基于粒子群算法的三维无人机路径规划方法及规划系统技术方案

本发明专利技术属于无人机技术领域，具体涉及一种基于粒子群算法的三维无人机路径规划方法及规划系统，其中基于粒子群算法的三维无人机路径规划方法包括：根据无人机航迹环境构建任务空间模型；构建无人机路径的路径代价函数，以获取粒子群；获取粒子群中最优粒子的参数；根据最优粒子的参数和地形值构建航路点；以及根据航路点获取无人机的最优路径，实现了提高了粒子群算法的全局寻优能力以及寻优精度，避免陷入局部最优，并成功得到一条平滑有效的路径。

【技术实现步骤摘要】
基于粒子群算法的三维无人机路径规划方法及规划系统
本专利技术属于无人机
，具体涉及一种基于粒子群算法的三维无人机路径规划方法及规划系统。
技术介绍
无人机(UAV)的路径规划已经成为定义无人机任务规划的最重要的要素之一，在军事和民用领域发挥出巨大的潜能，它使无人机能够根据任务要求和约束条件自主计算从起始点到目标点的最佳路径。随着各类无人机的广泛使用，这一问题近年来得到了高度的重视。近年来，各种算法被提出用来解决无人机路径规划问题，如人工势场法(APF)，遗传算法(GA)，A*算法，人工智能算法等。当前，粒子群优化算法对于多目标优化、函数优化以及训练神经网络等领域取得了较好的效果。采用了融合算法，将粒子群算法(particleswarmoptimization，PSO)分别和模拟退火法(SimulatedAnnealing,SA)，差分进化法(DE)进行融合，前者利用模拟退火算法概率突跳能力来改善航迹质量，使粒子避免陷入极小值，而后者利用DE算法的交叉变异使粒子避免陷入局部极值，两者虽然能使种群快速跳出局部极值，但是整体寻优能力未能得到提升。宋宇等人提出了一种基于线性交叉算法的粒子群优化算法，定义了点修复惩罚和路径修复惩罚两个约束条件，使得生成的路径不会与障碍物发生碰撞，从而提高路径规划的安全性，获得最优路径。根据目标运动的多样性，采用交互式多模型(IMM)描述模型状态转移规律，切换运动模型以适应目标机动，从而提高跟踪精度。规划的路径比单一状态规划的路径更合理有效。因此，基于上述技术问题需要设计一种新的基于粒子群算法的三维无人机路径规划方法及规划系统。
技术实现思路
本专利技术的目的是提供一种基于粒子群算法的三维无人机路径规划方法及规划系统。为了解决上述技术问题，本专利技术提供了一种基于粒子群算法的三维无人机路径规划方法，包括：根据无人机航迹环境构建任务空间模型；构建无人机路径的路径代价函数，以获取粒子群；获取粒子群中最优粒子的参数；根据最优粒子的参数和地形值构建航路点；以及根据航路点获取无人机的最优路径。进一步，所述根据无人机航迹环境构建任务空间模型的方法包括：构建地形、障碍区域和威胁区域模型：其中，x、y是任务空间模型在水平面的坐标；z是对应水平面上点坐标的高程值；a,b,c,d,e,f为常数，数字地图中地表特征；根据山地地形构建相应的山形障碍和禁飞区模型：其中，h(x,y)为高山的高度；h为基准地形高度h0以上的山峰的高度；x0、y0是高山中心O的坐标；a、b是与高山沿x轴和y轴方向坡度的相关量，a、b越大，山形越平坦，反之越陡峭。进一步，所述构建无人机路径的路径代价函数，以获取粒子群的方法包括：在山形障碍和禁飞区模型中设置无人机路径的起始点和终点，通过粒子获取无人机路径；无人机路径中的路径点为粒子的路径：g(k)∈{waypoint(n),n＝1,2,3,…,N},k＝0,1,2,…,N；其中，g(k)为第k组中的粒子，粒子g(k)在第k组中，路径点分成N组；构建无人机路径的路径代价函数中多目标函数：Jcost＝w1Jpath+w2Jheight+w3Jturn；其中，Jcost为总成本代价函数；Jpath为路径长度的代价函数；Jheight为高度标准差的成本函数；Jturn为最大偏航角的代价函数；wl，l＝1,2,3表示各函数的权重；路径长度的代价函数Jpath为：其中，g(i)为整个路径规划的第i个粒子，N为第N组粒子；高度标准差的成本函数Jheight为：其中，z是关于粒子的高度函数，是z的平均值；无人机最大偏航角的约束条件为：获取各粒子i的总成本代价Jcost(i)，根据总成本代价从小到大排序，以顺序选取预设个数的例子构成粒子群；获取各粒子的适应度值存入个体最优pbest中，并从当前粒子个体中选择出适应度值最优的个体作为最优粒子，并将其个体作为下一代的种群，将该最优个体的适应度值存入全局最优gbest中。进一步，所述获取粒子群中最优粒子的参数的方法包括：设置初始温度为其中，fitness(pg)为最优粒子的适应度值；获取当前温度下粒子群中各粒子的适应度值：根据第i个粒子在t+1次迭代时速度和位置的更新公式对粒子的速度和位置进行更新：其中，t为迭代次数；w为惯性权重；c1、c2为学习因子，分别代表粒子的自我学习能力和社会学习能力；r1、r2为[0,1]的随机数；为当前粒子发现的最优位置；为所有粒子目前找到的最优位置；xi为第i个粒子的位置；vi为第i个粒子的速度。其中，α∈(0,1]的随机数；itermax为迭代次数的最大值；对粒子更新前后的适应度值进行比较，取适应度值好的粒子个体作为下一代粒子，以对最优粒子进行更新；比较pbest和gbest里的适应度值，若pbest的值比gbest的值更优，则把pbest中的值赋给gbest，使gbest重新进行更新，以对粒子全局最优进行更新。进一步，所述获取粒子群中最优粒子的参数的方法还包括：若粒子当前的位置停在局部的迭代次数大于等于预设值，对粒子的位置进行更新，并且更新个体最优pbest和全局最优gbest；对粒子的位置进行更新的公式为：其中，为粒子第t代位置；α为控制步长参数；为点对点乘法；Levy(β)为随机搜索路径，且满足：其中，s＞＞s0＞0；s为步长；s0为最小步长；λ＝1.5；Γ(λ)是标准的Gamma函数。进一步，所述根据最优粒子的参数和地形值构建航路点的方法包括：根据地形的坐标值，以及最优粒子的位置和速度构建航路点。进一步，所述根据航路点获取无人机的最优路径的方法包括：顺序连接各个航路点以获取无人机的最优路径，并对最优路径进行平滑。另一方面，本专利技术还提供一种基于粒子群算法的三维无人机路径规划系统，包括：模型构建模块，根据无人机航迹环境构建任务空间模型；粒子群获取模块，构建无人机路径的路径代价函数，以获取粒子群；参数获取模块，获取粒子群中最优粒子的参数；航路点构建模块，根据最优粒子的参数和地形值构建航路点；以及路径获取模块，根据航路点获取无人机的最优路径，本专利技术的有益效果是，本专利技术通过根据无人机航迹环境构建任务空间模型；构建无人机路径的路径代价函数，以获取粒子群；获取粒子群中最优粒子的参数；根据最优粒子的参数和地形值构建航路点；以及根据航路点获取无人机的最优路径，实现了提高了粒子群算法的全局寻优能力以及寻优精度，避免陷入局部最优，并成功得到一条平滑有效的路径。本专利技术的其他特征和优点将在随后的说明书中阐述本文档来自技高网...

【技术保护点】
1.一种基于粒子群算法的三维无人机路径规划方法，其特征在于，包括：/n根据无人机航迹环境构建任务空间模型；/n构建无人机路径的路径代价函数，以获取粒子群；/n获取粒子群中最优粒子的参数；/n根据最优粒子的参数和地形值构建航路点；以及/n根据航路点获取无人机的最优路径。/n

【技术特征摘要】
1.一种基于粒子群算法的三维无人机路径规划方法，其特征在于，包括：
根据无人机航迹环境构建任务空间模型；
构建无人机路径的路径代价函数，以获取粒子群；
获取粒子群中最优粒子的参数；
根据最优粒子的参数和地形值构建航路点；以及
根据航路点获取无人机的最优路径。


2.如权利要求1所述的三维无人机路径规划方法，其特征在于，
所述根据无人机航迹环境构建任务空间模型的方法包括：
构建地形、障碍区域和威胁区域模型：



其中，x、y是任务空间模型在水平面的坐标；z是对应水平面上点坐标的高程值；a,b,c,d,e,f为常数，表述数字地图中地表特征；
根据山地地形构建相应的山形障碍和禁飞区模型：



其中，h(x,y)为高山的高度；h为基准地形高度h0以上的山峰的高度；x0、y0是高山中心O的坐标；a、b是与高山沿x轴和y轴方向坡度的相关量，a、b越大，山形越平坦，反之越陡峭。


3.如权利要求2所述的三维无人机路径规划方法，其特征在于，
所述构建无人机路径的路径代价函数，以获取粒子群的方法包括：
在山形障碍和禁飞区模型中设置无人机路径的起始点和终点，通过粒子获取无人机路径；
无人机路径中的路径点为粒子的路径：
g(k)∈{waypoint(n),n＝1,2,3,…,N},k＝0,1,2,…,N；
其中，g(k)为第k组中的粒子，粒子g(k)在第k组中，路径点分成N组；
构建无人机路径的路径代价函数中多目标函数：
Jcost＝w1Jpath+w2Jheight+w3Jturn；
其中，Jcost为总成本代价函数；Jpath为路径长度的代价函数；Jheight为高度标准差的成本函数；Jturn为最大偏航角的代价函数；wl，l＝1,2,3表示各函数的权重；



路径长度的代价函数Jpath为：



其中，g(i)为整个路径规划的第i个粒子，N为第N组粒子；
高度标准差的成本函数Jheight为：






其中，z是关于粒子的高度函数，是z的平均值；
无人机最大偏航角的约束条件为：



获取各粒子i的总成本代价Jcost(i)，根据总成本代价从小到大排序，以顺序选取预设个数的例子构成粒子群；
获取各粒子的适应度值存入个体最优pbest中，并从当前粒子个体中选择出适应度值最优的个体作为最优粒子，并将其个体作为下一代的种群，将该最优个体的适应度值存入全局最优gbest中。


4.如权利要求3所述的三维...

【专利技术属性】
技术研发人员：江冰，郭彭，
申请(专利权)人：皖江工学院，
类型：发明
国别省市：安徽;34