[发明专利]一种基于粒子群优化算法的多无人机航路规划方法

摘要

本专利公开了一种基于粒子群优化算法的多无人机航路规划方法。首先，建立多无人机航路规划空间的三维地图。在此基础上，建立三维地图下多无人机航路规划模型，主要包括：障碍物模型、路径模型、无人机状态模型、约束模型和多无人机航路规划数学模型。最后，采用粒子群优化算法求解三维地图下的多无人机航路规划问题。本发明可有效提高复杂环境下多无人机的航路规划能力，为无人机空中交通管理平台、多无人机全自主飞行系统等提供技术支撑。

主权项

一种基于粒子群优化算法的多无人机航路规划方法，主要包括以下步骤：步骤1：建立多无人机航路规划空间的三维地图。将无人机飞行空间以数据形式进行存储，将其表示为规划空间里的所有点(x，y，z)的集合{(x，y，z)|X_min≤x≤X_max，Y_min≤y≤Y_max，Z_min≤z≤Z_max}，其中(x，y)表示该点的水平位置，z为高程数据。离散化后的规划空间采用栅格的形式保存数字地形高程数据。步骤2：建立三维地图下多无人机航路规划模型。主要包括以下步骤：步骤2.1、建立障碍物模型。将无人机的障碍分为软障碍物和硬障碍物。其中软障碍物的描述包括：障碍物的中心位置，障碍物的作用半径，障碍物对无人机的损伤概率。硬障碍物一般是由于特定因素限制不能飞跃的区域，一旦穿越则就会损毁。硬障碍物可以看成软障碍物的特殊情况，其描述和软障碍物的描述一样，只是障碍的损伤概率取值0或1。总的损伤概率ω等于各个并行损伤概率ω_i的叠加，而各个并行损伤概率ω_i的计算与其包含串行损伤概率ω_ij满足以下关系：$\left\{\begin{array}{c}\mathrm{\ω}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i\\ {\mathrm{\ω}}_i=1-\underset{j=1}{\overset{m}{\Σ}}(1-{\mathrm{\ω}}_{ij})\end{array}\right.$步骤2.2、建立路径模型。对于每架无人机，可行路径可以看作是一条从起点到终点、由若干线段组成的折线，可以用这些折线的端点序列表示。为避免带有过于尖锐的角的路径，。采用“修正”的处理方法：在尖锐拐角处加入一端圆弧，进行对应的平滑过渡处理。这个圆弧的半径选择为无人机的最小转弯半径，满足无人机的机动性能约束，并且保证构成该圆弧与连的两条线之间相切，用得到的两个切点代替原来的拐角点步骤2.3、建立无人机的状态模型。本专利按照无人机的实际运行情况，将无人机区分为：就绪、工作、返航、失控4个状态。步骤2.4、建立无人机航路规划主要约束模型。本专利选择无人机垂直方向最大转弯角约束、水平方向最大转弯角约束、最大转弯半径约束、最远飞行距离约束、飞行高度约束、特殊航路点等作为进行航路规划的约束条件。具体如下：(1)垂直方向最大转弯角约束$\arctan \left(\frac{|z_{i+1}-z_i|}{\sqrt{{(x_{i+1}-x_i)}^2+{(y_{i+1}-y_i)}^2}}\right)\≤{\mathrm{\θ}}_{max}$式中，i表示当前为第i段航迹，(x_i，y_i，z_i)与(x_i+1，y_i+1，z_i+1)分别表示当前航路点与待选航路点在规划空间中的位置坐标，θ_max表示无人机在垂直方向上的最大转弯角度。(2)水平方向最大转弯角约束式中，表示无人机在水平方向上的最大转弯角度。(3)最小转弯半径约束R_i≥R_min式中，R_i为规划航迹进行第i次转弯时的转弯半径，R_min为无人机的最大转弯半径。R_min由下式计算：$R_{min}=V_{min}^2/g\×\sqrt{n_{ymax}^2-1}$式中，V_min为无人机的最小飞行速度，n_ymax为无人机的最大法向过载。(4)最远飞行距离约束$\underset{i}{\Σ}\left|\right|l_i\left|\right|\≤L_{max}$式中，l_i表示第i段航迹的飞行距离，L_max为允许最远飞行距离。(5)飞行高度约束H_min≤H_i≤H_max式中，H_i为当前飞行高度，H_min为最低可飞高度，H_max为最高可飞高度。(6)特殊航路点特殊航路点包括为在航路上为无人机分配的充电或更换电池的驿站，用于提高无人机的续航能力。将此类点视作特殊航路点对待，当无人机电量过低报警后，就近选择相应的特殊航路点，对无人机电池充电或是更换。对于刚离开特殊航路点的无人机而言，在对其进行航路规划时其机动和续航能力按最高值考虑。步骤2.5、建立多无人机航路规划数学模型。多无人机的航迹规划问题为规划空间内满足特定要求，且飞行代价最小，从飞行起点到终飞行点之间的一系列航迹节点的集合，表示为$\left\{\begin{array}{c}\min C\left(p\right)\\ s.t.g\left(P\right)\≥0\end{array}\right.$式中，C(p)为所规划无人机飞行航路p的代价函数，g(p)为约束条件。步骤3：采用粒子群优化算法求解多无人机航路规划。具体包括以下步骤：步骤3.1、根据建立的三维地图下多无人机航路规划模型，选取粒子群优化算法的决策变量，并确定决策变量的上下界；步骤3.2：根据建立的三维地图下多无人机航路规划模型，设置粒子群优化算法的目标函数。步骤3.3：设置粒子群算法迭代过程中种群数目、最大迭代次数、粒子最大飞行速度、学习因子、惯性权重等算法基本参数。步骤3.4：在不同初始条件下，通过算法迭代获得满足约束要求的航路规划结果。