CN112327907B - 一种无人机路径规划方法 - Google Patents
一种无人机路径规划方法 Download PDFInfo
- Publication number
- CN112327907B CN112327907B CN202011147730.6A CN202011147730A CN112327907B CN 112327907 B CN112327907 B CN 112327907B CN 202011147730 A CN202011147730 A CN 202011147730A CN 112327907 B CN112327907 B CN 112327907B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- monitoring
- point
- flight
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 116
- 230000005540 biological transmission Effects 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 210000000349 chromosome Anatomy 0.000 claims description 67
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000005265 energy consumption Methods 0.000 claims description 5
- 230000010006 flight Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 claims description 4
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000008054 signal transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001141 propulsive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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
-
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人机技术领域，尤其为一种无人机路径规划方法，包括以下步骤：参数设置：选取合适的无人机，设置任务无人机的飞行与能量等相关参数，设置任务无人机的监测中心与各巡航监测点坐标，设置每个巡航点的基本监测时间；本发明根据无人机的能量约束、视频传输质量的要求、以及监测巡航的具体要求；结合无线信道的合理建模、无线视频传输时间的推算、无人机盘旋与推进功率的能量损耗模型；将无人机在监测点进行视频传输的时间，以及此过程中悬停与进行信息传输所消耗的能量，加入路径规划中，对无人机的总能量损耗进行优化，以减小无人机的总飞行距离以及总起飞次数，提升无人机路径规划的准确性与实用性。
Description
技术领域
本发明涉及无人机技术领域，具体为一种无人机路径规划方法。
背景技术
近年来，无人机技术的快速发展，特别是无人机生产成本的大幅降低和设备的小型化集成化，以及操作的简便性。使得无人机从军用领域向民用和工业领域中的应用越来越广泛，比如，电力线路巡检，中继应急通信，实时交通监控，农业物联网等方面。而随着无人机的应用越来越广泛，人们对无人机在执行任务时的要求也不断提升。在应用无人机执行任务时，由于其所携带电池能量的局限，如何规划其执行任务的飞行路径，使得无人机能够快速高效的完成任务显得十分必要。
虽然如今已经有许多对无人机路径的规划研究，但是传统的路径规划中存在建模困难，计算复杂度高等问题，并且在路径规划中直接进行点对点的路径进行规划，没有考虑到在实际任务中在任务点所悬停的消耗，使得这些路径规划在实际任务中优化的不够准确，并且，高清视频的传输依赖于无线信道的质量，它与无线传输的距离紧密相关，尤其在远程巡航监控中，不同监测点之间的距离差距可能很大，因此会造成在不同监测点的信道差异与传输延时，为此提出一种无人机路径规划方法，来解决此问题。
发明内容
本发明的目的在于提供一种无人机路径规划方法，解决了传统的路径规划中存在建模困难，计算复杂度高等问题，并且在路径规划中直接进行点对点的路径进行规划，没有考虑到在实际任务中在任务点所悬停的消耗，使得这些路径规划在实际任务中优化的不够准确，并且，高清视频的传输依赖于无线信道的质量，它与无线传输的距离紧密相关，尤其在远程巡航监控中，不同监测点之间的距离差距可能很大，因此会造成在不同监测点的信道差异与传输延时的问题。
为实现上述目的，本发明提供如下技术方案：一种无人机路径规划方法，包括以下步骤：
步骤1：参数设置：选取合适的无人机，设置任务无人机的飞行与能量等相关参数，设置任务无人机的监测中心与各巡航监测点坐标，设置每个巡航点的基本监测时间，设置任务无人机摄像头的视频回传质量参数，设置应用场景的无线信道的路径损耗模型；
步骤2：得到飞行里程：利用提前设置的每个巡航点的坐标，计算无线信道的平均路径损耗，利用视频回传质量参数，以及该巡航点的路径损耗值，计算无人机在每个巡航点所需要盘旋的时间，并将在此盘旋时间内由于盘旋和无线视频信号发射所需要消耗的无人机电池能量转化为无人机等效的飞行里程；
步骤3：初步规划：根据无人机所携带的能量限制，在保证实时视频回传质量的情况下，使用遗传算法对执行任务的无人机进行检测路径的规划，以最小化无人机的能量消耗为目标得到无人机完成检测任务所需要的最少起飞次数，以及每次飞行的具体巡航路径；
步骤4：最佳规划：根据优化目标和约束条件，建立优化问题的数学模型，利用遗传算法解决上述的优化问题，并得到最佳的飞行路径规划。
优选的，所述在步骤1中，执行任务无人机的参数，包含无人机的电池总能量，执行任务的飞行高度、速度、推进功率、盘旋功率、无线视频数据发射功率等，还包括各个巡航检测点的三维坐标，以及各点之间的距离以及它们与起飞中心点(监控中心)之间的距离等，还包括每个巡航监测点完成各部分监测所需要的基本时间，需要回传的实时视频的码率或清晰度要求，以及执行巡航检测任务的无人机数量等。
优选的，所述在步骤1中，根据巡航点的所在的应用场景，选择适合的无线信道的路径损耗模型，设置相关参数，包括：视距传播与非视距传播的衰减指数，阴影效应的损耗等。
优选的，所述在步骤1中，包括以下具有步骤：
首先，设置无人机飞行的相关参数：所携带的电池能量E、飞行速度v、推进飞行功率PF、盘旋时的功率PH、无线信号的发射功率PT、每个巡航点的基本监测时间T0；
然后，根据实际情况设置监测点数N，各监测点的三维坐标；监测中心的坐标，利用监测点与监测中心的坐标，计算出监测点两两之间的距离di，j，以及每个监测点与监测中心之间的距离ri；
接着，根据实际应用场景(如市区，郊区，远郊等)，选择国际标准组织3GPP所提供的该场景下的无线信道模型，即路径损耗和阴影效应模型；
最后，根据所需的回传视频质量，设置其所需的传输速率R0(bps)；设置每个监测点的基本监测时间T0，基本监测时间的含义是当无线信道的传输速率可以满足高清视频回传要求时，完成对监测点设备的全面检查所需要的时间。
优选的，所述在步骤2中，利用巡航监测点与监测中心的距离，以及选择的无线信道路径损耗模型，计算无线信道的传输损耗，计算无人机在每个巡航监测点上所需的悬停时间，包括监测任务本身需要的固定监测时间以及由于无线视频传输过程中为满足视频回传质量而所造成的额外悬停时间，再根据无人机的盘旋功率和悬停时间计算出无人机在每个巡航监测点的所消耗的能量，然后根据无人机的电池能量与里程的比例，计算出无人机在每个巡航监测点执行任务所消耗的等效里程数。
优选的，所述在步骤2中，具体步骤包括：
步骤2-1：利用每个监测点与监测中心的距离，得到在每个监测点进行无线视频回传时的平均路径损耗；
步骤2-2：根据路径损耗和信道容量公式计算出在每个监测点时无人机与地面检测中心的传输速率Ri；
步骤2-3：计算无人机在每个巡航点所需要盘旋的时间并用Ti表示；
步骤2-4：根据无人机在每个监测点的盘旋时间Ti，无人机盘旋功率PH以及信号发射功率PT，可算出其在i监测点进行监测时所消耗的能量EH i；
步骤2-5：根据无人机的推进功率PF以及两监测点之间的距离，计算出从i点到j点所消耗的飞行能量。
优选的，所述在步骤3中，包括以下子步骤：
步骤3-1：明确无人机的相关性能参数，监测点与监测中心位置，以及路径规划的各约束条件，首先，在满足约束条件的情况下，随机产生M条可能的飞行路径，形成初始的飞行路径种群；
步骤3-2：利用遗传算法对每个可能的飞行路径进行进化操作，包括：选择、交叉和变异操作，来产生新的可能的飞行路径种群，多次循环，直到满足进化终止条件；
步骤3-3：从最后种群中选择出最佳的飞行路径，该路径满足无人机总飞行路径最短且飞行的总起飞次数最少。
优选的，所述在步骤3中，无人机所携带的电池容量与最大里程限制；每次飞行从监测中心出发，巡航若干个监测点后返回监测中心；所有的监测点只被监测一次；每次起飞的路径规划必须保证无人机有充足的返航电量回到监测中心充电。
优选的，所述在步骤3中，最优路线的目标函数为：需要飞行总距离Z最小，缩短无人机的执行任务的时间。
优选的，所述在步骤4中，包括以下步骤：
步骤4-1：设置遗传算法的相关参数：种群规模、交叉概率、变异概率、进化代数等；
步骤4-2：初始化种群：产生M个初始染色体(满足约束条件的解)，形成初始种群；
步骤4-3：染色体适应性评价：以目标函数为基础，构建评价函数，并对种群中的染色体的适应性进行计算；
步骤4-4：遗传过程：
选择：首先，将适应性最高的染色体选择出来，直接保留至新的种群中，然后，利用每个染色体的适应度与整个种群的总适应度的比值，来得到每个染色体的选择概率pickm，产生一个0-1的随机数r，若r<pickm，则第m个染色体被选择，显然，选择概率越大的染色体会有更高的概率被选择作为下一代种群的父代染色体；
交叉：在被选择的染色体中，遵循一定的交叉原则产生新的下一代染色体：设定一个交叉概率Pc(范围可取在0.8-0.95之间)，产生一个0-1的随机数r，若r<Pc，则对选择出两个染色体作为父代染色体进行顺序交叉操作；
变异：对被选择的染色体进行内部元素的位置变化：设定变异概率为Pv(范围一般是0.05-0.1)，产生一个0-1的随机数r，若r<Pv，则对此染色体进行变异操作；
步骤4-5：产生下一代种群：将选择，交叉和变异操作产生的新染色体构成下一代的新种群；
步骤4-6：判断终止条件：采用达到指定进化代数作为终止准则，范围选在200-500之间，根据场景复杂度而定，若达到指定进化代数，则终止循环，否则继续重复步骤53和步骤54。
与现有技术相比，本发明的有益效果如下：
本发明根据无人机的能量约束、视频传输质量的要求、以及监测巡航的具体要求；结合无线信道的合理建模、无线视频传输时间的推算、无人机盘旋与推进功率的能量损耗模型；将无人机在监测点进行视频传输的时间，以及此过程中悬停与进行信息传输所消耗的能量，加入路径规划中，对无人机的总能量损耗进行优化，以减小无人机的总飞行距离以及总起飞次数，提升无人机路径规划的准确性与实用性。
附图说明
图1为本发明作业流程图。
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。
一种无人机路径规划方法，包括以下步骤：
步骤1：参数设置：选取合适的无人机，设置任务无人机的飞行与能量等相关参数，设置任务无人机的监测中心与各巡航监测点坐标，设置每个巡航点的基本监测时间，设置任务无人机摄像头的视频回传质量参数，设置应用场景的无线信道的路径损耗模型。
包括以下具有步骤：
首先，设置无人机飞行的相关参数：所携带的电池能量E、飞行速度v、推进飞行功率PF、盘旋时的功率PH、无线信号的发射功率PT、每个巡航点的基本监测时间T0；
然后，根据实际情况设置监测点数N，各监测点的三维坐标；监测中心的坐标，利用监测点与监测中心的坐标，计算出监测点两两之间的距离di，j，以及每个监测点与监测中心之间的距离ri，具体数学模型如下：点集合C＝{0，1，2......N}，其中0代表监测中心，1…N代表各监测点的序号，计算各点之间的距离，di，j代表点i与点j之间的距离；
接着，根据实际应用场景(如市区，郊区，远郊等)，选择国际标准组织3GPP所提供的该场景下的无线信道模型，即路径损耗和阴影效应模型；
具体数学模型如下：
无人机与地面监测中心形成了空对地信道模型，其视距传输(LOS)和非视距传输(NLOS)路径损耗模型为：
其中，ri是监测点i到检测中心的传输距离，AL和ANL分别为视距传输和非视距传输的路径损耗，αL和αNL分别为对应的路径损耗指数，它们的经验取值在3GPP中可以查到。
无人机发射端与地面检测中心的视距传输连接概率函数模型可以从3GPP以及学术文献中获得，例如线性模型：
其中d1的经验值可以从文献中获取。
最后，根据所需的回传视频质量，设置其所需的传输速率R0(bps)；设置每个监测点的基本监测时间T0，基本监测时间的含义是当无线信道的传输速率可以满足高清视频回传要求时，完成对监测点设备的全面检查所需要的时间。
步骤2：得到飞行里程：利用提前设置的每个巡航点的坐标，计算无线信道的平均路径损耗，利用视频回传质量参数，以及该巡航点的路径损耗值，计算无人机在每个巡航点所需要盘旋的时间，并计算在此盘旋时间内由于盘旋和无线视频信号发射所需要消耗的无人机电池能量；
利用每个监测点与监测中心的距离，得到在每个监测点进行无线视频回传时的平均路径损耗；
即利用路径损耗模型和线性模型的公式，得到：
若无人机视频的发射功率为PT，则经过路径损耗，监测中心所收到每个点的功率为：Si＝PTξi
根据信道容量的计算公式，无人机在每个监测点的视频传输速率为：
其中，B为传输带宽，σ2为高斯噪声功率。
计算无人机在每个巡航点所需要盘旋的时间，并用Ti表示在监测点i所需要的监测时间，则其数学表达为：
根据无人机在每个监测点的盘旋时间Ti，无人机盘旋功率PH以及信号发射功率PT，可算出其在i监测点进行监测时所消耗的能量EH i：
根据无人机的推进功率PF，计算出无人机从监测点i到监测点j，所需要消耗的飞行能量：
步骤3：初步规划：根据无人机所携带的能量限制，在保证实时视频回传质量的情况下，使用遗传算法对执行任务的无人机进行检测路径的规划，以最小化无人机的能量消耗为目标得到无人机完成检测任务所需要的最少起飞次数，以及每次飞行的具体巡航路径。
根据优化目标和约束条件，建立优化问题的数学模型，将巡航的起飞次数记成集合V＝{k:1，2......K}，若第k次起飞的巡航过程中，无人机从i点飞向了j点，则δk i，j＝1；否则，δk i，j＝0，得到如下具体数学表达：
公式是目标函数，表示在K次飞行中，无人机所消耗的能量要最少，也就是说无人机飞行的路劲最短。
表示在K次飞行中，每个监测点有且只有被检测一次。
表示每次飞行都需要在监测中心起飞。
表示每次飞行最后都要回到监测中心。
表示第k次飞行无人机消耗的能量＝监测点i到监测点j的能量消耗+每个监测点i盘旋时消耗的能量；第k次飞行的能量要小于等于本次无人机携带的能量。
利用遗传算法解决上述的优化问题，并得到最佳的监测路径规划结果。
遗传算法是模拟达尔文进化论的一种计算模型，采取了适者生存的原则，是进化算法的一种，其优点是遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度信息或其它辅助知识，也不依赖于问题的具体领域，只需知道优化目标函数，具有很广的适应性，遗传算法提供了一种求解复杂系统问题的通用框架，通过自然选择和进化思想，得到更优解，遗传算法操作步骤主要包括种群初始化，个体评价，选择操作，交叉操作，变异操作，终止条件判断。
(1)种群初始化：随机产生一个初始种群，种群中染色体的数量可以自行设定，记为M，在随机产生染色体的时候，必须保证其满足约束条件，在此巡航轨迹设计问题中，生成一个染色体的过程如下，假设有9个监测点，在步骤S1和步骤S2计算得到结果，随机生成一个满足约束条件的解，例如：0157049036820，其表示为，无人机第一次飞行经过的监测点为1、5、7，第二次为4、9，第三次为3、6、8、2，总飞行次数为3次。
(2)染色体的适应性评价：以目标函数为基础，构建适应度函数，例如：
从以上公式可见，目标值Z越小，染色体的适应度评价越大，代表着该个体的适应度越高，为了方便比较，可对该值进行放大100、1000等，具体视实际情况而定。
(3)染色体的进化过程包括：选择、交叉、变异，在这个过程中，染色体种群在染色体的进化过程中，相当于在更新进化。
1)选择：首先，根据每个染色的适应度评价值，即利用适应度函数的公式计算每个染色体m的适应度，选择评价值最高的染色体，保留至新的种群中，其次，计算整个种群中所有M-1个染色体的适应度总和，即
下一步，计算每个染色体m的选择概率：
2)交叉：遵循一定的交叉原则产生新的染色体：设定一个交叉概率Pc(范围可取在0.8-0.95之间)，产生一个0-1的随机数r，若r<Pc，则将选择出第m和m+1个染色体作为父代染色体进行顺序交叉操作。
顺序交叉的具体过程为：①.将选择出的两个染色体作为交叉操作的父代，在它们上随机选择两个相邻的零点作为交叉位，两个箭头之间的元素片段称为交叉段，选取的交叉段元素为箭头内的1.5.7和1.4.2，②.把交叉段放到新染色体的首位，1.5.7和1.4.2被分别放到两个子代染色体的首位，其余非零元素按照原来的顺序分别放在其后，③.对新染色体中重复的元素进行去重，④.把零元素插入到交叉段后的非零元素中去，并且保证两个零元素不相邻，最后产生两个新的染色体，产生的新染色体被放到新种群中。
3)变异：染色体内部进行元素的位置交换，变异概率为Pm(范围一般是0.05-0.1)，产生一个0-1的随机数r，若r<Pm，则将选择的第m个染色体进行变异操作，在实现过程中，变异的具体步骤是随机选择染色体上的两个非零元素，将它们进行位置的调换。
(4)步骤(3)产生的新染色体，构成新一代的染色体种群，只要没有达到终止条件，则继续进行步骤(2)和步骤(3)。
(5)判断是否满足终止条件：本文中采用进化指定代数作为终止准则，范围选在200-500之间，根据场景复杂度而定，也就是说，当种群进化的代数满足此条件，则停止继续产生新的下一代种群，进行步骤(2)，通过适应度计算，选择种群中的最佳个体，得出最优路径；否则继续重复步骤(2)-(4)。
仿真结果分析：
监测点与监测中心的分布图有N＝20个监测点，按照上述方法实践，得到的最优具体路径为：
第一次飞行路线：0-17-7-15-20-9-0；
第二次飞行路线：0-18-5-14-0；
第三次飞行路线：0-1-13-2-6-0；
第四次飞行路线：0-10-8-11-16-0；
第五次飞行路线：0-4-3-12-19-0。
每次飞行都从监测中心，即序号0点，起飞，再返回到监测中心。
通过数学理论可证明，以最小化无人机总能耗为目标方程，可以实现最小化无人机执行任务的飞行总距离，以及无人机的巡飞总次数，相比于能量消耗，这两个结果在轨迹优化问题中更为直观，因此，在仿真结果中展示了遗传算法在寻找最优解的过程中，无人机总飞行距离和巡飞次数的变化。
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可以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利要求及其等同物限定。
Claims (10)
1.一种无人机路径规划方法，其特征在于：包括以下步骤：
步骤1：参数设置：选取合适的无人机，设置任务无人机的飞行与能量相关参数，设置任务无人机的监测中心与各巡航监测点坐标，设置每个巡航点的基本监测时间，设置任务无人机摄像头的视频回传质量参数，设置应用场景的无线信道的路径损耗模型；
选择国际标准组织3GPP所提供的该场景下的无线信道模型，即路径损耗和阴影效应模型；
具体数学模型如下：
无人机与地面监测中心形成了空对地信道模型，其视距传输(LOS)和非视距传输(NLOS)路径损耗模型为：
其中，ri是监测点i到检测中心的传输距离，AL和ANL分别为视距传输和非视距传输的路径损耗，αL和αNL分别为对应的路径损耗指数，它们的经验取值在3GPP中可以查到；
步骤2：得到飞行里程：利用提前设置的每个巡航点的坐标，计算无线信道的平均路径损耗，利用视频回传质量参数，以及该巡航点的路径损耗值，计算无人机在每个巡航点所需要盘旋的时间，并将在此盘旋时间内由于盘旋和无线视频信号发射所需要消耗的无人机电池能量转化为无人机等效的飞行里程；
利用每个监测点与监测中心的距离，得到在每个监测点进行无线视频回传时的平均路径损耗；
即利用路径损耗模型和线性模型的公式，得到：
若无人机视频的发射功率为PT，则经过路径损耗，监测中心所收到每个点的功率为：Si＝PTξi
根据信道容量的计算公式，无人机在每个监测点的视频传输速率为：
其中，B为传输带宽，σ2为高斯噪声功率；
计算无人机在每个巡航点所需要盘旋的时间，并用Ti表示在监测点i所需要的监测时间，则其数学表达为：
根据无人机在每个监测点的盘旋时间Ti，无人机盘旋功率PH以及信号发射功率PT，可算出其在i监测点进行监测时所消耗的能量EH i：
根据无人机的推进功率PF，计算出无人机从监测点i到监测点j，所需要消耗的飞行能量：
步骤3：初步规划：根据无人机所携带的能量限制，在保证实时视频回传质量的情况下，使用遗传算法对执行任务的无人机进行检测路径的规划，以最小化无人机的能量消耗为目标得到无人机完成检测任务所需要的最少起飞次数，以及每次飞行的具体巡航路径；
根据优化目标和约束条件，建立优化问题的数学模型，将巡航的起飞次数记成集合V＝{k:1，2......K}，若第k次起飞的巡航过程中，无人机从i点飞向了j点，则δk i，j＝1；否则，δk i，j＝0，得到如下具体数学表达：
公式是目标函数，表示在K次飞行中，无人机所消耗的能量要最少，也就是说无人机飞行的路劲最短；
表示在K次飞行中，每个监测点有且只有被检测一次；
表示每次飞行都需要在监测中心起飞；
表示每次飞行最后都要回到监测中心；
表示第k次飞行无人机消耗的能量＝监测点i到监测点j的能量消耗+每个监测点i盘旋时消耗的能量；第k次飞行的能量要小于等于本次无人机携带的能量；
步骤4：最佳规划：根据优化目标和约束条件，建立优化问题的数学模型，利用遗传算法解决上述的优化问题，并得到最佳的飞行路径规划。
2.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤1中，执行任务无人机的参数，包含无人机的电池总能量，执行任务的飞行高度、速度、推进功率、盘旋功率、无线视频数据发射功率，还包括各个巡航检测点的三维坐标，以及各点之间的距离以及它们与起飞中心点之间的距离，还包括每个巡航监测点完成各部分监测所需要的基本时间，需要回传的实时视频的码率或清晰度要求，以及执行巡航检测任务的无人机数量。
3.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤1中，根据巡航点的所在的应用场景，选择适合的无线信道的路径损耗模型，设置相关参数，包括：视距传播与非视距传播的衰减指数，阴影效应的损耗。
4.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤1中，包括以下具有步骤：
首先，设置无人机飞行的相关参数：所携带的电池能量E、飞行速度v、推进飞行功率PF、盘旋时的功率PH、无线信号的发射功率PT、每个巡航点的基本监测时间T0；
然后，根据实际情况设置监测点数N，各监测点的三维坐标；监测中心的坐标，利用监测点与监测中心的坐标，计算出监测点两两之间的距离di，j，以及每个监测点与监测中心之间的距离ri；
接着，根据实际应用场景，如市区，郊区，远郊，选择国际标准组织3GPP所提供的该场景下的无线信道模型，即路径损耗和阴影效应模型；
最后，根据所需的回传视频质量，设置其所需的传输速率R0(bps)；设置每个监测点的基本监测时间T0，基本监测时间的含义是当无线信道的传输速率可以满足高清视频回传要求时，完成对监测点设备的全面检查所需要的时间。
5.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤2中，利用巡航监测点与监测中心的距离，以及选择的无线信道路径损耗模型，计算无线信道的传输损耗，计算无人机在每个巡航监测点上所需的悬停时间，包括监测任务本身需要的固定监测时间以及由于无线视频传输过程中为满足视频回传质量而所造成的额外悬停时间，再根据无人机的盘旋功率和悬停时间计算出无人机在每个巡航监测点的所消耗的能量，然后根据无人机的电池能量与里程的比例，计算出无人机在每个巡航监测点执行任务所消耗的等效里程数。
6.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤2中，具体步骤包括：
步骤2-1：利用每个监测点与监测中心的距离，得到在每个监测点进行无线视频回传时的平均路径损耗；
步骤2-2：根据路径损耗和信道容量公式计算出在每个监测点时无人机与地面检测中心的传输速率Ri；
步骤2-3：计算无人机在每个巡航点所需要盘旋的时间并用Ti表示；
步骤2-4：根据无人机在每个监测点的盘旋时间Ti，无人机盘旋功率PH以及信号发射功率PT，可算出其在i监测点进行监测时所消耗的能量EH i；
步骤25：根据无人机的推进功率PF以及两监测点之间的距离，计算出从i点到j点所消耗的飞行能量。
7.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤3中，包括以下子步骤：
步骤3-1：明确无人机的相关性能参数，监测点与监测中心位置，以及路径规划的各约束条件，首先，在满足约束条件的情况下，随机产生M条可能的飞行路径，形成初始的飞行路径种群；
步骤3-2：利用遗传算法对每个可能的飞行路径进行进化操作，包括：选择、交叉和变异操作，来产生新的可能的飞行路径种群，多次循环，直到满足进化终止条件；
步骤3-3：从最后种群中选择出最佳的飞行路径，该路径满足无人机总飞行路径最短且飞行的总起飞次数最少。
8.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤3中，无人机所携带的电池容量与最大里程限制；每次飞行从监测中心出发，巡航若干个监测点后返回监测中心；所有的监测点只被监测一次；每次起飞的路径规划必须保证无人机有充足的返航电量回到监测中心充电。
9.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤3中，最优路线的目标函数为：需要飞行总距离Z最小，缩短无人机的执行任务的时间。
10.根据权利要求1所述的一种无人机路径规划方法，其特征在于：所述在步骤4中，包括以下步骤：
步骤4-1：设置遗传算法的相关参数：种群规模、交叉概率、变异概率、进化代数；
步骤4-2：初始化种群：产生M个初始染色体，满足约束条件的解，形成初始种群；
步骤4-3：染色体适应性评价：以目标函数为基础，构建评价函数，并对种群中的染色体的适应性进行计算；
步骤4-4：遗传过程：
选择：首先，将适应性最高的染色体选择出来，直接保留至新的种群中，然后，利用每个染色体的适应度与整个种群的总适应度的比值，来得到每个染色体的选择概率pickm，产生一个0-1的随机数r，若r<pickm，则第m个染色体被选择，显然，选择概率越大的染色体会有更高的概率被选择作为下一代种群的父代染色体；
交叉：在被选择的染色体中，遵循一定的交叉原则产生新的下一代染色体：设定一个交叉概率Pc，Pc范围取在0.8-0.95之间，产生一个0-1的随机数r，若r<Pc，则对选择出两个染色体作为父代染色体进行顺序交叉操作；
变异：对被选择的染色体进行内部元素的位置变化：设定变异概率为Pv，Pv范围一般是0.05-0.1，产生一个0-1的随机数r，若r<Pv，则对此染色体进行变异操作；
步骤4-5：产生下一代种群：将选择，交叉和变异操作产生的新染色体构成下一代的新种群；
步骤4-6：判断终止条件：采用达到指定进化代数作为终止准则，范围选在200-500之间，根据场景复杂度而定，若达到指定进化代数，则终止循环，否则继续重复步骤4-3到步骤4-5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147730.6A CN112327907B (zh) | 2020-10-23 | 2020-10-23 | 一种无人机路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011147730.6A CN112327907B (zh) | 2020-10-23 | 2020-10-23 | 一种无人机路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112327907A CN112327907A (zh) | 2021-02-05 |
| CN112327907B true CN112327907B (zh) | 2022-10-14 |
Family
ID=74312238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011147730.6A Active CN112327907B (zh) | 2020-10-23 | 2020-10-23 | 一种无人机路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112327907B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801600B (zh) * | 2021-04-01 | 2021-07-16 | 北京三快在线科技有限公司 | 生成航线轨迹的方法、装置、可读存储介质及电子设备 |
| CN113361765B (zh) * | 2021-05-31 | 2023-12-12 | 大连海事大学 | 一种船载无人机协同监测港口船舶大气污染路径规划的方法 |
| CN113359799A (zh) * | 2021-06-25 | 2021-09-07 | 广西翼界科技有限公司 | 一种基于无人机的远程定向监控系统 |
| CN114217634B (zh) * | 2021-12-06 | 2023-10-10 | 中国人民解放军国防科技大学 | 一种基于物联网的无人机蓝牙通信系统及方法 |
| CN115113650B (zh) * | 2022-08-30 | 2022-11-04 | 南京金城数据科技有限公司 | 基于无人机自主作业的空地一体化数据融合系统 |
| CN115202849B (zh) * | 2022-09-02 | 2023-04-18 | 广东翼景信息科技有限公司 | 一种支持边缘计算的多无人机任务分配与路径规划方法 |
| CN117032294B (zh) * | 2023-10-09 | 2023-12-12 | 中国电信股份有限公司无人科技技术创新中心 | 一种基于5g网联的无人机航线规划系统及规划方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110006428A (zh) * | 2019-01-21 | 2019-07-12 | 武汉大学 | 一种基于无人机能量的覆盖路径规划方法及装置 |
| CN109819453B (zh) * | 2019-03-05 | 2021-07-06 | 西安电子科技大学 | 基于改进遗传算法的成本最优化无人机基站部署方法 |
| CN111664852B (zh) * | 2020-06-15 | 2023-07-04 | 天津大学 | 一种无人机路径规划方法及装置 |
-
2020
- 2020-10-23 CN CN202011147730.6A patent/CN112327907B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112327907A (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112327907B (zh) | 一种无人机路径规划方法 | |
| CN111885504B (zh) | 一种辅助移动车辆无线通信的无人机轨迹优化方法 | |
| CN110544296B (zh) | 一种敌方威胁不确定环境下无人机三维全局航迹智能规划方法 | |
| CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
| CN113159432A (zh) | 一种基于深度强化学习的多智能体路径规划方法 | |
| CN114415735B (zh) | 面向动态环境的多无人机分布式智能任务分配方法 | |
| CN113406968A (zh) | 基于数字孪生的无人机自主起降巡航方法 | |
| CN113205220A (zh) | 一种面向实时订单数据的无人机物流配送全局规划方法 | |
| CN113406965A (zh) | 一种基于强化学习的无人机能耗优化方法 | |
| CN116700343A (zh) | 一种无人机路径规划方法、设备和存储介质 | |
| CN115190079A (zh) | 基于分层强化学习的高铁自供电感知通信一体化交互方法 | |
| Wang et al. | Robotic wireless energy transfer in dynamic environments: system design and experimental validation | |
| CN115016540A (zh) | 一种多无人机灾情探测方法及系统 | |
| Huang et al. | Path planning model for UAV collaborative search task Based on NGA | |
| CN115113647A (zh) | 一种基于智能演化算法的集群无人机资源调度方法 | |
| CN113283827A (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
| CN112383893A (zh) | 一种基于分时的可充式传感网络无线功率传输方法 | |
| CN112765892A (zh) | 一种异构车联网中的智能切换判决方法 | |
| CN105138768A (zh) | 一种基于社区分解的多智能体系统一致性实现方法 | |
| CN113867396B (zh) | 一种网联无人机航线规划与航线平滑方法及装置 | |
| CN113537722B (zh) | 一种调度规划方法及应用 | |
| Chai et al. | Mobile robot path planning in 2d space: A survey | |
| Song et al. | Methods to Assign UAVs for K-Coverage and Recharging in IoT Networks | |
| CN116502547B (zh) | 一种基于图强化学习的多无人机无线能量传输方法 | |
| Lou et al. | Real-time on-the-fly Motion planning via updating tree data of RRT* using Neural network inference |
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 |