基于遗传规划的无人机航迹规划系统及方法技术方案

技术编号:14569535 阅读:85 留言:0更新日期:2017-02-06 03:22
一种基于遗传规划的无人机航迹规划系统及方法,通过无人机模型模块构建树状结构的初始群体,遗传规划算法模块对每个个体进行解码和计算适应值,并且在群体之间进行选择和繁殖操作,经过若干次迭代过程得到最优群体,最终由无人机任务模块从最优群体中选择出最佳个体并进行解码,即得到遗传规划的最优航迹。本发明专利技术利用树状结构进行初始化、解码、选择繁殖等步骤,不断的优化航迹。优化过程迅速,方法直观,能够提高规划出的航迹性能,减少了运算时间,优化适应度,具有很好的可行性和鲁棒性。

【技术实现步骤摘要】

本专利技术涉及的是一种路径规划和人工智能领域的技术,具体是一种基于遗传规划的无人机航迹规划系统及方法
技术介绍
路径规划系统主要应用于无人机、机器人、水面舰艇、车辆等的路径规划问题中。路径规划是按照一定的评价标准体系,寻找运动体从起始状态点到达目标状态点的满足特定约束的路径。航迹规划是路径规划的一种,比一般的路径规划更加困难复杂。由于飞行器的运动性能复杂、任务环境复杂性,航迹规划系统需要综合考虑飞行器的机动性能、任务时间、地形环境、敌控区域等因素。航迹规划系统涉及飞行力学、自动控制、导航、计算机图形学等多个领域。航迹规划系统主要包括航迹规划算法、轨迹跟踪控制、虚拟现实技术等内容,其中核心是航迹规划算法。目前应用于航迹规划的算法主要有A*算法、遗传算法、神经网络等,其中遗传算法常用来作为航迹规划算法。但是由于环境空间巨大、约束条件繁多且耦合性强等情况,之前的算法结果并没有很好地解决问题。遗传算法是一种解决复杂优化问题的技术。遗传算法通过产生一组个体,使用进化算子来提升性能。遗传算法使用染色体和其中的基因来表示运算符,通过突变和交叉来进化。在航迹规划问题中,已有大量的工作使用遗传算法得到了不错的结果。但是传统的遗传算法在处理多层次问题的时候有不足的地方,当应用于拟合问题时,多层次的结构无法预知。此外,遗传算法缺乏动态性。无法表示很多计算机程序和数学问题,尤其是复杂的等式和不等式约束。在航迹规划问题中,遗传算法作为航迹规划算法,其规划出的航迹对威胁边缘依赖性很强,无法达到更高的要求。经过对现有技术的检索发现,遗传规划在机器人路径规划和避障的探索中获得了广泛的应用,如中国专利文献号CN103077425A,公开(公告)日2013.05.01,公开了一种自主水下机器人的实时路径规划方法,是AUV实时避碰过程中根据在线地图进行在线、实时局部路径规划的方法。该技术根据AUV路径点数目设定小种群个数,并初始化;对每个小种群进行免疫选择后得到子群;将其中一个子群进行遗传操作,另一个进行细胞克隆;然后通过接种疫苗和抗体聚类形成下一代小种群,判断其是否满足条件;如果满足则选出这些小种群的最优个体;从所有最优个体组成的集合中选择最优个体最为规划路径。该技术涉及的AUV实时避碰是典型的局部路径规划算法,容易陷入局部最优,算法稳定性较差,受抗体浓度影响较大。而且AUV缺乏动态性,对于不等式约束依然缺乏解决方法。
技术实现思路
本专利技术针对现有技术存在的上述不足,提出一种基于遗传规划的无人机航迹规划系统及方法,采用遗传规划算法作为航迹规划算法,通过对遗传规划算法的改进和创新,将其应用于复杂多目标优化问题中,利用树状结构进行初始化、解码、选择繁殖等步骤,不断的优化航迹。优化过程迅速,方法直观,不依赖于威胁的引导点。本专利技术能够提高规划出的航迹性能,减少了运算时间,优化适应度,具有很好的可行性和鲁棒性。本专利技术是通过以下技术方案实现的:本专利技术涉及一种基于遗传规划的无人机航迹规划系统,包括:无人机模型模块、遗传规划算法模块、无人机任务模块和现场信息模块,其中:无人机模型模块与遗传规划算法模块相连并传输无人机模型参数信息,现场信息模块与遗传规划算法模块相连并传输现场威胁与地图信息,无人机任务模块与遗传规划算法模块相连并传输无人机任务以及起始点信息。本专利技术涉及一种基于上述系统的遗传规划的航迹规划算法,通过无人机模型模块构建树状结构的初始群体,遗传规划算法模块对每个个体进行解码和计算适应值,并且在群体之间进行选择和繁殖操作,经过若干次迭代过程得到最优群体,最终由无人机任务模块从最优群体中选择出最佳个体并进行解码,即得到遗传规划的最优航迹。本专利技术具体包括如下步骤:步骤A,无人机任务模块构建优化方程,具体为:一般的多目标优化问题为:minVi=fi(x),i=1,2,...,Ns.t.X=[x1,x2,...,xd],X∈Rdgj(X)≤0,j=1,2,...,Jhk(X)=0,k=1,2,...,K,]]>其中:fi(x)为目标方程,X是d维决策变量向量,gj(X)表示不等式约束,hk(X)表示等式约束。针对路径规划问题,路径优化方程为:minf(x)=(f1(x),f2(x),f3(x))T,f1(x)=Σi=1nli2,f2(x)=Σi=1nhi2,f3(x)=Σi=1nfTAi,]]>其中:fTAi(x)=βjKj/(Rj)4,x∈Threat.jC(p)+Violate,x∉Threat.j,f1(x)=Σi=1nli2]]>表示路径长度的代价函数,li为每段航迹长度,其减小该函数意味着航迹更短更平滑。表示飞行高度的代价函数,其中hi为飞行高度,需要保证大于最小的高度。表示所有威胁的评估值。为威胁x影响j位置的评估值,βj,Kj是威胁系数,Rj是x和j之间的距离。由于航迹规划问题的约束主要根据无人机的模型参数中的各类限制而来,比如油量、最大最小偏转角、最大最小俯仰角等等,其中路径最大最小长度和飞行高度受现场地图的地形限制,约束定义为:lmax-li≥0,i∈Ili-lmin≥0,i∈IaiTai+1||ai||·||ai+1||-cosψ≥0,i∈I|zi-zi-1||ai|-tanθ≤0,i∈IHi-Hmin≥0,i∈I,]]>其中:前两个约束表示最大路径长度lmax和最小路径长度lmin。第三个和第四个约束表示最大偏转角ψ和最大俯仰角θ。最后一个约束Hmin为无人机飞行的最小高度。上述方程描述为航迹规划优化问题。步骤B,现场信息模块定义地形和威胁:由于航迹规划问题是基于具有许多威胁的特定地形的,而威胁的参数有位置、半径和权重等。无人机从起始点出发到达终点,要求在威胁范围之外。步骤C,遗传规划算法模块创造运算符:遗传规划的运算符包含函数运算符和符号运算符,基于上述航迹规划优化方程,针对航迹规划问题的特殊性,我们为函数运算符为:我们为函数运算符为:F=...

【技术保护点】
一种基于遗传规划的无人机航迹规划系统,其特征在于,包括:无人机模型模块、遗传规划算法模块、无人机任务模块和现场信息模块,其中:无人机模型模块与遗传规划算法模块相连并传输无人机模型参数信息,现场信息模块与遗传规划算法模块相连并传输现场威胁与地图信息,无人机任务模块与遗传规划算法模块相连并传输无人机任务以及起始点信息。

【技术特征摘要】
1.一种基于遗传规划的无人机航迹规划系统,其特征在于,包括:无人机模型模块、
遗传规划算法模块、无人机任务模块和现场信息模块,其中:无人机模型模块与遗传规划
算法模块相连并传输无人机模型参数信息,现场信息模块与遗传规划算法模块相连并传输
现场威胁与地图信息,无人机任务模块与遗传规划算法模块相连并传输无人机任务以及起
始点信息。
2.一种基于权利要求1所述系统的无人机航迹规划方法,其特征在于,通过无人机模
型模块构建树状结构的初始群体,遗传规划算法模块对每个个体进行解码和计算适应值,
并且在群体之间进行选择和繁殖操作,经过若干次迭代过程得到最优群体,最终由无人机
任务模块从最优群体中选择出最佳...

【专利技术属性】
技术研发人员:李建勋杨晓宇
申请(专利权)人:上海交通大学
类型:发明
国别省市:上海;31

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1