一种三维环境中的多无人机系统的航迹规划方法

摘要

本发明公开了一种三维环境中的多无人机系统的航迹规划方法，属于无人机航迹规划技术领域。本方法针对无人机航迹规划的特点，其中方法包括以下步骤：获取无人机飞行环境的高程、威胁信息，并生成飞行环境的三维网格地图；利用改进遗传算法进行多无人机的航迹规划；利用B样条曲线对规划好的航迹进行平滑处理，最终形成满足无人机运动约束的航迹。该发明提出的航迹规划方法利用遗传算法可以为多无人机规划出确定的最优飞行路径，提高了任务完成效率。可应用于无人机侦察、监控、救援路径规划等技术领域。

主权项

一种三维环境中的多无人机系统的航迹规划方法，其特征在于，包括以下步骤：步骤1、飞行环境建模：UAV飞行三维空间表示为{(x,y,z)|0≤x≤X_max,0≤y≤Y_max,0≤z≤Z_max}，采用网格三维编码方式对搜索空间进行编码,将搜索空间离散化为若干个网格；其中，X_max，Y_max，Z_max分别为三维空间x,y,z三个方向的上界；步骤2、设置无人机航迹规划的初始条件，包含规划的起始点、目标点、威胁分布及障碍信息；步骤3、根据任务要求，利用改进遗传算法对多无人机进行航迹规划，生成全局最优的参考航迹；具体如下：(301)、根据步骤2中设置的无人机航迹规划的初始条件，采用整数编码方法随机生成M条染色体组成种群，每条染色体表示多条飞行路径；(302)、确定无人机航迹的代价函数：(3021)、每一条航迹的代价函数为：F＝w_l×f₁(Rⁱ)+w_h×f₂(Rⁱ)+w_d×f₃(Rⁱ)+w_s×f₄(Rⁱ)其中，w_l，w_h，w_d，w_s分别为航程代价、高程代价、威胁代价、偏转角代价在总代价F中占的比重，且满足w_l+w_h+w_d+w_s＝1，f₁(Rⁱ)为航程代价，f₂(Rⁱ)为高程代价，f₃(Rⁱ)为威胁代价，f₄(Rⁱ)为偏转角代价，R为所有可飞航路集合，i为整数且0<i≤R；(3022)、对航迹代价函数中各子代价f₁(Rⁱ)、f₂(Rⁱ)、f₃(Rⁱ)、f₄(Rⁱ)分别进行归一化处理，分别得到归一化后的子代价(3023)、构造具有随进化代数动态调整的非线性适应度函数为：$F^{*}=\frac{\left[\sqrt[m]{n}\right]}{\bar{F}}$$\bar{F}=w_1\times \overline{f_1}\left(R^i\right)+w_h\times \overline{f_2}\left(R^i\right)+w_d\times \overline{f_3}\left(R^i\right)+w_s\times \overline{f_4}\left(R^i\right)$F^*为非线性适应度函数，为归一化后的总代价函数，表示取值不大于的整数值，m＝1+lnN，N为设定的最大进化代数，n为当前进化代数；(303)、采用轮盘赌选择和锦标赛选择结合机制，从M条染色体中选取Q条染色体组成父代种群，然后对该父代种群中的个体进行进化操作，通过进化操作生成新个体，将新个体加入到原来的M条染色体中形成新种群，按照步骤(3023)中的非线性适应度函数计算出新种群中每个个体的适应度，删除新种群中Q条适应度最小的染色体，使其大小恢复到原来的染色体大小M；(304)、重复步骤(303)直到满足终止条件，则从新种群中选出适应度最大的染色体即为所求航迹，至此就得到了多无人机的全局最优参考航迹；终止条件为：新种群中计算得到的最大适应度值保持不变；步骤4、利用B样条曲线对步骤3得到的多无人机全局最优的参考航迹进行平滑处理，得到最终的平滑飞行路径。