[发明专利]基于自适应A星算法的飞行器最优路径确定方法

说明书

技术领域

本发明属于空间数据处理技术领域，特别涉及飞行器的路径规划，该方法可用于开展智能导航、无人驾驶等领域的路径规划。

背景技术

飞行器是依靠地形信息和敌情信息来进行路径规划，即在一定约束条件下，飞行器从起始点到终止点，搜寻能优先满足特定目的最优的飞行路径，其中飞行路径用一系列航路点表示。

随着军事技术、实际战争需求的不断发展，飞行器的路径规划建模从单一的系统发展到复杂多变的系统。飞行器的路径规划问题呈现出实时性、多维性、不确定性和非线性等复杂特征。建立在传统系统下的模型，仍习惯于从障碍物地形信息已知且不会改变的角度出发，以静态、理想化为主的方式来研究飞行器路径规划的建模问题，忽视了从实际的角度来看待整个飞行过程。目前大多数路径规划方法对于复杂的贴近真实环境的障碍物地形场景效果较差。这是因为传统算法采用的是简单的静态的规划方法，即在实际飞行器在飞行之前根据障碍物地形场景来进行路径规划，在飞行过程中路径不可改变以及障碍物符合特定规律，这与真实场景的差距较大。显然这种规划方法将障碍物地形场景进行了理想化的处理，而实际上飞行场景的地形信息是无规律无规则的。

目前主要有三类技术解决路径规划问题：1.传统算法，如栅格法，Voronoi图法；2.智能优化算法，如遗传算法；3.其他算法，如动态规划算法。

传统算法是根据经典的数学方程式进行计算，较一般地理想的障碍物地图用此类算法计算出的路径在全局上较优，但对障碍物的要求较为理想化，针对实际地形地图的规划效果很大程度受到算法本身和障碍物理想化程度的影响。智能优化算法，如遗传算法是在1975年由John Holland提出，是一类借鉴生物界的进化规律，即利用适者生存、优胜劣汰遗传机制演化而来的随机化搜索方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。在鲁棒性上较传统算法有了明显的提高，对障碍物理想化的依赖程度减低，但智能优化算法的计算时间普遍过长，无法适应动态的，可变的更接近真实情景的地图进行路径规划。对于其他算法，如动态规划算法，由于算法自身限制，在局部路径上可以达到最优以及适应动态地图，但在全局规划上无法保证，可能会出现路径结果不稳定和计算不出总体路径的情况。

发明内容

本发明的目的在于针对已有技术的不足，提出一种基于自适应A星算法的飞行器最优路径确定方法，以提高对多种不同地图规划出的路径的正确度，同时提高对同一幅地图进行多次路径规划的路线的稳定性，增强对不同地图路径规划的鲁棒性。

本发明的技术思路是：将所需的各类数据进行预处理，获得起止点和障碍物区域坐标，由起止点坐标差值比例，计算纵坐标方向网格尺寸大小，通过传统A星算法得出其路径规划的路径，并把搜索方向发生改变时的第一个航路点作为新的起始点，重新定义网格尺寸大小，用A星算法进行搜索，当满足终止点条件时，路径规划结束，输出所有的有效航路点。其具体步骤包括如下：

（1）在地图中设置飞行器的起始点SP和终止点EP；

（2）生成障碍物区域：

2a）根据飞行器的起始点SP和终止点EP的位置，建立直角坐标系；

2b)设p_i，q_i分别为飞行器需绕过的每一个障碍物的起点和终点的坐标，对p_i点分别做垂直于直角坐标系X轴和Y轴的直线，对q_i点分别做垂直于直角坐标系X轴和Y轴的直线，用这四条直线围成的一个矩形，表示障碍物区域T_i，其中i为障碍物的个数；

（3）将障碍物区域进行网格划分，得到网格地图；

（4）在网格地图中，设飞行器的起始点SP所在的网格为SG、终止点EP所在的网格为EG；

（5）根据飞行器的起始点所在网格SG和终止点所在网格EG，进行路径规划：