CN114779821A - 基于深度学习的无人机自适应斥力系数路径规划方法 - Google Patents
基于深度学习的无人机自适应斥力系数路径规划方法 Download PDFInfo
- Publication number
- CN114779821A CN114779821A CN202210575347.3A CN202210575347A CN114779821A CN 114779821 A CN114779821 A CN 114779821A CN 202210575347 A CN202210575347 A CN 202210575347A CN 114779821 A CN114779821 A CN 114779821A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- repulsion
- coefficient
- path
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 230000002068 genetic effect Effects 0.000 claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 18
- 230000004888 barrier function Effects 0.000 claims description 17
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 15
- 230000033001 locomotion Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 206010064571 Gene mutation Diseases 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000002921 genetic algorithm search Methods 0.000 claims description 2
- 230000006798 recombination Effects 0.000 claims description 2
- 238000005215 recombination Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000001846 repelling effect Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 230000035772 mutation Effects 0.000 description 6
- 230000003278 mimic effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
-
- 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
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)
Abstract
本发明公开了一种基于深度学习的无人机自适应斥力系数路径规划方法，包括以下步骤：首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集；其次利用该样本集训练残差神经网络；最后通过残差神经网络计算适应环境的斥力系数，进而使用人工势场法进行路径规划。解决了传统的人工势场法不能根据环境具体信息对斥力系数进行调整，而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长的问题。仿真实验表明，本发明在规划效果和规划时长方面均有优异表现，能很好的满足实际应用中对当前环境的自适应要求和快速规划的要求。
Description
技术领域
本发明涉及无人机路径规划领域，特别是涉及基于深度学习的无人机自适应斥力系数路径规划方法。
背景技术
相较于有人驾驶飞行器，无人机(Unmanned Aerial Vehicle,UAV)有着体积小、成本低、使用灵活、不会造成人员伤亡等优势。随着航空技术与自动化技术的不断发展，无人机在军事、农业、交通、公共管理等领域获得了广泛应用。比如，泥石流、山体滑坡等自然灾害发生时，可以利用无人机安全快速地进行灾情了解；雾霾天气出现时，可以利用携带了催化剂的无人机在空中进行喷洒从而清除雾霾；在交通管制中，无人机可以即时地发现突发事故，实施紧急救援；在军事上，无人机极大地协作了侦察、目标捕获、情报探测等任务的完成。随着无人机的应用场景不断从高空向低空拓展，其飞行过程中遇到障碍物的可能性也大大增加。路径规划(Path planning,PP)是指规划出一条路径，使无人机能够在一定约束条件下从起点出发，在不碰到任何障碍物的情况下安全抵达终点，同时使路程开销尽可能小。因此，路径规划是无人机顺利完成飞行任务中必不可少的环节。
路径规划问题一直是无人机自主飞行领域的研究热点，很多科研人员已经在这方面做了大量工作。根据其研究成果的不同主要分为基于航路规划算法的路径规划方法和基于局部防碰撞算法的路径规划方法。基于航路规划算法的路径规划方法是一种全局的路径规划方法，先规划好飞行路径，再运用航路跟踪制导方法控制无人机沿规划航路飞行。基于局部防碰撞算法的路径规划方法是一种局部路径规划方法，不需要知道起始点和目标点的信息，只需要对实时障碍进行躲避。在实际应用中，以人工势场法为代表的基于局部防碰撞的路径规划算法往往比基于航路的路径规划算法效果更好。基于航路的规划算法在找出最优解的时候需要消耗较多的时间，且不具有实时性，只能在无人机飞行之前进行规划。而以人工势场法为代表的基于局部防碰撞的路径规划算法不需要在无人机飞行之前花费大量时间进行预规划，能够在飞行过程中根据无人机与障碍物的实时位置关系调节无人机的方向和速度。人工势场法虽然有诸如目标不可达、局部极小值陷阱和路径长度过长等问题，但其凭借着实时性的优势也得到了科研人员们的关注。
但是这些基于人工势场法的改进方法中的斥力系数都是根据经验设定的，并且是恒定不变的，不能自适应环境的变化，导致所规划路径存在诸如目标不可达、局部极小值陷阱和路径长度过长等问题。而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长。
发明内容
针对上述问题，提出了一种基于深度学习的无人机自适应斥力系数路径规划方法，能够兼顾路径的规划效果和规划时长，很好地满足实际应用中对当前环境的自适应要求和快速规划的要求，主要包括以下步骤：
S1：通过融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集，所得样本集中每个样本包括特定的环境障碍物地图，以及在该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数。
S2：利用步骤S1中所获样本集训练残差神经网络，网络的输入为环境障碍物地图，输出为该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数。
S3：通过步骤S2中训练得到的残差神经网络计算适应当前环境的5个方向的斥力系数，从而进行路径规划。
进一步，在所述步骤S1中，通过融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集。势场法与遗传算法相融合指的是把人工势场法规划所得路径长度作为遗传算法中的适应度函数值。具体包括：
(1)利用人工势场法进行路径规划，求得成功规划路径的长度。
(2)将步骤(1)中所求路径长度作为适应度函数，通过遗传算法找出特定环境下最优秀的个体，即最适合当前环境的斥力系数。
(3)反复执行步骤(1)和步骤(2)。执行完一次上述步骤(1)和步骤(2)即获得一个样本，要得到足够S2训练神经网络的样本集，需反复执行步骤(1)和步骤(2)。
现对步骤(1)中人工势场法和步骤(2)中遗传算法进行进一步阐释。
具体地，步骤(1)中人工势场法的实现步骤如下：
(I)对无人机进行动力学建模
假设无人机安装有探测装置和速度稳定性装置。本方法研究的是同一高度平面内无人机的飞行路径规划问题，把无人机单位时间内的运动抽象成匀速直线运动，把无人机看作是WUAV*LUAV的矩形，其中WUAV表示无人机的宽度，LUAV表示无人机的长度。考虑到实际飞行情境，无人机受到以下动力学约束：
其中，v、γ、ψ分别为无人机某一时刻的速度、加速度和转向速度，vmax、γmax、ψmax分别为无人机的最大行驶速度、最大加速度和最大转向速度。
(II)对障碍物进行建模
通过高空全局遥感摄像头,无人机可以在路径规划之前捕捉到相关规划路径上的障碍物环境信息地图。本方法通过将障碍物抽象成大小、位置随机的圆形来进行环境建模。生成的仿真地图的障碍物满足如下约束：
其中，r和n表示障碍物的半径和数量，rmin、rmax、nmin、nmax分别代表障碍物的最小半径、最大半径以及障碍物的最小个数和最大个数。为了提高环境地图的真实性和复杂性，障碍物可以重叠。同时假设无人机已安装传感器、摄像头等设备，可以实时检测环境信息，能为后续无人机需要在飞行过程中随时探测其正前方、左方、右方、左前方和右前方5个方向距障碍物的距离提供可能性。
(III)初始化无人机位置
包括初始化无人机的位置、方向、速度等。
(IV)计算无人机在5个方向上距障碍物的距离
采用逐像素增加的方式来探测无人机在正前方、左方、右方、左前方和右前方5个方向上距离障碍物的距离。未达到与障碍物的最近距离则继续逐像素增加探测，达到与障碍物的最近距离则计算当前方向下无人机距离障碍物的距离。
(V)计算无人机距离目标点的距离
采用逐像素增加的方式来探测无人机距离目标点的距离。未到达目标点则继续逐像素增加探测，与目标点部分重叠则计算当前方向下无人机距离障碍物的距离。
(VI)计算无人机受到的引力
无人机的引力势场Uatt的表达式为：
其中，katt为引力系数，d(q,qgoal)为步骤(V)中所求带正电荷的无人机q到带负电荷的目标点qgoal之间的距离。无人机离目标点的距离越远，引力势场越大，距离越近，引力势场越小，引力势场随着无人机与目标点之间的距离二次增长。根据引力势场表达式，可得出引力大小Fatt为：
(VII)计算无人机受到的斥力
我们把障碍物对无人机的斥力势场简化成从正前方、左方、右方、左前方和右前方5个方向对无人机的作用。斥力势场受无人机离障碍物的距离、斥力系数和无人机当前的方向的影响，其正前方斥力势场UrepFront、左方斥力势场UrepLeft、右方斥力势场UrepRight、左前方斥力势场UrepFrontLeft和右前方斥力势场UrepFrontRight的表达式为：
有斥力合势场Urep：
Urep＝UrepFront+UrepLeft+UrepRight+UrepFrontLeft+UrepFrontRight (6)
其中，dFront是无人机距前方障碍物的距离，dLeft是无人机距左方障碍物的距离，dRight是无人机距右方障碍物的距离，dFrontLeft是无人机距左前方障碍物的距离，dFrontRight是无人机距右前方障碍物之间的距离，krep1是无人机前方障碍物产生斥力的斥力系数，krep2是无人机左方障碍物产生斥力的斥力系数，krep3是无人机右方障碍物产生斥力的斥力系数，krep4是无人机左前方障碍物产生斥力的斥力系数，krep5是无人机右前方障碍物产生斥力的斥力系数，θ是无人机当下的飞行方向。
无人机受到的斥力Frep为：
其中，d(q,qobs)是步骤(IV)中所求无人机距障碍物的距离，d0为人为设定的一个数值，超出这个数值则视作该方向上障碍物对无人机产生的斥力为0。
(VIII)计算无人机受到的合力
无人机受到的合力Ftotal为：
Ftotal＝Fatt+Frep (8)
其中，Fatt为无人机受到目标点的引力，Frep为无人机受到障碍物产生的斥力之和。
(IX)更新无人机位置
根据无人机的初始位置、方向、速度以及步骤(VIII)中所求无人机受到合力，计算出无人机当下的速度和方向，更新无人机的位置。
(X)规划合理路径
循环执行步骤(IV)到步骤(IX)，直到无人机抵达目标点，每次更新位置所构成的路径即为规划出的最终路径。
具体地，(2)中遗传算法的实现步骤如下：
(I)编码与解码
在遗传算法中，个体的基因型和表现型之间的映射转换可通过编码和解码完成。编码是指把解空间生成路径的斥力系数映射到遗传算法搜索空间的过程。由于二进制编码的编码规则简单，在交叉和变异阶段也易于实现，本发明选用的是二进制编码(Binaryencoding,BE)。设五个方向斥力系数的取值范围是[D1,D2]，编码变量的二进制位数设为W。
解码是指把搜索空间中个体的染色体向具体的路径规划中斥力系数的问题解转化的过程。具体是把二进制编码bi映射成斥力系数的真实值，映射过程不仅取决于二进制编码的值，也依赖于斥力系数范围[D1,D2]和二进制编码位数W。斥力系数K的解码过程为：
(II)适应度评估
本发明把规划出来的一条路径看成遗传算法中的一个个体，适应度函数为路径的长度，路径长度越短，则表示个体的适应度越高，个体的基因越容易传递下去。
(III)选择
选择是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行染色体的选择。选择算子在上一代种群中按照一定的概率选择个体组成下一代，被选中的概率由个体适应度决定。随机遍历采样方式由轮盘赌方式改进而来，更能避免选择偏差的存在，因此本方法用随机遍历采样方式来进行选择。随机遍历采样方式采用多个选择点，只旋转一次转盘即可选出全部的个体，防止了适应度较高的个体被过多地反复选择，给了适应度较低的个体被选择的机会，选择的公平性得以保证。
(IV)交叉
交叉是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行基因重组。交叉算子从选择的种群中随机选择两个个体，以一定规则将两个个体的染色体进行交换，以期产生适应度更高的个体。本方法用到的是单点交叉(Single PointCrossover,SPC)的方式，即在被挑选出来的两个个体染色体上随机选择一个交叉点位，在该位置切割染色体，按照设定的交叉概率Pc进行互换。
(V)变异
变异是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行基因突变。为进化出更优秀的个体，避免遗传算法过早地陷入局部最优解，遗传算法模仿生物进化中的基因突变设置了变异机制。本方法在二进制编码上采用单点变异(SinglePoint Variation,SPV)的变异方式，即遵循设定的变异概率Pm,按位将二进制编码0变成编码1，编码1变成编码0。
(VI)找出最优解
根据遗传算法设定的遗传代数，循环执行步骤(I)到步骤(V)，最后一代的最优解即为遗传算法找出的适应当前障碍物环境的最优解。
进一步，在所述S2中，利用样本集训练残差神经网络，实现步骤如下：
(1)模型设计
本方法通过训练ResNet18模型来对障碍物地图进行学习，以期直接通过分析障碍物环境信息地图，找出自适应当前环境的斥力系数，从而规划出更好的路径。ResNet18由17个卷积层和一个全连接层构成。为解决深层网络不如浅层网络效果好的问题，在ResNet18中通过短路机制加入了残差单元，由于ResNet18网络深度较浅，每两个卷积层构成一个残差块。把当前残差块Li的输出作为下一个残差块Li+1的输入，有
Yi＝h(Xi)+F(Xi,Wi) (10)
Xi+1＝f(Yi) (11)
其中，Xi是当前残差块的输入，h(Xi)表示Xi的恒等映射，Yi为Xi经过两层卷积层的输出，F(Xi,Wi)为其学习到的残差，f(Xi)是Yi经激活函数relu激活后的输出，Xi+1是下一个残差块的输入。短路机制不直接从Xi学习得到Yi，而是只学习残差F(Xi,Wi)，降低了学习成本。在仅作数学推导时若忽略掉激活函数relu，则从浅层Xi到深层Xi+n的学习过程为
借用链式规则，可知此学习过程的反向传播中的梯度为：
其中Loss为损失函数。由上式可得，一定不会存在梯度消失的情况。在某个残差块的学习中，最坏的情况是残差F(Xj,Wj)＝0,即Yi＝h(Xi)，数据通过两层卷积层仅做了恒等映射，也能保证保留上一次学习到的特征。
(2)模型训练与测试
在寻找最优解的训练过程中，损失函数采用平均平方误差(Mean Square Error,MSE)，平均平方误差的计算方式为逐元素计算，计算的是神经网络预测的斥力系数值
与样本中的斥力系数值y之差的平方和的算术平均值，元素个数用N表示，公式为：
优化器选用随机梯度下降(Stochastic Gradient Descent,SGD)，对每个样本都迭代更新一次，从而加快训练速度。
进一步，在所述步骤S3中，利用训练好的残差神经网络计算适应当前环境的5个方向的斥力系数值，并利用人工势场法规划无人机飞行路径，实现步骤如下：
(1)将环境障碍物地图输入到神经网络中，计算适应当前环境的5个方向的斥力系数值。
(2)根据步骤(1)中所得斥力系数，利用人工势场法进行路径规划。详细步骤与步骤S1的步骤(1)中步骤(I)到步骤(X)相同，不再赘述。
本发明相对于现有技术具有如下优点和效果：
传统人工势场法进行无人机路径规划时，不能根据所处环境对斥力系数进行自适应调整，而现有的改进方法尚无法在自适应调整斥力系数的同时兼顾规划效果和规划用时。针对此问题，提出了一种基于深度学习的无人机自适应斥力系数的路径规划方法。
(1)为提高人工势场法规划性能，提出了不使用默认斥力系数而让斥力系数自适应当前障碍物环境的思想。
(2)为找出更适合特定环境的斥力系数，提出了用遗传算法计算斥力系数的思路。
(3)为解决遗传算法计算斥力系数时用时过长的问题，提出了离线训练残差神经网络，实际规划中直接用训练好的残差神经网络计算斥力系数的方法。
仿真结果表明本方法不仅规划出的路径远优于传统默认斥力系数下的人工势场法规划出的路径，而且规划用时也远少于直接用遗传算法计算斥力系数的方法。故本方法具有一定的进步性和实用价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。
图1是本实施例的整体流程图；
图2是本实施例的随机生成的障碍物地图举例；
图3是本实施例的无人机受力分析图；
图4是本实施例的人工势场法进行无人机路径规划流程图；
图5是本实施例的遗传算法生成样本流程图；
图6是本实施例的ResNet18网络结构图；
图7是本实施例的残差块结构图；
图8是本实施例的目标不可达问题对比试验图；
图9是本实施例的运动轨迹迂回反复问题对比实验图；
图10是本实施例的绕远路问题对比实验图；
图11是本实施例的斥力系数计算用时对比实验中环境障碍物地图。
具体实施方式
为了更好地理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
请参阅图1，本发明提供了一种基于深度学习的无人机自适应斥力系数路径规划方法，包括下述步骤：
S1：通过融合人工势场法与遗传算法，找出在3000个特定环境下最合适的斥力系数样本集，所得的3000个样本均包括特定的环境障碍物地图，以及在该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数。
S1是遗传算法与人工势场法融合完成的，具体来说是把人工势场法规划所得路径长度作为遗传算法中的适应度函数值。包括：
(1)利用人工势场法进行路径规划，求得成功规划路径的长度。
(2)将步骤(1)中所求路径长度作为适应度函数，通过遗传算法找出特定环境下最优秀的个体，即最适合当前环境的斥力系数。
(3)反复执行步骤(1)和步骤(2)。执行完一次上述步骤(1)和步骤(2)即获得一个样本，本实例中反复执行了3000遍以获得3000个样本。
现对步骤(1)中人工势场法和步骤(2)中遗传算法进行进一步阐释。
对于步骤(1)中人工势场法，具体流程图请参考附图4，详细步骤如下：
(I)对无人机进行动力学建模
本实例研究的是同一高度平面内无人机的飞行路径规划问题，把无人机单位时间内的运动抽象成匀速直线运动，把无人机看作是10*10(以下数值单位若无特别说明，均是像素)的矩形。考虑到实际飞行情境，无人机受到以下动力学约束：
其中，ν、γ、ψ分别为无人机某一时刻的速度、加速度和转向速度，无人机的最大行驶速度为10、最大加速度为10、最大转向速度为π/18。
(II)对障碍物进行建模
本实例通过将障碍物抽象成大小、位置随机的圆形来进行环境建模。生成的仿真地图的障碍物满足如下约束：
其中，r和n表示障碍物的半径和数量，障碍物的最小半径为30、最大半径为100、障碍物的最少个数为3、最多个数为6。为了提高环境地图的真实性和复杂性，障碍物可以重叠，随机生成的障碍物地图样例如附图2所示。
(III)初始化无人机位置
本实例中无人机起始位置为(50,50)、终点坐标为(450,450)、初始方向为π/8、初始速度为10，任意点的最小吸引势为0.5、无人机距障碍物的最近距离为30。
(IV)计算无人机在5个方向上距障碍物的距离
采用逐像素增加的方式来探测无人机在正前方、左方、右方、左前方和右前方5个方向上距离障碍物的距离。未达到与障碍物的最近距离30则继续逐像素增加探测，达到与障碍物的最近距离30则计算当前方向下无人机距离障碍物的距离。
(V)计算无人机距离目标点的距离
采用逐像素增加的方式来探测无人机距离目标点的距离。未到达目标点则继续逐像素增加探测，与目标点部分重叠则计算当前方向下无人机距离障碍物的距离。
(VI)计算无人机受到的引力
无人机的引力势场Uatt的表达式为：
其中，katt为引力系数，d(q,qgoal)为步骤(V)中所求带正电荷的无人机q到带负电荷的目标点qgoal之间的距离。无人机离目标点的距离越远，引力势场越大，距离越近，引力势场越小，引力势场随着无人机与目标点之间的距离二次增长。根据引力势场表达式，可得出引力大小Fatt为：
(VII)计算无人机受到的斥力
我们把障碍物对无人机的斥力势场简化成从正前方、左方、右方、左前方和右前方5个方向对无人机的作用。斥力势场受无人机离障碍物的距离、斥力系数和无人机当前的方向的影响，其正前方斥力势场UrepFront、左方斥力势场UrepLeft、右方斥力势场UrepRight、左前方斥力势场UrepFrontLeft和右前方斥力势场UrepFrontRight的表达式为：
有斥力合势场Urep：
Urep＝UrepFront+UrepLeft+UrepRight+UrepFrontLeft+UrepFrontRight (20)
其中，dFront是无人机距前方障碍物的距离，dLeft是无人机距左方障碍物的距离，dRight是无人机距右方障碍物的距离，dFrontLeft是无人机距左前方障碍物的距离，dFrontRight是无人机距右前方障碍物之间的距离，krep1是无人机前方障碍物产生斥力的斥力系数，krep2是无人机左方障碍物产生斥力的斥力系数，krep3是无人机右方障碍物产生斥力的斥力系数，krep4是无人机左前方障碍物产生斥力的斥力系数，krep5是无人机右前方障碍物产生斥力的斥力系数，θ是无人机当下的飞行方向。
无人机受到的斥力Frep为：
其中，d(q,qobs)是步骤(IV)中所求无人机距障碍物的距离，d0为人为设定的一个数值，超出这个数值则视作该方向上障碍物对无人机产生的斥力为0。
(VIII)计算无人机受到的合力
无人机受到的合力Ftotal为：
Ftotal＝Fatt+Frep (22)
其中，Fatt为无人机受到目标点的引力，Frep为无人机受到障碍物产生的斥力之和。无人机受到的合力受力分析图见附图3。
(IX)更新无人机位置
根据无人机的初始位置、方向、速度以及步骤(VIII)中所求无人机受到合力，计算出无人机当下的速度和方向，更新无人机的位置。
(X)规划合理路径
循环执行步骤(IV)到步骤(IX)，直到无人机抵达目标点，每次更新位置所构成的路径即为规划出的最终路径。
对于步骤(2)中遗传算法，具体流程图请参考附图5，详细步骤如下：
(I)编码与解码
本发明选用的是二进制编码。设五个方向斥力系数的取值范围是[D1,D2]，其中D1取值为2、D2取值为4，本实例中编码变量的二进制位数设为4，则映射关系如下表1所示：
表1编码映射关系
其中，
W是二进制编码位数。
解码是指把搜索空间中个体的染色体向具体的路径规划中斥力系数的问题解转化的过程。具体是把二进制编码bi映射成斥力系数的真实值，映射过程不仅取决于二进制编码的值，也依赖于斥力系数范围[D1,D2]和二进制编码位数W。在本实例中，斥力系数K的解码过程为：
(II)适应度评估
本发明把规划出来的一条路径看成遗传算法中的一个个体，适应度函数为路径的长度，路径长度越短，则表示个体的适应度越高，个体的基因越容易传递下去。
(III)选择
本实例采用随机遍历采样方式来进行选择，采用多个选择点，只旋转一次转盘即可选出全部的个体，防止了适应度较高的个体被过多地反复选择，给了适应度较低的个体被选择的机会，选择的公平性得以保证。
(IV)交叉
本实例用到的是单点交叉的方式，即在被挑选出来的两个个体染色体上随机选择一个交叉点位，在该位置切割染色体，按照设定的交叉概率Pc＝0.7进行互换。
(V)变异
本实例在二进制编码上采用单点变异的变异方式，即遵循设定的变异概率Pm＝0.01,按位将二进制编码0变成编码1，编码1变成编码0。
(VI)找出最优解
本实例中的遗传代数为50，循环执行步骤(I)到步骤(V)50次后，最后一代(第50代)的最优解即为遗传算法找出的适应当前障碍物环境的最优解。
S2：利用步骤S1中所获样本集训练残差神经网络，网络的输入为环境障碍物地图，输出为该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数。
详细步骤如下：
(1)模型设计
为符合本方法中的应用场景，将原始ResNet18模型的输入通道由3维转化为1维，以符合本方法中灰度图像的输入，将最后的全连接层的输出改成5，以符合对5个方向斥力系数的特征提取。ResNet18由17个卷积层(Conv)和一个全连接层(FC)构成。如附图6所示，图中虚线表示特征图(Feature Map,FM)的数量发生了改变，当特征图的大小降低一半时，特征图的数量增加一倍，以此保证了网络的复杂性。为解决深层网络不如浅层网络效果好的问题，在ResNet18中通过短路机制加入了残差单元，具体结构见附图7。由于ResNet18网络深度较浅，每两个卷积层构成一个残差块。把当前残差块Li的输出作为下一个残差块Li+1的输入，有
Yi＝h(Xi)+F(Xi,Wi) (24)
Xi+1＝f(Yi) (25)
其中，Xi是当前残差块的输入，h(Xi)表示Xi的恒等映射，Yi为Xi经过两层卷积层的输出，F(Xi,Wi)为其学习到的残差，f(Yi)是Yi经激活函数relu激活后的输出，Xi+1是下一个残差块的输入。短路机制不直接从Xi学习得到Yi，而是只学习残差F(Xi,Wi)，降低了学习成本。在仅作数学推导时若忽略掉激活函数relu，则从浅层Xi到深层Xi+n的学习过程为
借用链式规则，可知此学习过程的反向传播中的梯度为：
由上式可得，一定不会存在梯度消失的情况。在某个残差块的学习中，最坏的情况是残差F(Xj,Wj)＝0,即Yi＝h(Xi)，数据通过两层卷积层仅做了恒等映射，也能保证保留上一次学习到的特征。
(2)模型训练与测试
本方法把步骤S1中所得样本按训练集：测试集＝8：2分类。经过大量实验和优化，本实例选用relu函数作为激活函数。在寻找最优解的训练过程中，损失函数采用平均平方误差(Mean Square Error,MSE)，平均平方误差的计算方式为逐元素计算，计算的是神经网络预测的斥力系数值
与样本中的斥力系数值y之差的平方和的算术平均值，其中N表示元素的个数，公式为：
优化器选用随机梯度下降(Stochastic Gradient Descent,SGD)，对每个样本都迭代更新一次，从而加快训练速度。
S3：通过步骤S2中训练得到的残差神经网络计算适应当前环境的5个方向的斥力系数，进行路径规划，比较斥力系数设为默认值和斥力系数为步骤S2中所训练的神经网络计算得到的值时，规划出路径的优劣程度。
详细步骤如下：
(1)默认斥力系数下目标不可达情况
目标不可达问题是指无人机附近有障碍物时其受到的斥力增大，在某种特定情况下会出现引斥力趋于平衡的情况，从而导致无人机在小范围徘徊而无法到达终点的问题。
本实例实验中采用的环境障碍信息如附图8所示，路径规划过程中5个方向的斥力系数如表2所示。
表2目标不可达问题对比实验中斥力系数取值
图(a)是斥力系数设为默认值时经人工势场法规划得到的路径，由轨迹图可知，无人机在某一点出现了受到的引斥力趋于平衡的情况，以至于无人机徘徊不前，路径规划失败。图(b)是斥力系数自适应环境时经人工势场法规划得到的路径，由轨迹可知，无人机轨迹较为顺畅，从起始点安全地到达目标点，克服了目标不可达的问题。
(2)默认斥力系数下运动轨迹迂回反复情况
运动轨迹迂回反复问题是指无人机在比较狭窄的空间中，受到障碍物产生的斥力较大，而产生运动轨迹迂回反复的现象。
本实例实验中采用的环境障碍信息如附图9所示，路径规划过程中5个方向的斥力系数如表3所示。
表3运动轨迹迂回反复问题对比实验中斥力系数取值
图(a)是斥力系数设为默认值时人工势场法规划得到的路径，由轨迹图可知，无人机在某一点出现了受到障碍物斥力太强而导致运动轨迹迂回反复，最终无人机从起点到终点的规划路径长度为2067.696。图(b)是斥力系数自适应环境时经人工势场法规划得到的路径，由轨迹可知，无人机顺畅地通过了狭窄路径，从起点到终点的规划路径长度为780.1314，比左图中的路径优化了1287.5646，克服了运动轨迹迂回反复的问题。
(3)默认斥力系数下路径长度过长情况
路径长度过长问题是指无人机在面对道路狭窄等复杂路况时为避免碰撞而选择更远的道路，以保证无人机能够顺利完成路径规划，使得规划路径过长，导致无人机硬件以及能源的多余消耗。
本实例实验中采用的环境障碍信息如附图10所示，路径规划过程中5个方向的斥力系数如表4所示。
表4绕远路问题对比实验中斥力系数取值
图(a)是斥力系数设为默认值时人工势场法规划得到的路径，由轨迹图可知，无人机没有选择两个障碍物之间的狭窄路径，而是选择绕行，最终无人机从起点到终点的规划路径长度为864.9541。图(b)是斥力系数自适应环境时经人工势场法规划得到的路径，由轨迹可知，无人机选择了两个障碍物之间的狭窄路径，从起点到终点的规划路径长度为784.0148，比左图中的路径优化了80.9393，克服了路径长度过长的问题。
本实例在一定限制条件下随机生成了3000个环境障碍地图，并进行默认斥力系数和自适应斥力系数的对比试验。实验得出，后者规划出的路径平均每个要比前者规划出的路径长度减少99.9419，优化了平均总路径长度的3.6702％。综上所述，本实例通过经离线训练好的神经网络计算得到自适应环境的斥力系数后，再结合人工势场法进行路径规划，在一定程度上解决了目标不可达、运动轨迹迂回反复和路径长度过长的问题。
S4：通过步骤S2中训练得到的残差神经网络计算适应当前环境的5个方向的斥力系数，通过步骤S1中所述遗传算法直接进行适应当前环境的5个方向的斥力系数的计算，把用训练好的神经网络计算斥力系数和用遗传算法计算斥力系数两种方法的计算用时进行对比。
详细过程如下：
用遗传算法找出自适应环境的斥力系数值进行路径规划可以取得很好的效果，但由于遗传算法本身随机搜索的特性，计算时间往往过长。本对比实验中采用的环境障碍物信息如附图11所示。
(a)、(b)、(c)三幅图分别对应实验编号1、2、3，实验结果如下表5所示。
表5两种方法计算斥力系数用时对比
实验得出，本方法提出的用预先离线训练好的神经网络优化斥力系数比直接用遗传算法优化斥力系数快了14984.92倍。
由步骤S3和步骤S4综合得出，自适应斥力系数下规划得到的路径比默认斥力系数下规划得到的路径在长度上减少了99.9419，优化了平均总路径长度的3.6702％；用预先离线训练好的神经网络优化斥力系数比直接用遗传算法优化斥力系数快了14984.92倍。综上所述，本方法规划出的路径的质量和计算斥力系数的用时比之其他方法都有显著优势。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例。对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (6)
1.基于深度学习的无人机自适应斥力系数路径规划方法，其特征在于，包括以下步骤：
S1：通过融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集，所得样本集中每个样本包括特定的环境障碍物地图，以及在该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数；
S2：利用步骤S1中所获样本集训练残差神经网络，网络的输入为环境障碍物地图，输出为该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数；
S3：通过步骤S2中训练得到的残差神经网络计算适应当前环境的5个方向的斥力系数，从而进行路径规划。
2.根据权利要求1所述的基于深度学习的无人机自适应斥力系数路径规划方法，其特征在于，步骤S1中，所述融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集的过程包括：
(1)利用人工势场法进行路径规划，求得成功规划路径的长度；
(2)将步骤(1)中所求路径长度作为适应度函数，通过遗传算法找出特定环境下最优秀的个体，即最适合当前环境的斥力系数；
(3)执行完一次上述步骤(1)和步骤(2)即获得一个样本，要得到足够步骤S2训练神经网络的样本集，需反复执行步骤(1)和步骤(2)。
3.根据权利要求2所述融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集，其特征在于，步骤(1)中，所述利用人工势场法进行路径规划，求得成功规划路径的长度的过程包括：
(1)对无人机进行动力学建模，假设无人机安装有探测装置和速度稳定性装置，本方法研究的是同一高度平面内无人机的飞行路径规划问题，把无人机单位时间内的运动抽象成匀速直线运动，把无人机看作是WUAV*LUAV的矩形，其中WUAV表示无人机的宽度，LUAV表示无人机的长度，考虑到实际飞行情境，无人机受到以下动力学约束：
其中，v、γ、ψ分别为无人机某一时刻的速度、加速度和转向速度，vmax、γmax、ψmax分别为无人机的最大行驶速度、最大加速度和最大转向速度；
(2)对障碍物进行建模，通过高空全局遥感摄像头,无人机可以在路径规划之前捕捉到相关规划路径上的障碍物环境信息地图，本方法通过将障碍物抽象成大小、位置随机的圆形来进行环境建模，生成的仿真地图的障碍物满足如下约束：
其中，r和n表示障碍物的半径和数量，rmin、rmax、nmin、nmax分别代表障碍物的最小半径、最大半径以及障碍物的最小个数和最大个数，为了提高环境地图的真实性和复杂性，障碍物可以重叠，同时假设无人机已安装传感器、摄像头等设备，可以实时检测环境信息，能为后续无人机需要在飞行过程中随时探测其正前方、左方、右方、左前方和右前方5个方向距障碍物的距离提供可能性；
(3)初始化无人机位置，包括初始化无人机的位置、方向、速度等；
(4)计算无人机在5个方向上距障碍物的距离，采用逐像素增加的方式来探测无人机在正前方、左方、右方、左前方和右前方5个方向上距离障碍物的距离，未达到与障碍物的最近距离则继续逐像素增加探测，达到与障碍物的最近距离则计算当前方向下无人机距离障碍物的距离；
(5)计算无人机距离目标点的距离，采用逐像素增加的方式来探测无人机距离目标点的距离，未到达目标点则继续逐像素增加探测，与目标点部分重叠则计算当前方向下无人机距离障碍物的距离；
(6)计算无人机受到的引力，无人机的引力势场Uatt的表达式为：
其中，katt为引力系数，d(q,qgoal)为步骤(5)中所求带正电荷的无人机q到带负电荷的目标点qgoal之间的距离，无人机离目标点的距离越远，引力势场越大，距离越近，引力势场越小，引力势场随着无人机与目标点之间的距离二次增长，根据引力势场表达式，可得出引力大小Fatt为：
(7)计算无人机受到的斥力，我们把障碍物对无人机的斥力势场简化成从正前方、左方、右方、左前方和右前方5个方向对无人机的作用，斥力势场受无人机离障碍物的距离、斥力系数和无人机当前的方向的影响，其正前方斥力势场UrepFront、左方斥力势场UrepLeft、右方斥力势场UrepRight、左前方斥力势场UrepFrontLeft和右前方斥力势场UrepFrontRight的表达式为：
有斥力合势场Urep：
Urep＝UrepFront+UrepLeft+UrepRight+UrepFrontLeft+UrepFrontRight (6)
其中，dFront是无人机距前方障碍物的距离，dLeft是无人机距左方障碍物的距离，dRight是无人机距右方障碍物的距离，dFrontLeft是无人机距左前方障碍物的距离，dFrontRight是无人机距右前方障碍物之间的距离，krep1是无人机前方障碍物产生斥力的斥力系数，krep2是无人机左方障碍物产生斥力的斥力系数，krep3是无人机右方障碍物产生斥力的斥力系数，krep4是无人机左前方障碍物产生斥力的斥力系数，krep5是无人机右前方障碍物产生斥力的斥力系数，θ是无人机当下的飞行方向，无人机受到的斥力Frep为：
其中，d(q,qobs)是步骤(4)中所求无人机距障碍物的距离，d0为人为设定的一个数值，超出这个数值则视作该方向上障碍物对无人机产生的斥力为0；
(8)计算无人机受到的合力，无人机受到的合力Ftotal为：
Ftotal＝Fatt+Frep (8)
其中，Fatt为无人机受到目标点的引力，Frep为无人机受到障碍物产生的斥力之和；
(9)更新无人机位置，根据无人机的初始位置、方向、速度以及步骤(8)中所求无人机受到合力，计算出无人机当下的速度和方向，更新无人机的位置；
(10)规划合理路径，循环执行步骤(4)到步骤(9)，直到无人机抵达目标点，每次更新位置所构成的路径即为规划出的最终路径。
4.根据权利要求2所述融合人工势场法与遗传算法，找出在特定环境下最合适的斥力系数样本集，其特征在于，步骤(2)中，所述通过遗传算法找出特定环境下最优秀的个体的过程包括：
(1)编码与解码，在遗传算法中，个体的基因型和表现型之间的映射转换可通过编码和解码完成，编码是指把解空间生成路径的斥力系数映射到遗传算法搜索空间的过程，由于二进制编码的编码规则简单，在交叉和变异阶段也易于实现，本发明选用的是二进制编码(Binary encoding,BE)，设五个方向斥力系数的取值范围是[D1,D2]，编码变量的二进制位数设为W，解码是指把搜索空间中个体的染色体向具体的路径规划中斥力系数的问题解转化的过程，具体是把二进制编码bi映射成斥力系数的真实值，映射过程不仅取决于二进制编码的值，也依赖于斥力系数范围[D1,D2]和二进制编码位数W，斥力系数K的解码过程为：
(2)适应度评估，本发明把规划出来的一条路径看成遗传算法中的一个个体，适应度函数为路径的长度，路径长度越短，则表示个体的适应度越高，个体的基因越容易传递下去；
(3)选择，选择是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行染色体的选择，选择算子在上一代种群中按照一定的概率选择个体组成下一代，被选中的概率由个体适应度决定，随机遍历采样方式由轮盘赌方式改进而来，更能避免选择偏差的存在，因此本方法用随机遍历采样方式来进行选择，随机遍历采样方式采用多个选择点，只旋转一次转盘即可选出全部的个体，防止了适应度较高的个体被过多地反复选择，给了适应度较低的个体被选择的机会，选择的公平性得以保证；
(4)交叉，交叉是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行基因重组，交叉算子从选择的种群中随机选择两个个体，以一定规则将两个个体的染色体进行交换，以期产生适应度更高的个体，本方法用到的是单点交叉(Single PointCrossover,SPC)的方式，即在被挑选出来的两个个体染色体上随机选择一个交叉点位，在该位置切割染色体，按照设定的交叉概率Pc进行互换；
(5)变异，变异是遗传算法的核心之一，决定了遗传算法将按照怎样的规则模仿生物进化进行基因突变，为进化出更优秀的个体，避免遗传算法过早地陷入局部最优解，遗传算法模仿生物进化中的基因突变设置了变异机制，本方法在二进制编码上采用单点变异(Single Point Variation,SPV)的变异方式，即遵循设定的变异概率Pm,按位将二进制编码0变成编码1，编码1变成编码0；
(6)根据遗传算法设定的遗传代数，循环执行步骤(1)到步骤(5)，最后一代的最优解即为遗传算法找出的适应当前障碍物环境的最优解。
5.根据权利要求1所述的基于深度学习的无人机自适应斥力系数路径规划方法，其特征在于，步骤S2中，所述利用步骤S1中所获样本集训练残差神经网络，网络的输入为环境障碍物地图，输出为该环境下最适合的正前方、左方、右方、左前方和右前方5个方向的斥力系数，其过程包括：
(1)本方法通过训练ResNet18模型来对障碍物地图进行学习，以期直接通过分析障碍物环境信息地图，找出自适应当前环境的斥力系数，从而规划出更好的路径，ResNet18由17个卷积层和一个全连接层构成，为解决深层网络不如浅层网络效果好的问题，在ResNet18中通过短路机制加入了残差单元，由于ResNet18网络深度较浅，每两个卷积层构成一个残差块，把当前残差块Li的输出作为下一个残差块Li+1的输入，有
Yi＝h(Xi)+F(Xi,Wi) (10)
Xi+1＝f(Yi) (11)
其中，Xi是当前残差块的输入，h(Xi)表示Xi的恒等映射，Yi为Xi经过两层卷积层的输出，F(Xi,Wi)为其学习到的残差，f(Yi)是Yi经激活函数relu激活后的输出，Xi+1是下一个残差块的输入，短路机制不直接从Xi学习得到Yi，而是只学习残差F(Xi,Wi)，降低了学习成本，在仅作数学推导时若忽略掉激活函数relu，则从浅层Xi到深层Xi+n的学习过程为
借用链式规则，可知此学习过程的反向传播中的梯度为：
其中Loss为损失函数，由上式可得，一定不会存在梯度消失的情况，在某个残差块的学习中，最坏的情况是残差F(Xj,Wj)＝0,即Yi＝h(Xi)，数据通过两层卷积层仅做了恒等映射，也能保证保留上一次学习到的特征；
(2)训练与测试模型，在寻找最优解的训练过程中，损失函数采用平均平方误差(MeanSquare Error,MSE)，平均平方误差的计算方式为逐元素计算，计算的是神经网络预测的斥力系数值
与样本中的斥力系数值y之差的平方和的算术平均值，元素个数用N表示，公式为：
优化器选用随机梯度下降(Stochastic Gradient Descent,SGD)，对每个样本都迭代更新一次，从而加快训练速度。
6.根据权利要求1所述的基于深度学习的无人机自适应斥力系数路径规划方法，其特征在于，步骤S3中，所述通过步骤S2中训练得到的残差神经网络计算适应当前环境的5个方向的斥力系数，从而进行路径规划，其过程包括：
(1)将环境障碍物地图输入到神经网络中，计算适应当前环境的5个方向的斥力系数值；
(2)根据步骤(1)中所得斥力系数，利用人工势场法进行路径规划，详细步骤与权利要求3中步骤(1)到步骤(10)相同，不再赘述。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575347.3A CN114779821B (zh) | 2022-05-25 | 2022-05-25 | 基于深度学习的无人机自适应斥力系数路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210575347.3A CN114779821B (zh) | 2022-05-25 | 2022-05-25 | 基于深度学习的无人机自适应斥力系数路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114779821A true CN114779821A (zh) | 2022-07-22 |
| CN114779821B CN114779821B (zh) | 2023-06-27 |
Family
ID=82409242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210575347.3A Active CN114779821B (zh) | 2022-05-25 | 2022-05-25 | 基于深度学习的无人机自适应斥力系数路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114779821B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268495A (zh) * | 2022-07-26 | 2022-11-01 | 江苏科技大学 | 基于引力指导的深度q网络无人机路径规划方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
| CN104571113A (zh) * | 2015-01-20 | 2015-04-29 | 博康智能网络科技股份有限公司 | 移动机器人的路径规划方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN107102650A (zh) * | 2017-05-27 | 2017-08-29 | 河南科技大学 | 一种适用于高速环境的无人机动态路径规划方法 |
| WO2018187943A1 (zh) * | 2017-04-11 | 2018-10-18 | 珠海市一微半导体有限公司 | 智能机器人的栅格地图创建方法 |
| CN108827312A (zh) * | 2018-08-08 | 2018-11-16 | 清华大学 | 一种基于神经网络和人工势场的协同博弈路径规划方法 |
| CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
| CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
| CN111873992A (zh) * | 2020-08-11 | 2020-11-03 | 北京理工大学重庆创新中心 | 自动驾驶车辆决策层路径规划的人工势场方法 |
| CN112099501A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨工程大学 | 一种基于势场参数优化的无人艇路径规划方法 |
| CN112182249A (zh) * | 2020-10-23 | 2021-01-05 | 四川大学 | 针对航空安全报告的自动分类方法和装置 |
| CN112596525A (zh) * | 2020-12-16 | 2021-04-02 | 中国地质大学（武汉） | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
-
2022
- 2022-05-25 CN CN202210575347.3A patent/CN114779821B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103092204A (zh) * | 2013-01-18 | 2013-05-08 | 浙江大学 | 一种混合的机器人动态路径规划方法 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| CN104571113A (zh) * | 2015-01-20 | 2015-04-29 | 博康智能网络科技股份有限公司 | 移动机器人的路径规划方法 |
| WO2018187943A1 (zh) * | 2017-04-11 | 2018-10-18 | 珠海市一微半导体有限公司 | 智能机器人的栅格地图创建方法 |
| CN107102650A (zh) * | 2017-05-27 | 2017-08-29 | 河南科技大学 | 一种适用于高速环境的无人机动态路径规划方法 |
| CN108827312A (zh) * | 2018-08-08 | 2018-11-16 | 清华大学 | 一种基于神经网络和人工势场的协同博弈路径规划方法 |
| CN109144102A (zh) * | 2018-09-19 | 2019-01-04 | 沈阳航空航天大学 | 一种基于改进蝙蝠算法的无人机航路规划方法 |
| CN111694357A (zh) * | 2020-06-19 | 2020-09-22 | 国网福建省电力有限公司福州供电公司 | 基于遗传算法和人工势场法的机器人行走路径规划方法 |
| CN111873992A (zh) * | 2020-08-11 | 2020-11-03 | 北京理工大学重庆创新中心 | 自动驾驶车辆决策层路径规划的人工势场方法 |
| CN112099501A (zh) * | 2020-09-15 | 2020-12-18 | 哈尔滨工程大学 | 一种基于势场参数优化的无人艇路径规划方法 |
| CN112182249A (zh) * | 2020-10-23 | 2021-01-05 | 四川大学 | 针对航空安全报告的自动分类方法和装置 |
| CN112596525A (zh) * | 2020-12-16 | 2021-04-02 | 中国地质大学（武汉） | 基于遗传算法和改进人工势场法的机器人路径规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨凯;龙佳;马雪燕;余中政;: "移动机器人改进人工势场的路径规划方法研究", 现代电子技术, no. 07, pages 141 - 145 * |
| 甄然;甄士博;吴学礼;: "一种自适应控制的人工势场的无人机路径规划算法", 无线电工程, no. 05, pages 54 - 57 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115268495A (zh) * | 2022-07-26 | 2022-11-01 | 江苏科技大学 | 基于引力指导的深度q网络无人机路径规划方法 |
| CN115268495B (zh) * | 2022-07-26 | 2024-04-26 | 江苏科技大学 | 基于引力指导的深度q网络无人机路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114779821B (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Loquercio et al. | Dronet: Learning to fly by driving | |
| US11755018B2 (en) | End-to-end interpretable motion planner for autonomous vehicles | |
| US11017550B2 (en) | End-to-end tracking of objects | |
| CN112650237B (zh) | 基于聚类处理和人工势场的船舶路径规划方法和装置 | |
| KR102306939B1 (ko) | V2x 통신 및 이미지 처리를 이용한 정보 융합을 통해 자율 주행의 단기 경로를 플래닝하기 위한 방법 및 장치 | |
| WO2022100107A1 (en) | Methods and systems for predicting dynamic object behavior | |
| CN112034887A (zh) | 无人机躲避柱状障碍物到达目标点的最优路径训练方法 | |
| CN113190037A (zh) | 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 | |
| US11580851B2 (en) | Systems and methods for simulating traffic scenes | |
| JP2020123346A (ja) | 各領域において最適化された自律走行を遂行できるように位置基盤アルゴリズムの選択によってシームレスパラメータ変更を遂行する方法及び装置 | |
| EP3690726A1 (en) | Learning method and learning device for generating training data from virtual data on virtual world by using generative adversarial network, to thereby reduce annotation cost required in training processes of neural network for autonomous driving, and a testing method and a testing device using the same | |
| US20220036184A1 (en) | Compression of Machine-Learned Models by Vector Quantization | |
| US20230085147A1 (en) | Method for operating a robotic vehicle | |
| Saksena et al. | Towards behavioural cloning for autonomous driving | |
| KR20240004350A (ko) | 미지의 환경들에서의 로봇 항법을 위한 방법 및 시스템 | |
| Pierre | Incremental lifelong deep learning for autonomous vehicles | |
| CN114779821A (zh) | 基于深度学习的无人机自适应斥力系数路径规划方法 | |
| Lei et al. | A bio-inspired neural network approach to robot navigation and mapping with nature-inspired algorithms | |
| Roth et al. | ViPlanner: Visual Semantic Imperative Learning for Local Navigation | |
| US20220269948A1 (en) | Training of a convolutional neural network | |
| Xu et al. | Avoidance of manual labeling in robotic autonomous navigation through multi-sensory semi-supervised learning | |
| Politi et al. | Path planning and landing for unmanned aerial vehicles using ai | |
| Bui et al. | A uav exploration method by detecting multiple directions with deep learning | |
| Khalil et al. | Integration of motion prediction with end-to-end latent RL for self-driving vehicles | |
| Duc et al. | An approach for UAV indoor obstacle avoidance based on AI technique with ensemble of ResNet8 and Res-DQN |
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 |