CN108897312A - 多无人飞行器对大规模环境的持续监控路径规划方法 - Google Patents

多无人飞行器对大规模环境的持续监控路径规划方法 Download PDF

Info

Publication number
CN108897312A
CN108897312A CN201810453623.2A CN201810453623A CN108897312A CN 108897312 A CN108897312 A CN 108897312A CN 201810453623 A CN201810453623 A CN 201810453623A CN 108897312 A CN108897312 A CN 108897312A
Authority
CN
China
Prior art keywords
path
environment
covering
aircraft
sensor
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
CN201810453623.2A
Other languages
English (en)
Other versions
CN108897312B (zh
Inventor
方勇纯
肖玉婷
梁潇
林河
何桢
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.)
Nankai University
Original Assignee
Nankai University
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 Nankai University filed Critical Nankai University
Priority to CN201810453623.2A priority Critical patent/CN108897312B/zh
Publication of CN108897312A publication Critical patent/CN108897312A/zh
Application granted granted Critical
Publication of CN108897312B publication Critical patent/CN108897312B/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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

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)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

多无人飞行器对大规模环境的持续监控路径规划方法，本发明通过科学地规划飞行器的监控路径，实现环境覆盖效率的最大化。对于大规模环境，既要保证对整个环境覆盖的完整性，又要在监控过程中采集到尽可能精确可靠的信息，直接进行最优覆盖路径的计算是十分困难的。该方法基于分块优化思想，首先，将整体环境划分成若干小面积子区域，在每一个子区域中计算出覆盖该区域的最优路径，通过设定特定的约束，各个子区域内的路径可以最终连接成一条整体路径，即飞行器最终对整个环境的监控路径。除了覆盖效果，本方法也考虑飞行消耗的能量、时间等因素，力求规划出适于飞行器跟踪的高效监控路径。本发明方法经过仿真和实验验证有效可行。

Description

多无人飞行器对大规模环境的持续监控路径规划方法
技术领域
本发明属于多无人飞行器应用于环境信息采集的技术领域，特别是针对大规模动态环境有显著的优势。
背景技术
近年来，对于大规模环境的信息采集和持续监控需求越来越多，比如在气象监测、救灾抢险、农作物生长状况监测、农药喷洒除草等场景中，都需要用到环境覆盖监控的理论和方法，典型的应用就是在森林火灾的预防监测中对广阔森林环境的监控[1]-[2]。众所周知，森林在地球生态系统中发挥着不可或缺的作用，它不仅有调节水循环、净化空气等生态作用，还提供了丰富持续的自然资源，而森林由于面积广阔、树木密集繁多，使得森林火灾成为其最大威胁，森林火灾一旦发生扑灭非常困难，常常造成巨大损失，这使得森林的防火监测变得十分重要。持续监控任务一直是一种非常耗时耗力、重复繁重的工作，传统的森林火灾监控预防方法效率不高[3]，存在很多缺陷，比如瞭望塔和森林视频监控系统，都主要靠人力进行火灾监测，不仅效率不高，且在人员疲惫时容易发生疏漏，为了解放人力以及提高工作效率，国内外相关领域的学者开展了大量的研究工作。文献[4]中研究了一种用于森林监控、火点侦察和跟踪的多机器人容错控制策略。Merino等人利用搭载红外和视觉传感器的无人机系统来自动获取火焰的形状以及火焰传播的相关参数[5]其中灵活且应用广泛的无人机成为研究热点，多无人机协同作业相比于单架无人机不仅效率更高，还拥有更强的鲁棒性，成为大规模环境的信息采集和持续监控任务的良好选择。
大规模环境的信息采集可以通过在环境中部署一组传感器来实现，通过控制每个传感器不断调整其位置姿态，实现对整个环境的最优覆盖[6]-[8]。Schwager系统研究过多机器人的覆盖问题[9]，他通过降低特定代价函数指导搭载传感器的机器人运动，并在三种移动机器人平台上对所提算法进行了验证。Joseph等人解决了在多机器人通讯条件有限的情况下的覆盖问题，研究只通过一些零星不可靠的通讯来进行多机器人的覆盖控制方法[10]。在文献[11]中，作者提出一种非线性控制方法去探索覆盖未知的环境区域，通过不断地估计修改环境状态参数和移动机器人位置来逼近最优覆盖。
以上提到的方法在监控大规模环境时，为了保证采集的信息质量，需要部署大量的传感器，实用性不强，且带来计算量压力。一个搭载传感器的无人飞行器可以充分利用其灵活性优势，通过巡航监控覆盖更大面积环境，而不仅限于静态传感器固有的探测范围。对于这种情况，由于待监控环境的面积较大，无人机的可选巡航路径较多，如何计算出最佳的路径保证高效覆盖是一个比较有挑战性的问题，尤其在计算性能有限的机载处理器上。为解决这类问题，Soltero等人提出一种基于路径点优化的路径计算方法[12]，用梯度下降法最小化代价函数，兼顾路径点的覆盖效果和路径的平滑性。在农业应用和地图绘制中，Z字形路径因其简单有效的特点被广泛应用。基于这个思路，在文献[13]中，首先将待监控环境根据机器人位置分区，然后在每一个分区内生成一条Z字形路径，使飞行器沿分区最长边方向往返巡航，以此实现最少转弯次数。此外，Ousingsawat等人提出一种更加有效的类Z字形路径生成方法，可以根据不同区域的重要程度有所区分[14]。
最近几年，高效覆盖和监控的技术由于其广阔的应用前景受到越来越多的关注。例如，在路径规划问题中经典的快速扩展随机树(RRT)算法的思路被应用到覆盖监控问题中。文献[15]由此提出一种快速扩展随机圆算法来寻找一条周期性路径，通过卡尔曼滤波更新地图，通过微分递归方法简化周期路径的代价计算，但是该方法常常需要迭代10000次以上才能找出可行的路径，实用性不强。此外，Popovic等人通过多项式拟合的方法专门为飞行机器人规划出3维的覆盖路径用于监测农田中的杂草[16][17]。为了规划出能量最优的监控路径，文献[18]根据为高效覆盖构造的能量消耗地图将3维地形进行建模，用遗传算法寻找最优解。当环境规模变大，以上方法都面临巨大的计算压力，对硬件设备的要求很高。在过去几年中，一些针对时变环境的监控路径规划方法被广泛研究[19]-[21]。在文献[19]中，Palacios等人利用经典的快速行军法(FMM)[20]来规划监控路径，他们通过定义一个随时间匀速衰减的覆盖水平函数来描述随时间变化的环境，为了将整体环境的覆盖水平维持在期望水平之上，首先选择若干候选目标点，然后分别规划出从当前位置到这些点的路径，根据各路径的覆盖效果选定最终的目标点，动态窗方法[21]用来做在线的导航避障。这种基于一定规则在监控区域内不断计算目标点的方法对整体环境覆盖的完整性方面有所欠缺。
发明内容
本发明的目的是解决多无人飞行器对大规模环境的持续监控问题，提供一种监控路径规划方法，以提高环境监控的效率，预防森林火灾，保护森林资源。
本发明提供的多无人飞行器对大规模环境的持续监控路径规划方法，包括传感器模型、子区域路径优化，整体监控过程规划，其中：
第1、传感器模型：
为了更好地描述传感器对其周围环境的覆盖效果，定量地反映传感器采集信息的精度和可信度，本发明首先根据实际情况建立了较为普适的传感器模型。传感器对其周围环境中的点的信息采集质量与该点和传感器的相对位置有关，为了更好地描述他们的关系，本发明建立了一种创新性的传感器模型，该模型描述当传感器沿一条路径l运动时对环境中的任意一点q信息采集的可信度：
其中，dql是从点q到路径l的最短距离，dc是传感器可以探测的最远距离，ks是传感器的内部参数，可以看出随着点到路径距离的增加，传感器采集信息的可信度也在下降，当距离超出传感器的探测范围，则无法探测到任何有效信息；
第2、子区域路径优化：
本发明基于分块优化思想，将大规模环境划分成若干小面积子区域分别规划监控路径。划分子区域的大小应适应传感器的最大探测距离dc，其宽度小于2dc，本发明中将环境划分为边长1.5dc的正方形；
在每个子区域内通过一些约束来寻找一条最优的覆盖监控路径，定义一个评价函数来作为选择的标准，评价函数包含两部分内容，第一部分也是评价函数的主要部分为关注路径的覆盖效果，第二部分为关注路径的平滑程度，意在选择对环境精确可靠覆盖且平滑适于飞行器跟踪的路径；
第2.1覆盖效果：
其中，φ(q)是环境密度函数，作为权重来描述环境中的点对于特定任务的重要程度，Li是第i段路径li的长度。F1(li,Qi)代表单位长度的路径对于区域Qi的覆盖效果；
第2.2路径平滑：
其中，βi表示路径li与水平方向的夹角，βth是不影响飞行器平稳飞行和传感器信息采集的最大转弯角度。这里需要着重说明的是路径点pi的标号是从0开始的，而路径li的标号是从1开始的，这样做的目的是使得路径li的终点恰好是pi，图1详细描述了这一设定；
第2.3最终的评价函数：
F(li,Qi)＝w1F1(li,Qi)+w2F2(li) (4)
其中，w1和w2是两部分的权重，满足w1,w1∈[0,1]且一个子区域内的最优路径指在满足特定约束的条件下其对应评价值F(li,Qi)最大的路径；
路径需要满足的约束主要指每一段路径的起始点必须是其上一段路径的终点且路径的终点需落在该子区域与下一个待覆盖子区域的公共边界上以保证各段路径的顺利衔接，以上约束条件极大地缩小了路径的搜索空间，最优路径的求解可以通过差分进化算法迭代获得；
第3、整体监控过程规划：
环境整体监控路径的生成依赖于每段子路径的首尾顺利连接，即合理地安排对各个子区域的覆盖监控顺序，保证对整个环境的完整均衡覆盖，同时，减少飞行器在一次巡航中的回转调头次数。针对所划分的正方形子区域，设计了“水平Z”字和“垂直Z”字两种覆盖模式，这里的水平方向指地图的水平方向，对应实际环境中的东西方向，相应的，地图中的垂直方向对应实际环境中的南北方向，在覆盖开始前，先根据飞行器所要监控的环境的形状确定合适的覆盖模式。
“水平Z”字和“垂直Z”字两种覆盖模式的原理相似，都是按照“Z”字形的顺序安排各子区域监控顺序的方式，主要区别在于它们的扫描方向不同，这里扫描方向的定义在附图3中给出，即在“水平Z”字覆盖模式中，飞行器在其所监控区域的左右边界之间往返巡航，扫描方向是垂直的向上或向下；而在“垂直Z”字覆盖模式中，飞行器在其所监控区域的上下边界之间往返巡航，扫描方向是水平的向左或向右。据以上描述，在相同覆盖环境和子区域划分的条件下，飞行器在一次巡航覆盖中的调头次数与其覆盖区域在扫描方向的跨度有关，跨度越大，对应的路径转折越多，为了最小化路径的转折点数，我们计算待覆盖环境的水平和垂直跨度，将跨度更小的方向设为扫描方向，完成整体环境监控路径规划任务。
为了保证对环境中所有子区域的完整均衡覆盖，使得监控过程有序进行，本发明中利用两个方向指针记录当前运动方向和扫描方向，在方向改变时自动反转，使得飞行器每次都能够科学有序地选择下一个待覆盖子区域，实现对整体环境监控路径的规划。
本发明的优点和有益效果
本发明创新地提出一种基于分块优化思想的大规模环境监控路径规划方法，基本思想是将大面积的环境分成若干小面积子区域以促进后续优化求解过程。通过合理地安排各个子区域的监控顺序以及对每个子区域内的路径添加特定的约束条件，最后所有子区域的路径可以首尾相接成一条连续的监控路径。飞行器可以从环境内的任意位置开始规划路径，并沿着所计算的最优路径移动到下一个子区域，本发明的主要优点和有益效果有：
1、本发明用一种模块化方法将复杂的监控路径规划问题分成几个简单的步骤，极大地减小了计算压力，使得该方法即使在计算性能有限的机载电脑上也可以实现在线规划。
2、本发明所提算法兼顾了最优覆盖和完整覆盖，环境中较为重要的区域会受到更多的关注，同时，也不会落下重要程度相对较低的区域。
3、根据所提的分块路径规划方法，不仅可以使飞行器在凸区域中规划监控路径，同时该方法也适用于非凸区域，且当区域的形状调整时，规划路径也可以较为方便地随之调整。
本发明所述方法经仿真和实验验证有效可行。
附图说明
图1路径点和路径标号规则说明；
图2不同运动方向的路径转角范围示意图；
图3扫描方向定义示意图；
图4算法中用到的一些符号变量示意图；
图5单个飞行器监控路径规划仿真结果图；
图6三种路径仿真结果图，其中a本发明所提方法规划路径，b随机选择方向路径，c普通直线Z字路径；
图7三种路径的累积评价函数对比图；
图8Gazebo+QGroundControl仿真界面图；
图9三架飞行器监控路径规划仿真结果图，其中a以环境密度函数为背景绘制路径，b以三架飞行器的分区情况为背景绘制路径；
图10Gazebo中正在执行监控任务的三架飞行器示意图；
图11系统通讯示意图；
图12路径跟踪实验结果图。
具体实施方式
本发明提供的多无人飞行器对大规模环境的持续监控路径规划方法，包括传感器模型、子区域路径优化，整体监控过程规划，仿真和实验结果描述。
第一、传感器模型
为了更好地描述传感器对其周围环境的覆盖效果，定量地反映传感器采集信息的精度和可信度，本发明首先建立了较为普适的传感器模型。传感器对其周围环境中的点的信息采集质量与该点和传感器的相对位置有关，为了更好地描述他们的关系，本发明建立了一种创新性的传感器模型，该模型描述当传感器沿一条路径l运动时对环境中的任意一点q信息采集的可信度：
其中，dql是从点q到路径l的最短距离，dc是传感器的最大探测距离，ks是传感器的内部参数，可以看出随着点到路径的距离的增加，传感器采集信息的可信度也在下降，当距离超出传感器的探测范围，实验数据反映无法探测到任何有效信息；
第二、子区域路径优化
本发明基于分块优化思想，将大规模环境划分成若干小面积子区域分别规划监控路径。划分子区域的大小应适应传感器的最大探测距离dc，其宽度小于2dc，例如可以划分为边长为1.5dc的正方形，此外，子区域的形状也可以是正三角形或正六边形，本实例中以正方形为例介绍监控路径规划方法；
在每个子区域内通过一些特定约束寻找一条最优的覆盖监控路径，定义一个评价函数来作为选择的标准，评价函数包含两部分内容，第一部分也是评价函数的主要部分关注路径的覆盖效果，第二部分关注路径的平滑程度，意在选择对环境精确可靠覆盖且平滑适于飞行器跟踪的路径。
首先描述第一部分：
其中，φ(q)是环境密度函数，作为权重来描述环境中的点对于特定任务的重要程度，Li是第i段路径li的长度。F1(li,Qi)代表单位长度的路径对于区域Qi的覆盖效果。
第二部分：
其中，βi表示路径li与x轴的夹角，βth是不影响飞行器平稳飞行和传感器信息采集的最大转弯角度。这里需要着重说明的是路径点pi的标号是从0开始的，而路径li的标号是从1开始的，这样做的目的是使得路径li的终点恰好是pi，图1详细描述了这一设定。
最终的评价函数：
F(li,Qi)＝w1F1(li,Qi)+w2F2(li) (4)
其中，w1和w2是两部分的权重，满足w1,w1∈[0,1]且一个子区域内的最优路径指在满足特定约束的条件下其对应评价值F(li,Qi)最大的路径，路径需要满足的约束主要指每一段路径的起始点必须是其上一段路径的终点且路径的终点需落在该子区域与下一个待覆盖子区域的公共边界上以保证各段路径的顺利衔接，以上约束条件极大地缩小了路径的搜索空间，最优路径的求解可以通过差分进化算法迭代获得，具体操作过程如下算法1所示：
差分进化算法是一种基于迭代采样的寻优方法。在开始采样之前，需要根据当前运动方向计算最大采样范围(算法1第1-6行)，图2对这个过程进行了具体描述，两条虚线之间的区域代表最大采样范围，其中运动方向由指针变量poin terh表示，(poin terh＝1表示向右，poin terh＝-1表示向左)，算法1中默认的扫描方向是水平的，当扫描方向为垂直时，运动方向指针由指针变量poin terv表示(poin terv＝1表示向上，poin terv＝-1表示向下)。在各个采样参数smin,smax,scenter,slength之后，每次评估完一组样本后，对新采集的最佳样本与原最佳样本对比，据此决定下次采样的采样区间，直至找到满意结果。
第三、整体监控过程规划
环境整体监控路径的生成依赖于每段子路径的首尾顺利连接，即合理地安排对各个子区域的覆盖监控顺序，保证对整个环境的完整均衡覆盖，同时，减少飞行器在一次巡航中的回转调头次数，针对我们所划分的正方形子区域，我们设计了“水平Z”字和“垂直Z”字两种覆盖模式，在覆盖开始前，先根据飞行器所要监控的环境形状确定合适的覆盖模式。
“水平Z”字和“垂直Z”字两种覆盖模式的原理相似，都是按照“Z”字形的顺序安排各子区域监控顺序的方式，主要区别在于它们的扫描方向(扫描方向的定义如图3所示)不同，即在“水平Z”字覆盖模式中，飞行器在其所监控区域的左右边界之间往返巡航，扫描方向是垂直的向上或向下；而在“垂直Z”字覆盖模式中，飞行器在其所监控区域的上下边界之间往返巡航，扫描方向是水平的向左或向右。据以上描述，在相同覆盖环境和子区域划分的条件下，飞行器在一次巡航覆盖中的调头次数与其覆盖区域在扫描方向的跨度有关，跨度越大，对应的路径转折越多，为了最小化路径的转折点数，我们计算待覆盖环境的水平和垂直跨度，将跨度更小的方向设为扫描方向，如算法2所示：
为了保证对环境中所有子区域的完整均衡覆盖，使得监控过程有序进行，本发明中利用两个方向指针记录当前运动方向和扫描方向，在方向改变时自动反转，使得飞行器每次都能够科学有序地选择下一个待覆盖子区域，完成整体环境监控路径规划任务，如算法3所示，这里以水平“Z”字模式为例具体说明。为了使表达更为简洁易读，算法中把一些重复步骤以子程序形式表述，算法4、5、6分别辅助算法3的表述，使整个过程步骤明确清晰。
第四、仿真和实验结果描述
本发明所提算法分别经过Matlab和Gazebo两种平台的仿真测试和实际飞行器验证。在仿真中，给出一架飞行器和三架飞行器两种情况的结果，充分验证算法所规划路径覆盖的有效性以及对不同覆盖区域的灵活性。
图5是一架飞行器路径规划的Matlab仿真结果，以环境密度函数为背景绘制路径，颜色越深表示该区域重要性越高，其中相关参数设置为
w1＝0.9,w2＝0.1,ds＝0.03,dc＝8,βth＝0.15,sexp＝1.2,scon＝0.8,从地图左下角(1,1)点开始规划，首先飞行器向右走到子区域边界，然后通过算法1计算该子区域内的路径，通过该子区域后，根据算法3判断下一个要覆盖的子区域，再次调用算法1来计算最优路径，依次覆盖完整个环境，可以看出仿真结果(图5)中，每一个子区域内计算的最优路径都偏向环境密度大的地方。为了突出本发明所提算法的性能，用另外两种路径做了对比，如图6所示，a是本发明所提算法规划的路径，b是每个子区域中随机选择方向产生的路径，c是普通直线Z字形路径，图7是三种路径累积评价函数的对比结果，可以看出本发明所提算法的评价值明显高于另外两种。图8是一架飞行器路径规划的Gazebo+QGroundControl仿真界面，包含Gazebo窗口(右侧)、QGroundControl地面(左上)和终端窗口(左下)，我们用Gazebo中建立的虚拟飞机模型对图5仿真中的路线进行飞行试验，用QGroundControl对虚拟飞行器进行控制，通过在终端窗口打印出路径点编号观察任务进程。
图9是三架飞行器路径规划的Matlab仿真结果，其中a是以环境密度函数为背景绘制三架飞行器的监控路径规划结果，b则显示了三架飞行器的分区情况，这里三架飞行器的分区是初始指定的，明确各自的责任区域之后每一架飞行器就按照上述监控路径规划方法在指定区域内计算监控路径。同样的，三架飞行器的情况也在Gazebo中进行了仿真测试，即在Gazebo中导入同样的三架虚拟飞行器模型，使其分别跟踪图9中的三条路径，图10是Gazebo中正在执行监控任务的三架飞行器示意图。
为了验证所规划路径的可行性，我们用一架搭载Pixhawk飞控和Raspberry机载电脑的QAV250飞行器和Qualisys运动捕捉系统进行了实验，系统的通讯关系如图11所示，地面站根据传回的信息实时绘制出飞行器的期望轨迹和实际轨迹的数据对比，本实验是对图5中路径的跟踪实验，结果如图12所示，可以看出路径得到了有效的跟踪，验证了本发明所提算法的可行性。
参考文献：
1.Henry,C.,Martina,E.,Juan,M.,et al.(2016).Efficient forest firedetection index for application in unmanned aerial systems,Sensors,16(6),893.
2.Merino,L.,Dios,M.D.,Ollero,A.(2015).Cooperative unmanned aerialsystems for fire detection,monitoring,and extinguishing,In Netherlands.FaultDiagnosis of Skew-Con_gured Inertial Sensor System for Unmanned AerialVehicles(pp.2693-2722).Springer.
3.Kaltenbrunner,A.,Bugmann,H.(2010).Forest fire prevention in CantonGrisons,Schweizerische Zeitschrift Fur Forstwesen.
4.Ghamry,K.A.,Zhang,Y.(2016).Fault-tolerant cooperative control ofmultiple UAVs for forest fire detection and tracking mission,Control andFault-Tolerant Systems,Barcelona,Spain,133-138.
5.Merino,L.,Caballero,F.,et al.(2012).An unmanned aircraft system forautomatic forest fire monitoring and measurement,Journal of Intelligent andRobotic Systems,65(1-4),533-548.
6.Cortes,J.,Martinez,S.,Karatas,T.,et al.(2002).Coverage control formobile sensing networks,IEEE Transactions on Robotics and Automation,20(2),3671-3681.
7.Schwager,M.,Julian,B.J.,Angermann,M.,et al.(2011).Eyes in the sky:decentralized control for the deployment of robotic camera networks,Proceedings of the IEEE,99(9),1541-1561.
8.Liang,X.,Fang,Y.(2015).Time-varying environment coverage control bymulti-robot systems,International Conference on Cyber Technology inAutomation,Control,and Intelligent Systems,Shenyang,China,1940-1945.
9.Schwager,M.(2009).A gradient optimization approach to adaptivemulti-robot control,Massachusetts Institute of Technology.
10.Durham,JW.,Carli,R.,Frasca,P.,et al.(2012).Discrete partitioningand coverage control for gossiping robots,IEEE Transactions on Robotics,28(2),364-378.
11.Pimenta,L.C.A.,Schwager,M.,Lindsey,Q.,et al.(2009).Simultaneouscoverage and tracking(SCAT)of moving targets with robot networks,AlgorithmicFoundation of Robotics VIII Springer Berlin Heidelberg,85-99.
12.Soltero,D.E.,Schwager,M.,Rus,D.(2014).Decentralized path planningfor coverage tasks using gradient descent adaptive control,Sage Publications,Inc,33(3),401-425.
13.Maza,I.,Ollero,A.(2007).Multiple UAV cooperative searchingoperation using polygon area decomposition and efficient coverage algorithms,Distributed Autonomous Robotic Systems,221-230.
14.Ousingsawat,J.,Earl,MG.(2007).Modified lawn-mower search patternfor areas comprised of weighted regions,American Control Conference,New York,USA,918-923.
15.Lan,X.,Schwager,M.(2016).Rapidly exploring random cycles:persistent estimation of spatiotemporal fields with multiple sensing robots,IEEE Transactions on Robotics,32(5),1230-1244.
16.Popovic,M.,Hitz,G.,Nieto,J.,et al.(2017).Online informative pathplanning for active classification using UAVs,International ConferenceRobotics and Automation,Singapore,5753-5758.
17.Richter,C.,Bry,A.,Roy,N.(2016).Polynomial trajectory planning foraggressive quadrotor flight in dense indoor environments,In RoboticsResearch:The 16th International Symposium ISRR(pp.649-666),SpringerInternational Publishing.
18.Li,D.,Wang,X.,Sun,T.(2016).Energy-optimal coverage path planningon topographic map for environment survey with unmanned aerial vehicles,Electronics Letters,52(9),699-701.
19.Palacios-Gas′os,JM.,Talebpour,Z.,Montijano,E.,et al.(2017).Optimalpath planning and coverage control for multi-robot persistent coverage inenvironments with obstacles,International Conference on Robotics andAutomation,Singapore,1321-1327.
20.Valero-G′omez,A.,G′omez,JV.,Garrido,S.,et al.(2013).Fast marchingmethods in path planning,IEEE Robotics and Automation Magazine,20(4),111-120.
21.Fox,D.,Burgard,W.,Thrun,S.(2002).The dynamic window approach tocollision avoidance,IEEE Robotics and Automation Magazine,4(1),23-33.
22.Storn,R.,Price,K.(1997).Differential evolution-a simple andefficient heuristic for global optimization over continuous spaces,Journal ofGlobal Optimization,11(4),341-359.

Claims (2)

1.一种多无人飞行器对大规模环境的持续监控路径规划方法，其特征在于该方法包括：传感器模型、子区域路径优化，整体监控过程规划，其中：
第1、传感器模型
传感器对周围环境中的点的信息采集质量与该点和传感器的相对位置有关，为了更好地描述他们的关系，建立了相应的传感器模型，该模型描述当传感器沿一条路径l运动时对环境中的任意一点q信息采集的可信度：
其中，dql是从点q到路径l的最短距离，dc是传感器的最大探测距离，ks是传感器的内部参数；
第2、子区域路径优化
基于分块优化思想，将大规模环境划分成若干小面积子区域分别规划监控路径；划分子区域的大小应适应传感器的最大探测距离dc，子区域的宽度小于2dc，本发明中将环境划分为边长1.5dc的正方形；
在每个子区域内通过一些特定约束寻找一条最优的覆盖监控路径，定义一个评价函数来作为选择的标准，评价函数包含两部分内容，第一部分也是评价函数的主要部分为关注路径的覆盖效果，第二部分为关注路径的平滑程度，意在选择对环境精确可靠覆盖且平滑适于飞行器跟踪的路径；
第2.1覆盖效果：
其中，φ(q)是环境密度函数，作为权重来描述环境中的点对于特定任务的重要程度，Li是第i段路径li的长度。F1(li,Qi)代表单位长度的路径对于区域Qi的覆盖效果；
第2.2路径平滑：
其中，βi表示路径li与水平方向的夹角，βth是不影响飞行器平稳飞行和传感器信息采集的最大转弯角度；
第2.3最终的评价函数：
F(li,Qi)＝w1F1(li,Qi)+w2F2(li) (4)
其中，w1和w2是两部分的权重，满足w1,w1∈[0,1]且一个子区域内的最优路径指对应评价值F(li,Qi)最大的路径；
第3、整体监控过程规划
环境整体监控路径的生成依赖于每段子路径的首尾顺利连接，即合理地安排对各个子区域的覆盖监控顺序，保证对整个环境的完整均衡覆盖，同时，减少飞行器在一次巡航中的回转调头次数；针对所划分的正方形子区域，设计了“水平Z”字和“垂直Z”字两种覆盖模式；在覆盖开始前，先根据飞行器所要监控的环境形状确定合适的覆盖模式；
“水平Z”字和“垂直Z”字两种覆盖模式的原理相似，都是按照“Z”字形的顺序安排各子区域监控顺序的方式，主要区别在于它们的扫描方向不同，即在“水平Z”字覆盖模式中，飞行器在所监控区域的左右边界之间往返巡航，扫描方向是垂直的向上或向下；而在“垂直Z”字覆盖模式中，飞行器在所监控区域的上下边界之间往返巡航，扫描方向是水平的向左或向右，这里的水平方向指地图的水平方向，对应实际环境中的东西方向，相应的，地图中的垂直方向对应实际环境中的南北方向；据以上描述，在相同覆盖环境和子区域划分的条件下，飞行器在一次巡航覆盖中的调头次数与其覆盖区域在扫描方向的跨度有关，跨度越大，对应的路径转折越多，为了最小化路径的转折点数，需要计算待覆盖环境的水平和垂直跨度，将跨度更小的方向设为扫描方向，完成整体环境监控路径规划任务。
2.根据权利要求1所述的多无人飞行器对大规模环境的持续监控路径规划方法，其特征在于，第2步所述路径需要满足的特定约束是指每一段路径的起始点必须是上一段路径的终点，且路径的终点需落在该子区域与下一个待覆盖子区域的公共边界上以保证各段路径的顺利衔接，以上约束条件极大地缩小了路径的搜索空间，最优路径的求解可以通过差分进化算法迭代获得。
CN201810453623.2A 2018-05-14 2018-05-14 多无人飞行器对大规模环境的持续监控路径规划方法 Active CN108897312B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810453623.2A CN108897312B (zh) 2018-05-14 2018-05-14 多无人飞行器对大规模环境的持续监控路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810453623.2A CN108897312B (zh) 2018-05-14 2018-05-14 多无人飞行器对大规模环境的持续监控路径规划方法

Publications (2)

Publication Number Publication Date
CN108897312A true CN108897312A (zh) 2018-11-27
CN108897312B CN108897312B (zh) 2021-06-04

Family

ID=64342873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810453623.2A Active CN108897312B (zh) 2018-05-14 2018-05-14 多无人飞行器对大规模环境的持续监控路径规划方法

Country Status (1)

Country Link
CN (1) CN108897312B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799815A (zh) * 2019-01-04 2019-05-24 湖南省华铭环保有限公司 一种自动探索路径作业方法
CN110006428A (zh) * 2019-01-21 2019-07-12 武汉大学 一种基于无人机能量的覆盖路径规划方法及装置
CN111623780A (zh) * 2020-06-08 2020-09-04 大连海事大学 一种基于优先级目标分配的多无人船协同路径规划方法
CN112099521A (zh) * 2020-10-09 2020-12-18 北京邮电大学 一种无人机路径规划方法及装置
CN112162569A (zh) * 2020-09-09 2021-01-01 北京航空航天大学 一种飞行器绕多禁飞区路径规划与决策方法
CN112330915A (zh) * 2020-10-29 2021-02-05 五邑大学 无人机森林防火预警方法、系统、电子设备和存储介质
CN112416018A (zh) * 2020-11-24 2021-02-26 广东技术师范大学 基于多信号采集与路径规划模型的无人机避障方法和装置
CN113190031A (zh) * 2021-04-30 2021-07-30 成都思晗科技股份有限公司 基于无人机的森林火灾自动拍照跟踪方法、装置及系统
CN113408774A (zh) * 2020-03-17 2021-09-17 北京京东振世信息技术有限公司 路线规划方法、装置、存储介质及电子设备
CN113639750A (zh) * 2021-07-20 2021-11-12 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN114237256A (zh) * 2021-12-20 2022-03-25 东北大学 一种适用于欠驱动机器人的三维路径规划与导航方法
CN115016528A (zh) * 2022-05-23 2022-09-06 贵州丰立空间科技有限公司 一种基于无人机的光伏板巡查系统
CN117300296A (zh) * 2023-11-30 2023-12-29 苏州融速智造科技有限公司 无氩气保护下优化电弧增材焊道的方法
US11868931B2 (en) 2021-03-31 2024-01-09 Kabushiki Kaisha Toshiba Reliability-aware multi-agent coverage path planning

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576683A (zh) * 2012-08-03 2014-02-12 中国科学院深圳先进技术研究院 多巡逻机器人的调度方法和系统
US20160236347A1 (en) * 2015-02-17 2016-08-18 Kabushiki Kaisha Yaskawa Denki Movable object controller and method for controlling movable object
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
CN106652021A (zh) * 2016-12-09 2017-05-10 南京理工大学 一种带电作业机器人作业环境3d重构方法
CN106844761A (zh) * 2017-02-21 2017-06-13 中国公路工程咨询集团有限公司 公路地质灾害多源信息监测预警装置
CN107065857A (zh) * 2016-02-11 2017-08-18 罗伯特·博世有限公司 用于监控机动车停车场的方法和无人驾驶飞行器
CN107179777A (zh) * 2017-06-03 2017-09-19 复旦大学 多智能体集群协同方法与多无人机集群协同系统
US20170301220A1 (en) * 2016-04-19 2017-10-19 Navio International, Inc. Modular approach for smart and customizable security solutions and other applications for a smart city

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103576683A (zh) * 2012-08-03 2014-02-12 中国科学院深圳先进技术研究院 多巡逻机器人的调度方法和系统
US20160236347A1 (en) * 2015-02-17 2016-08-18 Kabushiki Kaisha Yaskawa Denki Movable object controller and method for controlling movable object
CN107065857A (zh) * 2016-02-11 2017-08-18 罗伯特·博世有限公司 用于监控机动车停车场的方法和无人驾驶飞行器
US20170301220A1 (en) * 2016-04-19 2017-10-19 Navio International, Inc. Modular approach for smart and customizable security solutions and other applications for a smart city
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
CN106652021A (zh) * 2016-12-09 2017-05-10 南京理工大学 一种带电作业机器人作业环境3d重构方法
CN106844761A (zh) * 2017-02-21 2017-06-13 中国公路工程咨询集团有限公司 公路地质灾害多源信息监测预警装置
CN107179777A (zh) * 2017-06-03 2017-09-19 复旦大学 多智能体集群协同方法与多无人机集群协同系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FANG YONGCHUN: "Geometric Adaptive Dynamic Visual Servoing of a Quadrotor UAV", 《2016 IEEE INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS (AIM)》 *
刘玉军，等: "基于监测任务的多旋翼无人机路径规划", 《中国电子科学研究院学报》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109799815A (zh) * 2019-01-04 2019-05-24 湖南省华铭环保有限公司 一种自动探索路径作业方法
CN110006428A (zh) * 2019-01-21 2019-07-12 武汉大学 一种基于无人机能量的覆盖路径规划方法及装置
CN113408774A (zh) * 2020-03-17 2021-09-17 北京京东振世信息技术有限公司 路线规划方法、装置、存储介质及电子设备
CN111623780B (zh) * 2020-06-08 2023-09-08 大连海事大学 一种基于优先级目标分配的多无人船协同路径规划方法
CN111623780A (zh) * 2020-06-08 2020-09-04 大连海事大学 一种基于优先级目标分配的多无人船协同路径规划方法
CN112162569A (zh) * 2020-09-09 2021-01-01 北京航空航天大学 一种飞行器绕多禁飞区路径规划与决策方法
CN112099521A (zh) * 2020-10-09 2020-12-18 北京邮电大学 一种无人机路径规划方法及装置
CN112330915A (zh) * 2020-10-29 2021-02-05 五邑大学 无人机森林防火预警方法、系统、电子设备和存储介质
CN112416018A (zh) * 2020-11-24 2021-02-26 广东技术师范大学 基于多信号采集与路径规划模型的无人机避障方法和装置
CN112416018B (zh) * 2020-11-24 2021-07-09 广东技术师范大学 基于多信号采集与路径规划模型的无人机避障方法和装置
US11868931B2 (en) 2021-03-31 2024-01-09 Kabushiki Kaisha Toshiba Reliability-aware multi-agent coverage path planning
CN113190031A (zh) * 2021-04-30 2021-07-30 成都思晗科技股份有限公司 基于无人机的森林火灾自动拍照跟踪方法、装置及系统
CN113639750A (zh) * 2021-07-20 2021-11-12 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN113639750B (zh) * 2021-07-20 2023-05-26 中国地质大学（武汉） 顾及时变需求的高峰时段无人机监视路径规划方法及装置
CN114237256B (zh) * 2021-12-20 2023-07-04 东北大学 一种适用于欠驱动机器人的三维路径规划与导航方法
CN114237256A (zh) * 2021-12-20 2022-03-25 东北大学 一种适用于欠驱动机器人的三维路径规划与导航方法
CN115016528B (zh) * 2022-05-23 2023-03-10 贵州丰立空间科技有限公司 一种基于无人机的光伏板巡查系统
CN115016528A (zh) * 2022-05-23 2022-09-06 贵州丰立空间科技有限公司 一种基于无人机的光伏板巡查系统
CN117300296A (zh) * 2023-11-30 2023-12-29 苏州融速智造科技有限公司 无氩气保护下优化电弧增材焊道的方法
CN117300296B (zh) * 2023-11-30 2024-03-01 苏州融速智造科技有限公司 无氩气保护下优化电弧增材焊道的方法

Also Published As

Publication number Publication date
CN108897312B (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN108897312A (zh) 多无人飞行器对大规模环境的持续监控路径规划方法
CN109254588B (zh) 一种基于交叉变异鸽群优化的无人机集群协同侦察方法
Alam et al. A survey of safe landing zone detection techniques for autonomous unmanned aerial vehicles (UAVs)
Brust et al. A networked swarm model for UAV deployment in the assessment of forest environments
CA2829169C (en) Aerial forest inventory system
CN103941744B (zh) 用于确定飞行路径的方法
Yu et al. Probabilistic path planning for cooperative target tracking using aerial and ground vehicles
Azpúrua et al. Multi-robot coverage path planning using hexagonal segmentation for geophysical surveys
CN109923589A (zh) 构建和更新高程地图
CN111240319A (zh) 室外多机器人协同作业系统及其方法
CN109923492A (zh) 飞行路径确定
CN109358638A (zh) 基于分布式地图的无人机视觉避障方法
Waslander Unmanned aerial and ground vehicle teams: Recent work and open problems
CN107544501A (zh) 一种智能机器人智慧行走控制系统及其方法
Balampanis et al. Area decomposition, partition and coverage with multiple remotely piloted aircraft systems operating in coastal regions
Bailon-Ruiz et al. Real-time wildfire monitoring with a fleet of UAVs
Scott et al. Occlusion-aware coverage for efficient visual sensing in unmanned aerial vehicle networks
Leng et al. Multi-UAV surveillance over forested regions
Hu et al. Multi-UAV coverage path planning: a distributed online cooperation method
Sarkar et al. A novel search and survey technique for unmanned aerial systems in detecting and estimating the area for wildfires
Zhicai et al. A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm
Li et al. Obstacle clustering and path optimization for drone routing
Sai et al. A comprehensive survey on artificial intelligence for unmanned aerial vehicles
Kamat et al. A survey on autonomous navigation techniques
Yang et al. Wide area surveillance of urban environments using multiple Mini-VTOL UAVs

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