一种突发威胁下航路规划方法与流程

1.本发明属于飞行器航路规划技术领域，特别涉及一种飞行器在沿预定航路飞行过程中针对突发威胁的航路规划方法。


背景技术：

2.航路规划是在综合考虑到达时间、携带燃料及飞行空域内威胁源分布等因素的前提条件下，为飞行器规划出一条最佳飞行航路，以保证任务的圆满完成。
3.航路规划是飞行员智能辅助决策支持系统中辅助飞行员的一个重要功能，也是无人机实现高自主飞行的重要前提条件。因此，寻求快速、高效的航路规划算法是实现飞行器巡航智能化不断追寻与探索的目标。
4.目前，常用的航迹规划方法主要是离线航路规划方法，主要包括智能优化算法、启发式算法、人工势场法、数学规划方法等。这些规划方法主要是在执行飞行任务前进行航路规划，然后飞行器按照预定规划的航路飞行。然而，实际飞行环境的复杂性导致预先规划的航路很难获取全部的威胁信息，甚至某些威胁只有当飞行器抵达其附近后才发现，由此可能造成飞行器无法沿预定航路飞行。同时，在线实时规划是解决上述问题的一个途径，但由于机载计算机的计算速度、存储容量等限制，很难彻底的实现。近些年还有运用多航迹规划方法，通过离线生成多条可行航迹，在实际飞行中根据实时探测到的威胁信息，动态选择飞行航路。但是，该方法存在飞行器面对突发威胁情况下附近可能没有备用航路的局限性。


技术实现要素：

5.针对离线航路规划难以解决飞行过程中的突发威胁以及实时航路规划的机载计算能力限制的问题，本发明结合离线规划与实施规划的优势，提出一种突发威胁下航路规划方法。该方法通过分级规划处理威胁，通过分级的方法进行航路规划，在已知威胁源的情况下通过一级航路规划离线的航路管道飞行域，飞行器沿飞行域的中心线飞行，当探测到突发威胁情况下，在已规划的飞行域内进行实时航路再规划。该方法通过离线航路规划和飞行域的规划不仅能够解决机载计算能力限制的问题，还能够应对实际飞行过程中的突发威胁。
6.本技术采用的技术方案具体如下：
7.该方法是首先采用基于高斯分布估计的细菌觅食算法规划飞行走廊，然后采用a*算法进行航路再规划。基本步骤为；
8.步骤1：初始化参数，n
ed
为迁移次数、n
re
为繁殖次数、nc为趋化次数；p
ed
为基本迁移概率；s为细菌规模数；ns为游动次数。
9.步骤2：计算细菌的初始化适应度j值。
10.11.式中，ω1，ω2，ω3为权重系数，n为细菌总群数量，li为第i段距离，hi为第i段飞行高度，nr为威胁个数，kj为第j个威胁源的威胁强度，r
ij
为第i段航路与第j个威胁源的垂直距离。
12.步骤3：迁移循环代数ned＝1：n
ed
；繁殖循环代数k＝1：n
re
；趋化循环代数j＝1：nc。执行细菌趋化循环。按照公式更新细菌位置
[0013][0014][0015]
式中，p(i,j,k,l)为第i个细菌的空间位置向量，j为趋化循环代数，k为繁殖循环代数，l为迁移循环代数，c(i)为按照选定方向游动的步长，δ(i)为变向中生成的任意方向向量，为进行方向调整后选定的单位步长向量。
[0016]
若翻转适应值改善，则按照翻转的方向进行游动，直至适应值不再改善或达到设定的最大游动次数ns为止。
[0017]
步骤4：繁殖循环。
[0018]
计算所有细菌p的适应度，从当前细菌群体中找出n个精英细菌，构建高斯分布模型。计算精英细菌群体的均值μ
t
和标准差σ
t
，构造本次迭代高斯分布参数n(μ
t
,σ
t
)。
[0019]
μ＝(1-α)μ
t-1
α(x
best
x
best-μ
t-x
worst
)
[0020]
σ＝(1-α)σ
t-1
ασ
t
精英群体
[0021]
式中，α为学习因子，t为当前迭代，x
best
为精英个体排序，x
worst
为最差个体。
[0022]
根据高斯分布模型公式产生s个新细菌个体，假设待优化变量的每一维度相互独立。
[0023]
x
t
＝μ σ
·
rnorm(j)
[0024][0025]
式中，μ、σ为d维的高斯分布模型参数，r1和r2是区间[0,1]之间均匀分布的s维随机数。
[0026]
对s个高斯分布细菌进行适应度估计、排序，选择n个适应度最高的高斯分布繁殖细菌替代当前迭代过程中最差种群；进行高斯繁殖次数判断，完成则进入步骤5，否则返回步骤4。
[0027]
步骤5：繁殖算子完成后，生成一个随机概率，并与基本迁移概率p
ed
比较，如果小于p
ed
就返回步骤3。
[0028]
步骤6：构造飞行走廊。
[0029]
在二维平面内编码是将规划域内的初始点和目标点在x轴方向上n 1等分，在n个等分线上对y坐标随机初始化，随机生成一个随机数nr，以及随机生成并结合随机生成的y＝(ys,y1,y2,
…
,y
nr
,yf)构成一条航路，且nr为飞行走廊的关键点数。然后通过曲直比的概念确定飞行航迹规划域的宽度，如图1所示。
[0030]
步骤7：采用启发式a
*
算法在规划的飞行域内进行规避突发威胁的航路重规划，直到重规划航路与一级规划的航路交叉点位置或者目标点位置相重合，才结束航路的重规划。
[0031]
从探测到突发威胁源的飞行器位置开始，采用节点通过法向前搜索，产生的搜索路径由一系列相邻且最小代价的最优路径节点组成。算法的启发式搜索过程是一个节点生成和节点扩展的递归过程。
[0032]
启发式a*搜索状态空间，如图2所示(起始位置是s，目标位置是f，字母后的数字表示节点的估价值)。
[0033]
搜索过程中设置两个表：open和closed。open表保存所有已生成而未评价的节点，closed表中记录已访问过的节点。算法的每一步是根据评估函数重排open表。这样循环中的每一步只考虑open表中状态最好的节点。
[0034]
航迹规划中启发函数为：
[0035]
f(m)＝g(m) h(m)
[0036]
式中，m为当前待搜索点；f(m)为从各航路段的起始点经过m直到各航路段的终点的最小路径代价值；g(m)为初始点到m的总优化代价，初始点时g(m)＝0，则后续各点g(m)是上一航迹点f(m)的值；h(m)为从m到目标点的manhattan距离。
[0037]
借由前述技术方案，本技术能够获得如下有益效果：
[0038]
该方法通过分级规划可以将突发威胁源与已知威胁源分开规划，能够提高规划效率，有利于开展任务分级规划和航路实时性规划。通过一级规划建立飞行器可飞航迹规划域，并通过二级规划有效规避突发威胁。该方法不仅能够有效解决机载计算能力的短板，还能够有效地缩小规划域范围，实现实时规避突发威胁的航路再规划。
附图说明
[0039]
图1是航迹规划中的曲直比分析示意图。
[0040]
图2是启发式a*搜索状态空间示意图。
[0041]
图3是采用本发明一种突发威胁下航路规划方法获取的规划结果一实施例的示意图。
具体实施方式
[0042]
现结合具体实施例对本发明的技术方案做进一步阐述：
[0043]
为验证本文所提方法的有效性，在此采用matlab软件进行实验。由于直接计算三维航路时，状态空间维数高，计算量大。因此，在二维平面内进行编码，飞行高度可以根据地形高程数据来解算控制而得到三维航路。实验是在确定航路规划域为900km
×
900km的地图中，且任务区域内已知威胁源4个，起飞后突发威胁源6个，s为起始点，f为目标点。仿真过程中主要参数设置为：nr≤20，n
ed
＝100，n
re
＝100，nc＝30，p
ed
＝0.024，s＝50，ns＝10，精英细菌n＝6，学习因子α＝0.85，ω1＝ω2＝ω3＝1。按照本发明提出的规划方法进行规划，其规划结果如图3所示。
[0044]
由图3分析可知：黑色的圆圈为已知威胁源，白色的圆圈为突发威胁源，规划的飞行走廊没有穿越红色威胁区域，飞行器沿飞行走廊的中心线飞行，当探测到绿色的突发威胁时，在规划的飞行域内进行航路再规划。由图3可以看出：在飞行走廊内规划的飞行航路(即黑色实线指示的航路)为最佳航迹。该航路能够安全地避开突发威胁源。由此证明了所提方法的正确性和合理性。
[0045]
以上所述，仅是本发明的较佳实施例而已，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。