CN111811511A - 一种基于降维解耦机制的无人机集群实时航迹生成方法 - Google Patents

一种基于降维解耦机制的无人机集群实时航迹生成方法 Download PDF

Info

Publication number
CN111811511A
CN111811511A CN202010329829.1A CN202010329829A CN111811511A CN 111811511 A CN111811511 A CN 111811511A CN 202010329829 A CN202010329829 A CN 202010329829A CN 111811511 A CN111811511 A CN 111811511A
Authority
CN
China
Prior art keywords
unmanned aerial
planning
aerial vehicle
track
cluster
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
Application number
CN202010329829.1A
Other languages
English (en)
Other versions
CN111811511B (zh
Inventor
龙腾
桑田
徐广通
孙景亮
曹严
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010329829.1A priority Critical patent/CN111811511B/zh
Publication of CN111811511A publication Critical patent/CN111811511A/zh
Application granted granted Critical
Publication of CN111811511B publication Critical patent/CN111811511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，属于航迹规划技术领域。本发明首先完成参数信息初始化，并建立航迹离散化模型、无人机飞行约束模型和无人机集群航迹规划问题模型；其次在滚动规划框架下，采用优先级解耦机制将无人机集群规划问题分解为多个短时域单机航迹规划问题，使用稀疏A*算法对单机航迹规划问题进行求解；在当前滚动时域内判断优先级规划循环是否结束，更新无人机航迹规划任务信息；判断滚动规划时域循环是否满足终止条件，完成无人机集群航迹快速生成。本发明能够在有限时间内生成安全的集群航迹，引导无人机集群在复杂环境中飞行，实现大规模无人机集群协同飞行，解决大规模无人机集群规划领域相应问题。

Description

一种基于降维解耦机制的无人机集群实时航迹生成方法
技术领域
本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，属于航迹规划技术领域。
背景技术
得益于机器人、自动化和通信领域的最新成就，受蚁群、鸟群、鱼群和狼群启发的群体合作已经成为无人系统的一个重要发展趋势。群体的天然数量优势克服了单个智能体执行任务能力有限、智能体损失抵抗能力低等缺点。无人机(UAV)群体凭借其低成本、可操作性和灵活性的优势，可以有效地执行包括搜救、快递、航拍等各种任务。
航迹规划是无人机执行任务的关键技术之一。现有成熟航迹生成方法如快速扩展随机树、序列凸规划法、混合整数线性规划(MILP)等解决了传统单机、小规模航迹规划问题，但由于集群规划高维、强耦合的特点，大规模无人集群航迹规划仍然是实时应用技术瓶颈之一。为了提高规划时效性，通常采用协调技术进行有效求解，主要包括反应策略和解耦机制。反应策略为每架无人机生成局部航迹，消减无人机之间的潜在冲突，但在有障碍物的受限环境中可能陷入死锁状态。相比之下，解耦机制可以通过优先级计算与序列规划的方式，解决更复杂的航迹规划问题，生成最优/次优无碰撞协同航迹。作为常见的解耦机制，优先级规划被广泛应用在多智能体路径规划领域，显著提高了集群路径规划的计算效率和可扩展性。然而，现有研究主要针对地面机器人的路径规划，未考虑特定的飞行性能约束，无法直接应用于飞行器集群的航迹规划问题。
除解耦机制外，还可以从减少规划时域的角度，基于滚动时域控制(RHC)的思想来提高计算效率。RHC将航迹规划问题划分为若干短时域规划问题。在每个短时域规划中，通过建立并求解低维航迹规划问题，以快速获得可行的航迹序列。RHC以其高效、鲁棒性强的优点，被广泛应用于航天器编队、火箭着陆制导、车辆协同等多种路径规划问题中。其中，应用RHC解决飞行器航迹规划问题即是利用MILP最优求解方法来进行飞行器短时域的航迹规划，然而随着飞行器数量的增加，短时域规划仍然存在高计算复杂度的情形。因此，需要使用更有效的航迹生成方法来实时地规划无人机集群的飞行航迹。
发明内容
本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法要解决的技术问题为：针对大规模无人机集群的航迹生成问题，根据实际任务需要，在滚动规划框架下，结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高集群航迹规划效率。此外，通过障碍物/避碰检测方法消除非主动威胁规避/机间避碰约束，降低航迹规划问题的复杂度，进一步提高集群航迹规划效率。本发明能够在有限时间内生成安全的集群航迹，引导无人机集群在复杂环境中飞行，进而实现大规模无人机集群协同飞行，解决大规模无人机集群规划领域相应问题。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，针对无人机集群实时航迹规划问题，首先完成参数信息初始化，并建立航迹离散化模型、无人机飞行约束模型和无人机集群航迹规划问题模型；其次在滚动规划框架下，采用优先级解耦机制将无人机集群规划问题分解为多个短时域单机航迹规划问题，并使用稀疏A*算法(SAS)对单机航迹规划问题进行求解；在当前滚动时域内判断优先级规划循环是否结束，并更新无人机航迹规划任务信息；最后判断滚动规划时域循环是否满足终止条件，完成无人机集群航迹的快速生成。
本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，包括如下步骤：
步骤一：输入任务信息、无人机性能信息以及航迹规划算法参数，实现参数信息初始化。
所述输入任务信息包括规划起始点/目标点、飞行性能约束和障碍位置，滚动规划时域的长度T，离散步长Δh以及收敛误差δ以及无人机性能信息以及航迹规划算法参数信息。
步骤二：建立航迹离散化模型、无人机飞行约束模型和无人机集群航迹规划问题模型。
步骤二具体实现方法如下：
步骤2.1：建立航迹离散化模型。
无人机集群的航迹被描述为一系列离散点，航迹离散化，步长为Δh，集合表示为Π＝{π1,π2，...，πN}，N代表集群无人机数量，每一个子集中
Figure BDA0002464544100000026
i＝1,...,N代表第i架无人机，pi＝(xi,yi,zi)表示第i架无人机的三维位置坐标，其中上标“1,2,...,k,...,K”代表航迹点的序号。
步骤2.2：建立飞行约束模型。
A.最大航向角约束
考虑无人机过载限制，所生成的航迹水平转弯角必须小于无人机的最大航向角。最大航向角约束表示为
Figure BDA0002464544100000021
其中
Figure BDA0002464544100000027
表示无人机最大航向角；
Figure BDA0002464544100000022
表示第i架无人机在第k个航路点的转向角。
B.最大爬升/下滑角约束
在垂直面上，飞行航迹的转角必须满足爬升/下滑角约束，如式(2)所示。
Figure BDA0002464544100000023
其中
Figure BDA0002464544100000024
表示最大爬升/下滑角；
Figure BDA0002464544100000025
表示第i无人机在第k个航路点的爬升/下滑角。
C.避障约束
为了保证无人机的安全，规划的航迹必须避开环境中的障碍物。避障约束表示为式(3)。
Figure BDA0002464544100000031
其中Θ表示障碍区域。
D.机间避碰约束
无人机需避免相互碰撞，即任意两个无人机均需保持最小安全距离
Figure BDA0002464544100000032
机间避撞约束如公式(4)所示，其中||.||2表示2-范数。
Figure BDA0002464544100000033
步骤2.3：建立无人机集群航迹规划问题模型。无人机集群航迹规划的目标是最小化无人机集群的总航迹长度。集群航迹规划问题模型如式(5)所示。
Figure BDA0002464544100000034
步骤三：通过滚动时域规划将集群航迹规划问题分解为若干短时域规划问题。
滚动时域规划将集群航迹规划问题分解为若干短时域规划问题。每一次滚动求解包括规划步和预测步。规划时域范围T内最优集群航迹的长度为规划步的长度，且生成的集群飞行航迹需满足方程(1)-(4)中的飞行约束。在预测步，每架无人机生成连接当前规划步的终点和规划目标点的直线。直线的长度作为代价函数，用于估计规划时域之外的航迹，引导无人机在滚动规划过程中接近目标点。
步骤四：在滚动规划框架下，结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高求解集群规划的效率。
在每个滚动时域中，通过优先级解耦机制计算无人机航迹规划优先级次序，将集群耦合航迹规划问题转化为N个单无人机航迹规划问题。各无人机按优先级依次规划航迹，转入步骤五。低优先级无人机规划自身航迹时，需将高优先级无人机航迹加入机间避碰约束。无人机优先级的降序排列是从第一架无人机UAV-1到第N架无人机UAV-N，因此，UAV-1在不考虑非主动威胁规避/机间避碰约束的情况下首先规划其航迹，并在全连通通信网络下将自身航迹信息发送给其余的无人机。然后，UAV-2生成与UAV-1航迹满足机间避碰约束的航迹。优先级规划过程持续进行，直至UAV-N获得其飞行航迹，满足与所有高优先级无人机飞行航迹间机间避碰约束航迹规划，即结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高求解集群规划的效率。
步骤五：针对解耦后的无人机单机航迹规划问题，通过消除非主动威胁规避/机间避碰约束的检测方法，有效减少约束检测次数，并结合稀疏A*算法，高效生成满足飞行约束的无人机规划航迹，实现对解耦后的无人机单机航迹规划。
步骤五具体实现方法如下：
步骤5.1：初始化SAS算法中的OPEN表和CLOSED表；创建OPEN表和CLOSED表，同时将规划的起点插入OPEN表，此时CLOSED表为空；
步骤5.2：判断OPEN表是否为空；若OPEN表为空，则结束搜索；若OPEN表非空，则执行步骤5.3；
步骤5.3：更新当前节点；从当前的OPEN表中取出代价值最小的节点作为新的当前节点，将当前节点从OPEN表中删除，并放入CLOSED表；
航迹点代价值计算：扩展航迹节点
Figure BDA0002464544100000041
的代价值计算的具体实现函数如式(6)所示。
Figure BDA0002464544100000042
式中：
Figure BDA0002464544100000043
表示从初始航迹点
Figure BDA0002464544100000044
到当前扩展航迹点
Figure BDA0002464544100000045
的实际航迹成本；
Figure BDA0002464544100000046
表示从当前扩展航迹点
Figure BDA0002464544100000047
到目标航迹点
Figure BDA0002464544100000048
的估计成本；ε≥1表示启发式权重系数。当航迹到达最终点时，航迹搜索过程停止。
步骤5.4：判断当前节点能否满足收敛条件；若当前节点能够在满足所有约束的条件下到达目标节点，则结束节点扩展循环，转而执行步骤5.6；否则执行步骤5.5；
步骤5.5：节点扩展与储存；以当前节点为中心进行节点扩展，判断扩展子节点的可行性，获得符合非主动威胁规避/机间避碰约束的子节点，计算所有可行节点的代价值，并将可行节点存入OPEN表中；然后执行步骤5.2；
所述节点扩展方法为：采用SAS算法进行三维航迹规划时，节点扩展需在水平面、铅垂面内进行；因此，节点扩展包含水平面内的平飞和转弯两种情况与铅垂面的直飞、爬升和下滑三种情况；平飞扩展对应于零转弯角飞行，即沿当前节点的速度方向，继续飞行一个步长得到一个子节点；转弯扩展包括左转弯和右转弯两组扩展节点；直飞扩展对应于零爬升/下滑角飞行，即沿当前节点的速度方向，继续飞行获取子节点；爬升与下滑，则对应于爬升/下滑角速度方向飞行，获得下一个子节点，扩展包括爬升和下滑两组扩展节点；
对扩展节点可行性进行判断。为了进一步提高单无人机航迹规划问题的求解效率，通过障碍物/碰撞检测方法消除非主动威胁规避/机间避碰约束，即单架无人机进行航迹规划时，考虑机间避碰约束，忽略远距离无人机航迹对其的影响，从而有效削减避碰约束检测次数，提高航迹规划效率。在节点扩展中，无人机只需检测当前扩展点可行扩展区域内的其他无人机的航迹和障碍物。可行扩展区域的半径RF由式(7)给出
RF＝m×Δh (7)
其中m为Δh扩增的倍数。现有扩展点P的可行扩展区域被半径为RF的圆所限制。在UAV-1当前的扩展步骤中，忽略了UAV-i和障碍物在可行扩展区域之外的航迹。
步骤5.6：创建目标节点，目标节点的父节点设置为当前节点，并将目标节点压入CLOSED表；
步骤5.7：反溯最终规划航迹：根据目标节点和CLOSED表中的已扩展节点，利用节点间的扩展关系，从目标节点向上回溯直至起始节点，得到从起始点到目标点的航迹，该航迹即为高效生成的满足飞行约束的无人机规划航迹，实现对解耦后的无人机单机航迹规划；
步骤六：判断步骤四的优先级规划循环是否结束。判断集群所有无人机是否完成航迹规划：若是，则转入步骤八；反之则执行步骤七。
步骤七：更新无人机航迹规划任务信息。低优先级无人机将接收的高优先级无人机航迹信息作为约束信息，更新非主动威胁规避/机间避碰约束，转入步骤五。
步骤八：判断滚动规划时域循环是否结束。判断当前是否满足滚动时域规划终止条件，若是，滚动规划过程终止，所有无人机到达目标点，输出集群航迹，集群航迹规划结束；反之，更新下一个滚动规划步的起点为当前规划步的终点，转至步骤三，继续执行滚动规划时域循环。
所述的滚动时域规划终止条件为：当满足式(8)中的算法收敛条件时，滚动规划过程终止，即所有无人机到达它们相应的终点。
Figure BDA0002464544100000051
其中，
Figure BDA0002464544100000052
表示第i架无人机的目标点位置；
Figure BDA0002464544100000053
表示滚动规划的收敛误差。
步骤九：通过步骤一至步骤八能够在有限时间内生成安全的集群航迹，引导无人机集群在复杂环境中飞行，进而实现大规模无人机集群协同飞行，解决大规模无人机集群规划领域相应问题。
有益效果：
1、本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，针对大规模无人机集群的航迹生成问题，根据实际任务需要，建立航迹离散化模型、无人机飞行约束模型和集群实时航迹规划问题模型。在滚动规划框架下，结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高无人机集群规划的效率。
2、本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，针对解耦后的单机航迹规划问题，采用稀疏A*算法进行高效求解，同时考虑障碍物与无人机之间的相对位置关系，通过障碍物/碰撞检测方法来消除非主动威胁规避/机间避碰约束，有效减少约束的检测次数，降低航迹规划问题的复杂度，进一步提高集群航迹规划效率。
3、本发明公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，能够在有限时间内生成安全的集群航迹，引导无人机集群在复杂环境中飞行，进而实现大规模无人机集群协同飞行，解决大规模无人机集群规划领域相应问题。
附图说明
图1UAV-i和UAV-j的离散航迹点；
图2滚动时域规划示意图；
图3优先级规划示意图；
图4SAS航迹节点扩展示意图；
图5基于降维解耦机制的无人机集群实时航迹规划结果，其中：图5a)为数量为20架UAVs的集群航迹规划结果；图5b)为数量为30架UAVs的集群航迹规划结果；图5c)为数量为40架UAVs的集群航迹规划结果；图5d)为数量为50架UAVs的集群航迹规划结果；
图6机间最小距离，其中：图6a)为20架UAVs的机件最小距离；图6b)为30架UAVs的机件最小距离；图6c)为40架UAVs的机件最小距离；图6d)为50架UAVs的机件最小距离；
图7算法求解耗时对比；
图8基于降维解耦机制的无人机集群实时航迹规划求解耗时统计；
图9为本发明公开的一种基于降维解耦机制的的无人机集群实时航迹生成方法流程图。
具体实施方式
为了更好的说明本发明的目的与优点，下面通过无人机集群实时航迹规划实例，结合附图对本发明做进一步说明。
实例1：
仿真硬件为Intel Core i7-6700 CPU 3.40GHz，8G内存，仿真环境为MATLABR2017b。无人机数量分别为20、30、40和50的编队在14km×14km×2.5m的三维环境中执行任务，地形采用模拟函数法生成。设计了编队重构方案，要求无人机从双列编队飞行到V编队。
如图9所示，本实施例公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，具体实现步骤如下：
步骤一：输入任务信息、无人机性能信息以及航迹规划算法参数，实现参数信息初始化。
在这种情况下，无人机的匀速v、最大转弯角δmax、最大爬升角/下滑角
Figure BDA0002464544100000061
分别设置为20米/秒、45°和15°，同时，还会考虑不同半径的障碍物数量。并将机间最小安全距离
Figure BDA0002464544100000062
设为150m，该方法的离散步长Δh、滚动规划时域的长度T和收敛误差δ分别设为600m、30s和10m。
步骤二：建立航迹离散化模型、无人机飞行约束模型和无人机集群航迹规划问题模型。
根据上述具体实例的参数输入，建立航迹离散化模型、飞行约束模型和集群实时航迹规划问题模型，如式(9)-(13)所示。
步骤2.1：建立航迹离散化模型。
无人机集群的航迹被描述为一系列离散点，步长为600m，集合表示为∏＝{π1,π2,...,π20}，每一个子集用
Figure BDA0002464544100000063
表示，i＝1,...,N代表第i架无人机，pi＝(xi,yi,zi)表示第i架无人机的三维位置坐标，其中上标“k”代表航迹点的序号。
步骤2.2：建立飞行约束模型。
A.最大航向角约束。
Figure BDA0002464544100000071
B.最大爬升/下滑角限制。
Figure BDA0002464544100000072
C.避障约束。
Figure BDA0002464544100000073
D.无人机间避碰约束。
Figure BDA0002464544100000074
步骤2.3：建立无人机集群航迹规划问题模型。
Figure BDA0002464544100000075
步骤三：通过滚动时域规划将集群航迹规划问题分解为若干短时域规划问题。
滚动时域规划将集群航迹规划问题分解为若干短时域规划问题。每一次滚动求解包括规划步和预测步。规划时域范围30s内最优集群航迹的长度为规划步的长度，且生成的集群飞行航迹需满足方程(9)-(12)中的飞行约束。在预测步，每架无人机生成连接当前规划步的终点和规划目标点的直线。直线的长度作为代价函数，用于估计规划时域之外的航迹，引导无人机在滚动规划过程中接近最后的目标点。
步骤四：在滚动规划框架下，结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高求解集群规划的效率。
在每个滚动时域中，通过优先级解耦机制计算无人机航迹规划优先级次序，将集群耦合航迹规划问题转化为N个单无人机航迹规划问题。各无人机按优先级依次规划航迹，转入步骤五。低优先级无人机规划自身航迹时，需将高优先级无人机航迹加入机间避碰约束。
步骤五：针对解耦后的无人机单机航迹规划问题，通过消除非主动威胁规避/机间避碰约束的检测方法，有效减少约束检测次数，并结合稀疏A*算法，高效生成满足飞行约束的无人机规划航迹，实现对解耦后的无人机单机航迹规划。
步骤五具体实现方法如下：
步骤5.1：初始化SAS算法中的OPEN表和CLOSED表；创建OPEN表和CLOSED表，同时将规划的起点插入OPEN表，此时CLOSED表为空；
步骤5.2：判断OPEN表是否为空；若OPEN表为空，则结束搜索；若OPEN表非空，则执行步骤5.3；
步骤5.3：更新当前节点；从当前的OPEN表中取出代价值最小的节点作为新的当前节点，将当前节点从OPEN表中删除，并放入CLOSED表；
步骤5.4：判断当前节点能否满足收敛条件；若当前节点能够在满足所有约束的条件下到达目标节点，则结束节点扩展循环，转而执行步骤5.6；否则执行步骤5.5；
步骤5.5：节点扩展与储存；以当前节点为中心进行节点扩展，判断扩展子节点的可行性，获得符合非主动威胁规避/机间避碰约束的子节点，计算所有可行节点的代价值，并将可行节点存入OPEN表中；然后执行步骤5.2；
在障碍物/碰撞检测方法中，可行扩展区域半径RF在式(14)中给出
RF＝m×600 (14)
步骤5.6：创建目标节点，目标节点的父节点设置为当前节点，并将目标节点压入CLOSED表；
步骤5.7：反溯最终规划航迹：根据目标节点和CLOSED表中的已扩展节点，利用节点间的扩展关系，从目标节点向上回溯直至起始节点，得到从起始点到目标点的航迹，该航迹即为无人机可行航迹；
步骤六：判断步骤四的优先级规划循环是否结束。判断集群所有无人机是否完成航迹规划：若是，则转入步骤八；反之则执行步骤七。
步骤七：更新无人机航迹规划任务信息。低优先级无人机将接收的高优先级无人机航迹信息作为约束信息，更新非主动威胁规避/机间避碰约束，转入步骤五。
步骤八：判断滚动规划时域循环是否结束。计算预测步的代价值是否小于滚动规划的收敛误差。若是，滚动规划过程终止，所有无人机到达目标点，输出集群航迹，算法结束；反之，更新下一个滚动规划步的起点为当前规划步的终点，转至步骤三，继续执行滚动规划时域循环。
图5给出了基于降维解耦机制的无人机实时集群航迹，所有无人机均可以沿着规划的航迹飞行到达相应的目标点，而不违反任何非主动威胁规避/机间避碰约束。图6给出了不同规模下的无人机机间最小距离，且机间最小距离始终满足机间避碰约束。
为了验证该方法的效率优势，将其与优先级规划方法和优先级滚动规划方法进行了比较。优先级滚动规划方法是滚动规划框架和优先级解耦的结合，即先将集群航迹规划进行优先级解耦成序列单无人机航迹规划，在进行单无人机的滚动航迹规划。这两种比较方法的参数(如离散化步长、滚动规划时域和收敛误差)与所提出的方法相同。三种算法运行结果对比如图7所示。基于降维解耦机制的无人机集群实时航迹生成方法求解20架、30架、40架、50架规模无人机集群航迹规划问题分别耗时0.66s、1.32s、2.14s和3.19s。无人机集群规划规模较少时，结果表明，本专利所提出的方法具备实时求解无人机集群航迹规划问题的能力；当规模增加至50架无人机时，在计算效率上，本专利所提出的方法比优先级规划方法和优先级滚动规划方法分别高出44.4％和32.3％。可见，随着无人机数量的增加，该方法的效率优势更加明显。
此外，基于降维解耦机制的无人机集群实时航迹生成方法在每个滚动时域的运行耗时如图8所示。在每个滚动时域中，该方法平均耗时0.03s、0.06s、0.09s和0.13s生成20至50架无人机的短时域航迹。结果表明，该方法对于解决无人机集群航迹规划问题具有很好的计算效率和可扩展性。
本实施例公开的一种基于降维解耦机制的无人机集群实时航迹生成方法，通过滚动时域规划与优先级解耦机制，将原集群耦合航迹规划问题分解为一系列短时域单无人机航迹序列规划问题，以降低集群航迹规划维度，提高计算效率。采用SAS算法高效实时的生成单无人机的飞行航迹。通过障碍物/碰撞检测方法，消除非主动威胁规避/机间避碰约束影响，可以有效减少约束检测次数，增加算法求解效率，提高航迹生成效率。仿真结果对比表明，该方法在计算效率和可扩展性方面均优于优先级规划方法和优先级滚动规划方法。在每个滚动时域下，短时域航迹规划求解耗时均小于0.2s，说明了该方法的有效性。
根据前述的无人机集群实时航迹规划实例仿真结果与分析可见，使用本例所述的基于降维解耦机制的无人机集群实时航迹生成方法，能够为无人机集群提供满足约束的可行协同飞行航迹，航迹生成速度具有较高的效率，因此本发明具有很强的工程实用性，并且能够实现预期的发明目的。
以上的具体描述，是对发明的目的、技术方案和有益效果的进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施实例，仅用于解释本发明，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：包括如下步骤，
步骤一：输入任务信息、无人机性能信息以及航迹规划算法参数，实现参数信息初始化；
步骤二：建立航迹离散化模型、无人机飞行约束模型和无人机集群航迹规划问题模型；
步骤三：通过滚动时域规划将集群航迹规划问题分解为若干短时域规划问题；
步骤四：在滚动规划框架下，结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高求解集群规划的效率；
步骤五：针对解耦后的无人机单机航迹规划问题，通过消除非主动威胁规避/机间避碰约束的检测方法，有效减少约束检测次数，并结合稀疏A*搜索算法，高效生成满足飞行约束的无人机规划航迹，实现对解耦后的无人机单机航迹规划；
步骤六：判断步骤四的优先级规划循环是否结束；判断集群所有无人机是否完成航迹规划：若是，则转入步骤八；反之则执行步骤七；
步骤七：更新无人机航迹规划任务信息；低优先级无人机将接收的高优先级无人机航迹信息作为约束信息，更新非主动威胁规避/机间避碰约束，转入步骤五；
步骤八：判断滚动规划时域循环是否结束；判断当前是否满足滚动时域规划终止条件，若是，滚动规划过程终止，所有无人机到达目标点，输出集群航迹，集群航迹规划结束；反之，更新下一个滚动规划步的起点为当前规划步的终点，转至步骤三，继续执行滚动规划时域循环。
2.如权利要求1所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：还包括步骤九，通过步骤一至步骤八能够在有限时间内生成安全的集群航迹，引导无人机集群在复杂环境中飞行，进而实现大规模无人机集群协同飞行，解决大规模无人机集群规划领域相应问题。
3.如权利要求1或2所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤一实现方法为，
所述输入任务信息包括规划起始点/目标点、飞行性能约束和障碍位置，滚动规划时域的长度T，离散步长Δh以及收敛误差δ以及无人机性能信息以及航迹规划算法参数信息。
4.如权利要求3所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤二实现方法为，
步骤2.1：建立航迹离散化模型；
无人机集群的航迹被描述为一系列离散点，航迹离散化，步长为Δh，集合表示为Π＝{π1,π2,...,πN}，N代表集群无人机数量，每一个子集中
Figure FDA0002464544090000011
i＝1,...,N代表第i架无人机，pi＝(xi,yi,zi)表示第i架无人机的三维位置坐标，其中上标“1,2,...,k,...,K”代表航迹点的序号；
步骤2.2：建立飞行约束模型；
A.最大航向角约束
考虑无人机过载限制，所生成的航迹水平转弯角必须小于无人机的最大航向角；最大航向角约束表示为
Figure FDA0002464544090000021
其中θmax表示无人机最大航向角；
Figure FDA0002464544090000022
表示第i架无人机在第k个航路点的转向角；
B.最大爬升/下滑角约束
在垂直面上，飞行航迹的转角必须满足爬升/下滑角约束，如式(2)所示；
Figure FDA0002464544090000023
其中
Figure FDA0002464544090000024
表示最大爬升/下滑角；
Figure FDA0002464544090000025
表示第i无人机在第k个航路点的爬升/下滑角；
C.避障约束
为了保证无人机的安全，规划的航迹必须避开环境中的障碍物；避障约束表示为式(3)；
Figure FDA0002464544090000026
其中Θ表示障碍区域；
D.机间避碰约束
无人机需避免相互碰撞，即任意两个无人机均需保持最小安全距离
Figure FDA0002464544090000027
机间避撞约束如公式(4)所示，其中||·||2表示2-范数；
Figure FDA0002464544090000028
步骤2.3：建立无人机集群航迹规划问题模型；无人机集群航迹规划的目标是最小化无人机集群的总航迹长度；集群航迹规划问题模型如式(5)所示；
Figure FDA0002464544090000029
5.如权利要求4所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤三实现方法为，
滚动时域规划将集群航迹规划问题分解为若干短时域规划问题；每一次滚动求解包括规划步和预测步；规划时域范围T内最优集群航迹的长度为规划步的长度，且生成的集群飞行航迹需满足方程(1)-(4)中的飞行约束；在预测步，每架无人机生成连接当前规划步的终点和规划目标点的直线；直线的长度作为代价函数，用于估计规划时域之外的航迹，引导无人机在滚动规划过程中接近目标点。
6.如权利要求5所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤四实现方法为，
在每个滚动时域中，通过优先级解耦机制计算无人机航迹规划优先级次序，将集群耦合航迹规划问题转化为N个单无人机航迹规划问题；各无人机按优先级依次规划航迹，转入步骤五；低优先级无人机规划自身航迹时，需将高优先级无人机航迹加入机间避碰约束；无人机优先级的降序排列是从第一架无人机UAV-1到第N架无人机UAV-N，因此，UAV-1在不考虑非主动威胁规避/机间避碰约束的情况下首先规划其航迹，并在全连通通信网络下将自身航迹信息发送给其余的无人机；然后，UAV-2生成与UAV-1航迹满足机间避碰约束的航迹；优先级规划过程持续进行，直至UAV-N获得其飞行航迹，满足与所有高优先级无人机飞行航迹间机间避碰约束航迹规划，即结合优先级解耦机制将集群航迹规划问题转化为一系列单航迹规划问题，从而降低集群规划问题维度，提高求解集群规划的效率。
7.如权利要求6所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤五实现方法如下，
步骤5.1：初始化SAS算法中的OPEN表和CLOSED表；创建OPEN表和CLOSED表，同时将规划的起点插入OPEN表，此时CLOSED表为空；
步骤5.2：判断OPEN表是否为空；若OPEN表为空，则结束搜索；若OPEN表非空，则执行步骤5.3；
步骤5.3：更新当前节点；从当前的OPEN表中取出代价值最小的节点作为新的当前节点，将当前节点从OPEN表中删除，并放入CLOSED表；
航迹点代价值计算：扩展航迹节点
Figure FDA0002464544090000031
的代价值计算的具体实现函数如式(6)所示；
Figure FDA0002464544090000032
式中：
Figure FDA0002464544090000033
表示从初始航迹点
Figure FDA0002464544090000034
到当前扩展航迹点
Figure FDA0002464544090000035
的实际航迹成本；
Figure FDA0002464544090000036
表示从当前扩展航迹点
Figure FDA0002464544090000037
到目标航迹点
Figure FDA0002464544090000038
的估计成本；ε≥1表示启发式权重系数；当航迹到达最终点时，航迹搜索过程停止；
步骤5.4：判断当前节点能否满足收敛条件；若当前节点能够在满足所有约束的条件下到达目标节点，则结束节点扩展循环，转而执行步骤5.6；否则执行步骤5.5；
步骤5.5：节点扩展与储存；以当前节点为中心进行节点扩展，判断扩展子节点的可行性，获得符合非主动威胁规避/机间避碰约束的子节点，计算所有可行节点的代价值，并将可行节点存入OPEN表中；然后执行步骤5.2；
所述节点扩展方法为：采用SAS算法进行三维航迹规划时，节点扩展需在水平面、铅垂面内进行；因此，节点扩展包含水平面内的平飞和转弯两种情况与铅垂面的直飞、爬升和下滑三种情况；平飞扩展对应于零转弯角飞行，即沿当前节点的速度方向，继续飞行一个步长得到一个子节点；转弯扩展包括左转弯和右转弯两组扩展节点；直飞扩展对应于零爬升/下滑角飞行，即沿当前节点的速度方向，继续飞行获取子节点；爬升与下滑，则对应于爬升/下滑角速度方向飞行，获得下一个子节点，扩展包括爬升和下滑两组扩展节点；
对扩展节点可行性进行判断；为了进一步提高单无人机航迹规划问题的求解效率，通过障碍物/碰撞检测方法消除非主动威胁规避/机间避碰约束，即单架无人机进行航迹规划时，考虑机间避碰约束，忽略远距离无人机航迹对其的影响，从而有效削减避碰约束检测次数，提高航迹规划效率；在节点扩展中，无人机只需检测当前扩展点可行扩展区域内的其他无人机的航迹和障碍物；可行扩展区域的半径RF由式(7)给出
RF＝m×Δh (7)
其中m为Δh扩增的倍数；现有扩展点P的可行扩展区域被半径为RF的圆所限制；在UAV-1当前的扩展步骤中，忽略了UAV-i和障碍物在可行扩展区域之外的航迹；
步骤5.6：创建目标节点，目标节点的父节点设置为当前节点，并将目标节点压入CLOSED表；
步骤5.7：反溯最终规划航迹：根据目标节点和CLOSED表中的已扩展节点，利用节点间的扩展关系，从目标节点向上回溯直至起始节点，得到从起始点到目标点的航迹，该航迹即为高效生成的满足飞行约束的无人机规划航迹，实现对解耦后的无人机单机航迹规划。
8.如权利要求7所述的一种基于降维解耦机制的无人机集群实时航迹生成方法，其特征在于：步骤八实现方法为，
所述的滚动时域规划终止条件为：当满足式(8)中的算法收敛条件时，滚动规划过程终止，即所有无人机到达它们相应的终点；
Figure FDA0002464544090000041
其中，
Figure FDA0002464544090000042
表示第i架无人机的目标点位置；
Figure FDA0002464544090000043
表示滚动规划的收敛误差。
CN202010329829.1A 2020-06-23 2020-06-23 一种基于降维解耦机制的无人机集群实时航迹生成方法 Active CN111811511B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010329829.1A CN111811511B (zh) 2020-06-23 2020-06-23 一种基于降维解耦机制的无人机集群实时航迹生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010329829.1A CN111811511B (zh) 2020-06-23 2020-06-23 一种基于降维解耦机制的无人机集群实时航迹生成方法

Publications (2)

Publication Number Publication Date
CN111811511A true CN111811511A (zh) 2020-10-23
CN111811511B CN111811511B (zh) 2024-04-19

Family

ID=72848042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010329829.1A Active CN111811511B (zh) 2020-06-23 2020-06-23 一种基于降维解耦机制的无人机集群实时航迹生成方法

Country Status (1)

Country Link
CN (1) CN111811511B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112985407A (zh) * 2021-02-23 2021-06-18 北京理工大学 基于动态优先级解耦的无人机集群轨迹序列凸规划方法
CN112985414A (zh) * 2021-04-09 2021-06-18 北京猎户星空科技有限公司 一种多智能体导航方法、装置、设备和介质
CN113253761A (zh) * 2021-06-08 2021-08-13 北京远度互联科技有限公司 实时路径规划方法、装置、可移动载具及存储介质
CN113296536A (zh) * 2021-05-24 2021-08-24 哈尔滨工业大学 一种基于a*与凸优化算法的无人机三维避障算法
CN113625780A (zh) * 2021-10-12 2021-11-09 北京大学 一种避免死锁的分布式无人集群协同运动路径规划方法
CN114791743A (zh) * 2022-04-26 2022-07-26 北京理工大学 一种考虑通信时延的无人机集群协同航迹规划方法
CN115097865A (zh) * 2022-06-27 2022-09-23 中国人民解放军海军航空大学 一种多机编队避障的航迹规划方法
CN115617078A (zh) * 2022-12-12 2023-01-17 北京理工大学 基于膨化障碍的无人机三维航迹快速规划方法
CN117555243A (zh) * 2024-01-12 2024-02-13 湖南大学 一种多智能体连续空间级路径段搜索与协同策略方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105700549A (zh) * 2016-01-21 2016-06-22 北京理工大学 一种基于序列小生境粒子群算法的无人机多航迹规划方法
CN107607120A (zh) * 2017-09-06 2018-01-19 北京理工大学 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN108958285A (zh) * 2018-07-17 2018-12-07 北京理工大学 一种基于分解思想的高效多无人机协同航迹规划方法
CN109254591A (zh) * 2018-09-17 2019-01-22 北京理工大学 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法
CN110262548A (zh) * 2019-06-21 2019-09-20 北京理工大学 一种考虑抵达时间约束的无人机航迹规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105700549A (zh) * 2016-01-21 2016-06-22 北京理工大学 一种基于序列小生境粒子群算法的无人机多航迹规划方法
US20180308371A1 (en) * 2017-04-19 2018-10-25 Beihang University Joint search method for uav multiobjective path planning in urban low altitude environment
CN107607120A (zh) * 2017-09-06 2018-01-19 北京理工大学 基于改进修复式Anytime稀疏A*算法的无人机动态航迹规划方法
CN108958285A (zh) * 2018-07-17 2018-12-07 北京理工大学 一种基于分解思想的高效多无人机协同航迹规划方法
CN109254591A (zh) * 2018-09-17 2019-01-22 北京理工大学 基于Anytime修复式稀疏A*与卡尔曼滤波的动态航迹规划方法
CN110262548A (zh) * 2019-06-21 2019-09-20 北京理工大学 一种考虑抵达时间约束的无人机航迹规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
单文昭;崔乃刚;黄蓓;王小刚;白瑜亮;: "基于PSO-HJ算法的多无人机协同航迹规划方法", 中国惯性技术学报, no. 01 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112985407B (zh) * 2021-02-23 2022-10-11 北京理工大学 基于动态优先级解耦的无人机集群轨迹序列凸规划方法
CN112985407A (zh) * 2021-02-23 2021-06-18 北京理工大学 基于动态优先级解耦的无人机集群轨迹序列凸规划方法
CN112985414A (zh) * 2021-04-09 2021-06-18 北京猎户星空科技有限公司 一种多智能体导航方法、装置、设备和介质
CN113296536B (zh) * 2021-05-24 2022-04-05 哈尔滨工业大学 一种基于a*与凸优化算法的无人机三维避障算法
CN113296536A (zh) * 2021-05-24 2021-08-24 哈尔滨工业大学 一种基于a*与凸优化算法的无人机三维避障算法
CN113253761A (zh) * 2021-06-08 2021-08-13 北京远度互联科技有限公司 实时路径规划方法、装置、可移动载具及存储介质
CN113253761B (zh) * 2021-06-08 2021-11-09 北京远度互联科技有限公司 实时路径规划方法、装置、可移动载具及存储介质
CN113625780B (zh) * 2021-10-12 2022-01-28 北京大学 一种避免死锁的分布式无人集群协同运动路径规划方法
CN113625780A (zh) * 2021-10-12 2021-11-09 北京大学 一种避免死锁的分布式无人集群协同运动路径规划方法
CN114791743A (zh) * 2022-04-26 2022-07-26 北京理工大学 一种考虑通信时延的无人机集群协同航迹规划方法
CN115097865A (zh) * 2022-06-27 2022-09-23 中国人民解放军海军航空大学 一种多机编队避障的航迹规划方法
CN115097865B (zh) * 2022-06-27 2023-09-22 中国人民解放军海军航空大学 一种多机编队避障的航迹规划方法
CN115617078A (zh) * 2022-12-12 2023-01-17 北京理工大学 基于膨化障碍的无人机三维航迹快速规划方法
CN117555243A (zh) * 2024-01-12 2024-02-13 湖南大学 一种多智能体连续空间级路径段搜索与协同策略方法
CN117555243B (zh) * 2024-01-12 2024-04-09 湖南大学 一种多智能体连续空间级路径段搜索与协同策略方法

Also Published As

Publication number Publication date
CN111811511B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN111811511B (zh) 一种基于降维解耦机制的无人机集群实时航迹生成方法
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
CN110262548B (zh) 一种考虑抵达时间约束的无人机航迹规划方法
López-González et al. Multi robot distance based formation using Parallel Genetic Algorithm
CN110673649B (zh) 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质
Xu et al. Two-layer distributed hybrid affine formation control of networked Euler–Lagrange systems
Blasi et al. A particle swarm approach for flight path optimization in a constrained environment
CN113885567B (zh) 一种基于冲突搜索的多无人机的协同路径规划方法
Cheng et al. Decentralized multi-UAV path planning based on two-layer coordinative framework for formation rendezvous
Jin et al. Optimal scheduling for refueling multiple autonomous aerial vehicles
CN114791743A (zh) 一种考虑通信时延的无人机集群协同航迹规划方法
Jin et al. Cooperative path planning with priority target assignment and collision avoidance guidance for rescue unmanned surface vehicles in a complex ocean environment
CN115033016A (zh) 一种异构无人集群编队避障方法及系统
Wan et al. Semi-centralized control for multi robot formation
Liu et al. An improved RRT* UAV formation path planning algorithm based on goal bias and node rejection strategy
Cheng et al. Multi-UAV collaborative path planning using hierarchical reinforcement learning and simulated annealing
Zghair et al. Intelligent Hybrid Path Planning Algorithms for Autonomous Mobile Robots.
Yang et al. Path planning and collision avoidance methods for distributed multi-robot systems in complex dynamic environments
Xiang-Yin et al. Differential evolution-based receding horizon control design for multi-UAVs formation reconfiguration
Zhao et al. Reinforcement Learning Assisted Multi-UAV Task Allocation and Path Planning for IIoT
Liu et al. A Formation Reconfiguration Algorithm for Multi‐UAVs Based on Distributed Cooperative Coevolutionary with an Adaptive Grouping Strategy
Han et al. Hybrid Algorithm-Based Full Coverage Search Approach With Multiple AUVs to Unknown Environments in Internet of Underwater Things
CN117055556A (zh) 多机器人编队路径规划方法、装置、电子设备及存储介质
CN112148035A (zh) 多无人机轨迹优化方法、装置、存储介质及计算机设备
Mao et al. Cooperative 3D path planning of multi-UAV via improved fruit fly optimization

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