CN110162077B - 一种基于飞鱼算法的无人机航迹规划方法 - Google Patents
一种基于飞鱼算法的无人机航迹规划方法 Download PDFInfo
- Publication number
- CN110162077B CN110162077B CN201910527322.4A CN201910527322A CN110162077B CN 110162077 B CN110162077 B CN 110162077B CN 201910527322 A CN201910527322 A CN 201910527322A CN 110162077 B CN110162077 B CN 110162077B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- flight
- flying
- flying fish
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 230000009471 action Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 230000002431 foraging effect Effects 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 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 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 244000144980 herd Species 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
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于飞鱼算法的无人机航迹规划方法,属于无人机飞行控制领域。包括建立无人机飞行运动模型,设计球面坐标系动作姿态向量;利用检测概率的效能值和无人机奖惩机制构建航迹评价函数,将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;将最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。本发明结合飞鱼算法,利用种群飞行觅食寻优和交互平台,增强了航迹规划方法的全局搜索能力,本发明模型简单、收敛速度快、准确率高、可靠性好,适用不同场合下的飞行任务。
Description
技术领域
本发明涉及一种基于飞鱼算法的无人机航迹规划方法,属于无人机飞行控制领域。
背景技术
无人机是在民用、军用领域极为重要的载体,航迹规划是无人机完成一切飞行任务的重要技术手段。航迹规划就是在综合考虑无人机到达时间、威胁以及飞行区域等因素的前提下,为无人机规划出最优或满意的飞行航迹,以保证圆满地完成飞行任务。随着现代化技术日趋复杂,传统的无人机航迹规划方法已不能满足无人机飞行任务的实际需求。制定一个可靠而有效的航迹规划方法,已成为无人机高效完成飞行任务的瓶颈。目前的航迹规划方法主要包括人工势场法和栅格法,这些方法计算复杂度高,收敛速度慢,适应性差且可靠性难以保证。
基于人工势场法的航迹规划是一种模拟电势场分布的规划方法,任务区域内的目标点产生引力场,威胁源产生斥力场,无人机在引力和斥力的共同作用下向目标点运动。这种方法在局部规划领域应用广泛,但是无法适应全局性航迹规划,当无人机离目标点比较远时,无人机会进入威胁区域,导致该方法可靠性差、复杂度高、收敛速度慢。
基于栅格法的航迹规划是一种将规划空间均匀离散化处理的方法,将空间离散化之后,限定无人机动作方向,然后从起始单元开始搜索至目标单元的所有可行路径。栅格单元划分的疏密程度对算法的性能有较大的影响,栅格划分的越密,规划所得航迹越精细,同时需要更多的储存空间和计算资源,导致算法规划时间长,收敛速度慢,对于一些复杂飞行环境其适应性也十分有限。
发明内容
本发明的目的是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题而提供一种基于飞鱼算法的无人机航迹规划方法。
本发明的目的是这样实现的,一种基于飞鱼算法的无人机航迹规划方法,具体包括以下步骤:
步骤1、建立无人机飞行运动模型,设计球面坐标系动作姿态向量;
步骤2、从飞行环境中侦测目标信息,对其进行信息处理,获得相应探测中心的检测概率,对其进行数据处理获得检测效能,将处理后的检测效能值作为航迹评价指标;
步骤3、构造无人机飞行奖励机制,使其作为另一航迹评价指标,计算无人机与目标区域的径向距离,并以此作为奖励机制的评价因素;
步骤4、结合无人机动作姿态向量,利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和,得到航迹评价函数,并对航迹评价指标的权重进行实时修正处理;
步骤5、将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;
步骤6、用最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。
本发明还包括这样一些结构特征:
步骤2所述探测中心的检测概率为P(Q1)、P(Q2):
一种基于飞鱼算法的无人机航迹规划方法,步骤3所述无人机飞行奖励机制为奖励机制函数Re:
步骤3所述无人机与目标区域的径向距离为D:
步骤4所述航迹评价函数为Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重。
所述步骤5具体包括以下步骤:
步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual;
步骤5.2、飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
L(μ)=s-μ,1<μ≤3
其中,s为飞行步长,μ为飞行更新参数,一般取1.5。
步骤5.3、根据步骤5.2的觅食结果计算个体适应度值:
步骤5.4、计算适应度均值:
其中,||·||表示模长;rand(0,1)表示0到1随机数。
步骤5.6、每独立计算一次比较取最优,当runtime<maxCycle时:
runtime=runtime+1
然后返回步骤5.2继续执行,当runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优;
步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量。
与现有技术相比,本发明的有益效果是:
本发明采用球面坐标系下的无人机动作姿态向量,构建无人机的飞行速度和飞行角度关系式,使无人机运动姿态更连贯,进而提升了航迹规划方法的准确率。本发明综合评价无人机在空域中的各个影响要素,引入航迹评价函数对无人机进行实时飞行寻优,实现无人机航迹的实时最优规划。本发明构造无人机奖惩机制,根据无人机状态给予奖励,迫使无人机快速抵达目标区域,从而加快了算法收敛速度。发明以时间间隔计算无人机航迹评价指标,将各个航迹评价指标进行累加,提高了所提方法的可靠性。本发明将无人机连续的飞行动作进行离散化处理,计算航迹评价函数值,符合实际环境,有效提高了适应能力。本发明引入集群智能化方法对航迹评价函数值进行寻优,使无人机航迹评价函数值降至最低。该方法降低了计算复杂度,增强了全局搜索能力。本发明提出一种飞鱼算法,利用种群飞行觅食寻优和交互平台,增强了航迹规划方法的全局搜索能力。本发明将航迹评价指标进行实时权重修正处理,使得权重可根据无人机动作变化而调整,增强了航迹评价指标的适应性,提高了所提方法的可靠性,进一步实现了无人机航迹的快速准确规划。本方法模型简单、收敛速度快、准确率高、可靠性好,同时,适用不同场合下的飞行任务。
附图说明
图1是本发明的方案结构图;
图2是本发明无人机航迹规划直角坐标系下位置模型图;
图3是本发明无人机球面坐标系下速度模型图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明的目的是提出一种无人机航迹规划方法,主要是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题。架构飞行运动模型,设计球面坐标系下的动作姿态向量,利用检测概率的效能值和无人机奖惩机制构建航迹评价函数,提出一种新的飞鱼算法对航迹评价函数值寻优以获得最优解,最终将生成的无人机最优动作姿态数据控制无人机,从而实现了无人机航迹规划的准确生成,该方法模型简单、收敛速度快、准确率高、可靠性好,同时适用不同场合下的飞行任务。
如附图1所示,是本发明的方案结构图;如附图2所示,是本发明无人机航迹规划直角坐标系下位置模型图;如附图3所示,是本发明无人机球面坐标系下速度模型图。其中:1是第一个探测中心;2是第二个探测中心;3是目标区域中心;4是无人机起飞点;5是无人机在空中的一个点迹;6是目标区域;7是直角坐标系x轴方向;8是直角坐标系y轴方向;9是直角坐标系z轴方向;10是无人机速度飞行方向的方位角;11是无人机飞行速度方向的俯仰角;12是无人机飞行速度方向;13是无人机速度vx的方向;14是无人机速度vy的方向;15是无人机速度vz的方向。
忽略对无人机高度的限制,设定无人机初始速度大小为v0,规定无人机运动时间间隔为Δt,时间间隔的数量为n,n=1,2…。如图2所示,以无人机起点建立空间直角坐标系,假定第一个探测中心坐标为[x01,y01,z01],第二个探测区域坐标为[x02,y02,z02]。由先验知识获得两个探测中心的最大探测距离为Rmax;目标区域中心坐标为[x03,y03,z03],目标区域半径为r;由无人机定位信息获得无人机在空中第n个时间间隔的坐标为[xn,yn,zn],速度大小为vn。
步骤一:建立飞行运动模型,构造球面坐标系下动作姿态向量,如图3所示,以无人机起飞点作为坐标系原点,以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系。计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量
步骤二:根据步骤一无人机的速度,计算无人机与两个探测中心的径向距离Q1、Q2:
步骤三:计算无人机到目标中心区域的径向距离D:
步骤四:计算探测中心的检测概率P(Q1)、P(Q2):
步骤五:根据步骤四,分别计算两个探测中心的检测效能值F1、F2:
步骤六:,构造无人机奖励机制函数Re:
步骤七:获得基于多影响因素的航迹评价函数Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re (8)
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重。
步骤八:将步骤七的航迹评价指标的权重进行实时修正处理:
步骤九:初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual。
步骤十:飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
L(μ)=s-μ,1<μ≤3 (11)
其中,s为飞行步长,μ为飞行更新参数,一般取1.5。
步骤十一:根据步骤十的觅食结果计算个体适应度值:
步骤十二:计算适应度均值:
其中,||·||表示模长;rand(0,1)表示0到1随机数。
步骤十四:每独立计算一次比较取最优。当runtime<maxCycle时:
runtime=runtime+1 (16)
然后返回步骤十继续执行。
当runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优。
步骤十五:将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量。
将最优的动作姿态向量矩阵U控制无人机,使无人机生成可靠的航迹。
本发明提供了一种基于飞鱼算法的无人机航迹规划方法,具体实现该技术方案的方法和途径有很多,以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。
Claims (6)
1.一种基于飞鱼算法的无人机航迹规划方法,其特征在于,具体包括以下步骤:
步骤1、建立无人机飞行运动模型,设计球面坐标系动作姿态向量;
步骤2、从飞行环境中侦测目标信息,对其进行信息处理,获得相应探测中心的检测概率,对其进行数据处理获得检测效能,将处理后的检测效能值作为航迹评价指标;
步骤3、构造无人机飞行奖励机制,使其作为另一航迹评价指标,计算无人机与目标区域的径向距离,并以此作为奖励机制的评价因素;
步骤4、结合无人机动作姿态向量,利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和,得到航迹评价函数,并对航迹评价指标的权重进行实时修正处理;
步骤5、将无人机连续的飞行动作离散化,以时间作为间隔,使用飞鱼算法对每一时刻的航迹评价函数值寻优;更新飞鱼种群,结合种群飞行寻优思想进行迭代,当迭代寻优操作达到最大迭代次数,生成每一时刻最优动作姿态;
步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle,随机产生鱼群大小为NP,设定飞鱼种群移动距离为G,鱼群可视域值为Visual;
步骤5.2、飞鱼种群进行种群飞行觅食,其中鱼群位置更新为:
L(μ)=s-μ,1<μ≤3
其中,s为飞行步长,μ为飞行更新参数,取1.5;
步骤5.3、根据步骤5.2的觅食结果计算个体适应度值:
步骤5.4、计算适应度均值:
其中,||·||表示模长;rand(0,1)表示0到1随机数;
步骤5.6、每独立计算一次比较取最优,当runtime<maxCycle时:
runtime=runtime+1
然后返回步骤5.2继续执行,将runtime=maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数,实现应用飞鱼算法对参数的寻优;
步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U:
其中,N为总时间间隔数量;
步骤6、用最优动作姿态数据控制无人机,生成有效可靠的无人机飞行航迹。
6.根据权利要求5所述一种基于飞鱼算法的无人机航迹规划方法,其特征在于,步骤4中所述航迹评价函数为Inf(Un):
Inf(Un)=λ1F1+λ2F2+λ3Re
其中,λ1、λ2为两个探测中心检测效能的权重,λ3为无人机奖励机制函数的权重,F1与F2分别为两个探测中心的检测效能值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527322.4A CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910527322.4A CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162077A CN110162077A (zh) | 2019-08-23 |
CN110162077B true CN110162077B (zh) | 2022-04-05 |
Family
ID=67625266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910527322.4A Active CN110162077B (zh) | 2019-06-18 | 2019-06-18 | 一种基于飞鱼算法的无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162077B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046486B (zh) * | 2019-11-18 | 2022-05-03 | 西北工业大学 | 运载火箭一子级伞控回收航迹规划方法 |
CN112182957B (zh) * | 2020-09-15 | 2022-05-03 | 西北工业大学 | 一种基于天牛群算法的一子级伞控回收航迹规划方法 |
CN112711020A (zh) * | 2020-12-08 | 2021-04-27 | 中国人民解放军海军航空大学 | 基于循环阈值距离分割的群目标跟踪方法 |
CN113268074B (zh) * | 2021-06-07 | 2022-05-13 | 哈尔滨工程大学 | 一种基于联合优化的无人机航迹规划方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009073459A (ja) * | 2007-09-21 | 2009-04-09 | Yoshiaki Nagaura | 複眼レンズ付き平面形状ミラー、及び建築材料及びその製造方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107300925B (zh) * | 2017-07-12 | 2020-05-12 | 西北工业大学 | 基于改进鱼群算法的四旋翼无人机姿控参数整定方法 |
CN107392388A (zh) * | 2017-07-31 | 2017-11-24 | 南昌航空大学 | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 |
CN108459616B (zh) * | 2018-03-07 | 2021-08-03 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
-
2019
- 2019-06-18 CN CN201910527322.4A patent/CN110162077B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009073459A (ja) * | 2007-09-21 | 2009-04-09 | Yoshiaki Nagaura | 複眼レンズ付き平面形状ミラー、及び建築材料及びその製造方法 |
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 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 |
Non-Patent Citations (3)
Title |
---|
Three-Dimensional Leaderless Flocking Control of Large-Scale Small Unmanned Aerial Vehicles;Yongnan Jia;《IFAC-PapersOnLine》;20170731;6208-6213 * |
基于A*算法的无人机跟踪目标的航迹规划;王瑞;《计算机测量与控制》;20150125;153-156 * |
基于MMDP的无人作战飞机任务分配模型研究;李月娟;《计算机应用与软件》;20130715;276-279+286 * |
Also Published As
Publication number | Publication date |
---|---|
CN110162077A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162077B (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
Liu et al. | Multi-UAV path planning based on fusion of sparrow search algorithm and improved bioinspired neural network | |
CN107168380B (zh) | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 | |
CN107589663B (zh) | 基于多步粒子群算法的无人机协同侦察覆盖方法 | |
CN108388250B (zh) | 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法 | |
CN112947592B (zh) | 一种基于强化学习的再入飞行器轨迹规划方法 | |
Duan et al. | Optimal formation reconfiguration control of multiple UCAVs using improved particle swarm optimization | |
CN111123976A (zh) | 基于人工势场的无人机集群路径规划处理方法、无人机 | |
Liu et al. | Three-dimensional mountain complex terrain and heterogeneous multi-UAV cooperative combat mission planning | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
Yin et al. | The application of artificial intelligence technology in UAV | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
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 | |
CN115903888A (zh) | 一种基于天牛群算法的旋翼无人机自主路径规划方法 | |
Lei et al. | Moving time UCAV maneuver decision based on the dynamic relational weight algorithm and trajectory prediction | |
CN114118365A (zh) | 基于径向基网络的跨介质飞行器快速入水近似优化方法 | |
Zhang et al. | Enhancing the take-off performance of hypersonic vehicles using the improved chimp optimisation algorithm | |
Lin et al. | Track planning model for multi-UAV based on new multiple ant colony algorithm | |
Fan et al. | Aircraft trajectory prediction based on residual recurrent neural networks | |
Xiao et al. | Multi-UAV 3D path planning based on improved particle swarm optimizer | |
Zhang et al. | Path planning of patrol robot based on modified grey wolf optimizer | |
Chen et al. | Flight parameter model based route planning method of UAV using stepped-adaptive improved particle swarm optimization |
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 |