CN116841318A - 无人机航迹规划方法、装置、设备及可读存储介质 - Google Patents

Abstract

本发明提供一种无人机航迹规划方法、装置、设备及可读存储介质，该方法包括：S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数；S2、对粒子进行初始化；S3、每一轮迭代中，根据粒子的位置信息和目标函数计算得到当前适应度值，确定每个粒子的历史最优位置、停滞次数和所有粒子的全局最优位置；S4、基于停滞信息的学习对象调整策略更新粒子信息；S5、基于精英粒子的差分进化策略确定全局最优位置；S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数，将全局最优位置作为最终航迹。本发明能够有效提升算法的求解精度，提高了无人机航迹的规划质量，从而提高了无人机的整体任务效能。

Description

无人机航迹规划方法、装置、设备及可读存储介质

技术领域

本发明涉及无人机任务规划技术领域，尤其涉及一种无人机航迹规划方法、装置、设备及可读存储介质。

背景技术

无人机航迹规划是指在给定的规划空间中，为无人机从起始点至目标任务点找出一条安全可飞的最优路径，确保无人机安全、顺利和高效的完成任务。在无人机航迹规划过程中，需要考虑任务区域环境、无人机安全以及飞行路径的成本等重要因素。一般来说，任务区环境主要包括地形条件、飞行距离和对空威胁等，目标函数应充分考虑必要的环境因素并能够合理的评估它们对航迹性能的影响。

目前无人机航迹规划方法主要有经典算法与智能优化算法两类。经典的算法有A*算法、D*算法、图搜索法和人工势场法等。其中图搜索法将环境分割为相互连接的离散区域，每个区域形成搜索路径的图的一个顶点，尽管基于图的算法能够有效生成可行的飞行路径，但是它们不适合处理与无人机机动相关的约束，生成路径的最优性无法保证，同时由于需要存储生成成本图，计算开销大，非常耗时。A*算法通过单元分解的方式将搜索空间进行栅格化处理，然后采用启发式的搜索方法来寻找可行路径，然而这种方法适用规模较小，单元的数量随搜索空间维度呈指数级增长。人工势场法是一种直接在连续空间中搜索解的方法，通过目标的吸引力和障碍物的排斥力形成合力引导无人机寻找可行的飞行路径，规避障碍，然而人工势场法没有考虑解的最优性，当障碍物与目标接近时容易陷入局部最优，有时无法获得可行路径。

智能优化算法有蚁群算法、遗传算法、粒子群算法等。与经典算法相比，智能优化算法能够有效处理复杂条件下的优化问题，在求解无人机航迹规划问题中表现中较好的性能，近年来得到了大量的研究和应用。粒子群算法作为群智能算法中的经典算法，具有操作简单，收敛能力强等特点，在解决无人机航迹规划问题上具有很强的应用前景。然而，目前基于粒子群算法的无人机航迹规划方法精度不高。

发明内容

本发明的主要目的在于提供一种无人机航迹规划方法、装置、设备及可读存储介质，旨在解决现有技术中基于粒子群算法的无人机航迹规划方法精度不高的技术问题。

第一方面，本发明提供一种无人机航迹规划方法，所述无人机航迹规划方法包括：

S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息/>

S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置pBest_i ^t更新，则停滞次数清零；

S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

进一步地，一实施例中，目标函数f为：

其中，无人机航迹具有n个航迹点、n-1个航迹段，f₁为无人机航迹总长度，dis(X_j,X_j+1)为第j个航迹段的长度；f₂为无人机航迹的威胁代价，为威胁K对无人机第j个航迹段的威胁代价，根据航迹段与威胁中心的距离计算，d_k为航迹段与威胁中心的距离，R_k为威胁半径，S为安全距离；f₃为无人机航迹的高程代价，H_j为第j个航迹点的高程代价，h_j为第j个航迹点的高度，h_max和h_min分别为预设的最大飞行高度和最小飞行高度；f₄为无人机航迹的平滑度代价，/>和θ_j分别为第j个航迹段的俯仰角和转弯角，w_i为f_i的权重系数。

进一步地，一实施例中，粒子P_i的位置信息S_i表示一条具有N个航迹段的飞行航迹，包括N个球面向量每个球面向量表示一个航迹段，r_ij、/>和θ_ij分别为粒子P_i第j个航迹段的长度、俯仰角和转弯角；

粒子P_i的速度信息ΔS_i包括N个速度向量

进一步地，一实施例中，所述根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息的步骤包括：

根据第一更新公式更新粒子信息，所述第一更新公式为：

其中，pBest_ij ^t为粒子P_i的历史最优位置pBest_i ^t的球面向量，gBest_j ^t为全局最优位置gBest^t的球面向量，w为惯性权重，c₁和c₂为加速因子，r₁和r₂为(0，1)之间的随机数。

进一步地，一实施例中，在所述根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息的步骤之后还包括：

更新惯性权重w以及加速因子c₁和c₂，公式如下：

w＝w_min+(w_max-w_min)(T-t)/T

c₁＝c_min+(c_max-c_min)(T-t)/T

c₂＝C_max-(c_max-C_min)(T-t)/T

其中，T为最大迭代次数，t为当前迭代次数，w_max和w_min为惯性权重的最大值和最小值，c_max和c_min为c₁和c₂的最大值和最小值。

进一步地，一实施例中，所述根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息的步骤包括：

根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择一个粒子作为第一预设粒子P_k；

根据第二更新公式更新粒子信息，所述第二更新公式为：

其中，pBest_kj ^t为第一预设粒子P_k的历史最优位置pBest_k ^t的球面向量，r₁和r₂为(0，1)之间的随机数，c为加速因子。

进一步地，一实施例中，步骤S5具体包括：

在所有粒子均完成步骤S4后，根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择三个粒子P_c1、P_c2和P_c3；

根据差分变异公式生成第二预设粒子Q，所述差分变异公式为：

X＝pBest_c1 ^t+r(pBest_c2 ^t-pBest_c3 ^t)

其中，X为第二预设粒子Q的位置信息，pBest_c1 ^t、pBest_c2 ^t和pBest_c3 ^t分别为粒子P_c1、P_c2和P_c3的历史最优位置，r为(0，1)之间的随机数；

若第二预设粒子Q的适应度值f(X)优于全局最优位置gBest^t的适应度值f(gBest^t)，则将全局最优位置gBest^t更新为第二预设粒子Q的位置信息X，否则保持全局最优位置gBest^t不变，完成一轮迭代。

第二方面，本发明还提供一种无人机航迹规划装置，所述无人机航迹规划装置包括：

目标函数确定模块，用于S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

粒子初始化模块，用于S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息/>

最优位置确定模块，用于S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置pBest_i ^t更新，则停滞次数清零；

粒子更新模块，用于S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

全局最优位置更新模块，用于S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

最终航迹输出模块，用于S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

第三方面，本发明还提供一种无人机航迹规划设备，所述无人机航迹规划设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的无人机航迹规划程序，其中所述无人机航迹规划程序被所述处理器执行时，实现上述无人机航迹规划方法的步骤。

第四方面，本发明还提供一种可读存储介质，所述可读存储介质上存储有无人机航迹规划程序，其中所述无人机航迹规划程序被处理器执行时，实现上述无人机航迹规划方法的步骤。

本发明建立了无人机航迹规划模型，以无人机航迹总长度、威胁代价、高程代价和平滑度代价为优化目标，更加符合实际任务场景，提出了基于停滞信息的学习对象调整策略和基于精英粒子的差分进化策略，避免了算法过早收敛，提高了算法的收敛精度。本发明能够有效提升算法的求解精度，提高了无人机航迹的规划质量，从而提高了无人机的整体任务效能。

附图说明

图1为本发明一实施例中无人机航迹规划方法的流程示意图；

图2为本发明一实施例中求解算法的流程示意图；

图3为本发明实例求解得到的最终航迹的数据图；

图4为本发明实例求解得到的最终航迹的俯视示意图；

图5为本发明实例求解得到的最终航迹的侧视示意图；

图6为本发明实例求解过程中算法收敛曲线的变化示意图；

图7为本发明一实施例中无人机航迹规划设备的硬件结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

第一方面，本发明实施例提供了一种无人机航迹规划方法。

图1示出了本发明一实施例中无人机航迹规划方法的流程示意图。

参照图1，一实施例中，无人机航迹规划方法包括如下步骤：

S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

具体地，无人机航迹规划模型以无人机航迹总长度、威胁代价、高程代价和平滑度代价为优化指标对无人机航迹规划问题进行评价。无人机航迹总长度为无人机航迹中所有航迹段的长度之和。威胁代价与无人机和威胁之间的距离相关，距离越近，威胁代价越大。高程代价与无人机飞行高度相关，无人机飞行高度通常限定在一定范围之内，既不能太高，也不能太低。平滑度代价与无人机的俯仰角和转弯角相关，角度变化越大，平滑度代价就越大。

采用无人机航迹总长度评价指标保证了整个无人机系统能够以最少的资源量完成任务，采用威胁代价指标保证了无人机能够顺利避开各种威胁，确保安全，采用高程代价指标保证了无人机能够保持一定的高度平稳的飞行，采用平滑度指标保证了无人机能够以较小的姿态变化去执行任务，满足无人机运动学约束并减少能耗，得到的目标函数f更加符合实际任务场景。

进一步地，一实施例中，目标函数f为：

其中，无人机航迹具有n个航迹点、n-1个航迹段，f₁为无人机航迹总长度，dis(X_j，X_j+1)为第j个航迹段的长度；f₂为无人机航迹的威胁代价，为威胁K对无人机第j个航迹段的威胁代价，根据航迹段与威胁中心的距离计算，d_k为航迹段与威胁中心的距离，R_k为威胁半径，S为安全距离；f₃为无人机航迹的高程代价，H_j为第j个航迹点的高程代价，h_j为第j个航迹点的高度，h_max和h_min分别为预设的最大飞行高度和最小飞行高度；f₄为无人机航迹的平滑度代价，/>和θ_j分别为第j个航迹段的俯仰角和转弯角，w_i为f_i的权重系数。

本实施例中，目标函数f的值越小，对应的无人机航迹越优。

进一步地，无人机航迹规划模型还包括以下约束条件：

L≤L_max

θ≤θ_max

h_min≤h_j≤h_max

d≥R

其中，L_max为预设的无人机最大飞行航程，航程约束与无人机航迹总长度f₁相关；和θ_max分别为预设的最大俯仰角和最小转弯角，俯仰角和转弯角约束与平滑度代价f₄相关；h_max和h_min分别为预设的最大飞行高度和最小飞行高度，飞行高度约束与高程代价f₃相关；d为无人机与威胁中心的距离，R为威胁半径，无人机与威胁中心距离约束与f₂相关。

上述约束条件视目标函数f和粒子编码策略的具体设置，可能影响公式计算和/或影响粒子初始化及更新。

S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息/>

本发明基于粒子群算法，对无人机航迹规划模型进行求解。粒子群算法是一种群体智能算法，广泛应用于优化问题的求解。粒子群算法的基本思路是首先随机生成N个粒子，并初始化它们的位置x(代表一条完整的航迹)和速度v(代表位置增量)。然后，每轮迭代中，对于每个粒子，根据目标函数计算其当前位置的适应度值。对于每个粒子，如果其当前位置的适应度值优于其历史最优位置的适应度值，则更新其历史最优位置pBest。对于所有粒子，如果某个粒子的历史最优位置的适应度值优于全局最优位置的适应度值，则更新全局最优位置gBest。对于每个粒子，根据其历史最优位置和全局最优位置，更新其速度和下一步的位置。如果满足终止条件，则输出当前全局最优位置作为最终解，否则继续迭代。

而在本发明中，因为无人机航迹规划模型拥有众多复杂的约束条件，传统粒子群算法在求解此类问题时容易陷入局部最优导致求解精度不高，为此，本发明针对传统粒子群算法提出了一些改进措施。

进一步地，一实施例中，粒子P_i的位置信息S_i表示一条具有N个航迹段的飞行航迹，包括N个球面向量每个球面向量表示一个航迹段，r_ij、/>和θ_ij分别为粒子P_i第j个航迹段的长度、俯仰角和转弯角；

粒子P_i的速度信息ΔS_i包括N个速度向量

三维空间坐标系常用有三种，分别为笛卡尔坐标系、柱面坐标系和球面坐标系。传统方法在求解航迹规划问题时通常采用笛卡尔坐标系对航迹进行编码，然而这种方法难以有效处理无人机机动性能约束问题，求解效率低下。球面坐标系能够很好地表示无人机俯仰角和转弯角，便于处理无人机机动性能约束，更适合于航迹规划问题求解。

因此，本实施例采用球面向量法对无人机航迹进行编码。该策略将无人机每条航迹编码为一组球面向量，每个球面向量表示一个航迹段，通过这种编码方式将各个球面向量的大小、俯仰角和方位角与航迹段的长度、俯仰角和转弯角相关联，提升了导航的可行性和安全性。同时，该策略可以根据粒子球面向量的俯仰角和方位角直接实现无人机俯仰角和转弯角相关的约束。

具体地，前述俯仰角和转弯角约束不影响公式计算，只影响粒子初始化与更新，降低计算开销，并能够显著减少粒子的搜索空间，有更高的概率找到更高质量的解。另外，对于f₁可采用r_ij直接进行计算，对于f₄可采用和θ_ij直接进行计算，对于f₂和f₃需要对球面向量进行坐标转换，得到对应航迹点的笛卡尔坐标。球面向量/>转换为对应航迹点的笛卡尔坐标(x_ij，y_ij，z_ij)的公式如下：

其中，(x_i，j-1，y_i，j-1，z_i，j-1)为上一个航迹点的笛卡尔坐标。

S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置pBest_i ^t更新，则停滞次数清零；

S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

图2示出了本发明一实施例中求解算法的流程示意图。

传统的粒子群算法在迭代过程中，粒子通过向历史最优位置pBest和全局最优位置gBest学习来更新位置，不断寻找更优的解。粒子位置和速度的传统更新方式如以下公式所示：

其中，w为惯性权重，t为当前迭代次数，c₁和c₂为加速因子，r₁和r₂为(0，1)之间的随机数。

对于球面向量编码策略的粒子，根据第一更新公式更新粒子信息，所述第一更新公式为：

其中，pBest_ij ^t为粒子P_i的历史最优位置pBest_i ^t的球面向量，gBest_j ^t为全局最优位置gBest^t的球面向量，w为惯性权重，c₁和c₂为加速因子，r₁和r₂为(0，1)之间的随机数。

进一步地，一实施例中，在所述根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息的步骤之后还包括：

更新惯性权重w以及加速因子c₁和c₂，公式如下：

w＝w_min+(w_max-w_min)(T-t)/T

c₁＝c_min+(c_max-c_min)(T-t)/T

c₂＝C_max-(c_max-c_min)(T-t)/T

其中，T为最大迭代次数，t为当前迭代次数，w_max和w_min为惯性权重的最大值和最小值，c_max和c_min为c₁和c₂的最大值和最小值。

本实施例采用了自适应惯性权重和加速因子，有效平衡了算法的探索性能和开发性能，提高了搜索效率。

由前文分析可知，传统粒子群算法在求解此类问题时容易陷入局部最优，当全局最优位置陷入局部最优时，粒子的进化可能就会停滞不前，导致算法过早收敛，尤其是在求解一些复杂优化问题时，这种现象更为突出。为了防止算法过早收敛，提高算法求解性能，参照图2，本实施例提出基于停滞信息的学习对象调整策略来更新粒子信息。

粒子是否停滞可通过其历史最优位置有无得到更新来判断。如果在一次迭代过程中，粒子的历史最优位置没有得到更新，则表示该粒子陷入了一次停滞状态，如果粒子连续多次陷入停滞状态，则表明该粒子很可能陷入了局部最优。因此，当粒子进化连续多次停滞不前时，合理地为其更换学习对象从而调整其搜索方向，有可能帮助其跳出局部最优，继续朝着全局最优解的方向前进。基于此种考虑，每个粒子维护一个停滞信息变量，用于记录粒子进化连续停滞的次数。当停滞次数小于或等于预设阈值，从历史最优适应度值较优的粒子中随机选择一个粒子来引导该粒子完成粒子信息更新。

具体地，粒子进化停滞可由公式表示如下：

f(pBest_i ^t)-f(pBest_i ^t-1)＝0

若满足上述公式，则停滞次数加一，若不满足，则停滞次数清零。粒子停滞的次数越多，表明其陷入局部最优的可能性越大。

具体地，对于球面向量编码策略的粒子，基于停滞信息的学习对象调整策略详细步骤如下：

根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择一个粒子作为第一预设粒子P_k；

根据第二更新公式更新粒子信息，所述第二更新公式为：

其中，pBest_kj ^t为第一预设粒子P_k的历史最优位置pBest_k ^t的球面向量，r₁和r₂为(0，1)之间的随机数，c为加速因子。

示例地，本实施例中目标粒子群的规模可设置为30个粒子。

S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

在粒子群算法中，每个粒子维护着一个历史最优位置，粒子通过向历史最优位置和全局最优位置学习来不断调整自己的位置。为了进一步提高种群信息的引导作用，继续参照图2，本实施例提出一种基于精英粒子的差分进化策略来确定全局最优位置。

此处的精英粒子被定义为历史最优适应度值排名靠前的粒子。与全局最优粒子相比，这些精英粒子虽然相对稍差，但在整个种群中也是相对较好的粒子，它们的信息具有进一步探索的价值。因此，考虑在每一次迭代过程中，从精英粒子群中随机选择若干个粒子通过差分变异操作生成新粒子，新生成的粒子作为挑战者与全局最优粒子进行竞争，根据竞争结果确定本轮迭代最终的全局最优位置。这种方法能够有效利用优秀粒子的位置信息，提高算法的开发性能，进而提高问题求解精度。

基于精英粒子的差分进化策略详细步骤如下：

在所有粒子均完成步骤S4后，根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择三个粒子P_c1、P_c2和P_c3；

根据差分变异公式生成第二预设粒子Q，所述差分变异公式为：

X＝pBest_c1 ^t+r(pBest_c2 ^t-pBest_c3 ^t)

其中，X为第二预设粒子Q的位置信息，pBest_c1 ^t、pBest_c2 ^t和pBest_c3 ^t分别为粒子P_c1、P_c2和P_c3的历史最优位置，r为(0，1)之间的随机数；

若第二预设粒子Q的适应度值f(X)优于全局最优位置gBest^t的适应度值f(gBest^t)，则将全局最优位置gBest^t更新为第二预设粒子Q的位置信息X，否则保持全局最优位置gBest^t不变，完成一轮迭代。

S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

综上所述，本发明建立了无人机航迹规划模型，以无人机航迹总长度、威胁代价、高程代价和平滑度代价为优化目标，更加符合实际任务场景，提出了基于停滞信息的学习对象调整策略和基于精英粒子的差分进化策略，避免了算法过早收敛，提高了算法的收敛精度。本发明能够有效提升算法的求解精度，提高了无人机航迹的规划质量，从而提高了无人机的整体任务效能。

下面是采用上述方法的实例求解情况。

实例设置了1架无人机、1个任务点和5个威胁。地形数据来自真实的数字高程模型地图，无人机、目标和威胁分别被随机设置在一个固定的位置，各要素位置信息如表1所示：

表1

航迹规划模型的目标函数根据上文所述公式求出，它们作为模型的目标函数将在下面的求解步骤中使用。使用图2所示的求解算法对无人机航迹规划模型进行求解，种群大小N设置为300，最大迭代次数T设置为200，航迹节点数设置为12。可以求得如下表所示的迭代解集合，经过200次迭代，最终求得航迹的适应度值为4389.8277。

表2

图3示出了本发明实例求解得到的最终航迹的数据图；图4示出了本发明实例求解得到的最终航迹的俯视示意图；图5示出了本发明实例求解得到的最终航迹的侧视示意图；图6示出了本发明实例求解过程中算法收敛曲线的变化示意图。

第二方面，本发明实施例还提供一种无人机航迹规划装置。

一实施例中，无人机航迹规划装置包括：

目标函数确定模块，用于S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

粒子初始化模块，用于S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息/>

最优位置确定模块，用于S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置pBest_i ^t更新，则停滞次数清零；

粒子更新模块，用于S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

全局最优位置更新模块，用于S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

最终航迹输出模块，用于S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

其中，上述无人机航迹规划装置中各个模块的功能实现与上述无人机航迹规划方法实施例中各步骤相对应，其功能和实现过程在此处不再一一赘述。

进一步地，一实施例中，目标函数f为：

/>

其中，无人机航迹具有n个航迹点、n-1个航迹段，f₁为无人机航迹总长度，dis(X_j，X_j+1)为第j个航迹段的长度；f₂为无人机航迹的威胁代价，为威胁K对无人机第j个航迹段的威胁代价，根据航迹段与威胁中心的距离计算，d_k为航迹段与威胁中心的距离，R_k为威胁半径，S为安全距离；f₃为无人机航迹的高程代价，H_j为第j个航迹点的高程代价，h_j为第j个航迹点的高度，h_max和h_min分别为预设的最大飞行高度和最小飞行高度；f₄为无人机航迹的平滑度代价，/>和θ_j分别为第j个航迹段的俯仰角和转弯角，w_i为f_i的权重系数。

进一步地，一实施例中，粒子更新模块用于：

根据第一更新公式更新粒子信息，所述第一更新公式为：

其中，pBesti_j ^t为粒子P_i的历史最优位置pBest_i ^t的球面向量，gBest_j ^t为全局最优位置gBest^t的球面向量，w为惯性权重，c₁和c₂为加速因子，r₁和r₂为(0，1)之间的随机数。

进一步地，一实施例中，粒子更新模块还用于：

更新惯性权重w以及加速因子c₁和c₂，公式如下：

w＝w_min+(w_max-w_min)(T-t)/T

c₁＝c_min+(c_max-c_min)(T-t)/T

c₂＝C_max-(c_max-c_min)(T-t)/T

其中，T为最大迭代次数，t为当前迭代次数，w_max和w_min为惯性权重的最大值和最小值，c_max和c_min为c₁和c₂的最大值和最小值。

进一步地，一实施例中，粒子更新模块用于：

根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择一个粒子作为第一预设粒子P_k；

根据第二更新公式更新粒子信息，所述第二更新公式为：

/>

其中，pBest_kj ^t为第一预设粒子P_k的历史最优位置pBest_k ^t的球面向量，r₁和r₂为(0，1)之间的随机数，c为加速因子。

进一步地，一实施例中，全局最优位置更新模块用于：

在所有粒子均完成步骤S4后，根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择三个粒子P_c1、P_c2和P_c3；

根据差分变异公式生成第二预设粒子Q，所述差分变异公式为：

X＝pBest_c1 ^t+r(pBeSt_c2 ^t-pBest_c3 ^t)

其中，X为第二预设粒子Q的位置信息，pBest_d ^t、pBest_c2 ^t和pBest_c3 ^t分别为粒子P_c1、P_c2和P_c3的历史最优位置，r为(0，1)之间的随机数；

若第二预设粒子Q的适应度值f(X)优于全局最优位置gBest^t的适应度值f(gBest^t)，则将全局最优位置gBest^t更新为第二预设粒子Q的位置信息X，否则保持全局最优位置gBest^t不变，完成一轮迭代。

第三方面，本发明实施例提供一种无人机航迹规划设备，该无人机航迹规划设备可以是个人计算机(personal computer，PC)、笔记本电脑、服务器等具有数据处理功能的设备。

图7示出了本发明一实施例中无人机航迹规划设备的硬件结构示意图。

参照图7，本发明实施例中，无人机航迹规划设备可以包括处理器1001(例如中央处理器Central Processing Unit，CPU)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信；用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)；网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真WIreless-FIdelity，WI-FI接口)；存储器1005可以是高速随机存取存储器(random access memory，RAM)，也可以是稳定的存储器(non-volatilememory)，例如磁盘存储器，存储器1005可选的还可以是独立于前述处理器1001的存储装置。本领域技术人员可以理解，图7中示出的硬件结构并不构成对本发明的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

继续参照图7，图7中作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及无人机航迹规划程序。其中，处理器1001可以调用存储器1005中存储的无人机航迹规划程序，并执行本发明实施例提供的无人机航迹规划方法。

第四方面，本发明实施例还提供一种可读存储介质。

本发明可读存储介质上存储有无人机航迹规划程序，其中所述无人机航迹规划程序被处理器执行时，实现如上述的无人机航迹规划方法的步骤。

其中，无人机航迹规划程序被执行时所实现的方法可参照本发明无人机航迹规划方法的各个实施例，此处不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其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过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种无人机航迹规划方法，其特征在于，所述无人机航迹规划方法包括：

S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息

S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置pBest_i ^t更新，则停滞次数清零；

S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

2.如权利要求1所述的无人机航迹规划方法，其特征在于，目标函数f为：

其中，无人机航迹具有n个航迹点、n-1个航迹段，f₁为无人机航迹总长度，dis(X_j,X_j+1)为第j个航迹段的长度；f₂为无人机航迹的威胁代价，为威胁K对无人机第j个航迹段的威胁代价，根据航迹段与威胁中心的距离计算，d_k为航迹段与威胁中心的距离，R_k为威胁半径，S为安全距离；f₃为无人机航迹的高程代价，H_j为第j个航迹点的高程代价，h_j为第j个航迹点的高度，h_max和h_min分别为预设的最大飞行高度和最小飞行高度；f₄为无人机航迹的平滑度代价，/>和θ_j分别为第j个航迹段的俯仰角和转弯角，w_i为f_i的权重系数。

3.如权利要求1所述的无人机航迹规划方法，其特征在于，粒子P_i的位置信息S_i表示一条具有N个航迹段的飞行航迹，包括N个球面向量 每个球面向量表示一个航迹段，r_ij、/>和θ_ij分别为粒子P_i第j个航迹段的长度、俯仰角和转弯角；

粒子P_i的速度信息ΔS_i包括N个速度向量

4.如权利要求3所述的无人机航迹规划方法，其特征在于，所述根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息的步骤包括：

根据第一更新公式更新粒子信息，所述第一更新公式为：

其中，pBest_ij ^t为粒子P_i的历史最优位置pBest_i ^t的球面向量，gBest_j ^t为全局最优位置gBest^t的球面向量，w为惯性权重，c₁和c₂为加速因子，r₁和r₂为(0,1)之间的随机数。

5.如权利要求4所述的无人机航迹规划方法，其特征在于，在所述根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息的步骤之后还包括：

更新惯性权重w以及加速因子c₁和c₂，公式如下：

w＝w_min+(w_max-w_min)(T-t)/T

c₁＝c_min+(c_max-c_min)(T-t)/T

c₂＝C_max-(c_max-c_min)(T-t)/T

其中，T为最大迭代次数，t为当前迭代次数，w_max和w_min为惯性权重的最大值和最小值，c_max和c_min为c₁和c₂的最大值和最小值。

6.如权利要求3所述的无人机航迹规划方法，其特征在于，所述根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息的步骤包括：

根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择一个粒子作为第一预设粒子P_k；

根据第二更新公式更新粒子信息，所述第二更新公式为：

其中，pBest_kj ^t为第一预设粒子P_k的历史最优位置pBest_k ^t的球面向量，r₁和r₂为(0,1)之间的随机数，c为加速因子。

7.如权利要求1所述的无人机航迹规划方法，其特征在于，步骤S5具体包括：

在所有粒子均完成步骤S4后，根据历史最优适应度值f(pBest^t)对所有粒子进行排序，选取前若干个粒子作为目标粒子群，从所述目标粒子群中随机选择三个粒子P_c1、P_c2和P_c3；

根据差分变异公式生成第二预设粒子Q，所述差分变异公式为：

X＝pBest_c1 ^t+r(pBest_c2 ^t-pBest_c3 ^t)

其中，X为第二预设粒子Q的位置信息，pBest_c1 ^t、pBest_c2 ^t和pBest_c3 ^t分别为粒子P_c1、P_c2和P_c3的历史最优位置，r为(0,1)之间的随机数；

若第二预设粒子Q的适应度值f(X)优于全局最优位置gBest^t的适应度值f(gBest^t)，则将全局最优位置gBest^t更新为第二预设粒子Q的位置信息X，否则保持全局最优位置gBest^t不变，完成一轮迭代。

8.一种无人机航迹规划装置，其特征在于，所述无人机航迹规划装置包括：

目标函数确定模块，用于S1、基于无人机航迹总长度、威胁代价、高程代价和平滑度代价，确定目标函数f；

粒子初始化模块，用于S2、对粒子进行初始化，生成用于第一轮迭代的每个粒子P_i的位置信息和速度信息/>

最优位置确定模块，用于S3、在第t轮迭代中，根据每个粒子的位置信息和目标函数f计算得到每个粒子的当前适应度值/>确定每个粒子的历史最优位置pBest_i ^t、停滞次数和所有粒子的全局最优位置gBest^t，其中，t为当前迭代次数，初始值为1，每完成一轮迭代后t加一，若粒子的历史最优位置pBest_i ^t相比上一轮迭代未更新，则停滞次数加一，若粒子的历史最优位置[Best_i ^t更新，则停滞次数清零；

粒子更新模块，用于S4、若粒子P_i的停滞次数小于或等于预设阈值，则根据粒子P_i的历史最优位置pBest_i ^t和全局最优位置gBest^t更新粒子信息，否则根据第一预设粒子P_k的历史最优位置pBest_k ^t更新粒子信息，得到新的位置信息和速度信息/>其中，第一预设粒子P_k为历史最优适应度值f(pBest^t)较优的粒子群中随机选择的一个粒子；

全局最优位置更新模块，用于S5、在所有粒子均完成步骤S4后，从历史最优适应度值f(pBest^t)较优的粒子群中随机选择若干个粒子通过差分变异操作生成第二预设粒子Q，将第二预设粒子Q的适应度值与全局最优位置gBest^t的适应度值进行比较，将适应度值较优的粒子的位置信息作为全局最优位置gBest^t，完成一轮迭代；

最终航迹输出模块，用于S6、重复执行步骤S3至步骤S5，直到完成的迭代次数达到最大迭代次数T，将全局最优位置gBest^T作为最终航迹。

9.一种无人机航迹规划设备，其特征在于，所述无人机航迹规划设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的无人机航迹规划程序，其中所述无人机航迹规划程序被所述处理器执行时，实现如权利要求1至7中任一项所述的无人机航迹规划方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有无人机航迹规划程序，其中所述无人机航迹规划程序被处理器执行时，实现如权利要求1至7中任一项所述的无人机航迹规划方法的步骤。