CN115328211B - 一种无人机局部路径规划方法 - Google Patents

一种无人机局部路径规划方法 Download PDF

Info

Publication number
CN115328211B
CN115328211B CN202211265053.7A CN202211265053A CN115328211B CN 115328211 B CN115328211 B CN 115328211B CN 202211265053 A CN202211265053 A CN 202211265053A CN 115328211 B CN115328211 B CN 115328211B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
evaluation function
point
path planning
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
CN202211265053.7A
Other languages
English (en)
Other versions
CN115328211A (zh
Inventor
邓刚林
任芷锐
胡冬
程亮
曹亚兵
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.)
Fuya Intelligent Technology Taicang Co ltd
Original Assignee
Fuya Intelligent Technology Taicang Co ltd
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 Fuya Intelligent Technology Taicang Co ltd filed Critical Fuya Intelligent Technology Taicang Co ltd
Priority to CN202211265053.7A priority Critical patent/CN115328211B/zh
Publication of CN115328211A publication Critical patent/CN115328211A/zh
Application granted granted Critical
Publication of CN115328211B publication Critical patent/CN115328211B/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

Abstract

一种无人机局部路径规划方法，包括步骤：S1、通过无人机上的传感器，对所处的局部场景进行全方位扫描，获得若干可行域，并结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间；S2、通过DWA算法在最优采样控制空间中采样多组线速度和角速度组合，并根据评价函数G（v，ω）获得一系列预选轨迹；S3、从一系列预选轨迹中输出一条得分最低的轨迹，限制始末点状态，最终解析出一条加速度变化率积分最小的更平顺的光滑轨迹解析式；S4、将获得的解析式输送给无人机控制器，从而实现无人机稳定平顺地飞行。

Description

一种无人机局部路径规划方法
技术领域
本发明涉及无人机操作技术领域，具体是一种无人机局部路径规划方法。
背景技术
路径规划方法广义地可以分为全局路径规划和局部路径规划算法。当存在精确的全局地图时，规划一条无人机安全有效的甚至最优的路径很容易；但当无人机仅能通过传感器实时感知周边环境生成局部地图时，输出一条优秀的路径存在很大挑战。
其中动态窗口法（Dynamic Window Approach, DWA）便是一种应用广泛的局部路径规划算法。传统的DWA算法采用固定权重组合，能在差分机器人低速运动面对稀疏的小目标障碍场景下表现良好，但面对新的复杂场景，例如存在大面积横断障碍场景的情况下，容易出现路径规划不合理甚至产生碰撞的情形。另外，当无人机在高速运动状态下需要较大的转向角且稳定在该状态一段时间，才可绕过障碍，传统的DWA算法经常出现以下不足：无人机过度转向导致的螺旋转圈、不足转向导致的转向静止，以及平顺性差导致的速度突变等问题。
发明内容
发明目的：本发明的目的是提供一种无人机局部路径规划方法，解决了无人机在大面积横断障碍场景下，存在的过度转向、不足转向、以及平顺性差导致的无法顺利飞行的问题。
技术方案：本发明提供了一种无人机局部路径规划方法，包括以下步骤：
步骤S1、通过无人机上的传感器，对所处的局部场景进行全方位扫描，获得若干可行域，并结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间，其中，v表示为线速度， w表示为角速度；
步骤S2、通过DWA算法在最优采样控制空间中采样多组线速度和角速度组合，并根据评价函数G（v，ω）获得一系列预选轨迹，其中，v表示为线速度， w表示为角速度。
步骤S3、从一系列预选轨迹中输出一条得分最低的轨迹，限制始末点状态，最终解析出一条加速度变化率积分最小的更平顺的光滑轨迹解析式；
步骤S4、将获得的解析式输送给无人机控制器，从而实现无人机稳定平顺地飞行。
本发明增加了一个串行可行域评价函数Q（v，ω），对所处的具有大面积横断障碍的飞行场景的控制空间采样范围进行限制，在前端把动态窗口绑定在有限可行域内，从而有效减少无人机在遇到大面积横断障碍时候，过度转向导致的螺旋转动，或者转向不足导致的静止问题，从而大大提高了无人机的飞行效率。另外，对通过评价函数G（v，ω）获得的预选轨迹进行后端轨迹平滑处理，对加速度空间平滑处理，实现对控制空间的进一步离散约束，最终输出一条更平顺的轨迹，从而通过局部路径的规划，保证了无人机可以在复杂场景下的高速稳定的飞行，有效提高了无人机飞行的稳定性以及平顺性。
进一步的，所述步骤S1包括以下子步骤：
步骤S1-1、以无人机所在位置为中心点
Figure 959413DEST_PATH_IMAGE001
，通过传感器扫描全周环境，获得n个障碍遮挡点（n=1,2，……），并以最接近目标点
Figure 868463DEST_PATH_IMAGE002
的障碍点为起点，顺时针进行标记O1、O2、O3、……、On；
步骤S1-2、避开感知域内的障碍，获得若干个可行域，从而将采样控制空间限制在可行域中；
步骤S1-3、结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间。
进一步的，所述步骤S1-3中可行域评价函数为：
Figure 859421DEST_PATH_IMAGE003
，i=1,2，……，n；
其中：
Figure 853922DEST_PATH_IMAGE004
；
Figure 588529DEST_PATH_IMAGE005
，
Figure 148823DEST_PATH_IMAGE006
为可行域限制范围；
Figure 451629DEST_PATH_IMAGE007
、
Figure 589218DEST_PATH_IMAGE008
分别表示以障碍遮挡点
Figure 274320DEST_PATH_IMAGE009
、
Figure 423542DEST_PATH_IMAGE010
为可行域边缘点时候的绝对角，
Figure 162828DEST_PATH_IMAGE011
表示无人机飞行目标点的绝对角。
进一步的，所述步骤S3中评价函数G（v，ω）为：
Figure 397500DEST_PATH_IMAGE012
其中：head 为方位角评价函数；
dist 为障碍物距离评价函数；
vel 为目标速度评价函数；
σ、α、β、γ 为各项评价子函数权重系数。
由于评价函数的权重系数需要预先设置好，通过预先选择靠近目标方向的可行域，且远离目标的可行域惩罚项指数增长，会有效优先选择靠近目标方向的可行域，再在该选定可行域进行控制空间采样，能有的放矢地限制采样范围，使得在遇到大面积墙体等障碍时，避免α设置的较大导致的持续偏转自旋，以及有效改善α设置的较小时无法计算出逃逸轨迹，导致障碍权重急剧升高而悬停的情况。
进一步的，所述步骤S3包括以下子步骤：
步骤S3-1、根据步骤S2的求解，获得预测轨迹函数f（t）；
步骤S3-2、对轨迹函数f（t）求导，分别获得速度、加速度、加加速度等参数随时间变化的函数v（t）、a（t）、jerk（t）；
步骤S3-3、构建轨迹起点的位置、速度和加速度约束条件，以及终点的位置、速度和加速度约束条件；
步骤S3-4、对预测轨迹函数f（t）进行优化，最终获得一条加速度变化累计损失最小的轨迹方程式。
进一步的，所述步骤S3-1中的预测轨迹函数f（t）为：
Figure 146013DEST_PATH_IMAGE013
其中，p为轨迹上的位置点。
进一步的，所述S3-2中的v（t）、a（t）、jerk（t）为：
Figure 8796DEST_PATH_IMAGE014
Figure 918983DEST_PATH_IMAGE015
Figure 906530DEST_PATH_IMAGE016
。
进一步的，所述步骤S3-3中的初始状态的约束条件如下：
Figure 193155DEST_PATH_IMAGE017
Figure 316969DEST_PATH_IMAGE018
Figure 522691DEST_PATH_IMAGE019
其中，
Figure 200797DEST_PATH_IMAGE020
为起点位置点；
Figure 25534DEST_PATH_IMAGE021
为起点速度；
Figure 146066DEST_PATH_IMAGE022
为起点加速度。
进一步的，所述步骤S3-3中的终止状态的约束条件如下：
Figure 663635DEST_PATH_IMAGE023
Figure 625775DEST_PATH_IMAGE024
Figure 254202DEST_PATH_IMAGE025
其中，
Figure 352608DEST_PATH_IMAGE026
为终点位置点；
Figure 41079DEST_PATH_IMAGE027
为终点速度；
Figure 959356DEST_PATH_IMAGE028
为终点加速度。
上述技术方案可以看出，本发明具有如下有益效果：1）通过可行域选择评价函数Q（v，ω）对无人机飞行时候所处的局部区域进行可行域的选定，并在该选定可行域内进行控制空间采样，从而有的放矢地限制采样范围，避免在遇到大面积墙体等障碍时无人机出现偏转自旋或者悬停的情况，大大提高了无人机的飞行效率；2）对通过DWA算法获得的轨迹函数进行后端轨迹平滑处理，最终获得一条更平顺的轨迹，实现无人机稳定平顺地飞行。
附图说明
图1为本发明的流程图；
图2为实施例一中无人机飞行局部区域图；
图3为实施例二中的仿真场景图；
图4为实施例二中未设定最优采样控制空间情况下无人机局部轨迹图；
图5为实施例二中设定最优采样控制空间情况下无人机局部轨迹图；
图6为实施例三中无人机飞行局部区域图；
图7为实施例三中轨迹导数的通项公式；
图8为实施例三中最终优化后的无人机局部轨迹图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上，除非另有明确的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
实施例一
如图1所示为本发明的流程图，包括以下步骤：
步骤S1、通过无人机上的传感器，对所处的局部场景进行全方位扫描，获得若干可行域，并结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间；
步骤S2、通过DWA算法在最优采样控制空间中采样多组线速度和角速度组合，并根据评价函数G（v，ω）获得一系列预选轨迹，其中，v表示为线速度， w表示为角速度；
步骤S2、通过DWA算法在最优采样控制空间中采样多组线速度和角速度组合，并根据评价函数G（v，ω）获得一系列预选轨迹，其中， v表示为线速度， w表示为角速度；
步骤S4、将获得的解析式输送给无人机控制器，从而实现无人机稳定平顺地飞行。
所述步骤S1包括以下子步骤：
步骤S1-1、以无人机所在位置为中心点
Figure 125895DEST_PATH_IMAGE029
，通过传感器扫描全周环境，获得n个障碍遮挡点（n=1,2，……），并以最接近目标点
Figure 344387DEST_PATH_IMAGE030
的障碍点为起点，顺时针进行标记
Figure 203759DEST_PATH_IMAGE031
、
Figure 874911DEST_PATH_IMAGE032
、
Figure 579562DEST_PATH_IMAGE033
、……、
Figure 652560DEST_PATH_IMAGE034
；如图2所示为本实施例中无人机飞行局部区域图，其中
Figure 682833DEST_PATH_IMAGE029
表示无人机的位置，圆形表示无人机传感器所扫描的范围，阴影部分表示大面积障碍，
Figure 841282DEST_PATH_IMAGE030
表示目标点；无人机在
Figure 615203DEST_PATH_IMAGE029
点通过传感器扫描周围环境，获得障碍遮挡点
Figure 673201DEST_PATH_IMAGE035
。
步骤S1-2、避开大面积腔体等障碍，获得若干个可行域，从而将采样控制空间限制在可行域中；本实施例中避开阴影部分的障碍位置，无人机的可行域为
Figure 874375DEST_PATH_IMAGE036
、
Figure 254541DEST_PATH_IMAGE037
、
Figure 832153DEST_PATH_IMAGE038
；
步骤S1-3、结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间；
由于无人机路径规划过程中，不涉及高度方向的变化，所述步骤S1-1中中心点
Figure 879743DEST_PATH_IMAGE039
的坐标点为（
Figure 251819DEST_PATH_IMAGE040
，
Figure 853701DEST_PATH_IMAGE041
），
Figure 703846DEST_PATH_IMAGE040
、
Figure 605943DEST_PATH_IMAGE041
分别表示
Figure 148919DEST_PATH_IMAGE001
在X轴和Y轴方向的坐标点；
所述步骤S1-1中障碍遮挡点
Figure 503677DEST_PATH_IMAGE042
的坐标点为（
Figure 16567DEST_PATH_IMAGE043
，
Figure 38750DEST_PATH_IMAGE044
），
Figure 487049DEST_PATH_IMAGE043
、
Figure 323243DEST_PATH_IMAGE044
分别表示
Figure 780770DEST_PATH_IMAGE042
在X轴和Y轴方向的坐标点；
所述步骤S1-1中目标点
Figure 657459DEST_PATH_IMAGE030
的坐标为（
Figure 276659DEST_PATH_IMAGE045
），
Figure 606009DEST_PATH_IMAGE046
表示
Figure 867226DEST_PATH_IMAGE047
在X轴和Y轴方向的坐标点。
所述步骤S1-3中可行域评价函数为：
Figure 332843DEST_PATH_IMAGE003
，i=1,2，……，n；
其中：
Figure 388523DEST_PATH_IMAGE004
；
Figure 64224DEST_PATH_IMAGE005
，
Figure 129132DEST_PATH_IMAGE006
为可行域限制范围；
Figure 449255DEST_PATH_IMAGE048
、
Figure 410258DEST_PATH_IMAGE008
分别表示以障碍遮挡点
Figure 448621DEST_PATH_IMAGE009
、
Figure 51641DEST_PATH_IMAGE010
为可行域边缘点时候的绝对角，
Figure 491849DEST_PATH_IMAGE049
，
Figure 19826DEST_PATH_IMAGE050
；
Figure 545485DEST_PATH_IMAGE051
表示无人机飞行目标点的绝对角，
Figure 686616DEST_PATH_IMAGE052
。
本实施例中，
在可行域
Figure 981331DEST_PATH_IMAGE053
中，i=1，
Figure 815295DEST_PATH_IMAGE054
=
Figure 828250DEST_PATH_IMAGE055
；
在可行域
Figure 773073DEST_PATH_IMAGE056
中，i=3，
Figure 922294DEST_PATH_IMAGE057
=
Figure 927159DEST_PATH_IMAGE058
；
在可行域
Figure 427411DEST_PATH_IMAGE059
中，i=5，
Figure 910345DEST_PATH_IMAGE060
=
Figure 179652DEST_PATH_IMAGE061
；
由此可见
Figure 214473DEST_PATH_IMAGE062
，
本实施例中最终选择可行域
Figure 202021DEST_PATH_IMAGE063
作为控制采样空间。
实施例二
基于实施例一中的步骤，在如图3所示的仿真场景中，结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间。
所述步骤S3中评价函数G（v，ω）为：
Figure 318724DEST_PATH_IMAGE012
其中：head 为方位角评价函数；
dist 为障碍物距离评价函数；
vel 为目标速度评价函数；
σ、α、β、γ 为各项评价子函数权重系数。
本实施例中，通过预先选择靠近目标方向的可行域，且远离目标的可行域惩罚项指数增长，有效优先选择可行域作为最优控制采样空间。通过评价函数G（v，ω）在最优控制采样空间范围内做轨迹预测。如图4和如图5所示分别为未设定最优采样控制空间情况下无人机局部轨迹图以及设定最优采样控制空间情况下无人机局部轨迹图。图4中无人机在遇到大面积障碍之后，出现螺旋转动，无法顺利飞过障碍；而图5中经过采样控制空间的限制，无人机在此区间内规划和飞行，直到从墙体边缘绕过去，从而解决过度转向以及不足转向的问题。
实施例三
基于实施例一、实施例二中的步骤，无人机在如图6所示的仿真场景中飞行。
所述步骤S3包括以下子步骤：
步骤S3-1、根据步骤S2的求解，获得预测轨迹函数f（t）；
步骤S3-2、对轨迹函数f（t）求导，分别获得速度、加速度、加加速度等参数随时间变化的函数v（t）、a（t）、jerk（t）；
步骤S3-3、构建轨迹起点的位置、速度和加速度约束条件，以及终点的位置、速度和加速度约束条件；
步骤S3-4、对预测轨迹函数f（t）进行优化，最终获得一条加速度变化累计损失最小的轨迹方程式。
所述步骤S3-1中的预测轨迹函数f（t）为：
Figure 708117DEST_PATH_IMAGE013
其中，p为轨迹上的位置点，p0,p1,p2,pn是轨迹参数。
化为向量形式：
Figure 789205DEST_PATH_IMAGE064
对轨迹函数进行求导，所述S3-2中的速度、加速度、jerk等参数随时间变化的函数v（t）、a（t）、jerk（t）为：
Figure 264049DEST_PATH_IMAGE014
Figure 88785DEST_PATH_IMAGE015
Figure 332685DEST_PATH_IMAGE065
其中
Figure 850254DEST_PATH_IMAGE066
， k表示k阶导数，轨迹导数的通项公式如图7所示。
对轨迹首尾的位置、速度和加速度进行约束，这就有6个等式约束了，所以优化参数必须提供6个以上的自由度，而5阶多项式有6个系数，所以符合要求的多项式的最小阶次n=5。
因此jerk可表示为：
Figure 546815DEST_PATH_IMAGE067
优化函数转化为:
Figure 909663DEST_PATH_IMAGE068
令
Figure 273648DEST_PATH_IMAGE069
，对
Figure 227697DEST_PATH_IMAGE070
求平方，得到：
Figure 145975DEST_PATH_IMAGE071
令
Figure 578093DEST_PATH_IMAGE072
，得到
Figure 796585DEST_PATH_IMAGE073
Figure 655957DEST_PATH_IMAGE074
T取单位时间：
Figure 61530DEST_PATH_IMAGE075
令
Figure 37620DEST_PATH_IMAGE076
：
Figure 110618DEST_PATH_IMAGE077
所述步骤S3-3中的初始状态的约束条件如下：
Figure 140891DEST_PATH_IMAGE078
Figure 299340DEST_PATH_IMAGE079
Figure 932315DEST_PATH_IMAGE080
其中，
Figure 859820DEST_PATH_IMAGE020
为起点位置点；
Figure 795415DEST_PATH_IMAGE021
为起点速度；
Figure 441160DEST_PATH_IMAGE022
为起点加速度。
所述步骤S3-3中的终止状态的约束条件如下：
Figure 18772DEST_PATH_IMAGE081
Figure 800783DEST_PATH_IMAGE082
Figure 907279DEST_PATH_IMAGE083
其中，
Figure 40320DEST_PATH_IMAGE026
为终点位置点；
Figure 890465DEST_PATH_IMAGE027
为终点速度；
Figure 58141DEST_PATH_IMAGE084
为终点加速度。
即：
Figure 335538DEST_PATH_IMAGE085
从而获得一条加速度变化累计损失最小的轨迹f（t），将这个二次规划出来的路径传递给无人机的控制模块即可实现优化控制。
如图8所示为优化后的无人机飞行路线。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (7)

1.一种无人机局部路径规划方法，其特征在于：包括以下步骤：
步骤S1、通过无人机上的传感器，对所处的局部场景进行全方位扫描，获得若干可行域，并结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间，其中，
Figure DEST_PATH_IMAGE001
表示为线速度，
Figure DEST_PATH_IMAGE002
表示为角速度；
步骤S2、通过DWA算法在最优采样控制空间中采样多组线速度和角速度组合，并根据评价函数G（v，ω）获得一系列预选轨迹，其中，
Figure 955563DEST_PATH_IMAGE001
表示为线速度，
Figure 731758DEST_PATH_IMAGE002
表示为角速度；
步骤S3、从一系列预选轨迹中输出一条得分最低的轨迹，限制始末点状态，最终解析出一条加速度变化率积分最小的更平顺的光滑轨迹解析式；
步骤S4、将获得的解析式输送给无人机控制器，从而实现无人机稳定平顺地飞行；
所述步骤S1包括以下子步骤：
步骤S1-1、以无人机所在位置为中心点
Figure DEST_PATH_IMAGE003
，通过传感器扫描全周环境，获得n个障碍遮挡点n=1,2，……，并以最接近目标点
Figure DEST_PATH_IMAGE004
的障碍点为起点，顺时针进行标记O1、O2、O3、……、On；
步骤S1-2、避开感知域内的障碍，获得若干个可行域，从而将采样控制空间限制在可行域中；
步骤S1-3、结合可行域选择评价函数Q（v，ω）获得相应的最优采样控制空间；
所述步骤S1-3中可行域评价函数为：
Figure DEST_PATH_IMAGE005
，i=1,2，……，n；
其中：
Figure DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
为可行域限制范围，
Figure DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE010
分别表示以障碍遮挡点
Figure DEST_PATH_IMAGE011
、
Figure DEST_PATH_IMAGE012
为可行域边缘点时候的绝对角，
Figure DEST_PATH_IMAGE013
表示无人机飞行目标点的绝对角；
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
、
Figure DEST_PATH_IMAGE016
分别表示
Figure DEST_PATH_IMAGE017
在X轴和Y轴方向的坐标点；
Figure 115423DEST_PATH_IMAGE018
、
Figure DEST_PATH_IMAGE019
分别表示
Figure 966091DEST_PATH_IMAGE020
在X轴和Y轴方向的坐标点；
Figure DEST_PATH_IMAGE021
，
Figure 498573DEST_PATH_IMAGE022
、
Figure DEST_PATH_IMAGE023
分别表示
Figure DEST_PATH_IMAGE024
在X轴和Y轴方向的坐标点；
Figure 432287DEST_PATH_IMAGE025
表示无人机飞行目标点的绝对角，
Figure DEST_PATH_IMAGE026
，
Figure 151850DEST_PATH_IMAGE027
表示
Figure DEST_PATH_IMAGE028
在X轴和Y轴方向的坐标点。
2.根据权利要求1所述的无人机局部路径规划方法，其特征在于：所述步骤S3中评价函数G（v，ω）为：
Figure 614666DEST_PATH_IMAGE029
其中：head 为方位角评价函数；
dist 为障碍物距离评价函数；
vel 为目标速度评价函数；
σ、α、β、γ 为各项评价子函数权重系数。
3.根据权利要求1所述的无人机局部路径规划方法，其特征在于：所述步骤S3包括以下子步骤：
步骤S3-1、根据步骤S2的求解，获得预测轨迹函数f（t）；
步骤S3-2、对轨迹函数f（t）求导，分别获得速度、加速度、加加速度随时间变化的函数v（t）、a（t）、jerk（t）；
步骤S3-3、构建轨迹起点的位置、速度和加速度约束条件，以及终点的位置、速度和加速度约束条件；
步骤S3-4、对预测轨迹函数f（t）进行优化，最终获得一条加速度变化累计损失最小的轨迹方程式。
4.根据权利要求3所述的无人机局部路径规划方法，其特征在于：所述步骤S3-1中的预测轨迹函数f（t）为：
Figure DEST_PATH_IMAGE030
其中，p0,p1,p2,……，pn是轨迹参数。
5.根据权利要求4所述的无人机局部路径规划方法，其特征在于：所述步骤S3-2中的v（t）、a（t）、jerk（t）为：
Figure DEST_PATH_IMAGE031
Figure DEST_PATH_IMAGE032
Figure DEST_PATH_IMAGE033
；
其中，
Figure DEST_PATH_IMAGE034
。
6.根据权利要求5所述的无人机局部路径规划方法，其特征在于：所述步骤S3-3中的初始状态的约束条件如下：
Figure DEST_PATH_IMAGE035
Figure 96595DEST_PATH_IMAGE036
Figure DEST_PATH_IMAGE037
其中，
Figure DEST_PATH_IMAGE038
为起点位置点；
Figure DEST_PATH_IMAGE039
为起点速度；
Figure DEST_PATH_IMAGE040
为起点加速度。
7.根据权利要求5所述的无人机局部路径规划方法，其特征在于：所述步骤S3-3中的终止状态的约束条件如下：
Figure 450478DEST_PATH_IMAGE041
Figure DEST_PATH_IMAGE042
Figure DEST_PATH_IMAGE043
其中，
Figure DEST_PATH_IMAGE044
为终点位置点；
Figure DEST_PATH_IMAGE045
为终点速度；
Figure DEST_PATH_IMAGE046
为终点加速度。
CN202211265053.7A 2022-10-17 2022-10-17 一种无人机局部路径规划方法 Active CN115328211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211265053.7A CN115328211B (zh) 2022-10-17 2022-10-17 一种无人机局部路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211265053.7A CN115328211B (zh) 2022-10-17 2022-10-17 一种无人机局部路径规划方法

Publications (2)

Publication Number Publication Date
CN115328211A CN115328211A (zh) 2022-11-11
CN115328211B true CN115328211B (zh) 2022-12-27

Family

ID=83915208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211265053.7A Active CN115328211B (zh) 2022-10-17 2022-10-17 一种无人机局部路径规划方法

Country Status (1)

Country Link
CN (1) CN115328211B (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013011543A1 (ja) * 2011-07-15 2013-01-24 株式会社日立製作所 自律移動装置およびその制御方法
CN106708059B (zh) * 2017-01-24 2020-01-17 厦门万久科技股份有限公司 一种基于通道选择的移动机器人实时运动规划方法
CN111813100B (zh) * 2019-07-04 2022-07-15 中国科学技术大学 一种局部路径规划算法及装置
CN112526991B (zh) * 2020-11-25 2022-05-24 中国科学技术大学 机器人运动方法、装置、电子设备及存储介质
CN114578808A (zh) * 2022-01-10 2022-06-03 美的集团(上海)有限公司 路径规划方法、电子设备、计算机程序产品及存储介质
CN114995431A (zh) * 2022-06-09 2022-09-02 安徽工业大学 一种改进a-rrt的移动机器人路径规划方法

Also Published As

Publication number Publication date
CN115328211A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN110320933B (zh) 一种巡航任务下无人机避障运动规划方法
CN107168305B (zh) 路口场景下基于Bezier和VFH的无人车轨迹规划方法
CN105549616B (zh) 一种基于激光阵列的多轴无人机避障系统及其避障方法
CN109508007A (zh) 一种基于多源信息融合的农机轨迹跟踪、避障系统及方法
CN108052111B (zh) 一种基于双目视觉技术的无人机实时避障方法
EP0483905B1 (en) Method and apparatus for controlling high speed vehicles
CN110703763A (zh) 无人车路径跟踪及避障方法
EP2685338A1 (en) Apparatus and method for lateral control of a host vehicle during travel in a vehicle platoon
KR101278708B1 (ko) 수중로봇과 그 제어방법
CN112644486B (zh) 一种基于驾驶安全场的智能车避障轨迹规划方法
CN115525047B (zh) 一种具备多型避障方式的车辆局部轨迹规划方法及系统
CN113467500A (zh) 一种基于双目视觉的无人机非合作目标追踪系统
CN112379697A (zh) 轨迹规划方法、装置、轨迹规划器、无人机及存储介质
CN114089780B (zh) 一种面向城市空间的多旋翼无人机路径规划方法
JP4518033B2 (ja) 経路作成方法、移動体および移動体制御システム
CN115328211B (zh) 一种无人机局部路径规划方法
CN115729266A (zh) 一种有效跟踪预设航线的无人机避障方法
CN111452786A (zh) 一种无人车辆避障方法及系统
CN114063615A (zh) 棚内垄间农药喷洒智能车的倒车导航控制方法及系统
CN110411445A (zh) 基于软翼无人机的遍历规划方法
Kim et al. Curve tracking control for autonomous vehicles with rigidly mounted range sensors
Cheng et al. Automatic guidance and control for helicopter obstacle avoidance
CN115129045A (zh) 一种基于船体动力学约束模型的无人船路径规划方法
CN115061478A (zh) 自动驾驶车辆局部避障及路径跟踪方法、系统及存储介质
CN115129054A (zh) 一种智能车辆编队控制方法、计算机设备、可读存储介质和程序产品

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