CN113961016A - 基于a*算法的无人机动态目标航迹规划方法及系统 - Google Patents
基于a*算法的无人机动态目标航迹规划方法及系统 Download PDFInfo
- Publication number
- CN113961016A CN113961016A CN202111243004.9A CN202111243004A CN113961016A CN 113961016 A CN113961016 A CN 113961016A CN 202111243004 A CN202111243004 A CN 202111243004A CN 113961016 A CN113961016 A CN 113961016A
- Authority
- CN
- China
- Prior art keywords
- dynamic target
- unmanned aerial
- aerial vehicle
- algorithm
- node
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 11
- 230000004888 barrier function Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000007787 solid Substances 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于A*算法的无人机动态目标航迹规划方法及系统，包括：步骤S1：针对无人机和动态目标活动的室内场景进行环境建模；步骤S2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；步骤S3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；本发明基于A*算法的无人机动态目标航迹规划算法提高了无人机追踪动态目标时航迹规划的准确性和科学性，为无人机的航迹规划提出了一个解决方案。
Description
技术领域
本发明涉及，具体地，涉及基于A*算法的无人机动态目标航迹规划方法及系统，更为具体地，涉及基于A*算法的无人机动态目标航迹规划算法。
背景技术
随着信息技术的发展，无人机的发展也进入智能阶段，无人机可以代替人类在复杂危险场景的场景里收集信息、跟踪目标、或其他任务，在整个过程中，针对于无人机的目标，无人机航迹规划无疑是无人机飞行的核心部分。
无人机航迹规划就是综合考虑无人机到达时间，能耗以及障碍物等多个条件，为无人机规划出最优的路径，使得无人机成功的完成任务。航迹规划是一个多目标优化问题，需要根据已知的环境信息、无人机信息以及任务要求，建立起目标函数与约束条件，在约束条件里寻找最优解。在寻找最优解时，无人机需要避免突然出现的威胁，这可能导致计算过程陷入局部最优。但是，航迹规划需要考虑全局优化，找出一条全局最优路径。如图2所示，无人机航迹规划一般包含以下几部分：描述无人机飞行的抽象空间、确定无人机航迹表示、分析无人机的飞行约束条件、确定无人机航迹规划的约束条件、确定航迹规划算法的代价函数、选取搜索算法计算最优航迹线、如果规划出的航迹点拐弯点较多，则需要对航迹进行平滑处理以利于无人机的实际飞行。
经典的航迹规划算法有Dijkstra算法、人工势场法、模拟退火算法。Dijkstra算法是从一个顶点到其余各顶点的最短路径算法，解决的是有权图中最短路径问题。Dijkstra算法主要特点是从起始点开始，采用贪心算法的策略，每次遍历到始点距离最近且未访问过的顶点的邻接节点，直到扩展到终点为止。在Dijkstra算法中，需要计算每一个节点距离起点的总移动代价，同时，还需要一个优先队列结构，对于所有待遍历的节点，放入优先队列中会按照代价进行排序。人工势场法是局部路径规划的一种比较常用的方法，基本思想是将机器人在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力来控制移动机器人的运动。应用势场法规划出来的路径一般是比较平滑并且安全，但是这种方法存在局部最优点问题。模拟退火算法是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性，从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。
A*算法通过节点的综合优先级来计算每个节点的优先级，每次从优先队列中选取优先级最高的节点作为下一个待遍历的节点，A*算法使用两个集合来表示待遍历的节点和已经遍历过的节点，找到一条无人机的路径。
对于此次的动态目标场景，针对于无人机航迹规划任务，需要五点假设：
1.无人机及动态目标被视为一个质点；
2.无人机之间的通信不会收到信号的干扰并且没有传输延迟；
3.虽然干扰的存在会改变动态目标下一时刻的运动速度，但是动态目标在整体上是匀速运动；
4.由于室内的地势平稳，所以在场景抽象时，选择二维平面进行分析；
5.无人机在整个飞行中，不考虑飞机自身由于其他原因损坏、环境突变等突发因素。
专利文献CN111207752A(申请号：202010050196.0)公开了一种基于动态切点调整的无人机航迹规划方法，基于动态切点调整的航迹规划方法，针对现有技术存在的问题，将航迹规划问题形式化为一个与定位误差校正次数、航迹长度和转弯半径相关的多目标优化问题，在保证定位误差得到有效校正的前提下优化航迹长度，并利用动态切点调整的方式来制定无人机的转弯策略。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于A*算法的无人机动态目标航迹规划方法及系统。
根据本发明提供的一种基于A*算法的无人机动态目标航迹规划方法，包括：
步骤S1：针对无人机和动态目标活动的室内场景进行环境建模；
步骤S2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
步骤S3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
优选地，所述步骤S1采用：
步骤S1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
步骤S1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模。
优选地，在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
优选地，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声。
优选地，所述步骤S2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)。
优选地，所述步骤S3采用：
步骤S3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
步骤S3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发步骤S3.1至步骤S3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线。
优选地，所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
根据本发明提供的一种基于A*算法的无人机动态目标航迹规划系统，包括：
模块M1：针对无人机和动态目标活动的室内场景进行环境建模；
模块M2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
模块M3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
优选地，所述模块M1采用：
模块M1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
模块M1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模；
在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
优选地，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声；
所述模块M2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)；
所述模块M3采用：
模块M3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
模块M3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发模块M3.1至模块M3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线；
所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
与现有技术相比，本发明具有如下的有益效果：
1、本发明基于A*算法的无人机动态目标航迹规划算法提高了无人机追踪动态目标时航迹规划的准确性和科学性，为无人机的航迹规划提出了一个解决方案；
2、本发明运行的室内环境的障碍物陈设状态呈现出一定的规律，所以去掉了对航迹进行平滑处理的环节，以节省计算资源；
3、本发明中优化A*算法计算过程的做法，减少了对于无效节点计算过程、以及无效节点进入和弹出open_set表和closed_set表的操作次数，提高了算法的效率，同时保证了算法结果的正确性，有助于减轻算法的计算负担，加快算法收敛的时间。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1是基于建筑物室内场景的抽象模型示意图。
图2是一般情况下的无人机航迹规划的流程。
图3是基于A*算法的无人机动态目标航迹规划方法流程图。
图4基于A*算法的无人机动态目标航迹规划算法中针对A*算法部分进行改进流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
本发明针对无人机追踪动态目标的场景，以无人机的初始位置为起点，无人机与动态目标相遇的位置为终点，提出了一种基于A*算法的无人机动态目标航迹规划算法。首先，针对无人机和动态目标活动的室内场景进行环境建模，包括对室内环境进行抽象，确定室内墙及障碍物的位置长度等因素，然后针对室内的二维平面，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模；接着，针对动态目标，在动态目标匀速运动的前提下，设计动态目标的运动模型，掌握动态目标的运动规律，用以计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；最后，运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线。
实施例1
根据本发明提供的一种基于A*算法的无人机动态目标航迹规划方法，如图3所示，包括：
步骤S1：针对无人机和动态目标活动的室内场景进行环境建模；
步骤S2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
步骤S3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
具体地，所述步骤S1采用：
步骤S1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
步骤S1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模。
具体地，在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
具体地，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声。
具体地，所述步骤S2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)。
具体地，所述步骤S3采用：
步骤S3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
步骤S3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发步骤S3.1至步骤S3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线。
具体地，所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
根据本发明提供的一种基于A*算法的无人机动态目标航迹规划系统，包括：
模块M1：针对无人机和动态目标活动的室内场景进行环境建模；
模块M2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
模块M3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
具体地，所述模块M1采用：
模块M1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
模块M1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模；
在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
具体地，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声；
所述模块M2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)；
所述模块M3采用：
模块M3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
模块M3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发模块M3.1至模块M3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线；
所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
实施例2
实施例2是实施例1的优选例
本发明针对无人机追踪动态目标的场景，以无人机的初始位置为起点，无人机与动态目标相遇的位置为终点，提出了一种基于A*算法的无人机动态目标航迹规划算法。首先，针对无人机和动态目标活动的室内场景进行环境建模，包括对室内环境进行抽象，确定室内墙及障碍物的位置长度等因素，然后针对室内的二维平面，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模；接着，针对动态目标，在动态目标匀速运动的前提下，设计动态目标的运动模型，掌握动态目标的运动规律，用以计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；最后，运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线。基于A*算法的无人机动态目标航迹规划算法提高了无人机追踪动态目标时航迹规划的准确性和科学性，为无人机的航迹规划提出了一个解决方案。
相比于一般通常情况下的航迹规划流程，该算法中针对动态目标的运动状态进行建模求解，同时假设无人机在运动时，没有其他突发的不可预知的状况出现，另外，由于该算法运行的室内环境的障碍物陈设状态呈现出一定的规律，所以去掉了对航迹进行平滑处理的环节，以节省计算资源。
为解决上述技术问题，本发明提出一种基于A*算法的无人机动态目标航迹规划算法，所述方法包括如下步骤：
步骤1：环境建模步骤；如图1所示，将建筑物的墙抽象为线段，将无人机和动态目标抽象为质点，以建筑物的左下角的点为原点，建立室内的二维平面坐标系，即建立了室内的抽象场景中各个节点的位置坐标、与其他节点的距离、运动方向、运动速度的数据体系，为无人机航迹规划提供数据依据。
针对此次室内场景，进行环境的抽象建模，包括以下子步骤：
步骤1.1：确定室内墙、障碍物的位置长度等因素，建立室内的二维平面图；
步骤1.2：在室内二维平面图的基础上，任意选取场景二维平面图中的一个点，作为二维平面图的坐标原点，并选取任意两个相互垂直的方向作为坐标系的x轴和y轴；则在室内的抽象环境建模中，任一点的坐标为(x，y)，任意两点(x1，y1)和(x2，y2)的欧式距离为：
针对场景中任意两个节点距离的计算方式，基于A*算法的无人机动态目标航迹规划算法采用欧式距离作为计算方法，这是因为在室内无人机的航迹规划中，室内的无人机可以朝任意方向移动。
步骤2：动态目标运动状态建模步骤；
针对动态目标运动状态模型的计算，是在确定了动态目标的运动方式在整个过程中，确实可以有效近似为匀速运动，动态目标的运动方式没有发生频繁或大幅度变化的可能，即动态目标在一定的范围内来回运动，其位置随着时间的变化而连续变化，在此基础上，离散的采集动态目标的运动状态，运用二阶的匀速运动模型最终确定动态目标的运动模型；包括以下子步骤：
步骤2.1：动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,μk,ek)
其中，sk为动态目标的目标状态，包含了动态目标的位置与速度；μk为控制输入；ek为过程噪声；fk为与时间有关的向量函数，决定了动态目标的运动规律；k为采样时刻，通常与获得测量的时刻相对应。由于无法得知目标的真实控制输入μk，所以一般会忽略这一项并把它当作噪声的一部分。所以，动态目标的运动模型最终为：
sk+1＝fk(sk,ek)
步骤2.2：运用二阶的匀速运动模型的离散模型来计算运动模型fk，
sk+1＝fk(sk,ek)
其中，e(k)是零均值的白噪声，T为采样间隔。sk为动态目标的目标状态，
求导。
根据运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x，y)；
步骤3：运用A*算法求出无人机的最优搜索航迹，如图4所示，在保留当前节点中，与动态目标距离最近的节点进入open_set表中，减轻了整个算法对于计算资源的需求，有助于提高算法效率；
本发明中基于A*算法的无人机动态目标航迹规划算法，针对于原本的A*算法流程，运用一种经过改进的A*算法来计算无人机航迹线，即增加一个步骤来优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，只选择优先级最高，优先级最高即与终点的欧式距离最近的邻近节点进入open_set表，作为下一个节点n，其余的节点加入closed_set表中。这是一种优化A*算法计算过程的做法，减少了对于无效节点计算过程、以及无效节点进入和弹出open_set表和closed_set表的操作次数，提高了算法的效率，同时保证了算法结果的正确性，有助于减轻算法的计算负担，加快算法收敛的时间；
具体包括以下子步骤：
步骤3.1：建立open_set表和closed_set表，open_set表记录所有被考虑寻找最短路径的节点，closed_set表记录不再被考虑的点；
步骤3.2：计算节点的优先级：
l(n)＝g(n)+h(n)
其中，l(n)是节点n的综合优先级。当选择下一个要遍历的节点时，A*算法总会选取综合优先级最高(值最小)的节点；g(n)是节点n距离起点的代价；h(n)是节点n距离终点的预计代价，这也是A*算法的启发函数，在实验中可以通过调节启发函数控制算法的速度和精确度。
步骤3.3：计算两个节点之间的距离：
步骤3.4：将无人机的起点加入open_set表中，并设置优先级为0(优先级最高)；
步骤3.5：如果open_set表不为空，则从open_set表中选取优先级最高的节点n：如果节点n为终点，则从终点开始逐步追踪parent节点(已经确定在航迹节点中的上一个节点)，一直达到起点，返回航迹搜索的结果，算法结束；如果节点n不是终点，则将节点n从open_set表中删除，并加入closed_set表中；遍历节点n所有的邻近节点：如果邻近节点m在closed_set表中，则跳过，选取下一个邻近节点如果邻近节点m也不在open_set表中，则计算节点m的优先级，比较所有邻近节点的优先级，将优先级最高的邻近节点作为节点n加入open_set表中重新判断节点n；
具体地，关于当前节点n的邻接点集合的确定，以当前节点为中心，以无人机感知传感器准确的视野内一个确定的范围为半径，在生成的这个圆形范围内随机生成若干个有限的航迹点作为节点，为当前节点的所有邻接点的集合，以该邻接点集合为基础，计算下一个进入open_set表的节点。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于A*算法的无人机动态目标航迹规划方法，其特征在于，包括：
步骤S1：针对无人机和动态目标活动的室内场景进行环境建模；
步骤S2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
步骤S3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
2.根据权利要求1所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，所述步骤S1采用：
步骤S1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
步骤S1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模。
3.根据权利要求1所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
4.根据权利要求1所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sj,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声。
5.根据权利要求1所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，所述步骤S2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)。
6.根据权利要求1所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，所述步骤S3采用：
步骤S3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
步骤S3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发步骤S3.1至步骤S3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线。
7.根据权利要求6所述的基于A*算法的无人机动态目标航迹规划方法，其特征在于，所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
8.一种基于A*算法的无人机动态目标航迹规划系统，其特征在于，包括：
模块M1：针对无人机和动态目标活动的室内场景进行环境建模；
模块M2：针对动态目标，在动态目标匀速运动的前提下，设置动态目标的运动模型，得到动态目标的运动规律，计算动态目标与无人机运动的交汇点，为无人机的航迹规划提供终点；
模块M3：运用改进的A*算法为无人机的初始位置到无人机最终与动态目标的交汇点之间，计算出一条最优化的无人机飞行航迹线；
所述改进的A*算法是优化A*算法，在计算当前节点n的所有邻近节点的优先级之后，将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点n，放入open_set表中，其余的节点加入close_set表中。
9.根据权利要求8所述的基于A*算法的无人机动态目标航迹规划系统，其特征在于，所述模块M1采用：
模块M1.1：确定室内墙及障碍物的位置长度因素，建立室内的二维平面图；
模块M1.2：根据室内的二维平面图，建立二维平面坐标系，确定无人机、动态目标、障碍物的坐标及室内场景的边界条件，进行室内环境建模；
在室内的抽象环境建模中，任意两点的欧式距离采用：
其中，(x1，y1)，(x2，y2)分别表示任意两点的坐标位置。
10.根据权利要求8所述的基于A*算法的无人机动态目标航迹规划系统，其特征在于，所述动态目标的运动模型采用：
动态目标的运动模型以状态空间模型表示：
sk+1＝fk(sk,ek) (1)
其中，sk表示动态目标的目标状态，包括动态目标的位置与速度；ek表示过程噪声；fk表示与时间有关的向量函数，决定了动态目标的运动规律；k表示采样时刻；
运用二阶的匀速运动模型的离散模型来计算动态目标的运动模型fk；
其中，T表示采样间隔；e(k)表示零均值的白噪声；
所述模块M2采用：根据动态目标的运动模型fk，确定无人机与动态目标交汇时的时间t和动态目标在时间t时的坐标位置(x,y)；
所述模块M3采用：
模块M3.1：计算起点的所有邻近节点的优先级，并将所有邻近节点的优先级进行对比，选择优先级最高的节点作为下一个节点并放入open_set表中，将当前其余的邻近节点放入close_set表中；
模块M3.2：将选择的下一个节点作为当前起点，并判断当前起点是否为终点，当不是终点时，则重复触发模块M3.1至模块M3.2，直至当前起点为终点，得到最优化的无人机飞行航迹线；
所述计算起点的所有邻近节点的优先级采用：
l(n)＝g(n)+h(n)
其中，l(n)表示节点n的综合优先级；g(n)表示节点n距离起点的代价；h(n)表示节点n距离终点的预计代价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243004.9A CN113961016B (zh) | 2021-10-25 | 2021-10-25 | 基于a*算法的无人机动态目标航迹规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111243004.9A CN113961016B (zh) | 2021-10-25 | 2021-10-25 | 基于a*算法的无人机动态目标航迹规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113961016A true CN113961016A (zh) | 2022-01-21 |
| CN113961016B CN113961016B (zh) | 2023-11-10 |
Family
ID=79466859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111243004.9A Active CN113961016B (zh) | 2021-10-25 | 2021-10-25 | 基于a*算法的无人机动态目标航迹规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113961016B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3996590A (en) * | 1961-02-02 | 1976-12-07 | Hammack Calvin M | Method and apparatus for automatically detecting and tracking moving objects and similar applications |
| CN106125764A (zh) * | 2016-08-03 | 2016-11-16 | 西北工业大学 | 基于a*搜索的无人机路径动态规划方法 |
| EP3232292A1 (en) * | 2016-03-28 | 2017-10-18 | Honeywell International Inc. | Aircraft systems and methods with multiple sap speed profiles |
| JP2018535487A (ja) * | 2015-09-15 | 2018-11-29 | エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ | Ｕａｖ経路を計画し制御するシステム及び方法 |
| KR20190010274A (ko) * | 2017-07-21 | 2019-01-30 | 이화여자대학교 산학협력단 | 무인 비행체의 비행 경로를 결정하는 방법 |
| CN111024080A (zh) * | 2019-12-01 | 2020-04-17 | 中国人民解放军军事科学院评估论证研究中心 | 一种无人机群对多移动时敏目标侦察路径规划方法 |
| CN111240360A (zh) * | 2020-01-19 | 2020-06-05 | 西北工业大学 | 用于导引飞行装置跟踪目标的方法、计算机系统和介质 |
| CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
| CN111750869A (zh) * | 2020-08-14 | 2020-10-09 | 中国电子科技集团公司第五十四研究所 | 一种实时重构Voronoi图的无人机路径规划方法 |
| CN113110509A (zh) * | 2021-05-17 | 2021-07-13 | 哈尔滨工业大学（深圳） | 一种基于深度强化学习的仓储系统多机器人路径规划方法 |
-
2021
- 2021-10-25 CN CN202111243004.9A patent/CN113961016B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3996590A (en) * | 1961-02-02 | 1976-12-07 | Hammack Calvin M | Method and apparatus for automatically detecting and tracking moving objects and similar applications |
| JP2018535487A (ja) * | 2015-09-15 | 2018-11-29 | エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ | Ｕａｖ経路を計画し制御するシステム及び方法 |
| EP3232292A1 (en) * | 2016-03-28 | 2017-10-18 | Honeywell International Inc. | Aircraft systems and methods with multiple sap speed profiles |
| CN106125764A (zh) * | 2016-08-03 | 2016-11-16 | 西北工业大学 | 基于a*搜索的无人机路径动态规划方法 |
| KR20190010274A (ko) * | 2017-07-21 | 2019-01-30 | 이화여자대학교 산학협력단 | 무인 비행체의 비행 경로를 결정하는 방법 |
| CN111024080A (zh) * | 2019-12-01 | 2020-04-17 | 中国人民解放军军事科学院评估论证研究中心 | 一种无人机群对多移动时敏目标侦察路径规划方法 |
| CN111240360A (zh) * | 2020-01-19 | 2020-06-05 | 西北工业大学 | 用于导引飞行装置跟踪目标的方法、计算机系统和介质 |
| CN111679692A (zh) * | 2020-08-04 | 2020-09-18 | 上海海事大学 | 一种基于改进A-star算法的无人机路径规划方法 |
| CN111750869A (zh) * | 2020-08-14 | 2020-10-09 | 中国电子科技集团公司第五十四研究所 | 一种实时重构Voronoi图的无人机路径规划方法 |
| CN113110509A (zh) * | 2021-05-17 | 2021-07-13 | 哈尔滨工业大学（深圳） | 一种基于深度强化学习的仓储系统多机器人路径规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZHE ZHANG 等: "A novel real-time penetration path planning algorithm for stealth UAV in 3D complex dynamic environment", 《IEEE ACCESS》, pages 1 - 16 * |
| 宋 宇 等: "基于改进 Ａ* 算法的无人机航路规划", 《长春工业大学学报》, vol. 41, no. 6, pages 597 - 601 * |
| 房茂辉: "基于改进A*算法的无人飞行器航迹规划算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 7, pages 031 - 369 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113961016B (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zyner et al. | Naturalistic driver intention and path prediction using recurrent neural networks | |
| Willms et al. | Real-time robot path planning via a distance-propagating dynamic system with obstacle clearance | |
| Kamalova et al. | Waypoint mobile robot exploration based on biologically inspired algorithms | |
| CN112000126B (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
| Cobano et al. | 4D trajectory planning in ATM with an anytime stochastic approach | |
| CN114494329B (zh) | 用于移动机器人在非平面环境自主探索的导引点选取方法 | |
| CN114326810B (zh) | 一种无人机在复杂动态环境下的避障方法 | |
| Chehelgami et al. | Safe deep learning-based global path planning using a fast collision-free path generator | |
| CN115826586B (zh) | 一种融合全局算法和局部算法的路径规划方法及系统 | |
| CN111895990A (zh) | 一种基于多指标绑架检测及移动机器人重定位的方法 | |
| CN113961016A (zh) | 基于a*算法的无人机动态目标航迹规划方法及系统 | |
| CN115061499B (zh) | 无人机控制方法及无人机控制装置 | |
| Dudarenko et al. | Robot navigation system in stochastic environment based on reinforcement learning on lidar data | |
| EP4330107A1 (en) | Motion planning | |
| CN114608585A (zh) | 一种移动机器人同步定位与建图方法及装置 | |
| CN113885531A (zh) | 用于移动机器人的方法、移动机器人、电路、介质和程序 | |
| Newman et al. | Receding horizon controller using particle swarm optimization for closed-loop ground target surveillance and tracking | |
| CN112904855A (zh) | 基于改进动态窗口的跟随机器人局部路径规划方法 | |
| Mi et al. | Path planning of indoor mobile robot based on improved A* algorithm incorporating RRT and JPS | |
| Wang et al. | Research on SLAM road sign observation based on particle filter | |
| Skoglar | UAV path and sensor planning methods for multiple ground target search and tracking-A literature survey | |
| Wang et al. | Dynamic path planning algorithm for autonomous vehicles in cluttered environments | |
| Neuman et al. | Anytime policy planning in large dynamic environments with interactive uncertainty | |
| Xiong et al. | A rule-based motion planning for crowd simulation | |
| CN116048091B (zh) | 一种考虑位姿估计不确定性的机器人轨迹规划方法和装置 |
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 |