CN114237282B - 面向智慧化工业园区监测的无人机飞行路径智能规划方法 - Google Patents

Abstract

本发明公开了一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，包括如下步骤：首先需要建立园区的栅格化地图模型，在地图上通过距离捕捉目标的方法进行可行路径的搜索，利用距离目标最近的前三名个体作为群体的指引，在一定的迭代搜索下收敛至当下最优解时，通过随机参数对当下解进行扰动，生成当下状态下的新可行解，并不断迭代判断解的优劣性和生成新解，最终结束搜索过程，得到最终最优可行解，解序列收束形成最优可行路径。本发明能够在不同的环境下，根据设定的起点和终点，规划出一条避开环境中所有障碍物且路径总距离最短的无人机飞行路径。对不同的环境精度具有良好的适应性。

Description

面向智慧化工业园区监测的无人机飞行路径智能规划方法

技术领域

本发明属于路径规划以及智能计算领域，具体涉及一种面向智慧化工业园区监测的无人机飞行路径智能规划方法。

背景技术

面向智慧化工业园区监测的无人机飞行路径智能规划是一个用以解决多约束性的无人机监测路径的最优化问题，在园区内，常有设备需要进行定时检查，排除危险因素，为减少人力成本以及降低人身风险，通过载有监测设备的无人机进行周期性的园区监测具有一定的可靠性，通过对无人机的飞行进行路径规划，可以满足在覆盖所有监测点的同时，最小化无人机能耗成本。

一般的路径规划方法如A*算法，人工势场法等常面临在复杂环境下路径规划效率不高，收敛速率较慢，无法处理高维空间等，需要花费大量的计算时间和成本，这样的方法与群体智能方法相比，规划成功率与性能上均差距较大。

随着群体智能算法在路径规划领域的发展，越来越多的群体智能算法结构被高效应用到无人机的路径规划上。在这些方法中，首先需要建立园区的栅格化环境地图，通过算法遍历地图信息，而后在约束条件下迭代搜索到最佳可行解即无人机最优飞行路径。在这些方法中，受限于群体智能算法的局限性，在环境中存在多条可行路径时，单一结构的搜索算法容易出现寻优陷入局部最优而导致路径规划失败的问题，影响无人机的飞行稳定性。同时，过慢的算法收敛速率会影响到无人机接收信息的实时性。因此提高群体智能算法的收敛速度也是当下需解决的不足之处。

发明内容

发明目的：为了克服现有技术中存在的算法收敛速率低，易陷入局部最优的问题，提供了一种面向智慧化工业园区监测的无人机飞行路径智能规划的方法，其能够根据具体的环境地图模型下，避开障碍物，快速、合理地做出决策，在不同的环境场景下，规划出一条从起点至终点的较优的路径，具有良好的可靠性。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，具体包括如下步骤：

步骤1，将无人机飞行环境模型转换成栅格地图，用矩阵M^[r，c]表示，所述矩阵M^[r，c]中的元素与无人机飞行环境模型的栅格坐标点一一对应，且矩阵M^[r，c]中不同元素值区分栅格地图坐标点是否存在障碍物；其中，r表示矩阵M^[r，c]的行数，c表示矩阵M^[r，c]的列数；

步骤2，遍历步骤1所述矩阵M^[r，c]的元素信息值，以避开障碍物为约束，初始化种群群体中的全部个体、第一迭代次数l＝1、位置相关系数A、距离求解因子C、收敛因子a＝2以及温度衰减参数T；

步骤3，设置初始循环次数i＝1；计算种群群体中全部个体的适应度值，并得出适应度值前三的种群个体α、β和γ，记录所述种群个体α、β和γ各自对应的适应度值f_α、f_β和f_γ以及位置X_α、X_β和X_γ，根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)；

步骤4，i＝i+1，并根据迭代公式更新当前种群群体的位置，同时更新所述收敛因子a、位置相关系数A和距离求解因子C；

步骤5，计算更新后种群群体中全部个体的适应度值，并得出适应度值前三的种群个体α、β和γ，记录所述种群个体α、β和γ各自对应的适应度值f_α、f_β和f_γ以及位置X_α、X_β和X_γ，根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)；

步骤6，判断循环次数i＝r是否成立；若成立，则上述计算得到的全部X(i)构成当前第一迭代次数l下无人机飞行路径解序列X_l＝{X(1)，X(2)，...，X(i)，...，X(r)}，并根据当前无人机飞行路径解序列X_l求解该解序列所对应的适应值f_l；否则，返回步骤4；

步骤7，判断是否达到预设的第一最大迭代次数；若达到第一最大迭代次数，则在迭代过程中选择最小的适应值所对应的解序列作为无人机飞行路径最优解序列X；否则，令第一迭代次数l＝l+1，返回步骤3；

步骤8，对无人机飞行路径最优解序列X进行小幅扰动生成新解序列X′，并计算得到新解序列X′所对应的适应值f′；

判断f′-f＜0是否成立；若成立，则将新解序列X′作为无人机飞行路径最优解序列X；否则，根据模拟退火算法计算得到新解序列X″，并对新解序列X″计算该解序列所对应的适应值f″，并将所述新解序列X″作为无人机飞行路径最优解序列X；其中，f表示无人机飞行路径最优解序列X所对应的适应值；

步骤9，重复步骤8直至达到预设的第二最大迭代次数；

步骤10，判断是否满足终止条件；若不满足终止条件，则将所述温度衰减参数T降低，并重设第二最大迭代次数，返回步骤8；否则，输出此时最优解序列以及该解序列所对应的适应值，并将所述此时最优解序列作为无人机飞行最优路径。

进一步地，所述矩阵M^[r，c]中，元素值为0表示该元素值所对应的无人机飞行环境模型的栅格坐标点处存在障碍物，元素值为1表示该元素值所对应的无人机飞行环境模型的栅格坐标点处无阻隔。

进一步地，计算所述种群群体中全部个体的适应度值，计算公式如下：

式中，f_i表示种群群体中第i个个体的适应度值；x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

进一步地，所述根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)，公式如下：

进一步地，步骤4所述根据迭代公式更新当前种群群体的位置，同时更新所述收敛因子a、位置相关系数A和距离求解因子C，具体如下：

a＝2(1-t²/T²)

A＝2a*r₁-2a

C＝2*r₂

X_u＝X′_u-A*D_u，u∈{α、β、γ}

D_u＝|C*X_u-X_o|，u∈{α、β、γ}

其中，t为温度变化变量，r₁、r₂为随机向量，随机向量模取值为(0，1)的随机数，X_u表示更新后种群个体u的位置；X′_u表示更新前种群个体u的位置；D_u表示种群个体u与目标位置之间的距离函数；X_o表示目标位置。

进一步地，步骤6所述根据当前无人机飞行路径解序列X_l求解该解序列所对应的适应值f_l，公式如下：

式中，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值；

进一步地，步骤8所述对无人机飞行路径最优解序列X进行小幅扰动生成新解序列X′，并计算得到新解序列X′所对应的适应值f′，公式如下：

X′＝X+m

式中，m为系统随机函数生成的偏移，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

进一步地，步骤8所述对新解序列X″计算该解序列所对应的适应值f″，计算公式如下：

式中，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

有益效果：与现有技术相比，本发明技术方案具有以下有益技术效果：

1、本发明利用栅格化的地图模型进行路径规划，能够通过建立不同精度的地图模型，进行无人机飞行路径的智能规划，表现出规划方法在不同环境下的适应性。

2、本发明利用改进的群体智能算法的迭代搜索的收敛因子，使其从线性递减约束变更为以指数形式降低，加快了搜索方法的收敛速率，一定程度上提高了无人机路径规划时接收信息的实时性，提高了无人机飞行的稳定性。

3、本发明通过在一般的搜索收敛过程中引入随机参数对可行解进行扰动，概率性变化生成最优解的性质，能够较好地避免了算法在无人机路径寻优时陷入局部最优的情况而导致路径规划失败，具有良好的实用性。

4、本发明能够较好地为无人机在模拟地图上规划出以最短飞行距离为目标的最优路径，具有一定的现实意义。

附图说明

图1是一种实施例下本发明所述一种面向智慧化工业园区监测的无人机飞行路径智能规划方法流程图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，参考图1，具体包括如下步骤：

S1：将无人机飞行环境模型转换成栅格地图，地图表示为矩阵M^[r，c]，且地图中非障碍物处栅格值为1，障碍物处栅格值为0，本实施例给出精度为20为地图矩阵M^[20，20]表示如下：

[11000101 ... 11111111]

[11100011 ... 11000011]

[11100011 ... 11000011]...

[10111111 ... 11010010]

[10110011 ... 11011010]

[10110011 ... 11001011]

地图矩阵上每一个元素映射一个点的横纵坐标，元素值为0处表示该点存在障碍物，元素为1处表示该点无障碍阻隔。

S2：遍历地图矩阵信息值，初始化种群群体，初始化温度衰减参数T，获取地图中障碍物的坐标信息；

S3：在避开地图中所有障碍物的约束条件下循环计算种群中所有个体适应度值，避开障碍物的认知方法为，无人机飞行经过点所映射的地图矩阵元素栅格值不为0。算法收敛因子a从2以指数形式减少至0，初始化参数A，C，根据α，β，γ与目标的距离D_α，β，γ不断更新α，β，γ的位置X_α，β，γ以及适应度值f_α，β，γ，收敛因子a，参数A，C以及X_α，β，γ，f_α，β，γ的运算依次如下：

a＝2(1-t²/T²)

A＝2a*r₁-2a

C＝2*r₂

X_u＝X′_u-A*D_u，u∈{α、β、γ}

D_u＝|C*X_u-X_o|，u∈{α、β、γ}

其中，a为算法迭代寻优时的收敛因子，初始值为2，T为初始温度，t为温度变化变量，该收敛因子同时参与参数A，C的生成，参数A，C分别是种群更新位置的相关系数以及种群个体与目标之间的距离求解因子，r₁，r₂为随机向量，两者取模为(0，1)的随机数，X_α，β，γ为α，β，γ的位置函数，X′_α，β，γ则为更新之前的α，β，γ的位置，D_α，β，γ是α，β，γ与目标之间的距离函数，X_o为目标位置，f_α，β，γ分别为α，β，γ的适应度值函数，x_k，y_k为无人机飞行经过k点的横纵坐标值，种群更新位置的相关系数A以及种群个体与目标之间的距离求解因子C的计算，需要在每一次迭代中更新收敛因子以及随机向量r₁，r₂的取值，r₁，r₂＝random[0，1]。

S4：保留迭代终止时最优路径解序列X＝{X(1)，X(2)，X(3)，...，X(20)}＝{1，1，3，4，6，8，8，9，10，12，13，13，14，15，16，18，18，19，19，20}，解序列X中X(i)|_{i＝1，2，3...}通过α，β，γ的位置X_α，β，γ和函数的1/3来计算，以及当下最优适应度值f＝44.0，适应度值的计算需要将无人机飞行所经过的所有的点与点之间的距离累计求和；

S5：对解序列进行小幅扰动生成新解X＝X′，新解X′的运算如下：

X′＝X+m

算法从初始温度T缓慢衰减迭代优化，m为通过系统随机函数生成的偏移量，该计算在温度衰减的迭代搜索中的等温进程中进行。此时根据算法的搜索准则进行寻优。搜索完成之后选择最小适应度值f＝40.0以及对应的迭代终止时所搜索求得的解序列X＝{1，1，3，4，6，8，8，9，11，12，13，13，14，15，17，17，18，18，19，20}作为最后的结果。以此便可以获取无人机在该精度地图模型下的路径解序列，以及对应的最短路径距离，以此最短的飞行路径距离为依据作为该方法成功对无人机飞行路径的智能规划。

Claims (8)

1.面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，具体包括如下步骤：

步骤1，将无人机飞行环境模型转换成栅格地图，用矩阵M^[r，c]表示，所述矩阵M^[r，c]中的元素与无人机飞行环境模型的栅格坐标点一一对应，且矩阵M^[r，c]中不同元素值区分栅格地图坐标点是否存在障碍物；其中，r表示矩阵M^[r，c]的行数，c表示矩阵M^[r，c]的列数；

步骤2，遍历步骤1所述矩阵M^[r，c]的元素信息值，以避开障碍物为约束，初始化种群群体中的全部个体、第一迭代次数l＝1、位置相关系数A、距离求解因子C、收敛因子a＝2以及温度衰减参数T；

步骤3，设置初始循环次数i＝1；计算种群群体中全部个体的适应度值，并得出适应度值前三的种群个体α、β和γ，记录所述种群个体α、β和γ各自对应的适应度值f_α、f_β和f_γ以及位置X_α、X_β和X_γ，根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)；

步骤4，i＝i+1，并根据迭代公式更新当前种群群体的位置，同时更新所述收敛因子a、位置相关系数A和距离求解因子C；

步骤5，计算更新后种群群体中全部个体的适应度值，并得出适应度值前三的种群个体α、β和γ，记录所述种群个体α、β和γ各自对应的适应度值f_α、f_β和f_γ以及位置X_α、X_β和X_γ，根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)；

步骤6，判断循环次数i＝r是否成立；若成立，则上述计算得到的全部X(i)构成当前第一迭代次数l下无人机飞行路径解序列X_l＝{X(1)，X(2)，...，X(i)，...，X(r)}，并根据当前无人机飞行路径解序列X_l求解该解序列所对应的适应值f_l；否则，返回步骤4；

步骤7，判断是否达到预设的第一最大迭代次数；若达到第一最大迭代次数，则在迭代过程中选择最小的适应值所对应的解序列作为无人机飞行路径最优解序列X；否则，令第一迭代次数l＝l+1，返回步骤3；

步骤8，对无人机飞行路径最优解序列X进行小幅扰动生成新解序列X′，并计算得到新解序列X′所对应的适应值f′；

判断f′-f＜0是否成立；若成立，则将新解序列X′作为无人机飞行路径最优解序列X；否则，根据模拟退火算法计算得到新解序列X″，并对新解序列X″计算该解序列所对应的适应值f″，并将所述新解序列X″作为无人机飞行路径最优解序列X；其中，f表示无人机飞行路径最优解序列X所对应的适应值；

步骤9，重复步骤8直至达到预设的第二最大迭代次数；

步骤10，判断是否满足终止条件；若不满足终止条件，则将所述温度衰减参数T降低，并重设第二最大迭代次数，返回步骤8；否则，输出此时最优解序列以及该解序列所对应的适应值，并将所述此时最优解序列作为无人机飞行最优路径。

2.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，所述矩阵M^[r，c]中，元素值为0表示该元素值所对应的无人机飞行环境模型的栅格坐标点处存在障碍物，元素值为1表示该元素值所对应的无人机飞行环境模型的栅格坐标点处无阻隔。

3.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，计算所述种群群体中全部个体的适应度值，计算公式如下：

式中，f_i表示种群群体中第i个个体的适应度值；x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

4.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，所述根据种群个体α、β和γ的位置X_α、X_β和X_γ计算无人机飞行路径解序列的第i个路径位置值X(i)，公式如下：

5.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，步骤4所述根据迭代公式更新当前种群群体的位置，同时更新所述收敛因子a、位置相关系数A和距离求解因子C，具体如下：

a＝2(1-t²/T²)

A＝2a*r₁-2a

C＝2*r₂

X_u＝X′_u-A*D_u，u∈{α、β、γ}

D_u＝|C*X_u-X_o|，u∈{α、β、γ}

其中，t为温度变化变量，r₁、r₂为随机向量，随机向量模取值为(0，1)的随机数，X_u表示更新后种群个体u的位置；X′_u表示更新前种群个体u的位置；D_u表示种群个体u与目标位置之间的距离函数；X_o表示目标位置。

6.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，步骤6所述根据当前无人机飞行路径解序列X_l求解该解序列所对应的适应值f_l，公式如下：

式中，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

7.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，步骤8所述对无人机飞行路径最优解序列X进行小幅扰动生成新解序列X′，并计算得到新解序列X′所对应的适应值f′，公式如下：

X′＝X+m

式中，m为系统随机函数生成的偏移，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。

8.根据权利要求1所述的一种面向智慧化工业园区监测的无人机飞行路径智能规划方法，其特征在于，步骤8所述对新解序列X″计算该解序列所对应的适应值f″，计算公式如下：

式中，x_k、y_k分别为无人机飞行经过路径k点的横坐标值和纵坐标值；x_k+1、y_k+1分别为无人机飞行经过路径k+1点的横坐标值和纵坐标值。