多任务无人机的路径规划校验与多平台控制系统及方法与流程

本发明属于无人机技术领域，具体涉及一种多任务无人机的路径规划校验与多平台控制系统及方法。

背景技术：

四轴飞行器近年来在农业植保、侦察探测、抢险救援、信息中继等领域得到广泛应用。然而传统的单一四轴飞行器在执行任务时会有很多的局限性：

比如在航拍领域，但单飞行器进行航拍时只能得到一个视角的图像，不能全方位地进行监测；在快递运送领域，单架四轴飞行器运输量不足，如果做成大负载的四轴飞行器，在进行小量运输时又会造成资源浪费；在森林防火监测时单个四轴飞行器的监测效率低，监控范围与精度不足等。

技术实现要素：

针对上述存在的技术问题，本发明提供一种多任务无人机的路径规划校验与多平台控制系统，包括：包括无人机和地面站；

所述无人机包括飞控板、机载计算机、gps模块、通讯模块和飞行器；所述飞控板分别与机载计算机、gps模块和飞行器连接；所述通讯模块与飞控板连接；

在进行最佳路径的仿真校验时，所述地面站与无人机的飞控板和机载计算机通过数据线连接；

在进行多平台控制时，所述地面站与无人机的通讯模块之间建立通信链路总线。

所述地面站为pc，其控制系统中包括目标规划系统、路径规划系统、多平台控制系统和基于jmavsim模拟器和无人机数学模型的仿真系统。

所述通讯模块采用433m无线模块。

一种多任务无人机的路径规划校验与多平台控制系统的控制方法，采用上述的多任务无人机的路径规划校验与多平台控制系统，包括以下步骤：

步骤1，在地面站的控制系统中建立基于k-means方法的目标规划系统；将n个待侦察目标作为数据对象进行聚类分析，采用k-means方法，包括以下步骤：

步骤1.1，从n个数据对象中任意选择l个数据对象作为聚类中心；

步骤1.2，将聚类中心以外的l-n个数据对象作为聚类对象，计算每个聚类对象与各个初始聚类中心的距离，并将每个聚类对象归类于距离其最近的初始聚类中心，得到l个聚类；

步骤1.3，对每一个聚类，求聚类中所有数据对象的平均中心；

步骤1.4，计算聚类的平均中心和聚类中心的距离；如果距离小于阈值，则终止计算，得到l个聚类；否则，将平均中心作为聚类中心，返回步骤1.2；

步骤2，在地面站的控制系统中建立基于蚁群算法的路径规划系统；采用蚁群算法对各聚类内的待侦察目标进行路径规划；

步骤2.1，针对l个聚类中任意一个聚类l，包括c个待侦察目标，将各个待侦查目标的位置设置在路径规划系统中；

路径规划系统中，所有目标之间两两生成连线，作为无人机从某一目标出发时可选择的路径，即两点路径；为该路径赋予相应的信息素浓度初值di；信息素浓度初值di与两点路径上作为起点的目标的自身价值vj成正比关系，即di＝k×vj，其中k为比例系数；

步骤2.2，所述聚类l包括d个无人机起飞基地和布置在各个无人机起飞基地的e架无人机；

将距离每个无人机起飞基地最近的目标设为起始目标，得到与每个无人机起飞基地对应的d个起始目标；

控制各个无人机起飞基地的e架无人机飞行至对应的各个起始目标上；

步骤2.3，控制各个无人机从自身所在的目标随机的向其它目标飞行，并设定其不会飞至本步骤中已经过的目标，具体控制方法为：

无人机从起始目标上出发，飞行至下一目标；无人机在任意目标上，均有c-1条可选的两点路径，选择其中任意一条指向其尚未到达过的目标的两点路径；

当无人机遍历过全部的c个待侦察目标后，将其经过的c-1条两点路径进行记录并整合为一条完整路径，回归起始目标；

反复执行上述内容，得到若干条完整路径，直至实验结束；

无人机的飞行过程中，在经过的两点路径上释放信息素，随着时间推移，信息素会逐渐消散；

该段两点路径的实际信息素浓度为信息素浓度初值di在信息素的释放与消散共同作用后结果；因此，某一两点路径上无人机越多，其实际信息素浓度越高；路径规划系统根据实际信息素浓度情况，控制各个无人机优先沿实际信息素浓度高的路径飞行；

步骤2.5，得到聚类l中的信息素浓度最高的完整路径，即优选路径p；

根据本步骤所述方法，得到各个聚类的优选路径；

步骤2的内容全部在路径规划系统中运算完成，不进行实际飞行；

步骤3，地面站的控制系统以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；

步骤3.1，计算优选路径p的探测目标总价值minf1：

探测目标总价值minf1的构成因素包含各个待探测目标的自身价值和探测成功率，其表述为：

式中，prlp为聚类l的无人机按照优选路径p行动时，对该路径上第j个目标的探测成功率；

在路径p上的第j个目标记为jp，vj为jp的自身价值，vjp为jp在路径p上的价值；vmax为vjp的最大值；

xlp为聚类l中经过优选路径p的无人机数量；

na为各个聚类中无人机数量的总和；

步骤3.2，计算优选路径p的总飞行距离minf2：

式中，dlp为聚类l的无人机按照路径p行动时的飞行距离总和；

rl为uav作战半径；

为最长路径的长度，

λ1，λ2为权重，λ1+λ2＝1，λ1,λ2≥0；

1/rlna为规划因子；

根据上述方法，得到各个聚类的优选路径的探测目标总价值和最小的总飞行距离；

步骤3.3，计算目标执行价值f3；

最佳路径的生成过程受到探测目标总价值minf1和总飞行距离minf2的影响；计算各个优选路径的目标执行价值f3：

f3＝k1*minf1+k2minf2

k1、k2为权重，k1+k2＝1，k1,k2≥0；

步骤4，生成最佳路径；

为实现最大的目标价值，进行g次价值计算，即重复执行g次步骤2-步骤3；每次进行价值计算时，给予不同的比例系数k，计算不同的k带来的g组目标执行价值f3；

地面站的控制系统取目标执行价值f3最小的优选路径为最佳路径，计算得到的结果上传至无人机的飞控系统，作为无人机的实际飞行路径；

步骤5，地面站控制系统对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。

所述步骤5中，对最佳路径进行仿真校验，具体方法为：

在地面站的控制系统中建立基于jmavsim模拟器和无人机数学模型的仿真系统，对无人机进行硬件在环半物理仿真；

将无人机的飞控板和机载计算机从飞机上拆下，并与地面站通过数据线连接；地面站的仿真系统给出不同的飞行环境参数，通过飞控板和机载计算机收到的信号和所给出的指令，模拟无人机的飞行状况；

飞控板和机载计算机根据实际飞行路径生成对飞行器的飞控指令，即对各螺旋桨转速的控制指令；

地面站的仿真系统实时读取飞控系统的飞控指令，并根据无人机数学模型，解算无人机在飞控指令下的飞行轨迹，并将解算出的无人机位置、速度、方向等信息实时返回飞控板和机载计算机，由其生成下一步飞控指令，由此校验实际飞行路径的可靠性，直至人为终止仿真过程。

所述步骤5，在无人机实际飞行的过程中，根据多平台控制系统控制无人机动作，具体为：

各架无人机将自身位置、速度信息以及摄像信息实时传递至通信链路总线，同时从通信链路总线实时共享其它无人机的相关信息，同时地面站根据所述信息进行各架无人机的路径规划，在无人机集群飞行过程中不断更新各架无人机的飞行路径指令，实现无人机编队飞行效果的最优化。

本发明的有益效果：

本发明提出一种多无人机任务的路径规划方法，能够自动对无人机的飞行路径进行规划，使得无人机在执行任务的过程中，获得最大的收益，同时能够最大程度的减小飞行距离、缩短飞行时间，提高无人机执行任务的效率。

本发明设计合理，易于实现，具有很好的实用价值。

附图说明

图1为本发明具体实施方式中所述路径规划校验与多平台控制系统在最佳路径的仿真校验时的连接示意图；

图2为本发明具体实施方式中所述路径规划校验与多平台控制系统在进行多平台控制时的连接示意图。

图中：1、地面站；2、飞控板；3、机载计算机；4、gps模块；5、通讯模块；6、飞行器；7、通信链路总线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明做出进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提出一种多任务无人机的路径规划校验与多平台控制系统，包括无人机和地面站1；

所述无人机包括飞控板2、机载计算机3、gps模块4、通讯模块5和飞行器6；所述飞控板2分别与机载计算机3、gps模块4和飞行器6连接；所述通讯模块5与飞控板2连接；

所述地面站1为pc，其控制系统中包括目标规划系统、路径规划系统、多平台控制系统和基于jmavsim模拟器和无人机数学模型的仿真系统；

在进行最佳路径的仿真校验时，如图1所示，所述地面站1与无人机的飞控板2通过数据线连接；

在进行多平台控制时，如图2所示，所述地面站1与无人机的通讯模块5之间建立通信链路总线7；

所述通讯模块5采用433m无线模块；

本发明提出一种多任务无人机的路径规划校验与多平台控制系统的控制方法，采用上述的多任务无人机的路径规划校验与多平台控制系统，包括以下步骤：

步骤1，在地面站1的控制系统中建立基于k-means方法的目标规划系统；将n个待侦察目标作为数据对象进行聚类分析，采用k-means方法，包括以下步骤：

步骤1.1，从n个数据对象中任意选择l个数据对象作为聚类中心；

步骤1.2，将聚类中心以外的l-n个数据对象作为聚类对象，计算每个聚类对象与各个初始聚类中心的距离，并将每个聚类对象归类于距离其最近的初始聚类中心，得到l个聚类；

步骤1.3，对每一个聚类，求聚类中所有数据对象的平均中心；

步骤1.4，计算聚类的平均中心和聚类中心的距离；如果距离小于阈值，则终止计算，得到l个聚类；否则，将平均中心作为聚类中心，返回步骤1.2；

步骤2，在地面站1的控制系统中建立基于蚁群算法的路径规划系统；采用蚁群算法对各聚类内的待侦察目标进行路径规划；

步骤2.1，针对l个聚类中任意一个聚类l，包括c个待侦察目标，将各个待侦查目标的位置设置在路径规划系统中；

路径规划系统中，所有目标之间两两生成连线，作为无人机从某一目标出发时可选择的路径，即两点路径；为该路径赋予相应的信息素浓度初值di；信息素浓度初值di与两点路径上作为起点的目标的自身价值vj成正比关系，即di＝k×vj，其中k为比例系数；

步骤2.2，所述聚类l包括d个无人机起飞基地和布置在各个无人机起飞基地的e架无人机；

将距离每个无人机起飞基地最近的目标设为起始目标，得到与每个无人机起飞基地对应的d个起始目标；

控制各个无人机起飞基地的e架无人机飞行至对应的各个起始目标上；

步骤2.3，控制各个无人机从自身所在的目标随机的向其它目标飞行，并设定其不会飞至本步骤中已经过的目标，具体控制方法为：

无人机从起始目标上出发，飞行至下一目标；无人机在任意目标上，均有c-1条可选的两点路径，选择其中任意一条指向其尚未到达过的目标的两点路径；

当无人机遍历过全部的c个待侦察目标后，将其经过的c-1条两点路径进行记录并整合为一条完整路径，回归起始目标；

反复执行上述内容，得到若干条完整路径，直至实验结束；

无人机的飞行过程中，在经过的两点路径上释放信息素，随着时间推移，信息素会逐渐消散；

该段两点路径的实际信息素浓度为信息素浓度初值di在信息素的释放与消散共同作用后结果；因此，某一两点路径上无人机越多，其实际信息素浓度越高；路径规划系统根据实际信息素浓度情况，控制各个无人机优先沿实际信息素浓度高的路径飞行；

步骤2.5，得到聚类l中的信息素浓度最高的完整路径，即优选路径p；

根据本步骤所述方法，得到各个聚类的优选路径；

步骤2的内容全部在路径规划系统中运算完成，不进行实际飞行；

步骤3，地面站1的控制系统以取得最大的探测目标总价值和最小的总飞行距离为目标，进行聚类分析；

步骤3.1，计算优选路径p的探测目标总价值minf1：

探测目标总价值minf1的构成因素包含各个待探测目标的自身价值和探测成功率，其表述为：

式中，prlp为聚类l的无人机按照优选路径p行动时，对该路径上第j个目标的探测成功率；

在路径p上的第j个目标记为jp，vj为jp的自身价值，vjp为jp在路径p上的价值；vmax为vjp的最大值；

xlp为聚类l中经过优选路径p的无人机数量；

na为各个聚类中无人机数量的总和；

步骤3.2，计算优选路径p的总飞行距离minf2：

式中，dlp为聚类l的无人机按照路径p行动时的飞行距离总和；

rl为uav作战半径；

为最长路径的长度，

λ1，λ2为权重，λ1+λ2＝1，λ1,λ2≥0；

1/rlna为规划因子；

根据上述方法，得到各个聚类的优选路径的探测目标总价值和最小的总飞行距离；

步骤3.3，计算目标执行价值f3；

最佳路径的生成过程受到探测目标总价值minf1和总飞行距离minf2的影响；计算各个优选路径的目标执行价值f3：

f3＝k1*minf1+k2minf2

k1、k2为权重，k1+k2＝1，k1,k2≥0；；

步骤4，生成最佳路径；

为实现最大的目标价值，进行g次价值计算，即重复执行g次步骤2-步骤3；每次进行价值计算时，给予不同的比例系数k，计算不同的k带来的g组目标执行价值f3；

地面站1的控制系统取目标执行价值f3最小的优选路径为最佳路径，计算得到的结果上传至无人机的飞控系统，作为无人机的实际飞行路径；

步骤5，地面站1的控制系统对最佳路径进行仿真校验，并控制无人机根据最佳路径进行实际飞行。

所述步骤5中，对最佳路径进行仿真校验，具体方法为：

在地面站1的控制系统中建立基于jmavsim模拟器和无人机数学模型的仿真系统，对无人机进行硬件在环半物理仿真；

将无人机的飞控板2和机载计算机3从飞机上拆下，并与地面站1通过数据线连接；地面站1的仿真系统给出不同的飞行环境参数，通过飞控板2和机载计算机3收到的信号和所给出的指令，模拟无人机的飞行状况；

飞控板2和机载计算机3根据实际飞行路径生成对飞行器6的飞控指令，即对各螺旋桨转速的控制指令；

地面站1的仿真系统实时读取飞控系统的飞控指令，并根据无人机数学模型，解算无人机在飞控指令下的飞行轨迹，并将解算出的无人机位置、速度、方向等信息实时返回飞控板2和机载计算机3，由其生成下一步飞控指令，由此校验实际飞行路径的可靠性，直至人为终止仿真过程；

所述步骤5，在无人机实际飞行的过程中，根据多平台控制系统控制无人机动作，具体为：

各架无人机将自身位置、速度信息以及摄像信息实时传递至通信链路总线7，同时从通信链路总线7实时共享其它无人机的相关信息，同时地面站1根据所述信息进行各架无人机的路径规划，在无人机集群飞行过程中不断更新各架无人机的飞行路径指令，实现无人机编队飞行效果的最优化。