无人机航迹规划常用算法综述
来源:尖兵之翼
|
作者: 王 琼 刘美万 任伟建 王天任
|
发布时间: 2021-03-10
|
30150 次浏览
|
分享到:
为促进航迹规划技术的发展, 对航迹规划常用算法进行综述。首先对航迹规划的规划思想和构成进行分析；其次将航迹规划算法分为传统经典算法和现代智能算法两大类, .....
② 当飞行环境中的某些信息发生变化时能实时地进行更新, 以满足实时应用的要求；
③ 能满足无人机自身性能约束条件, 包括最大拐弯角、 最大爬升/俯冲角、 最大航迹距离、 最小航迹段长度和最低飞行高度等。
常用的规划空间表示方法有栅格法和图形法。栅格法将规划空间分解成为一些简单的单元,并为每个单元分配一个代价值, 对应于无人机经过空间相应区域的代价, 并判断这些单元之间是否存在可行路径, 找到包含起始点和目标点的单元, 从起始单元开始, 依次向栅格中代价最小的邻域移动, 最后到达目标单元[3] 。航迹搜索算法中的A*算法、 动态规划法等就是利用栅格描述规划空间。由于数字地图采用栅格的形式存储, 所以多数的航迹规划研究都是使用栅格法表示规划空间。图形法首先根据一定规则将规划空间表示成一个由一维线段构成的网络图, 然后采用某一搜索算法在该网络图上进行搜索。使用图形法必须表示出所有可能的路径, 否则就可能丢失最优解。图形法相比栅格法数据处理量少, 但是更新较困难。常用的图形法有Voronoi图法[4] 、 可视图法(Visibility Graph) [5] 、 随机路标图法(PRM：Probabilistic Road Map) [6] 等。
2) 航迹表示。其形式有两种：一种是基于无人机运动学、 动力学描述的连续平滑航迹, 采用此种表示方法可以省去最后的航迹平滑环节；另一种是用航迹点表示, 相邻航迹点之间用直线段连接几何折线航迹。第2种表示方法有如下优点：
① 可以通过调整航迹节点的数目达到所需要的精度；
② 将复杂的航迹规划问题分解为一组统一形式的小规模子问题, 对于每个子问题, 只需关心一个点的坐标, 从而将考察航迹是否可行变为仅考察一个点或一条直线段是否满足要求；
③ 便于实现并行、 分布式计算。
3) 分析约束条件。航迹规划问题需要考虑的约束条件包括环境约束、 任务约束和无人机自身性能约束。环境约束有威胁约束(如被敌方雷达发现概率、 敌方导弹高炮击落概率、 撞地概率等)、 禁飞区约束、 复杂气象区约束等；任务约束有任务完成时间、 起始点、 目标点、 固定航向角、 低空/超低空突防等；无人机自身性能约束有最大/最小平飞速度、 最大航程、 最高/最低飞行高度、 水平最小转弯半径、 最大爬升角/俯冲角、 最大纵向曲率、 最大法向过载等[7] 。若是进行二维航迹规划, 则不需要考虑无人机的爬升/俯冲角约束和飞行高度约束。
4) 确定代价函数。代价函数将算法与实际物理问题紧密联系在一起。对于无人机航迹规划, 代价函数是评价航迹优劣的标准, 代价值越小则表明航迹越优, 反之表明航迹越差。确定代价函数需要综合考虑影响航迹性能的各项因素, 对各个指标进行量化和计算。三维航迹规划的代价函数通常包含航迹长度代价、 威胁代价和高度代价, 表示为
J=ω1L+ω2T+ω3H(1)
ω1+ω2+ω3=1(2)
其中J为航迹总代价, L为航迹长度代价, 一些文献也称其为燃油代价, T为威胁代价, H为高度代价； ω1、ω2、ω3为相应的权系数, 根据任务需要设置其值。二维航迹规划则不需要考虑高度代价。
5) 选取搜索算法。根据任务需求选取合适的算法规划出满足约束条件、 规避障碍、 使代价函数获得最优值的航迹是航迹规划问题的核心部分。
6) 航迹平滑。通过相应算法搜索出的航迹对于无人机实际飞行而言并不一定可行, 例如规划出的航迹拐弯点较多, 而无人机在实际飞行中由于自身机动限制不能频繁转弯, 因此需要对规划出的航迹进行平滑处理, 消除不必要的拐弯点以利于无人机实际飞行。常用航迹平滑方法有三次样条插值法[8] 、 贝塞尔曲线(Bezier Curve)[9] 、 k-trajectory算法[10] 等。
2 常用航迹规划算法
无人机航迹规划的本质是路径规划, 即寻找适当的策略构成连接起点到终点位置的由序列点或曲线组成的路径, 因此用于航迹规划的算法实际上也就是路径规划算法。路径规划算法有很多, 每种算法都有其自身的优缺点和适用范围, 按照规划决策可以将算法分为传统经典算法和现代智能算法[11] 两类。
