CN116627181B - 一种基于空间推理的植保无人机智能避障方法 - Google Patents
一种基于空间推理的植保无人机智能避障方法 Download PDFInfo
- Publication number
- CN116627181B CN116627181B CN202310913620.3A CN202310913620A CN116627181B CN 116627181 B CN116627181 B CN 116627181B CN 202310913620 A CN202310913620 A CN 202310913620A CN 116627181 B CN116627181 B CN 116627181B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- obstacle
- farmland
- topological relation
- 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 60
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000005507 spraying Methods 0.000 claims description 54
- 238000001514 detection method Methods 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000010355 oscillation Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 230000035939 shock Effects 0.000 description 4
- 239000007921 spray Substances 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
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
- G05D1/60—Intended control result
- G05D1/617—Safety or protection, e.g. defining protection zones around obstacles or avoiding hazards
- G05D1/622—Obstacle avoidance
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/45—UAVs specially adapted for particular uses or applications for releasing liquids or powders in-flight, e.g. crop-dusting
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2107/00—Specific environments of the controlled vehicles
- G05D2107/20—Land use
- G05D2107/21—Farming, e.g. fields, pastures or barns
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D2109/00—Types of controlled vehicles
- G05D2109/20—Aircraft, e.g. drones
- G05D2109/25—Rotorcrafts
- G05D2109/254—Flying platforms, e.g. multicopters
-
- 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
本发明提供一种基于空间推理的植保无人机智能避障方法，涉及无人机避障领域，包括：构建无人机R5DOS信息矩阵、以及定义第一拓扑关系与第二拓扑关系；初始化控制无人机沿轨迹飞行；判断无人机是否遍历所有农田；通过第一拓扑关系判断是否遭遇障碍物；通过人工势场法判断是否处于合力为零或震荡、从而采用对应的避障方式；通过改进后的A‑star算法进行合力为零或处于震荡的避障。该方法能够保证无人机在进行作业时有效躲避障碍物、确保无人机的安全行使，同时，该方法还能有效避免无人机在复杂环境下陷入局部最优或出现震荡，进而实时、高效、准确的实现障碍物躲避。
Description
技术领域
本发明涉及无人机避障技术领域，具体涉及一种基于空间推理的植保无人机智能避障方法。
背景技术
近年来，无人驾驶飞行器（UAV）已被广泛应用于农作物管理、作物监测、种子播种、农药喷洒等农业领域；其具有重量轻、体积小、功耗低、机动性强等优点。
在植保的实际操作过程中，无人驾驶飞行器需要对任务区域内的如树木、电线杆、鸟群、房屋等障碍物进行实时监测与躲避，确保无人驾驶飞行器安全到达目标位置；针对无人驾驶飞行器的避障问题与路径规划，众多研究人员研发了包括A-star算法、蚁群算法、人工势场法、Dijkstra算法和深度学习方法等在内的多种方法，以确保无人驾驶飞行器的安全行使，最大限度的提高无人驾驶飞行器的能源利用率和施加药剂利用率，保证农作物获得良好的喷洒。
例如：G. Farid等在其发表的文章“Modified A-Star（A*）Approach to Plan theMotion of a Quadrotor UAV in Three-Dimensional Obstacle-ClutteredEnvironment”（Appl. Sci., 卷12, 期12, 页5791, 2022）中提出一种在三维空间内改进A-star算法，其能够产生准确与最短的路径，避免出现误差，同时，其通过使用三阶运动模型和平滑轨迹生成技术，能够实现无人机的平滑轨迹生成，确保在遇到多个障碍物时，绕路的耗时被大大降低；然而，该方式在搜索路径时，存在扩展额外的节点、计算复杂度较高，导致计算复杂、计算时间长。S. Razzaq等在其发表的文章“Three-Dimensional UAV RoutingWith Deconfliction”（IEEE Access，卷6，页21536-21551，2018，doi： 10.1109/ACCESS.2018.2824558.）中提出一种基于图论的3D无人机路径规划算法，该方法在3D运动环境中规划飞行路径，并避免与其他运动物体的碰撞，保证无人机的安全性以及路径规划的合理性、可行性；然而，该方法在计算开销和路径长度之间存在一个权衡，较高的计算开销可以得到更小的路径长度、但计算时间变长，同时当扩展节点位于障碍物附近时，算法搜索的复杂程度会明显增加。F. Rubio等在其发表的文章“A review of mobile robots：Concepts, methods, theoretical framework, and applications”（Int.J.Adv.Robot.Syst.，卷16，期2，页1729881419839596, 2019）中提出一种移动机器人综述：概念、方法、理论框架和应用，其提到通过时空体积相交、扫掠体积干涉、多重干涉检测和轨迹参数化等方法进行基于地图的避障，通过矢量场直方图与动态窗口方法两种方法实现基于地图的避障，然而，上述方法容易陷入局部最优解，导致无法达到目标点的情况发生。
综上所述：虽然目前针对路径规划的研究做了诸多改进，但仍然存在以下问题：一、计算复杂度高，导致计算难度与计算时间大幅增加，耗费时间长、无法满足实时规划需求；二、部分算法需要扩展额外节点、进行更为复杂的碰撞处理，技术复杂；三、算法易陷入局部最优解、造成无人机陷入局部最优或出现震荡。
发明内容
针对以上现有技术存在的问题，本发明的目的在于提供一种基于空间推理的植保无人机智能避障方法，该方法能够保证无人机在进行作业时有效躲避障碍物、确保无人机的安全行使，同时，该方法还能有效避免无人机在复杂环境下陷入局部最优或出现震荡，进而实时、高效、准确的实现障碍物躲避。
本发明的目的通过以下技术方案实现：
一种基于空间推理的植保无人机智能避障方法，包括：
步骤A、构建无人机R5DOS信息矩阵，并分别通过两个R5DOS信息矩阵定义第一拓扑关系与第二拓扑关系；
步骤B、初始化R5DOS信息矩阵与农田信息，控制无人机由开始点向目标点飞行；
步骤C、判断无人机是否遍历所有农田：若是（即无人机完成农田遍历），则结束喷洒、无人机返航；若否（即无人机未完成农田遍历），则通过无人机与农田之间的第二拓扑关系进行判断是继续进行喷洒、或是进入步骤D；
步骤D、无人机沿轨迹继续飞行、并通过第一拓扑关系判断无人机是否遭遇障碍物：若未遭遇（障碍物），返回步骤C进行判断；若遭遇（障碍物），判断障碍物的三维区域、更新DOS层（为了利用一个4*4的矩阵来保存障碍物的空间位置信息，配合后续可能存在的避障），并进入步骤E；
步骤E、通过人工势场法为障碍物添加斥力、为目标位置添加引力，并判断无人机是否处于合力为零或震荡：若未处于（合力为零或震荡），则直接通过为障碍物添加的斥力进行避障，并通过（第一拓扑关系）完成是否避障的判断：若是（即完成障碍物躲避）、则回到步骤C，若否（即未完成障碍物躲避），循环本步骤（进行合力为零或是否震荡的判断以及对应避障方法），直至完成障碍物躲避；
若处于（合力为零或震荡），则进入步骤F；
步骤F、以无人机为中心，通过改进后的A-star算法进行避障，通过（第一拓扑关系）完成是否避障的判断：若是（即脱离震荡或完成障碍物躲避）、则回到步骤C，若否（即未脱离震荡或未完成障碍物躲避）、则循环步骤E（进行合力为零或是否震荡的判断以及对应避障方法），直至完成障碍物躲避。
作为本发明的一个优选方案，所述第一拓扑关系为无人机、探测区域和障碍物之间的拓扑关系，第二拓扑关系为无人机、喷洒区域和农田之间的拓扑关系。
作为本发明的一个优选方案，所述无人机R5DOS信息矩阵具体为：
；
其中，R5DOS信息矩阵包括R5层与DOS层两层结构：
；
式中：A表示无人机本体区域，B表示无人机的探测区域或喷洒区域，C表示障碍物或农田；分别表示的内部；分别表示的外部；
其中，在整个空间内插入五个平面，分别表示为，，整个空间会被分成16个区域，分别采用s1NE、s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、s7SW、s8SW、s7WS、s8WS表示第一挂限的北东区域、第二挂限的北东区域、第一挂限的东北区域、第二挂限的东北区域、第三挂限的西北区域、第四挂限的西北区域、第三挂限的北西区域、第四挂限的北西区域、第五挂限的东南区域、第六挂限的东南区域、第五挂限的南东区域、第六挂限的南东区域、第七挂限的南西区域、第八挂限的南西区域、第七挂限的西南区域、第八挂限的西南区域；
则DOS层内各个挂限定义为：
；
式中：表示对应挂限内的空间坐标系内的取值分布，表示对应挂限内空间坐标系内的角度分布；
同时，对于DOS层，定义为：
；
其中：DOS为s1NE、s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、s7SW、s8SW、s7WS、s8WS中任一挂限。
作为本发明的一个优选方案，R5层用于记录无人机、探测区域和障碍物之间的拓扑关系，以及无人机、喷洒区域和农田之间的拓扑关系，因此，可以通过两个2x4的0、1矩阵来描述无人机在某一时刻的具体信息（包括障碍物与待喷洒的农田信息等），从而减少存储空间的占用；所述定义第一拓扑关系与第二拓扑关系具体为：通过0、1表示无人机、探测区域和障碍物之间以及无人机、喷洒区域和农田之间的拓扑关系；
若无人机、探测区域和障碍物之间均存在相交，定义为1；若无人机、喷洒区域和农田之间均存在相交，定义为1；无人机、探测区域和障碍物之间的任一区域内部与另外两个区域不相交，定义为0；无人机、喷洒区域和农田之间的任一区域内部与另外两个区域不相交，定义为0；具体为：
根据定义，第一拓扑关系为：
；
即第一拓扑关系存在三种状态；
根据定义，第二拓扑关系为：
；
即第二拓扑关系存在四种状态。
作为本发明的一个优选方案，所述步骤B中定义农田为多个正方形组成的结构，无人机的探测区域和喷洒区域为圆形结构；无人机由开始点向目标点飞行轨迹为：由四周向中心方向移动，并将完成喷洒的农田数据储存至列表中，从而保证每一块农田被完全喷洒且避免出现遗漏。
作为本发明的一个优选方案，所述步骤C中通过无人机与农田之间的第二拓扑关系进行判断具体为：
当无人机喷洒区域和农田之间的拓扑关系为：喷洒区域与农田相交且喷洒区域不包含农田时，则继续进行喷洒；
当无人机喷洒区域和农田之间的拓扑关系为：农田与喷洒区域及无人机均不相交时，此时表明农田完成喷洒或尚未进行喷洒，则进入步骤D。
作为本发明的一个优选方案，所述步骤D中通过第一拓扑关系判断无人机是否遭遇障碍物具体为：
当无人机与障碍物之间的拓扑关系为：当障碍物与探测区域及无人机均不相交时，即障碍物处于无人机与探测区域外，返回步骤C进行判断；
当无人机与障碍物之间的拓扑关系为：当障碍物与探测区域存在相交时，即障碍物出现在探测区域内，判断障碍物的三维区域、更新DOS层，并进入步骤E。
作为本发明的一个优选方案，所述通过人工势场法为障碍物添加斥力、为目标位置添加引力具体为：
首先，构建引力函数：
；
式中：表示引力系数，表示无人机所在位置，表示目标点所在位置；表示无人机与目标点之间的距离；
表示引力因子：当时，是以目标点为中心，大小与距离成反比的势场；当时，的函数形状为类似抛物线；
引力函数的负梯度为：
；
引力函数对无人机产生引力，在引力作用下，无人机前往目标点；
构建斥力函数：
；
式中：表示斥力系数，表示无人机与障碍物之间的距离；表示障碍物的斥力辐射半径，通过判断具体障碍物获得；
斥力函数的负梯度为：
；
当无人机在障碍物的影响半径内时，斥力函数对无人机产生斥力，使其远离障碍物。
作为本发明的一个优选方案，所述步骤E中判断无人机是否处于合力为零或震荡具体为：
引力与斥力的合力F为：
；
当，或无人机飞行方向的半球面DOS层四个及以上的区域出现障碍物、即时，判断无人机此时飞行过程中出现合力为零或震荡的情况，进入步骤F；反之，则未出现，直接通过斥力进行避障，并通过第一拓扑关系判断是否完成障碍物躲避。
作为本发明的一个优选方案，所述步骤F中通过改进后的A-star算法进行避障具体为：
通过预先构建的R5DOS信息矩阵构成的模型，将无人机可移动空间划分为16个区域，并以空间中的八个挂限为主、建立八个正方体区域；无人机与其他相邻挂限的所有顶点，均作为当前节点的邻节点、即下一次的搜索节点，从而获得26个搜索节点；
之后，遍历26个搜索节点，选择障碍物区域的对角区域所对应的搜索节点作为路径节点；
基于路径节点与无人机位置、目标位置构建代价函数：
；
式中：表示第n个路径节点到目标节点之间最短路径的估算成本函数，表示起始点到第n个路径节点间的最短路径的移动代价函数；
通过欧几里得距离计算两个节点之间的移动代价，函数表达式为：
；
式中：、分别表示第一节点、第二节点的坐标。
以下为上述技术方案所具备的技术效果：
本申请方法基于空间拓扑关系模型的人工势场法结合改进的A-star算法，从而实现无人机在进行田间作业过程中的有效避障以及行进，该方法能够减少无人机85%～90%左右的计算时间以及9%～12%左右的移动路程，从而提高无人机行进过程中的实时避障、减少避障所用耗时，且减低避障所耗能量、提高无人机工作效率，降低生产所需成本。同时，本申请通过构建局部A-star算法进行搜索，能够有效节省90%以上的搜索节点，从而降低计算量、避免计算导致的巨大误差，提高路径规划的准确性和效率。此外，本申请在避障过程中，通过0、1矩阵的拓扑关系与空间关系信息，即实现无人机的避障、喷洒等检测，极大的缩减无人机的技术复杂度，同时有效判断无人机与障碍物、无人机与农田之间的关系，清晰、便捷，保证无人机形式安全性的同时避免出现喷洒遗漏；且本申请方法还能够有效避免无人机在复杂环境下陷入震荡或局部最优的问题，保证运行的精准性、时效性。
附图说明
图1为本发明实施例中无人机智能避障的流程图。
图2为本发明实施例中第一拓扑关系的示意图；其中，图2（a）为障碍物与探测区域及无人机均不相交的示意图，图2（b）为障碍物出现在探测区域但未与无人机重叠的示意图，图2（c）为障碍物出现在探测区域并与无人机重叠的示意图；其中，A表示无人机本体区域，B1表示探测区域，C1表示障碍物。
图3为本发明实施例中第二拓扑关系的示意图；其中，图3（a）为农田被喷洒区域完全包含的示意图，图3（b）为农田与喷洒区域及无人机均不相交的示意图，图3（c）为农田与喷洒区域相交但不与无人机相交的示意图，图3（d）为农田与喷洒区域相交并与无人机相交的示意图；其中，A表示无人机本体区域，B2表示喷洒区域，C2表示农田。
图4为本发明实施例中DOS层定义16个区域的结构示意图。
图5为本发明实施例中无人机运行轨迹示意图。
图6为本发明实施例中获得空间搜索节点的示意图。
图7为本发明实施例中获得路径节点的示意图；其中，Q表示目标点。
具体实施方式
下面将结合具体实施方式，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1：
如图1所示：一种基于空间推理的植保无人机智能避障方法，包括：
步骤A、构建无人机R5DOS信息矩阵，具体为：
；
其中，R5DOS信息矩阵包括R5层与DOS层两层结构：
；
式中：A表示无人机本体区域，B表示无人机的探测区域或喷洒区域（如图2、图3所
示，本实施例中通过B1表示探测区域，通过B2表示喷洒区域），C表示障碍物或农田（如图2、
图3所示，本实施例中通过C1表示障碍物，通过C2表示农田）；分别表示
的内部；分别表示的外部；
其中，在整个空间内插入五个平面，分别表示为，，整个空间会被分成16个区域（如图4所示），分别采用s1NE、s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、s7SW、s8SW、s7WS、s8WS表示第一挂限的北东区域、第二挂限的北东区域、第一挂限的东北区域、第二挂限的东北区域、第三挂限的西北区域、第四挂限的西北区域、第三挂限的北西区域、第四挂限的北西区域、第五挂限的东南区域、第六挂限的东南区域、第五挂限的南东区域、第六挂限的南东区域、第七挂限的南西区域、第八挂限的南西区域、第七挂限的西南区域、第八挂限的西南区域；
则DOS层内各个挂限定义为：
；
式中：表示对应挂限内的空间坐标系内的取值分布，表示对应挂限内空间坐标系内的角度分布；
同时，对于DOS层，定义为：
；
其中：DOS为s1NE、s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、s7SW、s8SW、s7WS、s8WS中任一挂限。
并分别通过两个R5DOS信息矩阵定义第一拓扑关系与第二拓扑关系；其中，第一拓扑关系为无人机、探测区域和障碍物之间的拓扑关系，第二拓扑关系为无人机、喷洒区域和农田之间的拓扑关系；具体为：
R5层用于记录无人机、探测区域和障碍物之间的拓扑关系，以及无人机、喷洒区域和农田之间的拓扑关系，因此，可以通过两个2x4的0、1矩阵来描述无人机在某一时刻的具体信息（包括障碍物与待喷洒的农田信息等），从而减少存储空间的占用；通过0、1表示无人机、探测区域和障碍物之间以及无人机、喷洒区域和农田之间的拓扑关系；
例如：当无人机、探测区域和障碍物之间均存在相交时，定义为1；无人机、喷洒区域和农田之间均存在相交时，定义为1；当无人机、探测区域和障碍物之间的任一区域内部与另外两个区域不相交时，定义为0；无人机、喷洒区域和农田之间的任一区域内部与另外两个区域不相交时，定义为0。具体到本实施例时，若的内部均存在相交时，则。
那么，如图2所示：当障碍物与探测区域及无人机均不相交时（即图2（a）所示），R5层的第一拓扑关系为：，此时无人机不遭遇障碍物、处于相对安全的情况；当障碍物出现在探测区域但未与无人机重叠时（如图2（b）所示），R5层的第一拓扑关系为：，此时障碍物处于探测区域内、但未与无人机相撞，无人机处于相对危险的情况；当障碍物出现在探测区域并与无人机重叠（如图2（c）所示），R5层的第一拓扑关系为：，此时无人机与障碍物相撞、处于危险情况，因此，在障碍物出现在探测区域内时，便需要进行避障，否则会导致无人机损坏；
如图3所示：当农田被喷洒区域完全包含时（如图3（a）所示），R5层的第二拓扑关系为：，此时该农田被无人机进行完全喷洒；当农田与喷洒区域及无人机均不相交时（如图3（b）所示），R5层的第二拓扑关系为：，此时该农田完成喷洒或尚未进行喷洒；当农田与喷洒区域相交但不与无人机相交（如图3（c）所示），R5层的第二拓扑关系为：，此时该农田正在进行无人机喷洒；当农田与喷洒区域相交并与无人机相交时（如图3（d）所示），R5层的第二拓扑关系为：，此时该农田正在进行无人机喷洒；
步骤B、初始化R5DOS信息矩阵与农田信息，定义农田为多个正方形组成的结构（本实施例中，正方形边长为5m），无人机的探测区域和喷洒区域为圆形结构（本实施例中，探测区域与喷洒区域的半径均为5m），控制无人机由开始点向目标点飞行：由四周向中心方向移动（如图5所示，无人机飞行轨迹可采用回字形遍历方法，为本领域常见技术），并将完成喷洒的农田数据储存至列表中，从而保证每一块农田被完全喷洒且避免出现遗漏。
步骤C、判断无人机是否遍历所有农田：若是（即无人机完成农田遍历），则结束喷洒、无人机返航；
若否（即无人机未完成农田遍历），则通过无人机与农田之间的第二拓扑关系进行判断是继续进行喷洒、或是进入步骤D，具体为：
当无人机喷洒区域和农田之间的第二拓扑关系为：喷洒区域与农田相交且喷洒区域不包含农田时，即：或，则继续进行喷洒；
当无人机喷洒区域和农田之间的第二拓扑关系为：农田与喷洒区域及无人机均不相交时、表明农田完成喷洒或尚未进行喷洒、即，或农田被喷洒区域完全包含、表明农田完成喷洒、即，则进入步骤D；
步骤D、无人机沿轨迹继续飞行、并通过第一拓扑关系判断无人机是否遭遇障碍物：
若未遭遇（障碍物），即当障碍物与探测区域及无人机均不相交时、，障碍物处于无人机与探测区域外，返回步骤C进行判断；
若遭遇（障碍物），即障碍物与探测区域存在相交时、，障碍物出现在探测区域内，判断障碍物的三维区域（可通过超声波或智能视觉等方式进行）、更新DOS层（为了利用一个4*4的矩阵来保存障碍物的空间位置信息，配合后续可能存在的避障），并进入步骤E；
步骤E、通过人工势场法为障碍物添加斥力、为目标位置添加引力，具体为：
构建引力函数：
；
式中：表示引力系数，表示无人机所在位置，表示目标点所在位置；表示无人机与目标点之间的距离；
表示引力因子：当时，是以目标点为中心，大小与距离成反比的势
场；当时，的函数形状为类似抛物线；
引力函数的负梯度为：
；
引力函数对无人机产生引力，在引力作用下，无人机前往目标点；
构建斥力函数：
；
式中：表示斥力系数，表示无人机与障碍物之间的距离；表示障碍物的斥力辐射半径，通过判断具体障碍物获得；
斥力函数的负梯度为：
；
当无人机在障碍物的影响半径内时，斥力函数对无人机产生斥力，使其远离障碍物。
引力与斥力的合力F为：
；
并判断无人机是否处于合力为零或震荡：
若未处于（合力为零或震荡），即，或无人机飞行方向的半球面DOS层四个及以上的区域未出现障碍物、即时，则直接通过为障碍物添加的斥力进行避障，并通过上述第一拓扑关系判断是否完成障碍物躲避：即、障碍物处于无人机与探测区域外、完成障碍物躲避，返回步骤C；、障碍物出现在探测区域内、未完成障碍物躲避，循环本步骤进行合力为零或是否震荡的判断、以及对应避障方法，直至完成障碍物躲避；
若处于（合力为零或震荡），即当，或无人机飞行方向的半球面DOS层四个及其以上的不同区域出现障碍物、即时，则进入步骤F；
步骤F、以无人机为中心，通过改进后的A-star算法进行避障，具体为：通过预先构建的R5DOS信息矩阵构成的模型，将无人机可移动空间划分为16个区域，并以空间中的八个挂限为主、建立八个正方体区域；无人机与其他相邻挂限的所有顶点，均作为当前节点的邻节点、即下一次的搜索节点，从而获得26个搜索节点，如图6所示；
之后，遍历26个搜索节点，选择障碍物区域的对角区域所对应的搜索节点作为路径节点，如图7所示；
基于路径节点与无人机位置、目标位置构建代价函数：
；
式中：表示第n个路径节点到目标节点（即目标点Q）之间最短路径的估算成本函数，表示起始点到第n个路径节点间的最短路径的移动代价函数、其也可通过下述的欧几里得距离计算得到；
通过欧几里得距离计算两个节点之间的移动代价，函数表达式为：
；
式中：、分别表示第一节点、第二节点的坐标。
通过上述第一拓扑关系判断是否脱离震荡或完成障碍物躲避：若是（即脱离震荡或完成障碍物躲避）、即、则回到步骤C，若否（即未脱离震荡或未完成障碍物躲避）、即、则循环步骤E进行合力为零或是否震荡的判断、以及对应避障方法，直至完成障碍物躲避。
实施例2：
作为对本发明方案的进一步说明，在上述实施例1方案的基础上，路径节点获取的方法具体为：
首先，获得无人机当前位置到各个搜索节点之间的距离：
；
式中：表示搜索节点坐标，；表示无人机当前位置坐标；
获得搜索节点到无人机当前位置的方向向量：
；
然后，定义无人机当前位置与目标点Q之间的连线为，获取无人机当前位置与目标点Q之间的距离：
；
式中：表示目标点Q坐标；
获得目标点Q到无人机当前位置的方向向量：
；
之后，获得方向向量与方向向量之间的内积N：
；
若，则保留内积对应的搜索节点；若，则去除内积对应的搜索节点；将保留的搜索节点进行整合，即得路径节点。
Claims (4)
1.一种基于空间推理的植保无人机智能避障方法，其特征在于：包括：
步骤A、构建无人机R5DOS信息矩阵，并分别通过两个R5DOS信息矩阵定义第一拓扑关系与第二拓扑关系；
所述第一拓扑关系为无人机、探测区域和障碍物之间的拓扑关系，第二拓扑关系为无人机、喷洒区域和农田之间的拓扑关系；
无人机R5DOS信息矩阵具体为：
；
其中，R5DOS信息矩阵包括R5层与DOS层两层结构：
；
式中：A表示无人机本体区域，B表示无人机的探测区域或喷洒区域，C表示障碍物或农田；分别表示的内部；分别表示的外部；
其中，在整个空间内插入五个平面，分别表示为，，整个空间会被分成16个区域，分别采用s1NE、 s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、s7SW、s8SW、s7WS、s8WS表示第一挂限的北东区域、第二挂限的北东区域、第一挂限的东北区域、第二挂限的东北区域、第三挂限的西北区域、第四挂限的西北区域、第三挂限的北西区域、第四挂限的北西区域、第五挂限的东南区域、第六挂限的东南区域、第五挂限的南东区域、第六挂限的南东区域、第七挂限的南西区域、第八挂限的南西区域、第七挂限的西南区域、第八挂限的西南区域；
则DOS层内各个挂限定义为：
；
式中：表示对应挂限内的空间坐标系内的取值分布，表示对应挂限内空间坐标系内的角度分布；
同时，对于DOS层，定义为：
；
其中：DOS为s1NE、s2NE、s1EN、s2EN、s3WN、s4WN、s3NW、s4NW、s5ES、s6ES、s5SE、s6SE、 s7SW、s8SW、s7WS、s8WS中任一挂限；
定义第一拓扑关系与第二拓扑关系具体为：通过0、1表示无人机、探测区域和障碍物之间以及无人机、喷洒区域和农田之间的拓扑关系；
若无人机、探测区域和障碍物之间均存在相交，定义为1；若无人机、喷洒区域和农田之间均存在相交，定义为1；无人机、探测区域和障碍物之间的任一区域内部与另外两个区域不相交，定义为0；无人机、喷洒区域和农田之间的任一区域内部与另外两个区域不相交，定义为0；具体为：
根据定义，第一拓扑关系为：
；
根据定义，第二拓扑关系为：
；
步骤B、初始化R5DOS信息矩阵与农田信息，控制无人机由开始点向目标点飞行；
步骤C、判断无人机是否遍历所有农田：若是，则结束喷洒、无人机返航；若否，则通过无人机与农田之间的第二拓扑关系进行判断是继续进行喷洒、或是进入步骤D；
步骤D、无人机沿轨迹继续飞行、并通过第一拓扑关系判断无人机是否遭遇障碍物：若未遭遇，返回步骤C进行判断；若遭遇，判断障碍物的三维区域、更新DOS层，并进入步骤E；
步骤E、通过人工势场法为障碍物添加斥力、为目标位置添加引力，并判断无人机是否处于合力为零或震荡：若未处于，则直接通过为障碍物添加的斥力进行避障，并完成是否避障的判断：若是、则回到步骤C，若否，循环本步骤，直至完成障碍物躲避；
若处于，则进入步骤F；
其中，通过人工势场法为障碍物添加斥力、为目标位置添加引力具体为：
首先，构建引力函数：
；
式中：表示引力系数，表示无人机所在位置，表示目标点所在位置；表示无人机与目标点之间的距离；
表示引力因子：当时，是以目标点为中心，大小与距离成反比的势场；当时，的函数形状为类似抛物线；
引力函数的负梯度为：
；
引力函数对无人机产生引力，在引力作用下，无人机前往目标点；
构建斥力函数：
；
式中：表示斥力系数，表示无人机与障碍物之间的距离；表示障碍物的斥力辐射半径，通过判断具体障碍物获得；
斥力函数的负梯度为：
；
当无人机在障碍物的影响半径内时，斥力函数对无人机产生斥力，使其远离障碍物；
判断无人机是否处于合力为零或震荡具体为：
引力与斥力的合力F为：
；
当，或无人机飞行方向的半球面DOS层四个及以上的区域出现障碍物、即时，判断无人机此时飞行过程中出现合力为零或震荡的情况，进入步骤F；反之，则未出现，直接通过斥力进行避障，并通过第一拓扑关系判断是否完成障碍物躲避；
步骤F、以无人机为中心，通过改进后的A-star算法进行避障，完成是否避障判断：若是、则回到步骤C，若否、则循环步骤E、直至完成障碍物躲避。
2.根据权利要求1所述的一种基于空间推理的植保无人机智能避障方法，其特征在于：所述步骤B中定义农田为多个正方形组成的结构，无人机的探测区域和喷洒区域为圆形结构；无人机由开始点向目标点飞行轨迹为：由四周向中心方向移动，并将完成喷洒的农田数据储存至列表中。
3.根据权利要求2所述的一种基于空间推理的植保无人机智能避障方法，其特征在于：所述步骤C中通过无人机与农田之间的第二拓扑关系进行判断具体为：
当无人机喷洒区域和农田之间的拓扑关系为：喷洒区域与农田相交且喷洒区域不包含农田时，则继续进行喷洒；
当无人机喷洒区域和农田之间的拓扑关系为：农田与喷洒区域及无人机均不相交时，此时表明农田完成喷洒或尚未进行喷洒，则进入步骤D。
4.根据权利要求3所述的一种基于空间推理的植保无人机智能避障方法，其特征在于：所述步骤D中通过第一拓扑关系判断无人机是否遭遇障碍物具体为：
当无人机与障碍物之间的拓扑关系为：当障碍物与探测区域及无人机均不相交时，即障碍物处于无人机与探测区域外，返回步骤C进行判断；
当无人机与障碍物之间的拓扑关系为：当障碍物与探测区域存在相交时，即障碍物出现在探测区域内，判断障碍物的三维区域、更新DOS层，并进入步骤E。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913620.3A CN116627181B (zh) | 2023-07-25 | 2023-07-25 | 一种基于空间推理的植保无人机智能避障方法 |
| NL2036428A NL2036428A (en) | 2023-07-25 | 2023-12-05 | Spatial reasoning-based intelligent obstacle avoidance method for plant protection drone |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913620.3A CN116627181B (zh) | 2023-07-25 | 2023-07-25 | 一种基于空间推理的植保无人机智能避障方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116627181A CN116627181A (zh) | 2023-08-22 |
| CN116627181B true CN116627181B (zh) | 2023-10-13 |
Family
ID=87590684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913620.3A Active CN116627181B (zh) | 2023-07-25 | 2023-07-25 | 一种基于空间推理的植保无人机智能避障方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116627181B (zh) |
| NL (1) | NL2036428A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549407A (zh) * | 2018-05-23 | 2018-09-18 | 哈尔滨工业大学（威海） | 一种多无人机协同编队避障的控制算法 |
| CN112148008A (zh) * | 2020-09-18 | 2020-12-29 | 中国航空无线电电子研究所 | 一种基于深度强化学习的实时无人机路径预测方法 |
| CN113342047A (zh) * | 2021-06-23 | 2021-09-03 | 大连大学 | 未知环境中基于障碍物位置预测改进人工势场法的无人机路径规划方法 |
| CN115617068A (zh) * | 2022-09-20 | 2023-01-17 | 中国电子科技集团公司第二十研究所 | 基于人工势场法的固定翼无人机集群避障方法及系统 |
-
2023
- 2023-07-25 CN CN202310913620.3A patent/CN116627181B/zh active Active
- 2023-12-05 NL NL2036428A patent/NL2036428A/en unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549407A (zh) * | 2018-05-23 | 2018-09-18 | 哈尔滨工业大学（威海） | 一种多无人机协同编队避障的控制算法 |
| CN112148008A (zh) * | 2020-09-18 | 2020-12-29 | 中国航空无线电电子研究所 | 一种基于深度强化学习的实时无人机路径预测方法 |
| CN113342047A (zh) * | 2021-06-23 | 2021-09-03 | 大连大学 | 未知环境中基于障碍物位置预测改进人工势场法的无人机路径规划方法 |
| CN115617068A (zh) * | 2022-09-20 | 2023-01-17 | 中国电子科技集团公司第二十研究所 | 基于人工势场法的固定翼无人机集群避障方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| Leader-Follower UAV FormationModel Based on R5DOS-Intersection Model;Jian Li等;《Tech Science Press》;2493-2511 * |
| RJA-Star Algorithm for UAV Path Planning Based on Improved R5DOS Model;Jian Li等;《MDPI》;1-16 * |
| 基于改进人工势场的无人机动态避障路径规划;丛玉华等;《兵器装备工程学报》;第42卷(第9期);170-176 * |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2036428A (en) | 2024-02-21 |
| CN116627181A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168305B (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
| Sudhakara et al. | Trajectory planning of a mobile robot using enhanced A-star algorithm | |
| CN110471426B (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
| Victerpaul et al. | Path planning of autonomous mobile robots: A survey and comparison | |
| CN112161627A (zh) | 一种消防机器人智能路径规划方法 | |
| CN104992466B (zh) | 一种三维场景的即时寻径方法 | |
| CN116661502B (zh) | 一种智能农业无人机路径规划方法 | |
| Alborzi et al. | ROS-based SLAM and navigation for a Gazebo-simulated autonomous quadrotor | |
| Song et al. | A survey of three-dimensional flight path planning for unmanned aerial vehicle | |
| Sharma et al. | A survey on multi robots area exploration techniques and algorithms | |
| Liu et al. | A variable-step RRT* path planning algorithm for quadrotors in below-canopy | |
| CN115793709A (zh) | 一种基于pomdp模型的apf无人机路径规划方法 | |
| Medvedev et al. | Path planning method for mobile robot with maneuver restrictions | |
| Yao et al. | Hybrid UAV path planning based on interfered fluid dynamical system and improved RRT | |
| Zhang et al. | A state-decomposition DDPG algorithm for UAV autonomous navigation in 3D complex environments | |
| Wu et al. | Real-time three-dimensional smooth path planning for unmanned aerial vehicles in completely unknown cluttered environments | |
| CN116627181B (zh) | 一种基于空间推理的植保无人机智能避障方法 | |
| Li et al. | Object-aware view planning for autonomous 3-D model reconstruction of buildings using a mobile robot | |
| Shukla et al. | Multi robot path planning parameter analysis based on particle swarm optimization (PSO) in an intricate unknown environments | |
| Cai et al. | Motion planning of unmanned aerial vehicle based on rapid-exploration random tree algorithm | |
| Chen et al. | From topological map to local cognitive map: a new opportunity of local path planning | |
| Gerdelan et al. | A novel hybrid fuzzy a* robot navigation system for target pursuit and obstacle avoidance | |
| CN113741455A (zh) | 一种移动机器人可视范围覆盖路径规划方法 | |
| Zhou et al. | Learning to navigate on the rough terrain: A multi-modal deep reinforcement learning approach | |
| Newaz et al. | Exploration priority based heuristic approach to uav path planning |
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 |