CN109445462A - 一种非确定环境下的无人机鲁棒路径规划方法 - Google Patents

Abstract

本发明公开了一种非确定环境下的无人机鲁棒路径规划方法，通过当地风速构建路径规划模型，再使用迪杰斯特拉算法构建出一条初始路径，通过调整λ的值，选取出安全系数最高的所有路径，最后通过迭代法找到一条即安全有快捷的路径作为最终的规划路径，本发明具有稳定性较高，在不确定环境下可以提供一条可以安全的行进的路线，其次，较之传统的方法，本发明能够更快的找到一条路径，且保证其安全性。

Description

一种非确定环境下的无人机鲁棒路径规划方法

技术领域

本发明属于无人机技术领域，更为具体地讲，涉及一种非确定环境下的无人机鲁棒路径规划方法。

背景技术

无人驾驶飞行器在过去的几十年中引起了研究人员和企业家的极大关注，并且在无人驾驶和物流领域的应用越来越广泛。与普通飞机相比，无人机不需要人飞行员，因此降低了成本，在一些情况下增加了适应性。但是在没有人类的操作时，无人机很有可能因为某些极端天气坠毁例如高风速大降雨，将会对财产造成损失，同时坠毁的无人机也会危及到地面人类生命和财产安全。因此，我们提出了一种不确定环境下的安全最短路径方法，即迭代式迪杰斯特拉路径规划算法.本提升了迪杰斯特算法，用概率值对极端天气进行预测，然后使用本方法提供一条较为安全且最短路径；其次，我们提高了算法在动态环境下的适应性，使得算法更加能够适用于实际环境中。

迪杰斯特拉算法是由荷兰计算机科学家狄克斯特拉于1959年提出的，因此又叫狄克斯特拉算法。是从一个顶点到其余各顶点的最短路径算法，解决的是有向图中最短路径问题。迪杰斯特拉算法主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。

算法可以求出无人机在飞行过程中的最短路径。在实际飞行任务中，往往会在无人机出发前给定目的地。由于各种环境因素的影响以及航空管制，我们不可能让飞机从直线飞行。所以，需要使用算法对其飞行的路径进行规划，常用的就是上述的迪杰斯特拉算法。在实际使用中，天空被划分为一块一块的小区域，将各个区域设置成节点，然后用线连起来，如同一个图结构。小区域是图中点，而连接线是图的边，边上的权值可以为各种意义，但是在普通的路径规划中，边上的值是路径的长度。将目的地设定好，使用上述算法，可以很快的找到一条最短路径。

要使用前一章节使用的路径规划算法。需要对环境有一定的了解。其中，首先要对飞行天空进行建立图模型，其中的图模型可以是栅格型或者图，建立这些图，需要建立节点，这个节点的建立是由施工人员或者航空管制图来确立的。一般为航空管制图作为原图建立。如果是短距离的路径规划，则可以使用栅格图进行图模型的建立。由于建立地图的随机性，导致在实际路径规划出来的路径在同一个算法中也不太一样。其次，是地图边的权值设定，由以上分析可以得到，连接点的边需要设置一个权值，一般来说，权值为两点之间的实际距离。但是，在实际生活中，由于环境因素不一样，例如在天空中的气流速度，风速，也由于在测试两点之间距离的时候，本身存在的误差，也导致了无人机在实际飞行中，估算出来的最短路径，在同一飞行速度下，会有不同时间抵达的结果，极端情况下，规划出来的最短路径，有可能会耗时最长抵达。

因此，地图建立的准确性，会影响路径规划的准确性，如果地图建立失误，将会对无人机造成没必要的损失。

假设，地图建立的很完美，使用迪杰斯特拉算法得到最短路径，同样也会出现各种各样的问题。首先，地图建立的边权一般都是点与点之间的距离，运用迪杰斯特拉算法时，由于算法的固有原理，边权是不能为负值的，虽然这一点在建立地图时就已经避免了，但是如果边权的两点不再是距离，改成了其他值的时候，就不能再使用迪杰斯特拉算法了。其次，边权上的数值一般是一种物理量建模而成的，可能是消耗的汽油，也可能是所花费的时间，就无法再考虑边权上的安全量。这是迪杰斯特拉在处理多变量边权导航问题的局限性。另外，由于一个地点的安全性是通过模型预测的，其带有一定的不确定性，即边权存在一定的误差，在处理这种存在不确定边权的路径规划的问题时，迪杰斯特拉算法也没有特别好的效果。

发明内容

本发明的目的在于克服现有技术的不足，提供一种非确定环境下的无人机鲁棒路径规划方法，通过当地风速构建路径规划模型，再结合该模型，利用迪杰斯特拉算法和迭代法规划出最终路径。

为实现上述发明目的，本发明一种非确定环境下的无人机鲁棒路径规划方法，其特征在于，包括以下步骤：

(1)、对地图进行建模

确定飞机的出发点S和目的地D；将S和D之间的区域用栅格图进行重新定义；定义规则如下：10个气象站所在区域为一个节点，距离最近的节点相互连接起来，构建出地图，连接边的权值为实际距离，每一条边的标号用i来代替，x_i为权值；

(2)、收集历史风速，并将风速超过15米每秒的风速标记为1，训练逻辑回归模型，得到成熟的逻辑回归模型；

(3)、十个气象站对风速进行预测

使用逻辑回归模型对十个气象站的数据进行预测，得到该地风速值是否超过安全值的概率p_i，并将超过该值的风速值放入边的权值中；

(4)、构建路径规划模型：

subject to Ax＝b，x∈{0,1}ⁿ

其中，λ为随机变量，x_i的两种取值0和1，x是一个向量，由多个x_i来组成，其维度为建立地图的边的数量，如果x_i＝1则选择这条边作为飞机需要飞行的路径，反之，则不是飞机选择的路径；f为每条路径的大小，即两个飞行点之间的实际距离；P_i为边i安全的概率，即飞机飞行两点之间的是否安全的概率，值越大则安全性就越高；ε^l是人工可调的数据，是无人机飞行的安全性的人工可调参数，该参数越大就是需要的安全级别越高；A是地图的关联矩阵表示，A的行代表了节点，列代表了边，其中的值代表了每一条边的距离；b表示的是目的地和出发地的向量，－1表是起点所在的点，1表示终点所在的点，其余个点均为0；

(5)、使用迪杰斯特拉算法构建出一条初始路径，构建规则为：只选择危险系数即log(P_i)与路径长度线性组合最小的路径作为初始路径；

(6)、调整λ的值，选取出安全系数最高的所有路径，然后通过迭代法找到一条即安全有快捷的路径g(λ)，

对g(λ)求导，并得出梯度，然后获得更新公式：其中，λ_k表示第k安全系数最高的路径对应的值，条α_k为学习率，是小于1的正数，()₊是非负操作；

(7)、将λlog(P_i)与路径长度求和，并作为新的路径规划，然后再返回步骤(5)，直到λ不再改变时，得到最终的规划路径。

本发明的发明目的是这样实现的：

本发明为一种非确定环境下的无人机鲁棒路径规划方法，通过当地风速构建路径规划模型，再使用迪杰斯特拉算法构建出一条初始路径，通过调整λ的值，选取出安全系数最高的所有路径，最后通过迭代法找到一条即安全有快捷的路径作为最终的规划路径，本发明具有稳定性较高，在不确定环境下可以提供一条可以安全的行进的路线，其次，较之传统的方法，本发明能够更快的找到一条路径，且保证其安全性。

附图说明

图1是本发明一种非确定环境下的无人机鲁棒路径规划方法流程图；

图2是本发明和A星算法的仿真结果对比图；

图3是不同的初始λ的仿真结果图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种非确定环境下的无人机鲁棒路径规划方法流程图。

在本实施例中，如图1所示，本发明一种非确定环境下的无人机鲁棒路径规划方法，包括以下步骤：

(1)、对地图进行建模

确定飞机的出发点S和目的地D；将S和D之间的区域用栅格图进行重新定义；定义规则如下：10个气象站所在区域为一个节点，距离最近的节点相互连接起来，构建出地图，连接边的权值为实际距离，每一条边的标号用i来代替，x_i为权值；

(2)、收集历史风速，并将风速超过15米每秒的风速标记为1，训练逻辑回归模型，得到成熟的逻辑回归模型；

(3)、十个气象站对风速进行预测

使用逻辑回归模型对十个气象站的数据进行预测，得到该地风速值是否超过安全值的概率p_i，并将超过该值的风速值放入边的权值中；

(4)、构建路径规划模型：

subject to Ax＝b，x∈{0,1}ⁿ

其中，λ为随机变量，x_i的两种取值0和1，x是一个向量，由多个x_i来组成，其维度为建立地图的边的数量，如果x_i＝1则选择这条边作为飞机需要飞行的路径，反之，则不是飞机选择的路径；f为每条路径的大小，即两个飞行点之间的实际距离；P_i为边i安全的概率，即飞机飞行两点之间的是否安全的概率，值越大则安全性就越高；ε^l是人工可调的数据，是无人机飞行的安全性的人工可调参数，该参数越大就是需要的安全级别越高；A是地图的关联矩阵表示，A的行代表了节点，列代表了边，其中的值代表了每一条边的距离；b表示的是目的地和出发地的向量，－1表是起点所在的点，1表示终点所在的点，其余个点均为0；

(5)、使用迪杰斯特拉算法构建出一条初始路径，构建规则为：只选择危险系数即log(P_i)与路径长度线性组合最小的路径作为初始路径；

(6)、调整λ的值，选取出安全系数最高的所有路径，然后通过迭代法找到一条即安全有快捷的路径g(λ)，

对g(λ)求导，并得出梯度，然后获得更新公式：其中，λ_k表示第k安全系数最高的路径对应的值，条α_k为学习率，是小于1的正数，()₊是非负操作；

(7)、将λlog(P_i)与路径长度求和，并作为新的路径规划，然后再返回步骤(5)，直到λ不再改变时，得到最终的规划路径。

实例

在无人机系统中，我们使用该方法进行路径规划。设有N²个节点，和K²条边的地图。其中，风速为主要影响无人机的安全因素，每个边上有10个气象站进行对风速的预测，风速越大，无人机越危险。我们算法与设定的A星算法进行比较，得出图2所示的仿真结果图。

其中，纵坐标表示无人机路径的惩罚值：ε(R)＝S(x)*f^T*x+(1-S(x))*K²，A星算法在使用过程中，参数τ需要设置，当每条边上的安全系数小于该值时直接视为不安全，在搜索路径中，将不考虑该路径。可以看到我们的算法，能够在更快的降低惩罚值，即找到更安全和更快的路径。

如图3所示，在对于不同的初始λ也能够较快得收敛到稳定值，保证了算法的稳定性，和抗干扰能力。

综述，使用本专利的方法，算法的稳定性较高，在不确定环境下可以提供一条可以安全的行进的路线，其次，较之传统的方法，本专利的方法能够更快的找到一条路径，且保证其安全性。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (1)

1.一种非确定环境下的无人机鲁棒路径规划方法，其特征在于，包括以下步骤：

(1)、对地图进行建模

确定飞机的出发点S和目的地D；将S和D之间的区域用栅格图进行重新定义；定义规则如下：10个气象站所在区域为一个节点，距离最近的节点相互连接起来，构建出地图，连接边的权值为实际距离，每一条边的标号用i来代替，x_i为权值；

(2)、收集历史风速，并将风速超过15米每秒的风速标记为1，训练逻辑回归模型，得到成熟的逻辑回归模型；

(3)、十个气象站对风速进行预测

使用逻辑回归模型对十个气象站的数据进行预测，得到该地风速值是否超过安全值的概率p_i，并将超过该值的风速值放入边的权值中；

(4)、构建路径规划模型：

subject to Ax＝b，x∈{0,1}ⁿ

其中，λ为随机变量，x_i的两种取值0和1，x是一个向量，由多个x_i来组成，其维度为建立地图的边的数量，如果x_i＝1则选择这条边作为飞机需要飞行的路径，反之，则不是飞机选择的路径；f为每条路径的大小，即两个飞行点之间的实际距离；P_i为边i安全的概率，即飞机飞行两点之间的是否安全的概率，值越大则安全性就越高；ε^l是人工可调的数据，是无人机飞行的安全性的人工可调参数，该参数越大就是需要的安全级别越高；A是地图的关联矩阵表示，A的行代表了节点，列代表了边，其中的值代表了每一条边的距离；b表示的是目的地和出发地的向量，－1表是起点所在的点，1表示终点所在的点，其余个点均为0；

(5)、使用迪杰斯特拉算法构建出一条初始路径，构建规则为：只选择危险系数即log(P_i)与路径长度线性组合最小的路径作为初始路径；

(6)、调整λ的值，选取出安全系数最高的所有路径，然后通过迭代法找到一条即安全有快捷的路径g(λ)，

对g(λ)求导，并得出梯度，然后获得更新公式：其中，λ_k表示第k安全系数最高的路径对应的值，条α_k为学习率，是小于1的正数，()₊是非负操作；

(7)、将λlog(P_i)与路径长度求和，并作为新的路径规划，然后再返回步骤(5)，直到λ不再改变时，得到最终的规划路径。