CN114815886A - 基于区块链和遗传算法的集群无人机避障方法及系统 - Google Patents

基于区块链和遗传算法的集群无人机避障方法及系统 Download PDF

Info

Publication number
CN114815886A
CN114815886A CN202210448302.XA CN202210448302A CN114815886A CN 114815886 A CN114815886 A CN 114815886A CN 202210448302 A CN202210448302 A CN 202210448302A CN 114815886 A CN114815886 A CN 114815886A
Authority
CN
China
Prior art keywords
unmanned aerial
cluster
aerial vehicle
variation
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.)
Pending
Application number
CN202210448302.XA
Other languages
English (en)
Inventor
傅以恒
杨剑涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210448302.XA priority Critical patent/CN114815886A/zh
Publication of CN114815886A publication Critical patent/CN114815886A/zh
Pending legal-status Critical Current

Links

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)

Abstract

本发明公开的一种基于区块链和遗传算法的集群无人机避障方法及系统，包括：通过多跳自组织网的分级结构将集群无人机划分为若干小集群，当集群中的存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；使用Catmull‑Rom样条函数对关键点序列进行插值，获取避障路径；并将完成避障的信息通过分级结构进行分发，使得无人机通过速度逐渐加快。本发明通过分级结构通讯的集群使用遗传算法，既提高了路线搜索速度，也提升了集群整体利用性能。

Description

基于区块链和遗传算法的集群无人机避障方法及系统
技术领域
本发明涉及无人机技术领域，更具体的，涉及一种基于区块链和遗传算法的集群无人机避障方法及系统。
背景技术
随着无人机技术的逐步发展，集群无人机的应用越来越广泛，例如火灾救援，空中巡检等场景。目前，集群无人机在复杂场景内通常都会遇到避障任务的需求。现有的无人机避障的算法大部分基于中心化的控制避障，即一台飞机负责探测路径，进而向其他飞机报告。该方案当集群飞机数量较少时具有可行性。但是对于大集群本技术无法体现出集群的优越性，反而限制于通信传输能力而使得集群避障速度大大降低。
发明内容
为了解决上述技术问题，本发明提出了一种基于区块链和遗传算法的集群无人机避障方法及系统。
本发明第一方面提供了一种基于区块链和遗传算法的集群无人机避障方法，包括：
通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
本方案中，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：
当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量；
当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；
分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；
在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否终止变异。
本方案中，集群中最小变异单位为单台无人机，将结束变异的无人机根据分级结构中最上层的发出的数据，合并至所述寻找最优路径的概率更高的变异支路；
在所述寻找最优路径的概率相同时，将合并至无人机数量少的变异支路；
当集群内无人机探测到没有新的障碍物，完成障碍穿越时，直接与分级结构中最上层广播通信，通过距离本次变异支路最近的无人机进行确认检测，在确认检测无误后，宣布本次避障结束，开始通过障碍。
本方案中，集群无人机在进行避障中进行路径平滑优化，具体为：
当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
本方案中，在多跳自组织网的分级结构中，任何小集群都能够与分级结构中最上层集群通信，通过广播通信，通报完成避障的信息。
本发明第二方面还提供了一种基于区块链和遗传算法的集群无人机避障系统，该系统包括：存储器、处理器，所述存储器中包括一种基于区块链和遗传算法的集群无人机避障方法程序，所述一种基于区块链和遗传算法的集群无人机避障方法程序被所述处理器执行时实现如下步骤：
通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
本方案中，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：
当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量；
当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；
分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；
在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否终止变异。
本方案中，集群中最小变异单位为单台无人机，将结束变异的无人机根据分级结构中最上层的发出的数据，合并至所述寻找最优路径的概率更高的变异支路；
在所述寻找最优路径的概率相同时，将合并至无人机数量少的变异支路；
当集群内无人机探测到没有新的障碍物，完成障碍穿越时，直接与分级结构中最上层广播通信，通过距离本次变异支路最近的无人机进行确认检测，在确认检测无误后，宣布本次避障结束，开始通过障碍。
本方案中，集群无人机在进行避障中进行路径平滑优化，具体为：
当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
本方案中，在多跳自组织网的分级结构中，任何小集群都能够与分级结构中最上层集群通信，通过广播通信，通报完成避障的信息。
本发明提出的一种基于区块链和遗传算法的集群无人机避障方法及系统，使用区块链算法和多跳自组织网的分级结构组网技术，将集群分为多个小集群，提升通信效率的同时保障安全性；使用遗传算法分别探测路径，多级深度变异探测，充分发挥集群路径探测的优势，分级结构通讯的集群使用遗传算法，既提高了路线搜索速度，也提升了集群整体利用性能；最后使用Catmull-Rom算法对路径点样条函数对关键点序列进行插值，以得到一条更加平滑的路径，优化飞行轨迹，并把该路径传递给后面跟上的小集群，使通过速度逐渐加快，在通过障碍的同时不断迭代飞行路径，进一步提升了避障效率。
附图说明
图1示出了本发明一种基于区块链和遗传算法的集群无人机避障方法的流程图；
图2示出了本发明集群无人机避障中进行路径平滑优化的方法流程图；
图3示出了本发明一种基于区块链和遗传算法的集群无人机避障系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于区块链和遗传算法的集群无人机避障方法的流程图。
如图1所示，本发明第一方面提供了一种基于区块链和遗传算法的集群无人机避障方法，包括：
S102，通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
S104，当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
S106，使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
S108，并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
需要说明的是，集群内使用多跳自组织网的分级结构组网技术，集群在起飞后根据8-12架无人机自动分组，组成一个个小集群，使用POW工作量证明确保该过程随机可靠，集群间使用Mesh组网实现集群间P2P点对点的去中心化的区块链数据的传输，数据以数据包形式打包发送，包括CRC-32校验与非对称签名加密技术，所有区块链均具有的特征：非对称签名加密验证，pow工作量证明，hash算法校验，差异发生时的共识机制，以保证区块链的安全性与稳定性。
需要说明的是，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：判断当前集群是否存在避障任务，当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量，执行交叉变异，集群以小集群为单位，在保证安全性，且当前方向未经过变异的情况下四散进行变异；当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否继续变异或者终止变异。当有如下可能性导致该支变异结束：探测到没有新的障碍物，完成障碍的穿越时则本次支路变异结束；集群最小变异单位为单台无人机，若在本次变异后已经为单台无人机，且低于平均预期时，则变异结束，当某小集群或飞机找到最优路径的概率较低且变异代数高时，则变异结束，当找不到新的变异路径时存在两种变异路径与找到最优路径的概率相近，且该支变异次数更大时，则变异结束。
需要说明的是，集群中最小变异单位为单台无人机，将结束变异的无人机根据分级结构中最上层的发出的数据，合并至所述寻找最优路径的概率更高的变异支路；在所述寻找最优路径的概率相同时，将合并至无人机数量少的变异支路；当集群内无人机探测到没有新的障碍物，完成障碍穿越时，直接与分级结构中最上层广播通信，通过距离本次变异支路最近的无人机进行确认检测，在确认检测无误后，宣布本次避障结束，开始通过障碍。
图2示出了本发明一种基于区块链和遗传算法的集群无人机避障方法的流程图。
根据本发明实施例，集群无人机在进行避障中进行路径平滑优化，具体为：
S202，当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
S204，所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
S206，第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
S208，下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
需要说明的是，多跳自组织网的分级结构中，正常的信息分发将遵照分级结构分级树形分发和回收数据。而由于多跳自组织网的优势，任何小集群都可以和最上层集群通信，也可以直接广播通信，通报完成避障的信息等。
需要说明的是，根据Catmull-Rom算法，定义避障路径中控制点P0、P1、P2、P3，Catmull-Rom样条的特定为生成曲线通过所有的控制点，定义浮点坐标t,t∈[0,1]，当t＝0时，即为P1点，当t＝1时，即为P2点，当t在[0,1]之间变化时，所描绘的曲线为一种3次的分段差值样条，其曲线方程Qt为：
Figure BDA0003616295500000081
图3示出了本发明一种基于区块链和遗传算法的集群无人机避障系统的框图。
本发明第二方面还提供了一种基于区块链和遗传算法的集群无人机避障系统3，该系统包括：存储器31、处理器32，所述存储器中包括一种基于区块链和遗传算法的集群无人机避障方法程序，所述一种基于区块链和遗传算法的集群无人机避障方法程序被所述处理器执行时实现如下步骤：
通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
需要说明的是，集群内使用多跳自组织网的分级结构组网技术，集群在起飞后根据8-12架无人机自动分组，组成一个个小集群，使用POW工作量证明确保该过程随机可靠，集群间使用Mesh组网实现集群间P2P点对点的去中心化的区块链数据的传输，数据以数据包形式打包发送，包括CRC-32校验与非对称签名加密技术，所有区块链均具有的特征：非对称签名加密验证，pow工作量证明，hash算法校验，差异发生时的共识机制，以保证区块链的安全性与稳定性。
需要说明的是，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：判断当前集群是否存在避障任务，当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量，执行交叉变异，集群以小集群为单位，在保证安全性，且当前方向未经过变异的情况下四散进行变异；当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否继续变异或者终止变异。当有如下可能性导致该支变异结束：探测到没有新的障碍物，完成障碍的穿越时则本次支路变异结束；集群最小变异单位为单台无人机，若在本次变异后已经为单台无人机，且低于平均预期时，则变异结束，当某小集群或飞机找到最优路径的概率较低且变异代数高时，则变异结束，当找不到新的变异路径时存在两种变异路径与找到最优路径的概率相近，且该支变异次数更大时，则变异结束。
需要说明的是，集群中最小变异单位为单台无人机，将结束变异的无人机根据分级结构中最上层的发出的数据，合并至所述寻找最优路径的概率更高的变异支路；在所述寻找最优路径的概率相同时，将合并至无人机数量少的变异支路；当集群内无人机探测到没有新的障碍物，完成障碍穿越时，直接与分级结构中最上层广播通信，通过距离本次变异支路最近的无人机进行确认检测，在确认检测无误后，宣布本次避障结束，开始通过障碍。
根据本发明实施例，集群无人机在进行避障中进行路径平滑优化，具体为：
当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
需要说明的是，多跳自组织网的分级结构中，正常的信息分发将遵照分级结构分级树形分发和回收数据。而由于多跳自组织网的优势，任何小集群都可以和最上层集群通信，也可以直接广播通信，通报完成避障的信息等。
需要说明的是，根据Catmull-Rom算法，定义避障路径中控制点P0、P1、P2、P3，Catmull-Rom样条的特定为生成曲线通过所有的控制点，定义浮点坐标t,t∈[0,1]，当t＝0时，即为P1点，当t＝1时，即为P2点，当t在[0,1]之间变化时，所描绘的曲线为一种3次的分段差值样条，其曲线方程Qt为：
Figure BDA0003616295500000111
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于区块链和遗传算法的集群无人机避障方法程序，所述一种基于区块链和遗传算法的集群无人机避障方法程序被处理器执行时，实现如上述任一项所述的一种基于区块链和遗传算法的集群无人机避障方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种基于区块链和遗传算法的集群无人机避障方法，其特征在于，包括以下步骤：
通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
2.根据权利要求1所述的一种基于区块链和遗传算法的集群无人机避障方法，其特征在于，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：
当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量；
当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；
分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；
在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否终止变异。
3.根据权利要求2所述的一种基于区块链和遗传算法的集群无人机避障方法，其特征在于，集群中最小变异单位为单台无人机，将结束变异的无人机根据分级结构中最上层的发出的数据，合并至所述寻找最优路径的概率更高的变异支路；
在所述寻找最优路径的概率相同时，将合并至无人机数量少的变异支路；
当集群内无人机探测到没有新的障碍物，完成障碍穿越时，直接与分级结构中最上层广播通信，通过距离本次变异支路最近的无人机进行确认检测，在确认检测无误后，宣布本次避障结束，开始通过障碍。
4.根据权利要求1所述的一种基于区块链和遗传算法的集群无人机避障方法，其特征在于，集群无人机在进行避障中进行路径平滑优化，具体为：
当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
5.根据权利要求1所述的一种基于区块链和遗传算法的集群无人机避障方法，其特征在于，在多跳自组织网的分级结构中，任何小集群都能够与分级结构中最上层集群通信，通过广播通信，通报完成避障的信息。
6.一种基于区块链和遗传算法的集群无人机避障系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一一种基于区块链和遗传算法的集群无人机避障方法程序，所述一种基于区块链和遗传算法的集群无人机避障方法程序被所述处理器执行时实现如下步骤：
通过多跳自组织网的分级结构将集群无人机划分为若干小集群；
当集群中存在避障任务，通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，根据所述概率判断变异终止；
使用Catmull-Rom样条函数对关键点序列进行插值，获取平滑优化后的避障路径；
并将完成避障的信息通过分级结构进行分发至其他小集群，使得无人机通过速度逐渐加快。
7.根据权利要求6所述的一种基于区块链和遗传算法的集群无人机避障系统，其特征在于，所述的通过遗传算法的变异探索根据障碍物分布及已行驶距离、变异代数计算无人机寻找最优路径的概率，具体为：
当群集无人机需要执行避障任务，分级结构中最下层的小集群执行交叉变异，根据小集群的数量判断每次交叉变异的数量；
当小集群完成一次交叉变异后，向分级结构中最上层报告周围障碍物的状态，并准备下一次交叉变异；
分级结构中最上层根据周围障碍物的状态绘制障碍物的3D模型及已经遍历过的变异路线并不断下发，根据障碍物分布，已行驶距离和变异代数计算出无人机寻找最优路径的概率；
在下一次变异中获取新的障碍物3D模型及变异路线，根据新的障碍物3D模型及变异路线结合所述概率判断是否终止变异。
8.根据权利要求6所述的一种基于区块链和遗传算法的集群无人机避障他，其特征在于，集群无人机在进行避障中进行路径平滑优化，具体为：
当层级结构中最上级收到多个障碍物报告，在综合确认后，进行基于遗传算法交叉变异的避障路径查找；
所有小集群根据遗传算法得出的路径最优解的距离进行排队通过；
第一个排队通过的小集群使用Catmull-Rom算法进行路径平滑优化，若优化后路径通过速度更快，则通过区块链信息传递给下一个排队通过的小集群，同时加强探测路径周围的障碍信息；
下一个排队通过的小集群接收到优化后路径及更详细的障碍信息，将继续使用Catmull-Rom算法进行路径平滑优化，以此类推至下一个小集群未能收到新的优化路径信息时，则终止路径平滑优化工作。
CN202210448302.XA 2022-04-26 2022-04-26 基于区块链和遗传算法的集群无人机避障方法及系统 Pending CN114815886A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210448302.XA CN114815886A (zh) 2022-04-26 2022-04-26 基于区块链和遗传算法的集群无人机避障方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210448302.XA CN114815886A (zh) 2022-04-26 2022-04-26 基于区块链和遗传算法的集群无人机避障方法及系统

Publications (1)

Publication Number Publication Date
CN114815886A true CN114815886A (zh) 2022-07-29

Family

ID=82508596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210448302.XA Pending CN114815886A (zh) 2022-04-26 2022-04-26 基于区块链和遗传算法的集群无人机避障方法及系统

Country Status (1)

Country Link
CN (1) CN114815886A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016543A (zh) * 2022-12-15 2023-04-25 浪潮云信息技术股份公司 一种基于蚁群算法的区块链网络部署方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116016543A (zh) * 2022-12-15 2023-04-25 浪潮云信息技术股份公司 一种基于蚁群算法的区块链网络部署方法及系统

Similar Documents

Publication Publication Date Title
CN113316118B (zh) 基于任务认知的无人机集群网络自组织系统及方法
CN111901392B (zh) 一种面向移动边缘计算的内容部署与分发方法及系统
CN111586720B (zh) 一种多小区场景下的任务卸载和资源分配的联合优化方法
CN112995289B (zh) 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法
CN103428805B (zh) 一种基于链路抗干扰性的无线网络虚拟化映射方法
Arkian et al. FcVcA: A fuzzy clustering-based vehicular cloud architecture
CN115065683B (zh) 基于车辆聚类的车辆边缘网络任务分配卸载方法
CN113709249B (zh) 辅助驾驶业务安全均衡卸载方法及系统
CN116346863B (zh) 基于联邦学习的车载网数据处理方法、装置、设备及介质
CN114815886A (zh) 基于区块链和遗传算法的集群无人机避障方法及系统
CN114827947A (zh) 车联网安全计算卸载及资源分配方法、计算机设备及终端
CN115297171A (zh) 一种蜂窝车联网分级决策的边缘计算卸载方法及系统
CN116709290A (zh) 一种基于无人机边缘计算的灾害地区应急通信方法及系统
Liwang et al. Graph-represented computation-intensive task scheduling over air-ground integrated vehicular networks
CN113242553B (zh) 一种基于区块链分片的恶意节点检测方法
Wang et al. Joint offloading decision and resource allocation in vehicular edge computing networks
CN111093216A (zh) 一种基于改进二进制粒子群优化的无线传感器网络节点调度方法
CN108289115B (zh) 一种信息处理方法及系统
CN113194031A (zh) 雾无线接入网内结合干扰抑制的用户聚类方法及系统
CN115967430A (zh) 一种基于深度强化学习的成本最优空地网络任务卸载方法
CN114245436A (zh) 无人机辅助移动边缘网络分簇方法及装置
CN115514405B (zh) 联合计算和通信资源分配的leo边缘卸载方法
CN118113484B (zh) 一种资源调度方法、系统、存储介质及车辆
CN116341685B (zh) 基于联合注意力的分布式计算卸载模型训练方法和系统
CN113676958B (zh) 车辆到车辆的网络切片带宽资源分配方法及装置

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