CN110647162B - 一种导游无人机路径规划方法、终端设备及存储介质 - Google Patents
一种导游无人机路径规划方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN110647162B CN110647162B CN201910981113.7A CN201910981113A CN110647162B CN 110647162 B CN110647162 B CN 110647162B CN 201910981113 A CN201910981113 A CN 201910981113A CN 110647162 B CN110647162 B CN 110647162B
- Authority
- CN
- China
- Prior art keywords
- node
- unmanned aerial
- aerial vehicle
- grid
- tour guide
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000001154 acute effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 16
- 239000003016 pheromone Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000012937 correction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007858 starting material Substances 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
Description
技术领域
本发明涉及无人机技术领域,尤其涉及一种导游无人机路径规划的方法、终端设备及存储介质。
背景技术
智能导游是智能交通的一部分,具有广泛的应用前景,新型四旋翼导游无人机相对于人员导游具有导游效率高、交互性好,低成本等优点。路径规划是导游无人机实现智能导游的关键技术之一,它是在环境情况已知的情况下由初始位置到目标位置寻找一条最优或者近似最优的无碰撞路径。蚁群算法为常用的无人机路径规划方法,但传统的蚁群算法存在收敛速度较慢的问题。
发明内容
为了解决上述问题,本发明提出了一种导游无人机路径规划方法、终端设备及存储介质。
具体方案如下:
一种导游无人机路径规划方法,包括以下步骤:
S1:根据障碍物分布情况,采用栅格法对待规划区域建立二维环境模型;
S2:根据蚁群算法对导游无人机的轨迹进行规划,设定蚁群算法的从节点i转移至节点j的节点转移概率Pij为:
其中,τij表示信息素浓度,ηij表示启发信息,α表示信息素浓度的启发因子和β表示启发信息的启发因子,v表示节点,V表示所有能够转移的节点的集合;
启发信息ηij的计算公式为:
进一步的,设定二维环境模型中障碍物所在的栅格设为障碍物栅格,将道路所在的栅格设为道路栅格,设定道路栅格为能够转移的节点。
进一步的,设定当前节点为A(x1,y1),下一节点为B(x2,y2),目标节点为C(x3,y3),则有:
一种导游无人机路径规划终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,将蚁群算法与人工纠正算法相结合,用于解决导游无人机在智能导游中的出现收敛速度缓慢的问题,引入模糊算法算子作为蚂蚁搜索路径点的部分启发信息,使结合后的算法具有较高的全局搜索能力和纠偏能力,避免了传统蚁群算法由于启发信息误导而导致的局部最优问题,同时提高了算法收敛速度。
附图说明
图1所示为本发明实施例一中的二维环境模型。
图2所示为该实施例的二维环境模型中的夹角示意图。
图4所示为采用传统蚁群算法的最小路径随迭代次数增加变化图。
图5所示为采用传统蚁群算法的无人机的飞行轨迹图。
图6所示为采用本实施例中的改进蚁群算法的最小路径随迭代次数增加变化图。
图7所示为采用本实施例中的改进蚁群算法的无人机的飞行轨迹图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种导游无人机路径规划方法,包括以下步骤:
S1:根据障碍物分布情况,采用栅格法对待规划区域建立二维环境模型,将模型中障碍物所在的栅格设为障碍物栅格,将道路所在的栅格设为道路栅格。
导游无人机路径规划,首先必须对无人机导游路径运行环境进行模型建立,该实施例中采用栅格地图对无人机的空间进行环境建模。通过将导游地图信息进行栅格划分,确定栅格大小及数目,将道路信息栅格化,并进行地图栅格标识,其路径规划地图模型如图1所示。在图1中,N,100,101,200,…,430等白色栅格为栅格节点,5号楼、7号楼等灰色栅格为环境中的建筑物(即障碍物),导游无人机在地图中飞行时可根据该二维环境模型在道路栅格中进行飞行,无人机可以在二维环境模型中表示为一个质点。
该实施例中设定二维环境模型的编码规则为当栅格节点编码个位为0时,则表示该节点为路口节点,而非0则表示该节点为建筑物节点。如在图1中,100、110均为路口节点,而101、111等均为建筑物节点。
首先通过将道路与建筑进行栅格化,将建筑物的门口与道路栅格节点进行关联。进而将到达建筑物的问题归结为道路选择问题。如在图1中,13号楼只有一个朝北的门,因此将其与道路栅格节点331进行关联;而1号楼具有一个朝南和一个朝北的门,其分别于栅格节点101和111关联。
S2:根据蚁群算法对导游无人机的轨迹进行规划。
蚁群算法是受真实蚂蚁觅食行为的启发,利用一群人工蚂蚁模拟真实蚂蚁的觅食行为求解问题。蚁群算法是一种迭代算法,一群蚂蚁同步或异步地在问题的相邻状态之间移动,它们利用关联在每个状态中的信息熵和启发信息,采用状态转移规则选择移动方向,并逐步构造出问题的可行解。
(1)蚁群算法中的状态转移规则
在初始时刻,蚂蚁随机选取一个结点,然后蚂蚁从一个结点移动到另一个结点,直到到达目的地。设第k只蚂蚁当前所在的结点为i,则从该结点i移到结点j的概率Pij为:
其中,τij表示信息素浓度,即蚂蚁每次经过时留下的痕迹,ηij表示启发信息,α表示信息素浓度的启发因子和β表示启发信息的启发因子,v表示节点,V表示所有能够转移的节点的集合,即所有的道路栅格。α值越大,表明蚂蚁倾向于选择多数蚂蚁走过的路径;β值越大,表明蚂蚁更倾向于选择距离终点近的位置。
由于该实施例中主要为解决导游无人机的路径规划问题,为了避免无人机导游均在景区边缘进行导游,引入目的地夹角来进行路径规划优化,因此,设定启发信息ηij的计算过程为:
通过手持终端对Google离线地图进行载入,通过栅格位置处所对应的地图信息来得到每个节点对应的坐标信息。
设定节点i与节点j两个节点的坐标分别为i(x1,y1),j(x2,y2),则两个节点之间的距离L为:
计算节点i与节点j两个节点之间的夹角θ和如图2所示,其中,夹角θ为两个节点之间的连线与x方向所呈的锐角,夹角为两个节点之间的连线与y方向所呈的锐角,x和y方向对应于二维环境模型的x方向和y方向。计算公式如下:
其中,函数abs表示绝对值函数。
其中,b>1。
因此,构造的整体的启发信息ηij为:
将L的计算公式代入可得:
进一步的,为了确保路径的可行性,在路径选择过程中,只能朝着目标节点的方向移动,不能朝着路径的反方向移动,因此,在每个路口的方向选择上,只有两个方向可供选择,另外两个方向为非法路径。如从100节点到13号楼的一条可行导航路径为:100→110→120→130→131→230→231→232→330→331。因此,该实施例中设定当前节点为A(x1,y1),下一节点为B(x2,y2),目标节点为C(x3,y3),则有:
(2)蚁群算法中的信息素更新规则
其中,m为蚂蚁数。
其中,Q为信息素常数,Lk为本次循环中所走的路径长度。
仿真结果
(1)传统蚁群算法的Matlab仿真及结果分析
为了验证该实施例中所采取建模方法的正确性,在MATLAB仿真软件上采用传统蚁群算法进行仿真实验,仿真环境为36×36的区域,设置起始点坐标为(0,36),终点为(36,0)。其结果如图4和图5所示。
在图4中可以看出,随着迭代次数的增加,无人机飞行距离发生反复,并最终趋向收敛。在迭代次数为80时,系统趋向稳定。如图5所示,无人机的飞行路径经过地图上的几个位置,与最短路径一致。
(2)该实施例中的改进蚁群算法的Matlab仿真及结果分析
为了验证该实施例中所采取建模方法和路径规划的合理性和实用性,进行了该实施例中的改进蚁群算法的MATLAB仿真,并对地面站进行了路径规划实验,针对实验环境,将参数b设为2,然后进行仿真实验。实验时间设为5分钟,10分钟和15分钟。实验结果如图6和图7所示。
图7显示了无人机飞行路径图。由图6可以看出,导航无人机地面站可以通过开放式图形库(Open Graphics Library,OpenGL)快速、准确地规划出一条最优路径,并将路径图绘制到离线地图上,在地图上正确地划出起点和终点。无人机的飞行轨迹在地图上经过多个位置,与预先设定的最优引导轨迹一致。它优化了比图5所示路径更好的引导路径。仿真结果达到了预期的效果。
本发明实施例一将蚁群算法与人工纠正算法相结合,用于解决导游无人机在智能导游中的出现收敛速度缓慢的问题,引入模糊算法算子作为蚂蚁搜索路径点的部分启发信息,使结合后的算法具有较高的全局搜索能力和纠偏能力,避免了传统蚁群算法由于启发信息误导而导致的局部最优问题,同时提高了算法收敛速度。
实施例二:
本发明还提供一种导游无人机路径规划终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述导游无人机路径规划终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述导游无人机路径规划终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述导游无人机路径规划终端设备的组成结构仅仅是导游无人机路径规划终端设备的示例,并不构成对导游无人机路径规划终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述导游无人机路径规划终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述导游无人机路径规划终端设备的控制中心,利用各种接口和线路连接整个导游无人机路径规划终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述导游无人机路径规划终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述导游无人机路径规划终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (5)
2.根据权利要求1所述的导游无人机路径规划方法,其特征在于:设定二维环境模型中障碍物所在的栅格设为障碍物栅格,将道路所在的栅格设为道路栅格,设定道路栅格为能够转移的节点。
4.一种导游无人机路径规划终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~3中任一所述方法的步骤。
5.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~3中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981113.7A CN110647162B (zh) | 2019-10-16 | 2019-10-16 | 一种导游无人机路径规划方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910981113.7A CN110647162B (zh) | 2019-10-16 | 2019-10-16 | 一种导游无人机路径规划方法、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647162A CN110647162A (zh) | 2020-01-03 |
CN110647162B true CN110647162B (zh) | 2022-10-14 |
Family
ID=69012929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910981113.7A Active CN110647162B (zh) | 2019-10-16 | 2019-10-16 | 一种导游无人机路径规划方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647162B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463899B (zh) * | 2020-10-29 | 2024-03-22 | 北京红山信息科技研究院有限公司 | 一种车辆轨迹点纠偏方法、系统、服务器和存储介质 |
CN112506229B (zh) * | 2021-02-05 | 2021-04-30 | 四川睿谷联创网络科技有限公司 | 一种旅游观光飞行器的飞行预设路径生成方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2505715A (en) * | 2012-09-11 | 2014-03-12 | Thales Holdings Uk Plc | Sensor path optimisation method and system |
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN109978286A (zh) * | 2019-05-07 | 2019-07-05 | 中国民用航空飞行学院 | 一种基于改进蚁群算法的多航空器绕飞雷暴航路规划方法 |
CN109974708A (zh) * | 2019-04-09 | 2019-07-05 | 集美大学 | 一种无人船航迹规划方法、终端设备及存储介质 |
CN110196061A (zh) * | 2019-05-29 | 2019-09-03 | 华北理工大学 | 基于改进蚁群算法的移动机器人全局路径规划方法 |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
-
2019
- 2019-10-16 CN CN201910981113.7A patent/CN110647162B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2505715A (en) * | 2012-09-11 | 2014-03-12 | Thales Holdings Uk Plc | Sensor path optimisation method and system |
WO2017215044A1 (zh) * | 2016-06-14 | 2017-12-21 | 广东技术师范学院 | 一种移动机器人的自动规划路径方法及移动机器人 |
CN109974708A (zh) * | 2019-04-09 | 2019-07-05 | 集美大学 | 一种无人船航迹规划方法、终端设备及存储介质 |
CN109978286A (zh) * | 2019-05-07 | 2019-07-05 | 中国民用航空飞行学院 | 一种基于改进蚁群算法的多航空器绕飞雷暴航路规划方法 |
CN110196061A (zh) * | 2019-05-29 | 2019-09-03 | 华北理工大学 | 基于改进蚁群算法的移动机器人全局路径规划方法 |
CN110244733A (zh) * | 2019-06-20 | 2019-09-17 | 西南交通大学 | 一种基于改进蚁群算法的移动机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
关于移动机器人路径最优规划研究;江杰等;《计算机仿真》;20160915(第09期);第329-334页 * |
采用新型蚁群算法的UAV动态航迹规划;李皓婧;《电子器件》;20170220(第01期);第130-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110647162A (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Edison et al. | Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms | |
CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
He et al. | The comparison of four UAV path planning algorithms based on geometry search algorithm | |
Dereniowski et al. | Fast collaborative graph exploration | |
US10753755B2 (en) | Method, computer program and system for controlling a movement of a moving agent within a networked environment | |
CN110647162B (zh) | 一种导游无人机路径规划方法、终端设备及存储介质 | |
CN112947591A (zh) | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 | |
CN114740846A (zh) | 面向拓扑-栅格-度量混合地图的分层路径规划方法 | |
CN115047907B (zh) | 一种基于多智能体ppo算法的空中同构编队指挥方法 | |
Gu et al. | DM-DQN: Dueling Munchausen deep Q network for robot path planning | |
Zong et al. | Trajectory planning in 3D dynamic environment with non-cooperative agents via fast marching and Bézier curve | |
Shihab et al. | Improved Artificial Bee Colony Algorithm-based Path Planning of Unmanned Aerial Vehicle Using Late Acceptance Hill Climbing. | |
Gu et al. | Robot path planning of improved adaptive Ant Colony System Algorithm based on Dijkstra | |
CN112506216A (zh) | 一种无人机的飞行路径规划方法及装置 | |
Zu et al. | Research on UAV path planning method based on improved HPO algorithm in multi-task environment | |
CN113625770B (zh) | 基于飞行无人机对光伏电站进行巡检的自主导航规划方法及装置 | |
CN112631338B (zh) | 一种航线规划方法、装置、计算机设备及存储介质 | |
Zhang et al. | Research on aircraft route planning optimization problem with multi-constraints and dual-targets | |
CN114625167A (zh) | 基于启发式Q-learning算法的无人机协同搜索方法及系统 | |
Lin et al. | Connectivity guaranteed multi-robot navigation via deep reinforcement learning | |
CN114330807A (zh) | 路线的确定方法、装置和电子设备 | |
Lu et al. | A real‐time decoupling trajectory planning method for on‐road autonomous driving | |
Adolf et al. | Probabilistic roadmaps and ant colony optimization for UAV mission planning | |
Xiao et al. | MACNS: A generic graph neural network integrated deep reinforcement learning based multi-agent collaborative navigation system for dynamic trajectory planning |
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 |