【技术实现步骤摘要】
本专利技术属于轨迹优化领域，尤其涉及无人机-无人车联合轨迹优化方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、多旋翼无人机因体积小、操作灵活、行动范围大等优势，广泛应用于物流运输、军事勘察、电路巡检、灾区救援等众多领域。然而，无人机的续航及载重能力有限，需要与其它智能体尤其是无人车进行协同，借助无人车运载量大、续航持久的优势，共同完成大型复杂任务。在整个无人系统中，无人机和无人车分别执行各自任务，必要时相互配合。例如，物流配送场景下，搭载众多货物的无人车按照规划的路线行驶，无人机随时将无人车上的货物送往指定区域，并自主返回无人车。该任务下，无人机和无人车都需要进行轨迹规划，根据任务要求和环境信息生成各自的无碰撞轨迹。
3、在现有的轨迹优化方法中，无人车和无人机的轨迹往往独立进行优化，致使无人系统完成复杂任务的能力弱，也无法确保在汇合点处的轨迹质量。此外，无人车的轨迹是二维的而无人机的轨迹是三维的，这种空间维度上的不匹配也对联合轨迹优化带来了挑战。
技术实现思路
1、为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供无人机-无人车联合轨迹优化方法及系统，其在生成离散路径点和安全可行域后，无人机和无人车根据安全可行域和起始点生成参考轨迹，并将轨迹根据期望速度分为多个路径点和对应的时间；构建无人机和无人车的联合轨迹优化函数，随后添加避障约束惩罚项、瞬时状态约束惩罚项、高度约束惩罚项、能耗约束惩
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一方面提供无人机-无人车联合轨迹优化方法，包括如下步骤：
4、根据任务要求和环境信息，生成无人机和无人车的离散路径点和安全可行域；
5、分别根据无人机和无人车的起始位置点和安全可行域生成参考轨迹，并根据期望速度将参考轨迹表示为多个路径点和每个路径点对应的时间；
6、构建无人机和无人车的联合轨迹优化函数；
7、构建无人机和无人车的约束函数，包括：分别根据无人机和无人车的安全可行域构建避障约束惩罚项，根据无人机和无人车的动力学模型构建瞬时状态约束惩罚项，对无人车的位置施加高度约束，根据无人机能耗模型构建能耗约束惩罚项；计算每项约束对于约束变量的梯度；
8、根据无人机和无人车的联合轨迹优化函数和无人机和无人车的约束函数求解得到优化后的路径点和对应的时间，采用优化后的路径点和对应的时间表示得到最终的优化轨迹。
9、进一步地，无人机和无人车的联合轨迹优化函数为：
10、，
11、其中，为无人机实时状态的平坦输出量，为无人车实时状态的平坦输出量，为总的任务时间，为当前时间，为维度合适的正对角矩阵，为平坦输出量的阶数。
12、进一步地，计算每项约束对于约束变量的梯度，包括：
13、避障约束惩罚项对于坐标的梯度，速度、加速度、姿态角和推力的瞬时状态约束惩罚项对于无人机速度、加速度和加加速度的梯度，速度、纵向加速度、切向加速度和曲率的瞬时状态约束惩罚项对于无人车速度和加速度的梯度；高度约束惩罚项对于无人车高度的梯度；能耗约束惩罚项对于无人机速度的梯度。
14、进一步地，无人机或无人车某一时刻的坐标点或对于安全可行域中第个超平面的避障约束惩罚项设置为或：
15、，
16、，
17、其中，和分别为无人机或无人车在某一时刻的坐标，和分别为无人机和无人车安全可行域中第个超平面的法向量，和为该超平面的固定参数。
18、进一步地，瞬时状态约束惩罚项构建时，包括：
19、对于无人机在时刻的坐标来说，根据最大速度约束、最大加速度约束、最大俯仰角约束和最大推力约束分别构建速度约束惩罚项、加速度约束惩罚项、姿态角约束惩罚项和推力约束惩罚项：
20、（4），
21、（5），
22、（6），
23、（7），
24、其中，,和分别代表无人机在时刻的速度、加速度和加加速度，为用无人机速度、加速度和加加速度表示的无人机姿态角，为用无人机速度、加速度和加加速度表示的无人机螺旋桨推力，和为无人机的最大速度、最大加速度、最大姿态角和最大推力；
25、对于无人车在时刻的坐标来说，根据最大速度约束、最大纵向加速度约束、最大切向加速度约束和最大曲率约束分别构建速度约束惩罚项、纵向加速度约束惩罚项、切向加速度约束惩罚项和曲率约束惩罚项：
26、，
27、，
28、，
29、，
30、其中，和分别代表无人车在时刻的速度与加速度，和为无人车的最大速度、最大纵向加速度、最大切向加速度和最大曲率，为一个辅助的反对称矩阵。
31、进一步地，若任务要求中包含降落任务，还包括构建无人机的构建终端约束惩罚项，并求得终端约束惩罚项对于无人机各姿态量的梯度。
32、进一步地，所述根据无人机和无人车的联合轨迹优化函数和无人机和无人车的约束函数求解得到优化后的路径点和对应的时间，包括如下步骤：
33、对约束变量进行梯度传递，将已有的惩罚项对各个约束变量的梯度转化为约束项对路径点和时间的梯度；
34、对路径点和时间进行时空映射来消除时间和空间上的约束，将映射后的路径点和时间作为优化变量；
35、将优化变量和联合轨迹优化函数放入到求解器中进行求解，得到优化后的路径点和对应的时间。
36、本专利技术的第二方面提供无人机-无人车联合轨迹优化系统，包括：
37、初始路径生成模块，用于根据任务要求和环境信息，生成无人机和无人车的离散路径点和安全可行域；分别根据无人机和无人车的起始位置点和安全可行域生成参考轨迹，并根据期望速度将参考轨迹表示为多个路径点和每个路径点对应的时间；
38、优化模型构建模块，用于构建无人机和无人车的联合轨迹优化函数；
39、构建无人机和无人车的约束函数，包括：分别根据无人机和无人车的安全可行域构建避障约束惩罚项，根据无人机和无人车的动力学模型构建瞬时状态约束惩罚项，对无人车的位置施加高度约束，根据无人机能耗模型构建能耗约束惩罚项；计算每项约束对于约束变量的梯度；
40、轨迹优化模块，用于根据无人机和无人车的联合轨迹优化函数和无人机和无人车的约束函数求解得到优化后的路径点和对应的时间，采用优化后的路径点和对应的时间表示得到最终的优化轨迹。
41、本专利技术的第三方面提供一种计算机可读存储介质。
42、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的无人机-无人车联合轨迹优化方法中的步骤。
43、本专利技术的第四方面提供一种计算机设备。
44、一种计算机设备，包括存储本文档来自技高网...
【技术保护点】
1.无人机-无人车联合轨迹优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，无人机和无人车的联合轨迹优化函数为：
3.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，计算每项约束对于约束变量的梯度，包括：
4.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，无人机或无人车某一时刻的坐标点或对于安全可行域中第个超平面的避障约束惩罚项设置为或：
5.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，瞬时状态约束惩罚项构建时，包括：
6.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，若任务要求中包含降落任务，还包括构建无人机的构建终端约束惩罚项，并求得终端约束惩罚项对于无人机各姿态量的梯度。
7.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，所述根据无人机和无人车的联合轨迹优化函数和无人机和无人车的约束函数求解得到优化后的路径点和对应的时间，包括如下步骤：
8.无人机-无人车联合
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的无人机-无人车联合轨迹优化方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的无人机-无人车联合轨迹优化方法中的步骤。
...【技术特征摘要】
1.无人机-无人车联合轨迹优化方法，其特征在于，包括如下步骤：
2.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，无人机和无人车的联合轨迹优化函数为：
3.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，计算每项约束对于约束变量的梯度，包括：
4.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，无人机或无人车某一时刻的坐标点或对于安全可行域中第个超平面的避障约束惩罚项设置为或：
5.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，瞬时状态约束惩罚项构建时，包括：
6.如权利要求1所述的无人机-无人车联合轨迹优化方法，其特征在于，若任务要求中包含降落任务，还包括构建无人机的构建终端...
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。