CN116048126A - 一种基于abc快速收敛的无人机实时路径规划方法 - Google Patents
一种基于abc快速收敛的无人机实时路径规划方法 Download PDFInfo
- Publication number
- CN116048126A CN116048126A CN202310212302.4A CN202310212302A CN116048126A CN 116048126 A CN116048126 A CN 116048126A CN 202310212302 A CN202310212302 A CN 202310212302A CN 116048126 A CN116048126 A CN 116048126A
- Authority
- CN
- China
- Prior art keywords
- path
- point
- path planning
- planning
- abc
- 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 34
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 235000013305 food Nutrition 0.000 claims description 54
- 238000004422 calculation algorithm Methods 0.000 claims description 38
- 241000257303 Hymenoptera Species 0.000 claims description 20
- 230000000981 bystander Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 235000012907 honey Nutrition 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000004387 environmental modeling Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于ABC快速收敛的无人机实时路径规划方法,包括以下步骤;S1:进行无人机路径规划前需先做好准备工作,即对环境进行建模;S2:将S1中现实问题抽象为数学问题,而数学约束为:无人机的路径由一系列节点组成,对理想路径的所有考虑被抽象为代价函数,通过选择合适的路径点,将无人机路径规划这样的约束非线性优化问题,转化为无约束路径规划问题;S3:利用ABC法对无约束路径规划问题求解,得到无人机实时路径规划。本发明首先通过环境建模将现实物理世界建模为数字二维空间;其次,进行路径规划建模,将无人机路径规划的约束非线性优化问题,转化为无约束优化问题。最后利用ABC法对路径规划问题求解,得到无人机实时路径规划。
Description
技术领域
本发明属于路径规划技术领域,具体涉及一种基于ABC快速收敛的无人机实时路径规划方法。
背景技术
近年来,无人机在一些特定的环境中可以代替人类去完成一些高难度有困难或者危险的任务,如消防、救灾、搜救等,在许多领域得到了越来越广泛的应用。路径规划是无人机飞行任务中的一个重要方面,是指在威胁环境下综合考虑各种约束条件如总飞行距离、燃料消耗、暴露于雷达或火炮等,获得从起点到目的地的最优飞行路径。它不仅要求无人机寻找最优路径并以最优路径到达目标点,还要求无人机有更快的搜索收敛速度。这两个要求之间总会有冲突和矛盾。
鉴于此,如何确定无人机的路径规划方案,如何协调搜素收敛速度以及规划最优路径,让无人机在快速收敛的条件下以最优路径到达目标位置,成为本领域技术人员亟待解决的问题。
现有的基于ABC的路径规划专利技术只可以实现静态的路径规划,而且收敛速度一般也比较慢。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供一种基于ABC快速收敛的无人机实时路径规划方法,首先通过环境建模将现实物理世界建模为数字二维空间;其次,进行路径规划建模,将无人机路径规划的约束非线性优化问题,转化为无约束优化问题。最后利用ABC法对路径规划问题求解,得到无人机实时路径规划。该方法不但收敛速度快,还可以实时避障。
为了实现上述目的,本发明采用的技术方案是:
一种基于ABC快速收敛的无人机实时路径规划方法,包括以下步骤;
S1:进行无人机路径规划前需先做好准备工作,即对环境进行建模;
S2:将S1中将现实问题抽象为数学问题,而数学约束为:无人机的路径由一系列节点组成,对理想路径的所有考虑被抽象为代价函数,通过选择合适的路径点,将无人机路径规划的约束非线性优化问题,转化为无约束路径规划问题;
S3:利用ABC法对无约束路径规划问题求解,得到无人机实时路径规划。
所述S1中,首先,建模反映出复杂地形、障碍物及禁飞区域等先验信息,以便搜索可行路径;其次当环境发生变化时,要及时更新保证实时性,选用自由空间法进行环境建模,把环境中的禁飞区域及威胁源抽象成圆形,无人机抽象成一个点。
所述S2中,所述路径的性能指标主要包括威胁成本和燃料成本,即无人机路径规划需要找到一条经济成本最优的无人机运动路径,同时尽量避免与障碍物发生碰撞;路径规划的目标函数是规划的路径点,约束条件是路径长度尽量短且避免与障碍物碰撞;优化目标函数f由一个路径长度函数和一个碰撞代价函数组成;表示为:
其中f是该路径的加权总成本即优化目标函数,λ∈[0,1]是加权参数,wthreat和wfuel是与路径上的每个位置相关的变量,length表示该候选路径的总长度,通过对约束进行建模,将路径规划问题转化为D维函数优化问题;
起点表示为S,终点表示为T,任务区域内的威胁区域,威胁区域为雷达、导弹、火炮,都以圆形的形式呈现,易受威胁的概率与距离威胁中心的距离成正比,首先连接起点S和终点T,将线段ST用D个垂线均分成(D+1)份,D个垂线分别表示为L1,L2,...,Lk,...,LD,在每个垂线段Lk上取一个离散点,产生一个离散点集合,按顺序连接起来形成一条路径,将直线ST作为x轴,根据如下公式对每个离散点进行坐标变换:
其中θ是原x轴相对于线段ST的夹角,(x(k),y(k))为垂线段上取的离散点,而(xs,ys)表示原坐标系中的坐标;(x'(k),y'(k))为新坐标系坐标;
上述S2将现实问题抽象出了数学问题,并给出了约束函数,S3就需要按照给出的约束,选出最优解。
所述S3,ABC法具体为:
1)全局路径规划
全局路径规划即规划一条从起点到终点的无碰撞的代价最小的路径,路径由一系列路径点序列组成;
基于逻辑映射的混沌初始化阶段:逻辑映射表示为:
xn+1=μ·xn(1-xn)0≤x0≤1
设置种群规模NP,最大迭代次数maxCycle,最大不成功更新的限制次数limit,可行解的维度D,根据等式生成初始食物源:
Xi,j=Xmin,j+cxi,j·(Xmax,j-Xmin,j)
i=1,2,...,NP/2,j=1,2,...,D
其中Xmax,j和Xmin,j表示第j个元素的上下边界,NP是食物源的数量,NP的一半即为雇佣蜂的数量,然后,通过如下等式计算食物源的适应度值:
其中,fit(Xi)是第i个食物源Xi的适应度值,f(Xi)是食物源Xi对于优化问题的目标函数值,将每个食物源的参数计数器(记录不成功更新的次数)设置为0;
雇佣蜂阶段:每只雇佣蜂分配到一个不同的食物源,在原始算法迭代中,雇佣蜂将与随机选择的同伴共享信息结果,利用全局最佳解更新解搜索方式,更新如等式:
j和k都是随机选取的整数,Gj是最佳解,Xi,j为初始化得到的第i组解的第j维路径点,Xk,j为邻居k组解的第j维路径点;在更新食物源后,利用等式;
旁观蜂阶段:当雇佣蜂更新了位置时,返回蜂巢跳摇摆舞传递食物源信息,雇佣蜂选择是否跟随,即根据上式和下式计算概率指数P,
fit(Xi)是第i个食物源Xi的适应度值;
以反映雇佣蜂所处蜜源的相对质量,轮盘赌策略将指导旁观蜂选择“合格的”雇佣蜂跟随;
旁观蜂将在被选择的雇佣蜂位置周围进行局部搜索,在所选择的雇佣蜂周围进行局部搜索的旁观蜂的位置,利用贪婪策略进行更新;
侦察蜂阶段:选择具有最高计数器值的食物源,并将其计数器值与预定的限制次数值进行比较,如果它的计数器值大于极限值,被选择的食物源将被雇佣蜂放弃,然后这个雇佣蜂将变成侦察蜂随机寻找新的食物源,在获得新的食物源之后,相应的计数器值被重置为0;注意,如果候选食物源违反了雇佣蜂阶段和旁观蜂阶段中的边界约束,它也会重置;
2)局部路径规划:全局路径规划即规划出一条从起点到终点的路径,不考虑动态障碍物,而局部路径规划算法,则可以实时避开新威胁源;所以考虑到避开动态障碍物,选择动态窗口算法,按照一定限制产生速度窗口,对窗口内的速度采样,在一定时间内产生一组模拟无人机的轨迹,最后再根据评估规则对轨迹进行评估,选择评价值最高轨迹;
3)实时路径规划:
全局路径规划实现静态路径规划,局部路径规划实现动态路径规划,通过融合起来实现实时路径规划;
利用B样条法进行插值平滑路径,提取B样条平滑后路径点作为临时目标点,重新设计了由改进人工蜂群算法生成的路径点,如式:
Rnewroute=BSpline[RABC(·)]
Rnewroute即为无人机全局路径规划的平滑处理后的路径点序列,RABC(·)为改进人工蜂群算法规划的关键路径点序列;
根据无人机自身的运动学约束设置了一个安全距离distsafe,障碍距离distobs,如果按照自适应评估函数选取的最优轨迹末端tra的距离距局部路径规划子目标点小于安全距离distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,则从新设计的路径点中取下一个子目标点;
target(t+1)=Rnewroute(j+1)
distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs
target(t+1)是t+1时刻,无人机的航行路径点,如果当前时刻按照自适应评估函数选取的最优轨迹末端tra(t)到子目标点是距离小于distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,下一时刻的路径点就由Rnewroute(j)变为下一个路径点Rnewroute(j+1);
设利用改进人工蜂群算法产生的全局路径包括三个路径点RABC(i-1,i,i+1),利用等式生成平滑路径产生大量新的路径节点Rnewroute,在等式中设置安全距离distsafe,障碍距离distobs,当满足distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs时,从Rnewroute序列中提取下一个路径点,作为子目标点。
本发明不仅对ABC的收敛速度有了显著提高,还改变了ABC的框架,增加了动态避障效果,改进后的ABC不但收敛速度快,还可以实时避障。本发明的有益效果:
利用ABC法对路径规划问题求解,得到无人机规划路径;考虑到混沌的遍历性和随机性,提出了一种改进的初始化策略,利用逻辑映射的方法初始化种群以避免陷入局部最优;其次,通过应用全局最优解来指导新候选解的搜索,从而提高收敛速度,实现快速收敛的全局路径规划,最后再融合动态窗口法实现实时路径规划。
本发明不仅对ABC的收敛速度有了显著提高,还改变了ABC的框架,增加了动态避障效果,在全局路径规划时做出的两处改进,不仅避免了陷入局部最优,还提高了收敛速度。与局部路径规划算法融合后更是实现了避开动态障碍物。改进后的ABC不但收敛速度快,还可以实时避障。
附图说明
图1为二维简化路径规划建模示意图。
图2为简单环境下D=10路径规划结果图。
图3为简单环境下D=30路径规划结果图。
图4为复杂环境下D=10路径规划结果图。
图5为复杂环境下D=15路径规划结果图。
图6为复杂环境下D=30路径规划结果图。
图7为局部路径规划示意图。
图8为改进ABC算法全局规划结果图。
图9为改进ABC算法实时规划过程图。
图10为改进ABC实时规划结果图。
图11为本发明流程示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图11所示:首先通过环境建模将现实物理世界建模为数字二维空间;其次,进行路径规划建模,将无人机路径规划的约束非线性优化问题,转化为无约束优化问题。最后利用ABC法对路径规划问题求解,得到无人机实时路径规划。
在本实施例中,基于ABC快速收敛的无人机实时路径规划方法包括:
S1、环境建模;进行无人机路径规划前需先做好准备工作,即对环境进行建模。环境建模是将现实客观世界和数学抽象空间联系起来的桥梁,把环境抽象成数学形式为后续计算最优解做铺垫。环境建模是我们开展工作的第一步,只有环境建模的准确率越高才会有大概率产生满意的规划结果,所以对规划空间需要满足以下要求:首先,建模要尽可能的把先验信息反映出来比如复杂地形、障碍物等禁飞区域,以便搜索可行路径;其次当环境发生变化时,要及时更新保证实时性。
S2、路径规划建模;
无人机路径规划是一个复杂的全局优化问题,即根据任务目的地计算出满足一定限制条件的最优飞行路线。这些限制条件包括危险区域、地形、燃料等限制。无人机的路径由一系列节点组成,对理想路径的所有考虑被抽象为代价函数,通过选择合适的路径点,将无人机路径规划的约束非线性优化问题,转化为无约束优化问题。
路径的性能指标主要包括威胁成本和燃料成本,即无人机路径规划需要找到一条最优的无人机运动路径,同时尽量避免与障碍物发生碰撞。它的目标函数是规划的路径点,约束条件是路径长度尽量短且避免与障碍物碰撞。优化目标函数f由一个路径长度函数和一个碰撞代价函数组成。优化目标函数:
其中f是该路径的加权总成本即优化的目标函数,λ∈[0,1]是加权参数,wthreat和wfuel是与路径上的每个位置相关的变量,length表示该候选路径的总长度。通过对这些约束进行建模,路径规划问题可以转化为D维函数优化问题。
路径规划建模如图1所示,起点表示为S,终点表示为T,任务区域内的威胁区域,如雷达、导弹、火炮等都以圆形的形式呈现,易受威胁的概率与距离威胁中心的距离成正比。首先连接起点S和终点T,将线段ST用D个垂线均分成(D+1)份,D个垂线分别表示为L1,L2,...,Lk,...,LD。在每个垂线段Lk上取一个离散点,产生一个离散点集合,并将它们按顺序连接起来形成一条路径。为了加快算法的搜索速度,可以将直线ST作为x轴,根据如下公式对每个离散点进行坐标变换:
其中θ是原x轴相对于线段ST的夹角,(x(k),y(k))为垂线段上取的离散点,而(xs,ys)表示原坐标系中的坐标。
S3、利用ABC法对路径规划问题求解,得到无人机实时路径规划;
1)全局路径规划
基于逻辑映射的混沌初始化阶段:种群初始化是ABC算法的一个关键点,因为它会影响发现全局最优解的能力和收敛速度,原始算法中初始化是不确定性的纯粹的随机初始化,而混沌逻辑映射具有确定性、遍历性和随机性的特点,适合初始化种群,可以增加种群多样性和获得高质量的解。逻辑映射方程式表示为:
xn+1=μ·xn(1-xn)0≤x0≤1
设置种群规模NP,最大迭代次数maxCycle,最大不成功更新的限制次数limit,可行解的维度D,根据等式生成初始食物源:
Xi,j=Xmin,j+cxi,j·(Xmax,j-Xmin,j)
i=1,2,...,NP/2,j=1,2,...,D
其中Xmax,j和Xmin,j表示第j个元素的上下边界。NP是食物源的数量,NP的一半即为雇佣蜂的数量。然后,通过如下等式计算食物源的适应度值:
其中,fit(Xi)是第i个食物源Xi的适应度值,f(Xi)是食物源Xi对于优化问题的目标函数值。将每个食物源的参数计数器(记录不成功更新的次数)设置为0。
雇佣蜂阶段:每只雇佣蜂分配到一个不同的食物源,在原始算法迭代中,雇佣蜂将与随机选择的同伴共享信息结果,结果可能变得更差了,所以利用全局最佳解更新解搜索方式,更新如等式:
j和k都是随机选取的整数,Gj是最佳解。在更新食物源后,利用等式
评估新蜜源的质量,通过贪婪选择策略决定是在新的位置还是先前的位置。即为如果第i个雇佣蜂发现fit(Xi *)>fit(Xi),则候选食物源将替换旧食物源,并被雇佣蜂记忆更新食物源信息,第i个食物源的计数器被重置为0。否则,计数器加1。
旁观蜂阶段:当雇佣蜂更新了位置时,返回蜂巢跳摇摆舞传递食物源信息,雇佣蜂选择是否跟随。即根据上式和下式计算概率指数P,
以反映雇佣蜂所处蜜源的相对质量。轮盘赌策略将指导旁观蜂选择“合格的”雇佣蜂跟随。
旁观蜂将在被选择的雇佣蜂位置周围进行局部搜索。在所选择的雇佣蜂周围进行局部搜索的旁观蜂的位置。利用贪婪策略进行更新。
侦察蜂阶段:选择具有最高计数器值的食物源,并将其计数器值与预定的限制次数值进行比较。如果它的计数器值大于极限值,被选择的食物源将被雇佣蜂放弃,然后这个雇佣蜂将变成侦察蜂随机寻找新的食物源。在获得新的食物源之后,相应的计数器值被重置为0。注意,如果候选食物源违反了雇佣蜂阶段和旁观蜂阶段中的边界约束,它也会重置。
4)局部路径规划:动态窗口算法是一种常用的局部路径规划算法,主要是按照一定限制产生速度窗口,对窗口内的速度采样,在一定时间内产生一组模拟无人机的轨迹,最后再根据评估规则对轨迹进行评估,选择评价值最高轨迹。如图7所示。
5)实时路径规划:
目前有很多研究把改进的全局路径规划算法和基本的动态窗口算法融合来模拟无人机运动,有的研究是利用全局路径规划出的转折点来指导无人机进行局部运动。但是在障碍物密集和环境中有复杂未知障碍物的情况下,简单地把转向点当作局部导航点是不合适的。
使用转折点来指导无人机进行局部运动没有充分利用全局路径规划信息,如果在障碍物密集的环境中,无人机很容易背离正确方向。
一旦背离了全局路径的无人机,跟踪精度就会下降。对于需要保持全局路径高跟踪精度的无人机,稍有偏差就可能会产生严重的危害。
本发明提出了一种融合改进ABC算法和动态窗口算法的方法。利用B样条法进行插值平滑路径,提取B样条平滑后路径点作为临时目标点,重新设计了由改进人工蜂群算法生成的路径点,如式:
Rnewroute=BSpline[RABC(·)]
Rnewroute即为无人机全局路径规划的平滑处理后的路径点序列,RABC(·)为改进人工蜂群算法规划的关键路径点序列。
为提高无人机轨迹跟踪精度,根据无人机自身的运动学约束设置了一个安全距离distsafe,障碍距离distobs。如果按照自适应评估函数选取的最优轨迹末端tra的距离距局部路径规划子目标点小于安全距离distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,则从新设计的路径点中取下一个子目标点。
target(t+1)=Rnewroute(j+1)
distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs
target(t+1)是t+1时刻,无人机的航行路径点,如果当前时刻按照自适应评估函数选取的最优轨迹末端tra(t)到子目标点是距离小于distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,下一时刻的路径点就由Rnewroute(j)变为下一个路径点Rnewroute(j+1),以下图为例,分析上式的作用:假设利用改进人工蜂群算法产生的全局路径包括三个路径点RABC(i-1,i,i+1),利用等式生成平滑路径产生大量新的路径节点Rnewroute,在等式中设置安全距离distsafe,障碍距离distobs,当满足distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs时,从Rnewroute序列中提取下一个路径点,作为子目标点。实时路径规划结果如图8-10。
应当说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
在简单环境相同参数设置下,采用标准ABC和基于改进的ABC进行对比实验。结果如图2-3所示,当环境中的障碍相对较少且距离最优路径较远时,标准ABC的性能还是比较不错的,但是随着维度的升高,收敛速度逐渐降低。而提出的改进算法收敛速度一直很快且优于标准算法。
在多威胁复杂环境相同参数设置下,结果如图4-6所示。当设置D为10时,由于环境中在必经的路径中存在大量威胁,且路径点较少,使得连接起来的路径不可避免的经过了威胁,但是不难看出用改进算法规划出的路径点并没有在威胁内。随着维度D的增加标准ABC的收敛速度逐渐降低,但是改进算法一直收敛很快,显示了改进人工蜂群算法的可行性。
从图4-6的收敛曲线,可以看到改进算法达到最优值的迭代轮次大约是标准算法迭代轮次的二分之一,改进算法的收敛速度明显快于标准算法。可以看出,该算法具有更好的搜索能力和全局收敛速度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。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或替换,都应当视为属于本发明的保护范围。
Claims (4)
1.一种基于ABC快速收敛的无人机实时路径规划方法,其特征在于,包括以下步骤;
S1:进行无人机路径规划前需先做好准备工作,即对环境进行建模;
S2:将S1中将现实问题抽象为数学问题,而数学约束为:无人机的路径由一系列节点组成,对理想路径的所有考虑被抽象为代价函数,通过选择合适的路径点,将无人机路径规划的约束非线性优化问题,转化为无约束路径规划问题;
S3:利用ABC法对无约束路径规划问题求解,得到无人机实时路径规划。
2.根据权利要求1所述的一种基于ABC快速收敛的无人机实时路径规划方法,其特征在于,所述S1中,首先,建模反映出复杂地形、障碍物及禁飞区域先验信息,以便搜索可行路径;其次选用自由空间法进行环境建模,;把环境中的禁飞区域及威胁源抽象成圆形,无人机抽象成一个点。
3.根据权利要求1所述的一种基于ABC快速收敛的无人机实时路径规划方法,其特征在于,所述S2中,所述路径的性能指标主要包括威胁成本和燃料成本,即无人机路径规划需要找到一条经济成本最优的无人机运动路径,同时尽量避免与障碍物发生碰撞;路径规划的目标函数是规划的路径点,约束条件是路径长度尽量短且避免与障碍物碰撞;优化目标函数f由一个路径长度函数和一个碰撞代价函数组成;表示为:
其中f是该路径的加权总成本即优化目标函数,λ∈[0,1]是加权参数,wthreat和wfuel是与路径上的每个位置相关的变量,length表示该候选路径的总长度,通过对约束进行建模,将路径规划问题转化为D维函数优化问题;
起点表示为S,终点表示为T,任务区域内的威胁区域,都以圆形的形式呈现,易受威胁的概率与距离威胁中心的距离成正比,首先连接起点S和终点T,将线段ST用D个垂线均分成(D+1)份,D个垂线分别表示为L1,L2,...,Lk,...,LD,在每个垂线段Lk上取一个离散点,产生一个离散点集合,按顺序连接起来形成一条路径,将直线ST作为x轴,根据如下公式对每个离散点进行坐标变换:
其中θ是原x轴相对于线段ST的夹角,(x(k),y(k))为垂线段上取的离散点,而(xs,ys)表示原坐标系中的坐标;(x'(k),y'(k))为新坐标系坐标;
4.根据权利要求1所述的一种基于ABC快速收敛的无人机实时路径规划方法,其特征在于,所述S3,ABC法具体为:
1)全局路径规划
全局路径规划即规划一条从起点到终点的无碰撞的代价最小的路径,路径由一系列路径点序列组成;
基于逻辑映射的混沌初始化阶段:逻辑映射表示为:
xn+1=μ·xn(1-xn)0≤x0≤1
设置种群规模NP,最大迭代次数maxCycle,最大不成功更新的限制次数limit,可行解的维度D,根据等式生成初始食物源:
Xi,j=Xmin,j+cxi,j·(Xmax,j-Xmin,j)
i=1,2,...,NP/2,j=1,2,...,D
其中Xmax,j和Xmin,j表示第j个元素的上下边界,NP是食物源的数量,NP的一半即为雇佣蜂的数量,然后,通过如下等式计算食物源的适应度值:
其中,fit(Xi)是第i个食物源Xi的适应度值,f(Xi)是食物源Xi对于优化问题的目标函数值,将每个食物源的参数计数器(记录不成功更新的次数)设置为0;
雇佣蜂阶段:每只雇佣蜂分配到一个不同的食物源,在原始算法迭代中,雇佣蜂将与随机选择的同伴共享信息结果,利用全局最佳解更新解搜索方式,更新如等式:
j和k都是随机选取的整数,Gj是最佳解,Xi,j为初始化得到的第i组解的第j维路径点,Xk,j为邻居k组解的第j维路径点;在更新食物源后,利用等式;
旁观蜂阶段:当雇佣蜂更新了位置时,返回蜂巢跳摇摆舞传递食物源信息,雇佣蜂选择是否跟随,即根据上式和下式计算概率指数P,
fit(Xi)是第i个食物源Xi的适应度值;
以反映雇佣蜂所处蜜源的相对质量,轮盘赌策略将指导旁观蜂选择“合格的”雇佣蜂跟随;
旁观蜂将在被选择的雇佣蜂位置周围进行局部搜索,在所选择的雇佣蜂周围进行局部搜索的旁观蜂的位置,利用贪婪策略进行更新;
侦察蜂阶段:选择具有最高计数器值的食物源,并将其计数器值与预定的限制次数值进行比较,如果它的计数器值大于极限值,被选择的食物源将被雇佣蜂放弃,然后这个雇佣蜂将变成侦察蜂随机寻找新的食物源,在获得新的食物源之后,相应的计数器值被重置为0;注意,如果候选食物源违反了雇佣蜂阶段和旁观蜂阶段中的边界约束,它也会重置;
2)局部路径规划:全局路径规划即规划出一条从起点到终点的路径,不考虑动态障碍物,而局部路径规划算法,则可以实时避开新威胁源;考虑到避开动态障碍物,选择动态窗口算法,按照一定限制产生速度窗口,对窗口内的速度采样,在一定时间内产生一组模拟无人机的轨迹,最后再根据评估规则对轨迹进行评估,选择评价值最高轨迹;
3)实时路径规划:
全局路径规划实现静态路径规划,局部路径规划实现动态路径规划,通过融合起来实现实时路径规划;
利用B样条法进行插值平滑路径,提取B样条平滑后路径点作为临时目标点,重新设计了由改进人工蜂群算法生成的路径点,如式:
Rnewroute=BSpline[RABC(·)]
Rnewroute即为无人机全局路径规划的平滑处理后的路径点序列,RABC(·)为改进人工蜂群算法规划的关键路径点序列;
根据无人机自身的运动学约束设置了一个安全距离distsafe,障碍距离distobs,如果按照自适应评估函数选取的最优轨迹末端tra的距离距局部路径规划子目标点小于安全距离distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,则从新设计的路径点中取下一个子目标点;
target(t+1)=Rnewroute(j+1)
distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs
target(t+1)是t+1时刻,无人机的航行路径点,如果当前时刻按照自适应评估函数选取的最优轨迹末端tra(t)到子目标点是距离小于distsafe,或者局部路径规划子目标点距离最近的障碍物距离小于障碍距离distobs,下一时刻的路径点就由Rnewroute(j)变为下一个路径点Rnewroute(j+1);
设利用改进人工蜂群算法产生的全局路径包括三个路径点RABC(i-1,i,i+1),利用等式生成平滑路径产生大量新的路径节点Rnewroute,在等式中设置安全距离distsafe,障碍距离distobs,当满足distance(tra,target(t))<distsafe或者distance(obs,target(t+1))<distobs时,从Rnewroute序列中提取下一个路径点,作为子目标点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212302.4A CN116048126A (zh) | 2023-03-07 | 2023-03-07 | 一种基于abc快速收敛的无人机实时路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310212302.4A CN116048126A (zh) | 2023-03-07 | 2023-03-07 | 一种基于abc快速收敛的无人机实时路径规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116048126A true CN116048126A (zh) | 2023-05-02 |
Family
ID=86133342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310212302.4A Pending CN116048126A (zh) | 2023-03-07 | 2023-03-07 | 一种基于abc快速收敛的无人机实时路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116048126A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116243716A (zh) * | 2023-05-08 | 2023-06-09 | 中铁第四勘察设计院集团有限公司 | 一种融合机器视觉的集装箱智能举升控制方法及系统 |
-
2023
- 2023-03-07 CN CN202310212302.4A patent/CN116048126A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116243716A (zh) * | 2023-05-08 | 2023-06-09 | 中铁第四勘察设计院集团有限公司 | 一种融合机器视觉的集装箱智能举升控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Path planning for single unmanned aerial vehicle by separately evolving waypoints | |
CN112733421B (zh) | 一种针对有人无人机协同对地作战的任务规划方法 | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
Duan et al. | Imperialist competitive algorithm optimized artificial neural networks for UCAV global path planning | |
CN102880186B (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
Liu et al. | An autonomous path planning method for unmanned aerial vehicle based on a tangent intersection and target guidance strategy | |
US9030347B2 (en) | Preemptive signature control for vehicle survivability planning | |
US9240001B2 (en) | Systems and methods for vehicle survivability planning | |
CN109597425B (zh) | 基于强化学习的无人机导航和避障方法 | |
WO2014021961A2 (en) | Systems and methods for vehicle survivability planning | |
US8831793B2 (en) | Evaluation tool for vehicle survivability planning | |
CN110926477A (zh) | 一种无人机航路规划及避障方法 | |
CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
CN113848919A (zh) | 一种基于蚁群算法的室内agv路径规划方法 | |
EP2847644A1 (en) | Method and system of mission planning | |
CN112000126B (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 | |
CN112824998A (zh) | 马尔可夫决策过程的多无人机协同航路规划方法和装置 | |
Konatowski et al. | Application of the ACO algorithm for UAV path planning | |
CN116048126A (zh) | 一种基于abc快速收敛的无人机实时路径规划方法 | |
Polycarpou et al. | Cooperative control of distributed multi-agent systems | |
Sanders et al. | Optimal offline path planning of a fixed wing unmanned aerial vehicle (UAV) using an evolutionary algorithm | |
Duan et al. | UAV path planning | |
CN112925317B (zh) | 一种基于改进型头脑风暴优化算法的auv路径规划方法 | |
CN116257049A (zh) | 基于优化烟花算法的多智能体路径规划方法及装置 | |
Türeci | Interactive approaches for bi-objective UAV route planning in continuous space |
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 |