申请/专利权人：哈尔滨工程大学

申请日：2019-06-18

公开（公告）日：2022-04-05

公开（公告）号：CN110162077B

主分类号：G05D1/08(20060101)

分类号：G05D1/08(20060101);G05D1/10(20060101)

优先权：

专利状态码：有效-授权

法律状态：2022.04.05#授权;2019.09.17#实质审查的生效;2019.08.23#公开

摘要：本发明涉及一种基于飞鱼算法的无人机航迹规划方法，属于无人机飞行控制领域。包括建立无人机飞行运动模型，设计球面坐标系动作姿态向量；利用检测概率的效能值和无人机奖惩机制构建航迹评价函数，将无人机连续的飞行动作离散化，以时间作为间隔，使用飞鱼算法对每一时刻的航迹评价函数值寻优；更新飞鱼种群，结合种群飞行寻优思想进行迭代，当迭代寻优操作达到最大迭代次数，生成每一时刻最优动作姿态；将最优动作姿态数据控制无人机，生成有效可靠的无人机飞行航迹。本发明结合飞鱼算法，利用种群飞行觅食寻优和交互平台，增强了航迹规划方法的全局搜索能力，本发明模型简单、收敛速度快、准确率高、可靠性好，适用不同场合下的飞行任务。

主权项：1.一种基于飞鱼算法的无人机航迹规划方法，其特征在于，具体包括以下步骤：步骤1、建立无人机飞行运动模型，设计球面坐标系动作姿态向量；步骤2、从飞行环境中侦测目标信息，对其进行信息处理，获得相应探测中心的检测概率，对其进行数据处理获得检测效能，将处理后的检测效能值作为航迹评价指标；步骤3、构造无人机飞行奖励机制，使其作为另一航迹评价指标，计算无人机与目标区域的径向距离，并以此作为奖励机制的评价因素；步骤4、结合无人机动作姿态向量，利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和，得到航迹评价函数，并对航迹评价指标的权重进行实时修正处理；步骤5、将无人机连续的飞行动作离散化，以时间作为间隔，使用飞鱼算法对每一时刻的航迹评价函数值寻优；更新飞鱼种群，结合种群飞行寻优思想进行迭代，当迭代寻优操作达到最大迭代次数，生成每一时刻最优动作姿态；步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle，随机产生鱼群大小为NP，设定飞鱼种群移动距离为G，鱼群可视域值为Visual；步骤5.2、飞鱼种群进行种群飞行觅食，其中鱼群位置更新为： 其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，其值服从正态分布，能够控制步长的搜索范围，Lμ为随机搜索路径：Lμ＝s-μ,1＜μ≤3其中，s为飞行步长，μ为飞行更新参数，取1.5；步骤5.3、根据步骤5.2的觅食结果计算个体适应度值： 其中，无人机动作姿态向量矩阵是航迹评价函数的解，将鱼群个体的最优适应度的值fitnessk赋给交互平台，鱼群个体通过聚群行为和追尾行为更新飞鱼群位置，并更新鱼群交互平台；步骤5.4、计算适应度均值： 将适应度的值fitnessk与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置Unc前进一步： 其中，||·||表示模长；rand0,1表示0到1随机数；步骤5.5、当时，执行追尾行为，使飞鱼朝邻域内最优值Unmax移动： 步骤5.6、每独立计算一次比较取最优，当runtime＜maxCycle时：runtime＝runtime+1然后返回步骤5.2继续执行，将runtime＝maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优；步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U： 其中，N为总时间间隔数量；步骤6、用最优动作姿态数据控制无人机，生成有效可靠的无人机飞行航迹。

全文数据：一种基于飞鱼算法的无人机航迹规划方法技术领域本发明涉及一种基于飞鱼算法的无人机航迹规划方法，属于无人机飞行控制领域。背景技术无人机是在民用、军用领域极为重要的载体，航迹规划是无人机完成一切飞行任务的重要技术手段。航迹规划就是在综合考虑无人机到达时间、威胁以及飞行区域等因素的前提下，为无人机规划出最优或满意的飞行航迹，以保证圆满地完成飞行任务。随着现代化技术日趋复杂，传统的无人机航迹规划方法已不能满足无人机飞行任务的实际需求。制定一个可靠而有效的航迹规划方法，已成为无人机高效完成飞行任务的瓶颈。目前的航迹规划方法主要包括人工势场法和栅格法，这些方法计算复杂度高，收敛速度慢，适应性差且可靠性难以保证。基于人工势场法的航迹规划是一种模拟电势场分布的规划方法，任务区域内的目标点产生引力场，威胁源产生斥力场，无人机在引力和斥力的共同作用下向目标点运动。这种方法在局部规划领域应用广泛，但是无法适应全局性航迹规划，当无人机离目标点比较远时，无人机会进入威胁区域，导致该方法可靠性差、复杂度高、收敛速度慢。基于栅格法的航迹规划是一种将规划空间均匀离散化处理的方法，将空间离散化之后，限定无人机动作方向，然后从起始单元开始搜索至目标单元的所有可行路径。栅格单元划分的疏密程度对算法的性能有较大的影响，栅格划分的越密，规划所得航迹越精细，同时需要更多的储存空间和计算资源，导致算法规划时间长，收敛速度慢，对于一些复杂飞行环境其适应性也十分有限。发明内容本发明的目的是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题而提供一种基于飞鱼算法的无人机航迹规划方法。本发明的目的是这样实现的，一种基于飞鱼算法的无人机航迹规划方法，具体包括以下步骤：步骤1、建立无人机飞行运动模型，设计球面坐标系动作姿态向量；步骤2、从飞行环境中侦测目标信息，对其进行信息处理，获得相应探测中心的检测概率，对其进行数据处理获得检测效能，将处理后的检测效能值作为航迹评价指标；步骤3、构造无人机飞行奖励机制，使其作为另一航迹评价指标，计算无人机与目标区域的径向距离，并以此作为奖励机制的评价因素；步骤4、结合无人机动作姿态向量，利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和，得到航迹评价函数，并对航迹评价指标的权重进行实时修正处理；步骤5、将无人机连续的飞行动作离散化，以时间作为间隔，使用飞鱼算法对每一时刻的航迹评价函数值寻优；更新飞鱼种群，结合种群飞行寻优思想进行迭代，当迭代寻优操作达到最大迭代次数，生成每一时刻最优动作姿态；步骤6、用最优动作姿态数据控制无人机，生成有效可靠的无人机飞行航迹。本发明还包括这样一些结构特征：所述步骤1具体包括以无人机起飞点作为坐标系原点，以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系，计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量其中，θn为第n个时间间隔速度方向角，为第n个时间间隔速度俯仰角，进一步得到无人机动作姿态向量步骤2所述探测中心的检测概率为PQ1、PQ2：一种基于飞鱼算法的无人机航迹规划方法，步骤3所述无人机飞行奖励机制为奖励机制函数Re：步骤3所述无人机与目标区域的径向距离为D：步骤4所述航迹评价函数为InfUn：InfUn＝λ1F1+λ2F2+λ3Re其中，λ1、λ2为两个探测中心检测效能的权重，λ3为无人机奖励机制函数的权重。所述步骤5具体包括以下步骤：步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle，随机产生鱼群大小为NP，设定飞鱼种群移动距离为G，鱼群可视域值为Visual；步骤5.2、飞鱼种群进行种群飞行觅食，其中鱼群位置更新为：其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，用于控制步长的搜索范围，其值服从正态分布，Lμ为随机搜索路径：Lμ＝s-μ,1＜μ≤3其中，s为飞行步长，μ为飞行更新参数，一般取1.5。步骤5.3、根据步骤5.2的觅食结果计算个体适应度值：其中，无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitnessk赋给交互平台，鱼群个体通过聚群行为和追尾行为更新飞鱼群位置，并更新鱼群交互平台。步骤5.4、计算适应度均值：将适应度的值fitnessk与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置Unc前进一步：其中，||·||表示模长；rand0,1表示0到1随机数。步骤5.5、当时，执行追尾行为，使飞鱼朝邻域内最优值Unmax移动：步骤5.6、每独立计算一次比较取最优，当runtime＜maxCycle时：runtime＝runtime+1然后返回步骤5.2继续执行，当runtime＝maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优；步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U：其中，N为总时间间隔数量。与现有技术相比，本发明的有益效果是：本发明采用球面坐标系下的无人机动作姿态向量，构建无人机的飞行速度和飞行角度关系式，使无人机运动姿态更连贯，进而提升了航迹规划方法的准确率。本发明综合评价无人机在空域中的各个影响要素，引入航迹评价函数对无人机进行实时飞行寻优，实现无人机航迹的实时最优规划。本发明构造无人机奖惩机制，根据无人机状态给予奖励，迫使无人机快速抵达目标区域，从而加快了算法收敛速度。发明以时间间隔计算无人机航迹评价指标，将各个航迹评价指标进行累加，提高了所提方法的可靠性。本发明将无人机连续的飞行动作进行离散化处理，计算航迹评价函数值，符合实际环境，有效提高了适应能力。本发明引入集群智能化方法对航迹评价函数值进行寻优，使无人机航迹评价函数值降至最低。该方法降低了计算复杂度，增强了全局搜索能力。本发明提出一种飞鱼算法，利用种群飞行觅食寻优和交互平台，增强了航迹规划方法的全局搜索能力。本发明将航迹评价指标进行实时权重修正处理，使得权重可根据无人机动作变化而调整，增强了航迹评价指标的适应性，提高了所提方法的可靠性，进一步实现了无人机航迹的快速准确规划。本方法模型简单、收敛速度快、准确率高、可靠性好，同时，适用不同场合下的飞行任务。附图说明图1是本发明的方案结构图；图2是本发明无人机航迹规划直角坐标系下位置模型图；图3是本发明无人机球面坐标系下速度模型图。具体实施方式下面结合附图与具体实施方式对本发明作进一步详细描述。本发明的目的是提出一种无人机航迹规划方法，主要是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题。架构飞行运动模型，设计球面坐标系下的动作姿态向量，利用检测概率的效能值和无人机奖惩机制构建航迹评价函数，提出一种新的飞鱼算法对航迹评价函数值寻优以获得最优解，最终将生成的无人机最优动作姿态数据控制无人机，从而实现了无人机航迹规划的准确生成，该方法模型简单、收敛速度快、准确率高、可靠性好，同时适用不同场合下的飞行任务。如附图1所示，是本发明的方案结构图；如附图2所示，是本发明无人机航迹规划直角坐标系下位置模型图；如附图3所示，是本发明无人机球面坐标系下速度模型图。其中：1是第一个探测中心；2是第二个探测中心；3是目标区域中心；4是无人机起飞点；5是无人机在空中的一个点迹；6是目标区域；7是直角坐标系x轴方向；8是直角坐标系y轴方向；9是直角坐标系z轴方向；10是无人机速度飞行方向的方位角；11是无人机飞行速度方向的俯仰角；12是无人机飞行速度方向；13是无人机速度vx的方向；14是无人机速度vy的方向；15是无人机速度vz的方向。忽略对无人机高度的限制，设定无人机初始速度大小为v0，规定无人机运动时间间隔为Δt，时间间隔的数量为n,n＝1,2…。如图2所示，以无人机起点建立空间直角坐标系，假定第一个探测中心坐标为[x01,y01,z01]，第二个探测区域坐标为[x02,y02,z02]。由先验知识获得两个探测中心的最大探测距离为Rmax；目标区域中心坐标为[x03,y03,z03]，目标区域半径为r；由无人机定位信息获得无人机在空中第n个时间间隔的坐标为[xn,yn,zn]，速度大小为vn。步骤一：建立飞行运动模型，构造球面坐标系下动作姿态向量，如图3所示，以无人机起飞点作为坐标系原点，以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系。计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量其中，θn为第n个时间间隔速度方向角，为第n个时间间隔速度俯仰角。进一步得到无人机动作姿态向量步骤二：根据步骤一无人机的速度，计算无人机与两个探测中心的径向距离Q1、Q2：步骤三：计算无人机到目标中心区域的径向距离D：步骤四：计算探测中心的检测概率PQ1、PQ2：步骤五：根据步骤四，分别计算两个探测中心的检测效能值F1、F2：步骤六：，构造无人机奖励机制函数Re：步骤七：获得基于多影响因素的航迹评价函数InfUn：InfUn＝λ1F1+λ2F2+λ3Re8其中，λ1、λ2为两个探测中心检测效能的权重，λ3为无人机奖励机制函数的权重。步骤八：将步骤七的航迹评价指标的权重进行实时修正处理：步骤九：初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle，随机产生鱼群大小为NP，设定飞鱼种群移动距离为G，鱼群可视域值为Visual。步骤十：飞鱼种群进行种群飞行觅食，其中鱼群位置更新为：其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，用于控制步长的搜索范围，其值服从正态分布。Lμ为随机搜索路径：Lμ＝s-μ,1＜μ≤311其中，s为飞行步长，μ为飞行更新参数，一般取1.5。步骤十一：根据步骤十的觅食结果计算个体适应度值：其中，无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitnessk赋给交互平台，鱼群个体通过聚群行为步骤十二和追尾行为步骤十三更新飞鱼群位置，并更新鱼群交互平台。步骤十二：计算适应度均值：将适应度的值fitnessk与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置Unc前进一步：其中，||·||表示模长；rand0,1表示0到1随机数。步骤十三：当时，执行追尾行为，使飞鱼朝邻域内最优值Unmax移动：步骤十四：每独立计算一次比较取最优。当runtime＜maxCycle时：runtime＝runtime+116然后返回步骤十继续执行。当runtime＝maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优。步骤十五：将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U：其中，N为总时间间隔数量。将最优的动作姿态向量矩阵U控制无人机，使无人机生成可靠的航迹。本发明提供了一种基于飞鱼算法的无人机航迹规划方法，具体实现该技术方案的方法和途径有很多，以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。

权利要求：1.一种基于飞鱼算法的无人机航迹规划方法，其特征在于，具体包括以下步骤：步骤1、建立无人机飞行运动模型，设计球面坐标系动作姿态向量；步骤2、从飞行环境中侦测目标信息，对其进行信息处理，获得相应探测中心的检测概率，对其进行数据处理获得检测效能，将处理后的检测效能值作为航迹评价指标；步骤3、构造无人机飞行奖励机制，使其作为另一航迹评价指标，计算无人机与目标区域的径向距离，并以此作为奖励机制的评价因素；步骤4、结合无人机动作姿态向量，利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和，得到航迹评价函数，并对航迹评价指标的权重进行实时修正处理；步骤5、将无人机连续的飞行动作离散化，以时间作为间隔，使用飞鱼算法对每一时刻的航迹评价函数值寻优；更新飞鱼种群，结合种群飞行寻优思想进行迭代，当迭代寻优操作达到最大迭代次数，生成每一时刻最优动作姿态；步骤6、用最优动作姿态数据控制无人机，生成有效可靠的无人机飞行航迹。2.根据权利要求1所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于：所述步骤1具体包括以无人机起飞点作为坐标系原点，以无人机起飞初始方向作为坐标系vx轴正方向，建立右手坐标系，计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量其中，θn为第n个时间间隔速度方向角，为第n个时间间隔速度俯仰角，得到无人机动作姿态向量3.根据权利要求2所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于，步骤2中所述探测中心的检测概率为PQ1、PQ2：4.根据权利要求3所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于，步骤3中所述无人机飞行奖励机制为奖励机制函数Re：5.根据权利要求4所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于，步骤3所述无人机与目标区域的径向距离为D：6.根据权利要求5所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于，步骤4中所述航迹评价函数为InfUn：InfUn＝λ1F1+λ2F2+λ3Re其中，λ1、λ2为两个探测中心检测效能的权重，λ3为无人机奖励机制函数的权重。7.根据权利要求6所述一种基于飞鱼算法的无人机航迹规划方法，其特征在于，所述步骤5具体包括以下步骤：步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxCycle，随机产生鱼群大小为NP，设定飞鱼种群移动距离为G，鱼群可视域值为Visual；步骤5.2、飞鱼种群进行种群飞行觅食，其中鱼群位置更新为：其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，其值服从正态分布，能够控制步长的搜索范围，Lμ为随机搜索路径：Lμ＝s-μ,1＜μ≤3其中，s为飞行步长，μ为飞行更新参数，取1.5；步骤5.3、根据步骤5.2的觅食结果计算个体适应度值：其中，无人机动作姿态向量矩阵是航迹评价函数的解，将鱼群个体的最优适应度的值fitnessk赋给交互平台，鱼群个体通过聚群行为和追尾行为更新飞鱼群位置，并更新鱼群交互平台；步骤5.4、计算适应度均值：将适应度的值fitnessk与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置Unc前进一步：其中，||·||表示模长；rand0,1表示0到1随机数；步骤5.5、当时，执行追尾行为，使飞鱼朝邻域内最优值Unmax移动：步骤5.6、每独立计算一次比较取最优，当runtime＜maxCycle时：runtime＝runtime+1然后返回步骤5.2继续执行，将runtime＝maxCycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优；步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵U：其中，N为总时间间隔数量。

百度查询： 哈尔滨工程大学 一种基于飞鱼算法的无人机航迹规划方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD