CN115129088B - 基于频谱地图的无人机轨迹规划和避障方法及系统 - Google Patents

基于频谱地图的无人机轨迹规划和避障方法及系统 Download PDF

Info

Publication number
CN115129088B
CN115129088B CN202211029559.8A CN202211029559A CN115129088B CN 115129088 B CN115129088 B CN 115129088B CN 202211029559 A CN202211029559 A CN 202211029559A CN 115129088 B CN115129088 B CN 115129088B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
spectrum map
frequency spectrum
obstacle
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
Application number
CN202211029559.8A
Other languages
English (en)
Other versions
CN115129088A (zh
Inventor
周力
刘兴光
赵海涛
张晓瀛
高文颖
张姣
魏急波
陈海涛
罗海鹏
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.)
National University of Defense Technology
Original Assignee
National University of Defense 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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211029559.8A priority Critical patent/CN115129088B/zh
Publication of CN115129088A publication Critical patent/CN115129088A/zh
Application granted granted Critical
Publication of CN115129088B publication Critical patent/CN115129088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

本发明公开一种基于频谱地图的无人机轨迹规划和避障方法及系统，该方法首先边缘服务器构建三维频谱地图，无人机根据该三维频谱地图预先规划好一条路径，然后无人机根据邻域的局部频谱地图实时动态避障。无人机执行预先规划的路径过程中，由基站实时分发给无人机邻域的局部频谱地图，当检测到干扰时，无人机采用扰动流体算法进行动态避障。通过基于双时延的深度确定性策略梯度的深度强化学习算法调整扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数，使无人机在满足运动约束的条件下实时避障并且总航路最短。本发明提供的方法为无人机提供全局和局部的实时频谱地图服务，有效提升无人机的轨迹规划和动态避障效率和鲁棒性。

Description

基于频谱地图的无人机轨迹规划和避障方法及系统
技术领域
本发明涉及无线通信和自动化控制技术领域，尤其是一种基于频谱地图的无人机轨迹规划和避障方法及系统。
背景技术
在复杂的电磁环境中，无人机根据自身感知的频域干扰和地理障碍进行轨迹规划或者避障，由于自身传感器所能感知的范围有限，不能获得全局的或者动态的障碍信息，导致在执行任务过程中会碰撞障碍或者受到强烈的干扰失去通信。
发明内容
本发明提供一种基于频谱地图的无人机轨迹规划和避障方法及系统，用于克服现有技术中无人机无法获得全局或者动态频域干扰和地理障碍信息等缺陷。
为实现上述目的，本发明提出一种基于频谱地图的无人机轨迹规划和避障方法，包括以下步骤：
利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息；
根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图；
对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径；
根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机；
根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
为实现上述目的，本发明还提出一种基于频谱地图的无人机轨迹规划和避障系统，包括：
频谱地图构建模块，用于利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息；根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图；
轨迹规划和避障模块，用于对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径；根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机；根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
为实现上述目的，本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
为实现上述目的，本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述方法的步骤。
与现有技术相比，本发明的有益效果有：
本发明提供的基于频谱地图的无人机轨迹规划和避障方法为无人机分发压缩的全局地图和剪裁但未压缩的局部地图，为无人机轨迹规划和动态避障提供参考。首先移动边缘网络中的边缘服务器根据干扰辐射功率信息和地理地形信息构建三维频谱地图，无人机根据该三维频谱地图预先规划好一条路径，然后无人机根据邻域的局部频谱地图实时动态避障。无人机执行预先规划的路径过程中，由基站实时分发给无人机邻域的局部频谱地图，当检测到干扰时，无人机采用扰动流体算法进行动态避障。通过基于双时延的深度确定性策略梯度（Twin Delayed Deep Deterministic policy gradient，TD3）的深度强化学习算法调整扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数，使无人机在满足运动约束的条件下实时避障并且总航路最短。本发明提供的无人机轨迹规划和避障方法，为无人机提供全局和局部的实时频谱地图服务，有效提升无人机的轨迹规划和动态避障效率和鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明提供的基于频谱地图的无人机轨迹规划和避障方法流程图；
图2为本发明基于频谱地图的无人机轨迹规划和避障方法中扰动流体算法示意图；
图3为本发明基于频谱地图的无人机轨迹规划和避障方法中TD3深度强化学习算法示意图。
图4为本发明基于频谱地图的无人机轨迹规划和避障方法轨迹规划和避障效果示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，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的一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种基于频谱地图的无人机轨迹规划和避障方法，如图1所示，包括以下步骤：
利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息。
根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图。
对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径。
根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机。
根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
在其中一个实施例中，频谱传感器部署在三维立体空间内；干扰辐射功率信息是频谱传感器接收到的干扰信号在某一频段的接收信号强度。
在三维空间中部署具有感知功能的无人机、固定监测站、车载接收机、手持式频谱仪等
Figure 132981DEST_PATH_IMAGE001
个设备采集三维空间中的干扰辐射功率信息，并将信息上传至边缘服务器中。
在某个实施例中，根据干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图，包括：
根据干扰辐射功率信息，利用边缘服务器采用克里金插值算法对未知的区域进行插值：
Figure 29261DEST_PATH_IMAGE002
式中，
Figure 714321DEST_PATH_IMAGE003
是传感器采集的频谱数据，
Figure 193231DEST_PATH_IMAGE004
是传感器
Figure 14557DEST_PATH_IMAGE005
采集的数据对未知点
Figure 285001DEST_PATH_IMAGE006
的影响权重；
结合地理地形信息，构建出包含空间障碍和频域干扰的三维频谱地图。
在下一个实施例中，无人机采用扰动流体方法绕行障碍物，如图2所示，扰动流体算法包括：
假设无人机的速度为
Figure 191777DEST_PATH_IMAGE007
，从当前位置
Figure 205869DEST_PATH_IMAGE008
飞向目标点
Figure 412860DEST_PATH_IMAGE009
，两点之间欧式距离为
Figure 854205DEST_PATH_IMAGE010
；当无人机从
Figure 982699DEST_PATH_IMAGE011
飞向目标点
Figure 800482DEST_PATH_IMAGE012
的路径上不存在障碍物时，初始流场为直线，无人机的初始流速表示为：
Figure 1
当无人机安全范围内出现
Figure 474226DEST_PATH_IMAGE014
个障碍物时，所有障碍物对无人机的扰动矩阵加权和为：
Figure 355594DEST_PATH_IMAGE015
式中，
Figure 711489DEST_PATH_IMAGE016
为第
Figure 361913DEST_PATH_IMAGE017
个障碍物的权重系数，由无人机到障碍物的等效包络的距离决定，距离越大，权重系数越小，对无人机的干扰影响越小；
然后通过总的扰动矩阵对无人机的初始流速进行修正，得到扰动流速
Figure 410641DEST_PATH_IMAGE018
：
Figure 44884DEST_PATH_IMAGE019
式中，
Figure 224978DEST_PATH_IMAGE020
是所有障碍物的速度矢量加权和，表示为：
Figure 729909DEST_PATH_IMAGE021
式中，
Figure 949537DEST_PATH_IMAGE022
是障碍物
Figure 539919DEST_PATH_IMAGE023
的速度矢量。
在另一个实施例中，权重系数的计算法为：
Figure 237616DEST_PATH_IMAGE024
第
Figure 128212DEST_PATH_IMAGE025
个障碍物的扰动矩阵
Figure 518742DEST_PATH_IMAGE026
表示为：
Figure 596419DEST_PATH_IMAGE027
式中，
Figure 504333DEST_PATH_IMAGE028
为单位吸引矩阵，第二项和第三项分别为排斥矩阵和切向矩阵，
Figure 108489DEST_PATH_IMAGE029
和
Figure 810866DEST_PATH_IMAGE030
分别是无人机对第
Figure 500473DEST_PATH_IMAGE031
个障碍物的排斥反应系数和切向反应系数，决定无人机规避障碍物的时机和安全距离；
Figure 415340DEST_PATH_IMAGE032
表示垂直于垂直向量并相切于障碍物等效包络面的切向矩阵；
Figure 139582DEST_PATH_IMAGE033
是无人机到障碍物
Figure 747281DEST_PATH_IMAGE034
表面的垂直向量，表示为：
Figure 65130DEST_PATH_IMAGE035
垂直于垂直向量并相切于障碍物等效包络面的切向矩阵
Figure 908321DEST_PATH_IMAGE036
推导如下：
定义两个位于切面上的相互正交向量
Figure 628015DEST_PATH_IMAGE037
和
Figure 534179DEST_PATH_IMAGE038
Figure 73745DEST_PATH_IMAGE039
以
Figure 861572DEST_PATH_IMAGE040
、
Figure 294827DEST_PATH_IMAGE041
和
Figure 244329DEST_PATH_IMAGE042
分别为
Figure 395824DEST_PATH_IMAGE043
，
Figure 987343DEST_PATH_IMAGE044
，
Figure 150471DEST_PATH_IMAGE045
轴建立坐标系
Figure 395507DEST_PATH_IMAGE046
，切平面内的任一单位切向量表示为：
Figure 175245DEST_PATH_IMAGE047
式中，
Figure 163929DEST_PATH_IMAGE048
为切向量到
Figure 447143DEST_PATH_IMAGE049
轴的角度，决定无人机绕行障碍物的方向；
Figure 4026DEST_PATH_IMAGE050
坐标系下的
Figure 130114DEST_PATH_IMAGE051
可以通过坐标转化矩阵
Figure 532277DEST_PATH_IMAGE052
得到原坐标系的
Figure 935576DEST_PATH_IMAGE053
，即：
Figure 787995DEST_PATH_IMAGE054
式中转换矩阵表示为：
Figure 11165DEST_PATH_IMAGE055
式中，
Figure 607232DEST_PATH_IMAGE056
，
Figure 865038DEST_PATH_IMAGE057
，
Figure 763724DEST_PATH_IMAGE058
，
Figure 595895DEST_PATH_IMAGE059
，
Figure 605439DEST_PATH_IMAGE060
。
在某一个实施例中，利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，如图3所示，包括：
观察每时刻无人机与障碍物
Figure 717752DEST_PATH_IMAGE061
的相对位置
Figure 911973DEST_PATH_IMAGE062
，相对速度
Figure 109736DEST_PATH_IMAGE063
，无人机到障碍物
Figure 188550DEST_PATH_IMAGE017
表面的距离
Figure 280003DEST_PATH_IMAGE064
，无人机的爬升角和偏航角
Figure 520491DEST_PATH_IMAGE065
和
Figure 330185DEST_PATH_IMAGE066
，构成基于双时延的深度确定性策略梯度的深度强化学习算法中的状态空间：
Figure 681531DEST_PATH_IMAGE067
基于双时延的深度确定性策略梯度的深度强化学习算法的动作空间是每时刻每个障碍物对无人机的排斥反应系数
Figure 768436DEST_PATH_IMAGE068
、切向反应系数
Figure 38880DEST_PATH_IMAGE069
和切向方向系数
Figure 211236DEST_PATH_IMAGE070
，动作空间表示为：
Figure 490907DEST_PATH_IMAGE071
基于双时延的深度确定性策略梯度的深度强化学习算法的即时奖励函数表示为：
Figure 432319DEST_PATH_IMAGE072
式中，
Figure 14610DEST_PATH_IMAGE073
为当前位置
Figure 798895DEST_PATH_IMAGE074
到目标点
Figure 492044DEST_PATH_IMAGE075
距离，
Figure 553541DEST_PATH_IMAGE076
为出发点
Figure 431368DEST_PATH_IMAGE077
到目标点
Figure 47157DEST_PATH_IMAGE078
距离。在下一个实施例中，再根据无人机的运动学约束，包括：
无人机的爬升角和偏航角需要满足无人机运动学约束，即：
Figure 671561DEST_PATH_IMAGE079
Figure 587564DEST_PATH_IMAGE080
式中，
Figure 777237DEST_PATH_IMAGE081
和
Figure 270535DEST_PATH_IMAGE082
是受动力约束后的爬升角和偏航角，
Figure 571066DEST_PATH_IMAGE083
和
Figure 200631DEST_PATH_IMAGE084
分别是爬升角和偏航角的最大约束。
图4为本发明基于频谱地图的无人机轨迹规划和避障方法轨迹规划和避障效果示意图，由图可知，本发明提供的基于TD3算法优化扰动流体系数的方法与基于深度请确定性策略梯度算法优化扰动流体系数的方法和没有优化系数的方法进行对比，本发明提供的方法可以有效规避障碍，并且所规划的路径转弯角度较为平缓，总长度最短。
本发明还提出一种基于频谱地图的无人机轨迹规划和避障系统，包括：
频谱地图构建模块，用于利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息；根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图；
轨迹规划和避障模块，用于对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径；根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机；根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
本发明还提出一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述所述方法的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于频谱地图的无人机轨迹规划和避障方法，其特征在于，包括以下步骤：
利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息；
根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图；
对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径；
根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机；
根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
2.如权利要求1所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，所述频谱传感器部署在三维立体空间内；所述干扰辐射功率信息是频谱传感器接收到的干扰信号在某一频段的接收信号强度。
3.如权利要求1所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图，包括：
根据所述干扰辐射功率信息，利用边缘服务器采用克里金插值算法对未知的区域进行插值：
Figure 606243DEST_PATH_IMAGE002
式中，
Figure 382438DEST_PATH_IMAGE004
是传感器采集的频谱数据，
Figure 365438DEST_PATH_IMAGE006
是传感器
Figure 26226DEST_PATH_IMAGE008
采集的数据对未知点
Figure 434074DEST_PATH_IMAGE010
的影响权重；
结合地理地形信息，构建出包含空间障碍和频域干扰的三维频谱地图。
4.如权利要求1所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，所述扰动流体算法包括：
假设无人机的速度为
Figure 459799DEST_PATH_IMAGE012
，从当前位置
Figure 812983DEST_PATH_IMAGE014
飞向目标点
Figure 277462DEST_PATH_IMAGE016
，两点之间欧式距离为
Figure 415183DEST_PATH_IMAGE018
；当无人机从
Figure 736443DEST_PATH_IMAGE014
飞向目标点
Figure 959614DEST_PATH_IMAGE020
的路径上不存在障碍物时，初始流场为直线，无人机的初始流速表示为：
Figure 962205DEST_PATH_IMAGE022
当无人机安全范围内出现
Figure 813486DEST_PATH_IMAGE024
个障碍物时，第
Figure 712172DEST_PATH_IMAGE026
个障碍物的扰动矩阵
Figure 547273DEST_PATH_IMAGE028
表示为：
Figure 87976DEST_PATH_IMAGE030
式中，
Figure 934709DEST_PATH_IMAGE032
为单位吸引矩阵，第二项和第三项分别为排斥矩阵和切向矩阵，
Figure 364815DEST_PATH_IMAGE034
和
Figure 359316DEST_PATH_IMAGE036
分别是无人机对第
Figure 906972DEST_PATH_IMAGE038
个障碍物的排斥反应系数和切向反应系数，决定无人机规避障碍物的时机和安全距离；
Figure 732846DEST_PATH_IMAGE040
表示垂直于垂直向量并相切于障碍物等效包络面的切向矩阵；
Figure 973334DEST_PATH_IMAGE042
是无人机到障碍物
Figure 189552DEST_PATH_IMAGE038
表面的垂直向量，表示为：
Figure 665533DEST_PATH_IMAGE044
所有障碍物对无人机的扰动矩阵加权和为：
Figure 221279DEST_PATH_IMAGE046
式中，
Figure 429406DEST_PATH_IMAGE048
为第
Figure 460816DEST_PATH_IMAGE050
个障碍物的权重系数，由无人机到障碍物的等效包络的距离决定，距离越大，权重系数越小，对无人机的干扰影响越小；
然后通过总的扰动矩阵对无人机的初始流速进行修正，得到扰动流速
Figure 84696DEST_PATH_IMAGE052
：
Figure 822844DEST_PATH_IMAGE054
式中，
Figure 28304DEST_PATH_IMAGE056
是所有障碍物的速度矢量加权和，表示为：
Figure 156797DEST_PATH_IMAGE058
式中，
Figure 974581DEST_PATH_IMAGE060
是障碍物
Figure 301657DEST_PATH_IMAGE062
的速度矢量。
5.如权利要求4所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，所述权重系数的计算法为：
Figure 789270DEST_PATH_IMAGE064
所述垂直于垂直向量并相切于障碍物等效包络面的切向矩阵
Figure 795272DEST_PATH_IMAGE066
推导如下：
定义两个位于切面上的相互正交向量
Figure 88850DEST_PATH_IMAGE068
和
Figure 739274DEST_PATH_IMAGE070
Figure 256843DEST_PATH_IMAGE072
以
Figure 625508DEST_PATH_IMAGE074
、
Figure 457198DEST_PATH_IMAGE076
和
Figure 588227DEST_PATH_IMAGE078
分别为
Figure 417643DEST_PATH_IMAGE080
，
Figure 70341DEST_PATH_IMAGE082
，
Figure 33618DEST_PATH_IMAGE084
轴建立坐标系
Figure 127476DEST_PATH_IMAGE086
，切平面内的任一单位切向量表示为：
Figure 518006DEST_PATH_IMAGE088
式中，
Figure 392421DEST_PATH_IMAGE090
为切向量到
Figure 34755DEST_PATH_IMAGE092
轴的角度，决定无人机绕行障碍物的方向；
Figure 373332DEST_PATH_IMAGE094
坐标系下的
Figure 606867DEST_PATH_IMAGE096
可以通过坐标转化矩阵
Figure 171841DEST_PATH_IMAGE098
得到原坐标系的
Figure 715736DEST_PATH_IMAGE100
，即：
Figure 49765DEST_PATH_IMAGE102
式中转换矩阵表示为：
Figure 454202DEST_PATH_IMAGE104
式中，
Figure 631105DEST_PATH_IMAGE106
，
Figure 84083DEST_PATH_IMAGE108
，
Figure 662832DEST_PATH_IMAGE110
，
Figure 238170DEST_PATH_IMAGE112
，
Figure 512156DEST_PATH_IMAGE114
。
6.如权利要求1所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，包括：
观察每时刻无人机与障碍物
Figure 159038DEST_PATH_IMAGE116
的相对位置
Figure 467660DEST_PATH_IMAGE118
，相对速度
Figure 213899DEST_PATH_IMAGE120
，无人机到障碍物
Figure 601280DEST_PATH_IMAGE116
表面的距离
Figure 661640DEST_PATH_IMAGE122
，无人机的爬升角和偏航角
Figure 621506DEST_PATH_IMAGE124
和
Figure 866542DEST_PATH_IMAGE126
，构成基于双时延的深度确定性策略梯度的深度强化学习算法中的状态空间：
Figure 115121DEST_PATH_IMAGE128
所述基于双时延的深度确定性策略梯度的深度强化学习算法的动作空间是每时刻每个障碍物对无人机的排斥反应系数
Figure 103806DEST_PATH_IMAGE130
、切向反应系数
Figure 121440DEST_PATH_IMAGE132
和切向方向系数
Figure 475061DEST_PATH_IMAGE134
，动作空间表示为：
Figure 335570DEST_PATH_IMAGE136
所述基于双时延的深度确定性策略梯度的深度强化学习算法的即时奖励函数表示为：
Figure 737732DEST_PATH_IMAGE138
式中，
Figure DEST_PATH_IMAGE140
为当前位置
Figure DEST_PATH_IMAGE142
到目标点
Figure DEST_PATH_IMAGE144
距离，
Figure DEST_PATH_IMAGE146
为出发点
Figure DEST_PATH_IMAGE148
到目标点
Figure DEST_PATH_IMAGE150
距离。
7.如权利要求1所述的基于频谱地图的无人机轨迹规划和避障方法，其特征在于，再根据无人机的运动学约束，包括：
无人机的爬升角和偏航角需要满足无人机运动学约束，即：
Figure DEST_PATH_IMAGE152
Figure DEST_PATH_IMAGE154
式中，
Figure DEST_PATH_IMAGE156
和
Figure DEST_PATH_IMAGE158
是受动力约束后的爬升角和偏航角，
Figure DEST_PATH_IMAGE160
和
Figure DEST_PATH_IMAGE162
分别是爬升角和偏航角的最大约束。
8.一种基于频谱地图的无人机轨迹规划和避障系统，其特征在于，包括：
频谱地图构建模块，用于利用部署在空间中的频谱传感器采集空间中的干扰辐射功率信息；根据所述干扰辐射功率信息，利用边缘服务器结合地理地形信息构建出包含空间障碍和频域干扰的三维频谱地图；
轨迹规划和避障模块，用于对所述三维频谱地图进行压缩处理并分发给无人机，无人机接收到压缩后的三维频谱地图后静态规划出一条由出发点到目标点的预规划路径；根据所述预规划路径和频谱传感器实时采集的干扰辐射功率信息，利用边缘服务器实时对三维频谱地图进行剪裁处理得到局部频谱地图，并分发给无人机；根据所述局部频谱地图，在检测到障碍时无人机采用扰动流体算法，并利用基于双时延的深度确定性策略梯度的深度强化学习算法对扰动流体算法中的排斥反应系数、切向反应系数和切向方向系数进行优化，再根据无人机的运动学约束，得到所有障碍物对无人机的扰动流速和无人机的运动动作。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1~7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~7中任一项所述方法的步骤。
CN202211029559.8A 2022-08-26 2022-08-26 基于频谱地图的无人机轨迹规划和避障方法及系统 Active CN115129088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029559.8A CN115129088B (zh) 2022-08-26 2022-08-26 基于频谱地图的无人机轨迹规划和避障方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029559.8A CN115129088B (zh) 2022-08-26 2022-08-26 基于频谱地图的无人机轨迹规划和避障方法及系统

Publications (2)

Publication Number Publication Date
CN115129088A CN115129088A (zh) 2022-09-30
CN115129088B true CN115129088B (zh) 2022-11-15

Family

ID=83387239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029559.8A Active CN115129088B (zh) 2022-08-26 2022-08-26 基于频谱地图的无人机轨迹规划和避障方法及系统

Country Status (1)

Country Link
CN (1) CN115129088B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774725B (zh) * 2023-05-19 2024-01-16 北华航天工业学院 一种改进sac算法的低空无人机路径规划及避障方法
CN116880513B (zh) * 2023-09-06 2023-11-17 广州慧洋信息科技有限公司 基于数据分析的水下机器人运行监控管理系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110445567A (zh) * 2019-08-06 2019-11-12 中国人民解放军国防科技大学 一种电磁频谱地图的构建方法
CN110596698A (zh) * 2019-07-25 2019-12-20 姚碧琛 主被动一体化无人机探测及识别技术
CN111431580A (zh) * 2020-03-24 2020-07-17 南京航空航天大学 一种基于无人机平台的频谱态势认知测绘装置及方法
CN111800205A (zh) * 2020-05-22 2020-10-20 中南民族大学 一种无人机载的无线通信干扰信号检测方法
CN112947548A (zh) * 2021-01-29 2021-06-11 中国人民解放军国防科技大学 一种基于频谱地图的无人机编队规划方法
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN114116209A (zh) * 2021-11-12 2022-03-01 中国人民解放军国防科技大学 基于深度强化学习的频谱地图构建与分发方法及系统
CN114326784A (zh) * 2021-11-29 2022-04-12 南京航空航天大学 面向频谱测绘的无人机飞行路径自主规划装置及方法
CN114690782A (zh) * 2022-04-15 2022-07-01 中国人民解放军国防科技大学 无人船的航迹规划方法、装置、设备和存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596698A (zh) * 2019-07-25 2019-12-20 姚碧琛 主被动一体化无人机探测及识别技术
CN110445567A (zh) * 2019-08-06 2019-11-12 中国人民解放军国防科技大学 一种电磁频谱地图的构建方法
CN111431580A (zh) * 2020-03-24 2020-07-17 南京航空航天大学 一种基于无人机平台的频谱态势认知测绘装置及方法
CN111800205A (zh) * 2020-05-22 2020-10-20 中南民族大学 一种无人机载的无线通信干扰信号检测方法
CN112947548A (zh) * 2021-01-29 2021-06-11 中国人民解放军国防科技大学 一种基于频谱地图的无人机编队规划方法
CN112967357A (zh) * 2021-02-19 2021-06-15 中国人民解放军国防科技大学 一种基于卷积神经网络的频谱地图构建方法
CN114116209A (zh) * 2021-11-12 2022-03-01 中国人民解放军国防科技大学 基于深度强化学习的频谱地图构建与分发方法及系统
CN114326784A (zh) * 2021-11-29 2022-04-12 南京航空航天大学 面向频谱测绘的无人机飞行路径自主规划装置及方法
CN114690782A (zh) * 2022-04-15 2022-07-01 中国人民解放军国防科技大学 无人船的航迹规划方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Aerial Spectrum Surveying: Radio Map Estimation with Autonomous UAVs;Daniel Romero 等;《IEEE》;20201020;全文 *
无人机避障航路规划方法研究综述;吴健发 等;《无人系统技术》;20201231;第3卷(第1期);全文 *
电磁频谱地图构建方法研究综述及展望;夏海洋 等;《电波科学学报》;20201231;第35卷(第4期);全文 *

Also Published As

Publication number Publication date
CN115129088A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN115129088B (zh) 基于频谱地图的无人机轨迹规划和避障方法及系统
CN111240319B (zh) 室外多机器人协同作业系统及其方法
Kim et al. Coordinated trajectory planning for efficient communication relay using multiple UAVs
US8725416B2 (en) Apparatus for recognizing position using range signals and method thereof
Souli et al. Online relative positioning of autonomous vehicles using signals of opportunity
CN109358638A (zh) 基于分布式地图的无人机视觉避障方法
CN108897312A (zh) 多无人飞行器对大规模环境的持续监控路径规划方法
CN103869822A (zh) 多旋翼无人机感知与规避系统及其规避方法
Stojkoska et al. Indoor localization of unmanned aerial vehicles based on RSSI
Nguyen et al. LIRO: Tightly coupled lidar-inertia-ranging odometry
JP7106417B2 (ja) 飛行計画算出装置及びプログラム
KR20220129218A (ko) 장애물에 관한 비행 상황을 인지하여 무인 이동체의 속도 제어 방법 및 무인 이동체
Mason et al. Combining LoRaWAN and a new 3D motion model for remote UAV tracking
Isaacs et al. GPS-optimal micro air vehicle navigation in degraded environments
Zhou et al. RSSI-based mobile robot navigation in grid-pattern wireless sensor network
Ivancsits et al. Visual navigation system for small unmanned aerial vehicles
Esmailifar et al. Moving target localization by cooperation of multiple flying vehicles
CN105068043A (zh) 一种无线传感器网络节点和移动机器人同时定位方法
Kong et al. An accurate and reliable positioning methodology for land vehicles in tunnels based on UWB/INS integration
Baek et al. Optimal sensor management for multiple target tracking using cooperative unmanned aerial vehicles
Parashar et al. Particle filter based localization of access points using direction of arrival on mobile robots
CN113923776B (zh) 一种屏蔽目标位置确认及无人机自适应干扰系统和方法
Di Franco et al. Data fusion for relative localization of wireless mobile nodes
Halder et al. A Hybrid Localization Approach for UAV based on AODV and RSSI in FANETs
Torres-Gonzalez et al. Accurate fast-mapping Range-Only SLAM for UAS applications

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