一种三维环境中的多无人机系统的航迹规划方法
【专利摘要】本发明公开了一种三维环境中的多无人机系统的航迹规划方法，属于无人机航迹规划技术领域。本方法针对无人机航迹规划的特点，其中方法包括以下步骤：获取无人机飞行环境的高程、威胁信息，并生成飞行环境的三维网格地图；利用改进遗传算法进行多无人机的航迹规划；利用B样条曲线对规划好的航迹进行平滑处理，最终形成满足无人机运动约束的航迹。该发明提出的航迹规划方法利用遗传算法可以为多无人机规划出确定的最优飞行路径，提高了任务完成效率。可应用于无人机侦察、监控、救援路径规划等技术领域。
【专利说明】
一种三维环境中的多无人机系统的航迹规划方法
技术领域
[0001] 本发明涉及无人机航迹规划技术领域，特别是一种三维环境中的多无人机系统的 航迹规划方法。
【背景技术】
[0002] 近年来，无人机因为能快速反应，能搭载多种类型传感器，将影像实时传输，能进 行高危地区探测，无人操作等许多优点而受到了军用、商用和民用三方面的重视，发展迅 猛。无人机的航迹规划是无人机研究的一个重要领域，其目的是根据任务目标在有障碍的 环境中规划出一条满足约束条件的最优无碰撞飞行轨迹。目前单无人机可以在简单的环境 中规划出满足任务需求的航迹，然而，随着目标区域范围的扩大，任务数量增加，单无人机 将花费很长时间才能完成任务。由于近来无人机的成本降低，使用多架无人机来高效、快速 完成任务成为可能。多无人机的应用带来了更复杂的航迹规划、任务分配问题。
[0003] 多无人机航迹规划属于多旅行商问题，该问题是NP-hard问题。目前，针对多无人 机航迹规划问题，研究者提出的解决方案较少。
[0004] 现有的无人机航迹规划算法有A*算法、蚁群算法、粒子群优化算法、人工势场法、 遗传算法等，它们各有优缺点。A*算法计算简单，容易实现，但启发函数的选取限制了全局 最优性;蚁群算法、粒子群优化算法和人工势场法则容易陷入局部最优。
[0005]遗传算法是基于自然选择和基因遗传学原理的搜索算法。遗传算法是一种新的全 局最优搜索算法，简单实用，适合并行处理，搜索过程灵活，具有较好的普适性和易扩充性， 在为NP-hard问题找到可行解领域得到广泛的应用。遗传算法的基本操作包括编码、群体生 成、适应度函数的构造、遗传操作等。其中，种群中个体分布的多样性，对遗传算法运行效率 的起着至关重要的作用。
【发明内容】
[0006] 本发明所要解决的技术问题是克服现有技术的不足，而提供一种三维环境中的多 无人机系统的航迹规划方法，该方法可以快速生成多无人机所需的安全飞行路径。
[0007] 本发明为解决上述技术问题采用以下技术方案：
[0008] 根据本发明提出的一种三维环境中的多无人机系统的航迹规划方法，包括以下步 骤：
[0009] 步骤1、飞行环境建模:UAV飞行三维空间表示为{(x，y，z) | (Xx<Xmax，(Xy<Ymax， 〇<z<Z max}，采用网格三维编码方式对搜索空间进行编码，将搜索空间离散化为若干个网 格;其中，Xmax，Y max，Zmax分别为三维空间x，y，z三个方向的上界；
[0010] 步骤2、设置无人机航迹规划的初始条件，包含规划的起始点、目标点、威胁分布及 障碍信息；
[0011] 步骤3、根据任务要求，利用改进遗传算法对多无人机进行航迹规划，生成全局最 优的参考航迹;具体如下：
[0012] (301)、根据步骤2中设置的无人机航迹规划的初始条件，采用整数编码方法随机 生成M条染色体组成种群，每条染色体表示多条飞行路径；
[0013] (302)、确定无人机航迹的代价函数：
[0014] (3021)、每一条航迹的代价函数为：
[0015] F=wi X f^R^+whX f2(R1)+wd X fsCR^+Ws X f4(R1)
[0016] 其中，*1^^^分别为航程代价、高程代价、威胁代价、偏转角代价在总代价?中 占的比重，且满足wi+wh+wd+ws = 1，f i (R1)为航程代价，f 2 (R1)为高程代价，f 3 (R1)为威胁代 价，fW)为偏转角代价，R为所有可飞航路集合，i为整数且0〈i<R;
[0017] (3022)、对航迹代价函数中各子代价fKR1)、f2(Ri)、f 3(Ri)、f4(Ri)分别进行归一化 处理，分别得到归一化后的子代价GOD、GOD、GOD、f4(?
[0018] (3023)、构造具有随进化代数动态调整的非线性适应度函数为：
[0020] F = Wl x Fi(Rj) + wh x f^R1) + wd x ^(R1) + vvs x ^(Rj)
[0021] 产为非线性适应度函数，F为归一化后的总代价I碎数，[mV可表示取值不大于1/5的 整数值，m=l+lnN，N为设定的最大进化代数，n为当前进化代数；
[0022] (303)、采用轮盘赌选择和锦标赛选择结合机制，从M条染色体中选取Q条染色体组 成父代种群，然后对该父代种群中的个体进行进化操作，通过进化操作生成新个体，将新个 体加入到原来的M条染色体中形成新种群，按照步骤(3023)中的非线性适应度函数计算出 新种群中每个个体的适应度，删除新种群中Q条适应度最小的染色体，使其大小恢复到原来 的染色体大小M;
[0023] (304)、重复步骤(303)直到满足终止条件，则从新种群中选出适应度最大的染色 体即为所求航迹，至此就得到了多无人机的全局最优参考航迹;终止条件为:新种群中计算 得到的最大适应度值保持不变；
[0024]步骤4、利用B样条曲线对步骤3得到的多无人机全局最优的参考航迹进行平滑处 理，得到最终的平滑飞行路径。
[0025]作为本发明所述的一种三维环境中的多无人机系统的航迹规划方法进一步优化 方案，所述步骤2中起始点位于三维空间最左下方的顶点，目标点位于三维空间右上方位。 [0026]作为本发明所述的一种三维环境中的多无人机系统的航迹规划方法进一步优化 方案，所述步骤(301)中的每条染色体长度CS为：
[0027] CS = CP+U-1
[0028] 其中，CS表示染色体长度，CP表示估计的航迹点数目，U表示无人机数目，起始点编 码为0。
[0029]作为本发明所述的一种三维环境中的多无人机系统的航迹规划方法进一步优化 方案，所述步骤(3022)中的归一化处理的方法如下：
[0031 ] 其中，k = l JJ^maxakUOhmir^fkU1)分别为子代价的上下限。
[0032] 作为本发明所述的一种三维环境中的多无人机系统的航迹规划方法进一步优化 方案，所述步骤4中，利用B样条曲线对于航迹中拐点进行平滑处理，得到最终的平滑飞行路 径。
[0033] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0034] (1)本发明采用改进的GA算法，利用网格空间编码，采用随机法生成初始种群，轮 盘选择和锦标赛选择结合机制选择父代，此外，构造具有随进化代数动态调整的非线性适 应度函数，增加了种群的多样性，避免早熟现象；
[0035] (2)采用一条染色体代表多条路径，减少了种群的大小，加快GA算法运行效率，并 且采用B样条曲线方法平滑，实现多无人机系统规避威胁全局最优航迹规划，增强了航迹规 划的快速性和有效性，提高了任务完成效率。
【附图说明】
[0036] 图1为本发明实现步骤的流程框图。
[0037]图2为本发明的遗传算法流程图。
[0038] 图3为【具体实施方式】中遗传算法中的交叉操作。
[0039] 图4为【具体实施方式】中遗传算法中的变异操作；其中，（a)为路径内部变异，（b)为 两条路径之间的变异。
[0040] 图5为【具体实施方式】中遗传算法中的局部搜索操作；其中，（a)为原路径，（b)为进 行局部搜索选取了点2和点7更新后的新路径。
[0041] 图6为【具体实施方式】中B样条曲线示意图。
【具体实施方式】
[0042] 为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例 对本发明进行详细描述。
[0043] 图1为本发明实现步骤的流程框图，本发明方法如下：
[0044] 步骤1:飞行环境建模。
[0045] 区域中自然边界复杂，首先对数字地图复杂的障碍物边界进行凸包计算，用所得 凸包近似替代障碍区域降低了对环境建模的复杂性。
[0046] UAV飞行三维空间表示为{ (X，y，Z) | 0<X<Xmax，(Xy<Ymax，(Xz<Zmax}，其中， Xmax，Ymax，zma4v别为三维空间x，y，z三个方向的上界。航迹规划需要对搜索空间进行编码， 这里采用网格三维编码方式，将空间离散化。本发明采用稍大的网格度量，即网格的度量= 10 X无人机的一个飞行控制步长时间X无人机的最大飞行速度。航迹点的搜索空间为地表 面上方距地面mXh的网格点（h为垂直方向上网格点间距，m为规划区域内地表面上方编码 的层数）。这样在算法搜索中直接完成地形跟随，避免地形碰撞。
[0047] 步骤2:无人机航迹规划条件初始化，具体实现方法为：
[0048] (1)给定网格化后的环境空间中每个单元的障碍信息、威胁信息；
[0049] (2)在离散化空间中找到起始点S和多个目标点Tr;所述起始点S位于三维空间最 左下方的顶点，目标点位于三维空间右上方位；
[0050]步骤3:根据任务要求，利用遗传算法生成全局最优的参考航迹;图2为本发明的遗 传算法流程图；具体实现方法为：
[0051]步骤3.1，根据步骤2中设置的无人机航迹规划初始条件，采用整数编码方法，随机 生成M条染色体。每条染色体表多条飞行航迹;所有航迹的第一个节点坐标相同；
[0052]其中所述染色体的长度为CS:
[0053] CS = CP+U-1
[0054] CS表示染色体长度，CP表示估计的航迹点数目，U表示无人机数目。起始点编码为 0。本发明附图中图3、图4的无人机数目为3架，航迹点为20个；因为三架无人机的初始点相 同故染色体长度为CS = 20+3-l = 22。
[0055] 步骤3.2，计算步骤3.1得到的每一条航迹的代价F
[0056] F=wi Xfi+whXfh+wdXfd+Ws Xfs
[0057] fi = .为航程代价，为相邻航迹段距离之和，假定起始点s为第〇个航路 点，目标点Tr为第N个航路点。其中cU,1+1表示两个相邻航迹点的距离。
[0058] = SKChi + hi+1)/2为高程代价，为各段航迹平均高程之和。其中匕表示航迹 点i的高度。
[0059] fa = SPifdan 为综合威胁代价 ' dl'j _ Rj:，. di,」为第 i i dj.j Rj 个航路点与第j个威胁点的距离，m为威胁点的个数，Kj、Rj分别为第j个威胁的强度和作用半 径。
[0060] fs 为偏转角代价，01￡(〇,31)，01是与节点1相连的两个路径段矢量 之间的偏转角度，a为调节系数。
[0061 ] wi，wh，wd，ws为航程、高程、威胁代价、偏转角代价在总代价中占的比重，且满足wi+ Wh+Wd+Ws - 1 〇
[0062]在航迹代价函数中，由于各个子代价函数数量级差异很大，为此，必须对航迹代价 函数中各分代价进行归一化。
[0063] 在下面必用以的表示，fh用f2(Ri)表示，fd用f3(Ri)表示，fs用f4(Ri)表示；
[0064] fk(k=l，2,3,4)经过下式归一化处理得到(丨< =1,2,3,4)。
[0066] R为所有可飞航路集合;为R中第i条航路的第k个归一化的子分代。通过归一 化，各子代价函数变为〇~1之间的无量纲的数，对航迹总代价具有相同的灵敏度。
[0067] 适应度函数的选取应尽量地避免早熟现象，即降低适应度较高的个体与其它个体 适应度之间的差异，限制其复制数量以维护群体多样性。本发明构造具有随进化代数动态 调整的非线性适应度函数为
[0069] F = Wi x ^(R1) + wb x ^(Rj) + wd x ^(R1) + ws x ^(R1)
[0070]产为非线性适应度函数，F为归一化后的总代价函数，[vq表示取值不大于1/5的 整数值，m= 1+lnN，N为设定的最大进化代数取N = 200，n为当前进化代数。在遗传算法运行 后期阶段能够扩大最佳个体适应度与其它个体适应度之间的差异，提高个体之间的竞争 性。
[0071 ]步骤3.3，采用轮盘赌选择和锦标赛选择结合机制，从M条染色体中选取Q条染色体 组成父代种群，然后对该父代种群中的个体进行进化操作，通过进化操作生成新个体，将新 个体加入到原来的M条染色体中形成新种群，按照步骤3.2中的非线性适应度函数计算出新 种群中每个个体的适应度，删除新种群中Q条适应度最小的染色体，使其大小恢复到原来的 染色体大小M;
[0072]其中所述的进化操作包括如下形式：
[0073] (1)交叉操作，其具体作用形式如图3所示。
[0074]随机选择父代染色体中两条航迹重新组合，生成两条新的航迹;交叉包含两种方 式:单点交叉、多点交叉。
[0075] (2)变异操作，其具体作用形式如图4所示。
[0076]交叉之后子代经历的变异，实际上是子代基因按小概率扰动产生的变化，群体中 的个体码串随机挑选一个或多个基因位并对这些基因位的基因值做异动。从路径的角度来 讲可以分为两种变异方式:路径内部变异、两条路径之间的变异：图4中的(a)为路径内部变 异、图4中的(b)为两条路径之间的变异。
[0077] (3)插入、删除操作
[0078]插入、删除操作主要是为了避免无人机的路径中含有障碍网格，并保证原来的最 短路径要求。假设所述起始点S位于三维空间最左下方的顶点，目标点位于三维空间右上方 位，故按照右、右上及上三个方向插入，当三个方向上都是自由网格时，右上网格优先;无人 机航迹段穿越威胁区域或违反其运动约束，则删除该航迹段的网格。
[0079] (4)局部搜索，其具体作用形式如图5所示，图5中的(a)为原路径，图5中的(b)为进 行局部搜索选取了点2和点7更新后的新路径。
[0080]本发明的局部搜索采用2-0pt算法。对前面步骤产生的染色体随机选取染色体上 的两点g和k，将g之前的路径不变添加到新路径中，将g到k之间的路径翻转其编号后添加到 新路径中，将k之后的路径不变添加到新路径中。获得的新路径与原路径比较，若其适应度 函数大于原路径，则更新路径。
[0081 ]步骤3.4，重复步骤3.3直到满足终止条件，则从新种群中选出适应度最大的染色 体即为所求航迹，至此就得到了多无人机的全局最优参考航迹;终止条件为:新种群中计算 得到的最大适应度值保持不变。
[0082]步骤4:利用B样条曲线对步骤3得到的全局最优航迹进行平滑处理。本发明使用最 为广泛的3阶B样条曲线作为平滑路径产生的方法，任三个相邻的控制点则连成三角形，曲 线即落在所有控制点所形成的三角形连接区域中。3阶B样条曲线和控制点见的关系如下：
[0084] 其中，口1^+1，+2^+3为控制点，1:3表示该样条曲线是3阶的。
[0085] 其具体作用形式如图6所示，图中的点表示航迹点，折线为步骤3得到的无人机航 迹，曲线为经过步骤4平滑后的无人机航迹。
[0086] 以上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应 涵盖在本发明的保护范围内。
【主权项】
1. 一种三维环境中的多无人机系统的航迹规划方法，其特征在于，包括以下步骤： 步骤1、飞行环境建模:UAV飞行三维空间表示为{ (X，y，Z) I (Xx<Xmax，(Xy<Ymax，(Xz <Zmax}，采用网格三维编码方式对搜索空间进行编码，将搜索空间离散化为若干个网格;其 中，Xmx，Ymx，Zmax分别为三维空间X，y，Z三个方向的上界； 步骤2、设置无人机航迹规划的初始条件，包含规划的起始点、目标点、威胁分布及障碍 信息； 步骤3、根据任务要求，利用改进遗传算法对多无人机进行航迹规划，生成全局最优的 参考航迹;具体如下： (301) 、根据步骤2中设置的无人机航迹规划的初始条件，采用整数编码方法随机生成Μ 条染色体组成种群，每条染色体表示多条飞行路径； (302) 、确定无人机航迹的代价函数： (3021) 、每一条航迹的代价函数为： F=wi X fiCR^+whX f2(R1)+wd X fsCR^+Ws X f4(R1) 其中，wi，Wh，Wd，ws分别为航程代价、高程代价、威胁代价、偏转角代价在总代价F中占的 比重，且满足Wl+Wh+Wd+Ws = 1，f 1 (R1)为航程代价，f 2 (R1)为高程代价，f 3 (R1)为威胁代价，f4 (R1)为偏转角代价，R为所有可飞航路集合，i为整数且〇〈i<R; (3022) 、对航迹代价函数中各子代价负(1?1)汀2(1?1)43(1? 1)汀4(1?1)分别进行归一化处 理，分别得到归一化后的子代价紅纪)、石:(纪)、$(:的、€(的 ; (3023) 、构造具有随进化代数动态调整的非线性适应度函数为：产为非线性适应度函数，P为归一化后的总代价函数表示取值不大于1VS的整数 值，m = 1+lnN，N为设定的最大进化代数，η为当前进化代数； (303) 、采用轮盘赌选择和锦标赛选择结合机制，从Μ条染色体中选取Q条染色体组成父 代种群，然后对该父代种群中的个体进行进化操作，通过进化操作生成新个体，将新个体加 入到原来的Μ条染色体中形成新种群，按照步骤(3023)中的非线性适应度函数计算出新种 群中每个个体的适应度，删除新种群中Q条适应度最小的染色体，使其大小恢复到原来的染 色体大小Μ; (304) 、重复步骤（303)直到满足终止条件，则从新种群中选出适应度最大的染色体即 为所求航迹，至此就得到了多无人机的全局最优参考航迹;终止条件为:新种群中计算得到 的最大适应度值保持不变； 步骤4、利用Β样条曲线对步骤3得到的多无人机全局最优的参考航迹进行平滑处理，得 到最终的平滑飞行路径。2. 根据权利要求1所述的一种三维环境中的多无人机系统的航迹规划方法，其特征在 于，所述步骤2中起始点位于三维空间最左下方的顶点，目标点位于三维空间右上方位。3. 根据权利要求1所述的一种三维环境中的多无人机系统的航迹规划方法，其特征在 于，所述步骤(301)中的每条染色体长度CS为： CS = CP+U-1 其中，cs表示染色体长度，CP表示估计的航迹点数目，u表示无人机数目，起始点编码为 0〇4. 根据权利要求1所述的一种三维环境中的多无人机系统的航迹规划方法，其特征在 于，所述步骤(3022)中的归一化处理的方法如下：其中，k=l，2,3,4，11^浪(1?1))、111；[11出(1?1)分别为子代价的上下限。5. 根据权利要求1所述的一种三维环境中的多无人机系统的航迹规划方法，其特征在 于，所述步骤4中，利用B样条曲线对于航迹中拐点进行平滑处理，得到最终的平滑飞行路 径。
【文档编号】G05D1/10GK105929848SQ201610488655
【公开日】2016年9月7日
【申请日】2016年6月28日
【发明人】贾广芝, 曹科才, 岳东
【申请人】南京邮电大学