CN117007067A - 一种基于a星算法的河道巡检无人机路径规划方法 - Google Patents

一种基于a星算法的河道巡检无人机路径规划方法 Download PDF

Info

Publication number
CN117007067A
CN117007067A CN202310732368.6A CN202310732368A CN117007067A CN 117007067 A CN117007067 A CN 117007067A CN 202310732368 A CN202310732368 A CN 202310732368A CN 117007067 A CN117007067 A CN 117007067A
Authority
CN
China
Prior art keywords
node
unmanned aerial
aerial vehicle
path planning
planning method
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
Application number
CN202310732368.6A
Other languages
English (en)
Inventor
倪世松
张涛
杨惠杰
王梦磊
沈剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310732368.6A priority Critical patent/CN117007067A/zh
Publication of CN117007067A publication Critical patent/CN117007067A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR

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

本发明公开了一种路径规划技术领域的基于A星算法的河道巡检无人机路径规划方法，旨在解决现有技术中无人机巡检过程中飞行受环境中障碍物影响等问题，其包括根据传感器采集到的环境信息，通过栅格法构建地图模型；建立OPEN列表和CLOSE列表；将起始节点放入OPEN列表中，比较与当前节点相邻的8个邻域节点的代价值，代价值最小的邻域节点作为下一节点，并将当前节点放入CLOSE列表，下一节点放入OPEN列表；若OPEN列表不为空，将下一节点作为当前节点，重新操作，直至下一节点为目标节点，输出路径。本发明可以在实现有效选择最佳路径的同时节省搜索时间，提升无人机作业安全性。

Description

一种基于A星算法的河道巡检无人机路径规划方法
技术领域
本发明涉及一种基于A星算法的河道巡检无人机路径规划方法，属于路径规划技术领域。
背景技术
全国水利普查结果显示，我国流域面积在50平方公里以上的河流有45203条，总长度达43万公里，大约绕地球赤道10.6圈。水利部在2012年发布的水利普查情况公报中透露，原本预计两年的普查，最终耗时3年才得以顺利完成，总共动用了近百万普查人员，采集了4亿多条普查数据。
由于人工巡查的成本过高，且危险系数太大，因此随着技术的发展，无人机取代人工进行各行业的巡查工作已成为必然趋势。在无人机执行任务时，不得不考虑环境等外界因素，环境中障碍物的数量影响着无人机飞行的时间和路径，如何从复杂的环境中找到一条可通往目标点的路线及其重要。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于A星算法的河道巡检无人机路径规划方法，可以在实现有效选择最佳路径的同时节省搜索时间，提升无人机作业安全性。
为达到上述目的，本发明是采用下述技术方案实现的：一种基于A星算法的河道巡检无人机路径规划方法，包括以下步骤：
S1、根据传感器采集到的环境信息，通过栅格法构建地图模型，其中，所述地图模型中每个栅格均作为一个节点，无人机起点所在栅格为起始节点，无人机终点所在栅格为目标节点。
S2、建立OPEN列表和CLOSE列表。
S3、将起始节点作为当前节点放入OPEN列表中，比较与当前节点相邻的8个邻域节点的代价值，代价值最小的邻域节点作为下一节点，并将当前节点放入CLOSE列表，下一节点放入OPEN列表。
S4、若OPEN列表不为空，将下一节点作为当前节点，重复S3操作，直至下一节点为目标节点，输出路径。
进一步的，所述传感器包括激光雷达测距仪和惯性测量单元，所述激光雷达测距仪用于对环境信息进行采集，所述惯性测量单元用于记录无人机机体信息。
进一步的，所述环境信息包括障碍物、起点和目标点信息，所述无人机机体信息包括机体形状、机体体积和姿态角。
进一步的，通过栅格法构建地图模型，包括：
根据传感器采集到的环境信息，将环境空间划分为一定数量的栅格单元。
对栅格单元进行赋值，其中，1表示有障碍物，0表示无障碍物。
进一步的，所述地图模型构建完成后还需对其进行预处理，所述预处理包括障碍物预处理和机体膨胀预处理。
所述障碍物预处理，包括对凹形障碍物的凹面所在栅格进行封闭处理。
所述机体膨胀预处理，包括放大无人机模型体积，使得无人机模型体积大于无人机体积。
进一步的，所述下一节点为未放入过OPEN列表的节点。
进一步的，所述代价值由启发函数计算得出，所述启发函数公式为：
f(n)＝g(n)+h(n)
其中，n为当前节点，f(n)为当前节点的总代价值，g(n)为从起始节点到当前节点的实际代价值，h(n)为从当前节点到目标节点的预估代价值。
进一步的，h(n)采用曼哈顿距离函数进行计算，所述曼哈顿距离函数的表达式为：
h(n)＝M(x)＝|x1-x2|+|y1-y2|
其中，(x1,y1)为当前节点的坐标，(x2,y2)为目标节点的坐标。
进一步的，为增强h(n)的启发性，对邻域节点计算代价值的顺序进行优先级分配，包括：
设从起始节点到目标节点的搜索向量为从起始节点到邻域节点的移动向量为/> 与/>之间的夹角记为θ，对于θ值小的领域节点先进行代价值的计算。
与现有技术相比，本发明所达到的有益效果：
本发明通过栅格法建立地图模型，建立速度快，在A星算法中加入了优先级策略，通过对节点规定优先级来优化路径选择，提升了处理速度以及节点的平滑度；
本发明在开始对地图模型进行预处理，进一步提升了搜索时间，同时对机体进行体积膨胀处理，保证了无人机作业的安全。
附图说明
图1为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的流程示意图；
图2为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的地图模型示意图；
图3为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的障碍物预处理的演示示意图；
图4为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的机体膨胀预处理的演示示意图；
图5为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的向量夹角的演示示意图；
图6为本发明的一种实施例中基于A星算法的河道巡检无人机路径规划方法的曼哈顿距离函数的演示示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，因此不能理解为对本发明的限制。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
实施例1：
如图1所示，本发明实施例提供一种A星算法的河道巡检无人机路径规划方法，包括以下步骤：
(1)传感器采集环境信息，传感器可选择激光雷达测距仪和惯性测量单元，激光雷达测距仪对障碍物、起点和目标点等环境信息进行采集，同时配合惯性测量单元对机体形状、机体体积和姿态角等机体信息进行记录。
通过栅格法构建地图模型，选择一定形状的多边形将二维地图分割为独立的单元格，每个单元格之间相互连接且不重叠，每个单元格称为栅格，栅格划分的越小，地图信息越精确，但是相对的搜索时间也越长，所以应选择合适大小的栅格。
对栅格进行赋值，被障碍物占用的栅格赋值为1，未被占用的栅格赋值为0，如图2所示，图2为本实施例构建的地图模型示意图，本实施例选择的多边形为正方形，图中黑色代表障碍物。
(2)对地图模型进行预处理，预处理包括障碍物预处理和机体膨胀预处理。
由于A*算法是启发式搜索算法，因此一定能规划出一条从起点到终点的路径，但是会产生大量的无效搜索，其中有很大一部分是由于部分障碍物造成的。因此，考虑到A*算法独有的8领域搜索方式，通过障碍物预处理对凹形障碍物的凹面进行封闭处理，从而避免不必要的搜索。
结合图3，图3为障碍物预处理的演示示意图，对栅格2、3、5、7作封闭处理后，搜索得到的路径更佳。
另外，由于A*算法并不考虑无人机自身体积，因此在规划出的路径中可能会出现十分接近障碍物的路径甚至穿越障碍物的路径，因此通过机体膨胀预处理对无人机进行膨胀处理，放大无人机模型的体积，保证膨胀后的模型大于无人机自身体积。
结合图4，图4为机体膨胀预处理的演示示意图，其中左图为未膨胀处理可能出现的路径，右图是膨胀后规划的路径，比较可知，右图的路径规划更为合理准确。
(3)通过A*算法搜索路径
第一步，对系统进行初始化，建立OPEN列表和CLOSE列表，将地图模型中的每个栅格都作为一个节点，无人机起点所在栅格为起始节点，无人机终点所在栅格为目标节点。
第二步，将起始节点作为当前节点放入OPEN列表，以当前节点为中心寻找与其相邻的8个邻域节点，比较邻域节点的代价值，代价值由启发函数计算得出，启发函数公式为：
f(n)＝g(n)+h(n)
其中，n为当前节点，f(n)为当前节点的总代价值，g(n)为从起始节点到当前节点的实际代价值，h(n)为从当前节点到目标节点的预估代价值。
如图6所示，h(n)采用曼哈顿距离函数进行计算，所述曼哈顿距离函数的表达式为：
h(n)＝M(x)＝|x1-x2|+|y1-y2|
其中，(x1,y1)为当前节点的坐标，(x2,y2)为目标节点的坐标。
将所得代价值最小的邻域节点作为下一节点，并将当前节点放入CLOSE列表，下一节点放入OPEN列表。
判断所得代价值最小的邻域节点是否为目标节点，若不是，则当下一节点作为当前节点，重复第二步的操作，直至下一节点为目标节点，反向输出从目标点到起始点的路径，程序结束，得到最优路径。
另外，需注意，放入过OPEN列表中的节点不能再次放入，所以会出现OPEN列表为空的情况，这种情况为起始节点被闭合障碍物包围，始终无法达到目标节点。
实施例2：
在实施例1的基础上，本实施例为增强h(n)的启发性，对邻域节点计算代价值的顺序进行优先级分配，步骤包括：
结合图5，设从起始节点到目标节点的搜索向量为从起始节点到邻域节点的移动向量为/> 与/>之间的夹角记为θ，对于θ值小的领域节点先进行代价值的计算，从而避免很多不必要的搜索。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (9)

1.一种基于A星算法的河道巡检无人机路径规划方法，其特征在于，包括以下步骤：
S1、根据传感器采集到的环境信息，通过栅格法构建地图模型，其中，所述地图模型中每个栅格均作为一个节点，无人机起点所在栅格为起始节点，无人机终点所在栅格为目标节点；
S2、建立OPEN列表和CLOSE列表；
S3、将起始节点作为当前节点放入OPEN列表中，比较与当前节点相邻的8个邻域节点的代价值，代价值最小的邻域节点作为下一节点，并将当前节点放入CLOSE列表，下一节点放入OPEN列表；
S4、若OPEN列表不为空，将下一节点作为当前节点，重复S3操作，直至下一节点为目标节点，输出路径。
2.根据权利要求1所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，所述传感器包括激光雷达测距仪和惯性测量单元，所述激光雷达测距仪用于对环境信息进行采集，所述惯性测量单元用于记录无人机机体信息。
3.根据权利要求2所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，所述环境信息包括障碍物、起点和目标点信息，所述无人机机体信息包括机体形状、机体体积和姿态角。
4.根据权利要求1所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，通过栅格法构建地图模型，包括：
根据传感器采集到的环境信息，将环境空间划分为一定数量的栅格单元；
对栅格单元进行赋值，其中，1表示有障碍物，0表示无障碍物。
5.根据权利要求4所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，所述地图模型构建完成后还需对其进行预处理，所述预处理包括障碍物预处理和机体膨胀预处理；
所述障碍物预处理，包括对凹形障碍物的凹面所在栅格进行封闭处理；
所述机体膨胀预处理，包括放大无人机模型体积，使得无人机模型体积大于无人机体积。
6.根据权利要求1所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，所述下一节点为未放入过OPEN列表的节点。
7.根据权利要求1所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，所述代价值由启发函数计算得出，所述启发函数公式为：
f(n)＝g(n)+h(n)
其中，n为当前节点，f(n)为当前节点的总代价值，g(n)为从起始节点到当前节点的实际代价值，h(n)为从当前节点到目标节点的预估代价值。
8.根据权利要求7所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，h(n)采用曼哈顿距离函数进行计算，所述曼哈顿距离函数的表达式为：
h(n)＝M(x)＝|x1-x2|+|y1-y2|
其中，(x1,y1)为当前节点的坐标，(x2,y2)为目标节点的坐标。
9.根据权利要求7所述的基于A星算法的河道巡检无人机路径规划方法，其特征在于，为增强h(n)的启发性，对邻域节点计算代价值的顺序进行优先级分配，包括：
设从起始节点到目标节点的搜索向量为从起始节点到邻域节点的移动向量为/> 与/>之间的夹角记为θ，对于θ值小的领域节点先进行代价值的计算。
CN202310732368.6A 2023-06-20 2023-06-20 一种基于a星算法的河道巡检无人机路径规划方法 Pending CN117007067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310732368.6A CN117007067A (zh) 2023-06-20 2023-06-20 一种基于a星算法的河道巡检无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310732368.6A CN117007067A (zh) 2023-06-20 2023-06-20 一种基于a星算法的河道巡检无人机路径规划方法

Publications (1)

Publication Number Publication Date
CN117007067A true CN117007067A (zh) 2023-11-07

Family

ID=88569973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310732368.6A Pending CN117007067A (zh) 2023-06-20 2023-06-20 一种基于a星算法的河道巡检无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN117007067A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117268402A (zh) * 2023-11-17 2023-12-22 黑龙江哲讯信息技术有限公司 一种基于5g通信技术的无人机勘察路径规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117268402A (zh) * 2023-11-17 2023-12-22 黑龙江哲讯信息技术有限公司 一种基于5g通信技术的无人机勘察路径规划方法
CN117268402B (zh) * 2023-11-17 2024-01-30 黑龙江哲讯信息技术有限公司 一种基于5g通信技术的无人机勘察路径规划方法

Similar Documents

Publication Publication Date Title
CN108444482B (zh) 一种无人机自主寻路避障方法及系统
CN111857160B (zh) 一种无人车路径规划方法和装置
US20170199525A1 (en) Apparatus and method for deploying sensors
CN110531759A (zh) 机器人探索路径生成方法、装置、计算机设备和存储介质
CN108871353A (zh) 路网地图生成方法、系统、设备及存储介质
US20120221237A1 (en) Apparatus and method of cell-based path planning for mobile body
CN106371445A (zh) 一种基于拓扑地图的无人车规划控制方法
CN110823240A (zh) 一种具有航向约束的跟随机器人路径规划方法及系统
CN117007067A (zh) 一种基于a星算法的河道巡检无人机路径规划方法
CN114440916B (zh) 一种导航方法、装置、设备及存储介质
CN112783169A (zh) 一种路径规划方法、设备及计算机可读存储介质
CN110135644A (zh) 一种用于目标搜索的机器人路径规划方法
CN111427341B (zh) 一种基于概率地图的机器人最短预期时间目标搜索方法
CN115167398A (zh) 一种基于改进a星算法的无人船路径规划方法
CN114296474A (zh) 一种基于路径时间代价的无人机路径规划方法及系统
CN114625162A (zh) 基于混合算法的无人机最优路径规划方法、系统及介质
CN114879660A (zh) 一种基于目标驱动的机器人环境感知方法
JP4127419B2 (ja) 移動ロボットのグローバル地図構築方法
CN117075607A (zh) 一种适用于复杂环境的改进jps的无人车路径规划方法
Yan et al. MUI-TARE: Multi-Agent Cooperative Exploration with Unknown Initial Position
CN114442629B (zh) 一种基于图像处理的移动机器人路径规划方法
Tahirovic et al. An approximate of the cost-to-go map on rough terrains
CN113776535A (zh) 一种基于栅格化电子海图的无人艇航路规划方法
CN113341957A (zh) 一种基于痕迹地图A_star算法的多机器人路径规划方法
Chen et al. Coverage path planning based on improved exact cellular decomposition method in ocean survey

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