CN109947132A - 基于rfid库存盘点的无人机三维路径规划方法 - Google Patents

Abstract

基于RFID库存盘点的无人机三维路径规划方法，首先在三维空间搭建一个飞行网络模型，并建立相应的坐标系；然后通过搭建危险壁障的适应度函数、RFID读写器识别的适应度函数和路径最小适应度函数来构造目标函数，确保UAV能够在采集到每个仓库货物库存信息的前提下求得目标函数的最小值。采用基于二次差分进化和模拟退火的混合蝙蝠算法对目标函数进行求解，获得全局最优的飞行路径。本发明方法全局搜索能力较好，鲁棒性强。提高了无人机(Unmanned Aerial Vehicle,UAV)搭载RFID读写器的盘点效率，规避UAV无效的盘点飞行，减少盘点飞行路径。

Description

基于RFID库存盘点的无人机三维路径规划方法

技术领域

本发明涉及一种用于库存盘点的无人机三维路径规划方法。

背景技术

随着物联网技术快速发展，射频识别技术(Radio Frequency Identification,RFID)，因为可以实现实时无线数据采集，被广泛的应用于物流、资产追踪、设备监控等领域。

RFID在物流领域主要用于运输、存储、配送和出入库等环节。而UAV由于体积小、质量轻、转弯灵活等特点，可以解决在某些特殊环境下(例如高温、绝尘等生产环境下)的数据信息采集问题，因此，基于UAV和RFID技术的仓库货物信息管理系统已经开始被采用。

在UAV+RFID技术中，UAV路径规划问题是关键性技术，合理的规划路径能够使得UAV在库存信息采集过程中有效的规避障碍物，能够采集到仓库货物数据信息，且得到一条最优化的盘点路径。

目前的文章多是纯粹的飞行器或无人潜艇的路径规划问题，没有对信息采集结合路径规划的研究。飞行器上搭载信息采集设备不仅需要飞行器在飞行过程中规避障碍物，同时还需要确保信息采集设备能够采集到相应的数据信息。

现阶段没有专门针对UAV+RFID的路径规划问题，大部分针对无人战斗机的路径规划问题是二维的，缺乏足够的灵活性，且没有涉及到信息采集的三维飞行路径的规划。

发明内容

本发明要解决现有技术的上述缺点，提出基于RFID库存盘点的无人机三维路径规划方法。

本发明能够解决UAV+RFID仓库库存信息采集的最优化路径问题，确保在规避障碍物的前提下实现在库存的信息采集。

本发明运用基于二次差分进化和模拟退火的混合蝙蝠算法，提出一种直接在三维平面上求解一条无人机飞行最优路径的方法，主要步骤包括无人机三维路径规划的数学模型建立和UAV+RFID三维路径规划的混合蝙蝠算法设计，最后通过迭代运算输出无人机信息采集的最优路径的可视化结果。

本发明的技术方案为：

所述基于RFID库存盘点的无人机三维路径规划方法，采用以下步骤：

步骤1：搭建飞行网络模型，并建立相应的坐标系：

步骤1.1：以如图1所示的网格的形式标注出UAV的空间任务、空间障碍物以及RFID的感应区域；

步骤1.2：假设UAV从S点出发，到达目的地F点完成盘点任务。在飞行空间中(车间内)存在很多设备以及管道之类的危险区域。在UAV飞行过程中需要避开危险区域。将整个空间飞行路径划分成m个相等的子空间，且有n个飞行候选节点；

步骤1.3：在该三维飞行任务空间建立以起点S为原点，以S点正东方向为 x轴，y轴垂直于x轴且与水平面平行，z轴为过原点且垂直于xoy平面的三维坐标轴Oxyz，如图2所示；

步骤1.4：由图2可得，S点为原点，坐标为(0,0,0)，假设由S点出发到F点经过L₁,L₂,…,L_n,L_i(x_i,y_i,z_i)表示UAV飞行过程中的第i个节点，故UAV飞行全过程的路径可表示为：

Path＝{S,L₁,L₂...,F} (1)

步骤2：建立UAV三维路径规划数学模型：包括如下步骤：

步骤2.1：建立危险壁障适应度函数，使UAV在从起点飞行到终点的过程中需避开这些危险壁障，确保始终在安全无碰撞的范围内，将UAV按照质点来处理，危险壁障适应度函数表示为：

d＝(x_i-x_t)²+(y_i-y_t)²+(z_i-z_t)² (3)

其中：

m：UAV飞行的节点数；

N_t：危险壁障的数量；

d：当前节点与危险壁障的距离的平方，其中d的取值由飞行空间决定；

L：UAV飞行时与危险壁障的安全距离；

δ：δ为定量，取δ＝0.01；

X_i(x_i,y_i,z_i)：UAV当前节点坐标；

T(x_i,y_i,z_i)：危险壁障的坐标。

步骤2.2：建立RFID读写器识别适应度函数，确保在保持安全距离的同时，使UAV的飞行路径中所在节点与仓库货物存放区域的距离小于RFID读写器的读取距离：

步骤2.2.1：对于仓库货物存放区域来说，既是需要被识别的区域也是障碍区域，故UAV在飞行过程中遇到仓库货物存放区域时首先需要满足公式(2)；

步骤2.2.2：在UAV的飞行路径中还需确保存在节点L_i(x_i,y_i,z_i)与仓库货物存放区域的距离小于RFID读写器的读取距离。同时对仓库货物存放区域按照UAV 半径进行膨胀，UAV按照质点来处理，RFID读写器识别的适应度函数表示为：

其中：

m：UAV飞行的节点数；

N：仓库货物暂存区数量，即信息采集点数量；

r：RFID读写器的射频识别距离，本文采用RFID读写器的识别距离为6m；

l：当前节点与信息采集点的距离；

δ：δ为定量，取δ＝0.01；

X_i(x_i,y_i,z_i)：UAV当前节点坐标；

C(x_c,y_c,z_c)：信息采集点的坐标；

步骤2.3：设置路径最小适应度函数来求起始点和终点之间的最优路径：

步骤2.3.1：在三维路径规划中，路径最短是算法最后需要达到的目标，所以距离最小适应度函数为：

步骤2.3.2：将危险壁障适应度函数、RFID读写器识别的适应度函数以及距离最小适应度函数综合在一起，即可得到综合适应度函数为：

f＝minf₁×f₂×f₃ (7)

其中f≠0。

步骤3：基于二次差分进化和模拟退火的混合蝙蝠算法迭代寻最优路径：包括如下步骤：

步骤3.1：初始化：设置迭代次数t＝1；初始化蝙蝠种群的位置速度频率F、频度ɑ及响度A；设置放大系数F*；

步骤3.2：计算初始解fitness(x)＝f(x)(其中x为手动遥控无人机飞行的一条路径)以及最优初始化值val_best；

步骤3.3：当迭代次数t<最大迭迭代次数时，执行如下操作：

步骤3.3.1：对所有节点数i＝1:N，生成随机变量r₁≠r₂≠r₃≠i，r₄＝[N*rand]；

步骤3.3.2：利用蝙蝠个体的位置属性速度属性以及频率属性f_i进行全局搜索。得到在t代蝙蝠个体的新位置：

步骤3.3.3：当rand₁>r时，则在此次随机游走过程中就近产生新的解决方案： X_new＝X_old+εA^t，其中，ε∈[-1,1]是一个随机变异因子，是所有蝙蝠在这一代的平均响度；否则，通过局部差分策略变异产生新位置： X_new＝X_r1+(X_r2-X_r3)F*；

步骤3.3.4：设置初始温度T₀，结束温度T，退火系数C；

步骤3.3.5：当rand₂<A时，根据Metropolics准则进行更新：X_i状态下的适应度为fitness(x_i)，X_new状态下的适应度为fitness(X_new)，在某一温度t下从状态 X_i转移到状态X_new，当fitness(X_new)<fitness(x_i)，则接受X_new为当前状态，更新当前位置、目标函数、响应度A和脉冲率r：X_i＝X_new、fitness(x_i)＝fitness(X_new)、否则，若概率大于[0,1)区间的随机数，则接受 X_new为当前状态，并更新当前位置、目标函数、响应度A和脉冲率r，否则保留 X_i为当前状态；

定义如下：

其中K为玻尔兹曼常数；

步骤3.3.6：重复步骤3.3.1-步骤3.3.5，直至t＝最大迭代次数；

步骤3.4：输出最优路径解。

步骤4：将步骤3模型中基于二次差分进化和模拟退火的混合蝙蝠算法得到的最优解可视化，即为无人机飞行的最优路线。

本发明的有益效果是：

现阶段对无人机的路径规划问题都是以二维平面坐标来处理，其生成的路径为二维平面上的路径优化问题求得的最优解；而混合蝙蝠算法算法可以直接在三维平面上寻求一条最优路径，不仅能在二维平面上寻优，而且在三维上能够通过越过障碍物的上方来寻求最优路径，通过距离的比较混合蝙蝠算法所得到的飞行路径最短，优于传统二维平面处理方式。

附图说明

图1是三维空间UAV+RFID飞行路径；

图2是三维空间坐标系；

图3是本发明的三维路径规划实现流程图。

具体实施方式

下面结合附图，对本发明的技术方案做进一步说明。

本实例中采用张航等人研究的量子行为粒子群算法(QPSO)和基于二次差分进化的混合蝙蝠算法作为比较算法，对本发明提出的方法进行有效性验证。

下面结合具体实施例描述本发明：

本实例中基于RFID库存盘点的无人机三维路径规划方法，采用以下步骤：

步骤1：使用Mathlab7.11.0为仿真平台，收集生产车间障碍物和信息采集点的位置及尺寸(本文用长方体代替障碍物和信息采集点)数据信息，建立相应的生产车间模型；

步骤2：利用张航等人研究的量子行为粒子群算法(QPSO)对微型飞行器进行三维路径规划：

步骤2.1：将三维坐标数据通过坐标变换和离散有限平面的方法化简为一维数据；

步骤2.2：建立新地图和粒子适应度函数，适应度函数决定了静态和动态壁障的适应值；

步骤2.3：通过量子行为粒子群优化算法获得一条全局最优路径，对 UAV+RFID数据模型进行计算可以得到一条S到F点的最优路径L₁，其中L₁的长度为88.82；

步骤3：利用基于二次差分进化的混合蝙蝠算法寻找最优三维路径：

步骤3.1：对仿真模型进行初始化，设置初始参数：仿真迭代次数为100次，其中障碍物和信息采集点随机设定，RFID读写器的信息射频识别距离为6m(即 6m内的RFID标签都会被读写器识别)，其中取α＝0.9、γ＝0.9、F*＝1.2、ε＝0.5；

步骤3.2：进行算法迭代，通过计算得到一条UAV从起始点S到终点F的最优飞行路径L₂，其中L₂的长度为75.26；

步骤4：利用本发明设计的基于二次差分进化和模拟退火的混合蝙蝠算法寻找最优三维路径：

步骤4.1：对仿真模型进行初始化，设置同步骤3.1的初始参数；

步骤4.2：进行算法迭代，通过基于二次差分进化和模拟退火的混合蝙蝠算法计算得到一条UAV从起始点S到终点F的最优飞行路径L₃，其中L₃的长度为70.68；

步骤5：通过最后输出数据比较，基于二次差分进化和模拟退火的混合蝙蝠算法所得到的飞行路径最短，故该实例证实了UAV+RFID路径规划的有效性。

本实例中，仿真原始尺寸为30*60*10，S(0,0,0)和F(30,60,10)分别代表飞行路径的起点和终点。其中，存在5个信息采集点和5个障碍物，障碍物的中心点 b₁:(6.5,6.5,1.5)；b₂:(16.5,12.5,1)；b₃:(9,16,2)；b₄:(5.5,35,4)；b₅:(15,52.5,9.5)； b₆:(20,26,2)；b₇:(26,17,3)；b₈:(15,43,3)；b₉:(25.5,45.5,2.5)；长宽高分别为(3,5,3)、 (3,5,2)、(6,8,4)、(5,20,8)、(20,5,1)、(2,12,4)、(4,26,6)、(10,10,6)、(5,5,5)。信息采集点的坐标为：c₁:(12.5,8,1)；c₂:(21.5,4.5,1)；c₃:(14.5,29,1)；c₄:(25,37.5,2)； c₅:(26,51,1)；长宽高分别为(5,4,2)、(3,3,2)、(5,10,2)、(4,5,4)、(2,2,2)。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.基于RFID库存盘点的无人机三维路径规划方法，采用以下步骤：

步骤1：搭建飞行网络模型，并建立相应的坐标系：

步骤1.1：以网格的形式标注出UAV的空间任务、空间障碍物以及RFID的感应区域；

步骤1.2：假设UAV从S点出发，到达目的地F点完成盘点任务；在飞行空间中(车间内)存在很多设备以及管道之类的危险区域；在UAV飞行过程中需要避开危险区域；将整个空间飞行路径划分成m个相等的子空间，且有n个飞行候选节点；

步骤1.3：在该三维飞行任务空间建立以起点S为原点，以S点正东方向为x轴，y轴垂直于x轴且与水平面平行，z轴为过原点且垂直于xoy平面的三维坐标轴Oxyz；

步骤1.4：S点为原点，坐标为(0,0,0)，假设由S点出发到F点经过L₁,L₂,…,L_n,L_i(x_i,y_i,z_i)表示UAV飞行过程中的第i个节点，故UAV飞行全过程的路径可表示为：

Path＝{S,L₁,L₂...,F} (1)

步骤2：建立UAV三维路径规划数学模型：包括如下步骤：

步骤2.1：建立危险壁障适应度函数，使UAV在从起点飞行到终点的过程中需避开这些危险壁障，确保始终在安全无碰撞的范围内，将UAV按照质点来处理，危险壁障适应度函数表示为：

d＝(x_i-x_t)²+(y_i-y_t)²+(z_i-z_t)²(3)

其中：

m：UAV飞行的节点数；

N_t：危险壁障的数量；

d：当前节点与危险壁障的距离的平方，其中d的取值由飞行空间决定；

L：UAV飞行时与危险壁障的安全距离；

δ：δ为定量，取δ＝0.01；

X_i(x_i,y_i,z_i)：UAV当前节点坐标；

T(x_i,y_i,z_i)：危险壁障的坐标；

步骤2.2：建立RFID读写器识别适应度函数，确保在保持安全距离的同时，使UAV的飞行路径中所在节点与仓库货物存放区域的距离小于RFID读写器的读取距离：

步骤2.2.1：对于仓库货物存放区域来说，既是需要被识别的区域也是障碍区域，故UAV在飞行过程中遇到仓库货物存放区域时首先需要满足公式(2)；

步骤2.2.2：在UAV的飞行路径中还需确保存在节点L_i(x_i,y_i,z_i)与仓库货物存放区域的距离小于RFID读写器的读取距离；同时对仓库货物存放区域按照UAV半径进行膨胀，UAV按照质点来处理，RFID读写器识别的适应度函数表示为：

其中：

m：UAV飞行的节点数；

N：仓库货物暂存区数量，即信息采集点数量；

r：RFID读写器的射频识别距离，本文采用RFID读写器的识别距离为6m；

l：当前节点与信息采集点的距离；

δ：δ为定量，取δ＝0.01；

X_i(x_i,y_i,z_i)：UAV当前节点坐标；

C(x_c,y_c,z_c)：信息采集点的坐标；

步骤2.3：设置路径最小适应度函数来求起始点和终点之间的最优路径：

步骤2.3.1：在三维路径规划中，路径最短是算法最后需要达到的目标，所以距离最小适应度函数为：

步骤2.3.2：将危险壁障适应度函数、RFID读写器识别的适应度函数以及距离最小适应度函数综合在一起，即可得到综合适应度函数为：

f＝min f₁×f₂×f₃ (7)

其中f≠0；

步骤3：基于二次差分进化和模拟退火的混合蝙蝠算法迭代寻最优路径：包括如下步骤：

步骤3.1：初始化：设置迭代次数t＝1；初始化蝙蝠种群的位置速度频率F、频度ɑ及响度A；设置放大系数F*；

步骤3.2：计算初始解fitness(x)＝f(x)(其中x为手动遥控无人机飞行的一条路径)以及最优初始化值val_best；

步骤3.3：当迭代次数t<最大迭迭代次数时，执行如下操作：

步骤3.3.1：对所有节点数i＝1:N，生成随机变量r₁≠r₂≠r₃≠i，r₄＝[N*rand]；

步骤3.3.2：利用蝙蝠个体的位置属性速度属性以及频率属性f_i进行全局搜索；得到在t代蝙蝠个体的新位置：

步骤3.3.3：当rand₁>r时，则在此次随机游走过程中就近产生新的解决方案：X_new＝X_old+εA^t，其中，ε∈[-1,1]是一个随机变异因子，是所有蝙蝠在这一代的平均响度；否则，通过局部差分策略变异产生新位置：X_new＝X_r1+(X_r2-X_r3)F*；

步骤3.3.4：设置初始温度T₀，结束温度T，退火系数C；

步骤3.3.5：当rand₂<A时，根据Metropolics准则进行更新：X_i状态下的适应度为fitness(x_i)，X_new状态下的适应度为fitness(X_new)，在某一温度t下从状态X_i转移到状态X_new，当fitness(X_new)<fitness(x_i)，则接受X_new为当前状态，更新当前位置、目标函数、响应度A和脉冲率r：X_i＝X_new、fitness(x_i)＝fitness(X_new)、否则，若概率大于[0,1)区间的随机数，则接受X_new为当前状态，并更新当前位置、目标函数、响应度A和脉冲率r，否则保留X_i为当前状态；

定义如下：

其中K为玻尔兹曼常数；

步骤3.3.6：重复步骤3.3.1-步骤3.3.5，直至t＝最大迭代次数；

步骤3.4：输出最优路径解；

步骤4：将步骤3模型中基于二次差分进化和模拟退火的混合蝙蝠算法得到的最优解可视化，即为无人机飞行的最优路线。