[发明专利]一种面向突发威胁的无人机航迹规划算法

说明书

本发明公开了一种面向突发威胁的无人机航迹规划算法。该算法在Dubins路径的基础上建立路径扩展点评估函数，通过引入路径长度评估因子和威胁评估因子对路径扩展点进行选择，从而可以有效的降低路径搜索点的数量。同时结合启发式搜索的思想，对可能出现的路径长度代价和威胁代价进行评估，达到了缩短路径长度的目的。仿真表明，多因素Dubins算法在突发威胁场景下，可以规划出较短的路径，同时相比于传统的航迹规划算法具有较少的路径搜索点，并且得到的路径符合无人机实际飞行时的航向变化。

技术领域

本发明属于无人机领域，特别涉及突发威胁场景中的无人机航迹规划算法。

背景技术

无人机航迹规划方法大致分为两类：一类是全局路径规划或称为离线路径规划，另一类是局部路径规划或称为在线路径规划。全局路径规划方法通常根据已知的环境或过去对环境的感知信息生成一条优化的路径，但是这种方法无法应对未知或突发威胁的情况。而局部路径规划算法不需要环境先验信息，在面对突发威胁时通过机载传感器提供的信息实现动态的航迹规划与路线调整。由于在突发威胁场景下，无人机无法得知全局威胁区域位置分布情况，导致全局路径规划算法无法工作。在此情况下只能采用局部路径规划，当威胁区域处于无人机的探测范围内，无人机才能做出反应，并通过在线航迹规划算法进行实时的航迹计算与调整。

目前，研究人员对航迹规划已经做了大量的工作，并提出了多种航迹规划算法。Dijkstra算法被广泛应用于解决最短路径问题。它将单个节点标记为源节点，然后找到从源节点到图中所有其它节点的最短路径，从而生成最短路径树。该算法交互式地考虑了每一个最短路径距离较近的位置点，能够寻找到最优路径，但是该算法在某些拓扑结构中会存在重复的位置点搜索，导致路径搜索速度相对较慢。A*算法将起始点到目标点的地图进行网格化划分，再对状态空间中的每一个网格即位置点进行评估选择直到找到目标点。但是A*算法很难有效地处理运动学和动力学约束条件下的无人机路径规划。为了解决此问题，稀疏A*搜索(Sparse A*Search，SAS)方法能够引入运动学和任务的各种约束条件，并利用它们来缩小搜索空间。然而，SAS中的估计代价通常是基于从节点到终端的直线距离，在最小转弯半径的约束条件下，并不能准确的度量基于A*算法规划的路径，这种不准确的度量会导致在搜索的过程中更多不必要的节点需要扩展，降低了该方法的效率。人工势场法在引力和斥力这两种合力势场的影响下，机器人在避开威胁区域的同时可以移动到目的点。然而人工势场法容易陷入局部极小值并且存在目标不可达的不足。在此情况下，会导致路径曲线持续震荡，极大地增加路径搜索时间。

随着研究的不断深入，上述几种方法之间没有了绝对的界限，研究人员发现虽然每种算法都存在各自的缺点，但是通过将多重算法进行结合可以很好的将各自算法的优点发挥出来。

发明内容

本发明的目的是在突发威胁场景中，提出一种实时的无人机航迹规划算法。为了实现该算法，本发明所采用的步骤是：

步骤1：首先将起始点当作当前路径扩展点，生成到目标点的路径。如果在此方向上不存在突发威胁区域，则将目标点P_f加入到CLOSE表中，构建成一条从起始点到目标点的路径曲线，算法运行结束。如果在此方向上存在突发威胁区域，则生成当前路径扩展点到威胁区域的多条Dubins曲线。

步骤2：通过MFDA算法估价函数计算并选出代价值最小的点作为下一步的路径扩展点，将此路径扩展点加入到CLOSE表中。

步骤3：将步骤2中选取的路径扩展点作为当前的位置，然后重新执行步骤1的操作。之后重复上述过程，不断产生新的路径扩展点，直到到达目标位置，构建出一条完整的路径。

附图说明

图1是本发明的MFDA算法航迹规划过程；

图2是本发明的扩展点选择示意图；

图3是本发明的LSR路径类型示意图；

图4是本发明的仿真结果图。