CN114610076B - 结合人工势场法与A-star算法角度约束的航迹规划方法 - Google Patents
结合人工势场法与A-star算法角度约束的航迹规划方法 Download PDFInfo
- Publication number
- CN114610076B CN114610076B CN202210504573.2A CN202210504573A CN114610076B CN 114610076 B CN114610076 B CN 114610076B CN 202210504573 A CN202210504573 A CN 202210504573A CN 114610076 B CN114610076 B CN 114610076B
- Authority
- CN
- China
- Prior art keywords
- cost function
- star algorithm
- track
- aerial vehicle
- unmanned aerial
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 18
- 239000000126 substance Substances 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000002922 simulated annealing 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
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)
- Navigation (AREA)
Abstract
本发明公开了结合人工势场法与A‑star算法角度约束的航迹规划方法,涉及航迹规划技术领域,该方法将人工势场法与改进A‑star算法结合分别指导全局路径与局部路径:采用人工势场法进行全局路径规划,无人机的飞行方向由引力场控制,采用改进的A‑star算法进行局部路径规划,避让大型障碍物,通过提高避障效果,缩短寻路时间来优化规划路径、提高规划效率,且利用双向搜索模型解决了端点进入角度的约束,更符合实际应用。
Description
技术领域
本发明涉及航迹规划技术领域,具体涉及结合人工势场法与A-star算法角度约束的航迹规划方法。
背景技术
无人机航迹规划,是指为无人机规划出一条航迹,该航迹应在满足如无人飞行器到达时间、燃料消耗、威胁以及飞行区域等条件的基础上使规划出的航迹最优,或是达到一定的要求,以确保飞行任务的顺利完成。因为无人机应用环境复杂多变,且无人机自身性能存在约束,为了保证完成预定任务,无人机规划航迹应能最大程度上适应环境,避开威胁,提高其安全性,尽可能地减少航程与燃料消耗。
按照规划决策可以将路径规划算法分为现代智能算法以及传统经典算法。常用到的现代智能算法有A-star算法、粒子群算法、蚁群算法、遗传算法等,其中A-star算法更为简单高效,但随着搜索空间增大,A-star算法的计算量会呈指数增长,导致规划时间过长。常用的传统经典算法包括Dijkstra算法、人工势场法、模拟退火算法,其中人工势场法算法简明、实时性好、规划速度快、易于实现,但该方法在相近的障碍物面前难以发现路径,在狭窄通道内存在摆动现象,且具有局部最优问题。除此之外,在实际的环境中进行航迹规划时,无人飞行器为了躲避威胁区域或者攻击掩体背后的目标,还需要满足从特定飞行方向接近目标的约束,即规划出的航迹要满足端点方向约束,从起点的特定方向出发,并从目标点的威胁规避角度进行攻击。目前在解决具有端点进入角度约束的问题时,一般通过在目标点周围增加高威胁代价区域的方式实现,这样做不仅具有很大的局限性,也增加了航迹规划的时间,降低了规划效率。
针对上述问题,本发明提出将人工势场法与改进A-star算法结合分别指导全局路径与局部路径:采用人工势场法进行全局路径规划,无人机的飞行方向由引力场控制,采用改进的A-star算法进行局部路径规划,避让大型障碍物,并且利用双向搜索模型解决端点进入角度的约束。本发明可以通过提高避障效果,缩短寻路时间来优化规划路径、提高规划效率,同时航迹还满足了威胁规避角度约束,更符合实际应用。
发明内容
本发明的目的在于克服现有技术的不足,提供结合人工势场法与A-star算法角度约束的航迹规划方法,包括以下步骤:
步骤1:根据地图建立航迹坐标系;
步骤2:以无人机当前位置为起始点,以目标位置为终止点,获取起始点坐标、终止点坐标,判断地图中障碍物个数是否小于规划威胁阈值,若是,则采用双向搜索模型计算威胁规避角度,无人机沿威胁规避角度的航迹进入目标点,完成航迹规划,若否,则进入步骤3;
步骤3:根据人工势场法建立引力场,无人机依据引力场向终止点移动,判断动作过程中是否存在影响距离超过阈值的障碍物,若是,则进入步骤4,若否,则返回步骤2;
步骤4:对地图进行栅格化,确定起始点和终止点,采用改进A-star算法生成航迹路径,无人机沿航迹路径向终止点移动,无人机完成航迹路径后返回步骤2。
优选的,所述步骤2中,采用双向搜索模型计算威胁规避角度时,具体包括有以下步骤。
步骤201:对双向搜索模型进行参数初始化;
步骤202:以起始点指向终止点为正方向,从起始点沿正方向搜索第一航点,搜索路程为第一航迹,同时从终止点沿逆方向搜索第二航点,搜索路程为第二航迹,判断第一航迹、第二航迹是否交汇,若是,则进入步骤203,若否,则重复搜索过程;
步骤203:将两段航迹连成具有威胁规避角度的闭合航迹。
优选的,所述步骤201中的双向搜索模型为:
优选的,所述规划威胁阈值设为三个。
优选的,所述人工势场法建立引力场的表达公式为:
优选的,所述改进A-star算法的具体改进方式包括以下步骤。
步骤401:引入障碍物扩展策略;
步骤402:修改A-star算法中的实际代价函数,生成A-star算法的改进代价函数;
步骤403:设定实际代价函数、估算代价函数的权重;
步骤404:利用通视性检查方法删除A-star算法生成的航迹路径中的无用点。
优选的,所述步骤402中,改进后的实际代价函数和改进后A-star算法的代价函数如下所示:
改进后A-star算法的代价函数为:
优选的,所述步骤403中,设定权重后的代价函数如下所示:
本发明的有益效果是:
(1)将人工势场法与改进A-star算法结合分别指导全局路径与局部路径:采用人工势场法进行全局路径规划,无人机的飞行方向由引力场控制,采用改进的A-star算法进行局部路径规划,避让大型障碍物,通过提高避障效果,缩短寻路时间来优化规划路径、提高规划效率。
(2)利用双向搜索模型解决了威胁规避角度的约束,更符合实际应用。
附图说明
图1显示为结合人工势场法与A-star算法角度约束的航迹规划方法的流程图;
图2显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型流程图;
图3显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型示意图;
图4显示为结合人工势场法与A-star算法角度约束的航迹规划方法的双向搜索模型角度偏差示意图;
图5显示为结合人工势场法与A-star算法角度约束的航迹规划方法的改进的A-star算法流程图。
具体实施方式
下面结合本发明的附图1-附图5,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施。
在本发明的描述中,需要理解的是,术语“逆时针”、“顺时针”“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
以下结合实施例对本发明的特征和性能做进一步的详细描述。
结合人工势场法与A-star算法角度约束的航迹规划方法,如图1所示,包括以下步骤:
步骤1:根据地图建立航迹坐标系;
步骤2:以无人机当前位置为起始点,以目标位置为终止点,获取起始点坐标、终止点坐标,判断地图中障碍物个数是否小于规划威胁阈值,若是,则采用双向搜索模型计算威胁规避角度,无人机沿威胁规避角度的航迹进入目标点,完成航迹规划,若否,则进入步骤3;
步骤3:根据人工势场法建立引力场,无人机依据引力场向终止点移动,判断动作过程中是否存在影响距离超过阈值的障碍物,若是,则进入步骤4,若否,则返回步骤2;
步骤4:对地图进行栅格化,确定起始点和终止点,采用改进A-star算法生成航迹路径,无人机沿航迹路径向终止点移动,无人机完成航迹路径后返回步骤2。
进一步的,所述步骤2中,采用双向搜索模型计算威胁规避角度时,具体包括有以下步骤。如图2所示。
步骤201:对双向搜索模型进行参数初始化;
步骤202:以起始点指向终止点为正方向,从起始点沿正方向搜索第一航点,搜索路程为第一航迹,同时从终止点沿逆方向搜索第二航点,搜索路程为第二航迹,判断第一航迹、第二航迹是否交汇,若是,则进入步骤203,若否,则重复搜索过程;如图3所示;
步骤203:将两段航迹连成具有威胁规避角度的闭合航迹。
进一步的,所述步骤201中的双向搜索模型为:
进一步的,本实施例中优选所述规划威胁阈值设为三个。
当地图中障碍物的数量小于三个时,双向搜索模型的规划效率最高,规划出的轨迹能够更加符合无人机在航行过程中的安全性和约束要求,且障碍物半径越小,双向搜索模型的规划效率越高。
进一步的,所述人工势场法建立引力场的表达公式为:
进一步的,所述改进A-star算法的具体改进方式包括以下步骤。如图5所示。
步骤401:引入障碍物扩展策略;
步骤402:修改A-star算法中的实际代价函数,生成A-star算法的改进代价函数;
步骤403:设定实际代价函数、估算代价函数的权重;
步骤404:利用通视性检查方法删除A-star算法生成的航迹路径中的无用点。
在步骤401中,所述障碍物扩展策略为:逐一检查所有栅格区域时,将处于障碍物所在区间的栅格的邻近8个栅格均设为障碍物扩展区域,并为其赋予障碍物栅格一样的属性。
在步骤402中,A-star算法的改进代价函数能够使得每个区间的搜索计算量降低,以减少寻路时间,提高算法的搜索效率。
在步骤404中,利用通视性检查方法删除A-star算法生成的航迹路径中的无用点时,具体包括以下步骤。
步骤4041:改进A-star算法生成航迹路径后,从航迹路径起始点作为当前节点,以起始点指向终止点为正方向,进入步骤4042;
步骤4042:从当前节点开始,沿正方向判断航迹路径中任一节点与当前节点间相连的线段是否与障碍物相交,若否,则保留该节点,并删除该节点与当前节点之间的其余节点,并进入步骤4043,若是,则进入步骤4044;
步骤4043:判断航迹路径中节点是否均检查完毕,若是,则停止检查,输出检查后的航迹路径,若否,则返回步骤4042;
步骤4044:保留该节点,并将该节点作为当前节点,返回步骤4042。
进一步的,所述步骤402中,改进后的实际代价函数和改进后A-star算法的代价函数如下所示:
改进后A-star算法的代价函数为:
进一步的,所述步骤403中,设定权重后的代价函数如下所示:
Claims (2)
1.结合人工势场法与A-star算法角度约束的航迹规划方法,其特征在于,包括以下步骤:
步骤1:根据地图建立航迹坐标系;
步骤2:以无人机当前位置为起始点,以目标位置为终止点,获取起始点坐标、终止点坐标,判断地图中障碍物个数是否小于规划威胁阈值,若是,则采用双向搜索模型计算威胁规避角度,无人机沿威胁规避角度的航迹进入目标点,完成航迹规划,若否,则进入步骤3;
步骤3:根据人工势场法建立引力场,无人机依据引力场向终止点移动,判断动作过程中是否存在影响距离超过阈值的障碍物,若是,则进入步骤4,若否,则返回步骤2;
步骤4:对地图进行栅格化,确定起始点和终止点,采用改进A-star算法生成航迹路径,无人机沿航迹路径向终止点移动,无人机完成航迹路径后返回步骤2;
所述步骤2中,采用双向搜索模型计算威胁规避角度时,具体包括有以下步骤:
步骤201:对双向搜索模型进行参数初始化;
步骤202:以起始点指向终止点为正方向,从起始点沿正方向搜索第一航点,搜索路程为第一航迹,同时从终止点沿逆方向搜索第二航点,搜索路程为第二航迹,判断第一航迹、第二航迹是否交汇,若是,则进入步骤203,若否,则重复搜索过程;
步骤203:将两段航迹连成具有威胁规避角度的闭合航迹;
所述步骤201中的双向搜索模型为:
所述人工势场法建立引力场的表达公式为:
所述改进A-star算法的具体改进方式包括以下步骤;
步骤401:引入障碍物扩展策略;
步骤402:修改A-star算法中的实际代价函数,生成A-star算法的改进代价函数;
步骤403:设定实际代价函数、估算代价函数的权重;
步骤404:利用通视性检查方法删除A-star算法生成的航迹路径中的无用点;
改进后的实际代价函数和改进后A-star算法的代价函数如下所示:
改进后A-star算法的代价函数为:
所述步骤403中,设定权重后的代价函数如下所示:
2.根据权利要求1所述的结合人工势场法与A-star算法角度约束的航迹规划方法,其特征在于,所述规划威胁阈值设为三个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504573.2A CN114610076B (zh) | 2022-05-10 | 2022-05-10 | 结合人工势场法与A-star算法角度约束的航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504573.2A CN114610076B (zh) | 2022-05-10 | 2022-05-10 | 结合人工势场法与A-star算法角度约束的航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114610076A CN114610076A (zh) | 2022-06-10 |
CN114610076B true CN114610076B (zh) | 2022-07-29 |
Family
ID=81869598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504573.2A Active CN114610076B (zh) | 2022-05-10 | 2022-05-10 | 结合人工势场法与A-star算法角度约束的航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114610076B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967701B (zh) * | 2022-06-14 | 2023-06-09 | 中国矿业大学 | 一种动态环境下移动机器人自主导航方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN103901892A (zh) * | 2014-03-04 | 2014-07-02 | 清华大学 | 无人机的控制方法及系统 |
CN107577241A (zh) * | 2017-07-13 | 2018-01-12 | 西北工业大学 | 一种基于避障系统的消防无人机航迹规划方法 |
CN110977967A (zh) * | 2019-11-29 | 2020-04-10 | 天津博诺智创机器人技术有限公司 | 一种基于深度强化学习的机器人路径规划方法 |
CN111024085A (zh) * | 2019-12-18 | 2020-04-17 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
CN113485360A (zh) * | 2021-07-29 | 2021-10-08 | 福州大学 | 基于改进搜索算法的agv机器人路径规划方法及系统 |
CN114020015A (zh) * | 2021-10-29 | 2022-02-08 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于障碍物地图双向搜索的无人机路径规划系统及方法 |
CN114199270A (zh) * | 2021-12-14 | 2022-03-18 | 安徽理工大学 | 融合双向搜索机制与改进a*算法的机器人路径规划方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3010005B1 (en) * | 2014-10-14 | 2021-05-19 | The Boeing Company | Method for creating and choosing a determinate piloting strategy for an aircraft |
US11231715B2 (en) * | 2018-05-22 | 2022-01-25 | King Fahd University Of Petroleum And Minerals | Method and system for controlling a vehicle |
CN111736611B (zh) * | 2020-07-06 | 2023-03-24 | 中国计量大学 | 一种基于a*算法和人工势场算法的移动机器人路径规划方法 |
CN114115362B (zh) * | 2021-11-30 | 2023-12-26 | 沈阳航空航天大学 | 一种基于双向apf-rrt*算法的无人机航迹规划方法 |
-
2022
- 2022-05-10 CN CN202210504573.2A patent/CN114610076B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880186A (zh) * | 2012-08-03 | 2013-01-16 | 北京理工大学 | 基于稀疏a*算法和遗传算法的航迹规划方法 |
CN103901892A (zh) * | 2014-03-04 | 2014-07-02 | 清华大学 | 无人机的控制方法及系统 |
CN107577241A (zh) * | 2017-07-13 | 2018-01-12 | 西北工业大学 | 一种基于避障系统的消防无人机航迹规划方法 |
CN110977967A (zh) * | 2019-11-29 | 2020-04-10 | 天津博诺智创机器人技术有限公司 | 一种基于深度强化学习的机器人路径规划方法 |
CN111024085A (zh) * | 2019-12-18 | 2020-04-17 | 四川大学 | 一种具有端点方向和时间约束的无人机航迹规划方法 |
CN113485360A (zh) * | 2021-07-29 | 2021-10-08 | 福州大学 | 基于改进搜索算法的agv机器人路径规划方法及系统 |
CN114020015A (zh) * | 2021-10-29 | 2022-02-08 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于障碍物地图双向搜索的无人机路径规划系统及方法 |
CN114199270A (zh) * | 2021-12-14 | 2022-03-18 | 安徽理工大学 | 融合双向搜索机制与改进a*算法的机器人路径规划方法 |
Non-Patent Citations (4)
Title |
---|
Bi-Directional Adaptive A* Algorithm Toward Optimal Path Planning for Large-Scale UAV Under Multi-Constraints;Xueli Wu,等;《IEEE Access》;20201231;第8卷;全文 * |
Global Dynamic Path Planning based on Fusion Improved A-star And Dynamic Window Method;Qiang Fu,等;《 2021 IEEE 5th Information Technology,Networking,Electronic and Automation Control Conference (ITNEC)》;20211231;全文 * |
基于双向搜索改进A*算法的自动导引车路径规划;陈德童,等;《计算机应用》;20211231;全文 * |
避障最优路径系统研究;唐焱,等;《计算机技术与应用》;20171231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114610076A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359757B (zh) | 一种无人驾驶车辆路径规划与轨迹跟踪方法 | |
CN106444740B (zh) | 基于mb-rrt的无人机二维航迹规划方法 | |
CN107608372B (zh) | 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法 | |
CN108444488A (zh) | 基于等步采样a*算法的无人驾驶局部路径规划方法 | |
CN107085437A (zh) | 一种基于eb‑rrt的无人机航迹规划方法 | |
CN107504972A (zh) | 一种基于鸽群算法的飞行器航迹规划方法及装置 | |
CN111930121B (zh) | 一种室内移动机器人的混合路径规划方法 | |
CN109685237B (zh) | 一种基于Dubins路径和分支限界的无人机航迹实时规划方法 | |
CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
CN114610076B (zh) | 结合人工势场法与A-star算法角度约束的航迹规划方法 | |
CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
CN112379697B (zh) | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 | |
CN106774425A (zh) | 一种无人机飞行导航的方法及系统 | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
CN111897362B (zh) | 一种复杂环境下的翼伞组合式航迹规划方法 | |
CN110470305B (zh) | 一种动态环境下无人机避障航迹规划方法 | |
CN114675649A (zh) | 一种融合改进的a*与dwa算法的室内移动机器人路径规划方法 | |
CN109613921A (zh) | 基于快速移动萤火虫算法的无人船舶局部路径规划方法 | |
Gao et al. | A fusion approach for mobile robot path planning based on improved A* algorithm and adaptive dynamic window approach | |
CN116804879A (zh) | 一种改进蜣螂算法融合dwa算法的机器人路径规划框架方法 | |
CN111561933A (zh) | 双重改进a星最短航路规划方法 | |
CN113467476A (zh) | 考虑转角约束的无碰撞检测快速随机树全局路径规划方法 | |
CN114779772A (zh) | 一种融合全局及局部算法的路径规划方法及装置 | |
CN115328208A (zh) | 一种实现全局动态路径规划的无人机路径规划方法 | |
Zhao et al. | Autonomous exploration method for fast unknown environment mapping by using UAV equipped with limited FOV sensor |
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 |