CN110531782A - 用于社区配送的无人机航迹路径规划方法 - Google Patents

Abstract

本发明公开用于社区配送的无人机航迹路径规划方法，包括步骤：S100、利用RRT算法生成随机采样点t_ran，利用RRT算法找到从根节点t_ini到目标点t_goa的无人机航迹路径；S200、对随机采样点t_ran的选取进行优化和对随机采样点t_ran的生成过程进行优化，得到优化无人机航迹路径。本发明用于社区配送的无人机航迹路径规划方法，社区配送得到的路径结果质量高，路径最优，本发明从随机采样点选择的步长、偏转角度、父节点、以及社区配送特性对步长和偏转角度因素的影响四个方面出发，提高无人机航迹路径搜索的效率和精度。

Description

用于社区配送的无人机航迹路径规划方法

技术领域

本发明属于无人机技术领域，具体涉及用于社区配送的无人机航迹路径规划方法。

背景技术

社区配送航线规划要在社区终端的无人柜取货出发，送达目标位置与家装收货栏对接放货。要求在满足无人机自身的机动性能约束、飞行空间的时空约束、无人机携带油料的总量约束等技术约束条件的同时还需满足配送送达时间窗约束、配送速度与安全性约束、单次配送订单个数约束等配送约束条件。基于约束条件，为满足任务要求，性能指标选取配送速度快、准确性高、时效性强。

航迹路径规划算法的选取对无人机配送的效率起决定性作用，常用的规划算法可归纳为最优算法与启发式算法两类。最优算法随目标空间的增大计算时间呈指数上升，无法满足社区无人机配送的快速高效的约束，而启发式算法利用启发函数对空间位置评估，找到启发函数的最值点，然后从最值点开始重复搜索过程，此方法能更好的满足社区配送的需求。

常用的启发式算法包括A*算法、快速扩展随机树算法(RRT)、Voronoi图算法、概率地图算法(PRM)等，其中A*算法在高维空间容易增加搜索时间；PRM算法在规划空间中威胁密集度高的空间内效率不高，在小区树木、设施密集的地方无人机采用PRM算法危险性高；Voronoi图算法精度高，直观性强，但只适用于单机航路规划，无法适应社区物流的庞大需求量；RRT算法无需预生成路径点，计算速度快，适用于高精度的路径规划问题。

RRT算法是以起点为随机树的根节点，以一定的步长向随机生成的路径节点扩展，进而生成路径树，不断探索未探索区域，最后当路径树的某节点到达终点区域时终止搜索过程。然而针对社区配送的无人机航迹路径规划，RRT算法缺点通常得到的路径结果质量不高，如包含棱角，不够光滑等，亦通常远离最优路径。

发明内容

为了解决现有技术存在的上述问题，本发明目的在于提供用于社区配送的无人机航迹路径规划方法。

对无人机航迹路径规划提出三个假设：

假设1：无人机处于定高、恒速飞行状态，无人机转向存在最大偏转角；

假设2：航迹路径预规划只考虑已知静态威胁，动态威胁按一定运动规律运行,可被实时检测到；

假设3：静态威胁以圆形区域来描述，威胁在圆形区域内按统一的威胁等级来度量。

本发明所采用的技术方案为：

用于社区配送的无人机航迹路径规划方法，包括如下步骤：

S100、利用RRT算法生成随机采样点t_ran，利用RRT算法找到从根节点t_ini到目标点t_goa的无人机航迹路径；

S200、对随机采样点t_ran的选取进行优化和对随机采样点t_ran的生成过程进行优化，得到优化无人机航迹路径。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述利用RRT算法找到从根节点t_ini到目标点t_goa的规划路径的具体实施步骤包括如下：

S101、确定与无人机配套的自动化无人柜固定点为随机树根节点t_ini，从三维地理信息数据库中获得自动化无人柜固定点的三维地理位置信息；

S102、从三维地理信息数据库中获得配送末端含有障碍物三维地理位置信息的三维地理信息模型；

S103、选取目标点t_goa，以一定的偏向概率P在规划区域内随机选取状态空间中的随机采样点t_ran，以t_nea表示距随机采样点t_ran最近的树节点，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new；

S104、若无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则将新节点t_new作为扩展节点加入到扩展树中；否则重新随机选取随机采样点t_ran，并重复步骤S102-S104直至新节点t_new到达目标区域时终止。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对随机采样点t_ran的选取进行优化包括通过选取评价指标步长D与父节点向下一随机采样点t_ran生成的偏转角度α及相应的权重系数并通过评价函数对随机采样点t_ran进行评价，具体实施步骤包括如下：

选择步长D与偏转角度α为评价指标，x₁、x₂分别为步长D与偏转角度α的权重系数，评价函数M＝x₁·D′+x₂·α′；

D′和α′的计算过程为：对步长D和偏转角度α进行无量纲化处理，计算一组k个随机采样点t_ran，然后利用极大-极小值法求出D′和α′，计算公式如下：

上述D_max为步长D的最大值，D_min为步长D的最小值，α_max为偏转角度α的最大值，α_min为偏转角度α的最小值。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对随机采样点t_ran的生成过程进行优化包括：对父节点向下一随机采样点t_ran生成的偏转角度α加以约束完成随机采样点t_ran生成方向的优化。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对父节点向下一随机采样点t_ran生成的偏转角度α加以约束完成随机采样点t_ran生成方向的优化的具体实施步骤包括如下：

从三维地理信息数据库中调用IMU单元测量的无人机方位角数据，偏转角度α加以约束的约束条件为： 为无人机的最大偏转角，父节点向下一随机采样点t_ran生成的方位角为

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对随机采样点t_ran的生成过程进行优化包括：对步长D加以约束进行步长D的扩展。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对步长D加以约束进行步长D的扩展的具体实施步骤包括如下：

根据无人机飞行假设约束条件的最小直飞航程d将RRT算法固定步长D划分为d₁、d₂、d₃……d_n，判断各分点是否进入威胁区域，假定在分点d_p时首次与障碍物相交，将d_p与d_p-1两段距离的交点t_p加入扩展树。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对随机采样点t_ran的生成过程进行优化包括：对步长D和偏转角度α的权重系数x₁、x₂进行细分，具体实施步骤包括如下：

以w_i和y_i(i＝1,2,3,…,n)分别对权重系数x₁、x₂进行量化处理，对w_i和y_i(i＝1,2,3,…,n)进行基于极大-极小值法的无量纲化处理，计算公式如下：

上述w_max为w_i的最大值，w_min为w_i的最小值，y_max为y_i的最大值，y_min为y_i的最小值。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述对随机采样点t_ran的生成过程进行优化包括：优先选择目标点t_goa作为扩展子节点并将上一次扩展父节点作为本次扩展父节点。

在上述技术方案的基础上，用于社区配送的无人机航迹路径规划方法，所述优先选择目标点t_goa作为扩展子节点并将上一次扩展父节点作为本次扩展父节点的具体实施步骤包括如下：

若步骤S104中，无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则随机选择节点作为新的扩展方向和扩展节点，在利用RRT算法执行步骤S103生成随机采样点t_ran之前，将最后一个加入扩展树的扩展节点作为树节点t_nea，将目标点t_goa作为随机采样点t_ran，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new，若步骤S104中无人机从树节点t_nea向新节点t_new的行进路径中没有经过障碍物区域，则将新节点t_new作为扩展节点加入到扩展树；若步骤S104中，无人机从上一节点向新节点t_new行进路径中碰到障碍物，则执行步骤S103生成随机采样点t_ran。

本发明的有益效果为：

本发明用于社区配送的无人机航迹路径规划方法，社区配送得到的路径结果质量高，路径最优。

本发明从随机采样点选择的步长、偏转角度、父节点、以及社区配送特性对步长和偏转角度因素的影响四个方面出发，提高无人机航迹路径搜索的效率和精度。

附图说明

图1是本发明-实施例的方法流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步阐述。

因为RRT算法(随机树算法)是通过不断随机生成路径来一步步找到终点，进而确定出最优路径的过程，通过RRT算法可以得到无人机航迹路径规划需要的航迹路径。

但是现有的RRT算法获得的航迹路径存在路径不够光滑、存在棱角导致无人机在实际飞行过程中经常发生停顿转向的现象，同时因为所有节点都是随机生成的，存在大量无效节点，降低搜索效率。

实施例：

如图1所示，本实施例的用于社区配送的无人机航迹路径规划方法，包括如下步骤：

S100、利用RRT算法生成随机采样点t_ran，利用RRT算法找到从根节点t_ini到目标点t_goa的无人机航迹路径；

S200、对随机采样点t_ran的选取进行优化和对随机采样点t_ran的生成过程进行优化，得到优化无人机航迹路径。

上述利用RRT算法找到从根节点t_ini到目标点t_goa的规划路径的具体实施步骤包括如下：

S101、确定与无人机配套的自动化无人柜固定点为随机树根节点t_ini，从三维地理信息数据库中获得自动化无人柜固定点的三维地理位置信息；

S102、从三维地理信息数据库中获得配送末端含有障碍物三维地理位置信息的三维地理信息模型；

S103、选取目标点t_goa，以一定的偏向概率P在规划区域内随机选取状态空间中的随机采样点t_ran，以t_nea表示距随机采样点t_ran最近的树节点，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new；

S104、若无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则将新节点t_new作为扩展节点加入到扩展树中；否则重新随机选取随机采样点t_ran，并重复步骤S102-S104直至新节点t_new到达目标区域时终止。

由于RRT算法是宏观规划模型，在终端并不是精确定位到目标点，所以要配合无人机辅助传感，确定无人机可以精准定位的目标区域范围(假设一个圆)，然后在RRT随机树节点到达这个目标区域时就可以结束。

对随机采样点t_ran的选取进行优化包括通过选取评价指标步长D与父节点向下一随机采样点t_ran生成的偏转角度α及相应的权重系数并通过评价函数对随机采样点t_ran进行评价，具体实施步骤包括如下：

由于随机采样点t_ran的选取与得到的最优无人机航迹路径所需时间与航迹质量直接相关，因此需要对随机采样点t_ran的选取进行优化，为了选取最优的随机采样点t_ran，需要对随机采样点t_ran进行评价，由于两点之间直线最短，因此最短航线一定是随机树根节点t_ini与目标点t_goa的连线，可知当RRT算法得到的路径与连线t_ini-t_goa越贴近，得到的路径越优，为使航迹路径尽可能短，需使得到的最优无人机航迹路尽可能与t_ini-t_goa的连线接近，因此，选择步长D与偏转角度α为评价指标，x₁、x₂分别为步长D与偏转角度α的权重系数，评价函数M＝x₁·D′+x₂·α′，由于指标量纲不统一，对步长D和偏转角度α进行无量纲化处理，计算一组k个随机采样点t_ran，然后利用极大-极小值法求出D′和α′，计算公式如下：

上述D_max为步长D的最大值，D_min为步长D的最小值，α_max为偏转角度α的最大值，α_min为偏转角度α的最小值。

上述对随机采样点t_ran的生成过程进行优化包括：对父节点向下一随机采样点t_ran生成的偏转角度α加以约束完成随机采样点t_ran生成方向的优化，具体实施步骤包括如下：

从三维地理信息数据库中调用IMU单元测量的无人机方位角数据，偏转角度α加以约束的约束条件为： 为无人机的最大偏转角，父节点向下一随机采样点t_ran生成的方位角为

上述对随机采样点t_ran的生成过程进行优化包括：对步长D加以约束进行步长D的扩展，具体实施步骤包括如下：

为优化步长D，考虑到若以传统固定步长D进行扩展节点选择，易在某次扩展时直接踏入威胁区域导致扩展失败，因此根据无人机飞行假设约束条件的最小直飞航程d将RRT算法固定步长D划分为d₁、d₂、d₃……d_n，判断各分点是否进入威胁区域，假定在分点d_p时首次与障碍物相交，将d_p与d_p-1两段距离的交点t_p加入扩展树。

上述对随机采样点t_ran的生成过程进行优化包括：对步长D和偏转角度α的权重系数x₁、x₂进行细分，具体实施步骤包括如下：

针对社区配送特性对步长D和偏转角度α的定义进行优化，考虑到单次配送货物重量约束、配送货物的特性约束(易碎易开裂等)、配送时间窗约束等条件，需要对步长D和偏转角度α的权重系数x₁、x₂进行细分，由于社区配送过程中影响无人机航迹路径规划路线的因素对步长D和偏转角度α的权重系数的影响程度不同，以w_i和y_i(i＝1,2,3,…,n)分别对权重系数x₁、x₂进行量化处理，考虑到不同影响条件的量纲不统一，对w_i和y_i(i＝1,2,3,…,n)进行基于极大-极小值法的无量纲化处理，计算公式如下：

上述w_max为w_i的最大值，w_min为w_i的最小值，y_max为y_i的最大值，y_min为y_i的最小值。

上述对随机采样点t_ran的生成过程进行优化包括：优先选择目标点t_goa作为扩展子节点并将上一次扩展父节点作为本次扩展父节点，具体实施步骤包括如下：

若步骤S104中，无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则随机选择节点作为新的扩展方向和扩展节点，在利用RRT算法执行步骤S103生成随机采样点t_ran之前，将最后一个加入扩展树的扩展节点作为树节点t_nea，将目标点t_goa作为随机采样点t_ran，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new，若步骤S104中无人机从树节点t_nea向新节点t_new的行进路径中没有经过障碍物区域，则将新节点t_new作为扩展节点加入到扩展树；若步骤S104中，无人机从上一节点向新节点t_new行进路径中碰到障碍物，则执行步骤S103生成随机采样点t_ran。

本发明不局限于上述可选实施方式，任何人在本发明的启示下都可得出其他各种形式的产品，但不论在其形状或结构上作任何变化，凡是落入本发明权利要求界定范围内的技术方案，均落在本发明的保护范围之内。

Claims (10)

1.用于社区配送的无人机航迹路径规划方法，其特征在于：包括如下步骤：

S100、利用RRT算法生成随机采样点t_ran，利用RRT算法找到从根节点t_ini到目标点t_goa的无人机航迹路径；

S200、对随机采样点t_ran的选取进行优化和对随机采样点t_ran的生成过程进行优化，得到优化无人机航迹路径。

2.根据权利要求1所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述利用RRT算法找到从根节点t_ini到目标点t_goa的规划路径的具体实施步骤包括如下：

S101、确定与无人机配套的自动化无人柜固定点为随机树根节点t_ini，从三维地理信息数据库中获得自动化无人柜固定点的三维地理位置信息；

S102、从三维地理信息数据库中获得配送末端含有障碍物三维地理位置信息的三维地理信息模型；

S103、选取目标点t_goa，以一定的偏向概率P在规划区域内随机选取状态空间中的随机采样点t_ran，以t_nea表示距随机采样点t_ran最近的树节点，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new；

S104、若无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则将新节点t_new作为扩展节点加入到扩展树中；否则重新随机选取随机采样点t_ran，并重复步骤S102-S104直至新节点t_new到达目标区域时终止。

3.根据权利要求2所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对随机采样点t_ran的选取进行优化包括：通过选取评价指标步长D与父节点向下一随机采样点t_ran生成的偏转角度α及相应的权重系数并通过评价函数对随机采样点t_ran进行评价，具体实施步骤包括如下：

选择步长D与偏转角度α为评价指标，x₁、x₂分别为步长D与偏转角度α的权重系数，评价函数M＝x₁·D′+x₂·α′；

D′和α′的计算过程为：对步长D和偏转角度α进行无量纲化处理，计算一组k个随机采样点t_ran，然后利用极大-极小值法求出D′和α′，计算公式如下：

上述D_max为步长D的最大值，D_min为步长D的最小值，α_max为偏转角度α的最大值，α_min为偏转角度α的最小值。

4.根据权利要求2所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对随机采样点t_ran的生成过程进行优化包括：对父节点向下一随机采样点t_ran生成的偏转角度α加以约束完成随机采样点t_ran生成方向的优化。

5.根据权利要求4所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对父节点向下一随机采样点t_ran生成的偏转角度α加以约束完成随机采样点t_ran生成方向的优化的具体实施步骤包括如下：

从三维地理信息数据库中调用IMU单元测量的无人机方位角数据，偏转角度α加以约束的约束条件为： 为无人机的最大偏转角，父节点向下一随机采样点t_ran生成的方位角为

6.根据权利要求2所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对随机采样点t_ran的生成过程进行优化包括：对步长D加以约束进行步长D的扩展。

7.根据权利要求6所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对步长D加以约束进行步长D的扩展的具体实施步骤包括如下：

根据无人机飞行假设约束条件的最小直飞航程d将RRT算法固定步长D划分为d₁、d₂、d₃……d_n，判断各分点是否进入威胁区域，假定在分点d_p时首次与障碍物相交，将d_p与d_p-1两段距离的交点t_p加入扩展树。

8.根据权利要求2所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对随机采样点t_ran的生成过程进行优化包括：对步长D和偏转角度α的权重系数x₁、x₂进行细分，具体实施步骤包括如下：

以w_i和y_i(i＝1,2,3,…,n)分别对权重系数x₁、x₂进行量化处理，对w_i和y_i(i＝1,2,3,…,n)进行基于极大-极小值法的无量纲化处理，计算公式如下：

上述w_max为w_i的最大值，w_min为w_i的最小值，y_max为y_i的最大值，y_min为y_i的最小值。

9.根据权利要求2所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述对随机采样点t_ran的生成过程进行优化包括：优先选择目标点t_goa作为扩展子节点并将上一次扩展父节点作为本次扩展父节点。

10.根据权利要求9所述的用于社区配送的无人机航迹路径规划方法，其特征在于：所述优先选择目标点t_goa作为扩展子节点并将上一次扩展父节点作为本次扩展父节点的具体实施步骤包括如下：

若步骤S104中，无人机从上一节点向新节点t_new行进路径中没有碰到障碍物，则随机选择节点作为新的扩展方向和扩展节点，在利用RRT算法执行步骤S103生成随机采样点t_ran之前，将最后一个加入扩展树的扩展节点作为树节点t_nea，将目标点t_goa作为随机采样点t_ran，并在t_ran-t_nea的连线上以扩展步长D为单位截取新节点t_new，若步骤S104中无人机从树节点t_nea向新节点t_new的行进路径中没有经过障碍物区域，则将新节点t_new作为扩展节点加入到扩展树；若步骤S104中，无人机从上一节点向新节点t_new行进路径中碰到障碍物，则执行步骤S103生成随机采样点t_ran。