CN115730425A - 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 - Google Patents

一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 Download PDF

Info

Publication number
CN115730425A
CN115730425A CN202211279916.6A CN202211279916A CN115730425A CN 115730425 A CN115730425 A CN 115730425A CN 202211279916 A CN202211279916 A CN 202211279916A CN 115730425 A CN115730425 A CN 115730425A
Authority
CN
China
Prior art keywords
coverage
area
spanning tree
unmanned aerial
aerial vehicle
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
CN202211279916.6A
Other languages
English (en)
Inventor
赵建霞
韩志强
陈亮
邢柏阳
胡爱虔
杨林森
赵新路
熊西军
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.)
Sichuan Aerospace System Engineering Research Institute
Original Assignee
Sichuan Aerospace System Engineering Research Institute
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 Sichuan Aerospace System Engineering Research Institute filed Critical Sichuan Aerospace System Engineering Research Institute
Priority to CN202211279916.6A priority Critical patent/CN115730425A/zh
Publication of CN115730425A publication Critical patent/CN115730425A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端，包括：以栅格构建无人机集群覆盖区域的结构化离散网格模型；基于非均匀可调节策略调整结构化离散网格模型；在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；基于所述最优生成树构建覆盖航路。本发明能够避免复杂区域内障碍物与不规则区域边界造成的覆盖遗漏，在满足多种约束前提下基于改进生成树算法得到区域分配均衡的最优覆盖规划，提升了覆盖完成度和覆盖均衡性，同时，降低计算复杂度。

Description

一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、 系统、存储介质及终端
技术领域
本发明涉及无人机自主规划控制领域，尤其涉及一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端。
背景技术
无人集群协同区域覆盖在军事和民用领域均有广泛的应用。在军事应用方面，区域覆盖搜索是未来网络化战场中进行情报侦察与信息获取的主要方式；在民用需求方面，区域覆盖是搜索救援、农药喷洒等任务的实现手段。
由于搜索区域的复杂性，区域处理技术成为协同覆盖的关键技术之一。虽然区域分割处理的方法在一定程度上降低了搜索航路规划的复杂度，但由于未考虑转弯过程以及区域障碍物存在的情况，即使等面积分割，无人集群内部也难以实现均衡的覆盖。另一方面，协同覆盖搜索规划是执行区域覆盖任务的重要手段，其需要在满足性能指标最优的前提下，规划出于任务特性相匹配的最优覆盖航路。目前覆盖搜索规划大多采用传统的扫描式、概率图等方法，但对于环境复杂的区域仍缺乏有效的无人集群协同覆盖航路规划方法。
基于生成树的覆盖算法适用于有界的障碍物环境，但易陷入“树枝”阻塞而造成重复覆盖，由于环境复杂多变，且集群规模数量较多，可能会导致无人集群内部发生冲突，且由于区域处理过程中会舍弃障碍物附近的部分栅格确保避障，导致覆盖度降低。此外，基于生成树的方法需要结合优化算法进行解算，但由于存在无人机的飞行约束、集群运动协调约束、区域边界与内部障碍约束等多种约束条件，导致求解难度过大。
发明内容
本发明的目的在于针对现有区域覆盖方法在形状不规则、内部存有威胁等复杂环境情况下覆盖搜索不彻底、覆盖区域不均衡、效率明显降低以及求解难度较高等问题，本发明提供一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端。
本发明的目的是通过以下技术方案来实现的：
在第一方案中，提供一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述方法包括：
以栅格构建无人机集群覆盖区域的结构化离散网格模型；
基于非均匀可调节策略调整结构化离散网格模型；
在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
基于所述最优生成树构建覆盖航路。
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述以栅格构建无人机集群覆盖区域的结构化离散网格模型，包括：
初始化无人机集群覆盖区域为一个多边形，将无人机集群覆盖区域内的障碍区域建模为多边形或圆，其中，将所述无人机集群覆盖区域对应的多边形划分成均匀的栅格；
采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式，对障碍区域经过的栅格进行均匀离散，得到待搜索网格；
将障碍区域对应的单元栅格及其几何中心点从待搜索网格及其几何中心点集合中剔除。
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述基于非均匀可调节策略调整结构化离散网格模型，包括：
对于几何中心在障碍区域内部，而仅有部分位于障碍区域内的单元栅格进行非均匀调节，其中，在障碍区域外围生成多个等距分布的包络点对所述单元栅格再次进行划分，得到完全不位于障碍包络区域的小栅格。
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，根据调整后的结构化离散网格模型构建协同区域覆盖模型，包括：
假设无人集群中所有无人机的运动参数均相同，且横向探测距离大于转弯半径，区域覆盖模型构建如下：
Figure SMS_1
Figure SMS_2
其中，f为各优化项的加权和，ω1、ω2、ω3分别为各优化项的权重系数，Ji表示无人机i完成对分配到的子区域覆盖任务所需的航程，Jj表示无人机j完成对分配到的子区域覆盖任务所需的航程，Nu为无人集群内无人机数量，Pi表示无人机i需要转弯的次数，Si为每个无人机所需覆盖的区域。
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述根据所述协同区域覆盖模型构建生成树，包括：
初始时刻在区域内部的单元栅格内随机生成Ng组根节点，每组包含Nu个根节点，可与无人机覆盖搜索的初始位置一一对应，且任意两个根节点均不发生位置冲突；
基于无人机执行覆盖搜索任务的初始位置，即生成树根初始位置，采用深度优先搜索方法构建生成树；
将各无人机初始位置放入当前解集中，通过计算不同无人机i(i＝1,2,…,Nu)从当前所在的节点j移动到节点k的概率(j,k＝1,2,…,Ns,j≠k)，转移概率
Figure SMS_3
计算如下：
Figure SMS_4
j，k＝1，2，…，Ns，i＝12，…，Nu
其中，
Figure SMS_6
为与节点j连通的节点集合
Figure SMS_9
为当前生成树总节点数
Figure SMS_11
与平均节点数的差值
Figure SMS_7
即
Figure SMS_8
为无人机i转移到节点k后覆盖航路的转弯次数，
Figure SMS_10
转移前无人机i覆盖航路的转弯次数值，且必有
Figure SMS_13
Figure SMS_5
为覆盖均衡评估函数，表示无人机i从节点j转移到节点k后对整体覆盖均衡性的影响，
Figure SMS_12
α和β为调节系数，α＞0；
Figure SMS_14
为航路效率评估函数：
Figure SMS_15
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述对生成树进行优化，得到最优生成树，包括：
计算各无人机选择相应待选节点的个体转移概率和邻居平均目标函数值，调整节点选择结果，获得无冲突的节点选择最优均衡解。
在一个示例中，一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述基于所述最优生成树构建覆盖航路，包括：
根据获得的最优生成树，从根节点及其后序节点的反向延长线上、距离根节点为
Figure SMS_16
的位置出发，按逆时针方向沿最优生成树进行覆盖，并在次末节点与末节点的延长线方向上、距离末节点为
Figure SMS_17
的位置开始沿最优生成树的反向进行覆盖，直至回到起点，其中，W表示无人机的横向探测距离。
在第二方案中，提供一种基于改进生成树的无人机集群复杂区域均衡覆盖系统，所述系统包括：
离散网格模型构建模块，用于以栅格构建无人机集群覆盖区域的结构化离散网格模型；
离散网格模型非均匀调节模块，用于基于非均匀可调节策略调整结构化离散网格模型；
协同区域覆盖模型构建模块，用于在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
最优生成树构建模块，用于根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
航路构建模块，用于基于所述最优生成树构建覆盖航路。
在第三方案中，提供一种存储介质，其上存储有计算机指令，所述计算机指令运行时执行所述均衡覆盖方法的步骤。
在第四方案中，提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行所述均衡覆盖方法的步骤。
需要进一步说明的是，上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
与现有技术相比，本发明有益效果是：
(1)本发明以栅格构建复杂区域的结构化离散网格模型，并基于非均匀可调节策略调整模型能够避免复杂区域内障碍物及不规则区域边界造成的覆盖遗漏问题，具有优越的环境适应性，同时，在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型，并生成树找到区域分配均衡的最优覆盖规划，提升了覆盖完成度和覆盖均衡性，并降低计算复杂度。
(2)本发明采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式，对障碍区域经过的栅格进行均匀离散，保证对区域完全覆盖搜索的同时，尽可能减少待搜索栅格数量。
(3)本发明提出的方法以均匀栅格化与非栅格包络点结合进行区域处理方式，既使生成树算法便于应用，又可避免覆盖遗漏问题。
(4)本发明在构建生成树时，计算各无人机选择相应待选节点的个体转移概率和邻居平均目标函数值，调整节点选择结果，基于进化博弈协调节点选择冲突并获得最优均衡解，综合考量运动安全性和覆盖效率，实现无人机之间更好的协同。
附图说明
图1为本发明实施例提供的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法的流程示意图；
图2为本发明实施例示出的区域初始设置的示意图；
图3为本发明实施例示出的区域均匀栅格化的示意图；
图4为本发明实施例示出的非均匀调节的示意图；
图5为本发明实施例示出的初始生成树的示意图；
图6为本发明实施例示出的最优生成树的示意图；
图7为本发明实施例示出的覆盖航路生成的示意图。
图中标号说明：1、2均表示禁飞区，3表示雷达区域。
具体实施方式
下面结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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做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。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
图1为本发明实施例提供的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，所述方法包括：
以栅格构建无人机集群覆盖区域的结构化离散网格模型；
基于非均匀可调节策略调整结构化离散网格模型；
在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
基于所述最优生成树构建覆盖航路。
本发明面向无人集群执行协同区域覆盖侦察任务，以栅格构建复杂区域的结构化离散网格模型，并基于非均匀可调节策略调整模型以处理区域内障碍物与不规则区域边界造成的覆盖遗漏问题，在满足多种约束前提下基于改进生成树算法得到区域分配均衡的最优覆盖规划，并通过求解局部均衡解以协调生成树节点冲突，为无人集群协同区域覆盖侦察规划提供一种有效解决方案。
在一个示例中，所述以栅格构建无人机集群覆盖区域的结构化离散网格模型，包括：
初始化无人机集群覆盖区域为一个多边形，将无人机集群覆盖区域内的障碍区域建模为多边形或圆，其中，将所述无人机集群覆盖区域对应的多边形划分成均匀的栅格；
采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式，对障碍区域经过的栅格进行均匀离散，得到待搜索网格；
将障碍区域对应的单元栅格及其几何中心点从待搜索网格及其几何中心点集合中剔除。
具体地，初始化无人机i的位置(xi,yi)，i＝1,2,…,Nu，Nu为无人集群内无人机数量。无人机均以固定高度H飞行，其视场被简化为矩形区域，横向探测距离为W，纵向探测范围为L。
初始化无人机集群覆盖区域S为一个n多边形，其顶点坐标集合为
Figure SMS_18
是该多边形的第j个顶点，j＝1,2,…,n，顶点坐标集合中的顶点以顺时针的顺序排列。
无人机集群覆盖区域内的障碍物主要考虑雷达和禁飞区，雷达的威胁范围建模为圆
Figure SMS_19
n＝1,2,…,Nr，其中
Figure SMS_20
为雷达n的位置，
Figure SMS_21
为相应的威胁范围半径，Nr为区域内的雷达数量；禁飞区建模为多边形，禁飞区m(m＝1,2,…,Nn)为边数为nm的多边形，则其顶点坐标集合为
Figure SMS_22
Figure SMS_23
是该多边形的第k个顶点，k＝1,2,…,nm。
对于障碍区域对应的的多边形界经过的部分栅格，其几何中心可能不在多边形内部，为保证对区域的完全覆盖搜索，需要在区域外部补充航路点，并将该网格添加到待搜索网格集合中。为尽可能减少补充的待搜索网格(即栅格，下同)数量，将采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式。通过等间隔选择搜索方法将多边形区域在90°范围内等间隔地旋转，通过计算不同旋转下的外界矩形面积，可对比得到最小外接矩形，其长为a，宽为b，长边与横坐标轴的夹角为θ。将该多边形区域沿最小外接矩形的长和宽，离散为2W×2W的网格，选取满足要求的单元网格的几何中心点
Figure SMS_24
为飞行航路规划的节点，其中l＝1,2,…,Nl，Nl为单元网格数量，
Figure SMS_25
符号
Figure SMS_26
表示向上取整。
进一步地，根据障碍区域(禁飞区、雷达威胁区)的相关参数，基于区域栅格化结果，将障碍区域对应的单元网格及其几何中心点从待搜索网格及其几何中心点集合中剔除，即对于任一单元网格，判断其与障碍区域的关系：完全位于障碍区域内、部分位于障碍区域内还是完全不位于障碍区域内。若完全位于障碍区域内，则剔除；若完全不位于障碍区域内，则确认保留；若部分位于障碍区域内，则需进一步调整。
在一个示例中，所述基于非均匀可调节策略调整结构化离散网格模型，包括：
对于几何中心在障碍区域内部，而仅有部分位于障碍区域内的单元栅格进行非均匀调节，其中，在障碍区域外围生成多个等距分布的包络点对所述单元栅格再次进行划分，得到完全不位于障碍包络区域的小栅格。
具体地，由于障碍区域同样非结构化规则化的形状，因此其边界部分经过的部分网格，存在几何中心在障碍区域内部，但该单元网格仅部分位于障碍区域内的问题。为实现覆盖的完全性，需要对该单元网格进行非均匀调节。在障碍物外围生成Nb个等距分布的包络点，与障碍边界间隔为W/2。
基于几何中心对该单元网格内部再次进行分割，划分为4个的W×W小网格，获得完全不位于障碍包络区域的小网格的几何中心，将其加入临时搜索路径点集合中。完成对所有障碍周边栅格的处理后，对该集合中相邻的两个几何中心进行合并。
在一个示例中，根据调整后的结构化离散网格模型构建协同区域覆盖模型，建模前，先确定约束条件，在集群协同覆盖搜索过程中，主要考虑单机覆盖的规划约束和集群覆盖的协同约束。其中，单机覆盖的规划约束：每个无人机所需覆盖的区域Si必须为连通域；每个子区域Si必须包含所对应的无人机执行覆盖任务的初始位置(xi,0,yi,0)，即(xi,0,yi,0)∈Si。集群覆盖的协同约束：所有子区域的总和完全覆盖整个区域S，即S1∪S2∪…∪SNu＝S；每个无人机待覆盖的子区域大小基本相等，即
Figure SMS_27
i＝1,2,…,Nu，其中符号|·|表示区域的大小；排除障碍周边区域，各子区域间不重叠，即
Figure SMS_28
i,j＝1,2,…,Nu,i≠j。
经过对覆盖区域的离散栅格化处理，区域覆盖问题被转换为离散栅格覆盖问题。假设无人集群中所有无人机的运动参数均相同，且横向探测距离大于转弯半径，区域覆盖模型构建如下：
Figure SMS_29
Figure SMS_30
其中，f为各优化项的加权和，ω1、ω2、ω3分别为各优化项的权重系数，Ji表示无人机i完成对分配到的子区域覆盖任务所需的航程，Jj表示无人机j完成对分配到的子区域覆盖任务所需的航程，Nu为无人集群内无人机数量，Pi表示无人机i需要转弯的次数，Si为每个无人机所需覆盖的区域。
在一个示例中，所述根据所述协同区域覆盖模型构建生成树，包括：
生成树的构建依赖于其根节点，初始时刻在区域内部的单元栅格内随机生成Ng组根节点，每组包含Nu个根节点，可与无人机覆盖搜索的初始位置一一对应，且任意两个根节点均不发生位置冲突；
基于无人机执行覆盖搜索任务的初始位置，即生成树根初始位置，采用深度优先搜索方法构建生成树；
将各无人机初始位置放入当前解集中，通过计算不同无人机i(i＝1,2,…,Nu)从当前所在的节点j移动到节点k的概率(j,k＝1,2,…,Ns,j≠k)，转移概率
Figure SMS_31
计算如下：
Figure SMS_32
j，k＝1，2，…,Ns,i＝1，2，…，Nu
其中，
Figure SMS_35
为与节点j连通的节点集合
Figure SMS_37
为当前生成树总节点数
Figure SMS_38
与平均节点数的差值
Figure SMS_34
即
Figure SMS_36
为无人机i转移到节点k后覆盖航路的转弯次数，
Figure SMS_40
转移前无人机i覆盖航路的转弯次数值，且必有
Figure SMS_41
Figure SMS_33
为覆盖均衡评估函数，表示无人机i从节点j转移到节点k后对整体覆盖均衡性的影响，
Figure SMS_39
α和β为调节系数，α＞0；
Figure SMS_42
为航路效率评估函数：
Figure SMS_43
进一步地，对于待选节点存在重合的无人机而言，极可能出现超过1架无人机选中同一节点的情况，出于运动安全性和覆盖效率的综合考量，在构建生成树时应避免这种情况的出现。因此，所述对生成树进行优化，得到最优生成树，包括：
计算各无人机选择相应待选节点的个体转移概率和邻居平均目标函数值，调整节点选择结果，获得无冲突的节点选择最优均衡解。
进一步地，所述基于所述最优生成树构建覆盖航路，包括：
根据获得的最优生成树，从根节点及其后序节点的反向延长线上、距离根节点为
Figure SMS_44
位置出发，按逆时针方向沿最优生成树进行覆盖，并在次末节点与末节点的延长线方向上、距离末节点为
Figure SMS_45
的位置开始沿最优生成树的反向进行覆盖，直至回到起点，其中，W表示无人机的横向探测距离。
在另一个实施例中，本发明提供一种基于改进生成树的无人机集群复杂区域均衡覆盖系统，所述系统包括：
离散网格模型构建模块，用于以栅格构建无人机集群覆盖区域的结构化离散网格模型；
离散网格模型非均匀调节模块，用于基于非均匀可调节策略调整结构化离散网格模型；
协同区域覆盖模型构建模块，用于在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
最优生成树构建模块，用于根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
航路构建模块，用于基于所述最优生成树构建覆盖航路。
在另一个实施例中，如图2-图7，本发明结合实际情况给出一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，实验计算机配置为Intel Core i5-9700F处理器，2.90Ghz主频，8G内存，软件为MATLAB 2019a版本。该方法具体步骤如下：
步骤一：初始化
S11：初始化无人集群
初始化Nu＝10架无人机的位置，Nu为无人集群内无人机数量。无人机均以固定高度H＝1000m飞行，其视场被简化为矩形区域，横向探测距离为W＝420m，纵向探测范围为L＝330m。
S12：初始化覆盖区域。
如图2所示，初始化覆盖区域为一个矩形，其顶点坐标集合为
Figure SMS_46
Figure SMS_47
顶点坐标集合中的顶点以顺时针的顺序排列。区域内的障碍物主要考虑雷达和禁飞区。雷达的威胁范围建模为圆
Figure SMS_48
其中雷达n的位置为
Figure SMS_49
相应的威胁范围半径为
Figure SMS_50
区域内的雷达数量为Nr＝1；禁飞区建模为多边形，区域内的禁飞数量为Nn＝2，禁飞区1和2均为边数为5的多边形，禁飞区1顶点坐标集合为
Figure SMS_51
Figure SMS_52
禁飞区2顶点坐标集合为
Figure SMS_53
Figure SMS_54
步骤二：复杂区域的离散栅格化
S21：区域的均匀栅格离散
对于该多边形区域边界经过的部分网格，其几何中心可能不在多边形内部，为保证对区域的完全覆盖搜索，需要在区域外部补充航路点，并将该网格添加到待搜索网格集合中。
为尽可能减少补充的待搜索网格数量，将采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式。通过等间隔选择搜索方法将多边形区域在90°范围内等间隔地旋转，通过计算不同旋转下的外界矩形面积，可对比得到最小外接矩形，其长为a＝15km，宽为b＝10km，长边与横坐标轴的夹角为θ＝60°。
如图3所示，将该多边形区域沿最小外接矩形的长和宽，离散为840m×840m的网格，选取满足要求的单元网格的几何中心点
Figure SMS_55
为飞行航路规划的节点，其中l＝1,2,…,Nl，Nl为单元网格数量，
Figure SMS_56
符号
Figure SMS_57
表示向上取整。
S22：剔除障碍区域内的单元网格
根据障碍区域(禁飞区、雷达威胁区)的相关参数，基于S21中的区域栅格化结果，将障碍区域对应的单元网格及其几何中心点从待搜索网格及其几何中心点集合中剔除，即对于任一单元网格，判断其与障碍区域的关系：完全位于障碍区域内、部分位于障碍区域内还是完全不位于障碍区域内。若完全位于障碍区域内，则剔除；若完全不位于障碍区域内，则确认保留；若部分位于障碍区域内，则需进一步调整。
S23：障碍周边栅格的非均匀调节
由于障碍区域同样非结构化规则化的形状，因此其边界部分经过的部分网格，存在几何中心在障碍区域内部，但该单元网格仅部分位于障碍区域内的问题。为实现覆盖的完全性，需要对该单元网格进行非均匀调节。在障碍物外围生成Nb＝5个等距分布的包络点，与障碍边界间隔为W/2＝210m。
如图4所示，基于几何中心对该单元网格内部再次进行分割，划分为4个的W×W＝210m×210m小网格，获得完全不位于障碍包络区域的小网格的几何中心，将其加入临时搜索路径点集合中。完成对所有障碍周边栅格的处理后，对该集合中相邻的两个几何中心进行合并。
步骤三：无人集群协同区域覆盖模型构建
S31：约束条件确定
在集群协同覆盖搜索过程中，主要考虑单机覆盖的规划约束和集群覆盖的协同约束。
单机覆盖的规划约束：每个无人机所需覆盖的区域Si必须为连通域；每个子区域Si必须包含所对应的无人机执行覆盖任务的初始位置
Figure SMS_58
即
Figure SMS_59
集群覆盖的协同约束：所有子区域的总和完全覆盖整个区域S，即
Figure SMS_60
每个无人机待覆盖的子区域大小基本相等，即
Figure SMS_61
i＝1,2,…,Nu，其中符号|·|表示区域的大小；排除障碍周边区域，各子区域间不重叠，即
Figure SMS_62
i,j＝1,2,…,Nu,i≠j。
S32：区域覆盖模型构建
经过对覆盖区域的离散栅格化处理，区域覆盖问题被转换为离散栅格覆盖问题。假设无人集群中所有无人机的运动参数均相同，且横向探测距离大于转弯半径，因此区域覆盖模型可构建如下：
Figure SMS_63
Figure SMS_64
其中，Ji表示无人机i完成对分配到的子区域覆盖任务所需的航程，该航程为覆盖航路的长度与从当前位置前往覆盖任务初始位置的航程之和；Pi表示无人机i需要转弯的次数，ω1、ω2和ω3分别为各优化项的权重系数，ω1＝0.01，ω2＝0.01，ω3＝5，f为各优化项的加权和。
步骤四：生成树的构建与优化
S41：生成树根节点生成
生成树的构建依赖于其根节点，初始时刻在区域内部的单元网格内随机生成Ng＝30组根节点，每组包含Nu＝10个根节点，可与无人机覆盖搜索的初始位置一一对应，且任意两个根节点均不发生冲突。初始生成树如图5所示。
S42：生成树的并行构建
基于无人机执行覆盖搜索任务的初始位置，即生成树根初始位置，采用深度优先搜索方法构建生成树。将各无人机初始位置放入当前解集中，通过计算不同无人机i(i＝1,2,…,Nu)从当前所在的节点j移动到节点k的概率(j,k＝1,2,…,Ns,j≠k)，转移概率
Figure SMS_65
计算如下：
Figure SMS_66
j，k＝1，2，…，Ns，i＝1，2，…，Nu
其中，
Figure SMS_68
为与生成树节点j连通的节点集合
Figure SMS_71
为当前生成树总节点数
Figure SMS_74
与平均节点数的差值
Figure SMS_69
即
Figure SMS_73
为无人机i转移到节点k后覆盖航路的转弯次数，
Figure SMS_75
转移前无人机i覆盖航路的转弯次数值，且必有
Figure SMS_77
Figure SMS_67
为覆盖均衡评估函数，表示无人机i从节点j转移到节点k后对整体覆盖均衡性的影响，
Figure SMS_70
α和β为调节系数，α＝10，β＝0；
Figure SMS_72
为航路效率评估函数，其目的在于引导无人机i优先选择向转弯次数更少的节点转移，
Figure SMS_76
S43：生成树冲突协调
对于待选节点存在重合的无人机而言，极可能出现超过1架无人机选中同一节点的情况，出于运动安全性和覆盖效率的综合考量，在构建生成树时应避免这种情况的出现。计算各无人机选择相应待选节点的个体转移概率和邻居平均目标函数值，调整节点选择结果，获得无冲突的节点选择最优均衡解。
步骤五：基于最优生成树构建覆盖航路
最优生成树如图6所示，根据获得的最优生成树，从根节点及其后序节点的反向延长线上、距离根节点为
Figure SMS_78
的位置出发，按逆时针方向沿最优生成树进行覆盖，并在次末节点与末节点的延长线方向上、距离末节点为
Figure SMS_79
的位置开始沿最优生成树的反向进行覆盖，直至回到起点。基于该最优生成树，生成如图7所示的覆盖航路，图中用黑实线代表覆盖搜索航路，其中每一个闭合线条对应一架无人机的覆盖搜索航路，不同无人机的覆盖搜索航路之间不相互冲突，相较于图5，经过优化后的生成树经过优化后的生成树节点分支(如图5右上角)减少，对应的覆盖搜索航路不需要进行过多的转弯，代价较低。
在另一个示例中，本发明提供一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行所述均衡覆盖方法。
基于这样的理解，本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或者该技术方案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方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一个示例中，本发明提供一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，处理器运行计算机指令时执行所述均衡覆盖方法。
处理器可以是单核或者多核中央处理单元或者特定的集成电路，或者配置成实施本发明的一个或者多个集成电路。
本说明书中描述的主题及功能操作的实施例可以在以下中实现：有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。
本说明书中描述的处理及逻辑流程可以由执行一个或多个计算机程序的一个或多个可编程计算机执行，以通过根据输入数据进行操作并生成输出来执行相应的功能。所述处理及逻辑流程还可以由专用逻辑电路—例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)来执行，并且装置也可以实现为专用逻辑电路。
适合用于执行计算机程序的处理器包括，例如通用和/或专用微处理器，或任何其他类型的中央处理单元。通常，中央处理单元将从只读存储器和/或随机存取存储器接收指令和数据。计算机的基本组件包括用于实施或执行指令的中央处理单元以及用于存储指令和数据的一个或多个存储器设备。通常，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如磁盘、磁光盘或光盘等，或者计算机将可操作地与此大容量存储设备耦接以从其接收数据或向其传送数据，抑或两种情况兼而有之。然而，计算机不是必须具有这样的设备。此外，计算机可以嵌入在另一设备中，例如移动电话、个人数字助理(PDA)、移动音频或视频播放器、游戏操纵台、全球定位系统(GPS)接收机、或例如通用串行总线(USB)闪存驱动器的便携式存储设备，仅举几例。
虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
以上具体实施方式是对本发明的详细说明，不能认定本发明的具体实施方式只局限于这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演和替代，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述方法包括：
以栅格构建无人机集群覆盖区域的结构化离散网格模型；
基于非均匀可调节策略调整结构化离散网格模型；
在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
基于所述最优生成树构建覆盖航路。
2.根据权利要求1所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述以栅格构建无人机集群覆盖区域的结构化离散网格模型，包括：
初始化无人机集群覆盖区域为一个多边形，将无人机集群覆盖区域内的障碍区域建模为多边形或圆，其中，将所述无人机集群覆盖区域对应的多边形划分成均匀的栅格；
采用沿区域最小外接矩形长和宽的方向进行栅格离散的方式，对障碍区域经过的栅格进行均匀离散，得到待搜索网格；
将障碍区域对应的单元栅格及其几何中心点从待搜索网格及其几何中心点集合中剔除。
3.根据权利要求2所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述基于非均匀可调节策略调整结构化离散网格模型，包括：
对于几何中心在障碍区域内部，而仅有部分位于障碍区域内的单元栅格进行非均匀调节，其中，在障碍区域外围生成多个等距分布的包络点对所述单元栅格再次进行划分，得到完全不位于障碍包络区域的小栅格。
4.根据权利要求1所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，根据调整后的结构化离散网格模型构建协同区域覆盖模型，包括：
假设无人集群中所有无人机的运动参数均相同，且横向探测距离大于转弯半径，区域覆盖模型构建如下：
Figure FDA0003898255950000021
Figure FDA0003898255950000022
其中，f为各优化项的加权和，ω1、ω2、ω3分别为各优化项的权重系数，Ji表示无人机i完成对分配到的子区域覆盖任务所需的航程，Jj表示无人机j完成对分配到的子区域覆盖任务所需的航程，Nu为无人集群内无人机数量，Pi表示无人机i需要转弯的次数，Si为每个无人机所需覆盖的区域。
5.根据权利要求1所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述根据所述协同区域覆盖模型构建生成树，包括：
初始时刻在区域内部的单元栅格内随机生成Ng组根节点，每组包含Nu个根节点，可与无人机覆盖搜索的初始位置一一对应，且任意两个根节点均不发生位置冲突；
基于无人机执行覆盖搜索任务的初始位置，即生成树根初始位置，采用深度优先搜索方法构建生成树；
将各无人机初始位置放入当前解集中，通过计算不同无人机i(i＝1,2,…,Nu)从当前所在的节点j移动到节点k的概率(j,k＝1,2,…,Ns,j≠k)，转移概率
Figure FDA0003898255950000031
计算如下：
Figure FDA0003898255950000032
其中，
Figure FDA0003898255950000033
为与节点j连通的节点集合
Figure FDA0003898255950000034
Figure FDA0003898255950000035
为当前生成树总节点数
Figure FDA0003898255950000036
与平均节点数的差值
Figure FDA0003898255950000037
即
Figure FDA0003898255950000038
Figure FDA0003898255950000039
为无人机i转移到节点k后覆盖航路的转弯次数，
Figure FDA00038982559500000310
转移前无人机i覆盖航路的转弯次数值，且必有
Figure FDA00038982559500000311
Figure FDA00038982559500000312
为覆盖均衡评估函数，表示无人机i从节点j转移到节点k后对整体覆盖均衡性的影响，
Figure FDA00038982559500000313
α和β为调节系数，α＞0；
Figure FDA00038982559500000314
为航路效率评估函数：
Figure FDA00038982559500000315
6.根据权利要求5所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述对生成树进行优化，得到最优生成树，包括：
计算各无人机选择相应待选节点的个体转移概率和邻居平均目标函数值，调整节点选择结果，获得无冲突的节点选择最优均衡解。
7.根据权利要求6所述的一种基于改进生成树的无人机集群复杂区域均衡覆盖方法，其特征在于，所述基于所述最优生成树构建覆盖航路，包括：
根据获得的最优生成树，从根节点及其后序节点的反向延长线上、距离根节点为
Figure FDA0003898255950000041
的位置出发，按逆时针方向沿最优生成树进行覆盖，并在次末节点与末节点的延长线方向上、距离末节点为
Figure FDA0003898255950000042
的位置开始沿最优生成树的反向进行覆盖，直至回到起点，其中，W表示无人机的横向探测距离。
8.一种基于改进生成树的无人机集群复杂区域均衡覆盖系统，其特征在于，所述系统包括：
离散网格模型构建模块，用于以栅格构建无人机集群覆盖区域的结构化离散网格模型；
离散网格模型非均匀调节模块，用于基于非均匀可调节策略调整结构化离散网格模型；
协同区域覆盖模型构建模块，用于在满足多种约束前提下，根据调整后的结构化离散网格模型构建协同区域覆盖模型；
最优生成树构建模块，用于根据所述协同区域覆盖模型构建生成树，并对生成树进行优化，得到最优生成树；
航路构建模块，用于基于所述最优生成树构建覆盖航路。
9.一种存储介质，其上存储有计算机指令，其特征在于，所述计算机指令运行时执行权利要求1-7中任意一项所述均衡覆盖方法。
10.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1-7中任意一项所述均衡覆盖方法。
CN202211279916.6A 2022-10-19 2022-10-19 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 Pending CN115730425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211279916.6A CN115730425A (zh) 2022-10-19 2022-10-19 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211279916.6A CN115730425A (zh) 2022-10-19 2022-10-19 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端

Publications (1)

Publication Number Publication Date
CN115730425A true CN115730425A (zh) 2023-03-03

Family

ID=85293684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211279916.6A Pending CN115730425A (zh) 2022-10-19 2022-10-19 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN115730425A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774733A (zh) * 2023-08-21 2023-09-19 南京航空航天大学 一种多无人机覆盖路径规划方法
CN117472083A (zh) * 2023-12-27 2024-01-30 南京邮电大学 一种多无人机协同海上搜索路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116774733A (zh) * 2023-08-21 2023-09-19 南京航空航天大学 一种多无人机覆盖路径规划方法
CN116774733B (zh) * 2023-08-21 2023-10-31 南京航空航天大学 一种多无人机覆盖路径规划方法
CN117472083A (zh) * 2023-12-27 2024-01-30 南京邮电大学 一种多无人机协同海上搜索路径规划方法
CN117472083B (zh) * 2023-12-27 2024-02-23 南京邮电大学 一种多无人机协同海上搜索路径规划方法

Similar Documents

Publication Publication Date Title
Aggarwal et al. Path planning techniques for unmanned aerial vehicles: A review, solutions, and challenges
Zhu et al. Multi-UAV reconnaissance task allocation for heterogeneous targets using an opposition-based genetic algorithm with double-chromosome encoding
CN115730425A (zh) 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端
CN109357685B (zh) 航路网生成方法、装置及存储介质
CN112925350B (zh) 一种多无人机分布式协同目标搜索方法
Han et al. Grid-optimized UAV indoor path planning algorithms in a complex environment
CN109828607A (zh) 一种面向不规则障碍物的无人机路径规划方法及系统
US20090210109A1 (en) Computing Flight Plans for UAVs While Routing Around Obstacles Having Spatial and Temporal Dimensions
CN111402616B (zh) 智能停车控制方法、系统、存储介质、终端
Zhang et al. 3D path planning and real-time collision resolution of multirotor drone operations in complex urban low-altitude airspace
Wu et al. Multi-constrained cooperative path planning of multiple drones for persistent surveillance in urban environments
US12033522B2 (en) Controlling aerial vehicles to travel along air corridors based on trained air corridor models
CN109506654A (zh) 低空航路规划方法及装置、飞行器
Ahmad et al. Efficient Energy Flight Path Planning Algorithm Using 3‐D Visibility Roadmap for Small Unmanned Aerial Vehicle
Ma et al. Adaptive path planning method for UAVs in complex environments
Wang et al. Trajectory planning for UAV navigation in dynamic environments with matrix alignment Dijkstra
Zheng et al. An intelligent target detection method of UAV swarms based on improved KM algorithm
KR20200123378A (ko) 검출 및 회피에서 지형을 처리하기 위한 시스템 및 방법
CN115200585A (zh) 基于空域网格的无人机航迹规划方法、装置及电子设备
Feng et al. UAV-based persistent full area coverage with dynamic priorities
Wu et al. A non-rigid hierarchical discrete grid structure and its application to UAVs conflict detection and path planning
CN117367433A (zh) 低空无人机路径规划方法、装置、无人机及可读存储介质
Qiu et al. Improved F‐RRT∗ Algorithm for Flight‐Path Optimization in Hazardous Weather
Wang et al. UAV deployment with grid modeling and adaptive multiple pruning search in complex forest scenarios
CN109979244B (zh) 异质飞行器空域拥堵的预测方法和装置

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