CN117472083B - 一种多无人机协同海上搜索路径规划方法 - Google Patents
一种多无人机协同海上搜索路径规划方法 Download PDFInfo
- Publication number
- CN117472083B CN117472083B CN202311817111.7A CN202311817111A CN117472083B CN 117472083 B CN117472083 B CN 117472083B CN 202311817111 A CN202311817111 A CN 202311817111A CN 117472083 B CN117472083 B CN 117472083B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- area
- target
- ocean current
- 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 61
- 230000003068 static effect Effects 0.000 claims abstract description 9
- 230000001788 irregular Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人机路径规划技术领域,涉及一种多无人机协同海上搜索路径规划方法;获取待搜索区域的相关海流信息建立海流模型;根据待搜索区域的相关海流信息和先验目标信息建立目标概率地图;将待搜索区域内障碍物用不规则多边形表示,以不规则多边形的顶点作为分割线的一个端点,同时满足区域划分的限制约束条件;根据无人机的性能采用静态分配策略为每架无人机分配子区域;为每架无人机规划跨区域的最短路径及使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径;本发明适用无障碍物或有障碍物等多种海洋情况,解决传统方法未根据先验目标信息做出方法选择策略从而造成效率低下和资源浪费的问题,同时保证最优时间和最优路径。
Description
技术领域
本发明属于无人机路径规划技术领域,具体地说,是一种多无人机协同海上搜索路径规划方法。
背景技术
当下在执行海上搜索任务中,主要采用有人海巡船和有人控制飞机,效率低且代价高。而随着无人机技术的发展,以无人船,无人机为代表的无人设备开始在海上突发事件中得到越来越广泛的应用。无人机可以在短时间内覆盖大范围的区域,相比传统的人力或有人飞机搜索,速度更快,能够迅速找到目标。无人机可以飞越难以到达或危险的地区,实现广泛的目标搜索,包括人迹罕至的偏远区域、海上等。通过搭载各种传感器,如高分辨率摄像头、红外传感器、多光谱传感器等,对目标区域的图像和数据实时采集分析。无人机配备先进的定位系统,可以提供高精度的目标位置信息,从而有助于准确定位搜索目标。多个无人机可以协同工作,共同搜索一个区域,通过数据共享和协同决策,提高搜索效率和成功率。
在多无人机协同搜索中,无人机之间需要协同工作,避免重复搜索或遗漏区域。协同路径规划算法可以确保每架无人机的搜索路径相互衔接,形成一个高效的搜索团队。路径规划可以根据多个无人机搭载的传感器数据进行优化。传感器数据融合可以提供更准确的目标位置信息,从而影响路径规划的决策。在搜索任务中,目标可能会随时间变化,需要动态调整路径规划以适应变化的情况。动态路径规划算法可以根据实时数据调整无人机的飞行路径,最大限度地提高搜索效率。无人机搜索团队可能需要在搜索区域内分配搜索目标。路径规划技术可以帮助决定每个无人机应该搜索哪个区域,以避免目标重叠或遗漏。路径规划技术的目标之一是提高搜索效率,减少搜索时间。
通过合理规划路径,无人机可以在最短时间内覆盖更多区域,提高搜索成功率。当前,路径规划技术在多无人机协同搜索中得到广泛应用,尤其在搜救、灾害响应、农业监测等领域。然而,仍然存在一些挑战,如大规模多无人机协同的复杂性、实时数据处理、飞行性能差异等问题,需要继续研究和创新来解决。
目前多无人机协同搜索路径规划方法大部分都未考虑真实海况对目标概率地图的影响,从而无法准确判断待搜索目标的位置可能会随海流移动发生的改变。很多传统方法并未根据先验目标信息做出方法选择策略从而造成效率低下和资源浪费。此外传统覆盖搜索方法也难以做到同时保证最优时间和最优路径重复率。
发明内容
传统多无人机搜索路径重复率高是一个常见的问题,特别是在大规模搜索任务中,可能出现多个无人机在不同时间或重复搜索相同区域的情况。这会导致资源浪费、搜索效率降低和任务成功率降低。
传统多无人机海上搜索未考虑真实海况,可能会导致一些问题和挑战,影响搜索效率和成功率。如果无人机未考虑海况,在恶劣的海况下可能不得不减缓飞行速度或停止飞行,导致搜索效率下降,搜索时间延长。
本发明针对上述现有技术存在的问题,提供一种多无人机协同海上搜索路径规划方法。
本发明的目的在于针对现有多无人机协同搜索技术中未结合真实海况以及路径重复高的问题,提出效率更高的多无人机协同海上搜索路径规划方法。本发明包括两个实体:
无人机平台:包括不同类型的无人机,如固定翼无人机、多旋翼无人机等。根据任务需求选择合适的无人机类型,以及确保无人机具备适当的飞行性能、续航能力和搭载能力。同时无人机配备各种传感器设备,如高分辨率摄像头、红外传感器、多光谱传感器、雷达等,用于探测和定位目标,以及获取海况和环境信息。
指挥与控制中心:负责制定搜索任务、规划路径、分配任务给不同的无人机,同时也能接收并分析来自无人机的数据。这是整个系统的中枢,对任务进行实时监控和调度。
所述方法包括以下步骤:
步骤1、获取待搜索区域的相关海流信息并进行分析,基于获得的海流信息建立海流模型;
步骤2、指挥与控制中心根据待搜索区域建立以栅格单元为单位的栅格地图,再根据待搜索区域的相关海流信息和先验目标信息,基于栅格地图建立目标概率地图;目标概率地图给出了任意栅格单元中先验目标存在的概率;
步骤3、待搜索区域内存在障碍物,将障碍物用不规则多边形表示,以不规则多边形的顶点作为分割线的一个端点,同时满足区域划分的限制约束条件,生成划分区域的分割线将待搜索区域划分为个子区域;指挥与控制中心根据无人机的性能采用静态分配策略为每架无人机分配子区域;
步骤4、为每架无人机分配好子区域后,指挥与控制中心为每架无人机规划跨区域的最短路径及使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径;
步骤5、在执行搜索任务过程中对各架无人机续航状态进行监控,若发现续航不足,则召回该无人机,若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
进一步地,所述步骤1的具体步骤如下:
步骤1.1、根据待搜索区域,获取并分析海流信息,海流信息包括历史海流数据、卫星观测数据、海洋浮标数据、海洋气象站数据;
步骤1.2、基于获得的海流信息,建立海流的数学模型,利用生成的海流模型分析海流在每个栅格单元中对目标存在的概率造成的影响;假设海流方向和大小区间分别为和/>,海流模型如下:
;
;
式中:为海流方向预测值;/>为海流大小预测值;/>为海流方向不确定性因子;为海流大小不确定性因子。
进一步地,所述步骤2的具体步骤如下:
步骤2.1、指挥与控制中心将长为宽为/>的/>的工作区域定义为存在先验目标的待搜索区域,根据待搜索区域建立以正方形栅格单元为单位的栅格地图;将待搜索区域分解为/>个正方形栅格单元,待搜索区域内所有栅格单元的集合表示为,其中/>表示第/>个栅格单元;
步骤2.2、指挥与控制中心根据海流模型分析后的海流数据和先验目标信息,计算每个栅格单元中先验目标存在的概率,基于栅格地图建立目标概率地图;待搜索区域任意栅格单元/>内目标存在概率,用/>表示;根据先验目标信息和海流数据给出每个栅格单元内初始目标存在概率/>;目标概率地图中所有栅格单元初始概率总和为:
;
目标概率地图中,目标不存在的概率为;为了便于处理,将/>记为栅格单元中目标存在的概率:
。
进一步地,无人机在待搜索区域执行搜索任务时,反馈搜索信息和海流变化信息,指挥与控制中心根据无人机反馈的信息实时更新目标概率地图,无人机在时刻搜索过某个栅格单元/>,在/>时刻栅格单元/>内目标存在概率观测值为/>;目标概率地图更新公式为:
;
式中,为初始时刻栅格单元/>目标存在概率值;/>为t时刻无人机搜索完栅格单元/>后更新的概率值;/>为海流方向影响概率权重因子;/>为海流速度影响概率权重因子;/>为海流方向最大估计值;/>为海流方向最小估计值;/>为海流速度最大估计值;/>为海流速度最小估计值。
区域划分问题旨在将任务区域划分为个子区域,遵循两个基本原则:工作负载平衡和避免分割可能的目标区域,同时有效降低路径重复率。
进一步地,所述步骤3中将待搜索区域分配给台无人机执行搜索任务;待搜索区域区域划分限制约束条件为:
;
式中:表示区域划分之前的可能目标区域的数量,默认/>的值为1;/>表示区域划分之后的可能目标区域的数量;/>表示区域划分之前可能目标区域的面积;/>表示区域划分之后可能目标区域的面积;/>表示区域划分为子区域的个数;/>表示待搜索区域;/>表示分配给无人机的区域;/>表示未分配给无人机的区域;/>表示未被分配子区域的无人机编号;/>表示已被分配子区域的无人机编号;
在等式中,第一目标函数的值表示待搜索区域分割系数;通过实现最小化/>的的值,使得可能的目标区域分配更少数量的无人机;
第二个目标函数的值表示无人机的工作负载的偏差;通过计算最小化/>的值,为无人机分配最佳工作负载,使得多无人机之间工作负载均衡;所有子区域的并集应覆盖待搜索区域,其次子区域互相不重叠。
进一步地,所述步骤3中考虑每架无人机的性能特点,包括续航能力、飞行速度、搭载能力;在区域划分完成之后,根据无人机的性能采用静态分配策略为每架无人机分配子区域,在无人机执行搜索任务中,根据实时搜索信息变化动态调整子区域分配方案;对每个子区域,计算无人机评价函数:
;
式中:表示将子区域分配给第/>架无人机的搜索收益;/>表示子区域的权重因子;/>表示无人机性能因子;/>表示无人机个数;/>表示第/>架无人机与子区域中心的欧式距离;
对每个子区域计算各架无人机的搜索收益,将子区域分配给其中收益的无人机,由该无人机负责对该子区域执行搜索任务。
进一步地,所述步骤4中指挥与控制中心为每架无人机规划跨区域的最短路径具体为:
指挥与控制中心将划分后的个子区域之间的相邻关系,建模成一个有向图,在有向图中,每个子区域标识为一个节点;将子区域的海流信息及先验目标现在的概率映射成有向边的权重;依据权重的比较为每架无人机规划跨区域的最短路径。
进一步地,所述步骤4中使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径,具体为:
步骤4.1、指挥与控制中心对目标概率地图和区域划分分配方案进行综合分析,向无人机下达搜索任务,初始化栅格地图和无人机搜索起点;
步骤4.2、指挥与控制中心使用智能优化算法来规划单个无人机的路径;考虑每个位置的海流速度和方向/>,海流速度的区间为/>,海流方向的区间为/>,当前栅格单元与候选栅格单元的欧式距离/>,考虑到无人机飞行性能,距离阈值为/>,候选栅格单元中目标存在的概率/>,计算路径的成本,构建条件函数/>;
;
为候选栅格单元集合;/>为候选栅格单元编号;
步骤4.3、考虑每个栅格单元中的海流速度和方向,及无人机自身飞行性能,无人机当前位置与候选栅格单元的欧式距离,结合候选栅格单元内目标存在概率,计算无人机搜索下一栅格单元收益,构建目标优化函数,/>为候选栅格单元中目标存在概率加权因子, />为当前栅格单元与候选栅格单元欧式距离的加权因子, />为海流速度加权因子, />为海流方向的加权因子,加权因子大小由多次实验测出,表示海流速度,海流方向,当前栅格单元与候选栅格单元欧式距离和候选栅单元中目标存在概率对目标优化函数影响比重;基于构建的条件函数通过计算目标优化函数生成子区域搜索路径。
进一步地,所述步骤5的具体步骤如下:
步骤5.1、实时监测电池电量、电池电压、电池温度,以估算无人机的剩余飞行时间,在电池电量接近耗尽时提前发出警告或切换无人机;
步骤5.2、若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
本发明具有以下有益效果:1、本发明根据待搜索区域的海流信息构建海流模型,根据海流模型分析后的海流数据用于规划无人机路径,跨区域路径规划以及单个子区域路径规划;实时更新海况信息、合理划分待搜索区域,使无人机能够选择更适合当前海况的飞行路径。这有助于避免无人机进入恶劣的海况区域,提高飞行的稳定性和安全性。
2、本发明在海上多无人机协同搜索中采用区域划分,避免传统方法中多无人机搜索路径重复,重复搜索区域的问题,提升搜索效率。
3、本发明根据无人机反馈的信息实时更新目标概率地图准确判断待搜索区域目标的位置,为无人机分配子区域时考虑均衡无人机负载,解决传统方法中无人机因续航不足多次往返造成效率低下的问题,同时尽可能减少执行搜索任务无人机的数量从而降低成本。
4、传统方法中,无人机通常是通过人工预先规划搜索路径,可能会导致重复搜索或遗漏区域。在传统方法中,任务分配通常是静态的,事先规划好的,无法动态调整以适应变化的情况和任务需求。静态分配和规划路径导致一些无人机在任务中得不到充分利用,浪费了它们的资源和能力。将搜索区域划分为多个子区域后,每个无人机负责搜索各自特定的子区域,提高搜索的并行性和效率。区域划分允许多个无人机同时工作,有效减少完成整个搜索任务所需的时间。
附图说明
图1为本发明系统模型图。
图2为本发明中待搜索区域栅格地图。
图3为本发明中海流模型图。
图4为本发明中区域划分和跨域路径规划方案流程图。
图5为本发明中子区域路径规划流程图。
图6为目标概率地图相关数据。
图7为待搜索区域划分仿真图。
图8为跨区域路径规划仿真结果图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
如图1所示,本发明所描述的方案包括以下两个实体:
无人机平台:包括不同类型的无人机,如固定翼无人机、多旋翼无人机等。根据任务需求选择合适的无人机类型,以及确保无人机具备适当的飞行性能、续航能力和搭载能力。同时无人机配备各种传感器设备,如高分辨率摄像头、红外传感器、多光谱传感器、雷达等,用于探测和定位目标,以及获取海况和环境信息。
指挥与控制中心:负责制定搜索任务、规划路径、分配任务给不同的无人机,同时也能接收并分析来自无人机的数据。这是整个系统的中枢,对任务进行实时监控和调度。
实施例:一种多无人机协同海上搜索路径规划方法,具体包括以下步骤:
步骤1:初始化指挥与控制中心,设定任务场景为存在岛屿的开放海域,获取待搜索区域的相关信息并进行分析,基于获得的海流信息建立海流模型;
步骤1具体实现步骤如下:
Step 1.1 指挥与控制中心确认搜索任务的海域,根据待搜索区域,获取并分析海流信息,海流信息包括历史海流数据、卫星观测数据、海洋浮标数据、海洋气象站数据等;
Step 1.2 基于收集到的数据,建立海流的数学模型。海流通常受到多种因素的影响,包括地球自转、风力、潮汐等。利用构建的数学模型,模拟生成海流场的数据。这些数据可以表示海流的速度和方向,以及海流的变化随时间的变化。海流是动态的,因此模型可以通过与实际测量数据进行实时比较,并使用滤波技术来实现实时更新海流场的信息,以反映海流的变化。
假设海流方向和大小区间为和/>
式中:为海流方向预测值;/>为海流大小预测值;/>为海流方向不确定性因子;为海流大小不确定性因子;海流模型如图3所示。
步骤2:指挥与控制中心根据待搜索区域建立以栅格单元为单位的栅格地图,如图2所示,在根据待搜索区域的相关海流信息和先验目标信息,基于栅格地图建立目标概率地图,如图6所示;根据栅格地图计算每一个栅格单元中目标存在的概率。目标概率地图给出了任意栅格单元中在海流影响下目标存在的概率。
步骤2具体实现步骤如下:
Step 2.1指挥与控制中心将长为宽为/>的/>的工作区域定义为存在先验目标的待搜索区域,根据待搜索区域建立以正方形栅格单元为单位的栅格地图;将待搜索区域分解为/>个正方形栅格单元,待搜索区域内所有栅格单元的集合表示为,其中/>表示第/>个栅格单元;
Step 2.2指挥与控制中心根据海流模型分析后的海流数据和先验目标信息,计算每个栅格单元中先验目标存在的概率,基于栅格地图建立目标概率地图;待搜索区域任意栅格单元/>内目标存在概率,用/>表示;根据先验目标信息和海流数据给出每个栅格单元内初始目标存在概率/>;目标概率地图中所有栅格单元初始概率总和为:
;
目标概率地图中,目标不存在的概率为;为了便于处理,将/>记为栅格单元中目标存在的概率:
。
Step 2.3无人机在执行搜索任务过程中实时探测海流的变化,向指挥与控制中心反馈搜索信息和实时变化的海流信息。指挥与控制中心根据步骤1海流模型计算实时更新的海流数据,对目标概率地图进行更新。
无人机在时刻搜索过某个栅格单元/>,在/>时刻栅格单元/>内目标存在概率观测值为/>;目标概率地图更新公式为:
;
式中,为初始时刻栅格单元/>目标存在概率值;/>为t时刻无人机搜索完栅格单元/>后更新的概率值;/>为海流方向影响概率权重因子;/>为海流速度影响概率权重因子;/>为海流方向最大估计值;/>为海流方向最小估计值;/>为海流速度最大估计值;/>为海流速度最小估计值。
步骤3:待搜索区域内存在岛屿等障碍物,将障碍物用不规则多边形表示,为了减少无人机在搜索时因绕过障碍物多次转弯,提高搜索效率,以不规则多边形的顶点作为分割线的一个端点,同时满足区域划分的限制约束条件,生成划分区域的分割线将待搜索区域划分为个子区域;指挥与控制中线根据无人机的性能采用静态分配策略为每架无人机分配子区域;如图7所示;
步骤3具体实现步骤如下:
Step 3.1区域划分问题旨在将任务区域划分为多个子区域。遵循两个基本原则:无人机工作负载平衡和避免分割可能的目标区域。所述步骤3中将待搜索区域分配给台无人机执行搜索任务;待搜索区域区域划分限制约束条件为:
;
式中:表示区域划分之前的可能目标区域的数量,默认/>的值为1;
表示区域划分之后的可能目标区域的数量;
表示区域划分之前可能目标区域的面积;
表示区域划分之后可能目标区域的面积;
表示区域划分为子区域的个数;
表示待搜索区域;
表示分配给无人机的区域;
表示未分配给无人机的区域;
表示未被分配子区域的无人机编号;
表示已被分配子区域的无人机编号;
在等式中,第一目标函数的值表示待搜索区域分割系数;通过实现最小化/>的的值,使得可能的目标区域分配更少数量的无人机;
第二个目标函数的值表示无人机的工作负载的偏差;通过计算最小化/>的值,为无人机分配最佳工作负载,使得多无人机之间工作负载均衡;所有子区域的并集应覆盖待搜索区域,其次子区域互相不重叠;将整个海域的多无人机协同搜索路径规划转化为R个单无人机覆盖路径规划,有效降低多无人机路径重复率。
Step 3.2 考虑每架无人机的性能特点,包括续航能力、飞行速度、搭载能力等。这些特点将影响无人机能够负责的子区域的大小和位置。在区域划分完成之后,根据无人机的性能采用静态分配策略为每架无人机分配子区域。在无人机执行搜索任务重,根据实时搜索信息变化动态调整子区域分配方案,针对每个子区域,计算无人机评价函数;
;
式中:表示将子区域分配给第/>架无人机的搜索收益。
表示子区域的权重因子。
表示无人机性能因子。
表示无人机个数。
表示第/>架无人机与子区域中心的欧式距离。
对每个子区域计算各架无人机的搜索收益,将子区域分配给其中收益的无人机,由该无人机负责对该子区域执行搜索任务。
步骤4:为每架无人机分配好子区域后,指挥与控制中心为每架无人机规划跨区域的最短路径及使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路线;跨区域路径规划流程如图4所示;单个子区域路径规划流程如图5所示。
挥与控制中心为每架无人机规划跨区域的最短路径具体为:指挥与控制中心将划分后的个子区域之间的相邻关系,建模成一个有向图,在有向图中,每个子区域标识为一个节点;将子区域的海流信息及先验目标现在的概率映射成有向边的权重;依据权重的比较为每架无人机规划跨区域的最短路径,如图8所示。通过分析图中的节点和边的关系,确定能最有效地执行任务的对应无人机。构建无人机之间的通信链路,帮助确定哪些无人机之间需要进行通信以协同工作。这有助于确保信息及时传递,无人机更好地相互协调搜索任务;
使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径具体实现步骤如下:
Step 4.1指挥与控制中心对目标概率地图和区域划分分配方案进行综合分析,向无人机下达搜索任务,初始化栅格地图和无人机搜索起点;
Step 4.2 指挥与控制中心使用智能优化算法来规划单个无人机的路径;考虑每个位置的海流速度和方向/>,海流速度的区间为/>,海流方向的区间为,当前栅格单元与候选栅格单元的欧式距离/>,考虑到无人机飞行性能,距离阈值为/>,候选栅格单元中目标存在的概率/>,计算路径的成本,构建条件函数/>;
;
为候选栅格单元集合;/>为候选栅格单元编号;
Step 4.3考虑每个栅格单元中的海流速度和方向,及无人机自身飞行性能,无人机当前位置与候选栅格单元的欧式距离,结合候选栅格单元内目标存在概率,计算无人机搜索下一栅格单元收益,构建目标优化函数,/>为候选栅格单元中目标存在概率加权因子, />为当前栅格单元与候选栅格单元欧式距离的加权因子, />为海流速度加权因子, />为海流方向的加权因子,加权因子大小由多次实验测出,表示海流速度,海流方向,当前栅格单元与候选栅格单元欧式距离和候选栅单元中目标存在概率对目标优化函数影响比重;基于构建的条件函数通过计算目标优化函数生成子区域搜索路径。
步骤5:在执行搜索任务过程中对各架无人机续航状态进行监控,若发现续航不足,则召回该无人机,若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
Step 5.1 无人机执行搜索任务中,考虑到海流实时变化,检测到海流速度与方向变化过大,超过阈值。反馈搜索信息和海流变化信息。指挥与控制重新计算,生成更新后的目标概率地图,重新计算路径的成本,以确保每一步搜索路径是最优的;
Step 5.2 指挥与控制中心实时监控各架无人机续航状态,若发现续航不足,则召回该无人机,并根据各架无人机剩余能耗状态,无人机之间距离和工作负荷进行动态调整,生成新的区域分配方案。同时指挥与控制中心实时计算更新对整个搜索任务海域的覆盖率;
Step 5.3 若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
以上所述为本发明的示例性实施例,并非因此限制本发明专利保护范围,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 (9)
1.一种多无人机协同海上搜索路径规划方法,利用无人机平台和指挥与控制中心,无人机平台包括不同类型的无人机,指挥与控制中心负责制定搜索任务、规划路径、分配任务给不同的无人机,同时也能接收并分析来自无人机的数据;其特征在于,所述方法包括以下步骤:
步骤1、获取待搜索区域的相关海流信息并进行分析,基于获得的海流信息建立海流模型;
步骤2、指挥与控制中心根据待搜索区域建立以栅格单元为单位的栅格地图,再根据待搜索区域的相关海流信息和先验目标信息,基于栅格地图建立目标概率地图;目标概率地图给出了任意栅格单元中先验目标存在的概率;
步骤3、待搜索区域内存在障碍物,将障碍物用不规则多边形表示,以不规则多边形的顶点作为分割线的一个端点,同时满足区域划分的限制约束条件,生成划分区域的分割线将待搜索区域划分为个子区域;指挥与控制中心根据无人机的性能采用静态分配策略为每架无人机分配子区域;
步骤4、为每架无人机分配好子区域后,指挥与控制中心为每架无人机规划跨区域的最短路径及使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径;
步骤5、在执行搜索任务过程中对各架无人机续航状态进行监控,若发现续航不足,则召回该无人机,若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
2.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤1的具体步骤如下:
步骤1.1、根据待搜索区域,获取并分析海流信息,海流信息包括历史海流数据、卫星观测数据、海洋浮标数据、海洋气象站数据;
步骤1.2、基于获得的海流信息,建立海流的数学模型;假设海流方向和大小区间分别为和/>,海流模型如下:
;
;
式中:为海流方向预测值;/>为海流大小预测值;/>为海流方向不确定性因子;/>为海流大小不确定性因子。
3.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤2的具体步骤如下:
步骤2.1、指挥与控制中心将长为宽为/>的/>的工作区域定义为存在先验目标的待搜索区域,根据待搜索区域建立以正方形栅格单元为单位的栅格地图;将待搜索区域分解为/>个正方形栅格单元,待搜索区域内所有栅格单元的集合表示为/>,其中/>表示第/>个栅格单元;
步骤2.2、指挥与控制中心根据海流模型分析后的海流数据和先验目标信息,计算每个栅格单元中先验目标存在的概率,基于栅格地图建立目标概率地图;待搜索区域任意栅格单元/>内目标存在概率,用/>表示;根据先验目标信息和海流数据给出每个栅格单元内初始目标存在概率/>;目标概率地图中所有栅格单元初始概率总和为:
;
目标概率地图中,目标不存在的概率为;为了便于处理,将/>记为栅格单元中目标存在的概率:
。
4.根据权利要求3所述的多无人机协同海上搜索路径规划方法,其特征在于,无人机在待搜索区域执行搜索任务时,反馈搜索信息和海流变化信息,指挥与控制中心根据无人机反馈的信息实时更新目标概率地图,无人机在时刻搜索过某个栅格单元/>,在/>时刻栅格单元/>内目标存在概率观测值为/>;目标概率地图更新公式为:
;
式中,为初始时刻栅格单元/>目标存在概率值;/>为t时刻无人机搜索完栅格单元/>后更新的概率值;/>为海流方向影响概率权重因子;/>为海流速度影响概率权重因子;/>为海流方向最大估计值;/>为海流方向最小估计值;/>为海流速度最大估计值;为海流速度最小估计值。
5.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤3中将待搜索区域分配给台无人机执行搜索任务;待搜索区域区域划分限制约束条件为:
;
式中:表示区域划分之前的可能目标区域的数量,默认/>的值为1;
表示区域划分之后的可能目标区域的数量;
表示区域划分之前可能目标区域的面积;
表示区域划分之后可能目标区域的面积;
表示区域划分为子区域的个数;
表示待搜索区域;
表示分配给无人机的区域;
表示未分配给无人机的区域;
表示未被分配子区域的无人机编号;
表示已被分配子区域的无人机编号;
在等式中,第一目标函数的值表示待搜索区域分割系数;通过实现最小化/>的的值,使得可能的目标区域分配更少数量的无人机;
第二个目标函数的值表示无人机的工作负载的偏差;通过计算最小化/>的值,为无人机分配最佳工作负载,使得多无人机之间工作负载均衡;所有子区域的并集应覆盖待搜索区域,其次子区域互相不重叠。
6.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤3中考虑每架无人机的性能特点,包括续航能力、飞行速度、搭载能力;在区域划分完成之后,根据无人机的性能采用静态分配策略为每架无人机分配子区域,在无人机执行搜索任务中,根据实时搜索信息变化动态调整子区域分配方案;对每个子区域,计算无人机评价函数:
;
式中:表示将子区域分配给第/>架无人机的搜索收益;
表示子区域的权重因子;
表示无人机性能因子;
表示无人机个数;
表示第/>架无人机与子区域中心的欧式距离;
对每个子区域计算各架无人机的搜索收益,将子区域分配给其中收益的无人机,由该无人机负责对该子区域执行搜索任务。
7.根据权利要求1中所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤4中指挥与控制中心为每架无人机规划跨区域的最短路径具体为:
指挥与控制中心将划分后的个子区域之间的相邻关系,建模成一个有向图,在有向图中,每个子区域标识为一个节点;将子区域的海流信息及先验目标现在的概率映射成有向边的权重;依据权重的比较为每架无人机规划跨区域的最短路径。
8.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤4中使用路径规划方法来规划无人机覆盖路径以实现单区域最短时间覆盖路径,具体为:
步骤4.1、指挥与控制中心对目标概率地图和区域划分分配方案进行综合分析,向无人机下达搜索任务,初始化栅格地图和无人机搜索起点;
步骤4.2、指挥与控制中心使用智能优化算法来规划单个无人机的路径;考虑每个位置的海流速度和方向/>,海流速度的区间为/>,海流方向的区间为/>,当前栅格单元与候选栅格单元的欧式距离/>,考虑到无人机飞行性能,距离阈值为/>,候选栅格单元中目标存在的概率/>,计算路径的成本,构建条件函数/>;
;
为候选栅格单元集合;/>为候选栅格单元编号;
步骤4.3、考虑每个栅格单元中的海流速度和方向,及无人机自身飞行性能,无人机当前位置与候选栅格单元的欧式距离,结合候选栅格单元内目标存在概率,计算无人机搜索下一栅格单元收益,构建目标优化函数,/>为候选栅格单元中目标存在概率加权因子,/>为当前栅格单元与候选栅格单元欧式距离的加权因子,/>为海流速度加权因子,/>为海流方向的加权因子;基于构建的条件函数通过计算目标优化函数生成子区域搜索路径。
9.根据权利要求1所述的多无人机协同海上搜索路径规划方法,其特征在于,所述步骤5的具体步骤如下:
步骤5.1、实时监测电池电量、电池电压、电池温度,以估算无人机的剩余飞行时间,在电池电量接近耗尽时提前发出警告或切换无人机;
步骤5.2、若目标被发现或搜索任务完成,召回无人机,返回目标坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311817111.7A CN117472083B (zh) | 2023-12-27 | 2023-12-27 | 一种多无人机协同海上搜索路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311817111.7A CN117472083B (zh) | 2023-12-27 | 2023-12-27 | 一种多无人机协同海上搜索路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117472083A CN117472083A (zh) | 2024-01-30 |
CN117472083B true CN117472083B (zh) | 2024-02-23 |
Family
ID=89636531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311817111.7A Active CN117472083B (zh) | 2023-12-27 | 2023-12-27 | 一种多无人机协同海上搜索路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117472083B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN110244759A (zh) * | 2019-06-05 | 2019-09-17 | 哈尔滨工程大学 | 一种基于区间优化的水下机器人时间最优路径规划方法 |
CN113505431A (zh) * | 2021-06-07 | 2021-10-15 | 中国人民解放军国防科技大学 | 基于st-dqn的海上无人机目标搜寻方法、装置、设备和介质 |
CN114625167A (zh) * | 2022-03-22 | 2022-06-14 | 山东新一代信息产业技术研究院有限公司 | 基于启发式Q-learning算法的无人机协同搜索方法及系统 |
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
CN115730425A (zh) * | 2022-10-19 | 2023-03-03 | 四川航天系统工程研究所 | 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113571B (zh) * | 2020-09-18 | 2021-08-17 | 武汉理工大学 | 一种多艘无人测量船艇覆盖路径规划方法 |
-
2023
- 2023-12-27 CN CN202311817111.7A patent/CN117472083B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108801266A (zh) * | 2018-06-21 | 2018-11-13 | 河南大学 | 一种多无人机对不确定环境搜索的航迹规划方法 |
CN109299210A (zh) * | 2018-11-06 | 2019-02-01 | 哈尔滨工业大学(深圳) | 一种基于信息融合的多无人机分布式协同搜索方法 |
CN109683630A (zh) * | 2019-01-25 | 2019-04-26 | 南京邮电大学 | 基于粒子群和prm算法的无人机航迹规划方法 |
CN110244759A (zh) * | 2019-06-05 | 2019-09-17 | 哈尔滨工程大学 | 一种基于区间优化的水下机器人时间最优路径规划方法 |
CN113505431A (zh) * | 2021-06-07 | 2021-10-15 | 中国人民解放军国防科技大学 | 基于st-dqn的海上无人机目标搜寻方法、装置、设备和介质 |
CN114625167A (zh) * | 2022-03-22 | 2022-06-14 | 山东新一代信息产业技术研究院有限公司 | 基于启发式Q-learning算法的无人机协同搜索方法及系统 |
CN115730425A (zh) * | 2022-10-19 | 2023-03-03 | 四川航天系统工程研究所 | 一种基于改进生成树的无人机集群复杂区域均衡覆盖方法、系统、存储介质及终端 |
CN115661204A (zh) * | 2022-11-01 | 2023-01-31 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人机集群对运动目标的协同搜寻与跟踪定位方法 |
Non-Patent Citations (1)
Title |
---|
刘重 ; 高晓光 ; 符小卫 ; .带信息素回访机制的多无人机分布式协同目标搜索.系统工程与电子技术.2017,(第09期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117472083A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897312B (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
Kim et al. | Perception-driven navigation: Active visual SLAM for robotic area coverage | |
CN112000130A (zh) | 一种无人机的多机协同高精度建图定位系统 | |
CN105045274B (zh) | 一种用于无人机巡检航迹规划的智能杆塔连通图构建方法 | |
CN106959700B (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
WO2022077817A1 (zh) | 一种基于视觉与性能约束的多无人机协同控制方法及系统 | |
Cao et al. | Concentrated coverage path planning algorithm of UAV formation for aerial photography | |
Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
CN111913481A (zh) | 一种可变领航员模式的多无人艇协同编队方法 | |
CN115145315A (zh) | 一种改进a*算法的适合杂乱环境的无人机路径规划方法 | |
Fu et al. | On hierarchical multi-UAV dubins traveling salesman problem paths in a complex obstacle environment | |
Thanellas et al. | A spatially wind aware quadcopter (UAV) path planning approach | |
Hentati et al. | A convoy of ground mobile vehicles protection using cooperative uavs-based system | |
de Vargas et al. | Patrolling strategy for multiple UAVs with recharging stations in unknown environments | |
Pan et al. | Safe and efficient UAV navigation near an airport | |
CN117472083B (zh) | 一种多无人机协同海上搜索路径规划方法 | |
Yang et al. | Multi agents to search and rescue based on group intelligent algorithm and edge computing | |
CN115574826B (zh) | 基于强化学习的国家公园无人机巡护路径优化方法 | |
CN116578120A (zh) | 无人机调度方法、装置、无人机系统和算机设备 | |
Ma et al. | Multi-agent coverage control design with dynamic sensing regions | |
He et al. | Stealth coverage multi-path corridors planning for UAV fleet | |
Wang et al. | Cooperative Task Assignment of Multi-UAV in Road-network Reconnaissance Using Customized Genetic Algorithm | |
CN114265423B (zh) | 一种基于旋转框检测定位的无人机移动平台着陆方法及系统 | |
Liu et al. | Review of improved cooperative control of unmanned surface vehicle based on multi-agent system |
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 |