一种基于图像识别的无人系统路径规划方法技术方案

本发明专利技术提供一种基于图像识别的无人系统路径规划方法，包括：步骤S1：构建环境模型；步骤S2：通过图像识别技术确定鸟群活动位置；步骤S3：获取当前时刻位于机场内的驱鸟车所在的位置；步骤S4：基于所述鸟群活动位置和所述驱鸟车所在的位置，确定各个所述驱鸟车对应的目标移动位置点；步骤S5：基于所述驱鸟车所在的位置为起点、所述目标移动位置点为终点，规划移动路径。本发明专利技术的基于图像识别的无人系统路径规划方法，实现了驱鸟车的无人自动驱鸟，节省了现有采用人工驾驶驱鸟车方式的人力资源，并且可以更快响应，提高了驱鸟效率。提高了驱鸟效率。提高了驱鸟效率。

【技术实现步骤摘要】
一种基于图像识别的无人系统路径规划方法


[0001]本专利技术涉及路径规划
，特别涉及一种基于图像识别的无人系统路径规划方法。

技术介绍

[0002]目前，随着航空业的快速发展和空中航线的不断增多，飞行器与鸟类对空域的争夺愈发激烈，世界各地鸟击事故发生概率成明显上升趋势，造成了严重的生命及财产损失。面对鸟击防范的严峻形势，国内外机场开展了广泛深入的鸟情调研，采取了多种鸟击防范措施。例如：固定式的激光驱鸟器和煤气炮等驱鸟设备；相较于固定式的激光驱鸟器和煤气炮等驱鸟设备，驱鸟车具有操作灵活和作用半径大的特点，工作人员可以驾驶搭载驱鸟设备的车辆，到达指定位置并进行驱鸟。但这种方法需要耗费大量的人力和物力资源，若采用无人自动驾驶的驱鸟车，则能有效节约人力资源，相对来说如何对于无人驾驶系统的路径规划是亟需解决的技术问题。

技术实现思路

[0003]本专利技术目的之一在于提供了一种基于图像识别的无人系统路径规划方法，以解决上述技术问题。
[0004]本专利技术实施例提供的一种基于图像识别的无人系统路径规划方法，包括：
[0005]步骤S1：构建环境模型；
[0006]步骤S2：通过图像识别技术确定鸟群活动位置；
[0007]步骤S3：获取当前时刻位于机场内的驱鸟车所在的位置；
[0008]步骤S4：基于所述鸟群活动位置和所述驱鸟车所在的位置，确定各个所述驱鸟车对应的目标移动位置点；
[0009]步骤S5：基于所述驱鸟车所在的位置为起点、所述目标移动位置点为终点，规划移动路径。
[0010]优选的，所述步骤S5：基于所述驱鸟车所在的位置为起点、所述目标移动位置点为终点，规划移动路径，包括：
[0011]步骤S51：采用改进的天牛群算法，实现移动路径的规划。
[0012]优选的，所述步骤S51：采用改进的天牛群算法，实现移动路径的规划，包括：
[0013]步骤S501：初始化天牛群的位置、天牛群的速度，设置最大迭代次数N，优化维度d，迭代次数参数t，初始算法中的其他参数；
[0014]步骤S502：计算天牛群中初始情况下每个个体的适应值及路径长度值，设定粒子当前位置为粒子最优位置，初始天牛群位置为最优位置；
[0015]步骤S503：判断算法是否达到最大迭代次数；当是时，转到执行步骤S510，否则转到执行步骤S504；
[0016]步骤S504：计算每个天牛左右须之间的距离，左右须的位置坐标，计算学习因子的
初始值；
[0017]步骤S505：进行天牛群的速度和位置更新，比较每个天牛个体当前适应度值和上次迭代适应度值进行比较，选择适应度值较小的种群位置；
[0018]步骤S506：若随机数小于交叉概率pc，则进行交叉操作更新粒子位置，比较每个天牛个体当前位置适应度值和交叉操作前的适应度值，选择适应度较小的种群位置；
[0019]步骤S507：如果随机数小于变异概率pm，则进行变异操作更新粒子位置，比较每个天牛个体位置适应度值和高斯变异操作前的适应度值，选择适应度值较小的种群位置；
[0020]步骤S508：判断当前迭代次数是否同时满足式预设的条件；当是时，进行粒子的位置更新，否则转到执行步骤S509；
[0021]步骤S509：更新步长，迭代次数加一。
[0022]步骤S510：保存当前适应度值并输出。
[0023]优选的，在步骤S501中，初始化天牛群的位置、天牛群的速度时；首先采用随机变量改进的Tent生成随机解，公式如下：
[0024][0025]X1＝min+max
‑
min
×
reshape(z，N，d)
[0026]式中，z
i
表示d
×
N数目的列向量，z
i+1
表示z
i
的下一个标量，N表示预设的天牛群数目，X1表示第一次迭代的初始向量；min是每个天牛个体的定义域范围最小值，max是每个天牛个体的定义域范围最大值，reshape函数是把列向量z变成一个d
×
N维度的矩阵；rand表示随机变量。
[0027]优选的，在步骤S505：进行天牛群的速度和位置更新，其中，
[0028]速度更新公式如下：
[0029][0030]式中，表示第i个粒子在维度d下第t次迭代后的速度，表示第i个粒子在维度d下第t次迭代中的位置，rand表示0
‑
1之间的随机数，X
t+1
表示天牛须搜索算法后的位置，c1，c2，c3表示预设的学习因子；gbest表示天牛群体极值；pbest为天牛个体极值；
[0031]位置更新公式如下：
[0032][0033]表示第i个粒子在维度d下第t次迭代后的位置
[0034]优选的，在步骤S506中进行交叉操作更新粒子位置，包括：
[0035][0036]其中，为第i个粒子在维度d下第t次交叉后的天牛群位置，交叉规则是两两粒子随机坐标值进行交叉；pc是交叉概率，是范围在[0,1]间的常数。
[0037]优选的，在步骤S507中进行变异操作更新粒子位置，包括：
[0038][0039]其中，pm是变异概率，是范围在[0,1]间的常数。
[0040]优选的，步骤S508：判断当前迭代次数是否同时满足式预设的条件；当是时，进行粒子的位置更新，否则转到执行步骤S509；
[0041]其中，预设的条件包括：
[0042]tmod50＝0
[0043][0044]粒子更新公式如下：
[0045][0046]其中，mod表示取余数运算，为N/10个粒子数目且适应度值较高的粒子位置，为为N/10个粒子数目且适应度值较低的粒子位置。
[0047]优选的，步骤S509中步长更新公式如下：
[0048]δ
t+1
＝eta
×
δ
t
；
[0049]式中，eta为预设的正参数；δ
t
表示第t次迭代时的步长；δ
t+1
表示第t+1次迭代时的步长。
[0050]优选的，步骤S4：基于所述鸟群活动位置和所述驱鸟车所在的位置，确定各个所述驱鸟车对应的目标移动位置点，包括：
[0051]确定所述鸟群活动位置的区域以及中心点的第一坐标；
[0052]确定所述机场内的起降落区域与所述鸟群活动位置的最近点的第二坐标；
[0053]确定各个所述驱鸟车的第三坐标；
[0054]基于所述第一坐标和所述第二坐标，确定第一向量，所述第一向量从所述第一坐标出发指向所述第二坐标；
[0055]基于所述第一坐标和所述第三坐标，确定第二向量，所述第二向量从所述第一坐标出发指向所述第三坐标；
[0056]计算所述第一向量与各个所述第二向量之间的第一夹角；
[0057]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的无人系统路径规划方法，其特征在于，包括：步骤S1：构建环境模型；步骤S2：通过图像识别技术确定鸟群活动位置；步骤S3：获取当前时刻位于机场内的驱鸟车所在的位置；步骤S4：基于所述鸟群活动位置和所述驱鸟车所在的位置，确定各个所述驱鸟车对应的目标移动位置点；步骤S5：基于所述驱鸟车所在的位置为起点、所述目标移动位置点为终点，规划移动路径。2.如权利要求1所述的基于图像识别的无人系统路径规划方法，其特征在于，所述步骤S5：基于所述驱鸟车所在的位置为起点、所述目标移动位置点为终点，规划移动路径，包括：步骤S51：采用改进的天牛群算法，实现移动路径的规划。3.如权利要求2所述的基于图像识别的无人系统路径规划方法，其特征在于，所述步骤S51：采用改进的天牛群算法，实现移动路径的规划，包括：步骤S501：初始化天牛群的位置、天牛群的速度，设置最大迭代次数N，优化维度d，迭代次数参数t，初始算法中的其他参数；步骤S502：计算天牛群中初始情况下每个个体的适应值及路径长度值，设定粒子当前位置为粒子最优位置，初始天牛群位置为最优位置；步骤S503：判断算法是否达到最大迭代次数；当是时，转到执行步骤S510，否则转到执行步骤S504；步骤S504：计算每个天牛左右须之间的距离，左右须的位置坐标，计算学习因子的初始值；步骤S505：进行天牛群的速度和位置更新，比较每个天牛个体当前适应度值和上次迭代适应度值进行比较，选择适应度值较小的种群位置；步骤S506：若随机数小于交叉概率pc，则进行交叉操作更新粒子位置，比较每个天牛个体当前位置适应度值和交叉操作前的适应度值，选择适应度较小的种群位置；步骤S507：如果随机数小于变异概率pm，则进行变异操作更新粒子位置，比较每个天牛个体位置适应度值和高斯变异操作前的适应度值，选择适应度值较小的种群位置；步骤S508：判断当前迭代次数是否同时满足式预设的条件；当是时，进行粒子的位置更新，否则转到执行步骤S509；步骤S509：更新步长，迭代次数加一；步骤S510：保存当前适应度值并输出。4.如权利要求3所述的基于图像识别的无人系统路径规划方法，其特征在于，在步骤S501中，初始化天牛群的位置、天牛群的速度时；首先采用随机变量改进的Tent生成随机解，公式如下：
X1＝min+max
‑
min
×
reshape(z,N,d)式中，z
i
表示d
×
N数目的列向量，z
i+1
表示z
i
的下一个标量,N表示预设的天牛群数目，X1表示第一次迭代的初始向量；min是每个天牛个体的定义域范围最小值，max是每个天牛个体的定义域范围最大值，reshape函数是把列向量z变成一个d
×
N维度的矩阵；rand表示随机变量。5.如权利要求3所述的基于图像识别的无人系统路径规划方法，其特征在于，在步骤S505：进行天牛群的速度和位置更新，其中，速度更新公式如下：式中，表示第i个粒子在维度d下第t次...

【专利技术属性】
技术研发人员：王蕊，李金洺，史玉龙，孙辉，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：