一种基于群禽寻优技术的多无人机航迹规划方法技术

本发明专利技术公开了一种基于群禽寻优技术的多无人机航迹规划方法，属于无人机飞行控制领域。本发明专利技术提供的方法通过构建三维空间模型，以指数增长的方式对模型进行分割；将曲率、挠率、爬升角、航迹长度、航迹时长、各无人机间的距离和各无人机与障碍物之间的距离作为航迹评估指标，利用指标之间的关联性和权重的实时性构建航迹评估函数，从而提出一种新的群禽寻优技术对该函数值求解，并结合鱼群公告板交互的思想，得到初始航迹点数据并做平滑处理，最后将优化后的航迹点数据传输给各无人机，从而生成多无人机飞行航迹。该方法适应性好、复杂度低、收敛速度快、准确性高、关联性强，同时该方法适用于规划复杂多变的多无人机自主飞行航迹。

A path planning method of multiple UAVs based on the technology of bird swarm optimization

【技术实现步骤摘要】
一种基于群禽寻优技术的多无人机航迹规划方法
本专利技术属于无人机飞行控制领域，具体涉及一种新的基于群禽寻优技术的多无人机航迹规划方法。
技术介绍
随着航空技术的发展，无人机在民用和军用领域获得了前所未有的长足进步，其中包括警用、视频拍摄、灾情监视、交通巡逻等应用方面，无人机需要在复杂的地势环境中实现自主飞行，而航迹规划是实现自主飞行的关键技术之一。随着环境复杂程度不断增大，单无人机由于地图覆盖率低、信息处理不及时等问题已不能满足其任务需求，而多无人机则具有信息共享、高效处理复杂问题的能力，因此对多无人机的研究愈发急切。现有的多无人机航迹规划手段主要包括模拟退火算法和A-star算法，但两种算法的计算复杂度高、收敛速度慢、适应性差、准确性低。模拟退火算法是一种通过研究热铁块在遇冷水后铁原子重组现象提出的优化方法，由设定的初始解开始，先由当前解产生新解，然后计算目标函数的差值，最后根据目标函数的差值选择接受或舍弃新解，寻找新解是一个不断重复的迭代过程，当算法终止时的当前解，即为所得近似最优解。该算法优化效果好，但收敛速度慢、复杂度高、适应性差。A-star算法是一种静态路网中求解最短路径的直接搜索方法。该算法结合起始节点到当前节点的代价函数与从当前节点到目标节点的启发式评估代价函数，利用两种不同的算法求解总的代价函数。该算法简单易实现、结构直观、搜索效率高，但将其运用于多无人机航迹寻优时，因环境的复杂度增大，导致其收敛速度慢、准确性低。
技术实现思路
本专利技术提供了一种基于群禽寻优技术的多无人机航迹规划方法，目的在于解决多无人机航迹规划中存在的适应性差、复杂度高、收敛速度慢、准确性低的问题。本专利技术提供的方法通过构建三维空间模型，以指数增长的方式对模型进行分割；将曲率、挠率、爬升角、航迹长度、航迹时长、各无人机间的距离和各无人机与障碍物之间的距离作为航迹评估指标，利用指标之间的关联性和权重的实时性构建航迹评估函数，从而提出一种新的群禽寻优技术对该函数值求解，其中群禽寻优技术的寻优种群包含蜂群、布谷鸟群和蜻蜓群，对三个种群同时引入遗传算法中的交叉算子，更新群禽个体后，继续利用群禽寻优技术对航迹点寻优，并结合鱼群公告板交互的思想，得到初始航迹点数据。对得到的航迹点数据做平滑处理，最后将优化后的航迹点数据传输给各无人机，从而生成多无人机飞行航迹。本专利技术的技术方案如下：步骤一，建立三维直角坐标系，采取指数函数的方式对环境模型中的高度进行分割。步骤二，设定航迹中的飞行约束，包含曲率、挠率、爬升角、航迹长度、航迹时长、各无人机间距离、各无人机与障碍物之间的距离。步骤三，利用实时关联性的多影响因素方法将各类约束条件融合，构建为航迹评估函数。步骤四，初始化群禽优化技术中三个种群的参数，其中，群禽优化技术中的优化种群包含蜂群、布谷鸟群和蜻蜓群，同时计算三个种群中个体的适应度值。步骤五，计算种群的适应度平均值，引入遗传交叉算子选择出适应度值大于均值的解重组，进而更新群禽个体。步骤六，将三个新种群各自的优化结果放置于鱼群公告板上，进而寻找种群间的最优解。步骤七，利用航迹平滑函数对航迹点做平滑处理，得到优化航迹点。步骤八，将优化后的航迹点数据传输给各无人机，从而实现对多无人机的航迹规划。本专利技术还包括：步骤一中所述的对环境模型中的高度进行分割的具体方式为：其中，h为切割的高度，x′是从x轴中取出的整数序列，x′＝1,2,…；y′是从y轴中取出的整数序列，y′＝1,2,…，w为切割面。步骤二所述的飞行约束具体为：设定第i架无人机任意时刻的航迹为ri(t)＝[xi(t),yi(t),zi(t)],t＝1,2,…,n，其中t为时刻点，n为最大时刻点数，第i架无人机的曲率为ki(t)，挠率为τi(t)，爬升角为θi(t)，航迹长度为si(t)，航迹时长为T；曲率约束：|ki(t)|≤kmax其中，kmax为航迹规划中的最大曲率约束，|·|为取绝对值运算；其中，×为向量积，ri′(t)、ri″(t)和ri″′(t)分别为航迹ri(t)对时间t的一阶导数、二阶导数和三阶导数；挠率约束：|τi(t)|≤τmax其中，τmax为航迹规划中的最大挠率约束；爬升角约束：|θi(t)|≤θmax其中，θmax为航迹规划中的最大爬升角约束；其中，xi′(t)、yi′(t)、zi′(t)分别为航迹点坐标xi(t)、yi(t)、zi(t)对时间t的一阶导数；航迹长度约束：|si(t)|≤smax其中，smax为航迹规划中的最大航迹长度约束；其中，si(t)为当前时刻累计的航程长度，xi(t+1)、yi(t+1)和zi(t+1)为下一时刻的坐标点；航迹时长约束：|T|≤Tmax其中，Tmax为航迹规划中的最大航迹时长约束；T＝max(Ti)其中，Ti为第i架无人机的每段航迹的累加时间和；各无人机间的距离约束：Δuij(t)＝|ri(t)-rj(t)|≥dsafe,(j＝1,2,3；i≠j)其中，j为不同于i的无人机的标号，dsafe是任意时刻各无人机之间必须满足的安全间隔，ri(t)和rj(t)为两架不同的无人机在t时刻的位置，Δuij(t)为t时刻两架不同无人机之间的距离差；各无人机与障碍物的距离约束：其中，piζ(t)为第i架无人机与第ζ个障碍物中心在同一高度平面的距离，ζ为障碍物的编号；在考虑障碍物的高度后，添加高度系数因子φ，得到新的第i架无人机与第ζ个障碍物中心在同一高度平面的距离约束Aiζ，当无人机的高度zi(t)大于障碍物的高度hζ时，则不需要考虑障碍物：Aiζ＝φpiζ(t)其中，高度系数因子φ为：其中，当Aiζ≠0时，考虑与障碍物在同一平面上的最小距离约束：步骤三中所述的轨迹评价函数具体为：Ji(t)＝ω1ki(t)+ω2τi(t)+ω3θi(t)+ω4[si(t)×T]+ω5Δuij(t)+ω6[Ai1(t)×Ai2(t)]其中，ωβ(β＝1,2,…,6)为各个约束性能的实时权重，Ji(t)为第i架无人机的航迹评估函数。所述的步骤四具体为：始化群禽优化技术的运行次数runtime，各种群内最大迭代循环次数MC，算法中各种群的大小为NP，随机初始化选取群禽优化技术的初始解ri(0)＝[xi(1),yi(1),zi(1)]；群禽优化技术在进行觅食的时候，首先采用的是三种群体算法并行的思想，其中三个种群为蜂群、布谷鸟群、蜻蜓群，位置更新公式如下所示：蜂群算法的位置更新为：其中，m为迭代次数，m＝1,2,…,MC，ri(m)、ri(m+1)为第i架无人机在m次迭代和(m+1)次迭代的位置，rand(0,1本文档来自技高网...

【技术保护点】
1.一种基于群禽寻优技术的多无人机航迹规划方法，其特征在于：包括如下步骤：/n步骤一，建立三维直角坐标系，采取指数函数的方式对环境模型中的高度进行分割；/n步骤二，设定航迹中的飞行约束，包含曲率约束、挠率约束、爬升角约束、航迹长度约束、航迹时长约束、各无人机间距离约束、各无人机与障碍物之间的距离约束；/n步骤三，利用实时关联性的多影响因素方法将各类约束条件融合，构建为航迹评估函数；/n步骤四，初始化群禽优化技术中三个种群的参数，其中，群禽优化技术中的优化种群包含蜂群、布谷鸟群和蜻蜓群，同时计算三个种群中个体的适应度值；/n步骤五，计算种群的适应度平均值，引入遗传交叉算子选择出适应度值大于均值的解重组，进而更新群禽个体；/n步骤六，将三个新种群各自的优化结果放置于鱼群公告板上，进而寻找种群间的最优解；/n步骤七，利用航迹平滑函数对航迹点做平滑处理，得到优化航迹点；/n步骤八，将优化后的航迹点数据传输给各无人机，从而实现对多无人机的航迹规划。/n

【技术特征摘要】
1.一种基于群禽寻优技术的多无人机航迹规划方法，其特征在于：包括如下步骤：
步骤一，建立三维直角坐标系，采取指数函数的方式对环境模型中的高度进行分割；
步骤二，设定航迹中的飞行约束，包含曲率约束、挠率约束、爬升角约束、航迹长度约束、航迹时长约束、各无人机间距离约束、各无人机与障碍物之间的距离约束；
步骤三，利用实时关联性的多影响因素方法将各类约束条件融合，构建为航迹评估函数；
步骤四，初始化群禽优化技术中三个种群的参数，其中，群禽优化技术中的优化种群包含蜂群、布谷鸟群和蜻蜓群，同时计算三个种群中个体的适应度值；
步骤五，计算种群的适应度平均值，引入遗传交叉算子选择出适应度值大于均值的解重组，进而更新群禽个体；
步骤六，将三个新种群各自的优化结果放置于鱼群公告板上，进而寻找种群间的最优解；
步骤七，利用航迹平滑函数对航迹点做平滑处理，得到优化航迹点；
步骤八，将优化后的航迹点数据传输给各无人机，从而实现对多无人机的航迹规划。


2.根据权利要求1所述的一种基于群禽寻优技术的多无人机航迹规划方法，其特征在于：步骤一中所述的对环境模型中的高度进行分割的具体方式为：



其中，h为切割的高度，x′是从x轴中取出的整数序列，x′＝1,2,…；y′是从y轴中取出的整数序列，y′＝1,2,…，w为切割面。


3.根据权利要求1所述的一种基于群禽寻优技术的多无人机航迹规划方法，其特征在于：步骤二所述的飞行约束具体为：
设定第i架无人机任意时刻的航迹为ri(t)＝[xi(t),yi(t),zi(t)],t＝1,2,…,n，其中t为时刻点，n为最大时刻点数，第i架无人机的曲率为ki(t)，挠率为τi(t)，爬升角为θi(t)，航迹长度为si(t)，航迹时长为T；
曲率约束：
|ki(t)|≤kmax
其中，kmax为航迹规划中的最大曲率约束，|·|为取绝对值运算；



其中，×为向量积，ri′(t)、ri″(t)和ri″′(t)分别为航迹ri(t)对时间t的一阶导数、二阶导数和三阶导数；
挠率约束：
|τi(t)|≤τmax
其中，τmax为航迹规划中的最大挠率约束；



爬升角约束：
|θi(t)|≤θmax
其中，θmax为航迹规划中的最大爬升角约束；



其中，xi′(t)、yi′(t)、zi′(t)分别为航迹点坐标xi(t)、yi(t)、zi(t)对时间t的一阶导数；
航迹长度约束：
|si(t)|≤smax
其中，smax为航迹规划中的最大航迹长度约束；



其中，si(t)为当前时刻累计的航程长度，xi(t+1)、yi(t+1)和zi(t+1)为下一时刻的坐标点；
航迹时长约束：
|T|≤Tmax
其中，Tmax为航迹规划中的最大航迹时长约束；
T＝max(Ti)
其中，Ti为第i架无人机的每段航迹的累加时间和；
各无人机间的距离约束：
Δuij(t)＝|ri(t)-rj(t)|≥dsafe,(j＝1,2,3；i≠j)
其中，j为不同于i的无人机的标号，dsafe是任意时刻各无人机之间必须满足的安全间隔，ri(t)和rj(t)为两架不同的无人机在t时刻的位置，Δuij(t)为t时刻两架不同无人机之间的距离差；
各无人机与障碍物的距离约束：



其中，piζ(t)为第i架无人机与第ζ个障碍物中心在同一高度平面的距离，ζ为障碍物的编号；
在考虑障碍物的高度后，添加高度系数因子φ，得到新的第i架无人机与第ζ个障碍物中心在同一高度平面的距离约束Aiζ，当无人机的高度zi(t)大于障碍物的高度hζ时，则不需要考虑障碍物：
Aiζ＝φpiζ(t)
其中，高度系数因子φ为：



其中，当Aiζ≠0时，考虑与障碍物在同一平面上的最小距离约束：





4.根据权利要求1所述的一种基于群禽寻优技术的多无人机航迹规划方...

【专利技术属性】
技术研发人员：高敬鹏，王晨悦，郑凯元，项建弘，綦俊炜，卢毅，张然，郭磊，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23