一种针对路径点聚类机器学习的无人机航迹规划方法技术

一种针对路径点聚类机器学习的无人机航迹规划方法，涉及一种无人机航迹规划方法。本发明专利技术是为了解决目前没有一种可以不将目标加权求和而直接求解无人机多目标航迹规划问题的无人机航迹规划方法，以及现有的规划方案效果不好的问题。本发明专利技术提出了一种基于评估函数和K‑means聚类算法的自适应交配限制策略和一种基于此策略的多目标演化算法，首先利用K‑means算法找到每条航迹的邻居个体，然后基于每个路径点的交配限制概率决定其父代来源，从而加强勘探或者开采；随后利用包含局部搜索算子的重组算子产生新航迹；最后利用评估函数计算新航迹的交配限制概率，并执行环境选择。主要用于无人机的航迹规划。

A path planning method for UAV Based on path point clustering machine learning

【技术实现步骤摘要】
一种针对路径点聚类机器学习的无人机航迹规划方法
本专利技术涉及一种无人机航迹规划方法。
技术介绍
无人机已经在军事和民用领域展现其优势与潜力。为了实现无人机自主导航，必须考虑建模，航迹规划，以及控制系统设计等方面。其中，航迹规划是一类已被广泛研究的重要问题。无人机(UnmannedAerialVehicle，UAV)航迹规划问题是一类具有多个目标和约束条件的优化问题。无人机航迹规划是在满足多个约束条件(包括无人机属性和地形限制)的情况下找到从起点到终点的最优或次优航迹。航迹的优劣通过飞行长度，飞行高度，被摧毁概率等指标衡量。因此，航迹规划问题可以被描述为一个约束多目标优化问题。具体而言，基于时间域，无人机航迹规划问题可以分为在线优化与离线优化；基于空间域，无人机航迹规划问题分为2维环境与3维环境下的优化问题。因为在线航迹规划问题可以看做是离线航迹规划问题的扩展，所以研究最广泛的是离线航迹规划问题。针对无人机航迹规划问题中存在的多个相互冲突的优化目标，常见方法是加权聚合多个目标，然后利用单目标演化算法求解无人机多目标航迹规划问题。学者们已经提出了多种航迹规划方法，例如，A*算法，D*Lite算法，双层规划算法，基于网格的算法和智能计算方法等。尽管人们提出了大量的求解无人机航迹规划问题的方法，但是人们通常将航迹规划问题表示为单目标优化问题，并提出单目标优化算法。然而航迹规划问题通常具有多个相互矛盾的目标，例如希望获得最小被摧毁概率但是同时希望航迹最短。现有的处理多个相互矛盾的目标的方法是将每个目标乘以一个系数，然后将这些加权后的目标值相加。事实上，这些相互矛盾的目标的属性是不同的，不能简单地将这些目标加权求和。而且如何确定合适的加权系数是一个关键的但又不易解决的问题。此外，基于一组固定的加权系数运行一次单目标优化算法仅能获得一个最佳的飞行航迹，一旦决策者的偏好有所改变，就需要再运行一次算法以获得新的最优航迹。考虑到多目标演化算法有强大的全局搜索能力和鲁棒性，以及仅运行一次即可为决策者提供多样化的折衷航迹，利用多目标演化算法求解无人机航迹规划问题较为实用。也有一些研究提出了一些求解无人机航迹规划问题的多目标演化算法。Mittal和Deb利用结合了局部搜索方法的NSGA-II解决了两种航迹规划问题，一种航迹规划问题除了无人机和地形约束外不考虑其他约束条件，另一种规划问题定义了一个无人机必须经过的特殊点。在规划无人机的安全飞行路线时，为了同时获得研究人员感兴趣的目标的双基地SAR成像，Sun等使用《Three-dimensionalo_inepathplanningforUAVsusingmultiobjectiveevolutionaryalgorithms》中的算法，以找到无人机导航和双基SAR成像之间的折衷解。此外，为了求解这一优化问题，Sun等还提出了一种约束自适应多目标差分进化算法，根据熵自适应调整差分进化算子控制参数。《Three-dimensionalpathplanningforunmannedaerialvehiclesbasedonmulti-objectivegeneticalgorithm》中，以NSGA-II为框架，设计了几种变异算子，并自适应调整算子的使用概率，然后用改进的算法优化飞行长度，飞行高度以及总威胁指数。此外，受A*算法启发，还提出了一种重构算子使解逃离受限区域。为了更好地演化航迹中的优质路径点，Yang等提出将原始航迹规划约束条件和目标函数分解成一系列新的子函数，然后单独演化评估每个路径点。其中，路径点的优化算法是结合了基于优先级的多准则处理方法的JADE算法。为了规划多个无人机的航迹，Besada-Portas等提出了基于无人机属性，地形和不同优先级的优化准则，并提出了每个无人机使用一种演化算法并在演化时分享最优解的多智能体协同进化算法。考虑到航迹规划中变化的环境和受限的信息，Peng等提出了一种动态多目标演化算法，该算法挑选历史Pareto解集构建时间序列，并利用一种预测方法推测新的Pareto解集。总体来看，目前不将目标加权求和，而是直接求解无人机多目标航迹规划问题的方法较少，需要学者们进一步研究。
技术实现思路
本专利技术是为了解决目前没有一种可以不将目标加权求和而直接求解无人机多目标航迹规划问题的无人机航迹规划方法，以及现有的规划方案效果不好的问题。一种针对路径点聚类机器学习的无人机航迹规划方法，包括以下步骤：首先，利用航迹的路径点坐标组成染色体，随机地生成初始种群P＝{x1,…,xN}并计算P目标值，同时建立外部文档A用于储存环境选择中表现优良的解；然后，针对所有航迹，计算每个路径点的交配限制概率矩阵B和可行性矩阵I；交配限制概率矩阵其中是第i条航迹的第j个路径点的交配限制概率，可行性矩阵其中表示第i条航迹的第j个路径点是否可行；随后将N条航迹演化T代；每一代的航迹演化过程包括以下步骤：首先利用聚类算法将所有航迹聚类，找到每条航迹的邻居航迹矩阵S；然后对每条航迹进行重组操作和环境选择操作；其中，针对路径点进行重组的过程中，重组算子演化更新w-2个路径点，生成新航迹np；然后计算新航迹的目标值以及新航迹中路径点的交配限制概率β*和可行性I*；随后，将新航迹和外部文档混合进行环境选择，如新航迹质量较优，则保存至外部文档，并利用β*和I*更新B和I；在每一代演化的最后，利用A更新P；所述计算新航迹中路径点的交配限制概率β*和可行性I*的过程包括以下步骤：计算第j个路径点的约束违反值，航迹长度指标值dscorej和高度指标值hscorej；如果第五约束g5＞0，设置交配限制概率相应的可行性标志表示该点不可行；对于违反第一约束至第四约束条件的路径点，numj是第j个路径点违反的约束条件的数目，此时路径点仍为不可行路径点；如果路径点没有违反约束，则路径点是可行的最终得到路径点的交配限制概率和可行性*表示1至N中的一个值；第一约束为转弯角约束，第二约束为坡度角的约束，第三约束为航迹段中间点高度约束，第四约束为最小航迹段长度约束，第五约束为航迹的总长度约束；其中，xj,yj,zj是第j个路径点的坐标值；pzj,m为航迹段上的第m个中间点的z轴坐标，m＝1,…,Nm。进一步地，第一约束至第五约束具体如下：θmax是无人机的最大转弯角；θj是矢量(xj-xj-1,yj-yj-1)和(xj+1-xj,yj+1-yj)之间的夹角；第一个约束函数表示为：其中，是第j个转弯角的约束违反值；xj,yj,zj是第j个路径点的坐标值；αmax是最大爬升/俯冲角限制，航迹段的斜率αj表示航迹的爬升/俯冲角；第二个约束函数为：其中，是第j个坡度角的约束违反值；hmin为无人机到地面的最低垂直高度；第三个约束函数表示为：本文档来自技高网...

【技术保护点】
1.一种针对路径点聚类机器学习的无人机航迹规划方法，其特征在于，包括以下步骤：/n首先，利用航迹的路径点坐标组成染色体，随机地生成初始种群P＝{x

【技术特征摘要】
1.一种针对路径点聚类机器学习的无人机航迹规划方法，其特征在于，包括以下步骤：
首先，利用航迹的路径点坐标组成染色体，随机地生成初始种群P＝{x1,…,xN}并计算P目标值，同时建立外部文档A用于储存环境选择中表现优良的解；x1为第1条航迹，xN为第N条航迹；
然后，针对所有航迹，计算每个路径点的交配限制概率矩阵B和可行性矩阵I；
交配限制概率矩阵其中是第i条航迹的第j个路径点的交配限制概率，可行性矩阵其中表示第i条航迹的第j个路径点是否可行；
随后将N条航迹演化T代；每一代的航迹演化过程包括以下步骤：
首先利用聚类算法将所有航迹聚类，找到每条航迹的邻居航迹矩阵S；
然后对每条航迹进行重组操作和环境选择操作；其中，针对路径点进行重组的过程中，重组算子演化更新w-2个路径点，生成新航迹np；
然后计算新航迹的目标值以及新航迹中路径点的交配限制概率β*和可行性I*；
随后，将新航迹和外部文档混合进行环境选择，如新航迹质量较优，则保存至外部文档，并利用β*和I*更新B和I；
在每一代演化的最后，利用A更新P；
所述计算新航迹中路径点的交配限制概率β*和可行性I*的过程包括以下步骤：
计算第j个路径点的约束违反值，航迹长度指标值dscorej和高度指标值hscorej；
如果第五约束g5＞0，设置交配限制概率相应的可行性标志表示该点不可行；
对于违反第一约束至第四约束条件的路径点，numj是第j个路径点违反的约束条件的数目，此时路径点仍为不可行路径点；
如果路径点没有违反约束，则路径点是可行的
最终得到路径点的交配限制概率和可行性*表示1至N中的一个值；
第一约束为转弯角约束，第二约束为坡度角的约束，第三约束为航迹段中间点高度约束，第四约束为最小航迹段长度约束，第五约束为航迹的总长度约束；






其中，xj,yj,zj是第j个路径点的坐标值；pzj,m为航迹段上的第m个中间点的z轴坐标，m＝1,…,Nm。


2.根据权利要求1所述的一种针对路径点聚类机器学习的无人机航迹规划方法，其特征在于，第一约束至第五约束具体如下：
θmax是无人机的最大转弯角；θj是矢量(xj-xj-1,yj-yj-1)和(xj+1-xj,yj+1-yj)之间的夹角；第一个约束函数表示为：









其中，是第j个转弯角的约束违反值；xj,yj,zj是第j个路径点的坐标值；
αmax是最大爬升/俯冲角限制，航迹段的斜率αj表示航迹的爬升/俯冲角；第二个约束函数为：









其中，是第j个坡度角的约束违反值；
hmin为无人机到地面的最低垂直高度；第三个约束函数表示为：






其中，是航迹段中第m个中间点高度的约束违反值，cn(j)是航迹段中违反约束的中间点的个数；(pxj,m,pyj,m,pzj,m)是航迹段上的第m个中间点的坐标值；hj,m是(pxj,m,pyj,m)的地形高度，(pxj,m,pyj,m,pzj,m)航迹段中...

【专利技术属性】
技术研发人员：宋申民，刘庭瑞，李欣，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23