【技术实现步骤摘要】
本专利技术涉及一种无人机路径规划技术，特别涉及一种基于rrt(rapidly-exploring random trees，快速探索随机树)和专家遗传算法的无人机路径规划方法和系统。
技术介绍
1、低空经济的兴起正加速推动无人机技术革新，其在各行各业的应用潜力得到极大释放。无人机凭借出众的机动性与可靠性，在农业、林业、环境监测等多领域崭露头角，尤其在群体智能技术加持下，集群作业成为可能，克服了单体无人机能力与资源的局限，为更广泛的任务场景提供了解决方案。然而，多机协作面临多重挑战，包括如何在复杂环境中高效分配任务，规避障碍物，以及解决多机间的路径冲突。这些难点促使路径规划成为了研究热点，其旨在确保无人机集群既能协同作业，又能安全无碍地完成执行任务。无人机集群的效能最大化依赖于它们之间的协同合作以及规划和遵循完成任务的最佳路径的机制。通过优化路径规划算法，无人机集群将能更智能、更高效地服务于各类民用与商业需求。
2、目前无人机的路径规划方法可以分为基于搜索的路径规划算法、基于采样的路径规划算法、基于进化算法的路径规划算法和基于强化学习的路径规划算法。基于搜索的方法可以保证搜索到最优路径，并且搜索效率也随着改进在不断提高，但是该类方法在高维空间、更为复杂和庞大的地图或者多无人机集群中搜索空间会随着数量的增长而成指数增长，导致搜索时间爆炸。基于采样的方法可以保证在更多的维度和空间中很快的找到解，但是该类方法是概率完备的，因此如果在时间有限的情况下，并不能保证找到最优解。基于强化学习的算法现在还处在起步阶段，由于其动作空间和
3、与其他三种方法不同，基于进化的算法则可以在高维度空间中快速交叉进化，并且可以快速收敛，保证解的最优性，传统遗传算法就是一种基于进化的算法。基于传统遗传算法的无人机路径规划方法，首先采用种群初始化对栅格化之后的地图每一行选择一个可行点，然后通过连接函数，让所有节点可连通，最后得出一条可行的种群解。但是在极端复杂环境中，该类方法容易陷入局部最优解，甚至可能连种群初始化都很难完成。其存在的问题和缺陷可以归纳为：
4、(1)对于极端情况下的地图，基于传统遗传算法的无人机路径规划方法无法得到初始化种群。
5、(2)随着初始种群数量的增加，基于传统遗传算法的无人机路径规划方法初始化的速度并不高效。
6、(3)初始化的随机性会影响到算法的收敛性结果，导致基于传统遗传算法的无人机路径规划方法性能的不稳定。
技术实现思路
1、针对基于传统遗传算法的无人机路径规划方法的低效和不稳定性问题，提出了一种基于rrt和专家遗传算法的无人机路径规划方法和系统。
2、本专利技术的技术方案为：
3、一种基于rrt和专家遗传算法的无人机路径规划方法，包括以下步骤：
4、步骤s1：使用粒子群-遗传算法进行无人机任务分配；首先将任务分配问题化简为旅行商问题tsp，并使用最优边界值问题obvp求解的最优轨迹来进行计算路径成本；然后使用粒子群-遗传算法pso-ga进行无人机任务分配，算法初始化为一群随机粒子，每一个粒子代表任务分配列表；接着使用贪心算法快速初始化种群，粒子通过(当前位置xi,个体最优值pbest,全局最优值gbest)三个值选择遗传和交叉更新个体；最后通过粒子更新迭代找到最优解，输出为每个单一无人机的任务目标点；
5、步骤s2：使用基于快速探索随机树rrt和专家策略遗传算法求解无人机的规划路径；对于s1步骤得到的每个单一无人机所得到的任务目标点后，首先使用快速探索随机树rrt辅助优化初始化种群，将对应点边权重增加即可完成初始化，输出为多条路径权重的种群；然后采用基于专家策略的遗传迭代算法对初始化种群的适应度进行求解；在迭代完成后，选取最优适应度的个体并取该个体的路径为最佳路径；
6、步骤s3：使用多无人机路径冲突检测对多架无人机的路径进行分层规划；首先通过对所有无人机的最佳路径进行时序化分解，通过对于不同无人机的时序化路径对比，求出冲突点；如果存在冲突路径就返回步骤s2进行新的规划；最后将得到所有无人机非冲突的路径通过多段轨迹优化方法msg为轨迹做出平滑化处理得到最终轨迹。
7、进一步的，具体包括以下步骤：
8、步骤s1:使用粒子群-遗传算法进行无人机任务分配；首先将任务分配问题化简为旅行商问题tsp，并使用最优边界值问题obvp求解的最优轨迹来进行计算路径成本；然后使用粒子群-遗传算法pso-ga进行无人机任务分配，算法初始化为一群随机粒子，每一个粒子代表任务分配列表；接着使用贪心算法快速初始化种群，粒子通过(当前位置xi,个体最优值pbest,全局最优值gbest)三个值选择遗传和交叉更新个体；最后通过粒子更新迭代找到最优解，输出为每个单一无人机的任务目标点；
9、在步骤s1中，粒子通过(当前位置xi,个体最优值pbeat,全局最优值gbest)三个值选择遗传和交叉更新个体，其具体更新公式表示为：
10、
11、其中为上代粒子的位置，为更新后的粒子位置，ω为惯性因子，c1为个体认知因子，c2为群体认知因子，α为交叉遗传因子，为上一代粒子的反方向路径，为本粒子在历史搜索空间中找到的适应度最大的值，gbest(j-1)为公共总种群历史搜索空间中最大适应度的值；
12、其中，ω、c1、c2三个参数自适应调整，具体表示为：
13、
14、其中(ωmax,c1max,c2max)表示权重的最大值，(ωmin,c1min,c2min)表示权重的最小值；iter表示现在的迭代次数，iter_max表示设定的总迭代上限；
15、步骤s2:使用基于快速探索随机树rrt和专家策略遗传算法求解无人机的规划路径；对于s1步骤得到的每个单一无人机所得到的任务目标点后，首先使用快速探索随机树rrt辅助优化初始化种群，将对应点边权重增加即可完成初始化，输出为多条路径权重的种群；然后采用基于专家策略的遗传迭代算法对初始化种群的适应度进行求解；在迭代完成后，选取最优适应度的个体并取该个体的路径为最佳路径；
16、在步骤s2中，快速探索随机树rrt辅助优化初始化种群方法，其具体步骤包括：
17、步骤a1：获取栅格化的地图，rrt采样树为tree；
18、步骤a2：在地图进行随机采样获取一个采样点srand，寻找树中离采样点最近的点snear；通过snear和srand的连线采样固定步数的新点snew＝δsnear+(1-δ)srand,其中δ为权重；
19、步骤a3：对snear和snew进行碰撞检测；如果没有碰到障碍物，则将snew加入tree；直到新点与终点的距离小于预设值γ；
20、步骤a4：在得到rrt初始化路径后，将对应点边权重增加，完成初始化；<本文档来自技高网...
【技术保护点】
1.一种基于RRT和专家遗传算法的无人机路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于RRT和专家遗传算法的无人机路径规划方法，其特征在于，具体包括以下步骤：
3.一种基于RRT和专家遗传算法的无人机路径规划系统，其特征在于，用于实施如权利要求1或2中任一所述的一种基于RRT和专家遗传算法的无人机路径规划方法，该系统包括以下模块：
【技术特征摘要】
1.一种基于rrt和专家遗传算法的无人机路径规划方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于rrt和专家遗传算法的无人机路径规划方法，其特征在于，具体包括以下...
【专利技术属性】
技术研发人员：朱勉宽，江波，钮子敬，徐宏，高明柯，逄涛，夏飞，陈思吉，李志强，
申请(专利权)人：华东计算技术研究所中国电子科技集团公司第三十二研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。