CN117213484A - 一种基于遗传算法的航点连线方法、装置及智能终端 - Google Patents
一种基于遗传算法的航点连线方法、装置及智能终端 Download PDFInfo
- Publication number
- CN117213484A CN117213484A CN202310748840.5A CN202310748840A CN117213484A CN 117213484 A CN117213484 A CN 117213484A CN 202310748840 A CN202310748840 A CN 202310748840A CN 117213484 A CN117213484 A CN 117213484A
- Authority
- CN
- China
- Prior art keywords
- waypoints
- waypoint
- population
- genetic algorithm
- adjacent
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 230000002068 genetic effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 230000009194 climbing Effects 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明公开了一种基于遗传算法的航点连线方法,所述方法包括:获取航点集和实景模型;根据航点集和实景模型得到相邻航点间位置关系;根据相邻航点间位置关系,得到相邻航点间的权重值;根据相邻航点间的权重值进行遗传算法计算,得到航点连线。本发明不仅考虑航点间的距离,还考虑飞行器的爬升、耗电量、视角变动等,通过水平距离、垂直距离、水平转向、垂直转向参数得到航点间的权重值,并借助遗传算法的迭代计算综合实现航线的最优规划。
Description
技术领域
本发明涉及航线规划领域,具体涉及一种基于遗传算法的航点连线方法、装置及智能终端。
背景技术
无人机航测是传统航空摄影测量手段的有力补充,具有机动灵活、高效快速、精细准确、作业成本低、适用范围广、生产周期短等特点,在小区域和飞行困难地区,高分辨率影像快速获取方面具有明显优势。其中,航线规划是制作高质量影像图的关键,包括规划飞行航线、作业高度、飞行架次,是无人机航测外业中的重要内容之一。航线规划需要根据测区的地形地貌来进行设计,且必须保证的足够重叠率,因此,需要综合考虑各方面因素,以保障飞行安全和满足影像后期处理需求。
目前的航线规划方法在获得航点后,以航线的路程最短为目标,将所有的航点相连获得航线。只是简单的考虑到路程,没有考虑到无人机的限制条件,如爬升能力、转向能力等,导致航线设计结果不理想。
因此,现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于遗传算法的航点连线方法、装置及智能终端,旨在解决现有技术中没有考虑到无人机的限制条件,如爬升能力、转向能力等,导致航线设计结果不理想的问题。
本发明解决技术问题所采用的技术方案如下:
第一方面,本发明提供一种基于遗传算法的航点连线方法,其中,所述方法包括:
获取航点集和实景模型;
根据所述航点集和实景模型得到相邻航点间位置关系;
根据所述相邻航点间位置关系,得到相邻航点间的权重值;
根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线。
在一种实现方式中,所述获取航点集和实景模型,包括:
获取航点集合,其中,所述航点集合根据个体序列的次序排序并依次连线;
获取所述实景模型,其中,所述实景模型包括点集和面集;
根据所述航点集合和实景模型,得到任一航点的位置坐标;
将所述航点的个体序列和位置坐标一一对应,得到航点集,其中,所述航点集包括按照所述个体序列依次排列的若干航点。
在一种实现方式中,所述根据所述相邻航点间位置关系,得到相邻航点间的权重值,包括:
预设相邻航点间的权重比例,其中,所述权重比例包括水平距离代价、垂直距离代价、水平旋角代价、垂直旋角代价;
根据所述相邻航点间位置关系,得到相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值;
根据所述相邻航点间的权重比例、相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值,得到相邻航点间的权重值。
在一种实现方式中,若相邻两个航点是不可达的,则相邻航点间的权重值设为99999。
在一种实现方式中,所述根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线,包括:
根据所述相邻航点间的权重值进行种群初始化,得到初始化种群;
对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列;
根据所述更新的种群个体序列,得到所述航点连线。
在一种实现方式中,所述根据所述相邻航点间的权重值进行种群初始化,得到初始化种群,包括:
获取相邻航点间的权重值的数量;
根据所述相邻航点间的权重值的数量,得到种群数量;
根据所述种群数量,生成种群;
根据所述个体序列,得到每个航点的索引值;
根据所述相邻航点间的权重值,得到种群个体适应性值;
预设子代数量和迭代次数;
根据所述种群数量、索引值、种群个体适应性值子代数量和迭代次数初始化所述种群,得到所述初始化种群。
在一种实现方式中,所述对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列,包括:
选取所述初始化种群中的若干航点作为父代个体;
根据所述子代数量将所述父代个体进行交叉操作,得到若干子代个体;
对所述子代个体进行变异操作,得到更新的初始化种群;
对所述更新的初始化种群进行选择操作,得到更新的个体序列;
根据所述更新的个体序列,重新执行所述获取航点集合的步骤,直到完成所述迭代次数为止,得到所述更新的种群个体序列。
第二方面,本发明实施例还提供一种基于遗传算法的航点连线装置,其中,所述装置包括:
航点集和实景模型获取模块,用于获取航点集和实景模型;
位置关系获取模块,用于根据所述航点集和实景模型得到航点间位置关系;
权重值获取模块,用于根据所述航点间位置关系,得到航点间的权重值;
计算模块,用于通过遗传算法计算所述航点间的权重值,得到航点连线。
第三方面,本发明实施例还提供一种智能终端,其中,所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于遗传算法的航点连线程序,所述处理器执行所述基于遗传算法的航点连线程序时,实现如以上任一项所述的基于遗传算法的航点连线方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其中,所述计算机可读存储介质上存储有基于遗传算法的航点连线程序,所述基于遗传算法的航点连线程序被处理器执行时,实现如以上任一项所述的基于遗传算法的航点连线方法的步骤。
有益效果:与现有技术相比,本发明提供了一种基于遗传算法的航点连线方法,所述方法包括:获取航点集和实景模型,并根据航点集和实景模型得到航点间位置关系。这样,就得到了带有地形、地貌、航高条件的航点间的相对位置。然后,根据航点间位置关系,得到航点间的权重值。通过用权重值表示无人机之间的距离,角度等信息,可以将实际问题建立商旅模型以求解。最后,通过遗传算法计算所述航点间的权重值,得到航点连线。通过将权重值设为种群个体的适应性值,就可以通过遗传算法解决商旅问题的原理,得到最优航线。本发明不仅考虑航点间的距离,还考虑飞行器的爬升、耗电量、视角变动等,通过水平距离、垂直距离、水平转向、垂直转向参数得到航点间的权重值,从而确定个体适应性值,并借助遗传算法的迭代计算综合实现航线的最优规划
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于遗传算法的航点连线方法流程示意图。
图2是本发明实施例提供的基于遗传算法的航点连线装置的原理框图。
图3是本发明实施例提供的智能终端的内部结构原理框图
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
航点是飞机飞行的一个目的地,控制飞机飞行到达一个或多个航点,完成一次飞行。确定航点对于飞机的飞控是基本的步骤,航点对于飞机的安全飞行有着重要影响。目前,目前的航线规划方法在获得航点后,以航线的路程最短为目标,将所有的航点相连获得航线。只是简单的考虑到路程,没有考虑到无人机的限制条件,如爬升能力、转向能力等,导致航线设计结果不理想。
为解决上述问题,本发明提出一种基于遗传算法的航点连线方法,不仅考虑无人机的距离,还考虑无人机的爬升、无人机耗电量、无人机的视角变动等各个参数综合实现航线的最优。上述参数包括:水平距离、垂直距离、水平转向、垂直转向等。并借助遗传算法的迭代计算综合实现航线的最优规划。
示例性方法
本实施例提供一种基于遗传算法的航点连线方法。如图1所示,所述方法包括如下步骤:
步骤S100、获取航点集和实景模型;
具体地,航点是在GPS中记录的重要的地点和地标,可以由地图或参考信息的坐标来设置及保存航点。实景三维模型其实就是运用数码相机或激光扫描仪对现场进行多角度环视拍摄,再利用三维实景建模软件进行处理生成的一种三维虚拟展示技术,能够对三维模型进行放大、缩小、移动等操作,同时还可以查看实景三维模型中物体的详细信息。实景三维模型可以用于面积测量和航线规划。获取到航点和实景模型,就可以得到航点在地图中的坐标和相对位置信息。
在一种实现方式中,本实施例所述步骤S100包括如下步骤:
步骤S101、获取航点集合,其中,所述航点集合根据个体序列的次序排序并依次连线;
具体地,初始的个体序列为随机生成,例如编号1-15的连续自然数,或者自然数6,1,8也可以组成个体序列。个体序列中的每一个数字唯一对应一个航点,通过对个体序列的排序,可以将航点排序并连线,在本实施例中,根据个体序列得到的航点连线,可以用来规划航线。
步骤S102、获取所述实景模型,其中,所述实景模型包括点集和面集;
步骤S103、根据所述航点集合和实景模型,得到任一航点的位置坐标;
步骤S104、将所述航点的个体序列和位置坐标一一对应,得到航点集,其中,所述航点集包括按照所述个体序列依次排列的若干航点。
具体地,实景模型通过点集和面集。本实施例中,通过倾斜摄影实景建模,通过无人机搭载高分辨率倾斜相机等设备从不同角度对现场进行航拍数据采集,然后利用全自动三维建模软件ContextCapture对采集的照片、点云、视频等数据进行空三解算后快速创建厘米级的实景模型。
航点集合表示航点之间的连线,通过将航点集合和实景模型结合,可以得到航点的个体序列和实景地图中的位置坐标的对应关系,从而在实景地图中建立航点连线。
步骤S200、根据所述航点集和实景模型得到相邻航点间位置关系;
具体地,根据相邻两个航点在实景地图中的位置坐标,就可以得到两个航点之间的相对位置,例如相邻航点是否重合,是否有遮挡,是否可到达,是否有高度差,以及航点之间的异常天气影响等。
步骤S300、根据所述相邻航点间位置关系,得到相邻航点间的权重值;
在一种实现方式中,本实施例所述步骤S300包括如下步骤:
步骤S301、预设相邻航点间的权重比例,其中,所述权重比例包括水平距离代价、垂直距离代价、水平旋角代价、垂直旋角代价;
具体地,确定权重比例,包括水平距离代价A、垂直距离代价B、水平旋角代价C、垂直旋角代价D。这样,就可以确定水平移动,垂直移动,水平转向,垂直转向时,无人机移动所需要的代价(cost),即通过权重比例确定不同移动方式的影响效果大小。
步骤S302、根据所述相邻航点间位置关系,得到相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值;
具体地,根据所述航点集和实景模型得到相邻航点间位置关系,包括的两航点水平距离值(distance_xy)、两航点高度差值(distance_z)、两航点水平朝向角度差值(yall)和两航点垂直角度差值(pitch)。
步骤S303、根据所述相邻航点间的权重比例、相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值,得到相邻航点间的权重值。
具体地,相邻航点间的权重值为一维数值。根据相邻航点间的权重比例、相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值,得到相邻航点间的权重值如下:
cost=sqrt(pow(distance_xy*A,2)+pow(distance_z*B,2)+yall*C+pitch*D);
其中,cost为权重值,pow()方法为值的平方、sqrt()方法为值的平方根;A为水平距离代价、B为垂直距离代价、C为水平旋角代价、D为垂直旋角代价,distance_xy为两航点水平距离值、distance_z为两航点高度差值、yall为两航点水平朝向角度差值、pitch为两航点垂直角度差值。
若相邻两个航点是不可达的,则相邻航点间的权重值设为99999。
步骤S400、根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线。
在一种实现方式中,本实施例所述步骤S400包括如下步骤:
步骤S401、根据所述相邻航点间的权重值进行种群初始化,得到初始化种群;
在一种实现方式中,本实施例所述步骤S401包括如下步骤:
步骤S4011、获取相邻航点间的权重值的数量;
步骤S4012、根据所述相邻航点间的权重值的数量,得到种群数量;
步骤S4013、根据所述种群数量,生成种群;
步骤S4014、根据所述个体序列,得到每个航点的索引值;
步骤S4015、根据所述相邻航点间的权重值,得到种群个体适应性值;
步骤S4016、预设子代数量和迭代次数;
步骤S4017、根据所述种群数量、索引值、种群个体适应性值子代数量和迭代次数初始化所述种群,得到所述初始化种群。
具体地,遗传算法(Genetic Algorithm,GA)是一种基于遗传进化思想的优化算法,被广泛应用于寻找复杂问题的最优解。它是模拟生物进化过程中的自然选择、交叉和变异等基本遗传操作的一种方法。遗传算法将优化问题看作是在候选解的空间中进行搜索,通过不断进化得到更优的解。与其他优化算法相比,遗传算法具有并行性、全鋦搜索能力强、对目标函数的要求低等优点,因此在许多领域得到了广泛的应用。
种群是指生物的进化以群体的形式进行,这样的一个群体称为种群,个体即组成种群的单个生物。在本实施例中,首先划分了若干种群,每个种群中包含若干航点,航点之间通过个体序列依次连线,通过连线的方式,组成了最初的航线。个体适应性值能够体现生存竞争对于个体间适者生存的能力。对环境的种群个体适应性值高的个体参与繁殖的机会比较多,后代就会越来越多。种群个体适应性值的个体参与繁殖的机会比较少,后代就会越来越少。
在本实施例中,通过将相邻航点间的权重值作为种群个体适应性值,可以实现将建立水平距离、垂直距离、水平转向、垂直转向参数与种群个体适应性值之间的联系。从而,不仅考虑到路程,还可以考虑到无人机的限制条件,如爬升能力、转向能力等,以得到最优航线。通过预设子代数量和迭代次数,完成遗传算法模型的建模。
步骤S402、对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列;
具体地,在遗传算法的繁殖过程中,发生基因交叉、变异、选择后,种群个体适应性值低的个体会被逐步淘汰,而适应度高的个体会越来越多。那么经过预设的迭代次数的后代的自然选择后,保存下来的个体都是适应度很高的。借鉴生物进化论,遗传算法就会进化出适应性值最高的个体,即更新的种群个体序列。
在一种实现方式中,本实施例所述步骤S402包括如下步骤:
步骤S4021、选取所述初始化种群中的若干航点作为父代个体;
步骤S4022、根据所述子代数量将所述父代个体进行交叉操作,得到若干子代个体;
步骤S4023、对所述子代个体进行变异操作,得到更新的初始化种群;
步骤S4024、根据所述更新的初始化种群,得到更新的个体序列;
步骤S4025、根据所述更新的个体序列,重新执行所述获取航点集合的步骤,直到完成所述迭代次数为止,得到所述更新的种群个体序列。
具体地,如果要获取N个航点的最优航线,总的可选路线数就是n!,进而时间复杂度就是O(n),从这里可以看出,直接遍历n!条线路的时间复杂度是非多项式的,它的开销大是显而易见的。所以寻找最优航线,在于去寻找一那条代价最小的巡回路径,即连接个航点的最优个体序列。
在本实施例中,根据预设的迭代次数和父本产生的子代数量,进行选择、变异和交叉操作,包括:根据个体适应性值,选取若干个个体作为父代,用于产生下一代,再将选出的父代个体进行交叉,生成新的个体作为下一代,对新一代中的某些个体进行变异操作,引入新的变化,增加解空间的探索能力。这样就可以经过迭代次数的计算后,进化出种群个体适应性最高的个体,即更新的种群个体序列。
步骤S403、根据所述更新的种群个体序列,得到所述航点连线。
具体地,根据更新的种群个体序列,就可以将航点依次重新连线,组成的航线就是最优的航点连线。
示例性装置
如图2中所示,本实施例还提供一种基于遗传算法的航点连线装置,其特征在于,所述装置包括:
航点集和实景模型获取模块10,用于获取航点集和实景模型;
位置关系获取模块20,用于根据所述航点集和实景模型得到航点间位置关系;
权重值获取模块30,用于根据所述航点间位置关系,得到航点间的权重值;
计算模块40,用于通过遗传算法计算所述航点间的权重值,得到航点连线。
在一种实现方式中,本实施例所述航点集和实景模型获取模块10包括:
航点集合获取单元,用于获取航点集合,其中,所述航点集合根据个体序列的次序排序并依次连线;
实景模型获取单元,用于获取所述实景模型,其中,所述实景模型包括点集和面集;
位置坐标获取单元,用于根据所述航点集合和实景模型,得到任一航点的位置坐标;
航点集获取单元,用于将所述航点的个体序列和位置坐标一一对应,得到航点集,其中,所述航点集包括按照所述个体序列依次排列的若干航点。
在一种实现方式中,本实施例所述权重值获取模块30包括:
权重比例获取单元,用于预设相邻航点间的权重比例,其中,所述权重比例包括水平距离代价、垂直距离代价、水平旋角代价、垂直旋角代价;
数据获取单元,用于根据所述相邻航点间位置关系,得到相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值;
权重值获取单元,用于根据所述相邻航点间的权重比例、相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值,得到相邻航点间的权重值。若相邻两个航点是不可达的,则相邻航点间的权重值设为99999。
在一种实现方式中,本实施例所述计算模块40包括:
初始化单元,用于根据所述相邻航点间的权重值进行种群初始化,得到初始化种群;
在一种实现方式中,本实施例所述初始化单元包括:
权重值数量获取子单元,用于获取相邻航点间的权重值的数量;
种群数量获取子单元,用于根据所述相邻航点间的权重值的数量,得到种群数量;
种群生成子单元,用于根据所述种群数量,生成种群;
索引值获取子单元,用于根据所述个体序列,得到每个航点的索引值;
个体适应性值获取子单元,用于根据所述相邻航点间的权重值,得到种群个体适应性值;
迭代条件设置子单元,用于预设子代数量和迭代次数;
初始化子单元,用于根据所述种群数量、索引值、种群个体适应性值子代数量和迭代次数初始化所述种群,得到所述初始化种群。
计算单元,用于对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列;
在一种实现方式中,本实施例所述计算单元包括:
选择子单元,用于选取所述初始化种群中的若干航点作为父代个体;
交叉子单元,用于根据所述子代数量将所述父代个体进行交叉操作,得到若干子代个体;
变异子单元,用于对所述子代个体进行变异操作,得到更新的初始化种群;
更新子单元,用于根据所述更新的初始化种群,得到更新的个体序列;
迭代子单元,用于根据所述更新的个体序列,重新执行所述获取航点集合的步骤,直到完成所述迭代次数为止,得到所述更新的种群个体序列。
连线子单元,用于根据所述更新的种群个体序列,得到所述航点连线。
基于上述实施例,本发明还提供了一种智能终端,其原理框图可以如图3所示。该智能终端包括通过系统总线连接的处理器、存储器、网络接口、显示屏、温度传感器。其中,该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于遗传算法的航点连线方法。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏,该智能终端的温度传感器是预先在智能终端内部设置,用于检测内部设备的运行温度。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的智能终端的限定,具体的智能终端以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种智能终端,智能终端包括存储器、处理器及存储在存储器中并可在处理器上运行的基于遗传算法的航点连线程序,处理器执行基于遗传算法的航点连线程序时,实现如下操作指令:
获取航点集和实景模型;
根据所述航点集和实景模型得到相邻航点间位置关系;
根据所述相邻航点间位置关系,得到相邻航点间的权重值;
根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双运营数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上,本发明公开了一种基于遗传算法的航点连线方法,所述方法包括:获取航点集和实景模型;根据所述航点集和实景模型得到相邻航点间位置关系;根据所述相邻航点间位置关系,得到相邻航点间的权重值;根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线。本发明不仅考虑航点间的距离,还考虑飞行器的爬升、耗电量、视角变动等,通过水平距离、垂直距离、水平转向、垂直转向参数得到航点间的权重值,并借助遗传算法的迭代计算综合实现航线的最优规划。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于遗传算法的航点连线方法,其特征在于,所述方法包括:
获取航点集和实景模型;
根据所述航点集和实景模型得到相邻航点间位置关系;
根据所述相邻航点间位置关系,得到相邻航点间的权重值;
根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线。
2.根据权利要求1所述的基于遗传算法的航点连线方法,其特征在于,所述获取航点集和实景模型,包括:
获取航点集合,其中,所述航点集合根据个体序列的次序排序并依次连线;
获取所述实景模型,其中,所述实景模型包括点集和面集;
根据所述航点集合和实景模型,得到任一航点的位置坐标;
将所述航点的个体序列和位置坐标一一对应,得到航点集,其中,所述航点集包括按照所述个体序列依次排列的若干航点。
3.根据权利要求1所述的基于遗传算法的航点连线方法,其特征在于,所述根据所述相邻航点间位置关系,得到相邻航点间的权重值,包括:
预设相邻航点间的权重比例,其中,所述权重比例包括水平距离代价、垂直距离代价、水平旋角代价、垂直旋角代价;
根据所述相邻航点间位置关系,得到相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值;
根据所述相邻航点间的权重比例、相邻航点间的水平距离值、高度差值、水平朝向角度差值和垂直角度差值,得到相邻航点间的权重值。
4.根据权利要求3所述的基于遗传算法的航点连线方法,其特征在于,若相邻两个航点是不可达的,则相邻航点间的权重值设为99999。
5.根据权利要求1所述的基于遗传算法的航点连线方法,其特征在于,所述根据所述相邻航点间的权重值进行遗传算法计算,得到航点连线,包括:
根据所述相邻航点间的权重值进行种群初始化,得到初始化种群;
对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列;
根据所述更新的种群个体序列,得到所述航点连线。
6.根据权利要求5所述的基于遗传算法的航点连线方法,其特征在于,所述根据所述相邻航点间的权重值进行种群初始化,得到初始化种群,包括:
获取相邻航点间的权重值的数量;
根据所述相邻航点间的权重值的数量,得到种群数量;
根据所述种群数量,生成种群;
根据所述个体序列,得到每个航点的索引值;
根据所述相邻航点间的权重值,得到种群个体适应性值;
预设子代数量和迭代次数;
根据所述种群数量、索引值、种群个体适应性值子代数量和迭代次数初始化所述种群,得到所述初始化种群。
7.根据权利要求6所述的基于遗传算法的航点连线方法,其特征在于,所述对所述初始化种群进行交叉、变异、选择操作,得到更新的种群个体序列,包括:
选取所述初始化种群中的若干航点作为父代个体;
根据所述子代数量将所述父代个体进行交叉操作,得到若干子代个体;
对所述子代个体进行变异操作,得到更新的初始化种群;
根据所述更新的初始化种群,得到更新的个体序列;
根据所述更新的个体序列,重新执行所述获取航点集合的步骤,直到完成所述迭代次数为止,得到所述更新的种群个体序列。
8.一种基于遗传算法的航点连线装置,其特征在于,所述装置包括:
航点集和实景模型获取模块,用于获取航点集和实景模型;
位置关系获取模块,用于根据所述航点集和实景模型得到航点间位置关系;
权重值获取模块,用于根据所述航点间位置关系,得到航点间的权重值;
计算模块,用于通过遗传算法计算所述航点间的权重值,得到航点连线。
9.一种智能终端,其特征在于,所述智能终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于遗传算法的航点连线程序,所述处理器执行所述基于遗传算法的航点连线程序时,实现如权利要求1-7任一项所述的基于遗传算法的航点连线方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于遗传算法的航点连线程序,所述基于遗传算法的航点连线程序被处理器执行时,实现如权利要求1-7任一项所述的基于遗传算法的航点连线方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748840.5A CN117213484B (zh) | 2023-06-21 | 2023-06-21 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310748840.5A CN117213484B (zh) | 2023-06-21 | 2023-06-21 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117213484A true CN117213484A (zh) | 2023-12-12 |
CN117213484B CN117213484B (zh) | 2024-06-18 |
Family
ID=89046865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310748840.5A Active CN117213484B (zh) | 2023-06-21 | 2023-06-21 | 一种基于遗传算法的航点连线方法、装置及智能终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117213484B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
WO2018053768A1 (zh) * | 2016-09-22 | 2018-03-29 | 深圳市大疆创新科技有限公司 | 一种航线生成方法、装置及终端 |
CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN110850891A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 一种基于空间和时间协同的多无人机动态航路规划方法 |
CN111024086A (zh) * | 2019-12-19 | 2020-04-17 | 哈尔滨工程大学 | 一种基于群禽寻优技术的多无人机航迹规划方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN112525195A (zh) * | 2020-11-20 | 2021-03-19 | 中国人民解放军国防科技大学 | 基于多目标遗传算法的飞行器航迹快速规划方法 |
CN114740890A (zh) * | 2022-04-13 | 2022-07-12 | 江苏省国土资源动态监测中心 | 面向土地整治图斑监测的无人机航飞路径优化算法 |
CN115755953A (zh) * | 2022-10-28 | 2023-03-07 | 中国人民解放军国防科技大学 | 基于综合赋权的无人机任务规划方法、系统及存储介质 |
-
2023
- 2023-06-21 CN CN202310748840.5A patent/CN117213484B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018053768A1 (zh) * | 2016-09-22 | 2018-03-29 | 深圳市大疆创新科技有限公司 | 一种航线生成方法、装置及终端 |
CN107145161A (zh) * | 2017-05-27 | 2017-09-08 | 合肥工业大学 | 无人机访问多目标点的航迹规划方法及装置 |
CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
CN110850891A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 一种基于空间和时间协同的多无人机动态航路规划方法 |
CN111024086A (zh) * | 2019-12-19 | 2020-04-17 | 哈尔滨工程大学 | 一种基于群禽寻优技术的多无人机航迹规划方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
CN112525195A (zh) * | 2020-11-20 | 2021-03-19 | 中国人民解放军国防科技大学 | 基于多目标遗传算法的飞行器航迹快速规划方法 |
CN114740890A (zh) * | 2022-04-13 | 2022-07-12 | 江苏省国土资源动态监测中心 | 面向土地整治图斑监测的无人机航飞路径优化算法 |
CN115755953A (zh) * | 2022-10-28 | 2023-03-07 | 中国人民解放军国防科技大学 | 基于综合赋权的无人机任务规划方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘振峰 等: "基于蚁群遗传算法的三维飞行器航路规划", 计算机仿真, no. 09, 15 September 2013 (2013-09-15) * |
刘鑫 等: "一种无人机分层三维航迹规划方法", 科学技术与工程, no. 35, 18 December 2012 (2012-12-18) * |
张振理 等: "基于CHC算法的无人机航迹规划方法", 北京航空航天大学学报, no. 06, 15 June 2007 (2007-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117213484B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106803271B (zh) | 一种视觉导航无人机的摄像机标定方法及装置 | |
JP4854819B2 (ja) | 画像情報出力方法 | |
US8259994B1 (en) | Using image and laser constraints to obtain consistent and improved pose estimates in vehicle pose databases | |
Battulwar et al. | A practical methodology for generating high-resolution 3D models of open-pit slopes using UAVs: Flight path planning and optimization | |
Chiang et al. | A new calibration method using low cost MEM IMUs to verify the performance of UAV-borne MMS payloads | |
Kuang et al. | Real-time UAV path planning for autonomous urban scene reconstruction | |
CN102519436A (zh) | 一种ce-1立体相机与激光高度计数据联合平差方法 | |
CN109900274B (zh) | 一种图像匹配方法及系统 | |
Chaudhry et al. | Impact of UAV surveying parameters on mixed urban landuse surface modelling | |
Liu et al. | A novel system for correction of relative angular displacement between airborne platform and UAV in target localization | |
CN103411587A (zh) | 定位定姿方法及系统 | |
CN113177974A (zh) | 一种点云配准方法、装置、电子设备及存储介质 | |
Bybee et al. | Method for 3-D scene reconstruction using fused LiDAR and imagery from a texel camera | |
Martínez-Carricondo et al. | Accuracy assessment of RTK/PPK UAV-photogrammetry projects using differential corrections from multiple GNSS fixed base stations | |
Matsuura et al. | High-precision plant height measurement by drone with RTK-GNSS and single camera for real-time processing | |
CN104063499A (zh) | 基于车载空间信息采集的空间矢量poi提取方法 | |
CN117213484B (zh) | 一种基于遗传算法的航点连线方法、装置及智能终端 | |
CN112785686A (zh) | 一种基于大数据的林区地图构建方法及可读存储介质 | |
CN110411449B (zh) | 一种航空侦察载荷目标定位方法、系统及终端设备 | |
CN109003295B (zh) | 一种无人机航空影像快速匹配方法 | |
KR102506411B1 (ko) | 차량의 위치 및 자세 추정 방법, 장치 및 이를 위한 기록매체 | |
Drouin et al. | Modeling and simulation framework for airborne camera systems | |
Li et al. | Multi-sensor based high-precision direct georeferencing of medium-altitude unmanned aerial vehicle images | |
Jiang et al. | High-precision image aided inertial navigation with known features: observability analysis and performance evaluation | |
CN115079229A (zh) | 一种基于单目相机的无人机对地目标定位方法 |
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 | ||
GR01 | Patent grant |