CN110617819A - 一种基于蚁群算法路径规划的无人机地形辅助导航方法 - Google Patents
一种基于蚁群算法路径规划的无人机地形辅助导航方法 Download PDFInfo
- Publication number
- CN110617819A CN110617819A CN201910988280.4A CN201910988280A CN110617819A CN 110617819 A CN110617819 A CN 110617819A CN 201910988280 A CN201910988280 A CN 201910988280A CN 110617819 A CN110617819 A CN 110617819A
- Authority
- CN
- China
- Prior art keywords
- terrain
- grid
- path
- ants
- ant
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000006978 adaptation Effects 0.000 claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 241000257303 Hymenoptera Species 0.000 claims description 46
- 239000011159 matrix material Substances 0.000 claims description 36
- 239000003016 pheromone Substances 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 6
- IYLGZMTXKJYONK-ACLXAEORSA-N (12s,15r)-15-hydroxy-11,16-dioxo-15,20-dihydrosenecionan-12-yl acetate Chemical compound O1C(=O)[C@](CC)(O)C[C@@H](C)[C@](C)(OC(C)=O)C(=O)OCC2=CCN3[C@H]2[C@H]1CC3 IYLGZMTXKJYONK-ACLXAEORSA-N 0.000 claims description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- IYLGZMTXKJYONK-UHFFFAOYSA-N ruwenine Natural products O1C(=O)C(CC)(O)CC(C)C(C)(OC(C)=O)C(=O)OCC2=CCN3C2C1CC3 IYLGZMTXKJYONK-UHFFFAOYSA-N 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 4
- 238000009825 accumulation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000002068 genetic effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009024 positive feedback mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Navigation (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人机地形辅助导航方法领域,具体是一种基于蚁群算法路径规划的无人机地形辅助导航方法,其具体步骤如下:S1:载入地形高程数据;S2:根据地形信息量,判断地形是否可匹配;S3:导入适配性地图,设置初始参数;S4:依据蚁群算法对路径进行规划;S5:用ICCP匹配所得位置信息对惯性导航系统输出位置信息进行校正;针对惯导误差随时间积累的问题,采用基于ICCP算法的地形辅助导航方法对惯导误差进行修正,以实现无人机长航时高精度的定位要求;针对地形辅助导航在地形变化不明显的区域无法有效修正惯导积累误差的问题,通过对导航区域地形信息量的计算,利用熵值法赋权灰色关联决策将地形划分为地形适配区与地形非适配区。
Description
技术领域
本发明涉及无人机地形辅助导航方法领域,具体是一种基于蚁群算法路径规划的无人机地形辅助导航方法。
背景技术
惯性导航系统不需要任何外来信息,也不向外辐射任何信息,仅依靠自身就能够在全天候条件下,在全球范围内和任何介质环境里进行连续的定位与导航,这种同时具备自主性、隐蔽性和能获取载体完备信息的独特优点是其他导航系统无法比拟的。但是,惯导系统有着系统误差随时间积累的原理性缺陷,为了实现无人机长航时高精度的导航目标,需要利用外界位置信息对其进行周期性调整和校正。
地形辅助导航是一种利用地形高程特征来进行辅助定位的方法,它具有自主、隐蔽、连续、全天候工作、导航定位误差不随时间积累等优点,是理想的辅助导航定位手段。然而,地形辅助导航要求地形高程有明显的变化,对于地形变化过于平缓、地形特征不明显的区域,用地形辅助导航方法来降低惯导系统的定位误差是不可行的。
衡量地形信息量的主要特征参数包括地形标准差、地形相关系数、地形粗糙度和地形熵等。基于上述特征参数,可以有效地将地形划分为地形适配区和地形非适配区。
应用于路径规划的现代智能算法主要有遗传算法、粒子群算法以及蚁群算法等。相较粒子群算法,蚁群算法寻找全局最优的能力更强;且蚁群算法采用了正反馈机制和启发式贪婪策略使搜索时间明显短于遗传算法;同时,蚁群算法的环境建模和实现简单,不需要遗传算法和粒子群算法复杂的编码机制。目前,蚁群算法的研究和应用更为成熟和广泛,其参数的选择和确定有更多的文献和理论支持。
综上所述,根据地形划分情况,结合蚁群算法对路径进行规划,使无人机每隔一段时间飞经地形适配区,完成对惯导误差的修正,这对于真正实现长航时高精度导航定位具有非常重要的现实意义。
发明内容
为了解决上述问题,本发明提出一种基于蚁群算法路径规划的无人机地形辅助导航方法。
一种基于蚁群算法路径规划的无人机地形辅助导航方法,其具体步骤如下:
S1:载入地形高程数据;
S2:根据地形信息量,判断地形是否可匹配:
S2.1:将路径规划中的地形区域划分为L块候选区域,L的值根据匹配定位精度和载体计算机存储容量确定;
S2.2:根据无人机定位精度要求确定地形适配区与地形非适配区;
S2.3:结合适配区划分结果,基于蚁群算法进行导航路径规划:
(1)适配性矩阵,若网格所在地形为地形适配区则置0,非适配区则置去;
(2)可达性矩阵,若网格i到网格j是可达的,则用LEN(i,j)记录距离,若不可达,则LEN(i,j)=0;规定每一个网格可能到达的网格为其四周相邻的八个网格,及上、下、左、右、左上、左下、右上、右下方向的八个网格,若适配性矩阵是N维方阵,则可达性矩阵是N×N方阵;
S3:导入适配性地图,设置初始参数:设置路径规划的起点网格为S,终点网格为E,设置出动蚁群的波数为K,每一波出动的蚂蚁只数为M;设置信息素启发因子为α,自启发因子为β,信息素蒸发系数为ρ,信息素增强系数为Q,设置对应于可达性矩阵的信息素矩阵的初始信息素浓度为c,c为一常数,用ROUTES记录每一波蚂蚁中的每只蚂蚁行进的路径,用PL记录每一波蚂蚁中的每一只蚂蚁行进路径的长度;
S4:依据蚁群算法对路径进行规划:
a:首先判断当前的网格是否是终点网格,若是则终止本只蚂蚁的寻径,启动下一只蚂蚁寻径;
b:若不是则按照轮赌法选择下一个可前进的网格,通过轮赌法求出蚂蚁下一步可走的每一个网格的概率;
c:假设蚂蚁下一步可以进入的网格为[g1,g2,g3],按照公式计算得到进入每一个网格的概率为[ξ1,ξ2,ξ3](0≤ξ1,ξ2,ξ3≤1,且ξ1+ξ2+ξ3=1),轮赌法按照下述方式进行:首先对进入每一个网格做累积概率统计,得到[ξ1ξ1+ξ2ξ1+ξ2+ξ3]=[ξ1ξ1+ξ2],然后产生一个0到1之间的随机数,若产生的随机数位于0和ξ1之间,则蚂蚁往网格g1前进,若位于ξ1和ξ1+ξ2之间,则蚂蚁往网格g2前进,若位于ξ1+ξ2和1之间,则蚂蚁往网格g3前进;
d:更新路径和路径长度;
e:重复步骤a和d,直到蚂蚁都到达终点或是陷入到死区,若蚂蚁未到达终点则至路径长度为0;
f:重复步骤a到e,直至所有本波蚂蚁都到达了终点或是陷入了死区;
g:更新信息素矩阵:当本波所有蚂蚁完成了路径选择之后,若蚂蚁到达了终点,对信息素进行更新;
h:若所有波次蚂蚁均已进行了路径寻找,则输出所有路径中的最短路径及路径长度,寻径结束,否则,返回执行步骤a;
i:依据步骤S2.3中规划的路径,采用等值线最近点迭代(ICCP)算法完成地形匹配,对惯导位置误差进行修正;
j:获取惯导指示序列并进行初始变换:
采用随机旋转和平移的方法进行初始变换,旋转和平移的大小在惯导系统误差方差的3倍范围内随意取值,取旋转偏移量为θrand,纬度方向的平移量为tL_rand,经度方向的随机平移量为tλ_rand,得到初始变换后的序列Pirand;
k:提取高程等值线,寻找刚性变换求取最近点:
通过机载气压高度表、无线电高度表获取初始变换后的位置序列Pirand处相应的高程值Hi,并从已知的数字地图中提取相应的高程等值线Ci;假设Pirand到相应等值线的最近点为Yi,寻找一个包含旋转矩阵R和平移矢量t的刚性变换T,得到最小目标函数d;
l:迭代地进行刚性变换直至收敛:
根据步骤3.2中获得的刚性变换T,对Pirand应用刚性变换可获得Pirand=T·Pirand;此时,若迭代次数k大于最大迭代次数kmax,则表明收敛速度过慢,舍弃此次迭代地结果,并且返回执行步骤j;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|>τ,则返回步骤3.2;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|≤τ,则迭代终止,确定最终匹配结果为[LICCPλICCP]T;
S5:用ICCP匹配所得位置信息对惯性导航系统输出位置信息进行校正:
将惯性导航系统输出的位置信息LSINS、λSINS与ICCP匹配得到的位置信息LICCP、λICCP的差值LSINS-LICCP、λSINS-λICCP作为观测量进行Kalman滤波,并利用滤波所得的位置信息反馈到惯性导航系统中对惯导输出的位置进行校正。
所述的步骤S1中的地形高程采用网格矩阵的方式存储。
所述的步骤S2的S2.2中假设某一地形的经纬度跨度为m×n网格,网格点坐标为(i,j)处的地形高程值为h(i,j),且有i=1,2,…,m,j=1,2,…,n;可以计算得到地形信息量的主要特征参数包括地形标准差σ、地形相关系数R、地形粗糙度r和地形高度熵Hf,它们的具体定义如下:
其中,
为地形高程平均值;
为经度方向相关系数;
为纬度方向相关系数;
为经度方向的粗糙度;
为纬度方向的粗糙度;
为归一化高程值。
所述的步骤S2的S2.2通过熵值法赋权灰色关联决策法对地形进行划分。
所述的步骤S3将蚂蚁安放在起点网格S,并将起点网格加入到禁忌表TABU中,其中,TABU表示禁忌表,当地形网格为N维方正时,禁忌表为1行N2列矩阵,用以表示是否已经经过了某个网格,若已经经过了则对应于网格序号的列置0,为防止蚂蚁回溯,需要根据蚂蚁经过的路径动态调整禁忌表。
所述的步骤S4的b中蚂蚁选择下一个可行进的网格采用公式(5)进行计算:
其中,allowed代表禁忌表未经过的网格,τi,j为网格i到网格j的路径上的信息素浓度,ηi,g为自启发函数,ηi,g=1/dig,dig代表网格i到目标网格的距离;
所述的步骤S4中的g信息素按公式(6)进行更新,同时,路径上的信息素浓度随着时间推移逐渐蒸发:
τi,j←(1-ρ)·τi,j+Δτi,j (6)
其中:Δτi,j为增加的信息素部分,Q为信息素增强系数,L为蚂蚁到达终点的路径长度。
所述的步骤S4中的j对惯导系统指示航迹序列Pi按公式(8)作随机旋转和平移,可得到初始变换后的序列Pirand:
所述的步骤S4中的k通过公式(11)得到最小目标函数d:
其中,k表示迭代次数,D(Pirand,Yi)表示Pirand和Y之间的距离,Dmax表示Pirand和Y之间距离的最大值。
本发明的有益效果是:针对惯导误差随时间积累的问题,采用基于ICCP算法的地形辅助导航方法对惯导误差进行修正,以实现无人机长航时高精度的定位要求;针对地形辅助导航在地形变化不明显的区域无法有效修正惯导积累误差的问题,通过对导航区域地形信息量的计算,利用熵值法赋权灰色关联决策将地形划分为地形适配区与地形非适配区;针对无人机无法准确经过地形适配区的问题,采用基于蚁群算法的路径规划方法,规划基于地形适配区的行进路径,确保地形辅助导航对惯导误差的全程有效修正。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的流程结构示意图;
图2为本发明的规则格网地形结构示意图;
图3为本发明的适配性矩阵结构示意图;
图4为本发明的可达性示意图结构示意图;
图5为本发明的地形三维示意图结构示意图;
图6为本发明的地形适配区示意图;
图7为本发明的第1、2、3、4、5波蚂蚁所寻得的最优路径;
图8为本发明的第10、20、50、100、300、500波蚂蚁所寻得的最优路径;
图9为本发明的规划路径匹配结果图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面对本发明进一步阐述。
如图1至图9所示,一种基于蚁群算法路径规划的无人机地形辅助导航方法,其具体步骤如下:
S1:载入地形高程数据:如图5所示,区域的最大高程值为251.3940m,最小高程值为182.0500m,平均高程值为223.5656m,其经纬度起始于(118°E,38°N),网格数为44×44,网格间距为0.00125°,为139m;
S2:根据地形信息量,判断地形是否可匹配:
S2.1:将路径规划中的地形区域划分为L块候选区域,L的值根据匹配定位精度和载体计算机存储容量确定;
S2.2:根据无人机定位精度要求确定地形适配区与地形非适配区;
S2.3:结合适配区划分结果,基于蚁群算法进行导航路径规划,如图6所示为地形适配区示意图,其中阴影部分为地形非适配区域:
(1)适配性矩阵,若网格所在地形为地形适配区则置0,非适配区则置去,如图2为规则格网地形,阴影部分代表地形非适配区,图4为该区域的适配性矩阵;
(2)可达性矩阵,若网格i到网格j是可达的,则用LEN(i,j)记录距离,若不可达,则LEN(i,j)=0;规定每一个网格可能到达的网格为其四周相邻的八个网格,及上、下、左、右、左上、左下、右上、右下方向的八个网格,如图3是对应于图1各个网格的可达性示意图,箭头表示可以前进的网格,若适配性矩阵是N维方阵,则可达性矩阵是N×N方阵;
S3:导入适配性地图,设置初始参数:设置路径规划的起点网格即初始点为(118.01°E,38.00875°N),终点为(118.0475°E,38.04625°N),设置出动蚁群波数的K为500次,每一波出动的蚂蚁只数M为50只;设置信息素启发因子α为1,自启发因子β为7,信息素蒸发系数ρ为0.3,信息素增强系数Q为1,设置对应于可达性矩阵的信息素矩阵的初始信息素浓度c为1,c为一常数,用ROUTES记录每一波蚂蚁中的每只蚂蚁行进的路径,用PL记录每一波蚂蚁中的每一只蚂蚁行进路径的长度;
根据上述参数设置,得到第1、2、3、4、5波次蚂蚁所寻得的最优路径如图7所示,第10、20、50、100、300、500波次蚁群算法计算所得最优路径如图8所示;
以图8中第500代蚂蚁所规划的路径作为无人机真实航迹,利用ICCP算法进行航迹匹配,匹配结果如图8所示:
如图9,匹配误差统计结果如表1:
表1匹配误差统计
从匹配结果中可以看出:基于蚁群算法路径规划的无人机地形辅助导航在无人机地形辅助导航应用中是有效的,当无人机沿着所规划的路径航行时,利用基于ICCP算法的地形辅助导航可以得到较高的定位精度,实现无人机长航时高精度导航定位;
S4:依据蚁群算法对路径进行规划:
a:首先判断当前的网格是否是终点网格,若是则终止本只蚂蚁的寻径,启动下一只蚂蚁寻径;
b:若不是则按照轮赌法选择下一个可前进的网格,通过轮赌法求出蚂蚁下一步可走的每一个网格的概率;
c:假设蚂蚁下一步可以进入的网格为[g1,g2,g3],按照公式计算得到进入每一个网格的概率为[ξ1,ξ2,ξ3](0≤ξ1,ξ2,ξ3≤1,且ξ1+ξ2+ξ3=1),轮赌法按照下述方式进行:首先对进入每一个网格做累积概率统计,得到[ξ1ξ1+ξ2ξ1+ξ2+ξ3]=[ξ1ξ1+ξ2],然后产生一个0到1之间的随机数,若产生的随机数位于0和ξ1之间,则蚂蚁往网格g1前进,若位于ξ1和ξ1+ξ2之间,则蚂蚁往网格g2前进,若位于ξ1+ξ2和1之间,则蚂蚁往网格g3前进;
d:更新路径和路径长度;
e:重复步骤a和d,直到蚂蚁都到达终点或是陷入到死区,若蚂蚁未到达终点则至路径长度为0;
f:重复步骤a到e,直至所有本波蚂蚁都到达了终点或是陷入了死区;
g:更新信息素矩阵:当本波所有蚂蚁完成了路径选择之后,若蚂蚁到达了终点,对信息素进行更新;
h:若所有波次蚂蚁均已进行了路径寻找,则输出所有路径中的最短路径及路径长度,寻径结束,否则,返回执行步骤a;
i:依据步骤S2.3中规划的路径,采用等值线最近点迭代(ICCP)算法完成地形匹配,对惯导位置误差进行修正;
j:获取惯导指示序列并进行初始变换:
采用随机旋转和平移的方法进行初始变换,旋转和平移的大小在惯导系统误差方差的3倍范围内随意取值,取旋转偏移量为θrand,纬度方向的平移量为tL_rand,经度方向的随机平移量为tλ_rand,得到初始变换后的序列Pirand;
k:提取高程等值线,寻找刚性变换求取最近点:
通过机载气压高度表、无线电高度表获取初始变换后的位置序列Pirand处相应的高程值Hi,并从已知的数字地图中提取相应的高程等值线Ci;假设Pirand到相应等值线的最近点为Yi,寻找一个包含旋转矩阵R和平移矢量t的刚性变换T,得到最小目标函数d;
l:迭代地进行刚性变换直至收敛:
根据步骤3.2中获得的刚性变换T,对Pirand应用刚性变换可获得Pirand=T·Pirand;此时,若迭代次数k大于最大迭代次数kmax,则表明收敛速度过慢,舍弃此次迭代地结果,并且返回执行步骤j;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|>τ,则返回步骤3.2;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|≤τ,则迭代终止,确定最终匹配结果为[LICCPλICCP]T;
S5:用ICCP匹配所得位置信息对惯性导航系统输出位置信息进行校正:
将惯性导航系统输出的位置信息LSINS、λSINS与ICCP匹配得到的位置信息LICCP、λICCP的差值LSINS-LICCP、λSINS-λICCP作为观测量进行Kalman滤波,并利用滤波所得的位置信息反馈到惯性导航系统中对惯导输出的位置进行校正。
所述的步骤S1中的地形高程采用网格矩阵的方式存储。
所述的步骤S2的S2.2中假设某一地形的经纬度跨度为m×n网格,网格点坐标为(i,j)处的地形高程值为h(i,j),且有i=1,2,…,m,j=1,2,…,n;可以计算得到地形信息量的主要特征参数包括地形标准差σ、地形相关系数R、地形粗糙度r和地形高度熵Hf,它们的具体定义如下:
其中,
为地形高程平均值;
为经度方向相关系数;
为纬度方向相关系数;
为经度方向的粗糙度;
为纬度方向的粗糙度;
为归一化高程值。
针对惯导误差随时间积累的问题,采用基于ICCP算法的地形辅助导航方法对惯导误差进行修正,以实现无人机长航时高精度的定位要求;针对地形辅助导航在地形变化不明显的区域无法有效修正惯导积累误差的问题,通过对导航区域地形信息量的计算,利用熵值法赋权灰色关联决策将地形划分为地形适配区与地形非适配区;针对无人机无法准确经过地形适配区的问题,采用基于蚁群算法的路径规划方法,规划基于地形适配区的行进路径,确保地形辅助导航对惯导误差的全程有效修正。
所述的步骤S2的S2.2按照参考文献《基于熵值法赋权灰色关联决策的地形辅助导航适配区选择》中所述熵值法赋权灰色关联决策法对地形进行划分,如图6所示,为地形适配区示意图,其中阴影部分为地形非适配区域。
所述的步骤S3将蚂蚁安放在起点网格S,并将起点网格加入到禁忌表TABU中,其中,TABU表示禁忌表,当地形网格为N维方正时,禁忌表为1行N2列矩阵,用以表示是否已经经过了某个网格,若已经经过了则对应于网格序号的列置0,为防止蚂蚁回溯,需要根据蚂蚁经过的路径动态调整禁忌表。
所述的步骤S4的b中蚂蚁选择下一个可行进的网格采用公式(5)进行计算:
其中,allowed代表禁忌表未经过的网格,τi,j为网格i到网格j的路径上的信息素浓度,ηi,g为自启发函数,ηi,g=1/dig,dig代表网格i到目标网格的距离;
所述的步骤S4中的g信息素按公式(6)进行更新,同时,路径上的信息素浓度随着时间推移逐渐蒸发:
τi,j←(1-ρ)·τi,j+Δτi,j (6)
其中:Δτi,j为增加的信息素部分,Q为信息素增强系数,L为蚂蚁到达终点的路径长度。
所述的步骤S4中的j对惯导系统指示航迹序列Pi按公式(8)作随机旋转和平移,可得到初始变换后的序列Pirand:
所述的步骤S4中的k通过公式(11)得到最小目标函数d:
其中,k表示迭代次数,D(Pirand,Yi)表示Pirand和Y之间的距离,Dmax表示Pirand和Y之间距离的最大值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:其具体步骤如下:
S1:载入地形高程数据;
S2:根据地形信息量,判断地形是否可匹配:
S2.1:将路径规划中的地形区域划分为L块候选区域,L的值根据匹配定位精度和载体计算机存储容量确定;
S2.2:根据无人机定位精度要求确定地形适配区与地形非适配区;
S2.3:结合适配区划分结果,基于蚁群算法进行导航路径规划:
(1)适配性矩阵,若网格所在地形为地形适配区则置0,非适配区则置去;
(2)可达性矩阵,若网格i到网格j是可达的,则用LEN(i,j)记录距离,若不可达,则LEN(i,j)=0;规定每一个网格可能到达的网格为其四周相邻的八个网格,及上、下、左、右、左上、左下、右上、右下方向的八个网格,若适配性矩阵是N维方阵,则可达性矩阵是N×N方阵;
S3:导入适配性地图,设置初始参数:设置路径规划的起点网格为S,终点网格为E,设置出动蚁群的波数为K,每一波出动的蚂蚁只数为M;设置信息素启发因子为α,自启发因子为β,信息素蒸发系数为ρ,信息素增强系数为Q,设置对应于可达性矩阵的信息素矩阵的初始信息素浓度为c,c为一常数,用ROUTES记录每一波蚂蚁中的每只蚂蚁行进的路径,用PL记录每一波蚂蚁中的每一只蚂蚁行进路径的长度;
S4:依据蚁群算法对路径进行规划:
a:首先判断当前的网格是否是终点网格,若是则终止本只蚂蚁的寻径,启动下一只蚂蚁寻径;
b:若不是则按照轮赌法选择下一个可前进的网格,通过轮赌法求出蚂蚁下一步可走的每一个网格的概率;
c:假设蚂蚁下一步可以进入的网格为[g1,g2,g3],按照公式计算得到进入每一个网格的概率为[ξ1,ξ2,ξ3](0≤ξ1,ξ2,ξ3≤1,且ξ1+ξ2+ξ3=1),轮赌法按照下述方式进行:首先对进入每一个网格做累积概率统计,得到[ξ1ξ1+ξ2ξ1+ξ2+ξ3]=[ξ1ξ1+ξ2],然后产生一个0到1之间的随机数,若产生的随机数位于0和ξ1之间,则蚂蚁往网格g1前进,若位于ξ1和ξ1+ξ2之间,则蚂蚁往网格g2前进,若位于ξ1+ξ2和1之间,则蚂蚁往网格g3前进;
d:更新路径和路径长度;
e:重复步骤a和d,直到蚂蚁都到达终点或是陷入到死区,若蚂蚁未到达终点则至路径长度为0;
f:重复步骤a到e,直至所有本波蚂蚁都到达了终点或是陷入了死区;
g:更新信息素矩阵:当本波所有蚂蚁完成了路径选择之后,若蚂蚁到达了终点,对信息素进行更新;
h:若所有波次蚂蚁均已进行了路径寻找,则输出所有路径中的最短路径及路径长度,寻径结束,否则,返回执行步骤a;
i:依据步骤S2.3中规划的路径,采用等值线最近点迭代ICCP算法完成地形匹配,对惯导位置误差进行修正;
j:获取惯导指示序列并进行初始变换:
采用随机旋转和平移的方法进行初始变换,旋转和平移的大小在惯导系统误差方差的3倍范围内随意取值,取旋转偏移量为θrand,纬度方向的平移量为tL_rand,经度方向的随机平移量为tλ_rand,得到初始变换后的序列Pirand;
k:提取高程等值线,寻找刚性变换求取最近点:
通过机载气压高度表、无线电高度表获取初始变换后的位置序列Pirand处相应的高程值Hi,并从已知的数字地图中提取相应的高程等值线Ci;假设Pirand到相应等值线的最近点为Yi,寻找一个包含旋转矩阵R和平移矢量t的刚性变换T,得到最小目标函数d;
l:迭代地进行刚性变换直至收敛:
根据步骤3.2中获得的刚性变换T,对Pirand应用刚性变换可获得Pirand=T·Pirand;此时,若迭代次数k大于最大迭代次数kmax,则表明收敛速度过慢,舍弃此次迭代地结果,并且返回执行步骤j;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|>τ,则返回步骤3.2;若迭代次数k小于最大迭代次数kmax并且|dk-dk-1|≤τ,则迭代终止,确定最终匹配结果为[LICCP λICCP]T;
S5:用ICCP匹配所得位置信息对惯性导航系统输出位置信息进行校正:
将惯性导航系统输出的位置信息LSINS、λSINS与ICCP匹配得到的位置信息LICCP、λICCP的差值LSINS-LICCP、λSINS-λICCP作为观测量进行Kalman滤波,并利用滤波所得的位置信息反馈到惯性导航系统中对惯导输出的位置进行校正。
2.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S1中的地形高程采用网格矩阵的方式存储。
3.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S2的S2.2中假设某一地形的经纬度跨度为m×n网格,网格点坐标为(i,j)处的地形高程值为h(i,j),且有i=1,2,…,m,j=1,2,…,n;可以计算得到地形信息量的主要特征参数包括地形标准差σ、地形相关系数R、地形粗糙度r和地形高度熵Hf,它们的具体定义如下:
其中,
为地形高程平均值;
为经度方向相关系数;
为纬度方向相关系数;
为经度方向的粗糙度;
为纬度方向的粗糙度;
为归一化高程值。
4.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S2的S2.2通过熵值法赋权灰色关联决策法对地形进行划分。
5.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S3将蚂蚁安放在起点网格S,并将起点网格加入到禁忌表TABU中,其中,TABU表示禁忌表,当地形网格为N维方正时,禁忌表为1行N2列矩阵,用以表示是否已经经过了某个网格,若已经经过了则对应于网格序号的列置0,为防止蚂蚁回溯,需要根据蚂蚁经过的路径动态调整禁忌表。
6.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S4的b中蚂蚁选择下一个可行进的网格采用公式(5)进行计算:
其中,allowed代表禁忌表未经过的网格,τi,j为网格i到网格j的路径上的信息素浓度,ηi,g为自启发函数,ηi,g=1/dig,dig代表网格i到目标网格的距离。
7.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S4中的g信息素按公式(6)进行更新,同时,路径上的信息素浓度随着时间推移逐渐蒸发:
τi,j←(1-ρ)·τi,j+Δτi,j (6)
其中:Δτi,j为增加的信息素部分,Q为信息素增强系数,L为蚂蚁到达终点的路径长度。
8.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S4中的j对惯导系统指示航迹序列Pi按公式(8)作随机旋转和平移,可得到初始变换后的序列Pirand:
9.根据权利要求1所述的一种基于蚁群算法路径规划的无人机地形辅助导航方法,其特征在于:所述的步骤S4中的k通过公式(11)得到最小目标函数d:
其中,k表示迭代次数,D(Pirand,Yi)表示Pirand和Y之间的距离,Dmax表示Pirand和Y之间距离的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988280.4A CN110617819B (zh) | 2019-10-17 | 2019-10-17 | 一种基于蚁群算法路径规划的无人机地形辅助导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910988280.4A CN110617819B (zh) | 2019-10-17 | 2019-10-17 | 一种基于蚁群算法路径规划的无人机地形辅助导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110617819A true CN110617819A (zh) | 2019-12-27 |
CN110617819B CN110617819B (zh) | 2022-09-30 |
Family
ID=68925933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910988280.4A Active CN110617819B (zh) | 2019-10-17 | 2019-10-17 | 一种基于蚁群算法路径规划的无人机地形辅助导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110617819B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111252212A (zh) * | 2020-01-15 | 2020-06-09 | 大连海事大学 | 一种可航行救生器配合无人机对多落水人员的自动救助方法及系统 |
CN111896002A (zh) * | 2020-07-22 | 2020-11-06 | 北京航空航天大学 | 地形辅助导航匹配区在线规划与适配性分析方法及系统 |
CN113252038A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 基于粒子群算法的航迹规划地形辅助导航方法 |
CN113252039A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 面向地形辅助导航的粒子群快速匹配方法 |
CN113532438A (zh) * | 2021-07-23 | 2021-10-22 | 东南大学 | 一种大初始定位误差下的改进iccp地形匹配方法 |
CN114812568A (zh) * | 2022-03-01 | 2022-07-29 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择方法 |
CN114812568B (zh) * | 2022-03-01 | 2024-05-28 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0237714A1 (de) * | 1986-02-14 | 1987-09-23 | Messerschmitt-Bölkow-Blohm Gesellschaft mit beschränkter Haftung | Tiefflugverfahren zur automatischen Kursfindung |
CN101339036A (zh) * | 2008-08-20 | 2009-01-07 | 北京航空航天大学 | 地形辅助导航方法和设备 |
CN103743402A (zh) * | 2014-01-03 | 2014-04-23 | 东南大学 | 一种基于地形信息量的水下智能自适应地形匹配方法 |
CN103822634A (zh) * | 2014-02-24 | 2014-05-28 | 北京理工大学 | 一种基于改进的iccp算法的重力匹配辅助惯性导航方法 |
CN104075715A (zh) * | 2014-07-07 | 2014-10-01 | 东南大学 | 一种结合地形和环境特征的水下导航定位方法 |
US9104201B1 (en) * | 2012-02-13 | 2015-08-11 | C&P Technologies, Inc. | Method and apparatus for dynamic swarming of airborne drones for a reconfigurable array |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
CN106643714A (zh) * | 2017-03-15 | 2017-05-10 | 北京航空航天大学 | 一种自主实时机载地形辅助惯性导航方法和系统 |
US20180172821A1 (en) * | 2016-12-16 | 2018-06-21 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Millimeter-Wave Terrain Aided Navigation System |
CN109000656A (zh) * | 2018-06-15 | 2018-12-14 | 淮海工学院 | 基于空间聚类的水下地形匹配导航适配区选择方法 |
CN109165891A (zh) * | 2018-07-28 | 2019-01-08 | 国营芜湖机械厂 | 一种航空维修生产现场物料管理系统及其使用方法 |
CN110108284A (zh) * | 2019-05-24 | 2019-08-09 | 西南交通大学 | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 |
-
2019
- 2019-10-17 CN CN201910988280.4A patent/CN110617819B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0237714A1 (de) * | 1986-02-14 | 1987-09-23 | Messerschmitt-Bölkow-Blohm Gesellschaft mit beschränkter Haftung | Tiefflugverfahren zur automatischen Kursfindung |
CN101339036A (zh) * | 2008-08-20 | 2009-01-07 | 北京航空航天大学 | 地形辅助导航方法和设备 |
US9104201B1 (en) * | 2012-02-13 | 2015-08-11 | C&P Technologies, Inc. | Method and apparatus for dynamic swarming of airborne drones for a reconfigurable array |
CN103743402A (zh) * | 2014-01-03 | 2014-04-23 | 东南大学 | 一种基于地形信息量的水下智能自适应地形匹配方法 |
CN103822634A (zh) * | 2014-02-24 | 2014-05-28 | 北京理工大学 | 一种基于改进的iccp算法的重力匹配辅助惯性导航方法 |
US9146557B1 (en) * | 2014-04-23 | 2015-09-29 | King Fahd University Of Petroleum And Minerals | Adaptive control method for unmanned vehicle with slung load |
CN104075715A (zh) * | 2014-07-07 | 2014-10-01 | 东南大学 | 一种结合地形和环境特征的水下导航定位方法 |
CN106323293A (zh) * | 2016-10-14 | 2017-01-11 | 淮安信息职业技术学院 | 基于多目标搜索的两群多向机器人路径规划方法 |
US20180172821A1 (en) * | 2016-12-16 | 2018-06-21 | The Government Of The United States Of America, As Represented By The Secretary Of The Navy | Millimeter-Wave Terrain Aided Navigation System |
CN106643714A (zh) * | 2017-03-15 | 2017-05-10 | 北京航空航天大学 | 一种自主实时机载地形辅助惯性导航方法和系统 |
CN109000656A (zh) * | 2018-06-15 | 2018-12-14 | 淮海工学院 | 基于空间聚类的水下地形匹配导航适配区选择方法 |
CN109165891A (zh) * | 2018-07-28 | 2019-01-08 | 国营芜湖机械厂 | 一种航空维修生产现场物料管理系统及其使用方法 |
CN110108284A (zh) * | 2019-05-24 | 2019-08-09 | 西南交通大学 | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 |
Non-Patent Citations (3)
Title |
---|
ZEFANG HE; LONG ZHAO: "The Comparison of Four UAV Path Planning Algorithms Based on Geometry Search Algorithm", 《2017 9TH INTERNATIONAL CONFERENCE ON INTELLIGENT HUMAN-MACHINE SYSTEMS AND CYBERNETICS》 * |
张毅, 高永琪, 牛兴江: "基于蚁群优化算法的水下航路规划", 《鱼雷技术》 * |
赵丹等: "基于蚁群-粒子群融合算法的无人机三维航迹规划研究", 《吉林化工学院学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111252212A (zh) * | 2020-01-15 | 2020-06-09 | 大连海事大学 | 一种可航行救生器配合无人机对多落水人员的自动救助方法及系统 |
CN111252212B (zh) * | 2020-01-15 | 2022-03-22 | 大连海事大学 | 一种可航行救生器配合无人机对多落水人员的自动救助方法及系统 |
CN111896002A (zh) * | 2020-07-22 | 2020-11-06 | 北京航空航天大学 | 地形辅助导航匹配区在线规划与适配性分析方法及系统 |
CN111896002B (zh) * | 2020-07-22 | 2023-05-12 | 北京航空航天大学 | 地形辅助导航匹配区在线规划与适配性分析方法及系统 |
CN113252038A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 基于粒子群算法的航迹规划地形辅助导航方法 |
CN113252039A (zh) * | 2021-05-06 | 2021-08-13 | 西北工业大学 | 面向地形辅助导航的粒子群快速匹配方法 |
CN113252038B (zh) * | 2021-05-06 | 2022-10-28 | 西北工业大学 | 基于粒子群算法的航迹规划地形辅助导航方法 |
CN113532438A (zh) * | 2021-07-23 | 2021-10-22 | 东南大学 | 一种大初始定位误差下的改进iccp地形匹配方法 |
CN113532438B (zh) * | 2021-07-23 | 2023-12-05 | 东南大学 | 一种大初始定位误差下的改进iccp地形匹配方法 |
CN114812568A (zh) * | 2022-03-01 | 2022-07-29 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择方法 |
CN114812568B (zh) * | 2022-03-01 | 2024-05-28 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于规则评分的航迹匹配区选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110617819B (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110617819B (zh) | 一种基于蚁群算法路径规划的无人机地形辅助导航方法 | |
WO2018018994A1 (zh) | 室内定位方法及定位系统 | |
CN111024092B (zh) | 一种多约束条件下智能飞行器航迹快速规划方法 | |
Hunter et al. | The path inference filter: model-based low-latency map matching of probe vehicle data | |
Han et al. | An improved TERCOM-based algorithm for gravity-aided navigation | |
CN111176807A (zh) | 一种多星协同任务规划方法 | |
CN113916243B (zh) | 目标场景区域的车辆定位方法、装置、设备和存储介质 | |
CN113252038B (zh) | 基于粒子群算法的航迹规划地形辅助导航方法 | |
CN111256696B (zh) | 多特征多层次景象匹配的飞行器自主导航方法 | |
CN112432649A (zh) | 一种引入威胁因子的启发式无人机蜂群航迹规划方法 | |
CN110220510B (zh) | 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法 | |
CN113048981B (zh) | 一种面向dem的无道路区域路径规划算法的方法 | |
CN110346821A (zh) | 一种解决gps长时间失锁问题的sins/gps组合定姿定位方法及系统 | |
CN111895995B (zh) | 基于pso的飞行器编队多维地磁匹配导航方法及系统 | |
CN110322061B (zh) | 一种适用于载荷凝视成像的多目标观测轨迹智能感知方法 | |
CN111307143B (zh) | 基于地磁梯度辅助的多目标进化搜索的仿生导航算法 | |
CN115437386A (zh) | 一种基于空地信息融合的无人车路径规划方法 | |
CN113532438B (zh) | 一种大初始定位误差下的改进iccp地形匹配方法 | |
CN111121778A (zh) | 一种导航系统初始化方法 | |
CN114088098A (zh) | 一种用于极区水下航行器数据库辅助导航路径规划方法 | |
CN113325856B (zh) | 基于逆流逼近策略的uuv最优作业路径规划方法 | |
CN109307513A (zh) | 一种基于行车记录的实时道路匹配方法及系统 | |
CN110763234B (zh) | 一种水下机器人海底地形匹配导航路径规划方法 | |
CN116576868A (zh) | 一种多传感器融合精确定位及自主导航方法 | |
CN103438879A (zh) | 一种基于蚁群pf算法的原子自旋陀螺仪和磁强计紧组合定姿方法 |
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 |