一种无人机路径规划方法及装置制造方法及图纸

本发明专利技术公开了一种无人机路径规划方法及装置，包括：1)对覆盖区域进行网络栅格化建模，定义无人机的四种飞行动作；2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数；3)在子进程中依次执行步骤4‑8)；4)向主进程传送适应度最低的个体，即最优个体；5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则步骤7)；6)进行种群迁移后执行步骤7)；7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代数达到最大，如果是，流程结束。装置包括：存储器及处理器。

【技术实现步骤摘要】
一种无人机路径规划方法及装置
本专利技术涉及无人机路径规划领域，尤其涉及一种无人机路径规划方法及装置。
技术介绍
无人机作为近年来新兴的高端技术产品，在很多不同领域内已经有了较多的应用，例如航拍测绘、灾害搜救、精准农业、管道巡检等应用。无人机在具体应用中，需要根据给定的划定区域，按照一定的全覆盖路径进行遍历。目前多采用往返式和螺旋式等方式完成遍历。无人机多采用机载电源提供能量支持完成飞行任务，由于机载电源存储能量的限制，使得机载电源的使用时长有限，因此，在无人机飞行过程中，如果不选择合适的路径在坐标点之间飞行完成全覆盖遍历，则会造成能量浪费，如此一来，减少了机载电源提供能量的时间，影响无人机的正常使用。其次，随着任务越来越复杂，无人机路径需要覆盖遍历的坐标点逐渐增多，计算的维度不断增大，传统的算法在给定的时间内无法规划出一条能量最优的路径，导致计算时间过长，无法满足实际应用中的需要。
技术实现思路
本专利技术提供了一种无人机路径规划方法及装置，本专利技术通过并行化的遗传算法对无人机区域全覆盖路径进行规划，选择一条覆盖整个区域且能量消耗最低的全覆盖路径，实现最优能耗，提高无人机遍历效率的效果，详见下文描述：一种无人机路径规划方法，所述方法包括：1)对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；3)在子进程中依次执行步骤4)-8)；4)向主进程传送适应度最低的个体，即最优个体；5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则执行步骤7)；6)进行种群迁移后执行步骤7)；7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代代数达到最大迭代代数，若符合或者达到最大，流程结束；否则返回至步骤3)。其中，所述步骤1)为：将覆盖区域被分解为多个正方形的小方格，小方格的大小由无人机的视场角决定，小方格是自由区域或障碍区域；将无人机飞行路径分解为直线、左转弯、右转弯、U型转弯四种运动方式，检查每一次动作到相邻方格的运动顺序，直到一次运动成功；在路径选择点，无人机选择一种运动方式，运动矢量大小的数值为4，如果不能移动，无人机则陷入“死区”，表示它被已访问的方格、障碍方格所包围，将不断向前回溯动作，直到找到最近的未访问的方格，并重新确定运动顺序，无人机的每一次动作都将遍历一个自由方格并将动作保存下来，充当一个基因，所有动作组合成一条染色体路径。进一步地，所述适应度函数为：其中，J为总成本，J{S,L,R,U}分别是每个基本运动的成本，组成覆盖路径所采取的移动次数在n{S,L,R,U}中保存，J{Start,End}为起始点和终止点。一种无人机路径规划装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的方法步骤。本专利技术提供的技术方案的有益效果是：1、本专利技术基于并行遗传算法，将网格化覆盖区域内，将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作，把这四种动作看作遗传算法中的染色体基因，它们的组合方式决定了整个全覆盖路径的生成；2、本专利技术提供交叉、选择、变异，优先那些能量消耗更低的染色体路径，最终规划出一条既能覆盖整个区域，能量消耗更低的全覆盖路径，提高无人机遍历效率。附图说明图1为本专利技术提供的一种无人机规划方法的流程图；图2为覆盖区域障碍物网络栅格化建模示意图；图3为一种网格地图示例；图4为一种网格地图初始染色体路径示例；图5为螺旋式、往返式、突变式、随机式路径作为初始种群染色体路径示例；图6为一种网格地图初始种群染色体路径示例；图7为本算法优化生成的能量最优路径示例。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。实际应用中，全覆盖路径规划本就是一个非确定性多项式难题，于是通常使用启发式算法来简化问题，寻求问题的最优解，然而多数算法并不能保证收敛到最优解。遗传算法作为一种启发式全局搜索算法，是根据大自然中生物体进化规律而设计提出的，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时，相对一些常规的优化算法通常能够较快地获得较好的优化结果。当所优化的问题维度增大，遗传算法收敛的速度往往也换减慢，但值得注意的是，种群的选择、交叉、变异过程对于种群中的个体是相互独立的，可以将这一部分进行并行处理来加速遗传算法的迭代过程。根据本申请的实施方式，提出一种无人机路径规划方法，具体实施步骤流程图如图1所示，首先，对覆盖区域进行网络栅格法建模，根据网格化后的矩阵地图生成路径，并将路径表征为染色体路径；在主进程中初始化遗传算法初始种群，并创建子种群，向子进程散播子种群，根据无人机运动中的能量消耗关系定义适应度函数；选择适应度函数低的染色体路径作为父代，并从所有染色体路径中选择染色体路径新增到子种群中形成当前种群，并在当前种群中选择双亲染色体；根据交叉编码概率对双亲染色体进行交叉，得到新的交叉后的染色体；根据预设变异概率确定交叉后的染色体的突变发生，得到后代染色体路径；根据后代染色体路径生成新的种群，并验证每条染色体路径是否完全覆盖整个区域，并且符合无人机移动的顺序；计算验证成功的所有染色体路径对应的适应度函数，将适应度函数最低的路径确定为最佳路径。在每个子进程中产生最佳路径后回传至主进程，由主进程进行判断是否得到符合期望值的能量消耗最低的飞行路径，若符合则停止迭代，否则继续进行迭代。之后判断是否达到最大迭代次数，若达到，则结束。基于并行遗传算法，将网格化覆盖区域内，将无人机飞行路径分解为直线、左转弯、右转弯和U型转弯四种动作，把这四种动作看作遗传算法中的染色体基因，它们的组合方式决定了整个全覆盖路径的生成。提供交叉、选择、变异，优先那些能量消耗更低的染色体，最终规划出一条既能覆盖整个区域，能量消耗更低的全覆盖路径，提高无人机遍历效率。如图6是示例区域栅格化后的初始染色体路径，如图7是最终通过本算法生成的能量最优的全覆盖路径。实施例1本专利技术提供了一种无人机路径规划方法，该方法通过以下步骤实现：S1：对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；S2：在步骤S1建模的基础上，在算本文档来自技高网...

【技术保护点】
1.一种无人机路径规划方法，其特征在于，所述方法包括：/n1)对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；/n2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；/n3)在子进程中依次执行步骤4)-8)；/n4)向主进程传送适应度最低的个体，即最优个体；/n5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则执行步骤7)；/n6)进行种群迁移后执行步骤7)；/n7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；/n8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代数达到最大迭代，若符合或达到最大，流程结束；否则返回至步骤3)。/n

【技术特征摘要】
1.一种无人机路径规划方法，其特征在于，所述方法包括：
1)对覆盖区域进行网络栅格化建模，将网格分为自由区域和障碍区域，定义无人机的四种飞行动作为直线、左转弯、右转弯、U型转弯；
2)在主进程中初始化遗传算法的初始种群，按照进程数量划分初始种群为子种群，并创建子进程，向子进程传送子种群，定义适应度函数，计算个体适应度；
3)在子进程中依次执行步骤4)-8)；
4)向主进程传送适应度最低的个体，即最优个体；
5)判断当前代数是否需要进行种群迁移，如果是，执行步骤6)；否则执行步骤7)；
6)进行种群迁移后执行步骤7)；
7)定义选择、交叉、变异方式，对染色体路径进行收敛运算；
8)根据收敛值判断是否得到符合期望值的能量消耗最低的飞行路径或当前迭代数达到最大迭代，若符合或达到最大，流程结束；否则返回至步骤3)。


2.根据权利要求1所述的一种无人机路径规划方法，其特征在于，所述步骤1)为：
将覆盖区域被分解为多个正方形的小方格，小方格的大小由无人机的视场角决定，小方格是...

【专利技术属性】
技术研发人员：龚一航，陶文源，邓宝松，郄志鹏，闫野，张洛，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12