城市低空环境下无人机多目标路径规划联合搜索方法技术

本发明专利技术提供了一种城市低空环境下无人机多目标路径规划联合搜索方法，属于无人机路径规划技术领域。本方法步首先以静态已知障碍物为基础构建静态安全指数地图，以无人机在飞行过程中主动探测到的没有标记在地理地图中的障碍物为基础，在机载平台上构建动态安全指数地图；然后基于离线搜索与在线搜索联合求解优化无人机飞行时间和飞行安全的多目标路径规划问题。使用本方法首先离线规划一条从起点到终点的代价最小的路径，然后在检测到未知障碍物时，采用在线搜索为在线规划一段变更的航迹，以避开动态障碍物。本发明专利技术的在线搜索具有较小的搜索空间，能够为无人机快速地在线重新规划一段安全的路径，从而满足无人机对路径规划实时性的要求。

【技术实现步骤摘要】
城市低空环境下无人机多目标路径规划联合搜索方法
本专利技术属于无人机路径规划
，具体是指一种联合离线和在线搜索的实现城市低空环境下无人机多目标路径规划的方法。
技术介绍
自美国联邦航空管理局(FederalAviationAdministration，FAA)发布了至2015年国内无人机(unmannedaerialvehicles，UAVs)起降规划以来，无人机的使用受到了极大关注。可以想象，在未来的智慧城市(SmartCities)中，无人机将会在物流、应急通信、消防、航拍、遥感、救援等事务中扮演重要角色。为了最大程度地利用无人机的优势，首先需要考虑的是怎样使无人机既快速又安全地到达指定区域，这就是所谓的路径规划问题(PathPlanningProblem)。路径规划问题指的是：求解无人机当前位置和目的地之间一条或多条无障碍路径的问题。近年来，研究人员一直致力于研究如何在障碍物环境中为车辆或飞行器找出一条无障碍的路径，这一问题的解决对于无人驾驶技术的发展是至关重要的。至今，已有三种类型的路径规划方法被提出，它们是几何法(GeometryMethod)、速度空间法(VelocitySpaceMethod)和图形搜索法(GraphSearchMethod)。几何法将地图中的障碍物的集合信息作为路径搜索算法的输入，典型的几何法包括势场法(PotentialFieldMethod)、矢量场直方图法(VectorFieldHistogramMethod)和Voronoi图法(VoronoiDiagramMethod)。速度空间法是综合考虑了车辆或飞行器的形状以及运动学和动力学约束的避免碰撞的方法，包括曲率速度法(CurvatureVelocityMethod)和动态窗口法(DynamicWindowMethod)。图形搜索法旨在找到某个图中两个顶点之间的最短路径，其中A*算法是一种已知的可以有效地找出从起点到目的地之间无障碍路径的图形搜索方法。然而，上述路径规划方法不能直接用于在动态城市环境中执行低空飞行任务的无人机的路径规划，因为它们需要及时更新的全局地图信息。在动态城市低空环境中，及时更新的全局地图信息对于无人机来说往往是不可知的，因为无人机的带宽是十分有限的。另外，在飞行过程中，无人机可能会遇到一些没有在地图中标记的意外的障碍物，在这种情况下，无人机将有可能与这些障碍物相撞。虽然可以利用重规划(Replanning)来减少飞行期间这种不确定性带来的影响，但仍然至少存在两个显著问题亟待解决：1)利用有限的机载计算资源实时探测障碍物并更新路径；2)基于有限的探测范围以及有限的定位精度，如利用全球定位系统(GlobalPositioningSystem，GPS)进行无人机定位，应对周围环境的变化(与已知地图信息的不匹配)。实现无人机在城市低空环境下的路径规划，既要保证无人机在飞行期间的安全，又要保证无人机在尽量短的时间内到达目的地。该问题是一个多目标路径规划问题。近年来，各研究人员已经开发了各种方法来解决无人机的多目标路径规划问题。例如，Roberge等人尝试通过利用遗传算法(GA)和粒子群优化算法(PSO)算法，在复杂的3维环境中为无人机计算可能的近似最优路径。同时，它们采用“单程序，多数据”并行编程范式技术来减少执行时间，使求解过程可以是实时的。Hernndez等人提出了一种多目标A*算法(Multi-ObjectiveA*Algorithm)来找到一条综合考虑飞行时间、转弯角度、燃料消耗和区域偏差的路径。Tao等人提出了一种改进的遗传算法来解决多目标路径规划问题。此外，Niendorf等人提出了一种在敌对环境中处理无人机任务规划的方法，该方法在较短的任务执行时间和较低风险之间进行了权衡。Liu等人提出了一种用于无人机路径规划的协同自适应差分多目标进化算法(SynergisticSelf-AdaptedDifferenceMulti-ObjectiveEvolutionAlgorithm)，以使无人机可以探测并避开障碍物。为了加快运算速度，又引入了自适应调整、交叉和变化策略。虽然上述多目标路径规划方法可以用于为无人机在复杂环境中找到可行的路径，但是没有一个方法解决了动态避障的问题——它们中的大部分仅仅为静态障碍物构建危险区域或禁区，以引导无人机绕过这些区域。为了同时避开静态和动态威胁区域，Wen等人提出了一种低空动态环境下无人机在线路径规划的新方法(参考文件1：N.Wen,L.Zhao,X.Su,etal,“UAVonlinepathplanningalgorithminalowaltitudedangerousenvironment,”IEEE/CAAJournalofAutomaticaSinica,vol.2,no.2,2015ISSN2329-9274,pp.173-185.)。在这种方法中，直觉模糊集(IntuitionisticFuzzySet)被用于构建静态威胁模型，并构建了一种可达性集估计器来评估动态威胁。为了降低规划成本并快速获得高安全水平的路径，他们提出了启发式子目标选择器并将其集成到规划系统中。虽然该框架被证明在无人机路径规划任务中表现良好，但它仅集中于解决单目标(即安全水平)路径规划问题，而无法解决所提到的多目标路径优化问题。为了将动态环境下的单目标解决方案拓展至多目标路径规划问题中，Wu等人提出了一个基于网格的多步A*(Multi-StepA*，MSA*)搜索算法来解决在大型、动态、不确定4维环境中无人机的多目标路径规划问题(参考文件2：P.P.Wu,D.Campbell,andT.Merz,“Multi-objectivefour-dimensionalvehiclemotionplanninginlargedynamicenvironments,”IEEETransactionsonSystemsMan&CyberneticsPartBCyberneticsAPublicationoftheIEEESystemsMan&CyberneticsSociety,vol.41,no.3,2011ISSN1941-0492,pp.621-634.)。MSA*算法利用一种可变的后继运算符(VariableSuccessorOperator)，后者使其可以通过跟踪轨迹段的长度、角度和速度来找到最小代价路径。该后继运算符为不确定性提供了一个固有的容限，它是基于路径间的最小距离和网格序列边界的。此外，通过利用该可变后继运算符来创建多分辨率、高存储效率的网格采样结构，可以使搜索空间大大减少，相应地提高运算效率。另外，Peng等人提出了一种在线路径规划方法(OnlinePathPlanningScheme)以解决动态多目标优化问题(参考文件3：X.Peng,D.Xu,andF.Zhang,“UAVonlinepathplanningbasedondynamicmultiobjectiveevolutionaryalgorithm,”inProceedingofControlConference(CCC),201130thChinese.IEEE,2011IS本文档来自技高网...

【技术保护点】
一种城市低空环境下无人机多目标路径规划联合搜索方法，其特征在于，包括如下步骤：步骤1，以地理地图中标记的静态已知障碍物为基础，构建静态安全指数地图；所述的静态安全指数地图描述无人机飞行过程中空间图上任意一点的静态安全指数；步骤2，以无人机在飞行过程中主动探测到的没有标记在地理地图中的障碍物为基础，在机载平台上构建动态安全指数地图；所述的动态安全指数地图描述无人机在飞行过程中探测到的空间中任意一点的动态安全指数；步骤3，构建联合优化无人机飞行时间和飞行安全的多目标路径规划问题；步骤4，基于离线搜索与在线搜索联合求解多目标路径规划问题，获取最优路径规划方案；根据无人机的起点、终点和飞行速度，采用离线搜索为无人机离线规划一条从起点到终点的代价最小的路径；无人机在飞行过程中，当检测到未知障碍物时，采用在线搜索为无人机在线规划一段变更的航迹，以避开动态障碍物；所述的在线搜索在当前搜索点和终点之间的连线与检测到的未知障碍物之间不相交的时候，搜索过程停止。

【技术特征摘要】
1.一种城市低空环境下无人机多目标路径规划联合搜索方法，其特征在于，包括如下步骤：步骤1，以地理地图中标记的静态已知障碍物为基础，构建静态安全指数地图；所述的静态安全指数地图描述无人机飞行过程中空间图上任意一点的静态安全指数；步骤2，以无人机在飞行过程中主动探测到的没有标记在地理地图中的障碍物为基础，在机载平台上构建动态安全指数地图；所述的动态安全指数地图描述无人机在飞行过程中探测到的空间中任意一点的动态安全指数；步骤3，构建联合优化无人机飞行时间和飞行安全的多目标路径规划问题；步骤4，基于离线搜索与在线搜索联合求解多目标路径规划问题，获取最优路径规划方案；根据无人机的起点、终点和飞行速度，采用离线搜索为无人机离线规划一条从起点到终点的代价最小的路径；无人机在飞行过程中，当检测到未知障碍物时，采用在线搜索为无人机在线规划一段变更的航迹，以避开动态障碍物；所述的在线搜索在当前搜索点和终点之间的连线与检测到的未知障碍物之间不相交的时候，搜索过程停止。2.根据权利要求1所述的方法，其特征在于，所述的步骤1中构建静态安全指数地图时，设Pr(xc,yc)表示无人机的风险概率，通过无人机的位置概率密度在障碍物区域上的积分得到，其中(xc,yc)表示无人机中心点的坐标；无人机中心位置的安全概率静态安全指数地图中，无人机在位置的安全指数3.根据权利要求1所述的方法，其特征在于，所述的步骤2中构建动态安全指数地图时，设(xc,yc)表示无人机中心点的坐标，首先将无人机的探测范围建模为一个以无人机当前位置为圆心，半径为传感器感知距离的圆，然后判断探测范围内是否存在与所探测到的障碍物之间的垂直距离小于等于安全裕度距离的点，如果存在，则设置无人机在位置(xc,yc)的安全指数为+∞，否则设置为0。4.根据权利要求1所述的方法，其特征在于，所述的步骤3中构建的多目标路径规划问题，定义具有最小代价W的一条路径p为帕累托最优路径；其中，α为权重系数，gj(p)是路径p的第j个优化目标的总代价，j∈{1,2}，集合P是求解多目标路径规划问题的帕累托路径集合。5.根据权利要求1所述的方法，其特征在于，步骤4中所述的离线搜索中，采用如下波速函数来计算：其中，表示当前无人机的位置，表示处无人机的速度函数，表示地图中无人机在位置处的安全指数，α为权重系数。6.根据权利要求1或5所述的方法，其特征在于，步骤4中所述的离线搜索，实现步骤包括：(1)根据无人机的起点、终点和飞行速度，基于静态安全指数地图生成静态代价分布地图；设集合A包含无人机的全部目的地点，集合NarrowBand包含无人机的全部起始点，集合FarAway包含地图中除了集合A和NarrowBand中的节点之外的全部节点；对NarrowBand中不在禁止区域内的任意一点node，更新node点处的代价cost[node]；cost[node]＝(αS-SIMap[node]*VELOCITY+(1-α))/VELOCITY，其中，α为权重系数，S-SIMap[node]为静态安全指数地图中node点处的安全指数，VELOCITY为无人机的飞行速度；对FarAway中的任意一点node，令cost[node]＝+∞；迭代判断NarrowBand和FarAway是否为空，如果NarrowBand和FarAway都不为空，执行(1.1)，否则终止迭代，最终生成的集合A就是静态代价分布地图；(1.1)将NarrowBand中的代价最小的节点记为best_neighbor，并将该best_neighbor加入集合A，同时，对best_neighbor的任意一个不在禁止区域内的邻居节点node，更新该node点处的代价cost[node]；再判断该node点是否在FarAway中，如果在，将其从FarAway中移除，并添加到NarrowBand中；(2)依据静态代价分布地图，为无人机离线规划一条从起点到终点的路径。7.根据权利要求1所述的方法，其特征在于，步骤4中所述的在线搜索中，利用代价启发函数来引导搜索；其中，表示当前无人机的位置，是从起点到当前位置的路径的总代价，表示从当前位置到目的地估计的路径代价，根据离线搜索得到。8.根据权利要求1或7所述的方法，其特征在于，步骤4中所述的...

【专利技术属性】
技术研发人员：曹先彬，肖振宇，杨朋，尹超，席星，吴大鹏，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11