CN111928853B - 复杂环境下空基平台快速航路规划方法 - Google Patents
复杂环境下空基平台快速航路规划方法 Download PDFInfo
- Publication number
- CN111928853B CN111928853B CN202010747686.6A CN202010747686A CN111928853B CN 111928853 B CN111928853 B CN 111928853B CN 202010747686 A CN202010747686 A CN 202010747686A CN 111928853 B CN111928853 B CN 111928853B
- Authority
- CN
- China
- Prior art keywords
- narrow channel
- threat
- tree
- channel path
- narrow
- 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的一种复杂环境下空基平台快速航路规划方法,旨在,提供一种航路规划时间更短、航路规划结果更优的航路规划方法。本发明通过下述技术方案予以实现:在规划环境建模上,狭窄通道路径求解算法模块根据环境中所有威胁范围的顶点坐标,基于Voronoi图对威胁范围进行求交与距离计算,确定威胁之间的最短连线和各威胁区域之间的狭窄通道,狭窄通道路径树求解算法模块计算各狭窄通道路径之间的关系,确定狭窄通道路径树,提炼出环境的关键因素,实现对规划环境的快速建模;采用基于狭窄通道路径树扩展判断的双向快速随机树方法进行航路优化搜索,确定连接起点和终点的航路树,并对航路树中冗余的节点进行裁剪,得到最终的航路规划结果。
Description
技术领域
本发明涉及一种主要用于指挥控制系统、任务规划系统以及辅助决策系统中的航路规划领域的空基平台快速航路规划方法,尤其是在存在狭窄通道复杂环境下空基平台快速航路规划方法。
背景技术
为了保证空基平台执行任务的效能及自身安全,需要对空基平台航路进行规划。空基平台航路规划是空基平台在特定约束条件下规划制定从初始位置到目标位置满足某种性能指标的最优飞行路径。从系统学的角度来说,航路规划就是根据众多输入信息,输出一条航路。系统输入信息包括平台所处战场环境信息(地形、天气、地面或空中动、静态威胁等)、平台的飞行性能指标(航程、速度、转弯半径)以及平台的航行任务要求,然后通过规划器输出一条航路。从数学的角度来说,航路规划就是一个在平台约束、环境约束等多约束条件下,多任务性能目标函数的典型最优化问题。航路规划是战术可行性、物理可飞行性、航迹隐蔽性、性能最优性等的统一。航路规划主要包括两方面:一是规划环境建模,二是航路优化搜索。
随着信息量和规划约束条件的增加,如何合理地建立规划空间模型,设计一种简单快速的规划算法是空基平台航路规划的关键问题。航路规划算法可以分为传统经典算法和现代智能算法两大类,目前常用的航路规划算法主要有动态规划法、遗传算法、蚁群算法、人工势场法和A*算法等。动态规划法算法模型简单,但对于较大的规划区域,自身状态空间急剧增长,会出现组合爆炸,无法实现航路规划的目的。遗传算法不需要确定的模型,算法鲁棒性强,但如果需要复杂的航路,算法编码比较困难,搜索时间长。蚁群算法具有正反馈,分布计算等优点,但算法初始信息素设定和信息素更新规则难以确定。人工势场法规划速度快,但可能找不到路径,且没有考虑平台的动力学约束。A*算法具有算法简单、易于工程实现等优点,但算法的计算量较大。随着规划空间的增大算法的计算时间逐渐增加,算法的信息存储量加大,不能满足在线航路规划的要求。
根据几何学原理,按照一些特定的规则对复杂的航路规划环境空间进行结构划分,降低航路规划问题的规模和复杂度,实现规划环境建模。常用的划分方法包括路标图法、单元分解法、试场法等。路标图法通过对规划环境空间进行采样处理,实现航路规划空间的缩减,根据使用的采样规则的不同,可分为Voronoi图法、概率路标图(PRM)、快速扩展随机树(RRT)法、可视图法等;单元分解法将规划环境空间划分为如正三角形、正四边形、正六边形的离散栅格,从而实现连续规划空间的离散化;势场法则是通过在规划空间中加入势函数,建立引力和斥力场等势场实现对航线搜索过程的引导。
航路优化搜索是指设计高效的搜索算法,从规划环境建模得到的结构化空间中搜索出最优的航路,搜索算法主要分为两大类:确定性搜索算法和随机性搜索算法。确定性算法根据航路规划性能任务要求设计确定的启发式搜索函数,通过比较任务规划空间中不同栅格节点的函数值大小,选择最佳的栅格节点进行扩展,直到达到航路规划的终止条件为止,常用的确定性搜索算法包括A*搜索算法、稀疏A*搜索(SAS)算法、最速下降法、基于图搜索的Dijkstra算法等;A*算法是经典的启发式搜索算法之一,它通过一个启发式搜索评价函数来估计评价搜索网格图中当前栅格节点到目标节点的权值,例如对搜索最短路径的航路规划来说,权重可设为开始节点到当前节点的距离与当前节点到目标节点的距离之和,以此来搜索下一步的方向。离线航路预规划A*算法的基本思想是通过计算各个搜索节点的实际代价,设定合适的启发函数,估计各个搜索节点的代价。通过比较各个节点的估计代价值,选择代价最小的节点扩展,直到找到目标点。而对于需满足其他任务需求的航路规划来说,很难得到一个完全精确的启发式搜索评价函数,这种不精确性往往会导致算法收敛很慢甚至有可能得到不正确的航路。A*算法需要将整个规划环境栅格化,而栅格的颗粒度对航路整体的精度和搜索计算时间有着很大的影响,较小的颗粒度往往会得到较高精度的航路,但其计算时间却会大大增加,因此得选择一个合适的栅格颗粒度来权衡航路精度与计算时间的需求冲突,这就使得该方法一般只能找到较优解,而非最优解。随机性算法通过类生物界群体启发行为的一些随机搜索算法,实现航路航的最优搜索,常用的随机搜索算法包括遗传算法、粒子群优化算法、蚁群算法以及复合算法等。遗传算法是一种通过模拟自然界生物交叉遗传、个体变异、优胜劣汰等进化过程求解产生优化问题的随机搜索算法,在算法中会用到选择、交叉、变异等遗传操作算子。遗传算法是一种简单、强鲁棒性、通用的优化算法,同时遗传算法通过群体搜索策略使得其具备并行高效的特征。遗传算法虽然不能保证在一定时间内找到优化问题的最优解,但在一般情况下可找到优化问题的次优解。遗传算法在求解实际航路规划问题时,存在早熟收敛和收敛性能差等问题,这些问题可以通过非标准遗传操作算子、动态调参等方法来解决。同时遗传算法在解决航路规划问题时还存在编码困难复杂,初始种群不在可行解集内等问题。蚁群算法是受自然界中真实蚁群的集体觅食行为的启发而发展起来的一种基于群体的模拟进化算法,属于随机搜索算法。蚁群算法是最新发展的一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法,该算法利用生物信息素作为蚂蚁选择后续行为的依据,并通过蚂蚁的协同来完成寻优过程。
基于快速扩展随机树(RRT)算法的航路规划算法以规划环境中的起始点为根节点,通过随机采样不断增加叶节点的方式随机扩展树,直到随机扩展树的叶节点中包含目标节点或者在目标节点一定范围内时结束,通过在随机扩展树中找到一条以根节点为起点的到目标节点的轨迹。RRT算法主要包括采样点选择、随机扩展树上最优节点选择、扩展节点、航路搜索、冗余扩展点裁剪等动作。RRT算法通过随机采样,避免了对空间的建模过程,同时可以避免对一些非完整航路规划约束进行建模,适合在复杂约束环境下的航路规划,但RRT算法不一定得到最优航路,同时随机搜索会消耗较大的无效计算资源。
目前大多数航路规划算法难以在复杂环境下应用。在复杂环境中,由于目标威胁部署、地遮挡等原因,各威胁范围之间可能存在一定的缝隙,将这些缝隙称为狭窄通道。当前已有的航路规划方法已经能够解决大多数简单场景下的航路规划问题,但在求解存在狭窄通道的复杂场景下的航路规划问题时还存在诸多不足之处:
1、计算时间长。由于狭窄通道的宽度很窄,长度较长,若采用单元分解法(如A*算法等)来进行航路规划,则需要很小的栅格颗粒度才能将狭窄通道与周围的威胁环境区分开,而栅格颗粒度越小,搜索航路所耗费的时间越长;若采用路标图法(如RRT算法)来进行航路规划,随机扩展树在狭窄通道扩展时很容易扩展到威胁范围内,导致随机扩展树在狭窄通道内扩展较慢,需耗费大量时间才能的到一条通过狭窄通道的随机扩展树枝;
2、航路结果的最优性。当战场环境还存在除了狭窄通道之外的其他通道时,航路规划算法往往会得到一条未穿过狭窄通道的航路,而该航路的性能比穿过狭窄通道的航路往往要差很多;当复杂环境只存在狭窄通道时,航路规划算法可能会搜索不到穿过狭窄通道的航路,导致航路规划失败。随着所要执行任务越来越复杂,规划时间窗越来越窄,环境的不确定性越来越强,对航路规划的要求也将越来越高。不确定环境下的实时航路规划首要解决弱实时的航路规划,其次要解决强实时的航路规划问题。当一种方法无法满足航路规划要求时,高效的全局搜索方法和局部搜索方法的混合使用将是一种趋势。
发明内容
本发明的目的针对上述现有技术存在的不足之处,提供一种航路规划时间更短、航路规划结果更优、适用场景更为广泛的空基平台航路规划方法。
本发明的上述目的可以通过以下技术方案予以实现,一种复杂环境下空基平台快速航路规划方法,具有如下的技术特征:在规划环境建模上,空基平台狭窄通道路径求解算法模块根据环境中的威胁范围信息,获取所有威胁范围的顶点坐标,判断威胁范围两两之间是否相交,依次判断每个威胁的每条边是否在另一个威胁范围内或者与另一个威胁相交,若两个威胁的所有边都不在另一个威胁的威胁范围内,则两个威胁是相离的,若两个威胁相离,狭窄通道路径求解算法模块基于Voronoi图对威胁范围进行快速求交与距离计算,确定威胁之间的最短连线和各威胁区域之间是否存在狭窄通道,求这两个威胁之间的最短距离,判断最短距离是否小于门限值,是则求威胁之间的最短连线的垂直平分线,快速得到通过狭窄通道的狭窄路径,提炼出环境的关键因素,实现对规划环境的快速建模;狭窄通道路径树求解算法模块综合所有狭窄通道路径信息、威胁范围信息,获取所有威胁范围的顶点坐标和所有狭窄通道路径,计算所有狭窄通道路径与各威胁范围之间的关系得到威胁范围外的新的狭窄通道路径集合,以及新狭窄通道路径之间的相交关系,剔除被威胁范围覆盖的狭窄通道,计算出在威胁范围外的所有狭窄通道路径集合,狭窄通道路径树求解算法模块判断集合中不同路径之间是否相交,相交的狭窄通道路径组成一棵狭窄通道路径树,同时计算不同狭窄通道路径树之间的距离,当它们之间的距离小于一定的阈值时,将它们联合起来组成一棵新的树,最终确定航路规划环境的狭窄通道路径树;在航路优化搜索上,复杂环境下机载平台快速航路规划算法采用双向快速随机树方法进行航路搜索,以航路规划的起点和终点为根节点分别生成一棵随机扩展树,通过改进两步RRT搜索算法来实现航路的快速搜索,采用随机采样不断增加叶节点的方式对随机扩展树进行扩展,当随机扩展树的叶节点中包含狭窄通道路径树的某个节点或者在狭窄通道路径树的某个节点一定范围内时,狭窄通道路径树扩展判断算法模块将整个狭窄通道路径树添加到随机扩展树上,当两个随机扩展树的有叶节点相同或者有叶节点之间的距离在一定范围内时,两个扩展树合为一个扩展树,通过在该扩展树上找一条起点的到终点的轨迹;采用冗余节点裁剪方法对轨迹中冗余的节点进行裁剪,得到最终的航路规划结果,直到程序结束。
本发明相比于现有技术具有如下有益效果:
航路规划时间更短。本发明基于Voronoi图对威胁范围进行快速求交与距离计算,求威胁两两之间的最短距离,确定威胁之间的最短连线,确定各威胁区域之间是否存在狭窄通道,并快速得到通过狭窄通道的狭窄路径,提炼出环境的关键因素,实现对规划环境的快速建模。建模过程无需考虑采用单元分解法需考虑的栅格颗粒度问题,只需对威胁数据进行处理,即可保证对环境的快速有效建模,从而避免在环境建模上耗费大量计算时间。
航路规划结果更优。本发明采用双向快速随机树方法进行航路搜索,以航路规划的起点和终点为根节点分别生成一棵随机扩展树,通过改进两步RRT搜索算法来实现航路的快速搜索,采用随机采样不断增加叶节点的方式对随机扩展树进行扩展,通过判断狭窄通道路径树与扩展树之间的关系,将整个狭窄通道路径树整体增加到随机扩展树上,能够完全解决传统RRT搜索算法在狭窄通道处搜索缓慢、搜索不到正确航路等问题,同时能够提高搜索到的航路的任务性能,能够充分表示存在多威胁范围的复杂环境下的狭窄路径树,这将更适应航路规划的实际使用环境,航路规划结果更优。
适用场景更为广泛。本发明通过确定威胁之间的狭窄路径树,生成扩展树并在树上找到一条起点的到终点的航迹,采用冗余节点裁剪方法对轨迹中冗余的节点进行裁剪,得到最终的航路规划结果,能够更真实方便地对规划环境进行建模,能够更好、更快地规划出复杂环境下的航路,能够适用于各类空基平台在各种复杂度环境下的航路规划,在指挥控制系统、任务规划系统以及辅助决策系统中的航路规划领域具有很强的实时性和适用性。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明威胁之间的狭窄通道路径求解算法模块的流程图。
图2是图1威胁之间的狭窄通道路径结果示意图。
图3是本发明狭窄通道路径树求解算法模块的流程图。
图4是图3航路规划环境中狭窄通道路径树结果示意图。
图5是本发明复杂环境下机载平台快速航路规划流程图。
图6是图5复杂环境下机载平台快速航路规划结果示意图。
下面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。
具体实施方式
参阅图1。根据本发明,在规划环境建模上,空基平台狭窄通道路径求解算法模块根据环境中威胁的威胁范围信息,获取所有威胁范围的顶点坐标,判断威胁范围两两之间是否相交,依次判断每个威胁的每条边是否在另一个威胁范围内或者与另一个威胁相交,若两个威胁的所有边都不在另一个威胁的威胁范围内,则两个威胁是相离的,若两个威胁相离,狭窄通道路径求解算法模块基于Voronoi图对威胁范围进行快速求交与距离计算,确定威胁之间的最短连线和各威胁区域之间是否存在狭窄通道,求这两个威胁之间的最短距离,判断最短距离是否小于门限值,是则求威胁之间的最短连线的垂直平分线,快速得到通过狭窄通道的狭窄路径,提炼出环境的关键因素,实现对规划环境的快速建模;狭窄通道路径树求解算法模块综合所有狭窄通道路径信息、威胁范围信息,获取所有威胁范围的顶点坐标和所有狭窄通道路径,计算所有狭窄通道路径与各威胁范围之间的关系得到威胁范围外的新的狭窄通道路径集合,以及新狭窄通道路径之间的相交关系,剔除被威胁范围覆盖的狭窄通道,计算出在威胁范围外的所有狭窄通道路径集合,狭窄通道路径树求解算法模块判断集合中不同路径之间是否相交,相交的狭窄通道路径组成一棵狭窄通道路径树,同时计算不同狭窄通道路径树之间的距离,当它们之间的距离小于一定的阈值时,将它们联合起来组成一棵新的树,最终确定航路规划环境的狭窄通道路径树;在航路优化搜索上,复杂环境下机载平台快速航路规划算法采用双向快速随机树方法进行航路搜索,以航路规划的起点和终点为根节点分别生成一棵随机扩展树,通过改进两步RRT搜索算法来实现航路的快速搜索,采用随机采样不断增加叶节点的方式对随机扩展树进行扩展,当随机扩展树的叶节点中包含狭窄通道路径树的某个节点或者在狭窄通道路径树的某个节点一定范围内时,狭窄通道路径树扩展判断算法模块将整个狭窄通道路径树添加到随机扩展树上,当两个随机扩展树的有叶节点相同或者有叶节点之间的距离在一定范围内时,两个扩展树合为一个扩展树,通过在该扩展树上找一条起点的到终点的轨迹;采用冗余节点裁剪方法对轨迹中冗余的节点进行裁剪,得到最终的航路规划结果,直到程序结束。
在可选实施例中,空基平台根据每个威胁范围的顶点利用威胁1的第j条边[x1j,y1j;x1j+1,y1j+1]与威胁2的第k条边[x2k,y2k;x2k+1,y2k+1]的交点计算公式:/>计算两个威胁之间的交点来判断两个威胁是否相交,
其中,i表示威胁的编号,Ni表示i个威胁的顶点数量,xin,yin表示第i个威胁的第n个顶点的横坐标和纵坐标,t1,t2表示交点距离线段起点的比例,j表示第一个威胁的第第j条边,k表示第二个威胁的第k条边。
rank(A)=2∩0≤t1≤1∩0≤t2≤1
狭窄通道路径求解算法模块在判断两个威胁范围是否相交时,通过射线法分别判断威胁的顶点是否在另外一个威胁的范围内,若两个威胁有边相交或者有顶点在另一个威胁范围内,则认为两个威胁相交或包含,否则,认为两个威胁是相离的。
对于相离的两个威胁,空基平台狭窄通道路径求解算法模块分别计算每个威胁的对象qij对应的Voronoi区域Qij,若对象q1m在区域Q2n范围内且对象q2n在范围Q1m的范围内时,则认为q1m和q2n是一个最短距离对象对,q1m和q2n之间的最短连线为两个威胁区的最短连线。则最短连线的垂直平分线即为两个威胁区的狭窄通道路径,其中i表示威胁的编号,j表示威胁上对象的编号,m表示第1个威胁上的对象的编号,n表示第2个威胁上的对象的编号。
参阅图2。图中黑色区域为两个威胁区域的范围,其中第一个威胁的顶点坐标如下表所示:
顶点1 | 顶点2 | 顶点3 | 顶点4 | 顶点5 | |
x方向位置/km | 7.10 | -1.75 | -2.16 | -1.48 | 14.88 |
y方向位置/km | 11.61 | 15.13 | 13.82 | 7.48 | 6.09 |
第二个威胁的顶点坐标如下表所示:
顶点1 | 顶点2 | 顶点3 | 顶点4 | 顶点5 | 顶点6 | 顶点7 | |
x方向位置/km | 6.23 | -3.62 | 3.50 | 4.91 | 5.69 | 11.75 | 14.54 |
y方向位置/km | 24.82 | 16.27 | 13.54 | 13.59 | 13.52 | 14.95 | 17.15 |
图中两个区域之间的连线为两个威胁区的最短连线,最短连线的第一个点坐标为(-1.75km,15.13km),第二个点的坐标为(-1.61km,15.50km),两个威胁区的最短距离为0.40km。图中虚线线段为两个威胁区的狭窄通道路径,路径的第一个点坐标为(9.67km,10.98km),第二个点的坐标为(-4.09km,16.24km)。
参阅图3。在求解完航路规划环境中所有威胁之间的狭窄通道路径后,航路规划中狭窄通道路径树求解算法模块综合所有狭窄通道路径信息、威胁范围信息,获取所有威胁范围的顶点坐标和所有狭窄通道路径,计算所有狭窄通道路径与各威胁范围之间的关系得到威胁范围外的新的狭窄通道路径集合,以及新狭窄通道路径之间的相交关系,剔除被威胁范围覆盖的狭窄通道,计算出在威胁范围外的所有狭窄通道路径集合。狭窄通道路径树求解算法模块判断集合中不同路径之间是否相交,相交的狭窄通道路径组成一棵狭窄通道路径树,同时计算不同狭窄通道路径树之间的距离,当它们之间的距离小于一定的阈值时,将它们联合起来组成一棵新的树,最终确定航路规划环境的狭窄通道路径树。
对每一条狭窄通道路径,狭窄通道路径树求解算法模块遍历所有威胁范围,通过射线法判断其端点是否在威胁的范围内,若在威胁范围内,则剔除该狭窄路径;否则,计算狭窄通道路径与威胁范围的交点信息,保留在威胁范围外的狭窄通道路径作为新的狭窄路径,当完成对所有狭窄通道路径的判断后,得到在威胁范围外的新的狭窄通道路径集合;若两条狭窄通道路径相交,则这两条路径就组成一棵狭窄通道路径树。
在可选实施例中,狭窄通道路径树求解算法模块设每条狭窄通道路径为[xi1,yi1;xi2,yi2],设狭窄通道路径i和j之间的交点为[xij,yij],根据和/>表示第i条狭窄通道路径起点和终点的横纵坐标,生成狭窄通道路径树矩阵:/>其中,i,j表示狭窄通道路径的编号,矩阵每一行表示狭窄通道路径树的一个节点的信息,每一行的第一个元素表示树节点的编号,第二个元素表示树节点的横坐标,第三个元素表示树节点的纵坐标,第四个元素表示树节点的父节点的编号。
狭窄通道路径树求解算法模块对还未加入狭窄通道路径树上的狭窄通道路径,计算其与已有狭窄通道路径树的相交情况,若相交,则将该狭窄路径加入到该狭窄通道路径树上。
当存在多棵不相交的狭窄通道路径树时,狭窄通道路径树求解算法模块通过求解每棵树上节点距离其他树的最近距离,若距离小于最小距离阈值,则将两棵树合并为一棵新的树。
在可选实施例中,点[x,y]距离狭窄通道路径树上第i个树枝[xi1,yi1;xi2,yi2[的最短距离dmin为:
参阅图4。图中的4个黑色多边形为威胁区域,4个威胁区域的顶点坐标为:
顶点坐标/km | |
威胁1 | [5.24,42.91;11.28,45.25;8.60,48.45;4.91,49.38;2.29,48.68;2.08,48.57] |
威胁2 | [0.98,48.21;9.57,51.73;6.67,55.54;1.93,57.44;-0.69,57.33;-3.39,56.39] |
威胁3 | [13.35,37.68;18.69,43.20;15.57,45.03;12.56,45.32;8.31,43.47;5.82,39.16] |
威胁4 | [12.50,46.38;22.92,54.12;20.15,56.87;8.81,58.83] |
4个威胁之间的狭窄通道路径树由13个节点组成,图中蓝色星为树节点位置,所有蓝色线段即为狭窄通道路径树,树节点的具体信息如下表所示
参阅图5。当狭窄通道路径树求解算法模块确定航路规划环境的狭窄通道路径树后,航路规划算法模块根据航路规划任务的起点及终点信息,分别生成从起点为根节点的前向航路树和以终点为根节点的后向航路树;每次从其中随机选择要扩展的航路树,将该航路树作为待扩展航路树,并生成一个随机节点,计算待扩展的航路树上距离随机节点最近的节点,连接两点并在与随机节点的连线上,按扩展步长进行截取,生成扩展节点,判断扩展节点与待扩展树上最近节点之间的连线是否穿过威胁,若连线穿过威胁,则开始下一次的扩展计算;当最近节点与扩展节点之间的连线没有穿过威胁时,将该扩展节点添加到待扩展树上,作为该树的一个新的节点;然后计算当前向航路树节点与后向航路树节点之间的最小距离,判断两棵航路树节点的最小距离是否小于步长,若是,将两棵航路树进行整合,对冗余节点进行删减,选择连接起点和终点的节点生成航路,并对航路进行删减平滑,航路生成完成;当两棵航路树上节点之间的最小距离大于步长时,若不存在狭窄通道路径树,则开始进行下一次的扩展计算;若存在狭窄通道路径树,则求解扩展节点与狭窄通道路径树上节点的最近距离,当最近距离小于扩展步长,将狭窄通道路径树添加到航路树上,开始下一次的扩展计算;当最近距离大于扩展步长时,开始下一次的扩展计算。
下面以具体范例说明:
参阅图6。航路规划的起点坐标为(10km,22km),航路规划的终点坐标为(15km,60km),图中的4个黑色多边形为威胁区域,4个威胁区域的顶点坐标为:
顶点坐标/km | |
威胁1 | [5.24,42.91;11.28,45.25;8.60,48.45;4.91,49.38;2.29,48.68;2.08,48.57] |
威胁2 | [0.98,48.21;9.57,51.73;6.67,55.54;1.93,57.44;-0.69,57.33;-3.39,56.39] |
威胁3 | 13.35,37.68;18.69,43.20;15.57,45.03;12.56,45.32;8.31,43.47;5.82,39.16] |
威胁4 | [12.50,46.38;22.92,54.12;20.15,56.87;8.81,58.83] |
图中正三角表示前向航路树上的节,它们的连线组成前向航路树;倒三角表示后向航路树上的节,它们的连线组成后向航路树;较粗折线表示规划得到的航路,其穿过了威胁之间的狭窄区域,正方形表示航路的关键航路点,其具体信息为:
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权力要求及其等同物限定。
Claims (9)
1.一种复杂环境下空基平台快速航路规划方法,具有如下的技术特征:在规划环境建模上,空基平台狭窄通道路径求解算法模块根据环境中的威胁范围信息,获取所有威胁范围的顶点坐标,判断威胁范围两两之间是否相交,依次判断每个威胁的每条边是否在另一个威胁范围内或者与另一个威胁相交,若两个威胁的所有边都不在另一个威胁的威胁范围内,则两个威胁是相离的,若两个威胁相离,狭窄通道路径求解算法模块基于Voronoi图对威胁范围进行快速求交与距离计算,确定威胁之间的最短连线和各威胁区域之间是否存在狭窄通道,求这两个威胁之间的最短距离,判断最短距离是否小于门限值,是则求威胁之间的最短连线的垂直平分线,快速得到通过狭窄通道的狭窄路径,提炼出环境的关键因素,实现对规划环境的快速建模;狭窄通道路径树求解算法模块综合所有狭窄通道路径信息、威胁范围信息,获取所有威胁范围的顶点坐标和所有狭窄通道路径,计算所有狭窄通道路径与各威胁范围之间的关系得到威胁范围外的新的狭窄通道路径集合,以及新狭窄通道路径之间的相交关系,剔除被威胁范围覆盖的狭窄通道,计算出在威胁范围外的所有狭窄通道路径集合,狭窄通道路径树求解算法模块判断集合中不同路径之间是否相交,相交的狭窄通道路径组成一棵狭窄通道路径树,同时计算不同狭窄通道路径树之间的距离,当它们之间的距离小于一定的阈值时,将它们联合起来组成一棵新的树,最终确定航路规划环境的狭窄通道路径树。
2.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:空基平台根据每个威胁范围的顶点利用威胁1的第j条边[x1j,y1j;x1j+1,y1j+1]与威胁2的第k条边[x2k,y2k;x2k+1,y2k+1]的交点计算公式:计算两个威胁之间的交点来判断两个威胁是否相交,当满足下式的条件时,威胁1的第j条与威胁2的第k条边相交:得到相交判断矩阵并且rank(A)=2∩0≤t1≤1∩0≤t2≤1
其中,i表示威胁的编号,Ni表示i个威胁的顶点数量,xin,yin表示第i个威胁的第n个顶点的横坐标和纵坐标,t1,t2表示交点距离线段起点的比例,j表示第一个威胁的第j条边,k表示第二个威胁的第k条边。
3.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:狭窄通道路径求解算法模块在判断两个威胁范围是否相交时,通过射线法分别判断威胁的顶点是否在另外一个威胁的范围内,若两个威胁有边相交或者有顶点在另一个威胁范围内,则认为两个威胁相交或包含,否则,认为两个威胁是相离的,对于相离的两个威胁,空基平台狭窄通道路径求解算法模块分别计算每个威胁的对象qij对应的Voronoi区域Qij,若对象q1m在区域Q2n范围内且对象q2n在范围Q1m的范围内时,则认为q1m和q2n是一个最短距离对象对,q1m和q2n之间的最短连线为两个威胁区的最短连线,则最短连线的垂直平分线即为两个威胁区的狭窄通道路径,其中i表示威胁的编号,j表示威胁上对象的编号,m表示第1个威胁上的对象的编号,n表示第2个威胁上的对象的编号。
4.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:狭窄通道路径求解算法模块在求解完航路规划环境中所有威胁之间的狭窄通道路径后,航路规划中的狭窄通道路径树求解算法模块综合所有狭窄通道路径信息、威胁范围信息,获取所有威胁范围的顶点坐标和所有狭窄通道路径,计算所有狭窄通道路径与各威胁范围之间的关系,得到威胁范围外的新的狭窄通道路径集合,以及新狭窄通道路径之间的相交关系,剔除被威胁范围覆盖的狭窄通道,计算出在威胁范围外的所有狭窄通道路径集合。
5.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:狭窄通道路径树求解算法模块判断集合中不同路径之间是否相交,相交的狭窄通道路径组成一棵狭窄通道路径树,同时计算不同狭窄通道路径树之间的距离,当它们之间的距离小于一定的阈值时,将它们联合起来组成一棵新的树,最终确定航路规划环境的狭窄通道路径树。
6.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:对每一条狭窄通道路径,狭窄通道路径树求解算法模块遍历所有威胁范围,通过射线法判断其端点是否在威胁的范围内,若在威胁范围内,则剔除该狭窄路径;否则,计算狭窄通道路径与威胁范围的交点信息,保留在威胁范围外的狭窄通道路径作为新的狭窄路径,当完成对所有狭窄通道路径的判断后,得到在威胁范围外的新的狭窄通道路径集合;若两条狭窄通道路径相交,则这两条路径就组成一棵狭窄通道路径树。
8.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:复杂环境下机载平台快速航路规划算法对还未加入狭窄通道路径树上的狭窄通道路径,计算其与已有狭窄通道路径树的相交情况,若相交,则将该狭窄路径加入到该狭窄通道路径树上;当存在多棵不相交的狭窄通道路径树时,狭窄通道路径树求解算法模块通过求解每棵树上节点距离其他树的最近距离,若距离小于最小距离阈值,则将两棵树合并为一棵新的树。
9.如权利要求1所述的复杂环境下空基平台快速航路规划方法,其特征在于:复杂环境下空基平台快速航路规划算法采用双向快速随机树方法进行航路搜索,以航路规划的起点和终点为根节点分别生成一棵随机扩展树,通过改进两步RRT搜索算法来实现航路的快速搜索,采用随机采样不断增加叶节点的方式对随机扩展树进行扩展,当随机扩展树的叶节点中包含狭窄通道路径树的某个节点或者在狭窄通道路径树的某个节点一定范围内时,狭窄通道路径树扩展判断算法模块将整个狭窄通道路径树添加到随机扩展树上,当两个随机扩展树的有叶节点相同或者有叶节点之间的距离在一定范围内时,两个扩展树合为一个扩展树,通过在该扩展树上找一条起点的到终点的轨迹,采用冗余节点裁剪方法对轨迹中冗余的节点进行裁剪,得到最终的航路规划结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747686.6A CN111928853B (zh) | 2020-07-30 | 2020-07-30 | 复杂环境下空基平台快速航路规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010747686.6A CN111928853B (zh) | 2020-07-30 | 2020-07-30 | 复杂环境下空基平台快速航路规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111928853A CN111928853A (zh) | 2020-11-13 |
CN111928853B true CN111928853B (zh) | 2023-06-02 |
Family
ID=73315865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010747686.6A Active CN111928853B (zh) | 2020-07-30 | 2020-07-30 | 复杂环境下空基平台快速航路规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111928853B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112683275B (zh) * | 2020-12-24 | 2023-11-21 | 长三角哈特机器人产业技术研究院 | 一种栅格地图的路径规划方法 |
CN112987737B (zh) * | 2021-02-26 | 2022-06-17 | 华中科技大学 | 考虑转角约束的Bi-RRT无人艇多艇导航方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102147255A (zh) * | 2011-01-12 | 2011-08-10 | 北京航空航天大学 | 一种威胁信息共享环境下的无人机群实时航路规划方法 |
CN102160006A (zh) * | 2008-07-15 | 2011-08-17 | 空中侦察辨识和避免技术有限责任公司 | 用于避免碰撞的系统和方法 |
CN103913172A (zh) * | 2013-12-06 | 2014-07-09 | 北京航空航天大学 | 一种适用于复杂低空下飞行器的路径规划方法 |
CN106959698A (zh) * | 2017-05-24 | 2017-07-18 | 大连海事大学 | 一种路径跟踪避障制导方法 |
CN109885082A (zh) * | 2019-03-03 | 2019-06-14 | 西安电子科技大学 | 一种基于任务驱动下的无人机航迹规划的方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN111045456A (zh) * | 2018-10-12 | 2020-04-21 | 极光飞行科学公司 | 用于交通工具的轨迹规划器 |
CN111307160A (zh) * | 2020-03-20 | 2020-06-19 | 中国人民解放军军事科学院国防科技创新研究院 | 一种自主水下航行器长航时航迹的修正方法及装置 |
CN111338350A (zh) * | 2020-03-10 | 2020-06-26 | 青岛蓝海未来海洋科技有限责任公司 | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3022618B1 (en) * | 2013-07-15 | 2017-10-04 | BAE SYSTEMS plc | Route planning |
US10365110B2 (en) * | 2014-09-30 | 2019-07-30 | Nec Corporation | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles |
US10145699B2 (en) * | 2015-08-28 | 2018-12-04 | The Boeing Company | System and methods for real-time escape route planning for fire fighting and natural disasters |
-
2020
- 2020-07-30 CN CN202010747686.6A patent/CN111928853B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102160006A (zh) * | 2008-07-15 | 2011-08-17 | 空中侦察辨识和避免技术有限责任公司 | 用于避免碰撞的系统和方法 |
CN102147255A (zh) * | 2011-01-12 | 2011-08-10 | 北京航空航天大学 | 一种威胁信息共享环境下的无人机群实时航路规划方法 |
CN103913172A (zh) * | 2013-12-06 | 2014-07-09 | 北京航空航天大学 | 一种适用于复杂低空下飞行器的路径规划方法 |
CN106959698A (zh) * | 2017-05-24 | 2017-07-18 | 大连海事大学 | 一种路径跟踪避障制导方法 |
CN111045456A (zh) * | 2018-10-12 | 2020-04-21 | 极光飞行科学公司 | 用于交通工具的轨迹规划器 |
CN109885082A (zh) * | 2019-03-03 | 2019-06-14 | 西安电子科技大学 | 一种基于任务驱动下的无人机航迹规划的方法 |
CN110045738A (zh) * | 2019-04-29 | 2019-07-23 | 天津大学 | 基于蚁群算法和Maklink图的机器人路径规划方法 |
CN111338350A (zh) * | 2020-03-10 | 2020-06-26 | 青岛蓝海未来海洋科技有限责任公司 | 基于贪婪机制粒子群算法的无人船路径规划方法及系统 |
CN111307160A (zh) * | 2020-03-20 | 2020-06-19 | 中国人民解放军军事科学院国防科技创新研究院 | 一种自主水下航行器长航时航迹的修正方法及装置 |
Non-Patent Citations (5)
Title |
---|
Zetian Zhang ET-AL.Randomized sampling-based trajectory optimization for UAVs to satisfy linear temporal logic specifications.Aerospace Science and Technology.2019,全文. * |
丁宇 等.基于分弧段角度法的雷达网重叠覆盖区域研究.计算机仿真.2020,第37卷(第37期),全文. * |
刘宇 等. 飞行试验航路规划方法研究与实现.计算机工程与应用.2013,第49卷(第49期),全文. * |
王琼 第.无人机航迹规划常用算法综述.吉林大学学报(信息科学版).2019,第37卷(第37期),全文. * |
陈天德 等.基于碰撞预测的无碰撞航路规划.系统工程理论与实践.2020,第40卷(第40期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111928853A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106525047B (zh) | 一种基于floyd算法的无人机路径规划方法 | |
Edison et al. | Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms | |
CN111928853B (zh) | 复杂环境下空基平台快速航路规划方法 | |
US20210348928A1 (en) | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network | |
CN106970648A (zh) | 城市低空环境下无人机多目标路径规划联合搜索方法 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN110926477B (zh) | 一种无人机航路规划及避障方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN110515094A (zh) | 基于改进rrt*的机器人点云地图路径规划方法及系统 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN109118064A (zh) | 一种用于探测任务规划的最优资源分配方法 | |
Gao et al. | A multiobjective hybrid optimization algorithm for path planning of coal mine patrol robot | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
Smith Iii et al. | Autonomous and cooperative robotic behavior based on fuzzy logic and genetic programming | |
CN117521932A (zh) | 一种基于网格化划分的无人机巡检管理系统 | |
CN113063419A (zh) | 一种无人机路径规划方法及系统 | |
CN110442147A (zh) | 一种基于变分法的无人机最优能耗路径的规划方法 | |
Chow et al. | RADR: routing for autonomous drones | |
Wang et al. | UAV online path planning based on improved genetic algorithm with optimized search region | |
CN109726895B (zh) | 一种多目标点的任务执行规划方法及装置 | |
Thyagarajan et al. | Planning dissimilar paths for military units | |
Kermani et al. | Flight path planning using GA and fuzzy logic considering communication constraints | |
CN112799420A (zh) | 一种基于多传感器无人机的实时航迹规划的方法 | |
Taylor et al. | Fuzzy ant colony algorithm for terrain following 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 |