CN110986957A - 一种无人飞行器三维航迹规划方法及装置 - Google Patents
一种无人飞行器三维航迹规划方法及装置 Download PDFInfo
- Publication number
- CN110986957A CN110986957A CN201911343472.6A CN201911343472A CN110986957A CN 110986957 A CN110986957 A CN 110986957A CN 201911343472 A CN201911343472 A CN 201911343472A CN 110986957 A CN110986957 A CN 110986957A
- Authority
- CN
- China
- Prior art keywords
- type
- track
- film
- basic
- membrane
- 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 64
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 210000002390 cell membrane structure Anatomy 0.000 claims abstract description 14
- 210000000170 cell membrane Anatomy 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 239000012528 membrane Substances 0.000 claims description 102
- 238000004422 calculation algorithm Methods 0.000 claims description 85
- 241000256844 Apis mellifera Species 0.000 claims description 43
- 241000254158 Lampyridae Species 0.000 claims description 38
- 230000005540 biological transmission Effects 0.000 claims description 28
- 239000002344 surface layer Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 13
- 235000012907 honey Nutrition 0.000 claims description 12
- 239000000295 fuel oil Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000000704 physical effect Effects 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 7
- 230000031700 light absorption Effects 0.000 claims description 6
- 210000004027 cell Anatomy 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 239000010410 layer Substances 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000007123 defense Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G05D1/0005—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with arrangements to save energy
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (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)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Navigation (AREA)
Abstract
本发明提供一种无人机三维航迹规划方法,包括构建三维地形环境模型、航迹评价模型和航迹寻优约束模型;构建细胞膜结构;航迹搜索空间离散缩减和参数初始化设置;最优航迹点搜索;航迹平滑处理;本发明方法结合了FA的全局搜索能力和ABC的局部搜索能力,增强了整体搜索性能,使用本发明方法构造的三维航迹其搜索概率和实时性显著提高;同时本发明还提供一种无人机三维航迹规划装置,包括细胞膜单元、电源单元、时钟单元、EEPROM及SRAM。
Description
技术领域
本发明属于飞行器航迹规划技术领域,具体涉及无人机三维航迹规划方法及航迹规划装置。
背景技术
无人机(UAV,Unmanned Aerial Vehicle)技术快速发展及其应用优势,使UAV系统在军/民领域得到广泛应用。在UAV系统众多关键技术当中,航迹规划的作用是在起始点和目标点之间搜寻一条既满足无人机自身物理性质,同时又避免外界环境威胁的可行航迹。尤其在军用领域中,高效的优化航迹可以影响UAV的生存和任务执行的效能。
王琼在文献《“无人机航迹规划常用算法综述”、吉林大学学报、2019、Vol-37(1)、58-67》中指出:UAV的航迹规划可以分为传统方法和智能搜索算法,传统方法包括Dijkstra算法、人工势场法、模拟退火算法等;另外,科学家因模拟自然界一些生物的觅食等群体行为,相应提出了基于群体行为的搜索算法,统称为智能优化算法。
智能优化算法在解决非确定性多项式问题时表现出效率高的优势,因此将航迹规划转化为智能优化算法能解决的最优值搜索问题,得到了较好规划效果。智能优化算法主要有遗传算法、粒子群算法和蚁群算法等群体智能算法。唐必伟在文献《“基于改进蚁群算法的无人飞行器二维航迹规划”、西北工业大学学报、2013、Vol-31(5)、683-688》中将航迹规划转化成约束限制下的优化问题,将蚁群算法应用到UAV的二维航迹规划中;孙小雷在文献《“无人机任务分配与航迹规划协同控制方法”、系统工程与电子技术、2015、Vol-37(12)、2772-2776》中将改进的粒子群算法应用到UAV任务分配与航迹规划中,取得了较好的规划效果;赵明在文献《“一种三维多UAV协同航迹规划的空间模糊文化算法”、哈尔滨工业大学学报、2015、Vol-47(10)、29-34》中提出了一种基于空间模糊表示和差分进化相结合的UAV三维空间航迹规划方法;刘琼昕在文献《“基于引导点的无人机三维航迹规划方法”、北京理工大学学报、2014、Vol-34(11)、1163-1168》中利用遗传算法规划航迹最优或次优点集,再应用SAS算法求出可行航迹,从而生成UAV三维航迹。智能优化算法在解决航迹规划问题时取得了较好的效果,但粒子群、遗传、蚁群和蜂群等算法早熟收敛的问题,无法同时兼顾搜索局部最优值和探索全局最优值间的平衡,使航迹规划容易陷入局部最优解而难于得到全局最优路径。另外,将智能优化算法应用于三维航迹搜索,因其增加高度信息,搜索维数变大、搜索数据量明显高于二维航迹搜索,其实时性相应变差。
由此可见,上述智能优化方法针对UAV三维航迹规划显然存在不足,不适用于实时性较强UAV航迹规划,研究新的运算实时性强的三维航迹规划方法成为发展UAV应用的关键技术之一。
膜系统是从细胞结构和功能中,以及从组织器官等高级结构中建立计算模型,分析其计算能力与效率。高洪元在文献《“膜量子蜂群优化的多目标频谱分配”、物理学报、2014、Vol-63(12)、128802(1)-128802(10)》中指出:膜系统具有分布式、并行性和不确定性的特点,其模型通常具有图灵机的通用性和计算有效性,并提出了一种基于膜结构的量子蜂群算法,并将其应用到多目标频谱分配问题中。
发明内容
为了克服现有技术的不足,本发明利用膜系统并行性和膜内信息交互的优势,结合不同智能优化算法的搜索优势,以萤火虫算法(Firefly Algorithm,FA)和蜂群算法(Artificial Bee Colony Algorithm,ABC)作为膜内优化规则,设计了一种基于细胞膜结构的UAV混合智能(Hybrid Intelligence Algorithm Based on Membrane Structure,HIABOMS)三维航迹规划方法,包括:
步骤A:构建三维地形环境模型、航迹评价模型和航迹寻优约束模型;
步骤B:构建细胞膜结构;
步骤C:航迹搜索空间离散缩减和参数初始化设置;
步骤D:最优航迹点搜索;
步骤E:航迹平滑处理。
进一步的,
步骤A中通过函数模拟建立UAV三维地形环境模型;根据UAV飞行过程中地形因素和威胁因素建立航迹评价模型;根据UAV自身物理性质建立航迹寻优约束模型;
步骤B采用DSP芯片和FPGA芯片构建由表层膜、中间膜和基本膜组成的三层细胞膜结构;
步骤C中对三维航迹搜索空间进行坐标转换和离散化缩减处理;对三维地形环境模型参数进行初始化设置;对航迹评价模型参数进行初始化设置;对航迹寻优约束模型参数进行初始化设置;对基本膜内寻优算法参数进行初始化设置;
步骤D采用基于细胞膜结构的混合智能算法对最优航迹点进行搜索;
步骤E采用内切圆对搜索出的最优航迹点进行平滑处理。
进一步的,
步骤A包括:
步骤A1:建立三维地形环境模型;
步骤A2:建立航迹优化模型;
步骤A3:根据UAV自身物理性质建立航迹寻优约束模型;
步骤B包括:
步骤B1:采用DSP芯片构建I型、II型两种基本膜;
步骤B2:采用FPGA芯片构建I型、II型两种中间膜;
步骤B3:采用FPGA芯片构建表层膜;
步骤C包括:
步骤C1:航迹搜索空间坐标转换和离散缩减处理;
步骤C2:对三维地形环境模型、航迹评价模型、航迹寻优约束模型参数进行初始化设置;
步骤C3:对基本膜内算法参数进行初始化设置;
步骤D包括:
步骤D1:生成位置坐标初始值;
步骤D2:利用萤火虫算法与I型基本膜进行最优航迹搜索,同时利用蜂群算法与II型基本膜进行最优航迹搜索;
步骤D3:基本膜进行膜内信息交流,每个基本膜将本次迭代得到的2组最优航迹坐标点传送给其他同类型基本膜;同时每个基本膜将搜索到的最优航迹坐标点传送到中间膜中;
步骤D4:两中间膜对基本膜传送的航迹点解进行适应度值计算,并将自身得到的最优航迹点解和最差航迹点解传送给对方;中间膜在接收到航迹点解后,将其发送给每个基本膜;同时中间膜将最优航迹点传送给表层膜;
步骤D5:判断算法是否达到膜系统的最大跌代次数,如达到最大迭代次数则表层膜选取出最优航迹点解,并作为搜索的最优航迹点解;如未达到最大迭代次数,则转至步骤D2;
步骤E包括:
步骤E1:求出航迹点所形成航迹路径的相邻路段夹角值;
步骤E2:作出相邻路段夹角的角度平分线FE;
步骤E3:在角度平分线上找出一点,使得该点到两相邻路径段的垂直距离为UAV的最小转弯半径;
步骤E4:以步骤E3找出点为圆心,以UAV的最小转弯半径作圆,则在圆上连接两相邻路径段的最短圆弧为平滑后的UAV路径。
进一步的,
步骤A1中地形环境模型定义为:
式中:x、y为三维地形中水平面点坐标;z为地形高度;N为地形中山峰个数;h为山体轮廓;xni、yni为第i个山峰坐标;xgi、ygi为第i个山峰的山体轮廓参数;a、b、c、d、e、f、g为常系数;
步骤A2在步骤A1所建新坐标系下,雷达的威胁代价JR为:
式中:LRT为航迹中穿越雷达威胁区域的总长度;n为探测雷达的个数;dRi为第i个雷达探测区域的直径;
燃油代价JC为:
式中:Lst为起始点到目标点的直线距离;Ltotal为UAV优化航迹的总长度;
总的性能代价函数JT为:
JT=k1JR+k2JC (4)
式中:k为雷达威胁代价与航迹燃油代价的权衡系数,且k1、k2满足k1+k2=1;
步骤A3中最大航程约束:最大飞行距离为Lmax,飞行距离L必须满足:L≤Lmax;
飞行高度约束:UAV飞行高度hxy必须满足以下约束条件:φzxy hxy Hmax;
式中:φ为高度增加系数,φ>1;zxy为坐标(x,y)处的地形高度;hxy为UAV的飞行高度;Hmax为最大飞行高度;
步骤B1中I型基本膜(11)、I型基本膜(12)和I型基本膜(13)均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线(31)进行两两间的数据传送;
II型基本膜(14)、II型基本膜(15)和II型基本膜(16)均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线(32)进行两两间的数据传送;
步骤B2中I型中间膜(21)由FPGA芯片构成,并通过I型总线(31)与I型基本膜进行连接并进行数据交换;
II型中间膜(22)由FPGA芯片构成,并通过II型总线(32)与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线(41)进行连接并进行数据交换;
步骤B3中表层膜(23)由FPGA芯片构成,表层膜(23)通过I型中间膜总线(42)与I型中间膜连接并进行数据交换,通过II型中间膜总线(43)与II型中间膜连接并进行数据交换,表层膜通过输入传输线(1)输入,通过输出传输线(2)输出;
步骤C1中以起始点和目标点的连接直线作为新参考坐标系下的横坐标,并对该直线均分选取D个点作为搜索航迹点的横坐标值,当航迹点搜索完成后,再将新坐标系下的航迹点转换为原坐标系下的点,转换公式表示为:
式中:θ为原坐标系下起始点与目标点连线和X轴所成夹角,θ=arcsin((yt-ys)/|st|);(xnew,ynew)为搜索坐标值;(xs,ys)为原坐标系下起始点的坐标值;st为起始点与目标点间的直线;
在以直线st为X轴的新坐标系下,将直线st均分为D等分,并在D个平面上搜索航迹点组合,对D个平面中的每个平面做离散化网格处理;
步骤C2中三维地形环境模型、航迹评价模型、航迹寻优约束模型参数包括:地形中山峰个数N;常系数a、b、c、d、e、f、g;雷达威胁代价与航迹燃油代价的权衡系数k1、k2;最大飞行距离Lmax、高度增加系数φ、最大飞行高度Hmax、飞行时最大偏航角αmax、最大俯仰角βmax;
步骤C3中基本膜内算法参数包括:算法的最大迭代次数IMax、误差阈值EGoal、优化参数尺度Dparameter、迭代控制数ILimit、优化参数下限Rlow、优化参数上限Rup;蜂群算法的种群规模nABC;萤火虫算法种群规模nFA、步长因子α、吸引度值β、光亮吸收系数γ;
步骤D1中利用下式生成萤火虫算法的搜索航迹点初始值x;
x=xmin+λck(1-ck)(xmax-xmin) (6)
利用下式生成蜂群算法的搜索航迹点初始值ox;
ox=xmin+xmax-x (7)
步骤D2使用萤火虫算法构建I型基本膜,根据公式(4)计算萤火虫位置的适应度值,其中每个萤火虫位置分别代表一组可行的航迹点解;
根据下式计算萤火虫间的吸引力βij;
式中:β0为最大吸引度;rij为第i个萤火虫位置与第j个萤火虫位置间的欧式距离;
根据下式,搜索萤火虫新的位置;
xi=xi+βij×(xj-xi)+α×(rand-1/2) (9)
式中:xi、xj为萤火虫i和j在空间中所处位置,既代表优化航迹的可行解;α∈[0,1]为步长因子;rand为[0,1]均匀分布的随机数;
I型基本膜内萤火虫算法迭代10次后进行步骤D3;
使用蜂群算法构建II型基本膜的步骤为:
根据公式(4)计算蜂群位置的适应度值,其中每个蜜蜂所在位置表示一组可行的航迹点解;
采蜜蜂根据下式搜索新的航迹点解;
xi=xi+φ×(xi,m-xi,j) (10)
采蜜蜂在产生新的可行解后,跟随蜂通过随机概率选择法选择蜜源,概率公式表示为:
跟随蜂选择蜜源后,跟随蜂根据位置更新公式(10)在所选蜜源附近搜索新的可行解;
如果经过一定次数循环后没有找到新的更优可行解,即适应度值更优的航迹点解,则采蜜蜂将变为侦查蜂,并用随机搜索公式搜索新的蜜源,随机搜索公式表示为:
xi=xmin+rand(0,1)×(xmax-xmin) (12)
式中:xmin、xmax为搜索空间的上下界;
II型基本膜内蜂群算法迭代10次后进行步骤D3。
进一步的,
步骤C2中地形中山峰个数N=5;常系数a=10、b=0.2、c=0.1、d=0.6、e=0.1、f=0.1、g=0.1;雷达威胁代价与航迹燃油代价的权衡系数k1=0.6、k2=0.4;最大飞行距离Lmax=100km、高度增加系数φ=1.5、最大飞行高度Hmax=10km、飞行时最大偏航角amax=50°、最大俯仰角βmax=30°;
步骤C3中最大迭代次数IMax=500、误差阈值EGoal=5、优化参数尺度Dparameter=70、迭代控制数ILimit=20、优化参数下限Rlow=0、优化参数上限Rup=100;种群规模nFA=10、步长因子α=0.25、吸引度值β=0.2、光亮吸收系数γ=1。
本发明还提供一种无人机三维航迹规划装置,包括细胞膜单元、电源单元、时钟单元、EEPROM单元及SRAM单元组成,其特征在于:细胞膜单元分别连接电源单元、时钟单元、EEPROM单元及SRAM单元,细胞膜单元包括3个I型基本膜、3个II型基本膜、I型中间膜、II型中间膜和表层膜;I型基本膜(11)、I型基本膜(12)和I型基本膜(13)均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线(31)进行两两间的数据传送;
II型基本膜(14)、II型基本膜(15)和II型基本膜(16)均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线(32)进行两两间的数据传送;
I型中间膜(21)由FPGA芯片构成,并通过I型总线(31)与I型基本膜进行连接并进行数据交换;
II型中间膜(22)由FPGA芯片构成,并通过II型总线(32)与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线(41)进行连接并进行数据交换;
表层膜(23)由FPGA芯片构成,表层膜(23)通过I型中间膜总线(42)与I型中间膜连接并进行数据交换,通过II型中间膜总线(43)与II型中间膜连接并进行数据交换,表层膜通过输入传输线(1)输入,通过输出传输线(2)输出;
电源单元由3.3V电源模块(51)、1.2V电源模块(52)、2.5V电源模块(53)构成,电源单元向其他单元提供3.3V、1.2V和2.5V电压;
时钟单元(61)为FPGA芯片提供时钟信号;
EEPROM单元(62)存储地形图数据;
SRAM单元(63)存储航迹优化过程中所生成的数据。
进一步的,
DSP芯片型号为TMS320C6713,FPGA芯片型号为EP4CE22F17。
本发明方法结合了FA的全局搜索能力和ABC的局部搜索能力,增强了整体搜索性能,使用本发明方法构造的三维最优航迹其搜索概率和实时性显著提高。
下面结合附图和实施例对本发明作详细说明。
附图说明
图1为细胞膜结构原理图;
图2为本发明方法流程图;
图3为本发明方法中构建的细胞膜结构图;
图4为本发明方法中航迹搜索空间坐标转换示意图;
图5为本发明方法中航迹搜索空间离散缩减处理示意图;
图6为本发明方法中航迹平滑处理示意图;
图7为本发明装置中膜结构硬件实现原理图;
图8为验证本发明方法所需的三维地形图;
图9为本发明方法规划的航迹三维效果图;
图10为本发明方法规划的航迹二维高程效果图;
图11为本发明方法与FA、ABC方法500次算法迭代曲线对比图。
附图标记说明:
1、输入传输线;2、输出传输线;11、I型基本膜;12、I型基本膜;13、I型基本膜;14、II型基本膜;15、II型基本膜;16、II型基本膜;21、I型中间膜;22、II型中间膜;23、表层膜;31、I型总线;32、II型总线;41、中间膜总线;42、I型中间膜总线;43、II型中间膜总线;51、3.3V电源模块;52、1.2V电源模块;53、2.5V电源模块;61、时钟单元;62、EEPROM单元;63、SRAM单元。
具体实施方式
为了更好说明本发明的目的和优点。下面结合附图和具体实施例对本发明提供的技术方案进行详细说明,应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
图1为本发明中细胞膜结构原理图,其中椭圆形为基本膜,在本发明航迹规划方法中基本膜表示航迹规划算法单元,每个基本膜表示运行一个完整独立的航迹搜索算法程序;其中I型基本膜共有三个,也可设置多个基本膜,基本膜数量越多搜索寻优效果越好,但硬件资源相应增加,每个I型基本膜采用FA算法;II型基本膜共有三个,每个II型基本膜采用ABC算法,航迹搜索时两种算法并行对最优航迹进行搜索;基本膜也可以设置为类型Ⅲ、类型Ⅳ,扩展为通用模板;两两相同类型基本膜间可以通过膜间介质进行物质交流,因此航迹搜索时两两相同类型基本膜间可进行最优值和最差值的交换;同时,每个基本膜会将自身最优值传送给中间膜。中间膜主要用于存储基本膜所传送的航迹信息,并筛选出最优值传送给表层膜;表层膜主要用于接收中间膜传送的航迹信息,并筛选出最优航迹作为最终航迹搜索结果。
本发明在现有技术和需要解决的关键技术问题基础上,提出一种基于细胞膜结构的UAV混合智能三维航迹规划方法,其航迹规划方法步骤如图2所示,包括:
步骤A:构建三维地形环境模型、航迹评价模型和航迹寻优约束模型。通过函数模拟建立UAV三维地形环境模型;根据UAV飞行过程中地形因素和威胁因素建立航迹评价模型;根据UAV自身物理性质建立航迹寻优约束模型。
步骤B:构建细胞膜结构。采用DSP芯片TMS320C6713和FPGA芯片EP4CE22F17构建由表层膜、中间膜和基本膜组成的三层细胞膜结构。
步骤C:航迹搜索空间离散缩减和参数初始化设置。对三维航迹搜索空间进行坐标转换和离散化缩减处理;对三维地形环境模型参数进行初始化设置;对航迹评价模型参数进行初始化设置;对航迹寻优约束模型参数进行初始化设置;对基本膜内寻优算法参数进行初始化设置。
步骤D:最优航迹点搜索。采用基于细胞膜结构的混合智能算法对最优航迹点进行搜索。
步骤E:航迹平滑处理。采用内切圆对搜索出的最优航迹点进行平滑处理。
其中,步骤A实现构建三维地形环境模型、航迹评价模型和航迹寻优约束模型。具体实施过程如下:
步骤A1:建立三维地形环境模型。对UAV航迹进行规划前,建立与真实环境近似的数学模型。
地形环境模型定义为:
式中:x、y为三维地形中水平面点坐标;z为地形高度;N为地形中山峰个数;h为山体轮廓;xni、yni为第i个山峰坐标;xgi、ygi为第i个山峰的山体轮廓参数;a、b、c、d、e、f、g为常系数。
步骤A2:建立航迹优化模型。UAV飞行在满足地形地貌的限制时,穿越敌方防空区域时应尽量躲避敌防空武器探测雷达的照射范围,以降低被发现的概率;因UAV自身所携带动力燃料的限制,飞行时应以燃料消耗最小的航迹作为最优航迹。因此,将雷达威胁代价和燃油代价作为评判航迹优劣的主要性能指标。在步骤A1所建新坐标系下,已知敌防空探测雷达设置地点和雷达探测半径,则雷达的威胁代价JR可表示为:
式中:LRT为航迹中穿越雷达威胁区域的总长度;n为探测雷达的个数;dRi为第i个雷达探测区域的直径。
由于燃油代价与UAV航程成正比,在空间中最短航程应为起始点到目标点间的直线距离,因此优化航迹中各路径点和起始点间距离总长度与最短航程越接近,则路径最短、燃油代价最小。
则燃油代价JC可定义为:
式中:Lst为起始点到目标点的直线距离;Ltotal为UAV优化航迹的总长度。
总的性能代价函数JT表示为:
JT=k1JR+k2JC (4)
式中:k为雷达威胁代价与航迹燃油代价的权衡系数,且k1、k2满足k1+k2=1。
步骤A3:根据UAV自身物理性质建立航迹寻优约束模型。由于无人机自身的物理性质,因此在飞行过程中应满足一定的约束条件。最大航程约束:无人机在飞行过程中,其燃油装载量有限,相应的飞行距离受到限制,最大飞行距离为Lmax,则飞行距离L必须满足:L≤Lmax。
最大飞行角度约束:受自身机动能力的影响,无人机必须考虑飞行时最大偏航角αmax和最大俯仰角βmax的限制。如果相邻两航迹的坐标分别为(xi,yi,zi)和(xi+1,yi+1,zi+1),则必须满足:且
飞行高度约束:UAV在飞行过程中必须满足一定的飞行高度要求,其飞行高度必须高出地面一定距离,若飞行过低会与地面发生碰撞。同时若飞行高度过高,其隐蔽性相应会变差。因此,UAV飞行高度hxy必须满足以下约束条件:φzxy hxy Hmax。
式中:φ为高度增加系数,φ>1;zxy为坐标(x,y)处的地形高度;hxy为UAV的飞行高度;Hmax为最大飞行高度。
步骤B实现构建细胞膜结构。具体实施过程如下:
步骤B1:采用DSP芯片构建I型、II型两种基本膜,如图3所示。I型基本膜11、I型基本膜12和I型基本膜13均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线31进行两两间的数据传送;
II型基本膜14、II型基本膜15和II型基本膜16均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线32进行两两间的数据传送;
步骤B2:采用FPGA芯片构建I型、II型两种中间膜。I型中间膜21由FPGA芯片构成,并通过I型总线31与I型基本膜进行连接并进行数据交换;
II型中间膜22由FPGA芯片构成,并通过II型总线32与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线41进行连接并进行数据交换;
步骤B3:采用FPGA芯片构建表层膜。表层膜23由FPGA芯片构成,表层膜23通过I型中间膜总线42与I型中间膜连接并进行数据交换,通过II型中间膜总线43与II型中间膜连接并进行数据交换,表层膜通过输入传输线1输入,通过输出传输线2输出。
步骤C实现航迹搜索空间离散缩减和参数初始化设置。具体实施过程如下:
步骤C1:航迹搜索空间坐标转换和离散缩减处理。以起始点和目标点的连接直线作为新参考坐标系下的横坐标,并对该直线均分选取D个点作为搜索航迹点的横坐标值;而对于航迹点纵坐标和高度的选取,实际转化为在过D个点与连接直线垂直的D个平面上的搜索问题,如图4所示。
当航迹点搜索完成后,将新坐标系下的航迹点转换为原坐标系下的点,转换公式表示为:
式中:θ为原坐标系下起始点与目标点连线和X轴所成夹角,θ=arcsin((yt-ys)/|st|);(xnew,ynew)为搜索坐标值;(xs,ys)为原坐标系下起始点的坐标值;st为起始点与目标点间的直线。
在以直线st为X轴的新坐标系下,将直线st均分为D等分,并在D个平面上搜索航迹点组合,实际上三维航迹点的X轴坐标为已知值,则航迹点的搜索由三维搜索转化为二维搜索,即在每个平面上搜索航迹点的纵坐标和高度值。但在连续的平面上搜索航迹点显然搜索空间较大,航迹规划的实时性将降低。因此,对D个平面中的每个平面做离散化网格处理,将平面划分为等间距的网格,则每个网格的交点为可行的航迹点,如图5所示。离散化网格所采用的分辨率越高,航迹规划结果的精度就越高;反之,分辨率低,航迹规划的精度就会降低。
步骤C2:对三维地形环境模型、航迹评价模型、航迹寻优约束模型参数进行初始化设置。其参数包括:地形中山峰个数N;常系数a、b、c、d、e、f、g;雷达威胁代价与航迹燃油代价的权衡系数k1、k2。最大飞行距离Lmax、高度增加系数φ、最大飞行高度Hmax、飞行时最大偏航角αmax、最大俯仰角βmax。
具体的,在本发明的一个具体实施例中以上参数具体取值设定为:地形中山峰个数N=5;常系数a=10、b=0.2、c=0.1、d=0.6、e=0.1、f=0.1、g=0.1;雷达威胁代价与航迹燃油代价的权衡系数k1=0.6、k2=0.4。最大飞行距离Lmax=100km、高度增加系数φ=1.5、最大飞行高度Hmax=10km、飞行时最大偏航角αmax=50°、最大俯仰角βmax=30°。
步骤C3:对基本膜内算法参数进行初始化设置。其参数包括:算法的最大迭代次数IMax、误差阈值EGoal、优化参数尺度Dparameter、迭代控制数ILimit、优化参数下限Rlow、优化参数上限Rup;蜂群算法的种群规模nABC;萤火虫算法种群规模nFA、步长因子α、吸引度值β、光亮吸收系数γ。
具体的,在本发明的一个具体实施例中以上参数具体取值设定为:最大迭代次数IMax=500、误差阈值EGoal=5、优化参数尺度Dparameter=70、迭代控制数ILimit=20、优化参数下限Rlow=0、优化参数上限Rup=100;种群规模nFA=10、步长因子α=0.25、吸引度值β=0.2、光亮吸收系数γ=1。
步骤D利用基于膜结构的混合智能算法实现最优航迹点搜索。具体实施过程如下:
步骤D1:生成位置坐标初始值。利用下式生成萤火虫算法的搜索航迹点初始值x。
x=xmin+λck(1-ck)(xmax-xmin) (6)
利用下式生成蜂群算法的搜索航迹点初始值ox。
ox=xmin+xmax-x (7)
步骤D2:利用萤火虫算法与I型基本膜进行最优航迹搜索,同时利用蜂群算法与II型基本膜进行最优航迹搜索。
其中使用萤火虫算法构建I型基本膜的步骤为:
根据公式(4)计算萤火虫位置的适应度值,其中每个萤火虫位置分别代表一组可行的航迹点解,适应度值代表萤火虫位置的相对优越度,适应度值越小则航迹点解越优。
根据下式计算萤火虫间的吸引力βij。
式中:β0为最大吸引度;rij为第i个萤火虫位置与第j个萤火虫位置间的欧式距离。
根据下式,搜索萤火虫新的位置。
xi=xi+βij×(xj-xi)+α×(rand-1/2) (9)
式中:xi、xj为萤火虫i和j在空间中所处位置,既代表优化航迹的可行解;a∈[0,1]为步长因子;rand为[0,1]均匀分布的随机数。
I型基本膜内萤火虫算法迭代10次后进行步骤D3。
使用蜂群算法构建II型基本膜的步骤为:
根据公式(4)计算蜂群位置的适应度值,其中每个蜜蜂所在位置表示一组可行的航迹点解;
采蜜蜂根据下式搜索新的航迹点解。
xi=xi+φ×(xi,m-xi,j) (10)
采蜜蜂在产生新的可行解后,跟随蜂通过随机概率选择法选择蜜源,概率公式表示为:
跟随蜂选择蜜源后,跟随蜂根据位置更新公式(10)在所选蜜源附近搜索新的可行解。
如果经过一定次数循环后没有找到新的更优可行解,即适应度值更优的航迹点解,则采蜜蜂将变为侦查蜂,并用随机搜索公式搜索新的蜜源。随机搜索公式表示为:
xi=xmin+rand(0,1)×(xmax-xmin) (12)
式中:xmin、xmax为搜索空间的上下界。
II型基本膜内蜂群算法迭代10次后进行步骤D3。
步骤D3:基本膜进行膜内信息交流,每个基本膜将本次迭代得到的2组最优航迹坐标点传送给其他两个同类型基本膜;同时每个基本膜将搜索到的最优航迹坐标点传送到中间膜中。
步骤D4:两中间膜利用公式(4)对基本膜传送的航迹点解进行适应度值计算,并将自身得到的最优航迹点解和最差航迹点解传送给对方;中间膜在接收到航迹点解后,将其发送给每个基本膜;同时中间膜将最优航迹点传送给表层膜。
步骤D5:判断算法是否达到膜系统的最大跌代次数,如达到最大迭代次数则表层膜根据公式(4)选取出最优航迹点解,并作为搜索的最优航迹点解;如未达到最大迭代次数,则转至步骤D2。
步骤E实现航迹点间航迹的平滑处理。如图6所示,图中D、F、C为相邻航迹点,则直线DF和FC为两相邻航迹段;直线EF为相邻两航迹线的角平分线;点O为角平分线上的一点,该点应为到DF和FC的垂直距离为转弯半径R的点。具体实施过程如下:
步骤E1:求出航迹点所形成航迹路径的相邻路段夹角值。
步骤E2:作出相邻路段夹角的角度平分线FE。
步骤E3:在角度平分线上找出一点o,使得该点到两相邻路径段的垂直距离为UAV的最小转弯半径R。
步骤E4:以o为圆心,R为半径作圆,则在圆上连接两相邻路径段的最短圆弧ABCD为平滑后的UAV路径。
图7为本发明中无人飞行器三维航迹规划装置的硬件实现原理图。包括细胞膜单元、电源单元、时钟单元、EEPROM单元及SRAM单元;细胞膜单元分别连接电源单元、时钟单元、EEPROM单元及SRAM单元。
细胞膜单元包括3个I型基本膜、3个II型基本膜、I型中间膜、II型中间膜和表层膜;
I型基本膜11、I型基本膜12和I型基本膜13均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线31进行两两间的数据传送;
II型基本膜14、II型基本膜15和II型基本膜16均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线32进行两两间的数据传送;DSP芯片型号为TMS320C6713;
I型中间膜21由FPGA芯片构成,并通过I型总线31与I型基本膜进行连接并进行数据交换;
II型中间膜22由FPGA芯片构成,并通过II型总线32与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线41进行连接并进行数据交换;
表层膜23由FPGA芯片构成,表层膜23通过I型中间膜总线42与I型中间膜连接并进行数据交换,通过II型中间膜总线43与II型中间膜连接并进行数据交换,表层膜通过输入传输线1输入,通过输出传输线2输出;FPGA芯片型号为EP4CE22F17;
电源单元由3.3V电源模块51、1.2V电源模块52、2.5V电源模块53构成,电源单元向其他单元提供3.3V、1.2V和2.5V电压;
时钟单元61为FPGA芯片提供时钟信号;
EEPROM单元62存储地形图数据;
SRAM单元63存储航迹优化过程中所生成的数据。
在进行航迹规划时,地形环境模型生成的UAV飞行区域地形图预存在EEPROM单元中,由输入传输线1输入UAV的当前位置坐标和目的地位置坐标,然后细胞膜单元对最优航迹进行搜索,完成最优航迹点搜索后由输出传输线2输出UAV最优路径。
为了验证本文算法对UAV三维航迹规划的有效性,在Intel Core(TM)i3-3240,3.4GHz,3G内存的PC机上进行仿真实验,运行环境为Windows XP,编程环境为MATLAB 2013。图8为验证本发明所提出方法的三维地形图,实验区域为60 60 2km三维地图。图9为本发明所提方法生成的UAV最优路径三维效果图。图10为本发明所提方法生成的UAV最优路径二维高程效果图。图11为本发明所用方法搜索最优航迹路径点的算法迭代图,从图中可以看出本发明方法所搜索的航迹代价值明显低于其他两种算法,可见本发明方法航迹搜索性能要优于其他两种方法,在迭代250次时就基本已经找到最优航迹点,此时的耗时为2.326s。
本发明基于细胞膜的工作原理,实现两种智能算法对最优航迹点进行并行搜索,从而提高了整体方法对最优航迹点的寻优速度。本发明构建了细胞膜结构,在两种细胞膜内分别采用两种不同智能搜索方法,从而结合萤火虫算法的全局搜索性能和蜂群算法的局部搜索性能,使得整体方法对最优路径航迹点搜索效率显著提高。本发明中的坐标转换方法将智能算法的三维航迹搜索问题转化为二维航迹搜索问题,从而使算法的搜索难度大大降低,从而进一步提高了整体方法的搜索性能。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种无人机三维航迹规划方法,包括:
步骤A:构建三维地形环境模型、航迹评价模型和航迹寻优约束模型;
步骤B:构建细胞膜结构;
步骤C:航迹搜索空间离散缩减和参数初始化设置;
步骤D:最优航迹点搜索;
步骤E:航迹平滑处理。
2.如权利要求1所述的一种无人机三维航迹规划方法,其特征在于:
步骤A中通过函数模拟建立UAV三维地形环境模型;根据UAV飞行过程中地形因素和威胁因素建立航迹评价模型;根据UAV自身物理性质建立航迹寻优约束模型;
步骤B采用DSP芯片和FPGA芯片构建由表层膜、中间膜和基本膜组成的三层细胞膜结构;
步骤C中对三维航迹搜索空间进行坐标转换和离散化缩减处理;对三维地形环境模型参数进行初始化设置;对航迹评价模型参数进行初始化设置;对航迹寻优约束模型参数进行初始化设置;对基本膜内寻优算法参数进行初始化设置;
步骤D采用基于细胞膜结构的混合智能算法对最优航迹点进行搜索;
步骤E采用内切圆对搜索出的最优航迹点进行平滑处理。
3.如权利要求2所述的一种无人机三维航迹规划方法,其特征在于:
步骤A包括:
步骤A1:建立三维地形环境模型;
步骤A2:建立航迹优化模型;
步骤A3:根据UAV自身物理性质建立航迹寻优约束模型;
步骤B包括:
步骤B1:采用DSP芯片构建I型、II型两种基本膜;
步骤B2:采用FPGA芯片构建I型、II型两种中间膜;
步骤B3:采用FPGA芯片构建表层膜;
步骤C包括:
步骤C1:航迹搜索空间坐标转换和离散缩减处理;
步骤C2:对三维地形环境模型、航迹评价模型、航迹寻优约束模型参数进行初始化设置;
步骤C3:对基本膜内算法参数进行初始化设置;
步骤D包括:
步骤D1:生成位置坐标初始值;
步骤D2:利用萤火虫算法与I型基本膜进行最优航迹搜索,同时利用蜂群算法与II型基本膜进行最优航迹搜索;
步骤D3:基本膜进行膜内信息交流,每个基本膜将本次迭代得到的2组最优航迹坐标点传送给其他同类型基本膜;同时每个基本膜将搜索到的最优航迹坐标点传送到中间膜中;
步骤D4:两中间膜对基本膜传送的航迹点解进行适应度值计算,并将自身得到的最优航迹点解和最差航迹点解传送给对方;中间膜在接收到航迹点解后,将其发送给每个基本膜;同时中间膜将最优航迹点传送给表层膜;
步骤D5:判断算法是否达到膜系统的最大跌代次数,如达到最大迭代次数则表层膜选取出最优航迹点解,并作为搜索的最优航迹点解;如未达到最大迭代次数,则转至步骤D2;
步骤E包括:
步骤E1:求出航迹点所形成航迹路径的相邻路段夹角值;
步骤E2:作出相邻路段夹角的角度平分线FE;
步骤E3:在角度平分线上找出一点,使得该点到两相邻路径段的垂直距离为UAV的最小转弯半径;
步骤E4:以步骤E3找出点为圆心,以UAV的最小转弯半径作圆,则在圆上连接两相邻路径段的最短圆弧为平滑后的UAV路径。
4.如权利要求3所述的一种无人机三维航迹规划方法,其特征在于:
步骤A1中地形环境模型定义为:
式中:x、y为三维地形中水平面点坐标;z为地形高度;N为地形中山峰个数;h为山体轮廓;xni、yni为第i个山峰坐标;xgi、ygi为第i个山峰的山体轮廓参数;a、b、c、d、e、f、g为常系数;
步骤A2在步骤A1所建新坐标系下,雷达的威胁代价JR为:
式中:LRT为航迹中穿越雷达威胁区域的总长度;n为探测雷达的个数;dRi为第i个雷达探测区域的直径;
燃油代价JC为:
式中:Lst为起始点到目标点的直线距离;Ltotal为UAV优化航迹的总长度;
总的性能代价函数JT为:
JT=k1JR+k2JC (4)
式中:k为雷达威胁代价与航迹燃油代价的权衡系数,且k1、k2满足k1+k2=1;
步骤A3中最大航程约束:最大飞行距离为Lmax,飞行距离L必须满足:L≤Lmax;
飞行高度约束:UAV飞行高度hxy必须满足以下约束条件:φzxy hxy Hmax;
式中:φ为高度增加系数,φ>1;zxy为坐标(x,y)处的地形高度;hxy为UAV的飞行高度;Hmax为最大飞行高度;
步骤B1中I型基本膜(11)、I型基本膜(12)和I型基本膜(13)均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线(31)进行两两间的数据传送;
II型基本膜(14)、II型基本膜(15)和II型基本膜(16)均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线(32)进行两两间的数据传送;
步骤B2中I型中间膜(21)由FPGA芯片构成,并通过I型总线(31)与I型基本膜进行连接并进行数据交换;
II型中间膜(22)由FPGA芯片构成,并通过II型总线(32)与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线(41)进行连接并进行数据交换;
步骤B3中表层膜(23)由FPGA芯片构成,表层膜(23)通过I型中间膜总线(42)与I型中间膜连接并进行数据交换,通过II型中间膜总线(43)与II型中间膜连接并进行数据交换,表层膜通过输入传输线(1)输入,通过输出传输线(2)输出;
步骤C1中以起始点和目标点的连接直线作为新参考坐标系下的横坐标,并对该直线均分选取D个点作为搜索航迹点的横坐标值,当航迹点搜索完成后,再将新坐标系下的航迹点转换为原坐标系下的点,转换公式表示为:
式中:θ为原坐标系下起始点与目标点连线和X轴所成夹角,θ=arcsin((yt-ys)/|st|);(xnew,ynew)为搜索坐标值;(xs,ys)为原坐标系下起始点的坐标值;st为起始点与目标点间的直线;
在以直线st为X轴的新坐标系下,将直线st均分为D等分,并在D个平面上搜索航迹点组合,对D个平面中的每个平面做离散化网格处理;
步骤C2中三维地形环境模型、航迹评价模型、航迹寻优约束模型参数包括:地形中山峰个数N;常系数a、b、c、d、e、f、g;雷达威胁代价与航迹燃油代价的权衡系数k1、k2;最大飞行距离Lmax、高度增加系数φ、最大飞行高度Hmax、飞行时最大偏航角amax、最大俯仰角βmax;
步骤C3中基本膜内算法参数包括:算法的最大迭代次数IMax、误差阈值EGoal、优化参数尺度Dparameter、迭代控制数ILimit、优化参数下限Rlow、优化参数上限Rup;蜂群算法的种群规模nABC;萤火虫算法种群规模nFA、步长因子a、吸引度值β、光亮吸收系数γ;
步骤D1中利用下式生成萤火虫算法的搜索航迹点初始值x;
x=xmin+λck(1-ck)(xmax-xmin) (6)
利用下式生成蜂群算法的搜索航迹点初始值ox;
ox=xmin+xmax-x (7)
步骤D2使用萤火虫算法构建I型基本膜,根据公式(4)计算萤火虫位置的适应度值,其中每个萤火虫位置分别代表一组可行的航迹点解;
根据下式计算萤火虫间的吸引力βij;
式中:β0为最大吸引度;rij为第i个萤火虫位置与第j个萤火虫位置间的欧式距离;
根据下式,搜索萤火虫新的位置;
xi=xi+βij×(xj-xi)+a×(rand-1/2) (9)
式中:xi、xj为萤火虫i和j在空间中所处位置,既代表优化航迹的可行解;a∈[0,1]为步长因子;rand为[0,1]均匀分布的随机数;
I型基本膜内萤火虫算法迭代10次后进行步骤D3;
使用蜂群算法构建II型基本膜的步骤为:
根据公式(4)计算蜂群位置的适应度值,其中每个蜜蜂所在位置表示一组可行的航迹点解;
采蜜蜂根据下式搜索新的航迹点解;
xi=xi+φ×(xi,m-xi,j) (10)
采蜜蜂在产生新的可行解后,跟随蜂通过随机概率选择法选择蜜源,概率公式表示为:
跟随蜂选择蜜源后,跟随蜂根据位置更新公式(10)在所选蜜源附近搜索新的可行解;
如果经过一定次数循环后没有找到新的更优可行解,即适应度值更优的航迹点解,则采蜜蜂将变为侦查蜂,并用随机搜索公式搜索新的蜜源,随机搜索公式表示为:
xi=xmin+rand(0,1)×(xmax-xmin) (12)
式中:xmin、xmax为搜索空间的上下界;
II型基本膜内蜂群算法迭代10次后进行步骤D3。
5.如权利要求4所述的一种无人机三维航迹规划方法,其特征在于:
步骤C2中地形中山峰个数N=5;常系数a=10、b=0.2、c=0.1、d=0.6、e=0.1、f=0.1、g=0.1;雷达威胁代价与航迹燃油代价的权衡系数k1=0.6、k2=0.4;最大飞行距离Lmax=100km、高度增加系数φ=1.5、最大飞行高度Hmax=10km、飞行时最大偏航角amax=50°、最大俯仰角βmax=30°;
步骤C3中最大迭代次数IMax=500、误差阈值EGoal=5、优化参数尺度Dparameter=70、迭代控制数ILimit=20、优化参数下限Rlow=0、优化参数上限Rup=100;种群规模nFA=10、步长因子a=0.25、吸引度值β=0.2、光亮吸收系数γ=1。
6.一种无人机三维航迹规划装置,包括细胞膜单元、电源单元、时钟单元、EEPROM单元及SRAM单元组成,其特征在于:细胞膜单元分别连接电源单元、时钟单元、EEPROM单元及SRAM单元,细胞膜单元包括3个I型基本膜、3个II型基本膜、I型中间膜、II型中间膜和表层膜;I型基本膜(11)、I型基本膜(12)和I型基本膜(13)均由DSP芯片组成,每个DSP芯片对应一个I型基本膜,并且三个DSP芯片通过I型总线(31)进行两两间的数据传送;
II型基本膜(14)、II型基本膜(15)和II型基本膜(16)均由DSP芯片组成,每个DSP芯片对应一个II型基本膜,且三个DSP芯片通过II型总线(32)进行两两间的数据传送;
I型中间膜(21)由FPGA芯片构成,并通过I型总线(31)与I型基本膜进行连接并进行数据交换;
II型中间膜(22)由FPGA芯片构成,并通过II型总线(32)与II型基本膜进行连接并进行数据交换;I型中间膜和II型中间膜通过中间膜总线(41)进行连接并进行数据交换;
表层膜(23)由FPGA芯片构成,表层膜(23)通过I型中间膜总线(42)与I型中间膜连接并进行数据交换,通过II型中间膜总线(43)与II型中间膜连接并进行数据交换,表层膜通过输入传输线(1)输入,通过输出传输线(2)输出;
电源单元由3.3V电源模块(51)、1.2V电源模块(52)、2.5V电源模块(53)构成,电源单元向其他单元提供3.3V、1.2V和2.5V电压;
时钟单元(61)为FPGA芯片提供时钟信号;
EEPROM单元(62)存储地形图数据;
SRAM单元(63)存储航迹优化过程中所生成的数据。
7.如权利要求6所述的一种无人机三维航迹规划装置,其特征在于:DSP芯片型号为TMS320C6713,FPGA芯片型号为EP4CE22F17。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343472.6A CN110986957B (zh) | 2019-12-24 | 2019-12-24 | 一种无人飞行器三维航迹规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911343472.6A CN110986957B (zh) | 2019-12-24 | 2019-12-24 | 一种无人飞行器三维航迹规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110986957A true CN110986957A (zh) | 2020-04-10 |
CN110986957B CN110986957B (zh) | 2023-05-12 |
Family
ID=70075961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911343472.6A Active CN110986957B (zh) | 2019-12-24 | 2019-12-24 | 一种无人飞行器三维航迹规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110986957B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101655A (zh) * | 2020-09-11 | 2020-12-18 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
CN112733251A (zh) * | 2020-12-24 | 2021-04-30 | 中国人民解放军空军工程大学 | 一种多无人飞行器协同航迹规划方法 |
CN112880699A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN113239652A (zh) * | 2021-05-31 | 2021-08-10 | 福州大学 | 一种基于异质型fpga全局布局的坐标转换方法 |
CN113485363A (zh) * | 2021-08-02 | 2021-10-08 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
CN116661496A (zh) * | 2023-05-31 | 2023-08-29 | 南京理工大学 | 一种基于智能算法的多巡飞弹协同航迹规划方法 |
CN116989797A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机航迹优化方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
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 |
CN109683629A (zh) * | 2019-01-09 | 2019-04-26 | 燕山大学 | 基于组合导航和计算机视觉的无人机电力架线系统 |
-
2019
- 2019-12-24 CN CN201911343472.6A patent/CN110986957B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
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 |
CN109683629A (zh) * | 2019-01-09 | 2019-04-26 | 燕山大学 | 基于组合导航和计算机视觉的无人机电力架线系统 |
Non-Patent Citations (2)
Title |
---|
张昊;陈自力;蔚建斌;程欣;: "基于反步法的无人翼伞航迹跟踪控制" * |
王彪;周杰;孔大庆;唐超颖;: "四旋翼飞行器航迹规划和控制研究" * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101655A (zh) * | 2020-09-11 | 2020-12-18 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
CN112101655B (zh) * | 2020-09-11 | 2023-04-28 | 长沙理工大学 | 萤火虫算法在路径规划应用中的种群动态调节策略与实现 |
CN112733251A (zh) * | 2020-12-24 | 2021-04-30 | 中国人民解放军空军工程大学 | 一种多无人飞行器协同航迹规划方法 |
CN112733251B (zh) * | 2020-12-24 | 2024-04-19 | 中国人民解放军空军工程大学 | 一种多无人飞行器协同航迹规划方法 |
CN112880699B (zh) * | 2021-01-19 | 2023-03-10 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN112880699A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种基于脑选择性注意机制的车辆协作定位方法 |
CN113239652A (zh) * | 2021-05-31 | 2021-08-10 | 福州大学 | 一种基于异质型fpga全局布局的坐标转换方法 |
CN113239652B (zh) * | 2021-05-31 | 2022-07-15 | 福州大学 | 一种基于异质型fpga全局布局的坐标转换方法 |
CN113485363B (zh) * | 2021-08-02 | 2024-02-20 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
CN113485363A (zh) * | 2021-08-02 | 2021-10-08 | 安徽理工大学 | 基于膜计算和rrt的煤矿井下机器人多步长路径规划方法 |
CN116661496A (zh) * | 2023-05-31 | 2023-08-29 | 南京理工大学 | 一种基于智能算法的多巡飞弹协同航迹规划方法 |
CN116661496B (zh) * | 2023-05-31 | 2024-03-15 | 南京理工大学 | 一种基于智能算法的多巡飞弹协同航迹规划方法 |
CN116989797A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机航迹优化方法、装置、电子设备及存储介质 |
CN116989797B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机航迹优化方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110986957B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110986957B (zh) | 一种无人飞行器三维航迹规划方法及装置 | |
Zhu et al. | Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding | |
Wu et al. | Path planning for solar-powered UAV in urban environment | |
LU102400B1 (en) | Path planning method and system for unmanned surface vehicle based on improved genetic algorithm | |
Wu et al. | A hybrid algorithm of particle swarm optimization, metropolis criterion and RTS smoother for path planning of UAVs | |
CN109631900B (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
Roberge et al. | Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning | |
Basiri et al. | A survey on the application of path-planning algorithms for multi-rotor UAVs in precision agriculture | |
Tang et al. | Dynamic reallocation model of multiple unmanned aerial vehicle tasks in emergent adjustment scenarios | |
CN112082552A (zh) | 基于改进的混合粒子群优化算法的无人机航迹规划方法 | |
Wang et al. | Rank-driven salp swarm algorithm with orthogonal opposition-based learning for global optimization | |
Hu et al. | HG-SMA: hierarchical guided slime mould algorithm for smooth path planning | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
Du et al. | Multi-UAVs cooperative task assignment and path planning scheme | |
Yang et al. | Data-model fusion driven intelligent rapid response design of underwater gliders | |
Sun et al. | Efficient time-optimal path planning of AUV under the ocean currents based on graph and clustering strategy | |
Chen et al. | A multi-stage deep reinforcement learning with search-based optimization for air–ground unmanned system navigation | |
Shen et al. | An automatic visible explainer of geometric knowledge for aeroshape design optimization based on SHAP | |
Chen et al. | An Efficient Sampling-Based Path Planning for the Lunar Rover with Autonomous Target Seeking | |
Zhou et al. | Crossover recombination-based global-best brain storm optimization algorithm for uav path planning | |
Cai et al. | Dynamics modeling for autonomous container trucks considering unknown parameters | |
CN116257085A (zh) | 一种基于深度强化学习的无人机未知环境路径规划方法 | |
Zhang et al. | Path planning of patrol robot based on modified grey wolf optimizer | |
Fan et al. | On evolutionary genetic algorithm in path planning for a USV collision avoidance | |
Oyana et al. | Three-layer multi-uavs path planning based on ROBL-MFO |
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 |