CN111784079A - 一种基于人工势场和蚁群算法的无人机路径规划方法 - Google Patents

Abstract

本发明提出一种基于人工势场和蚁群算法的无人机路径规划方法，包括以下过程：S1：将无人机的运行空间定义为一个势能场，利用人工势场法得到初始路径；S2：当检测到大型障碍物时，将地图栅格化，确定避障的起始节点和终止节点；S3：通过蚁群算法规划避障路线；S4：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，以此循环，直到到达目标点。

Description

一种基于人工势场和蚁群算法的无人机路径规划方法

技术领域

本发明涉及无人机路径规划技术领域，特别是一种基于人工势场和蚁群算法的无人机路径规划方法。

背景技术

无人机具有机动性强、自重轻、体积小、造价低、空间利用率高等显著优势，被越来越多的应用于各个领域，特别是在山区突发灾害，例如地震、泥石流等难以在短时间内组织人员到达的灾害，无人机可以迅速响应并承担运输医疗救援包等应急物资的任务，对挽救人民生命财产有重要意义。

目前，广泛应用的规划方法有A*算法、人工势场法、神经网络算法、模糊算法、栅格法、蚁群算法、动态窗口算法等。这些算法在使用时大都存在计算量大、收敛速度慢、参数不易确定、易于陷入局部最优等问题。其中，人工势场法设定无人机在目标点引力和障碍物斥力的合力作用下运动，其路径平滑、方法简单、易于实现，是一种新型的路径规划避障方法。但该方法容易出现局部极小点以及无法避让大型障碍物的问题。公开号为CN 110209171 A的中国专利“一种基于人工势场法的路径规划方法”通过人工势场法对障碍物进行分析和计算，从而使得移动机械可以在环境中找出最优的行走轨迹，避免移动机械行走时与障碍物碰撞，但当目标点附近有大型障碍物，机器人在靠近目标时会受到障碍物极大的斥力作用，导致无法到达目标点。Zhang Jialong等提出一种基于虚拟结构和“领导者跟随者”控制策略的三维避障控制算法，障碍物在人工势场法中被视为质点或形状均匀的圆，但障碍物实际的形状和大小各异，运用人工势场法难以计算斥力。

发明内容

为解决上述技术问题，避免陷入局部极小点和有效避让大型障碍物，并解决利用人工势场法难以计算斥力等问题，特提出一种将人工势场法与蚁群算法相结合的改进算法，以人工势场法指导全局路径规划、蚁群算法指导局部路径规划。

本发明是通过以下技术方案来实现：

步骤1：将无人机的运行空间定义为一个势能场，利用人工势场法得到初始路径；

步骤2：当检测到大型障碍物时，将地图栅格化，确定避障的起始节点和终止节点；

步骤3：通过蚁群算法规划避障路线；

步骤4：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，以此循环，直到到达目标点。

进一步地，其中所述步骤1还包括：

步骤1.1：设无人机坐标为X(x,y)，目标点坐标X_t(x_t,y_t)，障碍物坐标为X_o(x_o,y_o)，设无人机只受引力作用，引力系数为k，则引力场：

式中R为无人机与障碍物的危险距离；

步骤1.2：当无人机与障碍物距离大于R时，无人机在人工势场法的引力场下向目标位置移动；否则进行避让，无人机不受引力场作用并停止移动。

进一步地，其中所述步骤2还包括：将地图进行栅格化处理，图中的方格代表节点，其长度为1；设X_a为起始节点，并将障碍物外围一层的节点与终点进行欧几里得距离计算，将距离终点最短的点X_e(x_e,y_e)设为终止节点。

进一步地，其中所述步骤3还包括：

步骤3.1：首先初始化环境信息，令时间t和循环次数N为0，设置蚂蚁数量m和最大循环次数N，并初始化各个栅格点上的信息素，并将所有蚂蚁都置于起始节点；

步骤3.2：启动蚁群，用计算的概率进一步用轮盘法随机选择下一个路径点，若此栅格到其相邻栅格的路径上的信息素值均为0，则回馈到上一个搜索的路径点，并将其置为障碍栅格；其计算方法为：

其中，α为信息启发因子、β为期望启发因子；τ_ij(t)表示t时刻ij连线上蚂蚁残留的信息量，在初始时刻各条路径上信息量相等，设τ_ij(0)＝C，(C为常数)；allowed_k＝{0，1，......，n-1},u_k表示蚂蚁下一步允许选择的网格，集合u_k随着进化过程作动态调整，实时记录网格编号；η_ij表示由栅格i转移到j的期望程度，可根据某种启发式算法具体确定；

步骤3.3：重复步骤3.2，直到蚁群到达终止节点；

步骤3.4：对蚁群搜索到的路径进行交叉运算，记录周游最优蚂蚁和全局最优蚂蚁的路径信息，并更新各条路径上的信息素，其更新方式如下：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij(t,t+1)

其中，ρ为信息素挥发因子；Q是常数，L_k表示第k只蚂蚁在本次循环中所走路径的长度；

步骤3.5：若蚁群全部收敛到一条路径或达到最大循环次数，则循环结束，输出最佳路径，否则回到步骤3.2。

进一步地，其中所述步骤4还包括：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，直到到达目标点。

本发明相比现有技术具有的优点：

1.加入蚁群算法，使其算法的策略选择引入随机性，在每一步的迭代过程中存在更多的不确定性，有利于扩张最优解的寻找空间，增加了算法的鲁棒性；

2.采用蚁群算法局部规划，有效的避免了人工势场法局部极小点以及无法避让大型障碍物的问题。

附图说明

为了更好地理解本发明，下面结合附图作进一步的说明：

图1是本发明方法的流程图；

图2是地图栅格化和蚁群算法的起始、终止节点示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

步骤1：将无人机的运行空间定义为一个势能场，利用人工势场法得到初始路径；

步骤1.1：设无人机坐标为X(x,y)，目标点坐标X_t(x_t,y_t)，障碍物坐标为X_o(x_o,y_o)，设无人机只受引力作用，引力系数为k，则引力场：

式中R为无人机与障碍物的危险距离；

步骤1.2：当无人机与障碍物距离大于R时，无人机在人工势场法的引力场下向目标位置移动；否则进行避让，无人机不受引力场作用并停止移动。

步骤2：当检测到大型障碍物时，将地图栅格化，确定避障的起始节点和终止节点；

进一步地，其中所述步骤2还包括：将地图进行如图2所示的栅格化处理，图2中的方格代表节点，其长度为1；设X_a为起始节点，并将障碍物外围一层的节点与终点进行欧几里得距离计算，将距离终点最短的点X_e(x_e,y_e)设为终止节点。

其中，格栅按从左至右、从上至下依次编号为1、2、3……、n，采用0作为可通过栅格和1作为障碍物占用栅格，以0和1组成的矩阵抽象环境地图，选择起始节点栅格A＝1和终止节点栅格G＝n，令蚂蚁从起始节点A出发。

步骤3：通过蚁群算法规划避障路线：

步骤3.1：首先初始化环境信息，令时间t和循环次数N为0，设置蚂蚁数量m和最大循环次数N，并初始化各个栅格点上的信息素，并将所有蚂蚁都置于起始节点；

蚂蚁在起始节点上构造整体的启发信息式：

其中，启发信息的第一部分由无人机起始节点A与终止节点G的距离构造的启发信息，用η_d(t)表示，第二部分由无人机在势场中所受势场合力构造而成，该部分启发信息用η_F(t)表示；式中:b＞1，为常数；F_to't表示蚂蚁在该位置受到的势场合力；θ表示势场合力与蚂蚁的可选节点方向的夹角。

步骤3.2：启动蚁群，用计算的概率进一步用轮盘法随机选择下一个路径点，若此栅格到其相邻栅格的路径上的信息素值均为0，则回馈到上一个搜索的路径点，并将其置为障碍栅格；其计算方法为：

其中，α为信息启发因子、β为期望启发因子；τ_ij(t)表示t时刻ij连线上蚂蚁残留的信息量，在初始时刻各条路径上信息量相等，设τ_ij(0)＝C，(C为常数)；allowed_k＝{0，1，......，n-1},u_k表示蚂蚁下一步允许选择的网格，集合u_k随着进化过程作动态调整，实时记录网格编号；η_ij表示由栅格i转移到j的期望程度，可根据某种启发式算法具体确定；

步骤3.3：重复步骤3.2，直到蚁群到达终止节点；

步骤3.4：对蚁群搜索到的路径进行交叉运算，记录周游最优蚂蚁和全局最优蚂蚁的路径信息，并更新各条路径上的信息素，其更新方式如下：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij(t,t+1)

其中，ρ为信息素挥发因子；Q是常数，L_k表示第k只蚂蚁在本次循环中所走路径的长度；

步骤3.5：若蚁群全部收敛到一条路径或达到最大循环次数，则循环结束，输出最佳路径，否则回到步骤3.2。

步骤4：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，以此循环，直到到达目标点。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.一种基于人工势场和蚁群算法的无人机路径规划方法，其特征在于，包括以下步骤：

步骤1：将无人机的运行空间定义为一个势能场，利用人工势场法得到初始路径；

步骤2：当检测到大型障碍物时，将地图栅格化，确定避障的起始节点和终止节点；

步骤3：通过蚁群算法规划避障路线；

步骤4：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，以此循环，直到到达目标点。

2.根据权利要求1所述的一种基于人工势场和蚁群算法的无人机路径规划方法，其特征在于，所述步骤1还包括以下步骤：

步骤1.1：设无人机坐标为X(x,y)，目标点坐标X_t(x_t,y_t)，障碍物坐标为X_o(x_o,y_o)，设无人机只受引力作用，引力系数为k，则引力场：

式中R为无人机与障碍物的危险距离；

步骤1.2：当无人机与障碍物距离大于R时，无人机在人工势场法的引力场下向目标位置移动；否则进行避让，无人机不受引力场作用并停止移动。

3.根据权利要求1所述的一种基于人工势场和蚁群算法的无人机路径规划方法，其特征在于，所述步骤2包括以下步骤：将地图进行栅格化处理，所得方格代表节点，其长度为1，设X_a为起始节点，并将障碍物外围一层的节点与终点进行欧几里得距离计算，将距离终点最短的点X_e(x_e,y_e)设为终止节点。

4.根据权利要求1所述的一种基于人工势场和蚁群算法的无人机路径规划方法，其特征在于，所述步骤3包括以下步骤：

步骤3.1：首先初始化环境信息，令时间t和循环次数N为0，设置蚂蚁数量m和最大循环次数N，并初始化各个栅格点上的信息素，并将所有蚂蚁都置于起始节点；

步骤3.2：启动蚁群，用计算的概率进一步用轮盘法随机选择下一个路径点，若此栅格到其相邻栅格的路径上的信息素值均为0，则回馈到上一个搜索的路径点，并将其置为障碍栅格；其计算方法为：

其中，α为信息启发因子、β为期望启发因子；τ_ij(t)表示t时刻ij连线上蚂蚁残留的信息量，在初始时刻各条路径上信息量相等，设τ_ij(0)＝C，(C为常数)；allowed_k＝{0，1，......，n-1},u_k表示蚂蚁下一步允许选择的网格，集合u_k随着进化过程作动态调整，实时记录网格编号；η_ij表示由栅格i转移到j的期望程度，可根据某种启发式算法具体确定；

步骤3.3：重复步骤3.2，直到蚁群到达终止节点；

步骤3.4：对蚁群搜索到的路径进行交叉运算，记录周游最优蚂蚁和全局最优蚂蚁的路径信息，并更新各条路径上的信息素，其更新方式如下：

τ_ij(t+1)＝(1-ρ)*τ_ij(t)+Δτ_ij(t,t+1)

其中，ρ为信息素挥发因子；Q是常数，L_k表示第k只蚂蚁在本次循环中所走路径的长度；

步骤3.5：若蚁群全部收敛到一条路径或达到最大循环次数，则循环结束，输出最佳路径，否则回到步骤3.2。

5.根据权利要求1所述的一种基于人工势场和蚁群算法的无人机路径规划方法，其特征在于，所述步骤4包括以下步骤：当无人机完成障碍物避让后，继续采用人工势场法进行路径规划，直到到达目标点。

Images