一种迭代的快速扩展随机树IRRT的无人机路径规划方法技术

本发明专利技术公开了一种迭代的快速扩展随机树IRRT的无人机路径规划方法，本方法引入了启发信息，当随机采样增加新的叶节点Xnew时，引入随机概率P，让新的叶节点Xnew以一定的概率偏向目标点，削弱了新增的叶节点Xnew的随机性，同时也继承了原有算法的全部优点，加快了收敛的速度，在此基础上，通过迭代比较得到较优的路径，存储较优路径所在的上周期树，解决了在动态环境中的路径规划问题，也使得规划出的路径接近较优的路径，路径质量大大提高。

【技术实现步骤摘要】
一种迭代的快速扩展随机树IRRT的无人机路径规划方法
本专利技术涉及无人机路径规划领域，特别是一种迭代的快速扩展随机树IRRT的无人机路径规划方法。
技术介绍
无人驾驶飞机简称“无人机”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。目前，无人机应用在航拍、农业、植保、微型自拍、快递运输、灾难救援、观察野生动物、监控传染病、测绘、新闻报道、电力巡检、救灾、影视拍摄、制造浪漫等领域，有着广泛的用途。而要实现无人机的智能化,路径规划是无人机自主飞行的关键环节,路径规划的主要目的是根据任务需求规划出满足约束条件的飞行路径(从起点到终点),优秀的路径规划能够在很大程度上降低无人机耗油和减少碰到建筑物造成损坏的发生率，同时能很快的到达目标点。无人机在三维环境中的飞行环境，和二维环境中的地面机器人相比更加复杂。传统的路径规划算法，像A*算法,Dijkstra算法,这些方法需要已知全部的环境信息，然后构建环境模型后才可以进行路径搜索，而且在高维环境中它们的计算量也呈指数形式递增，实时性很差。针对无人机在陌生的三维环境中，无法事先建立好空间模型，同时考虑时间约束条件，规划维度上升到四维规划，因此在陌生高维环境下的路径规划，基于采样的路径规划方法取得很大的发展，例如概率地图(ProbabilisticRoadmapMethod,PRM)算法和快速随机搜索树方法(Rapidly-exploringRandomTree,RRT)。基于采样的路径规划算法是在状态空间中进行采样然后进行碰撞检测，不需要对空间模型预处理，而且在高维环境中计算量也不会改变，所以很适合高维陌生的环境。和PRM算法相比,RRT算法通过随机采样构造快速搜索树节约了构造路线图所需要的内存空间,受到了研究者的普遍关注。但是由于RRT基于随机采样法，尤其是在已经规划好的路径上动态出现障碍物时，需要重新规划全部路径，该算法会存在费时，收敛速度慢，路径规划可重复性差等方面的问题。
技术实现思路
本专利技术的目的是要提供一种迭代的快速扩展随机树IRRT的无人机路径规划方法，引入随机概率P并通过迭代比较存储较优的路径所在的上周期树来加快收敛速度，当无人机遇到动态障碍物时，进行局部重规划，不需要全局重新规划路径，来解决路径可重复性差的问题。为达到上述目的，本专利技术是按照以下技术方案实施的：一种迭代的快速扩展随机树IRRT的无人机路径规划方法，包括以下步骤：S1、确定起始点Xstart和终点Xgoal，确定步长stepsize和最大迭代次数iter，以Xstart为快速扩展随机树RRT的根节点，以Xgoal为快速扩展随机树RRT的目标点，初始化快速扩展随机树RRT；S2、以Xstart为起点对初始化后的快速扩展随机树RRT拓展，以步长stepsize生成随机点Xrand，和随机概率P偏向目标点Progoal，如果0<P<Progoal,则以一定的概率偏向Xgoal，沿Xgoal方向扩展；否则沿随机点Xrand方向扩展得到新的节点Xnew，在快速扩展随机树RRT中获取离Xrand最近的一个位形节点Xnearest，Xnearest向Xrand移动一个步长stepsize则在Xstart上增加新的节点Xnew，计算公式为：其中，||Xtemptarget-Xnearest||是欧式距离；S3、检测产生新的节点Xnew是否与周围的空间产生碰撞；如果产生碰撞，则返回步骤S2，重新选择新的节点Xnew，直到到达Xgoal所在区域；S4、存储Xstart到Xgoal的路径，比较之后存储较优的路径，设为RRTreeoptimization，直到达到最大迭代次数，如果到达最大迭代次数时还没有到达目标点Xgoal则规划失败，得到较优的RRTreeoptimization后，存储历史树，定义为上周期树；S5、当无人机按照步骤S4规划好的路径执行，遇到动态障碍物时，则沿着障碍物运动的反方向进行随机采样，按照步骤S4中存储的上周期树，利用原来较优的路径所在的RRTreeoptimization进行局部重规划，直到连接到较优的上周期树RRTreeoptimization中，则得到一条新的可行路径。S6、将步骤S5得到的可行路径利用贝塞尔曲线实现进行平滑处理，即完成无人机路径规划，其中，得到的可行路径利用贝塞尔曲线实现进行平滑处理的计算公式为：与现有技术相比，本专利技术针对随机性和路径的质量问题，本方法引入了启发信息，当随机采样增加新的叶节点Xnew时，引入随机概率P，让新的叶节点Xnew以一定的概率偏向目标点，削弱了新增的叶节点Xnew的随机性，同时也继承了原有算法的全部优点，确定了大致的目标方向，加快了收敛的速度，也使得规划出的路径接近较优的路径，路径质量大大提高。而且解决了RRT算法在动态环境中不稳定问题，在存储历史路径之前进行比较找到一条较优的路径，将较优的路径作为历史路径(上周期树)存储，当遇到动态障碍物，在上周期树的基础上进行局部重规划，这里局部重规划中采样时在动态障碍物运动的反方向的周围采样，这样得到的路径没有偏离较优的路径，提高了达到最优路径的概率，即使没有遇到障碍物，路径也是相对较优的。在此基础上，同时采用偏向目标的RRT算法，也就是一定的概率偏向目标点，加快了算法的收敛速度。但是得到的一系列的采样点组成的路径，在实际的空间环境下飞行器不可能在直线飞行时突然拐向另一条飞行路线，因此要对这些离散的，不可飞行的采样点进行路径平滑，综合时间性能，最后采用贝塞尔曲线进行路径平滑。附图说明图1为本专利技术的流程图。图2为基本RRT算法的扩展图。图3为不同环境下的实验仿真图。图4为路径长度对比图。具体实施方式下面结合具体实施例对本专利技术作进一步描述，在此专利技术的示意性实施例以及说明用来解释本专利技术，但并不作为对本专利技术的限定。如图1、图2所示，本实施例的一种迭代的快速扩展随机树IRRT的无人机路径规划方法，包括以下步骤：S1、确定起始点Xstart和终点Xgoal，确定步长stepsize和最大迭代次数iter，以Xstart为快速扩展随机树RRT的根节点，以Xgoal为快速扩展随机树RRT的目标点，初始化快速扩展随机树RRT；S2、以Xstart为起点对初始化后的快速扩展随机树RRT拓展，以步长stepsize生成随机点Xrand，和随机概率P偏向目标点Progoal，如果0<P<Progoal,则以一定的概率偏向Xgoal，沿Xgoal方向扩展；否则沿随机点Xrand方向扩展得到新的节点Xnew，在快速扩展随机树RRT中获取离Xrand最近的一个位形节点Xnearest，Xnearest向Xrand移动一个步长stepsize则在Xstart上增加新的节点Xnew，计算公式为：其中，||Xtemptarget-Xnearest||是欧式距离；S3、检测产生新的节点Xnew是否与周围的空间产生碰撞；如果产生碰撞，则返回步骤S2，重新选择新的节点Xnew，直到到达Xgoal所在区域；S4、存储Xstart到Xgoal的路径，比较之后存储较优的路径，设为RRTreeoptimization，直到达到最大本文档来自技高网...

【技术保护点】
1.一种迭代的快速扩展随机树IRRT的无人机路径规划方法，其特征在于，包括以下步骤：S1、确定起始点Xstart和终点Xgoal，确定步长stepsize和最大迭代次数iter，以Xstart为快速扩展随机树RRT的根节点，以Xgoal为快速扩展随机树RRT的目标点，初始化快速扩展随机树RRT；S2、以Xstart为起点对初始化后的快速扩展随机树RRT拓展，以步长stepsize生成随机点Xrand，和随机概率P偏向目标点Progoal，如果0

【技术特征摘要】
1.一种迭代的快速扩展随机树IRRT的无人机路径规划方法，其特征在于，包括以下步骤：S1、确定起始点Xstart和终点Xgoal，确定步长stepsize和最大迭代次数iter，以Xstart为快速扩展随机树RRT的根节点，以Xgoal为快速扩展随机树RRT的目标点，初始化快速扩展随机树RRT；S2、以Xstart为起点对初始化后的快速扩展随机树RRT拓展，以步长stepsize生成随机点Xrand，和随机概率P偏向目标点Progoal，如果0<P<Progoal,则以一定的概率偏向Xgoal，沿Xgoal方向扩展；否则沿随机点Xrand方向扩展得到新的节点Xnew；S3、检测产生新的节点Xnew是否与周围的空间产生碰撞；如果产生碰撞，则返回步骤S2，重新选择新的节点Xnew，直到到达Xgoal所在区域；S4、存储Xstart到Xgoal的路径，比较之后存储较优的路径，设为RRTreeoptimization，直到达到最大迭代次数，如果到达最大迭代次数时还没有到达目标点Xgoal则规划失败，得到较优的RRTreeoptimizat...

【专利技术属性】
技术研发人员：郭宝龙，郭新兴，刘阿敏，李诚，王滢，安陆，宁伟康，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61