CN113342056A - 一种基于改进a星算法的无人机轨迹规划方法 - Google Patents

Abstract

本发明提供了无人机智能控制技术领域的一种基于改进A星算法的无人机轨迹规划方法，包括如下步骤：步骤S10、在地图上设定一起始点以及一目标点，基于所述起始点以及目标点进行随机采样得到采样点；步骤S20、创建一采样树，基于所述采样点对采样树进行扩展；步骤S30、计算扩展后的所述采样树的节点距离，基于所述节点距离得到节点距离矩阵；步骤S40、利用A星算法以及所述节点距离矩阵进行最短路径搜索，完成无人机轨迹规划。本发明的优点在于：实现性能有限的无人机的轨迹规划。

Description

一种基于改进A星算法的无人机轨迹规划方法

技术领域

本发明涉及无人机智能控制技术领域，特别指一种基于改进A星算法的无人机轨迹规划方法。

背景技术

轨迹规划是无人机实现自主飞行的关键，良好的轨迹规划算法有助于无人机以较小的代价完成既定任务，同时保证无人机机体的安全性，避免碰撞事故的发生。

A星算法(A-Star算法/A*算法)是一种有效的启发式搜索算法，在二维路径搜索中能够得到最优路径。传统上，利用A星算法进行无人机轨迹规划，需要对地图进行栅格化处理转化为栅格网络，再遍历搜索栅格网络中的各节点，通过代价函数选取出最优轨迹。

但是，传统的方法在遍历搜索过程中，需要不断将新节点添加进未搜索列表里，将已经搜索过的节点添加进已搜索列表里，而将整个地图栅格化会得到大量的节点，需要占用大量的内存空间以及算力，导致该方法难以应用于性能较低的无人机。

因此，如何提供一种基于改进A星算法的无人机轨迹规划方法，实现在性能有限的无人机上进行轨迹规划，成为一个亟待解决的问题。

发明内容

本发明要解决的技术问题，在于提供一种基于改进A星算法的无人机轨迹规划方法，实现在性能有限的无人机上进行轨迹规划。

本发明是这样实现的：一种基于改进A星算法的无人机轨迹规划方法，包括如下步骤：

步骤S10、在地图上设定一起始点以及一目标点，基于所述起始点以及目标点进行随机采样得到采样点；

步骤S20、创建一采样树，基于所述采样点对采样树进行扩展；

步骤S30、计算扩展后的所述采样树的节点距离，基于所述节点距离得到节点距离矩阵；

步骤S40、利用A星算法以及所述节点距离矩阵进行最短路径搜索，完成无人机轨迹规划；

所述步骤S10具体为：

获取地图，在地图上设定一起始点以及一目标点，设定一随机采样概率p，0＜p＜1；

基于所述起始点、目标点以及随机采样概率p进行带目标点趋向性的随机采样，得到采样点X_sample；

所述随机采样过程中，有1-p的概率采样到目标点。

进一步地，所述步骤S20具体包括：

步骤S21、创建一具有n个节点、n(n-1)/2条边的采样树，设节点X_start为所述采样树的根节点，n为正整数；

步骤S22、依次计算所述采样树中各节点与采样点X_sample的距离，选取出距离最短的节点X_near；

步骤S23、从节点X_near向采样点X_sample方向扩展步长L，得到新节点X_new，并将所述新节点X_new添加至采样树上，完成采样树的扩展；其中，L为正数。

进一步地，所述步骤S30具体包括：

步骤S31、连接所述新节点X_new与采样树上的其他各节点，判断中间是否存在障碍，若是，则将对应的节点距离标记为正无穷，并进入步骤S32；若否，则计算节点距离，并进入步骤S32；

步骤S32、将各所述节点距离以矩阵的形式进行记录，得到节点距离矩阵；

步骤S33、判断所述目标点是否处于采样树上，若是，则进入步骤S40；若否，则进入步骤S10。

进一步地，所述步骤S40具体包括：

步骤S41、创建一OPEN表以及一CLOSE表，将所述采样树的各节点添加进OPEN表中；

步骤S42、利用代价函数依次计算所述OPEN表中的各节点的总代价f(n)；

f(n)＝g(n)+h(n)；

其中g(n)表示起始点到第n个节点的实际代价；h(n)表示第n个节点到目标点的估计代价，取值为第n个节点到目标点的欧氏距离；所述节点X_start的g(n)取值为0；

步骤S43、从所述OPEN表中选取总代价f(n)最小的节点X_i，并将所述节点X_i从OPEN表移动至CLOSE表；

步骤S44、判断所述节点X_i是否为目标点，若是，则由节点X_i向前连接每一个节点以及对应的父节点，得到最短路径，完成无人机轨迹规划；若否，则进入步骤S45；

步骤S45、基于所述节点距离矩阵找到与节点X_i连线无障碍的无障碍节点，判断所述无障碍节点是否存在于CLOSE表中，若是，则忽略所述无障碍节点，并进入步骤S43；若否，则进入步骤S46；

步骤S46、判断所述无障碍节点是否存在于OPEN表中，若是，则重新计算所述无障碍节点的总代价f(n)，更新父节点为节点X_i，并进入步骤S43；若否，则进入步骤S47；

步骤S47、判断所述OPEN表是否为空，若是，则结束流程；若否，则进入步骤S43。

本发明的优点在于：

1、通过创建采样树，基于采样点对采样树进行扩展，再计算扩展后的采样树的节点距离得到节点距离矩阵，进而利用A星算法以及节点距离矩阵进行最短路径搜索，不需要像传统上对地图进行栅格化，无需将地图分割为大量的节点，采样树仅需存储少量的节点和边，节省了存储空间，降低了内存占用，降低了搜索的计算压力，进而实现在性能有限的无人机上进行轨迹规划，降低了轨迹规划的门槛，并提高了轨迹规划的速度。

2、通过采样树进行搜索能够得到相对最优的路径，即最短的路径，避免传统上在搜索过程中无法保证路径最短的问题，且节点越多，搜索的结果越接近最优的路径。

附图说明

下面参照附图结合实施例对本发明作进一步的说明。

图1是本发明一种基于改进A星算法的无人机轨迹规划方法的简略原理图。

图2是传统A星算法的流程示意图。

图3是本发明一种基于改进A星算法的无人机轨迹规划方法的流程示意图。

具体实施方式

本申请实施例中的技术方案，总体思路如下：通过随机采样减少采样点的数量，避免传统上对地图进行栅格化得到大量的节点，以节省存储空间，降低计算压力，实现在性能有限的无人机上进行轨迹规划。

请参照图1至图3所示，本发明一种基于改进A星算法的无人机轨迹规划方法的较佳实施例，包括如下步骤：

步骤S10、在地图上设定一起始点以及一目标点，基于所述起始点以及目标点进行随机采样得到采样点；

步骤S20、创建一采样树，基于所述采样点对采样树进行扩展；

步骤S30、计算扩展后的所述采样树的节点距离，基于所述节点距离得到节点距离矩阵；

步骤S40、利用A星算法以及所述节点距离矩阵进行最短路径搜索，完成无人机轨迹规划。

即依次进行规划空间节点采样、采样树扩展、节点距离矩阵计算、A星算法搜索。

所述步骤S10具体为：

获取地图，在地图上设定一起始点以及一目标点，设定一随机采样概率p，0＜p＜1；

基于所述起始点、目标点以及随机采样概率p进行带目标点趋向性的随机采样，得到采样点X_sample。

所述随机采样过程中，有1-p的概率采样到目标点。

所述步骤S20具体包括：

步骤S21、创建一具有n个节点、n(n-1)/2条边的采样树，设节点X_start为所述采样树的根节点，n为正整数；

步骤S22、依次计算所述采样树中各节点与采样点X_sample的距离，选取出距离最短的节点X_near；

步骤S23、从节点X_near向采样点X_sample方向扩展步长L，得到新节点X_new，并将所述新节点X_new添加至采样树上，完成采样树的扩展；其中，L为正数。

所述步骤S30具体包括：

步骤S31、连接所述新节点X_new与采样树上的其他各节点，判断中间是否存在障碍，若是，则将对应的节点距离标记为正无穷，并进入步骤S32；若否，则计算节点距离，并进入步骤S32；

步骤S32、将各所述节点距离以矩阵的形式进行记录，得到节点距离矩阵；所述节点距离矩阵举例如下：

d21表示第2个节点到第1个节点的节点距离，以此类推；d11＝d22＝d33＝……＝dnn＝0。

步骤S33、判断所述目标点是否处于采样树上，若是，则进入步骤S40；若否，则进入步骤S10。即判断所述目标点是否通过新节点X_new添加到了采样树上。

所述步骤S40具体包括：

步骤S41、创建一OPEN表以及一CLOSE表，将所述采样树的各节点添加进OPEN表中；所述OPEN表存储有所有待搜索的节点，X_open＝{x_n|n＝1,2,...，k}；所述CLOSE表存储有所有已搜索的节点，X_close＝{x_m|m＝1,2,...，k}；

步骤S42、利用代价函数依次计算所述OPEN表中的各节点的总代价f(n)；

f(n)＝g(n)+h(n)；

其中g(n)表示起始点到第n个节点的实际代价；h(n)表示第n个节点到目标点的估计代价，取值为第n个节点到目标点的欧氏距离；所述节点X_start的g(n)取值为0；

步骤S43、从所述OPEN表中选取总代价f(n)最小的节点X_i，并将所述节点X_i从OPEN表移动至CLOSE表；

步骤S44、判断所述节点X_i是否为目标点，若是，则由节点X_i向前连接每一个节点以及对应的父节点，得到最短路径，完成无人机轨迹规划；若否，则进入步骤S45；

步骤S45、基于所述节点距离矩阵找到与节点X_i连线无障碍的无障碍节点，判断所述无障碍节点是否存在于CLOSE表中，若是，则忽略所述无障碍节点，并进入步骤S43；若否，则进入步骤S46；

步骤S46、判断所述无障碍节点是否存在于OPEN表中，若是，则重新计算所述无障碍节点的总代价f(n)，更新父节点为节点X_i，并进入步骤S43；若否，则进入步骤S47；

步骤S47、判断所述OPEN表是否为空，若是，则结束流程；若否，则进入步骤S43。

综上所述，本发明的优点在于：

1、通过创建采样树，基于采样点对采样树进行扩展，再计算扩展后的采样树的节点距离得到节点距离矩阵，进而利用A星算法以及节点距离矩阵进行最短路径搜索，不需要像传统上对地图进行栅格化，无需将地图分割为大量的节点，采样树仅需存储少量的节点和边，节省了存储空间，降低了内存占用，降低了搜索的计算压力，进而实现在性能有限的无人机上进行轨迹规划，降低了轨迹规划的门槛，并提高了轨迹规划的速度。

2、通过采样树进行搜索能够得到相对最优的路径，即最短的路径，避免传统上在搜索过程中无法保证路径最短的问题，且节点越多，搜索的结果越接近最优的路径。

虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (4)

1.一种基于改进A星算法的无人机轨迹规划方法，其特征在于：包括如下步骤：

步骤S10、在地图上设定一起始点以及一目标点，基于所述起始点以及目标点进行随机采样得到采样点；

步骤S20、创建一采样树，基于所述采样点对采样树进行扩展；

步骤S30、计算扩展后的所述采样树的节点距离，基于所述节点距离得到节点距离矩阵；

步骤S40、利用A星算法以及所述节点距离矩阵进行最短路径搜索，完成无人机轨迹规划；

所述步骤S10具体为：

获取地图，在地图上设定一起始点以及一目标点，设定一随机采样概率p，0＜p＜1；

基于所述起始点、目标点以及随机采样概率p进行带目标点趋向性的随机采样，得到采样点X_sample；

所述随机采样过程中，有1-p的概率采样到目标点。

2.如权利要求1所述的一种基于改进A星算法的无人机轨迹规划方法，其特征在于：所述步骤S20具体包括：

步骤S21、创建一具有n个节点、n(n-1)/2条边的采样树，设节点X_start为所述采样树的根节点，n为正整数；

步骤S22、依次计算所述采样树中各节点与采样点X_sample的距离，选取出距离最短的节点X_near；

步骤S23、从节点X_near向采样点X_sample方向扩展步长L，得到新节点X_new，并将所述新节点X_new添加至采样树上，完成采样树的扩展；其中，L为正数。

3.如权利要求2所述的一种基于改进A星算法的无人机轨迹规划方法，其特征在于：所述步骤S30具体包括：

步骤S31、连接所述新节点X_new与采样树上的其他各节点，判断中间是否存在障碍，若是，则将对应的节点距离标记为正无穷，并进入步骤S32；若否，则计算节点距离，并进入步骤S32；

步骤S32、将各所述节点距离以矩阵的形式进行记录，得到节点距离矩阵；

步骤S33、判断所述目标点是否处于采样树上，若是，则进入步骤S40；若否，则进入步骤S10。

4.如权利要求1-3任意一项所述的一种基于改进A星算法的无人机轨迹规划方法，其特征在于：所述步骤S40具体包括：

步骤S41、创建一OPEN表以及一CLOSE表，将所述采样树的各节点添加进OPEN表中；

步骤S42、利用代价函数依次计算所述OPEN表中的各节点的总代价f(n)；

f(n)＝g(n)+h(n)；

其中g(n)表示起始点到第n个节点的实际代价；h(n)表示第n个节点到目标点的估计代价，取值为第n个节点到目标点的欧氏距离；所述节点X_start的g(n)取值为0；

步骤S43、从所述OPEN表中选取总代价f(n)最小的节点X_i，并将所述节点X_i从OPEN表移动至CLOSE表；

步骤S44、判断所述节点X_i是否为目标点，若是，则由节点X_i向前连接每一个节点以及对应的父节点，得到最短路径，完成无人机轨迹规划；若否，则进入步骤S45；

步骤S45、基于所述节点距离矩阵找到与节点X_i连线无障碍的无障碍节点，判断所述无障碍节点是否存在于CLOSE表中，若是，则忽略所述无障碍节点，并进入步骤S43；若否，则进入步骤S46；

步骤S46、判断所述无障碍节点是否存在于OPEN表中，若是，则重新计算所述无障碍节点的总代价f(n)，更新父节点为节点X_i，并进入步骤S43；若否，则进入步骤S47；

步骤S47、判断所述OPEN表是否为空，若是，则结束流程；若否，则进入步骤S43。

Images