CN114199255B - 一种用于城区物流无人机终端配送航路网络的规划方法 - Google Patents

Abstract

本发明公开了一种用于城区物流无人机终端配送航路网络的规划方法，包括以下步骤：基于栅格法对规划区域进行三维建模，通过在规划区域划设无人机禁止飞入的保护区，并引入栅格危险度，构建风险描述模型，用于定量描述无人机在规划区域的栅格中的运行风险；通过采集规划区域的配送需求点信息、物流网点信息、保护区位置信息以及物流无人机性能参数，构建基础信息数据集；基于风险描述模型和基础信息数据集，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法获取最优航路集，并采用最优树扩张算法获取最优航路集的部分航路作为干线和支线，构建物流无人机航路网络；本发明加快了航路搜索效率，提高了航路性能。

Description

一种用于城区物流无人机终端配送航路网络的规划方法

技术领域

本发明涉及无人机航路网络规划技术领域，是一种面向低空无人机物流运输的航路网络容量评估方法。

背景技术

物流无人航路网络是在城市低空环境下针对物流任务特点，面向物流无人机构建的航路网络。航路网络规划由航路规划和网络构建两部分组成。航路规划一般可转化为离散状态空间的路径搜索问题。先将空间进行栅格化，并根据实际情况将栅格分为可行栅格和禁行栅格，以此构建空域环境，然后采用航路搜索算法进行求解。近些年来航路搜索主要采用启发式算法，例如A*算法、人工势场法、粒子群算法以及传统的仿生算法如蚁群算法、遗传算法等。这类算法能够在一定空间范围内实现航路有效搜索，但在复杂地理环境下可能会陷入局部最优解。航路网络规划是在已知目标点间最优航路的前提下，选取部分航路有效连接所有目标点从而构建航路网络，此问题的本质是NP难问题。

物流任务条件下的城市低空航路网络有以下特点：首先，相对于高空空域环境，城市内障碍物密集、人口稠密、低空环境复杂，对无人机避障要求较高。其次，相比于传统运输飞行，面向物流任务的航路网络节点众多、分布密集，在有限空域内需尽可能满足配送需求。最后，物流无人机续航里程短、载重能力有限，航路网络应满足无人机的性能要求。因此基于复杂低空环境限制和无人机性能约束，急需提出一种城区物流无人机终端配送航路网络规划方法。

发明内容

本发明的目的是提出了一种城区物流无人机终端配送航路网络规划方法，根据需求设立配送需求点和配送网点，综合考虑复杂低空环境限制和无人机性能约束，构建目标点间的最优航路集，从中选取部分最优航路，进而规划无人机航路网络。

为了实现上述目的，本发明提供一种用于城区物流无人机终端配送航路网络的规划方法，包括以下步骤：

基于栅格法对规划区域进行三维建模，通过在规划区域划设无人机禁止飞入的保护区，并引入栅格危险度，构建风险描述模型，用于定量描述无人机在规划区域的栅格中的运行风险；

通过采集规划区域的配送需求点信息、物流网点信息、保护区位置信息以及物流无人机性能参数，构建基础信息数据集；

基于风险描述模型和基础信息数据集，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法获取最优航路集，并采用最优树扩张算法获取最优航路集的部分航路作为干线和支线，构建物流无人机航路网络。

优选地，在基于栅格法对规划区域进行三维建模的过程中，设置城市低空物流无人机终端配送的区域范围，并进行三维立体栅格化建模，其中，每个栅格作为一个元胞，用坐标(x,y,z)表示，区域范围的中心视为备选航路点。

优选地，在规划区域划设无人机禁止飞入的保护区的过程中，保护区的范围为特殊区域形成的最小凸多边形向外扩展w/2所形成的区域，w为无人机轴距；

基于坐标(x,y,z)和保护区的范围，构建用于识别保护区的判断函数P，其中，判断函数为：

优选地，在构建风险描述模型的过程中，通过栅格危险度指标r定量化评估无人机的运行风险，其中，栅格危险度指标r的表达式为：

其中，u为元胞邻居的个数。

优选地，在构建基础信息数据集的过程中，根据所选区域内居民楼、办公楼、配送网点、保护区的人口密度及分布特征，选取若干配送需求点和配送网点，作为物流无人机终端配送航路网络规划的目标点；

物流无人机性能参数包括物流无人机最大转弯角、最大爬升角、最大下降角、飞行高度范围、最小转弯缓冲距离、最小安全距离性能参数。

优选地，在获取最优航路集作为干线的过程中，根据复杂低空环境限制和无人机性能约束，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法搜索所有目标点间的最优航路集；其中，

复杂低空环境限制和无人机性能约束的约束条件包括如下条件：

条件一：保证物流无人机在航路上完成转弯和俯仰操作，相邻点航路点(x_i-1,y_i-1,z_i-1),(x_i,y_i,z_i),(x_i+1,y_i+1,z_i+1)间的转弯角不能超过物流无人机的最大转弯角/>满足：

条件二：爬升角c_i不能超过物流无人机的最大爬升角c_max，满足：

条件三：下降角d_i不能超过物流无人机的最大下降角d_max，满足：

条件四：基于无人机升限限制和城市低空空域管理政策，物流无人机的飞行高度z_i应低于允许高度最大值H_max，高于允许高度最小值H_min，满足：

H_min≤z_i≤H_max；

条件五：物流无人机在转弯前包括缓冲距离，用于确保安全过弯，假设航路上相邻的两个转弯点坐标为(x_i,y_i,z_i),(x_j,y_j,z_j)，默认在转弯点之间沿直线飞行，相邻转弯点间的距离大于最小转弯缓冲距离dis_min，满足：

条件六：物流无人机的物流配送总距离l_i小于其最大航程L_max，满足：

l_i≤l_max；

条件七：基于对于航路上任意点(x,y,z)，以及任意点(x,y,z)的周围存在u个相邻的保护区，设保护区坐标为(x_i,y_i,z_i)，则任意点(x,y,z)与保护区之间的最小距离e满足：

其中，l_g,w_g,p_g分别为三维元栅格的长度、宽度和高度；σ表示考虑航路宽度时的修正值。

优选地，在获取最优航路集的过程中，最优航路集的最优航路的航路成本Q最小，其中，航路成本Q由航路长度D和航路危险度R组成，设航路上有n个航路点(x₁,y₁,z₁),(x₂,y₂,z₂),…,(x_n,y_n,z_n)，则：

航路成本Q的最小化函数为：

minQ＝α₁·D+α₂·(βR),α₁+α₂＝1

其中，α₁,α₂为分别为航段总长度和航路安全程度的权重系数；β为缩放系数。

优选地，在获取最优航路集时，寻找到终点与起点之间的最佳路径，通过增添代价函数P_now作为选择元胞的依据，代价函数的表达式为：

P_now＝d_start,now+d_now,end+βr_now

其中，d_start,now为从起点元胞到当前元胞的欧氏距离；d_now,end为从当前元胞到终点元胞的欧氏距离；r_now为当前点的危险度，β为缩放系数。

优选地，在采用基于代价函数的改进元胞自动机算法的过程中，采用Moore型邻居结构，则u＝26，设定起点元胞状态值为2，终点元胞状态值为3，保护区元胞状态值为-1，可通行的元胞状态值为0，任意选取两个节点，以其中一个节点作为起点元胞；

改进元胞自动机算法包括以下步骤：

S1.采集当前可行元胞邻居中状态值为0的元胞，判断元胞与其最近保护区的距离是否满足最小距离e的约束，若满足，则执行下一步骤，若不满足，则将不满足距离约束的元胞值变为不可行元胞；

S2.获取最小距离e约束的元胞的状态值，状态值为其邻居中大于等于起点元胞状态值中的最小值加1，其中，元胞不包括终点元胞；若最小值不存在，则当前元胞状态值不变；

S3.判断终点元胞的邻居中可行元胞的状态值是否全部发生变化，若全部变化，则进入下一步，否则返回S1；

S4.将除起点、终点、保护区、不可行元胞外的第一元胞的元胞数值减去2，获取任意一可行元胞从起点出发到达第一元胞的最短步数step_min；

S5.筛选满足步长的元胞，从终点出发，向起点搜索路径，其中，从终点出发的元胞状态值为step_min，step_min-1，…，3,2,1；

S6.通过去除不满足航路转弯角约束的元胞，得到可行元胞集，计算可行集中所有元胞的代价函数P_now，选取代价函数值最小的元胞作为下一步元胞；

S7.判断航路是否到达起点，若到达起点则输出最佳路径，执行下一步骤；否则返回S5；

S8.计算该路径长度l_ij，若l_ij满足最大航程约束，则将该路径加入可行航路集中，算法结束；否则认为所选两点间不适合直接连接，算法结束。

优选地，在构建物流无人机航路网络的过程中，依据区域内物流需求和物流网点运行特点，采用最优树扩张算法从最优航路集中选取部分航路，构建物流无人机航路网络，包括以下步骤：

S101.基于规划区域，获取规划区域内的服务商w的信息；服务商w旗下的网点总数为e_w，w＝1,2,3…,k；为服务商w旗下的第j号网点；s_i为需求点，i＝1,2,3…,m，j∈[1,e_w]；根据服务商w的信息，获取航路网络规划时的各节点间约束条件，包括：

(1)在避免出现孤立需求点的前提下，满足任意需求点s_i被任意服务商提供配送服务，需满足：

其中，B表示节点间连通矩阵对应的数值；

(2)在避免出现孤立现象的前提下，满足任意配送网点至少和一个需求点相连，需满足：

其中，A表示节点间邻接矩阵对应的数值；

(3)根据物流经营要求，满足不同服务商的配送网点之间没有直接连通航路，需满足：

S102.通过定义需求点重要度和配送网点重要度/>获取反映需求点、网点在航路网络中所处地位，其中，

式中，分别为需求点人口数，快递数量和人均收入；/>分别为网点员工数，场地面积和每日快递量；/>为分别为对应指标平均值；α_i,α'_i为权重系数；

S103.通过定义航路引力F，判断航路的重要程度，用于获取满足各节点间约束条件的航路：

基于航路引力和航路距离，定义航段权值q为：

则航路网络成本为：

其中，α'₁,α'₂为分别为航路引力和航路距离度的权重系数；β'为缩放系数；

S104.通过最优树扩张算法从航路集中选取部分航路，构建物流无人机航路网络，具体步骤如下：

S1001.通过设置全局的航路点为a_i,i＝1,2,3,…,N，构建N×N的航路权值矩阵W：

S1002.选取航路权值矩阵W的任意一行i，记录在树干列表branch中，用于表示从i节点开始生长成树，同时划去任意一行i所在列，用于避免成圈；

S1003.选择树干列表branch的最小的元素w_ij，将元素w_ij放入航路列表route中以及将第j行放入branch列表中，并去除第j列；

S1004.判断所有列是否都已加入branch列表，若全部加入，则算法终止，用于表示初始干线航路网络规划完毕，进入调整和扩张阶段；否则返回S1003；

S1005.检查所有需求点与各个供给点之间是否满足各节点间约束条件，若满足则进入下一步；否则将不满足约束的需求点与邻近的满足各节点间约束条件的节点相连后，将其放入route列表中，进入下一步；

S1006.基于需求点的重要程度，将重要程度高的需求点与网点相连所得航路，作为支线航路加入route列表中，用于获取树状网络的网状结构作为支线；

S1007.删除route列表中的重复航路，得到物流无人机航路网络的航路网络结构。

与现有技术相比，本发明的优势如下：本发明一种城区物流无人机终端配送航路网络规划方法，充分考虑复杂低空环境限制和无人机性能约束，通过改进元胞自动机和最优树扩张算法，加快了航路搜索效率，提高了航路性能。在保障运行安全和运行效率的前提下，生成了统一布局、协同管理的“干线+支线”的终端配送航路网络。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明整体实现流程图；

图2为本发明三维地理环境示意图；

图3为本发明全局航路集示意图；

图4为本发明航路网络规划示意图。

具体实施方式

下为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

如图1-4所示，本发明提供了一种用于城区物流无人机终端配送航路网络的规划方法，包括以下步骤：

基于栅格法对规划区域进行三维建模，通过在规划区域划设无人机禁止飞入的保护区，并引入栅格危险度，构建风险描述模型，用于定量描述无人机在规划区域的栅格中的运行风险；

通过采集规划区域的配送需求点信息、物流网点信息、保护区位置信息以及物流无人机性能参数，构建基础信息数据集；

基于风险描述模型和基础信息数据集，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法获取最优航路集，并采用最优树扩张算法获取最优航路集的部分航路作为干线和支线，构建物流无人机航路网络。

进一步优选地，在基于栅格法对规划区域进行三维建模的过程中，设置城市低空物流无人机终端配送的区域范围，并进行三维立体栅格化建模，其中，每个栅格作为一个元胞，用坐标(x,y,z)表示，区域范围的中心视为备选航路点。

进一步优选地，在规划区域划设无人机禁止飞入的保护区的过程中，保护区的范围为特殊区域形成的最小凸多边形向外扩展w/2所形成的区域，w为无人机轴距；

基于坐标(x,y,z)和保护区的范围，构建用于识别保护区的判断函数P，其中，判断函数为：

进一步优选地，在构建风险描述模型的过程中，通过栅格危险度指标r定量化评估无人机的运行风险，其中，栅格危险度指标r的表达式为：

其中，u为元胞邻居的个数。

进一步优选地，在构建基础信息数据集的过程中，根据所选区域内居民楼、办公楼、配送网点、保护区的人口密度及分布特征，选取若干配送需求点和配送网点，作为物流无人机终端配送航路网络规划的目标点；

物流无人机性能参数包括物流无人机最大转弯角、最大爬升角、最大下降角、飞行高度范围、最小转弯缓冲距离、最小安全距离性能参数。

进一步优选地，在获取最优航路集作为干线的过程中，根据复杂低空环境限制和无人机性能约束，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法搜索所有目标点间的最优航路集；其中，

复杂低空环境限制和无人机性能约束的约束条件包括如下条件：

条件一：保证物流无人机在航路上完成转弯和俯仰操作，相邻点航路点(x_i-1,y_i-1,z_i-1),(x_i,y_i,z_i),(x_i+1,y_i+1,z_i+1)间的转弯角不能超过物流无人机的最大转弯角/>满足：

条件二：爬升角c_i不能超过物流无人机的最大爬升角c_max，满足：

条件三：下降角d_i不能超过物流无人机的最大下降角d_max，满足：

条件四：基于无人机升限限制和城市低空空域管理政策，物流无人机的飞行高度z_i应低于允许高度最大值H_max，高于允许高度最小值H_min，满足：

H_min≤z_i≤H_max；

条件五：物流无人机在转弯前包括缓冲距离，用于确保安全过弯，假设航路上相邻的两个转弯点坐标为(x_i,y_i,z_i),(x_j,y_j,z_j)，默认在转弯点之间沿直线飞行，相邻转弯点间的距离大于最小转弯缓冲距离dis_min，满足：

条件六：物流无人机的物流配送总距离l_i小于其最大航程L_max，满足：

l_i≤l_max；

条件七：基于对于航路上任意点(x,y,z)，以及任意点(x,y,z)的周围存在u个相邻的保护区，设保护区坐标为(x_i,y_i,z_i)，则任意点(x,y,z)与保护区之间的最小距离e满足：

其中，l_g,w_g,p_g分别为三维元栅格的长度、宽度和高度；σ表示考虑航路宽度时的修正值。

进一步优选地，在获取最优航路集的过程中，最优航路集的最优航路的航路成本Q最小，其中，航路成本Q由航路长度D和航路危险度R组成，设航路上有n个航路点(x₁,y₁,z₁),(x₂,y₂,z₂),…,(x_n,y_n,z_n)，则：

航路成本Q的最小化函数为：

minQ＝α₁·D+α₂·(βR),α₁+α₂＝1

其中，α₁,α₂为分别为航段总长度和航路安全程度的权重系数；β为缩放系数。

进一步优选地，在获取最优航路集时，寻找到终点与起点之间的最佳路径，通过增添代价函数P_now作为选择元胞的依据，代价函数的表达式为：

P_now＝d_start,now+d_now,end+βr_now

其中，d_start,now为从起点元胞到当前元胞的欧氏距离；d_now,end为从当前元胞到终点元胞的欧氏距离；r_now为当前点的危险度，β为缩放系数。

进一步优选地，在采用基于代价函数的改进元胞自动机算法的过程中，采用Moore型邻居结构，则u＝26，设定起点元胞状态值为2，终点元胞状态值为3，保护区元胞状态值为-1，可通行的元胞状态值为0，任意选取两个节点，以其中一个节点作为起点元胞；

改进元胞自动机算法包括以下步骤：

S1.采集当前可行元胞邻居中状态值为0的元胞，判断元胞与其最近保护区的距离是否满足最小距离e的约束，若满足，则执行下一步骤，若不满足，则将不满足距离约束的元胞值变为不可行元胞；

S2.获取最小距离e约束的元胞的状态值，状态值为其邻居中大于等于起点元胞状态值中的最小值加1，其中，元胞不包括终点元胞；若最小值不存在，则当前元胞状态值不变；

S3.判断终点元胞的邻居中可行元胞的状态值是否全部发生变化，若全部变化，则进入下一步，否则返回S1；

S4.将除起点、终点、保护区、不可行元胞外的第一元胞的元胞数值减去2，获取任意一可行元胞从起点出发到达第一元胞的最短步数step_min；

S5.筛选满足步长的元胞，从终点出发，向起点搜索路径，其中，从终点出发的元胞状态值为step_min，step_min-1，…，3,2,1；

S6.通过去除不满足航路转弯角约束的元胞，得到可行元胞集，计算可行集中所有元胞的代价函数P_now，选取代价函数值最小的元胞作为下一步元胞；

S7.判断航路是否到达起点，若到达起点则输出最佳路径，执行下一步骤；否则返回S5；

S8.计算该路径长度l_ij，若l_ij满足最大航程约束，则将该路径加入可行航路集中，算法结束；否则认为所选两点间不适合直接连接，算法结束。

进一步优选地，在构建物流无人机航路网络的过程中，依据区域内物流需求和物流网点运行特点，采用最优树扩张算法从最优航路集中选取部分航路，构建物流无人机航路网络，包括以下步骤：

S101.基于规划区域，获取规划区域内的服务商w的信息；服务商w旗下的网点总数为e_w，w＝1,2,3…,k；为服务商w旗下的第j号网点；s_i为需求点，i＝1,2,3…,m，j∈[1,e_w]；根据服务商w的信息，获取航路网络规划时的各节点间约束条件，包括：

(1)在避免出现孤立需求点的前提下，满足任意需求点s_i被任意服务商提供配送服务，需满足：

其中，B表示节点间连通矩阵对应的数值；

(2)在避免出现孤立现象的前提下，满足任意配送网点至少和一个需求点相连，需满足：

其中，A表示节点间邻接矩阵对应的数值；

(3)根据物流经营要求，满足不同服务商的配送网点之间没有直接连通航路，需满足：

S102.通过定义需求点重要度和配送网点重要度/>获取反映需求点、网点在航路网络中所处地位，其中，

式中，分别为需求点人口数，快递数量和人均收入；/>分别为网点员工数，场地面积和每日快递量；/>为分别为对应指标平均值；α_i,α'_i为权重系数；

S103.通过定义航路引力F，判断航路的重要程度，用于获取满足各节点间约束条件的航路：

基于航路引力和航路距离，定义航段权值q为：

则航路网络成本为：

其中，α'₁,α'₂为分别为航路引力和航路距离度的权重系数；β'为缩放系数；

S104.通过最优树扩张算法从航路集中选取部分航路，构建物流无人机航路网络，具体步骤如下：

S1001.通过设置全局的航路点为a_i,i＝1,2,3,…,N，构建N×N的航路权值矩阵W：

S1002.选取航路权值矩阵W的任意一行i，记录在树干列表branch中，用于表示从i节点开始生长成树，同时划去任意一行i所在列，用于避免成圈；

S1003.选择树干列表branch的最小的元素w_ij，将元素w_ij放入航路列表route中以及将第j行放入branch列表中，并去除第j列；

S1004.判断所有列是否都已加入branch列表，若全部加入，则算法终止，用于表示初始干线航路网络规划完毕，进入调整和扩张阶段；否则返回S1003；

S1005.检查所有需求点与各个供给点之间是否满足各节点间约束条件，若满足则进入下一步；否则将不满足约束的需求点与邻近的满足各节点间约束条件的节点相连后，将其放入route列表中，进入下一步；

S1006.基于需求点的重要程度，将重要程度高的需求点与网点相连所得航路，作为支线航路加入route列表中，用于获取树状网络的网状结构作为支线；

S1007.删除route列表中的重复航路，得到物流无人机航路网络的航路网络结构。

本发明还公开了一种用于城区物流无人机终端配送航路网络的规划系统，用于实现上述的规划方法，包括：

运行风险评估模块，用于基于栅格法对规划区域进行三维建模，通过在规划区域划设无人机禁止飞入的保护区，并引入栅格危险度，构建风险描述模型，用于定量描述无人机在规划区域的栅格中的运行风险；

数据处理模块，用于通过采集规划区域的配送需求点信息、物流网点信息、保护区位置信息以及物流无人机性能参数，构建基础信息数据集；

航路网络构建模块，用于基于风险描述模型和基础信息数据集，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法获取最优航路集，并采用最优树扩张算法获取最优航路集的部分航路作为干线和支线，构建物流无人机航路网络。

实施例1：本发明公开的一种基于改进元胞自动机和最优树扩张算法的城区物流无人机终端配送航路网络规划方法，属于无人机航路规划技术领域。首先采用栅格法对规划区域进行三维建模，构建城市低空栅格环境；随后在规划区域内根据地理约束和运行要求划设保护区，并以栅格危险度指标量化描述栅格中的无人机运行风险；然后在满足城市低空环境限制和无人机性能约束的条件下，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法搜索目标点间的最优航路从而生成最优航路集；最后根据区域内物流需求和快递服务商运行特点，采用最优树扩张算法从最优航路集中选取航路，构建“干线+支线”的物流无人机终端配送航路网络。

本发明城区物流无人机终端配送航路网络规划方法，如图1所示：具体步骤为：

步骤1：对规划区域采用栅格法进行三维建模，构建城市低空栅格环境。

确定城市低空物流无人机终端配送区域范围，将所选区域进行三维立体栅格化建模。每个栅格作为一个元胞，用坐标(x,y,z)表示，其中心视为备选航路点。

步骤2：在规划区域内划设无人机禁止飞入的保护区，针对规划区域中每一个立体栅格，引入栅格危险度定量描述栅格中无人机的运行风险。

在无人机运行空域内，存在障碍物、禁飞区、限制区等特殊区域，规划航路网络时需要避开。为了提升航路安全裕度，划设特殊区域保护区，保护区范围为特殊区域形成的最小凸多边形向外扩展w/2所形成的区域，w为无人机轴距。针对坐标为(x,y,z)的栅格，根据判断函数P，识别其是否为保护区：

随后通过栅格危险度指标r定量化评估无人机运行风险，其计算公式为：

其中，u为元胞邻居的个数。

步骤3：获取配送需求点、物流网点、保护区位置信息以及物流无人机性能参数，如最大转弯角、最小转弯缓冲距离、最大航程等；

步骤3.1根据所选区域内居民楼、办公楼、配送网点、保护区的人口密度及分布特征，选取若干配送需求点和配送网点，作为物流无人机终端配送航路网络规划的目标点，图2为三维地理环境示意图，数字代表物流无人机起降点；

步骤3.2：获取物流无人机最大转弯角、最大爬升角、最大下降角、飞行高度范围、最小转弯缓冲距离、最小安全距离性能参数。

步骤4：考虑复杂低空环境限制和无人机性能约束，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法搜索所有目标点间的最优航路，生成如图3所示最优航路集；

步骤4.1：单航路规划时的复杂低空环境限制和无人机性能约束如下：

(1)为保证无人机在航路上能完成转弯和俯仰操作，相邻点航路点(xi-₁,yi-₁,zi-₁),(xi,yi,zi),(xi₊₁,yi₊₁,zi₊₁)间的转弯角不能超过物流无人机的最大转弯角/>需满足：

(2)爬升角c_i不能超过物流无人机的最大爬升角c_max，需满足：

(3)下降角d_i不能超过物流无人机的最大下降角d_max，需满足：

(4)由于无人机升限限制和城市低空空域管理政策影响，物流无人机的飞行高度z_i应低于允许高度最大值H_max，高于允许高度最小值H_min，需满足：

H_min≤z_i≤H_max

(5)无人机在转弯前需要有一定的缓冲距离，才能确保安全过弯。假设航路上相邻的两个转弯点坐标为(x_i,y_i,z_i),(x_j,y_j,z_j)，默认在转弯点之间沿直线飞行，相邻转弯点间的距离不得小于最小转弯缓冲距离dis_min，需满足：

(6)无人机续航能力有限，物流配送总距离l_i必须小于其最大航程L_max，需满足：

l_i≤l_max

(7)对于航路上任意点(x,y,z)，其周围存在u个相邻的保护区。设保护区坐标为(x_i,y_i,z_i)，则该点与保护区之间的最小距离e需满足：

其中，l_g,w_g,p_g分别为三维元栅格的长度、宽度和高度；σ表示考虑航路宽度时的修正值。

步骤4.2：最优航路体现在航路成本Q最小，航路成本由航路长度D和航路危险度R两部分组成。设航路上有n个航路点(x₁,y₁,z₁),(x₂,y₂,z₂),…,(x_n,y_n,z_n)，则：

航路成本最小化函数为

minQ＝α₁·D+α₂·(βR),α₁+α₂＝1

其中，α₁,α₂为分别为航段总长度和航路安全程度的权重系数；β为缩放系数。

步骤4.3：为了寻找到终点与起点之间的最佳路径，在寻路时增添代价函数P_now作为选择元胞的依据，代价函数可表示为：

P_now＝d_start,now+d_now,end+βr_now

其中，d_start,now为从起点元胞到当前元胞的欧氏距离；d_now,end为从当前元胞到终点元胞的欧氏距离；r_now为当前点的危险度，β为缩放系数。

步骤4.5：将全局环境栅格化建模后，采用Moore型邻居结构，则u＝26。规定起点元胞状态值为2，终点元胞状态值为3，保护区元胞状态值为-1，可以通行的元胞状态值为0。任意选取两个节点，以其中一点作为起点元胞开始执行以下步骤：(1)找到当前可行元胞邻居中状态值为0的元胞，判断该元胞与其最近保护区的距离是否满足最小距离e约束。(2)满足最小距离e约束的元胞的状态值为其邻居中大于等于起点元胞状态值中的最小值(不含终点元胞)加1；若最小值不存在，当前元胞状态值不变。不满足距离约束的元胞值变为不可行元胞。(3)判断终点元胞邻居中所有可行元胞的状态值是否全部发生变化。若全部变化，则进入下一步，否则返回(1)。(4)将除起点、终点、保护区、不可行元胞外的所有元胞数值减去2，得到任意一可行元胞从起点出发到达该点所需的最短步数step_min。此时元胞自动机演化结束，从终点出发，向起点搜索路径。(5)筛选满足步长的元胞，从终点出发元胞状态值为step_min，step_min-1，…，3,2,1。(6)去除不满足航路转弯角约束的元胞后得到可行元胞集，计算可行集中所有元胞的代价函数P_now，选取代价函数值最小的元胞作为下一步元胞。(7)判断航路是否到达起点。若到达起点则输出最佳路径，执行(8)；否则返回(5)。(8)计算该路径长度l_ij，若l_ij满足最大航程约束，则将该路径加入可行航路集中，算法结束；否则认为所选两点间不适合直接连接，算法结束。

步骤5：根据区域内物流需求和物流网点运行特点，采用最优树扩张算法从最优航路集中选取部分航路，构建“干线+支线”的物流无人机航路网络。

步骤5.1：若规划区域内共有k个不同的服务商；服务商w旗下的网点总数为e_w，w＝1,2,3…,k；为服务商w旗下的第j号网点；s_i为需求点，i＝1,2,3…,m，j∈[1,e_w]；此时航路网络规划时需考虑的各节点间约束条件如下：

(1)对于任意需求点s_i，需在避免出现孤立需求点的前提下确保其能被任意服务商提供配送服务，需满足：

其中，B表示节点间连通矩阵对应的数值。

(2)对于任意配送网点为避免出现孤立现象，至少需要和一个需求点直接相连，需满足：

其中，A表示节点间邻接矩阵对应的数值。

(3)根据物流经营要求，不同服务商的配送网点间无直接连通航路，需满足：

步骤5.2：为反映需求点、网点在航路网络中所处地位，分别定义需求点重要度和配送网点重要度/>为：

其中，分别为需求点人口数，快递数量和人均收入；/>分别为网点员工数，场地面积和每日快递量；/>为分别为对应指标平均值；α_i,α'_i为权重系数。

步骤5.3：对于满足网络约束的航路，为判断航路的重要程度，定义航路引力F为：

基于航路引力和航路距离，定义航段权值q为：

则航路网络成本为：

其中，α'₁,α'₂为分别为航路引力和航路距离度的权重系数；β'为缩放系数。

步骤5.4：通过最优树扩张算法从航路集中选取部分航路，构建终端配送航路网络，具体步骤如下：

(1)设全局所有的航路点为a_i,i＝1,2,3,…,N，构建如下所示N×N的航路权值矩阵W：

(2)选中矩阵中任意一行i记录在树干列表branch中，表示从该节点开始生长成树，同时将该行所在列划去避免成圈。

(3)选择branch列表中最小的元素w_ij，将其放入航路列表route中；将第j行放入branch列表中，并将第j列划去。

(4)检查所有列是否都已加入branch列表。若全部加入，则算法终止，初始干线航路网络规划完毕，进入调整和扩张阶段；否则返回(3)。

(5)检查所有需求点与各个供给点之间是否满足网络约束，若满足则进入下一步；否则将不满足约束的需求点与邻近的能使其满足网络约束的节点相连后，将其放入route列表中，进入下一步。

(6)对于重要度较大的若干需求点，为满足其配送需求，将其直接与网点相连，所得航路作为支线航路加入route列表中，使网络由树状逐渐网状过渡。

(7)删除route列表中的重复航路，得到最终的航路网络结构，如图3所示。

本发明实现了终端配送航路生成与航路网络构建，为未来的物流无人机管控提出了一套完整的航路网络规划流程，能针对不同配送区域给出对应的终端配送航路网络规划方案。

Claims (6)

1.一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于，包括以下步骤：

基于栅格法对规划区域进行三维建模，通过在所述规划区域划设无人机禁止飞入的保护区，并引入栅格危险度，构建风险描述模型，用于定量描述所述无人机在所述规划区域的栅格中的运行风险；

通过采集所述规划区域的配送需求点信息、物流网点信息、保护区位置信息以及物流无人机性能参数，构建基础信息数据集；

基于所述风险描述模型和所述基础信息数据集，以最小化航路成本作为目标函数，采用基于代价函数的改进元胞自动机算法获取最优航路集，并采用最优树扩张算法获取所述最优航路集的部分航路作为干线和支线，构建物流无人机航路网络；

在获取最优航路集作为干线的过程中，根据复杂低空环境限制和无人机性能约束，以所述最小化航路成本作为所述目标函数，采用基于代价函数的改进元胞自动机算法搜索所有目标点间的所述最优航路集；其中，

所述复杂低空环境限制和所述无人机性能约束的约束条件包括如下条件：

条件一：保证所述物流无人机在航路上完成转弯和俯仰操作，相邻点航路点(x_i-1,y_i-1,z_i-1),(x_i,y_i,z_i),(x_i+1,y_i+1,z_i+1)间的转弯角不能超过所述物流无人机的最大转弯角满足：

条件二：爬升角c_i不能超过所述物流无人机的最大爬升角c_max，满足：

条件三：下降角d_i不能超过所述物流无人机的最大下降角d_max，满足：

条件四：基于无人机升限限制和城市低空空域管理政策，所述物流无人机的飞行高度z_i应低于允许高度最大值H_max，高于允许高度最小值H_min，满足：

H_min≤z_i≤H_max；

条件五：所述物流无人机在转弯前包括缓冲距离，用于确保安全过弯，假设航路上相邻的两个转弯点坐标为(x_i,y_i,z_i),(x_j,y_j,z_j)，默认在转弯点之间沿直线飞行，相邻转弯点间的距离大于最小转弯缓冲距离dis_min，满足：

条件六：所述物流无人机的物流配送总距离l_i小于其最大航程L_max，满足：

l_i≤l_max；

条件七：基于对于航路上任意点(x,y,z)，以及所述任意点(x,y,z)的周围存在u个相邻的保护区，设保护区坐标为(x_i,y_i,z_i)，则所述任意点(x,y,z)与保护区之间的最小距离e满足：

其中，l_g,w_g,p_g分别为三维元栅格的长度、宽度和高度；σ表示考虑航路宽度时的修正值；

在获取最优航路集的过程中，所述最优航路集的最优航路的航路成本Q最小，其中，所述航路成本Q由航路长度D和航路危险度R组成，设航路上有n个航路点(x₁,y₁,z₁),(x₂,y₂,z₂),…,(x_n,y_n,z_n)，则：

所述航路成本Q的最小化函数为：

min Q＝α₁·D+α₂·(βR),α₁+α₂＝1

其中，α₁,α₂为分别为航段总长度和航路安全程度的权重系数；β为缩放系数；

在获取最优航路集时，寻找到终点与起点之间的最佳路径，通过增添代价函数P_now作为选择元胞的依据，所述代价函数的表达式为：

P_now＝d_start,now+d_now,end+βr_now

其中，d_start,now为从起点元胞到当前元胞的欧氏距离；d_now,end为从当前元胞到终点元胞的欧氏距离；r_now为当前点的危险度，β为缩放系数；

在采用基于代价函数的改进元胞自动机算法的过程中，采用Moore型邻居结构，则u＝26，设定起点元胞状态值为2，终点元胞状态值为3，保护区元胞状态值为-1，可通行的元胞状态值为0，任意选取两个节点，以其中一个节点作为起点元胞；

所述改进元胞自动机算法包括以下步骤：

S1.采集当前可行元胞邻居中状态值为0的元胞，判断所述元胞与其最近保护区的距离是否满足最小距离e的约束，若满足，则执行下一步骤，若不满足，则将不满足距离约束的元胞值变为不可行元胞；

S2.获取最小距离e约束的所述元胞的状态值，所述状态值为其邻居中大于等于起点元胞状态值中的最小值加1，其中，所述元胞不包括终点元胞；若所述最小值不存在，则当前元胞状态值不变；

S3.判断所述终点元胞的邻居中可行元胞的状态值是否全部发生变化，若全部变化，则进入下一步，否则返回S1；

S4.将除起点、终点、保护区、不可行元胞外的第一元胞的元胞数值减去2，获取任意一可行元胞从起点出发到达所述第一元胞的最短步数step_min；

S5.筛选满足步长的元胞，从终点出发，向起点搜索路径，其中，从终点出发的元胞状态值为step_min，step_min-1，…，3,2,1；

S6.通过去除不满足航路转弯角约束的元胞，得到可行元胞集，计算可行集中所有元胞的代价函数P_now，选取代价函数值最小的元胞作为下一步元胞；

S7.判断航路是否到达起点，若到达起点则输出最佳路径，执行下一步骤；否则返回S5；

S8.计算路径长度l_ij，若l_ij满足最大航程约束，则将该路径加入可行航路集中，算法结束；否则认为所选两点间不适合直接连接，算法结束。

2.根据权利要求1所述一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于：

在基于栅格法对规划区域进行三维建模的过程中，设置城市低空物流无人机终端配送的区域范围，并进行三维立体栅格化建模，其中，每个栅格作为一个元胞，用坐标(x,y,z)表示，所述区域范围的中心视为备选航路点。

3.根据权利要求2所述一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于：

在所述规划区域划设无人机禁止飞入的保护区的过程中，所述保护区的范围为特殊区域形成的最小凸多边形向外扩展w/2所形成的区域，w为无人机轴距；

基于所述坐标(x,y,z)和所述保护区的范围，构建用于识别所述保护区的判断函数P，其中，所述判断函数为：

4.根据权利要求3所述一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于：

在构建风险描述模型的过程中，通过栅格危险度指标r定量化评估无人机的运行风险，其中，所述栅格危险度指标r的表达式为：

其中，u为元胞邻居的个数。

5.根据权利要求4所述一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于：

在构建基础信息数据集的过程中，根据所选区域内居民楼、办公楼、配送网点、保护区的人口密度及分布特征，选取若干配送需求点和配送网点，作为物流无人机终端配送航路网络规划的目标点；

所述物流无人机性能参数包括物流无人机最大转弯角、最大爬升角、最大下降角、飞行高度范围、最小转弯缓冲距离、最小安全距离性能参数。

6.根据权利要求1所述一种用于城区物流无人机终端配送航路网络的规划方法，其特征在于：

在构建物流无人机航路网络的过程中，依据区域内物流需求和物流网点运行特点，采用最优树扩张算法从最优航路集中选取所述部分航路，构建所述物流无人机航路网络，包括以下步骤：

S101.基于所述规划区域，获取所述规划区域内的服务商w的信息；所述服务商w旗下的网点总数为e_w，w＝1,2,3…,k；为所述服务商w旗下的第j号网点；s_i为需求点，i＝1,2,3…,m，j∈[1,e_w]；根据所述服务商w的信息，获取航路网络规划时的各节点间约束条件，包括：

(1)在避免出现孤立需求点的前提下，满足任意需求点s_i被任意服务商提供配送服务，需满足：

其中，B表示节点间连通矩阵对应的数值；

(2)在避免出现孤立现象的前提下，满足任意配送网点至少和一个需求点相连，需满足：

其中，A表示节点间邻接矩阵对应的数值；

(3)根据物流经营要求，满足不同服务商的配送网点之间没有直接连通航路，需满足：

S102.通过定义需求点重要度和配送网点重要度/>获取反映需求点、网点在航路网络中所处地位，其中，

式中，分别为需求点人口数，快递数量和人均收入；/>分别为网点员工数，场地面积和每日快递量；/>为分别为对应指标平均值；α_i,α′_i为权重系数；

S103.通过定义航路引力F，判断航路的重要程度，用于获取满足所述各节点间约束条件的航路：

基于航路引力和航路距离，定义航段权值q为：

则航路网络成本为：

其中，α′₁,α'₂为分别为航路引力和航路距离度的权重系数；β'为缩放系数；

S104.通过所述最优树扩张算法从所述航路集中选取所述部分航路，构建所述物流无人机航路网络，具体步骤如下：

S1001.通过设置全局的航路点为a_i,i＝1,2,3,…,N，构建N×N的航路权值矩阵W：

S1002.选取所述航路权值矩阵W的任意一行i，记录在树干列表branch中，用于表示从i节点开始生长成树，同时划去所述任意一行i所在列，用于避免成圈；

S1003.选择所述树干列表branch的最小的元素w_ij，将所述元素w_ij放入航路列表route中以及将第j行放入branch列表中，并去除第j列；

S1004.判断所有列是否都已加入branch列表，若全部加入，则算法终止，用于表示初始干线航路网络规划完毕，进入调整和扩张阶段；否则返回S1003；

S1005.检查所有需求点与各个供给点之间是否满足所述各节点间约束条件，若满足则进入下一步；否则将不满足约束的需求点与邻近的满足所述各节点间约束条件的节点相连后，将其放入route列表中，进入下一步；

S1006.基于所述需求点的重要程度，将重要程度高的所述需求点与网点相连所得航路，作为支线航路加入route列表中，用于获取树状网络的网状结构作为所述支线；

S1007.删除route列表中的重复航路，得到所述物流无人机航路网络的航路网络结构。