CN120215535A 一种基于改进蚁群算法的无人机避障航线优化方法

(19)国家知识产权局(10)申请公布号CN120215535A(71)申请人吉林建筑大学号(72)发明人高九州从延平孙伟韩成浩张毅赵堉良岳俊华张立辉(74)专利代理机构哈尔滨市阳光惠远知识产权代理有限公司23211专利代理师王海婷(54)发明名称一种基于改进蚁群算法的无人机避障航线优化方法本发明涉及无人机避障航线优化技术领域，具体公开一种基于改进蚁群算法的无人机避障航线优化方法，包括：基于改进蚁群算法和预获取的当前环境模型生成初始无人机避障航线；依次对无人机是否到达终点和是否检测到障碍物进行判断，基于两个判断结果触发改进蚁群算法重新规划航线；对重新规划后的航线进行三次优化，验证优化后的航线是安全的；更新当前环境模型；再次依次对无人机是否到达终点和是否检测到障碍物进行判断，基于两个判断结果结束优化方法。本发明能够针对复杂的动态环境，迅速生成避障航线。本发明在保证避障安全的前提市查否否辜是2S1.基于改进蚁群算法和预获取的当前环境模型生成初始无人机S5.对重新规划后的航线进行三次优化，并循环执行步骤S4至步骤S5,直至对重新规划S8.当第三判断结果为否时，循环执行步骤S2至步骤S8,直至第三判断结果为是结2.根据权利要求1所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征3.根据权利要求2所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征4.根据权利要求2所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征5.根据权利要求2所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征3目标节点t的启发式信息值。6.根据权利要求1所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征7.根据权利要求6所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征保留每段直线航线的两个端点，删除直线航线两个端点间8.根据权利要求6所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征对于任一段避障航线，连接航线起点和航线终点到所属段避障9.根据权利要求6所述的一种基于改进蚁群算法的无人机避障航线优化方法，其特征根据航线实际情况分别从第二次航线优化后剩余的拐点的驶入航线和驶出航线动态基于几何法和已知驶入圆弧点与对应拐点距离作为半径，在对应拐点内侧获取对应圆基于圆心和已知半径计算生成驶入圆弧点和驶出圆弧点间圆4一种基于改进蚁群算法的无人机避障航线优化方法技术领域[0001]本发明涉及无人机避障航线优化技术领域，具体涉及一种基于改进蚁群算法的无人机避障航线优化方法。背景技术[0002]随着科技的发展，利用无人机进行巡检、协同物流等工作日益增多，随之而来是无人机避障能力的不足导致的难以满足实际需要。基于本领域技术人员研发了多种不同的无人机航线优化方法，其中以基于A*算法的无人机航线优化方法为综合能力最佳方法。但是现有基于常规A*算法规划出的无人机避障航线仍具有很大的局限性，包括：1)计算复杂度高，传统A*算法在高维环境或动态障碍物场景中计算耗时，难以满足实时性需求。2)能效与航线平滑性矛盾，最短航线可能包含频繁加减速或急转弯，增加能耗；而平滑曲线会牺牲避障安全性。并且，现有方法较少综合考虑动力学约束：如最大加速度、倾角限制。3)适应性差，离线规划算法难以适应环境变化，在线学习类方法：如强化学习需要大量基于Douglas-Peucker经典轨迹抽稀算法优化：虽简化了航线，但会过度删除关键避障点：如擦碰地图中的障碍物凸起。2)贝塞尔曲线平滑：高阶曲线计算复杂，且可能违背无人车运动学约束：如无人机的最大转向角限制。发明内容[0004]因此，本发明要解决的技术问题在于克服上述现有技术中存在的缺陷，从而提供一种基于改进蚁群算法的无人机避障航线优化方法。[0005]一种基于改进蚁群算法的无人机避障航线优化方法，包括：S1.基于改进蚁群算法和预获取的当前环境模型生成初始无人机避障航线；S2.控制无人机沿当前规划航线行进，并执行第一判断：是否到达终点；当第一判断结果为是时结束航线优化；S3.当第一判断结果为否时，执行第二判断：是否检测到障碍物；当第二判断结果为是时执行步骤S4;当第一判断结果为否时，循环执行步骤S1至步骤S3直至第二判断结果S4.触发改进蚁群算法重新规划航线；S5.对重新规划后的航线进行三次优化，并循环执行步骤S4至步骤S5,直至对重新规划后的航线验证结果表明优化后的航线是安全的；S6.基于位置更新当前环境模型；S7.在当前环境模型下沿验证后的最新航线行进，并执行第三判断：是否达到终点；当第三判断结果为是时结束航线优化；S8.当第三判断结果为否时，循环执行步骤S2至步骤S8,直至第三判断结果为是结5至目标节点t的启发式信息值。6对于任一段避障航线，连接航线起点和航线终点到所属段避障航线中余下拐点，构成多条航线线段；沿航线依次从起始拐点计算并判断对应障碍物到各航线线段的最小距离是否属于安全距离；删除大于安全距离的拐点和航线终点间的所有冗余拐点，完成第二次航线优化。根据航线实际情况分别从第二次航线优化后剩余的拐点的驶入航线和驶出航线动态取值，分别得到与对应拐点相同距离的驶入圆弧点和驶出圆弧点；基于几何法和已知驶入圆弧点与对应拐点距离作为半径，在对应拐点内侧获取对应圆心；基于圆心和已知半径计算生成驶入圆弧点和驶出圆弧点间圆弧路径作为最新航线，并删除原始驶入圆弧点和驶出圆弧点间航线，完成第三次航线优化。本发明的航迹避障仿生算法：改进蚁群算法，针对复杂的动态环境，迅速生成避障[0015]本发明的航线避障优化方法：消除冗余航点，在保证避障安全的前提下，消除航线中不必要的冗余航点。航线拐角平滑性处理，将尖锐拐角转化为自整定曲率圆弧，创造无人机平滑稳定飞行条件。附图说明[0016]为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0017]图1为本发明的改进蚁群算法和常规蚁群算法的航线对比示意图；图2为本发明的改进蚁群算法和常规蚁群算法的收敛表现对比示意图；图3为本发明的航线优化对比示例图；图4为本发明实施例2中改进蚁群算法生成航线示例图；图5为本发明实施例2中第一次航线优化结果示例图；图6为本发明实施例2第二次航线优化第一次迭代各航线线段连线示例图；图7为本发明实施例2中第二次航线优化结果示例图；图8为本发明实施例2中第二次航线优化详细控制流程示意图；图9为本发明实施例2中第三次航线优化逻辑示例图；图10为实施例2中多障碍物第三次航线优化结果示例图；图11为局部三维路径实例一种角度示意图；图12为局部三维路径实例另一种角度示意图；图13为常规蚁群算法生成航线和改进蚁群算法生成航线在多障碍物下的三维环境对比示例图；图14为在图13的基础上进一步进行第一次航线优化结果示意图；图15为图14三维路径实例一种角度示意图；7图16为图14三维路径实例另一种角度示意图；图17为图14三维路径已经过第二次航线优化后执行第三次航线优化的示意图；图18为图17优化最终结果示意图；图19为本发明整体方法的流程示意图。具体实施方式[0018]下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。[0021]此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。[0022]实施例1如图19本实施例公开了结合了航迹避障仿生算法和航线避障优化方法的一种基于改进蚁群算法的无人机避障航线优化方法，包括：S1.基于改进蚁群算法和预获取的当前环境模型生成初始无人机避障航线；S2.控制无人机沿当前规划航线行进，并执行第一判断：是否到达终点；当第一判断结果为是时结束航线优化；S3.当第一判断结果为否时，执行第二判断：是否检测到障碍物；当第二判断结果为是时执行步骤S4;当第一判断结果为否时，循环执行步骤S1至步骤S3直至第二判断结果S4.触发改进蚁群算法重新规划航线；S5.对重新规划后的航线进行三次优化，并循环执行步骤S4至步骤S5,直至对重新规划后的航线验证结果表明优化后的航线是安全的；S6.基于位置更新当前环境模型；S7.在当前环境模型下沿验证后的最新航线行进，并执行第三判断：是否达到终点；当第三判断结果为是时结束航线优化；S8.当第三判断结果为否时，循环执行步骤S2至步骤S8,直至第三判断结果为是结束航线优化。8节点J至目标节点t的启发式信息值，α和β是调节信息素和启发式信息重要性的参数。信息素挥发系数P值通常设定在区间(0,1),控制信息素的衰减速度。k是当前迭代次数，m是当前蚂蚁，M是本次迭代所有在航线ij上留下的信息素的在航线上留下的信息素增量，通常与航线长度成反比。增量的计算可以是。其表示本次迭代所有在航线ij上留下的信息素增量总和。9P,具体表现为实际信息素挥发系数P值比常规设置的信息素挥发系数P值高，实现有效在改进蚁群算法的过程中，引入势场吸引概念显著增强了启发式信息的引导效至目标节点t的启发式信息值；了即使某些远离目标点的节点的信息素浓度相对较高，但由于受到较大的衰减系数Of影响，这些节点被选作下一步航线的概率也会显著下降，有效避免了算法陷入局部最优解的[0030]为了评估在常规蚁群算法中引入信息素更新策略优化、动态调整挥发系数以及势场启发式函数的综合改进效果，在尺寸为30×30的栅格地图环境中进行仿真实验。设计两组对比实验以全面评价这些改进措施对算法性能的影响。[0031]第一组对比实验如图1展示常规蚁群算法与改进蚁群算法之间的航线规划差异，图中红色轨迹代表的是常规蚁群算法所生成的航线，紫色轨迹表示改进蚁群算法生成的航线。实验过程中，起点S和终点T分别固定在(1,30)和(30,1)位置，确保了实验条件的一致性和可比性。[0032]第二组对比实验如图2专注于分析两种算法在迭代过程中的收敛表现。通过比较两种算法达到最优解的收敛曲线，能够更深入地理解不同策略对算法收敛速度及最终质量的影响。其中，图2中红色曲线表示改进蚁群算法的收敛情况，紫色曲线则是改进蚁群算法的相应表现。[0033]所有实验均采用统一的参数配置：α=1,β=7,Q=100,k=100,M=50,初始信息素浓度T=8,势场常数P=0.01,O=0.3.为了减小偶然因素对实验结果的影响，每种配置下的算法均独立运行20次，并记录对应平均性能指标，实验数据总结于表1中。[0034]如表1所示，平均航线长度为分别为常规蚁群算法和改进蚁群算法经过20次仿真实验后的航线长度的平均值，平均收敛点为二者经过20次仿真实验后的收敛点所对应的迭代次数的平均值。[0035]表1航线寻优效果分析比较算法平均航线长度平均收敛点常规蚁群算法改进蚁群算法3[0036]通过对比实验的分析，改进蚁群算法在航线长度优化以及收敛速度方面均展现出显著优越性。该算法不仅使得最终得到的最优航线长度相对于基本蚁群算法降低了10.41%,而且优化后所需的迭代次数大幅缩减了96%。[0037]实施例2在实施例1的基础上进一步公开了一种航线优化方案：航线优化：尽管在本实施例1中对常规蚁群算法进行了改进，然而基于改进蚁群算法生成的航线仍存在大量冗余航线，拐点过多，这表明改进蚁群算法虽然提高了实际应用时使用的间基于改进蚁群算法生成的航线是S-A-B-C-D-E-F-G-H-T,而从图中明显可以看出S-E-T这和F点是同一条直线上的冗余航点，A、G和H点是冗余拐点，进一步证实了基于改进蚁群算法11生成的航线是非最优性结果。[0038]为此，在本实施例2中还包括对基于改进蚁群算法重新规划后的航线进行三次优第一次航线优化：删除直线上的冗余航点；第三次航线优化：将航线拐点过渡圆弧化。改进蚁群算法重新规划后航线中存在多段直线航线；保留每段直线航线的两个端点，删除直线航线两个端点间所有冗余航点，完成第一次航线优化。[0040]为便于理解，在本实施例2中进一步公开一个具体示例，由图3可以看出，基于改进蚁群算法生成的航线从起点S直接经过E点再到终点T比基于原始航线S-A-B-C-D-E-F-G-H-[0041]因此本实施例2设计出一个新的优化思路来去除冗余航点和冗余拐点。经过第一次航线优化来去除冗余航点，如图4先把作为端点的A到E点之间作为冗余航点的B、C和D删除，只需要一条直线两个端点A和E已能保证规划出A到E点的航线，同理删除E和G之间的点F,最终得到第一次航线优化结果：航线S-A-E-G-H-T如图5所示。S101.对于任一段避障航线，连接航线起点和航线终点到所属段避障航线中余下拐点，构成多条航线线段；S202.沿航线方向依次从起始拐点计算并判断对应障碍物到各航线线段的最小距离是否属于安全距离；S303.删除属于安全距离的拐点和航线终点间的所有冗余拐点，完成第二次航线优化。[0043]如图8第二次航线优化的详细控制执行流程具体包括：S1011.导入第一次优化航点R,u=1、2...v,u表示待优化航点总数，v表示待优化航点最大数量；设定参量I,J,初始化I=v;S1022.判断I是否大于1:若否，则执行S1033;若是，则执行S1044;S1033.输出第二次优化航点库，流程结束；S1055.基于J值计算航线R₁-R范围内的所有障碍物到航线R₁-R的最小距离ξ;S1066.判断ξ是否小于安全距离；若否，则执行S1077:保存J点坐标至第二次优化航点库，输出I=J;并循环执行步骤S1022至步骤S1077,直至步骤S1022的判断结果为是；若步骤S1066的判断结果为是，则执行步骤S1088:J=J+1;并输入至步骤S1055,循环执行步骤S1055至步骤S1088,直至步骤S1066判定结果为否同时步骤S1022判定结果为[0044]具体地：为便于理解，在第一次航线优化结果的基础上进一步公开一个具体示1)如图6连接航线终点到所属段避障航线中余下拐点，构成多条航线线段：在第一次航线优化结果上进一步执行步骤S101至步骤S202,在本实施例中安全距离取1个栅格单位，若ξ≥1,则可以通行，否则进行下一个拐判断S-T,S-T明显穿过图中障碍物，不满足ξ≥1,不可通行；同理判断A-T,也明显穿过图中障碍物，也不可通行。判断E-T,没有穿过障碍物，计算所有障碍物点到E-T线段的[0045]2)如图6连接航线起点到所属段避障航线中实时余下拐点，构成多条航线线段：具体地：判断的点S、A到E之间是否可以通行，同理步骤1)的方法发现S-E可以通化结束，得到去除冗余拐点A、G和H后的航线S-A-T,航线拐点减少，达到了优化航线的效果，经过两次优化完成的航线如图7所示。需要注意的是，在实际实施时第二次航线优化是一个迭代方法，迭代的终止条件为直到找到整个航线的航线临时终点为起点，第二次航线优化结束，例如上述点E为其中一个临时航线终点。[0046]经过第一次航线优化和第二次航线优化后大量减少了冗余航点和冗余拐点，但是由于是飞行航线，所以对于无人机来说这个路径还是不够平滑，尤其是拐点处，所以进行航线的第三次优化，针对航线拐角进行平滑处理。本实施例选用过度圆弧作为航线拐角优化的方法。根据航线实际情况分别从第二次航线优化后剩余的拐点的驶入航线和驶出航线动态取值，分别得到与对应拐点相同距离的驶入圆弧点和驶出圆弧点；基于几何法和已知驶入圆弧点与对应拐点距离作为半径，在对应拐点内侧获取对应圆心；基于圆心和已知半径计算生成驶入圆弧点和驶出圆弧点间圆弧路径作为最新航线，并删除原始驶入圆弧点和驶出圆弧点间航线，完成第三次航线优化。线段XL、LY上离点L相同距离的一点M₁和N₁,线段LM₁和LN₁的距离按路径实际情况动态去取值。线：-Y为经过第