CN115435787B - 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 - Google Patents
一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 Download PDFInfo
- Publication number
- CN115435787B CN115435787B CN202210903743.4A CN202210903743A CN115435787B CN 115435787 B CN115435787 B CN 115435787B CN 202210903743 A CN202210903743 A CN 202210903743A CN 115435787 B CN115435787 B CN 115435787B
- Authority
- CN
- China
- Prior art keywords
- sol
- module
- signal
- aerial vehicle
- unmanned aerial
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 49
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000006399 behavior Effects 0.000 claims abstract description 4
- 238000005315 distribution function Methods 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 42
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 29
- 238000007726 management method Methods 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 230000006835 compression Effects 0.000 claims description 12
- 238000007906 compression Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 claims 1
- 230000009194 climbing Effects 0.000 claims 1
- 241000255777 Lepidoptera Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241000283153 Cetacea Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
- G01S17/933—Lidar systems specially adapted for specific applications for anti-collision purposes of aircraft or spacecraft
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种基于改进蝴蝶算法的无人机三维路径规划方法及系统,所述方法包括采用激光雷达发射激光束对环境进行探测,获取环境信息;通过信号接受程序对激光雷达反射信号进行接收;通过信号处理程序对信号进行处理,获得山体或雷达、火炮位置信息;对环境信息进行建模;通过正态分布函数初始化航路位置,通过虚拟中心蝴蝶算法的勘探和开采行为在自由空间中生成全局路径;对全局路径进行邻域维度扰动学习,得到邻域维度扰动学习后的蝴蝶的位置和适应度值,获得最优飞行路径。本发明实现了在复杂环境下,无人机能够尽可能的沿目标曲线飞行轨迹匀速飞行,减少了无人机飞行速度的变化频率,提高了工作效率和无人机飞行的稳定性。
Description
技术领域
本发明属于智能控制技术领域,具体涉及一种基于改进蝴蝶算法的无人机三维路径规划方法及系统。
背景技术
UAV由于其成本低、性能好,在环境监测、现场测绘和布局规划、搜救任务和军事攻击中的应用一直备受关注。路径规划是UAV在执行任务中不可或缺的一部分,它要求UAV在特定环境中从给定的起始位置到目标位置,寻找一条平滑且可飞行的路径,在约束条件下具有最优或接近最优的性能。人们提出了一系列算法来解决这个复杂的多约束优化问题,如A*算法、人工势场(APF),以及快速探索随机树(RRT)和Voronoi图。然而随着节点数的增多和搜索空间的变大,A*算法的计算量会呈现指数级别上升;APF会存在一个吸引力和排斥力相等的局部极小点,导致规划任务失败;因此传统优化算法在处理此类问题时效率较低。
近年来,研究人员对元启发式算法进行了广泛的研究,这种技术对于解决包括无人机路径规划在内的具有挑战性的现实优化问题非常有效。已成功应用于无人机路径规划的技术包括:粒子群优化(PSO)、蝙蝠算法(BAT)、鲸鱼优化(WOA)、灰太狼优化(GWO)等等,以及上述算法的混合版本。例如,一种新的基于球面矢量的粒子群优化算法(SPSO),被用于解决复杂环境下的无人机(UAV)多威胁路径规划问题。尽管这些元启发算法可以解决由多个环境障碍和威胁耦合的路径规划问题,但其收敛速度和解的最优性仍然不能满足实际飞行的要求。
发明内容
发明目的:本发明提出一种基于改进蝴蝶算法的无人机三维路径规划装置及划系统,旨在支持并实现多种类型的任务,满足用户的多样性要求;提升三维环境中路径规划效率以获得高质量离线规划的路径。
技术方案:本发明提供了一种基于改进蝴蝶算法的无人机三维路径规划方法,包括以下步骤:
(1)采用激光雷达发射激光束对环境进行探测,获取环境信息;
(2)通过信号接受程序对激光雷达反射信号进行接收;
(3)通过信号处理程序对信号进行处理,得到低干扰的雷达探测回波信号;对低干扰的雷达探测回波信号进行融合、积累,得到融合、积累后的探测回波信号,然后对融合、积累后的回波信号进行脉冲压缩处理,获得山体或雷达、火炮位置信息;
(4)对环境信息进行建模;所述环境信息包括环境中的山体和威胁源的信息和路径信息;
(5)通过正态分布函数初始化航路位置,通过虚拟中心蝴蝶算法的勘探和开采行为在自由空间中生成全局路径;
(6)对全局路径进行邻域维度扰动学习,得到邻域维度扰动学习后的蝴蝶的位置Soli-NDPL,d(t+1)和适应度值,获得最优飞行路径;
(7)根据预设的最大迭代次数依次更新最优路径,确定最优路径规划结果。
进一步地,所述步骤(2)实现过程如下:
设定雷达信号发射和接收天线网络,将发射信号中的最优探测信号矩阵和发射信号中的干扰信号在所述雷达信号发射天线网络同时发射,经山体或其他障碍物反射后,得到干扰较低的雷达探测回波信号。
进一步地,所述步骤(3)实现过程如下:
将载波信号降噪问题分解为时域处理和频域处理两个阶段,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理;在信号接收天线网络中,使用信号融合算法对N个低干扰的探测回波信号进行融合、积累,得到融合、积累后的探测回波信号;对融合、积累后的探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的探测回波信号,其中脉冲压缩处理后的探测回波信号主瓣位置,即为山体、雷达或火炮位置。
进一步地,所述步骤(4)包括以下步骤:
(41)对无人机飞行空域的地面投影进行栅格化建模:在规划空间中将x轴分成n-1等分;x轴的垂直平面(P1,P2,P3,,…Pn)根据相应的分割点建立;在每个垂直平面Pi上放置一个离散点,由此产生一组包含起点和终点的离散点集合{S,(x2,y2,z2),(x3,y3,z3),...,(xn-1,yn-1,zn-1),E};通过连接这些航路点,得到一个完整的曲线飞行路径;其中,i=1,2,...,n-1;
(42)构建航路规划总成本代价函数,为路径长度成本、威胁成本、高度成本并且满足无人转弯角、爬升角在内的各种约束条件的加权总和。
进一步地,所述步骤(5)包括以下步骤:
(51)虚拟中心蝴蝶的数学定义如下:
其中,N是种群规模,SolV(t)是在t次迭代中虚拟中心蝴蝶的位置;
(52)虚拟中心蝴蝶优化蝴蝶算法生成航路点的数学全局搜索:
Soli(t+1)=Soli(t)+(r2×SolV(t)-Solk(t))×fi+(SolV(t)-Soli(t)) (24)
其中,Soli(t)是在t次迭代中第i只蝴蝶的位置,Soli(t+1)是在t+1次迭代中第i只蝴蝶的位置;SolV(t)是t次迭代虚拟中心蝴蝶的位置,Solk(t)是在t次迭代中从解空间随机选择的第k只蝴蝶;
(53)局部搜索表示为:
(54)在蝴蝶的觅食过程中,全局和局部搜索都会发生,通过开关概率p与随机数r进行比较来决定进行全局搜索还是局部搜索;
(55)通过目标函数计算适应度值:
fitness(t+1)=Fitnessfunction(Sol(t+1))
(57)根据最优适应度值对应的蝴蝶的位置Sol(t+1),作为当次迭代中的最优航路位置Soli-VBOA(t+1);其中Soli-VBOA(t+1)表示第i个个体通过虚拟中心蝴蝶优化蝴蝶算法生成的第t+1次迭代生成的航路点。
进一步地,所述步骤(6)包括以下步骤:
(61)计算原始位置Soli(t)和候选位置Soli-VBOA(t+1)之间的半径矩阵,通过欧式距离表示:
Radiusi(t)=||Soli(t)-Soli-VBOA(t+1)||;
(62)构造每个个体Soli(t)的邻域矩阵;
Nebsi(t)={Xi(t)|Disi(Soli(t),Solj(t))≤Radiusi(t),Solj(t)∈Pop}
其中,Radiusi(t)是半径,Disi是Soli(t)和Solj(t)之间的欧氏距离;
(63)Soli(t)的邻域构造完成后,通过下式执行多邻域学习:
Soli-NDPL,d(t+1)=Soli,d(t)+rand×(Soln,d(t)-Solr,d(t))
其中,Soli-NDPL,d(t+1)是第t+1次迭代中第i个个体通过NDPL优化VBOA生成的航路点;个体Soli-NDPL,d(t+1)的第d维是通过两个个体的第d维求出;这两个个体分别是从邻域矩阵Ni(t)中选择的随机个体Soln,d(t)和从Pop中选择的随机个体Solr,d(t)。
进一步地,所述步骤(7)实现过程如下:
利用贪婪原则,将学习前后适应度值最优的航路位置,作为更新后的最优航路位置,通过下式选择更新后的航路位置为Soli-VBOA(t+1):
其中,Soli-VBOA(t+1)和Soli-NDPL(t+1)是第t+1次迭代中第i个个体分别通过NDPL优化VBOA和VCB优化BOA生成的航路点。
基于相同的发明构思,本发明还提供一种基于改进蝴蝶算法的无人机三维路径规划系统,系统包括无人机平台和飞行控制管理装置;所述无人机平台包括传感器和相应的功能单元;所述功能单元包括动作响应单元、任务单元和雷达探测模块;所述飞行控制管理装置包括信号接收模块、中央控制模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块;
所述传感器,用于根据所述目标行动的信息,获取与所述目标行动对应的传感器数据;用于接受飞行控制管理装置发送给无人机平台的信号;
所述任务单元,通过任务接收模块将无人机平台传感器接收的信号转换为无人机可识别的指令,然后通过任务解析和规划模块将所述任务指令拆分为至少一个目标行动;
所述动作响应单元,通过任务单元提取出的任务确定所述目标行动的动作响应模块;然后根据环境信息、状态信息和目标行动信息,生成无人机控制信息与用户的交互信息;
所述雷达探测模块基于安装在无人机四个端点的雷达发射激光束对路径进行探测,并将信号实时发送给飞行控制管理装置的信号接收模块;
所述信号接收模块利用信号接收程序对无人机平台的雷达探测模块发送来的信号进行接收;然后通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强;
所述中央控制模块控制着信号接收模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块等各个模块的正常运行;
所述信号处理模块通过信号处理程序对飞行控制管理装置的信号接收模块接收的信号进行降噪处理;
所述结果分析模块利用探测结果分析程序对处理后的信号进行分析;
所述模型构建模块首先对无人机飞行空域的地面投影进行栅格化建模;然后构建航路规划总成本代价函数;
所述模型训练模块通过虚拟中心蝴蝶策略和邻域维度学习策略优化的蝴蝶算法在预设的最大迭代次数下更新最优路径;
所述路径规划模块通过在预设的最大迭代次数下不断更新最优路径,最终确定最优路径规划结果;并将将最优飞行路径信息发送给无人机,执行响应的任务解析和动作响应。
有益效果:与现有技术相比,本发明的有益效果:本发明通过雷达对障碍物检测,由于激光雷达精度高且灵敏度好,所以得到的障碍物到无人机之间的间隔精度较高,同时它的体积和重量都很轻,因此特别适合搭载在小型的旋翼无人机上;将雷达检测与改进蝴蝶避障算法程序相结合,能够实现算法对山体、云团和火炮雷达等威胁源的有效侦察和避障,使无人机平台能够有效躲避威胁源和障碍物同时减少避障次数,提高无人机的存活率;同时减少能耗,实现无人机工作效率和无人机飞行的稳定性的提高。
附图说明
图1为基于改进蝴蝶算法的无人机三维路径规划方法流程图;
图2为基于改进蝴蝶算法的无人机三维路径规划系统结构示意图。
具体实施方式
下面结合附图对本发明做进一步详细说明。
如图1所示,本发明提供的一种基于改进蝴蝶算法的无人机三维路径规划方法,具体包括以下步骤:
步骤1:采用激光雷达发射激光束对环境进行探测,获取环境信息。
无人机平台将机载激光雷达获取的环境信息发送到飞行控制管理装置。环境信息包括环境中的山体和威胁源的信息和路径信息。
步骤2:通过信号接受程序对激光雷达反射信号进行接收。
设定雷达信号发射和接收天线网络,将发射信号中的最优探测信号矩阵和干扰信号在所述雷达信号发射天线网络同时发射,经山体或其他障碍物反射后,得到干扰较低的雷达探测回波信号。
步骤3:通过雷达接收天线对干扰较低的回波信号进行接收,并对收到的低干扰的雷达探测回波信号进行融合、积累,得到融合、积累后的探测回波信号,然后对融合、积累后的回波信号进行脉冲压缩处理,获得山体或雷达、火炮位置信息,山体或其他障碍物位置信息是一种射频掩护信号下的阵列雷达信号发射接收结果。
时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理;将载波信号降噪问题分解为时域处理和频域处理两个阶段,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理。在信号接收天线网络中,使用信号融合算法对N个低干扰的探测回波信号进行融合、积累,得到融合、积累后的探测回波信号;对融合、积累后的探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的探测回波信号,其中脉冲压缩处理后的探测回波信号主瓣位置,即为雷达或火炮位置。
步骤4:对环境信息进行建模。
飞行控制管理装置模型中的构建模块对结果分析模块得到的环境地图和威胁源障碍物等信息进行建模,首先对无人机飞行空域的地面投影进行栅格化建模,包括以下步骤:在规划空间中将x轴分成n-1等分。x轴的垂直平面(P1,P2,P3,,…Pn)根据相应的分割点建立。在每个垂直平面Pi=上放置一个离散点,其中,i=1,2,…,n-1,由此产生一组包含起点和终点的离散点集合{S,(x2,y2,z2),(x3,y3,z3),…,(xn-1,yn-1,zn-1),E}。通过连接这些航路点,可以得到一个完整的曲线飞行路径。
然后构建航路规划总成本代价函数。代价函数为路径长度成本、威胁成本、高度成本并且满足无人转弯角、爬升角在内的各种约束条件的加权总和。
步骤5,通过正态分布函数初始化航路位置,通过虚拟中心蝴蝶算法的勘探和开采行为在自由空间中生成全局路径,包括以下步骤:
(5.1)虚拟中心蝴蝶是一个辅助概念被定义为所有蝴蝶的加权平均数,定义的虚拟蝴蝶共享所有蝴蝶的经验,在每次迭代中为群体提供替代搜索方向,以帮助其他成员逃离局部极小值,并在搜索域中发现更高的有希望区域。以提高算法的勘探能力。因此虚拟中心蝴蝶的数学定义如下:
其中,N是种群规模,SolV(t)是在t次迭代中虚拟中心蝴蝶的位置。
(5.2)由于蝴蝶算法中通过使用两个随机蝴蝶交互执行全局搜索,这是一种非常简单的策略,不能满足复杂优化问题的要求。基于此信息,通过虚拟中心蝴蝶优化蝴蝶算法生成的航路点的数学全局搜索阶段可表示为:
Soli(t+1)=Soli(t)+(r2×SolV(t)-Solk(t))×fi+(SolV(t)-Soli(t)) (24)
其中,Soli(t)是在t次迭代中第i只蝴蝶的位置,Soli(t+1)是在t+1次迭代中第i只蝴蝶的位置。SolV(t)是t次迭代虚拟中心蝴蝶的位置,Solk(t)是在t次迭代中从解空间随机选择的第k只蝴蝶。
(5.3)局部搜索可表示为:
(5.4)在蝴蝶的觅食过程中,全局和局部搜索都会发生,通过开关概率p与随机数r进行比较来决定进行全局搜索还是局部搜索。
(5.5)通过目标函数计算适应度值:
fitness(t+1)=Fitnessfunction(Sol(t+1))
(5.6)根据最优适应度值对应的蝴蝶的位置Sol(t+1),作为当次迭代中的最优航路位置Soli-VBOA(t+1);Soli-VBOA(t+1)表示第i个个体通过虚拟中心蝴蝶优化蝴蝶算法生成的第t+1次迭代生成的航路点。
步骤6:所述对经过优化后求得的航路位置进行邻域维度扰动学习,得到邻域维度扰动学习后的蝴蝶的位置Soli-NDPL,d(t+1)和适应度值,包括以下步骤:
(6.1)使用下式计算原始位置Soli(t)和候选位置Soli-VBOA(t+1)之间的半径矩阵,该公式通过欧式距离表示:
Radiusi(t)=||Soli(t)-Soli-VBOA(t+1)||
(6.2)然后,使用下式构造每个个体Soli(t)的邻域矩阵。
Nebsi(t)={Xi(t)|Disi(Soli(t),Solj(t))≤Radiusi(t),Solj(t)∈Pop}
其中,Radiusi(t)是半径,Disi是Soli(t)和Solj(t)之间的欧氏距离。
(6.3)Soli(t)的邻域构造完成后,就通过等式(27)执行多邻域学习,
Soli-NDPL,d(t+1)=Soli,d(t)+rand×(Soln,d(t)-Solr,d(t))
其中,Soli-NDPL,d(t+1)是第t+1次迭代中第i个个体通过NDPL优化VBOA生成的航路点;个体Soli-NDPL,d(t+1)的第d维是通过两个个体的第d维求出;这两个个体分别是从邻域矩阵Ni(t)中选择的随机个体Soln,d(t)和从Pop中选择的随机个体Solr,d(t)。
步骤7:根据预设的最大迭代次数依次更新最优路径,确定最优路径规划结果。
利用贪婪原则,将学习前后适应度值最优的航路位置,作为更新后的最优航路位置,通过下式选择更新后的航路位置为Soli-VBOA(t+1):
其中,Soli-VBOA(t+1)和Soli-NDPL(t+1)是第t+1次迭代中第i个个体分别通过NDPL优化VBOA和VCB优化BOA生成的航路点。
步骤8:飞行控制管理装置中的路径规划模块根据途经地信息的拐点位置将最优飞行路径划分为N个子路径;然后将最优飞行路径和第i个子路径的飞行参数发送给无人机平台。
基于相同的发明构思,本发明还提供一种基于改进蝴蝶算法的无人机三维路径规划系统,如图2所示,包括无人机平台和飞行控制管理装置。其中无人机平台包括传感器和相应的功能单元,功能单元包括动作响应单元、任务单元和雷达探测模块;飞行控制管理装置包括信号接收模块、中央控制模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块。
无人机平台的传感器,用于根据所述目标行动的信息,获取与所述目标行动对应的传感器数据;用于接受飞行控制管理装置发送给无人机平台的信号。无人机平台功能单元的任务单元:通过任务接收模块将无人机平台传感器接收的信号转换为无人机可识别的指令,然后通过任务解析和规划模块将所述任务指令拆分为至少一个目标行动。
无人机平台功能单元的动作响应单元:每个所述动作响应模块对应一个动作,该单元通过任务单元提取出的任务确定所述目标行动的动作响应模块;然后根据所述环境信息、所述状态信息和所述目标行动信息,生成无人机控制信息与用户的交互信息。
无人机平台的雷达探测模块:利用安装在无人机四个端点的雷达发射激光束对路径进行探测,并将信号实时发送给飞行控制管理装置的信号接收模块。
飞行控制管理装置的信号接收模块:利用信号接收程序对无人机平台的雷达探测模块发送来的信号进行接收;然后通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强。
飞行控制管理装置的中央控制模块:控制着信号接收模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块等各个模块的正常运行。
飞行控制管理装置的信号处理模块:通过信号处理程序对飞行控制管理装置的信号接收模块接收的信号进行降噪处理。
飞行控制管理装置的结果分析模块:利用探测结果分析程序对处理后的信号进行分析。
飞行控制管理装置的模型构建模块:首先对无人机飞行空域的地面投影进行栅格化建模;然后构建航路规划总成本代价函数;飞行控制管理装置模型训练模块通过虚拟中心蝴蝶策略和邻域维度学习策略优化的蝴蝶算法在预设的最大迭代次数下更新最优路径。
飞行控制管理装置的路径规划模块:通过在预设的最大迭代次数下不断更新最优路径,最终确定最优路径规划结果;并将将最优飞行路径信息发送给无人机,执行响应的任务解析和动作响应。
实现上述各系统实施例的部分或全部步骤可通过相关的程序指令硬件来完成。前述的程序可以存储在计算机可读取存储介质中。在执行时,执行包括上述各系统实施例的步骤;而前述的存储介质包括:RAM、ROM、光盘或者磁碟等各种可以存储程序代码的介质。
Claims (4)
1.一种基于改进蝴蝶算法的无人机三维路径规划方法,其特征在于,包括以下步骤:
(1)采用激光雷达发射激光束对环境进行探测,获取环境信息;
(2)通过信号接受程序对激光雷达反射信号进行接收;
(3)通过信号处理程序对信号进行处理,得到低干扰的雷达探测回波信号;对低干扰的雷达探测回波信号进行融合、积累,得到融合、积累后的探测回波信号,然后对融合、积累后的回波信号进行脉冲压缩处理,获得山体或雷达、火炮位置信息;
(4)对环境信息进行建模;所述环境信息包括环境中的山体和威胁源的信息和路径信息;
(5)通过正态分布函数初始化航路位置,通过虚拟中心蝴蝶算法的勘探和开采行为在自由空间中生成全局路径;
(6)对全局路径进行邻域维度扰动学习,得到邻域维度扰动学习后的蝴蝶的位置Soli-NDPL,d(t+1)和适应度值,获得最优飞行路径;
(7)根据预设的最大迭代次数依次更新最优路径,确定最优路径规划结果;
所述步骤(4)包括以下步骤:
(41)对无人机飞行空域的地面投影进行栅格化建模:在规划空间中将x轴分成n-1等分;x轴的垂直平面(P1,P2,P3,…Pn)根据相应的分割点建立;在每个垂直平面Pi上放置一个离散点,由此产生一组包含起点和终点的离散点集合{S,(x2,y2,z2),(x3,y3,z3),…,(xn-1,yn-1,zn-1),E};通过连接这些航路点,得到一个完整的曲线飞行路径;其中,i=1,2,…,n-1;
(42)构建航路规划总成本代价函数,为路径长度成本、威胁成本、高度成本并且满足无人转弯角、爬升角在内的各种约束条件的加权总和;
所述步骤(5)包括以下步骤:
(51)虚拟中心蝴蝶的数学定义如下:
其中,N是种群规模,SolV(t)是在t次迭代中虚拟中心蝴蝶的位置;
(52)虚拟中心蝴蝶优化蝴蝶算法生成航路点的数学全局搜索:
Soli(t+1)=Soli(t)+(r2×SolV(t)-Solk(t))×fi+(SolV(t)-Soli(t)) (24)
其中,Soli(t)是在t次迭代中第i只蝴蝶的位置,Soli(t+1)是在t+1次迭代中第i只蝴蝶的位置;SolV(t)是t次迭代虚拟中心蝴蝶的位置,Solk(t)是在t次迭代中从解空间随机选择的第k只蝴蝶;
(53)局部搜索表示为:
(54)在蝴蝶的觅食过程中,全局和局部搜索都会发生,通过开关概率p与随机数r进行比较来决定进行全局搜索还是局部搜索;
(55)通过目标函数计算适应度值:
fitness(t+1)=Fitnessfunction(Sol(t+1))
(56)根据最优适应度值对应的蝴蝶的位置Sol(t+1),作为当次迭代中的最优航路位置Soli-VBOA(t+1);其中Soli-VBOA(t+1)表示第i个个体通过虚拟中心蝴蝶优化蝴蝶算法生成的第t+1次迭代生成的航路点;
所述步骤(6)包括以下步骤:
(61)计算原始位置Soli(t)和候选位置Soli-VBOA(t+1)之间的半径矩阵,通过欧式距离表示:
Radiusi(t)=||Soli(t)-Soli-VBOA(t+1)||;
(62)构造每个个体Soli(t)的邻域矩阵;
Nebsi(t)={Xi(t)|Disi(Soli(t),Solj(t))≤Radiusi(t),Solj(t)∈Pop}
其中,Radiusi(t)是半径,Disi是Soli(t)和Solj(t)之间的欧氏距离;
(63)Soli(t)的邻域构造完成后,通过下式执行多邻域学习:
Soli-NDPL,d(t+1)=Soli,d(t)+rand×(Soln,d(t)-Solr,d(t))
其中,Soli-NDPL,d(t+1)是第t+1次迭代中第i个个体通过NDPL优化VBOA生成的航路点;个体Soli-NDPL,d(t+1)的第d维是通过两个个体的第d维求出;这两个个体分别是从邻域矩阵Nebsi(t)中选择的随机个体Soln,D(t)和从Pop中选择的随机个体Solr,d(t);
所述步骤(7)实现过程如下:
利用贪婪原则,将学习前后适应度值最优的航路位置,作为更新后的最优航路位置,通过下式选择更新后的航路位置为Soli-VBOA(t+1):
其中,Soli-VBOA(t+1)和Soli-NDPL(t+1)是第t+1次迭代中第i个个体分别通过NDPL优化VBOA和VCB优化BOA生成的航路点。
2.根据权利要求1所述的一种基于改进蝴蝶算法的无人机三维路径规划方法,其特征在于,所述步骤(2)实现过程如下:
设定雷达信号发射天线网络和接收天线网络,所述雷达信号发射天线网络同时发射最优探测信号矩阵和干扰信号;经山体或其他障碍物反射后,得到干扰较低的雷达探测回波信号。
3.根据权利要求1所述的一种基于改进蝴蝶算法的无人机三维路径规划方法,其特征在于,所述步骤(3)实现过程如下:
将载波信号降噪问题分解为时域处理和频域处理两个阶段,时域处理阶段将码元信号特征引入电力信号时域重构过程,对信号进行二次降噪,频域处理阶段采用傅里叶分解方法对载波信号进行频域处理;在信号接收天线网络中,使用信号融合算法对N个低干扰的探测回波信号进行融合、积累,得到融合、积累后的探测回波信号;对融合、积累后的探测回波信号进行脉冲压缩处理,得到脉冲压缩处理后的探测回波信号,其中脉冲压缩处理后的探测回波信号主瓣位置,即为山体、雷达或火炮位置。
4.一种采用如权利要求1-3任一所述方法的基于改进蝴蝶算法的无人机三维路径规划系统,其特征在于,所述系统包括无人机平台和飞行控制管理装置;所述无人机平台包括传感器和相应的功能单元;所述功能单元包括动作响应单元、任务单元和雷达探测模块;所述飞行控制管理装置包括信号接收模块、中央控制模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块;
所述任务单元,通过任务接收模块将无人机平台传感器接收的信号转换为无人机可识别的任务指令,然后通过任务解析和规划模块将所述任务指令拆分为至少一个目标行动;
所述传感器,用于根据所述目标行动的信息,获取与所述目标行动对应的传感器数据;用于接受飞行控制管理装置发送给无人机平台的信号;
所述动作响应单元,通过任务单元提取出的任务确定所述目标行动的动作响应模块;然后根据环境信息、状态信息和目标行动信息,生成无人机控制信息与用户的交互信息;
所述雷达探测模块基于安装在无人机四个端点的雷达发射激光束对路径进行探测,并将信号实时发送给飞行控制管理装置的信号接收模块;
所述信号接收模块利用信号接收程序对无人机平台的雷达探测模块发送来的信号进行接收;然后通过信号处理模块利用信号处理程序对信号进行处理,对信号进行降噪,并对降噪后的信号进行增强;
所述中央控制模块控制着信号接收模块、信号处理模块、结果分析模块、模型构建模块、模型训练模块和路径规划模块的正常运行;
所述信号处理模块通过信号处理程序对飞行控制管理装置的信号接收模块接收的信号进行降噪处理;
所述结果分析模块利用探测结果分析程序对处理后的信号进行分析;
所述模型构建模块首先对无人机飞行空域的地面投影进行栅格化建模;然后构建航路规划总成本代价函数;
所述模型训练模块通过虚拟中心蝴蝶策略和邻域维度学习策略优化的蝴蝶算法在预设的最大迭代次数下更新最优路径;
所述路径规划模块通过在预设的最大迭代次数下不断更新最优路径,最终确定最优路径规划结果;并将最优飞行路径信息发送给无人机,执行响应的任务解析和动作响应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903743.4A CN115435787B (zh) | 2022-07-28 | 2022-07-28 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210903743.4A CN115435787B (zh) | 2022-07-28 | 2022-07-28 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115435787A CN115435787A (zh) | 2022-12-06 |
CN115435787B true CN115435787B (zh) | 2024-05-28 |
Family
ID=84243099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210903743.4A Active CN115435787B (zh) | 2022-07-28 | 2022-07-28 | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115435787B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115980742B (zh) * | 2023-03-20 | 2023-05-19 | 成都航空职业技术学院 | 一种用于无人飞行器的雷达探测方法及装置 |
CN116989798B (zh) * | 2023-09-27 | 2023-12-26 | 北京理工大学 | 无人机航迹规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200112153A (ko) * | 2019-03-21 | 2020-10-05 | 한국항공대학교산학협력단 | 무인기 탐지를 위한 다중모드 레이더 신호 처리 장치 및 그 방법 |
CN112033416A (zh) * | 2020-09-18 | 2020-12-04 | 中原工学院 | 一种无人机静态航迹规划方法和装置 |
CN113311857A (zh) * | 2021-04-29 | 2021-08-27 | 重庆交通大学 | 一种基于无人机的环境感知与避障系统及方法 |
CN113552891A (zh) * | 2021-08-27 | 2021-10-26 | 金陵科技学院 | 一种基于改进的蝴蝶优化算法的机器人多目标路径规划 |
CN114217014A (zh) * | 2021-11-18 | 2022-03-22 | 广州杰赛科技股份有限公司 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3876070B1 (en) * | 2018-11-21 | 2024-02-28 | Autel Robotics Co., Ltd. | Method and device for planning path of unmanned aerial vehicle, and unmanned aerial vehicle |
EP4014215A1 (en) * | 2019-09-02 | 2022-06-22 | Skygrid, LLC | Flight path deconfliction among unmanned aerial vehicles |
-
2022
- 2022-07-28 CN CN202210903743.4A patent/CN115435787B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200112153A (ko) * | 2019-03-21 | 2020-10-05 | 한국항공대학교산학협력단 | 무인기 탐지를 위한 다중모드 레이더 신호 처리 장치 및 그 방법 |
CN112033416A (zh) * | 2020-09-18 | 2020-12-04 | 中原工学院 | 一种无人机静态航迹规划方法和装置 |
CN113311857A (zh) * | 2021-04-29 | 2021-08-27 | 重庆交通大学 | 一种基于无人机的环境感知与避障系统及方法 |
CN113552891A (zh) * | 2021-08-27 | 2021-10-26 | 金陵科技学院 | 一种基于改进的蝴蝶优化算法的机器人多目标路径规划 |
CN114217014A (zh) * | 2021-11-18 | 2022-03-22 | 广州杰赛科技股份有限公司 | 一种大气污染物的污染源定位方法、装置、介质及设备 |
Non-Patent Citations (2)
Title |
---|
Enhanced Butterfly Optimization Algorithm with a New fuzzy Regulator Strategy and Virtual Butterfly Concept;Ali Mortazavi 等;knowledge-based systems;第1-20页 * |
融合最优邻域扰动和反向学习策略的蝴蝶优化算法;李彦苍 等;中国科技论文;第16卷(第11期);第1181-1188页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115435787A (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
CN113110592B (zh) | 一种无人机避障与路径规划方法 | |
Shao et al. | Efficient path planning for UAV formation via comprehensively improved particle swarm optimization | |
CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
CN110031004B (zh) | 基于数字地图的无人机静态和动态路径规划方法 | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
Cekmez et al. | Multi colony ant optimization for UAV path planning with obstacle avoidance | |
Yu et al. | A knee-guided differential evolution algorithm for unmanned aerial vehicle path planning in disaster management | |
CN107168380B (zh) | 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法 | |
Huang et al. | Multi-model cooperative task assignment and path planning of multiple UCAV formation | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN114048889A (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
Liu et al. | Three-dimensional mountain complex terrain and heterogeneous multi-UAV cooperative combat mission planning | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN112666981A (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN110162077A (zh) | 一种基于飞鱼算法的无人机航迹规划方法 | |
CN112000126A (zh) | 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法 | |
Chen et al. | An improved spherical vector and truncated mean stabilization based bat algorithm for uav path planning | |
Airlangga et al. | Online path planning framework for UAV in rural areas |
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 |