CN112859931A - 无人机航迹规划方法、森林防火系统及计算机可读存储介质 - Google Patents
无人机航迹规划方法、森林防火系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112859931A CN112859931A CN202110028987.8A CN202110028987A CN112859931A CN 112859931 A CN112859931 A CN 112859931A CN 202110028987 A CN202110028987 A CN 202110028987A CN 112859931 A CN112859931 A CN 112859931A
- Authority
- CN
- China
- Prior art keywords
- cluster
- unmanned aerial
- aerial vehicle
- clustering
- flight path
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002265 prevention Effects 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 24
- 210000000349 chromosome Anatomy 0.000 claims description 22
- 238000007726 management method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 12
- 108090000623 proteins and genes Proteins 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000035899 viability 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
- G05D1/12—Target-seeking control
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种无人机航迹规划方法、森林防火系统及计算机可读存储介质，该方法包括获取预先设定的多个途径地，并采用K聚类算法将多个途径地分簇；对每个簇分别采用预设的遗传算法以寻找簇内途径地之间的最短轨迹，将所有簇进行簇间连接，将所有轨迹合并，得到最终的轨迹规划结果。本发明还提供实现上述方法的森林防火系统及计算机可读存储介质。本发明能够加快无人机航迹规划算法的收敛速度，能够节省航迹规划的成本，提高航迹规划的效率。
Description
技术领域
本发明涉及无人机控制的技术领域，具体地，是一种无人机航迹规划方法以及实现这种方法的森林防火系统、计算机可读存储介质。
背景技术
无人驾驶飞机通常称为无人机，随着无人机技术的发展，无人机已经广泛应用在多个领域，例如应用在航拍、农林植保、地质勘探、电力巡检、油气管路巡查、高速公路事故管理、森林防火巡查、污染环境勘察、反恐维稳、公安执法、应急救援与救护、抢险救灾、海岸线巡查等领域。由于无人机需要长时间、远距离飞行，因此，无人机的自主导航技术显得尤为重要。
无人机的自主导航技术涉及到建模、航迹规划以及控制系统设计等多个方面。其中，航迹规划是被广泛研究的重要课题。航迹规划是指在特定约束条件下，寻找运动体从初始点到目标点满足某种性能指标最优的运动轨迹。而从起始点出发，经历各个目标点之后返回出发点的问题为旅行商问题(traveling sale-man problem，TSP)，又称为推销员问题。旅行商问题(TSP)是在所有目标点中搜索最短哈密顿路线的问题，最早的数学模型是由Dantzig等人提出的，它是最经典的NP难组合优化问题之一，在经济和工程方面有着重大的价值。
用于求解旅行商问题的算法可以分为两类：精确算法和启发式算法。精确算法可以确保最终解决方案是最优的，例如分支定界法、线性规划算法等，但这类算法对于大规模的指数爆炸问题却无法有效处理。因此，寻找有效的近似解具有更大的使用价值。遗传算法是从问题解的集合开始搜索，同时处理群体中的多个个体，不用搜索空间的知识或其他辅助信息，其适应度函数不受连续可微的约束，且适应度函数的定义域可任意设定，因此遗传算法在求解旅行商问题时具有很大优势。但是，由于现有的遗传算法求解的随机性，使结果呈现波动性、计算效率较低，且随着数据规模的增大，对计算时间和计算能力有很大的要求，导致无人机的航迹规划存在的适应性差、复杂度高、收敛速度慢、准确性低等问题，可见，现有的遗传算法不利于无人机的航及规划。
发明内容
本发明的第一目的是提供一种能够加快算法的收敛、节省成本、提高计算效率的无人机航迹规划方法。
本发明的第二目的是提供一种应用上述无人机航迹规划方法的森林防火系统。
本发明的第三目的是提供一种实现上述无人机航迹规划方法的计算机可读存储介质。
为实现本发明的第一目的，本发明提供的无人机航迹规划方法包括获取预先设定的多个途径地，并采用K聚类算法将多个途径地分簇；对每个簇分别采用预设的遗传算法以寻找簇内途径地之间的最短轨迹，将所有簇进行簇间连接，将所有轨迹合并，得到最终的轨迹规划结果；其中，采用预设的遗传算法以寻找簇内途径地之间的最短轨迹包括：对簇内的多个途径地进行编码，采用贪婪算法进行种群初始化，设定适应度函数，并计算种群的适应度，根据适应度函数所计算的每条路径适应度值从大到小排序，将适应度函数值最大的染色体复制到下一代，然后用轮盘赌的方法产生下一代种群中剩余的染色体；将经过选择后的路径进行交叉操作，先在父代的基因位中确定几个基因位，然后随机选出两个父代个体进行基因交换，从而产生新的个体；根据预设的变异概率对染色体中的基因进行突变，产生新的子染色体；到达预设的迭代次数时，选出当前最优适应度函数值对应的染色体为最优解，并作为最优路径。
由上述方案可见，本发明是基于K聚类算法和改进的遗传算法对无人机航迹进行规划，避免了求解陷入局部最优解的问题，加快了算法的收敛速度，能够节省航迹规划的成本，提高航迹规划的效率。
一个优选的方案是，对簇内的多个途径地进行编码包括：采用路径表示法对簇内的多个途径地进行编码。
进一步的方案是，采用K聚类算法将多个途径地分簇包括：获取多个途径地的位置，确定最佳聚类数k，从数据对象中随机选择k个聚类中心点Ci(1≤i≤k)；计算其余数据对象与聚类中心点Ci之间的欧式距离，对每一数据对象与聚类中心点Ci之间的欧式距离进行比较，将每一个数据对象归类到与该数据对象的欧式距离最近的聚类中心点的簇中；把k个聚类簇中所有数据对象的均值作为新的聚类中心点；进行多次迭代计算，直至聚类中心点不再变化或达到最大的迭代次数。
由此可见，通过K聚类算法可以快速对多个途径地进行分簇，提高航迹规划的效率。
更进一步的方案是，确定最佳聚类数k包括：采用轮廓系数法确定最佳聚类数k。
更优选的，采用轮廓系数法确定最佳聚类数k包括：计算所有样本的平均轮廓系数，其中，簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大。
一个优选的方案是，确认聚类中心点不再变化包括：计算整个数据集的误差平方和，若误差平方和不再发生变化，则确认聚类中心点不再变化。
更进一步的方案是，将所有簇进行簇间连接包括：查找距离最近的两个簇；设簇r与簇s中距离最近的两个点分别为ri和sj，连接risj，假设与ri相邻的两个点分别为ri-1和ri+1，假设与sj相邻的两个点分别为sj-1和sj+1，计算risj+ri-1sj-1-riri-1-sjsj-1的值和risj+ri+1sj+1-riri+1-sjsj+1的值；若risj+ri-1sj-1-riri-1-sjsj-1的值较小，则连接ri-1sj-1，移除riri-1与sjsj-1；若risj+ri+1sj+1-riri+1-sjsj+1的值较小，则连接ri+1sj+1，移除riri+1与sjsj+1；将连接后的回路作为一个整体，再计算距离最近的两个点所在的两个簇，并继续进行连接，直到所有簇集连接成一个整体。
更进一步的方案是，查找距离最近的两个簇包括：计算任意两个簇中最近的点之间的距离，该距离为d(r，s)＝min{ar，bs}，其中ar表示簇r中任意一点，bs表示簇s中任意一点。
为实现上述的第二目的，本发明提供的森林防火系统包括无人机、智能控制主机、管理终端以及云端服务器，该无人机将获取的图像数据发送至智能控制主机以及管理终端，管理终端从云端服务器获取多个途径地的信息并计算无人机的最优路径，智能控制主机设置有处理器以及存储器，存储器存储有计算机程序，计算机程序被处理器执行时实现上述的无人机航迹规划方法的各个步骤。
为实现上述的第三目的，本发明提供计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述无人机航迹规划方法的各个步骤。
附图说明
图1是本发明无人机航迹规划方法实施例的流程图。
图2是本发明无人机航迹规划方法实施例中K聚类算法的流程图。
图3是本发明无人机航迹规划方法实施例中预设的遗传算法的流程图。
图4是本发明森林方法系统实施例的结构框图。
以下结合附图及实施例对本发明作进一步说明。
具体实施方式
本发明的无人机航迹规划方法应用于森林防火系统，该森林防火系统包括无人机、智能控制主机、管理终端以及云端服务器，其中管理终端设置有处理器以及存储器，存储器上存储有计算机程序，处理器通过执行该计算机程序实现上述的无人机航迹规划方法。
无人机航迹规划方法实施例：
参见图1，本实施例的无人机的航迹规划方法首先执行步骤S1，获取预先设定的多个途径地的信息。优选的，无人机需要飞行经过的多个途径地是预先设定的，例如通过经纬度等信息来确定无人机飞行经过的多个途径地。然后，执行步骤S2，将航迹规划问题视作旅行商问题，采用K聚类算法将途径地分簇，进而将大规模旅行商问题分解成多个小型旅行商问题。接着，执行步骤S3，对每一个簇分别采用预设的遗传算法以寻找簇内途径地之间的最短轨迹。最后，执行步骤S4，将所有簇进行簇间连接，将所有轨迹合并，从而得到最终的轨迹规划结果。
参见图2，上述步骤S2中，采用K聚类算法将途径地分簇包括以下步骤：
首先，执行步骤S11，获取多个途径地的位置。例如，预先设定无人机飞行过程中需要经过的多个途径地，多个途径地的信息预先存储在云端服务器中，森林防火系统的管理终端从云端服务器获取多个途径地的位置信息。获取的多个途径地的信息将作为输入的n个数据对象，用于进行K聚类计算。
接着，执行步骤S12，采用轮廓系数法确定最佳聚类数k，最佳聚类数k也就是聚类中簇的个数，然后从数据对象中随机选择k个聚类中心点Ci(1≤i≤k)。
然后，执行步骤S13，计算其余数据对象与步骤S12所选择的每一个聚类中心点Ci之间的欧式距离，针对一个不是聚类中心点的数据对象，分别计算该数据对象与多个聚类中心点Ci之间的欧式距离，并且对所计算的多个欧式距离进行比较，查找出与该数据对象距离最短的聚类中心点Ci，然后将该数据对象归类到该聚类中心点的簇当中。这样，每一个数据对象均被归类到一个聚类中心点的簇当中。
接着，执行步骤S14，将k个聚类簇中每一个簇内所有数据对象的均值作为该簇新的聚类中心点，并且更新聚类中心点Ci(1≤i≤k)。然后，执行步骤S15，判断聚类中心点是否不再变化或达到最大的迭代次数，如是，则停止迭代，输出结果，否则，返回到步骤S13，继续下一循环的迭代计算。
其中，步骤S12中，采用轮廓系数法确定最佳聚类数k的过程如下：假设某个途经地Xi的轮廓系数定义如下：
式1中，a是途径地Xi与同簇的其他样本的平均距离，称为凝聚度，b是途径地Xi与最近簇中所有样本的平均距离，称为分离度，max是求最大值的计算。某一个簇中的样本也就是该簇中的数据对象。其中，最近簇的定义如下：
式2中，p是某个簇Ck中的样本，argmin是公式的值最小的计算。可见，本实施例是用途径地Xi到某个簇所有样本平均距离作为衡量该途径地到该簇的距离后，选择距离途径地Xi最近的一个簇作为最近簇。
在计算所有样本的轮廓系数后，再求平均值就得到了平均轮廓系数。簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大，聚类效果越好。因此，将平均轮廓系数最大的k作为最佳聚类数，可以提高聚类的效果。
步骤S13中，计算某一个数据对象与聚类中心点之间的欧氏距离采用下面的公式计算：
其中，x为当前计算的数据对象，Ci为第i个聚类中心点，m为数据对象的维度，xj,Cij分别为x,Ci的第j个属性值。
步骤S15中，判断聚类中心点是否发生变化的具体过程为：计算整个数据集的误差平方和SSE。若误差平方和不再发生变化，则认为聚类中心点不再变化。其中，整个数据集的误差平方和SSE采用下面的公式计算：
其中，误差平方和SSE的大小表示聚类结果的优劣，k为簇的个数。
遗传算法是一种基于自然选择的算法，是模拟生物在自然环境中的遗传变异和进化过程而形成的一种全局最优搜索算法。遗传算法用生物进化的思想，采用编码技术和繁殖机制解决了复杂的搜索问题。遗传算法的特点是从问题解的集合开始搜索，同时处理群体中的多个个体，不用搜索空间的知识或其他辅助信息，适应度函数不受连续可微的约束，且适应度函数的定义域可任意设定，这些特点都是传统优化方法所不具有的，因此遗传算法在求解旅行商问题时具有很大优势。
具体的，步骤S3中采用预设的遗传算法寻找簇内途径地之间的最短轨迹采用如图3所示的流程进行。首先，执行步骤S21，对簇内对过途径地进行编码，优选的，采用路径表示法编码，例如使用1～n的自然数编码给每个途径地进行编码，在遗传算法中，一条染色体表征经过n个途径地的飞行路径。
然后，执行步骤S22，采用贪婪算法进行种群初始化。具体的，先随机选择一个途径地作为当前所在途径地,并将当前选择的途径地加入个体中，搜索所有未加入个体中的途径地，找到距离当前途径地最近的途径地，将查找的最近的途径地添加至个体中并作为当前途径地，继续搜索并添加下一个最近途径地，直至所有途径地都加入个体，由此得到初步优化的个体。
接着，执行步骤S23，设计适应度函数，并计算种群的适应度。适应度函数的值是判断种群个体进化后是不是较优秀的标准，也是群体进化过程中个体优胜劣汰唯一依据。因此，个体适应度函数值较大，则说明该个体生存竞争能力较强，被选择进化的可能性高；反之个体适应度函数值较小，则表示个体生存能力较弱，在群体的进化中被淘汰的可能性高。
假设
为途径地ai到途径地aj的实际距离，则该个体的适应度fitness采用下面的公式计算：
根据公式5可知，适应度函数为走遍所有途径地，再回到出发点总走行距离的倒数。以适应度函数值大为优化目标，适应度函数值越大的染色体其对应的回路就越优质，反之越劣质。
接着，执行步骤S24，根据适应度函数所计算的每条路径使用的进行排序，将适应度函数最大染色体复制到下一代，采用轮盘赌方法产生下一代种群中剩余的染色体。具体的，需要执行选择的操作，选择是从当代群体中以一定概率选择个体到下一代群体中，通过一代代的筛选，使种群越来越优良的操作。根据适应度函数所计算的每条路径适应度值从大到小排序，将适应度函数值最大的染色体直接复制到下一代，然后用轮盘赌的方法产生下一代种群中剩余的染色体，适应度函数值大的路径被选为下一代种群的几率更大。其中，轮盘赌选择也称为适应度比例选择方法或蒙特卡洛选择法，该方法中，各个体的选择概率与其适应度值成比例。假设群体的规模为n，其中个体i的适应度为fi，则i被选择的概率Psi通过以下公式计算：
然后，执行步骤S25，将经过选择后的路径进行交叉操作，先在父代的染色体中确定几个基因位，然后随机选出两个父代个体进行基因交换，从而产生新的个体。也就是，先选择两个需要进行交叉的位置，之后将两个父代个体在需要进行交叉的位置进行数值交换。
然后，执行步骤S26，根据预先设定的变异概率对染色体中的基因进行突变，从而产生新的子染色体。在一个粒子个体的向量中，首先选择两个需要进行变异操作的位置，交换两个位置上的途径地编码。
接着，执行步骤S27，判断是否到达预设的迭代次数，如是，则执行步骤S28，否则，返回执行步骤S24，继续下一次的迭代计算。如果到达预设的迭代次数，则停止迭代计算停止，选出当前最优适应度函数值对应的染色体为最优解，以该最优解作为最优路径。最后，输出轨迹图，即根据坐标各点的位置图在计算结果的基础上输出路线轨迹图。
在步骤S4中，簇间连接的处理过程为：首先，找到距离最近的两个簇，这里的距离是指任意两个簇中最近的点之间的距离，即d(r，s)＝mmin{ar，bs}，其中ar表示簇r中任意一点，bs表示簇s中任意一点。
假设簇r与簇s中距离最近的两个点分别为ri和sj，连接risj，假设与ri相邻的两个点为ri-1和ri+1，与sj相邻的两个点为sj-1和sj+1，计算risj+ri-1sj-1-riri-1-sjsj-1的值和risj+ri+1sj+1-riri+1-sjsj+1的值，如果risj+ri-1sj-1-riri-1-sjsj-1的值较小，则连接ri-1sj-1，移除riri-1与sjsj-1。若risj+ri+1sj+1-riri+1-sjsj+1的值较小，则连接ri+1sj+1，移除riri+1与sjsj+1。
最后，将连接后的回路作为一个整体，再计算距离最近的两个点所在的两个簇，按照上述步骤进行连接，直到所有簇集连接成一个整体。
森林防火系统实施例：
参见图4，本实施例的森林防火系统包括无人机11、智能控制主机12、管理终端13以及云端服务器。无人机11用于对森林场景场面进行实时航拍，得到实时视频信息，具体的，无人机11用于对森林场景场面进行实时采集，得到实时环境数据，并采集无人机11的实时坐标信息。其中，航拍是通过机载摄像头执行的航拍，数据采集是通过传感器单元执行的采集，坐标信息采集是通过GPS定位单元执行的采集，航拍的高度和飞行路径由管理终端13进行控制。更进一步地，无人机11的动力单元用于为无人机11飞行及稳定提供动力；无人机11的主控单元用于维持无人机的稳定和导航，并接收处理管理终端13的遥控指令，无人机11的传感器单元用于采集当前监测区域的温度、湿度、烟雾、气体、风速及风向，无人机11还设置有通信链路单元，用于接收遥控信号指令，并将实时视频信息、传感器数据和飞行轨迹信息传输给智能控制主机12。
智能控制主机12用于智能分析识别接收到的实时视频信息、传感器数据和飞行轨迹信息，在本实施例中，对接收到的实时视频数据进行抽帧处理，得到图片数据。其中，抽帧处理的过程实际为对实时视频数据进行解码，然后再进行编码获取图片数据的过程。具体的，一秒钟抽取三到五帧，实际应用中，可以根据实际需要调整抽帧的频次。优选的，图片的编码格式包括但不限于JPEG、JPEG2000、BMP等格式。
管理终端13用于控制无人机11，包括控制无人机11飞行的目的地、途径地、方向、高度、速度等，管理终端13还用于将无人机的最优路径规划等信息反馈至无人机11。管理员可以在一定的权限下对云端服务器的数据库进行管理，如对异常轨迹的查找、更改和删除，以及增加安全可靠的人工规划的轨迹。
云端服务器中设置有数据库，存储无人机11飞行相关数据，并且存储有途径地的信息，数据库中设置最优轨迹库和备选轨迹库，分别用于存储无人机11的各飞行轨迹段的最优轨迹规划信息和备选轨迹规划信息。数据库中设置还设置有火情信息库，用于存储所有火情数据以作以后预防和研究的依据。数据库中设置还设置有珍贵树种信息库，用于存储森林中珍贵树种的相关信息以便于检查是否存在违规砍伐行为。
在本实施例中，不同的无人机11可以共用一个云端服务器14，以实现各无人机集群之间的轨迹信息共享，这可以使得多个无人机群共享云端数据库中的资源，当不同的无人机11应用到了相同飞行路段时，可以应用同一云端服务器14中的相同轨迹规划信息，避免了轨迹规划的重复计算，大大提高了无人机轨迹规划的效率。
在本实施例中，智能控制主机12可以根据无人机11的目的地和途经地，将整个飞行轨迹分为若干段，并从云端服务器14中查找对应飞行轨迹段对应的最优轨迹规划信息，若云端服务器14中存储有对应的最优轨迹规划信息，则直接传输到管理终端13；若云端服务器14中不存在对应的最优轨迹规划信息，则由智能控制主机12先进行轨迹规划，并将计算得出的最优轨迹规划信息发送至管理终端13，同时将该最优轨迹规划信息在云端服务器14中进行备份。
在本实施例中，管理终端13可以向无人机11发送目的地、途经地信息等，无人机11的通信链路单元接收到上述信息，并可以将这些目的地信息、途经地信息以及拍摄的实时视频信息、采集的传感器数据和坐标信息等打包发送至智能控制主机12。
优选的，智能控制主机12包括有处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述无人机航迹规划方法的各个步骤。
例如，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明的各个模块。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本发明所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
可见，本发明提出了一种基于K聚类和改进的遗传算法的无人机航迹规划方法，能够节省成本，提高效率。并且，无人机航迹规划方法应用在森林防火系统中，可以对森林环境进行全面监测和及时预警，进而森林防火相关部门能够实时掌握森林整体情况，便于及时高效地进行灭火安排和部署；另外，本发明的方法可以用来判断是否存在森林违规乱砍滥伐、禁区行人等异常现象，能够协助林业部门更加智能化、科学化、体系化地保护森林资源。
计算机可读存储介质实施例：
上述智能控制主机所存储的计算机程序如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述无人机航迹规划方法的各个步骤。
其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
最后需要强调的是，本发明不限于上述实施方式，例如确定最佳聚类数的方法的变化，或者判断聚类中心点的位置是否发生变化的具体算法的变化等，这些改变也应该包括在本发明权利要求的保护范围内。
Claims (10)
1.一种无人机航迹规划方法，其特征在于，包括：
获取预先设定的多个途径地，并采用K聚类算法将多个所述途径地分簇；对每个簇分别采用预设的遗传算法以寻找簇内途径地之间的最短轨迹，将所有簇进行簇间连接，将所有轨迹合并，得到最终的轨迹规划结果；
其中，采用预设的遗传算法以寻找簇内途径地之间的最短轨迹包括：对簇内的多个途径地进行编码，采用贪婪算法进行种群初始化，设定适应度函数，并计算种群的适应度，根据适应度函数所计算的每条路径适应度值从大到小排序，将适应度函数值最大的染色体复制到下一代，然后用轮盘赌的方法产生下一代种群中剩余的染色体；将经过选择后的路径进行交叉操作，先在父代的基因位中确定几个基因位，然后随机选出两个父代个体进行基因交换，从而产生新的个体；根据预设的变异概率对染色体中的基因进行突变，产生新的子染色体；到达预设的迭代次数时，选出当前最优适应度函数值对应的染色体为最优解，并作为最优路径。
2.根据权利要求1所述的无人机航迹规划方法，其特征在于：
对簇内的多个途径地进行编码包括：采用路径表示法对簇内的多个途径地进行编码。
3.根据权利要求1或2所述的无人机航迹规划方法，其特征在于：
采用K聚类算法将多个所述途径地分簇包括：获取多个所述途径地的位置，确定最佳聚类数k，从数据对象中随机选择k个聚类中心点Ci(1≤i≤k)；计算其余数据对象与聚类中心点Ci之间的欧式距离，对每一数据对象与聚类中心点Ci之间的欧式距离进行比较，将每一个所述数据对象归类到与该数据对象的欧式距离最近的聚类中心点的簇中；把k个聚类簇中所有数据对象的均值作为新的聚类中心点；进行多次迭代计算，直至聚类中心点不再变化或达到最大的迭代次数。
4.根据权利要求3所述的无人机航迹规划方法，其特征在于：
确定最佳聚类数k包括：采用轮廓系数法确定最佳聚类数k。
5.根据权利要求4所述的无人机航迹规划方法，其特征在于：
采用轮廓系数法确定最佳聚类数k包括：
计算所有样本的平均轮廓系数，其中，簇内样本的距离越近，簇间样本距离越远，平均轮廓系数越大。
6.根据权利要求4所述的无人机航迹规划方法，其特征在于：
确认所述聚类中心点不再变化包括：计算整个数据集的误差平方和，若误差平方和不再发生变化，则确认所述聚类中心点不再变化。
7.根据权利要求6所述的无人机航迹规划方法，其特征在于：
将所有簇进行簇间连接包括：
查找距离最近的两个簇；
设簇r与簇s中距离最近的两个点分别为ri和sj，连接risj，与ri相邻的两个点分别为ri-1和ri+1，与sj相邻的两个点分别为sj-1和sj+1，计算risj+ri-1sj-1-riri-1-sjsj-1的值和risj+ri+ 1sj+1-riri+1-sjsj+1的值；若risj+ri-1sj-1-riri-1-sjsj-1的值较小，则连接ri-1sj-1，移除riri-1与sjsj-1；若risj+ri+1sj+1-riri+1-sjsj+1的值较小，则连接ri+1sj+1，移除riri+1与sjsj+1；
将连接后的回路作为一个整体，再计算距离最近的两个点所在的两个簇，并继续进行连接，直到所有簇集连接成一个整体。
8.根据权利要求7所述的无人机航迹规划方法，其特征在于：
查找距离最近的两个簇包括：计算任意两个簇中最近的点之间的距离，该距离为d(r，s)＝min{ar，bs}，其中ar表示簇r中任意一点，bs表示簇s中任意一点。
9.森林防火系统，包括无人机、智能控制主机、管理终端以及云端服务器，其特征在于，所述无人机将获取的图像数据发送至所述智能控制主机以及所述管理终端，所述管理终端从所述云端服务器获取多个途径地的信息并计算所述无人机的最优路径，所述智能控制主机设置有处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的无人机航迹规划方法的各个步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至8中任意一项所述的无人机航迹规划方法的各个步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110028987.8A CN112859931A (zh) | 2021-01-11 | 2021-01-11 | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110028987.8A CN112859931A (zh) | 2021-01-11 | 2021-01-11 | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112859931A true CN112859931A (zh) | 2021-05-28 |
Family
ID=76002167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110028987.8A Pending CN112859931A (zh) | 2021-01-11 | 2021-01-11 | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859931A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503844A (zh) * | 2016-10-19 | 2017-03-15 | 国网山东省电力公司济阳县供电公司 | 一种采用遗传算法的电力线路路径寻优方法 |
| CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
| CN109948865A (zh) * | 2019-04-01 | 2019-06-28 | 东华大学 | 一种tsp问题路径规划方法 |
| CN110047241A (zh) * | 2019-04-27 | 2019-07-23 | 刘秀萍 | 一种森林火灾无人机巡航监控系统 |
| CN110426043A (zh) * | 2019-08-06 | 2019-11-08 | 中国人民解放军陆军工程大学 | 面向线目标的无人机侦察航迹规划方法 |
| CN110472790A (zh) * | 2019-08-16 | 2019-11-19 | 集美大学 | 一种多无人船路径规划方法、终端设备及存储介质 |
| CN110634331A (zh) * | 2019-09-12 | 2019-12-31 | 广州大学 | 基于负载均衡的多uav路径设计方法 |
| CN110956337A (zh) * | 2019-12-16 | 2020-04-03 | 深圳中科保泰科技有限公司 | 无人机常态化智能作业前的勘探方法和装置 |
| CN110986960A (zh) * | 2019-12-31 | 2020-04-10 | 哈尔滨工业大学 | 一种基于改进聚类算法的无人机航迹规划方法 |
| CN111256697A (zh) * | 2020-02-24 | 2020-06-09 | 哈尔滨工业大学 | 一种针对路径点聚类机器学习的无人机航迹规划方法 |
| CN111932812A (zh) * | 2020-07-28 | 2020-11-13 | 东北林业大学 | 一种基于无人机的智能森林防火系统 |
-
2021
- 2021-01-11 CN CN202110028987.8A patent/CN112859931A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106503844A (zh) * | 2016-10-19 | 2017-03-15 | 国网山东省电力公司济阳县供电公司 | 一种采用遗传算法的电力线路路径寻优方法 |
| CN109164810A (zh) * | 2018-09-28 | 2019-01-08 | 昆明理工大学 | 一种基于蚁群-聚类算法的机器人自适应动态路径规划方法 |
| CN109948865A (zh) * | 2019-04-01 | 2019-06-28 | 东华大学 | 一种tsp问题路径规划方法 |
| CN110047241A (zh) * | 2019-04-27 | 2019-07-23 | 刘秀萍 | 一种森林火灾无人机巡航监控系统 |
| CN110426043A (zh) * | 2019-08-06 | 2019-11-08 | 中国人民解放军陆军工程大学 | 面向线目标的无人机侦察航迹规划方法 |
| CN110472790A (zh) * | 2019-08-16 | 2019-11-19 | 集美大学 | 一种多无人船路径规划方法、终端设备及存储介质 |
| CN110634331A (zh) * | 2019-09-12 | 2019-12-31 | 广州大学 | 基于负载均衡的多uav路径设计方法 |
| CN110956337A (zh) * | 2019-12-16 | 2020-04-03 | 深圳中科保泰科技有限公司 | 无人机常态化智能作业前的勘探方法和装置 |
| CN110986960A (zh) * | 2019-12-31 | 2020-04-10 | 哈尔滨工业大学 | 一种基于改进聚类算法的无人机航迹规划方法 |
| CN111256697A (zh) * | 2020-02-24 | 2020-06-09 | 哈尔滨工业大学 | 一种针对路径点聚类机器学习的无人机航迹规划方法 |
| CN111932812A (zh) * | 2020-07-28 | 2020-11-13 | 东北林业大学 | 一种基于无人机的智能森林防火系统 |
Non-Patent Citations (5)
| Title |
|---|
| 刘超: "基于改进遗传算法的多无人机航路规划方法", 《火力与指挥控制》, no. 1, 15 January 2019 (2019-01-15), pages 18 - 22 * |
| 张向荣等: "《人工智能前沿技术丛书模式识别》", vol. 1, 30 September 2019, 西安电子科技大学出版社, pages: 60 - 62 * |
| 施静等: "《学习记忆与机器学习实验原理》", vol. 1, 31 July 2019, 华中科技大学出版社, pages: 114 - 115 * |
| 王光焰等: "《塔里木河流域干流水资源配置原理与实践》", vol. 1, 30 June 2019, 武汉大学出版社, pages: 31 * |
| 靳志宏等: "《现代优化技术》", vol. 1, 28 February 2017, 大连海事大学出版社, pages: 152 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | On-time last-mile delivery: Order assignment with travel-time predictors | |
| CN107169608B (zh) | 多无人机执行多任务的分配方法及装置 | |
| CN107103164B (zh) | 无人机执行多任务的分配方法及装置 | |
| US20160379388A1 (en) | System and method for combining geographical and economic data extracted from satellite imagery for use in predictive modeling | |
| Kim et al. | Calibration of microsimulation models using nonparametric statistical techniques | |
| JP2022513839A (ja) | 自律型車両のセンサデータリポジトリの検索 | |
| Lidbe et al. | Comparative study of simulated annealing, tabu search, and the genetic algorithm for calibration of the microsimulation model | |
| WO2019246596A1 (en) | Route determination in dynamic and uncertain environments | |
| Oz et al. | A meta-heuristic based three-dimensional path planning environment for unmanned aerial vehicles | |
| Korkmaz et al. | Comparison of artificial bee colony and flower pollination algorithms in vehicle delay models at signalized intersections | |
| Liu et al. | A multi-objective optimization model for planning unmanned aerial vehicle cruise route | |
| US11694333B1 (en) | Performing semantic segmentation of 3D data using deep learning | |
| CN110749325B (zh) | 航迹规划方法和装置 | |
| Hasmadi et al. | Geographic information system-allocation model for forest path: a case study in Ayer Hitam Forest Reserve, Malaysia | |
| CN112859931A (zh) | 无人机航迹规划方法、森林防火系统及计算机可读存储介质 | |
| US20230177959A1 (en) | Vehicle accident prediction system, vehicle accident prediction method, vehicle accident prediction program, and learned model creation system | |
| Voloshyn | Conceptual model of information system for drone monitoring of trees’ condition | |
| EP4191203A1 (en) | Model generation device, route retrieval device, model generation method, and model generation program | |
| Abboud et al. | Piecewise‐deterministic Markov processes for spatio‐temporal population dynamics | |
| Ashander et al. | Demographic inference in a spatially-explicit ecological model from genomic data: a proof of concept for the Mojave Desert Tortoise | |
| Mosavi | An effective method for GPS GDOP clustering using ant colony optimization algorithm | |
| Araújo et al. | Cooperative observation of malicious targets in a 3d urban traffic environment using uavs | |
| Jenifer et al. | Improved Mayfly Optimization and LightGBM Classifier for Smart City Traffic Prediction | |
| Song et al. | TINet: multi-dimensional traffic data imputation via transformer network | |
| Moseva et al. | On Methods of Verification of Mathematical Models of Traffic Flows on Real Data |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |