CN111310992B - 面向地震灾后快速评估的多无人机路径优化方法 - Google Patents

Abstract

本发明提供了一种面向地震灾后快速评估的多无人机路径优化方法，具体涉及无人机技术领域，该方法可以包括：通过先获取受灾区域内需要评估的建筑物相关信息以及需要访问该受灾区域的多无人机的相关信息，并确定每架无人机所能访问的建筑物，从而建立多无人机的变收益杜宾团队定向问题MU‑DTOP‑VP模型，以采用该MU‑DTOP‑VP模型获取执行快速评估任务的一个初始路径规划方案，进而采用模拟退火算法对该所述初始路径规划方案进行优化以得到访问建筑物的最优路径规划方案。基于本发明实施例提供的方法在地震灾后场景下，考虑了多种真实场景下无人机面临的多种约束条件，并为每架无人机优化了执行快速评估任务的路径。

Description

面向地震灾后快速评估的多无人机路径优化方法

技术领域

本发明涉及无人机技术领域，具体涉及一种面向地震灾后快速评 估的多无人机路径优化方法。

背景技术

地震灾害发生以后，快速评估对于启动有效的应急响应行动至关 重要，如何快速准确地获取灾区信息、补充震后信息数据库、缩短震 后黑箱期是现阶段地震灾后快速评估面对的重难点问题，地震灾后的 快速评估工作可为救援工作的科学部署和有效开展提供决策支持，从 而减轻地震灾害的损失。快速评估的主要目的是在最短时间内对地震 造成的影响有一个大致地了解，并确定不同方向的受损程度，尤其是 确定重灾区的位置，此时，获取震中周边不同方向上建筑物的受损情 况是快速评估的一种有效方式。然而，地震造成的路面损坏会减缓救 援人员进入灾区的速度，从而影响快速评估任务的效率，同时还会使救援人员受到余震等多种风险的威胁。

由于无人机可以不受路面损坏影响快速地进入地震灾区，并通过 所搭载的传感器快速捕获图像和视频数据，所以已被广泛地应用于地 震灾后救援行动中。地震受灾区域往往面积广阔，受灾区域内的建筑 物数量庞大，而无人机的续航能力有限，所以无法覆盖所有建筑物。 另外，对同一个建筑物进行多次访问可以大大提升所获取信息的可信 度，进而做出更准确的灾情评估，提升救援工作的效率。

因此，在地震灾后场景下，为多架无人机设置及优化可飞的路径， 使得所有无人机在续航能力范围内获取尽可能多的信息并最大化信息 的可信度是亟待解决的问题。而对于现有方案来讲，其在不考虑无人 机续航能力约束的情况下给每架无人机分配了需要访问的目标，没有 为无人机规划可飞的路径，并且规定每架无人机只能对目标进行一次访问，因此对于无人机所获取信息的可信度较低，无法有效提升救援 工作的效率。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种面向地震灾后快速评估 的多无人机路径优化方法，可以为多架无人机设置及优化可飞的路径， 提升所有无人机在给定的任务时间内所获取信息的可信度，进而提升 救援工作的效率。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

本发明提供了一种面向地震灾后快速评估的多无人机路径优化方 法，所述方法包括：

确定受灾区域内需要快速评估的多个建筑物的建筑物坐标及其权 重；

获取访问所述受灾区域的异构多无人机的数量，以及每架所述无人 机的相关参数；所述相关参数包括：无人机编号、续航时间、飞行速 度和/或最小转弯半径；

设置所述无人机的航向角离散度，并基于所述无人机的航向角离散 度确定所述无人机的多个航向角；

获取所述无人机的站点的站点坐标；

基于所述建筑物坐标、站点坐标以及每架所述无人机的相关参数确 定每架所述无人机各自所能访问的建筑物；

建立所述多无人机的变收益杜宾团队定向问题MU-DTOP-VP模 型；

采用所述MU-DTOP-VP模型，根据所述每个建筑物的建筑物坐标 及其权重、每架无人机的续航时间及其所能访问的建筑物，获取所述 多无人机执行快速评估任务的一个初始路径规划方案；

采用模拟退火算法对所述初始路径规划方案进行优化以获得每架 所述无人机的访问任意一个或多个所述建筑物的最优路径规划方案。

可选地，设置所述无人机的航向角离散度，并基于所述无人机的航 向角离散度确定所述无人机的多个航向角，包括：

使用杜宾车模型对无人机的运动状态进行描述，并设置所述无人机 的航向角离散度为8；

确定所述无人机的多个航向角分别为0°,45°,90°,135°,180°,225°, 270°,315°，并为各航向角进行编号。

可选地，基于所述建筑物坐标、站点坐标以及每架所述无人机的相 关参数确定每架所述无人机各自所能访问的建筑物之前，还包括：

计算在所有航向角下每架无人机从所述站点到每个建筑物的第一 飞行时长，并使用三维矩阵进行存储，记做出发矩阵；

计算在所有航向角下，每架无人机从每个建筑物到站点的第二飞行 时长，并使用三维矩阵进行存储，记做返回矩阵；

计算在所有航向角下，每架无人机在所有建筑物之间的第三飞行时 长，并使用三维矩阵进行存储，记做目标到目标矩阵。

可选地，在所述出发矩阵中，行表示无人机出发时的航向角编号， 列表示无人机访问建筑物时的航向角编号，页表示无人机的编号；

在所述返回矩阵中，行表示无人机访问最后一个建筑物时的航向角 编号，列表示无人机从最后一个建筑物返回所述站点时的航向角编号； 页表示无人机的编号；

在所述目标到目标矩阵中，行表示无人机访问当前建筑物时的航向 角编号，列表示无人机访问下一个建筑物时的航向角编号，页表示无 人机的编号。

可选地，基于所述建筑物坐标、站点坐标以及每架所述无人机的相 关参数确定每架所述无人机各自所能访问的建筑物，包括：

基于所述建筑物坐标、站点坐标、所述出发矩阵、返回矩阵以及每 架所述无人机的相关参数确定每架所述无人机各自所能访问的建筑 物。

可选地，采用所述MU-DTOP-VP模型，根据所述每个建筑物的建 筑物坐标及其权重、每架无人机的续航时间及其所能访问的建筑物， 获取所述多无人机执行快速评估任务的一个初始路径规划方案，包括：

采用所述MU-DTOP-VP模型，根据所述每个建筑物的建筑物坐标 及其权重、每架无人机的续航时间及其所能访问的建筑物、所述出发 矩阵、所述返回矩阵以及所述目标到目标矩阵，获取所述多无人机执 行快速评估任务的一个初始路径规划方案。

可选地，所述MU-DTOP-VP模型的目标函数采用公式(1)来表示：

其中，i为建筑物的编号，w_i为建筑物i的权重，p_k为第k架无人 机所携带传感器的探测误差，k为无人机编号，K为无人机的数量，

为第k架无人机访问建筑物i的次数，N为所述建筑物的数量，Max为 最大值函数。

可选地，所述MU-DTOP-VP模型的约束条件采用公式(2)至(5) 来表示：

其中，

为第k架无人机从站点到建筑物i的决策变量，

为第k架 无人机从建筑物j到站点的决策变量，0表示无人机的站点，U为无人 机的集合；

为第k架无人机从建筑物h到建筑物i的决策变量，

为 第k架无人机从建筑物i到建筑物j的决策变量，

为第k架无人机访 问建筑物i的次数，T为建筑物的集合；

为第k架无人机从建筑物i到 建筑物j的飞行时间，

为第k架无人机的最大安全续航时长；

公式(5)为二元决策变量的取值，当

为1时表示第k架无人机 选择了从建筑物i到建筑物j的路径，当

为0时表示第k架无人机没 有选择这条路径。

可选地，所述初始路径规划方案包括：每架所述多无人机中每架所 述无人机的无人机编号、任务执行路径以及所述无人机经过每个建筑 物时的航向角编号；

其中，所述任务执行路径包括：无人机的起点、依次经过的建筑物 编号以及无人机的终点。

可选地，所述采用模拟退火算法对所述初始路径规划方案进行优化 以获得每架所述无人机的访问任意一个或多个所述建筑物的最优路径 规划方案，包括：

采用模拟退火算法对所述初始路径规划方案进行扰动，获取所述初 始路径规划方案的多个临域方案；

通过多轮迭代对所述多个临域方案进行优化，获得每架所述无人机 的访问任意一个或多个所述建筑物的最优路径规划方案。

(三)有益效果

本发明提供了一种面向地震灾后快速评估的多无人机路径优化方 法。与现有技术相比，具备以下有益效果：

1、在地震灾后场景下，考虑了多种真实场景下无人机面临的多种 约束条件如有不同的速度、转弯半径和传感设备等，并为每架无人机 优化了执行快速评估任务的路径；

2、通过对异构多无人机中每架无人机优化执行快速评估任务的路 径，可提升多无人机所获取信息的可信度，进而提升救援工作的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而 易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域 普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些 附图获得其他的附图。

图1是根据本申请实施例的面向地震灾后快速评估的多无人机路 径优化方法流程示意图；

图2是根据本申请实施例的多无人机地震灾后快速评估任务具体 执行场景示意图；

图3是根据本申请实施例的多无人机地震灾后快速评估场景示意 图；

图4是根据本申请实施例的异构无人机访问2个相同目标的最短 路径示意图；

图5是根据本申请实施例的航向角离散化示意图；

图6是根据本申请实施例的多无人机执行快速评估任务的路径规 划方案的图形化展示示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明 实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例 是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施 例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有 其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种面向地震灾后快速评估的多无人机路 径优化方法。

本申请实施例中的技术方案为解决上述技术问题，总体思路如下：

为了更好的理解上述技术方案，下面将结合说明书附图以及具体 的实施方式对上述技术方案进行详细的说明。

图1是根据本申请实施例的面向地震灾后快速评估的多无人机路 径优化方法流程示意图，参见图1可知，本实施例提供的面向地震灾 后快速评估的多无人机路径优化方法可以包括：

步骤S101，确定受灾区域内需要快速评估的多个建筑物的建筑物 坐标及其权重；

步骤S102，获取访问受灾区域的异构多无人机的数量，以及每架 无人机的相关参数；相关参数包括：无人机编号、续航时间、飞行速 度和/或最小转弯半径；

步骤S103，设置无人机的航向角离散度，并基于无人机的航向角 离散度确定无人机的多个航向角；

步骤S104，获取无人机的站点的站点坐标；

步骤S105，基于建筑物坐标、站点坐标以及每架无人机的相关参 数确定每架无人机各自所能访问的建筑物；

步骤S106，建立多无人机的变收益杜宾团队定向问题 MU-DTOP-VP模型；

步骤S107，采用MU-DTOP-VP模型，根据每个建筑物的建筑物 坐标及其权重、每架无人机的续航时间及其所能访问的建筑物，获取 多无人机执行快速评估任务的一个初始路径规划方案；

步骤S108，采用模拟退火算法对初始路径规划方案进行优化以获 得每架无人机的访问任意一个或多个建筑物的最优路径规划方案。

本发明实施例提供了一种面向地震灾后快速评估的多无人机路径 优化方法，在本发明实施例提供的方法中，通过先获取受灾区域内需 要评估的建筑物相关信息以及需要访问该受灾区域的多无人机的相关 信息，并确定每架无人机所能访问的建筑物，从而建立多无人机的变 收益杜宾团队定向问题MU-DTOP-VP(multi-UAV Dubins teamorienteeringproblem with variable profit)模型，以采用该MU-DTOP-VP 模型获取执行快速评估任务的一个初始路径规划方案，进而采用模拟 退火算法对该所初始路径规划方案进行优化以得到访问建筑物的最优 路径规划方案。基于本发明实施例提供的方法在地震灾后场景下，考 虑了多种真实场景下无人机面临的多种约束条件如有不同的速度、转弯半径和传感设备等，并为每架无人机优化了执行快速评估任务的路 径。

图2是根据本申请实施例的多无人机地震灾后快速评估任务具体 执行场景示意图，参见图2可知，救援指挥中心可获取受灾区域内需 要快速评估的多个建筑物的建筑物坐标，确定灾后快速评估任务以确 定各建筑物的受损程度，所有无人机从同一个站点出发，对不同的建 筑物进行访问，在续航能力允许的前提下访问尽可能多的建筑物，并 对权重较高的建筑物进行多次访问，以提升多无人机所获取信息的可 信度，最后安全地返回无人机站点。

下面分别对上述步骤S101～108进行详细说明。

参见上述步骤S101，需先确定受灾区域内需要快速评估的多个建 筑物的建筑物坐标及其权重。多无人机执行快速受灾区域的建筑物的 主要目的是在尽可能短的时间内确定灾区不同方向上的受损情况，从 而有针对性地开展救援工作，所以，无人机不需要访问灾区内所有的 建筑物，而是有选择地访问部分建筑物，比如：人口密集的建筑物(如 医院和学校)应作为优先考虑的潜在目标。因此，对于受灾区域中不 同的建筑物来讲，其各自所占的权重是不一样的，权重数值越大说明 建筑物越重要。图3示出了本发明实施例的多无人机地震灾后快速评 估场景示意图，图3中1、2、3、4、5分别表示五个建筑物，其颜色 深浅即表示权重大小，0表示站点(本实施例中表示无人机的起点和终 点)颜色越浅则表示权重越小，图3所示各建筑物的权重由大到小排 序依次为5、4、3、2、1。

在本实施例中，对于受灾区域的划分可根据具体地震等级以及发 生区域进行划分，对于受灾区域中的各建筑物也可以依据建筑物的不 同属性进行设定，一般情况下，建筑物的权重可以用w_i＝{1,2,…,10}表示， 各建筑物的建筑物坐标可以通过GPS获取或是其他方式获取，本发明 对此不做限定。

参见上述步骤S102，获取访问受灾区域的异构多无人机的数量， 以及每架无人机的相关参数。

实际应用中，由于无人机可以不受路面损坏影响快速地进入地震 灾区，并通过所搭载的传感器快速捕获图像和视频数据，所以已被广 泛地应用于地震灾后救援行动中。而在实际应用中，对于不同救援小 组的无人机可能是异构的，有的小组使用固定翼无人机，有的小组使 用多旋翼无人机，具体表现为无人机的续航能力、速度以及转弯半径 存在差异。因此，在上述步骤S102中，不仅需要获取异构多无人机的 数量，还需要获取每架无人机的相关参数，该相关参数可以包括无人 机编号、续航时间、飞行速度和/或最小转弯半径。通过对异构无人机 中各无人机相关参数的获取，可以在后续优化无人机路径中，可以对每架无人机进行个性化设定以及优化路径，从而提升每架无人机的使 用效率。其中，无人机编号是可以与无人机进行一一对应的唯一编号。

参见上述步骤S103，设置无人机的航向角离散度，并基于无人机 的航向角离散度确定无人机的多个航向角。

由于无人机受到动力学的约束，所以在对无人机进行路径规划时 必须确保其路径的可飞性，具体来说，可飞路径必须是一条二次可微 的平滑曲线。Dubins提出的平面非完整车辆最短可行路径模型(简称 “杜宾车模型”)可以满足无人机的动力学约束，因此，在本发明实施 例中，可以使用杜宾车模型对无人机的运动状态进行描述。

杜宾车的状态q＝(x,y,θ)由其在平面中的坐标(x,y)和其方向角θ共 同组成。杜宾车模型的特点之一是杜宾车在两个状态之间的最短路径 受到最小转弯半径ρ的影响，具有恒定的飞行速度v和控制输入u的杜 宾车的运动模型可以描述为：

u>0表示左转，u<0表示右转，u＝0表示直行，u＝±1表示无人机以 最小转弯半径进行转弯。

使用“杜宾车模型”为每架无人机规划路径时需要考虑以下2个 因素：①无人机的最小转弯半径；②无人机访问每个目标时的航向角。

由于异构无人机的最小转弯半径不同，所以异构无人机在2个相 同目标之间飞行的最短路径是不同的，如图4所示，图4中，实线和 虚线分别表示两架异构无人机飞行路径。

因此，本发明实施例通过使用航向角离散法(即设定航向离散度， 将360°划分为多个航向角)对无人机访问每个目标时的航向角进行优 化。在本发明实施例中，设置无人机的航向角离散度N_θ为8，与此同 时确定无人机的多个航向角分别为0°,45°,90°,135°,180°,225°,270°, 315°，并为各航向角进行编号(该编号为分别一一对应各航向角的唯 一编号)。图5是航向角离散度N_θ＝8时的示意图。图5所示各航向角 的编号顺序为0-7，例如图5中无人机的航向角编号为7，航向角编号 与航向角度的计算公式如下式：

另外，本发明实施例还通过数值实验证明：航向角离散度N_θ设定 为8可以得到所有实验的最优解。

参见上述步骤S104，获取无人机的站点的站点坐标。在本发明实 施例中，无人机的站点实际地震灾后勘察中，相当于指挥中心。在本 发明实施例中，无人机的站点可同时作为为无人机对建筑物执行访问 任务的起点和终点。而站点坐标，可同时作为无人机的起点坐标和终 点坐标。具体获取站点坐标时，可以利用GPS或是其他方式进行获取， 本发明不做限定。

参见上述步骤S105，在获取到建筑物坐标、站点坐标以及每架无 人机的相关参数之后，就可以基于建筑物坐标、站点坐标以及每架无 人机的相关参数确定每架无人机各自所能访问的建筑物。

上文提及，通过设置航向角离散度，可以确定无人机在执行飞行任 务时可能的航向角。在本发明一可选实施例中，在确定每架无人机各 自所能访问的建筑物之前，还可以先分别获取出发矩阵、返回矩阵以 及目标到目标矩阵，具体方式如下：

1、计算在所有航向角下每架无人机从站点到每个建筑物的第一飞 行时长，并使用三维矩阵进行存储，记做出发矩阵；在出发矩阵中， 行表示无人机出发时的航向角编号，列表示无人机访问建筑物时的航 向角编号，页表示无人机的编号。

2、计算在所有航向角下，每架无人机从每个建筑物到站点的第二 飞行时长，并使用三维矩阵进行存储，记做返回矩阵；在返回矩阵中， 行表示无人机访问最后一个建筑物时的航向角编号，列表示无人机从 最后一个建筑物返回站点时的航向角编号；页表示无人机的编号。

3、计算在所有航向角下，每架无人机在所有建筑物之间的第三飞 行时长，并使用三维矩阵进行存储，记做目标到目标矩阵；在目标到 目标矩阵中，行表示无人机访问当前建筑物时的航向角编号，列表示 无人机访问下一个建筑物时的航向角编号，页表示无人机的编号。

进一步地，在确定每架无人机各自所能访问的建筑物时，就可以基 于建筑物坐标、站点坐标、出发矩阵、返回矩阵以及每架无人机的相 关参数确定每架无人机各自所能访问的建筑物。

由上述实施例记载可知，出发矩阵、返回矩阵以及目标到目标矩阵 中分别存储有在所有航向角下每架无人机从站点到每个建筑物的第一 飞行时长、每架无人机从每个建筑物到站点的第二飞行时长以及每架 无人机在所有建筑物之间的第三飞行时长。因此，通过上述出发矩阵、 返回矩阵以及目标到目标矩阵就可以快速求得某一个路径规划方案中某一架无人机的路径长度。

下面对无人机的路径长度计算进行举例说明。

多无人机执行快速评估任务的路径规划方案如表1所示，图形化展 示如图6所示。

表1

在本实施例中，记出发矩阵为A，目标到目标矩阵为B，返回矩阵 为C，则以表1数据为例，计算无人机1的路径长度只需将三个矩阵 中的如下3个数值相加即可：

A(1+1，(2-1)*8+1+1，1)

B((2-1)*8+1+1，(4-1)*8+5+1，1)

C((4-1)*8+5+1，4+1，1)

计算步骤及计算公式如下：

注：A(行，列，页)

①从出发矩阵(A)中取出从站点到第1个建筑物的飞行时长：

行＝第1列第2行+1

列＝(第2列第1行-1)*航向角离散度+第2列第2行+1

页＝无人机编号(即第3行)

②从目标到目标矩阵(B)中取出从建筑物i到i+1的飞行时长：

行＝(第i列第1行-1)*航向角离散度+第i列第2行+1

列＝(第i+1列第1行-1)*航向角离散度+第i+1列第2行+1

页＝无人机编号(即第3行)

③从返回矩阵(C)中取出从最后1个建筑物到站点的飞行时长：

行＝(倒数第2列第1行-1)*航向角离散度+倒数第2列第 2行+1

列＝倒数第1列第2行+1

页＝无人机编号(即第3行)

进一步地，在得到出发矩阵、返回矩阵之后，就可以通过结合每架 无人机的续航时间以及建筑物坐标、站点坐标就可以确定出每架无人 机所能访问的建筑。

参见上述步骤S106，需建立多无人机的变收益杜宾团队定向问题 MU-DTOP-VP模型。

在本实施例中，MU-DTOP-VP模型的目标函数采用公式(1)来表 示：

其中，i为建筑物的编号，w_i为建筑物i的权重，p_k为第k架无人 机所携带传感器的探测误差，k为无人机编号，K为无人机的数量，

为第k架无人机访问建筑物i的次数，N为所述建筑物的数量，Max为 最大值函数。

MU-DTOP-VP模型的约束条件采用公式(2)至(5)来表示：

其中，

为第k架无人机从站点到建筑物i的决策变量，

为第k架 无人机从建筑物j到站点的决策变量，0表示无人机的站点，U为无人 机的集合；

为第k架无人机从建筑物h到建筑物i的决策变量，

为 第k架无人机从建筑物i到建筑物j的决策变量，

为第k架无人机访 问建筑物i的次数，T为建筑物的集合；

为第k架无人机从建筑物i到 建筑物j的飞行时间，

为第k架无人机的最大安全续航时长；

公式(5)为二元决策变量的取值，当

为1时表示第k架无人机 选择了从建筑物i到建筑物j的路径，当

为0时表示第k架无人机没 有选择这条路径。

进一步地，上述步骤S107采用MU-DTOP-VP模型获取多无人机 执行快速评估任务的一个初始路径规划方案，可以包括：

采用MU-DTOP-VP模型，根据每个建筑物的建筑物坐标及其权重、 每架无人机的续航时间及其所能访问的建筑物、出发矩阵、返回矩阵 以及目标到目标矩阵，获取多无人机执行快速评估任务的一个初始路 径规划方案。

可选地，初始路径规划方案包括：每架多无人机中每架无人机的无 人机编号、任务执行路径以及无人机经过每个建筑物时的航向角编号； 其中，任务执行路径包括：无人机的起点、依次经过的建筑物编号以 及无人机的终点。

最后，执行上述步骤S108，采用模拟退火算法对初始路径规划方 案进行优化以获得每架无人机的访问任意一个或多个建筑物的最优路 径规划方案。

模拟退火算法，是基于Monte-Carlo迭代求解策略的一种随机寻优 算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问 题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数 的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局 最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟 退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性 能,目前已在工程中得到了广泛应用。

进一步地，上述步骤S108采用模拟退火算法得到建筑物的最优路 径规划方案时，具体可以包括：采用模拟退火算法对初始路径规划方 案进行扰动，获取初始路径规划方案的多个临域方案；通过多轮迭代 对多个临域方案进行优化，获得每架无人机的访问任意一个或多个建 筑物的最优路径规划方案。

综上所述，与现有技术相比，具备以下有益效果：

1、在地震灾后场景下，考虑了多种真实场景下无人机面临的多种 约束条件如有不同的速度、转弯半径和传感设备等，并为每架无人机 优化了执行快速评估任务的路径；

2、通过对异构多无人机中每架无人机优化执行快速评估任务的路 径，可提升多无人机所获取信息的可信度，进而提升救援工作的效率；

3、使用三维矩阵存储在所有可能的航向角下，每架无人机在站点 和建筑物之间以及建筑物与建筑物之间飞行的时长，并采用了三维矩 阵的存储方式，能够快速得到可飞行路径的路径长度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅 仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定 要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺 序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性 的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅 包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括 为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的 情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要 素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管 参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员 应当理解：其依然可以对前述各实施例所记载的技术方案进行修改， 或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不 使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种面向地震灾后快速评估的多无人机路径优化方法，其特征在于，所述方法包括：

确定受灾区域内需要快速评估的多个建筑物的建筑物坐标及其权重；

获取访问所述受灾区域的异构多无人机的数量，以及每架所述无人机的相关参数；所述相关参数包括：无人机编号、续航时间、飞行速度和/或最小转弯半径；

设置所述无人机的航向角离散度，并基于所述无人机的航向角离散度确定所述无人机的多个航向角；

获取所述无人机的站点的站点坐标；

基于所述建筑物坐标、站点坐标以及每架所述无人机的相关参数确定每架所述无人机各自所能访问的建筑物；

建立所述多无人机的变收益杜宾团队定向问题MU-DTOP-VP模型；

采用所述MU-DTOP-VP模型，根据每个建筑物的建筑物坐标及其权重、每架无人机的续航时间及其所能访问的建筑物，获取所述多无人机执行快速评估任务的一个初始路径规划方案；

采用模拟退火算法对所述初始路径规划方案进行优化以获得每架所述无人机的访问任意一个或多个所述建筑物的最优路径规划方案；

基于所述建筑物坐标、站点坐标以及每架所述无人机的相关参数确定每架所述无人机各自所能访问的建筑物之前，还包括：

计算在所有航向角下，每架无人机从所述站点到每个建筑物的第一飞行时长，并使用三维矩阵进行存储，记做出发矩阵；

计算在所有航向角下，每架无人机从每个建筑物到站点的第二飞行时长，并使用三维矩阵进行存储，记做返回矩阵；

计算在所有航向角下，每架无人机在所有建筑物之间的第三飞行时长，并使用三维矩阵进行存储，记做目标到目标矩阵；

采用所述MU-DTOP-VP模型，根据所述每个建筑物的建筑物坐标及其权重、每架无人机的续航时间及其所能访问的建筑物，获取所述多无人机执行快速评估任务的一个初始路径规划方案，包括：

采用所述MU-DTOP-VP模型，根据所述每个建筑物的建筑物坐标及其权重、每架无人机的续航时间及其所能访问的建筑物、所述出发矩阵、所述返回矩阵以及所述目标到目标矩阵，获取所述多无人机执行快速评估任务的一个初始路径规划方案；

所述MU-DTOP-VP模型的目标函数采用公式(1)来表示：

其中，i为建筑物的编号，w_i为建筑物i的权重，p_k为第k架无人机所携带传感器的探测误差，k为无人机编号，K为无人机的数量，

为第k架无人机访问建筑物i的次数，N为所述建筑物的数量，Max为最大值函数；

所述MU-DTOP-VP模型的约束条件采用公式(2)至(5)来表示：

其中，

为第k架无人机从站点到建筑物i的决策变量，

为第k架无人机从建筑物j到站点的决策变量，0表示无人机的站点，U为无人机的集合；

为第k架无人机从建筑物h到建筑物i的决策变量，

为第k架无人机从建筑物i到建筑物j的决策变量，

为第k架无人机访问建筑物i的次数，T为建筑物的集合；

为第k架无人机从建筑物i到建筑物j的飞行时间，

为第k架无人机的最大安全续航时长；

公式(5)为二元决策变量的取值，当

为1时表示第k架无人机选择了从建筑物i到建筑物j的路径，当

为0时表示第k架无人机没有选择这条路径。

2.根据权利要求1所述的方法，其特征在于，设置所述无人机的航向角离散度，并基于所述无人机的航向角离散度确定所述无人机的多个航向角,包括：

使用杜宾车模型对无人机的运动状态进行描述，并设置所述无人机的航向角离散度为8；

确定所述无人机的多个航向角分别为0°,45°,90°,135°,180°,225°,270°,315°，并为各航向角进行编号。

3.根据权利要求1所述的方法，其特征在于，

在所述出发矩阵中，行表示无人机出发时的航向角编号，列表示无人机访问建筑物时的航向角编号，页表示无人机的编号；

在所述返回矩阵中，行表示无人机访问最后一个建筑物时的航向角编号，列表示无人机从最后一个建筑物返回所述站点时的航向角编号；页表示无人机的编号；

在所述目标到目标矩阵中，行表示无人机访问当前建筑物时的航向角编号，列表示无人机访问下一个建筑物时的航向角编号，页表示无人机的编号。

4.根据权利要求1所述的方法，其特征在于，基于所述建筑物坐标、站点坐标以及每架所述无人机的相关参数确定每架所述无人机各自所能访问的建筑物，包括：

基于所述建筑物坐标、站点坐标，所述出发矩阵、返回矩阵以及每架所述无人机的相关参数确定每架所述无人机各自所能访问的建筑物。

5.根据权利要求1-4中任一项所述的方法，其特征在于，所述初始路径规划方案包括：每架所述多无人机中每架所述无人机的无人机编号、任务执行路径以及所述无人机经过每个建筑物时的航向角编号；

其中，所述任务执行路径包括：无人机的起点、依次经过的建筑物编号以及无人机的终点。

6.根据权利要求5所述的方法，其特征在于，所述采用模拟退火算法对所述初始路径规划方案进行优化以获得每架所述无人机的访问任意一个或多个所述建筑物的最优路径规划方案，包括：

采用模拟退火算法对所述初始路径规划方案进行扰动，获取所述初始路径规划方案的多个临域方案；

通过多轮迭代对所述多个临域方案进行优化，获得每架所述无人机的访问任意一个或多个所述建筑物的最优路径规划方案。

Images