一种太阳能飞机自主寻优航迹规划方法与流程

本发明涉及一种太阳能飞机自主寻优航迹规划方法。

背景技术：

长航时太阳能飞机是一种利用太阳能作为主要能源供给系统，并能在低、高空连续飞行数周以上的无人驾驶飞行器。因其可以完成卫星的侦察、预警、大气观测、中继通信等大部分工作，因此，长航时太阳能飞机目前正受到各航空航天大国的关注。现今的太阳能无人飞行器，结合高度优化的气动外形和高效太阳能充电系统，长航时飞行的能力不断提高。例如，“天空使者”和“西风”无人飞行器已经实现多天飞行或者是“名义”上的永久飞行。前述两者可以分别代表当前太阳能无人机的两个发展趋势，即低空长航时(LALE)小展弦比飞行器和高空长航时(HALE)大展弦比飞行器。

相比之下，低空长航时小型化的太阳能飞行器，由于自身结构复杂性低、体积小、发射(起飞)方式简单，更适合搜索和营救、侦查和测绘等任务。然而上述任务都需要建立在细致的任务路径上执行，为保证任务完成的效率和质量，需要对飞行器的路径进行规划，经过优化算法并分析各方面因素对目标函数取值的影响，从而获取路径规划的最优结果。太阳能无人机也面临着许多严峻的挑战，例如结构轻量化设计引起的对环境条件的敏感性，飞行速度低，对太阳辐照度的严重依赖等，其中太阳辐照度对太阳能电池板的效率有非常大的影响，直接影响着太阳能无人机的工作状态。基于上述因素，要使太阳能无人机实现长期良好状态的运行，在气象环境下执行详细计划任务的能力对于太阳能无人机的长期飞行来说是必不可少而且十分重要的。

技术实现要素：

根据本发明的一个方面，提供了一种太阳能飞机自主寻优航迹规划方法，其特征在于包括：

A)确定系统模型，该系统模型包括：

对太阳能电池板发电功率、系统功率消耗、电池电量状态的评估；

包括地速，空速，风速的飞行动力学参数；

飞行控制器，其是无人飞行器的逻辑决策单元，依据系统状态决定飞行的空速，

包括云层厚度和分布、降水、风向和等级的气象预测数据，

决定飞行器飞行路线的太阳辐照度，其影响飞行器的太阳能电池板发电功率和飞行器的飞行参数，

B)构建目标函数，其中要求所规划的航迹使得所构建的目标函数的值最小，

目标函数是包括飞行时间、环境成本、和系统代价的影响因素的加权组合，其中，

环境成本是指环境因素对飞机飞行安全的响应，包括强风，阵风，湿度，降水量和风暴，

系统代价包括电池电荷状态、功率消耗、功率产生，

为了得到一致的加权求和，目标函数的影响因素的代价函数表示为：

其中，

通过调节参数α_k，β_k，ε_k，控制各个因素对于目标函数代价值的影响，α_k，β_k确定了代价值边界的最低阈值和最高上限，

使用Heaviside函数H(x)，当变量值x低于阈值时不产生消耗，表示该因素不在临界范围，不需要做特别考虑；当变量值x高于上限值时，表示该因素对飞行器的飞行安全有严重影响并会影响航迹规划的结果，

ε_k决定了代价曲线的形状，

C)根据定义的目标函数，使用随机森林算法规划飞行器的航迹，

其中，

采用随机森林算法，通过叠加所有考虑的影响因素的代价，并在飞行时间内进行积分，来计算路径的目标函数累积代价，路径的目标函数累积代价定义为：

其中k＝1,2,…，n是影响因素类别。

附图说明

图1是根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法所基于的系统模型图。

图2是根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法所基于的算法设计和组成模块图。

图3是根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法所涉及的随机森林算法结构图。

图4是根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法所涉及的随机森林算法流程图。

图5是根据本发明的一个实施例的太阳能飞机自主寻优航迹规划方法所涉及的横向多重随机森立算法设计流程图。

具体实施方式

根据本发明的太阳能飞机自主寻优航迹规划方法将无人机的系统模型与气象条件紧密结合，设计目标是在部分多云的条件下，使用随机森林算法根据气象数据对飞行器的飞行路径进行规划，从而实现飞行器的多天飞行，保证飞行器飞行安全并按要求完成用户规定的任务。

根据本发明的太阳能飞机自主寻优航迹规划方法所基于的系统模型和算法包括气象预测数据、系统动力和能量模型、目标函数(代价函数)及初始条件、出发/到达位置及离散网格、随机森林算法、路径优化结果(规划路径信息)。系统模型同时考虑了飞行动力学特性、太阳能飞机的消耗功率和产生功率。要求规划的路径对于定义的目标函数，使得目标函数值最小。目标函数建立包含的各个环境因素包括气象条件(太阳辐照度，降水量)以及飞行器自身参数(功率消耗，电池电量状态)。气象条件是由气象预报的实时数据进行仿真绘制三维的网格。该方法通过建立综合的目标函数，考虑了多方面因素对飞行器飞行安全的影响，可以灵活的分析历史数据提前规划飞行任务，也可以高效快速的进行在线飞行路径修正。

以下结合图1-图5，详细说明本发明的具体实施方案。

如图1所示的，是根据本发明的太阳能飞机自主寻优航迹规划方法所基于的系统模型；该系统的核心考虑是估计系统的能量平衡，包括对太阳能电池板发电功率(1005)，系统功率消耗(发动机和电子设备)(1006)，以及电池电量状态(1004)等系统状态量的评估；飞行动力学参数包括地速，空速，风速(1007)等。飞行控制器(1003)是无人飞行器的逻辑决策单元，依据系统状态决定飞行的空速。在维持一定地速飞行时，顺风时需要减小空速，逆风需要增加空速；在电池满电时若有过余的太阳能发电功率，允许飞行增加飞行高度，储存高度势能用于滑翔飞行。气象预测数据(1001)(云层厚度和分布，降水，风向和等级)决定飞行器飞行路线的太阳辐照度(1002)，进而影响飞行器的太阳能电池板发电功率和飞行器的飞行参数。

如图2所示的，是根据本发明的太阳能飞机自主寻优航迹规划方法所基于的系统模型和算法的构造，其包括气象预测数据(2001)，系统(动力和能量)模型(2005),目标函数(代价函数)(2006)及初始条件(2002)，出发/到达位置(2003)及决策网格(2004)，随机森林算法(2007)，路径优化结果(2009)(规划路径信息(2010))，目标函数值(代价值)(2008)。该系统模型同时考虑飞行动力学特性，太阳能飞机的消耗功率和产生功率。气象条件(2001)由气象预报的实时数据进行仿真绘制三维的网格。目标函数(2006)建立包含的各个环境因素：气象条件(太阳辐照度，降水量)，以及飞行器自身参数(功率消耗，电池电量状态)。要求所规划的路径对于定义的目标函数，使得目标函数值最小。

目标函数(2006)是飞行时间，环境成本，和系统代价的加权组合。环境成本是指环境因素对飞机飞行安全的响应，该参数可以直接从气象预测数据中得出，包括强风，阵风，湿度，降水量和风暴。系统代价包括电池电荷状态，功率消耗，及功率产生等。为了得到一致的加权求和，目标函数的影响因素的代价函数表示为：

可以通过调节参数α_k，β_k，ε_k，控制各个因素对于目标函数代价值的影响。α_k，β_k确定了代价值边界的最低阈值和最高上限。使用Heaviside函数H(x)，当变量值x低于阈值时不产生消耗，表示该因素不在临界范围，不需要做特别考虑；当变量值x高于上限值时，表示该因素对飞行器的飞行安全有严重影响，这会影响路径规划的结果。ε_k决定了代价曲线的形状。

随机森林算法(2007)在优化路径过程中，通过叠加所有考虑的影响因素的代价，并在飞行时间内进行积分，来计算路径的目标函数累积代价。路径的目标函数累积代价定义为：

其中k＝1,2,…，n是影响因素类别。随机森林算法的一个重要特点是变量重要性的评估。随机森林算法通常提供4种变量重要性度量。随机森林算法采用基于袋外数据分类准确率的变量重要性度量。基于袋外数据分类准确率的变量重要性度量，定义为袋外数据自变量值发生轻微扰动后的分类正确率与扰动前分类正确率的平均减少量。

假设有bootstrap样本b＝1,2,…,B，B表示训练样本个数，特征x_j的基于分类准确率的变量重要性度量按照下面的步骤计算：

(1)设置b＝1，在训练样本上创建决策树T_b，并将袋外数据标记为

(2)在袋外数据上使用T_b对数据进行分类，统计正确分类的个数，记为

(3)对于特征X_j，j＝1，2，…，N，对中的特征x_j的值进行扰动，扰动后的数据集记为使用T_b对数据进行分类，统计正确分类的个数，记为

(4)对于b＝2,3,…,B，重复步骤(1)～(3)。

(5)特征x_j的变量重要性度量通过下面的公式进行计算：

根据定义的目标函数(2006)，使用随机森林算法(2007)进行规划飞行器的飞行路径，规划的结果与用户在算法中对于各个参数(环境影响因素)因子的权重选取的情况有关。算法给出路径规划的结果，绘制目标函数值曲线，以及飞行器最优的路径信息。

如图3所示，随机森林算法结构，生成随机森林的步骤如下：

(1)从原始训练数据集(3001)中，应用bootstrap方法有放回地随机抽取K个新的自主样本集(3002)，并由此构建K棵决策树(3004)，每次未抽到的样本组成了K个袋外数据(3003)(Out-of-bag,OOB)。

(2)设有N个特征，则在每一棵树的每个节点处随机抽取m_try个特征(m_try≤N)，通过计算每个特征蕴含的信息量，在m_try个特征中选择一个最具有分类能力的特征进行节点分裂。

(3)每棵树最大限度地生长，不做任何裁剪。

(4)将生成的多棵树组成随机森林(4006)，用随机森林对测试数据(4005)进行决策，分类结果(3005)按树分类器的投票多少而定(3006)。

在随机森林算法(4006)中，当决策树分类器足够多，h_k(X)＝h(X，θ_k)服从强大数定律。随着随机森林中决策树数量的增加，所有序列θ₁，θ₂，…，θ_k，PK^*几乎处处收敛于

这表明随机森林不会随着决策树的增加而产生过拟合问题，但可能会产生一定限度内泛化误差。泛化误差定义为：

PE^*＝P_X，Y(mg(X，Y)＜0)

其中下标X、Y表示概率P覆盖X、Y空间。

如图4所示，随机森林算法的流程图。随机森林算法是一种统计学习理论的自然的非线性建模工具，训练多个树状的分类器，组合多棵决策树的预测，最终通过投票得出预测结果。

随机森林应用自助法重采样技术生成整个决策树分类器，单个决策树的生成过程如下：首先对原始样本数数据(4001)进行预处理(4002)，然后从数据总量为N的原始样本数据(4001)中采取有放回抽样的方法随机抽取样本(4003)，重复k(树的数目ntree值为k)次形成一个新的训练数据集(4004)，以此生成一颗分类树(3004)。

每个自助样本集生长为单棵分类树，该自助样本集是单棵分类树的全部训练数据，设有N个输入特征，则在树的每个节点处，从N个特征中随机挑选m_try个特征，按照节点不纯度最小的原则从这m_try个特征中选出一个特征进行分支生长，然后再分别递归调用上述过程构造各个分枝，直到这棵树能准确地分类训练集，或所有属性都已被使用过，在整个森林的生长过程中，m_try将保持恒定。分类树不进行剪枝操作，这样就可以达到低偏差和高差异而充分生长，使得每个节点的不纯度达到最小目的。

给定一组分类器h₁(X)，h₂(X)，…，h_k(X)，每个分类器的训练集都是从原始的服从随机分布的数据集(Y,X)中随机抽样所得，余量函数(Margin function)定义为：

其中I是示性函数。余量函数用于度量平均正确分类超过平均错误分类数的程度，余量值越大，分类预测越可靠。

随机森林(4006)由一组决策树分类器{h(X，θ_k)，k＝1，2，…，K}组成，其中{θ_k}是服从独立同分布的随机向量，K表示随机森林中决策树的个数(4007)，在给定自变量X下，每个决策树分类器通过投票(4008)来决定最优的分类结果(4009)。

随机森林是许多决策树集成在一起的分类器，如果把决策树看成分类任务中的一个专家，随机森林就是许多专家在一起对某种任务进行分类。组合多棵决策树的预测，最终通过投票得出预测结果。

如图5所示，随机森林算法设计流程。算法设计流程包括数据收集(5001)、特征提取(5002)、信息处理(5003)三部分。在对数据进行采集以及预处理之后，采用主成分分析的方法(50021)分别对训练集和测试集进行特征提取得到特征向量(50022)，然后采用横向多重随机森林算法(50031)针对训练集建立模型，再把测试集导入进行信息的处理与识别，采取决策投票(50032)获得最终的结果。

最后，对于随机森林算法的评价，可以使用随机森林算法的分类准确率定义：

其中TP(true positive)代表正确的肯定；TN(true negative)代表正确的否定；FP(false positive)代表错误的肯定；FN(false negative)代表错误的否定。