多无人机航路重规划方法

‖d t, J exposure =
∑∫ ‖ p ( t)
i =1
M
tf
qi - x t, i ‖
4
0
dt
(X - Xt ) n =
(9)
(1)
M 表示威胁的个数 , x t, i 表示第 i个威胁所在的位置 , qi 表
此式表示势场内运动体与障碍物的相对距离 , n 是位置增益 系数 。 改进模型中增加了因式函数 ( X - X t ) n , 使势场内运动 体在靠近目标点的时候 ,在引力势场增加的同时 ,斥力势场也 随之减小 ,直到运动体到达目标点 ,引力势场达到最大 , 斥力 势场减至零 ,从而解决了在传统人工势场中出现局部最小值 的问题 。在此设 n = 2, 即得 : ( 10 ) ( X - X t ) 2 = ( X - X t ) 2 + ( Y - Yt ) 2 修订后的斥力为 : ρ( X, XO ) Kr 5 (X - Xt ) 2 + Fr = 5X ρ( X, XO ) 2
0 引言
由于现代战争中地面防空火力的加强以及雷达系统捕捉 目标能力的增强 , 战时反应时间越来越短 , 无人机在飞行过 程中受到敌方地面威胁程度也随之增大 , 盲目进入战场执行 任务会造成极大的损失 。为了提高多无人机的整体生存概率 和作战效能 ,发挥机群协同作战优势 ,需要在多无人机对敌方 防御区域内执行任务时 ,各自选择一条能够到达目标的航路 。 这些航路能保证其具有较小的雷达可探测概率及可接受的航 程 ,因此在执行任务之前要进行航路规划 。 航路规划是无人机领域的一个重要的研究课题 。航路规 划算法有很多 , 有启发式搜索 、 遗传算法 、 模拟退火 、 神经网 络、 动态规划等 。其中基于神经网络 [ 1 ] 、 基于遗传算法 [ 2 ] 和 基于 Voronoi图 [ 3 ] 的航路规划算法 , 把所有威胁点看成具有 相同的威胁属性 ,即为相同威胁体的航路规划 ,但对于实际环 境中的不同潜在威胁体 , 它们对于无人机的威胁明显是不同 的 。为了使无人机避开突发威胁 , 本文提出了一种基于改进 人工势场法的无人机航路重规划算法 , 此算法是一种针对动 态环境的在线实时航路规划算法 , 利用人工势场中的斥力函 数表示威胁 ,根据参数的不同可以表示不同的威胁体 ,更加贴 近实际环境 。无人机可以根据当前飞行任务环境 , 自主选择 一条较优的航路避开突发威胁 。
Kr
2 F r = ρ( X, XO )
2
Kr
则总成本可表示为 :
N-1
ρ( X, XO )
4
(X - Xt )
5(X - Xt ) ; ρ≤ρ m 5X
( 12 )
J =
∑J
j =1
( j, j+1 )
( 6)
4 多无人机航路重规划
有时无人机在飞行过程中敌方雷达所处位置和开机时间 事先不能确定 , 因此实时任务规划时面临的主要威胁就是这 种突发威胁 。处理突发威胁分为修改航路和选择航路 [ 9 ] 。 4. 1 修改航路 假定每架无人机都配备传感器探测雷达信号 ,所有关于 突发威胁的信息都被一个组的 UAV s共享 。如果其中一架无 人机在近实时的时间侦测到突发威胁 , 多无人机群在飞行中 应建立对抗可能发生的突发威胁的对策 。突发威胁也由圆形 区域表示 ,也分为危险区域和次危险区域 。当遇到突发威胁 时 ,无人机群会对突发威胁进行评估 ,如果每架无人机的初始 航路不进入突发威胁区域 ,重新规划航路是没有必要的 ,否则 所有未飞行的航路都应被重新规划 。遇到突发威胁时对航路 进行修改 ,情况有两种 : 一种在突发威胁周围无已知威胁 , 修 改航路时只需避开突发威胁即可 ; 另一种是在突发威胁周围 存在已知威胁 ,则需要在已知威胁和突发威胁中寻找到一条 较安全的航路 (见图 2 ) ,使无人机可以避开突发威胁 。 将最初的航路分为大小相同的 n 段 ,每一段都受到引力 和斥力 。当遇到突发威胁的时候 ,把突发威胁看作一个新的 斥力来源 ,则势场中新的合力可以表示为 ) m j x j ″= k ( x j- 1 - x j ) - k ( x j+1 - x j ) + b ( x j- 1 ′ - x j′
人工势场法是由 Khatib等提出的一种虚拟方法 [ 4 - 7 ] 。该 方法将运动体在环境中的运动视为一种在虚拟的人工受力场 中的运动 。障碍物对运动体产生斥力 ,目标点产生引力 。引 力和斥力的合力控制运动体的运动方向 ,确定运动体的位置 。 其引力定义为 Fa = k ( X - X g ) , 式中 : k 是正比例位置增 益系数 ; 其斥力定义为 :
第 29 卷第 5 期 2009 年 5 月
文章编号 : 1001 - 9081 (2009) 05 - 1480 - 03
计算机应用 Journal of Computer App lications
Vol . 29 No. 5 M ay 2009
多无人机航路重规划方法
孙明君 ,史建国
( sm j02603@126. com )
© 1994-2009 China Academic Journal Electronic Publishing House. All rights reserved.

第 5期
J length =
孙明君等 : 多无人机航路重规划方法
1481
(X - Xt ) n + ( Y - Yt ) n
一个圆形区域来描述所遇到的威胁 。圆形区域的大小可以根 据实际的飞行任务环境来确定 , 比如雷达的可探测距离等 。 此圆形区域定义为两个部分 , 一部分是危险区域 , 由深色表 示 。另一部分是次危险区域 , 由浅色表示 (见图 1) 。在规划 航路的过程中 ,威胁区域是无人机的不可飞行区域 。次威胁 区域是一个威胁的临界状态 , 在规划航路的时候根据飞行任 务的环境来相应的选择无人机是否选择飞行经过此区域 。威 Ω被定义为一个封闭的 胁以外的空白区域为自由飞行区域 。 δ Ω表示威胁 连通区域 ,即是无人机飞行环境 ,包括目标点 xG 。 和自由空间之间的边界 。星号为目标点 ,三角形表示无人机 。
b( x
j+1
J ( j, j+1) = λJ length, ( j, j+1) + ( 1 - λ) J exposure, ( j, j+1)
其中系数 λ是权重系数 ,表示在航路规划中对威胁及油耗所 做出的选择倾向性 ,其值的选取是由航路制订者根据实践经 验按作战要求确定的 。
3 传统人工势场法的改进
图 1 飞行环境
2 航路代价的计算
无人机的每一个航路的总成本取决于航路的长度和暴露 于威胁的程度 , 令 p ( t) = [ x, y ] t ( t) ∈ R2 , p ( t) 表示在时间 t 时无人机在航路中所处的位置 , 则总成本定义 [ 1 ]为 :
1 飞行环境和任务描述
飞行过程中会有许多的威胁 ,本文以威胁点为圆心 ,构建
1 2
( 1. 海军航空工程学院 研究生管理大队 , 山东 烟台 264001; 2. 海军航空工程学院 兵器科学与技术系 , 山东 烟台 264001)
摘 要 : 提出了一种基于改进人工势场法的无人机航路重规划算法 。在航路重规划中 ,设置多个节点 ,将无人机 的航路分段 ,并重新构造斥力函数 ,无人机在突发威胁的边界调整航路 , 实时规划出避开突发威胁的可飞航路 ; 仿真 结果表明 ,该算法能够较好地满足航路规划的要求 。 关键词 : 无人机 ; 改进人工势场法 ; 航路规划 ; 实时规划 中图分类号 : TP279 文献标志码 : A
Rea l2tim e pa th replann in g a lgor ithm for unmanned aer ia l veh icles in threa ten in g env ironm en t
SUN M ing2jun , SH I J ian 2guo
1 2
(1. Graduate S tuden tsπ B rigade, N ava l A eronautica l Eng ineering Institu te, Yantai S handong 264001, Ch ina; 2. D epartm ent of O rdnance Science and Technology, N aval A eronau tica l Engineering Institute, Yan ta i S handong 264001, China )
^ j
exposure, ( j, j+1 )
( 4)
J^ exposure, ( j, j+1) =
- m in ^ j expo sure, ( j, j+1)
m ax ^ j exposure, ( j, j+1) - m in ^ j exposure, ( j, j+1)
( 5)
到威胁点的威胁程度可近似地认为正比于 1 / d4 , 由此构建 新的斥力为 : ρ( X, XO ) Kr 5 (X - Xt ) 2 + Fr = 4 5X ρ( X, XO ) 5
Abstract: U sing the modified potential field theory, the author p resented a real2ti m e path p lanning algorithm for Unmanned Aerial Vehicles (UAV ). The path was divided into subsections by some nodes in the course of flying, and then a new repulsive function was constructed by new flight environment . Sim ulation results indicate that this algorithm can satisfy the route p lan well . Key words: Unmanned Aerial Vehicles (UAV ) ; modified potential field theory; path p lanning; real2tim e p lanning