搜救行动(SAR)发生在任何紧急情况下的人,他们的生命处于危险之中。这些操作是当今先进技术的帮助下,如无人机(uav)。在这个工作中,提出了几种方法来计算无人机离散路径规划。之前,执行一个智能搜索区域的特征来估计一个潜在的风险/占用程度的网格映射。这个评估主要是基于模糊逻辑,考虑不同的因素。然后,应用四种方法来计算路径规划:一个原始提议叫吸引力,模糊逻辑,简称ANFIS和PSO算法。所有这些计算路径点的位置是紧随其后的是无人机最小化距离和人们暴露风险。然后,这些策略适应多个无人机搜索的可能性,同时,和蜂群的形成进行了探讨。最后,路径规划这四个解决方案,包括不同数量的无人机,测试在一个真实的模拟场景,然后每个方法的性能进行了分析和比对。
不幸的是,每年都有一些新闻的自然灾害,如火灾或地震影响的城市,城镇,自然环境。除此之外,我们也看到人类悲剧海上事故或人迷失在危险的地方。所有这些情况下,和很多人一样,有一个共同的重要方面。他们受到许多人的生命在这些情况下以一种方式或另一种危险,一个直接的风险。 最重要的方面在这些情况下,甚至在开始减轻风险(即。灭火火),潜在的幸存者的搜救(SAR)。特区过程是由专业团队,即使冒自己的生命危险去救别人。 幸运的是,这些特区团队,在大多数的情况下,配备了先进的技术,现在包括无人驾驶飞行器(无人机)来改善人们搜索并防止救援队经历危险的地方找到幸存者的没有真正的证据( 这些自主车辆在过去的十年里经历了巨大的发展。无人机现在使用在许多不同的应用,如国防、监测、或包交付等( 许多这样的应用程序使用自动控制飞行器,它能够通过一个预先计划的飞行轨迹,甚至做出实时决策的轨迹。然而,大多数的商业无人机仍然使用一个场外的飞行员和一个固定的预先计划的轨迹( 这项工作的最终动机是找到人在SAR操作风险尽可能快,使用全自动无人机配备车载摄像头。因此,我们提出了一些策略来优化这个搜索。危险的路径规划考虑一个特定的场景中,会有一些地方比别人更高的风险。要做到这一点,我们首先开发了一种基于模糊逻辑的方法来描述表面探索和评估潜在风险的程度和人们在那个点的概率。 然后,我们已经开发出一种离散路径规划找到尽快使用以前生成的地图分析。四种智能离散路径规划策略将被实现和测试在一个真实的场景。最后,我们将展示的无人机群形成影响人们搜索的速度和有效性。 下列主题的范围不包括在这项工作:无人机机载控制和避障和无人机路径跟踪和图像处理。事实上,我们不使用无人机的动力学模型。计算路径规划轨迹以及一些离散点,对应于不同细胞的地图搜索区域划分。无人机移动从一个细胞到另一个(邻)以一个恒定的速度。细胞的数量访问了轨迹的长度,因此所花费的时间。 本文的组织结构如下:部分
搜索和救援(SAR)操作必须由主管当局在紧急情况下,涉及到人的危险。这些突发事件的性质可以不同;因此,风险将随紧急,因此SAR的使命也适应的场景。一些紧急情况下,例如,人们迷失在不适宜居住的地方,火灾、飞机或船事故、自然灾害如滑坡、洪水和地震( 自主机器人和车辆被用来执行任务在危险的环境中,如在核电站运营,探索火星,和监视敌人的战场( 但仍计划搜救任务的获得路径或轨迹是一个具有挑战性的问题,需要仔细考虑。无人机自主飞行可以基于一个预先计划的路径或甚至可以在线计算( 如今离散搜索是一个有趣的话题,许多应用程序。例如,在建立基础设施监测、机器人检查是必不可少的一个有效的路径规划算法的大型表面使用计算机视觉[ 离散路径规划有不同的方法。这本书由Kallmann Kapadia [ 锚点之间的路径的优化也解决了几个作者。他们中的许多人使用遗传算法(GA) [
在搜索和救援的过程中,需要利用可用性的增加有关灾难来自不同来源的数据。特别是,这些信息可以是一个宝贵的资源来推动无人机飞行路径的规划空间,以发现那些在危险 这个区域描述涉及的分析表面的搜索将和量化的特征。的输入是一个映射区域覆盖。这张地图分为网格的细胞。这些细胞将指定值的潜在风险和入住率将用于计算路径点,无人机将遵循。 网格分区,它假定无人机能够跟踪整个细胞位于它的几何中心。也就是说,细胞的大小不会超过该地区由无人机的车载摄像头。但这是很难估计,因为它取决于两个主要因素:高度的无人机和镜头的孔径角。同时,无人机的高度,在视觉跟踪的情况下,相机的特点将是有限的。事实上,如果海拔太高,相机将无法正确集中,因此跟踪将不会工作。考虑到这个,考虑到我们正在与一个离散的场景以理论的方式,一个100×100 m细胞大小的限制。这个值可以根据技术规格比例所使用的传感器。 一旦确定网格的大小,细胞的数量计算简单的我们正在探索的特定区域。 这个工作是一个真实的案例的应用场景。宣布2016年8月,一场森林大火在拉帕尔玛岛,在加那利群岛(西班牙)。大火持续了几天影响超过4000公顷,也就是说,6.8%的表面(图 在图 一旦定义了区域覆盖和网格分区,每个细胞的潜在风险/占用值估计。 潜在风险/入住率地图的目的是给一个值的每一个细胞的可能性被人占领了,在这种情况下,潜在危害生命的那个人。 计算这个值来自不同来源的一些信息是必要的。获得潜在的占用我们需要知道,例如,频率区域是人们浏览过了。潜在风险可以由突发事件的类型。此信息可以来自领域专家的分析和/或从历史数据。我们将考虑两个主要组件定义地图,地形和应急因素。他们是由模糊推理系统(FIS)。 地形FIS作为输入变量命名<我talic>
住 地形因子输入。 两个输入变量被定义为模糊(<我talic>
住
输出是由三个三角形定义模糊集(低,中,高)。通过应用专家知识,获得的模糊规则,如下: 该模糊系统的输出最终加权的<我talic>
交通 这<我talic>
Pterrain 表 举个例子,如果保持输入高,地形因素的贡献的风险/占用值细胞应该高(会有那里的人),但同时这个值将平衡其他两个因素,交通和风险。不管怎样,如果保持较高的风险很有可能那个地方很低(无风险),此外交通因素将低(道路、访问的地方),减少最终贡献的风险。 同样的推理应用于确定紧急金融中间人。模糊输入变量<我talic>
影响 应急因素输入。 地形输入值。 例如,如果一个特定的区域是强烈影响,和事故的类型是危险的对于生活的人来说,这个FIS的值将会很高。它将由香港团队是否思考甚至已经在附近,减少风险和入住率。 最后,关于的重要性<我talic>
Pterrain 我们估计这些模糊推理系统的结果,<我talic>
地形 拉帕尔玛地形紧急(a)和(b)地图。 相对应的颜色代表的价值因素,细胞,从深蓝色(值0),黄色(1)值图 然后两个贡献结合根据的关系( 拉帕尔玛潜在风险/入住率地图。 第三项( 可以看到不同元素的区域;例如,一些道路可以清楚地识别和黄色区域对应于森林,更高的风险值和火灾发生的地方。
住 它描述了该地区是否常去的人。高值增加潜在的入住率。这些信息可以从分析获得的区域和/或历史数据。
危害 它量化固有的危险区域,受到野生动物的影响,天气条件,地形访问,等更高的值增加潜在风险。
交通 它表达了是否该地区通常是运送的人,这意味着人们可以更容易被其他人发现。潜在的入住率和这些领域的风险减少。
规则 住 危害 输出
1 高 高 高
2 高 低 低
3 媒介 高 高
4 媒介 低 媒介
5 低 高 媒介
6 低 低 低
影响 它代表了该地区是如何受突发事件的影响。高值增加潜在风险和低价值相反。
受伤 它描述了人们受伤的可能性。高值增加潜在风险。
SAR团队位置 它描述了SAR团队的位置,例如,他们有多接近应急区域。如果现货已经覆盖,这一点是取消的必要性。
描述
主要道路 0.2 0.8 0.1
Sec公路1 0.4 0.6 0.2
Sec公路2 0.6 0.4 0.2
附近的森林 0.4 0.4 0.3
平原 0.3 0.7 0.2
森林类型1 0.6 0.4 0.4
森林2型 0.8 0.3 0.5
森林类型3 0.9 0.1 0.7
山 0.5 0.5 0.3
沙漠 0.9 0.2 0.6
四个离散路径规划的方法已被开发和应用,三个人使用技术来自于人工智能领域。最终的目的是定义路径点无人机必须遵循,为了找到尽快SAR操作中涉及的人员和他们的生活的风险降到最低。 以最快的方式找到一个人,有必要探索整个地区旅行的距离最小化。此外,不仅时间还必须最小化风险,因此,无人机应该首先去那些风险较高的地区或更危险。很难解决这两个问题同时,首先潜在风险较高的领域/入住率将访问,然后也会最小化的距离,寻找一个好的这两个目标之间的权衡。 一直说,车载摄像头应该是能够跟踪整个细胞的网格分区和路径点位于这些细胞的中心。路径规划是由细胞然后设置顺序应该经历。 检查解决方案的质量,结果量化的两个数据: 距离<我nline-formula>
重量<我nline-formula>
这四个方法的场景是24×24细胞图如图 这种所谓的<我talic>
吸引力的方法 在我们的例子中,最后一点是未知的。定义它,吸引价值估计为每个细胞,细胞吸引最高的值将是下一个路标。魅力值直接取决于细胞的潜在风险/入住率和距离当前位置( 该算法试图去点高<我nline-formula>
然而,根据这一提案,景点的距离大于潜在风险/占用价值。事实上,轨迹试图最小化距离和潜在风险/入住率。同时最小化距离很有趣,尽量减少重量是更重要的,因为它是至关重要的先走到细胞,寻找更高的概率。因此,( 在( 两个改进是为了得到一个更好的解决方案。第一个是关于轨迹的连续性。为了避免连续细胞之间跳跃序列条件规则实现。根据这个,如果连续两个锚点位于同一垂直或水平,这两点之间的所有细胞都变成自动中转地点。这样这些细胞被认为是已经跟踪和无人机将不必倒退去探索它们。 第二个增强算法的路径选择。细胞的最大吸引力是选为路标,但有时不止一个细胞具有相同的最大价值。最初第一个最大的发现被选中,所以路径依赖的起点。控制策略被应用于避免这种偏见。第一个路标将细胞,最大魅力值,周围是细胞高<我nline-formula>
之后,找到的吸引力矩阵的最大值<我nline-formula>
所有这些修改,运行一个模拟拉帕尔玛地图上显示这种方法(图 拉帕尔玛<我talic>
吸引力 轨迹从左上角开始,覆盖整个表面。这似乎是一致的,具有良好的连续性。距离是680单位的价值和重量是37392。正如预期的那样,轨迹开始穿过绿色的淡蓝色细胞,快速覆盖地图(高的黄色部分<我nline-formula>
总而言之,这种最初的提案适用非常简单,但仍可以改善的行为,因为有一些循环和路径相互交叉。其他策略将受到考验。 一种不同的方法使用模糊逻辑也已经实现。Mamdani模糊推理系统(FIS)设计有两个输入,<我nline-formula>
模糊规则的方法。 模拟在不同的场景进行测试这最初模糊的方法。结果比以前的解决方案。当分析的演变轨迹,我们发现无人机更喜欢去一个邻近的细胞较低<我nline-formula>
尽管FIS通常是由一个专家谁知道设计和调整系统的行为,在这种情况下,知识很差。所以,目标是最小化距离和风险,优化方法可以用来优化隶属度函数。进化实现FIS,由相同的金融中间人提出以上但调整遗传算法。 GA的配置必须包含32 FIS的梯形隶属度函数的参数。每个梯形隶属度函数被定义为4点:<我nline-formula>
健身标准是重量和距离的函数,都归一化的范围<我nline-formula>
其余的GA参数如表所示 遗传算法参数。 最初,这个过程是如此计算慢,使得这项工作负担不起的问题。为了减少计算时间,我们考虑一个更小的<我nline-formula>
作为一个例子,图 隶属函数的输入<我talic>
距离 现在测试进行25×25<我nline-formula>
拉帕尔玛模糊逻辑路径规划。 结果是<我nline-formula>
这种方法是快速收敛的强度高<我nline-formula>
另一个解决方案是使用一个Adaptive-Network-based实现模糊推理系统(简称ANFIS) [ 除此之外,一个新的输入变量包括密度矩阵<我nline-formula>
因此,输入<我nline-formula>
简称ANFIS训练(a)和<我nline-formula>
新生成的控制面如图 简称ANFIS模糊输出表面:<我nline-formula>
简称ANFIS生成后,模拟运行在拉帕尔玛的真实场景。轨迹图所示 拉帕尔玛简称ANFIS路径规划。 在这种情况下,与模糊逻辑的解决方案(<我nline-formula>
虽然前面的解决方案似乎满足的主要目标,他们可以得到改善。在这种情况下,发展的方法,基于粒子群优化(PSO)的解决方案已经提出。 遗传算法被用来获得细胞的顺序应该访问。GA工作在小地图,但当扩展到25×25映射,提出了一些问题。此外,在所有前面的解决方案,路径计算非常静态的,所有的细胞从中心点被跟踪。尽管开始时做出的假设关于这个跟踪每一个细胞,这种算法解决方案,我们试图找到一个连续的策略。 这种方法是完全不同的。我们从相同的开始<我nline-formula>
PSO适应度函数的变量路径点的坐标。计算结构在组10路点,所以将会有20个变量:10”<我nline-formula>
获取跟踪细胞,连续两个锚点之间的直线路径将追踪,和所有的细胞在一个方框里的10×10沿着轨迹将视为跟踪。这意味着无人机不断拍摄,使用相同的区域在以往的解决方案。这是第一个相关的修改。 另一个重要的修改是,在这种情况下,体重将达到最大化。在前面的方法中,一个最小化的重量是有趣的,因为它意味着无人机第一次去高的地区<我nline-formula>
这些因素之间的关系如下所示: 其余的PSO算法的配置如表所示 算法配置参数。 一旦安装完成后,PSO算法。轨迹图所示 拉帕尔玛算法路径规划。 的值<我nline-formula>
规则
1 高 高 高
2 媒介 高 低
3 低 高 低
4 高 媒介 高
5 媒介 媒介 低
6 低 媒介 低
7 高 低 高
8 媒介 低 高
9 低 低 高
一代又一代 300年
初始种群 200年
摊位代限制 One hundred.
平均相对变化限制(TolFun) 10
交叉部分 0.8
突变分布 高斯分布、规模、和收缩等于1
创建分布 统一的
最大迭代 4000年
摊位迭代限制 20.
平均相对变化限制(TolFun) 10
群大小 One hundred.
惯性范围
在SAR操作中,通常使用多个无人机。群系统利用简单的局部行为共同解决复杂的问题,在团队的能力大于各部分的总和( 离散数无人机路径规划已经获得的吸引力,模糊逻辑,简称ANFIS方法。之前给出的策略是一样的无人机,但现在,在每一个迭代中,锚点的数量计算可用车辆的数量是一样的。为简单起见,只有1、2、或3无人机被认为是,但可以扩展到尽可能多的解决方案。 网格地图的La Palma 2-UAV配置的起点(13 - 1)和(18日1)3无人机。 免费群形成由运行路径规划算法两个或两个以上的无人机同时并行;也就是说,每个无人机是一个独立的路径覆盖范围。当计算新路径点,关于细胞追踪的其他无人机的信息是可用的,所以其余的无人机没有访问任何已经追踪细胞。 作为一个例子,图 拉帕尔玛吸引力无人机路径规划2 (a)和3无人机(b),自由的形成。 吸引路径规划方法的结果<我nline-formula>
这对体重的影响是由于并行搜索。作为一个无人机的解释,计算重量乘以每个细胞跟踪的订单<我nline-formula>
搜索时间应该是减少因为虽然距离是类似的,它是由多个无人机,共享的最大行驶距离现在大约一半甚至三分之一的路程只有一个无人机。 关于路径,它是有趣的,看看两个无人机(图 在所有的情况下,轨迹不同的无人机互相交叉。这并不意味着碰撞,因为无人机并不是在同一时间在同一点。然而,必须完成路径规划和避碰算法,已经超出了本文的范围。 免费的形成与PSO方法由于无法实施的性质解决方案,如上所述。简称ANFIS方法,结果是相似的,最坏的情况下的模糊。 一个分布式无人机群的形成意味着地图分为几个部分,车辆,和每个无人机被分配一个区域必须跟踪。 2和3无人机路径规划的一个分布式群形成路径规划如图的吸引力 拉帕尔玛吸引力无人机路径规划2 (a)和3无人机(b),分布式的形成。 相同的实验进行了不同的无人机数量提出不同的方法(模糊逻辑和简称ANFIS)。 最后,表 不同方法之间的比较。 概括地说,它可以看到不同的方法有强壮和弱点。吸引是最短路径方法,简称ANFIS的紧随其后。然而其重量略高于其他方法。事实上,模糊逻辑的最低重量值虽然差别不大,但在更长的距离,其他两种方法。在这个意义上,简称ANFIS方法最平衡的结果,中等重量和距离值低。 总而言之,很难说哪个更好。这取决于目标的优先级。最快的是吸引力的策略,但模糊的方法是最好的找到人,至少访问是最可能找到的地方。我们将检查这些结果在实际情况下一节。
形成 1无人机 2无人机 3无人机
免费的 分布式 免费的 分布式
吸引力 37393年 680年 19638年 713年 20411年 673年 12812年 720年 13712年 678年
模糊逻辑 35951年 1497年 17931年 1550年 19219年 1212年 12137年 1596年 13119年 1155年
简称ANFIS 36284年 808年 18579年 827年 19474年 716年 12520年 876年 13386年 732年
来分析和证明离散路径规划的有效性和实用建议提出,他们会在SAR相比真正的场景。 失踪三十人被随机位于潜在风险/入住率拉帕尔玛的地图。均匀分布随机生成器给出一个值与每个单元相关联的映射。然后,这个值是乘以一半的潜在风险/居住单元格的值。结果25职位最高的价值选择。用这种方法我们获得一个随机分布,但偏重于地区高<我nline-formula>
拉帕尔玛失踪者。 主要用来测试标准策略是无人机需要找到每个单独的30人。它应该是与距离成正比。所有的无人机被认为具有相同的技术特点和飞行速度(设置为3)。另一个假设被认为是使模拟更真实。当无人机跟踪一个细胞,它的速度低于在不同区域之间移动时(跟踪速度= 1)。 每个案例评估(寻找)估计的时间无人机从初始位置到那里与一个特定的配置(战略和形成)。 情况下评估时,时间,每个方法及其培训需要计算。对于每个案例都有一个方法和一个特定的形成一直是最快的,这是一个赢家;和已经有另一个是慢的,也就是说,一个松散的一个。应该有一个共有30胜30失去添加所有可能的配置和策略的结果,但也有一些因为空间和速度是离散的,在某些情况下,有关系。 通过这种方式,我们可以比较不同的方法,这是最好的一个探索低<我nline-formula>
结果的时间吸引路径规划如表所示 时间结果与吸引力的策略。 数据 拉帕尔玛景点免费群路径规划结果。 拉帕尔玛吸引力为分布式群体路径规划结果。 正如所料,减少当无人机数量的增加。除此之外,需要更多的时间,因为他们连得5分低<我nline-formula>
比较两个群体之间的配置与相同数量的无人机如图 拉帕尔玛吸引力无人机路径规划结果2 (a)和3无人机(b)。 获得的结果与模糊逻辑路径规划如表所示 结果与模糊逻辑的路径规划。 在这种情况下,有更多的配置。最糟糕的是几乎完全与只有一个无人机的使用。这意味着该方法效率低下的无人机,但其效率高度改善增加无人机的数量时,尤其是在分布式的形成。 简称ANFIS路径规划的结果如表所示 时间与简称ANFIS路径规划结果。 虽然这种方法似乎是最好的一个发现的人而言,它也有同样的问题作为模糊逻辑方法。更好的结果,获得免费群形成与分布;最坏的情况下再次只有无人机。无论如何,这种策略给这个场景中最好的平均值。 算法路径规划得到最坏的结果。这种方法并不奏效,因为无人机路径点之间的长途旅行为了表面的距离/速度的关系。由于连续跟踪,无人机是非常缓慢的相比其他方法。所有的结果都比其他解决方案,与许多损失,这意味着无人机没有发现人们(图 拉帕尔玛算法路径规划结果。 鉴于这些结果,算法不考虑全球不同方法之间的比较。
1无人机 2无人机 3无人机
免费的 分布式 免费的 分布式
的意思是 217.62 113.88 115.60 88.84 87.60
赢了 1.00 2.00 2.00 3.00 1.00
损失 6.00 0.00 5.00 0.00 0.00
总赢 9.00
总损失 11.00
1无人机 2无人机 3无人机
免费的 分布式 免费的 分布式
的意思是 257.90 120.02 109.71 84.95 59.05
赢了 0.00 0.00 2.00 3.00 9.00
损失 11.00 0.00 1.00 0.00 0.00
总赢 14.00
总损失 12.00
1无人机 2无人机 3无人机
免费的 分布式 免费的 分布式
的意思是 212.70 117.33 107.94 74.99 86.23
赢了 0.00 3.00 2.00 8.00 3.00
损失 8.00 0.00 0.00 0.00 0.00
总赢 16.00
总损失 8.00
不同方法之间的比较和配置和全球的结果进行讨论。很好地概述,每个策略应用到相同的30例,与两个可能形成当多个无人机用于搜索。 首先,图 拉帕尔玛1无人机路径规划结果比较。 在数据 拉帕尔玛结果比较2无人机在自由的形成。 拉帕尔玛结果比较3无人机在自由的形成。 对分布式群配置数据 拉帕尔玛结果比较2无人机在分布式的形成。 拉帕尔玛结果比较3无人机在分布式的形成。 然而,在图 最后,图 拉帕尔玛路径规划时间的所有配置和每一个方法。 然而,关于损失的数量和赢得(图 拉帕尔玛赢(a)和(b)情况下损失。 总结,我们可以说吸引方法中位置关于效率。它执行一个普通和广泛的搜索,这意味着它并不需要大量的时间寻找的人低<我nline-formula>
模糊逻辑提供了一个快速收敛,但非常不规则。然而,它适用在地图大高<我nline-formula>
简称ANFIS方法已被证明是最好的一个通用术语。它有一个快速收敛到高<我nline-formula>
在这个工作中,提出了两个主要贡献。第一个是模糊搜索区域的地图生成根据风险/占用率,旨在搜索和救援(SAR)任务。第二个是不同的智能策略的应用对离散路径规划涵盖了网格搜索区域。 关于地图特征,结论是,它有助于专注承诺区域的路径规划。规划师发现的路径轨迹,人们暴露在风险最小化。事实上,在模拟结果中,一个快速跟踪的高概率风险/占领区域可以观察到,导致更快的找到的人卷入了一场危险的情况。 四种智能策略被应用于离散路径规划,即吸引,一个原始的,模糊,简称ANFIS和算法。除了最后一个外,其余获得好结果的搜索时间和距离。另一个结论是,该方法的性能很大程度上取决于相关的概率地图。这个讲话的重要性一代的地图,考虑所有可能的变量和因素影响搜索。 使用多个无人机群形成的搜索、依赖路径规划方法观察到的类型。一般来说,分布式形成更有效,但是它应该选择在协会<我nline-formula>
未来工作有关这项工作可能是以下的几个方面: 研究其他因素对地图特征及其影响潜在风险/占用价值,已被证明对特区重要的使命 无人机的使用一个更现实的模型,包括动力学( 测试在实际系统中最成功的建议。
作者宣称没有利益冲突有关这篇文章的出版。
这项工作是由欧盟支持EP-INTERREG v a Spain-Portugal (POCTEP),项目0115 _tecnolivo_6_e,提供覆盖资金成本在开放获取出版报纸。