CN117419716A - 无人机三维路径规划方法、系统、存储介质和电子设备 - Google Patents
无人机三维路径规划方法、系统、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117419716A CN117419716A CN202311153892.4A CN202311153892A CN117419716A CN 117419716 A CN117419716 A CN 117419716A CN 202311153892 A CN202311153892 A CN 202311153892A CN 117419716 A CN117419716 A CN 117419716A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- target
- coordinate point
- unmanned aerial
- aerial vehicle
- 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 54
- 230000004888 barrier function Effects 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000010355 oscillation Effects 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 101100412093 Schizosaccharomyces pombe (strain 972 / ATCC 24843) rec16 gene Proteins 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及无人机路径规划技术领域,具体公开一种无人机三维路径规划方法、系统、存储介质和电子设备,所述方法包括:构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。本发明通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
Description
技术领域
本发明涉及无人机路径规划技术领域,尤其涉及一种无人机三维路径规划方法、系统、存储介质和电子设备。
背景技术
无人机路径规划的重要性在于它能够保障无人机的飞行安全,节省能源和时间,提高任务执行效率,支持多无人机协同作业,并能够适应动态变化的飞行环境和任务需求。通过精确计算飞行路径,路径规划为无人机的飞行提供了关键的指导,使其能够在各种应用领域中发挥出最佳的性能和效益。
然而,在现有的无人机路径规划方式中,缺少对于飞行区域中的障碍物进行识别,且存在造成无人机路径规划失败的现象。
因此,亟需提供一种技术方案解决上述问题。
发明内容
为解决上述技术问题,本发明提供了一种无人机三维路径规划方法、系统、存储介质和电子设备。
第一方面,本发明提供一种无人机三维路径规划方法,该方法的技术方案如下:
构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;
基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;
根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。
本发明的一种无人机三维路径规划方法的有益效果如下:
本发明的方法通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
在上述方案的基础上,本发明的一种无人机三维路径规划方法还可以做如下改进。
在一种可选的方式中,构建目标无人机所在飞行区域中的每个障碍物的障碍物模型的步骤,包括:
利用预设深度学习模型,对所述飞行区域中的障碍物进行检测,得到所述飞行区域中的每个障碍物的障碍物位置和障碍物类型,并根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离;
基于每个障碍物的障碍物位置、障碍物类型和威胁距离,分别构建所述飞行区域中的每个障碍物的障碍物模型。
在上述可选的方式中,利用深度学习对无人机飞行环境进行障碍物检测并建立障碍物模型,为无人机提供精确的障碍物建模,提高无人机路径规划的效率。
在一种可选的方式中,基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型的步骤,包括:
构建所述目标位置处的引力势场和每个障碍物位置处的斥力势场;
对所述引力势场进行负梯度计算,得到所述目标位置处的引力模型,并分别对每个斥力势场进行负梯度计算,得到每个障碍物位置处的斥力模型;
基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型。
在一种可选的方式中,基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型的步骤,包括:
基于第一预设公式,将所述引力模型与每个斥力模型进行结合,构建所述飞行区域的目标合力模型;其中,所述第一预设公式为: n为所述飞行区域中的障碍物的数量,c为常数项,katt为引力系数,krep为斥力系数,X=(x,y,z)为所述当前位置处的当前坐标点,Xe=(xe,ye,ze)为所述目标位置处的目标坐标点,ρ(X,Xe)为所述当前坐标点与所述目标坐标点之间的欧式距离,Xti=(xti,yti,zti)为第i个障碍物位置处的障碍物坐标点,ρ(X,Xti)为所述当前坐标点与第i个障碍物坐标点之间的欧式距离,ρi为第i个障碍物坐标点对应的威胁距离,Uatt(X)为所述引力势场,Urepi(X)为第i个障碍物对应的斥力势场,Frepi1(X)为第i个障碍物坐标点指向所述当前坐标点的斥力,Frepi2(X)为所述当前坐标点指向所述目标坐标点的引力,Fatt(X)为所述引力模型,Frepi(X)为所述第i个障碍物坐标点处的斥力模型。
在上述可选的方式中,通过加入目标点距离加权函数,解决了无人机三维路径规划中的目标不可达问题。
在一种可选的方式中,根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径的步骤,包括:
构建所述飞行区域的三维坐标系,并分别确定所述起始位置对应的起始坐标点、所述目标位置对应的目标坐标点、以及每个障碍物位置对应的障碍物坐标点;
将所述起始坐标点作为所述当前坐标点,并将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入至所述目标合力模型,确定所述当前坐标点处的当前合力值;
以所述当前坐标点为中心,控制所述目标无人机沿所述当前合力值对应的方向移动预设步长,得到中间坐标点,并判断所述中间坐标点是否为局部最小坐标点或振荡坐标点,得到判断结果;
当所述判断结果为否时,将所述中间坐标点作为所述当前坐标点并返回执行所述将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入所述目标合力模型的步骤,直至得到所述起始坐标点至所述目标坐标点之间的所有中间坐标点;
基于所有中间坐标点、所述当前坐标点和所述目标坐标点,得到所述目标无人机的目标三维路径。
在上述可选的方式中,通过加入局部探索因子,引导无人机在陷入局部最小问题时跳出局部最小点;通过加入方向权重因子,在无人机转向过大时抑制转向角度从而解决局部路径震荡问题。
在一种可选的方式中,障碍物类型包括:刚性障碍物和非刚性障碍物;根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离的步骤,包括:
当任一障碍物为刚性障碍物时,该障碍物的威胁距离确定为第一预设距离值,或,当任一障碍物为非刚性障碍物时,该障碍物的威胁距离确定为第二预设距离值,直至确定每个障碍物的威胁距离;其中,所述第二预设距离值大于所述第一预设距离值。
在上述可选的方式中,通过对不同类别障碍物赋予不同的威胁距离,提高了对路径的利用率及飞行效率。
在一种可选的方式中,还包括:
对所述目标三维路径进行平滑处理,得到所述目标无人机的优化三维路径。
第二方面,本发明提供一种无人机三维路径规划系统,该系统的技术方案如下:
包括:第一构建模块、第二构建模块和生成模块;
所述第一构建模块用于:构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;
所述第二构建模块用于:基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;
所述生成模块用于:根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。
本发明的一种无人机三维路径规划系统的有益效果如下:
本发明的系统通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
第三方面,本发明提供的一种存储介质的技术方案如下:
存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如本发明的任一种无人机三维路径规划方法的步骤。
第四方面,本发明的一种电子设备的技术方案如下:
包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,所述处理器执行所述程序时实现如本发明的任一种无人机三维路径规划方法的步骤。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明提供的一种无人机三维路径规划方法的实施例的流程示意图;
图2示出了本发明提供的一种无人机三维路径规划方法的实施例中的步骤110的流程示意图;
图3示出了本发明提供的一种无人机三维路径规划方法的实施例中的目标无人机的受力原理示意图;
图4示出了本发明提供的一种无人机三维路径规划方法的实施例中的步骤130的流程示意图;
图5示出了本发明提供的一种无人机三维路径规划方法的实施例中的振荡坐标点的判定原理示意图;
图6示出了本发明提供的一种无人机三维路径规划系统的实施例的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明提供的一种无人机三维路径规划方法的实施例的流程示意图,该方法由控制终端执行。如图1所示,该方法包括如下步骤:
步骤110:构建目标无人机所在飞行区域中的每个障碍物的障碍物模型。
其中:
①目标无人机为:需要进行三维路径规划的无人机,无人机的型号在此不设限制。
②飞行区域为:目标无人机飞行的区域,该区域应当包含目标无人机的起始位置和目标位置。
③障碍物的种类包括但不限于:建筑物、树木、行人、广告牌、汽车、交通灯、路灯等。
④障碍物模型包括:障碍物位置、障碍物类型和威胁距离。
步骤120:基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型。其中:
①目标位置为:预先设定的目标无人机最终要到达的位置。
②目标合力模型用于确定目标无人机在每个时刻(每个位置处)所受到的合力,以进行目标无人机的路径规划。
步骤130:根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。其中:
①起始位置为:预先设定的目标无人机的出发位置。
②目标三维路径为:对目标无人机从起始位置至目标位置的飞行路径进行规划所确定的路径。
本实施例的技术方案通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
较优地,如图2所示,步骤110包括:
步骤111:利用预设深度学习模型,对所述飞行区域中的障碍物进行检测,得到所述飞行区域中的每个障碍物的障碍物位置和障碍物类型。其中:
①预设深度学习模型为:训练好的YOLO v8深度模型,该模型用于进行对飞行区域中的障碍物进行目标检测。具体地,获取包含飞行区域的多个图像;利用YOLO v8深度模型,对每个图像进行目标检测,得到每个障碍物的位置和类型(二分类)。
②障碍物类型包括:刚性障碍物和非刚性障碍物。
③由于无人机的飞行环境为低高空,行人、汽车等障碍物对无人机的影响不大,故将障碍物简化为二分类:刚性障碍物和非刚性障碍物。其中,刚性障碍物由建筑、路灯、交通灯等不易形变的物体组成,非刚性物体由树木、电线、旗帜等易形变的物体组成。
步骤112:根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离。其中:
①威胁距离包括:第一预设距离值和第二预设距离值。第二预设距离值大于第一预设距离值。
②当任一障碍物为刚性障碍物时,该障碍物的威胁距离确定为第一预设距离值;当任一障碍物为非刚性障碍物时,该障碍物的威胁距离确定为第二预设距离值。
需要说明的是,由于刚性障碍物不易形变,对无人机的威胁较小,其威胁距离可适当缩小,以提高路径的利用率;而非刚性障碍物易形变,在无人机飞行过程中容易被其碰撞,需要无人机尽可能远离其飞行,故可适当提高威胁距离,以保证无人机飞行的安全性。故第一预设距离值默认设置为1,第二预设距离值默认设置为1.5。第一预设距离值和第二预设距离值的大小也可根据实际需求进行调整,仅需要满足第二预设距离值大于第一预设距离值即可。
步骤113:基于每个障碍物的障碍物位置、障碍物类型和威胁距离,分别构建所述飞行区域中的每个障碍物的障碍物模型。
在上述较优的方案中,利用深度学习对无人机飞行环境进行障碍物检测并建立障碍物模型,为无人机提供精确的障碍物建模,提高无人机路径规划的效率。
较优地,步骤120包括:
步骤121:构建所述目标位置处的引力势场和每个障碍物位置处的斥力势场。其中:
①采用人工势场法对引力势场进行定义,构建目标位置处的引力势场为:Uatt(X)=ckattρ2(X,Xe)。
②采用改进的人工势场法对斥力势场进行定义,在传统的人工势场法的基础上,在斥力势场函数中加入目标点距离加权函数,改进的斥力势场为:
步骤122:对所述引力势场进行负梯度计算,得到所述目标位置处的引力模型,并分别对每个斥力势场进行负梯度计算,得到每个障碍物位置处的斥力模型。其中:
①对引力势场求进行负梯度计算,得到目标位置处的引力模型为:
②对斥力势场进行负梯度计算,得到障碍物位置处的斥力模型为:
③ Frepi1(X)为第i个障碍物坐标点指向所述当前坐标点的斥力,Frepi2(X)为所述当前坐标点指向所述目标坐标点的引力。
④Frep1与Frep2共同决定新的斥力大小及方向。随着无人机逐渐靠近目标位置(目标坐标点),ρ(X,Xe)逐渐减小,Frep1逐渐趋近于0,此时无人机的斥力主要由Frep2构成。
步骤123:基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型。
具体地,步骤123包括:
基于第一预设公式,将所述引力模型与每个斥力模型进行结合,构建所述飞行区域的目标合力模型。其中:
第一预设公式为:该公式中:
n为所述飞行区域中的障碍物的数量,c为常数项,katt为引力系数,krep为斥力系数,X=(x,y,z)为所述当前位置处的当前坐标点,Xe=(xe,ye,ze)为所述目标位置处的目标坐标点,ρ(X,Xe)为所述当前坐标点与所述目标坐标点之间的欧式距离,Xti=(xti,yti,zti)为第i个障碍物位置处的障碍物坐标点,ρ(X,Xti)为所述当前坐标点与第i个障碍物坐标点之间的欧式距离,ρi为第i个障碍物坐标点对应的威胁距离,Uatt(X)为所述引力势场,Urepi(X)为第i个障碍物对应的斥力势场,Frepi1(X)为第i个障碍物坐标点指向所述当前坐标点的斥力,Frepi2(X)为所述当前坐标点指向所述目标坐标点的引力,Fatt(X)为所述引力模型,Frepi(X)为所述第i个障碍物坐标点处的斥力模型。
需要说明的是,图3示出了目标无人机在当前坐标点处的受力图。如图3所示,目标无人机在当前坐标点处受到障碍物的斥力Frep1(X),当前坐标点指向所述目标坐标点的引力Frepi2(X),最终生成合力Fall(X)。
在上述较优的方案中,通过加入目标点距离加权函数,解决了无人机三维路径规划中的目标不可达问题,提高了无人机三维路径规划的效率和精度。
较优地,如图4所示,步骤130包括:
步骤131:构建所述飞行区域的三维坐标系,并分别确定所述起始位置对应的起始坐标点、所述目标位置对应的目标坐标点、以及每个障碍物位置对应的障碍物坐标点。其中:
①飞行区域的三维坐标系的构建可以采用任意边界点为原点,也可采用飞行区域的中心点为原点,在此不设限制。
②起始坐标点、目标坐标点和障碍物坐标点均根据飞行区域的三维坐标系进行确定。
步骤132:将所述起始坐标点作为所述当前坐标点,并将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入至所述目标合力模型,确定所述当前坐标点处的当前合力值。其中:
①当前坐标点随着目标无人机的运动发生变化。
②当前合力值为目标无人机在当前坐标点处的合力值。
步骤133:以所述当前坐标点为中心,控制所述目标无人机沿所述当前合力值对应的方向移动预设步长,得到中间坐标点,并判断所述中间坐标点是否为局部最小坐标点或振荡坐标点,得到判断结果。其中:
①预设步长默认设置为0.1,也可根据实际需求进行调整,在此不设限制。
②中间坐标点为:目标无人机行径过程中的中间位置处的坐标点。
③局部最小坐标点的判定过程及后续处理过程包括:
1)根据目标无人机的引力势场和多个斥力势场,构建合力势场函数,即:Uall(X)为合力势场函数。
2)分别计算合力势场函数在当前坐标点处的三个方向的梯度:
3)比较三个方向的梯度得到最小梯度值gmin,若gmin,则当前坐标点在gmin对应的方向上陷入局部最小,此时判定当前坐标点为局部最小坐标点;否则,判定当前坐标点不为局部最小坐标点并执行后续步骤。
4)若当前坐标点为局部最小坐标点,引入局部探索因子ε,将其累加至当前坐标点X的对应方向上,得到新的当前坐标点Xnew=X+ε,在Xnew上重新计算梯度g(Xnew),若g(Xnew)≠0,则成功跳出局部最小坐标点,并将此时的Xnew作为当前坐标点并执行后续步骤。
④如图5所示,振荡坐标点的判定过程及后续处理过程包括:
1)计算目标无人机在当前坐标点Xk(为更好地说明振荡坐标点的判定过程,此处将当前坐标点X修改为Xk进行表示,k为目标无人机的路径点的数量)飞向下一个路径点的理想坐标点Xk+1时的合力Fk+1。
2)引入由上一个路径点Xk-1飞向当前坐标点Xk的合力Fk,计算Fk与Fk+1之间的角度变化Δα。
3)通过Δα的大小判断当前坐标点是否为振荡坐标点,通过Δα共同决定飞向下一路径点的实际位置(坐标点),表达式为:
mi与m′i为方向权重系数,wk与wk+1分别为Fk与Fk+1的方向向量,L为预设步长;mi与m′i的取值可参考:
4)当目标无人机以较小角度偏离当前航向时,并不会做出改变,无人机任然按照预设的方向飞行;当无人机以较大角度偏离当前航向时,路径容易产生震荡,通过方向权重因子的加入,会使得航向尽可能贴近初始航向,不至于转角过大。
步骤134:当所述判断结果为否时,将所述中间坐标点作为所述当前坐标点并返回执行所述将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入所述目标合力模型的步骤,直至得到所述起始坐标点至所述目标坐标点之间的所有中间坐标点。
步骤135:基于所有中间坐标点、所述当前坐标点和所述目标坐标点,得到所述目标无人机的目标三维路径。
在上述较优的方案中,通过加入局部探索因子,引导无人机在陷入局部最小问题时跳出局部最小点;通过加入方向权重因子,在无人机转向过大时抑制转向角度从而解决局部路径震荡问题。
较优地,还包括:
步骤140:对所述目标三维路径进行平滑处理,得到所述目标无人机的优化三维路径。其中:
①利用多项式函数对目标三维路径进行平滑处理,得到目标无人机的优化三维路径。
②多项式函数为:f(x)=c0+c1x+c2x2+...+cnxn,x为自变量,n为多项式的次数,cn为多项式系数。
需要说明的是,①在进行多项式拟合之前,需要确定多项式的次数,也就是确定多项式中最高次项的次数。通常,多项式的次数由数据的特征和要求决定。较低次数的多项式可以更好地拟合简单的数据,而较高次数的多项式则可以更好地逼近复杂的数据。②当得到拟合曲线后,在拟合曲线的范围内生成一组均匀间隔的点,并将这些点的坐标代入多项式函数中,计算相应的函数值,即可得到拟合曲线上的点。
为更好地说明本实施例的技术方案,对本该技术方案进行Matlab仿真,具体操作包括:
1)设飞行区域为20m×20m×20m的三维空间,起始坐标点为Xstart=[0,0,0],目标坐标点为Xgoal=[15,15,15],障碍物坐标点为Xobs=[Xsoft,Xhard],其中Xsoft为非刚性物体坐标,Xhard为刚性物体坐标,ρ0=1.5,ρ1=1,循环次数t=2000,引力系数k=15,斥力系数m=10,预设步长L=0.1。
2)总体思路为:分别计算引力和斥力在三个方向上的合力,结合预设步长与目标无人机的当前坐标点计算出下一个位置坐标,直至目标无人机到达目标坐标点。具体地:
①Step1:首先计算障碍物点Xobs与当前点Xnow在三个方向上的差值Delta,其次计算障碍物点与当前点之间的距离r,然后计算当前点与障碍物点连线与z轴的夹角θ,与x轴的夹角最后计算当前点与障碍物点和目标点的连线分别在三个方向上的投影大小Dis:
DeltaX=Xobs(x)-Xnow(x);DeltaY=Xobs(y)-Xnow(y);DeltaZ=Xobs(z)-Xnow(z);
②计算每个方向上目标点对当前坐标点的引力大小:FattX=krDisX;FattY=krDisY;FattZ=krDisZ。
③计算每个方向上障碍物坐标点对当前坐标点的斥力大小: 式中,为障碍物坐标点到当前坐标点的距离,/> 为目标坐标点到当前坐标点的距离。
④计算每个点在三个方向上的合力大小:Fall=Fatt+Frep。
⑤当合力在某个方向上为零时,则陷入局部最小,在这个方向上加入局部探索因子ε,引导无人机跳出局部最小。
⑥加入预设步长,计算出目标无人机下一步的理想位置点:Xn+1=Xn L。
⑦引入上一位置点Xn-1,计算出Xn-1与Xn之间连线的方向向量w1和Xn+1与Xn之间连线的方向向量w2改变的角度Δα,通过Δα计算出下一点的实际位置:mi与m′i为方向权重系数,取值可参考如下:/>
⑧最后通过多项式拟合生成目标无人机的优化三维路径。
本实施例的技术方案通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
图6示出了本发明提供的一种无人机三维路径规划系统的实施例的结构示意图。如图6所示,该系统200包括:第一构建模块210、第二构建模块220和生成模块230;
所述第一构建模块210用于:构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;
所述第二构建模块220用于:基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;
所述生成模块230用于:根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。
较优地,所述第一构建模块210具体用于:
利用预设深度学习模型,对所述飞行区域中的障碍物进行检测,得到所述飞行区域中的每个障碍物的障碍物位置和障碍物类型,并根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离;
基于每个障碍物的障碍物位置、障碍物类型和威胁距离,分别构建所述飞行区域中的每个障碍物的障碍物模型。
较优地,所述第二构建模块220具体用于:
构建所述目标位置处的引力势场和每个障碍物位置处的斥力势场;
对所述引力势场进行负梯度计算,得到所述目标位置处的引力模型,并分别对每个斥力势场进行负梯度计算,得到每个障碍物位置处的斥力模型;
基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型。
较优地,所述第二构建模块220具体用于:
基于第一预设公式,将所述引力模型与每个斥力模型进行结合,构建所述飞行区域的目标合力模型;其中,所述第一预设公式为:/> n为所述飞行区域中的障碍物的数量,c为常数项,katt为引力系数,krep为斥力系数,X=(x,y,z)为所述当前位置处的当前坐标点,Xe=(xe,ye,ze)为所述目标位置处的目标坐标点,ρ(X,Xe)为所述当前坐标点与所述目标坐标点之间的欧式距离,Xti=(xti,yti,zti)为第i个障碍物位置处的障碍物坐标点,ρ(X,Xti)为所述当前坐标点与第i个障碍物坐标点之间的欧式距离,ρi为第i个障碍物坐标点对应的威胁距离,Uatt(X)为所述引力势场,Urepi(X)为第i个障碍物对应的斥力势场,Frepi1(X)为第i个障碍物坐标点指向所述当前坐标点的斥力,Frepi2(X)为所述当前坐标点指向所述目标坐标点的引力,Fatt(X)为所述引力模型,Frepi(X)为所述第i个障碍物坐标点处的斥力模型。
较优地,所述生成模块230具体用于:
构建所述飞行区域的三维坐标系,并分别确定所述起始位置对应的起始坐标点、所述目标位置对应的目标坐标点、以及每个障碍物位置对应的障碍物坐标点;
将所述起始坐标点作为所述当前坐标点,并将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入至所述目标合力模型,确定所述当前坐标点处的当前合力值;
以所述当前坐标点为中心,控制所述目标无人机沿所述当前合力值对应的方向移动预设步长,得到中间坐标点,并判断所述中间坐标点是否为局部最小坐标点或振荡坐标点,得到判断结果;
当所述判断结果为否时,将所述中间坐标点作为所述当前坐标点并返回执行所述将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入所述目标合力模型的步骤,直至得到所述起始坐标点至所述目标坐标点之间的所有中间坐标点;
基于所有中间坐标点、所述当前坐标点和所述目标坐标点,得到所述目标无人机的目标三维路径。
较优地,障碍物类型包括:刚性障碍物和非刚性障碍物;第一构建模块210具体用于:
当任一障碍物为刚性障碍物时,该障碍物的威胁距离确定为第一预设距离值,或,当任一障碍物为非刚性障碍物时,该障碍物的威胁距离确定为第二预设距离值,直至确定每个障碍物的威胁距离;其中,所述第二预设距离值大于所述第一预设距离值。
较优地,还包括:优化模块;
所述优化模块用于:对所述目标三维路径进行平滑处理,得到所述目标无人机的优化三维路径。
本实施例的技术方案通过对无人机飞行区域的障碍物进行识别检测,在提高了无人机路径规划效率的同时,还能够避免无人机路径规划失败的问题。
上述关于本实施例的无人机三维路径规划系统200中的各参数和各个模块实现相应功能的步骤,可参考上文中关于无人机三维路径规划方法的实施例中的各参数和步骤,在此不做赘述。
本发明实施例提供的一种存储介质,包括:存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如无人机三维路径规划方法的步骤,具体可参考上文中的无人机三维路径规划方法的实施例中的各参数和步骤,在此不做赘述。
计算机存储介质例如:优盘、移动硬盘等。
本发明实施例提供的一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,使所述计算机执行如无人机三维路径规划方法的步骤,具体可参考上文中的无人机三维路径规划方法的实施例中的各参数和步骤,在此不做赘述。
所属技术领域的技术人员知道,本发明可以实现为方法、系统、存储介质和电子设备。
因此,本发明可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM),只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种无人机三维路径规划方法,其特征在于,包括:
构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;
基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;
根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。
2.根据权利要求1所述的无人机三维路径规划方法,其特征在于,构建目标无人机所在飞行区域中的每个障碍物的障碍物模型的步骤,包括:
利用预设深度学习模型,对所述飞行区域中的障碍物进行检测,得到所述飞行区域中的每个障碍物的障碍物位置和障碍物类型,并根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离;
基于每个障碍物的障碍物位置、障碍物类型和威胁距离,分别构建所述飞行区域中的每个障碍物的障碍物模型。
3.根据权利要求2所述的无人机三维路径规划方法,其特征在于,基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型的步骤,包括:
构建所述目标位置处的引力势场和每个障碍物位置处的斥力势场;
对所述引力势场进行负梯度计算,得到所述目标位置处的引力模型,并分别对每个斥力势场进行负梯度计算,得到每个障碍物位置处的斥力模型;
基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型。
4.根据权利要求3所述的无人机三维路径规划方法,其特征在于,基于所述引力模型与每个斥力模型,构建所述飞行区域的目标合力模型的步骤,包括:
基于第一预设公式,将所述引力模型与每个斥力模型进行结合,构建所述飞行区域的目标合力模型;其中,所述第一预设公式为: n为所述飞行区域中的障碍物的数量,c为常数项,katt为引力系数,krep为斥力系数,X=(x,y,z)为所述当前位置处的当前坐标点,Xe=(xe,ye,ze)为所述目标位置处的目标坐标点,ρ(X,Xe)为所述当前坐标点与所述目标坐标点之间的欧式距离,Xti=(xti,yti,zti)为第i个障碍物位置处的障碍物坐标点,ρ(X,Xti)为所述当前坐标点与第i个障碍物坐标点之间的欧式距离,ρi为第i个障碍物坐标点对应的威胁距离,Uatt(X)为所述引力势场,Urepi(X)为第i个障碍物对应的斥力势场,Frepi1(X)为第i个障碍物坐标点指向所述当前坐标点的斥力,Frepi2(X)为所述当前坐标点指向所述目标坐标点的引力,Fatt(X)为所述引力模型,Frepi(X)为所述第i个障碍物坐标点处的斥力模型。
5.根据权利要求4所述的无人机三维路径规划方法,其特征在于,根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径的步骤,包括:
构建所述飞行区域的三维坐标系,并分别确定所述起始位置对应的起始坐标点、所述目标位置对应的目标坐标点、以及每个障碍物位置对应的障碍物坐标点;
将所述起始坐标点作为所述当前坐标点,并将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入至所述目标合力模型,确定所述当前坐标点处的当前合力值;
以所述当前坐标点为中心,控制所述目标无人机沿所述当前合力值对应的方向移动预设步长,得到中间坐标点,并判断所述中间坐标点是否为局部最小坐标点或振荡坐标点,得到判断结果;
当所述判断结果为否时,将所述中间坐标点作为所述当前坐标点并返回执行所述将所述当前坐标点、所述目标坐标点和每个障碍物的障碍物坐标点和威胁距离输入所述目标合力模型的步骤,直至得到所述起始坐标点至所述目标坐标点之间的所有中间坐标点;
基于所有中间坐标点、所述当前坐标点和所述目标坐标点,得到所述目标无人机的目标三维路径。
6.根据权利要求2所述的无人机三维路径规划方法,其特征在于,障碍物类型包括:刚性障碍物和非刚性障碍物;根据每个障碍物的障碍物类型,分别确定每个障碍物的威胁距离的步骤,包括:
当任一障碍物为刚性障碍物时,该障碍物的威胁距离确定为第一预设距离值,或,当任一障碍物为非刚性障碍物时,该障碍物的威胁距离确定为第二预设距离值,直至确定每个障碍物的威胁距离;其中,所述第二预设距离值大于所述第一预设距离值。
7.根据权利要求1-6任一项所述的无人机三维路径规划方法,其特征在于,还包括:
对所述目标三维路径进行平滑处理,得到所述目标无人机的优化三维路径。
8.一种无人机三维路径规划系统,其特征在于,包括:第一构建模块、第二构建模块和生成模块;
所述第一构建模块用于:构建目标无人机所在飞行区域中的每个障碍物的障碍物模型;
所述第二构建模块用于:基于每个障碍物模型以及所述目标无人机在所述飞行区域中的目标位置,构建所述飞行区域的目标合力模型;
所述生成模块用于:根据所述目标合力模型,对所述目标无人机从所述飞行区域中的起始位置至所述目标位置之间的飞行路径进行规划,得到所述目标无人机的目标三维路径。
9.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如权利要求1至7中任一项所述的无人机三维路径规划方法。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的无人机三维路径规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153892.4A CN117419716A (zh) | 2023-09-07 | 2023-09-07 | 无人机三维路径规划方法、系统、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153892.4A CN117419716A (zh) | 2023-09-07 | 2023-09-07 | 无人机三维路径规划方法、系统、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117419716A true CN117419716A (zh) | 2024-01-19 |
Family
ID=89523657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153892.4A Pending CN117419716A (zh) | 2023-09-07 | 2023-09-07 | 无人机三维路径规划方法、系统、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117419716A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848350A (zh) * | 2024-03-05 | 2024-04-09 | 湖北华中电力科技开发有限责任公司 | 面向输电线路建设工程的无人机航线规划方法 |
-
2023
- 2023-09-07 CN CN202311153892.4A patent/CN117419716A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117848350A (zh) * | 2024-03-05 | 2024-04-09 | 湖北华中电力科技开发有限责任公司 | 面向输电线路建设工程的无人机航线规划方法 |
CN117848350B (zh) * | 2024-03-05 | 2024-05-07 | 湖北华中电力科技开发有限责任公司 | 面向输电线路建设工程的无人机航线规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110333714B (zh) | 一种无人驾驶汽车路径规划方法和装置 | |
CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
CN112677995B (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
WO2018176595A1 (zh) | 基于蚁群算法和极坐标变换的无人自行车路径规划方法 | |
CN111381600B (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
EP4149814A1 (en) | Unstructured vehicle path planner | |
CN109871031B (zh) | 一种固定翼无人机的轨迹规划方法 | |
CN109933067A (zh) | 一种基于遗传算法和粒子群算法的无人艇避碰方法 | |
WO2017144350A1 (en) | Method for motion planning for autonomous moving objects | |
CN108176050B (zh) | 寻路方法和装置 | |
CN109657863B (zh) | 一种基于萤火虫算法的无人船全局路径动态优化方法 | |
CN117419716A (zh) | 无人机三维路径规划方法、系统、存储介质和电子设备 | |
CN109163728B (zh) | 一种动态环境避障方法、控制器及机器人 | |
JP2008052473A (ja) | 水中ロボットの動作制御方法、装置、プログラム及びその記録媒体 | |
CN112230634A (zh) | 一种机器人避障方法和装置 | |
CN112393732B (zh) | 无人机避障方法、装置、可读存储介质及电子设备 | |
KR20130133480A (ko) | 깊이 지도를 이용한 멀티로터의 착륙 위치 결정 방법 및 그 장치 | |
CN111753424B (zh) | 仿真方法、装置、电子设备及存储介质 | |
CN111338379A (zh) | 自动控制飞行器的协同路径规划方法 | |
CN117387635A (zh) | 一种基于深度强化学习和pid控制器的无人机导航方法 | |
CN112484726B (zh) | 一种基于三维模型的无人机路径规划方法 | |
KR102610559B1 (ko) | 동적 장애물 충돌 회피 무인기 및 그 회피 방법 | |
CN113934219B (zh) | 一种机器人自动避障方法、系统、设备及介质 | |
JP6217057B2 (ja) | ミサイルの飛翔方法 | |
CN115061499A (zh) | 无人机控制方法及无人机控制装置 |
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 |