为了能使无人机在真实环境中实现更安全有效地安全避障,本文提出了基于改进的自适应遗传算法的无人机避障路径规划模型,利用matlab模拟出障碍物的三维模型后和所处的空间范围,应用遗传算法让无人机在三维环境中完成安全有效的路径规划,通过在不同形状的障碍物下进行仿真,仿真结果表明,改进后的避障路径规划模型能够快速找到一条更短更安全的路径,达到了在应急情况中无人机能够快速实施救援的目的。 This paper is proposed to make the unmanned aerial vehicle (UAV) in a real environment safe obstacle avoidance more safely and effectively, based on the improved adaptive genetic algorithm of unmanned aerial vehicle (UAV) obstacle avoidance path planning model, using the matlab simulate the 3D model of the obstacles and scope of space, after using a genetic algorithm for unmanned aerial vehicle (UAV) completed in the 3D environment is safe and effective path planning, Through the simulation under different shapes of obstacles, the simulation results show that the improved obstacle avoidance path planning model can quickly find a shorter and safer path, and achieve the purpose that the UAV can quickly implement rescue in emergency situations.
为了能使无人机在真实环境中实现更安全有效地安全避障,本文提出了基于改进的自适应遗传算法的无人机避障路径规划模型,利用matlab模拟出障碍物的三维模型后和所处的空间范围,应用遗传算法让无人机在三维环境中完成安全有效的路径规划,通过在不同形状的障碍物下进行仿真,仿真结果表明,改进后的避障路径规划模型能够快速找到一条更短更安全的路径,达到了在应急情况中无人机能够快速实施救援的目的。
路径规划,无人机避障,地图预处理,遗传算法
Xinyu Huang1, Puzhen Xie2, Xirong Chen2, Hao Zhang2, Pengfei Xue2
1School of Traffic & Transportation, Chongqing Jiaotong University, Chongqing
2Institute of Aeronautics, Chongqing Jiaotong University, Chongqing
Received: May 6th, 2021; accepted: Jun. 10th, 2021; published: Jun. 17th, 2021
This paper is proposed to make the unmanned aerial vehicle (UAV) in a real environment safe obstacle avoidance more safely and effectively, based on the improved adaptive genetic algorithm of unmanned aerial vehicle (UAV) obstacle avoidance path planning model, using the matlab simulate the 3D model of the obstacles and scope of space, after using a genetic algorithm for unmanned aerial vehicle (UAV) completed in the 3D environment is safe and effective path planning, Through the simulation under different shapes of obstacles, the simulation results show that the improved obstacle avoidance path planning model can quickly find a shorter and safer path, and achieve the purpose that the UAV can quickly implement rescue in emergency situations.
Keywords:Path Planning, UAV Obstacle Avoidance, Map Preprocessing, Genetic Algorithm
Copyright © 2021 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).
http://creativecommons.org/licenses/by/4.0/
随着现代科技的不断进步,无人机技术在灾难救援方面得到了广泛的应用,而自然灾害往往具有突发性、瞬时性、不确定性,仅靠传统的人工救援方式是不能有效且安全地解决救援问题,由于卫星遥感与航空遥感在获取灾情时受到时空分辨力、外界环境以及使用成本等因素的影响 [
为了能让无人机在三维环境中搜索最优路线,于涛 [
本文将地形划分为一系列的栅格,在数学视角下是由边联结起来的结点的集合,一个基于图块拼接的地图可以看成是一个栅格图,栅格图之间各连线交点即是一个节点。当建立起栅格地图后,便利用遗传算法对地形模型进行收敛性实验,得出不同的遗传代数对其的影响,并发现具有自适应性能的遗传算法模型具有更好的收敛性与计算能力,可以更好地运用于路径规划 [
首先要做到的就是数字地图的预处理。为了便于计算,本文将障碍物模拟成圆柱体或长方体,利用Matlab进行数据输入和处理,得到一个三维真实模拟环境,设置起点和终点,仿真的基本设置参数如下,整体的地图空间范围为27 km × 30 km × 1800 m,并将坐标轴进行等间距设置,其中路径起点坐标为[1.4 2.4 0.95],坐标为[24.2 29.4 4.6],得到如图1所示的三维模型图。
图1. 飞行轨迹障碍三维模型图
在程序运行后无人机会先进行定位在地图上的位置,然后规划出大致路线并开始行动。之后在行动中再利用超声波传感器来检测障碍物的存在,并判断挡住当前飞行路线的障碍物高度。当飞行高度小于等于障碍物高度时,传感器会收集障碍物的数据 [
之后无人机就能够对飞行区域建立地图模型然后利用公式开始规划合理线路。首先是利用数学公式计算得到安全节点的集合,之后再计算所有安全节点间的距离,这时需要进行一个简单的距离判断。当完成对所有的安全节点之间距离的判断后,选择其中能形成一条完整路径的最短距离安全节点,计算结束之后,将所有短距离计算的结果进行相加,求出所有短距离的总和,得到最短路径 [
图2. 设计流程图
遗传算法作为一种多点搜索算法,能够在大型区域内进行广泛而有效的搜索,所以为了减缓程序在仿真过程中的负担,减少算法在空间中的所占内存,并基于简洁、高效、可读性高、适用性好等原则,故采用一些数学公式进行建模和计算。由于有了传感器以及高度测试器等设备的帮助,无人机的飞行高度便可以得知,则先表示出无人机路径计算的最基本的公式:
d ( i , j ) = ( x i − x j ) 2 + ( y i − y j ) 2 + ( z i − z j ) 2 (1)
D = ∑ i = 1 n ∑ j = 1 m min ( d ( i , j ) ) + l 偏 航 (2)
( x i , y i , z i ) 、 ( x j , y j , z j ) ——任意两安全节点的坐标
D——总路径长度
为了有效地观察所规划地区的障碍,以及更加精确地标示出障碍的地理位置,方便实现无人机的避障功能,针对无人机飞行高度小于障碍物高度的情况,本文先将无人机运行假设进一个二维的平面状态,所规划地区的地图划分成正方格的栅格图。由于需要测试无人机的避障功能,所以需要根据障碍物与节点具体位置来分情况讨论,根据数学公式,任意两点用直线公式表达为:
( y j − y i ) x + ( x i − x j ) y + x j y i − x i y j = 0 (3)
其中 ( x i , y i ) 、 ( x j , y j ) 为任意两节点坐标投影至二维的平面坐标,利用数学公式判断图3所示的两节点之间的连线与障碍物之间的位置关系,即圆心到直线的距离公式,A、B、C为该直线的具体参数:
d = | A x 0 + B y 0 − C | A 2 + B 2 (4)
求出圆心到直线的距离后,将d与圆的半径比较,得出位置关系:
{ R > d 障 碍 物 与 直 线 相 交 R < d 障 碍 物 与 直 线 相 离 R = d 障 碍 物 与 直 线 相 切
图3. 节点间连线与障碍物之间的位置关系
得到节点间联系与障碍物之间具体位置关系后,若相邻的两节点的连线与障碍区域相离,根据两点之间线段最短原则,连线AB便为无人机运行的最安全且最短的路径;若相邻的两节点与障碍区域相切见图3(a)或相交见图3(b),为了安全起见,则以AB连线中点为圆心,以AB距离为直径做圆,将圆AB(包含障碍物区域)视作危险区域,无人机不得在此区域内飞行,所以安全节点的选取应该在圆AB以外。
遗传算法也称作进化算法,是受达尔文的进化论的启发,借鉴其中生物进化过程而提出的一种搜索算法 [
在基于遗传算法的路径规划算法 [
fitness = 1 / D (5)
图4. 飞行轨迹图
本文中遗传算法的基本设置为种群规模为1000,染色体长度为100,迭代次数为100,利用轮盘赌选择的概率为0.5,变异率为0.2,交叉率为0.7,根据图1所处理好的地图模型,利用本文中的第二和第三章节中所给出的公式分析不同迭代次数的最短路径变化值。
图5. 遗传算法进化过程图
由图5可知,不同迭代的次数产生的最短路径值也不同,当迭代次数为30次时,最短路径值曲线一直在向下递减,并没有表现出缓和的趋势收敛速度非常慢,而当迭代次数分别为50次和80次时,进化曲线虽然有缓和的趋势,但这趋势并不明显且收敛速度也比较慢,因此在前三次的迭代次数中可知,当前迭代次数中并没有得到无人机航迹规划的最优解,而最后在100次迭代中,收敛速度非常快且随着迭代的次数增加,进化曲线也逐渐趋于缓和,因此可以认为,改进后的自适应遗传算法是有效的,最终得到最短路径是39.8。
利用遗传算法完成无人机避障路线规划,根据仿真结果得到以下结论:
1) 利用matlab模拟出障碍物三维形状,将整个三维地图进行网格化处理,便于找出每个点的坐标,且将每个点坐标分开存储,便于实现点与点间的直接连接,提高算法的运行效率。
2) 在模型迭代次数方面,在进行路径搜索最优解过程中,本文发现,以最短路径值为判断标准的进化曲线,当迭代次数越小,其收敛速度越慢,进化曲线越不稳定,而迭代次数越多,规划模型则表现出了更为优越的稳定性和收敛速度,通过该方案可以有效提升无人机在灾害救援任务中的响应能力以及救援效率。
尽管此次仿真结果较为满意,但实质上仍有不足,本文中将无人机自身的约束条件以及真实地理环境理想化,在实际运用中,还需要进一步的优化,所以如何让遗传算法在现实生活中发挥其优越的特性,是接下来的主要目标。
此论文是在王永虎教授的精心指导和大力支持下完成。
重庆市技术创新与应用发展专项重点项目(cstc2019jscx-fxydX0036)。
黄心雨,谢璞真,陈玺融,张 浩,薛鹏飞. 应急救援中智能无人机路径规划Intelligent UAV Path Planning in Emergency Rescue[J]. 国际航空航天科学, 2021, 09(02): 44-50. https://doi.org/10.12677/JAST.2021.92005