CN112945255A - 汽车搭载多架无人机协同多区域覆盖路径规划方法及系统 - Google Patents

Abstract

本发明公开了汽车搭载多架无人机协同多区域覆盖路径规划方法及系统，方法采用三阶段启发式算法，第一阶段是分析覆盖区域的几何特征，选取多无人机协同区域分解与分配方法，得到多无人机协同区域覆盖路径规划算法，由该算法计算得到每个覆盖区域所需无人机数量以及无人机之间相互协同进行区域覆盖的覆盖扫描路径；第二阶段是根据每架无人机覆盖路径的起点和终点，选取多无人机协同起飞/降落停点选取策略，得到每个区域内起飞停点和降落停点的初始访问顺序，使用改进节约算法对车辆的行驶路径进行规划，一二阶段结合得到问题的一个可行解；第三阶段，采用局部搜索算法改进可行解。本发明可以高效完成大面积区域覆盖任务，满足实际作用应用需求。

Description

汽车搭载多架无人机协同多区域覆盖路径规划方法及系统

技术领域

本发明涉及目标区域信息采集技术领域，尤其涉及汽车搭载多架无人机协同多区域覆盖路径规划方法及系统。

背景技术

随着无人机相关技术的发展，其作为一种新兴的遥感技术在地面信息采集领域比如农作物生长情况采集、地图测绘中地理信息的采集以及灾区受损情况评估等应用场景中挥着越来越重要的作用，逐渐成为目标区域覆盖中的常用工具。

在实际覆盖过程中，各种情况复杂多变，使用一架无人机往往会面临许多困难和局限，这个时候一般使用多架无人机相互协同的模式对目标区域进行覆盖。

发明内容

本发明提出的汽车搭载多架无人机协同多区域覆盖路径规划方法及系统，汽车充当无人机的移动平台，携带多架无人机相互协同完成多个区域的覆盖扫描任务。

为了实现上述目的，本发明采用了如下技术方案：

汽车搭载多架无人机协同多区域覆盖路径规划方法，所述方法包括：

第一阶段：分析覆盖区域的几何特征，对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

第二阶段：根据每架无人机覆盖路径的起点和终点，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点组成目标点集合，再使用改进节约算法对车辆的行驶路径进行规划以减少车辆的行驶时间；

第三阶段：采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

优选的，所述第一阶段中使用多无人机协同区域覆盖路径规划算法对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，所述多无人机协同区域覆盖路径规划算法的流程为：

首先在给定覆盖区域的几何信息、以及无人机相关性能信息的条件下，计算覆盖区域的周长、面积、无人机的数量和每架无人机的扫描面积占总面积的比例；

再计算覆盖区域的圆度；

如果该区域的圆度大于0.86，则采用螺旋式扫描模式，获得扫描路径；将该路径划分为m段等长的路径，分别将其分配给m架无人机，得到每一架无人机的覆盖路径，计算得出每条覆盖的起点和终点以及每条路径的长度；

如果该区域的圆度小于0.86，则采用割草式扫描模式，使用 CAA-CMD方法将其分解为m块子多边形，分别分配给m架无人机；再使用多无人机协同区域覆盖路径规划算法为每一块多边形规划覆盖路径，计算得出每条覆盖的起点和终点以及每条路径的长度。

优选的，所述圆度的计算公式为：

其中S为区域面积，L为区域周长。

优选的，采用螺旋式扫描模式时，其多无人机协同覆盖路径的生成方法为：

所有无人机为同一类型，最大扫描面积计算如下：

S_max＝T_max·D；

其中T_max为无人机的最大飞行时间，D为无人机的扫描宽度，根据扫描区域的面积S_Area计算得到无人机的数量：

其中

表示向上取整；m份子区域每个区域的面积占总面积的百分比为：

p_u＝1/m；

将覆盖整个区域的螺旋扫描线等分为m份，将其分别分配给m 架无人机，即规划好相互协同的无人机各自的飞行路径。

优选的，采用割草式扫描模式时，其多无人机协同覆盖路径的生成方法为：

所有无人机为同一类型，最大扫描面积计算如下：

S_max＝T_max·D；

其中T_max为无人机的最大飞行时间，D为无人机的扫描宽度，根据扫描区域的面积S_Area计算得到无人机的数量：

其中

表示向上取整；m份子区域每个区域的面积占总面积的百分比为：

p_u＝1/m；

计算得到无人机数量m以及分配给每一架无人机的子覆盖区域面积占总面积的百分比；再使用CAA-CMD方法将该区域分解成一系列凸多边子区域，分别计算子区域的面积和占比，从第一块子区域开始经过一系列的区域合并以及分解将扫描区域按面积比例等分成m份，m份子区域每一份将有一架对应的无人机对其进行扫描。

优选的，所述第二阶段中由多无人机协同起飞/降落停点选取策略，为每一架无人机选取合适的起飞/降落停点，所述多无人机协同起飞/降落停点选取策略为：

(1)在每个区域内为该区域所需的每架无人机随机选取一条覆盖路径，由此确定每架无人机覆盖路径的起点和终点。

(2)基于贪婪原则为每架无人机选取起飞停点(fp₁,fp₂,...,fp_m)和降落停点(lp₁ ^s,lp₂ ^s,...,lp_ms ^s,s∈S)，使得每架无人机的飞行时间最少。

优选的，所述第二阶段中改进节约算法为：

鉴于车辆只能沿着停点和道路以及覆盖区域边界组成的路网行驶，因此对每个覆盖区域按一定要求选取两个停点，记为停点1和停点2，作为车辆进入和离开覆盖区域的点，基站到覆盖区域之间的回路由基站到停点1，停点1到停点2以及停点2到基站组成；

根据合并回路的节约值大小将覆盖区域两两合并最终把全部区域囊括其中得到最终的覆盖区域和停点访问顺序。

优选的，所述第二阶段中综合车辆和多无人机的路径得到了车辆路径规划算法；所述车辆路径规划算法为：

首先，根据全部待研究点的位置信息计算Floyd距离矩阵dis；

其次使用多无人机协同起飞/降落停点选取策略为每个区域的所有无人机选取起飞停点(fp₁ ^s,fp₂ ^s,...,fp_ms ^s,s∈S)和降落停点 (lp₁ ^s,lp₂ ^s,...,lp_ms ^s,s∈S)；

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点选取出来以形成停点集合goal；

再次以改进节约算法计算节约值矩阵，并将其降序排列；

从最大值开始，将对应的两个覆盖区域的车辆行驶路径回路合并，直到包括所有的覆盖区域，从而得到了所有覆盖区域的访问顺序 seq；

最后结合每个覆盖区域内每架无人机选取的无人机覆盖路径以及每个区域内车辆需要访问的起飞/降落停点顺序和所有覆盖区域的访问顺序得到了车辆和无人机执行覆盖任务路径规划的可行解。

优选的，所述第三阶段中局部搜索算法采用了车载多无人机协同多区域覆盖路径优化算法：

首先，输入通过多无人机协同区域覆盖路径规划算法和车辆路径规划算法计算得到的初始可行解，领域算子集合以及各个算子的初始权重，初始温度和终止温度值以及冷却系数；初始化当前温度值，最优解值，最优解连续迭代过程中不发生改变的次数以及每轮运算中的迭代次数；

在每一轮迭代过程中，根据领域算子权重值使用轮盘赌选择算子选取相应的领域算子，最开始时每个领域算子权重设置相同；使用领域算子调整过后的当前解若可行，则将当前解与最优解进行比较；

若当前解优于最优解，则首先将其设置为下一次搜索过程中的起点，再更新最优解；若当前解要劣于最优解，则使用Metropolis准则判断能否接受当前解成为下一次搜索过程中的起点，若能够接受，则将其设置为下一次搜索过程中的起点，若不能接受，则将本次搜索过程中的起点设置为下一次搜索过程中的起点；若当前解等于最优解，则首先将其设置为下一次搜索过程中的起点，然后最优解在连续迭代过程中不发生改变的次数加一；

每一轮迭代之后根据冷却系数更新当前温度，同时根据本轮迭代过程中每个领域算子的使用次数和其搜索效果更新算子权重；该算法的终止条件由两个部分的逻辑与结果组成，一为当前温度要大于设置的最终温度，二为本轮迭代过程中最优解连多次不发生变化，即已搜索到全局最优解，往其他领域方向进行搜索得到的解都不优于当前最优解；使用该算法最后得到车机协同进行多区域覆盖任务的一个最优路径解。

一种汽车搭载多架无人机协同多区域覆盖路径规划系统，其特征在于，所述系统包括：

区域覆盖路径规划模块，用于分析覆盖区域的几何特征，对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

车辆路径规划模块，根据每架无人机覆盖路径的起点和终点，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

路径优化模块，采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

与现有的技术相比，本发明的有益效果是：

(1)由于覆盖工作的划分而减少了总任务时间；

(2)在对特定目标情报的收集、探测和监控方面，多无人机和车辆相互合作的模式可以有效扩大执行区域覆盖任务的范围；车辆和无人机相互合作完成任务的模式也在现实生活中的其他类似领域得到了广泛的应用；

(3)车载多无人机协同模式可以高效完成大面积区域覆盖任务，同时三阶段启发式算法可以有效解决车机协同带来的复杂路径规划问题，满足实际作用应用需求。

附图说明

图1为本发明实施例1的示例一采用螺旋式扫描模式时多无人机协同覆盖路径生成过程图；

图2为本发明实施例1示例一采用螺旋式扫描模式时多无人机协同覆盖路径生成过程图；

图3为本发明实施例1采用割草式扫描模式时多无人机协同覆盖区域分配方法；

图4为本发明实施例1的示例二采用割草式扫描模式时多无人机协同覆盖区域分配及路径生成过程图；

图5为本发明实施例1的示例二采用割草式扫描模式时多无人机协同覆盖区域分配及路径生成过程图；

图6为本发明实施例1的改进后的节约算法车辆回路合并示意图；

图7为本发明实施例1的示例三随机案例中多边形和道路网络的分布；

图8为本发明实施例1的示例三初始解中车辆和无人机的路径；

图9为本发明实施例1的示例三汽车和无人机的路径规划方案。

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。

在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

参照图1-9，汽车搭载多架无人机协同多区域覆盖路径规划方法，

为了便于模型描述，表1给出了建模过程中应用的所有符号及其含义。

表1所有符号及其含义

数学规划模型如下：

Min

其中

s.t.

目标函数(1)表示最小化覆盖任务的总时间，主要由两部分组成，第一个部分为车辆携带多架无人机在所有覆盖区域和基站之间转移的总的行驶时间，第二个部分为车载多无人机在所有覆盖区域内执行覆盖任务的总时间。

第一个部分的计算过程较为简单，由公式(2)表示，主要是根据每个区域内选取的第一个起飞停点和最后一个降落停点计算得到。第二个部分的计算过程较为复杂，主要根据每个区域内ms架无人机与车辆的ms次相互等待的情况进行计算的。

公式(4)表示车辆从第一个起飞停点释放无人机直到车辆到第一个降落停点回收第一架无人机所需的时间。

之后在该结果的基础上使用公式(5)逐个计算车辆到达下一个降落停点回收下一架无人机所需的时间，直到计算出车辆回收完最后一架无人机的时间即为车载多无人机在该区域内执行覆盖任务的时间。

约束条件(6)确保搭载无人机的车辆必须从基站出发，完成所有覆盖任务之后返回同一个基站。

约束条件(7)确保每个停点的出度等于入度，从而确保车辆行驶路线的连通性。

约束条件(8)确保车辆进入每个覆盖区域一次并离开该区域一次，即每个覆盖区域只能访问一次。

约束条件(9)确保无人机只能在车辆所访问的停点起飞，而约束条件(10)确保无人机只能在车辆所访问的停点降落。

约束条件(11)确保每个区域每架无人机只能在该区域内起飞和降落一次。约束条件(12)确保每个区域内对每个子区域而言有且只有一架无人机起飞和降落。

约束条件(13)确保无人机在每个覆盖区域飞行路径的连通性即无人机覆盖路径的起点和终点属于同一条覆盖路径。

约束条件(14)确保每架无人机对分配给它的覆盖子区域进行覆盖的飞行时间都不会超过其最大续航时间。

约束条件(15)确保每个区域内所有无人机的最大扫描总面积要大于该区域的面积，即保证能够对该区域完全覆盖。

约束条件(16)和(17)定义0-1变量的取值范围。

本发明提出汽车搭载多架无人机协同多区域覆盖路径规划方法，采用三阶段启发式算法来快速求解车载多无人机协同多区域覆盖侦察路径规划问题。

第一阶段：分析覆盖区域的几何特征，使用多无人机协同区域覆盖路径规划算法1对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

第二阶段：根据每架无人机覆盖路径的起点和终点，设计多无人机协同起飞/降落停点选取策略，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点组成目标点集合，之后使用改进节约算法对车辆的行驶路径进行规划以减少车辆的行驶时间；

综合车辆和多无人机的路径设计了车辆路径规划算法2；

第三阶段：采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

第一阶段的具体过程为：

当无人机对一个区域进行覆盖扫描时，首先需要分析区域的形状，为无人机选择合适的扫描模式，如割草式扫描或螺旋式扫描/螺旋式扫描模式，当圆度大于0.86时选取螺旋式扫描模式，否则选取割草式扫描模式，圆度计算公式如下：

根据不同的扫描模式对覆盖区域进行处理；最后，根据无人机的相关性能参数计算覆盖区域的扫描飞行路径。

本发明所采用的所有无人机都是同一类型的，则其最大扫描面积计算如下：

S_max＝T_max·D (19)

其中S为区域面积，L为区域周长。

其中T_max为无人机的最大飞行时间，D为无人机的扫描宽度。此时根据扫描区域的面积S_Area可以计算得到无人机的数量：

其中

表示向上取整，确保所有无人机的总覆盖面积之和要大于待覆盖区域面积。此时m份子区域每个区域的面积占总面积的百分比为：

p_u＝1/m (21)

对于任意一个给定的扫描区域，首先判断该区域适合使用哪种扫描方式。

当该区域适合使用螺旋式扫描模式时，则将覆盖整个区域的螺旋扫描线等分为m份，将它们分别分配给m架无人机，如此相互协同的无人机各自的飞行路径也就规划好了，这种情况下无多人机协同路径规划较好处理。

采用一个正8边形的多无人机协同覆盖路径生成示例。该示例中，待覆盖多边形的总面积为43.43km²，无人机最大扫描面积为15 km²，带入公式(20)中计算得到无人机的数量m＝3。根据公式(18) 计算得到该多边形的圆度为0.9481，由于该圆度大于0.86，所以采用螺旋式扫描模式。图1表示使用螺旋式扫描模式为该多边形规划的无人机覆盖路径；圆点表示覆盖路径起点和终点。图2表示将整个螺旋覆盖路径按长度等分为m份之后形成的m条覆盖路径，将它们分别分配给m架无人机最终得到多无人机的协同路径。

当该区域适合使用割草式扫描模式时，也是首先输入扫描区域和无人机相应的信息，计算得到无人机数量m以及分配给每一架无人机的子覆盖区域面积占总面积的百分比，然后使用CAA-CMD (Coverage area allocation method for cooperative multi-drone，CAA-CMD)方法将覆盖整个区域分解为一系列凸多边形子区域(该方法对将一个面积较大的凸多边形分解成一系列小块的凸多边形也同样适用)，分别计算这些子区域的面积和占比。从第一块子区域开始经过一系列的区域合并以及分解，将扫描区域按面积比例等分成m份，m份子区域每一份都会有一架对应的无人机对其进行扫描。采用示例二来具体说明。

采用一个面积较大的凹多边形的多无人机协同覆盖区域分解与扫描路径生成示例。该示例中，待覆盖多边形的总面积为4202.03m²，无人机的最大扫描面积为1500m²，带入公式(20)中计算得到无人机的数量m＝3。给每架无人机分配的扫描区域面积占覆盖区域总面积的比例Pu＝33.33％。图4左部分表示使用上述基于梯形分解的凹多边形分解方法将该凹多边形分解为一系列凸多边形子区域，并分别计算出它们各自的面积占总面积的百分比；图4右部分表示使用 CAA-CMD方法将整个覆盖区域分解成等比例的3块子区域，并将这3块子区域分配给3架无人机。而图5左部分表示使用上述基于梯形分解的凹多边形分解方法分别将这3块子区域分解成一系列凸多边形并进行合并的过程。图5右部分显示了使用割草式扫描模式为每一架无人机规划的Boustrophedon路径。

综合来说，设计了多无人机协同区域覆盖路径规划算法，如表2 所示；

表2多无人机协同区域覆盖路径规划算法

首先在给定覆盖区域的几何信息、以及无人机相关性能信息的条件下，计算覆盖区域的周长、面积、无人机的数量和每架无人机的扫描面积占总面积的比例，然后计算覆盖区域的圆度。如果该区域的圆度大于0.86，则采用螺旋式扫描模式，然后获得扫描路径，之后将该路径划分为m段等长的路径，分别将它们分配给m架无人机，如此就得到每一架无人机的覆盖路径了。如此计算得出每条覆盖的起点和终点以及每条路径的长度。如果该多边形的圆度小于0.86，则使用前面设计的CAA-CMD方法将其分解为m块子多边形，分别将它们分配给 m架无人机，然后使用算法为每一块多边形规划覆盖路径。如此计算得出每条覆盖的起点和终点以及每条路径的长度。

第二阶段主要是对车辆行驶路径进行规划，这一阶段主要是根据每架无人机覆盖路径的起点和终点而选取该无人机起飞停点和降落停点，然后根据这些选取的起飞/降落停点对车辆路径进行规划。在这过程中使用改进节约算法对车辆的行驶路径进行规划以减少车辆的行驶时间。

起飞/降落停点的选取关系着相互协同的多架无人机总的飞行时间以及车辆的行驶时间。为了缩短这一时间，应该设计有效的选取策略。根据多无人机协同区域覆盖路径规划算法1可以规划得到使用无人机的数量m和每架无人机的覆盖路径以及每条路径对应的起点和终点，据此本发明设计了多无人机协同起飞/降落停点选取策略 (Take-off/landing stopping nodes selection strategy for cooperated drones，SN-SS)：

(1)在每个区域内为该区域所需的每架无人机随机选取一条覆盖路径，由此确定每架无人机覆盖路径的起点和终点；

(2)基于贪婪原则为每架无人机选取起飞停点(fp₁,fp₂,...,fp_m)和降落停点(lp₁,lp₂,...,lp_m)，使得每架无人机的飞行时间最少。

该多无人机协同起飞/降落停点选取策略可以快速为每一架无人机选取合适的起飞/降落停点，由此得到车辆对这些起飞/降落停点的访问顺序，为第二阶段的车辆路径规划奠定基础。

在车辆路径规划过程中同样适用改进节约算法对覆盖区域的访问顺序进行规划，这里每个覆盖区域选取第一个起飞停点fp₁和最后一个降落停点lp_m组成目标点集合，之后使用改进节约算法计算出覆盖区域的访问顺序。

本发明计划使用节约算法对第二阶段的车辆行驶路径进行规划。节约算法的基本思想是依次将运输问题中的两个回路合并为一个回路，每次使合并后的总运输距离减小的幅度最大，直到达到一辆车的装载限制时，再进行下一辆车的优化。由于本发明使用的车辆不考虑载重这个约束，而且本发明中的子回路是基站与扫描区域之间的可行路径组成的，而不是与顾客点组成的，因此传统的节约算法无法直接应用于本发明的车辆路径规划中，所以需要对其进行改进。

改进主要有两个方面：

(1)由于车辆只能沿着停点和道路以及覆盖区域边界组成的路网行驶，因此对每个覆盖区域按一定要求选取两个停点，记为停点1 和停点2，作为车辆进入和离开覆盖区域的点(注：这两个点可以为同一个停点)，此时基站到覆盖区域之间的回路是由基站到停点1，停点1到停点2以及停点2到基站组成的。与传统的节约算法中由基站到顾客点和顾客点到基站组成的回路是不同的。这样的变化导致每段回路的路程计算更为复杂。改进后的合并过程如图6所示：

(2)由于本发明中的车辆只是作为携带无人机在不同的覆盖区域之间的转移的一个工具，并提供无人机起飞降落的平台和在转移的过程中为无人机充电或更换电池的。因此在研究过程中不需要考虑其载重约束。所以本发明只需要根据合并回路的节约值大小将覆盖区域两两合并最终把全部区域囊括其中得到最终的覆盖区域和停点访问顺序。

因为多无人机协同的覆盖路径以及每架无人机选取的起飞和降落停点可以通过多无人机协同起飞/降落停点选取策略获得，据此得到了每个区域内车辆必须访问的起飞/降落停点的顺序。

车辆在每个覆盖区域内行驶的具体过程是车辆先对每个起飞停点按顺序进行访问以释放所有无人机进行区域扫描覆盖，之后对所有降落停点按顺序进行访问以回收所有完成各自覆盖扫描任务的无人机，而车辆对这些覆盖区域的访问顺序是基于改进节约算法计算得到的，综合这两个阶段车辆和多无人机的路径设计了车辆路径规划算法 2如表3所示：

表3车辆路径规划算法2

首先，根据全部待研究点的位置信息计算Floyd距离矩阵dis，然后使用上一节设计的停点选取策略为每个区域的所有无人机选取起飞停点

和降落停点

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点选取出来以形成停点集合goal(第3-6行)，然后以改进节约算法计算节约值矩阵，并将其降序排列(第12行)。从最大值开始，将对应的两个覆盖区域的车辆行驶路径回路合并，直到包括所有的覆盖区域，从而得到了所有覆盖区域的访问顺序seq。最后结合每个覆盖区域内每架无人机选取的无人机覆盖路径以及每个区域内车辆需要访问的起飞/降落停点顺序和所有覆盖区域的访问顺序得到了车辆和无人机执行覆盖任务路径规划的可行解。

第三阶段中：可以通过4个主要的方面来对初始可行解进行优化。

第一个方面是对无人机选取的起飞/降落停点的调整，可以通过一定的规则删除或者重新选取其余的停点，这一方面主要对无人机的飞行时间产生影响。

第二个方面是对所选取的起飞/降落停点的访问顺序进行调整，这一方面主要是减少车辆的行驶时间。这两个方面的调整对多无人机协同的飞行时间和车辆的行驶时间都会产生影响，但是影响方面各有侧重。

第三个方面是选取不同的覆盖路径，这里主要是针对采用割草式扫描模式生成覆盖路径的区域，因为根据第二章的内容本发明知道采用割草式扫描模式的区域可以生成两条覆盖路径，此时就可以对不同的覆盖路径进行选择。

第四个方面是对所有覆盖区域的访问顺序进行调整。基于以上描述，结合不同的移除和重构算子设计了邻域算子。

车载多无人机协同多区域覆盖路径优化算法3如表4所示，是基于ALNS算法设计的，也采用了基于轮盘赌思想的领域算子选取方式和基于模拟退火算法思想的避免陷入局部最优的评价准则。

表4车载多无人机协同多区域覆盖路径优化算法3

首先，本发明输入通过多无人机协同区域覆盖路径规划算法和车辆路径规划算法计算得到的初始可行解，领域算子集合以及各个算子的初始权重，初始温度和终止温度值以及冷却系数。初始化当前温度值，最优解值，最优解连续迭代过程中不发生改变的次数以及每轮运算中的迭代次数。

在每一轮迭代过程中，根据领域算子权重wi的值使用轮盘赌选择算子选取相应的领域算子，最开始时每个领域算子权重设置相同。s^t表示使用领域算子调整过后的当前解，如果当前解可行，则将其与最优解进行比较。

如果当前解优于最优解，则首先将其设置为下一次搜索过程中的起点，然后更新最优解。如果当前解要劣于最优解，则使用Metropolis 准则判断能否接受当前解成为下一次搜索过程中的起点，如果能够接受，则将其设置为下一次搜索过程中的起点，如果不能接受，则将本次搜索过程中的起点设置为下一次搜索过程中的起点。如果当前解等于最优解，则首先将其设置为下一次搜索过程中的起点，然后count值加一，表示最优解在连续迭代过程中不发生改变的次数加一。

每一轮迭代之后根据冷却系数更新当前温度，同时根据本轮迭代过程中每个领域算子的使用次数和其搜索效果更新算子权重w_i。该算法的终止条件由两个部分的逻辑与结果组成，其一是当前温度要大于设置的最终温度，这是模拟退火算法框架的基本组成部分，另一个是本轮迭代过程中最优解连续N_max次不发生变化，此时可以看作已搜索到全局最优解，因为往其他领域方向进行搜索得到的解都不优于当前最优解，这个终止条件是为了避免多余的搜索，从而提升算法的计算效率。使用该算法最后得到车机协同进行多区域覆盖任务的一个最优路径解。

最后通过一个实验案例给出模型和算法的应用示例，并说明车载多无人机进行大面积区域侦察的优势。所有计算实验均在华为笔记本电脑上进行，该笔记本电脑使用Corei71.8GHz四核处理器，16GB 内存，Windows 10操作系统，并且应用Matlab R2018a进行算法编码。

实验案例

在平面上生成一个4x4的道路网络，该网络将平面划分成16个正方形网格，将每个正方形网格的边长设为20个单位长度。

首先在16个网格中随机选取一定数量的网格，对于每个选中的网格，在里面随机生成一定数量的点，这些点可以当做多边形顶点，然后将这些顶点按顺序连接，从而在网格中形成多边形。将平面分为 16个网格的线段可以看成主要道路网，对于每个生成的多边形而言，随机选取3个边界上的顶点然后将其与主要道路网相连以构成总的道路网络。16个网格的中心设为基站，车辆携带多架无人机从基站出发去覆盖这些随机生成的多边形，当任务完成之后返回基站。目标是为相互协同的车辆和多无人机找到一条最优路径以完成所有多边形的覆盖。

如图7所示，这8个多边形按照从左到右，从上到下的顺序编号。在每个多边形的每条边上随机生成一个停点，用星号表示，从编号为 1的多边形开始对所有区域的停点进行编号。矩形表示基站，车辆携带无人机从基站出发去覆盖扫描这种8个多边形以采集这些区域的信息，完成所有覆盖任务之后返回基站。找到车载多无人机协同的最优路径。

实验中车辆的平均速度设为0.05个单位每秒，无人机的平均速度设为0.1个单位每秒。无人机扫描间距设为1个单位长度，无人机的最大转弯速率设为0.7。这里假设每架无人机的最大覆盖面积 S_max＝60，车载多无人机协同多区域覆盖路径优化算法中的参数设置如下表所示。

表5车载多无人机协同多区域覆盖路径优化算法中的参数设置

参数	设定值
		Ts	100o
Te	1o
		cr	0.99
N	100
		Nmax	6
λ	0.2

表6则显示了8个多边形的圆度计算结果以及所需的无人机数量。从中可以看出，区域2的圆度明显大于0.86，因此这个区域采用螺旋式扫描模式，其余区域采用割草式扫描模式。区域1、4、7和8 是凹多边形，其余区域是凸多边形，使用前面设计的多无人机协同区域覆盖路径规划算法为每个区域规划其覆盖路径。

表6 8个区域的圆度及所需无人机数量

结合算法和算法计算得到的初始可行解如图8所示。其中8个区域的访问顺序为3-2-6-4-8-7-1-5，完成覆盖任务的总时间为389.11分钟。

基于初始可行解，使用基于算法的车载多无人机协同多区域覆盖路径优化算法对该可行解进行优化。得到的最优解如图9所示，其中 8个区域的访问顺序为3-4-2-1-5-7-8-6，完成覆盖任务的时间为263.62 分钟，与初始解相比缩短了32.25％，优化效果显著。可以看出，车载多无人机协同模式可以高效完成大面积区域覆盖任务，同时三阶段启发式算法可以有效解决车机协同带来的复杂路径规划问题，满足实际作用应用需求。

实施例2

一种使用实施例1所述的汽车搭载多架无人机协同多区域覆盖路径规划系统，系统包括：

区域覆盖路径规划模块，用于分析覆盖区域的几何特征，对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

车辆路径规划模块，根据每架无人机覆盖路径的起点和终点，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

路径优化模块，采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (10)

1.汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述方法包括：

第一阶段：分析覆盖区域的几何特征，对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

第二阶段：根据每架无人机覆盖路径的起点和终点，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点组成目标点集合，再使用改进节约算法对车辆的行驶路径进行规划以减少车辆的行驶时间；

第三阶段：采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

2.根据权利要求1所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述第一阶段中使用多无人机协同区域覆盖路径规划算法对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，所述多无人机协同区域覆盖路径规划算法的流程为：

首先在给定覆盖区域的几何信息、以及无人机相关性能信息的条件下，计算覆盖区域的周长、面积、无人机的数量和每架无人机的扫描面积占总面积的比例；

再计算覆盖区域的圆度；

如果该区域的圆度大于0.86，则采用螺旋式扫描模式，获得扫描路径；将该路径划分为m段等长的路径，分别将其分配给m架无人机，得到每一架无人机的覆盖路径，计算得出每条覆盖的起点和终点以及每条路径的长度；

如果该区域的圆度小于0.86，则采用割草式扫描模式，使用CAA-CMD方法将其分解为m块子多边形，分别分配给m架无人机；再使用多无人机协同区域覆盖路径规划算法为每一块多边形规划覆盖路径，计算得出每条覆盖的起点和终点以及每条路径的长度。

3.根据权利要求2所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述圆度的计算公式为：

其中S为区域面积，L为区域周长。

4.根据权利要求2所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，采用螺旋式扫描模式时，其多无人机协同覆盖路径的生成方法为：

所有无人机为同一类型，最大扫描面积计算如下：

S_max＝T_max·D；

其中T_max为无人机的最大飞行时间，D为无人机的扫描宽度，根据扫描区域的面积S_Area计算得到无人机的数量：

其中

表示向上取整；m份子区域每个区域的面积占总面积的百分比为：

p_u＝1/m；

将覆盖整个区域的螺旋扫描线等分为m份，将其分别分配给m架无人机，即规划好相互协同的无人机各自的飞行路径。

5.根据权利要求2所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，采用割草式扫描模式时，其多无人机协同覆盖路径的生成方法为：

所有无人机为同一类型，最大扫描面积计算如下：

S_max＝T_max·D；

其中T_max为无人机的最大飞行时间，D为无人机的扫描宽度，根据扫描区域的面积S_Area计算得到无人机的数量：

其中

表示向上取整；m份子区域每个区域的面积占总面积的百分比为：

p_u＝1/m；

计算得到无人机数量m以及分配给每一架无人机的子覆盖区域面积占总面积的百分比；再使用CAA-CMD方法将该区域分解成一系列凸多边子区域，分别计算子区域的面积和占比，从第一块子区域开始经过一系列的区域合并以及分解将扫描区域按面积比例等分成m份，m份子区域每一份将有一架对应的无人机对其进行扫描。

6.根据权利要求1所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述第二阶段中由多无人机协同起飞/ 降落停点选取策略，为每一架无人机选取合适的起飞/降落停点，所述多无人机协同起飞/降落停点选取策略为：

(1)在每个区域内为该区域所需的每架无人机随机选取一条覆盖路径，由此确定每架无人机覆盖路径的起点和终点；

(2)基于贪婪原则为每架无人机选取起飞停点(fp₁,fp₂,...,fp_m)和降落停点(lp₁,lp₂,...,lp_m)，使得每架无人机的飞行时间最少。

7.根据权利要求6所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述第二阶段中改进节约算法为：

鉴于车辆只能沿着停点和道路以及覆盖区域边界组成的路网行驶，因此对每个覆盖区域按一定要求选取两个停点，记为停点1和停点2，作为车辆进入和离开覆盖区域的点，基站到覆盖区域之间的回路由基站到停点1，停点1到停点2以及停点2到基站组成；

根据合并回路的节约值大小将覆盖区域两两合并最终把全部区域囊括其中得到最终的覆盖区域和停点访问顺序。

8.根据权利要求7所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述第二阶段中综合车辆和多无人机的路径得到了车辆路径规划算法；所述车辆路径规划算法为：

首先，根据全部待研究点的位置信息计算Floyd距离矩阵dis；

其次使用多无人机协同起飞/降落停点选取策略为每个区域的所有无人机选取起飞停点(fp₁ ^s,fp₂ ^s,...,fp_ms ^s,s∈S)和降落停点(lp₁ ^s,lp₂ ^s,...,lp_ms ^s,s∈S)；

将每个区域中的起飞停点集合的第一个停点以及降落停点集合中的最后一个停点选取出来以形成停点集合goal；

再次以改进节约算法计算节约值矩阵，并将其降序排列；

从最大值开始，将对应的两个覆盖区域的车辆行驶路径回路合并，直到包括所有的覆盖区域，从而得到了所有覆盖区域的访问顺序seq；

最后结合每个覆盖区域内每架无人机选取的无人机覆盖路径以及每个区域内车辆需要访问的起飞/降落停点顺序和所有覆盖区域的访问顺序得到了车辆和无人机执行覆盖任务路径规划的可行解。

9.根据权利要求1所述的汽车搭载多架无人机协同多区域覆盖路径规划方法，其特征在于，所述第三阶段中局部搜索算法采用了车载多无人机协同多区域覆盖路径优化算法：

首先，输入通过多无人机协同区域覆盖路径规划算法和车辆路径规划算法计算得到的初始可行解，领域算子集合以及各个算子的初始权重，初始温度和终止温度值以及冷却系数；初始化当前温度值，最优解值，最优解连续迭代过程中不发生改变的次数以及每轮运算中的迭代次数；

在每一轮迭代过程中，根据领域算子权重值使用轮盘赌选择算子选取相应的领域算子，最开始时每个领域算子权重设置相同；使用领域算子调整过后的当前解若可行，则将当前解与最优解进行比较；

若当前解优于最优解，则首先将其设置为下一次搜索过程中的起点，再更新最优解；若当前解要劣于最优解，则使用Metropolis准则判断能否接受当前解成为下一次搜索过程中的起点，若能够接受，则将其设置为下一次搜索过程中的起点，若不能接受，则将本次搜索过程中的起点设置为下一次搜索过程中的起点；若当前解等于最优解，则首先将其设置为下一次搜索过程中的起点，然后最优解在连续迭代过程中不发生改变的次数加一；

每一轮迭代之后根据冷却系数更新当前温度，同时根据本轮迭代过程中每个领域算子的使用次数和其搜索效果更新算子权重；该算法的终止条件由两个部分的逻辑与结果组成，一为当前温度要大于设置的最终温度，二为本轮迭代过程中最优解连多次不发生变化，即已搜索到全局最优解，往其他领域方向进行搜索得到的解都不优于当前最优解；使用该算法最后得到车机协同进行多区域覆盖任务的一个最优路径解。

10.一种使用权利要求1-9任一项所述的汽车搭载多架无人机协同多区域覆盖路径规划系统，其特征在于，所述系统包括：

区域覆盖路径规划模块，用于分析覆盖区域的几何特征，对每个区域进行分割并为分割得到的子区域的覆盖路径进行规划，得到覆盖每个区域需要的无人机的数量、每架无人机的覆盖路径以及覆盖路径的起点和终点；

车辆路径规划模块，根据每架无人机覆盖路径的起点和终点，为每一架无人机选取合适的起飞/降落停点，得到了每个区域内初始的起飞停点和降落停点访问顺序，再根据选取的起飞/降落停点对车辆路径进行规划；

路径优化模块，采用局部搜索算法改进第一阶段、第二阶段构造的初始可行解，得到最优解或近似最优解。

Images