💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
目录
💥1 概述
随着科学与技术的发展，因体积小和飞行速度快，军用和民用无人机已经得到了广泛的应用。无人机的智能化是目前无人机发展的主要发展方向之一，而无人机三维路径规划是无人机智能化的重要部分，也是智能控制和决策方向研究的热点。无人机三维路径规划是指在如地形、规避地方雷达武器和满足可飞行条件等约束条件下，在不同的三维环境中寻找一个从起点到达终点的最优路径。近年来，国内外大量研究人员对提高无人机路径规划的航行效率展开研究。研究发现，通过引入优化算法可以有效地提高无人机的路径规划能力且具有较好的稳定性。
用于在复杂环境中寻找最优或近优飞行路径。该方法通过模拟鸟群的社会行为来搜索解空间，以达到最小化或最大化某个目标函数的目的。在无人机应用中，这个目标函数通常与飞行距离、能量消耗、避开障碍物或满足特定任务要求相关。下面简要概述其实现研究的关键步骤和考虑因素：
1. 问题定义
首先，需要明确无人机路径规划的具体目标，例如最短路径、最低能耗、最大覆盖区域或在有限时间内到达多个目标点等。同时，确定约束条件，包括飞行器的性能限制（如最大速度、加速度、转弯半径）、飞行空域的限制以及需要避免的静态或动态障碍物。
2. 粒子群初始化
- 粒子: 在无人机路径规划中，每个粒子代表一个可能的飞行路径，由一系列航路点（Waypoints）组成。
- 群体初始化: 随机生成初始粒子群，每个粒子的位置（即路径）和速度根据问题空间进行设定。位置决定了当前的路径方案，速度则影响着路径的调整方向和速度。
3. 适应度函数设计
适应度函数是评估每个路径优劣的标准。它应反映实际任务需求，比如路径总长度、所需时间、避开障碍的成本等。优化目标是最大化或最小化此函数值。
4. 更新规则
PSO算法通过不断迭代，利用个体最佳经验和全局最佳经验来更新每个粒子的位置和速度：
- 个体最佳(pBest): 每个粒子记录其历史上的最优解。
- 全局最佳(gBest): 整个种群中的最优解。
- 速度和位置更新: 根据pBest和gBest以及一定的随机性调整每个粒子的速度和位置，逐步逼近最优解。
5. 约束处理与优化
在实际应用中，直接应用基础PSO可能无法有效处理所有约束条件。因此，需要引入约束处理技术，如惩罚函数法或在适应度函数中直接融入约束条件，确保生成的路径是可行的。
6. 实现与仿真
利用编程语言（如Python、MATLAB等）实现上述算法，并选择合适的仿真环境进行验证。可以使用现有的无人机仿真软件（如Gazebo、UAVSim等）进行真实感模拟，评估算法在面对复杂环境时的性能。
7. 结果分析与优化
对仿真结果进行分析，检查路径的有效性、避障能力及效率等方面的表现。根据分析结果进一步调整参数或优化算法，直至满足预定的性能指标。
8. 实验验证
在条件允许的情况下，将优化后的算法部署到实际无人机平台上进行测试，收集真实飞行数据，验证算法的实用性和鲁棒性。
综上所述，基于PSO的无人机路径规划与轨迹算法实现研究是一个涉及数学建模、算法设计、仿真验证和实际测试的综合过程，旨在为无人机提供高效、安全的自主导航能力。
📚2 运行结果
部分代码：
clc
clear all
close all
%%
%----------------------------------------------------------------
%Map params
%----------------------------------------------------------------
reduce_path_generated = true;
width = 6;
height = 6;
resolution = 0.01;
% prm param
nodes = 1500;
ConnectionDistance = 1;
%param to draw circles
ang=0:0.01:2*pi;
r_ext=0.75; % 0.7 if we use the line
r_int = 0.6 ;
xp_ext=r_ext*cos(ang);
yp_ext=r_ext*sin(ang);
xp_int=r_int*cos(ang);
yp_int=r_int*sin(ang);
% key points
trans = [3 3];
start = [-1.5 -1.5] + trans;
goal_1 = [0 2] + trans;
goal_2 = [1.5 -1.5] + trans;
% constraint circle at point B
r_constraint_circle = 0.3;
x_constraint_circle = 3;
y_constraint_circle = 4.5;
%%
%----------------------------------------------------------------
%Read obstacle data
%----------------------------------------------------------------
obs_fileID = fopen('obs','r');
obs_format = '%f %f';
obs_size = [2 inf];
obs = fscanf(obs_fileID, obs_format, obs_size);
num_obs = length(obs);
% transform coordinates
% X = -Y
% Y = X
obs_exg = obs ;
obs(1,:) = -obs_exg(2,:) ;
obs(2,:) = obs_exg(1,:) ;
obs = obs + 3;
%%
%----------------------------------------------------------------
%Map Creation
%----------------------------------------------------------------
map = robotics.BinaryOccupancyGrid(width,height,1/resolution)
map_check = robotics.BinaryOccupancyGrid(width,height,1/resolution)
% populate obstacle
for obs_i = 1:length(obs)
setOccupancy(map, obs(:, obs_i)', 1);
setOccupancy(map_check, obs(:, obs_i)', 1);
end
inflate(map,.75);
inflate(map_check,.6);
% constraint_circle
x = (0:resolution/1.1:width);
y = (0:resolution/1.1:height);
for i = 1:(1.1*width/resolution)
for j = 1:(1.1*height/resolution)
if sqrt((x(i)- x_constraint_circle)^2+(y(j)-y_constraint_circle-resolution/2)^2) < r_constraint_circle ...
&& y(j) > y_constraint_circle+0.5*r_constraint_circle
setOccupancy(map, [x(i) y(j)], 1)
end
end
end
figure
show(map)
%%
%------------------------------------------------------------------
%PRM
%------------------------------------------------------------------
planner = robotics.PRM(map,nodes);
planner.ConnectionDistance = ConnectionDistance;
planner
path1 = findpath(planner,start,goal_1);
figure()
show(planner)
print('prm_ptA_ptB','-dpng');
path2 = findpath(planner,goal_1,goal_2);
figure()
show(planner)
print('prm_ptB_ptC','-dpng');
grid on
path = vertcat(start,path1(4:end-2,1:end),goal_1,path2(3:end-2,1:end),goal_2);
figure('Name', 'Path Generated');
plot(path(:,1),path(:,2), 'o'); hold on;
for i = 1: num_obs
plot(obs(1,i)+xp_ext,obs(2,i)+yp_ext,'--k');
plot(obs(1,i)+xp_int,obs(2,i)+yp_int,'-r');
end;
axis([0 6 0 6])
pbaspect([1 1 1])
print('path_generated','-dpng');
hold off ;
% find the index of point b
for i=1:length(path)
if (path(i,:) == goal_1)
ptb_idx = i ;
end
end
%%
%------------------------------------------------------------------
%Path Point Reduction
%------------------------------------------------------------------
if (reduce_path_generated == false)
clearvars -except map_check path obs num_obs ptb_idx
return;
end
tol = 0.1 ;
i = 1 ; % index of first path
j = 3 ; % index of path two ahead
distance_ok = true ;
while (distance_ok)
if (j > length(path))
path(i+1:j-2,:) = [] ;
distance_ok = false ;
elseif ((max(max(point_to_line_distance([path(i+1:j-1, :), zeros(j-i-1,1)], ...
[path(i,:), 0], [path(j,:), 0] )))>tol )... % check point to line
|| min(path(j-1,:) == goal_1)... % don't remove if it's point B
|| check_path_collision(map_check, path(i,:), path(j-1,:))) % check for collision
path(i+1:j-2,:) = [] ;
i = i+1 ;
j = i+2 ;
else
j = j+1 ;
end
end
% update the index of point b
for i=1:length(path)
if (path(i,:) == goal_1)
ptb_idx = i ;
end
end
figure('Name', 'Path Reduced')
plot(path(:,1),path(:,2), 'o'); hold on;
for i = 1: num_obs
plot(obs(1,i)+xp_ext,obs(2,i)+yp_ext,'--k');
plot(obs(1,i)+xp_int,obs(2,i)+yp_int,'-r');
end;
axis([0 6 0 6])
pbaspect([1 1 1])
print('path_reduced','-dpng');
hold off ;
clearvars -except map_check path obs num_obs ptb_idx
🎉3 参考文献
[1]王小璐,黄辰,于远航,陈福豪,胡蝶,陆琪,崔曦予.基于适应度值优劣粒子群算法的无人机路径规划[J].电子制作,2022,30(16):16-19.DOI:10.16589/j.cnki.cn11-3571/tn.2022.16.005.
[2]赵志,段炼,路东林,张杨,邱雪.基于蚁群算法的无人机三维路径规划与冲突解脱[J].航空计算技术,2022,52(04):33-37.
493
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
