CN110399969B - 一种蜂群无人机ai航站楼算法 - Google Patents
一种蜂群无人机ai航站楼算法 Download PDFInfo
- Publication number
- CN110399969B CN110399969B CN201910570111.9A CN201910570111A CN110399969B CN 110399969 B CN110399969 B CN 110399969B CN 201910570111 A CN201910570111 A CN 201910570111A CN 110399969 B CN110399969 B CN 110399969B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- point
- coordinate
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种蜂群无人机AI航站楼算法,步骤一,取任务点中心经纬度坐标为P0,n个无人机经纬度坐标分别为P1…Pn,计算得出当前所有无人机距离中心点坐标最远距离为S;可让航空飞行器实时地更新绝对最优路径,从而方便用户使用、提高蜂群系统的环境适应性、且满足算法计算量小的要求。
Description
技术领域
本发明属于航空航天飞行器的相关技术领域,尤其涉及一种蜂群无人机AI航站楼算法。
背景技术
随着消费级无人机技术的不断成熟,不断完善的自动避障系统可以极大的减少因操作失误而带来的各项损失,目前避障能力正逐渐成为了无人机自动化或智能化的关键点所在。
然而在蜂群无人机系统中,首先无人机数量较多,少则十几架,多则上百架,其次无人机个体属于移动型障碍物,且运动频繁,轨迹不规则。如果在蜂群系统中使用障碍物感知设备,会导致成本高、运算量大,并且在蜂群系统运行时,无人机本身作为障碍物的比重相对固定障碍物比重大。所以,需要针对蜂群无人机系统研究一个航线管理避让的算法,以达到减少时间成本,增加安全性的目的。
发明内容
为了克服上述现有技术的不足之处,本发明提供一种蜂群无人机AI航站楼算法,可让航空飞行器实时地更新绝对最优路径,从而方便用户使用、提高蜂群系统的环境适应性、且满足算法计算量小的要求。
为实现上述目的,本发明采用如下技术方案:一种蜂群无人机AI航站楼算法,包括如下步骤:
步骤一,取任务点中心经纬度坐标为P0,n个无人机经纬度坐标分别为P1…Pn,计算得出当前所有无人机距离中心点坐标最远距离为S;
步骤二,通过中心点坐标P0、距离S与高度Hmax得出三维立体四边形W,其中Hmax为允许无人机最高飞行高度;
步骤三,通过安全距离Sv与Sh生成三维坐标系W3d,同时计算出无人机对应的W3d系坐标xn、yn、zn,其中Sv为两架无人机水平允许最低安全距离为,Sh为两架无人机垂直允许最低安全距离;
步骤四,n个无人机中取第m个的当前位置为Pc m,目标点Pt m,标记无人机当前位置W3d[xm,ym,zm]为不可通过,记录当前处于W3d[xm,ym,zm]的无人机编号m;
步骤五,寻找Pc m周边26方向是否可通过,将Pc m和可通过的坐标点加入到二叉堆T1中,并设置其父节点为Pc m,并且,将不可通过的坐标点加入到二叉堆T2中;
步骤六,从T1中删除Pc m并加入到T2中;
步骤七,寻找Pc m周边坐标点与Pt m的最小代价值的点P’,将该点从T1中删除并加入到T2中;
步骤八,跳至步骤五,以P’作为Pc m循环上述步骤,直到T1中存在Pt m时结束,通过Pt m父节点找到Pc m到目标点Pt m的路径T3;同时,如果T1中已经没有数据,说明不存在Pc m到Pt m的路径,则临时将所有不可通过的点标记为可通过,通过步骤五寻找到原始路径,将当前Pt m与路径中不可通过的点的Pt m依次进行交替,再次循环步骤五;
步骤九,整合T3中的节点信息得到路径信息PT1…Tm,取Pc m与路径PT1…Tm的第一条直线节点作为路径P’T1…Tm,并将P’T1…Tm路径上的点标记为不可通过;
步骤十,找到无人机临时目标点P’T1…Tm路径终点,待无人机飞到该点后,并将P’T1…Tm路径除终点外的点标记为可通过,记当前P’T1…Tm路径终点为Pc m;
步骤十一,重复步骤五,直到Pc m等于Pt m为止。
在上述技术方案中,无人机水平移动一单元格的代价为C,垂直移动一单元格的代价为2C,斜方向水平移动一单元格的代价为1.5C,斜方向上下移动一单元格的代价为2.5C。
在上述技术方案中,执行到步骤十后,无人机已完成单次路径移动,再次通过执行步骤五到步骤十一刷新无人机到达目标点的最佳路径,直到Pc m等于Pt m,这样,保证了无人机在每次都是以最优路径进行移动。
本发明的有益效果是:可让航空飞行器实时地更新绝对最优路径,从而方便用户使用、提高蜂群系统的环境适应性、且满足算法计算量小的要求。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
首先需做如下设定:
1.设无人机当前坐标经度为lng,纬度为lat,高度为alt,编号为1到n。
2.设编号为1的无人机当前实时经纬度坐标为P1,依此类推,编号为n的无人机当前经纬度坐标为Pn。
3.设无人机在W3d三维坐标系中的实时坐标为Pc m,需要到达的目标坐标为Pt m。
4.设两架无人机水平允许最低安全距离为Sv米,垂直安全距离为Sh米。
5.设允许无人机最低飞行高度为Hmin米。
6.设允许无人机最高飞行高度为Hmax米。
一种蜂群无人机AI航站楼算法,包括如下步骤:步骤一,需要确定表演或作业的有限区域,按照实际的需求,得到编队的中心点位置坐标,取中心坐标为P0,编号1无人机坐标为P1,编号2的无人机坐标为P2,计算得出当前所有无人机距离中心点坐标最远距离为S;
步骤二,通过中心点坐标P0、距离S与高度Hmax得出三维立体四边形W,将该区域作为实际上的有限区域;
步骤三,通过安全距离Sv、Sh、S在有限区域W内生成三维坐标系W3d,坐标系包含主要内容x,y,z,lat,lng,alt,id,将无人机的当前经纬度坐标[lat,lng,alt]对应上W3d系坐标[xn、yn、zn];
步骤四,取无人机当前位置为Pc m,即对应W3d系的坐标[xm,ym,zm],目标点Pt n,记录当前处于W3dW3d[xm,ym,zm]的无人机编号m,标识当前id的无人机占领了该空域,并且置该点为不可通过,针对W3d坐标系优化,对于一定数量上的相邻且都不可通过的坐标点,将当前所有坐标点加入到大集合W3d-n中,如此反复,减少航站楼算法之后的运算;
步骤五,设定水平移动一单元格的代价为C,即东南西北方向移动;垂直移动代价为2C;斜方向水平移动代价为1.5C,即东北,东南,西北,西南四向;斜方向上下移动代价为2.5C;寻找路径,无人机需要从当前位置Pc n到达目标点Pt n,寻找Pc n周边26向是否有可通过的坐标点,将Pc n和可通过的坐标点加入到二叉堆T1中,并设置其父节点为Pc n,并且,将不可通过的坐标点加入到二叉堆T2中;
步骤六,从T1中删除Pc n并加入到T2中;
步骤七,从T1中寻找Pc n周边坐标点与Pt n的最小代价值的点P’-,将该点从T1中删除并加入到T2中;
步骤八,跳至步骤五,以P’作为Pc m循环上述步骤,直到T1中存在Pt m时结束,通过Pt m父节点找到Pc m到目标点Pt m的路径T3;同时,如果T1中已经没有数据,说明不存在Pc m到Pt m的路径,则临时将所有不可通过的点标记为可通过,通过步骤五寻找到原始路径,将当前Pt m与路径中不可通过的点所记录的对应无人机的Pt m依次进行交替,再次循环步骤五;
步骤九,整合T3中的节点信息得到路径信息PT1…Tm,取Pc m与路径PT1…Tm的第一条直线节点作为路径P’T1…Tm,并将P’T1…Tm路径上的点标记为不可通过;
步骤十,找到无人机临时目标点P’T1…Tm路径终点,待无人机飞到该点后,并将P’T1…Tm路径除终点外的点标记为可通过,记当前P’T1…Tm路径终点为Pc m;
步骤十一,重复步骤五,直到Pc m等于Pt m,则无人机到达最终目标点。
通过以上流程不断循环,重复执行从Pc n到Pt n的寻路过程。待所有无人机到达对应的Pt点,即到达本次编队的飞行结果。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种蜂群无人机AI航站楼算法,其特征是:包括如下步骤:
步骤一,取任务点中心经纬度坐标为P0,n个无人机经纬度坐标分别为P1…Pn,计算得出当前所有无人机距离中心点坐标最远距离为S;
步骤二,通过中心点坐标P0、距离S与高度Hmax得出三维立体四边形W,其中Hmax为允许无人机最高飞行高度;
步骤三,通过安全距离Sv与Sh生成三维坐标系W3d,同时计算出无人机对应的W3d系坐标xn、yn、zn,其中Sv为两架无人机水平允许最低安全距离为,Sh为两架无人机垂直允许最低安全距离;
步骤四,n个无人机中取第m个的当前位置为Pc m,目标点Pt m,标记无人机当前位置W3d[xm,ym,zm]为不可通过,记录当前处于W3d[xm,ym,zm]的无人机编号m;
步骤五,寻找Pc m周边26方向是否可通过,将Pc m和可通过的坐标点加入到二叉堆T1中,并设置其父节点为Pc m,并且,将不可通过的坐标点加入到二叉堆T2中;
步骤六,从T1中删除Pc m并加入到T2中;
步骤七,寻找Pc m周边坐标点与Pt m的最小代价值的点P’,将该点从T1中删除并加入到T2中;
步骤八,跳至步骤五,以P’作为Pc m循环上述步骤,直到T1中存在Pt m时结束,通过Pt m父节点找到Pc m到目标点Pt m的路径T3;同时,如果T1中已经没有数据,说明不存在Pc m到Pt m的路径,则临时将所有不可通过的点标记为可通过,通过步骤五寻找到原始路径,将当前Pt m与路径中不可通过的点的Pt m依次进行交替,再次循环步骤五;
步骤九,整合T3中的节点信息得到路径信息PT1…Tm,取Pc m与路径PT1…Tm的第一条直线节点作为路径P’T1…Tm,并将P’T1…Tm路径上的点标记为不可通过;
步骤十,找到无人机临时目标点P’T1…Tm路径终点,待无人机飞到该点后,并将P’T1…Tm路径除终点外的点标记为可通过,记当前P’T1…Tm路径终点为Pc m;
步骤十一,重复步骤五,直到Pc m等于Pt m为止。
2.根据权利要求1所述的蜂群无人机AI航站楼算法,其特征是:无人机水平移动一单元格的代价为C,垂直移动一单元格的代价为2C,斜方向水平移动一单元格的代价为1.5C,斜方向上下移动一单元格的代价为2.5C。
3.根据权利要求1所述的蜂群无人机AI航站楼算法,其特征是:执行到步骤十后,无人机已完成单次路径移动,再次通过执行步骤五到步骤十一刷新无人机到达目标点的最佳路径,直到Pc m等于Pt m,这样,保证了无人机在每次都是以最优路径进行移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570111.9A CN110399969B (zh) | 2019-06-27 | 2019-06-27 | 一种蜂群无人机ai航站楼算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910570111.9A CN110399969B (zh) | 2019-06-27 | 2019-06-27 | 一种蜂群无人机ai航站楼算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110399969A CN110399969A (zh) | 2019-11-01 |
CN110399969B true CN110399969B (zh) | 2022-09-09 |
Family
ID=68324324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910570111.9A Active CN110399969B (zh) | 2019-06-27 | 2019-06-27 | 一种蜂群无人机ai航站楼算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110399969B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075717A (zh) * | 2014-01-21 | 2014-10-01 | 武汉吉嘉伟业科技发展有限公司 | 一种基于改进a*算法的无人机航线规划算法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 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
- 2019-06-27 CN CN201910570111.9A patent/CN110399969B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075717A (zh) * | 2014-01-21 | 2014-10-01 | 武汉吉嘉伟业科技发展有限公司 | 一种基于改进a*算法的无人机航线规划算法 |
CN107677273A (zh) * | 2017-09-11 | 2018-02-09 | 哈尔滨工程大学 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
CN108459616A (zh) * | 2018-03-07 | 2018-08-28 | 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 |
Non-Patent Citations (2)
Title |
---|
path planning for UAVs;S.A.Bortoff;《American Control Conference(ACC)》;20000630;第6卷;第364-368页 * |
一种利用改进A*算法的无人机航迹规划;占伟伟 等;《武汉大学学报》;20150331;第40卷(第03期);第315-320页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110399969A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110930770B (zh) | 一种基于管制意图和飞机性能模型的四维航迹预测方法 | |
CN109508035B (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
WO2021082396A1 (zh) | 基于低空空域限制条件的无人机飞行网络建模方法 | |
CN109357678B (zh) | 一种基于异质化鸽群优化算法的多无人机路径规划方法 | |
Guérin et al. | Towards an autonomous warehouse inventory scheme | |
CN105865449A (zh) | 基于激光和视觉的移动机器人的混合定位方法 | |
CN108983823B (zh) | 一种植保无人机集群协同控制方法 | |
CN110544296A (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN112180955B (zh) | 自动巡检无人机的基于视觉反馈的二次复查方法和系统 | |
CN112327939B (zh) | 一种城市街区环境下高层消防多无人机协同路径规划方法 | |
CN112068588A (zh) | 一种基于飞行走廊和贝塞尔曲线的无人飞行器轨迹生成方法 | |
CN113566825B (zh) | 基于视觉的无人机导航方法、系统及存储介质 | |
Liu et al. | Study on UAV parallel planning system for transmission line project acceptance under the background of industry 5.0 | |
CN116027807B (zh) | 一种异构无人机群协同电力巡检方法 | |
CN110823223A (zh) | 一种无人机群的路径规划方法及装置 | |
CN112527010B (zh) | 基于人工势场与粒子优化的室内变电站无人机多机协同巡检方法 | |
CN114967744A (zh) | 一种多无人机协同避障的规划方法 | |
CN113485103A (zh) | 一种基于深度强化学习的航空器冲突解脱方法 | |
CN112419403A (zh) | 一种基于二维码阵列的室内无人机定位方法 | |
CN110399969B (zh) | 一种蜂群无人机ai航站楼算法 | |
Ali et al. | Feature selection-based decision model for UAV path planning on rough terrains | |
Shang et al. | Collaborative path planning of multiple carrier-based aircraft based on multi-agent reinforcement learning | |
CN116772848A (zh) | 一种航空器终端区四维飞行轨迹的绿色实时规划方法 | |
Lu et al. | Research on trajectory planning in thunderstorm weather based on dynamic window algorithm during approach segment | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220803 Address after: Between mountains and lakes, Huashan Country Garden Eco-city, Hongshan District, Wuhan City, Hubei Province 430070 Applicant after: Wang Zhipeng Address before: 4th Floor, Production and Research Building, No. 2, No. 20, Daxueyuan Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant before: WUHAN LIESUN TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |