一种顾及DSM模型的多无人机协同三维航迹规划方法

一种顾及dsm模型的多无人机协同三维航迹规划方法
技术领域
1.本发明涉及遥感科学与技术相关的领域，尤其涉及多无人机的航迹规划算法，提供一种全自动化的规划方法。


背景技术：

2.无人驾驶飞机简称无人机(unmanned aerial vehicle,缩写uav),是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能重复使用的无人驾驶航空器。无人机与遥感技术的结合，在科技、农业、交通、医疗、应急、救援等不同应用中都得到了广泛使用，携带高分辨率摄像机的无人机更是获取航空影像必不可少的重要工具。要实现无人机的自主飞行，需要依靠路径规划指导无人机规避障碍、提高任务执行的效率，最大化节约能源、避免资源的浪费。
3.目前，无人机路径规划算法主要分为两类：一类是在起点和终点之间寻找出一条能躲避障碍的最佳飞行路径；第二类是为无人机执行完全覆盖扫描某一特定区域的飞行任务规划最优路径，此问题又称“覆盖路径规划”问题。在一些需要全面扫描目的区域的任务，如灾害搜索与救援、环境监测等任务中，需要无人机执行覆盖飞行任务全面扫描目标区域，因此需要执行第二类无人机路径规划算法。
4.现有的无人机覆盖路径规划算法多由二维的平面机器人路径规划算法升维移植而来，当空间区域在高度上有地形的起伏干扰或遭遇非规则禁飞区时，会为了避障设置极高的飞行高度，造成收集的影像分辨率差、无人机飞行轨迹不佳甚至发生错误的问题。此外，大多数路径规划算法只考虑了单个无人机的飞行任务。而在搜索救援、应急管理等大型任务中，通常是多无人机协调工作，传统无人机路径规划算法的作用效果差，无法充分发挥出多个无人机协同的优势与效率。
5.因此，无人机覆盖路径规划问题中，迫切需要一种能在三维空间内调度多无人机实现最优覆盖路径规划的航迹规划算法。本专利提出的顾及dsm模型的多无人机协同三维航迹规划方法是一种高效、可行的解决方案。


技术实现要素：

6.本发明利用dsm模型、快速凸包算法、区域分割与覆盖算法和遗传算法，针对现有的无人机覆盖路径规划算法的不足，充分利用三维区域的dsm模型坐标信息，提供一种多无人机协同三维航迹规划方法。
7.为实现上述目的，本发明解决其技术问题所采用的技术方案为：
8.本发明提供一种顾及dsm模型的一种多无人机协同三维航迹规划方法，该方法包括以下步骤：
9.步骤1、输入多无人机目标作业区域高程地形的高程栅格数据，并转化为数字地表模型(digital surface model，dsm)；
10.步骤2、利用最小外包凸多边形算法计算得到目标作业区域的抽象最小凸包，并使
用凸多边形简化算法生成特定边数的多边形区域；
11.步骤3、分割步骤2得到的多边形区域，对每个区域实行z形覆盖，确定各无人机的飞行任务区域，并将其离散化为抽象的图节点；
12.步骤4、建立航迹评价函数，用于步骤5中对每个区域的无人机航迹进行评价和优化；
13.步骤5、利用遗传算法，结合步骤4中建立的航迹评价函数规划和优化飞行任务区域的无人机航迹，直到搜索到最优解；
14.步骤6、根据步骤5中利用遗传算法得到的多个无人机的监测航迹最优解以及作业区域的dsm模型，得到无人机航迹的高程信息；
15.步骤7、将步骤6中得到的具有高程数据的无人机航迹转化为无人机可用的kml(keyhole markup language)数据，并导出。
16.进一步的，步骤2的具体实现方式为：
17.对多边形边界组成的散点集s＝{p0,p1,p2,
…
,pn}进行计算，首先获取该散点集中分别处于上、下、左、右四个方向的极点q＝{pn,ps,pe,pw}，从s中删去q，并将q中的点两两连接形成边集t＝{e0,e1,e2,e3,
…
,en}，边集t构成该算法的最初始的最小外包凸多边形，再分别计算散点集s中每个点pi与边集t中每一条边ei的距离di，并加入到距离集合r中；筛选出距离集合r中的最大距离d
max
，找到其对应的边e
max
和对应的点p
max
，将p
max
移出散点集s，并添加到集合q中，将边集t清空，将q中的点两两连接，重新计算得到新的边集t，反复迭代上述过程，直至最小外包凸多边形边界的组成的散点集s为空时停止计算，得到的边集t即是所求的最小凸包；
18.此时生成的凸包往往边数过多，因此还需对其优化，删去一部分顶点，对点集合q中的每一个顶点pi都遍历一次，并应用海伦公式：
[0019][0020]
式中s
delta
为三角形的面积，a,b,c为三角形的边长，p为三角形的半周长；
[0021]
通过上式计算其与其相邻的两个顶点pj,pk所构成的三角形之间的面积，形成面积集合a，计算完毕后，筛选出a中面积最小的三角形，并认为其对凸多边形的形状贡献最小，从q中删去贡献程度最小的点，同时重新计算t，重复上述过程，直到t中的边数小于给定的阈值∈。
[0022]
进一步的，步骤3的具体实现方法为：
[0023]
对步骤2中得到的多边形区域，在其中选取某一点m，连接m和特定边数的凸多边形区域的每个顶点，将此多边形分割为若干个三角形，每一个三角形即为一个无人机的覆盖区域；同时，为了保证覆盖面积最大化的同时尽量缩短航迹长度，采用平行于三角形三边的z字形覆盖，保证每条飞行路径都尽量平行于所规划的三角形区域的三条边之一。
[0024]
进一步的，步骤4中建立的航迹评价函数k具体为：
[0025]
k＝αs+βd
[0026]
其中，s是所有无人机机群的总飞行路程，定义为：
[0027]
[0028]
其中m为无人机群中无人机的总个数，li为第i个无人机的飞行距离；
[0029]
d是均衡度函数，定义为：
[0030]
d＝‖l‖
∞
[0031]
其中l为m个无人机的飞行距离构成的向量，l＝(l1,l2,l3,
…
,lm)
t
，lm表示第m个无人机的飞行距离，‖
·
‖
∞
为无穷范数；
[0032]
α和β是自定义的权值调整参数，用于调整两个参数在评价函数中的重要性占比，且α+β＝1。
[0033]
进一步的，步骤5中，根据步骤4中建立的航迹评价函数搜索最优解的具体方法为：
[0034]
设置需访问的节点有n个，无人机个数为m，利用遗传算法解决此搜索最优路径规划问题，具体步骤如下：
[0035]
1.添加m-1个虚节点，并将其与任意指定的0号节点两两连边形成闭合回路，不同图节点之间距离设定为无限大；
[0036]
2.个体编码：设定1～n+m-2一串连续的数字序列并随机打乱，对染色体编码；
[0037]
3.生成初始种群：设置合适的初始种群规模，并对其按照2中的编码方式随机初始化；
[0038]
4.计算适应度：对当前的种群中的每一个个体，使用步骤4中构建的评价函数作为适应度函数，计算其适应度，适应度函数值越小的个体，认为其适应度越高，适应能力越好；
[0039]
5.选择：使用轮盘赌选择算子作为选择算子，以一定的概率淘汰种群中若干适应度低的个体；
[0040]
6.交叉：对当前的种群，以交叉概率选择若干父本进行交叉算子操作，同时，为了保证种群的最优个体得以保留，当前种群中适应度最高的个体将复制一份，其中一份直接保留，另一份参与交叉操作；
[0041]
7.变异：为了维持种群的多样性，防止算法陷入局部最优解，需要依据设定的变异概率随机确定变异个体，并执行变异操作；
[0042]
8.迭代：重复4～7，直至得到满意路径时，终止迭代。
[0043]
进一步的，步骤6中，根据得到的多个无人机的监测航迹以及作业区域的dsm模型，得到无人机航迹的高程信息的具体方法为：
[0044]
利用作业区域的dsm模型，应用以下公式得到无人机航迹的高程信息：
[0045]huav
＝h
u(dsm)
+δh
[0046]
其中，h
uav
表示无人机的高程信息，δh表示在执行覆盖任务时，相对于作业区域障碍物的dsm模型的高程。h
u(dsm)
表示障碍物及其相邻领域的高程，计算方法为：
[0047]hu(dsm)
＝h
dsm
+h
dem
[0048]
其中，h
dsm
为作业区域的高程，h
dem
为障碍物的相邻领域的高程，相邻领域为以障碍物为中心的，边长为3米的正方形区域。
[0049]
进一步的，相邻领域为以障碍物为中心的，边长为3米的正方形区域。
[0050]
本发明具有的有益效果是：利用dsm模型、快速凸包算法、区域分割与覆盖算法和遗传算法，针对现有的无人机覆盖路径规划算法的不足，充分利用三维区域的dsm模型坐标信息，提供一种多无人机协同三维航迹规划方法：首先用最小外包凸多边形算法计算得到目标作业区域的抽象最小凸包，并使用凸多边形简化算法生成特定边数的多边形区域，然
后分割区域，对每个区域实行z形覆盖，确定各无人机的飞行任务区域，并将其离散化为抽象的图节点，再建立航迹评价函数，并利用此评价函数结合遗传算法求解出最优化航迹。最后根据dsm模型获得三维数据并导出为kml数据。本发明充分利用dsm模型、快速凸包算法、区域分割与覆盖算法和遗传算法，充分利用三维区域的dsm模型坐标信息，该方法在整个规划过程中仅需极短的时间就可得到极优的多无人机协同路径规划航迹，具有规划速度快，成本低，精度高，覆盖效果好的特点，同时也对多无人机协调规划、全航迹覆盖有明显优化作用，为多无人机的航迹规划领域提供了一种有效的航迹规划方法。
[0051]
综上所述，本发明可靠实用，对于多无人机的航迹规划有较好的速度和实用性，在实际多无人机的航迹规划均具体实施并获得了优异效果，实用性和可行性较好。
附图说明
[0052]
图1为生成特定边数的凸多边形区域的流程图，图1(a)-(e)展示了通过本步骤算法将散点图生成最小外包凸多边形的过程，图1(f)-(h)展示了删除特定边，从而得到特定边数的凸多边形区域的过程。
[0053]
图2为对目标区域实施z形覆盖的示意图，图2(a)是将多边形分割为若干个三角形的示意图，图2(b)是采用平行于三角形三边的z字形覆盖示意图。
[0054]
图3为利用dsm模型获取无人机航迹的高程信息的示意图，图3(a)表示无人机群以较低的高度差δh飞行的示意图，abcd是dsm模型的剖面图，ef为无人机的实际飞行路径；图3(b)为飞行路径中出现障碍物的示意图；图3(c)是修正障碍物的高程信息后，无人机的飞行路线示意图。
[0055]
图4为本发明实施例流程图。
具体实施方式
[0056]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及附图标记对本发明进行更详细的说明，使熟悉本领域的技术人在研读本说明书后能据以实施。应当理解，此处所描述的具体实施例是指示性的，仅用以解释本发明，并不用于限定本发明。基于本发明申请的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
[0057]
实施例提供的一种顾及dsm模型的一种多无人机协同三维航迹规划方法，具体实现方法包括以下步骤：
[0058]
步骤1、输入多无人机目标作业区域高程地形的高程栅格数据，并转化为数字地表模型(digital surface model，dsm)；
[0059]
步骤2、利用最小外包凸多边形算法计算得到目标作业区域的抽象最小凸包，并使用凸多边形简化算法生成特定边数的多边形区域；
[0060]
步骤3、分割步骤2得到的多边形区域，对每个区域实行z形覆盖，确定各无人机的飞行任务区域，并将得到的航迹离散化为抽象的图节点；
[0061]
步骤4、建立航迹评价函数，用于步骤5中对每个区域的无人机航迹进行评价和优化；
[0062]
步骤5、利用遗传算法，结合步骤4中建立的航迹评价函数规划和优化飞行任务区
域的无人机航迹，直到搜索到最优解；
[0063]
步骤6、根据步骤5中利用遗传算法得到的多个无人机的监测航迹最优解以及作业区域的dsm模型，得到无人机航迹的高程信息；
[0064]
步骤7、将步骤6中得到的具有高程数据的无人机航迹转化为无人机可用的kml(keyhole markup language)数据，并导出。
[0065]
进一步地，本发明步骤2中计算目标作业区域的抽象最小凸包，并使用凸多边形简化算法生成特定边数的多边形区域的具体方法为：
[0066]
对多边形边界组成的散点集s＝{p0,p1,p2,
…
,pn}，进行计算，首先获取该散点集中分别处于上、下、左、右四个方向的极点q＝{pn,ps,pe,pw}，从s中删去q，并将q中的点两两连接形成边集t＝{e0,e1,e2,e3,
…
,en}，该边集t构成该算法的最初始的最小外包凸多边形。再分别计算散点集s中每个点pi与边集t中每一条边ei的距离di，并加入到距离集合r中。筛选出距离集合r中的最大距离d
max
找到其对应的边e
max
和对应的点p
max
。将p
max
移出散点集s，并添加到集合q中，将边集t清空，将q中的点两两连接，重新计算得到新的边集t。反复迭代上述过程，直至最小外包凸多边形边界组成的散点集s为空时停止计算，得到的边集t即是所求的最小凸包。
[0067]
此时生成的凸包往往边数过多，因此还需对其优化，删去一部分顶点。对点集合q中的每一个顶点pi都遍历一次，并应用海伦公式：
[0068][0069]
式中s
delta
为三角形的面积，a,b,c为三角形的边长，p为三角形的半周长。
[0070]
通过该式计算其与其相邻的两个顶点pj,pk所构成的三角形之间的面积，形成面积集合a。计算完毕后，筛选出a中面积最小的三角形，并认为其对凸多边形的形状贡献最小，从q中删去贡献程度最小的点，同时重新计算t。重复上述过程，直到t中的边数小于给定的阈值∈。
[0071]
图1(a)-(e)展示了通过本步骤算法将散点图生成最小外包凸多边形的过程。
[0072]
图1(f)-(h)展示了删除特定边，从而得到特定边数的凸多边形区域的过程。
[0073]
进一步地，本发明步骤3中分割区域、实行z形覆盖，并将航迹离散化为抽象图节点的具体方法为：
[0074]
对步骤2中得到的多边形区域，在其中选取某一点m，连接m和特定边数的凸多边形区域的每个顶点，将此多边形分割为若干个三角形，如图2(a)所示，每一个三角形即为一个无人机的覆盖区域。同时，为了保证覆盖面积最大化的同时尽量缩短航迹长度，本发明采用了平行于三角形三边的z字形覆盖，保证每条飞行路径都尽量平行于所规划的三角形区域的三条边之一，如图2(b)所示。
[0075]
之后，将生成的路径离散化成若干个抽象的图节点。
[0076]
进一步地，本发明步骤4中建立的航迹评价函数k具体为：
[0077]
k＝αs+βd
[0078]
其中，s是所有无人机机群的总飞行路程，定义为：
[0079]
[0080]
其中m为无人机群中无人机的总个数，li为第i个无人机的飞行距离。
[0081]
d是均衡度函数，定义为：
[0082]
d＝‖l‖
∞
[0083]
其中l为m个无人机的飞行距离li构成的向量，l＝(l1,l2,l3,
…
,lm)
t
。‖
·
‖
∞
为无穷范数。
[0084]
α和β是自定义的权值调整参数，用于调整两个参数在评价函数中的重要性占比。α+β＝1始终成立。本方法中，认为两因素的影响程度相同，故设定α＝β＝0.5。
[0085]
从评价函数的定义容易发现，k越小，建立的航迹路径越优。
[0086]
步骤4中评价函数的构建原理为：
[0087]
要对算法规划的航迹进行评价，首先需要保证其资源不会被浪费。考虑无人机群的总路程，显然，总路程越短的航迹消耗的燃油等资源更少，因此总路程越短越好。
[0088]
同时，由于多无人机的调度具有同时性(多个无人机同时出发进行航迹覆盖)、协同性，因此多个无人机的巡航时间近似时，代表各个无人机分配到的工作量一致，能做到同时出发、同时返回，有利于下一次的调度。因此，考虑总路程相等的多个路径，显然最长路程最短的那一种路径最好。当一个路程中，所有无人机的路径长度都相等时，均衡度函数d达到其最小值。
[0089]
评价函数k显示，好的航迹路线规划应当保证在总路程尽量短的情况下，尽量平衡所有无人机的飞行路程和时间。
[0090]
进一步地，根据步骤4中建立的航迹评价函数搜索最优解的具体方法为：
[0091]
假设需访问的图节点有n个，无人机个数为m，利用遗传算法解决此搜索最优路径规划问题，具体步骤如下：
[0092]
1.添加m-1个虚节点，并将其与任意指定的0号节点两两连边形成闭合回路，不同图节点之间距离设定为无限大；
[0093]
2.个体编码：设定1～n+m-2一串连续的数字序列并随机打乱，对染色体编码；
[0094]
3.生成初始种群：设置合适的初始种群规模，并对其按照2中的编码方式随机初始化；
[0095]
4.计算适应度：对当前的种群中的每一个个体，使用步骤4中构建的评价函数作为适应度函数，计算其适应度。适应度函数值越小的个体，认为其适应度越高，适应能力越好；
[0096]
5.选择：使用轮盘赌选择算子作为选择算子，以一定的概率淘汰种群中若干适应度低的个体；
[0097]
6.交叉：对当前的种群，以交叉概率选择若干父本进行交叉算子操作。同时，为了保证种群的最优个体得以保留，当前种群中适应度最高的个体将复制一份，其中一份直接保留，另一份参与交叉操作；
[0098]
7.变异：为了维持种群的多样性，防止算法陷入局部最优解，需要依据设定的变异概率随机确定变异个体，并执行变异操作；
[0099]
8.迭代：重复4～7，直至得到满意路径时，终止迭代。
[0100]
将步骤2中得到的特定边数的凸多边形边界作为边界限制条件，在采用上述遗传算法进行求解，可以确定步骤2中所述的“合适的点m”。
[0101]
进一步地，步骤6中，根据之前得到的多个无人机的监测航迹以及作业区域的dsm
模型，得到无人机航迹的高程信息的具体方法为：
[0102]
利用作业区域的dsm模型，应用以下公式得到无人机航迹的高程信息：
[0103]huav
＝h
u(dsm)
+δh
[0104]
其中，h
uav
表示无人机的高程信息，δh表示在执行覆盖任务时，相对于作业区域障碍物的dsm模型的高程。h
u(dsm)
表示障碍物及其相邻领域的高程，计算方法为：
[0105]hu(dsm)
＝h
dsm
+h
dem
[0106]
其中，h
dsm
为作业区域的高程，h
dem
为障碍物的相邻领域的高程，相邻领域为以障碍物为中心的，边长为3米的正方形区域。
[0107]
步骤6中，计算h
uav
的原理为：
[0108]
为了贴合航迹的二维平面模型，同时尽量降低高度以获得更高分辨率的图像，无人机群应在作业区域的高程信息的基础上，以一个较低的高度差δh飞行，如图3(a)所示，abcd是dsm模型的剖面图，ef为无人机的实际飞行路径。但在遭遇障碍物时，由于无人机的飞行惯性，无法做到直接升高或降低高度，因此可能撞到障碍物上，发生危险，如图3(b)。为解决这一问题，将障碍物附近的领域也纳入高程信息中，将障碍物的高程信息修正，使得无人机能更好躲避障碍物。修正障碍物的高程信息后，无人机的飞行路线如图3(c)所示。
[0109]
以上所述各步骤，仅为本发明具体实施方式，相关技术人员完全可以在不偏离本发明思想的范围内，进行多样的变更及修改。但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。