温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
基于
改进
DWA
无人机
实时
路径
规划
研究
王文飞
引用格式:王文飞,茹乐,鲁博,等 基于改进 的无人机实时路径规划研究 电光与控制,():,():,基于改进 的无人机实时路径规划研究王文飞,茹 乐,鲁 博,胡时光,孙一石(空军工程大学装备管理与无人机工程学院,西安;西安科技大学,西安)摘 要:针对传统路径规划方法存在着过多依赖环境先验信息、算法路径规划实时性不强、难以适应复杂障碍环境等方面的不足,提出基于电势能理论的改进动态窗口法(),扩展轨迹评价子函数空间。首先,改进设计预测轨迹选择函数来引导跳出局部最优,脱离凹型障碍环境;同时,设计速度评价函数权重动态调整机制,增强穿越密集障碍区域能力;最后,增加设计目标导航函数,提升算法趋向目标点的引导能力。仿真实验表明,改进算法可以有效克服传统 算法易陷入局部最优和无法有效应对复杂障碍环境等问题,更好地提升算法的路径规划能力和实时性。关键词:无人机;动态窗口法;路径规划;避障中图分类号:文献标志码:,(,;,):,(),:;引言在当前作战背景下,无人机作战具有应用广、成本低、作战性能优越等特点,被广泛运用于目标跟踪、火力打击、搜索侦察等多种作战领域。路径规划是实现无人机自主飞行搜索的重要技术,合理有效地规划无人机飞行路径是高效完成各类作战任务的重要保证。从对环境信息的感知角度和程度来分,路径规划主要分为全局路径规划和局部实时路径规划,全局路径规划主要是无人机在预先情况下已感知获取到全收稿日期:修回日期:作者简介:王文飞(),男,河南洛阳人,硕士生。局障碍环境信息,通过建立整体障碍环境图并运用路径规划算法来使无人机找到全局最优或者较优路径。局部实时路径规划是指无人机根据自身的传感器实时感知当前所处位置的环境信息,从而得到从起点到目标点的最优路径,常用的算法有人工势场法和动态窗口法 等。目前,相关学者在实时路径规划领域里开展了一定研究,文献改进斥力势场函数以解决目标不可达问题,提出三维目标分段法解决陷入局部最优和路径震荡问题;文献通过预先路径规划和改进势场函数提升路径规划的连贯性并降低能耗,通过设计新的代价函数选出最优路径;文献对无人机的加速度提出限制和动力学约束,结合曲率启发函数改进算法性能;文献将蚁群算法与动态窗口 第 卷 第 期 年 月 电 光 与 控 制 王文飞等:基于改进 的无人机实时路径规划研究法相结合,改进动态窗口法的距离评价函数和航向角关系,以蚁群算法规划的全局路径转折点作为动态窗口法的引导点来实现全局动态路径规划。传统人工势场法容易在障碍物与目标位置之间徘徊不定而陷入局部最优,且规划路径容易出现震荡等问题;动态窗口算法在环境较为复杂时,也极易陷入局部最小问题,其路径规划性能也会大幅下降。针对以上实时路径规划方法中存在的不足,本文提出改进动态窗口法,扩展轨迹评价子函数,利用节点电势能原理改进设计路径生成选择函数,同时,提出速度评价函数权重动态调整机制,提升穿越密集障碍区域能力,最后,增加设计目标导航函数以增强算法的目标导向能力。通过仿真测试验证了本文所提算法的有效性和可行性。算法基本原理在实时路径规划中,算法在速度空间(,)中采样多组速度(和 分别为无人机的线速度与角速度),并基于采样速度模拟下一时刻的行动轨迹,通过对多条预测轨迹评价以得到最优轨迹。完整规划过程主要包含 个部分:运动模型的建立、速度采样集合及轨迹评价子函数。运动学模型 算法在实时路径规划中主要通过将位置控制转化为速度控制来获取最优轨迹,因此需要对无人机运动模型进行分析,动态窗口主要指依据无人机的加减速特性,将其速度采样空间限定到可行动态范围内,本文定义的无人机运动学模型为 ()式中,为无人机的偏航角。运动轨迹模拟原理为:假设在计算运动轨迹时,由于相邻时刻很短,则近似将运动轨迹视作直线,将无人机运动距离投影在地面坐标系的 轴和 轴上,得到 时刻无人机关于 时刻的运动位移 和,即 。()时刻的轨迹形式为 ()式中:和 分别为无人机在 轴和 轴上移动距离;为无人机运动时长;为无人机轨迹与 轴的夹角。速度采样集合根据无人机运动模型,通过采样速度预测推演无人机运动轨迹,无人机由于自身机械结构和外界环境限制,其速度采样空间也有如下相应限制条件。)基于最值的约束。无人机运动有最大速度和最小速度的约束,可表示为 ,。()基于加减速的约束。无人机有着运动加减速的限制,在一个动态窗口周期内可达到的运动速度表示为(,)(,)(,)()式中:,分别表示最大和最小线速度加速度;和分别表示最大和最小角速度加速度;和 分别表示无人机当前的运动速度和角速度。)基于安全距离的约束。为了让无人机在遇到障碍时可以安全停下,速度取值范围限制为(,)(,)(,)()式中,(,)表示在速度(,)下预测的运动轨迹上与最近障碍物的距离。轨迹评价子函数在采取到多组速度后,通过评价函数对多条预测轨迹评价以得到最优轨迹,评价函数为(,)(,)(,)(,)()式中:(,)为方位角评价函数,评价无人机在当前运动轨迹末端的朝向与目标之间的角度差,差值越小则分数越高;(,)为距离评价函数,用来评价无人机在当前运动轨迹下与最近障碍物的距离,距离越近则分数越低;(,)为速度评价函数,用来评价当前运动轨迹的速度大小,速度越大则分数越高;,为函数权重,为保证规划路径的安全性,原始算法通常设置为 ;表示归一化。求解如式()所示的目标函数最大值所对应的速度对(,),将其作为无人机运动速度。动态窗口法避障问题分析)原始 算法在规划路径时易陷入局部最优,在遇到凹型障碍时无法正常规划,需要对算法改进以提升全局搜索能力。)原始 算法在面对密集障碍区域时,从障碍区域中间穿越的性能较差,难以兼顾安全性和效率,需要提升算法裂缝空隙穿越能力。)原始 算法在逼近目标点时,可能会由于(,)函数的 第 期参考位置误差而偏离目标,其目标导航能力较差。改进的 算法基于 节问题分析,本章主要从脱离局部最优、穿越密集障碍区域和增强目标导向性等 方面对轨迹评价函数进行改进,具体如下所示。穿越凹型障碍 新增(,)函数新增(,)函数以脱离局部最优,主要基于拟态电势能原理来提升全局路径规划能力。结合电势叠加原理,当各类障碍(,)电荷为 ,则障碍在点(,)处的电势为 ()式中:为障碍物数目;为第 个障碍物与该点的距离;为真空电解质常数。假设无人机为受力试探电荷,对电势场分布不产生影响,在加入目标点后,电势场为()式中:为目标点自身的电荷;为目标点到该点的距离。在障碍区域内,任意两点,间的路径机械功可以表示为(),()()()式中:()()为两点间的电势差;为两点间的路径长度;为路径比例小量,保证在两点间做功相同的情况下选取长度最小的路径。引入高斯核函数,并以()()表示()(),()()()()()()()()其中,为宽度参数,控制函数的径向作用范围。进一步可得(),()()()()式中:为算法生成的速度组合(,)数;为在采样速度下生成模拟轨迹上的节点数;,为生成轨迹与障碍物及目标点的电势差。则有(,)()式中,为衡量生成模拟轨迹上的节点 的电势大小的变量。(,)函数值越大则得分越高,即倾向选择远离障碍物并靠近目标点的轨迹。模拟生成轨迹上各节点电势为(),障碍物及目标点电势为()。设置无人机和障碍物带正电荷,目标点带较大量负电荷,当无人机靠近目标并远离障碍物时,电势能减小。利用电势能增量()的变化来引导无人机靠近目标,增强整体路径搜索能力。穿越密集障碍区域 基于障碍物信息的速度权重动态调整为提升无人机穿越密集障碍能力,需要对无人机当前感知到的障碍区域内的障碍物密集度进行判别决策,定义表征障碍物密集度函数为 ()式中:;为无人机电势威胁更新半径 范围内距离无人机最近的两个障碍物之间连线的中点;与 分别为障碍物和目标点距该点的距离;为探测区域内所有障碍物组成的区域面积;,为底数系数;,分别为 和 的比例系数。越大,则表示障碍区域内的障碍物距离无人机越密集。在任意无人机运动方向一定角度区域内第 个和第 个障碍物连线中点 处,障碍物 和 与目标点对该处的电势场为。()设 为无人机距点 的安全制动距离点 处的电势场,则当 时可认为无人机当前的障碍物空隙处威胁较小,可以安全通过。则速度评价函数的动态权值为 ()式中,和 分别为在原算法中缓慢安全通过和最快通过密集障碍区所对应的权值。规划路径导向目标 新增(,)函数为提升算法目标导向能力,将目标导向性指示为生成路径上各节点电势之和,该数值绝对值越小则表示所选择的路径越能以高概率趋向目标。障碍环境内任一点处的电势场为()式中:为速度采样所生成路径上的节点;和 分别为第 个障碍物和目标点对节点 处的电势。则可得生成路径上的节点累加电势为。()第 卷电 光 与 控 制王文飞等:基于改进 的无人机实时路径规划研究当无人机趋近目标时,(,)函数的参考位置可能距离较远而产生误差,致使偏离目标。当离目标较远时,各预测轨迹差别不大,可以利用(,)函数导航,当趋近目标时利用(,)函数导航,即(,)()(,)(,)。()改进 轨迹评价函数综上,本文改进 轨迹评价函数为(,)(,)(,)(,)(,)(,)()改进 算法运行流程如下所示:)获取无人机及障碍物位置并构建环境地图,初始化改进 算法并设置各类参数;)根据无人机运动特性和障碍物环境更新速度采样组合,确定包含所有可行速度组合的动态窗口;)根据无人机运动模型,模拟生成前向仿真时间 内的运动轨迹;)根据评价函数给各个模拟轨迹打分,将评分最高的最优速度组合作为 时刻的无人机运动速度并生成推进轨迹;)检查是否到达目标,若是,则输出最优路径结果,反之则返回)。改进 算法仿真实验本章从脱离局部最优、穿越密集障碍、导航目标等三方面进行仿真测试对比,验证本文所提算法解决问题的有效性,其次对算法的改进性能进行评估测试,验证改进算法的安全性和效率。改进 算法参数如表 所示。表 改进 算法参数 参数数值最小线速度()最大线速度()线加速度()时间分辨率 线速度分辨率()角速度分辨率()安全距离 距离阈值 参数数值最小角速度()最大角速度()角加速度()轨迹预测时间 无人机体半径 障碍物基础电荷 目标点电荷 无人机电荷 改进算法仿真测试 局部最优问题仿真测试对比环境设置:设定 个障碍物,起点为(,),目标点为(,),其中,个障碍物呈凹型排列,仿真测试情况如图 所示。图 局部最小测试对比 由图 可知,原 算法在局部最小测试中陷入了局部最优而无法有效脱离凹型障碍,而改进 算法可以通过节点电势能的启发路径选择原理跳脱局部最优,脱离凹型障碍并直达目标,证明了改进算法在解决局部最优问题方面的有效性。密集障碍区域穿越仿真测试对比环境设置:设定 个障碍物,起点为(,),目标点为(,),仿真情况如图 所示。图 密集障碍区穿越对比测试 )固定高权值()运行时间为 ,迭代次数为,轨迹长度为,但在靠近目标时过于接近障碍物,安全性较低(安全距离为 )。)固定低权值()运行时间为 ,运行步数为,轨迹长度为 ,步数和时间均远高于固定高权值,具有较高的安全性(安全距离为 )。)采用动态权值运行时间为 ,迭代次数为,轨迹长度为 ,具有较高安全性(安全距离为 )。综上,与固定高权值相比,改进算法(采用动态权 第 期值)在保证较高速度的同时也有着较高安全性;与固定低权值相比,保证较高安全性的同时,其时间和步数也有一定降低。与固定低权值的路径基本相同,路径规划合理,证明了改进算法在穿越密集障碍方面的有效性。目标导向性仿真测试对比环境设置:设定 个障碍物,起点为(,),目标点为(,),仿真情况如图 所示。图 目标导航测试对比 由图 可知,原 算法在趋近目标时无法做出正确路径选择,这是因为此时(,)函数的参考位置超过了目标而出现误差。而本文改进 算法则可以通过生成路径上的节点累积电势能指标评价函数引导无人机在趋近目标时有效靠近目标,证明了改进算法在目标导航方面的有效性。算法性能评估 算法效率测试环境设置:障碍物为 个,起点为(,),目标点为(,),测试情况如图 所示。图 算法性能对比测试 测试指标如表 所示。表 测试指标 条件安全距离 迭代次数路