CN114138006A - 一种面向城市低空环境的无人机路径规划方法及设备 - Google Patents

一种面向城市低空环境的无人机路径规划方法及设备 Download PDF

Info

Publication number
CN114138006A
CN114138006A CN202111300720.6A CN202111300720A CN114138006A CN 114138006 A CN114138006 A CN 114138006A CN 202111300720 A CN202111300720 A CN 202111300720A CN 114138006 A CN114138006 A CN 114138006A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
base station
path
area
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.)
Pending
Application number
CN202111300720.6A
Other languages
English (en)
Inventor
吕震华
朱熙
赵彦杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Electronic and Information Technology of CETC
Original Assignee
China Academy of Electronic and Information Technology of CETC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Electronic and Information Technology of CETC filed Critical China Academy of Electronic and Information Technology of CETC
Priority to CN202111300720.6A priority Critical patent/CN114138006A/zh
Publication of CN114138006A publication Critical patent/CN114138006A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft

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)
  • Navigation (AREA)

Abstract

本发明公开了一种面向城市低空环境的无人机路径规划方法及设备,面向城市低空环境的无人机路径规划方法包括:获取任务区域内、无人机飞行高度处的基站未覆盖区域;基于基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,并结合Dijkstra算法和蚁群算法,进行无人机路径规划。采用本发明技术方案,先获取无人机基站信号不能覆盖的区域,再利用构建MAKLINK二维路径的规划空间模型,结合Dijkstra算法和蚁群算法快速构建无人机的飞行最短路径,使得无人机执行任务的成本降低,并且避免了无人机在复杂的城市低空环境中进入无基站信号区域所带来的安全问题。

Description

一种面向城市低空环境的无人机路径规划方法及设备
技术领域
本发明涉及无人机技术领域,尤其涉及一种面向城市低空环境的无人机路径规划方法及设备。
背景技术
随着无人机飞行控制技术的革新与发展,无人机在许多商业活动中表现出高质量、低成本的优势,比如货物投送、空中侦察与监测等。这些活动主要存在于城市环境当中,但由于城市当中高楼林立,无人机在执行上述任务时必须实现超视距工作,所以蜂窝联网无人机便成了一个很好的选择。通过将无人机接入互联网来控制其飞行,自然,这也就要求无人机在执行任务的过程中时刻保持着与地面基站之间的联系,即无人机接收到的地面某一基站发射出的信号的信噪比需要大于其分辨率,否则无人机就可能因为无法分辨指令信息而导致失控,进而给居民的生命财产安全带来威胁。同时,为了执行任务的成本最低,在已知任务的起点和终点后,我们需要为无人机规划出一条满足上述条件的最短路径,如此才能做到安全,高效的完成任务。
传统的路径规划算法包括全局规划和局部规划两类。全局规划算法如顶点图像法,栅格划分法,局部规划算法主要为人工势场法等。对于简单的场景,如将无人机和基站之间电磁波的传播方式统一简化为直射时,上述方法能得到一个很好的解。但实际情况远非如此,由于城市环境高楼林立,电磁波的传播存在阴影效应,因此直接简化为直射是不科学的,也是没有实际意义的,考虑了多种电磁波传播方式后,无人机的路径规划便也变得十分复杂,传统算法很难得到一个很好的结果。
发明内容
本发明提供一种面向城市低空环境的无人机路径规划方法及设备,用以至少解决城市低空环境中现有技术的传统算法无法为无人机规划最短路径的问题。
根据本发明第一方面实施例的面向城市低空环境的无人机路径规划方法,包括:
获取任务区域内、无人机飞行高度处的基站未覆盖区域;
基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,并结合Dijkstra算法和蚁群算法,进行无人机路径规划。
根据本发明的一些实施例,所述获取任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
根据所述任务区域内的障碍物位置,分析所述任务区域内的各个基站在所述任务区域内、无人机飞行高度处各位置点对应的电磁波传播方式;
基于所述各位置的电磁波传播方式,结合所述无人机能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域。
根据本发明的一些实施例,所述电磁波传播方式包括:直射和非直射;
当所述位置点与所述基站之间的连线穿设位于该位置点与该基站之间的障碍物时,则该位置点的传播方式为非直射,否则为直射。
根据本发明的一些实施例,所述基于所述各位置的电磁波传播方式,结合所述无人机能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
确定所述无人机能分辨出的最小信噪比
Figure BDA0003338252810000021
根据下列公式计算所述基站的覆盖范围:
(x-xk)2+(y-yk)2≤ds 2
Figure BDA0003338252810000022
其中,(xk,yk)表示所述基站在所述任务区域内、无人机飞行高度处的二维平面上的投影坐标,(x,y)表示所述位置点坐标,ds表示所述基站所能覆盖的位置点到该基站的最远距离,P表示基站的发射功率,σ2表示噪声功率,αs、βs均为与所述电磁波传播方式相关的常数,h、hg分别表示所述无人机和所述基站的高度。
根据本发明的一些实施例,所述基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,包括:
基于所述基站未覆盖区域,采用MAKLINK图论的方法,在所述任务区域内、无人机飞行高度处的二维平面上生成若干MAKLINK线;
在不穿过所述基站未覆盖区域的情况下,采用连接线依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,以形成所述无人机初始路径规划的无向网络图。
根据本发明的一些实施例,所述依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,包括:
将所述起点和,与所述起点相邻的所述中点连接起来;
将相邻所述MAKLINK线的中点连接起来;
将所述终点和,与所述终点相邻的所述中点连接起来。
根据本发明的一些实施例,所述结合Dijkstra算法和蚁群算法,进行无人机路径规划,包括:
利用Dijkstra算法,确定由若干所述连接线组成的从所述起点至所述终点的最短路径;
基于所述最短路径,采用蚁群算法,获取最优路径。
根据本发明的一些实施例,所述基于所述最短路径,采用蚁群算法,获取最优路径,包括:
用节点在所述最短路径中的每条连接线进行标注,以将所述最短路径中的每条连接线等距离划分成若干等份;
利用蚁群算法对所有节点进行训练,以获取若干目标节点,使得依次连接所述起点、相邻所述若干目标节点、以及所述终点的线段最短。
根据本发明第二方面实施例的面向城市低空环境的无人机路径规划方法设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现第一方面实施例中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
根据本发明第三方面实施例的计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如第一方面实施例中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
采用本发明技术方案,先获取无人机基站信号不能覆盖的区域,再利用构建MAKLINK二维路径的规划空间模型,结合Dijkstra算法和蚁群算法快速构建无人机的飞行最短路径,使得无人机执行任务的成本降低,并且避免了无人机在复杂的城市低空环境中进入无基站信号区域所带来的安全问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1是本发明第一方面实施例中无人机路径规划方法流程图;
图2是本发明第一方面实施例中城市低空环境示意图;
图3是本发明第一方面实施例中获取基站未覆盖区域的方法流程图;
图4是本发明第一方面实施例中获取的基站未覆盖区域示意图;
图5是本发明第一方面实施例中获取的基站未覆盖区域示意图;
图6是本发明第一方面实施例中任务区域的MAKLINK线示意图;
图7是本发明第一方面实施例中初始路径规划的无向网络图;
图8是本发明第一方面实施例中获取起点经过MAKLINK线中点至终点最短路径的方法流程图;
图9是本发明第一方面实施例中次优解的路线示意图;
图10是本发明第一方面实施例中对MAKLINK线等分的示意图;
图11是本发明第一方面实施例中蚂蚁算法计算最优路径的方法流程图;
图12是本发明第一方面实施例中最优路径的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参考图1,本发明第一方面实施例提出一种面向城市低空环境的无人机路径规划方法,包括:
S1:获取任务区域内、无人机飞行高度处的基站未覆盖区域。基站未覆盖区域为二维平面区域。
S2:基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,并结合Dijkstra算法和蚁群算法,进行无人机路径规划。
采用本发明技术方案,先获取无人机基站信号不能覆盖的区域,再利用构建MAKLINK二维路径的规划空间模型,结合Dijkstra算法和蚁群算法快速构建无人机的飞行最短路径,使得无人机执行任务的成本降低,并且避免了无人机在复杂的城市低空环境中进入无基站信号区域所带来的安全问题。
在上述实施例的基础上,进一步提出各变型实施例,在此需要说明的是,为了使描述简要,在各变型实施例中仅描述与上述实施例的不同之处。
根据本发明的一些实施例,所述获取任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
如图2所示,图中的大矩形表示任务区域,小矩形表示不同高度的建筑物,左上角与右下角的五角星分别表示无人机的起点与终点,四角星表示基站。根据所述任务区域内的障碍物(建筑物)位置,分析任务区域内的各个基站在所述任务区域内、无人机飞行高度处各位置点对应的电磁波传播方式。
基于所述各位置的电磁波传播方式,结合无人机在飞行高度处所能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域。
根据本发明的一些实施例,所述电磁波传播方式包括:直射和非直射;
例如,当所述位置点与所述基站之间的连线穿设位于该位置点与该基站之间的障碍物时,则该位置点的传播方式为非直射,否则为直射。
根据本发明的一些实施例,结合图3所示,所述基于所述各位置的电磁波传播方式,结合所述无人机能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
在图2中的任务区域,设无人机执行某一任务所用时间为T,则对于时刻t∈[0,T],使用v(t)=[x(t),y(t),h]T代表无人机的位置,h表示无人机飞行高度,该值为一常数,为避免碰撞,其大小取决于城市中最高建筑物的高度,同时假设无人机配有GPS定位装置,因此v(t)已知。
设无人机在0时刻的位置为vI,终点位置为vF,其按照匀速飞行。在无人机执行任务的整个过程中,其必须与地面分布的K个基站中的一个保持联系。第k个基站的位置为uk=[xk,yk,hg]T,k∈[1,K],hg表示基站高度并且所有基站高度相同。同时,设
Figure BDA0003338252810000061
代表基站在无人机所在高度的二维水平面里的投影位置。
考虑下行链路,设基站发射的信号功率为P,则无人机在位置v(t)时接收到的从第k个基站发射出的信号信噪比为:
Figure BDA0003338252810000071
公式(1)中:γk,s(t)表示第k个基站到无人机的信道的信道增益;
s∈{LoS,NLoS}表示直射和非直射两种电磁波传播方式;
σ2表示接收端噪声功率。
第k个基站到无人机的信道的信道增益计算方式为:
Figure BDA0003338252810000072
公式(2)中:dk(t)=||v(t)-uk||表示无人机到第k个基站的距离。
定义基站的覆盖范围为和无人机具有相同高度的一系列的点,同时所有的点处所接收到的基站发送信号的信噪比都不小于
Figure BDA0003338252810000073
,所以可得第k个基站(k∈[1,K])的覆盖范围为:
Figure BDA0003338252810000074
为求基站覆盖范围的边界,令
Figure BDA0003338252810000075
联立式(1)(2)(6)得:
Figure BDA0003338252810000076
所以在无人机所在高度的二维平面内,基站所能覆盖的点到基站的最远距离的平方为:
Figure BDA0003338252810000077
公式(8)中:
Figure BDA0003338252810000078
表示无人机能分辨出的最小信噪比;
P表示基站发射功率;
σ2表示接收端噪声功率;
αss表示两个常数,与电磁波传播方式有关;
h,hg分别表示无人机和基站高度。
则被基站覆盖的点(x,y,h)可以表示为
(x-xk)2+(y-yk)2≤ds 2 (9);
公式(9)中:(xk,yk)表示基站在无人机所在高度的二维水平面上的投影坐标。
结合上述公式,得出如图4阴影部分所示的基站在无人机飞行高度未覆盖的区域。
根据本发明的一些实施例,确定基站覆盖范围后,将无人机的轨迹离散化,设
Figure BDA0003338252810000081
表示无人机轨迹上的一系列点,相邻两个点之间无人机所走路径为直线,则可以将原优化问题转化如下:
Figure BDA0003338252810000082
Figure BDA0003338252810000083
公式(11)中,L(vn,vn+1)表示vn,vn+1两点之间的连线。
根据本发明的一些实施例,所述基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,包括:
基于如图5中所示的基站未覆盖区域(多边形区域内为基站未覆盖区域),采用MAKLINK图论的方法,在所述任务区域内、无人机飞行高度处的二维平面上连接生成如图6所示的若干MAKLINK线,MAKLINK线的定义为:两个未覆盖区域之间不与未覆盖区域相交的顶点之间的连线以及未覆盖区域顶点与边界相交的连线,由于未覆盖区域存在一凹多边形,首先将其分割为两个有一公共边的凸多边形,即看作两个未覆盖区域。
在不穿过所述基站未覆盖区域的情况下,采用连接线依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,以形成如图7所示的无人机初始路径规划的无向网络图。
根据本发明的一些实施例,所述依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,包括:
将所述起点和,与所述起点相邻的所述中点连接起来;
将相邻所述MAKLINK线的中点连接起来;
将所述终点和,与所述终点相邻的所述中点连接起来。
根据本发明的一些实施例,所述结合Dijkstra算法和蚁群算法,进行无人机路径规划,包括:
利用Dijkstra算法,确定由若干所述连接线组成的从所述起点至所述终点的最短路径;
例如,把带权图中所有节点分为两组,第一组是已确定最短路径的节点,第二组是未确定最短路径的节点。按照最短路径递增的顺序逐个把第二组的节点加入到第一组中,直到从起点出发可到达的所有节点都包含在第一组中。如图8所示,求得的是起点到各连接线中点以及终点的最短路径,一种可能情况下的起点到终点的最短路径示意图如图9所示,此时的起点到终点的最短路径是一个次优解,因为真实的无人机路径可以经过MAKLINK线的任意位置,上述次优解只是确定了无人机最优路径所经过的MAKLINK线,所以接下来基于所述最短路径,采用蚁群算法,获取最优路径。
根据本发明的一些实施例,所述基于所述最短路径,采用蚁群算法,获取最优路径,包括:
如图10所示,用节点在所述最短路径中的每条MAKLINK线进行标注,以将所述最短路径中的每条MAKLINK线等距离划分成若干等份。
如图11所示,利用蚁群算法对所有节点进行训练,以获取若干目标节点,使得依次连接所述起点、相邻所述若干目标节点、以及所述终点的线段最短。
例如,利用dijkstra算法在MAKLINK图上产生依次通过节点S,P1,P2,…Pd,T的次最优路径。设节点对应的连接线分别为Li(i=1,2,…,d),采用蚁群算法需要离散化工作空间,考虑到每条连接线的长度不同,采用固定距离法对连接线进行划分,设定划分长度为δ,则每条连接线的划分数目为:
Figure BDA0003338252810000091
公式(12)中
Figure BDA0003338252810000092
表示向上取整,li表示连接线Li的长度。
将各连接线划分为πi等份后,从连接线Li-1到连接线Li有(πi+1)条路径。设
Figure BDA0003338252810000101
分别表示连接线Li的两个端点,
Figure BDA0003338252810000102
分别表示其坐标。那么将Li分为πi份后,其第ni(i=1,2,…,d)个πi等分点的坐标为:
Figure BDA0003338252810000103
Figure BDA0003338252810000104
基于以上分析,对利用Dijkstra算法寻找出的连接线进行划分后的示意图如图10所示:
由此可以得出,给定一组ni值,便可得知无人机路径通过各个连接线的哪一点,也就可以得到一条从起点到终点的路径,所以,蚁群算法搜索得到的最优解可以表示为(n1,n2,…,nd),下面将介绍使用蚁群算法求解最优路径的具体过程。
参考图11,设有m只蚂蚁从起点S出发到达终点T,在移动过程中,当蚂蚁在连接线Li上时,其选择下一条连接线Li+1上节点j的方法为:
Figure BDA0003338252810000105
公式(15)中:I表示连接线Li+1上所有点的集合;
τik表示路径ik上的信息素强度;
ηik=1/dik表示路径ik上的能见度,dik表示路径ik的长度;
q为[0,1]之间的随机数;
q0为[0,1]之间的可调参数;
α,β为两个参数,反映了蚂蚁在活动过程中信息素轨迹和能见度在蚂蚁选择路径中的相对重要性;
J表示在上一条连接线的节点i时选择下一条连接线的节点j的概率,在标准蚁群算法中,其计算公式如下:
Figure BDA0003338252810000111
当蚂蚁选择一条路径ij后,它会对该路径上的信息素进行更新,更新公式如下:
τij=(1-ρ)τij+Δτij (17);
Figure BDA0003338252810000112
公式(18)中:
Figure BDA0003338252810000113
表示第k只蚂蚁在本次循环中留在路径ij上的信息素量,其值视蚂蚁的优劣程度而定,路径越短,释放的信息素就越多;
Δτij表示本次循环中路径ij的信息素量的增量;
ρ为信息素轨迹的衰减系数,通常设置ρ<1来避免路径上信息素的无限累积。
为了利用整体信息来更新信息素,采用蚁周系统计算
Figure BDA0003338252810000114
Figure BDA0003338252810000115
公式(19)中:Lk为第k只蚂蚁在本次循环中所走的路径长度,Q为设定的常数。
记录下本次迭代中所有蚂蚁所走过的最短路径,更新全局最优路径,记录迭代次数加1,当迭代次数小于等于预设的最大迭代次数时,继续使蚂蚁算法重复计算从起点选择各节点到达终点的最短路径。若迭代次数大于预设的最大迭代次数时,输出此时的全局最优路径。根据蚂蚁算法计算获得的最优路径如图12所示。
下面以一个具体的实施例详细描述适于在两种工作模式下运行的数据库。值得理解的是,下述描述仅是示例性说明,而不是对本发明的具体限制。凡是采用本发明的相似结构及其相似变化,均应列入本发明的保护范围。
针对如图2所示的一个m×nkm2的任务区域,无人机起点为该区域的左上角顶点,终点为右下角的另一个顶点。该区域内分布着发射功率一定、高度一定的若干基站(四角星)和高度在一定范围内的建筑物(小矩形),现为无人机规划出一条在任务区域内从起点至终点额最短路径来完成任务,同时保证无人机时刻与地面某一基站保持联系。
在上述任务区域,无人机执行某一任务所用时间为T,则对于时刻t∈[0,T],使用v(t)=[x(t),y(t),h]T代表无人机的位置,h表示无人机飞行高度,该值为一常数,为避免碰撞,其大小取决于城市中最高建筑物的高度,同时假设无人机配有GPS定位装置,因此v(t)已知。
设无人机在0时刻的位置为vI,终点位置为vF,其按照匀速飞行。在无人机执行任务的整个过程中,其必须与地面随机分布的K个基站中的一个保持联系。第k个基站的位置为uk=[xk,yk,hg]T,k∈[1,K],hg表示基站高度并且所有基站高度相同。同时,设
Figure BDA0003338252810000121
代表基站在无人机所在高度的二维水平面里的投影位置。
考虑下行链路,设基站发射的信号功率为P,则无人机在位置v(t)时接收到的从第k个基站发射出的信号信噪比为:
Figure BDA0003338252810000122
公式(21)中:γk,s(t)表示第k个基站到无人机的信道的信道增益;
s∈{LoS,NLoS}表示直射和非直射两种电磁波传播方式;
σ2表示接收端噪声功率。
第k个基站到无人机的信道的信道增益计算方式为:
Figure BDA0003338252810000123
公式(22)中:dk(t)=||v(t)-uk||表示无人机到第k个基站的距离;
αss表示两个常数,与电磁波传播方式有关。
对于电磁波传播方式,用以下方法进行判定:给定无人机位置,当无人机和基站之间的连线高于二者之间任何建筑物的高度时视为直射,否则为非直射。
我们的目的是为了找到无人机从出发点vI到终点vF的最短路径,由于无人机速度恒定,因此可以转化为无人机执行任务的时间最短,同时在整条路径中都需要满足无人机SNR不小于最小
Figure BDA0003338252810000131
,所以建立单目标优化模型如下:
Figure BDA0003338252810000132
Figure BDA0003338252810000133
由于该优化问题很难直接求解,同时我们注意到满足优化模型中的约束条件即说明无人机的飞行路径在基站的覆盖范围之内,所以该问题可转化为在基站的覆盖范围内找出一条从起点到终点的最短路径,因此我们做如下定义:
定义基站的覆盖范围为和无人机具有相同高度的一系列的点,同时所有的点处所接收到的基站发送信号的信噪比都不小于
Figure BDA0003338252810000134
所以可得第k个基站(k∈[1,K])的覆盖范围为:
Figure BDA0003338252810000135
为求基站覆盖范围的边界,令
Figure BDA0003338252810000136
联立式(21)(22)(26)得:
Figure BDA0003338252810000137
所以在无人机所在高度的二维平面内,基站所能覆盖的点到基站的最远距离的平方为:
Figure BDA0003338252810000138
公式(28)中:
Figure BDA0003338252810000139
表示无人机能分辨出的最小信噪比;
P表示基站发射功率;
σ2表示接收端噪声功率;
αss表示两个常数,与电磁波传播方式有关;
h,hg分别表示无人机和基站高度。
则被基站覆盖的点(x,y,h)可以表示为
(x-xk)2+(y-yk)2≤ds 2 (29);
公式(29)中:(xk,yk)表示基站在无人机所在高度的二维水平面上的投影坐标。
根据以上计算,得到任务区域的基站未覆盖区域示意图如图4所示,阴影部分为基站未覆盖区域。
确定基站覆盖范围后,将无人机的轨迹离散化,设
Figure BDA0003338252810000141
表示无人机轨迹上的一系列点,相邻两个点之间无人机所走路径为直线,则可以将原优化问题转化如下:
Figure BDA0003338252810000142
Figure BDA0003338252810000143
公式(31)中,L(vn,vn+1)表示vn,vn+1两点之间的连线。
根据以上模型,我们可以将问题作如下转化:
如图5所示:我们将任务区域划分为基站覆盖区域和未覆盖区域(多边形内部区域),已知无人机起点和终点,在该任务区域内找到一条最短路径,该路径不可通过基站未覆盖区域。
首先,建立MAKLINK二维路径的规划空间模型
为了构造二维路径规划的解空间,我们首先采用MAKLINK图论的方法生成MAKLINK线,从而构造解空间。MAKLINK线的定义为:两个未覆盖区域之间不与未覆盖区域相交的顶点之间的连线以及未覆盖区域顶点与边界相交的连线,由于未覆盖区域存在一凹多边形,首先将其分割为两个有一公共边的凸多边形,即看作两个未覆盖区域。基于该定义作出任务区域内的MAKLINK线如图6所示。
在MAKLINK图上存在L条自由连接线,连接线的中点依次为v1,v2,…,vL,连接相邻MAKLINK线的中点加上起点S和终点T构成用于初始路径规划的无向网络图如图7所示。
连线完成后得到中点连接矩阵,维度为(L+2)×(L+2),表示任意两个中点以及起点和终点是否相连,相连为1,否则为0,如此便得到了二维路径规划的解空间。
然后,利用Dijkstra算法确定路径经过的MAKLINK线。
实际情况下,最优路径可能通过任意一条连接线,并且可能通过连接线的任意位置,但直接对上述所有连接线离散化求解复杂度较高,所以我们考虑首先采用Dijkstra算法确定路径经过的MAKLINK线,之后将得到的连接线细分,采用蚁群算法求得最优解。
如图8所示,将图7中所有MAKLINK线的中点分为两组,第一组是已确定最短路径的中点,第二组是未确定最短路径的中点。按照最短路径递增的顺序逐个把第二组的中点加入到第一组中,直到从起点点出发可到达的所有中点都包含在第一组中。
上述算法求得的是起点到各连接线中点以及终点的最短路径,一种可能情况下的起点到终点的最短路径示意图如图9所示,此时的起点到终点的最短路径是一个次优解,因为真实的无人机路径可以经过连接线的任意位置,上述次优解只是确定了无人机最优路径所经过的连接线,所以接下来我们需要利用蚁群算法在该次优解的基础上求出最优解。
最后,利用蚁群算法确定最短路径。
利用dijkstra算法在MAKLINK图上产生依次通过节点S,P1,P2,…Pd,T的次最优路径。设节点对应的连接线分别为Li(i=1,2,…,d),采用蚁群算法需要离散化工作空间,考虑到每条连接线的长度不同,采用固定距离法对连接线进行划分,设定划分长度为δ,则每条连接线的划分数目为:
Figure BDA0003338252810000151
公式(32)中
Figure BDA0003338252810000152
表示向上取整,li表示连接线Li的长度。
将各连接线划分为πi等份后,从连接线Li-1到连接线Li有(πi+1)条路径。设
Figure BDA0003338252810000161
分别表示连接线Li的两个端点,
Figure BDA0003338252810000162
分别表示其坐标。那么将Li分为πi份后,其第ni(i=1,2,…,d)个πi等分点的坐标为:
Figure BDA0003338252810000163
Figure BDA0003338252810000164
基于以上分析,对利用Dijkstra算法寻找出的连接线进行划分后的示意图如图10所示:
由此可以得到,给定一组ni值,可知无人机路径通过各个连接线的哪一点,也就可以得到一条从起点到终点的路径,所以,蚁群算法搜索得到的最优解可以表示为(n1,n2,…,nd),下面将介绍使用蚁群算法求解最优路径的具体过程。
设有m只蚂蚁从起点S出发到达终点T,在移动过程中,当蚂蚁在连接线Li上时,其选择下一条连接线Li+1上节点j的方法为:
Figure BDA0003338252810000165
公式(35)中:I表示连接线Li+1上所有点的集合;
τik表示路径ik上的信息素强度;
ηik=1/dik表示路径ik上的能见度,dik表示路径ik的长度;
q为[0,1]之间的随机数;
q0为[0,1]之间的可调参数;
α,β为两个参数,反映了蚂蚁在活动过程中信息素轨迹和能见度在蚂蚁选择路径中的相对重要性;
J表示在上一条连接线的节点i时选择下一条连接线的节点j的概率,在标准蚁群算法中,其计算公式如下:
Figure BDA0003338252810000166
引入平滑度函数,对多次转角的位置平滑处理,缩短无人机路径长度,减少无人机路径规划过程中产生的转折次数。改进后的路径选择概率公式如下:
Figure BDA0003338252810000171
Figure BDA0003338252810000172
γij为无人机从位置i到位置j的转折启发函数;σ为转折启发因子,取值为正整数;θ为当前位置i到位置j的连线与起点到终点的连线之间的夹角,夹角越小,则线路的节点被选择的概率就越大,规划出来的路径越逼近于最优路径。
当蚂蚁选择一条路径ij后,它会对该路径上的信息素进行更新,更新公式如下:
τij=(1-ρ)τij+Δτij (39);
Figure BDA0003338252810000173
公式(40)中:
Figure BDA0003338252810000174
表示第k只蚂蚁在本次循环中留在路径ij上的信息素量,其值视蚂蚁的优劣程度而定,路径越短,释放的信息素就越多;
Δτij表示本次循环中路径ij的信息素量的增量;
ρ为信息素轨迹的衰减系数,通常设置ρ<1来避免路径上信息素的无限累积。
为了利用整体信息来更新信息素,采用蚁周系统计算
Figure BDA0003338252810000175
,即
Figure BDA0003338252810000176
公式(41)中:Lk为第k只蚂蚁在本次循环中所走的路径长度,Q为设定的常数。
记录下本次迭代中所有蚂蚁所走过的最短路径,更新全局最优路径,记录迭代次数加1,当迭代次数小于等于预设的最大迭代次数时,继续使蚂蚁算法重复计算从起点选择各节点到达终点的最短路径。若迭代次数大于预设的最大迭代次数时,输出此时的全局最优路径为最短路径,如图12所示(虚线为Dijkstra算法寻找出的次优解,实线为改进蚁群算法在此基础上寻找出的最优解)。
采用本发明技术方案,先获取无人机基站信号不能覆盖的区域,再利用构建MAKLINK二维路径的规划空间模型,结合Dijkstra算法和蚁群算法快速构建无人机的飞行最短路径,使得无人机执行任务的成本降低,并且避免了无人机在复杂的城市低空环境中进入无基站信号区域所带来的安全问题。
需要说明的是,以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化,可以将各个实施例进行不同的自由组合。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明第二方面实施例提出的一种面向城市低空环境的无人机路径规划方法设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面实施例中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
本发明第二方面实施例提出的一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如第一方面实施例中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
需要说明的是,本实施例所述计算机可读存储介质包括但不限于为:ROM、RAM、磁盘或光盘等。所述处理器可以是手机,计算机,服务器或者网络设备等。
需要说明的是,在本说明书的描述中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。

Claims (10)

1.一种面向城市低空环境的无人机路径规划方法,其特征在于,包括:
获取任务区域内、无人机飞行高度处的基站未覆盖区域;
基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,并结合Dijkstra算法和蚁群算法,进行无人机路径规划。
2.如权利要求1所述的方法,其特征在于,所述获取任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
根据所述任务区域内的障碍物位置,分析所述任务区域内的各个基站在所述任务区域内、无人机飞行高度处各位置点对应的电磁波传播方式;
基于所述各位置的电磁波传播方式,结合所述无人机能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域。
3.如权利要求2所述的方法,其特征在于,所述电磁波传播方式包括:直射和非直射;
当所述位置点与所述基站之间的连线穿设位于该位置点与该基站之间的障碍物时,则该位置点的传播方式为非直射,否则为直射。
4.如权利要求3所述的方法,其特征在于,所述基于所述各位置的电磁波传播方式,结合所述无人机能分辨出的最小信噪比,确定所述任务区域内、无人机飞行高度处的基站未覆盖区域,包括:
确定所述无人机能分辨出的最小信噪比
Figure FDA0003338252800000011
根据下列公式计算所述基站的覆盖范围:
(x-xk)2+(y-yk)2≤ds 2
Figure FDA0003338252800000012
其中,(xk,yk)表示所述基站在所述任务区域内、无人机飞行高度处的二维平面上的投影坐标,(x,y)表示所述位置点坐标,ds表示所述基站所能覆盖的位置点到该基站的最远距离,P表示基站的发射功率,σ2表示噪声功率,αs、βs均为与所述电磁波传播方式相关的常数,h、hg分别表示所述无人机和所述基站的高度。
5.如权利要求1所述的方法,其特征在于,所述基于所述基站未覆盖区域,构建MAKLINK二维路径的规划空间模型,包括:
基于所述基站未覆盖区域,采用MAKLINK图论的方法,在所述任务区域内、无人机飞行高度处的二维平面上生成若干MAKLINK线;
在不穿过所述基站未覆盖区域的情况下,采用连接线依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,以形成所述无人机初始路径规划的无向网络图。
6.如权利要求5所述的方法,其特征在于,所述依次连接所述无人机的起点、相邻所述MAKLINK线的中点、以及所述无人机的终点,包括:
将所述起点和,与所述起点相邻的所述中点连接起来;
将相邻所述MAKLINK线的中点连接起来;
将所述终点和,与所述终点相邻的所述中点连接起来。
7.如权利要求5所述的方法,其特征在于,所述结合Dijkstra算法和蚁群算法,进行无人机路径规划,包括:
利用Dijkstra算法,确定由若干所述连接线组成的从所述起点至所述终点的最短路径;
基于所述最短路径,采用蚁群算法,获取最优路径。
8.如权利要求7所述的方法,其特征在于,所述基于所述最短路径,采用蚁群算法,获取最优路径,包括:
用节点在所述最短路径中的每条连接线进行标注,以将所述最短路径中的每条连接线等距离划分成若干等份;
利用蚁群算法对所有节点进行训练,以获取若干目标节点,使得依次连接所述起点、相邻所述若干目标节点、以及所述终点的线段最短。
9.一种面向城市低空环境的无人机路径规划方法设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,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8中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至8中任一项所述的面向城市低空环境的无人机路径规划方法的步骤。
CN202111300720.6A 2021-11-04 2021-11-04 一种面向城市低空环境的无人机路径规划方法及设备 Pending CN114138006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111300720.6A CN114138006A (zh) 2021-11-04 2021-11-04 一种面向城市低空环境的无人机路径规划方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111300720.6A CN114138006A (zh) 2021-11-04 2021-11-04 一种面向城市低空环境的无人机路径规划方法及设备

Publications (1)

Publication Number Publication Date
CN114138006A true CN114138006A (zh) 2022-03-04

Family

ID=80392683

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111300720.6A Pending CN114138006A (zh) 2021-11-04 2021-11-04 一种面向城市低空环境的无人机路径规划方法及设备

Country Status (1)

Country Link
CN (1) CN114138006A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020103034A1 (zh) * 2018-11-21 2020-05-28 深圳市道通智能航空技术有限公司 一种无人机路径规划方法、装置及无人机
CN113188547A (zh) * 2021-05-06 2021-07-30 国能朔黄铁路发展有限责任公司 无人机路径规划方法、装置、控制器及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020103034A1 (zh) * 2018-11-21 2020-05-28 深圳市道通智能航空技术有限公司 一种无人机路径规划方法、装置及无人机
CN113188547A (zh) * 2021-05-06 2021-07-30 国能朔黄铁路发展有限责任公司 无人机路径规划方法、装置、控制器及存储介质

Similar Documents

Publication Publication Date Title
Aggarwal et al. Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges
Arafat et al. A survey on cluster-based routing protocols for unmanned aerial vehicle networks
CN113188547A (zh) 无人机路径规划方法、装置、控制器及存储介质
CN107864007B (zh) 面向区域目标的多星多地面站资源协同分配管理方法
KR102099136B1 (ko) 유무인비행체를 위한 3d 공중도로 네트워크 생성 장치 및 방법
US8275499B2 (en) Device for calculating a flight plan of an aircraft
CN109358638A (zh) 基于分布式地图的无人机视觉避障方法
KR102099137B1 (ko) 유무인비행체를 위한 3d 공중도로 안내 서비스 제공 장치 및 방법
Kaur et al. Flying ad-hoc network (FANET): challenges and routing protocols
CN108897312A (zh) 多无人飞行器对大规模环境的持续监控路径规划方法
CN109923589A (zh) 构建和更新高程地图
CN107249167A (zh) 室内综合定位平台及定位方法
CN113543066B (zh) 感通导指一体化交互与多目标应急组网方法及系统
KR102399293B1 (ko) 공간정보 기반 드론 안전비행 맵 구축 방법
CN108645769A (zh) 一种基于无人机的环境空气质量监测方法
KR20220008399A (ko) 지능형 로봇 디바이스
Purohit et al. Sugarmap: Location-less coverage for micro-aerial sensing swarms
CN113536564B (zh) 基于虚拟仿真的无人蜂群自主协同评估方法及系统
Alymani et al. Dispersal Foraging Strategy With Cuckoo Search Optimization Based Path Planning in Unmanned Aerial Vehicle Networks
CN114138006A (zh) 一种面向城市低空环境的无人机路径规划方法及设备
Frew et al. A dispersed autonomy architecture for information-gathering drone swarms
Bakirci et al. Surveillance, reconnaissance and detection services for disaster operations of IoT-based eVTOL UAVs with swarm intelligence
CN112783192A (zh) 无人机路径规划方法、装置、设备和存储介质
Sorbelli et al. A novel multi-layer framework for bvlos drone operation: A preliminary study
Khan et al. Aerial camera network for observing moving targets

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220304