CN111678524A - 一种基于飞行安全的救援航空器路径规划方法及系统 - Google Patents
一种基于飞行安全的救援航空器路径规划方法及系统 Download PDFInfo
- Publication number
- CN111678524A CN111678524A CN202010756591.0A CN202010756591A CN111678524A CN 111678524 A CN111678524 A CN 111678524A CN 202010756591 A CN202010756591 A CN 202010756591A CN 111678524 A CN111678524 A CN 111678524A
- Authority
- CN
- China
- Prior art keywords
- path
- rescue
- flight
- point
- aircraft
- 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 31
- 238000009499 grossing Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 239000003016 pheromone Substances 0.000 claims description 59
- 239000002131 composite material Substances 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 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
- G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
-
- 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
- G05D1/12—Target-seeking control
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于飞行安全的救援航空器路径规划方法及系统。该方法包括:获取受灾区域的地形环境;基于救援约束条件,对受灾区域的地形环境进行三维建模,得到环境三维模型;救援约束条件包括救援航空器性能和低空飞行规则;获取以救援效率最大为优化目标的救援模型;基于环境三维模型和救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径;对参考路径进行平滑处理,得到救援飞行器的飞行路径。本发明可以提高路径规划的效率,加快救援速度。
Description
技术领域
本发明涉及路径规划领域,特别是涉及一种基于飞行安全的救援航空器路径规划方法及系统。
背景技术
近年来,各类灾害在世界各国频有发生,而灾害发生后往往由于救灾物资运送不及时,难以准确快速的展开救援,导致灾害影响进一步加剧。根据救援航空器的众多特性可以参加救灾物资的运送工作。如何安全、高效地完成救灾物资的运送,提升应急救援能力,需要对救援航空器的飞行路径进行规划。
当自然灾害发生时,特别是在山区,航空器是最重要的救援手段。但是由于复杂低空应急救援飞行的特殊性,地形障碍等不确定因素的干扰,航空应急救援将面临救援风险大、救援效率低等问题。此外,路径规划技术的关键还在于路径规划算法的选择和使用,传统的搜索算法是在二维空间中进行,无法充分有效地利用地形信息使得救援航空器无法对障碍物进行有效回避。而常规的三维路径规划算法信息存储量大,计算过程复杂,从而难以直接进行全局规划,导致路径规划效率低。
发明内容
本发明的目的是提供一种基于飞行安全的救援航空器路径规划方法及系统,以提高路径规划的效率,加快救援速度。
为实现上述目的,本发明提供了如下方案:
一种基于飞行安全的救援航空器路径规划方法,包括:
获取受灾区域的地形环境;
基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型;所述救援约束条件包括救援航空器性能和低空飞行规则;
获取以救援效率最大为优化目标的救援模型;
基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径;
对所述参考路径进行平滑处理,得到所述救援飞行器的飞行路径。
可选的,所述获取受灾区域的地形环境,具体包括:
从ALOS卫星下载所述受灾区域的地形信息;
从所述受灾区域的地形信息中提取高程信息,生成高程网格格式的地形数据;
利用三次卷积对所述地形数据进行内插,得到地形环境数据。
可选的,所述基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型,具体包括:
获取所述救援约束条件;所述救援约束条件包括:最小直飞距离、最大爬升/俯冲角和飞行高度限制;
基于所述救援约束条件,根据所述受灾区域的地形环境,确定三维地形环境范围和栅格尺寸;
根据所述三维地形环境范围和栅格尺寸进行三维建模,得到环境三维模型。
可选的,所述飞行约束条件包括:救援航空器的最小直飞距离约束、转弯点约束、地形障碍约束和安全距离约束;
所述救援航空器的最小直飞距离约束为:L(pi,pi+1)≥Dmin1≤i≤N;其中,L(pi,pi+1)为第i个航迹点和第i+1个航迹点之间的直飞距离,pi为救援航空器的第i个航迹点,pi+1为救援航空器的第i+1个航迹点,Dmin为最小直飞距离;
所述救援航空器的安全距离约束为:S(Fk,Nnof)≥SI;其中,S(Fk,Nnof)为救援航空器Fk与不可行节点之间的距离,SI为救援航空器与不可行节点之间的安全距离。
可选的,所述基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径,具体包括:
初始化相关参数;所述相关参数包括:起始点、目标点、最大迭代次数、蚁群数量、初始信息素浓度和蚂蚁初始点;
对于第i次迭代的第k只蚂蚁,根据第k只蚂蚁当前位置,确定下一位置的可行节点集合;
基于所述节点集合中每一个节点的信息素浓度,确定下一位置点,得到所述第k只蚂蚁当前位置点到下一位置点的路径段;
更新所述第k只蚂蚁的当前位置,依次得到从起始点至目标点的所有路径段,得到所述第k只蚂蚁对应的初始路径;
基于所述救援模型,更新所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度;
更新当前第k只蚂蚁,返回根据第k只蚂蚁当前位置,确定下一位置的可行节点集合的步骤,依次得到所述第i次迭代中每只蚂蚁的初始路径;
更新历史最优路径和历史最差路径;所述历史最优路径为历史路径中长度最短的路径,所述历史最差路径为历史路径中长度最长的路径;
更新当前迭代次数,返回对于第i次迭代的第k只蚂蚁,根据第k只蚂蚁当前位置,确定下一位置的可行节点集合的步骤,依次得到每一次迭代中每只蚂蚁的初始路径;
更新历史最优路径,将历史最优路径确定为从出发点到受灾区域中目标点的参考路径。
可选的,所述根据第k只蚂蚁当前位置,确定下一位置的可行节点集合;
根据第k只蚂蚁当前位置,确定所述环境三维模型中下一位置的可行节点的全集;所述可行节点的全集包括下一位置的所有可行节点;
基于所述飞行约束条件,对所述可行节点的全集中的可行节点进行筛选,剔除不符合所述飞行约束条件的可行节点,得到下一位置的可行节点集合。
可选的,所述基于所述节点集合中每一个节点的信息素浓度,确定下一位置点,得到所述第k只蚂蚁当前位置点到下一位置点的路径段;
判断随机数是否小于设定阈值;所述随机数为0-1之间的随机数;
当所述随机数小于设定阈值时,将所述节点集合中信息素浓度最大和启发信息因素最大的可行节点确定为下一位置点;
当所述随机数不小于设定阈值时,将所述节点集合中综合值最大的可行节点确定为下一位置点;节点的综合值为其中,τi,i+1为节点的信息素浓度,Z=G×T,G表示节点与目标点的距离的倒数,T为障碍物代价函数,nf是可行节点的数量,nnof为不可行节点的数量。
可选的,每个可行节点的初始信息素浓度为:
其中,τ0为第i个可行节点的初始信息素浓度;a为信息素浓度常数,b为权重系数;Mil为第i个可行节点与目标直线之间的欧氏距离,所述目标直线为起始点与目标点所在的直线;τ′0为第i个可行节点信息素浓度基准值,
可选的,所述基于所述救援模型,更新所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度,具体包括:
判断所述第k只蚂蚁对应的初始路径是否小于路径平均值;所述路径平均值为历史最优路径的长度与历史最差路径的长度的平均值;
当所述第k只蚂蚁对应的初始路径小于路径平均值时,利用公式τxyz=(1-ρ)τxyz0+ρΔτ'xyz增强所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度;其中,τxyz为增强后的位置点的信息素浓度;τxyz0为增强前的位置点的信息素浓度;Δτ'xyz为信息素增量,Δτxyzk为第k只蚂蚁在本次循环中经过路径后的增量,Q'为恒定信息素浓度,Lt表示当前蚂蚁搜索的路径长度值,为历史最优路径的长度,为历史最差路径的长度;ρ为信息素挥发系数,c为当前迭代次数,Cmax为最大迭代次数。
当所述第k只蚂蚁对应的初始路径不小于路径平均值时,减小所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度。
本发明还提供一种基于飞行安全的救援航空器路径规划系统,包括:
受灾区域地形环境获取模块,用于获取受灾区域的地形环境;
环境三维模型构建模块,用于基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型;所述救援约束条件包括救援航空器性能和低空飞行规则;
救援模型获取模块,用于获取以救援效率最大为优化目标的救援模型;
路径规划模块,用于基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径;
平滑处理模块,用于对所述参考路径进行平滑处理,得到所述救援飞行器的飞行路径。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明将救援效率作为目标函数,构建救援模型,综合考虑救援航空器性能、地形障碍等多元限制条件,利用蚁群算法对模型求解,该算法能够同时实现对障碍物的规避和对最优航迹的搜寻,从而提高路径规划的效率,保证了救援任务的安全性、高效性和可靠性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于飞行安全的救援航空器路径规划方法的流程示意图;
图2为本发明蚁群算法的流程示意图;
图3为栅格空间救援航空器飞行示意图;
图4为基于飞行约束条件的节点搜索范围示意图;
图5为本发明基于飞行安全的救援航空器路径规划系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于飞行安全的救援航空器路径规划方法的流程示意图。如图所示,本发明基于飞行安全的救援航空器路径规划方法包括以下步骤:
步骤100:获取受灾区域的地形环境。数字高程DME数据能保持精度不变,常用于三维地形环境建模。为了获得真实的地形数据,且出于对内存占用率的考虑,本发明从ALOS卫星下载受灾区域的地形信息,采用GIS软件提取高程信息并生成高程网格格式的地形数据文件(即XYZ文件,包括经度、纬度、高度坐标信息)。由于救援航空器执行救援任务是在连续空间中,因此,在进行其航迹规划时需要利用三次卷积对地形数据将进行内插,获得规划空间中足够的地形环境数据。三次卷积插值法的本质是三次多项式内插过程,能够提高整体地形数据精度。
步骤200:基于救援约束条件,对受灾区域的地形环境进行三维建模,得到环境三维模型。运用栅格思想对受灾区域的地形环境进行三维建模。本发明考虑救援约束条件来选取地形环境范围和栅格尺寸,这样能够保证救援航空器的机动飞行,同时还可以避免对最终航迹的二次平滑处理。具体的,救援约束条件包括救援航空器性能和低空飞行规则,航空器性能包括最大爬升/俯冲角等,低空飞行规则包括最小直飞距离、飞行高度限制等。地形环境范围中的高度必须满足救援航空器的实用升限要求,救援航空器的实用升限为C,地形环境的水平规划范围用HOR×HOR,则三维地形环境范围大小为:HOR×HOR×C;栅格的长度和宽度必须大于或等于救援航空器的最小直飞距离Dmin,栅格的高度与栅格长Dmin和最大爬升/俯冲角θ有关,栅格高度必须小于或等于Dmin tanθ。因此,栅格尺寸大小可设定为:Dmin×Dmin×Dmin tanθ。根据三维地形环境范围和栅格尺寸进行三维建模,得到环境三维模型。
步骤300:获取以救援效率最大为优化目标的救援模型。救援模型的目标函数为:
式中,T1为从起始点到目标点的飞行时间,即救援时间,救援时间越小,救援效率越大,因此,以救援效率最大为优化目标即以救援时间最小为优化目标;L(pi,pi+1)为第i个航迹点和第i+1个航迹点之间的直飞距离;Vk为救援航空器的飞行速度。
该目标函数对应的飞行约束条件包括:救援航空器的最小直飞距离约束、转弯点约束、地形障碍约束和安全距离约束。救援航空器的最小直飞距离约束限定了救援航空器在相邻不同姿态点之间的最小直飞距离约束。转弯点约束限定了转弯点数量不能超过最大值,以保证规划出的路径可行。地形障碍约束限定了救援航空器飞行的每段路径不能穿越不可行节点或有障碍物的区域。安全距离约束限定了救援航空器与障碍物之间按照低空飞行规则保持一定的安全间距。
具体的,所述救援航空器的最小直飞距离约束为:
L(pi,pi+1)≥Dmin1≤i≤N;
其中,L(pi,pi+1)为第i个航迹点和第i+1个航迹点之间的直飞距离,pi为救援航空器的第i个航迹点,pi+1为救援航空器的第i+1个航迹点,Dmin为最小直飞距离;
所述救援航空器的转弯点约束为:
其中,HOR为飞行环境水平规划范围,Hn飞行环境水平划分间隔数量,L(pi-1,pi)为第i-1个航迹点和第i个航迹点之间的直飞距离;
所述救援航空器的地形障碍约束为:
其中,pipi+1为第i个航迹点至第i+1个航迹点的路径,Nnof为不可行节点,Nf为可行节点。
所述救援航空器的安全距离约束为:
S(Fk,Nnof)≥SI;
其中,S(Fk,Nnof)为救援航空器Fk与不可行节点之间的距离,SI为救援航空器与不可行节点之间的安全距离。
步骤400:基于环境三维模型和救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径。采用蚁群算法进行路径规划即基于环境三维模型采用蚁群算法对救援模型求最优解的过程。本发明采用改进的蚁群算法进行路径规划,图2为本发明蚁群算法的流程示意图,如图2所示,具体过程如下:
(1)确定搜索方向并初始化相关参数。相关参数包括:起始点、目标点、最大迭代次数C_max、蚁群数量PopNum、初始信息素浓度和蚂蚁初始点起始点、目标点的位置。
传统蚁群算法中在初始化时,每个节点的信息素值完全一致,容易造成盲目搜索,从而会影响初期的收敛速度,增加计算成本。因此,为了改善算法搜索的盲目性,加快收敛速度,缩短计算时间,本发明对初始信息素浓度的分布进行改进。本发明考虑各可行节点与由起始点、目标点确定的空间直线之间的欧氏距离Mil,为可行各节点附加不同浓度的初始信息素,位于该条空间直线附近可行节点的信息素浓度比远距离可行节点的信息素浓度高;飞行安全不仅直接关系着飞行员的生命安全,还是保证应急救援工作顺利实施的重要环节,因此,本发明考虑救援飞行安全的前提下寻找最佳救援路径,具体依据飞行规则有关规定,通过判别各节点距最近障碍物的距离Mio是否满足安全标准,适当给予各可行节点的不同的初始信息素浓度。具体的,每个可行节点的初始信息素浓度为:
其中,τ0为第i个可行节点的初始信息素浓度;a为信息素浓度常数,b为权重系数;Mil为第i个可行节点与目标直线之间的欧氏距离,目标直线为起始点与目标点所在的直线;τ′0为第i个可行节点信息素浓度基准值,
(2)对于第i次迭代的第k只蚂蚁,选择下一位置航迹节点。假设中心栅格节点为救援航空器的所在位置,如图3所示,救援航空器下一个可能飞行的节点为26个节点中的一个。但是实际进行航迹节点的扩展时,为了符合航迹要求、缩短搜索时间、提高算法效率,需要使航迹节点的选择限制在一定的范围内,因此需要对初始可行节点进行筛选。基于救援航空器性能约束的当前节点搜索范围示意图如图4所示。这一过程主要通过考虑救援航空器的最大偏航角λ(顶点处水平方向上扇区角度为2λ)、最大爬升/俯冲角θ(顶点处垂直方向上角度为2θ)等物理限制条件把不满足使用要求的节点剔除,同时要求救援航空器按照有利方向飞向需要救援的目标点,得到下一位置的可行节点集合。
(3)采用启发式路径搜索机制,确定下一位置点。第k只蚂蚁从下一位置的可行节点集合中选择下一飞行节点的方法包括轮盘赌策略、随机搜索法以及信息素与启发值乘积的最大值。具体公式如下:
当0-1之间的随机数Q小于阈值参数q0时,从下一位置的可行节点集合中选择信息素浓度τi,i+1和启发信息因素ηi,i+1最大的一个节点作为下一位置点。
当0-1之间的随机数Q不小于阈值参数q0时,从节点集合中选择综合值P最大的可行节点作为下一位置点。节点的综合值为:
其中,τi,i+1为节点的信息素浓度;Z=G×T;G表示引导函数,为节点与目标点的距离的倒数,即距离目标节点越近引导函数值越大,进而引导蚂蚁朝有利的方向前进;T为障碍物代价函数,使得救援航空器避开危险区进入安全区,nf是可行节点的数量,nnof为不可行节点的数量。
(4)当第k只蚂蚁找到从起始点到目标点的初始路径后,进行自适应的全局信息素浓度更新,并更新历史最优路径和历史最差路径。
用Lt表示当前蚂蚁搜索的路径长度值,为历史最优路径的长度,为历史最差路径的长度,Lavg表示路径平均值,路径平均值为历史最优路径的长度与历史最差路径的长度的平均值。当第k只蚂蚁对应的初始路径小于路径平均值时,增强该条初始路径上各节点的信息素浓度;第k只蚂蚁对应的初始路径不小于路径平均值时,减少该条初始路径上各节点的信息素浓度,以上方式不但有利于引导蚂蚁搜索更优路径,而且可以剔除较差路径。
具体按照如下规则对信息素浓度进行更新:
τxyz=(1-ρ)τxyz0+ρΔτ'xyz;
其中,τxyz为增强后的位置点的信息素浓度;τxyz0为增强前的位置点的信息素浓度;Δτ'xyz为信息素增量,Δτxyzk为第k只蚂蚁在本次循环中经过路径后的增量,Q'为恒定信息素浓度,Lt表示当前蚂蚁搜索的路径长度值,为历史最优路径的长度,为历史最差路径的长度;ρ为信息素挥发系数,c为当前迭代次数,Cmax为最大迭代次数。
直到所有蚂蚁都得到对应的初始路径,进入下一次迭代。当迭代次数到达最大迭代次数后,停止迭代搜索,更新历史最优路径,将历史最优路径确定为从出发点到受灾区域中目标点的参考路径。
步骤500:对参考路径进行平滑处理,得到救援飞行器的飞行路径。为了更好的救援飞行任务要求,需要对参考路径进行优化处理,本发明采用Hermite插值多项式对参考路径进行平滑处理,得到救援航空器可飞的飞行路径。
本发明基于飞行安全和真实地形建立了通航救援路径规划模型,即救援模型。救援飞行的安全性主要依据安全标准和地形障碍来考虑,为各可行节点设定不同浓度的初始信息素。模型将救援效率作为目标函数,综合考虑救援航空器性能、地形障碍等多元限制条件,利用改进的蚁群算法对模型求解,该算法能够同时实现对障碍物的规避和对最优航迹的搜寻,从而保证了救援任务的安全性、高效性和可靠性。
对应上述的基于飞行安全的救援航空器路径规划方法,本发明还提供一种基于飞行安全的救援航空器路径规划系统,图5为本发明基于飞行安全的救援航空器路径规划系统的结构示意图。如图5所示,本发明基于飞行安全的救援航空器路径规划系统包括:
受灾区域地形环境获取模块501,用于获取受灾区域的地形环境。
环境三维模型构建模块502,用于基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型;所述救援约束条件包括救援航空器性能和低空飞行规则。
救援模型获取模块503,用于获取以救援效率最大为优化目标的救援模型。
路径规划模块504,用于基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径。
平滑处理模块505,用于对所述参考路径进行平滑处理,得到所述救援飞行器的飞行路径。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于飞行安全的救援航空器路径规划方法,其特征在于,包括:
获取受灾区域的地形环境;
基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型;所述救援约束条件包括救援航空器性能和低空飞行规则;
获取以救援效率最大为优化目标的救援模型;
基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径;
对所述参考路径进行平滑处理,得到所述救援飞行器的飞行路径。
2.根据权利要求1所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述获取受灾区域的地形环境,具体包括:
从ALOS卫星下载所述受灾区域的地形信息;
从所述受灾区域的地形信息中提取高程信息,生成高程网格格式的地形数据;
利用三次卷积对所述地形数据进行内插,得到地形环境数据。
3.根据权利要求1所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型,具体包括:
获取所述救援约束条件;所述救援约束条件包括:最小直飞距离、最大爬升/俯冲角和飞行高度限制;
基于所述救援约束条件,根据所述受灾区域的地形环境,确定三维地形环境范围和栅格尺寸;
根据所述三维地形环境范围和栅格尺寸进行三维建模,得到环境三维模型。
4.根据权利要求1所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述飞行约束条件包括:救援航空器的最小直飞距离约束、转弯点约束、地形障碍约束和安全距离约束;
所述救援航空器的最小直飞距离约束为:L(pi,pi+1)≥Dmin 1≤i≤N;其中,L(pi,pi+1)为第i个航迹点和第i+1个航迹点之间的直飞距离,pi为救援航空器的第i个航迹点,pi+1为救援航空器的第i+1个航迹点,Dmin为最小直飞距离;
所述救援航空器的安全距离约束为:S(Fk,Nnof)≥SI;其中,S(Fk,Nnof)为救援航空器Fk与不可行节点之间的距离,SI为救援航空器与不可行节点之间的安全距离。
5.根据权利要求1所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径,具体包括:
初始化相关参数;所述相关参数包括:起始点、目标点、最大迭代次数、蚁群数量、初始信息素浓度和蚂蚁初始点;
对于第i次迭代的第k只蚂蚁,根据第k只蚂蚁当前位置,确定下一位置的可行节点集合;
基于所述节点集合中每一个节点的信息素浓度,确定下一位置点,得到所述第k只蚂蚁当前位置点到下一位置点的路径段;
更新所述第k只蚂蚁的当前位置,依次得到从起始点至目标点的所有路径段,得到所述第k只蚂蚁对应的初始路径;
基于所述救援模型,更新所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度;
更新当前第k只蚂蚁,返回根据第k只蚂蚁当前位置,确定下一位置的可行节点集合的步骤,依次得到所述第i次迭代中每只蚂蚁的初始路径;
更新历史最优路径和历史最差路径;所述历史最优路径为历史路径中长度最短的路径,所述历史最差路径为历史路径中长度最长的路径;
更新当前迭代次数,返回对于第i次迭代的第k只蚂蚁,根据第k只蚂蚁当前位置,确定下一位置的可行节点集合的步骤,依次得到每一次迭代中每只蚂蚁的初始路径;
更新历史最优路径,将历史最优路径确定为从出发点到受灾区域中目标点的参考路径。
6.根据权利要求5所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述根据第k只蚂蚁当前位置,确定下一位置的可行节点集合;
根据第k只蚂蚁当前位置,确定所述环境三维模型中下一位置的可行节点的全集;所述可行节点的全集包括下一位置的所有可行节点;
基于所述飞行约束条件,对所述可行节点的全集中的可行节点进行筛选,剔除不符合所述飞行约束条件的可行节点,得到下一位置的可行节点集合。
7.根据权利要求5所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述基于所述节点集合中每一个节点的信息素浓度,确定下一位置点,得到所述第k只蚂蚁当前位置点到下一位置点的路径段;
判断随机数是否小于设定阈值;所述随机数为0-1之间的随机数;
当所述随机数小于设定阈值时,将所述节点集合中信息素浓度最大和启发信息因素最大的可行节点确定为下一位置点;
9.根据权利要求5所述的基于飞行安全的救援航空器路径规划方法,其特征在于,所述基于所述救援模型,更新所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度,具体包括:
判断所述第k只蚂蚁对应的初始路径是否小于路径平均值;所述路径平均值为历史最优路径的长度与历史最差路径的长度的平均值;
当所述第k只蚂蚁对应的初始路径小于路径平均值时,利用公式τxyz=(1-ρ)τxyz0+ρΔτ'xyz增强所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度;其中,τxyz为增强后的位置点的信息素浓度;τxyz0为增强前的位置点的信息素浓度;Δτ'xyz为信息素增量,Δτxyzk为第k只蚂蚁在本次循环中经过路径后的增量,Q'为恒定信息素浓度,Lt表示当前蚂蚁搜索的路径长度值,为历史最优路径的长度,为历史最差路径的长度,Lavg为路径平均值;ρ为信息素挥发系数,c为当前迭代次数,Cmax为最大迭代次数。
当所述第k只蚂蚁对应的初始路径不小于路径平均值时,减小所述第k只蚂蚁对应的初始路径上每个位置点的信息素浓度。
10.一种基于飞行安全的救援航空器路径规划系统,其特征在于,包括:
受灾区域地形环境获取模块,用于获取受灾区域的地形环境;
环境三维模型构建模块,用于基于救援约束条件,对所述受灾区域的地形环境进行三维建模,得到环境三维模型;所述救援约束条件包括救援航空器性能和低空飞行规则;
救援模型获取模块,用于获取以救援效率最大为优化目标的救援模型;
路径规划模块,用于基于所述环境三维模型和所述救援模型,在飞行约束条件内,采用蚁群算法进行路径规划,得到从出发点到受灾区域中目标点的参考路径;
平滑处理模块,用于对所述参考路径进行平滑处理,得到所述救援飞行器的飞行路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756591.0A CN111678524B (zh) | 2020-07-31 | 2020-07-31 | 一种基于飞行安全的救援航空器路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010756591.0A CN111678524B (zh) | 2020-07-31 | 2020-07-31 | 一种基于飞行安全的救援航空器路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111678524A true CN111678524A (zh) | 2020-09-18 |
CN111678524B CN111678524B (zh) | 2023-05-16 |
Family
ID=72458112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010756591.0A Active CN111678524B (zh) | 2020-07-31 | 2020-07-31 | 一种基于飞行安全的救援航空器路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111678524B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239520A (zh) * | 2021-04-16 | 2021-08-10 | 大连海事大学 | 一种近水底三维水下地形环境建模方法 |
CN114066240A (zh) * | 2021-11-16 | 2022-02-18 | 中国民用航空飞行学院 | 一种基于救援效率的通航救援调度优化方法 |
CN114239319A (zh) * | 2021-12-30 | 2022-03-25 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114625170A (zh) * | 2022-03-24 | 2022-06-14 | 中国民用航空飞行学院 | 一种山区火灾直升机救援飞行路径动态规划方法 |
CN114707770A (zh) * | 2022-06-06 | 2022-07-05 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
CN115774452A (zh) * | 2023-02-13 | 2023-03-10 | 南京航空航天大学 | 一种基于形状约束的三维模型表面覆盖路径规划方法 |
CN117571013A (zh) * | 2024-01-16 | 2024-02-20 | 中航国际金网(北京)科技有限公司 | 路线的确定方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065470A1 (en) * | 1999-06-30 | 2001-01-03 | Gia Min-Chung | A path planning, terrain avoidance and situation awareness system for general aviation |
US20020183922A1 (en) * | 2001-06-05 | 2002-12-05 | Tomasi Steven W. | Route planner with area avoidance capability |
JP2009211361A (ja) * | 2008-03-04 | 2009-09-17 | Japan Aerospace Exploration Agency | 災害救援等に対応する航空機情報共有ネットワークシステム |
CN102929285A (zh) * | 2012-11-16 | 2013-02-13 | 中国民用航空飞行学院 | 多救援直升机多目标分配与航迹规划方法 |
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN104991895A (zh) * | 2015-05-15 | 2015-10-21 | 南京航空航天大学 | 一种基于三维空域网格的低空救援航空器航迹规划方法 |
WO2016025380A1 (en) * | 2014-08-11 | 2016-02-18 | Weft, Inc. | Systems and methods for providing logistics data |
CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN108613676A (zh) * | 2018-03-27 | 2018-10-02 | 中国民用航空飞行学院 | 一种无人机和有人机协同机制下的多机多目标应急搜救航迹规划方法 |
CN111126682A (zh) * | 2019-12-13 | 2020-05-08 | 中国民用航空飞行学院 | 一种基于救援效率的通航救援调度优化方法 |
-
2020
- 2020-07-31 CN CN202010756591.0A patent/CN111678524B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1065470A1 (en) * | 1999-06-30 | 2001-01-03 | Gia Min-Chung | A path planning, terrain avoidance and situation awareness system for general aviation |
US20020183922A1 (en) * | 2001-06-05 | 2002-12-05 | Tomasi Steven W. | Route planner with area avoidance capability |
JP2009211361A (ja) * | 2008-03-04 | 2009-09-17 | Japan Aerospace Exploration Agency | 災害救援等に対応する航空機情報共有ネットワークシステム |
CN102929285A (zh) * | 2012-11-16 | 2013-02-13 | 中国民用航空飞行学院 | 多救援直升机多目标分配与航迹规划方法 |
WO2016025380A1 (en) * | 2014-08-11 | 2016-02-18 | Weft, Inc. | Systems and methods for providing logistics data |
CN104317293A (zh) * | 2014-09-19 | 2015-01-28 | 南京邮电大学 | 一种改进蚁群算法的城市救援智能体动态路径规划方法 |
CN104991895A (zh) * | 2015-05-15 | 2015-10-21 | 南京航空航天大学 | 一种基于三维空域网格的低空救援航空器航迹规划方法 |
CN107622327A (zh) * | 2017-09-15 | 2018-01-23 | 哈尔滨工程大学 | 基于文化蚁群搜索机制的多无人机航迹规划方法 |
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN108613676A (zh) * | 2018-03-27 | 2018-10-02 | 中国民用航空飞行学院 | 一种无人机和有人机协同机制下的多机多目标应急搜救航迹规划方法 |
CN111126682A (zh) * | 2019-12-13 | 2020-05-08 | 中国民用航空飞行学院 | 一种基于救援效率的通航救援调度优化方法 |
Non-Patent Citations (1)
Title |
---|
陈通: ""救援直升机航迹规划研究"" * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113239520A (zh) * | 2021-04-16 | 2021-08-10 | 大连海事大学 | 一种近水底三维水下地形环境建模方法 |
CN113239520B (zh) * | 2021-04-16 | 2023-09-08 | 大连海事大学 | 一种近水底三维水下地形环境建模方法 |
CN114066240A (zh) * | 2021-11-16 | 2022-02-18 | 中国民用航空飞行学院 | 一种基于救援效率的通航救援调度优化方法 |
CN114239319A (zh) * | 2021-12-30 | 2022-03-25 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114239319B (zh) * | 2021-12-30 | 2023-11-10 | 中国民用航空总局第二研究所 | 无人机航线获取系统 |
CN114625170A (zh) * | 2022-03-24 | 2022-06-14 | 中国民用航空飞行学院 | 一种山区火灾直升机救援飞行路径动态规划方法 |
CN114707770A (zh) * | 2022-06-06 | 2022-07-05 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
CN114707770B (zh) * | 2022-06-06 | 2022-10-18 | 中国民航大学 | 基于救援时效性的航空应急救援决策的优化方法 |
CN115774452A (zh) * | 2023-02-13 | 2023-03-10 | 南京航空航天大学 | 一种基于形状约束的三维模型表面覆盖路径规划方法 |
CN117571013A (zh) * | 2024-01-16 | 2024-02-20 | 中航国际金网(北京)科技有限公司 | 路线的确定方法、装置及电子设备 |
CN117571013B (zh) * | 2024-01-16 | 2024-05-03 | 中航国际金网(北京)科技有限公司 | 路线的确定方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111678524B (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111678524B (zh) | 一种基于飞行安全的救援航空器路径规划方法及系统 | |
CN106970648B (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN108958285B (zh) | 一种基于分解思想的高效多无人机协同航迹规划方法 | |
CN109656264B (zh) | 用于为飞行器生成到着陆地点的3d路径的计算机实施的方法和系统 | |
CN108204814B (zh) | 无人机三维场景路径导航平台及其三维改进路径规划方法 | |
CN116185079B (zh) | 一种基于自适应巡航的无人机施工巡检航线规划方法 | |
CN113505431B (zh) | 基于st-dqn海上无人机目标搜寻方法、装置、设备和介质 | |
CN111256682B (zh) | 不确定条件下的无人机群路径规划方法 | |
CN111045445B (zh) | 一种基于强化学习的飞行器智能避撞方法、设备、介质 | |
CN114594788B (zh) | 一种未知环境下四旋翼无人飞行器航迹规划方法及系统 | |
CN112033413A (zh) | 一种结合环境信息的改进a*算法 | |
CN114625150B (zh) | 基于危险系数和距离函数的快速蚁群无人艇动态避障方法 | |
CN111880561A (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
Liu et al. | A variable-step RRT* path planning algorithm for quadrotors in below-canopy | |
CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
CN116301014A (zh) | 一种无人直升机贴地飞行轨迹优化方法 | |
CN117724524A (zh) | 一种基于改进球面向量粒子群算法的无人机航线规划方法 | |
CN113093787B (zh) | 一种基于速度场的无人机轨迹规划方法 | |
CN112346480B (zh) | 一种室内无人机及其控制方法、计算机可读存储介质 | |
CN114879675A (zh) | 用于受限水域航路自动规划的数值化优化方法 | |
Lee et al. | Real‐time collision‐free landing path planning for drone deliveries in urban environments | |
Chen et al. | A Two‐Stage Method for UCAV TF/TA Path Planning Based on Approximate Dynamic Programming | |
CN109708640A (zh) | 一种移动机器人的三维路径规划方法 | |
CN117109597B (zh) | 基于改进a星算法的无人机路径规划方法和装置 |
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 |