一种三维环境下多无人机同时到达指定地的路径规划方法技术

本发明专利技术公开了一种三维环境下多无人机同时到达指定地的路径规划方法，首先建立种群，染色体表示一条综合航迹，所述综合航迹由所有无人机的航迹串接而成；设定遗传算法的适应度由所有无人机总航迹长度L、不同无人机到达时间的差异度T以及航迹对所设定的无人机机动性能约束的违背度W进行综合评价；采用遗传算法优化染色体，完成遗传算法迭代后得到最优染色体。采用最优染色体分解得到各个无人机的航迹。使用本发明专利技术能够解决多无人机集结并实现同时到达任务点的技术目标，同时尽可能的减少时间误差。

A path planning method for multiple UAVs to reach the designated place at the same time in three-dimensional environment

【技术实现步骤摘要】
一种三维环境下多无人机同时到达指定地的路径规划方法
本专利技术涉及无人机路径规划与控制相关
，尤其涉及一种在三维环境下的多无人机同时到达指定地的路径规划方法。
技术介绍
无人机具有灵活性高、成本低、安全性高以及隐蔽性强等特点，这些特有的优越性能使无人机技术快速发展，逐渐成为世界前沿科技的代表性技术，被广泛应用于各种灾后救援、城市快递、地形勘探、环境监测等领域。无人机的航迹规划是影响无人机完成任务效能的重要技术；航迹规划指的是在考虑环境约束、无人机机动性能约束的前提下规划出从起始点至目标点的最优飞行路径，最优的航迹规划能够将无人机在整个航程中的总代价降到最低，权衡各类约束间的重要性，在此基础上最小化航迹长度，降低无人机的燃料代价，以最大程度提高无人机自身的续航能力与任务完成率；单架无人机因其势单力薄，作业范围小，容错率低等缺点，往往难以满足复杂任务的要求，因此，多无人机协同作业被越来越多地应用于现实生活；单架无人机执行任务时，若遇到突发故障将直接导致任务的失败；而多架无人机协同作业时，若某架无人机失去控制，仍有机群内的其它无人机继续执行任务，大大提高任务的完成率，多无人机机群比单无人机更适应于复杂多变的现实环境，将成为未来生产生活中的一种重要的协同作业样式。因此，多无人机协同作业已成为一个重要的研究方向；三维环境下多无人机同时到达目的地的路径规划问题是指在满足某些约束条件(多无人机间避碰、避开障碍物、同时到达目标点、无人机动力学特性)的前提下，通过优化某些性能指标，为每架无人机分别规划出一条能够同时到达目标位置的可行且安全的路径；这种路径规划技术在多无人机集结进行抢险救灾、数据交换、跟踪监测等方面有非常典型的应用价值；现有的技术中关于三维环境下无人机的协同路径规划多集中于几何方法生成路径或协同运动模型的建立，缺少三维环境下同时到达这一应用背景：Sahingo等人提出了一种基于遗传算法(GA)的多无人机飞行路径规划方法，首先用气体法计算出一条可行路径，然后利用贝塞尔曲线对该路径进行平滑处理；MadhavanShanmugavel等人研究了一组无人机的协同路径规划问题，使用具有clothoid弧的dubin路径为每个无人机生成路径；ChristophRasche等人提出了一种三维环境下的多无人机路径规划方法，为探索灾害区域提供了一种解决方案；本专利技术主要针对多无人同时到达目标点这一特定的应用场景，结合无人机动力学约束、安全性约束、地形条件约束提出一种新型且实用的多无人机协同路径规划方案。
技术实现思路
为了解决多无人机集结并实现同时到达任务点的技术目标，尽可能的减少时间误差，本专利技术提供了一种基于遗传算法的三维环境下多无人机同时到达指定地的路径规划方法，使其能在满足约束的前提下，最小化飞行代价，找到从起始点到目标点的最优航迹。为了解决上述技术问题，本专利技术是这样实现的：一种三维环境下多无人机同时到达指定地的路径规划方法，该方法采用遗传算法实现路径规划，包括：步骤1、建立种群：种群中每个染色体对应一个解；染色体表示一条综合航迹，所述综合航迹由所有无人机的航迹串接而成；航迹由一系列离散的航迹点组成，所述航迹点的三维坐标构成染色体中的基因编码；步骤2、设定遗传算法的适应度由所有无人机总航迹长度L、不同无人机到达时间的差异度T以及航迹对所设定的无人机机动性能约束的违背度W进行综合评价；步骤3、采用遗传算法优化染色体；在进行遗传算法的交叉操作时，仅允许属于同一无人机的航迹点进行交叉；完成遗传算法迭代后得到最优染色体；步骤4、采用最优染色体分解得到各个无人机的航迹。优选地，所述步骤3在执行遗传算法时，种群初始化过程为：针对每一个无人机i，在二维平面内，以该无人机i对应的起始点Ai与所有无人机共同的目标点B的连线为对称中线画一矩形，该矩形是无人机i的航迹规划区域；根据给无人机i设定的航迹点个数Ni，将起始点Ai与目标点B间的连线等分为Ni份，进而将规划区域等分为Ni个小矩形，每个小矩形是对应的单个航迹点的规划区域；在初始化航迹点时，在可飞行环境的约束下，于航迹点对应的规划区域内随机生成航迹点初始值，得到航迹点在二维平面下的坐标，再在可飞行环境的约束下随机生成航迹点的高度值，从而得到航迹点的初始三维坐标；按照起始点Ai到目标点B的顺序生成Ni个初始三维坐标构成无人机i的初始航迹；所有无人机的初始航迹串联后得到初始染色体；生成多个初始染色体，完成种群的初始化。优选地，所述步骤3在进行遗传算法的变异操作时，对于需变异的航迹点，在该航迹点对应的所述规划区域内重新随机生成一个新的航迹点。优选地，所述步骤3在执行遗传算法时，在变异操作之后进一步进行扰动操作；所述扰动操作仅对除起始点与目标点外的每个航迹点有效；所述扰动操作包括：根据设定的扰动概率确定染色体是否执行扰动操作；如果判定需要执行，则根据扰动比例，从除起始点与目标点外的航迹点中选取部分扰动点施加微扰动；所述微扰动的扰动量为航迹点原值的1％-5％；对染色体进行扰动后计算新染色体的适应度，若大于扰动前的适应度，则用扰动后染色体取代扰动前染色体；否则，不进行替换。优选地，所述扰动概率为1％-5％。优选地，所述施加微扰动为：对于可行航迹的扰动较小，对于不可行航迹的扰动较大；所述可行航迹是指满足无人机机动性能约束的航迹，不满足则为不可行航迹。优选地，所述步骤3在执行遗传算法的交叉操作和变异操作时，使用自适应交叉概率Pc和自适应变异概率Pm：其中，k1，k2为常数，分别决定交叉与变异概率的最大值；fmax表示当前种群内染色体的最大适应度，favg表示当前种群的平均适应度，fc表示当前需要进行交叉操作的染色体的适应度，fm表示当前需要进行变异操作的染色体的适应度；k3与k4为设定的常数。优选地，所述步骤2为：针对每条染色体，计算三个适应度分量E1、E2、E3，包括：计算每个无人机的航迹长度，并求和得到L；L越短，则适应度分量E1越大；计算每个无人机按照航迹点飞行到达目标点的时间；最长时间与最短时间之差即为不同无人机到达时间的最大差异度T；最大差异度T越小，则适应度分量E2越大；计算每个无人机按照航迹点飞行过程中的实际无人机机动性能是否违背了相应的无人机机动性能约束；对于违背者，获取各约束违背量分量，将所有约束违背量分量分别归一化后加权求和，得到单个无人机的约束违背量；并针对所有无人机的约束违背量加权求和，获得总违背量；如果所有无人机均没有违背约束，则总违背量采用设定值；总违背量越小，则适应度分量E3越大；将三个适应度分量E1、E2、E3进行归一化操作后再加权求和，获得本染色体的适应度。优选地，获得所述各个无人机的航迹后，进一步利用三维Dubins曲线进行连接，生成无人机的可飞行路径。有益效果：(1)本专利技术将多无人机的航迹优化问题合并为综合路径的规划问题，并设计了适合综合路径规划的适应度计算方法，从而获本文档来自技高网...

【技术保护点】
1.一种三维环境下多无人机同时到达指定地的路径规划方法，该方法采用遗传算法实现路径规划，其特征在于，包括：/n步骤1、建立种群：种群中每个染色体对应一个解；染色体表示一条综合航迹，所述综合航迹由所有无人机的航迹串接而成；航迹由一系列离散的航迹点组成，所述航迹点的三维坐标构成染色体中的基因编码；/n步骤2、设定遗传算法的适应度由所有无人机总航迹长度L、不同无人机到达时间的差异度T以及航迹对所设定的无人机机动性能约束的违背度W进行综合评价；/n步骤3、采用遗传算法优化染色体；在进行遗传算法的交叉操作时，仅允许属于同一无人机的航迹点进行交叉；完成遗传算法迭代后得到最优染色体；/n步骤4、采用最优染色体分解得到各个无人机的航迹。/n

【技术特征摘要】
1.一种三维环境下多无人机同时到达指定地的路径规划方法，该方法采用遗传算法实现路径规划，其特征在于，包括：
步骤1、建立种群：种群中每个染色体对应一个解；染色体表示一条综合航迹，所述综合航迹由所有无人机的航迹串接而成；航迹由一系列离散的航迹点组成，所述航迹点的三维坐标构成染色体中的基因编码；
步骤2、设定遗传算法的适应度由所有无人机总航迹长度L、不同无人机到达时间的差异度T以及航迹对所设定的无人机机动性能约束的违背度W进行综合评价；
步骤3、采用遗传算法优化染色体；在进行遗传算法的交叉操作时，仅允许属于同一无人机的航迹点进行交叉；完成遗传算法迭代后得到最优染色体；
步骤4、采用最优染色体分解得到各个无人机的航迹。


2.如权利要求1所述的方法，其特征在于，所述步骤3在执行遗传算法时，种群初始化过程为：
针对每一个无人机i，在二维平面内，以该无人机i对应的起始点Ai与所有无人机共同的目标点B的连线为对称中线画一矩形，该矩形是无人机i的航迹规划区域；根据给无人机i设定的航迹点个数Ni，将起始点Ai与目标点B间的连线等分为Ni份，进而将规划区域等分为Ni个小矩形，每个小矩形是对应的单个航迹点的规划区域；在初始化航迹点时，在可飞行环境的约束下，于航迹点对应的规划区域内随机生成航迹点初始值，得到航迹点在二维平面下的坐标，再在可飞行环境的约束下随机生成航迹点的高度值，从而得到航迹点的初始三维坐标；按照起始点Ai到目标点B的顺序生成Ni个初始三维坐标构成无人机i的初始航迹；所有无人机的初始航迹串联后得到初始染色体；生成多个初始染色体，完成种群的初始化。


3.如权利要求2所述的方法，其特征在于，所述步骤3在进行遗传算法的变异操作时，对于需变异的航迹点，在该航迹点对应的所述规划区域内重新随机生成一个新的航迹点。


4.如权利要求1所述的方法，其特征在于，所述步骤3在执行遗传算法时，在变异操作之后进一步进行扰动操作；所述扰动操作仅对除起始点与目标点外的每个航迹点有效；
所述扰动操作包括：根据设定的扰动概率确定染色体是否执行扰动操作；如果判定需要执行，则根据扰动比例，从除起始点与目标点外的航迹...

【专利技术属性】
技术研发人员：辛斌，张皓，陈杰，王晴，张昊，王淼，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11