CN110162104A - 仿驾驶员视觉感知的rrt无人机路径规划方法 - Google Patents

Abstract

本发明提供仿驾驶员视觉感知的RRT无人机路径规划方法，属于无人机控制技术领域。本发明在状态空间中设置若干驾驶员视觉引导点作为无人机路径中必须经过的节点，所述驾驶员视觉引导点将无人机起始点至目标点之间的路径划分为多个航迹段；对每一个航迹段分别运用改进RRT算法进行路径规划，所述改进RRT算法在传统RRT算法中引入目标偏向思想，考虑无人机自身物理性能带来的约束，并加入航迹距离约束，结合各个航迹段的规划结果得到无人机的路径规划。本发明解决了现有无人机在复杂封锁环境路径规划时存在搜索速度慢、有时会搜索失败的问题。本发明可用于复杂环境下无人机的路径规划。

Description

仿驾驶员视觉感知的RRT无人机路径规划方法

技术领域

本发明涉及无人机路径规划方法，属于无人机控制技术领域。

背景技术

无人机任务规划与控制系统是无人机系统的重要组成部分，而路径规划则是其中的关键 技术之一。简单来说，无人机路径规划就是在环境状态空间中充分考虑无人机的各种约束限 制与任务要求，为无人机从初始位置到目标点规划出一条可行路径。驾驶员视觉行为是驾驶 员行车过程中通过视觉获取信息的感知行为，多用于汽车或无人车领域，目前暂无将驾驶员 视觉行为与无人机路径规划相结合的研究。

Kandil Farid I和Rotter Alexander研究发现，当驾驶员处于如图1所示的驾驶场景中时， 驾驶员视觉注意力时间的75％用来关注车辆即将右转车道的切点(TangentPoint)，14％用来 关注行驶车辆前方车道区域(Kandil F I,Rotter A,Lappe M.Drivingis smoother and more stable when using the tangent point[J].Journal ofVision,2009,9(1):11-11.)。

上述行车过程是由人类主观意识指导的自上而下的注意力机制，通常称为目标驱动机制。 Land M.F于1994年指出，驾驶员在弯道转向过程中视觉倾向于注意弯道内侧的一个拐点， 即“Tangent Point”点(Land M.F,Lee D.N.Where do we look when we steer.[J].Nature,1994, 369(6483):742-744.)；后来Richard M.W.研究提出驾驶员的视觉注意力点与期望到达的方向是 一致的，为此该学者还通过弯道驾驶场景阐明了驾驶员为何会注视“Tangent Point”点的原因 (杜明博.基于人类驾驶行为的无人驾驶车辆行为决策与运动规划方法研究[D].2016.)。

无人机路径规划研究现状：

目前用于无人机路径规划的常见算法有A*算法(张帅,李学仁,张鹏,et al.基于改进A* 算法的无人机航迹规划[J].飞行力学,2016,34(3):39-43.)、蚁群算法(李喜刚,蔡远利.基于改 进蚁群算法的无人机路径规划[J].飞行力学,2017,35(01):52-56.)、遗传算法、神经网络法等。 此外，Steven M.LaValle提出的快速搜索随机树(Rapidly-exploringRandom Trees，RRT)算法 (Lavalle S.Rapidly-exploring random trees:a new toolfor path planning[J].Research Report, 1998:293--308.)也可以用于无人机路径规划。针对该算法国内外学者展开了大量研究，LaValle 和Kuffner对早期RRT算法([Jr J JK,Lavalle S M.RRT-Connect:An Efficient Approach to Single-Query Path Planning[C]//IEEE International Conference on Robotics&Automation.IEEE, 2002.]、[LaValle S M,Kuffner Jr J J.Rapidly-exploring random trees:Progress andprospects[J]. 2000.])的完善做了大量工作，国内学者宋金泽(宋金泽,戴斌,单恩忠,etal.一种改进的RRT 路径规划算法[J].电子学报,2010,38(S1):225-228.)、康亮(康亮,赵春霞,郭剑辉.未知环境 下改进的基于RRT算法的移动机器人路径规划[J].模式识别与人工智能,2009,22(3): 337-343.)、尹高扬(尹高扬,周绍磊,吴青坡.基于改进RRT算法的无人机航迹规划[J].电 子学报,2017,7:029.)等也对RRT算法的应用进行了改进。现有无人机路径规划算法存在诸 多缺点(王俊,周树道,朱国涛,等.无人机航迹规划常用算法[J].火力与指挥控制,2012, 37(8):5-8.)，如在复杂环境中难以应用、易陷入局部最优、搜索路径失败、搜索速度慢、未 考虑无人机动力学约束等。

发明内容

本发明为解决现有无人机在复杂封锁环境路径规划时存在搜索速度慢、有时会搜索失败 的问题，提供了仿驾驶员视觉感知的RRT无人机路径规划方法。

本发明所述仿驾驶员视觉感知的RRT无人机路径规划方法，通过以下技术方案实现：

在状态空间中设置若干驾驶员视觉引导点作为无人机路径中必须经过的节点，所述驾驶 员视觉引导点将无人机起始点至目标点之间的路径划分为多个航迹段；对每一个航迹段分别 运用改进RRT算法进行路径规划，所述改进RRT算法在传统RRT算法中引入目标偏向思想， 考虑无人机自身物理性能带来的约束，并加入航迹距离约束，结合各个航迹段的规划结果得 到无人机的路径规划。

进一步的，所述改进RRT算法考虑无人机自身物理性能带来的约束具体包括：

保证RRT算法中从最近邻点q_near到新生节点q_new的扩展步长delta_q的距离不小于 无人机的最小航迹段长度约束l_min；

将无人机的最小转弯半径约束转换为最大转弯角约束，使无人机转弯角的余弦值不小 于最大转弯角的余弦值，如式(4)所示：

其中，horizon1和horizon2分别表示转弯前后两段路径的水平距离，上标T表示转置。

进一步的，改进RRT算法加入航迹距离约束具体为：

将无人机的航迹距离约束的长度限定为起始位置到目标位置间直线距离的k倍；假设起 始位置到目标位置的直线距离为d，航迹距离约束的长度设为d_max＝k·d；k≥1。

进一步的，所述运用改进RRT算法进行路径规划具体包括以下步骤：

(1)对于第n个航迹段，以第n个航迹段的起点q_start作为随机树的根节点，其终点作 为目标位置q_goal；

(2)如果|q_start-q_goal|≤delta_q，进入步骤(6)；其中，扩展步长delta_q≥l_min；

(3)生成一个随机数p∈[0,1]；

如果p＜p₀，则选择目标位置q_goal作为随机点q_rand；p₀为设定的概率阈值；

如果p≥p₀，在搜索空间内生成随机点q_rand；

(4)确定最近邻点q_near；

(5)在q_near和q_rand的连线上求新生节点q_new，使其符合以下条件：

C1：Dis(q_new,q_near)＝delta_q；

C2：最近邻点q_near转到新生节点q_new的转弯角的余弦值不小于最大转弯角的 余弦值；

C3：q_new∈无障碍空间；

若存在这样的q_new，将其加入随机树；

返回步骤(3)；

(6)结束规划。

进一步的，利用贪心法对改进RRT算法的规划结果进行再处理。

本发明最为突出的特点和显著的有益效果是：

本发明所涉及的仿驾驶员视觉感知的RRT无人机路径规划方法，将在状态空间中具备快 速高效搜索能力的RRT算法与驾驶员视觉感知中的视觉注意力点相结合，使得搜索具备更好 的导向性，指引无人机突破复杂环境封锁；在传统RRT算法基础上，引入目标偏向思想以增 强算法搜索的目的性，同时考虑无人机自身物理性能带来的约束使得规划出的路径相对较短， 最终采用贪心法对得到的路径进行处理是路径平滑；本发明方法能够在复杂环境下快速寻找 到一条满足约束条件的较优的飞行路径。仿真实验中，本发明加入视觉引导点后相比单纯的 改进RRT算法，速度提高约5倍。

附图说明

图1为驾驶员视觉注意力分布示意图；

图2为无人机转弯半径与转弯角关系示意图；

图3为RRT算法节点扩展示意图；

图4为RRT算法中最大转弯角约束示意图；

图5为实施例中简单环境下改进RRT算法仿真示意图；Target表示目标点；

图6为实施例中简单环境下A^*算法的仿真结果；

图7为实施例中简单环境下本发明方法仿真结果；

图8为实施例中复杂环境下改进RRT算法仿真实现；

图9为实施例中复杂环境下本发明方法仿真实现。

具体实施方式

具体实施方式一：本实施方式给出的仿驾驶员视觉感知的RRT无人机路径规划方法，具 体包括以下步骤：

在状态空间中设置若干驾驶员视觉引导点作为无人机路径中必须经过的节点，可视为仿 驾驶员主观意识下将飞行路径分段划分得到的中间目标点，所述驾驶员视觉引导点将无人机 起始点至目标点之间的路径划分为多个航迹段；对每一个航迹段分别运用改进RRT算法进行 路径规划，将驾驶员视觉感知加入到RRT规划算法当中，能使得算法搜索时具备更好的导向 性，所述改进RRT算法在传统RRT算法中引入目标偏向思想(设定概率阈值p₀)，考虑无人 机自身物理性能带来的约束，并加入航迹距离约束使得规划出的路径相对较短，结合各个航 迹段的规划结果得到无人机的路径规划。

无人机自身物理性能带来的约束主要包括以下三个：

1、最大航程约束L_max：由于无人机机载燃料限制或任务中存在飞行时间限制，无人机存 在一个最大飞行距离的限制，称为最大航程约束(尹高扬,周绍磊,吴青坡.基于改进RRT算 法的无人机航迹规划[J].电子学报,2017,7:029.)，可用K个航迹段距离之和L_max表示。

2、最小航迹段长度约束l_min：无人机在开始改变飞行姿态前需要以固定航向保持直线飞 行的最短距离，定义为最小航迹段长度。该最小航迹段长度由无人机自身机动性能和导航要 求决定(尹高扬,周绍磊,吴青坡.基于改进RRT算法的无人机航迹规划[J].电子学报,2017, 7:029.)。

l_i≥l_min(i＝1,2,...K) (2)

3、最小转弯半径约束(张帅,李学仁,张鹏,et al.基于改进A*算法的无人机航迹规划[J]. 飞行力学,2016,34(3):39-43.)：由于无人机自身性能限制，转弯半径不能过大。最小转弯半径 可理解为无人机在水平面内做圆周运动时的最小半径，应满足:

在式(3)中，v为无人机飞行速度；g为重力加速度；γ_max为最大倾斜角，该倾斜角在很多 文献中又被称为转弯角。最小转弯半径的限制可通过控制最大转弯角来实现，即为使无人 机转弯半径较小，可通过获取较大的转弯角来实现。转弯半径与转弯角如图2所示。

具体实施方式二：结合图3、图4对本实施方式进行说明，本实施方式与具体实施方式 一不同的是，所述改进RRT算法考虑无人机自身物理性能带来的约束具体包括：

将无人机的最小航迹段长度约束l_min与RRT算法中的扩展步长delta_q结合起来考虑，保 证从最近邻点q_near到新生节点q_new的扩展步长delta_q的距离不小于l_min；如图3所示；

将无人机的最小转弯半径约束转换为最大转弯角约束，如图4所示对连续两段路径之间 转角进行限制，使无人机转弯角的余弦值不小于最大转弯角的余弦值，如式(4)所示：

其中，horizon1和horizon2分别表示转弯前后两段路径的水平距离，上标T表示转置。

其他步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式二不同的是，改进RRT算法加入航迹距离 约束具体为：

针对无人机的最大航程约束加以改进，引入无人机的航迹距离约束。将无人机的航迹距 离约束的长度限定为起始位置到目标位置间直线距离的k倍；假设起始位置到目标位置的直 线距离为d，航迹距离约束的长度设为d_max＝k·d；k≥1；通过该方式可缩短算法规划出的航迹 距离长度，获得相对较优(较短)的路径规划。

其他步骤及参数与具体实施方式二相同。

具体实施方式四：本实施方式与具体实施方式一、二或三不同的是，所述运用改进RRT 算法进行路径规划具体包括以下步骤：

(1)对于第n个航迹段，以第n个航迹段的起点q_start作为随机树的根节点，其终点作 为目标位置q_goal；

(2)如果|q_start-q_goal|≤delta_q，进入步骤(6)；其中，扩展步长delta_q≥l_min；

(3)生成一个随机数p∈[0,1]；

如果p＜p₀，则选择目标位置q_goal作为随机点q_rand；p₀为设定的概率阈值；

如果p≥p₀，在搜索空间内生成随机点q_rand；

(4)确定最近邻点q_near；

(5)在q_near和q_rand的连线上求新生节点q_new，使其符合以下条件：

C1：Dis(q_new,q_near)＝delta_q；Dis(·,·)表示两点之间的距离；

C2：最近邻点q_near转到新生节点q_new的转弯角的余弦值不小于最大转弯角的 余弦值；

C3：q_new∈无障碍空间；

若存在这样的q_new，将其加入随机树，然后返回步骤(3)；

若不存在直接返回步骤(3)；

(6)结束规划。

其他步骤及参数与具体实施方式一、二或三相同。

具体实施方式五：本实施方式与具体实施方式四不同的是，由于RRT规划出的路径具有 很大随机性，使得路径的最优性能大大降低。因此所述方法还包括利用贪心法(Greedy Approach)对改进RRT算法的规划结果进行再处理，从而得出相对更短更平滑的路径。

其他步骤及参数与具体实施方式四相同。

实施例

采用以下实施例验证本发明的有益效果：

1、改进RRT算法仿真：

使用MATLAB进行仿真验证。首先以简单的环境进行仿真，验证改进RRT算法的快速搜索能力。将任务环境设置为20×20的区域范围，环境中障碍物均以圆形区域表示。设定无人机的最小航迹段长度为l_min＝1.5(无量纲数值)，最大转弯角为60°，无人机的初始位置坐标为 (4,3)，目标位置坐标为(18.5,18.5)。选取概率阈值p₀为0.4，扩展步长取为最小航迹段长度 1.5，仿真结果如图5所示。图5表明，所述改进RRT算法较好地限制了航迹段之间的转弯角， 未出现转弯角大于90°的情况。

为了突出改进RRT算法在无人机路径规划中搜索路径的快速性，在同一环境地图下用A* 算法进行仿真，并与本文算法进行对比分析。同一环境地图下，A*算法的仿真结果如图6所 示。

分别对改进RRT算法和A*算法在相同的环境地图下进行10次仿真实验，并记录仿真时 间如表1所示。

表1简单环境下仿真时间对比记录表

表1数据反映出，改进RRT算法可快速(t＝0.298545s)从初始位置到目标位置搜索出可 行路径，且7次数据在1s以下，而A*算法需要的时间大于6s。实验结果表明，改进RRT算法在搜索路径方面具有很好的速度优势。

2、改进RRT算法与驾驶员视觉感知相结合(本发明方法)

(1)简单环境初步测试

建立600×700类似于城市区域的环境地图，以矩形、圆形来表示威胁区域，设定无人机 需要在该环境地图中的矩形区域附近侦查探测并避开雷达和禁飞区(圆及同心圆)威胁。针 对该任务要求，在环境地图中设置驾驶员视觉引导点(注意力点)，引导无人机进行路径规划， 要求无人机在运动时经过这些视觉注意力点，便于完成设定任务要求。设置扩展步长为30(无 量纲数值)，最大转弯角为60°，开始位置为(0,0)，目标位置为(550，520)，航迹距离约束 k设为1.1，概率阈值p₀为0.4，获取的驾驶员视觉注意力点用较小的菱形、圆形、矩形和五 角星等表示。仿真结果如图7所示，显然，本发明方法在视觉引导点引导下可很好地避开威 胁，搜索到一条安全路径。图7中贪心法处理后的路径比改进RRT规划路径有所缩短，更符 合最优性(路径最短)的要求。需要指出的是，该仿真是在任务环境中的障碍物及环境威胁 信息已获取的前提下进行的。

(2)复杂环境测试

建立区域范围为687×802的复杂环境区域，初始位置为(80,40)，目标位置为(710,620)， 最大转弯角为60°，航迹距离约束k设为1.3，概率阈值p₀为0.4，扩展步长取为30。仿真结 果如图8所示。可看出，由于新环境地图障碍物复杂程度很高，留给无人机可选运动路径十 分有限，尽管改进RRT算法有偏向目标的趋势，但处于四周复杂且多样的障碍环境，目标偏 向的作用不再像简单环境下搜索路径时那样明显。图8中贪心法处理后的路径比改进RRT规 划路径短，因此，需要改进的是使搜索树减少不必要节点的扩展，从而缩短搜索时间。

为了使改进RRT算法在复杂的环境下搜索时更具目的性，将驾驶员视觉行为中的视觉引 导点融入算法，借助视觉引导点来引导无人机进行路径规划，减少RRT算法在不必要区域的 过多搜寻，使无人机可以更快地到达目标位置。引入3个视觉引导点，并在环境地图中标记 出来，将无人机的搜索路径分为4个大的航迹段，分别在每一段调用改进RRT算法，便可以 得到总的路径。仿真结果如图9所示，小菱形与矩形代表3个视觉注意力点，其坐标分别是 (710,120)、(730,420)、(550,620)。对比图8和图9规划出的路径，加入视觉引导点引导无人 机进行路径规划后，随机搜索树向不必要空间扩展的节点数大大降低，寻找路径时目的性更 强，可更好地避开空间环境障碍，突破障碍物的封锁。

为了更好地对比加入视觉引导点后的改进RRT算法搜索路径的效果与未加之前搜索效果 的区别，分别进行仿真实验并记录数据。在未加入视觉引导点时进行10次改进RRT算法仿 真，记录随机搜索树搜索路径的时间和路径长度；加入视觉引导点后，进行随机搜索树四部 分路径段的仿真，每段仿真10次，记录仿真时间及其路径长度，将算法迭代次数和路径长度 的平均值及每段最大仿真时间记入表2中。

表2加入视觉注意力点后五段路径数据记录

表2数据说明算法迭代次数kk在第一段数值较大，因为第一段是总路径中最长的一段， 相对应的仿真时间也是最长的；总的仿真时间为5.33121s，4段路径总长度为1502。对比未 加入视觉引导点时进行10次改进RRT算法仿真记录的数据和表2的数据，加入驾驶员视觉 引导点后，算法迭代次数kk大大减小，这意味着算法搜索次数减少；从仿真时间对比可看出， 加入视觉注意力点后搜索时间大大缩短；对于路径长度而言，这两种仿真获得的路径长度接 近。实验结果表明，仿驾驶员视觉行为的改进RRT路径规划算法在无人机突破复杂环境空间 封锁时具有良好的引导作用，可以减少其在不必要空间的搜索，比改进RRT算法更快地获得 一条无人机的可行路径。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人 员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所 附的权利要求的保护范围。

Claims (5)

1.仿驾驶员视觉感知的RRT无人机路径规划方法，其特征在于，具体包括以下步骤：

在状态空间中设置若干驾驶员视觉引导点作为无人机路径中必须经过的节点，所述驾驶员视觉引导点将无人机起始点至目标点之间的路径划分为多个航迹段；对每一个航迹段分别运用改进RRT算法进行路径规划，所述改进RRT算法在传统RRT算法中引入目标偏向思想，考虑无人机自身物理性能带来的约束，并加入航迹距离约束，结合各个航迹段的规划结果得到无人机的路径规划。

2.根据权利要求1所述仿驾驶员视觉感知的RRT无人机路径规划方法，其特征在于，所述改进RRT算法考虑无人机自身物理性能带来的约束具体包括：

保证RRT算法中从最近邻点q_near到新生节点q_new的扩展步长delta_q的距离不小于无人机的最小航迹段长度约束l_min；

将无人机的最小转弯半径约束转换为最大转弯角约束，使无人机转弯角的余弦值不小于最大转弯角的余弦值，如式(4)所示：

其中，horizon1和horizon2分别表示转弯前后两段路径的水平距离，上标T表示转置。

3.根据权利要求2所述仿驾驶员视觉感知的RRT无人机路径规划方法，其特征在于，改进RRT算法加入航迹距离约束具体为：

将无人机的航迹距离约束的长度限定为起始位置到目标位置间直线距离的k倍；假设起始位置到目标位置的直线距离为d，航迹距离约束的长度设为d_max＝k·d；k≥1。

4.根据权利要求1、2或3所述仿驾驶员视觉感知的RRT无人机路径规划方法，其特征在于，所述运用改进RRT算法进行路径规划具体包括以下步骤：

(1)对于第n个航迹段，以第n个航迹段的起点q_start作为随机树的根节点，其终点作为目标位置q_goal；

(2)如果|q_start-q_goal|≤delta_q，进入步骤(6)；其中，扩展步长delta_q≥lmin；

(3)生成一个随机数p∈[0,1]；

如果p＜p₀，则选择目标位置q_goal作为随机点q_rand；p₀为设定的概率阈值；

如果p≥p₀，在搜索空间内生成随机点q_rand；

(4)确定最近邻点q_near；

(5)在q_near和q_rand的连线上求新生节点q_new，使其符合以下条件：

C1：Dis(q_new,q_near)＝delta_q；

C2：最近邻点q_near转到新生节点q_new的转弯角的余弦值不小于最大转弯角的余弦值；

C3：q_new∈无障碍空间；

若存在这样的q_new，将其加入随机树；

返回步骤(3)；

(6)结束规划。

5.根据权利要求4所述仿驾驶员视觉感知的RRT无人机路径规划方法，其特征在于，所述方法还包括利用贪心法对改进RRT算法的规划结果进行再处理。