[发明专利]一种带有智能决策的多目的地无人机实时航迹规划方法

权利要求书

1.一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，包括以下步骤：

S1：初始化无人机、目的地及环境信息；

S2：构造多目的地智能决策机制；

S3：选择最优目的地；

S4：使用RHC_eS进行航迹规划；

S5：更新无人机、目的地及环境信息；

S6：采取边走边决策策略，循环执行步骤二到步骤五，直到到达最后一个目的地。

2.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S1中包括对无人机初始位置、目的地的位置、各目的地的物资储量和物资消耗速度范围、环境中的障碍物位置信息的获取。

3.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S2中多目的地智能决策机制构造过程如下：

S2-1：对蚁群算法涉及到的信息素、蚁群数量等参数初始化；

S2-2：设定蚂蚁从固定起始地出发；

S2-3：计算目的地间的转移概率公式如下：

其中，α为信息素因子的重要程度，γ是启发式因子的重要程度，τ_ij(t)表示目的地i和j在第t时刻的信息素浓度，η_ij为启发式函数，J_c(i)为蚂蚁c下一步允许选择的城市集合，启发式函数公式如下：

式中，d_ij表示目的地i和j之间的距离，环境中信息素更新公式如下：

其中，ρ为信息素挥发因子，表示蚂蚁c在目的地i和j之间留下的信息素浓度，计算公式如下：

其中，Q表示常系数，M_c表示，蚂蚁c在走完所有目的地后的总损耗。

S2-4：使用轮盘赌法选择下一个目的地。

S2-5：当蚂蚁走完所有目的地时，创建目标函数并计算最小损耗。多目的地预测损耗目标函数如下：

其中，目的地总个数为n，S_i为目的地i的战略重要程度，它采用层次分析法中的九分制，由专家打分得出，m_i为目的地i的损耗量，它的计算公式如下：

式中，q_i表示目的地i的剩余物资量，它的计算公式如下：

式中，G_i和分别表示目的地i的物资量和物资平均消耗速度，为无人机从起始位置飞行到目的地i所需的预计总时长，物资平均损耗速度公式如下：

其中，V_{g_imin}和V_{g_imax}分别表示目的地i物资消耗的最小和最大速度。

为了计算无人机到达各目的地的预计时间，建立物资运送时间矩阵A₂，公式如下所示：

式中V_max和V_min分别为无人机的最大和最小速度，A₁表示最短航迹矩阵，为了减少计算量，保证实时性要求，两个目的地之间的距离使用欧式距离，公式如下所示：

其中，n为目的地个数(不包括起始地)，L_i,j表示从目的地i到目的地j的欧式距离，且当i＝j时，L_i,j＝0，由于采用欧式距离，两目的地之间的来回距离是一样的，即最短航迹矩阵为对称矩阵，根据最短航迹矩阵建立物资运送时间矩阵A₂展开如下：

其中，t表示无人机从目的地i到目的地j的平均飞行时间，物资运送时间矩阵也为对称矩阵。

S2-6：记录最小损耗对应的目的地序列并更新信息素。

S2-7：重复S2-2—S2-6直到达到迭代次数，输出最小损耗及对应的目的地序列。

4.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S4中使用RHC_eS进行航迹规划的过程为：

S4-1：构建路径扩充机制，生成目标方向(式(12)中θ＝0°时)滚动时间窗内的参考航迹，公式如下。

式中，θ是目标方向与飞行方向的夹角，β是目标方向与X轴方向的夹角，当飞行方向在目标方向和X轴正方向之间时，角度为β-θ，当飞行方向在目标方向和Y轴正方向之间时，角度为β+θ，L_max表示无人机一秒的最大飞行距离，T_w是滚动时间窗。

S4-2：利用判断步骤S4-1中生成航迹是否可行，其中，L_uav是无人机的翼展长度，障碍物的半径是r_d，位置是(x_d,y_d)。

S4-3：当目标方向航路不可行时，利用路径扩充机制生成多方向(θ＝30°,60°,90°)参考航迹。

S4-4：对参考航迹进行平均交叉和单点交叉操作，平均交叉公式如下：

其中，(f(x,y))_m表示第m条参考航迹，参考航迹数量与搜索方向个数一致，即每个搜索方向上产生一条参考航迹，再对f(x,y)和f_ac(x,y)进行单点交叉，公式定义如下：

f_sc(x,y)＝{f(x_i,y_i),f_ac} (14)

注意，式中{·}运算用来表示对两条航路进行单点交叉。

S4-5：将航路f(x,y)、f_ac(x,y)、和f_sc(x,y)整合后，一起进行定向变异操作，过程为：首先，用变异概率pm决定是否进行变异，接着，对需要变异的航路，随机选取变异航段并在该航段处，从θ＝30°时，对应的两个方向和θ＝0°时对应的目标方向，三个方向上随机选择一个方向，再按照路径扩充机制，在变异航段上，按选定方向重新生成参考航迹，得到变异后的新航路f_dv(x,y)。

S4-6：将路径扩充及交叉、变异后的所有航路整合，得预测航路总群如下：

f_z(x,y)＝[f(x,y),f_ac(x,y),f_sc(x,y),f_dv(x,y)] (15)

S4-7：使用二次贝塞尔曲线对航路进行平滑处理得：

f_z(x(k),y(k))＝(1-k)²(x₀,y₀)+2(1-k)k(x₁,y₁)+k²(x₂,y₂)k∈[0，1] (16)

其中，k是位置参数，(x₀,y₀)、(x₁,y₁)、(x₂,y₂)分别表示二次贝塞尔曲线的首端、中端和末端控制点坐标，f_z(x,y)中的航迹点作为二次贝塞尔曲线的控制点。

S4-8：构建最短航路目标函数，并利用序列二次规划法求取最短航路F(X,Y)^*及对应的每一时间窗内的最优航路段f_sz(x,y)^*，最后将其整合为最优航路f_flight，最短航路目标函数如下所示：

其中，||f_sz(x,y)||代表平滑预测航路总长，L_f是最后预测航迹点到目标点的直线距离，v_max是无人机的最大飞行速度，r_flight表示航道曲率半径，r_uav表示无人机的最小转弯半径，由于平滑预测航路由曲线组成，长度很难准确计算，因此用折线长度近似估算曲线长度，平滑预测航路长度估算如下式所示：

注意，当b＝w时，(x_w,y_w)表示平滑预测航路的终点，无人机的最终目的地到最后航迹点的距离计算如下：

其中，(x_f,y_f)是终点坐标。