CN113759971B - 一种面向无人机协同侦察的路径规划方法 - Google Patents
一种面向无人机协同侦察的路径规划方法 Download PDFInfo
- Publication number
- CN113759971B CN113759971B CN202111046330.0A CN202111046330A CN113759971B CN 113759971 B CN113759971 B CN 113759971B CN 202111046330 A CN202111046330 A CN 202111046330A CN 113759971 B CN113759971 B CN 113759971B
- Authority
- CN
- China
- Prior art keywords
- node
- algorithm
- aerial vehicle
- unmanned aerial
- nodes
- 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 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 104
- 238000005265 energy consumption Methods 0.000 claims abstract description 47
- 238000004387 environmental modeling Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 16
- 241000854291 Dianthus carthusianorum Species 0.000 description 17
- 238000010586 diagram Methods 0.000 description 7
- 230000002068 genetic effect Effects 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000003016 pheromone Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
Abstract
本发明公开了一种面向无人机协同侦察的路径规划方法，该方法具体包括下述步骤，首先借助栅格法进行环境建模；之后在无人机Ui满足能量限制的条件下开始循环，调用A*算法，计算无人机当前所在节点cs与未访问节点cne的最短距离，计算得到能耗Em(cs,cne)、Et(U,cne)、Eh(cne)；再之后计算无人机到达每个未访问节点的总能耗Esum，取总能耗最小的节点作为下一待访问节点；本发明综合考虑无人机的通信、飞行与悬停能耗。
Description
技术领域
本发明属于无人机领域，涉及路径规划案技术，具体是一种面向无人机协同侦察的路径规划方法。
背景技术
无线传感器网络(WSN：Wireless Sensor Network)在环境监测、信息采集等民用和国防相关领域具有巨大的应用潜力。在侦察应用中，无线传感器网络被用于收集地面目标区域的有用侦察信息。由于能量限制且监测区域范围广，传感器收集到的数据通常无法进行长距离传输。为了解决这一问题，越来越多的人选择利用无人机作为无线传感器网络的移动信息收集器。由于无人机的高机动性和灵活部署，它们可以在执行侦察任务的过程中向传感器移动，并收集传感器所采集的信息，此种方法称为无人机协同侦察。
无人机路径规划问题的解决方案主要分为三步。
第一步环境建模，任务空间环境建模是路径规划的前提，有很多的环境建模方法对任务空间进行抽象化处理，目的是提供一个可行的用于路径规划的环境模型。作为路径规划研究的前提条件，任务空间的环境建模对于路径规划问题的研究至关重要。任务环境建模方法主要有栅格法、几何建模法和拓扑建模法等。
第二步，路径搜索，路径搜索通过调用路径规划算法在已经建立的环境模型中规划出一条路径，使得所规划路径在某些性能方面实现最优，比如时间最短、路径最短或者是搜索范围最小等。
第三步路径平滑，通过路径规划算法所规划的路径通常情况下存在冗余路径节点或者存在一些没有必要的转弯，往往需要对初步得到路径加以相应的处理，以达到平滑效果。
随着科技的不断进步，世界各国在无人机等智能体的路径规划方面取得了不错的成绩。路径规划在各个领域都有涉及，比如网络系统、军事作战系统、交通运输系统等等，在各个领域的学者或专家为了满足任务需要便提出了各种各样的路径规划方法，但这些方法并未大规模应用于实际当中去。
栅格法是路径规划的环境建模中经常被用到。在本申请文件说明书具体实施例中公开的现有技术中，文献[19]利用栅格法对任务空间进行环境建模，有效的提高了算法的效率。文献[22]首先将三维空间进行栅格编码化处理，并且对复杂的任务空间进行空间分割，然后将高度层引导因子加入到蚁群算法的启发信息当中，成功的实现了从三维空间到二维空间的降维操作，不仅提高了所规划路径的精确度还提高了算法的效率。
蚁群算法与遗传算法也受到许多路径规划研究学者的青睐。文献[20]有效的将时间融入到构型空间中形成了CT构型空间，并采用PRM方法来进行任务空间的环境建模，然后通过加入环境约束和无人机的自身性能约束条件下的改进信息素的更新机制的蚁群算法来进行寻路操作。文献[25]根据雷达对无人机的瞬时探测概率模型来确定蚁群算法中每个栅格的信息素的分布情况并且将不会更新栅格内的信息素分布情况，并将燃油代价和威胁代价等约束条件作为下一个栅格的条件，同时了保证不会陷入死锁区域而假定蚂蚁可以进行后退操作，最后结合Voronoi图算法来保证规划路径性能次优或最优。文献[24]提出了一种基于勾股速端曲线的遗传模拟退火算法的路径规划算法，利用勾股速端曲线的平滑性，既保证全局与局部同时最优。文献[26]提出了一种包含有圆弧段、直线段以及Clothoid曲线的混合路径算法，而且将无人机的本身性能作为算法的约束条件。文献[27]在使用遗传算法进行种群初始化的时候对搜索区域进行了一定的限制，从而进行种群优化，并在改进代价函数的基础上采用浮点数方法进行编码然后结合分层遗传算法进行无人机的路径规划操作。
常见的路径规划方法除此之外还有人工势场法、模型预测算法等其它算法。文献[21]先通过连通性分析得到任务空间中的可行区域，在可行域的基础上进行航路预规划操作，接下来通过利用引入最小安全距离和采用相邻质点作为引力的改进人工势场法进行寻路操作，最后进行相应的曲率监测来保证规划路径的平滑性。文献[28]通过模型预测算法对动态障碍物的状态进行预测，然后采用滚动优化的方式对长度代价和威胁代价构成的目标函数进行优化操作来得到优化路径点进而实现路径规划。
这些学者所提出的算法忽略了实际工作环境中可能存在的障碍物和无人机自身的运动、通信能耗，无法规划处符合任务需求的最佳路径。
随着相关学者的深入研究便出现了一些路径规划经典理论算法此处主要介绍两种常用的路径规划算法。
第一种为Dijkstra算法，Dijkstra算法可在有向图中计算一个节点到该节点能够连通的所有节点的最短路径，在进行寻路操作时每次都选择权值最小的那条路径，并且该算法的图中没有存在负权的边，是一种最短路径搜索算法。
第二种为遗传算法，遗传算法通过特征交叉与变异等一系列的进化操作来达到目标，然后将目前最优的个体输出进而停止优化。该算法的优点是不容易陷入局部极小点，并且有可能会产生一条最优路径，同时不需要复杂的数学理论推导。
无人机路径规划中一个常用的算法就是TSP算法。TSP算法得到的路径类型为折线。该算法的主要目标是最小化无人机飞行过程中的成本，主要应用于任务区域较大，地面用户较多或者无人机需要与地面用户近距离通信的场景中。例如无人机向地面的用户广播信息或者收集信息，给地面设备充电和传输文件等。TSP问题是组合优化问题中的NP-hard问题，很难得到最优解。文献[29]和文献[30]提出了多种启发式算法和近似算法，并且给出了高质量的解。如果想要将TSP算法应用到无人机的路径规划中，我们需要依据实际任务特点和需求选择应用TSP问题的不同变体。
很多工作致力于研究无线传感器网络中传感器节点的聚类分簇问题，然而，他们很少综合讨论节点的地理位置、自身能量与收集到的数据量。一方面，节点的数据量不容忽视，数据传输造成的通信能耗在节点工作能耗中占有重要地位，另一方面，充分考虑节点在分簇后的剩余能量，将有利于网络工作时间的延长。
使用能量有限的无人机逐个访问无线传感器网络中的所有节点难以实现，因而我们提出基于簇首节点的无人机协同侦察方法。这种方法综合考虑节点能量、数据量与地理位置进行聚类分簇，在网络中的所有节点中选取少量簇首节点作为无人机访问的目标节点，从而减少了无人机在数据收集过程中的任务量，提升了传感器网络的生命周期与无人机的能量利用效率。
基于此，本发明提出一种解决方案。
发明内容
本发明的目的在于提供一种面向无人机协同侦察的路径规划方法。
本发明的目的可以通过以下技术方案实现：
一种面向无人机协同侦察的路径规划方法，该方法具体包括下述步骤：
步骤一：借助栅格法进行环境建模；具体方式为：
将模拟任务空间等分为X1份，栅格边长为r’；
步骤二：在无人机Ui满足能量限制的条件下开始循环，调用A*算法，计算无人机当前所在节点cs与未访问节点cne的最短距离，计算得到能耗Em(cs，cne)、Et(U，cne)、Eh(cne)；
步骤三：计算无人机到达每个未访问节点的总能耗Esum，取总能耗最小的节点作为下一待访问节点；
步骤四：判断无人机当前剩余能量是否足够到达下一节点
如果足够则将作为下一访问节点并继续循环寻找下一个目标点，否则从cs直接返回起点，无人机路径规划结束，得到路径Li；
步骤五，进行路径优化，具体方式为：
S1：对启发函数进行优化；
S2：对拓展方向进行优化；
在基于栅格法调用A*算法寻路时，将上、下、左、右四方向搜索优化为上、下、左、右、左上、左下、右上、右下八个方向的搜索；
S3：借助圆弧段串联法进行路径平滑，得到平滑航迹；具体方式为：
标定w1、w2与w3为三个连续的路径节点；w1、w2构成的直线与w2、w3构成的直线的夹角标定为θ；
直线m为夹角θ的角平分线，则无人机的最小转弯半径圆的圆心位于直线m上；
根据管理员给定的最小转弯半径R；在直线m上寻找点O，点O满足其与直线w1、w2的垂直距离为R，将垂足标记为P；
以O为圆心，长度R为半径画圆，将该圆与直线w2、w3的切点标记为Q；
则将以O为圆心，最小转弯半径R为半径的圆弧标记为平滑航迹；
S4：完成路径优化。
进一步地，步骤一中的X1取值具体为三十，r’具体取值为3.33km。
进一步地，
步骤二中的A*算法具体为：
通过比较当前节点的周围可行节点的估计代价大小来确定无人机的下一步运动方向和位置；其估计代价函数具体为：
f(x)＝r(x)+h(x)；
式中，f(x)是估计代价函数，r(x)是实际代价函数，h(x)是启发函数；r(x)指从当前节点到周围可行节点的距离，h(x)指从周围可行节点到目标终点的距离。
进一步地，A*算法根据估计代价函数来确定下一个运动节点的方向和位置；A*算法在路径规划的过程中有两个用来存储节点的列表，一个是Open表，用来存储当前节点X周围准备搜索的可行节点集合；另一个是Closed列表，用来储存已经被探索过且估计代价值最小的可行节点；
当目标节点D在Closed列表中时结束节点的搜索，同时将Closed列表中的节点按照节点存储的相反顺序返回，返回节点构成所规划路径。
进一步地，当前节点X的前一个可行节点称为父节点，当前节点X的下一个可行节点称之为子节点。
进一步地，步骤S1中的对启发函数进行优化的具体方法为：
A*算法的路径规划效果与启发函数有关，我们将算法的启发函数改写为
f(x)＝r(x)+w·h(x)；
式中，w为代价h(x)的权重系数，通过改变系数的值，改变算法寻点的拓展速度，从而改变路径规划的速度。
本发明的有益效果：
本发明综合考虑无人机的通信、飞行与悬停能耗，研究了能量有限条件下无人机依次访问节点的路径规划方法，首先对问题进行环境建模，然后提出了MC算法并对得到的路径进行优化。对于针对多无人机路径规划打下基础。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的系统框图；
图2无人机路径规划示意图；
图3栅格法环境建模示意图；
图4 MC算法示意图；
图5优化前后寻路时间对比图；
图6 A*算法四方向搜索示意图；
图7 A*算法八方向搜索示意图；
图8圆弧段串联法示意图；
图9路径平滑示意图；
图10信息采集量对比图；
图11信息采集量对比图；
图12三维航迹节点拓展示意图；
图13初始能量为500J时的仿真结果；
图14初始能量为100J时的仿真结果；
图15三维路径规划示意图。
具体实施方式
本申请基于战场复杂地理环境，设计了无人机协同侦察的路径规划方法，首先对网络中的传感器节点进行聚类分簇，选取少量簇首节点作为无人机的目标访问节点；然后，设计障碍物条件下无人机访问目标节点的路径规划算法。主要工作如下：
(1)在分布有较多节点的无线传感器网络中，研究节点聚类分簇的问题，提出综合考虑传感器能量、数据量和距离Mincost GAF(Geographical Adaptive Fidelity)算法。接着，针对环境中节点分布不均匀，提出考虑节点剩余能量与通信能耗的Mincost LEACH(LowEnergy Adaptive Clustering Hierarchy)算法。仿真结果表明，所提出的两种算法与其它算法相比都可提高无线传感器网络的工作生命周期。
(2)在综合考虑无人机通信、飞行和悬停能耗的情况下，研究单架无人机协同侦察收集数据量最大化问题。首先，对该问题进行建模分析，它是TSP(Travelling salesmanproblem)问题，即一种典型的组合优化问题，该问题已被证明是NP-hard问题。然后，提出了一种障碍物条件下的基于有限能量的MC(Multiple Circulation)算法，以此为根据在二维空间与三维空间规划无人机的路径。接着，对初步规划的路径进行拓展方向优化和平滑处理。仿真结果表明，所提出的算法使得网络数据采集量可有效提高。
(3)在无人机能量充足，考虑飞行、通信和悬停能耗的情况下，研究多架同构无人机协同侦察场景下能耗公平性问题。针对能耗公平的路径规划问题，提出一种启发式算法RFE(Reatlively Fair Energy Consumption)，该算法首先得到覆盖所有待访问簇首节点的路径，然后基于每架无人机能耗公平原理对该路径进行分解。仿真结果表明，提出的算法能较好地解决能耗公平性问题。
如图1所示，本文研究解决的问题是无人机协同传感器收集战场数据信息，第一部分主要解决无线传感器网络中节点的聚类分簇问题，合理选择目标节点。第二部分和第三部分主要研究无人机访问目标节点，合理规划路径的问题。
基于上述内容，本申请提供一种面向无人机协同侦察的路径规划方法，该方法具体包括下述步骤：
步骤一：问题建模与形式化表征；
S1：针对带有中继无人机的侦察场景进行研究，如图2所示，侦察无人机离开中继无人机的位置，按照规划好的路径，采集监测区域内所有簇首节点的数据信息，并返回出发位置将信息传输给中继无人机，由中继无人机汇总后传输给基站；
在整个任务中，侦察无人机Ui的初始位置为PR＝(xR，yR)，在固定高度h匀速飞行，初始能量为完成侦察任务后收集的数据量为/>
无人机能耗主要分为两部分，第一部分是与通信相关的能耗第二部分是与运动相关的能耗，包括飞行能耗/>与悬停能耗/>由于侦察无人机不需要返回基站传输信息，可以节约无人机飞行到基站的飞行能量；
簇首节点的集合为C＝{c1，…，cj，…，cm}，节点cj拥有的数据量为Vj，位置为
S2：构建运动能耗模型；
在侦察任务中，为了使无人机自由移动或者保持悬停，其需要消耗运动能量；在这种情况下，主要的运动能量消耗包括飞行和悬停能量消耗；飞行能耗Em主要与无人机飞行的路径长度有关，具体计算方式为：
Em＝Q·L；
公式一；
式中，Q为单位长度能量消耗率，以J/m为单位，L为无人机飞行路径的长度；
本申请中侦察无人机悬停在传感器节点正上方收集信息，侦察无人机单位时间内消耗的悬停能耗定义为phv，以J/s为单位；悬停能耗主要受到其悬停的时间与悬停高度影响；因此，无人机在目标点cj的悬停能耗定义为：
；
式中，悬停时间可根据每个目标点需要传输的数据量计算；信息传输速率定义为B，单位为bit/s，每个簇首节点的数据量为Vj，因此，悬停能耗可定义如下
S3：构建通信能耗模型；
参照公式二，无人机Ui与簇首节点cj间的数据通信能耗表示为
式中，Vj表示簇首节点cj拥有的数据量，h为无人机的飞行高度；此处考虑到侦察无人机返回到中继无人机附近进行数据传输，因距离很近，侦察无人机的数据发送能耗忽略不计；
问题形式化描述
对具有能量约束的侦察无人机进行路径规划。将无人机Ui从中继无人机处出发再返回中继无人机位置记为一个工作周期Ti，在Ti内无人机完成了侦察任务；下面列出本章研究问题的限制条件：
1)簇首节点位置已知，WSN中每个传感器节点的位置是固定的。
2)障碍物的位置信息已知，会遇到何种形状的障碍物也是已知。
3)无人机的能量有限为Eu，在一个工作周期Ti内不能保证访问所有的簇首节点，无人机匀速飞行。
下面对问题进行形式化表达，假设侦察无人机Ui从初始位置PR＝(xR，yR)出发开始执行侦察任务。侦察无人机的总能耗包括飞行、悬停与通信能耗三部分，在一个工作周期Ti内，可表示为
剩余能量Eri可表示为
Eri＝Eu-Ei；公式六
式中，pi，t为二元变量，当值为1时，表示在t时刻，无人机的地理位置是Pi；当值为0表示在t时刻，地理位置不为Pi；
综合考虑障碍物，UAV通信、运动能耗，规划无人机的路径，收集得到信息 具体为：
限制条件的第一条和第二条说明，无人机从起始位置出发并最终起始位置，第三条说明在执行侦察任务过程中无人机的剩余能量Eri多于0.1Eu才可以正常工作；
基于上述研究内容，提供一种基于MC(Multiple Circulation)算法的无人机二维路径规划设计；借助MC算法来解决存在障碍物的条件下能量有限的无人机收集检测区域最大信息价值的问题；该算法的主要思想是使用栅格法进行环境建模，然后调用A*算法计算无人机当前访问节点与所有未访问节点所需要的能耗，再基于NN(Nearest Neighbour)算法的思想选定使无人机能耗最小的节点作为下一访问节点，通过多次循环确定无人机依次访问目标节点的顺序，最终连接各节点与起始点构成闭合往返飞行路径；
MC算法原理如表3-2所示；此处具体给出一种面向无人机协同侦察的路径规划方法，下面具体给出MC算法，
步骤一：通过栅格法进行环境建模；
通常情况下，采用栅格法进行环境建模时会将栅格大小设计的较为适中，这样既能够保证规划精度又能在一定程度上保证规划效率；本申请中将模拟任务空间三十等分，栅格边长r’取值为3.33km，建模示意如图3所示；
A*算法是一种启发式搜索算法，启发式搜索的意思是选择当前可选节点集中最有“希望”的节点；它的主要思想是通过比较当前节点的周围可行节点的估计代价大小来确定无人机的下一步运动方向和位置；其估计代价公式具体为：
f(x)＝r(x)+h(x)；公式八；
式中，f(x)是估计代价函数，r(x)是实际代价函数，h(x)是启发函数；r(x)指从当前节点到周围可行节点的距离，h(x)指从周围可行节点到目标终点的距离；
A*算法根据估计代价函数来确定下一个运动节点的方向和位置；A*算法在路径规划的过程中有两个用来存储节点的列表，一个是Open表，用来存储当前节点X周围准备搜索的可行节点集合；另一个是Closed列表，用来储存已经被探索过且估计代价值最小的可行节点；
当目标节点D在Closed列表中时结束节点的搜索，同时将Closed列表中的节点按照节点存储的相反顺序返回，返回节点构成所规划路径。其中当前节点X的前一个可行节点称为父节点，当前节点X的下一个可行节点称之为子节点。
步骤二：在无人机Ui满足能量限制的条件下开始循环，调用A*算法，计算无人机当前所在节点cs与未访问节点cne的最短距离，计算得到能耗Em(cs，cne)、Et(U，cne)、Eh(cne)。
步骤三：计算无人机到达每个未访问节点的总能耗Esum，取总能耗最小的节点作为下一待访问节点。
步骤四：判断无人机当前剩余能量是否足够到达下一节点并返回起点START，如果足够则将/>作为下一访问节点并继续循环寻找下一个目标点，否则从cs直接返回起点，无人机路径规划结束，得到路径Li，算法示意图如图4所示。
步骤五：进行路径优化，具体方式为：
S1：对启发函数进行优化；
A*算法的路径规划效果与启发函数有关，我们将算法的启发函数改写为：
f(x)＝r(x)+w·h(x)；
式中。w为代价h(x)的权重系数，通过改变系数的值，改变算法寻点的拓展速度，从而改变路径规划的速度，w的具体数值通过管理人员设定；如图5所示，当权重系数取值为2时，优化后寻路时间明显降低。
S2：对拓展方向进行优化；
在基于栅格法调用A*算法寻路时，将“上、下、左、右”四方向搜索优化为“上、下、左、右、左上、左下、右上、右下”八个方向的搜索，从而有效缩短规划路径的长度，如图6、图7所示。
图7中旗子处代表待访问的目标点，中方格内部左上角的标识为代价估计值，左下角的标识为实际代价值，右下角的标识为启发函数预算值。
S3：进行路径平滑处理，具体为：
无人机沿路径飞行在转弯时速度会有突变，会对飞行的平稳性造成严重影响，所以本文使用圆弧段串联法进行路径平滑；
如图8所示；w1、w2与w3是三个连续的路径节点，夹角为θ，直线m为夹角θ的角平分线，无人机的最小转弯半径圆的圆心一定位于直线m上，在给定了最小转弯半径R后，令且OP＝R，那么点P就是航迹与最小转弯半径圆的切点，同理可以在/>上找到切点Q，那么以O为圆心，最小转弯半径R为半径的圆弧/>就是平滑后的航迹。
图9中轨迹一为优化前的轨迹，轨迹二为优化后的轨迹，由图可见轨迹优化有效避免了无人机的大角度转弯，避免可能出现的速度突变情况。
表3-2 MC算法流程
为进一步验证算法的有效性，本申请还同时实现并比较了MC算法、优化MC算法与遗传算法；
1、簇首节点数目对信息采集量的影响；
本仿真展示了当无人机目标点(簇首节点)数目不断增加时，采用不同的路径规划算法引起的最终采集数据量的不同。图10表明随着簇首节点个数增加，无人机采集到的数据量不断增加。在节点数目达到5之前，三种算法在网络中采集到的数据量相差不大，但是在超过5个节点之后，本章提出的优化MC算法收集方法略有优势，这是因为无人机的能量有限，而优化MC算法规划出的路径较其它两种算法更短，因而飞行能耗更小，故可以访问更多的簇首节点。
2、障碍物覆盖面积对信息采集量的影响；
本仿真在任务环境中有十六个簇首节点时展示了障碍物覆盖面积对采集数据量的影响。图11的仿真结果表明随着障碍物覆盖面积的增大，三种算法采集的数据量都随之减小，这是因为障碍物面积的增大导致规划的路径增大，无人机飞行能耗增大，因而能够访问的节点数目越来越少。相比其它两种算法，优化MC算法表现出了较好的性能，这是因为它规划的路径长度为最优路径，因而飞行能耗更少。当障碍物面积超过70％时，采集的数据量急剧减少，这是因为由于障碍物过多，无人机无法找到前往可访问节点的路径。所有优化MC算法的性能更好一些。
3、基于MC算法的无人机三维路径规划设计；
在三维空间中解决无人机路径规划问题时，我们将敌方的雷达照射区域与高山等看作无人机不能经过的障碍物区域。无人机从起始位置出发，绕过障碍物区域，飞行至地面传感器节点的正上方固定高度处收集信息并最终返回起点。
我们在三维空间调用MC算法进行路径规划时，基本流程与二维空间下进行路径规划时相同。不同点是三维空间下使用A*算法对航迹节点的拓展时，需要将空间离散点化。
从图12可以看到，在离散点化后的三维空间中，一个父节点共对应26个子节点。由于需要探索的子节点数目较多，导致MC算法在三维规划中存在搜索过慢的问题。
具体实例的数值仿真结果：
(1)评估设置
使用Matlab软件进行仿真测试，本节仿真参数如表5-2。
表5-2仿真参数设置
(2)评估结果和分析
1.无人机初始能量对路径规划的影响
图13、图14的仿真结果表示在能量有限情况下，无人机无法访问网络中的所有目标节点，因此无法采集到每个簇首节点已经收集到的数据。
实例2，本申请的数值仿真结果；
如图15所示，在三维空间中，无人机绕过障碍物，依次飞行到四个目标节点正上方收集数据。
本申请中，所涉及的缩略字母及其对应的释义如下：
UAV：Unmanned Aerial Vehicle无人机；
WSN：Wireless Sensor Network，无线传感器网络，是指通过在不同位置大量部署低成本、低功耗的传感器节点，通过无线通信的方式形成多跳自组织网络，对环境进行感知、无线数据传输和智能化数据处理，这样的网络称为无线传感器网络；
GAF：Geographical Adaptive Fidelity,地理自适应保真；
LEACH：Low Energy Adaptive Clustering Hierarchy，低能耗自适应分簇算法；
TSP：Travelling salesman problem，旅行商问题。
本申请中参考了如下现有技术和相关文献；
[1]Springer.Handbook of Unmanned Aerial Vehicles[J].2015.
[2]Barrado C,Messeguer R,Lopez J,et al.Wildfire Monitoring Using aMixed Air-Ground Mobile Network[J].IEEE Pervasive Computing,2010,9(4):24-32.
[3]Scherer J,Rinner B.Persistent Multi-UAV Surveillance with Energyand Communication Constraints[C]//International Conference on AutomationScience and Engineering(CASE).IEEE,2016.
[4]Yin S,Tan J,Li L,et al.Power Control and Trajectory Design forUAV-Assisted Communications[C]//IEEE 87th Vehicular TechnologyConference.IEEE,2018.
[5]Yang D,Wu Q,Zeng Y,et al.Energy Tradeoff in Ground-to-UAVCommunication via Trajectory Design[J].IEEE Transactions on VehicularTechnology,2018,67(7):6721-6726.
[6]Wei Li,Research on the UAV Based Data Collection Method inWireless Sensor Network.2016
[7]Y.Yun and Y.Xia,“Maximizing the lifetime of wireless sensornetworks with mobile sink in delay-tolerant applications,”IEEE Trans.MobileComput.,vol.9,no.9,pp.1308–1318,Sep.2010.
[8]Miao Zhao,Member,IEEE,and Yuanyuan Yang,Fellow,IEEE,“Bounded RelayHop Mobile Data Gathering in Wireless Sensor Networks”,IEEE Transactions onComputers,Vol.61,No.2.pp.265–277,2012
[9]Songtao Guo,Member,IEEE,Cong Wang,and Yuanyuan Yang,Fellow,IEEE.Joint Mobile Data Gathering and Energy Provisioning in WirelessRechargeable Sensor Networks[J].IEEE Transactions On Mobile Computing,2014.
[10]M.Ma,Y.Yang,and M.Zhao,“Tour planning for mobile data-gatheringmechanisms in wireless sensor networks.”IEEE T.Vehicular Technology,vol.62,no.4,pp.1472–1483,May-2013 2013.
[11]J.L.SY Wu,“Evolutionary path planning of a data mule in wirelesssensor network by using shortcuts,”in IEEE Congress on EvolutionaryComputation.IEEE,July 2014.
[12]X.Wu,G.Chen,and S.K.Das.Avoiding energy holes in wireless sensornetworks with nonuniform node distribution.Parallel and Distributed Systems,IEEE Transaction on,19(5):710-720,2008.
[13]J.Y.Jung and M.A.Ingram.Residual-energy-activated cooperativetransmission(react)to avoid the energy hole.In Communications Workshops(ICC),2010IEEE International Conference on,pages 1-5.IEEE,2010.
[14]He L,Pan J,Xu J.Reducing data collection latency in wirelesssensor networks with mobile elements[C]//Computer communications workshops(INFOCOM WKSHPS),2011IEEE Conference on.IEEE,2011:572-577.
[15]Z.Gu,Q.-S Hua,Y.Wang,and F.Lau Reducing information gatheringlatency through mobile aerial sensor network.In INFOCOM,2013Proceedings IEEE,pages 656-664,April 2013.
[16]Abdulla AEAA,Md Fadlullah Z,Nishiyama H,et al.Toward FairMaximization of Energy Efficiency in Multiple UAS-Aided Networks:A Game-Theoretic Methodology[J].Wireless Communications,IEEE Transactions on,2015,14(1):305-316.
[17]Wu Q,Xu J,Zhang R.UAV-Enabled Broadcast Channel:Trajectory Designand Capacity Characterization[C]//International Conference on CommunicationsWorkshops.IEEE,2018.
[18]Rego C,Gamboa D,Glover F,et al.Traveling Salesman ProblemHeuristics:Leading Methods,Implementations and Latest Advances[J].EuropeanJournal of Operational Research,2011,211(3):427-441.
[19]李喜刚,蔡远利.基于改进蚁群算法的无人机路径规划[J].飞行力学,2017,35(01):52-56.
[20]刘洋,章卫国,李广文等.动态环境中的无人机路径规划方法[J].北京航空航天大学学报,2014,40(2):252-256.
[21]丁家如,杜昌平,赵耀等.基于改进人工势场法的无人机路径规划算法[J].计算机应用,2016,36(1):287-290.
[22]魏潇龙,姚登凯,谷志鸣等.基于分割法的无人机路径规划研究[J].计算机仿真,2016,33(01):90-94+132。
Claims (6)
1.一种面向无人机协同侦察的路径规划方法，其特征在于，该方法具体包括下述步骤：
步骤一：借助栅格法进行环境建模；具体方式为：
将模拟任务空间等分为X1份，栅格边长为r’；
步骤二：在无人机Ui满足能量限制的条件下开始循环，调用A*算法，计算无人机当前所在节点cs与未访问节点cne的最短距离，计算得到能耗Em(cs，cne)、Et(U，cne)、Eh(cne)；
步骤三：计算无人机到达每个未访问节点的总能耗Esum，取总能耗最小的节点作为下一待访问节点；
步骤四：判断无人机当前剩余能量是否足够到达下一节点
如果足够则将作为下一访问节点并继续循环寻找下一个目标点，否则从cs直接返回起点，无人机路径规划结束，得到路径Li；
步骤五，进行路径优化，具体方式为：
S1：对启发函数进行优化；
S2：对拓展方向进行优化；
在基于栅格法调用A*算法寻路时，将上、下、左、右四方向搜索优化为上、下、左、右、左上、左下、右上、右下八个方向的搜索；
S3：借助圆弧段串联法进行路径平滑，得到平滑航迹；具体方式为：
标定w1、w2与w3为三个连续的路径节点；w1、w2构成的直线与w2、w3构成的直线的夹角标定为θ；
直线m为夹角θ的角平分线，则无人机的最小转弯半径圆的圆心位于直线m上；
根据管理员给定的最小转弯半径R；在直线m上寻找点O，点O满足其与直线w1、w2的垂直距离为R，将垂足标记为P；
以O为圆心，长度R为半径画圆，将该圆与直线w2、w3的切点标记为Q；
则将以O为圆心，最小转弯半径R为半径的圆弧标记为平滑航迹；
S4：完成路径优化。
2.根据权利要求1所述的一种面向无人机协同侦察的路径规划方法，其特征在于，步骤一中的X1取值具体为三十，r’具体取值为3.33km。
3.根据权利要求1所述的一种面向无人机协同侦察的路径规划方法，其特征在于，
步骤二中的A*算法具体为：
通过比较当前节点的周围可行节点的估计代价大小来确定无人机的下一步运动方向和位置；其估计代价函数具体为：
f(x)＝r(x)+h(x)；
式中，f(x)是估计代价函数，r(x)是实际代价函数，h(x)是启发函数；r(x)指从当前节点到周围可行节点的距离，h(x)指从周围可行节点到目标终点的距离。
4.根据权利要求3所述的一种面向无人机协同侦察的路径规划方法，其特征在于，A*算法根据估计代价函数来确定下一个运动节点的方向和位置；A*算法在路径规划的过程中有两个用来存储节点的列表，一个是Open表，用来存储当前节点X周围准备搜索的可行节点集合；另一个是Closed列表，用来储存已经被探索过且估计代价值最小的可行节点；
当目标节点D在Closed列表中时结束节点的搜索，同时将Closed列表中的节点按照节点存储的相反顺序返回，返回节点构成所规划路径。
5.根据权利要求4所述的一种面向无人机协同侦察的路径规划方法，其特征在于，当前节点X的前一个可行节点称为父节点，当前节点X的下一个可行节点称之为子节点。
6.根据权利要求3所述的一种面向无人机协同侦察的路径规划方法，其特征在于，步骤S1中的对启发函数进行优化的具体方法为：
A*算法的路径规划效果与启发函数有关，我们将算法的启发函数改写为
f(x)＝r(x)+w·h(x)；
式中，w为代价h(x)的权重系数，通过改变系数的值，改变算法寻点的拓展速度，从而改变路径规划的速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111046330.0A CN113759971B (zh) | 2021-08-30 | 2021-08-30 | 一种面向无人机协同侦察的路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111046330.0A CN113759971B (zh) | 2021-08-30 | 2021-08-30 | 一种面向无人机协同侦察的路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113759971A CN113759971A (zh) | 2021-12-07 |
| CN113759971B true CN113759971B (zh) | 2023-11-07 |
Family
ID=78793574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111046330.0A Active CN113759971B (zh) | 2021-08-30 | 2021-08-30 | 一种面向无人机协同侦察的路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113759971B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114578827B (zh) * | 2022-03-22 | 2023-03-24 | 北京理工大学 | 一种分布式多智能体协同全覆盖路径规划方法 |
| CN115016528B (zh) * | 2022-05-23 | 2023-03-10 | 贵州丰立空间科技有限公司 | 一种基于无人机的光伏板巡查系统 |
| CN115373399A (zh) * | 2022-09-13 | 2022-11-22 | 中国安全生产科学研究院 | 一种基于空地协同的地面机器人路径规划方法 |
| CN116360498B (zh) * | 2023-04-19 | 2024-02-02 | 广州爱浦路网络技术有限公司 | 一种无人机路线规划方法、装置及电子设备 |
| CN116456307B (zh) * | 2023-05-06 | 2024-04-09 | 山东省计算中心（国家超级计算济南中心） | 一种基于q学习的能量受限物联网数据采集和融合方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
| CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
| CN110414722A (zh) * | 2019-07-08 | 2019-11-05 | 中国人民解放军陆军工程大学 | 基于能耗公平的无人机协同侦察路径规划方法 |
| CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
| CN112346104A (zh) * | 2020-09-11 | 2021-02-09 | 中国人民解放军国防科技大学 | 一种无人机信息融合定位方法 |
| CN112799405A (zh) * | 2021-01-05 | 2021-05-14 | 北京工商大学 | 基于动态障碍物环境下的无人船路径规划方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008050951A1 (de) * | 2008-10-10 | 2010-04-22 | Eads Deutschland Gmbh | Rechnerzeitoptimierte Routenplanung für Luftfahrzeuge |
| CN106970648B (zh) * | 2017-04-19 | 2019-05-14 | 北京航空航天大学 | 城市低空环境下无人机多目标路径规划联合搜索方法 |
-
2021
- 2021-08-30 CN CN202111046330.0A patent/CN113759971B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
| CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
| CN110414722A (zh) * | 2019-07-08 | 2019-11-05 | 中国人民解放军陆军工程大学 | 基于能耗公平的无人机协同侦察路径规划方法 |
| CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
| CN112346104A (zh) * | 2020-09-11 | 2021-02-09 | 中国人民解放军国防科技大学 | 一种无人机信息融合定位方法 |
| CN112799405A (zh) * | 2021-01-05 | 2021-05-14 | 北京工商大学 | 基于动态障碍物环境下的无人船路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于主成分分析的雷达行为状态聚类分析方法;方旖;毕大平;潘继飞;陈秋菊;;探测与控制学报(第02期);115-121 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113759971A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113759971B (zh) | 一种面向无人机协同侦察的路径规划方法 | |
| Wei et al. | UAV-assisted data collection for internet of things: A survey | |
| Arafat et al. | A survey on cluster-based routing protocols for unmanned aerial vehicle networks | |
| Arafat et al. | Bio-inspired approaches for energy-efficient localization and clustering in UAV networks for monitoring wildfires in remote areas | |
| Ho et al. | Optimization of wireless sensor network and UAV data acquisition | |
| Nazib et al. | Energy-efficient and fast data collection in UAV-aided wireless sensor networks for hilly terrains | |
| Na et al. | PSO-based dynamic UAV positioning algorithm for sensing information acquisition in wireless sensor networks | |
| Alam et al. | Topology control algorithms in multi-unmanned aerial vehicle networks: An extensive survey | |
| Nguyen et al. | Mobility based network lifetime in wireless sensor networks: A review | |
| CN110456815A (zh) | 一种基于行军蚁启发式智能的无人机集群协同定位方法 | |
| CN108683468A (zh) | 基于数据预测的水下传感网络中auv移动数据收集算法 | |
| Khodaparast et al. | Deep reinforcement learning based energy efficient multi-UAV data collection for IoT networks | |
| CN113131985A (zh) | 一种基于信息年龄最优路径规划的多无人机数据收集方法 | |
| CN112367111A (zh) | 一种无人机中继部署方法、系统、计算机设备及应用 | |
| Khedr et al. | Fuzzy-based multi-layered clustering and ACO-based multiple mobile sinks path planning for optimal coverage in WSNs | |
| Yanmaz | Positioning aerial relays to maintain connectivity during drone team missions | |
| Pravija Raj et al. | EDGO: UAV-based effective data gathering scheme for wireless sensor networks with obstacles | |
| Wu et al. | Joint caching and trajectory design for cache-enabled UAV in vehicular networks | |
| Al-Habob et al. | Energy-efficient spatially-correlated data aggregation using unmanned aerial vehicles | |
| El-Basioni et al. | Mission-based PTR triangle for multi-UAV systems flight planning | |
| Al Aghbari et al. | An adaptive coverage aware data gathering scheme using kd-tree and aco for wsns with mobile sink | |
| CN114142908A (zh) | 一种面向覆盖侦察任务的多无人机通信资源分配方法 | |
| Raj et al. | An enhanced evolutionary scheme for obstacle-aware data gathering in uav-assisted wsns | |
| CN114980134B (zh) | 基于虚拟力的移动多目标动态覆盖方法 | |
| Romaniuk et al. | Direct data collection method by telecommunications aerial platforms from the wireless sensor network nodes |
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 |