文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.172483
中文引用格式: 葉春,張曦煌. 一種無人機(jī)三維航跡規(guī)劃算法研究[J].電子技術(shù)應(yīng)用,,2018,,44(3):84-88.
英文引用格式: Ye Chun,Zhang Xihuang. Research for an algorithm of UAV three-dimensional path planning[J]. Application of Electronic Technique,,2018,,44(3):84-88.
0 引言
隨著航空技術(shù)的發(fā)展,,無人機(jī)在軍用與民用領(lǐng)域的應(yīng)用不斷擴(kuò)大,如:敵情偵察,、地形勘探,、地理測(cè)繪、目標(biāo)轟炸,、高壓巡線等[1-2],。無人機(jī)執(zhí)行的任務(wù)復(fù)雜多樣,為了提高其生存能力,必須實(shí)現(xiàn)自主飛行,。航跡規(guī)劃作為無人機(jī)自主飛行的關(guān)鍵技術(shù)之一,,一直是國內(nèi)外學(xué)者們研究的熱點(diǎn)。
航跡規(guī)劃可以被看作是優(yōu)化一系列未知航點(diǎn)集的多約束組合問題,,據(jù)現(xiàn)有的報(bào)道,,很多人工智能算法可有效解決該問題。例如,,XU C等[3]提出采用人工蜂群算法(Artificial bee colony algorithm,,簡稱ABC)去解決無人機(jī)航跡規(guī)劃問題,并在偵察蜂搜索階段加入混沌算子,,取得了不錯(cuò)的效果,;SZCZERBA R J等[4]在A*算法中添加自適應(yīng)搜索策略,有效去除了規(guī)劃空間中的無用航點(diǎn),,提高了算法的搜索時(shí)間,。然而,上述方法只停留在二維航跡規(guī)劃層面上,,并未考慮規(guī)劃空間中的地形信息和無人機(jī)的拐彎角,、俯沖角/爬升角以及最短航跡段長度等約束。而三維航跡規(guī)劃更符合實(shí)際需求,,需對(duì)其開展研究。近年來,,張仁鵬等[5]在建立地形數(shù)字模型的基礎(chǔ)上,,采用改進(jìn)粒子群算法來模擬無人機(jī)三維航跡規(guī)劃,獲得了安全可飛的航跡,;ROBERGE V等[6]結(jié)合遺傳算法(Genetic Algorithm,,GA)與粒子群算法兩者的優(yōu)勢(shì),采用混合算法解決了無人機(jī)三維航跡規(guī)劃問題,。然而,,上述算法隨著搜索空間維數(shù)的增加,穩(wěn)定性和收斂性會(huì)隨之下降,,也會(huì)陷入局部最優(yōu)值,。另外,這些研究也未涉及無人機(jī)如何應(yīng)對(duì)突發(fā)威脅帶來的影響,。
本文采用ABC算法來解決無人機(jī)的三維航跡規(guī)劃和針對(duì)突發(fā)威脅時(shí)的航跡重規(guī)劃問題,。同時(shí),為了提供傳統(tǒng)ABC算法的收斂性,、魯棒性與穩(wěn)定性,,在雇傭蜂搜索時(shí)引入自適應(yīng)搜索算子、在跟隨蜂搜索時(shí)引入新型概率選擇方式及在偵察蜂搜索時(shí)引入混沌算子,從而得到了一種改進(jìn)的ABC算法(Probability self-Adaptive Chaotic Artificial Bee Colony algorithm,,PAC-ABC),。然后,對(duì)無人機(jī)的規(guī)劃空間,、地形信息和航跡代價(jià)模型進(jìn)行了建模,,給出了相應(yīng)的數(shù)學(xué)描述。最后,,通過三維航跡規(guī)劃與突發(fā)威脅航跡規(guī)劃模擬,,驗(yàn)證了本文所提算法的有效性。
1 航跡規(guī)劃建模
1.1 規(guī)劃空間與地形模型
在三維空間內(nèi),,無人機(jī)航跡規(guī)劃問題就是利用規(guī)劃算法找出一系列適合飛行且能滿足約束條件的飛行航點(diǎn)集[7],。在無人機(jī)實(shí)際應(yīng)用匯總,規(guī)劃空間中隱藏著各種威脅信息,,如地形,、雷達(dá)、高炮等,,有時(shí)這些威脅還具有不確定性,,因此想預(yù)先獲取飛行空間中的威脅信息具有很大的難度。另外,,無人機(jī)的續(xù)航時(shí)間很依賴油耗大小,。為了簡化航跡規(guī)劃過程,本文提出了以下幾個(gè)假設(shè)條件:(1)所有規(guī)劃空間內(nèi)的威脅物與地形信息均一致,;(2)無人機(jī)的油耗與航程成線性關(guān)系,;(3)無人機(jī)的飛行速度保持恒值不變;(4)忽略陣風(fēng)干擾,、機(jī)械動(dòng)力學(xué)及機(jī)械振動(dòng)等因素,。
用點(diǎn)(xα,yα,,zα)來表征規(guī)劃空間的某個(gè)航點(diǎn),,其中xα為經(jīng)度值,yα為緯度值,,zα為海拔高度,,故航跡規(guī)劃的規(guī)劃空間可描述為[8]:
其中,(x,,y)表示山體坐標(biāo),,(ak,bk)為山體中心對(duì)稱軸坐標(biāo),,hk為山體的最高點(diǎn),。
1.2 航跡代價(jià)模型
航跡代價(jià)模型由威脅代價(jià)模型和油耗代價(jià)模型組成,。其中,威脅代價(jià)主要考慮高炮威脅和雷達(dá)威脅[9],。
(1)雷達(dá)威脅,。通常雷達(dá)的探測(cè)范圍為圓形,故設(shè)雷達(dá)對(duì)無人機(jī)的威脅概率為:
其中,,d為雷達(dá)中心到無人機(jī)的距離,,dmax為雷達(dá)探測(cè)區(qū)域的最大半徑。
(2)高炮威脅,。和雷達(dá)威脅類似,,高炮威脅的范圍也為圓形,故設(shè)高炮對(duì)無人機(jī)的威脅概率為:
(3)油耗代價(jià),。油耗與航程有關(guān),,故認(rèn)為油耗代價(jià)就是總航程。
另外,,還應(yīng)該考慮無人機(jī)航跡規(guī)劃過程中的其他約束條件:
(1)極限拐彎角,。無人機(jī)通過控制其偏航角來控制航向的改變。因?yàn)榇嬖趹T性,,飛行過程中要改變航向需要拐彎時(shí)間與拐外半徑,。記航跡段li在水平面投影為mi=(xi-xi-1,yi-yi-1),,設(shè)無人機(jī)允許的極限拐彎角為θt,,則該約束可被描述成:
(2)極限俯沖角/爬升角。無人機(jī)在高度方向(z方向)上俯沖與爬升的角度限制于其機(jī)動(dòng)性,。因此,,可設(shè)定極限大俯沖角/爬升角為θp的約束方程為:
(3)最小航跡段長度。在飛行過程中,,當(dāng)前飛行姿態(tài)的改變需要無人機(jī)持續(xù)飛行一段距離,若無人機(jī)偏航角改變頻繁或者大幅度迂回飛行,,則會(huì)擴(kuò)大導(dǎo)航誤差,,故應(yīng)盡可能減小航跡長度。設(shè)定無人機(jī)的最小飛行航跡段長度為lmin,,則該約束的數(shù)學(xué)描述為:
綜上所述,,航跡代價(jià)模型主要由上述因素構(gòu)成,故無人機(jī)三維航跡代價(jià)模型可表示為:
式中,,J1~J5分別表征飛行過程中的威脅指標(biāo),、油耗指標(biāo)、極限拐彎指標(biāo),、極限俯沖角/爬升角指標(biāo)與最小航跡長度指標(biāo),,wk為相應(yīng)的權(quán)重系數(shù)。
2 改進(jìn)的人工蜂群算法
ABC算法是由土耳其KARABOGA D教授提出的一種模擬蜂群協(xié)作覓食行為的新興元啟發(fā)式優(yōu)化算法[10]。在算法中,,蜜蜂的種類可分為雇傭蜂,、跟隨蜂和偵察蜂3種。設(shè)蜂群種群總數(shù)為N,,雇傭蜂和跟隨蜂的數(shù)量各占種群總數(shù)的一半,;每個(gè)蜜源均為一個(gè)D維向量,其中D表示需要被優(yōu)化的解個(gè)數(shù),。在無人機(jī)航跡規(guī)劃問題,,種群中的每只蜜蜂對(duì)應(yīng)一組可行解,ABC算法通過3種蜂種的搜索方式尋找搜索空間的最優(yōu)解,。同時(shí),,在算法中添加自適應(yīng)搜索策略、新型概率選擇策略與Logistic混沌搜索算子,。具體的步驟如下所示:
(1)種群初始化,。隨機(jī)派出N只蜜蜂尋找到xij(i=1,2,,…,,N;j=1,,2,,…,D)蜜源,,即可行解,。蜜源由式(9)產(chǎn)生:
(2)蜜源收益度計(jì)算。根據(jù)式(10)來計(jì)算每只蜜蜂初始時(shí)搜索到蜜源的收益度值,,并根據(jù)蜜源大小排序,,取前N/2組解。
其中,,Si是ABC算法中的目標(biāo)函數(shù)值,。
(3)雇傭蜂搜索階段。在此搜索階段,,蜜源信息會(huì)因?yàn)楣蛡蚍涞倪^度挖掘而致使算法迭代速率降低[11],,故本文采用一個(gè)自適應(yīng)搜索策略來改進(jìn)原搜索方式,即:
(4)跟隨蜂搜索階段,。隨著算法迭代次數(shù)的增加,,種群個(gè)體雖會(huì)朝著一個(gè)方向進(jìn)化,但同時(shí)也會(huì)遺漏其他有用信息,,從而導(dǎo)致種群多樣性的降低,。ABC算法性能的提高在某種程度上依賴于種群多樣性,。研究發(fā)現(xiàn),被摒棄的解也含有有用信息[12],。所以,,為了使含有較差信息的蜜源同樣能被充分挖掘,本文采用一個(gè)新穎的概率選擇方式,,來保證種群的多樣性:
(6)記錄當(dāng)前最優(yōu)解,。當(dāng)算法遇到終止條件時(shí),輸出迭代過程中的最優(yōu)解,。
3 仿真實(shí)驗(yàn)
在本節(jié)中,,通過一個(gè)三維航跡規(guī)劃仿真算例對(duì)本文所提PAC-ABC算法的有效性進(jìn)行驗(yàn)證。另外,,也引入傳統(tǒng)ABC算法與GA算法與之進(jìn)行比較分析,。規(guī)劃空間采用100 km×100 km×100 km的三維空間??臻g中共有5座山峰,,疊加的地形信息參數(shù)為:
另外,威脅物中的雷達(dá)和高炮的分布信息如表1所示,。
無人機(jī)飛行的起始點(diǎn)為(0,,0,0),,目標(biāo)點(diǎn)為(90,,80,0),,規(guī)劃的維數(shù)D=10,。采用PAC-ABC算法、ABC算法和GA算法同時(shí)去搜索最優(yōu)航跡,。前兩種算法的初始條件設(shè)置為:N=20,,limit=15。而設(shè)置GA算法的條件為:抗體種群數(shù)M=20,,交叉因子與變異因子分別為0.8與0.2,。3種算法各運(yùn)行10次,每次迭代500次,,然后記錄下其中的最優(yōu)解。航跡規(guī)劃的結(jié)果如圖1所示,。從圖中可以看出,,3種算法均能生成可飛航跡,但是ABC算法與GA算法獲得航跡均要翻越山脊,,這會(huì)導(dǎo)致無人機(jī)被發(fā)現(xiàn)的概率增加,;而PAC-ABC算法獲得航跡則沿著山谷飛行,,并較其他兩種算法縮短了航程,利于規(guī)避威脅,,實(shí)現(xiàn)低空突防,。
圖2給出了3種算法的迭代曲線,從圖中可以看出本文所提算法的收斂速度最快,,在100代左右就能收斂到極值,,且航跡代價(jià)為51.231 2,而ABC算法和GA算法的航跡代價(jià)分別為54.998 0和60.621 4,。在改進(jìn)策略的作用下,,PAC-ABC算法能夠較好地避免局部最優(yōu)值,迅速地尋找到最優(yōu)解,。
為了進(jìn)一步驗(yàn)證PAC-ABC算法的魯棒性,,分別取D為20和30時(shí),,評(píng)價(jià)此算法求解無人機(jī)航跡規(guī)劃問題的效果,,仿真結(jié)果如圖3所示。從圖中可以看出,,隨著維數(shù)的增加,,PAC-ABC算法依舊能夠?qū)ふ业捷^好的航跡。這說明本文所提算法具有較好的魯棒性,。
有時(shí),,在規(guī)劃空間中隱藏著未被發(fā)現(xiàn)的突發(fā)威脅。當(dāng)無人機(jī)遇到這些突發(fā)威脅時(shí),,需要算法具有重規(guī)劃能力,,來規(guī)避這些威脅。設(shè)無人機(jī)從起始點(diǎn)(0,,0,,0)到目標(biāo)點(diǎn)(90,80,,0)中,,在(40,40,,13)點(diǎn)處突然偵察到高炮,,如圖4(a)所示。若不改變航跡繼續(xù)飛行,,無人機(jī)則有幾率被擊落,,故需要對(duì)其航跡重新規(guī)劃。如圖4(b)所示,,通過PAC-ABC算法對(duì)航跡再次規(guī)劃,,可以有效避免突發(fā)威脅,,規(guī)劃時(shí)間僅為1.24 s。這說明本文所提航跡規(guī)劃算法迭代速率高,,具有一定的實(shí)時(shí)性,。
4 結(jié)論
在處理無人機(jī)三維航跡規(guī)劃問題時(shí),本文提出了一種改進(jìn)人工蜂群算法,。在算法中,,通過自適應(yīng)搜索策略、新穎的概率選擇方式以及混沌搜索算子,,提高了算法的穩(wěn)定性,、搜索快速性與魯棒性。三維航跡規(guī)劃實(shí)驗(yàn)表明:(1)與ABC算法與GA算法相比,,PAC-ABC算法能夠更快地獲得最優(yōu)航跡,,且航跡代價(jià)分別比前兩者少7.35%和18.33%;(2)隨著解維數(shù)的增加,,PAC-ABC算法依舊能夠獲得較好的解,,具有很強(qiáng)的魯棒性;(3)在處理突發(fā)威脅時(shí),,PAC-ABC算法能夠在較短的時(shí)間內(nèi)實(shí)現(xiàn)局部航跡在規(guī)劃,,保證了無人機(jī)的安全飛行。綜上所述,,本文所提算法能夠?yàn)闊o人機(jī)規(guī)劃出一條可飛且較優(yōu)的飛行路徑,。
參考文獻(xiàn)
[1] CHEN Y,,LUO G,,MEI Y,et al.UAV path planning using artificial potential field method updated by optimal control theory[J].International Journal of Systems Science,,2016,,47(6):1407-1420.
[2] GEVAERT C M,PERSELLO C,,SLIUZAS R,et al.Informal settlement classification using point-cloud and image-based features from UAV data[J].ISPRS Journal of Photogrammetry and Remote Sensing,,2017,,125(3):225-236.
[3] XU C,,DUAN H,,LIU F.Chaotic artificial bee colony approach to uninhabited combat air vehicle(UCAV) path planning[J].Aerospace Science and Technology,2010,,14(8):535-541.
[4] SZCZERBA R J,GALKOWSKI P,,GLICKTEIN I S,,et al.Robust algorithm for real-time route planning[J].Aerospace and Electronic Systems,,IEEE Transactions on,,2000,36(3):869-878.
[5] 張仁鵬,,楊金孝,,潘佳華,等.基于改進(jìn)粒子群算法的無人機(jī)三維航跡規(guī)劃[J].計(jì)算機(jī)仿真,,2014,,31(3):66-69.
[6] ROBERGE V,TARBOUCHI M,,LABONTE G.Comparison of parallel genetic algorithm and particle swarm optimization for real-time UAV path planning[J].IEEE Transactions on Industrial Informatics,,2013,9(1):132-141.
[7] BESADA-PORTAS E,,DE LA TORRE L,,MORENO A,et al.On the performance comparison of multi-objective evolutionary UAV path planners[J].Information Sciences,,2013,,238(7):111-125.
[8] 胡中華.基于智能優(yōu)化算法的無人機(jī)航跡規(guī)劃若干關(guān)鍵技術(shù)研究[D].南京:南京航空航天大學(xué),2011.
[9] DUAN H,,ZHANG X,WU J,,et al.Max-min adaptive ant colony optimization approach to multi-UAVs coordinated trajectory replanning in dynamic and uncertain environments[J].Journal of Bionic Engineering,,2009,6(2):161-173.
[10] KARABOGA D,,BASTURK B.On the performance of artificial bee colony(ABC) algorithm[J].Applied Soft Computing,,2008,8(1):687-697.
[11] FOO J L,,KNUTZON J,,KALIVARAPU V,et al.Path planning of unmanned aerial vehicles using B-splines and particle swarm optimization[J].Journal of aerospace computing,,Information,,and Communication,2009,,6(4):271-290.
[12] 林小軍,,葉東毅.云變異人工蜂群算法[J].計(jì)算機(jī)應(yīng)用,,2012,32(9):2538-2541.
[13] CHEN G,,WU X,,ZHU X,et al.Efficient string matching with wildcards and length constraints[J].Knowledge and Information Systems,,2006,,10(4):399-419.
作者信息:
葉 春1,張曦煌2
(1.江蘇信息職業(yè)技術(shù)學(xué)院 物聯(lián)網(wǎng)工程學(xué)院,,江蘇 無錫214001,;2.江南大學(xué) 物聯(lián)網(wǎng)工程學(xué)院,江蘇 無錫214001)