CN114637305B - 一种无人机最短路径规划方法及装置 - Google Patents
一种无人机最短路径规划方法及装置 Download PDFInfo
- Publication number
- CN114637305B CN114637305B CN202210137755.0A CN202210137755A CN114637305B CN 114637305 B CN114637305 B CN 114637305B CN 202210137755 A CN202210137755 A CN 202210137755A CN 114637305 B CN114637305 B CN 114637305B
- Authority
- CN
- China
- Prior art keywords
- weather
- unmanned aerial
- aerial vehicle
- shortest path
- model
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/08—Control of attitude, i.e. control of roll, pitch, or yaw
- G05D1/0808—Control of attitude, i.e. control of roll, pitch, or yaw specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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
Abstract
本发明提供一种无人机最短路径规划方法及装置,涉及无人机飞行线路技术领域;该方法包括:在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过最小连通图得到最短路径;基于SweepLine算法对天气模型进行凸包优化,得到天气优化模型;根据卷积神经网络训练天气优化模型,得到天气识别模型;基于Spark计算框架和天气识别模型更新所述最短路径,得到更新后的最短路径。无人机在飞行过程中能够通过天气模型自动探测前方禁飞区域,对其优化和校准,基于Spark计算框架和天气识别模型能够动态调整最短路径,通过启发式凸包优化最短路径,结合Spark计算框架提高计算速度,快速且准确得到最短路径。
Description
技术领域
本发明主要涉及无人机飞行线路技术领域,具体涉及一种无人机最短路径规划方法及装置。
背景技术
20世纪末,随着航空技术、通信技术和材料技术的快速进步,无人机行业迎来了其发展高峰,多个国家及地区实现了无人机的广泛应用,如美国已将无人机运用到多个行业中;俄罗斯研发了多用途无人机,执行如灾难性自然天气事件的预防,在干旱地区人工降雨的形成,监控道路,水和陆地表面,天气和环境条件等。
目前,研究学者们提出的航路规划方法和策略主要分为两类,一是基于已知环境信息规划初始航路,在出现突发飞行障碍(如极端天气)时局部调整初始航路,绕过飞行障碍后重新回到预先规划的航路上;另一种方法是在发现新的飞行障碍后作出的反映,完全重新规划一条新的航路,起点是当前位置,终点为目标位置。以上两种方法虽然弥补了全局航路规划缺乏应变能力的不足,但路径规划的时效性较低,不能满足无人机航路重规划安全快速的要求。无人机应用技术已不再仅仅是将“有人机”简单地“无人化”,需要及时解决一系列独特的应用关键技术。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种无人机最短路径规划方法及装置。
本发明解决上述技术问题的技术方案如下:一种无人机最短路径规划方法,包括如下步骤:
在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
本发明解决上述技术问题的另一技术方案如下:一种无人机最短路径规划装置,包括:
生成模块,用于在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
优化模块,用于基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
构建模块,用于根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
更新模块,用于基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
本发明的有益效果是:无人机在飞行过程中能够通过天气模型自动探测前方禁飞区域,对其优化和校准,基于Spark计算框架和天气识别模型能够动态调整最短路径,通过启发式凸包优化最短路径,结合Spark计算框架提高计算速度,快速且准确得到最短路径。
附图说明
图1为本发明实施例提供的无人机最短路径规划方法的流程示意图;
图2为本发明实施例提供的无人机最短路径规划装置的功能模块示意图;
图3为本发明实施例提供的凸包的示意图;
图4为本发明实施例提供的深度学习模型的数据处理过程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1:
如图1所示,一种无人机最短路径规划方法,包括如下步骤:
在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
上述实施例中,无人机在飞行过程中能够通过天气模型自动探测前方禁飞区域,对其优化和校准,基于Spark计算框架和天气识别模型能够动态调整最短路径,通过启发式凸包优化最短路径,结合Spark计算框架提高计算速度,快速且准确得到最短路径。
具体地,所述在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,具体为:
在所述天气模型中确定禁飞区域,并根据禁飞区域获得到禁飞区域的凸点坐标集合,输入无人机的起始坐标和终点坐标,通过最短路径规划算法、所述起始坐标、所述终点坐标和所述凸点坐标集合得到可行线段集合,根据可行线段集合构建拓扑结构,在所述拓扑结构中确定最小路径权值对应的节点作为遍历的起点,将所述拓扑结构中所有的点进行遍历,根据遍历结果生成无人机飞行路线最小连通图。
应理解地,传统的最短路径规划算法,主要研究点与点之间的加权最小连通图,而没有考虑在禁飞区存在的情况下,如何构建飞行路线的最短路径。禁飞区存在的情况,需要大量的空位位置关系判断来获取可行路线。
本发明拟研究不良天气下无人机的飞行路线最小连通图问题。首先,构建地理几何天气模型,获取禁飞区域的坐标信息。然后,获取禁飞区的凸点坐标集合,根据起始位置和终点位置与凸点坐标集合的连通性——线段相连,不进入禁飞区域,构建最小连通图。最小连通图的权重是坐标之间的实际空间距离,本发明拟设计自适应的坐标系转换方法,支持火星坐标系、谷歌WGS-84坐标系相互转换。
上述处理过程为HDP算法过程:基于启发式的HDP算法坐标转换:本发明进行计算两点间距离前还需进行坐标转换,并对无法确定获取数据坐标系类型时使用百度和高德提供的经纬度反查工具。
输入、输出、参数、过程介绍:
输入:无人机起始位置s
目的位置e
SD省各市区天气数据W
无人机飞行视频数据D
参数:深度学习参数设置epoch=15、batch_size=32
无人机最大可见距离
无人机视角[11](120°)
地理坐标系:4326
输出:无人机飞行路线,最短距离
已知起始坐标A和终点坐标B,算法读取当前天气情况划分禁飞区,输出最短路径A-X-X-X-B。当到达坐标C时,前方天气发生变化无法飞行,数据库更新,算法重新计算路径,输出C-Y-Y-Y-B,无人机成功避免了障碍并且新的路径也是最短的。
首先在(Line 1)给定了算法的输入(起点坐标s、终点坐标e、禁飞区域坐标集合),并初始化了其他参数。然后在(Line 2-13)根据可行点的集合生成所有理论可能路径linePos。由于线段和polygon相交并且不接触是不符合要求的,据此生成不可行路径的集合lineIntesects。易知lineIntesects∈linePos,算法中的差集即为可行线段集合。接着(Line 14-15)根据可行的路径集合,生成邻接矩阵N和Graph并对其进行初始化。最后(Line16-22)根据拓扑,从起点s开始循环,找出所有邻接节点,更新起点到邻接节点路径权值weight和记录的前驱节点previs,从中选出路径权值最小的一个节点作为下一轮的起点from。当所有点都被遍历时,算法结束,返回最短路径,对应的坐标,最短距离。
具体地,所述基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型,具体为:
当所述无人机绕禁飞区域边缘飞行时,将所述禁飞区域抽象为多边形,并将所述禁飞区域的多边形转换为凸包,并通过叉积算法判断所述凸包内部的点是否为非凸包点,将所述非凸包点删除,并确定所述凸包的多个边缘点,根据各个所述边缘点的连线得到不可行路径集合,通过所述不可行路径集合的差集得到新的可行路径集合,根据所述新的可行路径集合得到天气优化模型。
应理解地,无人机规避极端天气时,可视为一次规避禁飞区运动,由于各个省市的地理位置坐标是不规则的。而天气情况的变化基本上为区域性变化。
本发明拟研究禁飞区凸包优化问题通过经纬度将区域性天气情况从可视化地图上展示出来时,由于不同天气情况区域面积的分布情况不同。在如何设计无人机规避禁飞区问题上,本专利拟采用改进的SweepLine算法的凸包优化,通过平面线扫描的方法加上凸包优化技术,能够大大减小无人机遭遇禁飞区时路径上的判断。
上述处理过程为HCDP算法过程:基于凸包优化的启发式HCDP算法,当无人机绕障碍区域边缘飞行时,执行直接越过此区域飞行的操作会比向内凹区域飞行的整体路程更短。将障碍区域抽象成多边形时,内凹处线段是冗余的并且在线段集中占据大部分。因此为了减少数据量与系统计算复杂度,必须删除这些线段。将多边形转换成凸包,通过填充内凹部分,大大减少了数据量,显著提升了整体计算效率。
输入:无人机起始位置s
目的位置e
SD省各市区天气数据W
无人机飞行视频数据D
参数:无人机最大可见距离
无人机视角(120°)
地理坐标系:4326
输出:无人机飞行路线,最短距离
过程:构建禁飞区域凸包优化算法,基于禁飞区域获取可行路线连通图,根据连通权值(实际距离),设计启发式搜索算法计算无人机飞行的最短路径。
利用凸包优化的方法将禁飞区中内部点进行去除,通过平面几何处理的方法将禁飞区中的点进行整合,当无人机飞行至当前位置时判断所需飞行至禁飞区的距离。如图3所示,如果无人机飞行至几何图形内部时,则会增大无人机飞行路线。而使用凸包优化技术后无人机只需判断到几何图形边缘点即可。
首先(Line 1)给定了算法的输入(起点坐标s、终点坐标e、禁飞区域坐标集合),并初始化了其他参数。其次(Line 2-12)介绍了把多边形polygon转换成凸包并根据叉积判断其上的点是否为非凸包点,若是则去除。然后(Line 13-24)根据可行点的集合生成所有理论可能路径linePos。由于线段和polygon相交并且不接触是不符合要求的,据此我们生成不可行路径的集合lineIntesects。易知lineIntesects∈linePos,它们的差集即为可行线段集合。接着(Line 25-26)根据可行的路径集合,生成邻接矩阵N和Graph并对其进行初始化。最后(Line 27-33)根据拓扑,从起点s开始循环,找出所有邻接节点,更新起点到邻接节点路径权值weight和记录的前驱节点previs,从中选出路径权值最小的一个节点作为下一轮的起点from。当所有点都被遍历时,算法结束,返回最短路径,对应的坐标,最短距离。
具体地,DHCDP算法:所述根据卷积神经网络训练所述天气优化模型,得到天气识别模型,具体为:
根据卷积神经网络LeNet-5训练所述天气优化模型,得到天气识别模型:通过所述天气识别模型获得天气图像;所述卷积神经网络LeNet-5包括输入层、第一层神经网络、第二层神经网络和输出层,并将所述第一层神经网络的神经元设置为128个,将所述第二层神经网络的神经元设置为5个,并通过Relu激活函数和Softmax激活函数对导入所述输入层的所述天气图像进行训练,通过所述输出层输出天气识别模型。
应理解地,深度神经网络之所以能够取得好的性能,关键在于其强大的特征学习与表达能力。但是,深度神经网络在具有强大的特征学习能力之余,也会产生很多冗余特征。这些特征不仅大大降低了深度神经网络模型的可移植性和实用性,也会影响其学习表达性能。
因此,本专利拟构建统一的深度神经网络特征图权重学习模型,以此来强调重要特征,同时减小冗余特征对模型的影响。
上述处理过程为天气识别模型DHCDP算法过程:无人机在山东省上空飞行时,从A市到B市的最短路径中可能会经过多个其他城市。在当前天气预报的准确性并不可靠的前提下,本专利设计了一个基于DHCDP深度学习的天气识别模型,拟从无人机模拟拍摄的视频中获取当前位置的视图,本专利将视图输入DHCDP深度学习模型中,对输入图片进行判断,如果图片中的天气状况与已知的相同,则不会向无人机反馈数据,无人机继续遵循原始的最短路径飞行。如果识别出的天气状况与已知不同,那么将在数据库中更新改坐标的等级。
如图4所示,本发明在卷积神经网络LeNet-5的基础上提出一种基于深度学习的天气识别模型DHCDP算法。模型使用的图片是28*28像素的,所以在输入时模型使用Flatten层将像素拉伸输入,隐藏层的神经元个数设为128,使用的激活函数是Relu;输出层使用的是Softmax激活函数,这里将输出分为5类,晴天,多云天,雾天,雨天和雪天,对应的等级分别是1、2、3、4、5。
输入、输出、参数、过程介绍:
输入:无人机当前天气数据T
山东省各市区天气数据W
无人机飞行视频数据D
参数:深度学习参数设置epoch=15、batch_size=32
无人机最大可见距离
无人机视角(120°)
地理坐标系:4326
输出:当前无人机飞行安全等级
过程:通过判断当前飞行区域的天气情况,输出当前飞行区的安全等级,为判断是否禁飞区提供数据。
首先在阶段一(Line 1-14)给出了DHCDP模型训练阶段,将train和test数据集和标签文件输入(Line 1),使用Generate函数返回输入特征x和标签y_(Line 2),判断所有的数据集和标签是否存在,如果存在,将读取数据文件,如果不存在则执行Generate函数(Line 3-6)。初始化神经网络(Line 7-12),首先将数据拉伸为一维数组,将第一层神经网络和第二层神经网络的神经元分别设为128个和5个,并分别采用Relu和Softmax激活函数,选择adam优化器,将epoch设为15,batch_size设为32。然后在(Line 13-14)中,将训练好的模型参数存储到weight文件中,并且将训练集和测试集的训练精度和损失率可视化。在第二阶段(Line 15-20),判断数据库是否更新,如果不更新,不做任何处理;如果更新,将读取更新点的坐标,调用HCDP算法,模拟获取无人机当前位置的视图,再调用阶段一的DHCDP模型,输出视图天气等级,将等级返回数据中,更新数据库信息。
具体地,所述基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径,具体为:
构建所述Spark计算框架,并配置所述Spark计算框架的Spark Application运行环境;
创建数据表,所述数据表用于记录所述天气识别模型识别的禁飞区域信息和无人机飞行数据;
将所述天气识别模型导入配置后的Spark计算框架中,当所述天气识别模型更新禁飞区域信息时,更新所述最短路径,得到更新后的无人机飞行数据,并根据更新后的禁飞区域信息和更新后的无人机飞行数据更新所述数据表中禁飞区域信息和无人机飞行数据。
应理解地,面对海量数据,单节点型性能不足,容量和性能都不易扩展,难以支撑海量数据计算。Hadoop虽然可以提供比较快的速度,但由于其实现机制问题,运行过程中不断进行I/O操作,耗费大量时间,降低了计算效率。
本专利拟构建基于Spark计算框架,采用内存运算技术,完成数据的快速计算,减少大量耗时的I/O操作,实现高效的算法计算性能。
上述处理过程为SDHCDP算法过程:本算法基于Spark平台,通过创建多个RDD进行并行计算,极大的减少了计算时间。
输入:无人机起始位置s
目的位置e
SD省各市区天气数据W
无人机飞行视频数据D
参数:无人机最大可见距离
无人机视角(120°)
地理坐标系:4326
输出:无人机飞行路线,最短距离
过程:构建禁飞区域凸包优化算法,基于禁飞区域获取可行路线连通图,根据连通权值(实际距离),使用Spark处理海量数据,设计启发式搜索算法计算无人机飞行的最短路径。
首先(Line 1-5)构建了Spark Application(SDHCDP程序)的运行环境,SparkContext向Cluster Manager注册,并申请运行Executor资源。其次(Line 6)Master为Executor分配资源并启动Executor进程,收集其运行情况。然后(Line 7)Driver构建DAG图,将DAG图分解成多个Stage和Task,把Task和SDHCDP程序发送给Executor执行,并监控执行情况。最后(Line 8)运行完毕后写入数据,SparkContext注销并释放所有资源。
具体地,本发明创建数据表的过程为:
本部分是根据CSV文件中的无人机气象数据以及HCDP算法与DHCDP算法运行结果数据以及山东省各市的点的具体经纬度在山河平台中创建所需的数据表。
具体来说主要是通过CREATE TABLE语法来进行实现,CREATE TABLE是一个关键词,用于告知数据库系统创建一个数据表,其中表名字必需在同一模式中的其它表、序列、索引、视图或外部表名字中唯一,此外,需要说明的是CREATE TABLE在当前数据库创建一个新的空白表,该表将由发出此命令的用户所拥有,表格中的每个字段都要定义数据类型。四个表主要存储的创建的数据表的具体字段及类型与相关描述如表II、表III、表IV、表V所示:
表II:Cars表字段名及描述
表II中存储的数据为涵盖16个维度指标的山东省17个市的天气数据集,共有10000条数据,共有16个字段,这个字段分别表示数据集中16个气象维度指标,其中表II命名为Cars。
表III:PathRank表字段名及描述
字段 | 类型 | 描述 |
num | integer | 本字段表示数据序列号 |
longitude | double precision | 本字段表示无人机当前位置的经度 |
latitude | double precision | 本字段表示无人机当前位置的纬度 |
path | text | 本字段表示路径 |
level | integer | 本字段表示安全等级 |
表III命名为PathRank,表III中的数据共有5个字段,主要包含无人机当前位置的经纬度、HCDP算法计算得到的最短路径以及DHCDP算法得到的安全等级等指标。
表IV:WEATHER2表字段名及描述
字段 | 类型 | 描述 |
city | text | 本字段表示城市 |
latitude | double precision | 本字段表示纬度 |
longitude | double precision | 本字段表示经度 |
表IV命名为WEATHER2,共有三个字段,存储的数据主要包含山东省各市的点的所属市以及具体经纬度坐标。
表V:Noflyzone表字段名及描述
字段 | 类型 | 描述 |
City | text | 表示禁飞区域 |
表V共有一个字段,存储的数据为HCDP算法经执行判断得到的禁飞区域。
1、修改编码格式。为了保障客户端与服务端的正常交互,客户端与服务端的字符编码必须保证一致;由于CSV导入数据表时传入的字符编码是UTF-8编码,所以需要将客户端字符编码类型改为GBK编码类型,以避免出现乱码。
2、CSV文件上传。主要通过WinSCP工具将csv文件放入到山河平台的文件夹下。
3、插入数据。本部分主要通过基本copy命令将第四部分中上传的csv文件插入到数据表Cars中。
下面介绍无人机飞行权限设计:
在设计数据库中,本专利对无人机在飞行过程当中能遭遇到的气象情况进行分析。除了正常飞行情况外,将无人机遭遇天气的飞行权限情况设为三个档次分别为:一档建议不飞、二档勉强飞行、三档禁止飞行。(本发明中无人机飞行权限依照大疆Phantom 4无人机说明书设计)。
表VI飞行权限设计
1、温度:
气温变化对无人机的某些功能组件有较大影响,进而影响整体飞行效率。具体来看,-10℃~0℃这种低温环境下,电池容量骤减,电池活性下降,无人机续航能力下降,大于-10℃时特征更加明显,甚至有可能出现电机停转这种情况。而在40℃~50℃之间这种高温环境下,无人机电机在运转时会产生大量热量,影响无人机部件的运转,高于50℃时甚至会将无人机的内部组件融化。
2、风力:
通常在大风状态无人机为了保持自身的姿态与飞行轨迹,会消耗很大一部分电量,进而缩短整机续航时间。当风力处于4级到5级之间时,无人机电量消耗比较大同时可能无法稳定悬停;当风力大于5级时无人机可能会因风力过大而无法起飞,若强行起飞,可能会出现炸机事件。
3、空气湿度:
空气湿度越大,空气密度就越小,无人机的表面也会凝结越多的水汽。对于无人机这类精密的电子产品,水汽一旦慎入内部,非常可能造成电路不稳定,严重情况下可能腐蚀内部电子元器件,所以规划无人机飞行路径时也要将空气湿度纳入考虑。
4、能见度:
能见度低的天气往往对机器无线电信号、成像具备削减作用。具体来看,能见度处于80~100米时,无线电信号不稳定,拍摄的画面画质一般,无人机建议不飞;能见度处于60~80米无线电信号较差,拍摄的画面画质较差,无人机在非必要的情形下尽量不飞;低于60米无线电信号极弱,拍摄的画面画质很差,无人机禁止起飞。
5、气压:
无人机在86Kpa~106Kpa下正常飞行,而其他情况可以飞行但是需要操作者注意根据气压值来对飞行的高度进行确定,防止引起误差。
数据库天气数据更新
本发明对天气数据进行收集和处理。数据汇总到数据库的数据表中,对数据进行预处理操作,可得经纬度坐标信息,从而获得天气信息。根据天气识别,获得安全等级。对于无人机来说,数字越大,等级越高,越不安全。将得到的等级放入数据库里,为无人机下一步飞行策略提供参考。
实施例2:
如图2所示,一种无人机最短路径规划装置,其特征在于,包括:
生成模块,用于在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
优化模块,用于基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
构建模块,用于根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
更新模块,用于基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
具体地,所述生成模块具体用于:
在所述天气模型中确定禁飞区域,并根据禁飞区域获得到禁飞区域的凸点坐标集合,输入无人机的起始坐标和终点坐标,通过最短路径规划算法、所述起始坐标、所述终点坐标和所述凸点坐标集合得到可行线段集合,根据可行线段集合构建拓扑结构,在所述拓扑结构中确定最小路径权值对应的节点作为遍历的起点,将所述拓扑结构中所有的点进行遍历,根据遍历结果生成无人机飞行路线最小连通图。
具体地,所述优化模块具体用于:
当所述无人机绕禁飞区域边缘飞行时,将所述禁飞区域抽象为多边形,并将所述禁飞区域的多边形转换为凸包,并通过叉积算法判断所述凸包内部的点是否为非凸包点,将所述非凸包点删除,并确定所述凸包的多个边缘点,根据各个所述边缘点的连线得到不可行路径集合,通过所述不可行路径集合的差集得到新的可行路径集合,根据所述新的可行路径集合得到天气优化模型。
具体地,所述构建模块具体用于:
根据卷积神经网络LeNet-5训练所述天气优化模型,得到天气识别模型:通过所述天气识别模型获得天气图像;所述卷积神经网络LeNet-5包括输入层、第一层神经网络、第二层神经网络和输出层,并将所述第一层神经网络的神经元设置为128个,将所述第二层神经网络的神经元设置为5个,并通过Relu激活函数和Softmax激活函数对导入所述输入层的所述天气图像进行训练,通过所述输出层输出天气识别模型。
具体地,所述更新模块具体用于:
构建所述Spark计算框架,并配置所述Spark计算框架的Spark Application运行环境;
创建数据表,所述数据表用于记录所述天气识别模型识别的禁飞区域信息和无人机飞行数据;
将所述天气识别模型导入配置后的Spark计算框架中,当所述天气识别模型更新禁飞区域信息时,更新所述最短路径,得到更新后的无人机飞行数据,并根据更新后的禁飞区域信息和更新后的无人机飞行数据更新所述数据表中禁飞区域信息和无人机飞行数据。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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。
Claims (10)
1.一种无人机最短路径规划方法,其特征在于,包括如下步骤:
在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
2.根据权利要求1所述的无人机最短路径规划方法,其特征在于,所述在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,具体为:
在所述天气模型中确定禁飞区域,并根据禁飞区域获得到禁飞区域的凸点坐标集合,输入无人机的起始坐标和终点坐标,通过最短路径规划算法、所述起始坐标、所述终点坐标和所述凸点坐标集合得到可行线段集合,根据可行线段集合构建拓扑结构,在所述拓扑结构中确定最小路径权值对应的节点作为遍历的起点,将所述拓扑结构中所有的点进行遍历,根据遍历结果生成无人机飞行路线最小连通图。
3.根据权利要求2所述的无人机最短路径规划方法,其特征在于,所述基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型,具体为:
当所述无人机绕禁飞区域边缘飞行时,将所述禁飞区域抽象为多边形,并将所述禁飞区域的多边形转换为凸包,并通过叉积算法判断所述凸包内部的点是否为非凸包点,将所述非凸包点删除,并确定所述凸包的多个边缘点,根据各个所述边缘点的连线得到不可行路径集合,通过所述不可行路径集合的差集得到新的可行路径集合,根据所述新的可行路径集合得到天气优化模型。
4.根据权利要求1所述的无人机最短路径规划方法,其特征在于,所述根据卷积神经网络训练所述天气优化模型,得到天气识别模型,具体为:
根据卷积神经网络LeNet-5训练所述天气优化模型,得到天气识别模型:通过所述天气识别模型获得天气图像;所述卷积神经网络LeNet-5包括输入层、第一层神经网络、第二层神经网络和输出层,并将所述第一层神经网络的神经元设置为128个,将所述第二层神经网络的神经元设置为5个,并通过Relu激活函数和Softmax激活函数对导入所述输入层的所述天气图像进行训练,通过所述输出层输出天气识别模型。
5.根据权利要求1所述的无人机最短路径规划方法,其特征在于,所述基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径,具体为:
构建所述Spark计算框架,并配置所述Spark计算框架的Spark Application运行环境;
创建数据表,所述数据表用于记录所述天气识别模型识别的禁飞区域信息和无人机飞行数据;
将所述天气识别模型导入配置后的Spark计算框架中,当所述天气识别模型更新禁飞区域信息时,更新所述最短路径,得到更新后的无人机飞行数据,并根据更新后的禁飞区域信息和更新后的无人机飞行数据更新所述数据表中禁飞区域信息和无人机飞行数据。
6.一种无人机最短路径规划装置,其特征在于,包括:
生成模块,用于在天气模型下通过最短路径规划算法生成无人机飞行路线最小连通图,通过所述最小连通图得到最短路径;
优化模块,用于基于SweepLine算法对所述天气模型进行凸包优化,得到天气优化模型;
构建模块,用于根据卷积神经网络训练所述天气优化模型,得到天气识别模型;
更新模块,用于基于Spark计算框架和所述天气识别模型更新所述最短路径,得到更新后的最短路径。
7.根据权利要求6所述的无人机最短路径规划装置,其特征在于,所述生成模块具体用于:
在所述天气模型中确定禁飞区域,并根据禁飞区域获得到禁飞区域的凸点坐标集合,输入无人机的起始坐标和终点坐标,通过最短路径规划算法、所述起始坐标、所述终点坐标和所述凸点坐标集合得到可行线段集合,根据可行线段集合构建拓扑结构,在所述拓扑结构中确定最小路径权值对应的节点作为遍历的起点,将所述拓扑结构中所有的点进行遍历,根据遍历结果生成无人机飞行路线最小连通图。
8.根据权利要求7所述的无人机最短路径规划装置,其特征在于,所述优化模块具体用于:
当所述无人机绕禁飞区域边缘飞行时,将所述禁飞区域抽象为多边形,并将所述禁飞区域的多边形转换为凸包,并通过叉积算法判断所述凸包内部的点是否为非凸包点,将所述非凸包点删除,并确定所述凸包的多个边缘点,根据各个所述边缘点的连线得到不可行路径集合,通过所述不可行路径集合的差集得到新的可行路径集合,根据所述新的可行路径集合得到天气优化模型。
9.根据权利要求6所述的无人机最短路径规划装置,其特征在于,所述构建模块具体用于:
根据卷积神经网络LeNet-5训练所述天气优化模型,得到天气识别模型:通过所述天气识别模型获得天气图像;所述卷积神经网络LeNet-5包括输入层、第一层神经网络、第二层神经网络和输出层,并将所述第一层神经网络的神经元设置为128个,将所述第二层神经网络的神经元设置为5个,并通过Relu激活函数和Softmax激活函数对导入所述输入层的所述天气图像进行训练,通过所述输出层输出天气识别模型。
10.根据权利要求6所述的无人机最短路径规划装置,其特征在于,所述更新模块具体用于:
构建所述Spark计算框架,并配置所述Spark计算框架的Spark Application运行环境;
创建数据表,所述数据表用于记录所述天气识别模型识别的禁飞区域信息和无人机飞行数据;
将所述天气识别模型导入配置后的Spark计算框架中,当所述天气识别模型更新禁飞区域信息时,更新所述最短路径,得到更新后的无人机飞行数据,并根据更新后的禁飞区域信息和更新后的无人机飞行数据更新所述数据表中禁飞区域信息和无人机飞行数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137755.0A CN114637305B (zh) | 2022-02-15 | 2022-02-15 | 一种无人机最短路径规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210137755.0A CN114637305B (zh) | 2022-02-15 | 2022-02-15 | 一种无人机最短路径规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114637305A CN114637305A (zh) | 2022-06-17 |
CN114637305B true CN114637305B (zh) | 2023-08-15 |
Family
ID=81946301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210137755.0A Active CN114637305B (zh) | 2022-02-15 | 2022-02-15 | 一种无人机最短路径规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637305B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2231820C2 (ru) * | 2001-01-29 | 2004-06-27 | Федеральное государственное унитарное предприятие "Ульяновский механический завод" | Устройство управления положением диаграммы направленности антенны мобильной рлс обнаружения |
CN106846926A (zh) * | 2017-04-13 | 2017-06-13 | 电子科技大学 | 一种禁飞区无人机预警方法 |
CN107478231A (zh) * | 2017-08-10 | 2017-12-15 | 千寻位置网络有限公司 | 基于多边形障碍检测的无人机路线规划算法 |
CN107943072A (zh) * | 2017-11-13 | 2018-04-20 | 深圳大学 | 无人机飞行路径生成方法、装置、存储介质及设备 |
CN108830032A (zh) * | 2018-05-17 | 2018-11-16 | 南京邮电大学 | 一种基于神经网络的无人机天气预警方法 |
CN109032167A (zh) * | 2018-04-27 | 2018-12-18 | 中国航空无线电电子研究所 | 基于并行启发式算法的无人机路径规划方法 |
CN109063891A (zh) * | 2018-06-22 | 2018-12-21 | 浙江大学城市学院 | 一种无人机调度路线规划方法 |
CN109272151A (zh) * | 2018-09-06 | 2019-01-25 | 中南大学 | 一种基于Spark的车辆路径规划算法优化方法 |
CN109557939A (zh) * | 2019-01-07 | 2019-04-02 | 上海交通大学 | 一种基于伪分布式无人机集群的快速队形控制方法 |
CN109782807A (zh) * | 2019-03-08 | 2019-05-21 | 哈尔滨工程大学 | 一种回形障碍物环境下的auv避障方法 |
CN111367316A (zh) * | 2020-03-12 | 2020-07-03 | 北京航空航天大学 | 带有执行器故障补偿的无人机编队自适应控制的方法 |
CN113176776A (zh) * | 2021-03-03 | 2021-07-27 | 上海大学 | 基于深度强化学习的无人艇天气自适应避障方法 |
CN113220027A (zh) * | 2021-05-08 | 2021-08-06 | 北京大学 | 一种基于遥感任务的凹多边形区域无人机航迹规划 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9947229B2 (en) * | 2013-12-19 | 2018-04-17 | International Business Machines Corporation | Managing flight paths of a soaring aircraft |
JP2018511136A (ja) * | 2015-03-26 | 2018-04-19 | マターネット, インコーポレイテッドMatternet, Inc. | 無人航空機のための経路計画 |
US20200191997A1 (en) * | 2018-12-18 | 2020-06-18 | Loon Llc | Generating weather models using real time observations |
-
2022
- 2022-02-15 CN CN202210137755.0A patent/CN114637305B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2231820C2 (ru) * | 2001-01-29 | 2004-06-27 | Федеральное государственное унитарное предприятие "Ульяновский механический завод" | Устройство управления положением диаграммы направленности антенны мобильной рлс обнаружения |
CN106846926A (zh) * | 2017-04-13 | 2017-06-13 | 电子科技大学 | 一种禁飞区无人机预警方法 |
CN107478231A (zh) * | 2017-08-10 | 2017-12-15 | 千寻位置网络有限公司 | 基于多边形障碍检测的无人机路线规划算法 |
CN107943072A (zh) * | 2017-11-13 | 2018-04-20 | 深圳大学 | 无人机飞行路径生成方法、装置、存储介质及设备 |
CN109032167A (zh) * | 2018-04-27 | 2018-12-18 | 中国航空无线电电子研究所 | 基于并行启发式算法的无人机路径规划方法 |
CN108830032A (zh) * | 2018-05-17 | 2018-11-16 | 南京邮电大学 | 一种基于神经网络的无人机天气预警方法 |
CN109063891A (zh) * | 2018-06-22 | 2018-12-21 | 浙江大学城市学院 | 一种无人机调度路线规划方法 |
CN109272151A (zh) * | 2018-09-06 | 2019-01-25 | 中南大学 | 一种基于Spark的车辆路径规划算法优化方法 |
CN109557939A (zh) * | 2019-01-07 | 2019-04-02 | 上海交通大学 | 一种基于伪分布式无人机集群的快速队形控制方法 |
CN109782807A (zh) * | 2019-03-08 | 2019-05-21 | 哈尔滨工程大学 | 一种回形障碍物环境下的auv避障方法 |
CN111367316A (zh) * | 2020-03-12 | 2020-07-03 | 北京航空航天大学 | 带有执行器故障补偿的无人机编队自适应控制的方法 |
CN113176776A (zh) * | 2021-03-03 | 2021-07-27 | 上海大学 | 基于深度强化学习的无人艇天气自适应避障方法 |
CN113220027A (zh) * | 2021-05-08 | 2021-08-06 | 北京大学 | 一种基于遥感任务的凹多边形区域无人机航迹规划 |
Non-Patent Citations (1)
Title |
---|
电力巡线四旋翼飞行器路径规划系统的设计与实现;何宇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114637305A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845371B (zh) | 一种城市路网机动车尾气排放遥感监控系统 | |
Huang et al. | Survey on vehicle map matching techniques | |
CN113191550A (zh) | 地图匹配方法及装置 | |
CN114930122B (zh) | 用于更新数字道路地图的方法和处理器电路 | |
CN107067781A (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN107220724A (zh) | 客流量预测方法及装置 | |
CN112348867A (zh) | 基于LiDAR点云数据的城市高精度三维地形构建方法及系统 | |
CN116129066A (zh) | 基于数字孪生的自动驾驶高精度地图模型及高精度静态地图制作方法 | |
CN115599779A (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
CN116518960A (zh) | 路网更新方法、装置、电子设备和存储介质 | |
Zhuang et al. | Integrating a deep forest algorithm with vector‐based cellular automata for urban land change simulation | |
Ai et al. | A map generalization model based on algebra mapping transformation | |
CN113903173A (zh) | 一种基于有向图结构和lstm的车辆轨迹特征提取方法 | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
CN111080080B (zh) | 一种村镇地质灾害风险预估方法及系统 | |
CN116167254A (zh) | 基于城市大数据的多维城市仿真推演方法和系统 | |
CN114543788B (zh) | 结构非结构环境通用的多层全局感知地图构建方法及系统 | |
CN114419877B (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
Dal Poz et al. | Road network extraction using GPS trajectories based on morphological and skeletonization algorithms | |
CN115080388A (zh) | 一种面向自动驾驶系统的仿真测试场景生成方法 | |
Dunkars | Multiple representation databases for topographic information | |
CN114398253A (zh) | 自动驾驶实车测试场景生成方法和系统 | |
Zhang et al. | Density-weighted ant colony algorithm for ship trajectory reconstruction | |
CN102945511A (zh) | 基于遥感电子地图的旅行商路径规划方法 | |
CN111486847B (zh) | 一种无人机导航方法及系统 |
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 |