本發(fā)明涉及了一種無人機(jī)路徑規(guī)劃方法,尤其涉及一種基于改進(jìn)nsga-ⅲ多目標(biāo)優(yōu)化方法的無人機(jī)復(fù)雜場景路徑規(guī)劃方法。
背景技術(shù):
1、隨著科技進(jìn)步與發(fā)展,四旋翼無人機(jī)在人類生活生產(chǎn)中的應(yīng)用越發(fā)廣泛。但是,由不同形狀、位置與大小的多個(gè)障礙物或是復(fù)雜崎嶇的地形所形成的復(fù)雜障礙場景是影響無人機(jī)作業(yè)安全的主要障礙。而路徑規(guī)劃作為無人機(jī)的關(guān)鍵技術(shù),是其執(zhí)行各種所需任務(wù)、實(shí)現(xiàn)自主導(dǎo)航規(guī)劃的基礎(chǔ),其目的在于面對各種復(fù)雜障礙場景下能夠快速尋找到一條由起點(diǎn)到終點(diǎn)的路徑,該路徑在滿足無碰撞的同時(shí)還能夠滿足各類任務(wù)目標(biāo)需要。目前在無人機(jī)路徑規(guī)劃領(lǐng)域的主流方法包括a-star方法、dijkstra方法、rrt方法、rrt-star方法、prm方法、人工勢場法、蟻群方法、粒子群方法等等。其中,a-star方法以及dijkstra方法作為貪婪方法的變種,其運(yùn)算效率會隨著地圖尺寸的增加而急速下降。人工勢場法、蟻群方法以及粒子群方法等智能方法容易被環(huán)境因素所干擾容易陷入局部最小值,且存在計(jì)算量大實(shí)時(shí)性差的問題。rrt方法、rrt-star方法以及prm方法作為基于隨機(jī)采樣點(diǎn)方法,路徑隨機(jī)性過高,需要大量迭代才能得到較優(yōu)路徑,運(yùn)行時(shí)間過長等缺點(diǎn)。同時(shí)上述主流方法在無人機(jī)路徑規(guī)劃技術(shù)領(lǐng)域當(dāng)中都只考慮了單個(gè)或最多兩個(gè)目標(biāo)進(jìn)行優(yōu)化,面對對如今多種多樣的任務(wù)需求,存在無法滿足多種需求同時(shí)優(yōu)化的缺點(diǎn)。
2、nsga-ⅲ方法是一種基于遺傳方法(ga)的改進(jìn)方法,該方法在多維目標(biāo)優(yōu)化方面能力出眾,在路徑規(guī)劃方面可以同時(shí)對路徑長度、路徑平滑度以及障礙物躲避等多種目標(biāo)進(jìn)行優(yōu)化。但由于遺傳方法本身需要大量的初始種群,因此需要對地圖路徑點(diǎn)進(jìn)行隨機(jī)采樣,當(dāng)環(huán)境中存在狹小通道或凹形障礙物時(shí),方法的成功率較低,極易陷入局部最小值,并不適合用作實(shí)時(shí)路徑規(guī)劃。而hopfiled神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃方法,是一種利用hopfiled神經(jīng)網(wǎng)絡(luò)能量收斂穩(wěn)定的特性提出的一種規(guī)劃方法,該方法克服了其他方法在高維空間當(dāng)中同樣具有良好的收斂特性,具有較高的運(yùn)算速率,得到空間內(nèi)無碰撞的最短路徑。然而hopfiled方法得到的最短路徑優(yōu)勢不能很好的結(jié)合無人機(jī)的運(yùn)動學(xué)或動力學(xué)約束,且只能產(chǎn)生最短路徑而不能優(yōu)化其他目標(biāo),在多目標(biāo)優(yōu)化領(lǐng)域具有局限性。
技術(shù)實(shí)現(xiàn)思路
1、針對目前各類主流方法在自身方面以及多目標(biāo)優(yōu)化方面存在的各類問題,以及針對nsga-ⅲ多目標(biāo)優(yōu)化方法存在的問題,本發(fā)明提出了一種基于改進(jìn)nsga-ⅲ多目標(biāo)優(yōu)化方法的無人機(jī)復(fù)雜場景路徑規(guī)劃方法,克服上述現(xiàn)有技術(shù)的缺陷,提高方法在復(fù)雜場景中規(guī)劃成功率,降低路徑的隨機(jī)性,提高多目標(biāo)優(yōu)化能力,使得規(guī)劃出來的路徑在無碰撞的同時(shí)還能夠滿足各類任務(wù)需要。
2、為了實(shí)現(xiàn)上述技術(shù)效果,本發(fā)明的技術(shù)方案如下:
3、步驟1:獲取工作環(huán)境地圖;
4、步驟2:對工作環(huán)境地圖map1進(jìn)行地圖柵格化處理后,獲得初始網(wǎng)格地圖,以及獲得起點(diǎn)網(wǎng)格和終點(diǎn)網(wǎng)格;
5、步驟3:從起點(diǎn)網(wǎng)格出發(fā)至終點(diǎn)網(wǎng)格,采用廣度優(yōu)先方法對初始網(wǎng)格地圖中的所有可飛行網(wǎng)格進(jìn)行編號后,得到網(wǎng)格編號地圖;
6、步驟4:利用改進(jìn)的nsga-ⅲ方法在網(wǎng)格編號地圖上生成一條既無碰撞又能夠滿足多目標(biāo)優(yōu)化的路徑;
7、步驟5:對步驟4中生成的路徑進(jìn)行優(yōu)化處理后,獲得無人機(jī)的規(guī)劃路徑。
8、所述步驟3具體為:
9、步驟31:將初始網(wǎng)格地圖中的可飛行網(wǎng)格和障礙物所在的網(wǎng)格以及邊界網(wǎng)格的數(shù)值進(jìn)行填充,其中可飛行網(wǎng)格的數(shù)值相同,障礙物所在的網(wǎng)格以及邊界網(wǎng)格的數(shù)值相同,完成初始網(wǎng)格地圖的初始化;
10、步驟32:從起點(diǎn)網(wǎng)格開始編號,利用廣度優(yōu)先方法從起點(diǎn)網(wǎng)格出發(fā)向八個(gè)方向的網(wǎng)格進(jìn)行順序編號,直至終點(diǎn)網(wǎng)格,得到網(wǎng)格編號地圖。
11、所述步驟4具體為:
12、步驟41:利用hopfiled神經(jīng)網(wǎng)絡(luò)向網(wǎng)格編號地圖的網(wǎng)格添加能量并進(jìn)行能量狀態(tài)迭代更新,獲得包含能量狀態(tài)的網(wǎng)格地圖;
13、步驟42:采用回溯法在包含能量狀態(tài)的網(wǎng)格地圖中尋找一條從終點(diǎn)到起點(diǎn)的最大能量梯度的路徑,并將該路徑作為無碰撞的初始路徑pinit;
14、步驟43:以路徑長度對無碰撞的初始路徑pinit等分后,獲得n個(gè)路徑點(diǎn)坐標(biāo);
15、步驟44:分別在n個(gè)路徑點(diǎn)坐標(biāo)附近隨機(jī)得到num個(gè)服從二維高斯正態(tài)分布的待選路徑點(diǎn),共n×num個(gè)待選路徑點(diǎn),從而形成n個(gè)待選區(qū)域;
16、步驟45:采用nsga-ⅲ方法對n個(gè)待選區(qū)域中的路徑點(diǎn)進(jìn)行選擇并進(jìn)行多目標(biāo)的迭代優(yōu)化后,獲得最優(yōu)的n個(gè)路徑點(diǎn),將起點(diǎn)網(wǎng)格、最優(yōu)的n個(gè)路徑點(diǎn)以及終點(diǎn)網(wǎng)格相連后得到一條既無碰撞又能夠滿足多目標(biāo)優(yōu)化的路徑poptimize。
17、所述步驟41中,利用hopfiled神經(jīng)網(wǎng)絡(luò)向網(wǎng)格編號地圖的網(wǎng)格添加能量并進(jìn)行能量狀態(tài)迭代更新的具體公式如下:
18、
19、
20、其中,xi(k+1)代表第k+1次迭代的網(wǎng)格i的能量狀態(tài),xj(k)和xj(k+1)分別為第k次和第k+1次迭代的網(wǎng)格j的能量狀態(tài),f(x)代表網(wǎng)格i的能量總輸入;di為網(wǎng)格能量系數(shù),障礙物網(wǎng)格與邊界網(wǎng)格均為0,其他網(wǎng)格為1;i代表起點(diǎn)網(wǎng)格的初始輸入能量,a代表能量衰減系數(shù),ωij代表hopfiled神經(jīng)網(wǎng)絡(luò)中網(wǎng)格i和網(wǎng)格j間的權(quán)重,k為迭代次數(shù),nei代表是網(wǎng)格i的相鄰網(wǎng)格集合。
21、所述步驟45中,nsga-iii方法分別在n個(gè)待選區(qū)域內(nèi)隨機(jī)選擇一個(gè)待選路徑點(diǎn),得到一條共n個(gè)路徑點(diǎn)的初始路徑,種群pt內(nèi)共dim條初始路徑,在dim條初始路徑中遍歷尋找后獲得最優(yōu)的n個(gè)路徑點(diǎn)組成的路徑。
22、所述步驟45中,nsga-iii方法采用的適應(yīng)度函數(shù)包括路徑長度、障礙物威脅成本以及路徑平滑度成本,路徑長度、障礙物威脅成本以及路徑平滑度成本均作為優(yōu)化目標(biāo),從而形成多優(yōu)化目標(biāo)。
23、所述路徑長度f1的公式如下:
24、
25、其中,n為路徑點(diǎn)數(shù)量,pi,j表示第i條路徑的第j個(gè)路徑點(diǎn),pi,j+1表示第i條路徑的第j+1個(gè)路徑點(diǎn),||pi,j→pi,j+1||表示相鄰路徑點(diǎn)pi,j和pi,j+1之間的歐式距離。
26、所述障礙物威脅成本f2的公式如下:
27、
28、
29、其中,n為路徑點(diǎn)數(shù)量,m為障礙物數(shù)量,tk(pi,j→pi,j+1)是關(guān)于障礙物和局部路徑pi,j→pi,j+1之間的距離dk的分段函數(shù),d為障礙物半徑,rk為第k個(gè)障礙物的威脅半徑,γc()為懲罰系數(shù)。
30、所述路徑平滑度成本f3的公式如下:
31、
32、其中,n為路徑點(diǎn)數(shù)量,pi,j表示第i條路徑的第j個(gè)路徑點(diǎn),pi,j+1表示第i條路徑的第j+1個(gè)路徑點(diǎn),pi,j-1表示第i條路徑的第j-1個(gè)路徑點(diǎn),||(pi,j-pi,j+1)+(pi,j-1-pi,j)||2表示在第i條路徑的第j個(gè)路徑點(diǎn)pi,j的合力。
33、所述步驟5具體為:
34、采用三次b樣條優(yōu)化方法對步驟4中生成的路徑poptimize進(jìn)行平滑處理后,得到平面運(yùn)動曲線,再根據(jù)起點(diǎn)和終點(diǎn)高度對平面運(yùn)動曲線進(jìn)行高度上的線性插值后,獲得無人機(jī)的規(guī)劃路徑。
35、本發(fā)明的有益效果是:
36、本發(fā)明提出一種基于改進(jìn)nsga-iii多目標(biāo)優(yōu)化方法的無人機(jī)復(fù)雜場景路徑規(guī)劃方法,針對現(xiàn)有主流方法和nsga-iii方法存在的問題從以下四個(gè)方面進(jìn)行了改進(jìn):
37、1)針對現(xiàn)有主流方法只能實(shí)現(xiàn)單目標(biāo)優(yōu)化,無法隨著多任務(wù)需求變動而進(jìn)行多目標(biāo)優(yōu)化的問題。提出一種改進(jìn)的nsga-iii多目標(biāo)優(yōu)化方法,nsga-iii方法作為目前多目標(biāo)優(yōu)化領(lǐng)域的新一代方法,具有極好的多維目標(biāo)優(yōu)化特性,優(yōu)化能力強(qiáng)。
38、2)針對nsga-iii方法初始種群通過隨機(jī)采樣方式選取路徑點(diǎn)的導(dǎo)致方法成功率低,運(yùn)算效率低,極易陷入局部最小值的問題,提出了利用hopfiled神經(jīng)網(wǎng)絡(luò)路徑規(guī)劃方法來生成初始路徑,避免了方法在面對狹小障礙時(shí)路徑采用不成功以及陷入局部最小值的問題,減少了方法的運(yùn)算時(shí)間,提高了運(yùn)算效率。
39、3)針對nsga-ⅲ方法需要大量的初始種群,但hopfiled方法生成的路徑在同一場景下只會生成固定的一條的問題,引入了高斯正態(tài)隨機(jī)數(shù)分布方法,在hopfiled方法生成的初始路徑附近拓展新的路徑點(diǎn),為nsga-ⅲ方法提供了豐富的種群樣本,避免了方法陷入局部最佳狀態(tài),提高了方法在其他目標(biāo)方面的優(yōu)化
40、4)引入路徑平滑度作為多目標(biāo)優(yōu)化函數(shù)之一,提高無人機(jī)飛行路徑滿足軌跡跟蹤的要求成功率,提高了下一步三次b樣條平滑優(yōu)化效率。
41、實(shí)踐證明,本發(fā)明提供的方法能夠適用在復(fù)雜場景下的無人機(jī)路徑規(guī)劃。