本发明涉及无人机领域,尤其是一种航路规划方法。
背景技术:
在面对障碍威胁时,无人机需要与操作员交互,进行航路规划以保证无人机可以安全的抵达任务区域。对无人机的航路规划的研究,是无人机完成任务的重要保证。
然而,在无人机航路规划的实际应用中,传统的方法一般都是操作员手动设置航路点或者无人机自主的按照任务需求进行航路规划。操作员手动设置航路点的方法在操作员工作负荷较大时难以实现,并且会导致任务效率降低;而传统的无人机自主进行航路规划往往只依据任务需求和威胁区域进行航路规划,缺乏对操作员认知状态与无人机状态的考虑,导致操作员与无人机之间太分散,不能相互配合更加高效的完成任务。
因此,有必要研究一种考虑操作员认知负荷与无人机状态的航路规划方法。充分考虑当前的人机状态与任务需求,在操作员认知负荷较低时,无人机选择一个偏激进的航路,操作员可以充分发挥主观能动性指导无人机完成任务,提高任务完成的效率;在操作员认知负荷较高时,注意力不能完全集中在无人机的操作上,此时需要无人机选择保守的航路以保证自身的生存性,延长飞行时间给操作员充分的时间来调整自身状态。
技术实现要素:
为了克服现有的航路规划方面无法平衡操作员工作负荷与无人机自主性的问题,本发明提出一种考虑操作员认知负荷的无人机航路规划方法,无人机根据操作员当前的认知状态,灵活的选择航路以实现人机协同完成任务。既保证了操作员的工作状态在的范围内,又能充分发挥无人机的自主能力。本发明是一种在考虑操作员的认知负荷下,无人机自主选择合适的路线以实现航路规划的方法。
本发明解决其技术问题所采用的技术方案包括如下步骤:
step1:操作员认知负荷计算模型
选取操作员的如下生理特征作为评估认知状态的因素,具体有:
脑率β/α:自发脑电信号β波与α波的比值;
瞳孔直径d:瞳孔直径d由眼动仪测量得到;
眨眼率e:每分钟眨眼的次数;
心率r:每分钟心脏跳动次数;
定义影响程度的级别与取值之间的对应关系如表1所示:
表1
对上述选取的操作员的脑率、瞳孔直径、眨眼率、心率4个生理因素进行归一化处理,选取表2中的归一化函数进行非线性的归一化得到状态值,每一个生理状态对操作员负荷的影响度定义为表2中的影响程度,根据该影响程度,在表1中对应取值,即可得到表2中每个生理状态的影响度取值;
表2
通过采集操作员当前的生理状态,评估操作员认知负荷,操作员认知负荷的评估函数如下:
式(1-1)中p表示操作员认知负荷,ni为第i个生理状态的归一化后的取值,即表2中的n1-n4,ui为第i个生理状态的对认知负荷的影响度取值,即表2中最后一列所对应的取值;
step2:航路代价影响参数prc的计算模型
选取通信能力、机载探测能力、剩余燃料、任务载荷、操作员认知负荷五个目标因素作为航路代价影响参数prc计算的输入量,选取的五个目标因素根据表3中的计算公式进行计算,再根据五个目标因素定义的影响程度,在表1中对应取值,即可得到表3中每个目标因素的影响度取值;
表3
表3中为vi第i个特征对prc的影响度取值,采用非线性函数将5个目标因素综合,可得到航路代价的影响参数prc:
上式中prc表示航路代价的影响参数,vi为第i属性的影响程度取值,即表3中的影响度取值一列,ci为特征因素的状态值,即对应表3中计算公式分别计算出来的c1-c5;
step3:基于改进的a*算法进行航路规划
1)规避距离的定义
规避距离d为无人机航路距威胁区域的最小距离,基于step2得到的航路代价影响参数prc,给出规避距离函数为:
d=d×(1-prc)(1-3)
上式中d为规避距离,d为最大规避距离;
2)代价函数的设计
引入操作员认知负荷无人机状态来影响代价函数,代价函数如下:
f(i)=g(i)+h(i)(1-4)
上式中,h(i)定义为从航路节点(xi,yi)到目标点(xn,yn)的代价估值,可通过下式计算,
其中,(xi,yi)分别为航路点i的x坐标和y坐标,(xn,yn)分别表示目标点的x坐标和y坐标;
g(i)为从起始点(x0,y0)到航路节点i的航路代价,计算公式如下:
式(1-6)中,i为起始节点到航路节点i-1的节点个数;k1和k2为权重系数,其中k1=1,k2为威胁代价的权重系数,lj为第j个节点和第j-1个节点的距离,wj为第j个节点受到威胁的代价,计算公式如下:
上式中wjm表示第j个点受到的来自于第m个威胁区域的威胁代价;
其中,d为规避距离由公式(1-3)得到,djm'为航路点(xj,yj)到第m个威胁区域的欧氏距离;
其中(rmx,rmy)中rm分别表示第m个威胁区域的威胁中心和威胁半径;
通过引入航路代价影响参数prc,给出规避距离d,可得到新的代价函数f’(i),将新的代价函数f’(i)利用a*算法进行航路规划,实现人机相互感知相互协作。
本发明的有益效果在于综合考虑了操作员认知负荷和无人机的状态,将人机状态的综合值作为航路规划的代价函数的参数之一,影响无人机进行航路规划时的规避距离。使得无人机在人机状态较好时,能够选择较为激进的航路来实现快速、高效的完成任务;在人机状态较差时,选择保守的航路来提高自身的安全性,保证任务完成率。本发明解决了以往航路规划,只考虑敌方威胁区域,不考虑自身状态和操作员状态的问题。提高了无人机的自主性和智能性。人机状态的共融提高了无人机的任务完成度,同时降低操作员的工作负荷。
附图说明
图1是本发明操作员认知负荷与无人机威胁系数评估关系图。
图2是a*算法的流程图
图3是实例1在采用a*算法和改进a*算法的航路图。
图4是实例2在采用a*算法和改进a*算法的航路图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
step1:操作员认知负荷计算模型
认知负荷,是在一个特别给定的工作时间内附加在人类工作记忆中的心理范围活动的总量,认知负荷反映了当前操作员的认知状态,操作员的认知负荷会直接在生理特征上表现出来,考虑到生理特征获取的可操作性,本发明选取操作员的如下生理特征作为评估认知状态的因素,具体有:
脑率β/α:自发脑电信号β波与α波的比值;
瞳孔直径d:瞳孔直径d由眼动仪测量得到;
眨眼率e:每分钟眨眼的次数;
心率r:每分钟心脏跳动次数;
定义影响程度的级别与专家给出取值之间的对应关系,如表1所示:
表1
对上述选取的操作员的脑率、瞳孔直径、眨眼率、心率4个生理因素进行归一化处理,选取表2中的归一化函数进行非线性的归一化得到状态值,每一个生理状态对操作员负荷的影响度定义为表2中的影响程度,根据该影响程度,在表1中对应取值,即可得到表2中每个生理状态的影响度取值;
表2
通过采集操作员当前的生理状态,评估操作员认知负荷,操作员认知负荷的评估函数如下:
式(1-1)中p表示操作员认知负荷,ni为第i个生理状态的归一化后的取值,即表2中的n1-n4,ui为第i个生理状态的对认知负荷的影响度取值,即表2中最后一列所对应的取值;
利用操作员认知负荷评估函数,无人机获取当前操作员的认知状态,作为无人机进行航路规划的一个考虑因素;
step2:航路代价影响参数prc的计算模型
在step1中获得操作员的认知负荷的基础上,结合无人机自身的状态,计算得到航路代价影响参数prc,通过影响代价函数来实现航路规划;
无人机当前状态涉及众多参数,考虑到执行任务的必备条件,选取通信能力、机载探测能力、剩余燃料、任务载荷、操作员认知负荷这五个目标因素作为航路代价影响参数prc计算的输入量,表3给出航路代价影响参数的考虑因素与对应计算公式,以及每个参数对航路代价参数的影响程度。
对上述选取的通信能力、机载探测能力、剩余燃料、任务载荷、操作员认知负荷根据表3中的计算公式进行计算,再根据通信能力、机载探测能力、剩余燃料、任务载荷、操作员认知负荷定义的影响程度,在表1中对应取值,即可得到表3中每个目标因素的影响度取值;
表3
表3中为vi第i个特征对prc的影响度取值,采用非线性函数将5个因素综合,可得到航路代价的影响参数prc:
上式中prc表示航路代价的影响参数,vi为第i属性的影响程度取值,即表3中的影响度取值一列,ci为特征因素的状态值,即对应表3中计算公式一列,分别计算出来的c1-c5;
step3:基于改进的a*算法进行航路规划
(1)a*算法的航路规划方法
本发明采用改进的a*算法进行无人机的航路规划,a*算法是一种启发式搜索算法,其主要思想是基于合适的代价函数,从起始节点出发,不断寻找并计算比较各个节点的代价值,选取最小代价值的节点作为下一个扩展节点,一直向下寻找最终将扩展到目标点,整个过程得到一个节点集,将这此节点有序连接起来即是所求的优化航路路线,图2给出了a*算法的流程图。具体a*算法流程如下:
①设计并构建open数据表和close数据表,open表存储计算过的但没有扩展的节点,close表存储扩展的节点;
航路节点的存储信息表示如下式所示:
node={(xp,yp),(xi,yi),g(i),h(i),f(i)}(1-11)
式中,(xp,yp)为航路节点i的父节点坐标;(xi,yi)为航路节点i的坐标;g(i)是从起始点(x0,y0)到航路节点i的航路代价;h(i)定义为从航路节点i到目标点(xn,yn)的代价估值;f(i)为经过点i(xi,yi)最低的航路代价估值,按下式计算:
f(i)=g(i)+h(i)(1-4)
②首先将起始节点加入close表,设置起始节点为当前节点。
③搜索当前节点周围的航路节点,计算它们的航路代价估值f(i)并加入open表。每次迭代时从open表选取代价f(i)最小的节点加入close表,并从open表中删除该节点。
④如果该点为目标点则终止航路规划,寻找该节点的父节点并依次寻找每个父节点的父节点,将此父节点依次排序得到航路,航路信息表示形式如下:
path={(x0,y0),(x1,y1)...(xp,yp),(xi,yi)...(xn,yn)}(1-12)
⑤如果该航路节点不是目标点,则将其视为当前节点转入步骤③,直到搜索到目标点。
将获得的航路点连接成航路曲线,即可得到a*算法的航路规划。
(2)改进的代价函数的计算模型
传统上采用a*算法进行航路规划时,航路完全沿着威胁区域的边界飞行以快速的到达任务区域,无人机从威胁区域边界飞行,受到威胁的可能性很高。本发明采用改进的a*算法进行航路规划,将操作员与无人机的状态考虑在内,设计新的代价函数,使得不同的人机状态下,可以选择不同的规避距离,提高任务效率。
①规避距离的定义
规避距离d为无人机航路距威胁区域的最小距离,规避距离越小,无人机越靠近威胁边界,航路越短,可以快速抵达目标区域;规避距离越大,无人机越远离威胁区域,保证无人机自身安全性,基于step2得到的航路代价影响参数prc,给出规避距离函数为:
d=d×(1-prc)(1-3)
上式中d为规避距离,d为最大规避距离;
②代价函数的设计
本发明对传统的a*算法的代价函数做了相关改进,引入了操作员认知负荷无人机状态来影响代价函数,具体的代价函数如下:
f(i)=g(i)+h(i)(1-4)
上式中,h(i)定义为从航路节点(xi,yi)到目标点(xn,yn)的代价估值,可通过下式计算,
其中,(xi,yi)分别为航路点i的x坐标和y坐标,(xn,yn)分别表示目标点的x坐标和y坐标。
g(i)为从起始点(x0,y0)到航路节点i的航路代价,是本发明设计的核心,计算公式如下:
式(1-9)中,i为起始节点到航路节点i-1的节点个数;k1和k2为权重系数,其中k1=1,k2为威胁代价的权重系数,lj为第j个节点和第j-1个节点的距离,wj为第j个节点受到威胁的代价,计算公式如下:
上式中wjm表示第j个点受到的来自于第m个威胁区域的威胁代价;
d为规避距离由公式1-6得到,djm'为航路点(xj,yj)到第m个威胁区域的欧氏距离;
其中(rmx,rmy)中rm分别表示第m个威胁区域的威胁中心和威胁半径;
通过引入了航路代价影响参数prc,给出规避距离,可得到新的代价函数f(i)=g(i)+h(i),将新的代价函数利用a*算法进行航路规划,使得无人机可以感知当前操作员的认知状态,依据自身状态与操作员认知负荷选择更加合适的航路,来配合操作员,实现较高意义上的人机相互感知、相互协作,提高人机交互能力和任务执行效率。
本发明的2个实例的威胁点的选取相同,威胁点的信息包括威胁点坐标和威胁半径,具体的威胁点的信息如下:
表4
实例1:无人机编队飞行,在执行任务时,需要进行航路规划。
step1:计算操作员认知负荷
无人机获取操作员当前的生理状态以计算操作员的认知负荷,获取的操作员的生理数据及处理如下表:
表5
利用式(1-1)计算得到的操作员的认知负荷为0.72。
step2:计算威胁代价影响参数prc
表8给出了需要获取的无人机参数以及相应的数据。
表6
根据式(1-2)计算得到威胁代价影响参数prc为0.19。
step3:采用改进的a*算法进行航路规划
由step2中得到的航路代价影响参数为0.19,计算规避距离:d=16.2,利用a*算法规划航路,得到图3下方的航路。
表7
如图3所示,图中上方的航路表示为由a*算法直接的得到航路,下方的航路表示采用改进的a*算法后得到的航路。在操作员与无人机状态很差时,选择的航路应该相对的保守,航程相对于较长,给了操作员充分时间调节自身状态,保证无人机的安全性和任务的完成率。
实例2:无人机编队飞行,完成任务后,返航时的路径规划。
step1:计算操作员认知负荷
无人机获取操作员当前的生理状态以评估操作员的认知负荷,获取的操作员的生理参数如下表:
表8
根据式(1-1)计算得到当前操作员的认知负荷为0.14。
step2:计算威胁代价影响参数prc
表11给出了的需要获取的参数和相应数据
表9
根据式(1-2)计算威胁代价影响参数prc为0.89,表示操作员和无人机均具备较好的状态。
step3:采用改进的a*算法进行航路规划
根据step2中得到威胁代价影响参数为0.89,得到规避距离为d=2.2,采用改进的a*算法得到图4的航路。
表10
图4中,由a*算法规划出来的航路图与考虑操作员与无人机状态的改进的a*算法的航路图基本一致,主要在于操作员与无人机当前的状态较好,态势感知能力与机动能力都处于较高水平,此时倾向于选取较短的航路,提高任务完成效率。