CN114138005A - 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 - Google Patents
基于改进a*算法的城区批量物流无人机航迹规划方法及装置 Download PDFInfo
- Publication number
- CN114138005A CN114138005A CN202111247217.9A CN202111247217A CN114138005A CN 114138005 A CN114138005 A CN 114138005A CN 202111247217 A CN202111247217 A CN 202111247217A CN 114138005 A CN114138005 A CN 114138005A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- logistics unmanned
- track
- point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 238000009499 grossing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 231100000225 lethality Toxicity 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000011160 research Methods 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
-
- 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)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置,所述方法包括采用栅格法划分空域环境,确定出各栅格的风险值,形成基于风险的城市低空空域环境模型;基于所述城市低空空域环境模型,以物流无人机航迹风险最小为目标函数,结合无人机性能约束,形成城区批量物流无人机航迹规划模型;基于改进A*算法,以及所述城区批量物流无人机航迹规划模型,求解得到多架物流无人机的初始飞行航迹;对所述初始飞行航迹进行平滑,得到优化后的批量物流无人机飞行航迹。本发明能够解决无人机航迹安全性不高、无法批量生成多条无冲突预先飞行航迹的问题。
Description
技术领域
本发明属于无人机航迹规划技术领域,具体涉及一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置。
背景技术
在城市低空空域环境下,使用无人机进行“最后一公里”配送成为物流行业的发展趋势。随着物流配送任务需求量的增加,物流无人机所服务的对象往往不止一个,而单架无人机能力有限,则需要多架物流无人机同时执行配送任务。此时,需要为多架物流无人机生成批量的安全、可靠预先飞行航迹。
由于城市人口密集加之地面建筑众多,使用物流无人机进行配送对安全性有较高的要求。目前国内外对于无人机航迹规划的研究多集中于求解最短航迹,优化目标较为单一,且规划的对象多为单架无人机,无法适应城市物流配送高安全性和高配送量的要求,亟需结合城市低空空域环境特点,提出一种适合城市区域的批量物流无人机航迹规划方法。
发明内容
针对上述问题,本发明提出一种基于改进A*算法的城区批量物流无人机航迹规划方法及装置,能够解决无人机航迹安全性不高、无法批量生成多条无冲突预先飞行航迹的问题。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种基于改进A*算法的城区批量物流无人机航迹规划方法,包括:
采用栅格法划分空域环境,确定出各栅格的风险值,形成基于风险的城市低空空域环境模型;
基于所述城市低空空域环境模型,以物流无人机航迹风险最小为目标函数,结合无人机性能约束,形成城区批量物流无人机航迹规划模型;
基于改进A*算法,以及所述城区批量物流无人机航迹规划模型,求解得到多架物流无人机的初始飞行航迹;
对所述初始飞行航迹进行平滑,得到优化后的批量物流无人机飞行航迹。
可选地,所述城市低空空域环境模型的形成方法包括:
将城市低空空域划分为大小相等的立方体栅格,每一个栅格代表一个区域;
若某区域含有障碍物,则将栅格标记为障碍物栅格,并赋值为1;
若某区域不含障碍物,则将栅格标记为可飞栅格,并依据地面人口数量、物流无人机坠落撞击动能、地物遮蔽情况进行运行风险评估,确定栅格的风险值,由此得到基于风险的城市低空空域环境模型。
可选地,所述栅格的风险值的计算公式为:
其中:
N=A×ρ
式中,R为物流无人机在坐标P(x,y,z)处运行产生的风险值,F为物流无人机自身失效坠落的概率,P为物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率,N为坐标p(x,y,z)处的地面人口数量;α为当遮蔽系数s0=0.5时,人员死亡率为50%时的撞击动能;β为遮蔽系数s0趋向0时,物流无人机坠落导致人员死亡的撞击动能;Eimp为物流无人机坠落的撞击动能;muav为物流无人机的总质量,vimp为其坠落至地面时的速度;g为重力加速度,ρair为空气密度,Auav为物流无人机的截面积,Cd为阻力系数,huav为物流无人机飞行高度;A为物流无人机坠落对地面影响的面积,ρ为坐标p(x,y,z)处的人口密度。
可选地,所述城区批量物流无人机航迹规划模型的形成方法包括:
以物流无人机航迹风险最小作为城区批量物流无人机航迹规划模型的目标函数;
确定物流无人机飞行高度约束;
确定物流无人机运行风险约束;
确定物流无人机最大航程约束;
确定物流无人机最小航迹段长度约束;
确定物流无人机最大起飞质量约束;
得到城区批量物流无人机航迹规划模型。
可选地,所述城区批量物流无人机航迹规划模型的表达式为:
式中,Ci为第i架无人机航迹风险代价,和分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值,dj,j-1为第j和第j-1个航迹点间的欧氏距离;为物流无人机途经的第j个航迹点坐标,j=1,2,...,n-1;为第i架无人机第j个航迹点的竖坐标;n为航迹坐标总数,Hmin为无人机可飞行的最低高度;Hmax为无人机可飞行的最高高度;ELS表示物流无人机运行的等效安全水平;Lmax为物流无人机最大负载情况下可飞行的最远距离;lmin为物流无人机的最小航迹段长度;mi为第i架无人机的总质量,MTOM为物流无人机的最大起飞质量。
可选地,所述多架物流无人机的初始飞行航迹的求解方法包括:
根据所述城区批量物流无人机航迹规划模型的目标函数,确定改进A*算法的实际代价函数和启发函数,并计算得到估价函数;
根据障碍物密集程度,确定航迹搜索动态步长;
若当前物流无人机序号小于或等于所需规划物流无人机航迹总数,则根据估价函数值比较判断航迹点优劣,搜寻得到当前物流无人机的航迹点;若搜寻到达当前物流无人机的目标点,则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1;若未到达目标点,则提示当前物流无人机航迹规划失败;将当前物流无人机序号加1,直至当前物流无人机序号大于所需规划物流无人机航迹总数。
可选地,所述估价函数的计算公式为:
f(x)=g(x)+h(x)
式中,f(x)为估价函数,g(x)为实际代价函数,h(x)为启发函数,R0表示栅格风险值的预估值,为目标点Gi的坐标,为物流无人机途经的第j个航迹点坐标,j=1,2,...,n-1,和分别为第i架无人机第j和第j-1个航迹点对应栅格的风险值,dj,j-1为第j和第j-1个航迹点间的欧氏距离。
可选地,所述根据障碍物密集程度,确定航迹搜索动态步长,具体包括:
步骤1:以最大步长ηmax计算当前扩展航迹点周围的栅格总数N0;
步骤2:依次判断当前扩展航迹点周围在最大步长ηmax范围内的栅格是否为障碍物栅格;
步骤3:若为障碍物栅格,则令Nobst=Nobst+1,其中Nobst表示障碍物栅格数量;
步骤4:按照航迹搜索动态步长计算公式,确定当前动态步长η;
所述航迹搜索动态步长计算公式,具体为:
式中,ηmax、ηmid和ηmin分别表示动态步长的最大值、中间值和最小值,ρobst表示障碍物密集程度,ε表示障碍物密集程度的阈值。
可选地,所述根据估价函数值比较判断航迹点优劣,搜寻得到当前物流无人机的航迹点,具体包括:
步骤1:获取第i架无人机出发点Si和目标点Gi的坐标,及城区批量物流无人机航迹规划模型的相关性能参数;
步骤2:建立OPENi列表和CLOSEi列表,将Si点所在栅格加入OPENi列表;
步骤3:判断OPENi列表是否为空;
步骤4:当OPENi列表不为空,则弹出OPENi列表中估价函数值最小的航迹点Pi,将其从OPENi列表中删除,加入CLOSEi列表;
步骤5:根据当前动态步长η,获取Pi点的周围航迹点集合Ui,若集合Ui中某点对应栅格的风险值为1,则跳过该点,否则记该点为Ti;
步骤6:分别计算g(Ti)、h(Ti),进而得到f(Ti)值:进行如下判断:
①若Ti点在OPENi列表中,则将Ti点原有的实际代价函数值g(Ti′)与当前计算的g(Ti)值作比较,若g(Ti)<g(Ti′),则修改Ti点的父节点为Pi点;否则不做任何改变;
②若Ti点在CLOSEi列表中,则跳过该点;
③若Ti点既不在OPENi列表,也不在CLOSEi列表,则将Ti点加入OPENi列表,并对OPENi列表中的航迹点按估价函数值大小排序;
所述若搜寻到达当前物流无人机的目标点,则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1;若未到达目标点,则提示当前物流无人机航迹规划失败;将当前物流无人机序号加1,具体为:
若到达目标点Gi,则由Gi点沿其父节点回溯至出发点Si,得到第i架无人机的飞行航迹Pathi;若未到达目标点Gi,则提示规划失败,无法搜寻得到第i架无人机的航迹,则Pathi为空;
令Pathi中各航迹点对应栅格的风险值为1,令i=i+1。
第二方面,本发明提供了一种基于改进A*算法的城区批量物流无人机航迹规划装置,包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。
与现有技术相比,本发明的有益效果:
本发明通过构建基于风险的城市低空空域环境,精确计算每一栅格对应的无人机运行风险值,反应物流无人机在城市配送时对地面的安全影响,从而为规划运行风险低、安全性高的航迹奠定基础。
本发明通过设计A*算法实际代价函数和启发函数,合理判断航迹点优劣,得到安全性高的航迹点;同时,根据障碍物密集程度,采取动态步长策略,进一步提高算法效率,减少不必要的航迹点数,使得航迹规划速度更快、质量更优。能够为多架物流无人机规划批量无冲突的预先飞行航迹,保证多架次无人机的配送安全。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1为本发明一种实施例的基于改进A*算法的城区批量物流无人机航迹规划方法的实现流程图。
图2为本发明一种实施例的城市低空空域划分示意图;
图3为本发明一种实施例的改进A*算法航迹点搜索流程图;
图4为本发明一种实施例的航迹平滑示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
图1为本发明实施例基于改进A*算法的城区批量物流无人机航迹规划方法的实现流程图,如图1所示,所述方法具体包括以下步骤:
步骤1:采用栅格法划分空域环境,确定出各栅格的风险值,形成基于风险的城市低空空域环境模型;
步骤2:基于所述城市低空空域环境模型,以物流无人机航迹风险最小为目标函数,结合无人机性能约束,形成城区批量物流无人机航迹规划模型;
步骤3:基于改进A*算法,以及所述城区批量物流无人机航迹规划模型,求解得到多架物流无人机的初始飞行航迹;
步骤4:对所述初始航迹进行平滑,得到优化后的批量物流无人机飞行航迹。
在本发明实施例的一种具体实施方式中,所述步骤1具体包括以下步骤:
步骤1.1:采用栅格法进行空域划分,以O为原点建立笛卡尔坐标系,将空域分成u×v×w个立方体栅格。设每一栅格的长、宽和高均为r,则空域总长度L=u×r,空域总宽度W=v×r,空域的高度H=w×r。根据栅格内是否含有障碍物,可将其分为可飞栅格和障碍物栅格,可飞栅格可作为航迹点备选,而障碍物栅格则不可作为航迹点。具体参见图2。
步骤1.2:确定地面人口数量。设某栅格对应的坐标为p(x,y,z),该坐标处的地面人口数量N可表示为:
N=A×ρ
其中,A为物流无人机坠落对地面影响的面积,ρ为坐标p(x,y,z)处的人口密度。
步骤1.3:确定地面遮蔽情况。当物流无人机失效坠落时,地面的建筑、树木、汽车等对于物流无人机的坠落有缓解作用,可根据栅格实际情况选取不同的遮蔽系数s0以表征缓解程度。当无遮蔽时s0取0,低层建筑物下s0取0.5,高层建筑物下s0取0.75。
步骤1.4:确定物流无人机撞击动能大小。物流无人机坠落的撞击动能Eimp可表示为:
其中,muav为物流无人机的总质量,vimp为其坠落至地面时的速度,vimp可由下式计算:
其中,g为重力加速度,ρair为空气密度,Auav为物流无人机的截面积,Cd为阻力系数,huav为物流无人机飞行高度。
步骤1.5:确定物流无人机坠落致死概率。物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率P可表示为:
其中,α为当遮蔽系数s0=0.5时,人员死亡率为50%时的撞击动能;β为遮蔽系数s0趋向0时,物流无人机坠落导致人员死亡的撞击动能;
步骤1.6:确定栅格风险值大小。物流无人机在坐标P(x,y,z)处运行产生的风险值R为:
其中,F为物流无人机自身失效坠落的概率。
由此可以计算得到每一栅格的风险值大小,从而得到基于风险的城市低空空域环境模型。
在本发明实施例的一种具体实施方式中,所述步骤2具体包括以下步骤:
步骤2.1:将物流无人机航迹风险最小作为目标函数。设第i架物流无人机出发点Si的坐标为目标点Gi的坐标为无人机途经的第j个航迹点坐标为j=1,2,...,n-1。则第i架无人机航迹风险代价Ci表示为:
步骤2.2:确定物流无人机飞行高度约束;所述飞行高度约束条件为:
步骤2.3:确定物流无人机运行风险约束;所述运行风险约束条件为:
其中,ELS表示物流无人机运行的等效安全水平。
步骤2.4:确定物流无人机最大航程约束;所述最大航程约束条件为:
其中,Lmax为物流无人机最大负载情况下可飞行的最远距离。
步骤2.5:确定物流无人机最小航迹段长度约束;所述最小航迹段长度约束条件为:
其中,lmin为物流无人机的最小航迹段长度。
步骤2.6:确定物流无人机最大起飞质量约束;所述最大起飞质量约束条件为:
其中,mi为第i架无人机的总质量,MTOM为物流无人机的最大起飞质量。
步骤2.7:得到城区批量物流无人机航迹规划模型。所述城区批量物流无人机航迹规划模型为:
在本发明实施例的一种具体实施方式中,所述步骤3具体包括以下步骤:
步骤3.1:根据得到的城区批量物流无人机航迹规划模型目标函数,确定改进A*算法的实际代价函数和启发函数,并计算得到估价函数;具体包括:
步骤3.11:根据步骤2.1中的物流无人机航迹风险代价Ci的表达式,可以得到实际代价函数g(x)的表达式为:
步骤3.12:确定物流无人机航迹风险代价的启发函数h(x)为:
其中,R0表示栅格风险值的预估值。
步骤3.13:确定物流无人机航迹风险代价的估价函数f(x)为:
f(x)=g(x)+h(x)
步骤3.2:根据障碍物密集程度,确定航迹搜索动态步长;具体包括:
步骤3.21:以最大步长ηmax计算当前扩展航迹点周围的栅格总数N0;
步骤3.22:依次判断当前扩展航迹点周围在最大步长ηmax范围内的栅格是否为障碍物栅格;
步骤3.23:若为障碍物栅格,则令Nobst=Nobst+1,其中Nobst表示障碍物栅格数量;
步骤3.24:按照航迹搜索动态步长计算公式,确定当前动态步长η;
所述航迹搜索动态步长计算公式,具体为:
式中,ηmax、ηmid和ηmin分别表示动态步长的最大值、中间值和最小值,ρobst表示障碍物密集程度,ε表示障碍物密集程度的阈值。
步骤3.3:判断当前物流无人机序号是否小于或等于所需规划物流无人机航迹总数,若大于则执行步骤4;图3为本发明改进A*算法航迹点搜索流程图,具体包括:
令第一架物流无人机序号i的值为1,判断当前物流无人机序号i是否小于或等于所需规划物流无人机航迹总数Npath,若大于则执行步骤4。
步骤3.4:根据估价函数值比较判断航迹点优劣,搜寻得到当前物流无人机的航迹点;具体包括:
步骤3.41:获取第i架无人机出发点Si和目标点Gi的坐标,及步骤2中的相关性能参数。
步骤3.42:建立OPENi列表和CLOSEi列表,将Si点所在栅格加入OPENi列表。
步骤3.43:判断OPENi列表是否为空,若为空则执行步骤3.5。
步骤3.44:弹出OPENi列表中估价函数值最小的航迹点Pi,将其从OPENi列表中删除,加入CLOSEi列表。
步骤3.45:根据步骤3.2确定当前动态步长η,获取Pi点的周围航迹点集合Ui,若集合Ui中包含目标点Gi,则转向步骤3.5;若集合Ui中某点对应栅格的风险值为1,则跳过该点,否则记该点为Ti。
步骤3.46:分别计算g(Ti)、h(Ti),进而得到f(Ti)值。进行如下判断:
①若Ti点在OPENi列表中,则将Ti点原有的实际代价函数值g(Ti′)与当前计算的g(Ti)值作比较,若g(Ti)<g(Ti′),则修改Ti点的父节点为Pi点;否则不做任何改变。
②若Ti点在CLOSEi列表中,则跳过该点。
③若Ti点既不在OPENi列表,也不在CLOSEi列表,则将Ti点加入OPENi列表,并对OPENi列表中的航迹点按估价函数值大小排序,返回步骤3.43。
步骤3.5:若到达目标点Gi,则由Gi点沿其父节点回溯至出发点Si,得到第i架无人机的飞行航迹Pathi;若未到达目标点Gi,则提示规划失败,无法搜寻得到第i架无人机的航迹,则Pathi为空。
步骤3.6:令Pathi中各航迹点对应栅格的风险值为1,令i=i+1,返回步骤3.3。
在本发明实施例的一种具体实施方式中,所述步骤4具体为:采用NURBS曲线对初始航迹进行平滑,得到优化后的批量物流无人机飞行航迹。更具体地包括以下步骤:
图4是物流无人机航迹平滑示意图。其中,点P1至P5为改进A*算法求解得到的航迹点,连接各航迹点的黑色实线表示初始航迹,将各航迹点作为NURBS曲线的控制点,NURBS曲线可为每个控制点分配相应的权重值,以得到更为灵活的平滑航迹,提高航迹的局部平滑能力。NURBS曲线的一般形式可表示为:
其中,ωi表示控制点Pi的权重值;Bi,k(t)为NURBS曲线的基函数,其递推关系式为:
其中,ui表示节点,k表示曲线次数。对规划得到的航迹点使用NURBS曲线连接可以得到平滑后的飞行航迹,当控制点Pi的权重值ωi不同时,可得到不同的航迹平滑结果,结果如图4中灰色线条所示,分别表示ωi取1、2和3时的航迹平滑结果。
实施例2
基于与实施例1相同发明构思,本发明实施例中提供了一种基于改进A*算法的城区批量物流无人机航迹规划装置,包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,所述计算机程序被所述处理器执行时实现如实施例1中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,包括:
采用栅格法划分空域环境,确定出各栅格的风险值,形成基于风险的城市低空空域环境模型;
基于所述城市低空空域环境模型,以物流无人机航迹风险最小为目标函数,结合无人机性能约束,形成城区批量物流无人机航迹规划模型;
基于改进A*算法,以及所述城区批量物流无人机航迹规划模型,求解得到多架物流无人机的初始飞行航迹;
对所述初始飞行航迹进行平滑,得到优化后的批量物流无人机飞行航迹。
2.根据权利要求1所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述城市低空空域环境模型的形成方法包括:
将城市低空空域划分为大小相等的立方体栅格,每一个栅格代表一个区域;
若某区域含有障碍物,则将栅格标记为障碍物栅格,并赋值为1;
若某区域不含障碍物,则将栅格标记为可飞栅格,并依据地面人口数量、物流无人机坠落撞击动能、地物遮蔽情况进行运行风险评估,确定栅格的风险值,由此得到基于风险的城市低空空域环境模型。
3.根据权利要求2所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述栅格的风险值的计算公式为:
其中:
N=A×ρ
式中,R为物流无人机在坐标P(x,y,z)处运行产生的风险值,F为物流无人机自身失效坠落的概率,P为物流无人机在坐标P(x,y,z)处坠落造成的人员致死概率,N为坐标p(x,y,z)处的地面人口数量;α为当遮蔽系数s0=0.5时,人员死亡率为50%时的撞击动能;β为遮蔽系数s0趋向0时,物流无人机坠落导致人员死亡的撞击动能;Eimp为物流无人机坠落的撞击动能;muav为物流无人机的总质量,vimp为其坠落至地面时的速度;g为重力加速度,ρair为空气密度,Auav为物流无人机的截面积,Cd为阻力系数,huav为物流无人机飞行高度;A为物流无人机坠落对地面影响的面积,ρ为坐标p(x,y,z)处的人口密度。
4.根据权利要求1所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述城区批量物流无人机航迹规划模型的形成方法包括:
以物流无人机航迹风险最小作为城区批量物流无人机航迹规划模型的目标函数;
确定物流无人机飞行高度约束;
确定物流无人机运行风险约束;
确定物流无人机最大航程约束;
确定物流无人机最小航迹段长度约束;
确定物流无人机最大起飞质量约束;
得到城区批量物流无人机航迹规划模型。
5.根据权利要求4所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述城区批量物流无人机航迹规划模型的表达式为:
6.根据权利要求1所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述多架物流无人机的初始飞行航迹的求解方法包括:
根据所述城区批量物流无人机航迹规划模型的目标函数,确定改进A*算法的实际代价函数和启发函数,并计算得到估价函数;
根据障碍物密集程度,确定航迹搜索动态步长;
若当前物流无人机序号小于或等于所需规划物流无人机航迹总数,则根据估价函数值比较判断航迹点优劣,搜寻得到当前物流无人机的航迹点;若搜寻到达当前物流无人机的目标点,则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1;若未到达目标点,则提示当前物流无人机航迹规划失败;将当前物流无人机序号加1,直至当前物流无人机序号大于所需规划物流无人机航迹总数。
8.根据权利要求6所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于,所述根据障碍物密集程度,确定航迹搜索动态步长,具体包括:
步骤1:以最大步长ηmax计算当前扩展航迹点周围的栅格总数N0;
步骤2:依次判断当前扩展航迹点周围在最大步长ηmax范围内的栅格是否为障碍物栅格;
步骤3:若为障碍物栅格,则令Nobst=Nobst+1,其中Nobst表示障碍物栅格数量;
步骤4:按照航迹搜索动态步长计算公式,确定当前动态步长η;
所述航迹搜索动态步长计算公式,具体为:
式中,ηmax、ηmid和ηmin分别表示动态步长的最大值、中间值和最小值,ρobst表示障碍物密集程度,ε表示障碍物密集程度的阈值。
9.根据权利要求6所述的一种基于改进A*算法的城区批量物流无人机航迹规划方法,其特征在于:所述根据估价函数值比较判断航迹点优劣,搜寻得到当前物流无人机的航迹点,具体包括:
步骤1:获取第i架无人机出发点Si和目标点Gi的坐标,及城区批量物流无人机航迹规划模型的相关性能参数;
步骤2:建立OPENi列表和CLOSEi列表,将Si点所在栅格加入OPENi列表;
步骤3:判断OPENi列表是否为空;
步骤4:当OPENi列表不为空,则弹出OPENi列表中估价函数值最小的航迹点Pi,将其从OPENi列表中删除,加入CLOSEi列表;
步骤5:根据当前动态步长η,获取Pi点的周围航迹点集合Ui,若集合Ui中某点对应栅格的风险值为1,则跳过该点,否则记该点为Ti;
步骤6:分别计算g(Ti)、h(Ti),进而得到f(Ti)值:进行如下判断:
①若Ti点在OPENi列表中,则将Ti点原有的实际代价函数值g(Ti′)与当前计算的g(Ti)值作比较,若g(Ti)<g(Ti′),则修改Ti点的父节点为Pi点;否则不做任何改变;
②若Ti点在CLOSEi列表中,则跳过该点;
③若Ti点既不在OPENi列表,也不在CLOSEi列表,则将Ti点加入OPENi列表,并对OPENi列表中的航迹点按估价函数值大小排序;
所述若搜寻到达当前物流无人机的目标点,则将搜寻得到的当前物流无人机航迹点对应栅格值赋值为1;若未到达目标点,则提示当前物流无人机航迹规划失败;将当前物流无人机序号加1,具体为:
若到达目标点Gi,则由Gi点沿其父节点回溯至出发点Si,得到第i架无人机的飞行航迹Pathi;若未到达目标点Gi,则提示规划失败,无法搜寻得到第i架无人机的航迹,则Pathi为空;
令Pathi中各航迹点对应栅格的风险值为1,令i=i+1。
10.一种基于改进A*算法的城区批量物流无人机航迹规划装置,其特征在于,包括:
处理器;
存储器,其上存储有可在所述处理器上运行的计算机程序;
其中,所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的基于改进A*算法的城区批量物流无人机航迹规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247217.9A CN114138005B (zh) | 2021-10-26 | 2021-10-26 | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111247217.9A CN114138005B (zh) | 2021-10-26 | 2021-10-26 | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114138005A true CN114138005A (zh) | 2022-03-04 |
CN114138005B CN114138005B (zh) | 2023-10-13 |
Family
ID=80394531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111247217.9A Active CN114138005B (zh) | 2021-10-26 | 2021-10-26 | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114138005B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521794A (zh) * | 2018-12-07 | 2019-03-26 | 南京航空航天大学 | 一种多无人机航路规划及动态避障方法 |
CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学(武汉) | 一种多无人机协同路径规划方法 |
CN112327939A (zh) * | 2020-10-15 | 2021-02-05 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112880684A (zh) * | 2021-01-18 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种城市空间无人机安全航路规划方法 |
-
2021
- 2021-10-26 CN CN202111247217.9A patent/CN114138005B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521794A (zh) * | 2018-12-07 | 2019-03-26 | 南京航空航天大学 | 一种多无人机航路规划及动态避障方法 |
CN112327939A (zh) * | 2020-10-15 | 2021-02-05 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112327923A (zh) * | 2020-11-19 | 2021-02-05 | 中国地质大学(武汉) | 一种多无人机协同路径规划方法 |
CN112880684A (zh) * | 2021-01-18 | 2021-06-01 | 中国人民解放军空军工程大学 | 一种城市空间无人机安全航路规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114138005B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112817330B (zh) | 一种多无人机四维航迹协同规划方法及系统 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN110426039B (zh) | 基于任务完成时间最小化的多无人机路径规划方法 | |
US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN112033413B (zh) | 一种基于结合环境信息的改进a*算法的路径规划方法 | |
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN111813144B (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN111045445A (zh) | 一种基于强化学习的飞行器智能避撞方法、设备、介质 | |
CN113670309A (zh) | 考虑安全风险与噪声影响的城市低空无人机路径规划方法 | |
CN115060263A (zh) | 一种考虑低空风和无人机能耗的航迹规划方法 | |
CN114812564A (zh) | 基于城市动态时空风险分析的多目标无人机路径规划方法 | |
Kiam et al. | An ai-based planning framework for HAPS in a time-varying environment | |
Thanellas et al. | A spatially wind aware quadcopter (UAV) path planning approach | |
Wang et al. | UAV online path planning based on improved genetic algorithm | |
Chaudhari et al. | Modified Aquila optimization based route planning model for unmanned aerial vehicles networks | |
Zhang et al. | Design of the fruit fly optimization algorithm based path planner for UAV in 3D environments | |
CN117367433A (zh) | 低空无人机路径规划方法、装置、无人机及可读存储介质 | |
Pan et al. | Safe and efficient UAV navigation near an airport | |
CN110160525B (zh) | 一种基于离散势能场的危险天气下大量航班改航路径并行化计算方法 | |
Xiaohui et al. | A collision avoidance method based on satisfying game theory | |
CN114138005A (zh) | 基于改进a*算法的城区批量物流无人机航迹规划方法及装置 | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming |
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 |