CN109000651A - 一种路径规划方法及路径规划装置 - Google Patents

Abstract

本发明实施例涉及电子信息技术领域，公开了一种路径规划方法及路径规划装置。该路径规划方法包括：根据获取到的全部待监控区域的位置、及所要求的监测精度和无人驾驶飞行器UAV的数量，建立飞行路径建立路线规划模型；其中，路线规划模型包括UAV完成的飞行路径所用的时间和UAV在空间节点的监控时间的目标函数；基于第一预设算法的推演，生成路线规划模型的初始解；基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解；其中，所述最优解表示UAV完成对待监控区域的监控任务所用的最短监控时间。本发明中，通过构建数学规划模型进行UAV飞行路径的求解，该模型同时考虑了无人机因完成监测任务所访问空间节点的顺序和高度。

Description

一种路径规划方法及路径规划装置

技术领域

本发明实施例涉及电子信息技术领域，特别涉及一种路径规划方法及路径规划装置。

背景技术

无人驾驶飞行器(UAV，Unmanned Aerial Vehicle)，通常被称为无人机，在UAV上加载不同的图像传感器，使无人机能够捕获目标图像，获取到的目标图像可通过UAV上的无线传输系统实时传输到控制站，例如，可使用无人机设备监控水环境，交通流量和输油管道等。另外，由于航空、微电子、计算机、导航、通信、传感器和相关技术的发展使得UAV的性能得到持续的改善，使得在使用UAV作为监控手段时具有更多的优势，例如，能够观察更广阔的区域包括在150至300米的高度上覆盖300至500平方米的区域；成本更低，更灵活，效率更高且能够实时操作。因此，无人机广泛应用于气象勘探，灾害评估，地质调查，环境监控，资源勘探等领域。

发明人发现现有技术中至少存在如下问题：现有的UAV的最大飞行时间有限，如果一个监控任务中需要停留在至少一个的空间节点，需要对UAV的飞行路线进行规划，由于无人机停留在不同高度监测时的精度等级不同，因而对UAV路线规划的方法同时确定了无人机完成监测任务所遍历空间节点的位置和高度，与众所周知的车辆路径规划是不同的。现有的商业性的整数线性规划解算器在求解UAV路线规划模型时，仅能够在合理时间内为规模较少的模型给出精确解，随着求解规模越大，用时较长，因为对于大规模实例下的模型无法给出最短时间内的路径最优解。

发明内容

本发明实施方式的目的在于提供一种无人机监测时的路径规划方法通过构建数学规划模型进行求解UAV飞行路径，该模型同时考虑了无人机因完成监测任务所访问空间节点的顺序和高度。

为解决上述技术问题，本发明的实施方式提供了一种路径规划方法，包括以下步骤：

根据获取到的全部待监控区域的位置、及其所要求的监测精度和无人驾驶飞行器UAV的数量，确定UAV对应监测全部待监控区域的空间节点位置，以及全部的飞行路径；

根据空间节点和全部的飞行路径建立路线规划模型；其中，路线规划模型包括UAV完成的飞行路径所用的时间和UAV在空间节点的监控时间的目标函数；

基于第一预设算法的推演，生成路线规划模型的初始解；

基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解；其中，最优解表示UAV完成对待监控区域的监控任务所用的最短监控时间。

本发明的实施方式还提供了一种路径规划装置，包括：

模型生成模块，用于根据获取到的全部待监控区域的位置、及所要求的监测精度和无人驾驶飞行器UAV的数量建立路线规划模型；其中，路线规划模型包括UAV完成规划飞行路线所用的时间和UAV对每个待监控区域的监控时间的目标函数；

模型求解模块，用于路线规划模型在第一预设算法的推演下，生成路线规划模型的初始解；

最优解生成模块，用于基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解；其中，最优解表示UAV完成对待监控区域的监控任务所用的最短监控时间。

本发明实施方式相对于现有技术而言，根据建立的路线规划模型解决无人机空间中路径的问题，在建立路线规划模型时引入监控高度，确定出获取待监控区域监控图像的空间节点并确定出空间中所有可能的飞行路径，利用该路径规划模型求解空间中的路径问题更准确，在求解过程中先确定初始解，并根据初始解和路线规划模型确定出最优解，从而确定出完成监控任务所用的最短时间，该模型的建立简化了求解的过程，使能在较短时间内完成求解。

另外，路线规划模型还包括：目标函数的约束条件和决策变量。

另外，约束条件包括：每个UAV的飞行时间和监控时间之和小于或等于UAV的最大飞行时间、至少有一个空间节点对监控区域进行监控且监控高度满足监控精度要求、UAV开始飞行的地点与UAV停止飞行的地点相同、和停留在一个空间节点的UAV的数量最多为一个。

另外，决策变量包括：UAV是否经过两个空间节点之间的飞行路径和UAV是否停留在飞行路径中一个空间节点进行监控。

该实施方式中，加入约束变量与决策变量均能够更准确的表示该模型，使得通过该模型进行求解后的结果更符合实际设定。

另外，基于第一预设算法的推演，生成路线规划模型的初始解，具体包括：

确定空间节点、UAV与待监控区域的对应关系；根据对应关系确定UAV停留的空间节点，并规划UAV的路线，其中，一个空间节点对应至少一个的待监控区域；标记待监控区域的状态为已被监控；根据UAV的路径以及全部待监控区域的状态生成初始解。

该实施方式中，确定每个监控区域均被监控，使得获取的初始解能够满足监控要求，提高了第一预设算法的可靠性。

另外，标记待监控区域的状态为已被监控，包括：若存在UAV在一个空间节点时对至少一个的待监控区域进行监控，至少一个的待监控区域均标记为已被监控；和/或，若空间节点与待监控区域为一对一映射，UAV停留在空间节点，则标记对应的待监控区域为已被监控。

该实施方式中，对于已被监控的区域仅确定出一个有效的空间节点，能够使获得的初始解更接近最优解，从而缩短了对初始解优化的时间。

另外，基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解，具体包括：获取初始解的适应值并确定初始解为当前解；通过求解路线规划模型生成当前解的邻域并确定邻域对应的邻域解，其中，在搜索邻域解的过程中生成的禁忌列表；获取邻域解的适应值，并确定适应值最小的邻域解；确定邻域解的元素不在禁忌列表中，或者，邻域解的元素在禁忌列表中，但邻域解中的元素满足藐视准则；获取初始解的适应值，选择邻域解中适应值最小且小于当前解的适应值对应的邻域解迭代当前解；确定当前解为最优解。

另外，确定当前解为最优解，具体包括：当前解经过至少一次的迭代后，判断当前解不变的迭代次数是否大于预设当前解不变次数；若是，则根据路线规划模型在第一预设算法的推演下生成至少一个的当前解，确定当前解中适应值最小的当前解为最优解；若否，获取当前解的迭代次数，若当前解的迭代次数大于预设最大迭代次数，确定当前解为最优解。

该实施方式中，通过求解邻域的方式确定出最优解，有效缩短了求解时间。

另外，第一预设算法包括，启发式算法；第二预设算法包括，禁忌搜索启发式算法。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请第一实施方式中路线规划方法的流程图；

图2是本申请第一实施方式中监控区域的空间位置示意图；

图3a是本申请第一实施方式中另一路线规划方法的流程图；

图3b是本申请第二实施方式中另一路线规划方法的流程图；

图3c是本申请第一实施方式中监控精度等级对应监控高度的示意图；

图4是本申请第一实施方式中UAV在飞行过程中的受力情况示意图；

图5是本申请第二实施方式中路线规划方法的流程图；

图6是本申请第二实施方式中监控区域与空间节点在平面上的对应示意图；

图7是本申请第三实施方式中路线规划装置的结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的第一实施方式涉及一种路线规划方法。具体流程如图1所示。包括如下步骤：

步骤101：根据获取到的全部待监控区域的位置、及所要求的监测精度和无人驾驶飞行器UAV的数量，确定UAV对应监测全部待监控区域的空间节点位置，以及全部的飞行路线。

一个具体的实现中，如图2所示的监控区域的空间节点及对应的监控区域的示意图，每个空间节点都对应相应的待监控区域，需要UAV在飞行过程中经过每一个空间节点，并在空间节点停留获取监控图像，使得UAV能够完成监控任务。

需要说明的是，该UAV经过图示中的任意两个空间节点之间的飞行路径均有可能，因此，需要确定出完成监控任务使用最短时间的飞行路径。

步骤102：根据空间节点和全部的飞行路线建立路线规划模型。

其中，路线规划模型包括UAV完成的全部飞行路径所用的时间和UAV在空间节点的监控时间的目标函数。

具体的，建立该路线规划模型时定义一个有向网络G＝(N，D)，其中，N表示待监控区域的空间节点在平面上的位置N为0表示UAV机场，D为一个弧连通集，D＝{((i，r)，(j，s))|i，j∈N；r，s∈H}。其中H表示监控高度。G中的一条飞行路径表示为UAV从(i，r)到(j，s)的连通通路，则需要耗费的时间表示为：u_ir+t_irjs，其中u_ir是在位置(i，r)处的监控时间，t_irjs是两个地点之间的飞行时间。根据空间节点确定出全部的飞行路线，若存在K台无人机，通过飞行器的数量规划该UAV完成监控任务可能的飞行路线，并不需要该UAV飞行完成每一条飞行路线。

具体的说，为了建立完整的数学模型还需要确定实现该方案的约束条件，一个具体实现中该约束条件包括：每个UAV的飞行时间和监控时间之和小于或等于UAV的最大飞行时间、至少有一个空间节点对监控区域进行监控且监控高度满足监控精度要求、UAV开始飞行的地点与UAV停止飞行的地点相同、和停留在一个空间节点的UAV的数量最多为一个。

由于该模型中包括所有可能的飞行路线，在UAV飞行过程中记录UAV的飞行时长，需要对UAV飞行经过的线路进行标记，以及需要标记该UAV已监控的待监控区域，需要设置决策变量，该决策变量包括：UAV是否经过两个空间节点之间的飞行路径和UAV是否停留在飞行路径中一个空间节点进行监控。

需要说明的是，决策变量的取值为0或1，如，x_irjsk表示若UAV经过两个空间节点从(i，r)到(j，s)之间的飞行路径取值为1，否则取值为0；y_irk表示若UAV停留在空间节点(i，r)进行监控则取值为1，否则取值为0；k表示UAV的索引。其中，k是所有无人机中的任意一架。

一个具体的实现中，约束条件可通过如下的公式表示：需要说明的是，公式中的字母参数的含义均相同，该公式中具体符号含义包括：N表示全部待监控区域的空间节点在平面上的点的集合，N为0表示UAV机场，i，j均表示待监控区域在平面上的位置；K表示所有UAV的集合，k表示UAV的索引；A表示所有待监控区域的集合，a表示监控区域的索引；H表示全部待监控区域的所有的监控高度的集合，r，s均表示待监控区域的监控高度，H为0表示UAV机场。

其中出现的参数包括：b_air表示若监控区域a可以被停留在(i，r)的UAV监控范围所覆盖取值为1，否则取值为0；t_irjs表示一架UAV从空间节点(i，r)到空间节点(j，s)所需的时间，其中，i,j∈N，r,s∈H；u_ir表示一架UAV停留在空间节点(i，r)并进行监控的时间，其中，i∈N\{0}，r∈H\{0}；T_max表示每架无人机的最大飞行时间。

具体的，约束条件通过公式表示为：

公式1：∑_i∈N\{0}∑_r∈H\{0}∑_k∈Kb_airy_irk≥1其中，a∈A。保证每个待监控区域至少被一个UAV的监控范围覆盖，且该空间节点满足监控精度要求。

公式2：∑_k∈Ky_irk≤1其中，i∈N\{0},r∈H\{0}；其中，y_irk与上述提到的决策变量y_irk相同，此处不再赘述。确保在同一空间节点上停留并进行监控的UAV的数量不超过一架。

公式3：∑_j∈N∑_s∈Hx_irjsk＝y_irk；其中，i∈N,r∈H,(i,r)≠(j,s)；其中，x_irjsk与上述提到的决策变量x_irjsk相同，此处不再赘述。表明两个决策变量之间的关系。

公式4：∑_j∈N∑_s∈Hx_00jsk＝1其中，k∈K。

公式5：∑_i∈N∑_r∈Hx_ir00k＝1其中，k∈K。公式4和公式5表示该UAV在机场开始以及结束点也是机场。

公式6：∑_j∈N∑_s∈Hx_irjsk＝∑_j∈N∑_s∈Qx_jsirk其中，i∈N,r∈Q,k∈K；(i,r)≠(j,s)。表示流量的约束，也是就是说，不论该UAV的飞行方向是从(i，r)到(j，s)或者从(j，s)到(i，r)，均表示该UAV已经飞行过(i，r)到(j，s)之间的飞行路径。

公式7：∑_i∈N∑_r∈H∑_j∈N∑_s∈Hx_irjsk≤|S|-1其中，k∈K；|S|≥2。其中，S表示分别从N和H中取值组成一个包括部分飞行路线的子集，|S|≥2表示至少有两条飞行路线，公式7表示消除子路的约束条件。

公式8：∑_i,j∈N∑_r,s∈Ht_irjsx_irjsk+∑_i∈N\{0}∑_r∈H\{0}u_iry_irk≤T_max其中，k∈K。表示每个UAV的飞行时间均不超过其最大飞行时间。

公式9：x_irjsk∈{0,1}其中，i,j∈N；r,s∈H；k∈K。

公式10：y_irk∈{0,1}其中，i∈N\{0},r∈H\{0},k∈K。公式9和公式10表示决策变量的取值。

值得一提的是，约束条件的数量可根据实际情况进行适应性的增加或减少，此处不做限制，上述仅是约束条件的举例说明，不做具体限制。

需要说明的是，公式7表示的消除子路的约束条件，另一个具体实现中，通过辅助变量和附加约束的方式表示消除子路的约束条件。

附加变量为：μ_irk表示无人机k访问过的空间节点数；i∈N，r∈H，k∈K。μ_00k＝0，表示该UAV在UAV机场起飞。

附加约束关系表示为：

公式11：μ_00k＝0其中，k∈K表示UAV在机场起飞。

公式12：μ_jsk≥μ_irk+1-|N|×|H|(1-x_irjsk)其中，i∈N,r∈H,j∈N\{0},s∈H\{0},k∈K；(i,r)≠(j,s)

公式13：0≤μ_irk≤|N|×|H|-1其中，i∈N,r∈H,k∈K

需要说明的是，上述公式11至公式13表示约束消除子路，可直接用户替换上述的公式7。虽然在附加约束关系中引入附加变量，约束模型的参数减少了S，降低了约束模型的复杂度，简化了运算过程。

具体的，UAV完成的全部飞行路径所用的时间和UAV在空间节点的监控时间的目标函数可以表示为：Z＝∑_i,j∈N∑_r,s∈H∑_k∈Kt_irjsx_irjsk+∑_i∈N∑_r∈H∑_k∈Ku_iry_irk，(公式14)，其中，Z表示目标函数可能的取值，式中其他字母或参数的含义与上述公式中相同字母或参数的含义相同，不再赘述。

需要说明的是，上述的公式1至公式14均是路线规划模型的数学表示，通过约束条件的限制求解出公式14表示的最优解。

步骤103：基于第一预设算法的推演，生成路线规划模型的初始解。

需要说明的是，由于在生成最优解的过程中需要对当前解进行多次迭代，则生成初始解的过程可被当作第一次迭代。

具体的，该路线规划模型中增加监控高度进而确定出空间节点，通过空间节点规划飞行路线，因此根据该路线规划模型生成的初始解是一个好的初始解，也就是说既能够在较短时间内确定一个能实现的解决方案，又能够保证满足各种约束条件。

一个具体实现中，由于决策变量y_irk表示UAV是否有停留在空间节点(i，r)并进行监控，该路线规划模型中包括A个监控区域，则可通过有2A个元素的序列表表示UAV与监控节点的对应关系，如，前A个元素表示空间节点的索引，后A个元素表示UAV的索引。实际设置中，一个空间节点至少对应监控一个待监控区域，且该监控节点的监控精确等级满足待监控区域的监控等级需求，在建立了序列表之后，需要根据约束条件去检测UAV与空间节点的对应关系，以及根据空间节点与待监控区域的映射关系对序列表进行更新，并确定出初始解。

具体的，该第一预设算法为启发式算法时，其流程图如图3a所示，生成初始解的一个具体实施方式包括如下的子步骤：

子步骤1031：确定空间节点、UAV与待监控区域的对应关系。

子步骤1032：根据对应关系确定UAV停留的空间节点，并规划UAV的路线，其中，一个空间节点对应至少一个的待监控区域。

子步骤1033：标记待监控区域的状态为已被监控；

子步骤1034：根据UAV的路径以及全部待监控区域的状态生成初始解。

需要说明的是：标记待监控区域已被监控包括，可能存在一个空间节点对多个待监控区域都能够进行监控，或者，一个待监控区域有至少一个的空间节点满足监控精度要求，因此，标记待监控区域为已被监控须根据具体情况确定，具体实现中包括：若存在UAV在一个空间节点时对至少一个的待监控区域进行监控，至少一个的待监控区域均标记为已被监控；和/或，若空间节点与待监控区域为一对一映射，UAV停留在空间节点，则标记对应的待监控区域为已被监控。

值得一提的是，第一预设算法包括启发式算法，但实际中并不局限于启发式算法，具体可根据实际确定出对应的算法。

步骤104：基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解。

其中，最优解表示UAV完成对待监控区域的监控任务所用的最短监控时间。

具体的，第二预设算法包括禁忌搜索启发式算法。

具体的，若第二算法为禁忌搜索启发式算法，通过该禁忌搜索启发式算法求解最优解的一个具体实施方式中包括如下子步骤：其流程图如图3b所示。

子步骤1041：获取初始解的适应值并确定初始解为当前解。

子步骤1042：通过求解路线规划模型生成当前解的邻域并确定邻域对应的邻域解，其中，在搜索邻域解的过程中生成一个长度为1的禁忌列表。

子步骤1043：获取邻域解的适应值，并确定适应值最小的邻域解。

子步骤1044：判断邻域解中的元素是否存在禁忌列表中；若为是，则执行子步骤1045，否则，执行子步骤1046。

子步骤1045：判断邻域解中的元素是否满足藐视原则，若为是，则执行子步骤1046；否则，执行步骤103。

子步骤1046：获取初始解的适应值，选择邻域解中适应值最小且小于当前解的适应值对应的邻域解迭代当前解。

子步骤1047：确定当前解为最优解。

具体的，在生成禁忌列表的过程中，禁忌列表是一个循环的列表，若邻域解中的元素不在紧急列表中，则说明该邻域解是一个较好的解，并优于当前解的。

具体的，选择邻域解中的适应值最小且小于当前解的适应值对应的邻域解迭代当前解，则将释放标准强加到邻域的解决方案中，由于确定出最优解的过程是一个不断更新当前解进而实现确定出最优解，能够避免重复对一个当前解进行确定的情况。

值得一提的是，禁忌搜索启发式算法仅是一种举例说明，实际中不局限于此算法。

本发明实施方式相对于现有技术而言，根据建立的路线规划模型解决空间中路径的问题，在建立路线规划模型时引入监控高度，确定出待监控区域的空间节点并确定出空间中所有可能的飞行路径，利用该路径规划模型求解空间中的路径问题更准确，在求解过程中先确定初始解，并根据初始解和路线规划模型确定出最优解，从而确定出完成监控任务所用的最短时间，该模型的建立简化了求解的过程，使能在较短时间内完成求解。

基于第一实施方式的具体实现中，根据路线规划模型进行时间的规划计算的过程中，还可以根据飞行路径的权重确定飞行路径中两个空间节点的时间消耗。其中，UAV从一个空间节点飞行到下一个的空间节点所需的升力称为权重，权重与该空间节点的监控高度以及从一个空间节点到下一个空间节点的飞行时间相关。

具体的，对于监控高度如将其分为低、中和高三个高度等级，分别对应监控精度中的高、中和低的监控精度。不同的监控高度获取的监控区域的面积不同，如图3c所示，图中r₁＜r₂＜r₃，图示中(1)为低监控高度高监控精度等级且监控区域为1；(2)为中监控高度等级中监控精度等级且监控区域为4；(3)为高监控高度等级低监控精度等级且监控区域为9。则监控高度的集合H表示为：{0，1，2，3}。

生成参数b_air和t_irjs的一个具体实现为：需要先定义相关的辅助参数，具体如下的表1所示。

表1：辅助参数的定义

生成参数b_air的一个具体实现：先确定每个监控区域a的监控精度等级，根据空间节点投射在平面的范围确定对应于顶点j∈N_v的每个监控区域a的中心节点i∈N_c。最后选择每个监控区域a的节点i∈N_c与顶点j∈N_v之间的最大距离d_ij，并将其与监控范围不同的监控范围的半径r₁,r₂,r₃进行比较。如果监控区域a的准确度要求较高，即max{d_ij}＜r₁，那么顶点j∈N_V所属的区域可以由停在空间节点(i,1)的UAV覆盖，参数b_air设置为1。

设置参数t_irjs，我们使用d_irjs来测量无人机从空间节点(i,r)到节点(j,s)飞行的飞行时间。空间节点(i₁,r₁)到(j₁,s₁)与空间节点(i₂,r₂)到(j₂,s₂)之间的位移可能相等，但这两对空间节点所形成的空间角度可能不同，这意味着从(i₁,r₁)到(j₁,s₁)和从(i₂,r₂)到(j₂,s₂)的无人机可能花费的时间不相等。因此，无人机在任何两个空间节点之间的不同飞行路径都应该考虑。有五种飞行模式：竖直向上飞行，倾斜向上飞行，竖直向下飞行，倾斜向下飞行和水平飞行。无人机在上述五种模式下的受力情况如图4所示。

基于以上分析，无人机在飞行过程中的升力可通过如下的五种模式表示：

模式一为竖直向上飞行，受力情况表示为公式15：F＝G+f，在升力F的作用下UAV匀速上升。

模式二为倾斜向上飞行，受力情况表示为公式16：

其中，i,j∈N；r,s∈H。

模式三为竖直向下飞行，受力情况表示为公式17：F＝G-f。

模式四为倾斜向下飞行，受力情况表示为公式18：

其中，i,j∈N；r,s∈H。

模式五为水平飞行，受力情况表示为公式19：

需要说明的是，上述公式15至公式19表示的UAV的受力情况均为匀速飞行时，受力平衡的情况，实际中从一个空间节点到另一个的空间节点可能是先加速再匀速最后减速的过程，此处仅为举例说明，不做具体限制。

值得一提的是，无人机从空间节点(i,r)到(j,s)穿越所需的升力越大，花费的时间就越长。因此，无人机从空间节点(i,r)到(j,s)所需的升力被当作飞行路径选择的权重，并且用于测量具有飞行距离d_irjs的任何两个空间节点之间的时间消耗。

本发明的第二实施方式涉及一种路径规划方法。第二实施方式与第一实施方式大致相同，主要区别之处在于：在本发明第二实施方式中，具体说明了确定出当前解为最优解的具体实施方式。其实施方式如图5所示，包括如下步骤：

需要说明的是，本实施方式中主要是对第一实施方式中的子步骤1047的进一步详细描述，步骤501至步骤503分别与第一实施方式中的步骤101至步骤103相同，步骤504至步骤509分别与第一实施方式中的子步骤1041至步骤1046相同，此处不再赘述。

步骤510：判断当前解不变的迭代次数是否大于预设当前解不变的次数，若是，则执行步骤511；否则，执行步骤512。

步骤511：根据路线规划模型在第一预设算法的推演下生成至少一个的当前解，确定当前解中适应值最小的当前解为最优解。

步骤512：获取当前解的迭代次数。

步骤513：判断当前解的迭代次数是否大于预设最大迭代次数，若为是，则执行步骤515，否则转去执行步骤505。

步骤514：确定当前解为最优解。

值得一提的是，设置当前解不变的迭代次数是为了避免方案出现局部最优的情况，则需要在第一预设算法的推演下生成至少一个的当前解，确定当前解中适应值最小的当前解为最优解。一般而言，通过该方式生成的当前解一般至少有十个。

另外，通过该方式生成的当前解的方式的第一预设算法具体包括：确定UAV的数量和索引；确定UAV停留的空间节点采集的监控图像满足监控精度的要求；若在一个空间节点停留的UAV仅对应监测一个待监控区域，则标记该待监控区域已被监控；对于每一个待监控区域，随机选择一个由UAV监控的空间节点，确定与该空间节点对应的UAV和该空间节点对应的待监控区域，将对应的待监控区域均标记为已被监控；根据UAV的路径确定生成的当前解。

需要说明的是，第二预设算法是禁忌搜索算法是一种优选的选择，如下将禁忌搜索算法与CPLEX软件进行比较。

以下分别通过小规模、中规模和大规模的算例推算数据给出CPLEX软件与禁忌搜索算法求解的对比，其中，小规模表示空间节点的个数在100以内，中规模表示空间节点的个数在300以内，大规模表示空间节点的个数超过300个的。结果列在表2至表4中，其中目标函数值为Z，算例ID表示的是UDV的飞行路线，对待监控区域的空间节点的划分如图6所示，如图6中若算例为：9-24-3-2-1，表示9个监控区域，24个空间节点，监控高度为3，2架无人机，案例索引为1。如，1号UAV飞行路径为：((0，0)(18，1)(19，1)(16，2)(9，2)(9，1)(0，0))，2号UAV的飞行路径为((0，0)(4，1)(8，2)(12，1)(8，1)(0，0))，算例为举例说明。Z_c是由CPLEX软件得到的最优解，Z_t是由禁忌搜索算法得到的最优解，T_c是CPLEX的运行时间，以秒为单位；T_t是禁忌搜索算法的运行时间，同样以秒为单位，时间比为T_t/T_c。

表2：小规模算例推演的对比结果

需要说明的是，表3中设置为中规模的情况时，Z_c是通过CPLEX软件是求解时间为两小时所得到的可行解，表4中设置大规模的监控区域和空间节点时，CPLEX软件无法给出任何解，在表2中，由于通过CPLEX软件获取到的不是最优解，通过目标值表示CPLEX软件和紧急搜索算法的对比结果，目标值设为gap表示为：(Z_t-Z_c)/Z_c。

表3：中规模算例推演的对比结果

表4：大规模算例推演的对比结果

从表2-4可以看出，在小规模的算例推演中，虽然CPLEX软件与禁忌搜索算法均能够推演出最优解，但禁忌算法在时间上有明显的优势，尤其是9个监控区域75个空间节点的推演上。CPLEX软件只能解决小规模实例的最优化问题。当算例中的无人机数量从一个变为两个时，计算时间平均增加一个小时，并且实例“9-25-3-2-2”的计算时间超过三小时。对于小规模算例，禁忌搜索算法也可以获得最优解，而且使用禁忌搜索算法只需要平均18.73秒的计算时间。对于15个中等规模算例，超过半数通过所提出的求解方法获得的可行解不比CPLEX得到的最优解差。对于CPLEX软件无法获得可行解决方案的大规模实例，我们的禁忌搜索元启发式算法可以在三小时内提供可行的解决方案。因此，选择禁忌搜索算法求解最优解能够有效的缩短求解的时间，提高工作效率。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第三实施方式涉及一种路线规划装置，如图7所示，包括：模型生成模块601、模型求解模块602和最优解生成模块603。

模型生成模块601，用于根据获取到的全部待监控区域的位置、监控高度和无人驾驶飞行器UAV的数量建立路线规划模型；其中，路线规划模型包括UAV完成规划飞行路线所用的时间和UAV对每个待监控区域的监控时间的目标函数；

模型求解模块602，用于路线规划模型在第一预设算法的推演下，生成路线规划模型的初始解；

最优解生成模块603，用于基于初始解与路线规划模型在第二预设算法的推演下，生成路线规划模型的最优解；其中，最优解表示UAV完成对待监控区域的监控任务所用的最短监控时间。

具体的，模型求解模块602用于：规划UAV的路径，确定全部待监控区域均被监控；确定UAV在空间节点对待监控区域进行监控，其中，UAV从空间节点获取的监控图像满足监控精度要求；标记待监控区域的状态为已被监控；根据UAV的路径以及全部待监控区域的状态生成初始解。

具体的，最优解生成模块603用于：获取初始解的适应值并确定初始解为当前解；根据路线规划模型生成当前解的邻域并确定邻域对应的邻域解，其中，在搜索邻域解的过程中生成一个长度为1的禁忌列表；获取邻域解的适应值，并确定适应值最小的邻域解；确定邻域解的元素不在禁忌列表中，或者，邻域解的元素在禁忌列表中，但邻域解中的元素满足藐视准则；获取初始解的适应值，选择邻域解中适应值最小且小于当前解的适应值对应的邻域解迭代当前解；确定当前解为最优解。

不难发现，本实施方式为与第一实施方式相对应的装置实施例，本实施方式可与第一或第二实施方式互相配合实施。第一或第二实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一或第二实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (10)

1.一种路径规划方法，其特征在于，包括：

根据获取到的全部待监控区域的位置、及所要求的监测精度和无人驾驶飞行器UAV的数量，确定UAV对应监测所述全部待监控区域的空间节点位置，以及全部的飞行路径；

根据所述空间节点和所述全部的飞行路径建立路线规划模型；其中，所述路线规划模型包括所述UAV完成的所述飞行路径所用的时间和所述UAV在所述空间节点的监控时间的目标函数；

基于第一预设算法的推演，生成所述路线规划模型的初始解；

基于所述初始解与所述路线规划模型在第二预设算法的推演下，生成所述路线规划模型的最优解；其中，所述最优解表示所述UAV完成对所述待监控区域的监控任务所用的最短监控时间。

2.根据权利要求1所述的路径规划方法，其特征在于，所述路线规划模型还包括：所述目标函数的约束条件和决策变量。

3.根据权利要求2所述的路径规划方法，其特征在于，所述约束条件包括：每个所述UAV的飞行时间和监控时间之和小于或等于所述UAV的最大飞行时间、至少有一个所述空间节点对所述监控区域进行监控且所述监控高度满足监控精度要求、所述UAV开始飞行的地点与所述UAV停止飞行的地点相同、和停留在一个所述空间节点的所述UAV的数量最多为一个。

4.根据权利要求2所述的路径规划方法，其特征在于，所述决策变量包括：所述UAV是否经过两个空间节点之间的所述飞行路径和所述UAV是否停留在所述飞行路径中一个所述空间节点进行监控。

5.根据权利要求4所述的路径规划方法，其特征在于，基于第一预设算法的推演，生成所述路线规划模型的初始解，具体包括：

确定所述空间节点、所述UAV与所述待监控区域的对应关系；

根据所述对应关系确定所述UAV停留的所述空间节点，并规划所述UAV的路线，其中，一个所述空间节点对应至少一个的所述待监控区域；

标记所述待监控区域的状态为已被监控；

根据所述UAV的路径以及全部所述待监控区域的状态生成初始解。

6.根据权利要求5所述的路径规划方法，其特征在于，所述标记所述待监控区域的状态为已被监控，包括：

若存在所述UAV在一个所述空间节点时对至少一个的所述待监控区域进行监控，所述至少一个的所述待监控区域均标记为已被监控；和/或，

若所述空间节点与所述待监控区域为一对一映射，所述UAV停留在所述空间节点，则标记对应的所述待监控区域为已被监控。

7.根据权利要求1所述的路径规划方法，其特征在于，所述基于所述初始解与所述路线规划模型在第二预设算法的推演下，生成所述路线规划模型的最优解，具体包括：

获取所述初始解的适应值并确定所述初始解为当前解；

通过求解所述路线规划模型生成所述当前解的邻域并确定所述邻域对应的邻域解，其中，在搜索所述邻域解的过程中生成禁忌列表；

获取所述邻域解的适应值，并确定所述适应值最小的邻域解；

确定所述邻域解的元素不在所述禁忌列表中，或者，所述邻域解的元素在所述禁忌列表中，但所述邻域解中的元素满足藐视准则；

获取所述初始解的适应值，选择所述邻域解中适应值最小且小于所述当前解的适应值对应的邻域解迭代所述当前解；

确定所述当前解为最优解。

8.根据权利要求7所述的路径规划方法，其特征在于，所述确定所述当前解为最优解，具体包括：

所述当前解经过至少一次的迭代后，判断所述当前解不变的次数是否大于预设当前解不变次数；

若是，则根据所述路线规划模型在第一预设算法的推演下生成至少一个的当前解，确定所述当前解中适应值最小的当前解为最优解；

若否，获取当前解的迭代次数，若所述当前解的迭代次数大于预设最大迭代次数，确定所述当前解为最优解。

9.根据权利要求2所述的路径规划方法，其特征在于，所述第一预设算法包括，启发式算法；所述第二预设算法包括，禁忌搜索启发式算法。

10.一种路径规划装置，其特征在于，包括：

模型生成模块，用于根据获取到的全部待监控区域的位置、及其要求的监测精度和无人驾驶飞行器UAV的数量建立路线规划模型；其中，所述路线规划模型包括所述UAV完成规划飞行路线所用的时间和所述UAV对每个所述待监控区域的监控时间的目标函数；

模型求解模块，用于所述路线规划模型在第一预设算法的推演下，生成所述路线规划模型的初始解；

最优解生成模块，用于基于所述初始解与所述路线规划模型在第二预设算法的推演下，生成所述路线规划模型的最优解；其中，所述最优解表示所述UAV完成对所述待监控区域的监控任务所用的最短监控时间。