[发明专利]基于RFID库存盘点的无人机三维路径规划方法

摘要

基于RFID库存盘点的无人机三维路径规划方法，首先在三维空间搭建一个飞行网络模型，并建立相应的坐标系；然后通过搭建危险壁障的适应度函数、RFID读写器识别的适应度函数和路径最小适应度函数来构造目标函数，确保UAV能够在采集到每个仓库货物库存信息的前提下求得目标函数的最小值。采用基于二次差分进化和模拟退火的混合蝙蝠算法对目标函数进行求解，获得全局最优的飞行路径。本发明方法全局搜索能力较好，鲁棒性强。提高了无人机(Unmanned Aerial Vehicle,UAV)搭载RFID读写器的盘点效率，规避UAV无效的盘点飞行，减少盘点飞行路径。

主权项

1.基于RFID库存盘点的无人机三维路径规划方法，采用以下步骤：步骤1：搭建飞行网络模型，并建立相应的坐标系：步骤1.1：以网格的形式标注出UAV的空间任务、空间障碍物以及RFID的感应区域；步骤1.2：假设UAV从S点出发，到达目的地F点完成盘点任务；在飞行空间中(车间内)存在很多设备以及管道之类的危险区域；在UAV飞行过程中需要避开危险区域；将整个空间飞行路径划分成m个相等的子空间，且有n个飞行候选节点；步骤1.3：在该三维飞行任务空间建立以起点S为原点，以S点正东方向为x轴，y轴垂直于x轴且与水平面平行，z轴为过原点且垂直于xoy平面的三维坐标轴Oxyz；步骤1.4：S点为原点，坐标为(0,0,0)，假设由S点出发到F点经过L₁,L₂,…,L_n,L_i(x_i,y_i,z_i)表示UAV飞行过程中的第i个节点，故UAV飞行全过程的路径可表示为：Path＝{S,L₁,L₂...,F}            (1)步骤2：建立UAV三维路径规划数学模型：包括如下步骤：步骤2.1：建立危险壁障适应度函数，使UAV在从起点飞行到终点的过程中需避开这些危险壁障，确保始终在安全无碰撞的范围内，将UAV按照质点来处理，危险壁障适应度函数表示为：d＝(x_i‑x_t)²+(y_i‑y_t)²+(z_i‑z_t)²(3)其中：m：UAV飞行的节点数；N_t：危险壁障的数量；d：当前节点与危险壁障的距离的平方，其中d的取值由飞行空间决定；L：UAV飞行时与危险壁障的安全距离；δ：δ为定量，取δ＝0.01；X_i(x_i,y_i,z_i)：UAV当前节点坐标；T(x_i,y_i,z_i)：危险壁障的坐标；步骤2.2：建立RFID读写器识别适应度函数，确保在保持安全距离的同时，使UAV的飞行路径中所在节点与仓库货物存放区域的距离小于RFID读写器的读取距离：步骤2.2.1：对于仓库货物存放区域来说，既是需要被识别的区域也是障碍区域，故UAV在飞行过程中遇到仓库货物存放区域时首先需要满足公式(2)；步骤2.2.2：在UAV的飞行路径中还需确保存在节点L_i(x_i,y_i,z_i)与仓库货物存放区域的距离小于RFID读写器的读取距离；同时对仓库货物存放区域按照UAV半径进行膨胀，UAV按照质点来处理，RFID读写器识别的适应度函数表示为：其中：m：UAV飞行的节点数；N：仓库货物暂存区数量，即信息采集点数量；r：RFID读写器的射频识别距离，本文采用RFID读写器的识别距离为6m；l：当前节点与信息采集点的距离；δ：δ为定量，取δ＝0.01；X_i(x_i,y_i,z_i)：UAV当前节点坐标；C(x_c,y_c,z_c)：信息采集点的坐标；步骤2.3：设置路径最小适应度函数来求起始点和终点之间的最优路径：步骤2.3.1：在三维路径规划中，路径最短是算法最后需要达到的目标，所以距离最小适应度函数为：步骤2.3.2：将危险壁障适应度函数、RFID读写器识别的适应度函数以及距离最小适应度函数综合在一起，即可得到综合适应度函数为：f＝min f₁×f₂×f₃      (7)其中f≠0；步骤3：基于二次差分进化和模拟退火的混合蝙蝠算法迭代寻最优路径：包括如下步骤：步骤3.1：初始化：设置迭代次数t＝1；初始化蝙蝠种群的位置速度频率F、频度ɑ及响度A；设置放大系数F*；步骤3.2：计算初始解fitness(x)＝f(x)(其中x为手动遥控无人机飞行的一条路径)以及最优初始化值val_best；步骤3.3：当迭代次数t<最大迭迭代次数时，执行如下操作：步骤3.3.1：对所有节点数i＝1:N，生成随机变量r₁≠r₂≠r₃≠i，r₄＝[N*rand]；步骤3.3.2：利用蝙蝠个体的位置属性速度属性以及频率属性f_i进行全局搜索；得到在t代蝙蝠个体的新位置：步骤3.3.3：当rand₁>r时，则在此次随机游走过程中就近产生新的解决方案：X_new＝X_old+εA^t，其中，ε∈[‑1,1]是一个随机变异因子，是所有蝙蝠在这一代的平均响度；否则，通过局部差分策略变异产生新位置：X_new＝X_r1+(X_r2‑X_r3)F*；步骤3.3.4：设置初始温度T₀，结束温度T，退火系数C；步骤3.3.5：当rand₂<A时，根据Metropolics准则进行更新：X_i状态下的适应度为fitness(x_i)，X_new状态下的适应度为fitness(X_new)，在某一温度t下从状态X_i转移到状态X_new，当fitness(X_new)<fitness(x_i)，则接受X_new为当前状态，更新当前位置、目标函数、响应度A和脉冲率r：X_i＝X_new、fitness(x_i)＝fitness(X_new)、否则，若概率大于[0,1)区间的随机数，则接受X_new为当前状态，并更新当前位置、目标函数、响应度A和脉冲率r，否则保留X_i为当前状态；定义如下：其中K为玻尔兹曼常数；步骤3.3.6：重复步骤3.3.1‑步骤3.3.5，直至t＝最大迭代次数；步骤3.4：输出最优路径解；步骤4：将步骤3模型中基于二次差分进化和模拟退火的混合蝙蝠算法得到的最优解可视化，即为无人机飞行的最优路线。