CN109885082B - 一种基于任务驱动下的无人机航迹规划的方法 - Google Patents

Abstract

本发明提出一种基于任务驱动下的无人机航迹规划的方法，首先通过栅格法划分空间；其次根据任务驱动具体建立无人机航迹规划模型，具体包括机载传感器模型、机动性能约束模型和威胁约束模型；而后选择样本集；再对训练集中的每个样例进行决策分析，得到每个样例的分类结果；最后迭代训练过程，将决策树模型组合，进行投票得到分类结果。本发明解决在任务驱动的复杂背景下精确又迅速的确定飞行航迹的技术问题，能够有效地运行在大数据集上，具有极好的准确率，保障高效完成任务，拥有广泛的应用前景，有利于对多航迹规划的深入研究。

Description

一种基于任务驱动下的无人机航迹规划的方法

技术领域

本发明属于航迹规划技术领域，具体为一种基于任务驱动下的无人机航迹规划的方法。

背景技术

任务驱动意在完成规定的任务，即为了侦察特定目标。目的是能够准确获取目标的特征参数，判定目标的属性和类别，引导各种作战平台和武器系统对目标实施准确的攻击和有效的防御；同时，能够迅速而准确地获取战场信息，为各级指挥员的决策奠定信息基础。但是由于现代战场环境复杂多变，为了最大可能的提高每架无人机的生存概率、执行任务的效率，及充分发挥无人机集体作战的价值，需要一个高性能的飞行航迹来支持。在任务驱动的大背景下设计一条航迹，无人机依靠其自主飞行，完成规划任务，确保了无人机自身安全，为之后的战略决策提供搜寻战略情报。

随机森林算法就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习方法。应用广泛，不光可以用于分类回归，还可以用于特征转换，异常点检测等。

目前对于航迹规划的算法有了很多研究结果。经过对现有技术的检索发现，王俊等在《火力与指挥控制》(2012.8,Vol.37,No.8)上发表的“无人机航迹规划常用算法”，首先介绍了航迹规划的相关理论。其次分析归纳了当前常用的航迹规划算法，其中将重点介绍了三种现代智能算法：遗传算法、人工神经网络算法和蚁群算法的原理，比较它们的优缺点。最后阐述了航迹规划所面临的的挑战及发展方向。但是，随着无人机的深入开发利用，任务以及作战环境的复杂，约束条件的多样，航迹规划算法需要根据不同的规划任务来确定，单一的算法不能满足发展需要。

上海交通大学在其申请的专利“基于遗传规划的无人机航迹规划系统及方法”(申请号：CN201510946873.6；公开号：CN105512769A)公开介绍了一种基于遗传规划的无人机航迹规划系统及方法。第一步：根据无人机任务以及起始点信息，构建无人机任务模块。第二步：根据现场威胁与地图信息，建立现场信息模块。第三步：根据无人机模型参数信息，建立无人机模型模块。第四步：建立遗传规划算法模块。第五步：通过无人机模型模块构建树状结构的初始群体，遗传规划算法模块对每个个体进行解码和计算适应值，并且在群体之间进行选择和繁殖操作，经过若干次迭代过程得到最优群体，最终由无人机任务模块从最优群体中选择出最佳个体并进行解码，即得到遗传规划的最优航迹。该方法利用树状结构进行初始化、解码、选择繁殖等步骤, 不断的优化航迹。优化过程迅速，方法直观，能够提高规划出的航迹性能，减少了运算时间，优化适应度，具有很好的可行性和鲁棒性。但是，该方法仍存在不足之处是，局部搜索能力低，收敛速度较慢，易产生“早熟”问题。

李慧等人在其发表的文章“BP神经网络在路径规划中的应用”(《应用科技AppliedScience and Technology》2004，Vol.31，No.9)中提出的基于BP神经网络在机器人路径规划的方法。第一步：确定BP神经网络的结构。第二步：确定学习样本。第三步：对神经网络进行路径划分。该方法具有对数据大规模并行处理、高速寻找优化解的优点，并应用加权策略解决了BP神经网络容易陷入局部极小值的问题。但是，该方法仍存在不足之处是，计算量大、收敛速度慢。

胡中华在其发表的博士学位论文“智能优化算法的无人机航迹规划若干关键技术研究”(2011，pp：37-39)中提出的基于蚁群算法静态二维航迹规划的方法。第一步：根栅格法规划二维空间。第二步：设计信息素矩阵。第三步：设计启发因子。第四步：制定状态转移策略。第五步：制定信息素更新策略。该方法简单，具有良好的并行性、协作性和鲁棒性，同时寻优性能好，具备较强的动态特性。但是，该方法仍存在不足之处是，容易陷入局部最优解，搜索时间长，容易出现停滞现象。

北京航空航天大学在其申请的专利“一种太阳能飞机自主寻优航迹规划方法”(申请号：CN201711467054.9；公开号：CN108107911A)公开介绍了基于“随机森林”算法的路径寻优方法。第一步：确立和建立系统模型。第二步：构建目标函数，是包括飞行时间、环境成本和系统代价的影响因素加权组合。第三步：运用随机森林算法规划路径信息。该方法考虑了多方面因素对飞行器飞行安全的影响，可以灵活的分析历史数据提前规划飞行任务，也可以高效快速的进行在线飞行路径修正，并且不局限于针对气候环境的太阳能飞行器的路径规划。但是，该方法仍存在不足之处是，可能出现过拟合现象，并且取值划分较多的属性会对随机森林产生较大的影响。

发明内容

本发明的目的在于针对现有技术存在的不足，创新性的提出了一种基于任务驱动下的无人机航迹规划的方法，用于解决在任务驱动的复杂背景下精确又迅速的确定飞行航迹的技术问题，能够有效地运行在大数据集上，具有极好的准确率，保障高效完成任务，拥有广泛的应用前景，有利于对多航迹规划的深入研究。

本发明的技术方案为：

所述一种基于任务驱动下的无人机航迹规划的方法，其特征在于：包括以下步骤：

步骤1：对二维任务规划空间进行网格划分，共分n个网格，并获取网格编号以及网格顶点坐标；

步骤2：根据任务驱动建立无人机航迹规划模型，包括机载传感器模型、机动性能约束模型和威胁约束模型：

1)、按照下式构造机载传感器模型：

其中，R为无人机与需要侦察目标的距离，R_max为无人机机载雷达能够侦察到目标辐射源的最大作用距离，P_t为目标辐射源发射功率，G_t为目标辐射源发射天线增益，G_r为机载雷达接收天线的增益，λ为侦察到的电磁波的波长，S_imin为最小可检测信号功率；

2)、按照下式构造机动性能约束模型：

其中，l_i是第i段航迹的航程，l_min是无人机自身约束的最小步长，所述最小步长的物理意义为无人机在改变飞行姿态前必须直飞的最短距离，r_i是第i段航迹的转弯半径，r_min是无人机自身约束的最小转弯半径；

3)、按照下式构造威胁约束模型：

其中，ω_R为雷达约束代价，d_R为无人机与威胁雷达的距离，d_Rmax为威胁雷达能够探测到无人机的最大作用距离，ω_C是大气约束代价，d_Cmax为气候影响区域的最大半径，d_C为无人机距离大气威胁中心的距离；

步骤3：建立空间样本集，所述空间样本集中具有n个样例，每个样例由一个网格确定，样例值由该网格编号以及网格左下方顶点的坐标组成；从空间样本集中通过随机可重复采样的方式抽取n个样例，得到一个大小为n的训练集；

步骤4：对训练集中的每个样例进行决策分析，得到每个样例的分类结果：

步骤4.1：对于某一样例，根据威胁约束模型判断该样例的威胁约束模型特征值，所述威胁约束模型特征分为不受到威胁与受到威胁；

步骤4.2：若该样例的威胁约束模型特征为不受到威胁，则进一步根据机载传感器模型判断该样例的机载传感器模型特征值，所述机载传感器模型特征分为观测不到目标和观测到目标；

步骤4.3：每个样例通过分类决策，最终得到该样例的分类结果，所述分类结果分为观测不到目标且不受到威胁的区域、受到威胁的区域、不受到威胁且能观测到目标的区域；

步骤5：在空间样本集中再次通过随机采样的方式抽取n个样例形成训练集，返回步骤4得到每个样例的分类结果；

步骤6：根据用户设定的迭代次数，重复步骤5若干次，得到空间样本集中每个样例的分类向量，所述分类向量中的元素值为该样例的分类结果；对分类向量进行投票，得到每个样例的最终分类结果，取最终分类结果为不受到威胁且能观测到目标的区域的样例，并结合机动性能约束模型，组成最终的无人机决策航迹。

进一步的优选方案，所述一种基于任务驱动下的无人机航迹规划的方法，其特征在于：步骤1中划分网格的网格编号为

其中p_i是空间内的网格编号，(x_i,y_i)是编号为p_i的网格中左下方顶点的坐标，(x_min,y_mi)_n、(x_max,y_min)、(x_min,y_max)、(x_max,y_max)分别为二维任务规划空间的四个顶点坐标，N_grid为网格尺寸，得到网格行数为h＝(y_max-y_min)N_grid，列数为v＝(x_max-x_min)N_grid，网格节点数n＝h×v。

进一步的优选方案，所述一种基于任务驱动下的无人机航迹规划的方法，其特征在于：所述威胁约束模型特征值根据雷达约束代价和大气约束代价确定，当雷达约束代价和大气约束代价均小于各自对应的设定阈值时，威胁约束模型特征值为0，表示不受到威胁，否则表示受到威胁。

有益效果

本发明与现有技术相比，具有以下优点：

1)当前对与无人机航迹规划的研究没有固定在具体的任务背景下，对无人机飞行任务的目标函数的建立仅局限于躲避威胁。本发明首先明确了任务驱动的背景，根据对已知任务目标信息的处理，具体要求了无人机飞行任务。其次细化飞行任务，建立了机载传感器模型，用于无人机对于具体的规划任务进行处理，完成了对需要侦察目标的观测，同时建立躲避威胁的威胁模型，以便于今后面向不同飞行任务的建模。

2)本发明将机器学习算法中的随机森林算法运用到基于任务驱动的航迹规划领域，利用随机森林算法可以高度并行化的优点，突破了数据维度的限制，与现有技术相比，提高了计算速度，高效完成任务，能够有效地运行在大数据集上，具有极好的准确率，拥有广泛的应用前景。

3)本发明得到的飞行航迹是一个可以满足侦察到目标、并且避免威胁、满足自身机动性能下的航迹区域。现有的技术都是从一个初始状态开始搜索，最后得到一个全局或者局部最优解，不便于寻找多条航迹，本发明确定了整体的飞行方向和飞行区域，可以克服上述缺点，可用于多航迹规划的研究。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是实现本发明采用的系统的结构框架图；

图2是本发明的实现流程图；

图3是利用本发明威胁模型得到的威胁约束曲面图；

图4是利用本发明生成的决策树图；

图5是利用本发明得到的航迹规划灰度图；

图6是利用本发明得到的航迹规划曲面图。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

参照图1和图2，本发明的具体步骤如下：

步骤1，根据栅格法对任务规划空间进行网格划分：

采用一种合理的方式来描述任务规划空间是解决航迹规划问题的前提，按照下式，将二维任务规划空间进行网格划分，构造网格编号：

其中，p_i是空间内的网格编号，(x_i,y_i)是编号为p_i的网格中左下方顶点的坐标，(x_min,y_min)、(x_max,y_min)、(x_min,y_max)、(x_max,y_max)分别为二维任务规划空间的四个顶点坐标，N_grid为网格大小，则网格共有行数为h＝(y_max-y_min)N_grid，共有列数为 v＝(x_max-x_min)N_grid，共有节点数为n＝h×v。

步骤2：根据任务驱动建立无人机航迹规划模型，包括机载传感器模型、机动性能约束模型和威胁约束模型；机载传感器模型体现无人机任务信息，机动性能约束模型体现无人机自身性能约束模型参数信息，威胁约束模型体现现场威胁与环境信息。

1)、按照下式构造机载传感器模型：

其中，R为无人机与需要侦察目标的距离，R_max为无人机机载雷达能够侦察到目标辐射源的最大作用距离，P_t为目标辐射源发射功率，G_t为目标辐射源发射天线增益，G_r为机载雷达接收天线的增益，λ为侦察到的电磁波的波长，S_imin为最小可检测信号功率，即灵敏度。机载传感器模型的建立保障了无人机能够执行规定任务，完成在任务驱动的背景下，对需要观测的目标进行侦察。

2)、按照下式构造机动性能约束模型：

其中，l_i是第i段航迹的航程，l_min是无人机自身约束的最小步长，所述最小步长的物理意义为无人机在改变飞行姿态前必须直飞的最短距离，r_i是第i段航迹的转弯半径，r_min是无人机自身约束的最小转弯半径；机动性能约束模型的建立尽可能的反映了无人机的真实情况，无人机机动性能的约束通过设定网格大小来满足。

3)、按照下式构造威胁约束模型：

其中，ω_R为雷达约束代价，d_R为无人机与威胁雷达的距离，也是距离需要侦察目标的距离，d_Rmax为威胁雷达能够探测到无人机的最大作用距离，其关系表达式为

σ为雷达作用于无人机时其散射面积。设定无人机在地面雷达探测范围内受到威胁，即雷达威胁概率为1，否则威胁减弱，雷达威胁概率与距离的四次方成反比。ω_C是大气约束代价，d_Cmax为气候影响区域的最大半径，d_C为无人机距离大气威胁中心的距离；设定无人机在大气威胁范围内受到威胁，即大气威胁概率为1，否则威胁减弱，即威胁概率与距离成反比。

步骤3：建立空间样本集，所述空间样本集中具有n个样例，每个样例由一个网格确定，样例值由该网格编号以及网格左下方顶点的坐标组成；从空间样本集中通过随机可重复采样的方式抽取n个样例，得到一个大小为n的训练集；

步骤4：对训练集中的每个样例进行决策分析，得到每个样例的分类结果：

步骤4.1：对于某一样例，根据威胁约束模型判断该样例的威胁约束模型特征值，所述威胁约束模型特征分为不受到威胁与受到威胁；所述威胁约束模型特征值根据雷达约束代价和大气约束代价确定，当雷达约束代价和大气约束代价均小于各自对应的设定阈值0.5时，威胁约束模型特征值为0，表示不受到威胁，否则表示受到威胁。

步骤4.2：若该样例的威胁约束模型特征为不受到威胁，则进一步根据机载传感器模型判断该样例的机载传感器模型特征值，所述机载传感器模型特征分为观测不到目标和观测到目标；

步骤4.3：每个样例通过分类决策，最终得到该样例的分类结果，所述分类结果分为观测不到目标且不受到威胁的区域、受到威胁的区域、不受到威胁且能观测到目标的区域；

步骤5：在空间样本集中再次通过随机采样的方式抽取n个样例形成训练集，返回步骤4得到每个样例的分类结果；

步骤6：根据用户设定的迭代次数(最大树深度)，重复步骤5若干次，得到空间样本集中每个样例的分类向量，所述分类向量中的元素值为该样例的分类结果；对分类向量进行投票，得到每个样例的最终分类结果，取最终分类结果为不受到威胁且能观测到目标的区域的样例，并结合机动性能约束模型，组成最终的无人机决策航迹。

下面结合仿真实验对本发明的效果进一步说明：

1.仿真条件：

本发明的仿真实验中运用的计算机配置为WINDOWS 7操作系统，软件平台为MATLAB R2018b。

本发明的仿真参数如下：本发明只考虑在二维任务空间进行航迹规划，假定二维空间下的四个顶点坐标为(0,0)、(500,0)、(0,50)、(500,500)。任务驱动的侦察目标数量为3，坐标为(50,150)、(110,310)、(250,350)。划分网格大小为10km，与机动性能约束模型相关，网格大小确保无人机满足自身机动性约束。机载侦察雷达的作用半径为110km。在威胁模型中，雷达威胁在二维空间的坐标位置为(50,150)、(110,310)、 (250,350)，也即侦察目标所在坐标，雷达威胁的作用半径为50km；大气威胁在二维空间的坐标位置为(200,290)、(260,310)，大气威胁的作用半径为30km。

2.仿真内容：

(1)利用本发明威胁模型得到的威胁约束曲面图，仿真结果如图3所示。

(2)本发明生成的决策树图，仿真结果如图4所示。

(3)当最大树深度为20时，利用本发明得到航迹规划灰度图，仿真结果如图5 所示。

(4)当最大树深度为20时，利用本发明得到航迹规划曲面图，仿真结果如图6 所示。

3.仿真结果分析：

图3是本发明威胁模型得到的威胁约束曲面图，x轴y轴分别对应规划二维任务规划空间的水平方向和垂直方向，z轴对应任务空间受到的威胁概率，规定若在雷达探测范围内或者在大气威胁范围内受到威胁，则威胁概率为1。随着距离威胁距离的增加，受到威胁概率逐渐减小。从图3可以看出，与现有技术相比，本发明将威胁概率与威胁范围结合展示，更形象立体。

图4是本发明生成的决策树图，x1为机载传感器模型特征分类标准，x2为威胁约束模型特征分类标准。分类结果中：0表示观测不到目标且不受到威胁的；1表示受到威胁的区域；2表示不受到威胁且能观测到目标的区域，也即随机森林算法最终决策的航迹。从图4可以看出，与现有技术相比，本发明展示了生成的决策树，详细的给定了分类的依据，同时给出了各个特征对于输出重要性，可用于对于不同的任务有先后顺序要求的航迹规划。

图5是本发明得到的航迹规划灰度图，横纵坐标对应的是任务规划空间的方向，图中，黑色区域为分类结果中观测不到目标且不受到威胁的，对应决策树最后投票的结果0；灰色表示受到威胁的区域，对应决策树最后投票的结果1；白的区域表示不受到威胁且能观测到目标的区域，也是规划的航迹，对应决策树最后投票的结果2。从图5可以看出，与现有技术相比，本发明展示了航迹规划灰度图，展示的飞行航迹是一个飞行区域，便于寻找多条航迹。

图6是本发明得到的航迹规划曲面图，x轴y轴分别对应规划二维空间的水平方向和垂直方向，z轴对应随进森林算法分类的结果，其数值：0表示观测不到目标且不受到威胁的；1表示受到威胁的区域；2表示不受到威胁且能观测到目标的区域。从图 6可以看出，与现有技术相比，本发明展示了航迹规划曲面图，将分类结果进行三维展示，更直观立体的展示飞行航迹，准确性更强。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (3)

1.一种基于任务驱动下的无人机航迹规划的方法，其特征在于：包括以下步骤：

步骤1：对二维任务规划空间进行网格划分，共分n个网格，并获取网格编号以及网格顶点坐标；

步骤2：根据任务驱动建立无人机航迹规划模型，包括机载传感器模型、机动性能约束模型和威胁约束模型：

1)、按照下式构造机载传感器模型：

其中，R为无人机与需要侦察目标的距离，R_max为无人机机载雷达能够侦察到目标辐射源的最大作用距离，P_t为目标辐射源发射功率，G_t为目标辐射源发射天线增益，G_r为机载雷达接收天线的增益，λ为侦察到的电磁波的波长，S_imin为最小可检测信号功率；

2)、按照下式构造机动性能约束模型：

其中，l_i是第i段航迹的航程，l_min是无人机自身约束的最小步长，所述最小步长的物理意义为无人机在改变飞行姿态前必须直飞的最短距离，r_i是第i段航迹的转弯半径，r_min是无人机自身约束的最小转弯半径；

3)、按照下式构造威胁约束模型：

其中，ω_R为雷达约束代价，d_R为无人机与威胁雷达的距离，d_Rmax为威胁雷达能够探测到无人机的最大作用距离，ω_C是大气约束代价，d_Cmax为气候影响区域的最大半径，d_C为无人机距离大气威胁中心的距离；

步骤3：建立空间样本集，所述空间样本集中具有n个样例，每个样例由一个网格确定，样例值由该网格编号以及网格左下方顶点的坐标组成；从空间样本集中通过随机可重复采样的方式抽取n个样例，得到一个大小为n的训练集；

步骤4：对训练集中的每个样例进行决策分析，得到每个样例的分类结果：

步骤4.1：对于某一样例，根据威胁约束模型判断该样例的威胁约束模型特征值，所述威胁约束模型特征分为不受到威胁与受到威胁；

步骤4.2：若该样例的威胁约束模型特征为不受到威胁，则进一步根据机载传感器模型判断该样例的机载传感器模型特征值，所述机载传感器模型特征分为观测不到目标和观测到目标；

步骤4.3：每个样例通过分类决策，最终得到该样例的分类结果，所述分类结果分为观测不到目标且不受到威胁的区域、受到威胁的区域、不受到威胁且能观测到目标的区域；

步骤5：在空间样本集中再次通过随机采样的方式抽取n个样例形成训练集，返回步骤4得到每个样例的分类结果；

步骤6：根据用户设定的迭代次数，重复步骤5若干次，得到空间样本集中每个样例的分类向量，所述分类向量中的元素值为该样例的分类结果；对分类向量进行投票，得到每个样例的最终分类结果，取最终分类结果为不受到威胁且能观测到目标的区域的样例，并结合机动性能约束模型，组成最终的无人机决策航迹。

2.根据权利要求1所述一种基于任务驱动下的无人机航迹规划的方法，其特征在于：

步骤1中划分网格的网格编号为

其中p_i是空间内的网格编号，(x_i,y_i)是编号为p_i的网格中左下方顶点的坐标，(x_min,y_min)、(x_max,y_min)、(x_min,y_max)、(x_max,y_max)分别为二维任务规划空间的四个顶点坐标，N_grid为网格尺寸，得到网格行数为h＝(y_max-y_min)/N_grid，列数为v＝(x_max-x_min)/N_grid，网格节点数n＝h×v。

3.根据权利要求1所述一种基于任务驱动下的无人机航迹规划的方法，其特征在于：所述威胁约束模型特征值根据雷达约束代价和大气约束代价确定，当雷达约束代价和大气约束代价均小于各自对应的设定阈值时，威胁约束模型特征值为0，表示不受到威胁，否则表示受到威胁。

Images