CN111664852B - 一种无人机路径规划方法及装置 - Google Patents

Abstract

本发明公开了一种无人机路径规划方法及装置，包括：1)对覆盖区域进行网络栅格化建模，定义无人机的四种飞行动作；2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数；3)在子进程中依次执行步骤4‑8)；4)向主进程传送适应度最低的个体，即最优个体；5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则步骤7)；6)进行种群迁移后执行步骤7)；7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代数达到最大，如果是，流程结束。装置包括：存储器及处理器。

Description

一种无人机路径规划方法及装置

技术领域

本发明涉及无人机路径规划领域，尤其涉及一种无人机路径规划方法及装置。

背景技术

无人机作为近年来新兴的高端技术产品，在很多不同领域内已经有了较多的应用，例如航拍测绘、灾害搜救、精准农业、管道巡检等应用。

无人机在具体应用中，需要根据给定的划定区域，按照一定的全覆盖路径进行遍历。目前多采用往返式和螺旋式等方式完成遍历。无人机多采用机载电源提供能量支持完成飞行任务，由于机载电源存储能量的限制，使得机载电源的使用时长有限，因此，在无人机飞行过程中，如果不选择合适的路径在坐标点之间飞行完成全覆盖遍历，则会造成能量浪费，如此一来，减少了机载电源提供能量的时间，影响无人机的正常使用。

其次，随着任务越来越复杂，无人机路径需要覆盖遍历的坐标点逐渐增多，计算的维度不断增大，传统的算法在给定的时间内无法规划出一条能量最优的路径，导致计算时间过长，无法满足实际应用中的需要。

发明内容

本发明提供了一种无人机路径规划方法及装置，本发明通过并行化的遗传算法对无人机区域全覆盖路径进行规划，选择一条覆盖整个区域且能量消耗最低的全覆盖路径，实现最优能耗，提高无人机遍历效率的效果，详见下文描述：

一种无人机路径规划方法，所述方法包括：

1)对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；

2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；

3)在子进程中依次执行步骤4)-8)；

4)向主进程传送适应度最低的个体，即最优个体；

5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则执行步骤7)；

6)进行种群迁移后执行步骤7)；

7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；

8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代代数达到最大迭代代数，若符合或者达到最大，流程结束；否则返回至步骤3)。

其中，所述步骤1)为：

将覆盖区域被分解为多个正方形的小方格，小方格的大小由无人机的视场角决定，小方格是自由区域或障碍区域；

将无人机飞行路径分解为直线、左转弯、右转弯、U型转弯四种运动方式，检查每一次动作到相邻方格的运动顺序，直到一次运动成功；

在路径选择点，无人机选择一种运动方式，运动矢量大小的数值为4，如果不能移动，无人机则陷入“死区”，表示它被已访问的方格、障碍方格所包围，将不断向前回溯动作，直到找到最近的未访问的方格，并重新确定运动顺序，无人机的每一次动作都将遍历一个自由方格并将动作保存下来，充当一个基因，所有动作组合成一条染色体路径。

进一步地，所述适应度函数为：

其中，J为总成本，J_{S,L,R,U}分别是每个基本运动的成本，组成覆盖路径所采取的移动次数在n_{S,L,R,U}中保存，J_{Start,End}为起始点和终止点。

一种无人机路径规划装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的方法步骤。

本发明提供的技术方案的有益效果是：

1、本发明基于并行遗传算法，将网格化覆盖区域内，将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作，把这四种动作看作遗传算法中的染色体基因，它们的组合方式决定了整个全覆盖路径的生成；

2、本发明提供交叉、选择、变异，优先那些能量消耗更低的染色体路径，最终规划出一条既能覆盖整个区域，能量消耗更低的全覆盖路径，提高无人机遍历效率。

附图说明

图1为本发明提供的一种无人机规划方法的流程图；

图2为覆盖区域障碍物网络栅格化建模示意图；

图3为一种网格地图示例；

图4为一种网格地图初始染色体路径示例；

图5为螺旋式、往返式、突变式、随机式路径作为初始种群染色体路径示例；

图6为一种网格地图初始种群染色体路径示例；

图7为本算法优化生成的能量最优路径示例。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实际应用中，全覆盖路径规划本就是一个非确定性多项式难题，于是通常使用启发式算法来简化问题，寻求问题的最优解，然而多数算法并不能保证收敛到最优解。遗传算法作为一种启发式全局搜索算法，是根据大自然中生物体进化规律而设计提出的，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法通常能够较快地获得较好的优化结果。当所优化的问题维度增大，遗传算法收敛的速度往往也换减慢，但值得注意的是，种群的选择、交叉、变异过程对于种群中的个体是相互独立的，可以将这一部分进行并行处理来加速遗传算法的迭代过程。

根据本申请的实施方式，提出一种无人机路径规划方法，具体实施步骤流程图如图1所示，首先，对覆盖区域进行网络栅格法建模，根据网格化后的矩阵地图生成路径，并将路径表征为染色体路径；在主进程中初始化遗传算法初始种群，并创建子种群，向子进程散播子种群，根据无人机运动中的能量消耗关系定义适应度函数；选择适应度函数低的染色体路径作为父代，并从所有染色体路径中选择染色体路径新增到子种群中形成当前种群，并在当前种群中选择双亲染色体；根据交叉编码概率对双亲染色体进行交叉，得到新的交叉后的染色体；根据预设变异概率确定交叉后的染色体的突变发生，得到后代染色体路径；根据后代染色体路径生成新的种群，并验证每条染色体路径是否完全覆盖整个区域，并且符合无人机移动的顺序；计算验证成功的所有染色体路径对应的适应度函数，将适应度函数最低的路径确定为最佳路径。在每个子进程中产生最佳路径后回传至主进程，由主进程进行判断是否得到符合期望值的能量消耗最低的飞行路径，若符合则停止迭代，否则继续进行迭代。之后判断是否达到最大迭代次数，若达到，则结束。基于并行遗传算法，将网格化覆盖区域内，将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作，把这四种动作看作遗传算法中的染色体基因，它们的组合方式决定了整个全覆盖路径的生成。提供交叉、选择、变异，优先那些能量消耗更低的染色体，最终规划出一条既能覆盖整个区域，能量消耗更低的全覆盖路径，提高无人机遍历效率。如图6是示例区域栅格化后的初始染色体路径，如图7是最终通过本算法生成的能量最优的全覆盖路径。

实施例1

本发明提供了一种无人机路径规划方法，该方法通过以下步骤实现：

S1：对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；

S2：在步骤S1建模的基础上，在算法程序的主进程中初始化遗传算法初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；

S3：在步骤S2基础上，在子进程中依次执行步骤S3-S9；

S4：向主进程传送适应度最低的个体，即最优个体；

S5：判断当前代数是否需要进行种群迁移，如果是，执行步骤S6；否则执行步骤S7；

S6：进行种群迁移后执行步骤S7；

S7：定义选择、交叉、变异方式，对染色体路径进行收敛运算；

S8：根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代代数达到最大迭代代数，若符合或者达到最大，执行步骤S9；否则返回至步骤S3；

S9：流程结束。

实施例2

下面结合图1-图7对实施例1中的方案进行进一步地介绍，详见下文描述：

一、步骤S1具体包括：

首先对覆盖区域进行网络栅格法建模，如图2所示，覆盖区域被分解为多个正方形的小方格，小方格的大小由无人机的视场角决定，小方格要么是自由区域，要么是障碍区域。

如图3所示地图对应的矩阵地图为：

其中，0值表示该方格为自由区域，即自由方格，需要被覆盖；1值表示该方格为障碍区域，不可被覆盖。

为了使用遗传算法生成一条路径，将无人机飞行路径分解为直线、左转弯、右转弯、U型转弯四种运动方式，检查每一次动作到相邻方格的运动顺序，直到一次运动成功。

motion＝[S L R U] (2)

其中，S表示一次动作为直线飞行，L表示一次动作为左转弯飞行，R表示一次动作为右转弯飞行，U表示一次动作为U型转弯飞行。

在路径选择点，无人机从motion集合中选择一种运动方式，如果有必要，每一种方式都将试一次，因此运动矢量大小的数值为4。如果不可能移动，无人机则陷入“死区”，表示它被已访问的方格、障碍方格所包围，在这种情况下将不断向前回溯动作，直到找到最近的未访问的方格，并重新确定运动顺序。无人机的每一次动作都将遍历一个自由方格并将动作保存下来，充当一个基因，所有动作组合成一条染色体路径，如图4所示的染色体路径可以表示为：

chromosome[RSSSSLSSSSLSLLRSSSRSSSRSRSSSLLSSRRSSSS] (3)

operators[RSSSSLSSSSLSLLRSSSSSSLLSSRRSSSS]

其中，chromosome为染色体路径，operators保存了当前遍历的方格在此前未被访问过的决策，用于交叉和变异。

二、步骤S2具体包括：

在主进程初始化遗传算法初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度。经过S1步骤的建模，路径被表征为染色体，初始种群染色体的建立是遗传算法中最重要的组成部分之一，因为它是下一代的基本模块。基于传统路径，有螺旋式、往返式、突变式、随机式路径分别如图5a、图5b、图5c、图5d所示，可以作为初始种群。

movement＝[random order of(S,L,R)U] (4)

其中，直线飞行(S)、左转弯(L)、右转弯(R)可以随机选择，而U型转弯(U)始终作为最后一次备选，只有当其它三种运动都不可行时，才进行选择。

在主进程中随机生成足够数量的初始种群染色体后，主进程将初始种群染色体按照并行计算的进程数量进行划分，以散播的形式分发给子进程，每个子进程根据子种群进行后面的迭代运算。

该路径的任务是以最小的能量消耗覆盖所有的方格。在定义适应度函数之前对每一次决策的能耗进行分析，为了执行L和R动作，无人机需要飞行到方格中心，悬停之后向左或者向右转动90°，然后在此移动，同样地，执行U型转弯时，无人机从一端飞行到方格的另一端，悬停并执行180°转弯，并返回其起始位置。转弯比直线飞行消耗更多的能量，并且转弯角度越大，消耗能量越多。无人机飞行能量可由以下适应度函数计算：

其中，J为总成本，J_{S,L,R,U}分别是每个基本运动的成本，组成覆盖路径所采取的移动次数在n_{S,L,R,U}中保存，由于起始点和终止点有加速和减速阶段，这部分的能量消耗J_{Start,End}也须考虑在内。通常情况下，被重复遍历的方格数量多少决定了该路径的质量，如果两条路径所消耗的能量相同，则重复遍历方格数量少的路径更优。

三、步骤S3具体包括：

在S2步骤的基础上，依次执行步骤S3-S9。

四、步骤S4具体包括：

各子进程将当前子种群适应度最高的染色体路径回传至主进程。

五、步骤S5具体包括：

判断当前迭代次数是否为预设数据的整数倍，如果是预设数据的整数倍，则执行步骤S6，否则，执行步骤S7。

六、步骤S6具体包括：

种群迁移，种群迁移是指在一定的整数倍周期内，将当前子进程中的适应度低的，10％的优良个体及时传播到其他种群中，并且某些优良种群中的统治地位会降低种群中个体的多样性。大规模的种群迁移有利于优良个体在多个种群中传播和收敛速度的提高。

七、步骤S7具体包括：

选择，首先计算来自先前种群每条染色体路径的适应度函数，按照一定的比例，例如在本例中使用90％，选择适应度函数较低的染色体路径作为父代。为了增加种群的多样性，须考虑更多的路径，因此，随机选择一定数量的染色体加入到种群中来。为了产生新的种群，从当前种群中选择后代，此外，还选择来自双亲的最佳染色体。

1、交叉：根据交叉编码概率对双亲染色体进行交叉，每条染色体都会产生一定数量的基因来产生新的后代，例如：本例中每条染色体含有31个基因。确定一个概率一对染色体是否会发生交叉。为了在后代中创造多样性，另一种概率决定了杂交是否发生在随机选择的双亲染色体上。有示例如下：

其中，粗体标记的动作是从路径#2(即path#2)中按照30％的比例交叉而来。

2、变异：定义变异概率决定一个双亲染色体是否会发生突变，形成一个新的后代。当发生突变时，随机选择染色体的一个基因，并将其转化为另一个动作。有示例如下：

current order[RSSSSLSSSSLLSLRSSSSSSSLSLRRSSSS]

mutated order[RSSSLLSSSSLLSLRSSSSSSSLSLRRSSSS] (7)

其中，粗体标记的动作为变异动作。

在通过交叉和变异产生一个新的种群后，每条染色体都被验证是否完全覆盖整个自由区域，并且符合移动的顺序，符合条件的染色体才被确定为一条染色体路径，否则重新进行交叉和变异。

八、步骤S8具体包括：

根据步骤S7确定的染色体路径判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代代数达到最大迭代代数，若符合或者达到最大，执行步骤S9；否则返回至步骤S3；

其中，该期望值根据实际应用中的需要进行设定。

十、步骤S9具体为：流程结束步骤。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种无人机路径规划方法，其特征在于，所述方法包括：

1)对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；

2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；

3)在子进程中依次执行步骤4)-8)；

4)向主进程传送适应度最低的个体，即最优个体；

5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则执行步骤7)；

6)进行种群迁移后执行步骤7)；

7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；

8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代数达到最大迭代，若符合或达到最大，流程结束；否则返回至步骤3)；

其中，所述步骤1)为：

将覆盖区域被分解为多个正方形的小方格，小方格的大小由无人机的视场角决定，小方格是自由区域或障碍区域；

将无人机飞行路径分解为直线、左转弯、右转弯、U型转弯四种运动方式，检查每一次动作到相邻方格的运动顺序，直到一次运动成功；

在路径选择点，无人机选择一种运动方式，运动矢量大小的数值为4，如果不能移动，无人机则陷入“死区”，表示它被已访问的方格、障碍方格所包围，将不断向前回溯动作，直到找到最近的未访问的方格，并重新确定运动顺序，无人机的每一次动作都将遍历一个自由方格并将动作保存下来，充当一个基因，所有动作组合成一条染色体路径；

所述适应度函数为：

其中，J为总成本，J_{S,L,R,U}分别是每个基本运动的成本，组成覆盖路径所采取的移动次数在n_{S,L,R,U}中保存，J_{Start,End}为起始点和终止点；

所述方法在主进程中随机生成足够数量的初始种群染色体后，主进程将初始种群染色体按照并行计算的进程数量进行划分，以散播的形式分发给子进程，每个子进程根据子种群进行后面的迭代运算。

2.一种无人机路径规划装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的方法步骤。

Images