CN109870906B - 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 - Google Patents
一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 Download PDFInfo
- Publication number
- CN109870906B CN109870906B CN201910136171.XA CN201910136171A CN109870906B CN 109870906 B CN109870906 B CN 109870906B CN 201910136171 A CN201910136171 A CN 201910136171A CN 109870906 B CN109870906 B CN 109870906B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- potential field
- coordinate system
- speed
- population
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000004888 barrier function Effects 0.000 title claims abstract description 8
- 238000005457 optimization Methods 0.000 title abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 230000005012 migration Effects 0.000 claims description 29
- 238000013508 migration Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 238000013459 approach Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 20
- 230000008569 process Effects 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/102—Simultaneous control of position or course in three dimensions specially adapted for aircraft specially adapted for vertical take-off of aircraft
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)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，属于飞行器智能任务规划领域。针对某高速旋翼飞行器，建立机体坐标系和本地北东地坐标系，在两个坐标系基础上，建立运动学模型和动力学模型，由高速旋翼飞行器的物理特性得到飞行器的动力学参数边界条件；利用运动学模型和动力学模型计算高速旋翼飞行器的引力势场和斥力势场；对引力势场和斥力势场的各个参数，利用BBO路径规划算法进行优化，得到旋翼飞行器的最终规划路径。本发明算法结构简单，运算速度快，能较好的满足在线实时计算的要求，路径距离下降，飞行器平均速度提升，接近飞行器极限设计速度，路径规划性能得到了显著提升。
Description
技术领域
本发明属于飞行器智能任务规划领域，特别是一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法。
背景技术
无人机控制系统所需解决的基本问题包括飞行控制、飞行器状态采集、信号传输和功能设备的控制等方面。近几年来，无人机系统已经迅速地发展成熟，控制方面的很多问题得到了有效解决，但在无人机普及的路上，仍然有一道门槛没有跨过，即无人机的安全控制。安全控制包括无人机的可靠飞行、容错控制、自主避障技术、抗干扰技术和无人机飞行任务管理等，是无人机控制中最重要的一环，因为如果连无人机和人员的安全都无法保障，其他一切就无从谈起。
而无人机的安全控制中，自主避障技术的发展最为欠缺，需求也最大，因为大部分的无人机事故都是由飞行过程中撞击障碍物引起的。同时，无人机的飞行过程中，如果有人为干扰，也会影响无人机的正常飞行。例如将无人机应用于物流运送，如果途中受到人为捕获，将会带来极大的安全隐患，同时给运营商带来经济损失；将无人机应用于地质勘探，不可避免地要穿越沿途的障碍，树枝、岩石甚至是鸟兽，都有可能对无人机的飞行造成干扰，造成坠机，损坏无人机上搭载的昂贵仪器设备。
现有技术中，DARPA(美国国防部高级研究计划局)研制了FLA(Fast LightweightAutonomy)高速轻量自主飞行器的项目，该项目以设计出能以45英里/小时(约72千米/小时)的速度避障飞行的无人机为目标，并准备将其应用于救灾和军事侦查等方面。
现有技术中研究的高速避障飞行器即为类似FLA项目中，最大速度在20m/s左右。这一类高速飞行器的避障过程主要存在两方面的问题，一是飞行控制，多旋翼在高速飞行的过程中，姿态角大，控制系统非线性程度高，因此给传统的PID控制带来很大的挑战；二是路径规划问题，即多旋翼飞行器在高速飞行的状态下，怎样实时规划出一条可行、较优的飞行路径尤为重要。
路径规划算法主要包括图形学算法和代数学算法两大类别。其中图形学算法包括可视图法、自由空间法、Voronoi图法、Dijkstra算法、Floyd算法和栅格法等方法，代数学算法包括A*算法、蚁群算法、粒子群算法、神经网络算法、遗传算法、模拟退火算法、模糊逻辑算法以及人工势场法等。
在众多的算法中，人工势场法是其中最接近工程应用的算法。但是人工势场法也有其固有的缺点，即存在局部最小值，以及目标不可达问题。近年来，研究学者对人工势场法提出了很多改进措施，如文献1：石为人,黄兴华,周伟于2010年在计算机应用期刊上公布的研究，提出一种连接局部最小值区域障碍物的方法，建立了机器人离散传感器模型，使机器人快速走出局部最小值区域；文献2：于振中,闫继宏,赵杰等人于2011年在哈尔滨工业大学学报上发表的研究，在改进人工势场模型基础上，将各种势场强度用代数和方式叠加，用遗传信赖域算法搜索机器人在一个采样周期中移动范围内的势场强度之和最小的点，多个最小点构成全局优化路径；文献3：王肖青,王奇志于2006年在计算机技术与发展期刊上发表的研究，引入障碍物和机器人自身的速度和加速度来改进人工势场法，并提前对规避动作做出预判来优化人工势场。
但是，以上对人工势场法的改进措施依然存在一些问题。上述一些改进措施在解决问题的同时，增加了算法的复杂度，提高了对实时计算能力的要求，且绝大多数改进措施是针对二维空间的路径规划的，针对三维空间飞行机器人路径规划方法较少。
同时，人工势场法构造过程中有较多的参数需要调节，好的优化算法能够代替人工完成参数调节。如文献4：Simon于2008年提出的主要研究种群产生、迁移以及灭绝规律的BBO(Biogeography-Based Optimization)算法。由于种群所在的栖息地不同，各个栖息地本身的特性也不同，包括气候、降雨量、地质特点等，种群会根据对栖息地的适应性在各个栖息地间进行迁移，寻找到最适合自己的栖息环境。
对于每个栖息地而言，该栖息地适合物种生存的程度由适应度指数(HabitatSuitability Index，HSI)来表征，HSI越高，越适合种群的生存繁衍。每个栖息地中，影响种群生存的因素称为适应度向量(Suitable Index Vector，SIV)，每个SIV都会直接或间接影响种群的产生、迁移和灭绝规律。目前，BBO算法及改进算法已被广泛应用于参数寻优中。
发明内容
本发明针对小型多旋翼无人飞行器实时运算能力有限，许多三维路径规划算法及二维路径规划算法的三维推广计算量大，难以从理论转化为应用的问题，提出了一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法。
具体步骤如下：
步骤一、针对某高速旋翼飞行器，建立机体坐标系和本地北东地(NED)坐标系；
1)机体坐标系
机体坐标系的原点与飞行器机身固定连接，选择机体重心Ob为原点；将过飞行器重心Ob的纵向对称轴设为X轴，正方向设为飞行器向前运动的方向，记作Xb；将过飞行器重心Ob的横向对称轴设为Y轴，正方向设为指向飞行器右边的方向，记作Yb；利用笛卡尔坐标系的定义即可得到Z轴的方向，记作Zb。
在此坐标系下定义飞行器的线速度记作Vb＝(u,v,w)T[m/s]，飞行器的角速度记作ω＝(p,q,r)T[rad/s]，飞行器的力记作F＝(Fx,Fy,Fz)T[N]，飞行器的控制力矩记作
2)本地NED坐标系
本地NED坐标系即惯性坐标系，该坐标系与大地固连，一般情况下选择飞行器起飞时的初始位置当作原点，记作On；X轴的正方向设为地理位置北的方向，记作Xn；Y轴的正方向设为地理位置东的方向，记作Yn；Z轴的正方向设为与地面垂直且向指向下，记作Zn；
步骤二、在两个坐标系基础上，建立运动学模型和动力学模型，由高速旋翼飞行器的物理特性得到飞行器的动力学参数边界条件；
运动学模型是指：建立旋翼飞行器的线运动与角运动的导航方程；
如下：
其中，Pn为本地NED坐标系下的位置向量，Rn/b表示机体坐标系到本地NED坐标系的坐标转换矩阵，Θ为机体坐标系相对本地NED坐标系转动的欧拉角矩阵
S表示欧拉角速度到机体坐标系下飞行器角速度的转换矩阵。
动力学模型是指：本地NED坐标系下四旋翼飞行器的质心动力学方程；包括位置子系统模型和姿态子系统模型，具体公式如下：
位置子系统模型：
姿态子系统模型：
上式中，m表示飞行器质量，e3＝[0 0 1]T为本地NED坐标系下Z轴的单位向量，v表示本地NED坐标系中飞行器速度，T表示飞行器机体坐标系下受到的力矩，J表示飞行器的转动惯量矩阵。
步骤三、利用运动学模型和动力学模型计算高速旋翼飞行器的引力势场和斥力势场；
引力势场是指：引力为高速旋翼飞行器指向目标点位置的势场力，用于控制飞行器飞向目标位置。
引力势场函数为：
其中，Uatt表示人工引力势场，katt为引力势场系数，x表示飞行器的位置坐标；xg表示目标的位置坐标。
为保证系统渐近稳定，在基本人工势场的基础上增加速度的比例系数来加入虚拟力，得到引力函数为：
其中，p*为目标点指向飞行器的向量；katv为速度比例系数。
斥力势场是指：斥力为障碍物指向飞行器方向的势场力，用于控制飞行器远离障碍物。
斥力势场函数为：
Urep为人工斥力势场，krep为斥力势场系数，krep＞0；lrep是可变的斥力系数，lrep＞0；pi为障碍物指向飞行器的向量；x0为常值。
由斥力势场函数，求得斥力函数为：
Frep为斥力势场力。
步骤四、对引力势场和斥力势场的各个参数，利用BBO路径规划算法进行优化，得到旋翼飞行器的最终规划路径。
具体步骤如下：
步骤401、初始化BBO路径规划算法要调节的势场力参数katt、katv、krep、lrep、x0的最小值Minall、x0的最大值Maxall以及种群的各参数；
种群的各参数包括：设定种群进化代数G，种群规模Size，种群个体迁移概率pmodify，栖息地的个数NumVar，种群中精英的个数keep，种群个体变异的概率pmutate，每个个体的最小迁入率lambdaLower，每个个体的最大迁入率lambdaUpper，每个栖息地的最大迁入率I，每个栖息地的最大迁出率E，差分因子F和变异概率C；
步骤402、计算每个栖息地的适应度函数并排序，将具有同样值的栖息地进行重新随机赋值，确保种群中无完全相同的个体，并根据适应度保存当前最优解。
步骤403、判断当前最优解是否满足结束条件，如果是，则输出结果停止运算；否则，进入步骤404。
输出结果即为旋翼飞行器的最终规划路径。
步骤404、保存适应度高的精英个体，并计算栖息地的物种数量n-k，物种迁入率λ和物种迁出率μ；
n为栖息地数，k为栖息地由高到低排序的序号，物种迁入率
和物种迁出率
步骤405、各个栖息地的参数逐个进行迁移操作和变异操作，使用精英个体代替末位个体，并将重复种群重新赋值。
步骤406、更新种群，跳转至步骤402。
本发明的优点在于：
1)一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，飞行器最终搭载的算法结构简单，运算速度快，能较好的满足在线实时计算的要求。
2)一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，使用了一种新的指数型人工斥力势场函数；该函数光滑有界，避免了一般人工势场路径规划方法可能导致的飞行器控制不连续与飞行器控制饱和问题。
3)一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，将人工势场方法应用到三维路径规划中，设计了一种传感器系统方案，不要求知道周边障碍物非常全面的信息，只需要在几个方向上探明障碍物到飞行器的距离，就能够实现旋翼飞行器的路径规划。
4)一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，使用生物地理学算法对人工势场多个参数进行了综合优化，与人工调试对比，路径距离下降，飞行器平均速度提升，接近飞行器极限设计速度，路径规划性能得到了显著提升。
附图说明
图1为本发明一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法的流程图；
图2为本发明飞行器机体坐标系与本地NED坐标系的示意图；
图3为本发明当常值为0时斥力函数曲线示意图；
图4为本发明利用BBO路径规划算法得到旋翼飞行器的最终规划路径的流程图；
图5为本发明参数优化前飞行器通过狭缝三维仿真示意图；
图6为本发明参数优化前飞行器通过狭缝飞行器状态示意图；
图7为本发明参数优化前飞行器通过狭缝传感器信号示意图；
图8为本发明参数优化后飞行器通过狭缝三维仿真示意图；
图9为本发明参数优化后飞行器通过狭缝飞行器状态示意图；
图10为本发明参数优化后飞行器通过狭缝传感器信号示意图；
图11为本发明参数优化前飞行器通过复杂多障碍物环境三维仿真示意图；
图12为本发明参数优化前飞行器通过复杂多障碍物环境飞行器状态示意图；
图13为本发明参数优化前飞行器通过复杂多障碍物环境传感器信号示意图；
图14为本发明参数优化后飞行器通过复杂多障碍物环境三维仿真示意图；
图15为本发明参数优化后飞行器通过复杂多障碍物环境飞行器状态示意图；
图16为本发明参数优化后飞行器通过复杂多障碍物环境传感器信号示意图；
图17为本发明多障碍物环境俯视图。
具体实施方式
下面将结合附图和实例对本发明作进一步的详细说明。
生物地理学优化算法适用于解决高维度的，多目标的最优化问题。本发明中使用的是原始的生物地理学优化算法，具有开发能力较强，探索能力较弱的特点；能够较快的将候选解的参数进行“迁移”，选出较优的参数组合，但其探索候选解之外的解空间的能力相对较弱。因此，生物地理学优化算法一般初期目标函数下降较快，后期缺乏下降动力。
由于本发明设计需要先进行优化，后进行飞行，生物地理学前期优化能力强的特点使其适合用于本发明需要频繁优化的背景中。在本发明中，通过末位淘汰的方式增加了候选解的变异率，将其应用在人工势场的三维路径规划参数优化中，既能较快的得到较优解，又改善了其后期探索解空间的能力，取得了很好的优化效果。
本发明一种基于人工势场法的高速旋翼飞行器路径规划方法，主要包括模型构建、参数离线优化以及加载飞行等部分。
如图1所示，具体步骤如下：
步骤一、针对某高速旋翼飞行器，建立机体坐标系和本地北东地(NED)坐标系；
如图2所示，对多旋翼无人机采用机体坐标系和本地北东地(NED)坐标系；下面对两种坐标系进行简述，并结合飞行器具体性能建立数学模型。
1)机体坐标系
机体坐标系的原点与飞行器机身固定连接，选择机体重心Ob为原点；将过飞行器重心Ob的纵向对称轴设为X轴，正方向设为飞行器向前运动的方向，记作Xb；将过飞行器重心Ob的横向对称轴设为Y轴，正方向设为指向飞行器右边的方向，记作Yb；利用笛卡尔坐标系的定义即可得到Z轴的方向，记作Zb。
在此坐标系下定义飞行器的线速度记作Vb＝(u,v,w)T[m/s]，飞行器的角速度记作ω＝(p,q,r)T[rad/s]，飞行器的力记作F＝(Fx,Fy,Fz)T[N]，飞行器的控制力矩记作
2)本地NED坐标系
本地NED坐标系即惯性坐标系，该坐标系与大地固连，一般情况下选择飞行器起飞时的初始位置当作原点，记作On；X轴的正方向设为地理位置N的方向；记作Xn，Y轴的正方向设为地理位置E的方向，记作Yn；Z轴的正方向设为与地面垂直且向指向下，记作Zn；
步骤二、在两个坐标系基础上，建立运动学模型和动力学模型，由高速旋翼飞行器的物理特性得到飞行器的动力学参数边界条件；
运动学模型是指：建立旋翼飞行器的线运动与角运动的导航方程；
如下：
其中，Pn为本地NED坐标系下的位置向量，Rn/b表示机体坐标系到本地NED坐标系的坐标转换矩阵，Θ为机体坐标系相对本地NED坐标系转动的欧拉角矩阵
S表示欧拉角速度到机体坐标系下飞行器角速度的转换矩阵。
动力学模型(六自由度)是指：本地NED坐标系下四旋翼飞行器的质心动力学方程；包括位置子系统模型和姿态子系统模型，具体公式如下：
位置子系统模型：
姿态子系统模型：
上式中，m表示飞行器质量，e3＝[0 0 1]T为本地NED坐标系下Z轴的单位向量，v表示本地NED坐标系中飞行器速度，T表示飞行器机体坐标系下受到的力矩，J表示飞行器的转动惯量矩阵；ω表示机体坐标系下的角速度。
本实施例中，为简化路径规划过程中的计算，由高速旋翼飞行器的物理模型得到飞行器的动力学参数边界条件，取飞行器最大飞行速度vmax＝20m/s，最大加速度amax＝50m/s2。
步骤三、利用运动学模型和动力学模型计算高速旋翼飞行器的引力势场和斥力势场描述方程；
引力势场是指：引力为高速旋翼飞行器指向目标点位置的势场力，用于控制飞行器飞向目标位置。
引力势场函数为：
其中，Uatt表示人工引力势场，katt为引力势场系数，x表示飞行器的位置坐标；xg表示目标的位置坐标。
为保证系统渐近稳定，在基本人工势场的基础上增加速度的比例系数来加入虚拟力，得到引力函数为：
其中，p*为目标点指向飞行器的向量；katv为速度比例系数。
斥力势场是指：斥力为障碍物指向飞行器方向的势场力，用于控制飞行器远离障碍物。
斥力势场函数为：
Urep为人工斥力势场，krep为斥力势场系数，krep＞0；lrep是可变的斥力系数，lrep＞0；pi为障碍物指向飞行器的向量；x0为常值，当x0＝0时，斥力函数曲线图3所示。
由斥力势场函数，求得斥力函数为：
Frep为斥力势场力。
步骤四、对引力势场和斥力势场的各个参数，利用BBO算法进行优化，得到旋翼飞行器的最终规划路径。
本发明使用生物地理学优化算法进行势场力参数优化，在生物地理学优化算法中，定义Ps为某一栖息地容纳s种生物的概率，从时间t到t+Δt的函数模型为：
Ps(t+Δt)＝Ps(t)(1-λsΔt-μsΔt)+Ps-1λs-1Δt+Ps+1μs+1Δt
式中：s表示栖息地物种种类数目；λs表示该栖息地物种的迁入率；μs表示该栖息地的物种迁出率。要想等式成立，必须要求t时刻以及到时间t+Δt期间该栖息地一直保持物种种类为s。
假设Δt足够小，在这期间的种群迁入或者迁出概率可以忽略，对Ps求极限，得到
P＝[P0,P1…Pn]T,n＝smax。
对于BBO算法迁移模型中，迁移函数为E＝I，即最大迁入率和最大迁出率相等，定义种群数量k，则：
则：
A'的特征值为[0 -2/n -4/n ... -2]，特征值0对应的特征向量为：
得出结论：不同种群数量在最大物种种类数量为n的情况下的概率组成向量表示为：
另外，生态环境中一次灾难性事件能够彻底改变一个栖息地状态，在BBO中称之为突变。突变概率函数与栖息地数量概率称反比，表示为：
式中，mmax为用户定义突变率的最大值。该突变函数说明具有低HIS的栖息地最容易发生突变，扩大并丰富了该栖息地的搜索目标。
利用BBO理论进行路径规划，需要恰当地选取适宜度函数和待调节参数。在路径规划过程中，主要考虑两个因素，即路径长度和飞行时间。从能量消耗的角度要求路径长度最短，从飞行任务的角度要求飞行时间最短，这两个要求有一定的矛盾，因此选取路径规划目标函数为：f(x)＝α*s+β*t；式中，α，β为权值系数，取值范围为[0,1]，s为路径长度，t为飞行时间。
依据BBO理论，路径规划的目标函数可设为BBO的适应度函数。限制飞行器的最大加速度、最大速度、最大角速度和角加速度等条件，选取需要调节的势场力参数katt、katv、krep、lrep和x0进行迭代计算，获取优化结果。
如图4所示，具体步骤如下：
步骤401、初始化BBO路径规划算法要调节的势场力参数katt、katv、krep、lrep、x0的最小值Minall、x0的最大值Maxall以及种群的各参数；
种群的各参数包括：设定种群进化代数G，种群规模Size，种群个体迁移概率pmodify，栖息地的个数NumVar，种群中精英的个数keep，种群个体变异的概率pmutate，每个个体的最小迁入率lambdaLower，每个个体的最大迁入率lambdaUpper，每个栖息地的最大迁入率I，每个栖息地的最大迁出率E，差分因子F和变异概率C；
步骤402、计算每个栖息地的适应度函数并排序，将具有同样值的栖息地进行重新随机赋值，确保种群中无完全相同的个体，并根据适应度保存当前最优解。
步骤403、判断当前最优解及相关结果是否满足结束条件，如果是，则输出结果停止运算；否则，进入步骤404。
输出结果即为旋翼飞行器的最终规划路径。
步骤404、保存适应度高的精英个体，并计算栖息地的物种数量n-k，物种迁入率λ和物种迁出率μ；
n为栖息地数，k为栖息地由高到低排序的序号，物种迁入率
和物种迁出率
步骤405、各个栖息地的物种逐个进行迁移操作和变异操作，使用精英个体代替末位个体，并将重复种群重新赋值。
步骤406、更新种群，跳转至步骤402。
最后，分别针对狭缝与多障碍物复杂地图，将优化得到的人工势场路径规划算法应用到飞行器模型上，与未优化的路径规划算法进行仿真对比试验。
使用栅格法构建电子地图，规划空间为200x200x100的栅格，有障碍物的栅格空间标记为1，没有障碍物的栅格空间标记为0，飞行器在栅格空间中寻找路径进行飞行。仿真平台为matlab2016a，仿真计算机的处理器参数为：Intel(R)Core(TM)i5-7300HQ CPU@2.5Ghz2.5GHz。
设置间距为3米的两平行障碍物，设定飞行器安全区域为边长2米的正方形区域，该区域碰触障碍物视为碰撞，起始点在狭缝外。仿真条件如表1所示：
表1
仿真结果如图5，图6和图7所示；飞行器与狭缝壁面发生碰撞。设定的斥力参数使得斥力大幅度震荡，飞行器航向角剧烈变化，因此无法通过狭缝，与壁面发生碰撞。
使用生物地理学优化算法进行参数优化后，将路径规划算法加载到模型上进行仿真。优化后仿真条件如表2所示：
表2
仿真结果如图8，图9和图10所示，飞行时间为11.120000；路程为177.091291；平均速度为15.925476。经过BBO优化后的斥力震荡幅度小，航向角基本保持稳定，飞行器顺利、平稳通过狭缝。
设置复杂多障碍物地图，设定飞行器安全区域为边长2米的正方形区域，该区域碰触障碍物视为碰撞。参数优化前仿真条件如表3所示：
表3
障碍物仿真条件如表4所示：
表4
| 障碍物编号 | 位置 | 1/2长宽高 |
| 1 | x＝100；y＝90；z＝11； | hx＝1；hy＝30；hz＝10； |
| 2 | x＝85；y＝95；z＝21； | hx＝5；hy＝5；hz＝20； |
| 3 | x＝50；y＝40；z＝11； | hx＝5；hy＝5；hz＝10； |
| 4 | x＝100；y＝35；z＝15； | hx＝7；hy＝9；hz＝14； |
| 5 | x＝120；y＝85；z＝31； | hx＝5；hy＝12；hz＝30； |
| 6 | x＝120；y＝50；z＝31； | hx＝12；hy＝13；hz＝30； |
仿真结果如图11，图12和图13所示，飞行时间为19.740000；路程为227.777623，平均速度为11.538887；使用生物地理学优化算法进行参数优化后，将路径规划算法加载到模型上进行仿真。优化后仿真条件如表5所示：
表5
障碍物仿真条件如表6所示：
表6
| 障碍物编号 | 位置 | 1/2长宽高 |
| 1 | x＝100；y＝90；z＝11； | hx＝1；hy＝30；hz＝10； |
| 2 | x＝85；y＝95；z＝21； | hx＝5；hy＝5；hz＝20； |
| 3 | x＝50；y＝40；z＝11； | hx＝5；hy＝5；hz＝10； |
| 4 | x＝100；y＝35；z＝15； | hx＝7；hy＝9；hz＝14； |
| 5 | x＝120；y＝85；z＝31； | hx＝5；hy＝12；hz＝30； |
| 6 | x＝120；y＝50；z＝31； | hx＝12；hy＝13；hz＝30； |
仿真结果如图14，图15和图16所示。飞行时间为11.240000，路程为192.798158，平均速度为17.152861；对比优化前和优化后的仿真结果可以看出，如图17所示，右侧两障碍物之间构成狭缝，在经过BBO优化前，构造的势场力无法控制飞行器飞过狭缝，因此，飞行器选择了一条较远的路程，且飞行平均速度较低。使用BBO算法对势场力参数优化后，飞行器可以顺利通过狭缝，且飞行速度得到提高。
实际使用中，可根据需求，对人工势场函数进行优化，将优化成果加载在飞行器上即可。
Claims (3)
1.一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，其特征在于，具体步骤如下：
步骤一、针对某高速旋翼飞行器，建立机体坐标系和本地NED坐标系；
步骤二、在两个坐标系基础上，建立运动学模型和动力学模型，由高速旋翼飞行器的物理特性得到飞行器的动力学参数边界条件；
运动学模型是指：建立旋翼飞行器的线运动与角运动的导航方程；
如下：
其中，Pn为本地NED坐标系下的位置向量，Rn/b表示机体坐标系到本地NED坐标系的坐标转换矩阵，Θ为机体坐标系相对本地NED坐标系转动的欧拉角矩阵
S表示欧拉角速度到机体坐标系下飞行器角速度的转换矩阵；飞行器的线速度记作Vb＝(u,v,w)T[m/s]，飞行器的角速度记作ω＝(p,q,r)T[rad/s]；
动力学模型是指：本地NED坐标系下四旋翼飞行器的质心动力学方程；包括位置子系统模型和姿态子系统模型，具体公式如下：
位置子系统模型：
姿态子系统模型：
上式中，m表示飞行器质量，e3＝[0 0 1]T为本地NED坐标系下Z轴的单位向量，v表示本地NED坐标系中飞行器速度，T表示飞行器机体坐标系下受到的力矩，J表示飞行器的转动惯量矩阵；飞行器的控制力矩记作
步骤三、利用运动学模型和动力学模型计算高速旋翼飞行器的引力势场和斥力势场；
引力势场是指：引力为高速旋翼飞行器指向目标点位置的势场力，用于控制飞行器飞向目标位置；
引力势场函数为：
其中，Uatt表示人工引力势场，katt为引力势场系数，x表示飞行器的位置坐标；xg表示目标的位置坐标；
为保证系统渐近稳定，在基本人工势场的基础上增加速度的比例系数来加入虚拟力，得到引力函数为：
其中，p*为目标点指向飞行器的向量；katv为速度比例系数；
斥力势场是指：斥力为障碍物指向飞行器方向的势场力，用于控制飞行器远离障碍物；
斥力势场函数为：
Urep为人工斥力势场，krep为斥力势场系数，krep＞0；lrep是可变的斥力系数，lrep＞0；pi为障碍物指向飞行器的向量；x0为常值；
由斥力势场函数，求得斥力函数为：
Frep为斥力势场力；
步骤四、对引力势场和斥力势场的各个参数，利用BBO路径规划算法进行优化，得到旋翼飞行器的最终规划路径；
具体步骤如下：
步骤401、初始化BBO路径规划算法要调节的势场力参数katt、katv、krep、lrep、x0的最小值Minall、x0的最大值Maxall以及种群的各参数；
步骤402、计算每个栖息地的适应度函数并排序，将具有同样值的栖息地进行重新随机赋值，确保种群中无完全相同的个体，并根据适应度保存当前最优解；
步骤403、判断当前最优解是否满足结束条件，如果是，则输出结果停止运算；否则，进入步骤404；
输出结果即为旋翼飞行器的最终规划路径；
步骤404、保存适应度高的精英个体，并计算栖息地的物种数量n-k，物种迁入率λ和物种迁出率μ；
n为栖息地数，k为栖息地由高到低排序的序号，物种迁入率
和物种迁出率
步骤405、各个栖息地的参数逐个进行迁移操作和变异操作，使用精英个体代替末位个体，并将重复种群重新赋值；
步骤406、更新种群，跳转至步骤402。
2.如权利要求1所述的一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，其特征在于，步骤一中所述的机体坐标系和本地NED坐标系分别为：
1)机体坐标系
机体坐标系的原点与飞行器机身固定连接，选择机体重心Ob为原点；将过飞行器重心Ob的纵向对称轴设为X轴，正方向设为飞行器向前运动的方向，记作Xb；将过飞行器重心Ob的横向对称轴设为Y轴，正方向设为指向飞行器右边的方向，记作Yb；利用笛卡尔坐标系的定义即可得到Z轴的方向，记作Zb；
在此坐标系下定义飞行器的力记作F＝(Fx,Fy,Fz)T[N]；
2)本地NED坐标系
本地NED坐标系即惯性坐标系，该坐标系与大地固连，一般情况下选择飞行器起飞时的初始位置当作原点，记作On；X轴的正方向设为地理位置北的方向，记作Xn；Y轴的正方向设为地理位置东的方向，记作Yn；Z轴的正方向设为与地面垂直且向指向下，记作Zn。
3.如权利要求1所述的一种基于BBO优化人工势场的高速旋翼飞行器路径规划方法，其特征在于，步骤401中所述的种群的各参数包括：设定种群进化代数G，种群规模Size，种群个体迁移概率pmodify，栖息地的个数NumVar，种群中精英的个数keep，种群个体变异的概率pmutate，每个个体的最小迁入率lambdaLower，每个个体的最大迁入率lambdaUpper，每个栖息地的最大迁入率I，每个栖息地的最大迁出率E，差分因子F和变异概率C。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136171.XA CN109870906B (zh) | 2019-02-25 | 2019-02-25 | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910136171.XA CN109870906B (zh) | 2019-02-25 | 2019-02-25 | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109870906A CN109870906A (zh) | 2019-06-11 |
| CN109870906B true CN109870906B (zh) | 2020-06-12 |
Family
ID=66919268
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910136171.XA Active CN109870906B (zh) | 2019-02-25 | 2019-02-25 | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109870906B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111623777B (zh) * | 2020-05-12 | 2021-10-15 | 清华大学 | 一种基于场强信息的等值线跟踪方法 |
| CN112001290B (zh) * | 2020-08-18 | 2023-10-27 | 南京工程学院 | 一种基于yolo算法的稻飞虱迁飞路径预测方法 |
| CN112319860B (zh) * | 2021-01-05 | 2021-04-02 | 北京航空航天大学 | 飞行器rcs的自适应补偿pwpf调制方法和装置 |
| CN113343356B (zh) * | 2021-06-18 | 2022-01-18 | 哈尔滨工业大学 | 凿岩台车伸缩臂极限工况计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803332A (zh) * | 2018-06-20 | 2018-11-13 | 桂林电子科技大学 | 基于改进生物地理学的路径规划方法 |
| CN109343528A (zh) * | 2018-10-30 | 2019-02-15 | 杭州电子科技大学 | 一种节能的无人机路径规划避障方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2260342A4 (en) * | 2008-03-11 | 2011-04-13 | Lightwave Power Inc | INTEGRATED PLANAR DEVICE FOR GUIDING, CONCENTRATING AND CONVERTING WAVELENGTH OF LIGHT |
| CN102853837B (zh) * | 2012-09-11 | 2015-04-29 | 中国人民解放军国防科学技术大学 | 一种mimu和gnss信息融合的方法 |
| CN104317292A (zh) * | 2014-09-16 | 2015-01-28 | 哈尔滨恒誉名翔科技有限公司 | 一种复杂形状机器人避碰路径的方法 |
| CN108459612B (zh) * | 2017-02-21 | 2021-03-23 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
| CN109144102B (zh) * | 2018-09-19 | 2021-08-20 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
-
2019
- 2019-02-25 CN CN201910136171.XA patent/CN109870906B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108803332A (zh) * | 2018-06-20 | 2018-11-13 | 桂林电子科技大学 | 基于改进生物地理学的路径规划方法 |
| CN109343528A (zh) * | 2018-10-30 | 2019-02-15 | 杭州电子科技大学 | 一种节能的无人机路径规划避障方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109870906A (zh) | 2019-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109870906B (zh) | 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法 | |
| Wu et al. | Distributed trajectory optimization for multiple solar-powered UAVs target tracking in urban environment by Adaptive Grasshopper Optimization Algorithm | |
| CN106979784B (zh) | 基于混合鸽群算法的非线性航迹规划 | |
| Ergezer et al. | Path planning for UAVs for maximum information collection | |
| Lamont et al. | UAV swarm mission planning and routing using multi-objective evolutionary algorithms | |
| Lifen et al. | Path planning for UAVS based on improved artificial potential field method through changing the repulsive potential function | |
| Manathara et al. | Reactive collision avoidance of multiple realistic UAVs | |
| Şahin et al. | Simultaneous autonomous system and powerplant design for morphing quadrotors | |
| Pandey et al. | Aerial path planning using meta-heuristics: A survey | |
| Niu et al. | UAV track planning based on evolution algorithm in embedded system | |
| CN115454115A (zh) | 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法 | |
| Dhulkefl et al. | Dijkstra algorithm using UAV path planning | |
| CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
| Cobano et al. | Thermal detection and generation of collision-free trajectories for cooperative soaring UAVs | |
| Luo et al. | Pigeon-inspired optimisation-based cooperative target searching for multi-UAV in uncertain environment | |
| Guo et al. | Online path planning for UAV navigation based on quantum particle swarm optimization | |
| Jotrao et al. | Time-Constrained UAV Path Planning in 3D Network for Maximum Information Gain | |
| Zhao et al. | Stochastic Heuristic Algorithms for Multi-UAV Cooperative Path Planning | |
| Pi et al. | Reinforcement learning trajectory generation and control for aggressive perching on vertical walls with quadrotors | |
| Huang et al. | Study on multi-path planning and tracking control of the UCAV based on evolutionary algorithm | |
| Wang et al. | Cooperative Task Assignment of Multi-UAV in Road-network Reconnaissance Using Customized Genetic Algorithm | |
| Ibarra et al. | Hopf Bifurcation for UAV Path Planning in Autonomous Surveillance and Landing on an UGV | |
| Wang et al. | Path planning for air-ground robot considering modal switching point optimization | |
| El Khadrawy et al. | A Meta-heuristic Approach for Exploring Rough Terrain using UAV/UGV Heterogeneous System | |
| Klein et al. | Glide path generation with regard to wind misestimations |
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 |