基于基因调控网络的无人机轨迹规划方法和系统技术方案

本发明专利技术公开了基于基因调控网络的无人机轨迹规划方法和系统，方法包括建立基于无人机坐标系的环境地图，环境地图由若干个栅格构成；采集无人机的输入变量和当前状态并输入至基因调控网络，通过网络对环境地图进行轨迹搜索，得到无人机的初始飞行轨迹并对其进行优化，得到无人机的最优飞行轨迹，同时更新无人机的输入变量，以使无人机根据最优飞行轨迹飞行至目的地

【技术实现步骤摘要】
基于基因调控网络的无人机轨迹规划方法和系统


[0001]本专利技术涉及无人机导航
，特别涉及基于基因调控网络的无人机轨迹规划方法和系统
。

技术介绍

[0002]三维环境下的轨迹规划是无人机
(Unmanned Aerial Vehicle
，
UAV)
导航避障任务中一类应用前景广泛且具有挑战性的任务
。
无人机的轨迹规划方法已经广泛应用于搜索与营救
、
护送任务等领域
。
基因调控网络
(Gene Regularity Network
，
GRN)
模型是由基因和基因产物构成的，其中的分子又相互影响
、
相互制约的生物网络系统
。
相关技术将现有的基因调控网络模型应用于无人机的飞行轨迹规划场景中，取得了较好的轨迹规划效果，然而其存在如下缺陷：
[0003]其一，相关技术未经规划器规划，直接产生控制量并输入控制器中，无人机难以对远处的环境信息进行预先响应，不仅大大降低了安全性，也直接导致其飞行速度难以提高，而且容易使得无人机产生冗余动作；
[0004]其二，在实际应用场景中，无人机通常是高速运行的，其自身的状态将实时变化
。
相关技术仅考虑目标
、
障碍物相对于无人机的距离来产生
GRN
模型的浓度场，其仅通过距离信息来更新
GRN
模型的浓度场，忽略了无人机实时状态的关键性，不仅无法充分利用
GRN
模型的浓度场信息，而且难以可靠地判断无人机当前状态的安全性；
[0005]其三，相关技术在实现时通常需要维护一个比较大的
GRN
模型浓度场，这将导致计算时间冗长，同时耗费大量的计算计算，进而导致无人机的决策和控制无法满足实时性的要求
。

技术实现思路

[0006]本专利技术的目的是提供基于基因调控网络的无人机轨迹规划方法和系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件
。
[0007]本专利技术解决其技术问题的解决方案是：第一方面，本申请提供基于基因调控网络的无人机轨迹规划方法，包括如下步骤：
[0008]建立基于无人机坐标系的环境地图，所述环境地图由若干个栅格构成；
[0009]采集无人机的输入变量和当前状态，将无人机的输入变量和当前状态输入至基因调控网络，通过所述基因调控网络对所述环境地图进行轨迹搜索，进而得到所述无人机的初始飞行轨迹；
[0010]对所述初始飞行轨迹进行优化，得到所述无人机的最优飞行轨迹，同时更新所述无人机的输入变量，以使所述无人机根据所述最优飞行轨迹飞行至目的地
。
[0011]第二方面，本申请提供基于基因调控网络的无人机轨迹规划系统，包括：
[0012]环境感知模块，用于建立基于无人机坐标系的环境地图，所述环境地图由若干个栅格构成；
[0013]数据采集模块，用于采集无人机的输入变量和当前状态；
[0014]轨迹搜索模块，用于将无人机的输入变量和当前状态输入至基因调控网络，通过所述基因调控网络进行轨迹搜索，进而得到所述无人机的初始飞行轨迹；
[0015]轨迹优化模块，用于对所述初始飞行轨迹进行优化，得到所述无人机的最优飞行轨迹；
[0016]控制模块，用于更新所述无人机的输入变量，以使所述无人机根据所述最优飞行轨迹飞行至目的地
。
[0017]本专利技术的有益效果是：提供基于基因调控网络的无人机轨迹规划方法和系统，创新性将
GRN
模型应用于无人机的轨迹规划，并对现有的
GRN
模型进行了改进，使之与无人机动力学信息进行融合，以构建全新的基因调控网络
K
‑
GRN
，并且采用局部规划器，在无人机附近区域内按一定的规则采样，仅更新采样得到的栅格中的
K
‑
GRN
的浓度信息，基于
K
‑
GRN
模型的浓度场信息来实现无人机的轨迹规划；本专利技术实施例提出的
K
‑
GRN
模型包含更广泛的环境数据，且在多个维度上影响更复杂的状态信息，不仅可充分利用
K
‑
GRN
模型的浓度势场信息进行轨迹规划来实现无人机在未知复杂环境中的安全飞行，显著地提高无人机的飞行安全性，还可以确保了无人机轨迹的可追溯性和准确性；同时，本专利技术实施例通过仅关注代表了无人机可以导航的潜在位置的栅格点，可以显着减少计算负担并有效地计算浓度信息，进而使其在计算效率和有效轨迹规划所需的环境信息的准确表示之间取得平衡
。
[0018]本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解
。
本申请的目的和其他优点可通过在说明书
、
权利要求书以及附图中所特别指出的结构来实现和获得
。
附图说明
[0019]图1为本专利技术提出的基于基因调控网络的无人机轨迹规划方法的流程图；
[0020]图2为本专利技术提出的无人机轨迹规划方法的原理图；
[0021]图3为现有的
VG
‑
Swarm
的结构示意图；
[0022]图4为本专利技术提出的
Ego
‑
planner、Fast
‑
Planner
和
GRN
‑
Planner
的实时速度变化曲线图
。
具体实施方式
[0023]为了使本申请的目的
、
技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明
。
应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请
。
[0024]下面结合说明书附图和具体的实施例对本申请进行进一步的说明
。
所描述的实施例不应视为对本申请的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围
。
[0025]在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合
。
[0026]除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的
的
技术人员通常理解的含义相同
。
本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请
。
[0027]三维环境下的轨迹规划是无人机
(Unmanned Aerial Vehicle
，
...

【技术保护点】

【技术特征摘要】
1.
基于基因调控网络的无人机轨迹规划方法，其特征在于，包括如下步骤：建立基于无人机坐标系的环境地图，所述环境地图由若干个栅格构成；采集无人机的输入变量和当前状态，将无人机的输入变量和当前状态输入至基因调控网络，通过所述基因调控网络对所述环境地图进行轨迹搜索，进而得到所述无人机的初始飞行轨迹；对所述初始飞行轨迹进行优化，得到所述无人机的最优飞行轨迹，同时更新所述无人机的输入变量，以使所述无人机根据所述最优飞行轨迹飞行至目的地
。2.
根据权利要求1所述的基于基因调控网络的无人机轨迹规划方法，其特征在于，建立基于无人机坐标系的环境地图的步骤包括：利用深度相机获取无人机的视觉信息，基于所述视觉信息进行目标检测和目标跟踪，得到环境感知信息，所述环境感知信息包括目标
、
无人机和障碍物的位置信息，根据所述环境感知信息，匹配出三维点云图，基于所述三维点云图构建基于无人机坐标系的环境地图
。3.
根据权利要求1所述的基于基因调控网络的无人机轨迹规划方法，其特征在于，所述基因调控网络为
VG
‑
Swarm
模型
。4.
根据权利要求1所述的基于基因调控网络的无人机轨迹规划方法，其特征在于，通过所述基因调控网络对所述环境地图进行轨迹搜索，进而得到所述无人机的初始飞行轨迹的步骤包括：计算无人机的候选状态作为无人机从当前位置飞行到任一栅格的状态，基于无人机的候选状态计算得到无人机的后向状态转移成本；以所述无人机的后向状态转移成本作为所述基因调控网络的输入，更新所述基因调控网络的浓度场；在所述基因调控网络的浓度场的基础上进行轨迹搜索，进而得到所述无人机的初始飞行轨迹
。5.
根据权利要求4所述的基于基因调控网络的无人机轨迹规划方法，其特征在于，计算候选状态作为无人机从当前位置飞到任一栅格的状态的步骤包括：基于所述环境地图的多个栅格确定无人机的多个初始候选状态；计算无人机从当前状态转移到每个初始候选状态的转移成本，生成多个前向状态转移成本，并选择所述前向状态转移成本最低的初始候选状态作为无人机的候选状态
。6.
根据权利要求5所述的基于基因调控网络的无人机轨迹规...

【专利技术属性】
技术研发人员：范衠，陈帝全，洪峻操，郝志峰，
申请(专利权)人：汕头大学，
类型：发明
国别省市：