文摘

实际应用microaerial车辆面临重大挑战包括精确定位、车载能源有限,和运动的不确定性。本文关注的是后两个问题。提出了能量最优路径规划算法的核心是一个能源消耗模型源于真实的测量特定quadrotor利用2 d高斯分布函数模拟的不确定性随机漂移。基于这两个模型,我们制定最优路径遍历3 d地图以最小的能源消耗使用启发式蚁群优化。多组对比实验证明该算法的有效性和效率。

1。介绍

Microaerial车辆(飞行器)已经显示出巨大的应用潜力在军事和民用等领域安全监测、航空摄影和医疗护送(1- - - - - -4]。而有关它的微型飞行器的飞行耐力有限和可能的车载燃料/电池,可以携带。和飞行器可能不可预知的偏离计划路径由于随机漂移或空气动力干扰。因此,真正的实际应用面临重大挑战包括精确定位、运动的不确定性,和有限的能量。在本文中,我们的目标是为飞行器下任务计划一个能量最优路径运动的不确定性。

高效的能源路径规划的研究微型飞机已经收到了越来越多的关注。在旅行商问题(TSP)的研究,选择有效的路线来减少总路径长度(5]。然而,这种方法不考虑真正的方向。此外,最小路径长度并不总是与最低的能源消耗。佛朗哥能源利用等人提出了一个基于真正的能量测量路径规划算法的无人机(UAV)在不同的速度和操作条件6]。然而,不同的飞行运动的能源消耗是假定为常数,这是不现实的。不同的方法已经被萨班等。7],他开发了一个节能的路径规划算法通过使用可用的环境风能源介质内的无人机在哪里操作延长飞行耐力。

大多数当前的路径规划方法,比如上面的算法,只集中在路径规划问题在平面二维(2 d)和不切实际的假设飞行器能够准确地移动到目标点没有任何运动误差(根据控制命令8]。飞行器在每次移动的方向也不考虑。不同于这些方法,本文提出了一个能量最优的三维(3 d)路径规划算法,减少了能源消耗,同时也考虑到运动的不确定性。

本文的贡献如下。(1)建立一个能源消耗模型源于实际测量的一个特定的飞行器,描述能源消耗和特定的飞行运动之间的关系。(2)而不是不断纠正运动偏差,我们利用运动漂移的趋势,采用了一种二维高斯分布函数来模拟随机漂移和位置偏差。(3)提出了一种启发式过程融合高斯分布能量最优路径遍历搜索3 d地图使用修改后的蚁群优化(ACO)算法。

2。系统模型

如图1在室内实验,本文认为飞行器飞行与三维视觉传感器网络部署(VSN)由多个RGB-D传感器。完全覆盖测试空间,许多RGB-D传感器(C₁,C₂,…),微软Kinect传感器(9),安装。障碍的试验台是抽象作为一种网状长方体模型,即规划空间。均匀地将空间划分为网格和完整路径可以存储为坐标的列表p(x,y,z)。为了避免障碍,只搜索网格上面的障碍。

对于自主飞行,视觉反馈概念(10采用和两个坐标系统的定义:惯性坐标系O_EX_EY_EZ_E和身体框架O_bX_bY_bZ_b附加在quadrotor的中心。质心和车身骨架起源假设一致。的旋转矩阵从车身骨架惯性坐标系使用欧拉角表示的是偏航ψ、沥青θ,滚φ:

我们解决本文的核心问题是计划最优路径U_选择从任意的起点p_年代任意的终点p_e最大限度地减少能源消耗。

3所示。能源消耗的评估

3.1。能源消费分析

微型飞机的能源消费主要包括动力系统、通信、传感器和控制电路。表1显示了Crazyflie纳米四轴飞行器的功耗测量结果从Bitcraze11),这是一个19 g微型飞行器用于我们的现行体制。从表可以看出1,电动机消耗超过85%的总能量,这绝对是主要能源消费国。

根据弗兰克et al。6),有一个真正最节能的速度定义为速度,最大限度地减少所需的能量覆盖给定的直线路径的长度。该微型飞机飞行时直接在一个恒定的速度 ,推力T等于重量的总和G(涉及负载)和空气摩擦F_拖接近一个常数,如图2。直流电机的功率消耗P_米 在一个特定的速度条件下也是一个常数。

假定总重量G由其他机载模块和电力消耗P₀保持不变。我们有 在哪里 阻力系数,ρ是空气密度,年代螺旋桨的面积。能源消耗的直线飞行距离d速度可以计算为

用方程(2)- (4)方程(5),的函数随是获得。然后,最节能的速度偏导数的计算可以找到吗关于该微型飞机的飞行控制每个网格之间。

4所示。能源消耗模型

该微型飞机的飞行速度和动作决定了能源消耗。因此,我们描述候选人的能耗路径之间的关系U和飞行运动的飞行器作为一个能源消耗模型来评估U。的能源消耗U是由以下三个因素决定的。(1)路径长度:能源消费路径长度成正比。所以,第一能源消费的因素年代₁被定义为 在哪里 上的投影的长度是U在O_EX_EY_E飞机从p_年代来p_e,如图3。(2)攀爬和下降率:如图3,攀爬和下降率被定义为微型飞行器的高度的变化Z_e随着时间的推移维度。能源消耗增加的速度增加。因此,第二能源消费的因素年代₂表示为 (3)转动角度:一把锋利的将是不受欢迎的切屑常与减速(12),这都是耗费时间和精力。转动角度的定义是任何三个连续点形成的角度的投影U OEXEYE平面,如图3。第三个s3表示为能耗因素

能源消耗模型f_英格(U)被定义为一个加权和的三个提到的因素和最优路径U_选择应该被最小化能量消耗模型。这样 在哪里ω₁,ω₂,ω₃能源消耗的调优参数。能源消耗模型将协助在实现路径与能量优化。

5。路径规划与运动的不确定性

而不是纠正运动偏差不断在控制阶段,我们处理问题的提前一个飞行的飞行器的运动不确定性,也就是说,在路径规划的过程。有别于传统的ACO算法(13)的人工蚂蚁只能选择网格的顶点作为自己的下一跳,拟议中的路径规划过程中,所有的人工蚂蚁给出“漂移”特征,允许他们选择一种圆的周长上任意点的半径R集中在网格的可搜索的顶点作为下一跳。该方法开发了模拟飞行的飞行器的运动不确定性也给蚂蚁extraflexibility做出路由决策。

如图4路径规划的主要方向是沿X_E设在。在每个迭代中,问人工蚂蚁漂移特色被释放的起点p_年代。除了终点p_e,这些问蚂蚁可以自由选择任何点漂移。当前位置的坐标p_我蚂蚁的(x_我,y_我,z_我),有九个搜索顶点的坐标是(x_{我+ 1},y_c,z_c可搜索的飞机上)并联的O_EY_EZ_E飞机。在这里,x_{我+ 1}由网格大小决定。圈是可搜索的飞机上集中在(x_{我+ 1},y_c,z_c)。选择的概率p_{我+ 1}(x_{我+ 1},y_{我+ 1},z_{我+ 1})漂移圈

下一个点的路径U选择使用轮盘赌方法根据概率的搜索点漂移圆。

在这里, 是启发式函数定义为 在哪里年代={0,1}是安全系数指示下一个点是否可以,D之间的距离是p_{我+ 1}和p_我,问之间的距离是p_{我+ 1}和p_e,Z高度的差异吗Z_E设在之间p_{我+ 1}和p_我,T将角从吗p_我来p_{我+ 1},λ₁、…λ₄的系数。

信息素浓度的分布在漂移圆的周长。一旦蚂蚁达到p_e评估,完成路径的能量消耗模型f_英格(U)和信息素将分布式的漂移圈,这是二维高斯分布函数的形式给出的 在哪里σ_y=σ_z的差异在Y_E设在和Z_E分别设在,因为只有对称二维高斯函数被认为是在该方法。一个的振幅信息素浓度的初始值成反比,其能源消费f_英格(U)。通过迭代结束的时候,一个将更新如下加强短路径的信息素浓度: 在哪里n是迭代的数量,K是一个系数,0 <ε< 1是更新的因素。

当所有的问蚂蚁达到p_e,在每一个可搜索的顶点,可能有k(0≤k≤问)二维高斯分布函数。这些k高斯函数重叠,将成立一个联合分布函数在每个搜索飞机和更新信息素浓度的周长漂移。在接下来的迭代中,蚂蚁会选择他们的移动方向基于信息素残留在漂移。

6。仿真和结果

6.1。仿真设置

评价该方法的性能,我们比较建议的能量最优路径规划方法与传统ACO-based路径规划方法。只使用路径长度年代₁(U)作为评价因素,传统的ACO-based路径规划算法都采用能耗模型f_英格(U)也没有漂移特性。定意的能量最优路径规划方法是评估在两种情况下的差异是否融合漂移特性。

实验部分中引入的试验台系统的应用模型,并在MATLAB R2012a执行。规划空间的大小是6米×6米×3 m,并均匀地分成20×20×10网格。Crazyflie开始从(0、2、4)点和结束点(20 6 6)0.5 m / s的速度接近最energy-efferent速度在当前配置。模拟中使用的参数表中列出2。值得注意的是,调优参数ω₁,ω₂,ω₃的能耗模型,提出了能量最优路径规划算法的系数等λ₁,λ₂,λ₃,λ₄在方程(11),差异σ_y和σ_z在方程(12),甚至人工蚂蚁的数量可以显著影响仿真结果。因此,参数的列表在表2合理确定基于均匀设计实验分析(14),用于转换参数的问题,建立多因素,多层次的实验设计,减少实验的工作量大大仿真。每个算法的迭代的数量是100,在每个迭代中,10个人工蚂蚁释放到3 d地图。

6.2。性能分析

每个算法单独运行了40次。图5显示计划的两条路径的一个例子传统ACO-based路径规划算法在红线显示,提出的能量最优路径规划方法没有漂移特性显示在蓝线。可以观察到视觉,两个路径已经成功地避免了障碍的3 d地图。然而,蓝色的路径规划的方法是流畅的攀爬,下行,急转弯比红色的计划由传统ACO算法。

的平均结果重复模拟展示在表3。可以看到,该能量最优路径规划方法显示了传统ACO算法大大提高了性能在所有三个评价因素,尤其是没有模拟漂移的特点。它优于传统的ACO算法通过减少路径长度和攀爬和下降率超过6.4%和39.1%,并增加最小角超过14.3%。

这样的改进是通过使用能耗模型f_英格(U优化过程中)。的漂移特性也有传统ACO算法更好的性能。然而,相比之下,没有漂移的特点,规划路径略有降低,这是合理的和不可避免的蚂蚁时随机偏离计划路径的能力。

6.3。网格大小的实验

此外,我们验证该算法的性能,当规划空间分为20×20×10网格或40×40×20网格。显示在表4更好的部门,提出路径规划算法空间显示改进的性能而言,这三个评价因素,这意味着更好的精度和更低的能耗。然而,计算时间比前很多倍的时间,这意味着糟糕的实时性能。因此,适当的网格大小应该设置为实际应用权衡这两个因素。

7所示。结论

本文提出了一种能量最优的三维路径规划算法处理室内飞行的飞行器运动过程中的不确定性问题,路径规划和放松限制的路由决策。数值实验结果验证其有效性和最佳表演。我们的算法减少了路径长度和攀爬和下降率超过6.4%和39.1%,最小转弯角度增加超过14.3%。为未来的工作,该方法的扩展为多个小牛被认为是计划任务。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金(62002104),中国的湖北省自然科学基金(2018 cfb191 cfc900和2019年),2020年湖北省重点实验室开放基金的智能视觉监控为基础水电工程(2020 sdsj06),和建设基金基于湖北省重点实验室智能视觉监控水电工程(2019 zyyd007)。