一种混合空域异质飞行器路径规划方法及装置与流程

本发明属于飞行器技术领域，涉及一种混合空域异质飞行器路径规划方法及装置。

背景技术：

在空中交通管理系统中，多飞行器路径规划问题一直是研究热点。有限空域多飞行器路径规划方法一般有两个目标：一方面为所有飞行器确定安全飞行路线，飞行器之间安全包络无重叠，飞行器安全包络于危险区域无重叠，并且能够到达预定目的地；另一方面需要在保证飞行器安全的条件下，尽量缩小飞行距离，减少飞行成本，提高飞行效率。

随着航空产业的迅猛发展，各种飞行器的数量激增，而传统的多飞行器路径规划方法大多没有考虑飞行器的异质化。飞行器的异质化是指飞行器的种类不同，包括无人机和有人机，若为不同的飞行器统一建模相同的飞行器模型，没有考虑自身特质，那获得的路径规划在实际使用时会存在不适应的问题。

考虑到实际飞行过程中，由于导航精度、风力、操作误差等因素的影响，实际飞行轨迹具有一定的不确定性。现有多飞行器路径规划方法大多没有考虑到这些不确定性的影响，本发明通过蒙特卡罗方法来衡量这些不确定性对飞行器飞行轨迹的影响。蒙特卡罗方法，也称统计模拟方法，是一种以概率统计理论为指导的一类重要的数值计算方法。本发明将通过蒙特卡罗方法来衡量不确定性对实际飞行带来的风险。

粒子群优化算法作为一种典型的智能优化算法，是kennedy等人受到鸟群觅食行为的启发而提出的。粒子群优化算法是一种基于群体协作的随机搜索算法，具有易实现，收敛速度快的特性。

综上，现有的多飞行器路径规划没有考虑到实际空域中异质飞行器并存的实际情况，并且大多没有考虑飞行中一些误差造成的飞行轨迹不确定性的影响。

技术实现要素：

针对现有存在的问题，本发明考虑了其中存在的不确定性，基于改进的粒子群优化算法，来解决混合空域异质飞行器的路径规划问题，具体提供了一种混合空域异质飞行器路径规划方法及装置。

本发明提供的混合空域异质飞行器路径规划方法，包括：

(1)为混合空域的飞行器建立路径规划模型；

将飞行器分为无人机和有人机，设置飞行器的初始路径为直接从出发点沿直线飞向目的地点，并且每条路径用该路径上的m等分点来表示；设置有人机的等分点个数少于无人机的等分点个数；m为正整数；

通过将每架飞行器的各等分点在垂直于初始路径的截面上移动，来优化路径；飞行器路径规划的总代价模型为：

fcost(x)＝flength(x)+qfdanger(x)

其中，x代表所有飞行器的飞行路径上的等分点坐标，fcost(x)为总成本函数，flength(x)为所有飞行器的路径总长度，fdanger(x)为所有飞行器的总体冲突代价，q为权重系数。

(2)采用蒙特卡罗方法衡量不确定性对飞行安全的影响，设置飞行器的路径上的所有等分点的位置均服从联合高斯分布，通过重复抽样获得各飞行器的路径，检测各飞行器路径，若飞行器间有路径冲突或飞行器经过危险区域，若认为路径危险，产生冲突代价，否则认为路径安全。

(3)采用粒子群优化算法优化各飞行器的路径；

所述的粒子群优化算法中，使用两个种群分别代表有人机与无人机的路径，两个种群分别在各自的搜索空间中初始化一群随机粒子，通过不断迭代使得两个种群都找到最优解，粒子的适应值根据函数fcost(x)计算得到；

在计算一个种群粒子适应值时，通过如下选择机制来选择另一个种群信息来进行计算；

选择机制：以概率r选择另一个种群的历史最优位置，以1-r概率选择另一个种群中的一个随机粒子；其中c为总迭代次数，t表示当前迭代次数。

本发明提供的混合空域异质飞行器路径规划装置，包括信息获取模块、冲突探测模块、冲突风险评估模块和路径规划模块。

信息获取模块获取所有飞行器的信息以及空域中的危险区域位置；飞行器的信息包括飞行器是无人机还是有人机，飞行器的出发点和目的地点，以及飞行器的初始路径和当前位置；

冲突探测模块，引入安全包络建立飞行器模型，进行飞行器间的冲突检测，以及检测飞行器是否经过危险区域；

冲突风险评估模块，采用蒙特卡罗方法衡量不确定性对飞行安全的影响，将不确定性考虑为高斯噪声，表现为：在每条路径上，所有的等分点的位置均服从联合高斯分布，通过重复抽样获得各飞行器的路径；将获得的飞行器的路径通过冲突探测模块进行检测，若检测到飞行器间有冲突或飞行器经过危险区域，则认为路径危险，产生冲突代价，否则认为路径安全；

路径规划模块采用粒子群优化算法优化各飞行器的路径。

本发明的路径规划装置及方法，其优点与积极效果在于：

(1)考虑到混合空域中异质化飞行器的影响，本发明所建立的飞行器模型更加符合实际；

(2)本发明通过蒙特卡罗方法来衡量实际飞行中的不确定性，更加贴近实际飞行，所规划的路径更合理；

(3)本发明采用改进粒子群优化算法进行路径规划，算法时间复杂度较小，路径规划更快捷。

附图说明

图1是本发明的混合空域异质飞行器路径规划装置的组成模块示意图；

图2是本发明建立的飞行器安全包络的示意图；

图3是本发明的路径规划中采用的粒子群算法求解的流程示意图；

图4是一个飞行器从起点到终点的路径示意图；

图5是本发明实施例的多飞行器路径规划二维示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

首先，说明本发明对混合空域与其中的异质飞行器、危险区域建立的模型。为描述方便，本发明假定空域为正方体，边长为2l，中心坐标为(0,0,0)。

随机为每架飞行器i从空域边界面上分配一个出发点xo＝(xi,o,yi,o,zi,o)，再在对面上随机选择一个目的地点xd＝(xi,d,yi,d,zi,d)。飞行器i的位置记为(xi,yi,zi)，为了方便计算，每架飞行器的初始路径均为直接从出发点xo沿直线飞向目的地点xd，用该路径上m等分点来表示这条路径。考虑到实际中有人机自由度较低，无人机自由度较高，设定有人机的m取值比无人机的小，设有人机的m＝m1，无人机的m＝m2，m1、m2均为正整数且m1＜m2。在对路径进行优化时，通过对所有m等分点进行优化得到，每架飞行器的m等分点均可在垂直于初始路径的截面上移动，最终路径为按序从出发点逐次连接m等分点，最终连接到目的地点得到。

设危险区域总共n个，每个均建模成长方体，长宽均为l，高度为2l。高度为h的水平面上，每个危险区域中心坐标为j从1到n。l，l，n，h的数值均根据实际情况设置。

本发明的混合空域异质飞行器路径规划方法中，在建立了混合空域的飞行器建立路径规划模型后，还采用蒙特卡罗方法衡量不确定性对飞行安全的影响。设置飞行器的路径上的所有等分点的位置均服从联合高斯分布，通过重复抽样获得各飞行器的路径。检测各飞行器路径，若飞行器间有路径冲突或飞行器经过危险区域，若认为路径危险，产生冲突代价，否则认为路径安全。

考虑到有人机与无人机本身成本以及人员安全因素，本发明优先保障有人机的安全。为此，进行以下规定：

(1)设置飞行器间的冲突代价，包括：有人机与有人机间的冲突代价p1；有人机与无人机间的冲突代价p2；无人机与无人机间的冲突代价p3；

(2)设置有人机经过危险区域的代价d1；设置无人机经过危险区域的代价d2。

p1、p2、p3、d1、d2均是根据经验或者试验结果来设置的常数。设抽样n次，对每次抽样统计各路径上各种冲突的数量，设分别为n1,n2,n3,n4,n5，则计算每次抽样所有飞行器的总体冲突代价时，可以将冲突数量作为冲突代价的权重直接进行加权求和，也可以进一步取n次抽样的平均值作为总体冲突代价。

直接计算路径的总体冲突代价时，fdanger(x)＝n1p1+n2p2+n3p3+n4d1+n5d2，其中x代表所有飞行器的飞行路径上的间隔点坐标。

设置n次抽样的平均值作为总体冲突代价时，

其中，x代表所有飞行器的飞行路径上的间隔点坐标。

本发明的混合空域异质飞行器路径规划方法，通过将每架飞行器的各等分点在垂直于初始路径的截面上移动，来优化路径；飞行器路径规划的总代价模型为：

fcost(x)＝flength(x)+qfdanger(x)

其中，x代表所有飞行器的飞行路径上的等分点坐标，fcost(x)为总成本函数，flength(x)为所有飞行器的路径总长度，fdanger(x)为所有飞行器的总体冲突代价，q为权重系数。

本发明的路径规划方法中，采用改进的粒子群优化算法优化各飞行器的路径，具体是使用两个种群分别代表有人机与无人机的路径来进行优化。两个种群分别在各自的搜索空间中初始化一群随机粒子，通过不断迭代使得两个种群都找到最优解，粒子的适应值根据函数fcost(x)计算得到。在计算一个种群粒子适应值时，需要另一个种群信息来参与计算，本发明方法设置了一种选择机制来进行计算。

选择机制：以概率r选择另一个种群的历史最优位置，以1-r概率选择另一个种群中的一个随机粒子；其中c为总迭代次数，t表示当前迭代次数。

相应地，本发明提供的了一种基于粒子群优化算法的混合空域异质飞行器路径规划装置，如图1所示，包括信息获取模块、冲突探测模块、冲突风险评估模块和路径规划模块。

信息获取模块用于获取所有飞行器的信息，包括每架飞行器的种类——有人机或无人机，出发点和目的地点，以及当前位置、初始路径等，还获取空域中的危险区域位置。

基于安全包络的冲突探测模块用于确定两飞行器是否发生冲突以及飞行器是否经过危险区域。考虑到实际空中交通管理中，各飞行器均有一定的安全范围，本发明引入安全包络建立飞行器模型，为方便计算，每架飞行器的安全包络设计为以飞行器为中心的长方体，长宽高分别为a,b,c。对应的安全包络可以表示为：{(x,y,z)||x-xi|≤a,|y-yi|≤b,|z-zi|≤c}，如图2所示，(x,y,z)是安全包络范围，a,b,c的数值可根据实际情况设置。

飞行器间的冲突探测：若两飞行器飞行轨迹中存在某一时刻，两飞行器对应的安全包络有重叠部分则认为两飞行器发生冲突，即飞行器i和飞行器j满足下列三个公式表示发生冲突：

|xi-xj|≤2a,|yi-yj|≤2b,|zi-zj|≤2c；

飞行器是否经过危险区域探测：若飞行器飞行轨迹中存在某一时刻，飞行器安全包络和危险区域有重叠，则认为飞行器经过危险区域，即飞行器i和危险区域j满足下列公式表示经过危险区域：

考虑不确定性的冲突风险评估模块用于评价在一定不确定性下飞行器的安全性。本发明中采用蒙特卡罗方法衡量不确定性对飞行安全的影响。本发明中将不确定性考虑为高斯噪声，即在每条路径上，所有的m等分点(间隔点)的位置均服从联合高斯分布(以等分点自身位置为中心)。考虑不确定性，进行抽样，每次抽样得到一个等分点附近的点作为新的路径点，连接所有的路径点得到新的路径。通过重复抽样n次，每次得到所有飞行器的一条路径，再通过基于安全包络的冲突探测模块进行冲突探测，若检测到飞行器间有冲突或飞行器经过危险区域，则认为失败，产生冲突代价，否则认为路径安全。

路径规划模块采用粒子群优化算法优化各飞行器的路径。粒子群优化算法优化的对象是所有飞行器的路径，即所有飞行器初始路径上对应的所有m等分点的坐标。优化的目标是寻找到这样的路径，使得整个空域内所有飞行器冲突风险小，且飞行成本相对较低。通过粒子群优化算法为所有飞行器寻找到合适的路径，达到冲突解脱的目的。

优化目标函数如下：

fcost(x)＝flength(x)+qfdanger(x)

其中，x代表所有飞行器的飞行路径上的间隔点坐标，fcost(x)为总共的成本函数，由两部分组成，分别是flength(x)和fdanger(x)。flength(x)代表所有路径的总长度，考虑到有人机和无人机飞行成本不同，flength(x)由两部分组成：flength(x)＝w1f¹length(x)+w2f²length(x)，其中f¹length(x)代表有人机飞行距离，f²length(x)代表无人机飞行距离，w1和w2为对应的权重，w1比w2大，且和为1。flength(x)越大，代表总体飞行距离越长，飞行成本越高。fdanger(x)为总体冲突代价，q为对应的权重系数，取值是从0到1。

设飞行器总数为k，其中，有人机k1架，无人机k2架。飞行器i的飞行路径上第j个间隔点(等分点)坐标为(xi,j,yij,,zij,)，i＝1,2,…,k。飞行器i的出发点表示为xo＝(xi,o,yi,o,zi,o)＝(xi,0,yi,0,zi,0)，飞行器i的目的地点表示为xd＝(xi,d,yi,d,zi,d)＝(xi,m,yi,m,zi,m)。

函数flength(x)＝w1f¹length(x)+w2f²length(x)；

其中，

考虑到本发明所要求解的问题较为复杂，计算量大，本发明针对该问题对粒子群算法做了一些改进。改进后的流程图如图3所示。改进粒子群优化算法通过使用两个种群分别代表有人机与无人机的路径，分别在各自的搜索空间中初始化为一群随机粒子，通过不断迭代使得两个种群找到最优解。两个搜索空间维度分别为d1＝2m1k1，d2＝2m2k2。

在迭代过程中，两个种群粒子更新速度和位置的公式相同，均跟随两个位置：自身曾经到过的最优位置，即个体最优位置和种群曾经到达过的最优位置，即全局最优位置，分别记为pbest和gbest。在本发明中，以一个种群为例，为了简化计算，采用启发式初始化，即选择一个粒子代表所有初始路径，即从出发点沿直线到目的地点的路径，其余粒子代表在对应定义域内随机生成的间隔点按序连接而成的路径，其中，设粒子k的位置记为粒子k的速度记为粒子的位置的好坏由适应值来评价，在求最小化问题中，适应值(目标函数值)越小代表粒子的位置越好。

两个种群粒子速度更新公式相同，第t代的粒子速度和位置更新公式如下：下一代的速度和位置，

vk(t+1)＝wvk(t)+c1r1(xk,pbest(t)-xk(t))+c2r2(xgbest(t)-xk(t))

xk(t+1)＝xk(t)+vk(t+1)

其中，vk(t)、xk(t)表示第t代粒子k的速度和位置；vk(t+1)、xk(t+1)表示第t+1代粒子k的速度和位置；w是惯性权重，c1,c2为学习因子，r1,r2分别为[0,1]之间的随机数；xk,pbest(t)代表到第t代粒子k曾经到达过的位置中、适应值最好的位置，代表粒子对自身历史的学习；xgbest(t)代表所有粒子曾经到达的位置中、适应值最好的位置，代表粒子对整个粒子群历史的学习。

由于计算一个种群粒子适应值时，需要另一个种群粒子的信息，本发明针对该问题，设计了一种选择机制。当计算一个种群粒子适应值时，以概率r选择另一个种群gbest位置作为基准，以1-r概率选择另一个种群随机一个粒子的位置作为基准，其中c为总迭代次数，本发明实施例中设置c为500。这种机制的选择可以更好地平衡开发和探索的平衡。在粒子群算法开始时，加强算法的探索能力，在粒子群算法算法进入中后期时，加强算法的开发能力，使得粒子群算法可以找到可以接受的解。

通过不断地向个体最优和全局最优位置的学习，将整个种群在最后找到的最优粒子位置坐标作为算法的最优解。

具体步骤如下：

步骤1：根据场景搭建模块来初始化冲突解决的相关信息，初始化粒子群优化算法的相关参数，包括初始化无人机粒子种群位置和初始化有人机粒子种群位置。

步骤2：根据步骤1得到的初始化的参数信息，计算各个粒子的适应值；

步骤3：根据适应值分别更新有人机和无人机种群个体最优位置和全局最优位置，以及种群的速度和位置；

步骤4：判断是否达到最大迭代次数，若是，则算法终止，否则返回步骤2。

如图4所示，为一个飞行器从起点到终点的飞行路径示例，o和d分别为出发点和目的地点，a、b均为3等分点，粒子群优化算法在对应截面上寻找新的a、b点，记为a’、b’，得到新的飞行路径o-a’-b’-d，从而避免冲突。

如图5所示，为最终为多飞行器获得的路径规划二维示意图，其中灰色区域为危险区域，虚线为初始飞行轨迹，实线为优化后飞行路径。