CN115857543A - 一种基于先验信息的多无人机协同搜索方法 - Google Patents
一种基于先验信息的多无人机协同搜索方法 Download PDFInfo
- Publication number
- CN115857543A CN115857543A CN202211474233.6A CN202211474233A CN115857543A CN 115857543 A CN115857543 A CN 115857543A CN 202211474233 A CN202211474233 A CN 202211474233A CN 115857543 A CN115857543 A CN 115857543A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- search
- area
- grid
- 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
Links
Images
Abstract
本发明涉及一种基于先验信息的多无人机协同搜索方法，包括将搜索区域地理点的经纬度坐标映射到笛卡尔坐标空间得到目标搜索区域；将目标搜索区域离散化处理为伪离散网格，并将每个伪离散网格的边离散为间隔均匀的搜索点；根据目标在搜索区域的先验概率信息，将N个搜索起点作为聚类中心采用Kmeans聚类算法生成N个任务区域：拍卖任务区域之间冲突的伪离散网格；以步长为Wk栅格化各无人机的任务区域确定各无人机的最终任务区域，建立无人机最终任务区域的概率地图；建立无人机的搜索函数计算出无人机在最终任务区域的最佳搜索路径；将无人机的最佳搜索路径映射回实际的地理坐标引导无人机在真实场景下对目标进行搜索。
Description
技术领域
本发明涉及无人机技术领域，具体涉及一种基于先验信息的多无人机协同搜索方法。
背景技术
近年来，无人机在军事和民用领域的应用越来越广泛，包括战场监视、空中加油、环境监测、地图建设和智能通信。其中一个典型应用是目标搜索，如边境巡逻，灾后救援，周边监控等。这些任务通常很紧急，且搜索范围广，需要多无人机合作搜索。目标搜索路径规划作为搜索任务的一部分，对提高搜索效率至关重要。在这类任务中，目标的确切位置是未知的，为了保证无遗漏，一般采取覆盖式路径规划方法。
覆盖式搜索认为目标出现的概率相等，会在目标出现概率较低的区域浪费时间。典型的搜索理论通常将搜索区域划分为一组子区域，每个子区域被分配一个目标存在的概率。搜索规划的目的是适当地分配搜索时间和其他资源，以便优先搜索概率更高的子区域。越来越多的研究开始关注目标概率信息，但针对多无人机协同搜索时出现的任务分配不合理和搜索效率低等问题没有提出合理的解决方法。
发明内容
为了解决背景技术中存在的问题，本发明提供一种基于先验信息的多无人机协同搜索方法，包括：
S1：获取搜索区域地理点的经纬度坐标，并将搜索区域地理点的经纬度坐标通过哈弗辛公式映射到笛卡尔坐标空间得到目标搜索区域；
S2：根据无人机飞行时离地面的高度和无人机的机载摄像机的向下视场将目标搜索区域离散化处理为伪离散网格，并将每个伪离散网格的边离散为间隔均匀的搜索点；
S3：根据目标在搜索区域的先验概率信息，确定目标最有可能出现的N个搜索点作为搜索起点，将N个搜索起点作为聚类中心采用Kmeans聚类算法生成N个任务区域：
S4：拍卖任务区域之间冲突的伪离散网格；拍卖完成后，以步长为Wk栅格化各无人机的任务区域得到每个栅格的坐标，确定各无人机的最终任务区域，所述冲突的伪离散网格包括：伪离散网格中的搜索点属于不止一个任务区域的伪离散网格；
S5：根据目标在搜索区域的先验概率信息建立无人机最终任务区域的概率地图；
S6：根据搜索无人机最终任务区域的概率地图和无人机的飞行速度建立无人机的搜索函数，通过搜索函数计算出无人机在最终任务区域的最佳搜索路径；
S7：将无人机的最佳搜索路径映射回实际的地理坐标引导无人机在真实场景下对目标进行搜索。
本发明至少具有以下有益效果
本发明充分考虑当前多架无人机执行搜索任务时出现的任务分配不合理，均匀覆盖搜索效率较低和耗时长等问题，采用一种融合的搜索路径规划方法，实现快速搜索。首先，根据目标失踪前通报的位置信息等，推断出目标出现概率较高的若干个位置；其次，采用聚类方法初化分任务区域，拍卖划分边界的冲突单元，重新分配任务区域；最后，每架无人机综合考虑目标出现概率，通过启发式贪婪搜索算法进行子区域内的路径规划，提高多无人机协同搜索效率。
附图说明
图1为本发明的方法流程图；
图2为本发明的方法示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1和图2，本发明提供一种基于先验信息的多无人机协同搜索方法，包括：首先，进行区域选择，确定待搜索区域边界点，连接边界点生成待搜索的不规则多边形区域。其次，将搜索区域离散化处理，划分为伪离散网格。再次，经Kmeans聚类得到每个无人机的初始任务分区。然后，对冲突网格进行拍卖，重新分配任务区域。接着栅格化各无人机任务区域，根据搜索目标的先验信息建立概率地图。设计两种飞行模式，以搜索时间和搜索目标的概率信息为代价，创建各无人机的最佳搜索路径点列表，实现快速搜索。最后，还原路径点为实际地理坐标，引导无人机在真实场景下飞行。
优选地，一种基于先验信息的多无人机协同搜索方法，包括：
S1：获取搜索区域的经纬度坐标，将搜索区域的经纬度坐标映射到笛卡尔坐标空间得到目标搜索区域；
随机选取搜索区域的地理点作为原点，根据原点的经纬度坐标将搜索区域地理点的经纬度坐标映射到笛卡尔坐标空间；
其中，φ1表示原点的纬度，λ1表示原点的经度，R为地球半径，d表示其余地理点到原点的距离，φ2表示其余地理点的纬度，λ2表示其余地理点的经度，x，y表示其余地理点在笛卡尔坐标系中的坐标，(Δφ＝φ1-φ2，Δλ＝λ1-λ2)。
S2：根据无人机飞行时离地面的高度和无人机的机载摄像机的向下视场将目标搜索区域离散化处理为伪离散网格，并将每个伪离散网格的边离散为间隔均匀的搜索点；
其中，h为无人机飞行时离地面的高度，F为无人机机载摄像机的向下视场，Wk表示伪离散网格的边长。
S3：根据目标在搜索区域的先验概率信息，确定目标最有可能出现的N个搜索点作为目标搜索点，将N个目标搜索点作为聚类中心采用Kmeans聚类算法生成N个任务区域；所述目标的先验概率信息为目标历史出现的位置；
采用Kmeans聚类算法生成N个任务区域。类似于通过Voronoi划分区域，得到初化分后的任务区域。
S4：拍卖任务区域之间冲突的伪离散网格；拍卖完成后，以步长为Wk栅格化各无人机的任务区域得到每个栅格的坐标，确定各无人机的最终任务区域，所述冲突的伪离散网格包括：伪离散网格中的搜索点属于不止一个任务区域的伪离散网格；
S41：为无人机添加状态偏差因子B，缩放无人机到其任务区域中搜索起点的距离得到无人机的距离偏差因子：
dB(r)＝d0(r)×B
其中，d0(r)为无人机到其任务区域中搜索起点的距离，B表示状态偏差因子，dB(r)表示无人机r加入距离偏差因子的距离。B为启发式偏差因子，决定了d0(r)对工作负载再分配的影响程度，即增加B减少了分配给初始飞行距离较大的无人机的搜索任务，在本发明中B为0.5。
S42：根据无人机的距离偏差因子计算无人机到其任务区域中搜索起点的距离dB(r)，然后对冲突网格所属的每一个任务区域当前的任务数与dB(r)求和，将此冲突网格划分到此和最小的任务区域，完成拍卖。比如，此冲突网格属于第二和第三两个任务区域，分别计算无人机到第二三任务区域中搜索起点的距离dB(r)和第二三任务区域当前任务数，将两个区域的dB(r)和当前任务数相加进行比较，选择所得和最小的区域作为此冲突单元最终所属任务区域；所述任务数就是除开冲突网格每个无人机当前所执行任务的区域网格数量；
S43：拍卖完成后，以步长为Wk栅格化各无人机的任务区域，行号和列号确定每个栅格的坐标，代表最小搜索单元，确定各无人机最终执行搜索任务的区域。
S431：确定各无人机搜索区域内最小坐标点(xmin，ymin)和最大坐标点(xmax，ymax)；
S432：将不规则的任务区域转化成w×h的矩阵网格，其中，w＝xmax—xmin，h＝ymax—ymin，每个网格的边长为Wk。
S5：根据目标在搜索区域的先验概率信息建立无人机最终任务区域的概率地图；
S51：将搜索起点所在的栅格作为峰值栅格给每个峰值栅格一个分数PSG(i，j)；
S52：在无人机最终任务区域从峰值网格向外层网格逐层降低分数，直到无人机最终任务区域每个栅格获得分数，其中，不属于该无人机最终任务区域的栅格分数设置为0。比如，给峰值网格一个分数5，峰值网格的外层网格分数逐层降低到70％～90％，直到所有网格有分数值；
S53：根据无人机最终任务区域每个栅格获得的分数计算无人机最终任务区域每个栅格找到目标的概率P(i，j)创建最终任务区域的概率地图；
P(i，j)＝PSG(i，j)/S
其中，P(i，j)表示第i列第j个栅格找到目标的概率，PSG(i，j)表示峰值栅格的分数，S表示所有网格的分数之和。
S6：根据无人机最终任务区域的概率地图和无人机的飞行速度建立无人机的搜索函数，通过搜索函数计算出无人机在最终任务区域的最佳搜索路径；
S61：根据无人机的飞行速度计算无人机在两个栅格之间移动的时间：
其中，(xi，yi)为无人机当前所在栅格的坐标，(xi-1，yi-1)为无人机下一个所到栅格的坐标，
为两坐标点的距离，Vm为无人机的移动速度，/>
为无人机从一个栅格移动到下一个栅格所用的时间。
S62：根据无人机在两个栅格之间移动的时间和无人机最终任务区域的概率地图建立搜索函数计算每个栅格的得分；
其中，P(i，j)代表每个栅格找到目标的概率，
代表两点间的距离，Vm为无人机的移动速度，Ts为无人机搜索一个栅格所需要的时间。
S63：以无人机的搜索起点作为初始点，计算其他所有未搜索栅格的得分，选择得分最大的栅格作为下一个待搜索的网格，直到找到目标停止搜索，生成无人机的搜索路径；
S7：将无人机的最佳搜索路径映射回实际的地理坐标引导无人机在真实场景下对目标进行搜索；
将搜索点坐标还原为地理坐标
Pg＝PcC-1GT
其中，Pg为地理平面的点，Pc为笛卡尔系的点，C为笛卡尔变换矩阵，G为边界点经纬度矩阵。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于先验信息的多无人机协同搜索方法，其特征在于，包括：
S1：获取搜索区域地理点的经纬度坐标，并将搜索区域地理点的经纬度坐标通过哈弗辛公式映射到笛卡尔坐标空间得到目标搜索区域；
S2：根据无人机飞行时离地面的高度和无人机的机载摄像机的向下视场将目标搜索区域离散化处理为伪离散网格，并将每个伪离散网格的边离散为间隔均匀的搜索点；
S3：根据目标在搜索区域的先验概率信息，确定目标最有可能出现的N个搜索点作为搜索起点，将N个搜索起点作为聚类中心采用Kmeans聚类算法生成N个任务区域；
S4：拍卖任务区域之间冲突的伪离散网格；拍卖完成后，以步长为Wk栅格化各无人机的任务区域得到每个栅格的坐标，确定各无人机的最终任务区域，所述冲突的伪离散网格包括：伪离散网格中的搜索点属于不止一个任务区域的伪离散网格；
S5：根据目标在搜索区域的先验概率信息建立无人机最终任务区域的概率地图；
S6：根据无人机最终任务区域的概率地图和无人机的飞行速度建立无人机的搜索函数，通过搜索函数计算出无人机在最终任务区域的最佳搜索路径；
S7：将无人机的最佳搜索路径映射回实际的地理坐标引导无人机在真实场景下对目标进行搜索。
2.根据权利要求1所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述将搜索区域地理点的经纬度坐标通过哈弗辛公式映射到笛卡尔坐标空间包括：
随机选取搜索区域的地理点作为原点，根据原点的经纬度坐标将搜索区域地理点的经纬度坐标映射到笛卡尔坐标空间；
其中，φ1表示原点的纬度，λ1表示原点的经度，R为地球半径，d表示其余地理点到原点的距离，φ2表示其余地理点的纬度，λ2表示其余地理点的经度，x，y表示其余地理点在笛卡尔坐标系中的坐标，Δφ＝φ1-φ2，Δλ＝λ1-λ2。
3.根据权利要求1所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述伪离散网格包括：
其中，h为无人机飞行时离地面的高度，F表示无人机机载摄像机的向下视场，Wk表示伪离散网格的宽度。
4.根据权利要求1所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述步骤S4具体包括：
S41：对无人机添加状态偏差因子B，缩放无人机到其任务区域中搜索起点的距离得到无人机的距离偏差因子；
S42：根据无人机的距离偏差因子计算冲突网格所属的每一个任务区域当前的任务数与无人机到其任务区域中搜索起点的距离之和，将此冲突网格划分到此和最小的任务区域，完成拍卖；
S43：拍卖完成后，以步长为Wk栅格化各无人机的任务区域，行号和列号确定每个栅格的坐标，代表最小搜索单元，确定各无人机最终执行搜索任务的区域。
5.根据权利要求1所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述根据目标在搜索区域的先验概率信息建立无人机最终任务区域的概率地图包括；
S51：将搜索起点所在的网格作为峰值网格给每个峰值网格一个分数PSG(i,j)；
S52：在无人机最终任务区域从峰值网格向外层网格逐层降低分数，直到无人机最终任务区域每个栅格获得分数，其中，不属于该无人机最终任务区域的栅格分数设置为0；
S53：根据无人机最终任务区域每个栅格获得的分数计算无人机最终任务区域每个栅格找到目标的概率P(i,j)创建最终任务区域的概率地图。
6.根据权利要求5所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述无人机最终任务区域每个栅格找到目标的概率包括：
P(i,j)＝PSG(i,j)/S
其中，PSG(i,j)表示峰值网格的分数，S为各区域网格分数之和，P(i,j)即代表每个栅格找到目标的概率。
7.根据权利要求1所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述无人机在最终任务区域的最佳搜索路径的计算步骤包括：
S61：根据无人机的飞行速度计算无人机在两个栅格之间移动的时间：
S62：根据无人机在两个栅格之间移动的时间和无人机最终任务区域的概率地图建立搜索函数计算每个栅格的得分；
S63：以无人机的搜索起点作为初始点，计算其他所有未搜索栅格的得分，选择得分最大的栅格作为下一个待搜索的网格，直到找到目标停止搜索，生成无人机的搜索路径。
8.根据权利要求7所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述无人机在两个栅格之间移动的时间包括：
其中，(xi,yi)为无人机当前所在栅格的坐标，(xi-1,yi-1)为无人机下一个所到栅格的坐标，
为两坐标点的距离，Vm为无人机的移动速度，/>
为无人机从一个栅格移动到下一个栅格所用的时间。
9.根据权利要求7所述的一种基于先验信息的多无人机协同搜索方法，其特征在于，所述每个栅格的得分包括：
其中，P(i,j)代表每个栅格找到目标的概率，
代表两点间的距离，Vm为无人机的移动速度，Ts为无人机搜索一个栅格所需要的时间。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211474233.6A CN115857543A (zh) | 2022-11-23 | 2022-11-23 | 一种基于先验信息的多无人机协同搜索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211474233.6A CN115857543A (zh) | 2022-11-23 | 2022-11-23 | 一种基于先验信息的多无人机协同搜索方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115857543A true CN115857543A (zh) | 2023-03-28 |
Family
ID=85665315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211474233.6A Pending CN115857543A (zh) | 2022-11-23 | 2022-11-23 | 一种基于先验信息的多无人机协同搜索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857543A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
-
2022
- 2022-11-23 CN CN202211474233.6A patent/CN115857543A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
| CN116991179B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110308740B (zh) | 一种面向移动目标追踪的无人机群动态任务分配方法 | |
| Fu et al. | Swarm UAVs task and resource dynamic assignment algorithm based on task sequence mechanism | |
| US8260485B1 (en) | Adaptive multi-vehicle area coverage optimization system and method | |
| CN112925350B (zh) | 一种多无人机分布式协同目标搜索方法 | |
| CN107924188A (zh) | 一种无人机的飞行路径规划、控制方法及系统 | |
| CN112130587A (zh) | 一种针对机动目标的多无人机协同跟踪方法 | |
| CN112414405A (zh) | 一种顾及dsm的应急任务的无人机集群航迹规划方法 | |
| CN115857543A (zh) | 一种基于先验信息的多无人机协同搜索方法 | |
| CN112001309A (zh) | 基于无人机集群的目标搜索方法、装置、设备及存储介质 | |
| CN115454148B (zh) | 固定翼集群无人机区域覆盖路径规划方法、介质及装置 | |
| CN107748502B (zh) | 基于离散事件的作战仿真中实体的被动空间感知交互方法 | |
| CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
| 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 | |
| CN112000128A (zh) | 一种用于抢险救灾的无人机集群任务协同方法及系统 | |
| CN107703970B (zh) | 无人机集群环绕追踪方法 | |
| CN116679751A (zh) | 考虑飞行约束的多飞行器协同搜索方法 | |
| CN110793522B (zh) | 一种基于蚁群算法的航迹规划方法 | |
| CN115840463A (zh) | 一种用于无人机集群协同侦察的数据处理方法及装置 | |
| 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 | |
| CN111024081B (zh) | 一种无人机群对单移动时敏目标侦察路径规划方法 | |
| CN116382322A (zh) | 一种基于蜂群无人机协同区域搜寻装置和方法 | |
| CN117250859B (zh) | 通信约束下的多飞行器协同搜索算法 | |
| CN115571146B (zh) | 一种基于空地协同的矿区车辆行驶主动感知方法和装置 | |
| CN117170238B (zh) | 基于协作分布式mpc的异构无人机集群搜索算法 | |
| CN113671996B (zh) | 一种基于信息素的异构无人机侦察方法及系统 |
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 |