CN114779758A - 无人机与无人车异构协同系统的路径规划方法 - Google Patents
无人机与无人车异构协同系统的路径规划方法 Download PDFInfo
- Publication number
- CN114779758A CN114779758A CN202210275463.3A CN202210275463A CN114779758A CN 114779758 A CN114779758 A CN 114779758A CN 202210275463 A CN202210275463 A CN 202210275463A CN 114779758 A CN114779758 A CN 114779758A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path
- point
- unmanned
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000002776 aggregation Effects 0.000 claims abstract description 80
- 238000004220 aggregation Methods 0.000 claims abstract description 80
- 238000012546 transfer Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 42
- 230000002068 genetic effect Effects 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 abstract description 2
- 230000033001 locomotion Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 235000019801 trisodium phosphate Nutrition 0.000 description 5
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种无人机与无人车异构协同系统的路径规划方法,该无人机与无人车异构协同系统的路径规划方法包括生成无人机动态转移路径步骤,所述无人机动态转移路径中,无人机自当前集结点,经至少一个任务点,前往下一集结点。本申请的技术方案由于采用了无人机动态集结的方式,即在无人机与无人车异构协同系统中,当系统需要转移至下一任务点时,无人车与无人机同时采取不同的转移路径,无人车经无人车任务点的同时,无人机同时经无人机任务点,执行任务点访问任务后,前往下一任务点与无人车会合。在这样的动态集结过程中,转移步骤由原来的仅执行转移过程更改为在访问任务点过程中同步完成任务点转移,为此能够压缩无人机的工作时间,缩短无人机与无人车异构协同系统的工作时间,提高系统运行效率。
Description
技术领域
本发明涉及无人系统路径规划方法领域,具体涉及一种无人机与无人车异构协同系统的路径规划方法。
背景技术
由于无人机(UAV)、无人车(UGV)之间具有很好的互补性,研究无人机-无人车协同工作系统具有很好的现实意义,能够广泛运用于军事、救灾、探测等领域。在这类无人机-无人车协同工作系统中无人车受限于自身行走机构,无法到达所有的任务点;而无人机受限于自身电池的能量限制,也无法一次充电到达所有任务点。因此无人车同时需要作为无人机的能量补给站,供无人机起降,这也是这类无人机、无人车协同工作系统的一个显著特点。
Ropero在2018年发表的《TERRA:A path planning algorithm for cooperativeUGV–UAV exploration》论文中提出了一种UGV-UAV协同工作的路径规划算法。该方法通过将UGV在充电点之间移动的问题转化为旅行商问题求解得到UGV的行驶路径,将UAV在充电点与任务点之间的遍历问题转化为TSPs模型并使用A*寻路算法求解UAV的运动路径。Ropero所建立的模型中无人车仅作为无人机的充电站使用,无人车与无人机之间的移动过程是分开进行的,当无人车执行遍历任务点任务时,无人车静止在当前位置等待无人机返回,才前往下一充电点。在前往下一任务点过程中无人机处于在无人车上的驻留状态。由于无人机在前往下一任务点过程中处于驻留状态,驻留期间不参与工作,因此该方法虽然在一定程度上保证了路程最优,但是由于驻留时间的存在,从系统实际运行时间来说,并不是最优的。
发明内容
鉴于现有技术方案在系统实际运行时间方面并非最优的问题,本发明提供一种具有并行特点的无人机与无人车异构协同系统的路径规划方法。
本发明的技术方案为一种无人机与无人车异构协同系统的路径规划方法,该无人机与无人车异构协同系统的路径规划方法包括生成无人机动态转移路径步骤,所述无人机动态转移路径中,无人机自当前集结点,经至少一个任务点,前往下一集结点。
具体的,所述生成无人机动态转移路径步骤,采用混合遗传算法以路径长度最小值为优化目标确定所述最优解种群,所述最优解种群为当前遗传迭代过程中无人机路径的集合。
具体的,在所述混合遗传算法的遗传迭代过程中,引入不可行解并通过自适应大邻域搜索算法更新所述最优解种群。
具体的,在所述混合遗传算法过程中,对所述无人机路径中的每一个任务点位置的无人机前进状态做分别编码,所述前进状态集合组成为:无人机前往下一任务点状态,无人机返回原集结点状态和无人机前往下一集结点状态。
具体的,在所述混合遗传算法过程中,还包括对所述无人机路径的交叉变异操作,所述交叉变异操作包括:
将所述最优解种群的所有所述无人机路径拆分为三个子路径段,分别为转移路径段,返回第一集结点段,返回第二集结点段;
按所述子路径段划分路径组,将所有所述转移路径段分为转移路径组,将所有返回第一集结点段分为返回第一集结点组,将所有返回第二集结点段分为返回第二集结点组;
进行组间的交叉变异操作和/或组内的交叉变异操作。
具体的,其特征在于,所述组间的交叉变异操作为对属于不同所述路径组的所述子路径段进行遗传算子的随机互换操作;所述组内的交叉变异操作为对属于同一所述路径组的所述子路径段进行遗传算子的随机互换操作。所述遗传算子为所述子路径段中的所述任务点。
具体的,采用A*算法确定所述混合遗传算法的初始种群。
优选的,所述无人机与无人车异构协同系统的路径规划方法还包括以无人机的能量限制为约束条件以无人车的路径最短为优化目标生成集结点步骤。
具体的,所述生成集结点步骤包括通过维诺图划分方法确定集结点候选集的步骤。
具体的,所述生成集结点步骤还包括在所述集结点候选集中通过最小集合覆盖方法确定集结点优选集的步骤。
具体的,所述生成集结点步骤还包括在所述集结点优选集中通过梯度向量优化方法确定集结点集合的步骤。
具体的,所述无人机与无人车异构协同系统的路径规划方法还包括以无人车的路径最短为优化目标,通过LKH算法确定无人车遍历无人车任务点和集结点的无人车工作路径的步骤。
优选的,所述无人机与无人车异构协同系统的路径规划方法还包括以无人机在子任务区域内的组合路径最短为优化目标,通过A*算法确定无人机遍历子任务区域内无人机任务点的无人机工作路径的步骤。
本申请的技术方案,由于采用了无人机动态集结的并行工作方式,即在无人机与无人车异构协同系统中,当系统需要转移至下一任务点时,无人车与无人机同时采取不同的转移路径,无人车经无人车任务点向下一集结点转移的同时,无人机同时经无人机任务点,执行任务点访问任务后,前往下一集结点与无人车会合。在这样的动态集结过程中,转移步骤由原来的仅执行转移过程更改为在访问任务点过程中同步完成任务点转移,为此能够压缩无人机与无人车异构协同系统的转移时间,优化系统的实际工作时间,提高系统运行效率。
附图说明
图1为本发明的总体流程图;
图2为本发明的生成集结点过程的流程示意图;
图3为本发明的UAV-UGV异构协同模型的工作时序示意图。
1:生成集结点 2:确定UGV工作路径 3:确定UAV工作路径 11:生成集结点候选集Scor,tmp 12:生成集结点优选集Scor,car 13:生成集结点集合Scor 31:A*算法生成初始种群32:计算适应度 33:个体分组 34:交叉变异生成下一代种群 35:ALNS算法优化下一代种群36:判断是否达到最大迭代次数
具体实施方式
以下结合附图和具体实施例,对本发明进行详细说明,在本说明书中,附图尺寸比例并不代表实际尺寸比例,其只用于体现各部件之间的相对位置关系与连接关系,名称相同或标号相同的部件代表相似或相同的结构,且仅限于示意的目的。
UAV即Unmanned Aerial Vehicle,无人机;UGV即Unmanned Ground Vehicle,无人车。因此后文将无人机与无人车异构协同系统简记为UAV-UGV协同系统。认为在UAV-UGV协同系统中,任务总时间要求往往比任务的总路程要求更合理。一方面,在实际条件下,总时间要求往往是任务需求中事先指定的强约束条件,而总路程约束是在任务设计中为了达到总时间要求以及其他约束条件而做的目标细化设计;另一方面,对于背景技术中提及的以总路程为优化目标的模型而言,由于诸如驻留时间等非任务时间的存在,总时间往往远大于根据总路径计算的理论工作时间。具体的,在背景技术的工作模型中,由于当UGV携带UAV前往下一集结点时,UAV无法执行访问任务点的运动;该部分的驻留时间对UAV访问任务点的任务没有带来有利的影响。则因此即使在总路径最短的情况下,系统运行时间实际上是UAV的运行时间与UGV的运行时间的简单加和,如果两者能够并行同时移动的话,总时间存在很大的提升空间。
基于这样的考虑,本发明首先对现有的技术模型做了改进,提出了一种新的具有并行特点的UAV-UGV协同系统的工作模型。该UAV-UGV协同系统的工作模型的输入为:
1.只考虑单个UAV与单个UGV协同的情况;
2.给定数量m的UAV任务点集合Puav,记其中的第i个任务点为puav,i;
3.给定数量n的UGV任务点集合Pugv,记其中的第j个任务点为pugv,j;
4.认为UAV与UGV各自的运行速度恒定,并且UAV的运动速度远大于UGV的运动速度;
5.仅认为UAV的运行存在能量约束,该能量约束实际上限制了UAV单次运行的最长路程dmax;
6.UAV与UGV可以同时运动,运动路径可以协同。
解决在该模型条件下的系统最短工作时间问题实际上可以分解为两个子问题。一是考虑到UAV的速度远大于UGV的运动速度,因此需要在尽可能将运动路径分配给UAV的条件下找到一个最少数量的能够保证完成访问所有任务点的集结点集合,并据此生成最短的UGV的工作路径。另一方面是对于上述确定的集结点集合,需要确定包含UAV动态转移路径在内的UAV的工作路径。即生成在上述约束条件下满足UAV-UGV协同系统的运行时间最短目标的系统的工作路径,该工作路径不仅包含UGV的工作路径,而且包含UAV的工作路径。
在上述的UAV-UGV协同系统的工作模型中,生成工作路径的前置任务为生成满足条件的集结点集合Scor,记集结点数量为l,可以记其中的第k个集结点为scor,k。在一些任务中集结点集合可以是预先给定的,从而可以将生成集结点的过程略去。当然,更多时候,可以通过重新生成集结点集合缩短系统运行时间,提升系统运行效率,并且显然也存在没有事先给定集结点集合,因而只能重新生成的情况。
在集结点集合Scor确定以后,实际可以将本申请技术方案所依据的UAV-UGV协同系统的模型的工作状态分为两种类型:
一是并行访问状态,也就是所谓的动态转移过程,即UAV-UGV协同系统从当前集结点向下一集结点动态转移的过程,此时,UGV将会从当前集结点出发,途经其计划访问的任务点,到达下一集结点,或者在一些模型与实际情况中,不对UGV设置任务点,则UGV将从当前任务点出发,直接前往下一集结点。而与现有技术中,UAV驻留在UGV上,随UGV一同到达下一集结点的过程不同的是,在并行程访问状态下,UAV在满足能量约束的条件下,则从当前集结点出发,经UAV的部分任务点后,同步前往下一任务点。UAV与UGV两者的转移同步进行,转移时间实际上由UAV的转移时间Tuav,para和UGV的转移时间Tugv,para中的最大值所确定。当然需要说明的是,我们说在并行访问的过程中,UAV将会完成部分任务点的访问,指的是经过计算与评估后,根据计算结果确定哪些任务点将会在转移过程中被访问,如果计算以及评估结果任务在当前集结点向下一集结点的转移过程中,UAV无法做到对任务点的同步访问或者即使对任务点做并行访问,也不存在时间上的优势,并进而使得系统作出在当前的转移过程中,使UAV做出直接从当前集结点向下一集结点的动作,也应当视作本申请中生成动态转移步骤已经被执行。
另一是串行访问状态,即UGV位于当前集结点处等待,UAV负责以当前集结点为基点,完成对对应于当前集结点的不在并行访问过程中的任务点的访问,在执行访问任务时,UAV可能需要在当前集结点与任务点之间往返多次,而UGV始终在当前集结点等待UAV。该串行访问状态下的UAV的工作路径需要分为三个独立的部分进行考虑,第一为与上一集结点的任务区域重叠的部分中的任务点,第二为与下一集结点的任务区域所重叠的部分中的任务点,最后为当前集结点的人任务区域所单独覆盖的部分中的任务点。这里的任务区域可以看作以集结点为圆心,UAV能够往返的最大圆形区域。其中上述第一、第二部分实际上是同一问题的两个方面,即都是重叠的任务区域,可以在生成UAV的动态转移路径时一并解决。我们在后面将对解决上述三个部分所对应的两种状况进行详细的说明。
在本申请的模型中由于已经假定了UAV与UGV各自的运行速度恒定,因此某一运行时间段的运行时间是与期间的运动路程成正比的,因此可以用局部的路径距离代替局部运行时间。所以对于时间最短的优化目标在本申请的UAV与UGV协同系统的工作模型内还是可以转化为路径最短问题求解的,只是最终的系统工作时间实际取决于UAV与UGV之间的协同,即在同步运动时,以两者中较长的时间为准。
综上,参见图1的流程图,本申请的技术方案的总体解决流程为首先经生成集结点1后,再依据已经确定的集结点集合,分别完成确定UGV工作路径2步骤与确定UAV工作路径3步骤。
满足模型要求的集结点集合Scor,除了需要达到使UGV的运行路径最短的优化目标外,还需要确保通过UAV在所有集结点处的往返能够确保访问到所有的任务点,对于给定的集结点sk,以UAV的最大访问半径Rmax=dmax/2所围成的圆形区域内的任务点都是能够访问到的。可以记对应集结点sk的该区域为在该集结点的子任务区域Pk,它实际上是总任务区域的一个子集;记该区域内的UAV任务点集合为Puav(sk),则对于任意的UAV任务点puav,i只要puav,i∈Puav,(sk),则UAV以sk为基点一定可以访问到puav,i。基于这样的思路,上述生成集结点1中,通过如下步骤一步步框定满足条件并使UGV路径最短的集结点集合Scor。
11生成集结点候选集Scor,tmp。该步骤的目的是生成包含集结点集合的集结点候选集Scor,tmp,具体的实现是通过维诺图划分方法得到对应于UAV的所有任务点的维诺图,维诺图的所有端点即为集结点候选集Scor,tmp。
12生成集结点优选集Scor,car。该步骤通过最小集合方法找到用最少数量的Rmax为半径的圆形区域来覆盖UAV的所有任务点的一个覆盖方式,如此对于每一个圆形区域内的任务点,总是存在一点是可以作为UAV在该区域内的任务基点的,因而可以在该区域内的上述集结点候选集Scor,tmp中选点,构成新的集结点优选集Scor,car。
13生成集结点集合Scor。由于已经认为UGV的速度远小于UAV的速度,因此系统的运行时间中,UGV的时间影响更加显著,为此,出于缩短系统运行时间的考虑,应该尽可能将UGV的距离缩短,UAV的距离延长。换言之,只要能通过优化UAV路径访问的范围,就不要通过使集结点之间的距离增加的方式来进行访问。为此该步骤在集结点优选集的基础上,通过引入梯度向量优化集结点优选集Scor,car使集结点之间的距离在约束条件下尽可能远,将最终得到的结果作为确定的集结点集合Scor。
上述生成集结点1的步骤中,通过分步优化的方式最终得到了确定的集结点集合Scor,通过分步优化,实现了对于任意一个集结点sk,以之为基点,总能在其对应的子任务区域Pk内实现对其中的UAV任务点Puav,(sk)的访问。
下面的过程是在集结点已知的基础上,求解UGV与UAV分别的最短路径。通过后文的内容我们可以知晓UAV的路径生成过程中的部分步骤需要与UGV的路径中经过的集结点的顺序关联,因此需要在确定UAV工作路径3之前预先完成确定UGV工作路径2的计算。对于在集结点已知的基础上求解UGV的最短路径的问题,即给定一系列点的集合,求解无返回的遍历这些点的最小路径,这实际上是一个旅行商(TSP)问题,背景技术中的论文已经给出了使用快速路由优先启发式算法来解决该问题获得UGV最小路径的算法实现,并且现有技术中对于旅行商问题的解法公知的已经有使用回溯算法、动态规划算法、遗传算法、神经网络算法等方法解决该问题的成熟经验,完全可以用于本申请的UGV路径规划过程中。以下重点说明本申请中的UAV路径规划的问题。
本案申请中,由于模型中已经规定UAV与UGV可以同时运动,运动路径可以协同,所以重点一之一就是同时运动时的协同路径如何确定,在下面的说明中,我们使用动态集结过程来表示UGV与UAV两者同时运动的过程。这是自然的,因为动态集结过程中同时发生的是UGV通过UGV动态转移路径从当前集结点向下一集结点转移的事件以及UAV通过UAV动态转移路径从当前集结点向下一集结点转移的事件。
在生成集结点1中,通过生成集结点的过程,我们提出了子任务区域Puav(sk)的概念,对应的集结点sk为该子任务区域的基点,在子任务区域内显然总是能够找到一条或者多条往返任务点与基点的UAV运动路径,这是通过集结点的生成过程预先保证的。在确定UGV工作路径2后,UGV的运动路径确定后,相应的,UGV与UAV运动中经过的集结点顺序也一并确定,对于两个在该集结点顺序中相邻的集结点sk与sk+1,它们对应的子任务区域Puav(sk)与Puav(sk+1)之间可能存在交集也可能不存在交集。
考虑存在交集的情况,以Ω表示该交集,对于集结点sk,在它的子任务区域的非交部分Puav(sk)-Ω中的任务点,只能在串行访问状态中完成访问;对于集结点sk+1,这一结论同样适用;而对于在交集Ω中的任务点,存在三种情况:一是以sk为基点访问到;二是以sk+1为基点访问到;三是在UAV从集结点sk向sk+1的UAV动态转移路径中访问到。其中的第一、第二两种情况对应了前述的第一、第二类任务区域重叠的部分中的任务点,第三种情况则是动态转移路径所要解决的问题。对子任务区域中位于交集Ω以外的部分,即相当于第三类任务区域重叠的部分中的任务点所对应的情况,它实际上就相当于现有技术中,在子任务区域中进行UAV遍历任务点的过程。
考虑在子任务区域不存在交集的情况,由于每一个子任务区域都是独立的,说明集结点之间的距离不满足UAV的能量约束条件,因此UAV只能通过驻留在UGV上的方式到达下一集结点,这与现有技术没有区别,不做赘述。在现有技术中,在子任务区域中进行UAV遍历任务点的过程。对应于一类组合旅行商(TSPs)问题,即为了满足UAV的能量约束条件,UAV在访问非交部分的任务点时可能会多次往返基点,形成多个TSP路径。对此本申请采用A*算法进行处理,当然现有技术中解决TSPs问题的其他方法也是可行的。
对于UAV在子任务区域的相交部分Ω的任务点访问问题,根据上面的分析,情况复杂得多,如前所述,除了需要考虑对动态转移路径的生成,同时需要考虑以sk为基点访问该区域内任务点的路径以及以sk+1为基点访问该区域内任务点的路径。使用A*算法已经不能满足计算需要与结果的精确性要求以及时间效率上的要求。为了生成UAV在Ω部分的动态转移路径,本申请设计了一套基于混合遗传算法(GA)与自适应大邻域搜索算法(ALNS)的任务规划算法。在该任务规划算法中通过GA算法在给定的迭代次数内对初始解进行遗传优化,在每一步的迭代过程中运用ALNS算法对本次迭代过程中的不可行解与最优解候选集进行破坏与修复操作。通过引入的不可行解来扩大最优解的搜索范围,避免陷入局部最优的解中去。考虑到上述的在交集Ω中的任务点的路径存在三种情况,对此,算法对路径中每一个任务点的前进状态做了分别编码,码表为c∈C,C=[0,1,2],其中,c=0表示UAV前往下一任务点,c=1表示UAV返回原集结点,c=2表示UAV前往下一集结点。其中,c=1表示UAV返回基点的前进状态,实际上包含了基点为sk与sk+1两种情况,算法中不需要做额外区分。对于交集Ω中的任一个任务点,其能被UAV访问到,则其前进状态必然属于上述码表中的三者之一。
具体的其流程可以用图3所示的流程图表示。
A*算法生成初始种群31步骤。在前述相邻子任务区域的交集Ω部分,通过A*算法进行局部寻优生成初始路径ri作为初始种群,考在该步骤中,仅需要考虑任务点的添加是否满足无人机续航约束,并计算与下一集结点的路径长度作为估计代价,搜索出最优的动态转移路径段,并相应的将剩余任务点归入返回第一集结点与返回第二集结点的路径段中,从而有效减少不合法解并剪除搜索空间,加快算法收敛的过程。
计算适应度32步骤。在该步骤中,对于每一次迭代中生成的个体就是最优解的一个候选项,所有的个体构成当前迭代的最优解种群,若记当前迭代次数为iter,则当前代的种群Riter中的个体riter应该包含三条子路径段riter,1、riter,2、riter,3。riter,1表示该候选项中的转移路径段,riter,2表示该候选项中以sk为基点的子路径段(多次往返记为一条子路径),记为返回第一集结点路径段,riter,3表示该候选项中以sk+1为基点的子路径(同样的,多次往返记为一条子路径),记为返回第二集结点路径段。riter,1、riter,2、riter,3的长度表征了该路径段的运行时间的长短,因此可以将riter,1、riter,2、riter,3的相关量作为个体适应度的度量。
个体分组33步骤。在该步骤中,对本次迭代的种群中的所有个体的子路径段做分组,即所有个体的转移路径段riter,1为一组、返回第一集结点路径段riter,2为一组、返回第二集结点路径段riter,3为一组。本步骤的操作主要是为了方便后面进行组内和/或组间的交叉变异操作。本部分在形式上不是必须的,实际上是可以融合在交叉变异操作中的,即便如此,也应当看作在交叉变异的过程中隐含了分组操作的过程。
交叉变异生成下一代种群34步骤。该步骤是GA遗传算法的核心步骤,完成个体之间的交叉变异操作。在该步骤中,本申请选取的操作算子为各路径段中的任务点,通过对前面已经分组的子路径组里面各子路径段的任务点之间的随机互换操作生成本次遗传迭代的最优解种群,其互换操作可选的可以在组间和/或组内进行。
ALNS算法优化下一代种群35步骤。在交叉变异生成下一代种群34步骤中,由于遗传过程中无法考虑UAV的能量约束条件,因此存在大量的不可行解,简化的实施例中,可以将所述不可行解直接删除,不记入遗传过程中。本步骤则提供更优化的实施方式,即仍然保留不可行解,在本步骤的ALNS(自适应大邻域搜索)算法对代表不可行解的个体进行破坏与修复操作,以此实现邻域范围的拓展,并对得到的新的最优解集合寻优,得到其中的表现最好的最优解个体,将该最优解个体作为下一轮遗传迭代的初始种群的输入。通过ALNS避免陷入局部最优的情况中,保证新种群的多样性,保证最终能够生成足够好的最优解种群。
判断是否达到最大迭代次数36步骤。确认遗传迭代次数是否达到预设的最大迭代次数,如果达到预设的最大迭代次数则退出遗传算法过程,将本次迭代中得到的表现最好的最优解个体作为最优解输出。该最优解中的子路径段即代表了在子人物区域的交集Ω部分无人机所对应的转移路径段,即前述的动态转移路径、返回第一集结点路径段和返回第二集结点路径段。
上述内容仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围内。
Claims (13)
1.一种无人机与无人车异构协同系统的路径规划方法,其特征在于,包括生成无人机动态转移路径步骤,所述无人机动态转移路径中,无人机自当前集结点,经至少一个任务点,前往下一集结点。
2.如权利要求1所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述生成无人机动态转移路径步骤,采用混合遗传算法以路径长度最小值为优化目标确定所述最优解种群,所述最优解种群为当前遗传迭代过程中无人机路径的集合。
3.如权利要求2所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,在所述混合遗传算法的遗传迭代过程中,引入不可行解并通过自适应大邻域搜索算法更新所述最优解种群。
4.如权利要求2所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,在所述混合遗传算法过程中,对所述无人机路径中的每一个任务点位置的无人机前进状态做分别编码,所述前进状态集合组成为:无人机前往下一任务点状态,无人机返回原集结点状态和无人机前往下一集结点状态。
5.如权利要求2所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,在所述混合遗传算法过程中,还包括对所述无人机路径的交叉变异操作,所述交叉变异操作包括:
将所述最优解种群的所有所述无人机路径拆分为三个子路径段,分别为转移路径段,返回第一集结点段,返回第二集结点段;
按所述子路径段划分路径组,将所有所述转移路径段分为转移路径组,将所有返回第一集结点段分为返回第一集结点组,将所有返回第二集结点段分为返回第二集结点组;
进行组间的交叉变异操作和/或组内的交叉变异操作。
6.如权利要求5所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述组间的交叉变异操作为对属于不同所述路径组的所述子路径段进行遗传算子的随机互换操作;所述组内的交叉变异操作为对属于同一所述路径组的所述子路径段进行遗传算子的随机互换操作,所述遗传算子为所述子路径段中的所述任务点。
7.如权利要求5所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,采用A*算法确定所述混合遗传算法的初始种群。
8.如权利要求1所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述无人机与无人车异构协同系统的路径规划方法还包括以无人机的能量限制为约束条件以无人车的路径最短为优化目标生成集结点步骤。
9.如权利要求8所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述生成集结点步骤包括通过维诺图划分方法确定集结点候选集的步骤。
10.如权利要求9所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述生成集结点步骤还包括在所述集结点候选集中通过最小集合覆盖方法确定集结点优选集的步骤。
11.如权利要求10所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述生成集结点步骤还包括在所述集结点优选集中通过梯度向量优化方法确定集结点集合的步骤。
12.如权利要求8所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述无人机与无人车异构协同系统的路径规划方法还包括以无人车的路径最短为优化目标,通过LKH算法确定无人车遍历无人车任务点和集结点的无人车工作路径的步骤。
13.如权利要求8所述的无人机与无人车异构协同系统的路径规划方法,其特征在于,所述无人机与无人车异构协同系统的路径规划方法还包括以无人机在子任务区域内的组合路径最短为优化目标,通过A*算法确定无人机遍历子任务区域内无人机任务点的无人机工作路径的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275463.3A CN114779758A (zh) | 2022-03-18 | 2022-03-18 | 无人机与无人车异构协同系统的路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210275463.3A CN114779758A (zh) | 2022-03-18 | 2022-03-18 | 无人机与无人车异构协同系统的路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779758A true CN114779758A (zh) | 2022-07-22 |
Family
ID=82425475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210275463.3A Pending CN114779758A (zh) | 2022-03-18 | 2022-03-18 | 无人机与无人车异构协同系统的路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779758A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
-
2022
- 2022-03-18 CN CN202210275463.3A patent/CN114779758A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115437386A (zh) * | 2022-11-03 | 2022-12-06 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
CN115437386B (zh) * | 2022-11-03 | 2023-02-24 | 中国人民解放军陆军装甲兵学院 | 一种基于空地信息融合的无人车路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Efficient routing for precedence-constrained package delivery for heterogeneous vehicles | |
CN108256553B (zh) | 车辆搭载无人机双层路径的构造方法及装置 | |
Zhao et al. | A heuristic distributed task allocation method for multivehicle multitask problems and its application to search and rescue scenario | |
Ye et al. | Multi-UAV navigation for partially observable communication coverage by graph reinforcement learning | |
Huang et al. | Large scale real-time ridesharing with service guarantee on road networks | |
CN105354648B (zh) | Agv调度管理的建模及其优化方法 | |
CN113316118A (zh) | 基于任务认知的无人机集群网络自组织系统及方法 | |
CN112013829A (zh) | 基于多目标优化的多uav/ugv协同长时作业路径规划方法 | |
CN108519737B (zh) | 一种考虑能源补给的无人设备路径规划方法 | |
CN113359849B (zh) | 一种针对运动目标的多无人机协同快速搜索方法 | |
CN113671985A (zh) | 一种分阶段多基地无人机任务分配和航迹规划方法 | |
Almasi et al. | Optimization of a transit services model with a feeder bus and rail system using metaheuristic algorithms | |
CN108280463B (zh) | 车辆搭载无人机双层路径的优化方法及装置 | |
Fogue et al. | Non-emergency patient transport services planning through genetic algorithms | |
Wu et al. | Autonomous last-mile delivery based on the cooperation of multiple heterogeneous unmanned ground vehicles | |
Maw et al. | iADA*: Improved anytime path planning and replanning algorithm for autonomous vehicle | |
CN113848970A (zh) | 一种车辆-无人机多目标协同路径规划方法 | |
CN114779758A (zh) | 无人机与无人车异构协同系统的路径规划方法 | |
CN115079701A (zh) | 一种无人车与无人机协同的路径规划方法 | |
Zhou et al. | UAV Path Planning Based on the Combination of A-star Algorithm and RRT-star Algorithm | |
CN113325875B (zh) | 一种实现无人机数目最小化的无人机路径规划方法 | |
Chiu et al. | Robot routing using clustering-based parallel genetic algorithm with migration | |
Wang et al. | Cooperative Motion Planning for Persistent 3D Visual Coverage With Multiple Quadrotor UAVs | |
CN109977455B (zh) | 一种适用于带地形障碍三维空间的蚁群优化路径构建方法 | |
He et al. | Exploring public transport transfer opportunities for pareto search of multicriteria journeys |
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 |