没有合适的资源?快使用搜索试试~ 我知道了~
无人机三维路径规划及避障方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 168 浏览量
2022-11-04
16:46:34
上传
评论
收藏 779KB DOCX 举报
温馨提示
试读
11页
无人机三维路径规划及避障方法.docx
资源推荐
资源详情
资源评论
0 引言
近几年,由于无人机(UAV)体积小、运动速度快、代价低,在电力巡线中的应用越来越多. 无人机
进行电力巡线时在满足约束的条件下如何由起点到任务点,避开障碍成为现阶段无人机巡线应用中比较重
要的问题之一
[1]
.
UAV 路径规划是指在考虑地形、环境等因素的前提下,根据 UAV 的能耗、速度、体型设计出满足
UAV 最优性能的路径. 文[2]中,考虑山峰的密集度,根据山峰位置建立泰森多边形,提出一种基于改进
蚁群算法的 UAV 路径规划方法,可为 UAV 规划出较短路径,但是该方法未考虑出现动态障碍物的情况.
文[3]中,通过设计多层扩展 A
*
算法,提出了一种在复杂环境下无人机的路径规划方法,可在考虑路径平
滑性的前提下快速规划出一条路径,但该方法规划时间较长;文[4]中,提出一种通过生物神经动力学模型
来解决 UAV 三维空间的路径规划问题,并能解决 UAV 的实时避障问题,但该方法不能达到全局最优. 关
于路径规划算法,现在主要有蚁群算法、神经网络算法、粒子群算法以及一些改进的智能算法
[5-7]
. 传统算
法虽然对目标及约束定义明确,但是收敛速度慢、容易陷入局部,其借鉴意义不大. 由于粒子群算法速度
快,易于实现,因此在路径规划中受到广泛应用. 文[8]中,在粒子群算法中引入自然选择系数和惯性权
重,极大地提高了粒子群算法的收敛性,解决了算法易陷入局部最优的问题,同时缩短了路径长度. 文[9]
中,通过交叉变异、惯性调节参数并用元矩阵定义离散粒子的方式来使粒子保持多样性,解决了自主水下
航行器的侦察问题. 文[10]中,提出了一种改进的粒子群算法,该算法由随机期望值决定速度更新模型,
通过在速度更新方程中增加随机时滞,避免粒子群算法陷入局部.
综合上述分析,本文提出一种基于改进粒子群算法与滚动策略相结合的 UAV 路径规划与避障方法.
该方法由传感器半径 R 为边界,UAV 中心为球心,建立 10 个等间距的同心球体,结合滚动策略实时探知
UAV 周围环境,通过改进的粒子群算法为 UAV 规划路径,解决了以往路径规划不能在动态环境中应用的
问题. 通过该方法可以使 UAV 快速准确地探知到其周围的环境信息并可避免随机产生的威胁,为 UAV 的
路径规划提供准确的环境信息;在算法中引入信息素,通过为每个粒子加载信息素提高算法的收敛速度,
通过加入启发函数增强粒子对下一目标点选择的目的性提高全局搜索能力,算法参数的选择对于粒子群算
法的性能起到重要的作用
[11]
,本文通过对参数分析、计算选出了最优的参数.
1 UAV 三维空间模型
UAV 装有传感器探知周围的环境信息,传感器的探知半径为 R. 在 UAV 工作的三维环境中,以
UAV 的中点为球心等间距地分布着 10 个三维球体模型,如图 1 所示. 与 UAV 相邻的同心球体上存在
UAV 下一飞行的子目标点. UAV 通过滚动的方式对比个体最短子路径和最优综合转向角来规划最优路径.
图 1 UAV 可视区域示意图 Fig.1 Schematic diagram of UAV visual area
图选项
2 滚动策略研究
UAV 通过传感器以自身中心为球心探知周围半径为 R 的区域内的环境信息,该区域为 UAV 的可视
区域. 如图 2 所示,长方体为 UAV 探知的障碍物. UAV 的可视区域为一个滚动窗口,如图 2 虚线球体所
示,UAV 在当前位置 P 分别以 0.1R,0.2R,0.3R,…,0.9R,R 为半径产生 10 个同心球体. 在 10 个
同心球体上分布着 n 个随机节点,UAV 从这些节点中选取代价最小的节点来组成 UAV 的子路径. 这样在
10 个同心圆上就产生了 10 个随机的点(P
1
,P
2
,…,P
10
),图 2 中黑虚线为这几点的连接线,即 UAV 的
子路径. 当 UAV 到达 P
1
点时,产生新的 10 个同心球体,如图 2 中实线球体所示,图中红实线为规划的
新一轮的子路径. 以此类推,直到到达目标点为止.
图 2 滚动策略三维示意图 Fig.2 Three dimensional sketch diagram of rolling strategy
图选项
具体运行步骤如下:
步骤 1:UAV 通过传感器获得可视区域内的环境信息.
步骤 2:通过传感器探知的环境信息,UAV 在避开障碍物的前提下,规划出一条最优子路径.
步骤 3:UAV 沿步骤 2 路径飞行到下一点,以该点为中心更新滚动窗口.
步骤 4:当 UAV 到达位置 P
i+1
时,i=i+1,并返回步骤 1,直到 UAV 行驶到目标点.
图 3 滚动策略流程图 Fig.3 Rolling strategy flowchart
图选项
3 UAV 路径规划算法研究
传统粒子群算法是一种随机寻优算法,其实质是各粒子之间相互分享信息,群体综合各个粒子的信
息比较分析选择出最优解. 在早期传统粒子群算法相较于其他智能算法容易实现、优化效果好、速度较
快,在路径规划中有大量运用
[12]
. 后来学者发现传统的粒子群算法收敛速度慢、全局规划能力差,对其的
应用越来越少
[13]
.
本文考虑了传统粒子群算法的以上缺点,对算法进行了优化设计.
3.1 粒子群优化算法设计
本文中 UAV 处在三维环境中,所以 UAV 的维度系数 d 为 3. 粒子的更新机制以及对自身的评价基
于单个粒子寻找到的最优路径(单个极值)和粒子群整体寻找到的最优路径(群体极值). 粒子的优劣性通过最
优路径和最小综合转向角来判断. 为了避免粒子陷入局部最优本文加入信息数浓度函数与启发函数来改进
粒子群算法
[14]
. 粒子的自我更新为
(1)
(2)
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3663
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功