CN109683630A - 基于粒子群和prm算法的无人机航迹规划方法 - Google Patents

Abstract

本发明提供了无人机领域内的一种基于粒子群和PRM的无人机航迹规划方法，在无人机飞行空间中进行随机采点，并根据环境中禁飞区、雷达区等障碍物信息利用PRM方法构建概率地图，把连续空间的规划问题转化为拓扑空间的规划问题，之后，根据无人机的位置以及分配到的任务位置确定源点位置和目标点位置，并把无人机从源点到达目标点的路程作为优化目标函数，针对无人机航迹规划模型的特点对分配方案进行编码，利用粒子群算法对问题进行求解，在概率地图中得到一条最短的飞行路径，通过在采样的过程中增加在障碍物附近的采点量，从而强化算法在窄通道中的路径搜索，使其更适用于复杂地形。

Description

基于粒子群和PRM算法的无人机航迹规划方法

技术领域

本发明涉及一种无人机，具体的说是一种无人机航迹规划方法，属于智能优化算法领域。

背景技术

随着计算机技术、传感器技术、无线通信技术和无人机技术的发展，无人机逐渐具有高度自主性控制能力，与有飞行员驾驶的载人飞行器相比，无人机具有众多潜在的优点，如：自主飞行的无人机在燃油充足的情况下不需要休息，可以进行更长时间的巡航；无人机不需要提供飞行员必须的生命支持系统，这不仅减少了飞行成本，还为部署传感器和其他设备提供了更多空间。多无人机协同作战能够提高无人机作战效能，成为无人机作战应用的发展趋势，而无人机的航迹规划为其提供了实现的可能性。

于是研究高效率的无人机航迹规划方法是提升无人机协同作战能力的有效途径，也逐渐成为一个研究热点。利用计算机智能的算法代替人工地为无人机进行航迹规划，不仅节约时间和人力，而且在无人机和任务数量较多的时候计算机计算出的路径往往会比人工地规划结果更加合理。所以，如何在复杂的战场环境中对无人机进行更加合理的航迹规划也成为无人机航迹规划研究的目的和方向，具有较大的理论和实践意义。

国内外关于无人机航迹规划方法有很多，传统的有单元分解法和人工势场法，前者是将规划空间分割成相互不重复的单元，然后利用A^*算法或是Dijkstra算法将不同的单元进行连接寻找最佳路径；后者是在障碍物上加入排斥力，可以将移动物体推离障碍物或是威胁区。传统方法具有比较好的完备性，但是在环境过于复杂的时候计算量会大大增加，并且有可能找不到路径。本文将采用基于采样的规划方法中的概率地图法(PRM，Probabilistic Roadmap)，在规划空间中随机采样得到采样点，然后将采样点连接起来构造路线，在采样的过程中增加在障碍物附近的采点量，从而强化算法在窄通道中的路径搜索，使其更适用于复杂地形。在完成无相连通图的构造之后，利用粒子群算法对最佳路径进行搜索。

发明内容

本发明的目的是提供一种基于粒子群和PRM算法的无人机航迹规划方法，通过在采样的过程中增加在障碍物附近的采点量，从而强化算法在窄通道中的路径搜索，使其更适用于复杂地形。

本发明提供一种基于粒子群和PRM算法的无人机航迹规划方法，其特征在于，包括以下步骤：

步骤1)对于无人机任务执行环境利用PRM进行处理：首先，在采样点集中加入无人机的起始位置和任务位置，然后逐步迭代随机采点，根据环境中禁飞区、雷达区的位置检测所采的随机点是否有效，如果有效，则依旧根据障碍物位置将其与采样点集中的点进行有效连接，构建出无相连通图，在无相连通图找出最短路径，作为问题模型；

步骤2)利用粒子群对于以上建立的问题模型进行求解：首先利用图的深度搜索生成一批初始的航迹方案，然后通过粒子群算法进行迭代计算，根据终止条件得出航迹方案，在粒子进行学习的过程中，采用增加、删除、修改和交换四种操作算子组成的算子序列对粒子进行调整，来达到粒子学习的效果；将步骤1)中所采集的点进行编号并采用实数编码，即每一串编码中的数字序列表示无人机经过的位置序列，编码的第一个数字和最后一个数字表示无人机的起始位置和任务点的位置，采用增加、删除、修改和交换四种操作算子来对编码进行调整。

作为本发明的进一步限定，步骤1)具体为：

步骤1-1)：获取输入的无人机起始位置(x_start,y_start)、任务位置(x_end,y_end)和障碍物的数量m，T＝{T₁,T₂,…,T_m}、每个障碍物T_i的形状和位置信息，任务场景中的障碍物将被抽象成圆形和多边形，对于圆形障碍物需要输入障碍物的圆心和半径表示为[(x,y),r]，对于n边形障碍物需要按照顶点的顺序输入各个顶点的坐标[(x₁,y₁),(x₂,y₂),…,(x_n,y_n)]；

步骤1-2)：将上述任务场景转化为一个无相连通图；

步骤1-2-1)：将无人机的初始位置V_start＝(x_start,y_start)和任务位置V_end＝(x_end,y_end)加入到采样点集V中，然后在场景中进行随机选取一点c，根据c点是否在障碍物内部进行不同的操作；

步骤1-2-2)：若采样点集V中c点相邻的采样点可以与c点连接，则加入到边集E中，重复进行采点，直到采样点集V中的采样点数量到达最大采样点个数T为止，从而得到任务场景转化后的无相连通图；

步骤1-3)：根据步骤1-2)中所得到的无相连通图，将无相连通图表示成邻接矩阵，各个采样点之间的距离采用谷歌地图的距离计算方法。

作为本发明的进一步限定，步骤2)具体为：

步骤2-1)：利用深度搜索生成n个粒子，每一个粒子代表一种航迹规划的方案，并对每一个粒子生成一个初始的速度，定义增加、删除、修改和交换四种操作算子对粒子进行操作，每一个粒子的初始速度也对应的变为随机生成一组算子序列；

步骤2-2)：计算每一个粒子的适应度，输入的初始化参数，基于无人机飞行的路径长度以及无人机飞行航程的约束，设计多无人机航迹规划的适应度函数；

步骤2-3)：对步骤2-2)中产生的粒子进行学习；

步骤2-3-1)：选取当前所有粒子中适应度函数最高的粒子作为种群最优粒子x_g，选取每一个粒子所经历的位置中适应度函数最高的作为每个粒子的自身最优位置x_p；

步骤2-3-2)：每个粒子根据自身的惯性权重、学习因子、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置；

步骤2-4)：将步骤2-2)和步骤2-3)迭代进行Times次后的种群最优粒子就是我们得到的多无人机航迹规划方案。。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明弥补了传统PRM算法中对于狭窄空间路径搜索覆盖范围低的缺点，通过在采样的过程中增加在障碍物附近的采点量，从而强化算法在窄通道中的路径搜索，使其更适用于复杂地形；本方法中无人机航迹规划采用实数编码，并利用增加、删除、修改和交换四种操作算子对粒子进行操作，使粒子群算法可以适用于之前建立的问题模型；同时本发明与已有技术对比具有以下的一些特点和创新之处：

(1)本发明在PRM采样阶段，对落在障碍物内的采样点不是直接舍弃，而是在其周围搜索不在障碍物内的点，从而强化算法在窄通道中的路径搜索，使其更适用于复杂地形；

(2)本发明通过并利用增加、删除、修改和交换四种操作算子对粒子进行操作，从而使粒子群算法可以应用到实数编码的问题模型上来。

附图说明

图1是本发明的整体流程框图。

图2是本发明中将任务场景转化为一个无相连通图的流程图。

图3是本发明中粒子群算法的具体流程图。

具体实施方式

本发明属于智能优化算法领域，具体涉及一种基于粒子群和PRM算法的无人机航迹规划算法；主要利用PRM算法对任务场景进行处理，将任务场景转化为一个无相连通图，把连续空间的规划问题转化为拓扑空间的规划问题，从而使得路径规划问题的复杂度大大降低；然后在拓扑空间中，本发明采用粒子群算法对该问题进行求解，从而在有限的时间内得到一条合理的路径规划方案。具体步骤如下：

步骤1)：获取输入的无人机起始位置(x_start，y_start)、任务位置(x_end，y_end)和障碍物的数量m，T＝{T₁，T₂，...，T_m}、每个障碍物T_i的具体形状和位置信息。任务场景中的障碍物将被抽象成圆形和多边形，对于圆形障碍物需要输入障碍物的圆心和半径表示为[(x，y)，r]，对于n边形障碍物需要按照顶点的顺序输入各个顶点的坐标[(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)]。

步骤2)：将任务场景转化为一个无相连通图；

步骤2.1)：将无人机的初始位置V_start＝(x_start，y_start)和任务位置V_end＝(x_end，y_end)加入到采样点集V中，然后在场景中进行随机选取一点c，如果c点在障碍物的内部跳转到步骤2.2)，如果c没有在任何障碍物内部，跳转到步骤2.3)；

步骤2.2)：以距离r为半径、c点为圆心的圆上均匀采取k个点C＝{C₁，C₂，...，C_k}，如果C中存在某一个点C_i不在障碍物中，则将C_i的坐标赋值给c，跳转到步骤2.3)；如果C中所有的点在障碍物中，跳转回步骤2.1)；

步骤2.3)：以c为圆点，R为半径的圆为范围寻找在V中与c相邻近的点集合N＝{N₁，N₂，...，N₁}，如果c和N_i(N_i∈N)可以连接，则将(c，N_i)加入图的边集合E，将c点进行编号并加入到采样点集V中；

步骤2.4)：循环执行步骤2.1)，直到采样点集V中的采样点数量到达最大采样点个数T，从而得到任务场景转化后的无相连通图。

步骤3)：根据步骤2中所得到的无相连通图，将无相连通图表示成邻接矩阵，由于本发明位置使用经纬度坐标进行表示，所以各个采样点之间的距离采用谷歌地图的距离计算方法，假设两个点的经纬度是(lat1，lng1)和(lat2，lng2)其计算公式如下：

radLat1＝lat1*π/180，radLat2＝lat2*π/180

a＝radLat1-radLat2，b＝lng1*π/180-lng2*π/180

便可以得到无相连接图的邻接矩阵为：

步骤4)：利用深度搜索生成n个粒子，每一个粒子代表一种航迹规划的方案；

步骤4.1)：每一个粒子是一个t+2位的数组p＝{p_start，p₁，...，p_t，p_end}，每一个位置代表一个采样点，数组的第一个数字p_start和最后一个数字p_end分别表示的是无人机的初始位置和任务点位置，数组中的其他数字则表示路径经过采样点的顺序，从而可以表示一条从无人机初始位置到任务位置的路径。

步骤4.2)：对每一个粒子生成一个初始的速度，由于本发明采用的是实数编码，对于粒子的操作相较于原始的粒子群算法将有所修改。这里我们定义增加、删除、修改和交换四种操作算子对粒子进行操作：

增加算子：用ADD(index，k)表示，在第index的位置插入数字(p_index+k)mod T：

删除算子：用DEL(index)表示，删除数组中的第index个数字；

修改算子：用UPD(index，k)表示，把数组中第index个数字修改为(p_index+k)mod T；

交换算子：用EXC(index1，index2)表示，把数组中的index1和index2两个位置的数字进行交换；

每一个粒子的初始速度也对应的变为随机生成一组算子序列。

步骤5)：计算每一个粒子的适应度，输入的初始化参数，基于无人机飞行的路径长度以及无人机飞行航程的约束，设计多无人机航迹规划的适应度函数如下：

f(x)＝D_sum+a*max{0，D_sum-D_max}

其中D_sum表示无人机飞行的总路程长度，a是惩罚项的系数，取大正数。根据步骤3中距离矩阵计算出步骤4中初始化的n个粒子的适应度。

步骤6)：步骤5中产生的粒子进行学习；

步骤6.1)：选取当前所有粒子中适应度函数最高的粒子作为种群最优粒子x_g，选取每一个粒子所经历的位置中适应度函数最高的作为每个粒子的自身最优位置x_p；

步骤6.2)：每个粒子根据自身的惯性权重、学习因子、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置：

x^k+1＝x^k+v^k

其中r₁和r₂是介于[0，1]之间的随机数，表示的是从数组x^k变换到数组的算子序列，表示算子序列以r₁的概率保留下来，加号表示的就是讲两个算子序列进行合并或是对数组进行算子序列的操作。

步骤7)：将步骤5和步骤6迭代进行Times次后的种群最优粒子就是我们得到的多无人机航迹规划方案。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (3)

1.一种基于粒子群和PRM算法的无人机航迹规划方法，其特征在于，包括以下步骤：

步骤1）对于无人机任务执行环境利用PRM进行处理：首先，在采样点集中加入无人机的起始位置和任务位置，然后逐步迭代随机采点，根据环境中禁飞区、雷达区的位置检测所采的随机点是否有效，如果有效，则依旧根据障碍物位置将其与采样点集中的点进行有效连接，构建出无相连通图，在无相连通图找出最短路径，作为问题模型；

步骤2）利用粒子群对于以上建立的问题模型进行求解：首先利用图的深度搜索生成一批初始的航迹方案，然后通过粒子群算法进行迭代计算，根据终止条件得出航迹方案，在粒子进行学习的过程中，采用增加、删除、修改和交换四种操作算子组成的算子序列对粒子进行调整，来达到粒子学习的效果；将步骤1）中所采集的点进行编号并采用实数编码，即每一串编码中的数字序列表示无人机经过的位置序列，编码的第一个数字和最后一个数字表示无人机的起始位置和任务点的位置，采用增加、删除、修改和交换四种操作算子来对编码进行调整。

2.根据权利要求1所述的基于粒子群和PRM算法的无人机航迹规划方法，其特征在于，步骤1）具体为：

步骤1-1）：获取输入的无人机起始位置(x_start, y_start)、任务位置(x_end, y_end)和障碍物的数量m，T={T₁,T₂, …, T_m }、每个障碍物T_i的形状和位置信息，任务场景中的障碍物将被抽象成圆形和多边形，对于圆形障碍物需要输入障碍物的圆心和半径表示为[(x, y), r]，对于n边形障碍物需要按照顶点的顺序输入各个顶点的坐标[(x₁, y₁), (x₂, y₂), … ,(x_n, y_n)]；

步骤1-2）：将上述任务场景转化为一个无相连通图；

步骤1-2-1）：将无人机的初始位置V_start = (x_start, y_start)和任务位置V_end = (x_end,y_end)加入到采样点集V中，然后在场景中进行随机选取一点c，根据c点是否在障碍物内部进行不同的操作；

步骤1-2-2）：若采样点集V中c点相邻的采样点可以与c点连接，则加入到边集E中，重复进行采点，直到采样点集V中的采样点数量到达最大采样点个数T为止，从而得到任务场景转化后的无相连通图；

步骤1-3）：根据步骤1-2）中所得到的无相连通图，将无相连通图表示成邻接矩阵，各个采样点之间的距离采用谷歌地图的距离计算方法。

3.根据权利要求2所述的基于粒子群和PRM算法的无人机航迹规划方法，其特征在于，步骤2）具体为：

步骤2-1）：利用深度搜索生成n个粒子，每一个粒子代表一种航迹规划的方案，并对每一个粒子生成一个初始的速度，定义增加、删除、修改和交换四种操作算子对粒子进行操作，每一个粒子的初始速度也对应的变为随机生成一组算子序列；

步骤2-2）：计算每一个粒子的适应度，输入的初始化参数，基于无人机飞行的路径长度以及无人机飞行航程的约束，设计多无人机航迹规划的适应度函数；

步骤2-3）：对步骤2-2）中产生的粒子进行学习；

步骤2-3-1）：选取当前所有粒子中适应度函数最高的粒子作为种群最优粒子x_g，选取每一个粒子所经历的位置中适应度函数最高的作为每个粒子的自身最优位置x_p；

步骤2-3-2）：每个粒子根据自身的惯性权重、学习因子、自身最优位置和种群最优粒子的位置来确定自己下一步所在的位置；

步骤2-4）：将步骤2-2）和步骤2-3）迭代进行Times次后的种群最优粒子就是我们得到的多无人机航迹规划方案。