CN111352417B - 异构多无人机协同路径的快速生成方法 - Google Patents
异构多无人机协同路径的快速生成方法 Download PDFInfo
- Publication number
- CN111352417B CN111352417B CN202010084538.0A CN202010084538A CN111352417B CN 111352417 B CN111352417 B CN 111352417B CN 202010084538 A CN202010084538 A CN 202010084538A CN 111352417 B CN111352417 B CN 111352417B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- path planning
- drone
- 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 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 71
- 210000000349 chromosome Anatomy 0.000 claims description 49
- 239000006185 dispersion Substances 0.000 claims description 20
- 238000002922 simulated annealing Methods 0.000 claims description 13
- 101100390771 Danio rerio fitm1l gene Proteins 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 101150112906 fitm-2 gene Proteins 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- SQNZJJAZBFDUTD-UHFFFAOYSA-N durene Chemical compound CC1=CC(C)=C(C)C=C1C SQNZJJAZBFDUTD-UHFFFAOYSA-N 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000003094 perturbing effect Effects 0.000 claims description 2
- 238000000137 annealing Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0251—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种异构多无人机协同路径的快速生成方法,具体涉及无人机技术领域,该方法可以包括:先确定需要无人机访问目标的相关信息、无人机站点信息和无人机的相关参数,再基于无人机的多个航向角确定从每个站点出发的无人机所能访问的访问目标,然后建立多站点可重访变收益的杜宾团队定向问题MD‑RDTOP‑VP模型,获取多无人机执行协同任务的初始路径规划方案集合,最后采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA获得每架无人机的访问任意访问目标的最优路径规划方案。基于本发明实施例提供的方法,可以降低路径规划的时间,最大限度地发挥了无人机的效用,有效提升异构多无人机协同任务的完成质量。
Description
技术领域
本发明涉及无人机技术领域,具体涉及一种异构多无人机协同路径的快速生成方法。
背景技术
无人机已广泛应用于目标侦察、交通巡逻、地质勘察和农业植保等多个领域,但单架无人机的续航时长有限,能执行的任务也有限。对于空间规模大、任务数量多、时间要求紧的任务,往往需要采用多架异构无人机组成编队,通过协同合作,共同完成指定的任务。异构无人机的路径规划问题已被证明是一个NP难问题,目前没有精确算法可以在可接受的时间内得到路径规划问题的最优解。
异构无人机在执行协同任务时,通过所搭载不同类型的传感器快速捕获目标的图像和视频数据。但无人机所搭载的传感器不可避免地存在探测误差,为了降低探测误差对于协同任务的影响,可以通过多次访问同一个目标的方式提升协同任务的期望收益。同时,针对目标数量庞大的协同任务,异构无人机往往无法访问所有的目标,因此,需要根据目标的权重有选择性地访问其中的重要目标,从而提升异构无人机的任务完成质量。如何最大限度地发挥无人机的续航能力访问尽可能多的任务点,并最大化协同任务的期望收益是亟待解决的问题。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种异构多无人机协同路径的快速生成方法,可以在多种约束条件下优化无人机对目标的协同访问路径,并最大限度地发挥无人机的效用,从而提升协同任务的完成质量。
(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:
本发明提供了一种异构多无人机协同路径的快速生成方法,其特征在于,所述方法包括:
确定需要无人机访问的访问目标的目标坐标及其权重;
获取所述无人机的站点的站点数量、站点编号及站点坐标;
获取访问所述访问目标的所述无人机的相关参数;所述相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长、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;
基于所述访问目标、站点以及每架所述无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标;
建立所述多站点可重访变收益的杜宾团队定向问题 MD-RDTOP-VP模型;
采用所述MD-RDTOP-VP模型,根据每个所述访问目标的坐标及其权重、无人机的续航时长,获取所述多无人机执行协同任务的初始路径规划方案集合;其中,所述初始路径规划方案集合包括多个路径规划方案,所述路径规划方案被定义为所述多无人机中每架无人机的任务执行路径及对应的站点编号,所述任务执行路径包括:无人机的起点、无人机依次经过的访问目标、无人机的终点;
采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA对所述初始路径规划方案集合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访问目标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,各航向角分别对应唯一航向角编号。
可选地,基于所述访问目标坐标、站点以及每架所述无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标之前,还包括:
计算在所有航向角下,无人机从所述每个站点到每个访问目标的第一飞行时长,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,无人机从每个访问目标到每个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,每架无人机在所有访问目标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,列表示无人机访问所述访问目标时的航向角编号,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目标时的航向角编号,列表示无人机从最后一个目标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目标时的航向角编号,列表示无人机访问下一个目标时的航向角编号,页表示无人机的编号。
可选地,所述MD-RDTOP-VP模型的目标函数采用公式(1)来表示:
其中,i为目标的编号,u为无人机的编号,wi为目标i的权重,pu为第u架无人机所携带传感器的探测误差,为第u架无人机从目标i到目标j的决策变量,N为所述目标的数量,U为所述无人机的数量, Max为最大值函数。
可选地,所述MD-RDTOP-VP模型的约束条件采用公式(2)至(6) 来表示:
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号, K为无人机站点的数量,D为无人机站点的集合;h、i和j为目标的编号,N为目标的数量,T为目标的集合;u为无人机的编号,U为无人机的数量,U为无人机的集合;为第u架无人机从第k个站点到勘察目标i的决策变量,为第u架无人机从勘察目标j到第k’个返回站点的决策变量;为第u架无人机从勘察目标h到勘察目标i的决策变量,为第u架无人机从勘察目标i到勘察目标j的决策变量;为第u架无人机从第k个站点到勘察目标i的飞行时间,为第u架无人机从勘察目标i到勘察目标j的飞行时间,为第u架无人机从勘察目标j到第k’个站点的飞行时间;为第u架无人机的续航时长;
可选地,采用所述MD-RDTOP-VP模型,根据所述每个访问目标的坐标及其权重、无人机的续航时长,获取所述多无人机执行协同任务的初始路径规划方案集合,包括:
采用变长度的整数编码方式描述一个初始路径规划方案,记做染色体,染色体的第1行为无人机的路径,染色体的第2行为无人机在每个目标的航向角编号,染色体的第3行为无人机的编号;
按以下4步生成初始路径规划方案集合:
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号 k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机在每个目标的航向角编号,最后在染色体的第3行写入无人机的编号u,这样就得到了无人机u执行协同任务的路径规划方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到协同任务的路径规划方案,将这些方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始的路径规划方案集合所需要的方案数量重复步骤2-3,得到初始路径规划方案集合。
可选地,采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA算法对所述初始路径规划方案集合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勘察目标的最优路径规划方案,包括:
步骤1:设计双适应度函数的染色体评价机制;
所述双适应度函数的染色体评价机制包括:协同任务的期望收益适应度函数,记作第一适应度值fit1;以及协同任务的总飞行时长适应度函数,记作第二适应度值fit2,公式(7)用来计算路径规划方案集合中每个方案的第一适应度值fit1,公式(8)用来计算路径规划方案集合中每个方案的第二适应度值fit2;
步骤2:根据每个路径规划方案的第一适应度值fit1采用轮盘赌机制对初始路径规划集合进行选择操作,每次选出2个路径规划方案进行交叉操作;
步骤3:采用分段拼接机制对选出的2个路径规划方案进行交叉操作,并根据出发矩阵、返回矩阵和目标到目标矩阵对交叉操作后的路径规划方案进行快速调整,得到无人机在出发站点、返回站点及每个目标时的航向角,快速调整后得到2个新路径规划方案;
步骤4:重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优路径规划方案集合,找出所述较优路径规划方案集合中第一适应度值fit1最大的新路径规划方案;其中,如果第一适应度值fit1最大的新路径规划方案不只一个,则选择其中第二适应度值fit2最小的方案,作为当前最优路径规划方案,截止此时,算完成了1代遗传操作;
步骤5:重复步骤1-4,直到当前最优路径规划方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6:将当前最优路径规划方案作为模拟退火操作的初始方案,对初始方案进行扰动操作,得到初始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目标的最优路径规划方案。
可选地,对初始方案进行扰动操作,包括:
通过替换一个目标来提升路径规划方案的适应度值,包括:设计一种基于收益距离比Rpd的扰动策略,Rpd的计算公式如下:
其中,Δwi为用巡逻目标i替换一个目标后路径规划方案中目标的权重变化值,Δdi为用目标i替换一个目标后路径规划方案的路径长度变化值;
当对初始方案进行扰动操作时,随机选择方案中的一个基因位,并随机产生一个巡逻目标i,计算用目标i替换基因位上的目标后的收益距离比(profit distance ratio)Rpd,如果Rpd>0,则接受该扰动操作,否则以exp(Rpd)的概率接受该扰动操作。
(三)有益效果
本发明提供了一种异构多无人机协同路径的快速生成方法。与现有技术相比,具备以下有益效果:
1、通过以三维矩阵方式存储的“出发矩阵”、“返回矩阵”和“目标到目标矩阵”,快速得到异构无人机从站点出发访问任意多个目标之后返回站点的最短可飞路径;
2、在多种约束条件下每个目标可被多次访问,最大限度地发挥无人机的效用;
3、可以得到长度最短的无人机可飞路径,同时路径的生成速度很快,可以满足对无人机进行实时路径规划的现实需求。
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异构多无人机协同路径的快速生成方法流程示意图;
图2是根据本申请实施例的异构多无人机协同任务场景示意图;
图3是根据本申请实施例的异构多无人机协同路径规划架构示意图;
图4是根据本申请实施例的航向角离散化示意图;
图5是根据本申请实施例的异构多无人机协同任务最优路径示意图。
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异构多无人机协同路径的快速生成方法。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:
先确定需要无人机访问目标的相关信息、无人机站点信息和无人机的相关参数,再基于无人机的多个航向角确定从每个站点出发的无人机所能访问的访问目标,然后建立多站点可重访变收益的杜宾团队定向问题MD-RDTOP-VP模型,获取多无人机执行协同任务的初始路径规划方案集合,最后采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA获得每架无人机的访问任意一个或多个访问目标的最优路径规划方案。
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异构多无人机协同路径的快速生成方法流程示意图,参见图1可知,本实施例提供的异构多无人机协同路径的快速生成方法流程示意图可以包括:
步骤S101,确定需要无人机访问的访问目标的目标坐标及其权重;
步骤S102,获取无人机的站点的站点数量、站点编号及站点坐标;
步骤S103,获取访问访问目标的无人机的相关参数;相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长、飞行速度和/或最小转弯半径;
步骤S104,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S105,基于访问目标、站点以及每架无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标;
步骤S106,建立多站点可重访变收益的杜宾团队定向问题 MD-RDTOP-VP模型;
步骤S107,采用MD-RDTOP-VP模型,根据每个访问目标的坐标及其权重、无人机的续航时长,获取多无人机执行协同任务的初始路径规划方案集合;其中,初始路径规划方案集合包括多个路径规划方案,路径规划方案被定义为多无人机中每架无人机的任务执行路径及对应的站点编号,任务执行路径包括:无人机的起点、无人机依次经过的访问目标、无人机的终点;
步骤S108,采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA对初始路径规划方案集合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访问目标的最优路径规划方案。
基于本发明实施例提供的方法通过快速循环迭代的优化方法,针对多无人机协同任务实现了对异构多无人机进行路径规划,降低了路径规划的时间,最大限度地发挥了无人机的效用,有效提升了多无人机协同任务的完成质量。
协同任务场景示意图如图2所示,异构无人机U1、U2、U3、U4 分别从不同站点D1、D2、D3、D4出发(图2中的D1、D2、D3、D4 的位置坐标与U1、U2、U3、U4的位置坐标重合),对勘察目标1-19 进行访问,根据U1、U2、U3、U4所搭载传感器的探测误差、续航时长和/或飞行速度给每架无人机分配不同的访问目标,同时按照重要目标优先选择原则,颜色越深权重越大,其中目标1-19按照颜色深浅的不同代表权重的大小,并根据权重有选择性的访问其中的重要目标,优化异构多无人机的协同路径方案。
图3是根据本申请实施例的异构多无人机协同路径规划架构示意图,参见图3可知,确定需要异构多无人机协同访问的多个目标物的相关信息,如目标物的坐标和权重等,根据每架无人机的续航时长构造圆,然后建立MD-RDTOP-VP模型,并采用引入双适应度函数及自适应切换机制的HGSA算法求解MD-RDTOP-VP模型,最后利用“出发矩阵”、“目标到目标矩阵”和“返回矩阵”等3个三维矩阵快速确定每架无人机在每个节点的航向角,从而快速生成每架无人机的协同路径。执行上述步骤S101~108的异构无人机协同路径的方法可由智能规划模块或是指挥中心执行。
下面分别对上述步骤S101~108进行详细说明。
参见上述步骤S101,首先要确定需要无人机访问的访问目标的目标坐标及其权重。以执行军事目标侦察来讲,异构多无人机执行军事目标(即上文提及的勘察目标),侦察的主要目的是在无人机的续航时长内尽可能准确地获取勘察目标的信息,从而有针对性地采取后续行动,所以,无人机不需要访问目标区域内所有的目标物,而是有选择地访问部分目标物,比如:重要的军事目标(如导弹和雷达阵地)应作为优先考虑的目标物。因此,对于目标区域中不同的目标物来讲,其各自重要程度是不一样的,在本实施例中,目标物的重要程度可通过权重进行表示,权重数值越大说明目标物越重要。如图2所示,其中显示的1-19分别表示19个勘察目标,其颜色深浅即表示权重大小,颜色越浅则表示权重越小,即重要程度越小。参见图2可知,勘察目标1、5、8权重最大,其次是勘察目标2,勘察目标7、11、6、18等依次减小,勘察目标3、13相等为最小。
在本实施例中,对于目标区域中的各目标物也可以依据目标物的不同属性进行设定,一般情况下,目标物的权重可以用wi={1,2,…,10} 表示,各目标物的目标物坐标可以通过GPS获取或是其他方式获取,本发明对此不做限定。当然,实际应用中目标区域还可以是其他属性的需要无人机进行侦察的区域,本发明不做限定。
参见上述步骤S102,获取无人机的站点的站点数量、站点编号及站点坐标等站点相关信息。
在本发明实施例中,无人机的站点在实际的协同任务中,相当于指挥中心。在本发明实施例中,异构多无人机的站点可同时作为为无人机对目标物执行访问任务的起点,其也可以分别作为起点和终点,对于站点总数量以及起点站点数量和位置和终点站点数量和位置可根据不同应用场景进行设置,本发明不做限定。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S103,获取访问访问目标的无人机的相关参数;相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长、飞行速度和/或最小转弯半径。
以上述实施例所提及的目标区域来讲,由于无人机可以快速地到达目标区域,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、军事目标勘察、高速公路巡逻和电力杆塔巡检行动中。而在实际应用中,对于不同的无人机,具体表现为无人机的续航时间、所搭载传感器的探测误差、转弯半径和/或飞行速度存在差异。因此,在上述步骤S103中,不仅需要获取异构无人机的数量,还需要获取每架无人机的相关参数。通过对各无人机中相关参数的获取,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化路径,从而提升每架无人机的使用效率。其中,无人机的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S104,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。
在本申请一可选实施例中,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,各航向角分别对应唯一航向角编号。
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。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Nθ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4是航向角离散度 Nθ=8时的示意图。图4所示各航向角的编号顺序为0-7,例如图4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:
参见上述步骤S105,基于访问目标、站点以及每架无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标。
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。因此,在确定每个站点出发的无人机所能访问的访问目标之前,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:
计算在所有航向角下,无人机从所述每个站点到每个访问目标的第一飞行时长,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,无人机从每个访问目标到每个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,每架无人机在所有访问目标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。
进一步地,在出发矩阵中,行表示无人机出发时的航向角编号,列表示无人机访问所述访问目标时的航向角编号,页表示无人机的编号;
在返回矩阵中,行表示无人机访问最后一个目标时的航向角编号,列表示无人机从最后一个目标返回所述站点时的航向角编号;页表示无人机的编号;
在目标到目标矩阵中,行表示无人机访问当前目标时的航向角编号,列表示无人机访问下一个目标时的航向角编号,页表示无人机的编号。
确定出发矩阵、返回矩阵和目标到目标的矩阵之后,就可以基于访问目标的信息、站点信息以及每架无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标。
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。
参见上述步骤S106,建立所述多站点可重访变收益的杜宾团队定向问题MD-RDTOP-VP(multi-depot revisit-allowed Dubins team orienteering problem withvariable profit)模型。
MD-RDTOP-VP模型的目标函数采用公式(1)来表示:
其中,i为目标的编号,u为无人机的编号,wi为目标i的权重,pu为第u架无人机所携带传感器的探测误差,为第u架无人机从目标 i到目标j的决策变量,N为所述目标的数量,U为所述无人机的数量, Max为最大值函数。
进一步地,MD-RDTOP-VP模型的约束条件采用公式(2)至(6) 来表示:
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号, K为无人机站点的数量,D为无人机站点的集合;h、i和j为目标的编号,N为目标的数量,T为目标的集合;u为无人机的编号,U为无人机的数量,U为无人机的集合;为第u架无人机从第k个站点到勘察目标i的决策变量,为第u架无人机从勘察目标j到第k’个返回站点的决策变量;为第u架无人机从勘察目标h到勘察目标i的决策变量,为第u架无人机从勘察目标i到勘察目标j的决策变量;为第u架无人机从第k个站点到勘察目标i的飞行时间,为第u架无人机从勘察目标i到勘察目标j的飞行时间,为第u架无人机从勘察目标j到第k’个站点的飞行时间;为第u架无人机的续航时长;
参见上述步骤S107,采用MD-RDTOP-VP模型,根据每个访问目标的坐标及其权重、无人机的续航时长,获取多无人机执行协同任务的初始路径规划方案集合;
其中,初始路径规划方案集合包括多个路径规划方案,路径规划方案被定义为多无人机中每架无人机的任务执行路径及对应的站点编号,任务执行路径包括:无人机的起点、无人机依次经过的访问目标、无人机的终点。
具体来说,采用变长度的整数编码方式描述一个初始路径规划方案,记做染色体,染色体的第1行为无人机的路径,染色体的第2行为无人机在每个目标的航向角编号,染色体的第3行为无人机的编号;染色体形式如表1,即采用变长度的整体编码方式的染色体示意。
表1
表1所示染色体表示:第1架无人机以2号航向角从第1个站点出发,先以2号航向角访问5号目标,再以5号航向角访问4号目标,最后以7号航向角返回第1个站点;第2架无人机以7号航向角从第2 个站点出发,先以7号航向角访问2号目标,再以5号航向角访问5 号目标,再以3号航向角访问3号目标,最后以1号航向角返回第2 个站点。
按以下4步生成初始路径规划方案集合:
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号 k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机在每个目标的航向角编号,最后在染色体的第3行写入无人机的编号u,这样就得到了无人机u执行协同任务的路径规划方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到协同任务的路径规划方案,将这些方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始的路径规划方案集合所需要的方案数量重复步骤2-3,得到初始路径规划方案集合。
最后执行上述步骤S108,采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA对初始路径规划方案集合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访问目标的最优路径规划方案。
路径规划问题已被证明是一个NP难问题,目前还没有可应用的确定性算法来找到车辆的最佳路径和实际可实现性,对于路径规划的求解,元启发式方法的应用已得到普遍认可。元启发式是独立于问题的解决方案,它们不需要适应特定问题的解决方案。相反,它们近似地解决了广泛的路径规划问题。
HGSA算法是一种高效求解模型的混合启发式算法,由遗传算法 GA和模拟退火算法SA构成,GA具有快速寻找新解能力,但在算法后期爬山能力较差并容易陷入局部最优,而SA具有很好的全局寻优能力虽然收敛速度较慢。因此HGSA算法在第一阶段先采用GA算法快速得到一个较优的解,并以此作为SA算法的初始解,第二阶段通过局部寻优操作最终得到最优解。HGSA算法可以在较短的时间内得到模型高质量的可行解,可以满足地震灾后评估、军事目标勘察、高速公路巡逻、电力杆塔巡检场景下快速规划每架无人机协同任务路径的实际需求。
利用HGSA算法对初始路径规划具体实施步骤如下:
步骤1:设计双适应度函数的染色体评价机制;
所述双适应度函数的染色体评价机制包括:协同任务的期望收益适应度函数,记作第一适应度值fit1;以及协同任务的总飞行时长适应度函数,记作第二适应度值fit2,公式(7)用来计算路径规划方案集合中每个方案的第一适应度值fit1,公式(8)用来计算路径规划方案集合中每个方案的第二适应度值fit2;
公式(8)中,k为无人机出发站点的编号,k’为无人机返回站点的编号,K为无人机站点的数量,D为无人机站点的集合;h、i和j为目标的编号,N为目标的数量,T为目标的集合;u为无人机的编号,U 为无人机的数量,U为无人机的集合;为第u架无人机从第k个站点到勘察目标i的决策变量,为第u架无人机从勘察目标j到第k’个返回站点的决策变量;为第u架无人机从勘察目标h到勘察目标 i的决策变量,为第u架无人机从勘察目标i到勘察目标j的决策变量;为第u架无人机从第k个站点到勘察目标i的飞行时间,为第 u架无人机从勘察目标i到勘察目标j的飞行时间,为第u架无人机从勘察目标j到第k’个站点的飞行时间;为第u架无人机的续航时长;
步骤2:根据每个路径规划方案的第一适应度值fit1采用轮盘赌机制对初始路径规划集合进行选择操作,每次选出2个路径规划方案进行交叉操作;
步骤3:采用分段拼接机制对选出的2个路径规划方案进行交叉操作,并根据出发矩阵、返回矩阵和目标到目标矩阵对交叉操作后的路径规划方案进行快速调整,得到无人机在出发站点、返回站点及每个目标时的航向角,快速调整后得到2个新路径规划方案;
步骤4:重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优路径规划方案集合,找出所述较优路径规划方案集合中第一适应度值fit1最大的新路径规划方案;其中,如果第一适应度值fit1最大的新路径规划方案不只一个,则选择其中第二适应度值fit2最小的方案,作为当前最优路径规划方案,截止此时,算完成了1代遗传操作;
步骤5:重复步骤1-4,直到当前最优路径规划方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6:将当前最优路径规划方案作为模拟退火操作的初始方案,对初始方案进行扰动操作,得到初始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目标的最优路径规划方案。
上述步骤3中进一步还可以包括:
步骤1:将所述交叉操作后的路径规划方案作为初始染色体,对初始染色体进行分段,经过分段后的每段染色体都代表了一架无人机的路径规划方案;
步骤2:取出第u段染色体,根据染色体的第3行第1列获取无人机的编号u;
步骤3:取出“出发矩阵”的第u页,根据染色体的第1行第2列获取无人机从出发站点出发后访问的第一个目标编号i,取出“出发矩阵”第u页中第1行到第8行的第(i-1)*8+1列到第i*8列,这是一个8行8 列的矩阵,找出这个8行8列矩阵中最小值所在的行号和列号,将行号写入第1段染色体第1列的第2行,将列号写入第1段染色体第2 列的第2行;
步骤4:取出“目标到目标矩阵”的第u页,根据染色体的列数n,对步骤4重复n-2次,每次取出染色体的2列,例如:取出第x列和第 x+1列,x的取值范围是:1<x<n。
步骤5:根据染色体第1行第x列和第x+1列获取无人机依次访问的两个目标编号i和j,取出“目标到目标矩阵”第u页中第(i-1)*8+1行到第i*8行的第(j-1)*8+1行到第j*8行,这是一个8行8列的矩阵,找出这个8行8列矩阵中最小值所在的行号和列号,将行号写入第1段染色体第2行的第x列,将列号写入第1段染色体第2行的第x+1列;
步骤6:取出“返回矩阵”的第u页,根据染色体的第1行倒数第2 列获取无人机在返回站点前访问的最后一个目标编号j,取出“返回矩阵”第u页中第1列到第8列的第(j-1)*8+1行到第j*8行,这是一个8 行8列的矩阵;根据染色体的第2行倒数第2列获取无人机访问最后一个目标时的航向角编号θ,找出这个8行8列矩阵中第θ行中最小值所在的列号,将列号写入第1段染色体最后1列的第2行;
步骤7:根据无人机的数量U重复步骤2-6,直到所述初始染色体中的每一段染色体都完成了快速调整,将所有的染色体段按无人机编号的顺序进行合并,就得到了新的路径规划方案。
在本申请一可选实施例中,对初始方案进行扰动操作,包括:
通过替换一个目标来提升路径规划方案的适应度值,包括:设计一种基于收益距离比Rpd的扰动策略,Rpd的计算公式如下:
其中,Δwi为用巡逻目标i替换一个目标后路径规划方案中目标的权重变化值,Δdi为用目标i替换一个目标后路径规划方案的路径长度变化值;
当对初始方案进行扰动操作时,随机选择方案中的一个基因位,并随机产生一个巡逻目标i,计算用目标i替换基因位上的目标后的收益距离比(profit distance ratio)Rpd,如果Rpd>0,则接受该扰动操作,否则以exp(Rpd)的概率接受该扰动操作。图5为图2所示的场景中无人机D1和D2的协同路径示意图。需要说明的是,本实施例提供的公式中的各常量参数可根据实际需要进行调整,对于上述实施例所提供公式的合理变形均属于本发明的保护范围。
综上所述,与现有技术相比,具备以下有益效果:
1、通过以三维矩阵方式存储的“出发矩阵”、“返回矩阵”和“目标到目标矩阵”,快速得到异构无人机从站点出发访问任意多个目标之后返回站点的最短可飞路径;
2、在多种约束条件下每个目标可被多次访问,最大限度地发挥无人机的效用;
3、可以得到长度最短的无人机可飞路径,同时路径的生成速度很快,可以满足对无人机进行实时路径规划的现实需求。
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)
1.一种异构多无人机协同路径的快速生成方法,其特征在于,所述方法包括:
确定需要无人机访问的访问目标的目标坐标及其权重;
获取所述无人机的站点的站点数量、站点编号及站点坐标;
获取访问所述访问目标的所述无人机的相关参数;所述相关参数包括:无人机编号、无人机所搭载传感器的探测误差、续航时长、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;
基于所述访问目标、站点以及每架所述无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标;
建立多站点可重访变收益的杜宾团队定向问题MD-RDTOP-VP模型;
采用所述MD-RDTOP-VP模型,根据每个所述访问目标的坐标及其权重、无人机的续航时长,获取所述多无人机执行协同任务的初始路径规划方案集合;其中,所述初始路径规划方案集合包括多个路径规划方案,所述路径规划方案被定义为所述多无人机中每架无人机的任务执行路径及对应的站点编号,所述任务执行路径包括:无人机的起点、无人机依次经过的访问目标、无人机的终点;
采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA对所述初始路径规划方案集合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访问目标的最优路径规划方案;
所述MD-RDTOP-VP模型的约束条件采用公式(2)至(6)来表示:
其中,k为无人机出发站点的编号,k’为无人机返回站点的编号,K为无人机站点的数量,D为无人机站点的集合;h、i和j为目标的编号,N为目标的数量,T为目标的集合;u为无人机的编号,U为无人机的数量,U为无人机的集合;为第u架无人机从第k个站点到勘察目标i的决策变量,为第u架无人机从勘察目标j到第k’个返回站点的决策变量;为第u架无人机从勘察目标h到勘察目标i的决策变量,为第u架无人机从勘察目标i到勘察目标j的决策变量;为第u架无人机从第k个站点到勘察目标i的飞行时间,为第u架无人机从勘察目标i到勘察目标j的飞行时间,为第u架无人机从勘察目标j到第k’个站点的飞行时间;为第u架无人机的续航时长;
采用所述MD-RDTOP-VP模型,根据所述每个所述访问目标的坐标及其权重、无人机的续航时长,获取所述多无人机执行协同任务的初始路径规划方案集合,包括:
采用变长度的整数编码方式描述一个初始路径规划方案,记做染色体,染色体的第1行为无人机的路径,染色体的第2行为无人机在每个目标的航向角编号,染色体的第3行为无人机的编号;
按以下4步生成初始路径规划方案集合:
步骤2:将集合Tu中的勘察目标编号进行随机排列,并在该随机排列的最前面和最后面加上无人机的出发站点编号k和返回站点编号k’,这样就得到了无人机u路径,然后在染色体的第2行写入无人机在每个目标的航向角编号,最后在染色体的第3行写入无人机的编号u,这样就得到了无人机u执行协同任务的路径规划方案;
步骤3:根据无人机的数量U重复步骤2,直到所有的无人机都得到协同任务的路径规划方案,将这些方案合并后就得到了一条初始染色体;
步骤4:根据预设的初始的路径规划方案集合所需要的方案数量重复步骤2-3,得到初始路径规划方案集合;
采用引入双适应度函数及自适应切换机制的混合遗传模拟退火算法HGSA算法对所述初始路径规划方案集合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勘察目标的最优路径规划方案,包括:
步骤1:设计双适应度函数的染色体评价机制;
所述双适应度函数的染色体评价机制包括:协同任务的期望收益适应度函数,记作第一适应度值fit1;以及协同任务的总飞行时长适应度函数,记作第二适应度值fit2,公式(7)用来计算路径规划方案集合中每个方案的第一适应度值fit1,公式(8)用来计算路径规划方案集合中每个方案的第二适应度值fit2;
步骤2:根据每个路径规划方案的第一适应度值fit1采用轮盘赌机制对初始路径规划集合进行选择操作,每次选出2个路径规划方案进行交叉操作;
步骤3:采用分段拼接机制对选出的2个路径规划方案进行交叉操作,并根据出发矩阵、返回矩阵和目标到目标矩阵对交叉操作后的路径规划方案进行快速调整,得到无人机在出发站点、返回站点及每个目标时的航向角,快速调整后得到2个新路径规划方案;
步骤4:重复步骤2-3,直到达到预设的交叉操作次数,从而得到一个较优路径规划方案集合,找出所述较优路径规划方案集合中第一适应度值fit1最大的新路径规划方案;其中,如果第一适应度值fit1最大的新路径规划方案不只一个,则选择其中第二适应度值fit2最小的方案,作为当前最优路径规划方案,截止此时,算完成了1代遗传操作;
步骤5:重复步骤1-4,直到当前最优路径规划方案连续10代遗传操作没有更新,此时结束遗传操作,转入模拟退火操作;
步骤6:将当前最优路径规划方案作为模拟退火操作的初始方案,对初始方案进行扰动操作,得到初始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目标的最优路径规划方案。
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,各航向角分别对应唯一航向角编号。
3.根据权利要求1所述的方法,其特征在于,基于所述访问目标坐标、站点以及每架所述无人机的相关参数确定从每个站点出发的无人机所能访问的访问目标之前,还包括:
计算在所有航向角下,无人机从所述每个站点到每个访问目标的第一飞行时长,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,无人机从每个访问目标到每个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,每架无人机在所有访问目标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。
4.根据权利要求3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,列表示无人机访问所述访问目标时的航向角编号,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目标时的航向角编号,列表示无人机从最后一个目标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目标时的航向角编号,列表示无人机访问下一个目标时的航向角编号,页表示无人机的编号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084538.0A CN111352417B (zh) | 2020-02-10 | 2020-02-10 | 异构多无人机协同路径的快速生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010084538.0A CN111352417B (zh) | 2020-02-10 | 2020-02-10 | 异构多无人机协同路径的快速生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111352417A CN111352417A (zh) | 2020-06-30 |
CN111352417B true CN111352417B (zh) | 2022-08-02 |
Family
ID=71192223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010084538.0A Active CN111352417B (zh) | 2020-02-10 | 2020-02-10 | 异构多无人机协同路径的快速生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111352417B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762593B (zh) * | 2021-07-23 | 2023-06-09 | 合肥工业大学 | 地震灾后无人机应急物资配送方法和装置 |
CN113759959B (zh) * | 2021-07-23 | 2022-10-11 | 合肥工业大学 | 针对应急物资配送的无人机路径规划方法和装置 |
CN113741418B (zh) * | 2021-07-23 | 2023-07-25 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN113485429B (zh) * | 2021-07-23 | 2022-01-18 | 安徽有云智能科技有限公司 | 空地协同交通巡检的路径优化方法和装置 |
CN113762594B (zh) * | 2021-07-23 | 2023-07-07 | 合肥工业大学 | 车机协同配送灾后救援物资的路径规划方法和装置 |
CN113703472B (zh) * | 2021-07-23 | 2023-08-01 | 安徽有云智能科技有限公司 | 多无人机与车辆协同巡检的路径优化方法和装置 |
CN113946159B (zh) * | 2021-09-02 | 2023-08-04 | 安徽有云智能科技有限公司 | 无人机高速公路巡逻的路径优化方法和系统 |
CN114020005B (zh) * | 2021-09-02 | 2023-09-15 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN114511044B (zh) * | 2022-04-18 | 2022-06-28 | 新石器慧通(北京)科技有限公司 | 无人车通行控制方法及装置 |
CN115202339B (zh) * | 2022-05-30 | 2023-06-23 | 北京理工大学 | 基于dqn的多月球车采样固定目标自适应规划方法 |
CN114879745B (zh) * | 2022-07-12 | 2022-09-16 | 成都戎星科技有限公司 | 基于预规划和禁忌搜索算法的多无人机协同任务规划方法 |
CN115866071A (zh) * | 2023-02-28 | 2023-03-28 | 中信云网有限公司 | 初始设备属性信息的上报路径确定方法及装置 |
CN115952942B (zh) * | 2023-03-13 | 2023-06-02 | 季华实验室 | 多目标巡检调度规划方法、装置、电子设备及存储介质 |
CN117268402B (zh) * | 2023-11-17 | 2024-01-30 | 黑龙江哲讯信息技术有限公司 | 一种基于5g通信技术的无人机勘察路径规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
EP2240742A1 (en) * | 2008-01-21 | 2010-10-20 | SELEX Galileo S.p.A. | Device and method for planning a surveillance mission on areas of interest that can be performed with a reconnoitring system using a reconnaissance aircraft |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN108132675A (zh) * | 2017-11-23 | 2018-06-08 | 东南大学 | 一种工厂巡视无人机自主路径巡航以及智能避障方法 |
CN108229719A (zh) * | 2017-11-29 | 2018-06-29 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
CN110083173A (zh) * | 2019-04-08 | 2019-08-02 | 合肥工业大学 | 无人机编队巡检任务分配的优化方法 |
CN110147870A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 一种用于地震灾后多无人机任务分配的优化方法 |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
-
2020
- 2020-02-10 CN CN202010084538.0A patent/CN111352417B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
EP2240742A1 (en) * | 2008-01-21 | 2010-10-20 | SELEX Galileo S.p.A. | Device and method for planning a surveillance mission on areas of interest that can be performed with a reconnoitring system using a reconnaissance aircraft |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN108132675A (zh) * | 2017-11-23 | 2018-06-08 | 东南大学 | 一种工厂巡视无人机自主路径巡航以及智能避障方法 |
CN108229719A (zh) * | 2017-11-29 | 2018-06-29 | 合肥工业大学 | 无人机编队任务分配与航迹规划的多目标优化方法及装置 |
CN110083173A (zh) * | 2019-04-08 | 2019-08-02 | 合肥工业大学 | 无人机编队巡检任务分配的优化方法 |
CN110147870A (zh) * | 2019-04-08 | 2019-08-20 | 合肥工业大学 | 一种用于地震灾后多无人机任务分配的优化方法 |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
Non-Patent Citations (2)
Title |
---|
MONING ZHU et al..Multi-UAV Rapid-Assessment Task-Assignment Problem in a Post-Earthquake Scenario.《IEEE》.2019,第74542-74557页. * |
田震等.基于多基因遗传算法的异构多无人机协同任务分配.《飞行力学》.2019,第37卷(第1期),第39-44页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111352417A (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111352417B (zh) | 异构多无人机协同路径的快速生成方法 | |
CN111220159B (zh) | 多无人机协同巡检任务的路径优化方法 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN107977743B (zh) | 多无人机协同任务分配方法及装置 | |
CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN102880186B (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
CN113485429B (zh) | 空地协同交通巡检的路径优化方法和装置 | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN111401681B (zh) | 多无人机协同巡逻任务分配优化方法 | |
CN111309046B (zh) | 异构无人机编队地震灾后勘察的任务分配方法 | |
CN111310992B (zh) | 面向地震灾后快速评估的多无人机路径优化方法 | |
CN110544296A (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
CN112066992B (zh) | 一种基于视场约束的反辐射无人机搜索航迹规划方法 | |
CN111239550A (zh) | 用于巡检的无人机全自动多机协同输电线路故障识别方法 | |
CN111399533B (zh) | 异构多无人机协同任务分配与路径优化方法 | |
CN114020005A (zh) | 多无人机协同巡检配网线路的航迹规划方法和系统 | |
CN115328210B (zh) | 路径规划方法、装置、终端设备以及存储介质 | |
CN111024081A (zh) | 一种无人机群对单移动时敏目标侦察路径规划方法 | |
CN115793704A (zh) | 一种无人直升机光伏太阳能电厂最优巡检路径规划方法 | |
CN115525842A (zh) | 基于情感偏好与迁移行为的联邦学习无人机协同决策方法及系统 | |
CN114237282A (zh) | 面向智慧化工业园区监测的无人机飞行路径智能规划方法 | |
CN115167502A (zh) | 基于免疫克隆算法的无人机协同航迹规划方法及装置 | |
Changxin et al. | UAV electric patrol path planning based on improved ant colony optimization-A* algorithm |
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 |