CN115328210A - 路径规划方法、装置、终端设备以及存储介质 - Google Patents

路径规划方法、装置、终端设备以及存储介质 Download PDF

Info

Publication number
CN115328210A
CN115328210A CN202211237449.0A CN202211237449A CN115328210A CN 115328210 A CN115328210 A CN 115328210A CN 202211237449 A CN202211237449 A CN 202211237449A CN 115328210 A CN115328210 A CN 115328210A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
path
population
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.)
Granted
Application number
CN202211237449.0A
Other languages
English (en)
Other versions
CN115328210B (zh
Inventor
李坚强
林秋镇
孙涛
梁中明
罗若恒
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN202211237449.0A priority Critical patent/CN115328210B/zh
Publication of CN115328210A publication Critical patent/CN115328210A/zh
Application granted granted Critical
Publication of CN115328210B publication Critical patent/CN115328210B/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 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
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • 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

本申请公开了一种路径规划方法、装置、终端设备以及存储介质，其路径规划方法包括：基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。本申请解决了只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。

Description

路径规划方法、装置、终端设备以及存储介质
技术领域
本申请涉及无人系统技术领域，尤其涉及一种路径规划方法、装置、终端设备以及存储介质。
背景技术
随着城市化的发展，房地产升值空间不断提升，非法占用土地新增违章建筑、在原建筑上加盖违章建筑等事件屡见不鲜。违章建筑的问题成为城市管理者一大难题。
目前，城市管理者一般通过无人机或无人车，完成城市违章建筑巡查任务。对于无人机来说，无人机在空中飞行速度快，视野开阔，因此可以快速绕过障碍物，穿越多个地点；对于无人车来说，无人车在地面上具有良好的续航能力和稳定性，因此可以装载物资和长途运行。
但是，由于无人机受限于续航能力和负载能力，受到飞行距离的限制；而无人车受限于视野和速度。也即，只通过无人机或无人车进行巡查，存在工作效率低等现状。
发明内容
本申请的主要目的在于提供一种路径规划方法、装置、终端设备以及存储介质，旨在解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。
为实现上述目的，本申请提供一种路径规划方法，所述路径规划方法包括：
基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
可选地，所述规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径的步骤包括：
针对每一聚类，初始化所述无人机路径的种群；
通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径；
根据所述起飞点，初始化所述无人车路径的种群；
通过预设的多目标优化算法优化所述无人车路径的种群，得到所述规划后的无人车路径。
可选地，所述种群包括父代种群，所述通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径的步骤包括：
基于预设的评价规则，评价父代种群中的每一父代个体，得到对应的评价向量；
基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
将所述子代个体添加到预设的子代种群中，并基于所述评价规则，针对所述子代种群中的每一子代个体进行评价；
将所述父代种群与所述子代种群进行合并，在合并后的种群中选出若干个体作为所述父代种群，并返回所述步骤：基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
按照预设的迭代次数，依次循环，直到循环结束，得到所述规划后的无人机路径。
可选地，所述针对每一聚类，初始化所述无人机路径的种群的步骤之前，还包括：
检测每一聚类中的建筑点是否发生变化；
若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中；
若否，则执行所述针对每一聚类，初始化所述无人机路径的种群的步骤。
可选地，所述通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中的步骤包括：
根据所述上一环境的建筑点与当前环境的建筑点，计算得到映射矩阵；
将所述上一环境的无人机路径与所述映射矩阵进行计算，得到当前无人机路径；
将所述当前无人机路径迁移到所述无人机路径的种群中。
可选地，所述针对每一聚类，初始化所述无人机路径的种群的步骤之后，还包括：
针对所述无人机路径的种群，通过预设的降维规则，生成辅助任务；
所述通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径的步骤包括：
通过所述进化算法优化所述辅助任务，得到所述规划后的无人机路径。
可选地，所述基于预先设定的点集合确定预设数量的聚类的步骤包括：
确定所述预设数量；
获取预先设定的点集合，所述点集合包括若干个起飞点以及若干个建筑点；
基于预设的聚类算法以及所述预设数量，对所述点集合进行处理，得到所述聚类。
本申请实施例还提出一种路径规划装置，所述路径规划装置包括：
确定模块，用于基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划模块，用于规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
本申请实施例还提出一种终端设备，所述终端设备包括存储器、优化器及存储在所述存储器上并可在所述优化器上运行的路径规划程序，所述路径规划程序被所述优化器执行时实现如上所述的路径规划方法的步骤。
本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有路径规划程序，所述路径规划程序被优化器执行时实现如上所述的路径规划方法的步骤。
本申请实施例提出的路径规划方法、装置、终端设备以及存储介质，通过基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。通过聚类操作，综合规划无人机和无人车的路径，可以解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。基于本申请方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
附图说明
图1为本申请路径规划装置所属终端设备的功能模块示意图；
图2为本申请路径规划方法第一示例性实施例的流程示意图；
图3为本申请路径规划方法第二示例性实施例的流程示意图；
图4为本申请路径规划方法涉及的路径规划示意图；
图5为本申请路径规划方法第三示例性实施例的流程示意图；
图6为本申请路径规划方法第四示例性实施例的流程示意图；
图7为本申请路径规划方法第五示例性实施例的流程示意图；
图8为本申请路径规划方法第六示例性实施例的流程示意图；
图9为本申请路径规划方法第七示例性实施例的流程示意图；
图10为本申请路径规划方法第八示例性实施例的流程示意图。
本申请目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例的主要解决方案是：基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。通过聚类操作，综合规划无人机和无人车的路径，可以解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。基于本申请方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
本申请实施例考虑到，无人机在空中飞行速度快，视野开阔，因此可以快速绕过障碍物，穿越多个地点。然而，由于有限的续航能力和负载能力，无人机受到飞行距离的限制。无人车在地面上具有良好的续航能力和稳定性，因此可以装载物资和长途运行。然而，无人车受限于有限的视野和速度。无人机、无人车协同系统，可以综合各自在速度、视野、续航、稳定性等方面的优势来完成复杂任务。例如，在违章建筑巡查任务中，建筑物广泛分布在城市中，并且通常会随着时间而变化。在这种情况下，组织人员巡查违章建筑是一种劳动密集型并且耗时的工作。对于无人机、无人车协同系统，无人车可以搭载无人机并为其充电，而无人机可以从空中获取违章建筑的信息。无人机、无人车协同系统可以有效地完成城市违章建筑巡查任务。
因此，本申请实施例方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
具体地，参照图1，图1为本申请路径规划装置所属终端设备的功能模块示意图。该路径规划装置可以为独立于终端设备的、能够进行路径规划、获得聚类的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据优化功能的智能移动终端，还可以为具有数据优化功能的固定终端设备或服务器等。
在本实施例中，该路径规划装置所属终端设备至少包括输出模块110、优化器120、存储器130以及通信模块140。
存储器130中存储有操作系统以及路径规划程序，路径规划装置可以将基于预先设定的点集合确定的预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点，规划的每一聚类内的无人机路径，并基于所述起飞点规划的每一聚类间的无人车路径，得到的优化后的无人机路径和无人车路径等信息存储于该存储器130中；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，存储器130中的路径规划程序被优化器执行时实现以下步骤：
基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
针对每一聚类，初始化所述无人机路径的种群；
通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径；
根据所述起飞点，初始化所述无人车路径的种群；
通过预设的多目标优化算法优化所述无人车路径的种群，得到所述规划后的无人车路径。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
基于预设的评价规则，评价父代种群中的每一父代个体，得到对应的评价向量；
基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
将所述子代个体添加到预设的子代种群中，并基于所述评价规则，针对所述子代种群中的每一子代个体进行评价；
将所述父代种群与所述子代种群进行合并，在合并后的种群中选出若干个体作为所述父代种群，并返回所述步骤：基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
按照预设的迭代次数，依次循环，直到循环结束，得到所述规划后的无人机路径。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
检测每一聚类中的建筑点是否发生变化；
若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中；
若否，则执行所述针对每一聚类，初始化所述无人机路径的种群的步骤。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
根据所述上一环境的建筑点与当前环境的建筑点，计算得到映射矩阵；
将所述上一环境的无人机路径与所述映射矩阵进行计算，得到当前无人机路径；
将所述当前无人机路径迁移到所述无人机路径的种群中。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
针对所述无人机路径的种群，通过预设的降维规则，生成辅助任务；
所述通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径的步骤包括：
通过所述进化算法优化所述辅助任务，得到所述规划后的无人机路径。
进一步地，存储器130中的路径规划程序被优化器执行时还实现以下步骤：
确定所述预设数量；
获取预先设定的点集合，所述点集合包括若干个起飞点以及若干个建筑点；
基于预设的聚类算法以及所述预设数量，对所述点集合进行处理，得到所述聚类。
本实施例通过上述方案，具体通过基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。通过聚类操作，综合规划无人机和无人车的路径，可以解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。基于本申请方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
基于上述终端设备架构但不限于上述架构，提出本申请方法实施例。
参照图2，图2为本申请路径规划方法第一示例性实施例的流程示意图。所述路径规划方法包括：
步骤S210，基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
具体地，目前，路径规划的研究主要集中于无人机或无人车的路径规划，并且很少关注违章建筑动态变化场景下的路径规划问题。无人机、无人车的路径规划问题旨在满足无人车速度、无人机续航以及通信距离的约束下，为无人机、无人车协同系统规划能完成巡查任务的最优可行轨迹。无人机、无人车的路径规划问题，通常需要考虑具体应用场景。要完成城市违章建筑巡查任务，就需要考虑违章建筑随时间变化的特点，并且结合无人机、无人车的优点，综合优化无人机和无人车的路径。在此背景下，提出一种用于城市违章建筑巡查的无人机和无人车的路径规划方法。
在本申请实施例中，聚类相当于一种对每一个巡查站点的预处理。由于无人机因为续航的限制，无法一次飞完所有站点，因此，通过聚类算法先把所有巡查站点划分为多个巡查区域，使得无人机可以在巡查区域内按照路径规划持续飞行，直到结束。其中，在每个巡查区域内，进化算法对巡查区域内所有站点进行随机排列，每种排列结果作为一个初始解。这些初始解就是进化算法的初始种群，然后进化算法对种群寻优，最后输出一个最优解。每个区域都有各自的种群。
需要说明的是，在本实施例中，起飞点以及建筑点都是GPS点。
步骤S220，规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
具体地，规划每一聚类内的无人机路径，得到优化后的无人机路径，也即，在每个巡查区域内，都会规划无人机的不同起飞点的最优路径；并基于无人机的起飞点，规划每一聚类间的无人车路径，得到优化后的无人车路径，也即，无人车会从每个区域内选一个起飞点作为自己的规划站点，其中，无人车规划路径，是多目标优化，选择不同的起飞点，既会影响无人机路径长度，也会影响无人车的路径长度。
以城市违章建筑巡查进行举例：首先违章建筑和起飞点被划分为多个巡查区域。无人车搭载无人机移动到一个巡查区域的起飞点，然后无人机从无人车的平台上起飞，并在巡查区域内，巡查违章建筑。也即，在巡查区域内，无人机根据规划后的无人机路径，得到最优的飞行路径，可以一次飞行，中途无需降落，巡查完所有的违章建筑，无人机无需受限于续航能力和负载能力；在各个巡查区域之间，无人车根据规划后的无人车路径，得到最优的行驶路径，从而搭载无人机，为无人机充电，无需受限视野和速度。其中，每个巡查区域内的起飞点至少包括两个。
本实施例通过上述方案，具体通过基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。通过聚类操作，综合规划无人机和无人车的路径，可以解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。基于本申请方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
参照图3，图3为本申请路径规划方法第二示例性实施例的流程示意图。基于上述图2所示的实施例，步骤S220，规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径，包括：
步骤S310，针对每一聚类，初始化所述无人机路径的种群；
具体地，针对一个巡查区域，对巡查区域中的违章建筑点以及起飞点作初始化操 作：将违章建筑点集合A1和无人机起飞点集合A2合并为集合A，A中的每个点
Figure 913953DEST_PATH_IMAGE001
都作为一个 聚类
Figure 474247DEST_PATH_IMAGE002
，聚类中心为点坐标
Figure 603484DEST_PATH_IMAGE001
。例如，对于类内无人机路径，使用基于序列的统一表示法初 始化一个包含N个个体的父代种群P，每个个体决策变量维度为聚类内违章建筑的数量。
步骤S320，通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径；
具体地，无人机的路径规划可以归类于旅行商问题，并且路径可以使用整数编码。 例如，所有的建筑物和起飞点划分为
Figure 944336DEST_PATH_IMAGE003
个聚类：
Figure 390623DEST_PATH_IMAGE004
，
Figure 867740DEST_PATH_IMAGE005
表示一条在第
Figure 607026DEST_PATH_IMAGE006
个区域中可行的无人机路径，其中
Figure 668130DEST_PATH_IMAGE007
是第
Figure 416643DEST_PATH_IMAGE006
个区域中无人机要巡查的建筑物的数量，
Figure 249732DEST_PATH_IMAGE008
（
Figure 425498DEST_PATH_IMAGE009
）。
其中，无人机的类内距离
Figure 413046DEST_PATH_IMAGE010
和无人车的类间距离
Figure 260523DEST_PATH_IMAGE011
定义如下：
Figure 649916DEST_PATH_IMAGE012
式中，
Figure 58900DEST_PATH_IMAGE013
表示所有建筑物的相关信息，
Figure 769630DEST_PATH_IMAGE014
表示无人机要巡查的建筑物，
Figure 922262DEST_PATH_IMAGE015
表示无人机的起飞点，
Figure 166162DEST_PATH_IMAGE016
表示在V∪E中任意两点之间的最短路径
Figure 244583DEST_PATH_IMAGE005
表示一条在第
Figure 269040DEST_PATH_IMAGE006
个区域中可行的无人机路径，
Figure 398932DEST_PATH_IMAGE007
表 示第
Figure 497338DEST_PATH_IMAGE006
个区域中无人机要巡查的建筑物的数量，
Figure 248125DEST_PATH_IMAGE008
（
Figure 930517DEST_PATH_IMAGE017
）。
步骤S330，根据所述起飞点，初始化所述无人车路径的种群；
具体地，针对每一个巡查区域内的首先对无人车路径采用整数和实数的方式进行编码，并随机初始化一个种群Y。需要说明的是，无人车每次访问聚类中的一个起飞点，聚类内不同的起飞点既会影响无人车路径长度也会影响无人机的路径长度，因此，无人车的路径规划是一个多目标问题。
例如，当
Figure 424952DEST_PATH_IMAGE018
，
Figure 643444DEST_PATH_IMAGE019
，
Figure 66597DEST_PATH_IMAGE020
以及
Figure 737750DEST_PATH_IMAGE021
时，无人车的路径可以编码为（2.23，3.07，1.80，3.76）。这些连续型的 数可以解码成路径：6-2-12-7。编码的整数部分分别解码为2（
Figure 268832DEST_PATH_IMAGE022
中的第二个起飞点）、6（
Figure 341830DEST_PATH_IMAGE023
中的第三个起飞点）、7（
Figure 434420DEST_PATH_IMAGE024
中的第一个起飞点）和12（
Figure 94334DEST_PATH_IMAGE025
中的第三个起飞点），而排序后的小 数部分表示聚类的访问次序：2-1-4-3。
步骤S340，通过预设的多目标优化算法优化所述无人车路径的种群，得到所述规划后的无人车路径。
具体地，无人车的路径规划应该归类于一般化旅行商问题，路径使用整数加实数编码。采用多目标优化算法（multiobjective evolutionary algorithm based on decom父代种群Position、MOEA/D）优化种群Y。最后从种群Y的非支配解中挑选符合用户需求的无人车路径规划方案。其中，基于分解的多目标进化算法(Multi objectiveEvolutionaryAlgorithm Based on Decom父代种群Position, MOEA/D)将多目标优化问题被转化。将多目标优化问题被转化为一系列单目标优化子问题，然后利用一定数量相邻问题的信息，采用进化算法对这些子问题同时进行优化。由于分解操作的存在，该方法在保持解的分布性方面有着很大优势，而通过分析相邻问题的信息来优化，能避免陷入局部最优。
其中，无人车的类间距离
Figure 930572DEST_PATH_IMAGE026
定义如下：
Figure 123656DEST_PATH_IMAGE027
式中，
Figure 909119DEST_PATH_IMAGE013
表示所有建筑物的相关信息，
Figure 351602DEST_PATH_IMAGE014
表示无人机要巡查的建筑物，
Figure 430679DEST_PATH_IMAGE015
表示无人机的起飞点，
Figure 540586DEST_PATH_IMAGE016
表示在V∪E中任意两点之间的最短路径
Figure 912662DEST_PATH_IMAGE005
表示一条在第
Figure 340976DEST_PATH_IMAGE006
个区域中可行的无人机路径，
Figure 456699DEST_PATH_IMAGE007
表 示第
Figure 922578DEST_PATH_IMAGE006
个区域中无人机要巡查的建筑物的数量，
Figure 465555DEST_PATH_IMAGE008
（
Figure 148209DEST_PATH_IMAGE028
）。
本实施例通过上述方案，具体通过针对每一聚类，初始化所述无人机路径的种群；通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径；根据所述起飞点，初始化所述无人车路径的种群；通过预设的多目标优化算法优化所述无人车路径的种群，得到所述规划后的无人车路径。通过使用进化算法优化无人机路径，提高鲁棒性和广泛适用性；通过使用多目标优化算法优化无人车路径，可以提高无人车路径规划的效率。
参考图4，图4为本申请路径规划方法涉及的路径规划示意图。图中示出一个控制中心、一个无人机、一个无人车、无人机巡查建筑、无人机起飞点、减少的建筑以及新增的建筑。通过聚类操作，将无人机巡查建筑以及无人机起飞点规划为三个巡查区域。通过控制中心，针对无人机与无人车的移动路径进行优化并控制，提高巡查的工作效率；同时，通过检测减少的建筑以及新增的建筑，以迁移学习技术将过去已优化的路径迁移到新的巡查任务中，可以动态地更新巡查任务。在本实施例中，具体包括一个无人机、无人车协同系统，综合利用了无人机、无人车的优点，可以让违章建筑巡查工作更加智能化，自动化。
参照图5，图5为本申请路径规划方法第三示例性实施例的流程示意图。基于上述图3所示的实施例，步骤S320，通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径，包括：
步骤S510，基于预设的评价规则，评价父代种群中的每一父代个体，得到对应的评价向量；
具体地，对于类内无人机路径，使用基于序列的统一表示法初始化一个包含N个个 体的父代种群P，每个个体决策变量维度为类内违章建筑的数量；评价父代种群P内每个个 体的factorial cost
Figure 300579DEST_PATH_IMAGE029
（个体分别在两个任务上的适应度值所组成的向量），factorial rank
Figure 385079DEST_PATH_IMAGE030
（个体各适应度值在父代种群P中排序编号所组成的rank向量），scalar fitness
Figure 98957DEST_PATH_IMAGE031
（
Figure 504793DEST_PATH_IMAGE032
）以及skill factor
Figure 962319DEST_PATH_IMAGE033
（
Figure 399860DEST_PATH_IMAGE034
）。
步骤S520，基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
具体地，使用竞标赛方法从父代种群P中选出两个父代个体
Figure 284639DEST_PATH_IMAGE035
和
Figure 676306DEST_PATH_IMAGE036
；如果个体的 skill factor
Figure 438988DEST_PATH_IMAGE037
和
Figure 232501DEST_PATH_IMAGE038
相等，那么使用交叉算子生成子代
Figure 288181DEST_PATH_IMAGE039
和
Figure 665680DEST_PATH_IMAGE040
，并将其加入子代种群Q 中；如果
Figure 730588DEST_PATH_IMAGE037
和
Figure 880072DEST_PATH_IMAGE038
不相等，那么以
Figure 106654DEST_PATH_IMAGE041
的概率使用交叉算子作隐式迁移生成子代
Figure 472913DEST_PATH_IMAGE039
和
Figure 574468DEST_PATH_IMAGE040
，否 则使用变异算子生成子代
Figure 76993DEST_PATH_IMAGE039
和
Figure 303837DEST_PATH_IMAGE040
，并将其加入子代种群Q中。
步骤S530，将所述子代个体添加到预设的子代种群中，并基于所述评价规则，针对所述子代种群中的每一子代个体进行评价；
具体地，评价子代种群Q中所有个体，将父代种群P和子代种群Q合并，在合并后的种群中选出N个个体，让其作为父代种群P，存活到下一代。
步骤S540，将所述父代种群与所述子代种群进行合并，在合并后的种群中选出若干个体作为所述父代种群，并返回所述步骤：基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
具体地，将父代种群与子代种群进行合并，并在合并后的种群中选出若干个体作为父代种群，其中，若干个体的数量可以与步骤S310初始化时的数量一致，也即，在合并后的种群中选出N个个体，作为父代作群P，存活到下一代，并重复以上步骤更新父代种群P和子代种群Q，直到满足最大迭代次数。
步骤S550，按照预设的迭代次数，依次循环，直到循环结束，得到所述规划后的无人机路径。
具体地，重复以上步骤更新父代种群P和子代种群Q，直到满足最大迭代次数，最后从父代种群P中选出路径最短的个体作为最终无人机的路径规划方案。
本实施例通过上述方案，具体通过基于预设的评价规则，评价父代种群中的每一父代个体，得到对应的评价向量；基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；将所述子代个体添加到预设的子代种群中，并基于所述评价规则，针对所述子代种群中的每一子代个体进行评价；将所述父代种群与所述子代种群进行合并，在合并后的种群中选出若干个体作为所述父代种群，并返回所述步骤：基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；按照预设的迭代次数，依次循环，直到循环结束，得到所述规划后的无人机路径。通过评价规则，生成对应的子代个体，从而优化无人机路径的种群，可以提高路径规划的准确率。
参照图6，图6为本申请路径规划方法第四示例性实施例的流程示意图。基于上述图3所示的实施例，步骤S310，针对每一聚类，初始化所述无人机路径的种群之前，还包括：
步骤S610，检测每一聚类中的建筑点是否发生变化；
具体地，由于，要完成城市违章建筑巡查任务，就需要考虑违章建筑随时间变化的特点，也即，违章建筑动态变化场景下的路径规划问题。因此，在本实施例中，实时地检测巡查区域中的违规建筑是否变化，如此，可以针对变化后的建筑点进行迁移学习。
步骤S620，若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中；
具体地，如果检测到任一聚类中的建筑点发生变化，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到无人机路径的种群中。其中，迁移学习算法用于将过去已优化的路径迁移到新的巡查任务中，进一步优化无人机、无人车的路径，并且能够适应违章建筑动态变化场景的巡查工作。其中，迁移算法包括但不限于深度迁移学习、强化迁移学习、对抗迁移学习、异构迁移学习等，本申请实施例对此不做限定。
步骤S630，若否，则执行所述针对每一聚类，初始化所述无人机路径的种群的步骤。
具体地，如果检测到任一聚类中的建筑点没有发送变化，则执行针对每一聚类，初始化无人机路径的种群；通过预设的进化算法优化无人机的种群，得到优化后的无人机路径；根据起飞点，初始化无人车路径的种群；通过预设的多目标优化算法优化无人车路径的种群，得到优化后的无人车路径的步骤。
本实施例通过上述方案，具体通过检测每一聚类中的建筑点是否发生变化；若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中；若否，则执行所述针对每一聚类，初始化所述无人机路径的种群的步骤。通过动态地检测建筑点，可以提高路径规划的自主性和实时性。
参照图7，图7为本申请路径规划方法第五示例性实施例的流程示意图。基于上述图6所示的实施例，步骤S620，若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中，包括：
步骤S710，根据所述上一环境的建筑点与当前环境的建筑点，计算得到映射矩阵；
具体地，由于，新环境下无人机要巡查的违章建筑
Figure 829497DEST_PATH_IMAGE042
是在上一个环境
Figure 298524DEST_PATH_IMAGE043
的基础 上，随机增加或减少一些公园得到的，所以不同环境下的公园分布具有一定的相似性。因 此，迁移学习可以将先前环境中的较优路径迁移到新环境中，来重新初始化无人机在新环 境中巡查违章建筑的路径。路径规划算法分别对先前环境和新环境中的违章建筑进行聚 类，选出来自不同环境的两个相似聚类
Figure 91774DEST_PATH_IMAGE044
和
Figure 988055DEST_PATH_IMAGE045
（
Figure 1010DEST_PATH_IMAGE046
，
Figure 509614DEST_PATH_IMAGE003
是聚类的数量），然 后从这两个建筑物的分布中可以学习到映射矩阵
Figure 924415DEST_PATH_IMAGE047
。
Figure 490132DEST_PATH_IMAGE048
中包含的建筑物信息可以表示 为一个矩阵
Figure 990384DEST_PATH_IMAGE049
；同理
Figure 801214DEST_PATH_IMAGE050
中包含的建筑物信息也可以表示为一个矩阵
Figure 571986DEST_PATH_IMAGE051
（
Figure 810069DEST_PATH_IMAGE052
表示建筑物坐标的维度，
Figure 797617DEST_PATH_IMAGE053
和
Figure 668531DEST_PATH_IMAGE054
分别表示
Figure 57924DEST_PATH_IMAGE044
和
Figure 702795DEST_PATH_IMAGE055
中建筑物的数量）。这样，从
Figure 177638DEST_PATH_IMAGE056
中寻找建筑物来代表
Figure 330271DEST_PATH_IMAGE057
中建筑的问题可以表述为学习一个
Figure 72706DEST_PATH_IMAGE058
的变换矩阵
Figure 652592DEST_PATH_IMAGE047
，使得
Figure 349152DEST_PATH_IMAGE059
。此外，为了在
Figure 541361DEST_PATH_IMAGE060
中为
Figure 905347DEST_PATH_IMAGE057
中的建筑找到最相似的建筑，这里通过最小化加权
Figure 154669DEST_PATH_IMAGE061
范 数正则化重构误差来学习稀疏矩阵
Figure 338526DEST_PATH_IMAGE047
，由下式给出：
Figure 832961DEST_PATH_IMAGE062
其中第一项表示使用
Figure 552917DEST_PATH_IMAGE056
中的建筑在
Figure 474606DEST_PATH_IMAGE063
中的建筑的重构误差，而第二项是映射矩阵
Figure 145759DEST_PATH_IMAGE047
上基于加权
Figure 676841DEST_PATH_IMAGE061
范数的正则化。
Figure 749839DEST_PATH_IMAGE064
表示两个矩阵之间的元素乘积，
Figure 343894DEST_PATH_IMAGE065
是Frobenius范数。
Figure 502343DEST_PATH_IMAGE016
是一个
Figure 338580DEST_PATH_IMAGE066
的矩阵，表示权重矩阵，进一步加强了映射矩阵
Figure 764620DEST_PATH_IMAGE047
的稀疏性。矩阵
Figure 28111DEST_PATH_IMAGE016
中的每 个元素由下式给出：
Figure 673856DEST_PATH_IMAGE067
其中
Figure 815250DEST_PATH_IMAGE068
表示
Figure 597261DEST_PATH_IMAGE056
中第
Figure 530189DEST_PATH_IMAGE069
个建筑与
Figure 663230DEST_PATH_IMAGE063
中第
Figure 841270DEST_PATH_IMAGE070
个建筑的距离，而
Figure 244832DEST_PATH_IMAGE071
表示
Figure 850126DEST_PATH_IMAGE056
中离
Figure 31315DEST_PATH_IMAGE063
中第
Figure 685150DEST_PATH_IMAGE070
个建筑最近的建筑与
Figure 504070DEST_PATH_IMAGE063
中第
Figure 984993DEST_PATH_IMAGE070
个建筑的距离。此外，为了求解出映射矩阵
Figure 889364DEST_PATH_IMAGE047
，这里分别学习 映射矩阵
Figure 346890DEST_PATH_IMAGE047
的每一列，由下式给出：
Figure 784431DEST_PATH_IMAGE072
其中
Figure 669210DEST_PATH_IMAGE073
表示映射矩阵
Figure 562342DEST_PATH_IMAGE047
的第
Figure 823559DEST_PATH_IMAGE070
列，
Figure 617072DEST_PATH_IMAGE074
是一个
Figure 7225DEST_PATH_IMAGE075
的对角矩阵，并且对角元素
Figure 886188DEST_PATH_IMAGE076
可以通过以上公式计算得出。这里使用
Figure 685517DEST_PATH_IMAGE003
来替换
Figure 835001DEST_PATH_IMAGE077
，那么上面的公式可以转换为：
Figure 327162DEST_PATH_IMAGE078
上面的公式可以比较容易的使用interior-父代种群Point method来解决。最后， 这里通过计算
Figure 191957DEST_PATH_IMAGE079
，可以获得映射矩阵
Figure 529397DEST_PATH_IMAGE047
每一列。
步骤S720，将所述上一环境的无人机路径与所述映射矩阵进行计算，得到当前无人机路径；
具体地，路径规划算法可以将先前环境
Figure 297502DEST_PATH_IMAGE080
中的无人机路径
Figure 196450DEST_PATH_IMAGE081
乘以映射 矩阵
Figure 50005DEST_PATH_IMAGE082
得到新环境
Figure 191137DEST_PATH_IMAGE083
中的无人机路径
Figure 312283DEST_PATH_IMAGE084
，即
Figure 146247DEST_PATH_IMAGE085
。然后， 路径规划算法对新路径
Figure 722984DEST_PATH_IMAGE086
中的数值进行排序，得到可以使用的整数编码路径，从而将有 用的信息迁移到新环境下无人机的初始路径中。
步骤S730，将所述当前无人机路径迁移到所述无人机路径的种群中。
具体地，通过迁移学习技术可以将过去已优化的路径迁移到新的巡查任务中，进一步优化无人机、无人车的路径，并且能够适应违章建筑动态变化场景的巡查工作。
本实施例通过上述方案，具体通过根据所述上一环境的建筑点与当前环境的建筑点，计算得到映射矩阵；将所述上一环境的无人机路径与所述映射矩阵进行计算，得到当前无人机路径；将所述当前无人机路径迁移到所述无人机路径的种群中。通过迁移学习技术可以将过去已优化的路径迁移到新的巡查任务中，进一步优化无人机、无人车的路径，并且能够适应违章建筑动态变化场景的巡查工作。
参照图8，图8为本申请路径规划方法第六示例性实施例的流程示意图。基于上述图3所示的实施例，步骤S310，针对每一聚类，初始化所述无人机路径的种群之后，包括：
步骤S810，针对所述无人机路径的种群，通过预设的降维规则，生成辅助任务；
具体地，对于类内无人机路径，使用基于序列的统一表示法初始化一个包含N个个体的父代种群P，每个个体决策变量维度 为类内违章建筑的数量；通过随机删边的方式生成一个维度较低的辅助任务，个体编码既可以解释为原任务的路径方案，也可以解释为维度较低的辅助任务的路径方案。由于主任务的梯度未必是准确的或是最优的，因此，通过降维规则，也即通过随机删边方式，根据原任务（主任务）生成一个维度较低的辅助任务。
所述步骤S320，通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径，包括：
步骤S820，通过所述进化算法优化所述辅助任务，得到所述规划后的无人机路径。
具体地，假设原任务有1、2、3、4、5这5个站点要规划路径，通过降维规则，也即随机删边的方式，随机删掉5，则辅助任务是1、2、3、4。假设一个可行解是2、3、5、1、4。也即，2、3、5、1、4可以表示原任务的路径；去掉5，则2、3、1、4也可以表示辅助任务的路径。
本实施例通过上述方案，具体通过针对所述无人机路径的种群，通过预设的降维规则，生成辅助任务；通过所述进化算法优化所述辅助任务，得到所述规划后的无人机路径。通过降维规则，生成辅助任务，可以获得更全面的信息，提高路径规划的计算效率。
参照图9，图9为本申请路径规划方法第七示例性实施例的流程示意图。首先，输入违建点和起飞点位置信息；然后，通过聚类操作划分若干个巡查区域；然后，检查违建点是否发生变化；若违建点发生变化，则将上一环境的无人机路径迁移到无人机路径的初始种群中，然后初始化无人机路径的种群；若违建点没有发生变化，则直接初始化无人机路径的种群；然后，通过进化算法优化无人机路径；然后，初始化无人车的种群，通过多目标优化算法优化无人车路径；最后，输出当前环境路径的规划方案。
本实施例通过上述方案，利用了聚类技术将大范围违章建筑划分为多个区域来巡查，可以较好地适应大规模巡查场景；并综合利用了无人机、无人车的优点，可以让违章建筑巡查工作更加智能化，自动化；并使用了迁移学习技术可以将过去已优化的路径迁移到新的巡查任务中，进一步优化无人机、无人车的路径，并且能够适应违章建筑动态变化场景的巡查工作。
参照图10，图10为本申请路径规划方法第八示例性实施例的流程示意图。基于上述图2所示的实施例，步骤S210，基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点，包括：
步骤S1010，确定所述预设数量；
具体地，确定聚类所需要的数量，预设数量k用于将点集合中的每一点进行聚类，根据预设的聚类算法进行合并，依次循环，直到聚类的数量达到预设的数量为止，得到对应的巡查区域。其中，预设数量根据实际情况进行设定，本申请实施例对此不作限定。
步骤S1020，获取预先设定的点集合，所述点集合包括若干个起飞点以及若干个建筑点；
具体地，获取违章建筑点以及无人机的起飞点，将违章建筑点与无人机的起飞点 进行合并，得到点集合。其中，点集合的个数会大于预设数量，也即，点集合的个数大于聚类 的数量。另外，根据实际情况，建筑点的数量会大于起飞点。例如，输入违章建筑点集合A1， 无人机起飞点集合A2，违章建筑点集合A1和无人机起飞点集合A2合并为集合A，A中的每个 点
Figure 730123DEST_PATH_IMAGE001
都作为一个聚类
Figure 144924DEST_PATH_IMAGE002
，聚类中心为点坐标
Figure 710641DEST_PATH_IMAGE001
。
步骤S1030，基于预设的聚类算法以及所述预设数量，对所述点集合进行处理，得到所述聚类。
具体地，聚类算法用于针对建筑点以及起飞点进行聚类，从而划分得到对应的若干个巡查区域，其中，聚类算法包括但不限于：划分法、层次法、密度算法、图论聚类法，本申请实施例以层次聚类法（HCM）为优选，在其他实施例中，也可以用其他聚类算法。
例如，对于每个聚类
Figure 210892DEST_PATH_IMAGE002
找到与其聚类中心夹角最小的聚类，并记录夹角最小的聚 类的索引
Figure 257608DEST_PATH_IMAGE087
，夹角的角度
Figure 792495DEST_PATH_IMAGE088
，同时聚类
Figure 30578DEST_PATH_IMAGE089
的
Figure 516661DEST_PATH_IMAGE090
设置为false，表示
Figure 865602DEST_PATH_IMAGE002
没有被合并；从所有没有被合并的聚类中，找到最小的夹角
Figure 989416DEST_PATH_IMAGE091
，并将相应的两个聚类 合并为一个聚类，同时将聚类
Figure 899866DEST_PATH_IMAGE092
的标记
Figure 374709DEST_PATH_IMAGE093
设置为true，合并后的新聚类中心为 之前两个聚类中心的平均值；更新所有
Figure 25877DEST_PATH_IMAGE094
为false的聚类的
Figure 332094DEST_PATH_IMAGE095
和
Figure 584083DEST_PATH_IMAGE096
变量，重复以上 步骤，直到剩余的聚类数量达到k；最后输出k个聚类，注意每个聚类要包含多个无人机的起 飞点。
本实施例通过上述方案，具体通过确定所述预设数量；获取预先设定的点集合，所述点集合包括若干个起飞点以及若干个建筑点；基于预设的聚类算法以及所述预设数量，对所述点集合进行处理，得到所述聚类。通过聚类技术将大范围违章建筑划分为多个区域来巡查，可以较好地适应大规模巡查场景，提高巡查的工作效率。
此外，本申请实施例还提出一种路径规划装置，所述路径规划装置包括：
确定模块，用于基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划模块，用于规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
本实施例实现路径规划的原理及实施过程，请参照上述各实施例，在此不再赘述。
此外，本申请实施例还提出一种终端设备，所述终端设备包括存储器、优化器及存储在所述存储器上并可在所述优化器上运行的路径规划程序，所述路径规划程序被所述优化器执行时实现如上所述的路径规划方法的步骤。
由于本路径规划程序被优化器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有路径规划程序，所述路径规划程序被优化器执行时实现如上所述的路径规划方法的步骤。
由于本路径规划程序被优化器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
相比现有技术，本申请实施例提出的路径规划方法、装置、终端设备以及存储介质，通过基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。通过聚类操作，综合规划无人机和无人车的路径，可以解决只通过无人机或无人车进行巡查，存在的工作效率低的问题，综合优化无人机与无人车的路径。基于本申请方案，从真实世界中城市违章建筑的巡查问题出发，结合无人机和无人车的优点进行路径规划，并在优化后的无人机和无人车的路径上验证了本申请提出的路径规划方法的有效性，最后经过本申请方法优化的无人机和无人车路径得到明显改善。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本申请每个实施例的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种路径规划方法，其特征在于，所述路径规划方法包括以下步骤：
基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
2.如权利要求1所述的路径规划方法，其特征在于，所述规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径的步骤包括：
针对每一聚类，初始化所述无人机路径的种群；
通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径；
根据所述起飞点，初始化所述无人车路径的种群；
通过预设的多目标优化算法优化所述无人车路径的种群，得到所述规划后的无人车路径。
3.如权利要求2所述的路径规划方法，其特征在于，所述种群包括父代种群，所述通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径的步骤包括：
基于预设的评价规则，评价父代种群中的每一父代个体，得到对应的评价向量；
基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
将所述子代个体添加到预设的子代种群中，并基于所述评价规则，针对所述子代种群中的每一子代个体进行评价；
将所述父代种群与所述子代种群进行合并，在合并后的种群中选出若干个体作为所述父代种群，并返回所述步骤：基于每一评价向量，通过选取至少两个父代个体，生成对应的子代个体；
按照预设的迭代次数，依次循环，直到循环结束，得到所述规划后的无人机路径。
4.如权利要求2所述的路径规划方法，其特征在于，所述针对每一聚类，初始化所述无人机路径的种群的步骤之前，还包括：
检测每一聚类中的建筑点是否发生变化；
若是，则通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中；
若否，则执行所述针对每一聚类，初始化所述无人机路径的种群的步骤。
5.如权利要求4所述的路径规划方法，其特征在于，所述通过预设的迁移学习算法，将上一环境的无人机路径迁移到所述无人机路径的种群中的步骤包括：
根据所述上一环境的建筑点与当前环境的建筑点，计算得到映射矩阵；
将所述上一环境的无人机路径与所述映射矩阵进行计算，得到当前无人机路径；
将所述当前无人机路径迁移到所述无人机路径的种群中。
6.如权利要求2所述的路径规划方法，其特征在于，所述针对每一聚类，初始化所述无人机路径的种群的步骤之后，还包括：
针对所述无人机路径的种群，通过预设的降维规则，生成辅助任务；
所述通过预设的进化算法优化所述无人机的种群，得到所述规划后的无人机路径的步骤包括：
通过所述进化算法优化所述辅助任务，得到所述规划后的无人机路径。
7.如权利要求1所述的路径规划方法，其特征在于，所述基于预先设定的点集合确定预设数量的聚类的步骤包括：
确定所述预设数量；
获取预先设定的点集合，所述点集合包括若干个起飞点以及若干个建筑点；
基于预设的聚类算法以及所述预设数量，对所述点集合进行处理，得到所述聚类。
8.一种路径规划装置，其特征在于，所述路径规划装置包括：
确定模块，用于基于预先设定的点集合确定预设数量的聚类，其中，每一聚类至少包括两个起飞点以及建筑点；
规划模块，用于规划每一聚类内的无人机路径，并基于所述起飞点规划各聚类之间的无人车路径，得到规划后的无人机路径和无人车路径。
9.一种终端设备，其特征在于，所述终端设备包括存储器、优化器及存储在所述存储器上并可在所述优化器上运行的路径规划程序，所述路径规划程序被所述优化器执行时实现如权利要求1-7中任一项所述的路径规划方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有路径规划程序，所述路径规划程序被优化器执行时实现如权利要求1-7中任一项所述的路径规划方法的步骤。
CN202211237449.0A 2022-10-11 2022-10-11 路径规划方法、装置、终端设备以及存储介质 Active CN115328210B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237449.0A CN115328210B (zh) 2022-10-11 2022-10-11 路径规划方法、装置、终端设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237449.0A CN115328210B (zh) 2022-10-11 2022-10-11 路径规划方法、装置、终端设备以及存储介质

Publications (2)

Publication Number Publication Date
CN115328210A true CN115328210A (zh) 2022-11-11
CN115328210B CN115328210B (zh) 2023-06-09

Family

ID=83913841

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237449.0A Active CN115328210B (zh) 2022-10-11 2022-10-11 路径规划方法、装置、终端设备以及存储介质

Country Status (1)

Country Link
CN (1) CN115328210B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956337A (zh) * 2019-12-16 2020-04-03 深圳中科保泰科技有限公司 无人机常态化智能作业前的勘探方法和装置
CN113552897A (zh) * 2021-06-30 2021-10-26 南京理工大学 基于任务优先级的空地无人系统侦察协同路径规划方法
CN114510072A (zh) * 2022-01-18 2022-05-17 香港理工大学深圳研究院 基于进化迁移优化的多无人机路径规划方法、终端及介质
CN114967757A (zh) * 2022-07-12 2022-08-30 中南大学 车辆与多无人机协同路径规划方法、装置、终端及介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110956337A (zh) * 2019-12-16 2020-04-03 深圳中科保泰科技有限公司 无人机常态化智能作业前的勘探方法和装置
CN113552897A (zh) * 2021-06-30 2021-10-26 南京理工大学 基于任务优先级的空地无人系统侦察协同路径规划方法
CN114510072A (zh) * 2022-01-18 2022-05-17 香港理工大学深圳研究院 基于进化迁移优化的多无人机路径规划方法、终端及介质
CN114967757A (zh) * 2022-07-12 2022-08-30 中南大学 车辆与多无人机协同路径规划方法、装置、终端及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨善学: "解决多目标优化问题的几种进化算法", 《万方学位论文》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115879603A (zh) * 2022-11-17 2023-03-31 武汉大学 一种面向多目标点的多无人机协同数据采集方法及装置

Also Published As

Publication number Publication date
CN115328210B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN112016812B (zh) 多无人机任务调度方法、系统及存储介质
CN111862579B (zh) 一种基于深度强化学习的出租车调度方法及系统
Huang et al. Large scale real-time ridesharing with service guarantee on road networks
WO2020176381A1 (en) Joint order dispatching and fleet management for online ride-sharing platforms
CN107807665B (zh) 无人机编队探测任务协同分配方法及装置
JP7264357B2 (ja) 交通システム内でのサイト及び場所の間のルート又はルート距離を使用してサイトを検索又は比較するための方法及び装置
CN112328914A (zh) 一种基于时空众包工人行为预测的任务分配方法
CN111402616B (zh) 智能停车控制方法、系统、存储介质、终端
CN112230675B (zh) 在协同搜救中考虑运行环境和性能的无人机任务分配方法
CN112784362A (zh) 一种用于无人机辅助边缘计算的混合优化方法及系统
CN112797995A (zh) 具有时空特性态势信息的车辆应急导航方法
Ghambari et al. An enhanced NSGA-II for multiobjective UAV path planning in urban environments
CN111667124A (zh) 无人机路径的规划方法及装置
CN115328210B (zh) 路径规划方法、装置、终端设备以及存储介质
CN113485429A (zh) 空地协同交通巡检的路径优化方法和装置
CN116720642A (zh) 车辆与无人机协同配送的路径优化方法和系统
CN111160521A (zh) 基于深度神经网络图编码器的城市人类流动模式检测方法
CN114815801A (zh) 一种基于策略-价值网络及mcts的自适应环境路径规划方法
CN113865589A (zh) 一种基于地形坡度的长距离快速路径规划方法
CN111310919B (zh) 基于场景切分和局部路径规划的驾驶控制策略训练方法
CN114117260B (zh) 时空轨迹索引与查询处理方法、装置、设备及介质
CN113240339B (zh) 一种面向大规模打车平台的任务匹配公平方法
CN113946159B (zh) 无人机高速公路巡逻的路径优化方法和系统
CN114237259A (zh) 一种基于浮动资源的多智能体路径规划方法、导航服务器及可读存储介质
Ümit et al. A school bus routing problem using genetic algorithm by reducing the number of buses

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