无人机雁行仿生群飞路径规划

·88·

兵工自动化

Ordnance Industry Automation

2019-04

38(4)

doi: 10.7690/bgzdh.2019.04.021

无人机雁行仿生群飞路径规划

周良，王茂森，戴劲松

(南京理工大学机械工程学院，南京 210094)

摘要：为解决单架无人机因互相之间没有通信机制而无法独立进行路径规划的问题，提出一种仿生雁群路径航路选择的无人机群飞路径规划。介绍算法原理，将无人机初始化为粒子后，在无人机群中确定主机、僚机。依据遗传算法基础原理，将仿生学引入到无人机群协同编队飞行航点规划当中，使用遗传算法对组群飞行的主机航路进行路径规划，产生需要的解或最优解；通过模仿雁群跟随的策略，设计僚机跟随主机的算法，从而实现组群飞行，并进行了实验验证。实验结果表明，该研究对无人机群飞行控制有一定的参考价值。

关键词：无人机群；雁行；仿生；路径规划

中图分类号：TP302 文献标志码：A

Bionic Route Planning of UAV Based on Stimulating Wild Goose Flyiing

Zhou Liang, Wang Maosen, Dai Jinsong

(School of Mechanical Engineering, Nanjing University of Science & Technology, Nanjing 210094, China) Abstract: In order to solve the problem that single UAV cannot plan route independently since there is no communication mechanism between each other, an UAV route planning of bionic goose group path selection is proposed. Introduce the algorithm principle. After the UAV is initialized into particles, the host and the wing aircraft are identified in the UAV group. According to the basic principle of genetic algorithm, bionics is introduced into the planning of UAV group cooperative flying point plane. The genetic algorithm is used to plan the path of the host flight path of group flying, and the solution or optimal solution is generated. By simulating the strategy followed by the geese group, the algorithm of the downtime following the host was designed to realize the group flight. The flight test was carried out. The experimental results show that the research has certain reference value for UAV group flight control.

Keywords: UAV group; goose group flying; bionics; path planning

0 引言

近年来，无人机日益成为人工智能领域中最活跃、研发进度最快、应用最广泛的研究课题，尤其是在军事方面的运用[1]。单架无人机由于缺乏冗余设计，一旦发生故障、路况突变，只能放弃任务并返航[2]。无人机群协同编队飞行不仅能统筹协调规划任务，而且通过多机系统通信可以掌握更全面的路况信息，显著地提高了无人机的飞行性能指标[3]。目前，国内外无人机编队飞行控制方法主要有：1)长僚机控制法；2) 人工势场法；3) 图论法等[4]。这些方法主要局限于单架无人机的航点规划，对多架次无人机的组群飞行路径规划问题的研究文献还比较少[5]。

笔者模拟分析雁群跟随头雁的列队方式以及个雁用眼睛近距离观测并躲避障碍物的方法，基于无人机群主僚机协同编队飞行与生物系统雁群编队飞行的相似性，将仿生学引入到无人机群协同编队飞行航点规划当中。在遗传算法基础上改进，对长机进行航点规划，僚机跟随长机，并辅以防碰撞算法，使无人机群能够模仿雁群进行自主规划路径。

1 经纬度与东北天坐标系换算

笔者以四旋翼无人机为基础，携带GPS导航系统，通过GPS模块获取位置信息，即经纬度坐标。无人机接收到的航点信息需要转换成便于任务分配的东北天坐标系下的航点坐标[6]。

基于经度和纬度概念，可以导出东北天坐标系和经纬度坐标系下的坐标转化关系。假设当前的经纬度坐标为(lon1,lat1)，目标航点的经纬度坐标为(lon2,lat2)，它们之间的经度差值的计算公式可表示为dlon=lon1-lon2，在东北天坐标系下经度差dLon 计算如下式：

dlon

dLon400757km

360

.

=⨯

︒

。 (1)其中40 075.7 km是赤道周长。由于地球不同纬度

1

收稿日期：2018-11-25；修回日期：2019-01-06

作者简介：周良(1993—)，男，江苏人，硕士，从事人工智能研究。

·89·

周 良等：无人机雁行仿生群飞路径规划

第4期 的纬线长不同，有必要将纬度差dLat 转换成东北天坐标系下的距离差dLat ，换算公式如下： lat dlat dLat 400757km 360r .r =⨯⨯︒赤道； (2)

lat

coslat r r =

赤道

。 (3) 不难发现，在离开本地(118.861 856E, 32.025 833W)

1 m 的距离，在经度方向上约等于0.000 010°，在纬度方向上1 m 近似等于0.000 009°。

为获得准确的经纬度坐标，笔者首先确定起始点的经纬度，然后在起始点经纬度基础上，叠加东北天坐标系下的相对距离换算而来的经纬度偏移量。由此可得，经度值Lon 和其纬度值Lat 如下：

00Lon lon 0.000010Lat lat 0.000009x y =+⨯=+⨯⎫

⎬⎭

。 (4)

2 雁行仿生群飞算法

2.1 仿生群飞算法原理

对于无人机群路径规划，传统解决方案不仅计

算耗费时间较长，而且规划的路径无法根据路径实时变更，灵活性较差。笔者在遗传算法基础上进行改进，对无人机群主机进行航点规划，然后模仿雁群跟随的策略，设计僚机跟随主机的算法。

遗传算法使用染色体表示一种解决方案，并使用二进制进行编码，为后续的遗传变异操作提供一种新的解决方案。建立一个评价标准为合规路径长度的适应度函数对新的个体进行评价，并且对评价结果进行排序。然后，进行遗传、编译、选择并迭代产生下一代更优秀的个体，直至产生满足条件的解或者最优的解为止。

规划完成后，主机沿着遗传算法预定的轨迹飞行，僚机则根据组群规则计算自身与主机之间的距离并规划自身路径，从而实现组群飞行。笔者以三角队形为例介绍编队策略。

如图1所示，在三角队形中，首先确定主机1号机的位置，僚机2号机相对于1号机的位移∆X 1、∆Y ，僚机3号机相对于1号机的位移∆X 2、∆Y ，均保持不变，需要在经纬度坐标基础上叠加相应的数

值，即可实现编队的队形控制。

图1 算法流程

主机根据上述规则计算得到各单架无人机的经

纬度坐标后，将其依据MAVLink 协议打包发送给

附近的僚机。僚机接收到数据包后，提取航点任务

信息，据此调节对自身姿态的俯仰角、滚转角和偏

航角对自身的姿态进行PID 控制，从而实现对目标航点的追踪[7]

。图2为僚机跟随算法的流程。

图2 僚机跟随算法流程

2.2 主机航点规划算法

为了便于建模及讨论，将无人机视作质点，将无人机经过的路径看成由若干微小直线段构成，那么无人机群中主机在遗传算法里采用的表示方法为

{}1122,,,n n T x iy x iy x iy =+++ 。 (5)

式中的(x ,y )为航路中各个微小直线段端点的坐标。对各个航路的评价主要有2个方面：一方面，规划路径的长度越小；另一方面与路障的重合度越小，则评价函数值越高。评价函数如下式所示：

11

121

1

()N N m i i i i F T p ααβ--===+∑∑。 (6)

其中：1α、2α分别为2项指标所占评价系统比重的比例系数；1α是路径长度所占的比例系数；i p 代表各子线段的长度；2α是航路与路障重合度所占的比例系数；i β表示各微小直线段的重合度，表达式为

M

i ij j βγ==∑。 (7)

式中：M 为障碍物总数；ij γ为第j 个障碍物和第i 条子线段的重合度。重合度计算公式如下：