CN117930859A - 一种配网无人机自主巡视航迹规划方法及系统 - Google Patents
一种配网无人机自主巡视航迹规划方法及系统 Download PDFInfo
- Publication number
- CN117930859A CN117930859A CN202311719129.3A CN202311719129A CN117930859A CN 117930859 A CN117930859 A CN 117930859A CN 202311719129 A CN202311719129 A CN 202311719129A CN 117930859 A CN117930859 A CN 117930859A
- Authority
- CN
- China
- Prior art keywords
- track
- aerial vehicle
- unmanned aerial
- point
- obstacle
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 238000007689 inspection Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种配网无人机自主巡视航迹规划方法及系统，其中方法包括：建立平面坐标地图；连接起始点和目标点得到直接航迹，基于直接航迹与障碍物相交位置确定理想航迹，将平面坐标地图分段并确定采样点布区；基于采样点布区随机生成采样点，以起始点和理想航迹为中心建立引力场、以障碍物为中心建立斥力场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。本方法引入起始点、理想航迹的引力作用，障碍物的斥力作用为RRT算法指导方向、以解决RRT算法纯随机导致的航迹搜索无意义、人工势场存在产生合力为0以及障碍物距离目标点很近时的过度避障问题，实现了无人机巡视最优航迹规划的可行性和高效性。
Description
技术领域
本发明涉及航迹规划领域，具体涉及配网无人机自主巡视航迹规划方法及系统。
背景技术
随着无人机技术的高速发展，越来越多的巡视无人机开始得到应用。巡视无人机具有巡视范围大、时间短、效率高、巡视安全性高、灵活性强等优点。但同时无人机在野外作业时难免会遇到如树木、电线杆、鸟群、房屋、山坡等环境障碍物，导致无人机无法达到预定地点，进而无法实现巡视目的。
因此研究如何设计无人机动态自主巡视航迹规划方法以实现巡视无人机在野外的高效作业的同时确保无人机作业过程中的安全性具有重要意义。
由于巡视无人机的航迹规划范围大、环境复杂度在不同次的巡视任务中差异较大，对于航迹规划算法要求具备环境适应性、非常快的收敛速度和计算精度。一方面现有技术中的航迹规划算法大多适合解决静态航迹规划问题，另一方面传统的航迹规划算法存在多种多样的问题，例如RRT算法不具备方向性会导致无效搜索多，规划速度慢；人工势场法存在合力为0而导致航向不变以及障碍物距离目标点很近时的过度避障问题；在智能优化算法例如遗传算法、粒子群算法以及人工蜂群算法，存在容易陷入局部最优、搜索效率低下等问题。
发明内容
针对上述现有技术存在的问题，本发明提供了一种配网无人机自主巡视航迹规划方法及系统，目的是解决无人机航迹规划的现有技术中RRT算法不具备方向性、人工势场法会产生合力为0以及障碍物距离目标点很近时的过度避障问题。
为实现上述目的，本发明提供了如下技术方案：
第一方面，本发明提供一种配网无人机自主巡视航迹规划方法，包括：
基于无人机航迹规划的起始点、目标点、障碍物位置建立平面坐标地图，其中以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴；
连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
基于所述采样点布区随机生成采样点，分别以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
优选的，所述基于所述直接航迹与障碍物相交位置确定理想航迹包括：
获取与所述直接航迹相交的障碍物的y轴坐标的最大点和最小点记为障碍物切点；
在每个相交障碍物上的两个所述障碍物切点中选取其中一个作为理想航迹点使得从所述目标点向所述起始点方向依次连接所述目标点、各所述理想航迹点、所述起始点得到的连接线最短，得到的最短连接线即为理想航迹。
优选的，所述基于所述理想航迹将所述平面坐标地图分段并确定采样点布区包括：
以选取的所述障碍物切点为分段端点将所述平面坐标地图分成多段；
从所述目标点向所述起始点方向基于所述分段依次确定无人机在每一段所述平面坐标地图内的采样点布区：
在每一段所述平面坐标地图内，若本段的所述理想航迹穿过x轴或两个所述分段端点分别为障碍物的y轴坐标的最大点和最小点，则选择本段所述平面坐标地图内所述理想航迹上下区域中分别距离所述理想航迹最近的两个障碍物的上下边界内的区域作为本段所述平面坐标地图内的采样点布区；
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最小点，则选择本段所述平面坐标地图内的所述理想航迹以下区域作为本段所述平面坐标地图内的采样点布区；
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最大点，则选择本段所述平面坐标地图内的所述理想航迹以上区域作为本段所述平面坐标地图内的采样点布区。
优选的，所述以所述理想航迹为中心建立引力场包括：
所述理想航迹对无人机巡视最优航迹具有引力作用，记作理想航迹引力，所述理想航迹引力始终垂直于所述理想航迹，并指向所述理想航迹，使得无人机巡视最优航迹趋向于所述理想航迹；
所述理想航迹引力的理想航迹引力场函数为：
其中，为所述理想航迹引力场函数，Ka为所述理想航迹引力常数，d(x,l)表示无人机当前位置x和所述理想航迹l两个位置之间的距离。
优选的，所述建立引力场、斥力场构造人工势场包括：
无人机在所述人工势场中受到的合力FM为所述起始点为中心的目标引力场产生的目标引力所述理想航迹为中心的理想引力场产生的理想航迹引力/>障碍物为中心的斥力场产生的斥力Frep之和；
在所述人工势场下的RRT算法的节点步长取决于随机性和人工势场的引导作用，节点的生成公式为：
其中，xnew为所述人工势场下RRT算法的随机树产生的新节点，C为基于随机性的固定步长，FM为无人机在所述人工势场中受到的合力，||表示向量的模，α为随机因素权重，β为人工势场因素权重，且α<β。
优选的，在所述人工势场下的RRT算法的节点生成步长的基于随机性的固定步长适应于无人机所处环境的复杂度；具体为：
基于所述平面坐标地图中障碍物的总面积和分散情况计算无人机所处环境的复杂度；
基于所述无人机所处环境的复杂度、所述起始点与目标点的距离确定基于随机性的固定步长。
优选的，在从目标点反向建立随机树之后还包括：
将当前最优航迹上间隔一个节点的两个节点记为优化节点组，其中所述优化节点组中靠近所述起始点的节点记为起点，所述优化节点组中靠近所述目标点的节点记为终点；
从起始点向目标点方向依次检验所述优化节点组的两个节点直接连接是否与障碍物相交且连接线与前一段航迹的相交的劣角是否大于无人机最大转角；
若不相交且连接线与前一段航迹的相交的劣角大于无人机最大转角则将本组所述优化节点组的终点删除，直接将所述优化节点组中的起点与上一组所述所述优化节点组的终点连接，直到检验完当前最优航迹上的所有节点得到优化航迹；
利用三次B样条插值算法将所述优化航迹进行曲线平滑得到无人机巡视最优航迹。
第二方面，本发明提供了一种配网无人机自主巡视航迹规划系统，包括：
平面坐标地图建立模块，用于以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴建立平面坐标地图表示无人机航迹规划的起始点、目标点、障碍物位置；
采样点布区模块，用于连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
人工势场构造模块，用于以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场；
最优航迹规划模块，用于基于RRT算法并利用人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
第三方面，本发明提供了一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现如前文所述的一种配网无人机自主巡视航迹规划方法。
第四方面，本发明提供了一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现如前文所述的一种配网无人机自主巡视航迹规划方法。
本发明的一种配网无人机自主巡视航迹规划方法及系统，具备如下有益效果：
1.本申请针对RRT算法的无向性采用人工势场进行航迹搜索方向引导，并引入理想航迹引力，理想航迹作为一条避开障碍物且最短的航迹具有指导作用，将待规划航迹快速收敛到理想航迹附近，提高航迹搜索的效率，避免一些无意义的航迹搜索过程。
2.本申请考虑到现有RRT算法前期存在大量的无意义采样点，基于数学图形思路确定理想航迹，对采样点在何处生成进行筛选，减少生成的无意义采样点数量，提高航迹规划效率。
3.本申请基于无人机不同巡视任务下环境变化大的情况，引入RRT算法的随机性控制和人工势场的势场力引导对现有技术中的固定步长进行改进，考虑巡视无人机所处环境中的障碍物面积和聚集程度，更好地适用于不同巡视任务的需求。
4.通过从目标点向起始点进行反向搜索，当环境发生动态变化的时候，先前搜索的航迹信息仍可作为参考，减少需要重新搜索的量，从而快速搜索到到达目标点的无人机巡视最优航迹。
附图说明
图1是本发明一种配网无人机自主巡视航迹规划方法的流程示意图；
图2是本发明基于理想航迹将平面坐标地图分段并确定采样点布区的原理示意图；
图3是本发明一种配网无人机自主巡视航迹规划系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种配网无人机自主巡视航迹规划方法进行详细介绍。
本发明实施例提供了一种配网无人机自主巡视航迹规划方法，如图1所示，包括：
基于无人机航迹规划的起始点、目标点、障碍物位置建立平面坐标地图，其中以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴；
连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
基于所述采样点布区随机生成采样点，分别以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
本申请通过建立平面坐标将无人机所处环境抽象表示为带有坐标的平面地图，基于直接航迹与障碍物相交位置确定理想航迹对采样点在何处生成进行筛选，减少生成的无意义采样点数量；并建立人工势场解决RRT算法无导向性的缺陷，并在人工势场中引入理想航迹引导待规划航迹快速趋向最优航迹使得RRT算法初始就能够达到较优航迹效果；通过从目标点向起始点进行反向搜索，当环境发生动态变化的时候，先前搜索的航迹信息仍可作为参考，减少需要重新搜索的量，从而快速搜索到到达目标点的无人机巡视最优航迹。
本申请采用人工势场和RRT算法的互补优势，人工势场的引力、斥力引导可以给RRT算法提供航迹方向性，RRT算法的随机性生长能够有效避免人工势场合力为0时不改变航向以及过度避障问题。同时在一些人工势场法的现有改进方法中，通过经典力学分析，将障碍物斥力分解以及基于速度和方向重构合力，但采用计算量偏大，需要测算无人机每一时刻的速度和合力，不适合实时航迹规划，所以本申请采用RRT算法代替经典力学分析，可以减少人为分析过程。
本申请考虑了静态环境和动态环境下的巡视无人机的航迹规划问题。其中动态环境下航迹规划的难点在于障碍物可能会运动到之前规划好的路径上，同时由于本申请考虑的是无人机巡视，所以可能会出现某些特殊情况无人机需要改变原有航线或者新的障碍物出现在当前最优航迹上。本申请所采用的搜索模式是从目标点向起始点进行反向搜索，当障碍物发生动态变化的时候，先前搜索的路径信息仍可作为参考，减少需要重新搜索的量。
正向搜索时，最优指的是起始点到目标点是最优，但无人机当前点到目标点的航迹不一定是最优的；如果采用反向搜索，目标点到达无人机当前点的航迹是最优的，可以作为新航迹的参考。
具体为采用局部重新规划的策略，只对在当前位置一定范围内已经规划好但未执行的航迹进行重新规划，从而减少计算量。先搜索出在当前位置一定半径范围内将要执行的连续航迹，将离新的障碍物最小距离在无人机障碍预警范围内的节点认为是危险节点，采用本申请的方法将危险节点的两端作为起始点和目标点进行重新规划。
参考图2，图中多边形表示障碍物，S点为起始点，G点为目标点。所述基于所述直接航迹与障碍物相交位置确定理想航迹包括：
获取与所述直接航迹相交的障碍物的y轴坐标的最大点和最小点记为障碍物切点；如图2所示，其中障碍物A的y轴坐标的最大点为y1，最小点为y2；障碍物A的y轴坐标的最大点为y3，最小点为y4；
在每个相交障碍物上的两个所述障碍物切点中选取其中一个作为理想航迹点使得从所述目标点向所述起始点方向依次连接所述目标点、各所述理想航迹点、所述起始点得到的连接线最短，得到的最短连接线即为理想航迹，即图2中G-y3-y2-S段。
应当知晓的是直接航迹是从目标点到达起始点的最短航迹，但由于直接航迹是穿过障碍物的，所以需要寻找一条不横穿障碍物的最短航迹作为理想航迹引导待规划航迹。类似于过某点寻找障碍物的切点方式，参照图2具体如下：
所述基于所述理想航迹将所述平面坐标地图分段并确定采样点布区包括：
以选取的所述障碍物切点为分段端点将所述平面坐标地图分成多段；如图2所示，图中与y轴平行的虚线表示分段。
从所述目标点向所述起始点方向基于所述分段依次确定无人机在每一段所述平面坐标地图内的采样点布区：
在每一段所述平面坐标地图内，若本段的所述理想航迹穿过x轴或两个所述分段端点分别为障碍物的y轴坐标的最大点和最小点，则选择本段所述平面坐标地图内所述理想航迹上下区域中分别距离所述理想航迹最近的两个障碍物的上下边界内的区域作为本段所述平面坐标地图内的采样点布区；参考图2中y2y3段。
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最小点，则选择本段所述平面坐标地图内的所述理想航迹以下区域作为本段所述平面坐标地图内的采样点布区；参考图2中Sy2段。
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最大点，则选择本段所述平面坐标地图内的所述理想航迹以上区域作为本段所述平面坐标地图内的采样点布区；参考图2中Gy3段。
需要说明的是，当分段端点其中之一为起始点或目标点时，只需要根据上述步骤判断该段平面坐标地图的另一个端点位置确定该段平面坐标地图内的采样点布区，例如其中一个分段端点为目标点，另一个端点为障碍物的y轴坐标的最大点，则该段平面坐标地图内的采样点布区为该段理想航迹以上区域。
所述以所述理想航迹为中心建立引力场包括：
所述理想航迹对无人机巡视最优航迹具有引力作用，记作理想航迹引力，所述理想航迹引力始终垂直于所述理想航迹，并指向所述理想航迹，使得无人机巡视最优航迹趋向于所述理想航迹；
所述理想航迹引力的理想航迹引力场函数为：
其中，为所述理想航迹引力场函数，Ka为所述理想航迹引力常数，d(x,l)表示无人机当前位置x和所述理想航迹l两个位置之间的距离。
理想航迹引力采用无人机所处位置与理想航迹的距离衡量，距离越近，理想航迹引力越强。
理想航迹作为避开所有障碍物的最短航迹,存在一种引力(该力垂直于理想航迹，方向指向理想航迹)将待规划的航迹拉向理想航迹使得航迹尽可能贴近理想航迹而不过于偏离，以达到航迹最短效果。
起始点为中心的目标引力场的目标引力场函数为：
其中，为起始点为中心的目标引力场的引力场函数，Kb为目标引力场的目标引力常数，d(x,xg)表示无人机当前位置x和所述理想航迹l两个位置之间的距离，d′g为目标引力场的不同作用范围划分阈值。
需要说明的是，无人机所受到的理想航迹引力小于起始点为中心的目标引力场产生的目标引力，因此Ka小于Kb。
其中Urep为障碍物为中心的斥力场的斥力场函数，Kr为斥力常数，dmin为无人机当前位置指向障碍物最近点的向量，d′0为斥力场的作用半径。
基于上述理想航迹引力场函数、目标引力场函数、斥力场函数计算无人机在各个势场下的受力，此处可以采用现有技术的人工势场法，本申请不做限定。
优选的，所述建立引力场、斥力场构造人工势场包括：
无人机在所述人工势场中受到的合力FM为所述起始点为中心的目标引力场产生的目标引力所述理想航迹为中心的理想引力场产生的理想航迹引力/>障碍物为中心的斥力场产生的斥力Frep之和；
在所述人工势场下的RRT算法的节点步长取决于随机性和人工势场的引导作用，节点的生成公式为：
其中，xnew为所述人工势场下RRT算法的随机树产生的新节点，C为基于随机性的固定步长，FM为无人机在所述人工势场中受到的合力，||表示向量的模，α为随机因素权重，β为人工势场因素权重，且α>β。
与现有RRT算法采用等步长的随机树节点生成方式不同，本申请考虑的是在所述人工势场下的RRT算法，新节点的生产包含了常规RRT算法的随机作用和人工势场的引导作用，因此新节点的步长也不是规定不变的，步长主要取决于势场作用。当节点位置距离起始点/理想航迹较近时，势场作用主要由目标引力/理想航迹引力产生，使得节点趋向于起始点/理想航迹处生成，此时引力大，所受合力大，使得节点向起始点/理想航迹的生长步长较大，有利于随机树能够快速靠近起始点/理想航迹；当节点位置距离障碍物较近时，势场作用主要由障碍物的斥力产生，使得节点远离障碍物，此时斥力大，所受合力小，使得节点向障碍物区域的生长步长较小，有利于随机树能够贴近但有效避开通过障碍物。
其中，由于本申请采用了采样点布区对采样点进行了筛选，减少了大量的采样点，使得RRT在整个地图空间内搜索的随机性下降，因此需要随机树尽可能能够到达采样点布区中的任意位置，而不能因为人工势场的过大干预作用漏掉有效航迹，因此设置随机因素权重要大于人工势场因素权重，也即α>β。
常规的RRT算法采用等步长进行随机树的生长，导致该方法在复杂地图和简单地图间的适应性很差，在面向障碍物极少的简单地图时由于无向性可能会产生发现反向搜索，虽然本申请增加了人工势场提供方向，但由于地图障碍物少，障碍物提供的斥力小，仍然难以快速规划出一条最优的航迹；在面向障碍物较多的复杂地图时，虽然本申请增加了人工势场的引导作用使得步长发生变化，但一方面随机性仍然是RRT算法的重要依据，另一方面，斥力或引力过小或过大只是由于距离斥力势场中心或引力势场中心近而产生的，而不是适应地图环境变化，例如多个障碍物处于相近位置会产生过大的斥力使得无人机过度避障；如果固定步长，简单环境和复杂环境下同样的合力作用会产生同样的步长变化，从而影响航迹规划的时间成本。因此，采用变步长能够更好地适应不同环境复杂程度下的最优航迹规划。
在所述人工势场下的RRT算法的节点生成步长的基于随机性的固定步长适应于无人机所处环境的复杂度；具体为：
基于所述平面坐标地图中障碍物的总面积和密集程度计算无人机所处环境的复杂度；
基于所述无人机所处环境的复杂度、所述起始点与目标点的距离确定基于随机性的固定步长。环境的复杂度越大，也即地图中的障碍物越多、越集中，因此需要较小的步长。
作为一种可行的实施方式，无人机所处环境的复杂度可以由以下公式确定：
其中，μ为无人机所处环境的复杂度，m、n分别为障碍物的总面积和密集程度的权重，Sobs为平面坐标地图中障碍物的总面积，Smap为平面坐标地图的总面积，SQobs为标准网格数SQst下障碍物所占网格数。
作为一种可行的实施方式，基于随机性的固定步长C可以由以下公式确定：
其中，d()表示两点之间的距离，xg为目标点，xs为起始点。
需要说明的是，本申请中是在现有RRT算法中引入人工势场引导方向和步长可变方式，其他步骤均采用现有技术中的RRT算法。
由于得到的当前最优航迹存在一定的节点冗余，导致航迹的弯折次数较多，会增加无人机航迹长度成本和频繁机动转向问题。其中某些间隔若干数量的节点可以直接连接，而不影响整个航迹，将这些节点之间的节点删除，减少航迹上的无意义节点数量可以减小航迹长度成本。
另外，由于当前得到的优化航迹为折线形航迹，而本申请应用在无人机航迹规划上，实际情况下无人机由于惯性与物理约束存在最大转角使得无人机无法瞬时转变较大方向的，当前优化航迹上的某些转向无人机并不能够完成，所以需要去除这些点，并对优化航迹进行曲线平滑处理，以满足无人机对生成轨迹跟踪飞行的要求。具体的，通过节点间优化和曲线平滑提高最优航迹的可行性、有效性和安全性。
将当前最优航迹上间隔一个节点的两个节点记为优化节点组，其中所述优化节点组中靠近所述起始点的节点记为起点，所述优化节点组中靠近所述目标点的节点记为终点；
从起始点向目标点方向依次检验所述优化节点组的两个节点直接连接是否与障碍物相交且连接线与前一段航迹的相交的劣角是否大于无人机最大转角；无人机的最大转角为无人机当前航迹与转角后的航迹组成的劣角。
若不相交且连接线与前一段航迹的相交的劣角大于无人机最大转角则将本组所述优化节点组的终点删除，直接将所述优化节点组中的起点与上一组所述所述优化节点组的终点连接，直到检验完当前最优航迹上的所有节点得到优化航迹；
利用三次B样条插值算法将所述优化航迹进行曲线平滑得到无人机巡视最优航迹。
本发明还提供了一种配网无人机自主巡视航迹规划系统，如图3所示，包括：
平面坐标地图建立模块，用于以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴建立平面坐标地图表示无人机航迹规划的起始点、目标点、障碍物位置；
采样点布区模块，用于连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
人工势场构造模块，用于以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场；
最优航迹规划模块，用于基于RRT算法并利用人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
本发明还提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于运行所述存储器存储的可执行指令时，实现如本申请上述的一种配网无人机自主巡视航迹规划方法。
本发明还提供了一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时实现如本申请上述的一种配网无人机自主巡视航迹规划方法。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (10)
1.一种配网无人机自主巡视航迹规划方法，其特征在于，包括如下步骤：
基于无人机航迹规划的起始点、目标点、障碍物位置建立平面坐标地图，其中以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴；
连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
基于所述采样点布区随机生成采样点，分别以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
2.根据权利要求1所述的配网无人机自主巡视航迹规划方法，其特征在于，所述基于所述直接航迹与障碍物相交位置确定理想航迹包括：
获取与所述直接航迹相交的障碍物的y轴坐标的最大点和最小点记为障碍物切点；
在每个相交障碍物上的两个所述障碍物切点中选取其中一个作为理想航迹点使得从所述目标点向所述起始点方向依次连接所述目标点、各所述理想航迹点、所述起始点得到的连接线最短，得到的最短连接线即为理想航迹。
3.根据权利要求2所述的配网无人机自主巡视航迹规划方法，其特征在于，所述基于所述理想航迹将所述平面坐标地图分段并确定采样点布区包括：
以选取的所述障碍物切点为分段端点将所述平面坐标地图分成多段；
从所述目标点向所述起始点方向基于所述分段依次确定无人机在每一段所述平面坐标地图内的采样点布区：
在每一段所述平面坐标地图内，若本段的所述理想航迹穿过x轴或两个所述分段端点分别为障碍物的y轴坐标的最大点和最小点，则选择本段所述平面坐标地图内所述理想航迹上下区域中分别距离所述理想航迹最近的两个障碍物的上下边界内的区域作为本段所述平面坐标地图内的采样点布区；
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最小点，则选择本段所述平面坐标地图内的所述理想航迹以下区域作为本段所述平面坐标地图内的采样点布区；
在每一段所述平面坐标地图内，若本段的两个所述分段端点均为障碍物的y轴坐标的最大点，则选择本段所述平面坐标地图内的所述理想航迹以上区域作为本段所述平面坐标地图内的采样点布区。
4.根据权利要求1所述的配网无人机自主巡视航迹规划方法，其特征在于，所述以所述理想航迹为中心建立引力场包括：
所述理想航迹对无人机巡视最优航迹具有引力作用，记作理想航迹引力，所述理想航迹引力始终垂直于所述理想航迹，并指向所述理想航迹，使得无人机巡视最优航迹趋向于所述理想航迹；
所述理想航迹引力的理想航迹引力场函数为：
其中，为所述理想航迹引力场函数，Ka为所述理想航迹引力常数，d(x,l)表示无人机当前位置x和所述理想航迹l两个位置之间的距离。
5.根据权利要求4所述的配网无人机自主巡视航迹规划方法，其特征在于，所述建立引力场、斥力场构造人工势场包括：
无人机在所述人工势场中受到的合力FM为所述起始点为中心的目标引力场产生的目标引力所述理想航迹为中心的理想引力场产生的理想航迹引力/>障碍物为中心的斥力场产生的斥力Frep之和；
在所述人工势场下的RRT算法的节点步长取决于随机性和人工势场的引导作用，节点的生成公式为：
其中，xnew为所述人工势场下RRT算法的随机树产生的新节点，C为基于随机性的固定步长，FM为无人机在所述人工势场中受到的合力，||表示向量的模，α为随机因素权重，β为人工势场因素权重，且α<β。
6.根据权利要求5所述的配网无人机自主巡视航迹规划方法，其特征在于，在所述人工势场下的RRT算法的节点生成步长的基于随机性的固定步长适应于无人机所处环境的复杂度；具体为：
基于所述平面坐标地图中障碍物的总面积和分散情况计算无人机所处环境的复杂度；
基于所述无人机所处环境的复杂度、所述起始点与目标点的距离确定基于随机性的固定步长。
7.根据权利要求1所述的配网无人机自主巡视航迹规划方法，其特征在于，在从目标点反向建立随机树之后还包括：
将当前最优航迹上间隔一个节点的两个节点记为优化节点组，其中所述优化节点组中靠近所述起始点的节点记为起点，所述优化节点组中靠近所述目标点的节点记为终点；
从起始点向目标点方向依次检验所述优化节点组的两个节点直接连接是否与障碍物相交且连接线与前一段航迹的相交的劣角是否大于无人机最大转角；
若不相交且连接线与前一段航迹的相交的劣角大于无人机最大转角则将本组所述优化节点组的终点删除，直接将所述优化节点组中的起点与上一组所述所述优化节点组的终点连接，直到检验完当前最优航迹上的所有节点得到优化航迹；
利用三次B样条插值算法将所述优化航迹进行曲线平滑得到无人机巡视最优航迹。
8.一种配网无人机自主巡视航迹规划系统，其特征在于，包括：
平面坐标地图建立模块，用于以所述起始点与所述目标点的连线所处直线为x轴，以与所述x轴垂直的直线为y轴建立平面坐标地图表示无人机航迹规划的起始点、目标点、障碍物位置；
采样点布区模块，用于连接所述起始点和所述目标点得到直接航迹，基于所述直接航迹与障碍物相交位置确定理想航迹，基于所述理想航迹将所述平面坐标地图分段并确定采样点布区；
人工势场构造模块，用于以所述起始点和所述理想航迹为中心建立引力场、以障碍物为中心建立斥力场构造人工势场；
最优航迹规划模块，用于基于RRT算法并利用人工势场引导RRT算法的搜索方向，从目标点反向建立随机树规划无人机巡视最优航迹。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至7任一项所述的一种配网无人机自主巡视航迹规划方法。
10.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至7任一项所述的一种配网无人机自主巡视航迹规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719129.3A CN117930859A (zh) | 2023-12-13 | 2023-12-13 | 一种配网无人机自主巡视航迹规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311719129.3A CN117930859A (zh) | 2023-12-13 | 2023-12-13 | 一种配网无人机自主巡视航迹规划方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117930859A true CN117930859A (zh) | 2024-04-26 |
Family
ID=90752663
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311719129.3A Pending CN117930859A (zh) | 2023-12-13 | 2023-12-13 | 一种配网无人机自主巡视航迹规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117930859A (zh) |
-
2023
- 2023-12-13 CN CN202311719129.3A patent/CN117930859A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110108284B (zh) | 一种顾及复杂环境约束的无人机三维航迹快速规划方法 | |
| CN109828607B (zh) | 一种面向不规则障碍物的无人机路径规划方法及系统 | |
| CN106371445B (zh) | 一种基于拓扑地图的无人车规划控制方法 | |
| WO2023016101A1 (zh) | 一种基于启发式偏置采样的室内环境机器人探索方法 | |
| CN110617818A (zh) | 一种无人机航迹生成方法 | |
| CN109685237B (zh) | 一种基于Dubins路径和分支限界的无人机航迹实时规划方法 | |
| CN110471426A (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
| CN108268042A (zh) | 一种基于改进可视图构造的路径规划算法 | |
| CN112379697B (zh) | 轨迹规划方法、装置、轨迹规划器、无人机及存储介质 | |
| CN112947594B (zh) | 一种面向无人机的航迹规划方法 | |
| Li et al. | Three-dimensional path planning for AUVs in ocean currents environment based on an improved compression factor particle swarm optimization algorithm | |
| CN113359808A (zh) | 一种无人机电力巡检多级路径规划方法及相关装置 | |
| CN114839968A (zh) | 一种水面无人艇路径规划方法 | |
| Liu et al. | Application of dijkstra algorithm in path planning for geomagnetic navigation | |
| CN116880561A (zh) | 基于改进粒子群无人机路径规划安全增强的优化方法及系统 | |
| CN112231428B (zh) | 一种融合战场态势信息的车辆路径规划方法 | |
| CN116817958B (zh) | 一种基于障碍物分组的参考路径生成方法、装置和介质 | |
| Han et al. | Online Path Planning for AUV in Dynamic Ocean Scenarios: A Lightweight Neural Dynamics Network Approach | |
| CN117930859A (zh) | 一种配网无人机自主巡视航迹规划方法及系统 | |
| CN112799420B (zh) | 一种基于多传感器无人机的实时航迹规划的方法 | |
| Mishra et al. | A review on vision based control of autonomous vehicles using artificial intelligence techniques | |
| CN116610109A (zh) | 基于梯度的前向蚁群算法无人车路径规划方法 | |
| CN113311843B (zh) | 基于安全距离约束和los视线判断的无人船路径规划方法 | |
| CN114509085A (zh) | 一种结合栅格和拓扑地图的快速路径搜索方法 | |
| CN114564048A (zh) | 一种面向农用四旋翼无人机航迹规划改进方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |