代周期中CR和F的理想值SCR(1)和SF(1)；其中，j代表每条航迹线，其值介于2至Np；
步骤S3：自适应生成每条航迹线第一个航迹点的CR值和F值；
步骤S4：从当前迭代周期t中的所有航迹点中，选择前q％好的航迹点对应的航迹线，并从这些航迹线中随机选取一条
Figure FDA0002977983040000011
同时，再随机选取两条航迹线
Figure FDA0002977983040000012
和
Figure FDA0002977983040000013
其中，
Figure FDA0002977983040000014
及
Figure FDA0002977983040000015
属于三条不同的航迹线，q为选择优秀航迹路径的预定比例参数，其值介于5-20；
步骤S5：根据下述公式,对
Figure FDA0002977983040000016
及
Figure FDA0002977983040000017
之外的所有航迹线上的所有航迹点
Figure FDA0002977983040000018
生成一个潜在航迹点
Figure FDA0002977983040000019
Figure FDA00029779830400000110
其中，i代表航迹点，其值介于2至Nw；j代表航迹线，其值介于2至Np；
Figure FDA00029779830400000111
及
Figure FDA00029779830400000112
分别代表航迹线
Figure FDA00029779830400000113
及
Figure FDA00029779830400000114
上对应的航迹点；每条航迹线上，各航迹点的μCR j,i(t)及对应的F值随航迹点的不同也进行相应更新；
步骤S6：生成mrand＝randint(1,3)，构建一个中间航迹点
Figure FDA00029779830400000115
对于m∈(1,3)，如果满足m＝mrand或rand(0,1)<CR中的任一项，则
Figure FDA00029779830400000116
否则
Figure FDA0002977983040000021
其中，mrand＝randint(1,3)表示从1、2或3中随机选择一个数值，rand(0,1)表示从0到1之间随机选择一个数值；m表示航迹点
Figure FDA0002977983040000022
在xyz轴坐标上的适应值；
步骤S7：根据下述规则，确定下一次迭代周期中相应航迹线上的航迹点：
如果
Figure FDA0002977983040000023
则
Figure FDA0002977983040000024
否则
Figure FDA0002977983040000025
Figure FDA0002977983040000026
为根据当前迭代周期中的航迹点确定下一迭代周期中航迹点中所引入的比较函数；
之后，CR→SCR(t),F→SF(t)
CR→SCR(t),F→SF(t)表示记录成功进化后CR和F的值，并从中得到CR和F的理想值SCR(t)及SF(t)；
步骤S8：根据下述公式，计算下一个迭代周期的每个航迹点交叉操作的自适应参数μCR i(t+1)及变异操作的自适应参数μF i(t+1)：
μCR j,i(t+1)＝(1-c)μCR j,i(t)+c﹒meanA[SCR(t)]；
μF j,i(t+1)＝(1-c)μF j,i(t)+c﹒meanL[SF(t)]；
并且，自适应生成下一个迭代周期各航迹点的CR值和F值；
其中，meanA[SCR(t)]和meanL[SF(t)]分别表示上一个迭代周期中，多个CR的理想值的平均值，以及多个F的理想值的平均值，c为调整相邻迭代周期间的自适应参数时所引入的预定值，其值介于0.05-0.2；
步骤S9：重复步骤S4至步骤S9，依次完成所有迭代周期的航迹点及航迹线更新，以从最终的航迹线中选择最佳航线；
步骤S10：在每条航迹线的相邻航迹点之间均匀划分多个间隔点；
所述步骤S10中，航迹点
Figure FDA0002977983040000031
及
Figure FDA0002977983040000032
间的间隔点的坐标轴计算公式为：
Figure FDA0002977983040000033
Figure FDA0002977983040000034
Figure FDA0002977983040000035
其中，
Figure FDA0002977983040000036
及
Figure FDA0002977983040000037
分别表示航迹点
Figure FDA0002977983040000038
的三维坐标分量，
Figure FDA0002977983040000039
Figure FDA00029779830400000310
及
Figure FDA00029779830400000311
分别表示航迹点
Figure FDA00029779830400000312
的三维坐标分量，Nd表示航迹点
Figure FDA00029779830400000313
与航迹点
Figure FDA00029779830400000314
之间的间隔点总数；
Figure FDA00029779830400000315
及
Figure FDA00029779830400000316
分别表示航迹点
Figure FDA00029779830400000317
与航迹点
Figure FDA00029779830400000318
之间第n个间隔点的三维坐标分量；
Figure FDA00029779830400000319
及
Figure FDA00029779830400000320
分别代表第Nd个间隔点受到的力在x轴及y轴上的分量；
Figure FDA00029779830400000321
及
Figure FDA00029779830400000322
分别代表航迹点
Figure FDA00029779830400000323
受到的力在x轴及y轴上的分量；
Figure FDA00029779830400000324
及
Figure FDA00029779830400000325
分别代表航迹点
Figure FDA00029779830400000326
受到的力在x轴及y轴上的分量。
2.如权利要求1所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：所述步骤S3中，CR值和F值的生成方法分别为：
CR＝rand(μCR i,d)；
F＝rand(μF i,d)；
其中，rand(μCR i,d)表示在多个μCR i服从高斯分布，且其标准偏差为d的情况下随机生成CR值；rand(μF i,d)表示在多个μF i服从柯西分布，且其标准偏差为d的情况下随机生成F值。
3.如权利要求1所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：所述步骤S7的
Figure FDA0002977983040000041
中，函数的计算公式为：
Figure FDA0002977983040000042
其中，
Figure FDA0002977983040000043
表示
Figure FDA0002977983040000044
或
Figure FDA0002977983040000045
Figure FDA0002977983040000046
及
Figure FDA0002977983040000047
分别表示航迹点
Figure FDA0002977983040000048
或航迹点
Figure FDA0002977983040000049
在三个坐标轴上的分量；
Figure FDA00029779830400000410
及
Figure FDA00029779830400000411
分别表示航迹点
Figure FDA00029779830400000412
在三个坐标轴上的分量；
Figure FDA00029779830400000413
及
Figure FDA00029779830400000414
分别表示航迹点
Figure FDA00029779830400000415
在三个坐标轴上的分量。
4.如权利要求1所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：
Figure FDA0002977983040000051
及
Figure FDA0002977983040000052
的确定方法为：
Figure FDA0002977983040000053
Figure FDA0002977983040000054
其中，
Figure FDA0002977983040000055
为第Nd个间隔点受到的力，α为第Nd个间隔点受到的力与x轴的夹角；
Figure FDA0002977983040000056
及
Figure FDA0002977983040000057
的确定方法为：
Figure FDA0002977983040000058
Figure FDA0002977983040000059
其中，
Figure FDA00029779830400000510
为航迹点
Figure FDA00029779830400000511
受到的力，β为航迹点
Figure FDA00029779830400000512
受到的力与x轴的夹角；
Figure FDA00029779830400000513
及
Figure FDA00029779830400000514
的确定方法为：
Figure FDA00029779830400000515
Figure FDA00029779830400000516
其中，
Figure FDA00029779830400000517
为航迹点
Figure FDA00029779830400000518
受到的力，γ为航迹点
Figure FDA00029779830400000519
受到的力与x轴的夹角。
5.如权利要求4所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：
Figure FDA00029779830400000520
或
Figure FDA00029779830400000521
的确定方法为：
Ftotal(X)＝Fatt(X)+Frep(X)；
其中，X表示航迹点
Figure FDA0002977983040000061
或
Figure FDA0002977983040000062
或这两个航迹点之间的第Nd个间隔点；
Fatt(X)为该点的吸引力，Frep(X)为该点的斥力，Ftotal(X)为该点所受的力的总和。
6.如权利要求5所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：所述Fatt(X)的确定方法为：
Fatt(X)＝-▽Uatt(X)＝-▽Katt(X)|X-Xq|；
其中，Uatt(X)表示对应的X点的吸引力势场，Katt(X)为对应的X点的势场系数，|X-Xq|为对应的X点与目标点的直线距离，Xq为对应的X点的目标点；▽Uatt(X)和▽Katt(X)分别代表X点的吸引力势场和势场系数的微积分。
7.如权利要求1所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：所述步骤S10中，在寻找最佳航线时，同时需要考虑飞行物的最小被击落风险、最小被雷达发现的风险、最小的飞行高度、最大转向点、坡度限制、区域航迹点的限制以及航迹点的约束。
8.如权利要求7所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：
Figure FDA0002977983040000063
其中，如果dis≤RKmax，则
Figure FDA0002977983040000064
否则，
Figure FDA0002977983040000071
其中，Nd表示每两个相邻航迹点之间的间隔点数量，m表示导弹的数目，dis表示间隔点与导弹的距离，RKmax表示飞行物被击落的风险概率。
9.如权利要求7所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：
Figure FDA0002977983040000072
其中，如果dis≤RDmax，则
Figure FDA0002977983040000073
否则，
Figure FDA0002977983040000074
其中，Nd表示每两个相邻航迹点之间的间隔点数量，m表示雷达的数目，dis表示间隔点与雷达的距离，RDmax表示飞行物最小被发现概率。
10.如权利要求7所述的基于人工势场的进化算法的飞行物航迹规划方法，其特征在于：最大转向点的寻找公式为：
Figure FDA0002977983040000075
其中，
Figure FDA0002977983040000076
分别表示航迹点
Figure FDA0002977983040000077
在x坐标轴及y坐标轴上的分量，
Figure FDA0002977983040000078
分别表示航迹点
Figure FDA0002977983040000079
的上一个航迹点
Figure FDA00029779830400000710
在x坐标轴及y坐标轴上的分量；
Figure FDA00029779830400000711
分别表示对应航迹线上的最后一个航迹点
Figure FDA00029779830400000712
在x坐标轴及y坐标轴上的分量。
CN201810087507.3A 2018-01-30 2018-01-30 基于人工势场的进化算法的飞行物航迹规划方法 Active CN108387232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810087507.3A CN108387232B (zh) 2018-01-30 2018-01-30 基于人工势场的进化算法的飞行物航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810087507.3A CN108387232B (zh) 2018-01-30 2018-01-30 基于人工势场的进化算法的飞行物航迹规划方法

Publications (2)

Publication Number Publication Date
CN108387232A CN108387232A (zh) 2018-08-10
CN108387232B true CN108387232B (zh) 2021-08-03

Family

ID=63074078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810087507.3A Active CN108387232B (zh) 2018-01-30 2018-01-30 基于人工势场的进化算法的飞行物航迹规划方法

Country Status (1)

Country Link
CN (1) CN108387232B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109557936B (zh) * 2018-12-03 2020-07-07 北京航空航天大学 基于人工势场法的可垂起无人机机间防碰撞控制方法
CN110319829B (zh) * 2019-07-08 2022-11-18 河北科技大学 基于自适应多态融合蚁群算法的无人机航迹规划方法
CN110427044A (zh) * 2019-07-17 2019-11-08 河北科技大学 基于改进速度障碍法的无人机冲突探测与冲突解脱方法
CN111256681B (zh) * 2020-05-07 2020-08-11 北京航空航天大学 一种无人机群路径规划方法
CN113342031B (zh) * 2021-05-18 2022-07-22 江苏大学 一种导弹航迹在线智能规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014003973A1 (de) * 2014-03-20 2014-09-18 Daimler Ag Verfahren zur Ermittlung einer Fahrstrecke
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107063255A (zh) * 2017-01-09 2017-08-18 北京工业大学 一种基于改进果蝇优化算法的三维航路规划方法
CN107092255A (zh) * 2017-05-19 2017-08-25 安徽工程大学 一种基于改进遗传算法的多移动机器人路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014003973A1 (de) * 2014-03-20 2014-09-18 Daimler Ag Verfahren zur Ermittlung einer Fahrstrecke
CN105717929A (zh) * 2016-04-29 2016-06-29 中国人民解放军国防科学技术大学 一种多分辨率障碍物环境下移动机器人混合路径规划方法
CN107015563A (zh) * 2016-12-29 2017-08-04 北京航空航天大学 移动机器人路径规划方法及装置
CN107063255A (zh) * 2017-01-09 2017-08-18 北京工业大学 一种基于改进果蝇优化算法的三维航路规划方法
CN107092255A (zh) * 2017-05-19 2017-08-25 安徽工程大学 一种基于改进遗传算法的多移动机器人路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Path Planning for Single Unmanned Aerial Vehicle by Separately Evolving Waypoints;Peng Yang等;《IEEE Transactions on Robotics》;20150811;第31卷(第5期);第1130-1146页 *
一种基于人工势场的无人机航迹规划算法;甄然等;《河北科技大学学报》;20170630;第38卷(第3期);第278-284页 *
一种自适应控制的人工势场的无人机路径规划算法;甄然等;《测控遥感与导航定位》;20170531;第47卷(第5期);第54-57页 *

Also Published As

Publication number Publication date
CN108387232A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN108387232B (zh) 基于人工势场的进化算法的飞行物航迹规划方法
CN110320933B (zh) 一种巡航任务下无人机避障运动规划方法
CN113110592B (zh) 一种无人机避障与路径规划方法
CN109375625B (zh) 一种基于快速搜索遗传算法的智能船舶路径规划方法
CN107608372B (zh) 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法
CN107063255B (zh) 一种基于改进果蝇优化算法的三维航路规划方法
CN110544296B (zh) 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法
CN109270927B (zh) 道路数据的生成方法及装置
US6529821B2 (en) Route planner with area avoidance capability
WO2016045615A1 (zh) 机器人静态路径规划方法
CN108153328B (zh) 一种基于分段贝塞尔曲线的多导弹协同航迹规划方法
CN110928329A (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
CN114661069B (zh) 一种群体智能系统的编队控制方法
CN111273686B (zh) 一种三维环境下多无人机同时到达指定地的路径规划方法
CN109163728B (zh) 一种动态环境避障方法、控制器及机器人
CN110986958B (zh) 基于多种群协作果蝇优化的多无人机协同路径规划方法
CN112965471B (zh) 一种考虑角速度约束和改进斥力场的人工势场路径规划方法
WO2012069022A1 (en) Method for animating characters, with collision avoidance based on tracing information
CN112432649A (zh) 一种引入威胁因子的启发式无人机蜂群航迹规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN111121784A (zh) 一种无人侦察机航路规划方法
CN116225066A (zh) 一种基于混沌映射鹈鹕优化算法的无人机路径优化方法
CN112666981A (zh) 基于原鸽群动态群组学习的无人机集群动态航路规划方法
CN113220008B (zh) 多火星飞行器的协同动态路径规划方法
CN105865457B (zh) 一种基于文化算法的动态环境下航迹规划方法

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
TR01 Transfer of patent right

Effective date of registration: 20240117

Address after: 050000 No.9 ruining Road, Luquan Economic Development Zone, Shijiazhuang, Hebei Province

Patentee after: Hebei Wangxin Digital Technology Co.,Ltd.

Address before: No. 26 Yuxiang street, Shijiazhuang, Hebei Province, Hebei

Patentee before: HEBEI University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right