CN116046010A - 一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 - Google Patents
一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 Download PDFInfo
- Publication number
- CN116046010A CN116046010A CN202310072162.5A CN202310072162A CN116046010A CN 116046010 A CN116046010 A CN 116046010A CN 202310072162 A CN202310072162 A CN 202310072162A CN 116046010 A CN116046010 A CN 116046010A
- Authority
- CN
- China
- Prior art keywords
- point
- aerial vehicle
- unmanned aerial
- obstacle
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- 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
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人机路径规划技术领域,具体涉及一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,包括:构建三维无人机环境模型,获取无人机的起始点和目标点;根据无人机的起始点、目标点和障碍物信息利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径;利用冗余节点删除算法删除无人机目标路径中的冗余节点得到无人机的最终路径;本发明通过关键障碍物周围点集法能够保证无人机路径的安全性,通过A*算法能够快速的计算出无人机的最优路径,利用冗余节点删除算法能够删除无人机目标路径中的冗余节点,减少无人机的飞行时间,进而降低无人机的能量消耗。
Description
技术领域
本发明属于无人机路径规划技术领域,具体涉及一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法。
背景技术
作为科技创新的重要产业,无人机技术正处于井喷式发展的时期,由于技术日臻成熟,无人机的应用领域不断扩大,如军事侦查、农林生产、物流运输等。无人机的任务环境从最开始的空旷隔离空域,扩展到充满不规则障碍的复杂空域,面对各种各样的复杂环境,无人机的路径规划技术格外重要,好的飞行路径直接关系到无人机的运行效率、自身安全和对地面的安全影响。
现有的对无人机进行路径规划大都基于A*算法和障碍物周围点集法,传统的A*算法是一种静态路网中求解最短路径最有效的直接搜索方法,广泛地应用于各种类型搜索问题中,传统A*算法在二维空间中较为成熟,但在三维空间中由于维度的增加,容易出现运算速度慢,冗余节点过多等问题;有学者针对上述问题,提出动态加权以改变搜索邻域的方法对传统A*算法进行改进,从而减少了搜索节点,提高了搜索速度,同时多次使用高阶贝塞尔曲线对改进后的A*算法规划出来的路线进行平滑处理减少了转折点,但该方法在改变搜索邻域时舍弃了3个方向上的搜索,在复杂情况下会陷入局部最优,无法找到路径。障碍物周围点集法用来减少三维空间中不必要的搜索,该方法的灵感通过观察得来,得到的最短路径往往是对障碍物进行绕行,所以该方法只会去关注障碍物周围的点,而不去关注整个三维空间,以此对寻路空间进行缩减,但是生成的路径距离障碍物太近,无法保障无人机的安全,不适合无人机飞行。
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关键障碍物周围点集法和A*算法的无人机路径规划方法,通过设置安全距离改进关键障碍物周围点集法使最终获得的无人机路径中的可行点与障碍物保持安全距离,进而提高路径的安全性,保障无人机的安全;通过自适应加权策略改进+A*算法的估价函数,使算法能够更快完成路径的规划;通过冗余节点删除算法,优化路径中的冗余节点减少无人机的飞行时间,进而降低无人机的能量消耗,包括:
S1:构建三维无人机环境模型,获取无人机的起始点和目标点;
S2:根据无人机的起始点、目标点和障碍物信息利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径;
S3:利用冗余节点删除算法删除无人机目标路径中的冗余节点得到无人机的最终路径。
进一步地,所述建立三维无人机环境模型包括:
S11:在三维地图中挑选合适的顶点作为坐标原点A,对该坐标原点A建立三维直角坐标系A-XYZ,确定栅格地图的最大长度AB,最大宽度AD,最大高度AE,构造容纳三维地图的立方体ABCD-EFGH;
S12:对立方体ABCD-EFGH沿AB进行m等分,过等分点作平行于ABEF面的平面,得m个平面yi(i=1,2,…,m);
S13:对任一平面yi,沿AD进行n等分,沿AE进行h等分,此时yi便离散成n×h个平面栅格,即立方体ABCD-EFGH被离散成m×n×h个立体栅格,则无人机待扩展路径点表示为p(i,j,k),i=1,2,…,m,j=1,2,…,n,k=1,2,…,h。
进一步地,所述利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径包括:
S21:将障碍物所在的栅格确定为障碍物栅格,将与任意障碍物栅格距离小于预设安全距离的栅格确定为危险栅格,其余栅格确定为自由栅格,每个自由栅格的中点为无人机可扩展的可行点;
S22:将无人机的起始点S和目标点T相连构成线段ST并根据障碍物信息确定关键障碍物CO和非关键障碍物NCO:
S23:遍历关键障碍物CO确定si和ci,并利用关键障碍物周围点集法计算无人机的可行点集合V,其中,ci表示ST经过第i个关键障碍物oi时线段ST经过的所有栅格中距离起始点S最近的一个危险栅格;si表示线段ST经过第i个关键障碍物oi时,线段ST经过的所有栅格中距离ci最近的一个自由栅格;
S24:以起始点S为起始搜索扩展点,并选取某个扩展点为当前扩展点,计算起始点S到当前扩展点之间的距离和当前扩展点到目标点T之间的距离;
S25:根据起始点S到当前扩展点之间的距离、当前扩展点到目标点T之间的距离、当前扩展点的邻居栅格和障碍物信息构建A*算法的估价函数;
S26:根据A*算法的估价函数和无人机的可行点集合V利用A*算法计算得到无人机的目标路径。
进一步地,所述关键障碍物CO和非关键障碍物NCO包括:
进一步地,无人机的可行点集合V的计算步骤包括:
S231:将si放入tempset集合;
S234:判断tempset集合是否为空集,当tempset不为空集时,循环执行步骤S232~S234;当tempset为空集时,输出最终无人机的可行点集合V;
进一步地,所述A*算法的估价函数包括:
f(pn)=(2-p)g(pn)+ph(pn)
其中,dis(pn,S)为当前扩展点pn到起始点S之间的距离;dis(pn,T)表示当前扩展点pn到目标点T之间的距离;nb(pn)表示当前扩展点pn的邻居栅格集合,O表示障碍物栅格集合;g(pn)表示起始点S到当前扩展点pn的实际距离;h(pn)表示当前扩展点pn和目标点T的之间的欧氏距离;f(pn)为改进后的代价函数。
进一步地,无人机的目标路径的计算步骤具体包括:
S261:初始化A*算法的OpenList列表和CloseList列表;
S262:将起始点S放入openlist列表利用A*算法的估价函数计算openlist列表中估价函数值最小的点作为当前点,并将当前点输入到closelist列表;
S263:若当前点为目标点,则规划结束,将closelist列表的节点依次组成无人机的目标路径;
S264:判断openlist列表中是否存在当前点的相邻节点,若存在,则将openlist列表中g(n)值最低的当前点的相邻节点作为新的当前点并根据A*算法的估价函数计算新的当前节点的估价函数值;其中,g(n)表示起始点到当前点的实际距离;
若不存在,遍历当前点的所有相邻节点,并将在无人机的可行点集合V中当前点的相邻节点移入openlist列表;
S265:重复执行步骤S261-S265。
进一步地,所述利用冗余节点删除算法删除无人机目标路径中的冗余节点包括:
S31:将无人机目标路径中的起点作为节点Pcur,终点作为节点Pnext;
S32:判断Pcur和Pnext的连线是否经过障碍物栅格或危险栅格;若经过,则将终点的前一节点作为新的Pnext;其中,所述危险栅格包括:与任意障碍物栅格的距离小于预设安全距离的栅格;
若不经过,则删除节点Pcur和节点Pnext之间的中间节点;
S33:判断节点Pnext是否等于节点Pcur,若等于,则输出无人机的最终路径;若不等于,则重复S31~S33。
本发明至少具有以下有益效果
本发明通过创建三维无人机环境模型时考虑无人机的安全距离从而通过设定阈值的方式定义三维无人机环境模型中的危险栅格对关键障碍物周围点集法进行改进使生成的路径更加的安全可靠,通过改进后的关键障碍物周围点集法生成无人机的可行点集合V、起始点到当前扩展点之间的距离、当前扩展点到目标点之间的距离涉及自适应权重更新的A*算法的估价函数,使得无人机目标路径节点的选取更加合理,遍历节点的数量更少,进一步提升运算速度;通过冗余节点删除算法删除无人机目标路径中的冗余节点,可以删除大量冗余路径节点,减少路径的折点数,减少无人机的飞行时间,进而降低无人机的能量消耗,提高无人机的搜索效率。
说明书附图
图1为本发明的方法流程图;
图2为本发明三维无人机环境模型的示意图;
图3为本发明和传统无人机路径规划算法的仿真对比图;
图4为本发明和传统无人机路径规划算法的仿真对比图。
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。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,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的具体含义。
请参阅图1,本发明提供一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,包括:
S1:构建三维无人机环境模型,获取无人机的起始点和目标点;
请参阅图2,所述建立三维无人机环境模型包括:
S11:在三维地图中挑选合适的顶点作为坐标原点A,对该坐标原点A建立三维直角坐标系A-XYZ,确定栅格地图的最大长度AB,最大宽度AD,最大高度AE,构造容纳三维地图的立方体ABCD-EFGH;
S12:对立方体ABCD-EFGH沿AB进行m等分,过等分点作平行于ABEF面的平面,得m个平面yi(i=1,2,…,m);
S13:对任一平面yi,沿AD进行n等分,沿AE进行h等分,此时yi便离散成n×h个平面栅格,即立方体ABCD-EFGH被离散成m×n×h个立体栅格,则无人机待扩展路径点表示为p(i,j,k),i=1,2,…,m,j=1,2,…,n,k=1,2,…,h。
优选地,所述三维无人机环境模型包括:将三维空间分割为成m×n×h个个边长为w的立体栅格形成三维无人机环境模型;
S2:根据无人机的起始点、目标点和障碍物信息利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径;
优选地,所述利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径包括:
S21:将障碍物所在的栅格确定为障碍物栅格,将与任意障碍物栅格距离小于预设安全距离的栅格确定为危险栅格,其余栅格确定为自由栅格,每个自由栅格的中点为无人机可扩展的可行点;
在输出关键障碍物周围的点集后,就意味着后续路径规划时不需要考虑整个地图,故可以降低因为升维带来的复杂性,提高路径规划的运行速度,但是关键障碍物周围点集法过滤的地图中的栅格点距离障碍物太近,会影响到无人机飞行过程中的安全,所以对该方法进行改进。在关键障碍物周围点集法中,栅格只有两种状态,安全栅格和障碍物栅格,本文添加危险栅格,设置安全距离ε,将距离障碍物小于ε的栅格点标记为危险栅格。为了保证算法运行时有解,规定起点和终点均不为危险栅格。
所述障碍物所在的栅格包括:整个栅格空间有障碍物填充的栅格为障碍物栅格;
优选地,所述危险栅格包括:
DO={p|dis(p,o)≤ε,p∈Nf}
其中,DO表示危险栅格集合,dis(p,o)表示栅格p和障碍物栅格o之间的欧式距离,ε表示预设的安全距离,Nf表示可行栅格集合即三维无人机环境模型中除障碍物栅格外的其余栅格,o表示障碍物栅格。
S22:将无人机的起始点S和目标点T相连构成线段ST并根据障碍物信息确定关键障碍物CO和非关键障碍物NCO:
优选地,所述关键障碍物CO和非关键障碍物NCO包括:
S23:遍历关键障碍物CO确定si和ci,并利用关键障碍物周围点集法计算无人机的可行点集合V,其中,ci表示ST经过第i个关键障碍物oi时线段ST经过的所有栅格中距离起始点S最近的一个危险栅格;si表示线段ST经过第i个关键障碍物oi时,线段ST经过的所有栅格中距离ci最近的一个自由栅格。
优选地,所述si和ci包括:
优选地,无人机的可行点集合V的计算步骤包括:
S231:将si放入tempset集合;
其中,w为栅格的边长;
S234:判断tempset集合是否为空集,当tempset不为空集时,循环执行步骤S232~S234;当tempset为空集时,输出最终无人机的可行点集合V;
S24:以起始点S为起始搜索扩展点,并选取某个扩展点为当前扩展点,计算起始点S到当前扩展点之间的距离和当前扩展点到目标点T之间的距离;
S25:根据起始点S到当前扩展点之间的距离、当前扩展点到目标点T之间的距离、当前扩展点的邻居栅格和障碍物信息构建A*算法的估价函数;
优选地,所述A*算法的估价函数包括:
f(pn)=(2-p)g(pn)+ph(pn)
p=(1-β)α+1
其中,dis(pn,S)为当前扩展点pn到起始点S之间的距离;dis(pn,T)表示当前扩展点pn到目标点T之间的距离;nb(pn)表示当前扩展点pn的邻居栅格集合,O表示障碍物栅格集合;g(pn)表示起始点S到当前扩展点pn的实际距离;h(pn)表示当前扩展点pn和目标点T的之间的欧氏距离;f(pn)为改进后的代价函数;
由上式可知,当g(pn)权重较大时,算法偏向于广度优先,遍历节点的数量会增加,进而影响求解时间;当h(pn)权重较大时,算法遍历节点的数量会减少,但可能在搜索过程中陷入局部最优解,因此,需要对启发函数进行自适应加权处理,自适应加权函数的主要思想为,当pn周围不可行点较少时,更偏向选择离终点近的节点,减少运算时间,当pn周围不可行点较多时,更偏向去搜索周围节点,防止陷入局部最优;当pn距离起点近时,意为着处于算法初期,需要尽快的到达终点,当pn距离终点近时,意味着处于算法后期,偏向于解的质量。通过自适应加权函数策略,减少算法遍历节点的数量,从而提高搜索效率减少运算时间。
S26:根据A*算法的估价函数和无人机的可行点集合V利用A*算法计算得到无人机的目标路径。
优选地,无人机的目标路径的计算步骤具体包括:
S261:初始化A*算法的OpenList列表和CloseList列表;
S262:将起始点S放入openlist列表利用A*算法的估价函数计算openlist列表中估价函数值最小的点作为当前点,并将当前点输入到closelist列表;
S263:若当前点为目标点,则规划结束,将closelist列表的节点依次组成无人机的目标路径;
S264:判断openlist列表中是否存在当前点的相邻节点,若存在,则将openlist列表中g(n)值最低的当前点的相邻节点作为新的当前点并根据A*算法的估价函数计算新的当前节点的估价函数值;其中,g(n)表示起始点到当前点的实际距离;
若不存在,遍历当前点的所有相邻节点,并将在无人机的可行点集合V中当前点的相邻节点移入openlist列表;
S265:重复执行步骤S261-S265。
S3:利用冗余节点删除算法删除无人机目标路径中的冗余节点得到无人机的最终路径。
优选地,所述利用冗余节点删除算法删除无人机目标路径中的冗余节点包括:
S31:将无人机目标路径中的起点作为节点Pcur,终点作为节点Pnext;
S32:判断Pcur和Pnext的连线是否经过障碍物栅格或危险栅格;若经过,则将终点的前一节点作为新的Pnext;其中,所述危险栅格包括:与任意障碍物栅格的距离小于预设安全距离的栅格;
若不经过,则删除节点Pcur和节点Pnext之间的中间节点;
S33:判断节点Pnext是否等于节点Pcur,若等于,则输出无人机的最终路径;若不等于,则重复S31~S33。
实验数据
为验证本发明提出的方法能够解决无人机在三维环境中路径规划出现的问题,使用模拟软件matlab搭建了三维空间的测试环境,并对比了传统A*算法和关键障碍物周围点集法的路径规划效果。
实验环境
仿真程序在MATLAB R2016b平台下运行,电脑系统环境为Windows10,配置为Intel(R)Core(TM)i7-11800H@2.30GHz CPU,16GBRAM。
设置参数见表1所示:
表1
三维环境搭建
对无人机进行三维路径规划前,需要对三维地图构造出三维空间模型,本发明利用的是栅格法,在三维地图中挑选合适的顶点作为坐标原点,对该坐标原点建立三维直角坐标系A-XYZ,A点为坐标原点,确定栅格地图的最大长度AB,最大宽度AD,最大高度AE,构造出了容纳三维地图的立方体ABCD-EFGH,如图2所示。
对ABCD-EFGH沿AB进行m等分,过等分点作平行于ABEF面的平面,得m-1个平面yi(i=1,2,…,m)。对上述任一平面yi,沿AD进行n等分,沿AE进行h等分。此时yi便离散成n×h个平面栅格,ABCD-EFGH被离散成m×n×h个立体栅格,则无人机待扩展路径点可标记为p(i,j,k),i=1,2,…,m,j=1,2,…,n,k=1,2,…,h。
路径规划的性能指标一般使用遍历节点个数、路径节点个数、运算时间、路径距离、路径危险度、路径折点等表示,其中遍历节点个数为A*算法在规划时遍历的栅格点个数;其中危险栅格和障碍物栅格都被记为不可达节点,但周围栅格节点为危险栅格节点时,代价+1,周围栅格节点为障碍物节点时,代价+2。
为了验证本发明提出的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法的性能,对传统基于A*算法的路径规划方法、基于关键障碍物周围点集法的路径规划算法和本发明提出的基于关键障碍物周围点集法和A*算法的无人机路径规划方法在相同场景中进行仿真验证,栅格地图尺寸为250X250X200,测试结果如表2所示:
表2
在关键障碍物周围点集法中,首先对三维地图进行优化,只考虑障碍物周围的栅格点,然后通过A*算法进行寻路,使得规划后的路径在运算时间、遍历节点个数上优于传统A*算法。
通过统计分析表中性能参数可知,本发明提出的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法比传统A*更为优越,主要表现在以下方面:遍历节点数减少88.32%,运算时间减少95.06%,路径拐点数减少46.67%,路径危险度减少40.88%。以上数据充分证明本文所提出的基于对障碍物绕行的改进A*算法在路径规划时所用时间更短,遍历节点数更少,且路径更加平滑,适合无人机的日常飞行。
请参阅图3和图4,本发明提供了一种三维空间下的测试环境,使用测试环境分别对传统A*算法、关键障碍物周围点集法三种算法进行详细分析,实验结果表明,本发明对比传统A*算法,所提算法大幅度降低了遍历节点个数和运算时间,对比关键障碍物周围点集法,所提算法大幅度降低了路径危险度和折点个数,当pn周围障碍物较少时,更偏向选择离终点近的节点,减少运算时间,当pn周围障碍物较多时,更偏向去搜索周围节点,防止陷入局部最优;当pn距离起点近时,意为着处于算法初期,需要尽快的到达终点,当pn距离终点近时,意味着处于算法后期,偏向于解的质量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,包括:
S1:构建三维无人机环境模型,获取无人机的起始点和目标点;
S2:根据无人机的起始点、目标点和障碍物信息利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径;
S3:利用冗余节点删除算法删除无人机目标路径中的冗余节点得到无人机的最终路径。
2.根据权利要求1所述的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,所述建立三维无人机环境模型包括:
S11:在三维地图中挑选合适的顶点作为坐标原点A,对该坐标原点A建立三维直角坐标系A-XYZ,确定栅格地图的最大长度AB,最大宽度AD,最大高度AE,构造容纳三维地图的立方体ABCD-EFGH;
S12:对立方体ABCD-EFGH沿AB进行m等分,过等分点作平行于ABEF面的平面,得m个平面yi(i=1,2,…,m);
S13:对任一平面yi,沿AD进行m等分,沿AE进行h等分,此时yi便离散成n×h个平面栅格,即立方体ABCD-EFGH被离散成m×n×h个立体栅格,则无人机待扩展路径点表示为p(i,j,k),i=1,2,…,m,j=1,2,…,n,k=1,2,…,h。
3.根据权利要求1所述的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,所述利用基于关键障碍物周围点集法和A*算法计算得到无人机的目标路径包括:
S21:将障碍物所在的栅格确定为障碍物栅格,将与任意障碍物栅格距离小于预设安全距离的栅格确定为危险栅格,其余栅格确定为自由栅格,每个自由栅格的中点为无人机可扩展的可行点;
S22:将无人机的起始点S和目标点T相连构成线段ST并根据障碍物信息确定关键障碍物CO和非关键障碍物NCO:
S23:遍历关键障碍物CO确定si和ci,并利用关键障碍物周围点集法计算无人机的可行点集合V,其中,ci表示ST经过第i个关键障碍物oi时,线段ST经过的所有栅格中距离起始点S最近的一个危险栅格;si表示线段ST经过第i个关键障碍物oi时,线段ST经过的所有栅格中距离ci最近的一个自由栅格;
S24:以起始点S为起始搜索扩展点,并选取某个扩展点为当前扩展点,计算起始点S到当前扩展点之间的距离和当前扩展点到目标点T之间的距离;
S25:根据起始点S到当前扩展点之间的距离、当前扩展点到目标点T之间的距离、当前扩展点的邻居栅格和障碍物信息构建A*算法的估价函数;
S26:根据A*算法的估价函数和无人机的可行点集合V利用A*算法计算得到无人机的目标路径。
5.根据权利要求3所述的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,无人机的可行点集合V的计算步骤包括:
S231:将si放入tempset集合;
S234:判断tempset集合是否为空集,当tempset不为空集时,循环执行步骤S232~S234;当tempset为空集时,输出最终无人机的可行点集合V;
7.根据权利要求3所述的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,无人机的目标路径的计算步骤具体包括:
S261:初始化A*算法的OpenList列表和CloseList列表;
S262:将起始点S放入openlist列表利用A*算法的估价函数计算openlist列表中估价函数值最小的点作为当前点,并将当前点输入到closelist列表;
S263:若当前点为目标点,则规划结束,将closelist列表的节点依次组成无人机的目标路径;
S264:判断openlist列表中是否存在当前点的相邻节点,若存在,则将openlist列表中g(n)值最低的当前点的相邻节点作为新的当前点并根据A*算法的估价函数计算新的当前节点的估价函数值;其中,g(n)表示起始点到当前点的实际距离;
若不存在,遍历当前点的所有相邻节点,并将在无人机的可行点集合V中当前点的相邻节点移入openlist列表;
S265:重复执行步骤S261-S265。
8.根据权利要求1所述的一种基于关键障碍物周围点集法和A*算法的无人机路径规划方法,其特征在于,所述利用冗余节点删除算法删除无人机目标路径中的冗余节点包括:
S31:将无人机目标路径中的起点作为节点Pcur,终点作为节点Pnext;
S32:判断Pcur和Pnext的连线是否经过障碍物栅格或危险栅格;若经过,则将终点的前一节点作为新的Pnext;其中,所述危险栅格包括:与任意障碍物栅格的距离小于预设安全距离的栅格;
若不经过,则删除节点Pcur和节点Pnext之间的中间节点;
S33:判断节点Pnext是否等于节点Pcur,若等于,则输出无人机的最终路径;若不等于,则重复S31~S33。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072162.5A CN116046010A (zh) | 2023-02-07 | 2023-02-07 | 一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310072162.5A CN116046010A (zh) | 2023-02-07 | 2023-02-07 | 一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116046010A true CN116046010A (zh) | 2023-05-02 |
Family
ID=86132943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310072162.5A Pending CN116046010A (zh) | 2023-02-07 | 2023-02-07 | 一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116046010A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117664142A (zh) * | 2024-02-01 | 2024-03-08 | 山东欧龙电子科技有限公司 | 基于三维立体地图的飞行汽车路径规划方法 |
-
2023
- 2023-02-07 CN CN202310072162.5A patent/CN116046010A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117664142A (zh) * | 2024-02-01 | 2024-03-08 | 山东欧龙电子科技有限公司 | 基于三维立体地图的飞行汽车路径规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113010691A (zh) | 一种基于图神经网络的知识图谱推理关系预测方法 | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN102594909B (zh) | 基于共邻矩阵谱信息的多目标社区检测方法 | |
CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
CN110132291A (zh) | 用于港口的栅格地图生成方法、系统、设备及存储介质 | |
Singh et al. | A hybrid decision support model using axiomatic fuzzy set theory in AHP and TOPSIS for multicriteria route selection | |
CN116046010A (zh) | 一种基于关键障碍物周围点集法和a*算法的无人机路径规划方法 | |
CN107121146A (zh) | 基于路链深度的最优路径规划方法 | |
CN114706400B (zh) | 一种越野环境下基于改进的a*算法的路径规划方法 | |
CN115599779B (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
CN113879339A (zh) | 自动驾驶的决策规划方法、电子设备及计算机存储介质 | |
CN111080786A (zh) | 基于bim的室内地图模型构建方法及装置 | |
CN110909961A (zh) | 基于bim的室内路径查询方法及装置 | |
CN106780266A (zh) | 基于主成分贡献度参数的事故热点内特性分析及行车指导方法 | |
CN111189455A (zh) | 一种基于改进生物地理学算法结合贝塞尔函数的无人机航路规划方法、系统及存储介质 | |
Tang | Coverage path planning of unmanned surface vehicle based on improved biological inspired neural network | |
CN112231428B (zh) | 一种融合战场态势信息的车辆路径规划方法 | |
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 | |
CN115421522B (zh) | 一种基于并行自适应蚁群算法的无人机覆盖路径规划方法 | |
CN112799420B (zh) | 一种基于多传感器无人机的实时航迹规划的方法 | |
CN114407919B (zh) | 一种基于自动驾驶的碰撞检测方法及系统 | |
Girsang et al. | Rectifying the inconsistent fuzzy preference matrix in AHP using a multi-objective bicriterionAnt | |
CN115930969B (zh) | 移动机器人的路径规划方法、装置、电子设备及存储介质 | |
CN114637305B (zh) | 一种无人机最短路径规划方法及装置 | |
CN108320512A (zh) | 基于拉普拉斯谱分析的宏观道路安全分析单元选取方法 |
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 |