基于安全飛行走廊的無(wú)人機(jī)密集障礙規(guī)避算法

范力元,張浩哲,徐釗,呂明偉,胡勁文,趙春暉,劉曉斌

(1.西北工業(yè)大學(xué) 自動(dòng)化學(xué)院,陜西 西安 710072;2.西北工業(yè)大學(xué) 電子信息學(xué)院,陜西 西安 710072;3.沈陽(yáng)飛機(jī)設(shè)計(jì)研究所,遼寧 沈陽(yáng) 110035;4.西安現(xiàn)代控制技術(shù)研究所,陜西 西安 710065)

近年來(lái),隨著無(wú)人機(jī)技術(shù)的快速發(fā)展,無(wú)人機(jī)在許多方面取代了人工勞作,比如在地形勘探、災(zāi)難搜尋、邊界巡檢等方面[1]。與旋翼無(wú)人機(jī)相比,固定翼無(wú)人機(jī)在載荷、飛行距離等方面有明顯優(yōu)勢(shì),在作戰(zhàn)、運(yùn)輸?shù)阮I(lǐng)域具有更廣泛的應(yīng)用。無(wú)人機(jī)的路徑規(guī)劃是無(wú)人機(jī)自主控制中的一項(xiàng)關(guān)鍵技術(shù),由于固定翼飛行約束較強(qiáng),目前成熟的固定翼無(wú)人機(jī)路徑規(guī)劃通常是起飛前進(jìn)行的預(yù)規(guī)劃,中途遇到突發(fā)情況往往需要人為干預(yù),缺乏威脅規(guī)避的自主性,難以適應(yīng)低空復(fù)雜多障礙環(huán)境下的高動(dòng)態(tài)敏捷控制需求,例如對(duì)鳥群、樹木、建筑物等的防撞規(guī)避,以及機(jī)場(chǎng)附近密集空域下的無(wú)人機(jī)自主安全飛行。為了提升未來(lái)民用無(wú)人機(jī)空域集成安全與自主飛行安全能力,需要研究固定翼無(wú)人機(jī)在復(fù)雜多障礙環(huán)境下的自主“感知與規(guī)避技術(shù)”[2]。

傳統(tǒng)的障礙規(guī)避算法多用于無(wú)人車、無(wú)人船等智能體上。避障算法大致可以分為全局路徑規(guī)劃、局部路徑規(guī)劃以及與近年來(lái)發(fā)展迅猛的人工智能方法相結(jié)合的路徑規(guī)劃算法。全局路徑規(guī)劃方面,基于A*發(fā)展出了更加高效的迭代加深A(yù)*算法(iterative deepening A*,IDA*)、終身規(guī)劃A*算法(lifelong planning A*,LPA*)、雙向A*算法(bidirectional A*)[3-5];適用于動(dòng)態(tài)障礙物環(huán)境的D*,Focused D*、D*Lite算法[6-8];基于概率的概率地圖法(probabilistic road map,PRM)、快速搜索隨機(jī)樹法(rapidly-exploring random tree,RRT)、快速搜索隨機(jī)樹優(yōu)化算法(RRT*)[9-10]、雙向RRT*算法[11]。局部路徑規(guī)劃方面人工勢(shì)場(chǎng)法(artificial potential field,APF)[12]簡(jiǎn)單有效,被廣泛應(yīng)用于實(shí)際工程當(dāng)中;速度障礙法(velocity obstacle,VO)[13]選擇速度場(chǎng)中合適的避障行為來(lái)保證機(jī)器人的安全性;向量場(chǎng)直方圖算法(vector field histogram,VFH)、VFH+[14]利用障礙物信息對(duì)移動(dòng)機(jī)器人運(yùn)動(dòng)方向產(chǎn)生的影響達(dá)到避障效果;人工智能算法方面,應(yīng)用較早的引力搜索樹法(gravitational search algorithm,GSA)、模擬退火法(simulated annealing,SA)、遺傳算法(genetic algorithm,GA)、粒子群優(yōu)化算法(particle swarm optimization,PSO)[15-18]在路徑規(guī)劃算法方面取得了不錯(cuò)的應(yīng)用效果,人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)、監(jiān)督學(xué)習(xí)(supervised learning,SL)、強(qiáng)化學(xué)習(xí)(reinforcement learning,RL)也在路徑規(guī)劃方面取得了不錯(cuò)的效果[19-21]。固定翼無(wú)人機(jī)相比無(wú)人車、旋翼無(wú)人機(jī)等智能體有更多的運(yùn)動(dòng)學(xué)限制,上述避障算法不能簡(jiǎn)單應(yīng)用于固定翼無(wú)人機(jī)的避障。

針對(duì)固定翼無(wú)人機(jī)的避障問題,研究人員也做了許多相關(guān)研究。Vanegas等[22]使用與貝塞爾曲線近似的3D回旋曲線生成平滑曲線,引導(dǎo)無(wú)人機(jī)跟蹤實(shí)現(xiàn)障礙物規(guī)避。Lee等[23]基于三次貝塞爾曲線的樣條方法擴(kuò)展提出的樣條RRT*算法的樹結(jié)構(gòu),生成三維曲線，實(shí)現(xiàn)固定翼無(wú)人機(jī)三維空間中的障礙物規(guī)避。Keller等[24]將圖搜索算法和樣條采樣算法相結(jié)合,應(yīng)用于多固定翼無(wú)人機(jī)的障礙物規(guī)避。Benders等[25]在考慮固定翼無(wú)人機(jī)多飛行約束條件下,利用A*算法實(shí)現(xiàn)了有風(fēng)干擾環(huán)境中的3D路徑規(guī)劃。Song等[26]綜合A*和Dubins曲線實(shí)現(xiàn)了固定翼無(wú)人機(jī)的避障,相比傳統(tǒng)A*算法,此方法飛行效率更高。另外智能算法在固定翼無(wú)人機(jī)的避障方面也有應(yīng)用。Sanders等[27]結(jié)合無(wú)人機(jī)的動(dòng)力學(xué)特性和油耗、油門推力等,利用非支配排序遺傳算法實(shí)現(xiàn)了固定翼無(wú)人機(jī)到目標(biāo)點(diǎn)的最優(yōu)路徑規(guī)劃。Roberge等[28]使用遺傳算法(GA)和粒子群優(yōu)化算法(PSO),考慮無(wú)人機(jī)動(dòng)態(tài)特性實(shí)現(xiàn)無(wú)人機(jī)在復(fù)雜3D環(huán)境中的準(zhǔn)最優(yōu)路徑規(guī)劃,該團(tuán)隊(duì)在2018年[29]利用遺傳算法在GPU上運(yùn)動(dòng)生成適合于固定翼無(wú)人機(jī)的平滑路徑,實(shí)現(xiàn)固定翼無(wú)人機(jī)在滿足戰(zhàn)場(chǎng)高動(dòng)態(tài)環(huán)境中的障礙物規(guī)避。

相比上述提到的固定翼無(wú)人機(jī)障礙規(guī)避算法,本文所提算法能夠?qū)崿F(xiàn)復(fù)雜低空密集障礙物環(huán)境的障礙物規(guī)避。本算法考慮并滿足無(wú)人機(jī)機(jī)動(dòng)性的要求,不僅基于無(wú)人機(jī)當(dāng)前位置與障礙物位置,還考慮無(wú)人機(jī)未來(lái)航跡與障礙物的關(guān)系,實(shí)現(xiàn)障礙物規(guī)避,另外能夠通過調(diào)整障礙規(guī)避評(píng)價(jià)函數(shù)的權(quán)重向量,對(duì)避障算法進(jìn)行有傾向性的調(diào)節(jié)。以上功能對(duì)于安全性要求更嚴(yán)苛的固定翼無(wú)人機(jī)而言更加安全。

1 問題描述

1.1 固定翼無(wú)人機(jī)飛行建模

(1)

pk=pk-1+uk-1

(2)

式中：pk=[xk,yk,θk]分別表示k時(shí)刻航跡的坐標(biāo)點(diǎn)以及朝向;uk表示k時(shí)刻無(wú)人機(jī)的輸入控制量。

1.2 基于Dubins曲線的安全飛行走廊

1.2.1 Dubins曲線

對(duì)于固定翼無(wú)人機(jī)的航路規(guī)劃問題,首先要解決滿足諸如最小轉(zhuǎn)彎半徑等約束條件時(shí),2個(gè)航路點(diǎn)之間的最短路徑規(guī)劃問題。航路點(diǎn)包含的信息有二維平面坐標(biāo)點(diǎn)、偏航角,即Dubins曲線模型中包含的信息。Dubins[30]于1957年給出完備的Dubins路徑集,解決了有界曲率下2個(gè)點(diǎn)之間的最短路徑問題,最短路徑就包含在Dubins完備路徑集中,路徑集中的每條路徑由線段和圓弧組成。

圖1 Dubins軌跡示意圖(RSL)

為了減少最短路徑計(jì)算時(shí)間,Shkel等[31]對(duì)Dubins完備路徑集進(jìn)行啟發(fā)式改進(jìn),根據(jù)起點(diǎn)和終點(diǎn)的運(yùn)動(dòng)方向?qū)ubins路徑集分成幾種等價(jià)組,通過構(gòu)建等價(jià)組邏輯分類判斷,就能快速求得最短路徑。包含6種路徑類型的Dubins路徑集可以表示為S={LSL,LSR,LRL,RSR,RSL,RLR},最短路徑可以表示為

P(ps,pe)=

(3)

式中：ps=[xs,ys,θs]表示Dubins曲線的起始點(diǎn);pe=[xe,ye,θe]表示Dubins曲線的終止點(diǎn)；L為左旋轉(zhuǎn)圓?。籖為右旋轉(zhuǎn)圓??；S表示直線段。RSL類型的路徑示意圖如圖1所示。

1.2.2 固定翼無(wú)人機(jī)安全飛行走廊

在民航領(lǐng)域,國(guó)家統(tǒng)一規(guī)劃了飛機(jī)的航路圖,客機(jī)需要依據(jù)地面和機(jī)載的導(dǎo)航定位設(shè)備,按照預(yù)先設(shè)定的航路飛行。航路是具有上下限高度和寬度,類似于走廊的飛行通路,本文借鑒民用領(lǐng)域的相關(guān)規(guī)定,提出了基于Dubins曲線的飛行走廊定義方法。

如圖2所示,假設(shè)飛行軌跡起點(diǎn)為ps,局部終點(diǎn)為pe′,連接ps與pe′,定義飛行走廊的左寬度為Dl,飛行走廊的右寬度為Dr(飛行走廊的左右寬度如圖中藍(lán)色線段所示),另外根據(jù)任務(wù)需求,在飛行走廊的兩側(cè)增加安全閾值δ,飛行走廊的寬度最終可以定義為

Dw=Dl+Dr+2δ

(4)

圖2 基于Dubins曲線的飛行走廊示意圖

1.3 安全飛行評(píng)價(jià)函數(shù)

一般地,為躲避障礙物而進(jìn)行飛行航跡重規(guī)劃時(shí),障礙物規(guī)避路徑偏離原始路徑的程度越大,任務(wù)執(zhí)行效率越低而飛行的安全性越高;相反,任務(wù)執(zhí)行效率提高而飛行安全性卻降低了。本節(jié)的目的是設(shè)計(jì)一個(gè)能在任務(wù)效率和飛行安全性之間進(jìn)行權(quán)衡的多參數(shù)評(píng)價(jià)函數(shù),在保證飛行安全的前提下盡可能地靠近原始路徑。評(píng)價(jià)函數(shù)由障礙物與飛行走廊距離、局部終點(diǎn)偏移距離、未來(lái)航跡與障礙物距離三部分構(gòu)成。

1) 障礙物與飛行走廊距離:假設(shè)計(jì)算得到的路徑局部終點(diǎn)為pe′=(xe′,ye′,θe′),連接起點(diǎn)ps和局部終點(diǎn)pe′,得到一條滿足(5)式的直線。

(ye′-ys)x+(xe′-xs)+(xe′ys-ye′xs)=0

(5)

障礙物與飛行走廊之間的距離Di可以由(6)式計(jì)算得到

Di=

(6)

2) 局部終點(diǎn)偏移距離:飛行航跡的局部終點(diǎn)與原始終點(diǎn)的距離可以表示為

Dpe′,e=‖pe′-pe‖

(7)

3) 未來(lái)航跡與障礙物距離:未來(lái)路徑與障礙物的最小距離可以由(8)式計(jì)算得到

(8)

綜上所述,基于Dubins飛行走廊的避障優(yōu)化函數(shù)可以設(shè)計(jì)為

(9)

式中：[η1η2η3]為權(quán)重向量,用戶可以根據(jù)具體的任務(wù)場(chǎng)景及需求設(shè)定相應(yīng)的權(quán)重；Ro,i表示下標(biāo)為i障礙物的半徑。

基于以上定義,無(wú)人機(jī)的障礙物規(guī)避問題就可以描述為

(10)

2 基于蒙特卡洛采樣的數(shù)值優(yōu)化算法

2.1 DBSCAN聚類算法

為了生成無(wú)碰撞的路徑,要先確定感知范圍內(nèi)的可飛行區(qū)域和不可飛行區(qū)域?？紤]到空間中的障礙物可能很多,為了減小蒙特卡洛采樣法的搜索空間,本文采用DSBCAN算法對(duì)感知范圍內(nèi)的所有障礙物進(jìn)行空間聚類處理。DSBCAN算法根據(jù)障礙物之間的距離等評(píng)價(jià)指標(biāo)來(lái)定義障礙物之間的密度,當(dāng)感知范圍內(nèi)的障礙物滿足相應(yīng)的密度要求時(shí),將相應(yīng)的障礙物區(qū)域視為空間障礙簇,即為不可飛行區(qū)域。

假設(shè)無(wú)人機(jī)與障礙物之間的最小安全距離為Dmin,當(dāng)障礙物的距離滿足

‖po,i-po,j‖≥2Dmin+Ro,i+Ro,j

(11)

則說(shuō)明無(wú)人機(jī)能從下標(biāo)為i和j的障礙物之間穿過,其中Ro,i和Ro,j表示下標(biāo)為i和j障礙物的半徑。因此,DBSCAN算法的參數(shù)可以設(shè)置為：

1)Rmin=2Dmin+Ro,i+Ro,j,Rmin為最短領(lǐng)域半徑。

2)Pmin=1;Pmin表示領(lǐng)域內(nèi)障礙物的最少個(gè)數(shù)。

2.2 蒙特卡洛采樣算法

局部終點(diǎn)的計(jì)算,即評(píng)價(jià)函數(shù)的求解問題。由2.1節(jié)可知,評(píng)價(jià)函數(shù)是不可導(dǎo)且不具有解析形式的,評(píng)價(jià)優(yōu)化函數(shù)的解析解也就不能顯式求得,蒙特卡洛采樣法是一種具有概率完備性的、基于統(tǒng)計(jì)采樣的近似推理方法,它是求解近似解的有力方法,因此本文采用蒙特卡洛采樣法來(lái)近似逼近評(píng)價(jià)優(yōu)化函數(shù)的最優(yōu)解。

圖3 蒙特卡洛采樣區(qū)間

如圖3所示,蒙特卡洛采樣法只能在傳感器探測(cè)范圍且滿足Dubins曲線模型的限制區(qū)域內(nèi)采樣(即圖中藍(lán)色虛線部分),采樣獲得一組二維坐標(biāo)隨機(jī)采樣點(diǎn):{(x1,y1),(x2,y2),…,(xnmc,ynmc)},其中nmc是隨機(jī)采樣點(diǎn)的數(shù)量。由此,優(yōu)化問題轉(zhuǎn)化成

(12)

總結(jié)以上步驟,完整的避障路徑規(guī)劃算法執(zhí)行步驟如表1所示。

表1 避障路徑規(guī)劃算法執(zhí)行步驟

3 算法仿真驗(yàn)證

3.1 密集障礙環(huán)境中的無(wú)人機(jī)避障仿真

本節(jié)在MATLAB R2017b中總計(jì)進(jìn)行了100次無(wú)人機(jī)避障仿真,其中前50次均采用同一環(huán)境和無(wú)人機(jī)參數(shù)進(jìn)行重復(fù)實(shí)仿真,后50次采用另外一組環(huán)境和無(wú)人機(jī)參數(shù)進(jìn)行對(duì)照,驗(yàn)證該算法在不同環(huán)境中的避障效果。在2個(gè)仿真環(huán)境中隨機(jī)生成多個(gè)障礙物,并且在2個(gè)環(huán)境中無(wú)人機(jī)可飛行區(qū)域內(nèi)隨機(jī)確定無(wú)人機(jī)的初始位置與目標(biāo)位置。首先人為設(shè)置無(wú)人機(jī)任務(wù)路徑的點(diǎn)集,再基于任務(wù)路徑點(diǎn)集,通過Dubins算法生成一條滿足固定翼無(wú)人機(jī)飛行約束的光滑曲線,獲得的曲線作為無(wú)人機(jī)的任務(wù)路徑。接下來(lái)設(shè)置本文所提避障算法的參數(shù),前50次仿真為一組,后50次仿真為另一組,參數(shù)如表2所示。

表2 仿真參數(shù)設(shè)置

每進(jìn)行一次仿真就會(huì)進(jìn)行若干次蒙特卡洛采樣,每次蒙特卡洛采樣會(huì)采集到若干個(gè)位于采樣區(qū)域的點(diǎn),然后根據(jù)這些采樣點(diǎn)得到最優(yōu)局部終點(diǎn)。將前50次仿真中所有相對(duì)應(yīng)的局部最優(yōu)點(diǎn)進(jìn)行均值化,得到第一組數(shù)據(jù);同理,另一組環(huán)境下將得到第二組數(shù)據(jù)。下面對(duì)這2組不同環(huán)境中的數(shù)據(jù)繪制圖像進(jìn)行具體分析。

第一組的仿真結(jié)果如圖4所示。圖中隨機(jī)散落著一些障礙物點(diǎn),紅色曲線代表預(yù)設(shè)的任務(wù)路徑,無(wú)人機(jī)在跟隨任務(wù)路徑飛行的過程當(dāng)中,傳感器不斷對(duì)環(huán)境進(jìn)行感知,若感知到障礙物,無(wú)人機(jī)則會(huì)依據(jù)本文提出的算法進(jìn)行路徑規(guī)劃。規(guī)劃的路徑如圖4a)中黑色曲線所示,原始任務(wù)路徑中被替代的曲線段由圖中綠色曲線所示。從圖4a)中還可以看出,當(dāng)規(guī)劃的避障路線中仍有障礙物時(shí),算法對(duì)路徑進(jìn)行了二次重規(guī)劃。最終無(wú)人機(jī)完成飛行任務(wù)時(shí)的飛行路線如圖4b)中藍(lán)色曲線所示。

圖4 第一組仿真結(jié)果

第二組仿真結(jié)果如圖5所示。和第一組仿真一樣,無(wú)人機(jī)在隨機(jī)散落障礙物的地圖中成功地規(guī)劃出一條從起點(diǎn)到終點(diǎn),規(guī)避任務(wù)路徑中所有障礙物的避障路線。以上仿真結(jié)果都驗(yàn)證了本文所提出算法的有效性。

圖5 第二組仿真結(jié)果

在上面2組實(shí)驗(yàn)中,無(wú)人機(jī)都能避開規(guī)劃航跡上的障礙,若無(wú)人機(jī)的任務(wù)路徑點(diǎn)上沒有障礙物,則得到一個(gè)經(jīng)過所有無(wú)人機(jī)任務(wù)路徑點(diǎn)集的最短路徑;若有個(gè)別路徑點(diǎn)與障礙物重疊,則根據(jù)上述算法繞開障礙再向下一路徑點(diǎn)飛行。

3.2 基于MPC軌跡跟蹤的固定翼無(wú)人機(jī)障礙規(guī)避仿真

考慮到無(wú)人機(jī)在實(shí)際飛行中很難實(shí)現(xiàn)對(duì)航路的零誤差跟蹤,本節(jié)以模型預(yù)測(cè)控制為軌跡跟蹤控制器,模擬無(wú)人機(jī)對(duì)目標(biāo)路徑的跟蹤效果,以進(jìn)一步驗(yàn)證本文所提出算法的實(shí)用性。

設(shè)置起始狀態(tài)為:ps=[1 200 m,200 m,235°],目標(biāo)狀態(tài)為:pe=[800 m,2 700 m,235°],利用3.1節(jié)中描述的任務(wù)路徑生成方法生成任務(wù)路徑。設(shè)置無(wú)人機(jī)最小轉(zhuǎn)彎半徑ρ=250 m,傳感器探測(cè)角度θ=30°,傳感器探測(cè)距離為d=1 000 m,障礙威脅評(píng)價(jià)函數(shù)權(quán)重η=[η1,η2,η3],分別為航線偏離程度、局部終點(diǎn)偏移距離、未來(lái)航跡與障礙物距離的權(quán)重。

無(wú)人機(jī)在按任務(wù)路徑飛行時(shí),如果沒有探測(cè)到障礙物,則無(wú)人機(jī)通過模型預(yù)測(cè)控制器以任務(wù)路徑為參考路徑實(shí)行跟蹤控制;如無(wú)人機(jī)探測(cè)到障礙物,則由本文提出的算法進(jìn)行路徑規(guī)劃以躲避障礙物,此時(shí)無(wú)人機(jī)通過模型預(yù)測(cè)控制器以規(guī)劃的避障路徑為參考路徑進(jìn)行跟蹤。仿真結(jié)果如圖6所示,圖中藍(lán)色路徑為無(wú)人機(jī)的任務(wù)路徑,黑色路徑為無(wú)人機(jī)實(shí)時(shí)參考的路徑,紅色路徑為無(wú)人機(jī)最終飛行的路徑。

圖6 無(wú)人機(jī)跟蹤軌跡

由圖6可以看出無(wú)人機(jī)在任務(wù)起初階段未探測(cè)到障礙物,以目標(biāo)路徑為參考路徑進(jìn)行跟蹤飛行,當(dāng)探測(cè)到障礙物時(shí)對(duì)障礙物進(jìn)行聚類歸并(歸并的障礙物由相同的顏色表示),并由上文提出的路徑規(guī)劃算法計(jì)算出一條避障路徑,此時(shí)無(wú)人機(jī)以避障路徑為參考路徑進(jìn)行實(shí)時(shí)跟蹤,當(dāng)無(wú)人機(jī)實(shí)現(xiàn)對(duì)障礙物的規(guī)避之后,無(wú)人機(jī)又以任務(wù)路徑為參考路徑進(jìn)行跟蹤飛行。由仿真結(jié)果還可以看出在跟蹤目標(biāo)路徑時(shí),模型預(yù)測(cè)控制器的跟蹤誤差較小,但是在跟蹤避障路徑時(shí),由于無(wú)人機(jī)機(jī)動(dòng)性的約束,存在較大的跟蹤誤差。從飛行過程整體上看,無(wú)人機(jī)實(shí)現(xiàn)了對(duì)任務(wù)路徑的跟隨,并且成功規(guī)避了任務(wù)路徑上的障礙物。仿真結(jié)果進(jìn)一步證明了本文所提出算法的有效性。

在圖7的仿真結(jié)果中展現(xiàn)了蒙特卡洛采樣的過程。蒙特卡洛采樣次數(shù)設(shè)置為100(采樣點(diǎn)在圖中用黑色圓圈表示),其余參數(shù)設(shè)置與本節(jié)仿真參數(shù)設(shè)置類似。

圖7 蒙特卡洛采樣示意圖

上述2次仿真設(shè)置了不同的障礙威脅評(píng)價(jià)函數(shù)權(quán)重向量,仿真結(jié)果圖7a)中權(quán)重向量η=[0.3,0.3,0.4],仿真結(jié)果圖7b)中權(quán)重向量η=[0.2,0.6,0.2],可以看出蒙特卡洛采樣點(diǎn)通常位于采樣區(qū)域邊緣的位置,通過改變權(quán)重向量,可以改變最優(yōu)路徑點(diǎn)在采樣區(qū)域中的分布趨勢(shì)。多次仿真實(shí)驗(yàn)后,設(shè)置不同的權(quán)重向量影響無(wú)人機(jī)避障過程中對(duì)于航線偏離程度、局部終點(diǎn)偏移距離、未來(lái)航跡與障礙物距離3個(gè)部分。取場(chǎng)景1中的一個(gè)避障過程,分析不同權(quán)值對(duì)局部終點(diǎn)偏移距離、未來(lái)航跡與障礙物距離的影響，結(jié)果如表3所示。

表3 權(quán)值向量設(shè)置

上述仿真中,航線偏離程度隨著局部終點(diǎn)偏移距離的減小而減小,未來(lái)航跡與障礙物距離的變化與之相同。即當(dāng)權(quán)重值η2越大,局部最優(yōu)路徑點(diǎn)傾向于靠近障礙物,這與局部終點(diǎn)偏移距離越小,飛行成本越低的事實(shí)相吻合;當(dāng)η1和η3參數(shù)占比越大,局部最優(yōu)路徑點(diǎn)傾向于遠(yuǎn)離障礙物,這與障礙物與飛行走廊距離、未來(lái)航跡與障礙物距離越遠(yuǎn),飛行安全越高的事實(shí)相吻合。通過以上仿真結(jié)果與分析說(shuō)明了障礙威脅評(píng)價(jià)函數(shù)設(shè)置的有效性。針對(duì)危險(xiǎn)系數(shù)較高的障礙物,需要盡可能地遠(yuǎn)離,并且要提前進(jìn)行規(guī)避,這種情況下通常將權(quán)重值η2設(shè)置小一點(diǎn),使得無(wú)人機(jī)避障軌跡的局部最優(yōu)路徑點(diǎn)遠(yuǎn)離障礙物;對(duì)于危險(xiǎn)系數(shù)低或者半徑較小的障礙物,出于減少飛行航程節(jié)省燃料等因素,趨向于將權(quán)值η2設(shè)置大一點(diǎn),使得無(wú)人機(jī)盡可能靠近障礙物繞行。另外仿真中蒙特卡洛的采樣細(xì)節(jié)如圖8所示。

圖8 蒙特卡洛采樣細(xì)節(jié)圖

4 結(jié) 論

針對(duì)固定翼無(wú)人機(jī)避障問題,提出了一種基于安全飛行走廊的密集障礙避障算法。首先建立了固定翼無(wú)人機(jī)的運(yùn)動(dòng)學(xué)模型與軌跡模型、給出了無(wú)人機(jī)安全飛行走廊的定義、構(gòu)建了考慮無(wú)人機(jī)飛行成本、飛行安全,針對(duì)安全飛行走廊的障礙威脅評(píng)價(jià)函數(shù),并將無(wú)人機(jī)的避障問題轉(zhuǎn)化為目標(biāo)點(diǎn)的求解問題;然后針對(duì)障礙物密集造成計(jì)算復(fù)雜的問題,通過DBSCAN算法將滿足條件的障礙物聚類,減小計(jì)算的復(fù)雜程度,再通過蒙特卡洛采樣法逼近無(wú)人機(jī)避障路徑局部最優(yōu)終點(diǎn),基于無(wú)人機(jī)的當(dāng)前位置與避障路徑的局部最優(yōu)終點(diǎn)通過Dubins曲線規(guī)劃出固定翼無(wú)人機(jī)障礙規(guī)避路徑,最終使得避障路徑盡可能靠近任務(wù)路徑,將飛行軌跡限制在一個(gè)飛行走廊當(dāng)中。

本文所設(shè)計(jì)的算法能夠讓無(wú)人機(jī)在復(fù)雜密集多障礙環(huán)境中規(guī)劃出一條滿足無(wú)人機(jī)機(jī)動(dòng)性約束的、綜合考慮無(wú)人機(jī)飛行安全與飛行效率的飛行路徑,對(duì)于安全性要求嚴(yán)苛的固定翼無(wú)人機(jī)而言更加安全。另外能夠通過調(diào)節(jié)障礙威脅評(píng)價(jià)函數(shù)中的權(quán)重,對(duì)無(wú)人機(jī)避障路徑進(jìn)行有偏向性的調(diào)節(jié),使規(guī)劃的避障路徑更好地與任務(wù)目的相匹配。