CN119414862B 基于批处理先验知识树的无人机路径规划方法 （南京信息工程大学）

(19)国家知识产权局(12)发明专利(65)同一申请的已公布的文献号(73)专利权人南京信息工程大学地址210044江苏省南京市江北新区宁六路219号(72)发明人朱琪豪刘云平翟马浩顾润曾凡响卓若水付景枝龚毅光臧强徐梁(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204专利代理师周雅审查员郭鸿旭(54)发明名称基于批处理先验知识树的无人机路径规划方法本发明公开了一种基于批处理先验知识树的无人机路径规划方法，通过在人工势场法的合势力函数中加入采样点范围控制参数，根据障碍物的密集程度动态调整采样点的生成范围，并定义阈值，当采样点的合势力函数小于阈值时，则保留该点，否则剔除。该过程大大减少随机生成采样点策略导致的冗余采样及计算资源的浪费；本发明在路径优化过程中，将一个椭圆采样集合转化为两个局部子集椭圆采样集合，减少采样面积，提高采样效率；并通过更新起始点到信标点的路径代价，增加第二个椭圆面积，从而增大障碍物间可通行区域在椭圆内部的概率；同时引入障碍物密集程度因子，增加信标点生成在障碍物查否2待扩展边优先队列Q;将起始点置入树节点集合和树节点优先队列中，目标点置入采样新采样点集合；(4)以初始路径的起始点和目标点作为焦点，根据最优路径长度和起始点和目标点的(6)将目标点从树节点集合中拿出再次放入采样点集合中，置空Qv和QE,将起始点路径代价减去起始点到信标点的路径代价值(7)再次置空Qv和QE,并将起始点放入圆批次采样中；(9)对第一子椭圆和第二子椭圆中进行剪枝优化，并在两个子椭圆中批次采样；置空Qv和QB将路径上的采样点放入Q,根据Qv和Qg的最小估计成本，确定最优待扩展34 标b的奖励r₃(t)为5归一化奖励r(t)为10.根据权利要求1所述基于批处理先验知识树的无人机路径规划方法，其特征在于，6基于批处理先验知识树的无人机路径规划方法背景技术任务起着决定性作用。传统的路径规划算法主要包括基于图搜索的算法和基于采样的算[0010](6)将目标点从树节点集合中拿出再次放入采样点集合中，置空Qv和Q,将起7d₀d₁和d₂为阈值常量,P(q,Qg8[0034](52)计算去时刻第I个节点作为信标的选择概率p(t);9[0055]将采样点(x,y")依次进行逆旋转和逆平移操作，得到采样点在原始坐标系下的坐标。[0056]进一步的，步骤(11)中，三阶B样条曲线为[0059]有益效果：本发明与现有技术相比，其显著优点是：1、本发明在人工势场法的合势力函数中加入了采样点范围控制参数，能够根据障碍物的密集程度动态调整采样点的生成范围，并定义阈值θ,当采样点的合势力函数小于阈值时，则保留该点，否则剔除。该过程大大减少了随机生成采样点策略导致的冗余采样及计算资源的浪费；2、本发明将一个椭圆采样集合转化为两个局部子集椭圆采样集合，减少采样面积，提高了采样效率；并通过更新起始点到信标点的路径代价，增加第二个椭圆面积，从而增大障碍物间可通行区域在椭圆内部的概率；同时引入障碍物密集程度因子，使得信标点生成在障碍物旁边的概率更大，增加了路径通过复杂障碍物的可能性，从而优化路径；3、本发明在椭圆内部进行批次采样时，本发明采用基于椭圆参数方程的采样法，引入缩放因子，通过简单的三角函数能够随机得到椭圆内的采样点坐标，相比于随机采样再进行判断点是否在椭圆内部的方法来说计算开销附图说明[0060]图1为本发明的流程图；[0061]图2为本发明的椭圆的空间示意图；[0062]图3是本发明的第一和第二子椭圆的空间示意图；[0063]图4至图7为本发明步骤(4)至步骤(9)的示意图；[0064]图8是本发明步骤(9)剪枝的示意图；[0065]图9是本发明的树节点扩展示意图。具体实施方式[0066]下面结合附图对本发明作进一步说明。[0067]本发明所述基于批处理先验知识树的无人机路径规划方法，包括以下步骤：[0068](1)初始化集合，集合包括树边集合、树节点集合、采样点集合、树节点优先队列Qv和待扩展边优先队列Q;将起始点置入树节点集合和树节点优先队列中，目标点置入采样点集合。[0069](2)引入采样点范围控制函数和合势力绝对值的阈值，结合人工势场法生成采样点，更新采样点集合。具体步骤如下：[0070](21)采用批处理操作在区域内进行随机采样。[0071](22)采用改进的人工势场法引导生成采样点。依据障碍物的密集程度动态调整采样点的生成范围，障碍物数量较多时，采样点的生成范围也会更大，障碍物数量较少时，采样点的生成范围也会更小。假设在地图中随机采样出一个点9,改进的人工势场法会根据公式如下：4越小，人工势场法影响采样点生成的能力就越弱，采样点就越趋于在全局地图中生成；4越大，人工势场法影响采样点生成的能力就越强，采样点就越趋于在起点和目标点之间[0078]式中，d₁和d₂为定义的阈值常量，p(q,qgoai)为采样点q到目标点9goal的欧与传统人工势场法的引力势场函数一致；当p(q,qgoat)在d₁和d₂之间时，加入α作为新的引力增益系数，其中α<8;当p(q,ggoal)大于定义的阈值常量d₂时，引力势场函数Uau(q)是一个定值。通过定义d₁和d₂,可以实现动态调整引力势场函数Uau(q)。标点与智能体之间的距离因子p(q,qgoal),在智能体靠[0082]本发明设定一个阈值θ,θ根据当前已生成采样点的合势力绝对值分布情况来值θ的公式如下：[0086](31)若当前树节点优先队列Q的最小估计成本小于或等于待扩展边优先队列[0091](4)以初始路径的起始点和目标点作为焦点，根据最优路径长度和起始点和目标和为长轴的长度，所以如果采样点在椭圆的外面，则它到两个焦点的距离肯定大于目前的初始路径，不能够改善当前的路径，所以将其剔除。并且任意一条边的其中一点在椭圆外也无法改善当前路径代价，也需要将其剔除。具体步骤如下：[0094](42)计算椭圆的短轴，其长度为,C..为起点和终点的直线路径长度。如下：[0097](44)剔除椭圆外的采样点。由于椭圆中心点不在原点且其长轴与x轴可能存在角度，因此采用坐标变换的方法建立椭圆坐标系，在椭圆坐标系下椭圆的中心点在原点且其长轴为x轴。对于原始坐标系下的采样点(x,y),首先需要将其平移到以椭圆中心为参考点[0099]接着设椭圆旋转的角度为9(以逆时针为正方向)。经过平移后的点(x,y)绕原点旋转后的坐标(x,y")的计算公式为[0101]对于一个经过坐标变换后的采样点(x,y");,如果其满足方程[0112](51)步骤(4)得到的更新后采样点集合为V={q₁,q₂,…,qN},对节点集合中的每个节点初始化权重为1;为信标b,并引入障碍物密集程度因子计算信标b的奖励r(t),接着进行归一化处理，得到归一化奖励r(t);[0121]其中，从和σ为权重参数，C(b,goal)为从信标b到目标点Sgoal的潜在路径代[0130](7)再次置空Qv和Qg,并将起始点放入Qv,再根据第一子椭圆和第二子椭圆[0137]接着在(0,2π),范围内均匀采样φ的值，计算得出x"和y",得到采样点[0138]将采样点(x",y")经过逆旋转操作转换为平移后的坐标系下的坐标逆旋转公式如下：[0140]再将(x,y)通过逆平移操作转换为原始坐标系下的坐标(x,y),逆平移公式如[0142]最终得到在原始坐标系下子椭圆内部的采样点。[0143](10)判断是否完成迭代，若完成则输出路径，未完成则返回步骤(9)的批次采样否否