呂 倩，孫憲坤，熊玉潔

（上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620）

0 引言

無(wú)人飛行器（unmanned aerial vehicle，UAV）的自主飛行與導(dǎo)航是1 個(gè)極具挑戰(zhàn)性的任務(wù)[1]，該任務(wù)可分為環(huán)境信息感知、路徑規(guī)劃和飛行控制3 個(gè)階段[2-3]。其中，路徑規(guī)劃階段上承環(huán)境感知，下接飛行控制，起到重要作用。在無(wú)人機(jī)機(jī)載傳感器準(zhǔn)確探測(cè)周?chē)h(huán)境信息并建立地圖模型之后，規(guī)劃算法根據(jù)環(huán)境感知結(jié)果開(kāi)始規(guī)劃從起點(diǎn)至終點(diǎn)的無(wú)碰撞軌跡。軌跡規(guī)劃完成后，飛行控制系統(tǒng)根據(jù)規(guī)劃結(jié)果指導(dǎo)無(wú)人機(jī)按線路飛行[4]。理想狀態(tài)下，只要路徑不接觸障礙物，無(wú)人機(jī)就可以安全到達(dá)終點(diǎn)。但實(shí)際飛行任務(wù)中，傳感器探測(cè)環(huán)境中的障礙物范圍會(huì)有所偏差，控制系統(tǒng)指導(dǎo)無(wú)人機(jī)飛行時(shí)也會(huì)出現(xiàn)控制誤差。既定路線距離障礙物越近，發(fā)生碰撞的可能性越大，所以本文采用使軌跡盡可能遠(yuǎn)離障礙物的思想來(lái)減少碰撞可能。同時(shí)，由于無(wú)人機(jī)機(jī)載電池的續(xù)航時(shí)間極其有限，要無(wú)人機(jī)從起點(diǎn)至終點(diǎn)的路程不能過(guò)長(zhǎng)。通常，解決路徑規(guī)劃問(wèn)題有人工勢(shì)場(chǎng)法（artificial potential field method，APFM）、基于隨機(jī)采樣的方法、基于圖搜索的規(guī)劃方法、借鑒生物界進(jìn)化規(guī)律的遺傳算法（genetic algorithm，GA）等幾類(lèi)方法。

文獻(xiàn)[5]中采用人工勢(shì)場(chǎng)法，通過(guò)人工為飛行環(huán)境創(chuàng)造1 個(gè)包含斥力極與引力極的勢(shì)場(chǎng)來(lái)完成路徑規(guī)劃任務(wù)。但若環(huán)境中某些位置的引力與斥力達(dá)到平衡就會(huì)陷入局部最優(yōu)，導(dǎo)致無(wú)法完成規(guī)劃任務(wù)。基于隨機(jī)采樣的路徑規(guī)劃方法有快速擴(kuò)展隨機(jī)樹(shù)（rapidly-exploring random tree， RRT）[6]、在 RRT 的基礎(chǔ)上加入了自起點(diǎn)與終點(diǎn)雙向搜索引導(dǎo)策略的雙向快速擴(kuò)展隨機(jī)樹(shù)（rapidlyexploring random tree connect，RRTConnect）[7]、加入啟發(fā)式策略及貪心思想的RRT*[8]等。這些變體在原始 RRT 的基礎(chǔ)上加快了向終點(diǎn)的逼近速度。基于隨機(jī)采樣的算法理論上是可行的，但有時(shí)由于節(jié)點(diǎn)選擇具有隨機(jī)性，若進(jìn)入環(huán)境死角會(huì)導(dǎo)致無(wú)法成功到達(dá)終點(diǎn)；即便到達(dá)終點(diǎn)，所得的路徑也具有不穩(wěn)定性，無(wú)法達(dá)到使無(wú)人機(jī)飛行路程較短以減少電池能量消耗的目的；同時(shí)，由于每階段的路徑與方向選擇存在隨機(jī)性，因此同樣無(wú)法滿(mǎn)足平滑易控制的條件?；趫D搜索的算法，如迪杰斯特拉（Dijkstra）算法[9]，加入了啟發(fā)式思想的A*算法[10]及各種變體，加入了修剪策略用于提高搜索速度的跳轉(zhuǎn)點(diǎn)搜索算法（jump point search，JPS）[1,11]及其變體等。這些算法雖然通常情況可以到達(dá)終點(diǎn)，能滿(mǎn)足飛行路程短的要求，但無(wú)法保證無(wú)人機(jī)在飛行過(guò)程中遠(yuǎn)離障礙物，增加了發(fā)生碰撞的可能；而且路徑急轉(zhuǎn)彎情況較多，不夠平滑，造成飛行控制難度增加，同樣無(wú)法保證飛行安全。

遺傳算法是從生物進(jìn)化思想得到啟發(fā)而提出的優(yōu)化算法。文獻(xiàn)[12]提出的進(jìn)化算法，可以有效地為給定障礙空間內(nèi)的起始位置到目標(biāo)位置規(guī)劃出若干條可行路徑，并采用改進(jìn)的遺傳算法解決靜態(tài)環(huán)境下的多目標(biāo)路徑規(guī)劃問(wèn)題。文獻(xiàn)[13]用遺傳算法與蟻群算法2 種仿生物學(xué)算法解決災(zāi)后應(yīng)急物資的路徑規(guī)劃問(wèn)題，該研究適用于為可選擇路線已存在的情況下規(guī)劃最短路徑問(wèn)題。文獻(xiàn)[14]在遺傳算法的種群更新階段，結(jié)合了模擬退火算法，令算法避免陷入局部最優(yōu)，從而得出最短的援救路線。但這些方法都只是從得出最短路徑的目的出發(fā)來(lái)規(guī)劃路徑，并未考慮機(jī)器人實(shí)際執(zhí)行時(shí)，在環(huán)境感知與飛行控制階段產(chǎn)生的誤差對(duì)路線的要求。若規(guī)劃路徑距離障礙物過(guò)近，在這2 個(gè)階段稍有偏差的情況下就會(huì)發(fā)生碰撞。無(wú)人機(jī)距障礙物越遠(yuǎn)，因感知與控制誤差等因素導(dǎo)致的無(wú)人機(jī)與障礙物發(fā)生碰撞的概率也越小。本文通過(guò)規(guī)劃，使無(wú)人機(jī)盡可能遠(yuǎn)離障礙物的路徑，以達(dá)到保證無(wú)人機(jī)飛行安全的目的[15]，同時(shí)也要考慮飛行路程問(wèn)題。所以在設(shè)計(jì)適應(yīng)度函數(shù)時(shí)，通過(guò)為路程長(zhǎng)度和路徑點(diǎn)距障礙物距離設(shè)置權(quán)重來(lái)達(dá)到平衡2 者的目的。在此基礎(chǔ)上，還加入精英個(gè)體保留策略，用于保證種群不會(huì)向更壞的方向繁衍；加入刪除操作，以杜絕冗余路徑節(jié)點(diǎn)的出現(xiàn)，以期有效縮短飛行路徑長(zhǎng)度。最后通過(guò)起始點(diǎn)全部在寬闊區(qū)域與起點(diǎn)位于狹窄的障礙物內(nèi)部區(qū)域2 種場(chǎng)景的實(shí)驗(yàn)，與人工勢(shì)場(chǎng)法、基于隨機(jī)采樣的RRT 算法、基于啟發(fā)式圖搜索的A*算法、原始遺傳算法相比較。

1 模型建立

1.1 環(huán)境表示

假設(shè)無(wú)人機(jī)所處環(huán)境如圖1 所示。四周的墻體表示環(huán)境邊界，無(wú)人機(jī)飛行不能越過(guò)此范圍。墻體內(nèi)的中空柱體與圓錐可表示樓房等障礙物，飛行過(guò)程中要避免與之發(fā)生碰撞。

圖1 無(wú)人機(jī)所處環(huán)境模型

在為無(wú)人機(jī)規(guī)劃路徑前，首先要對(duì)環(huán)境進(jìn)行簡(jiǎn)化，將其轉(zhuǎn)換為可進(jìn)行信息處理的模型。由于3 維空間可表示為多個(gè)2 維平面的堆積，故本文針對(duì) 2 維環(huán)境進(jìn)行處理。柵格法表示環(huán)境信息是常用的建模方式[3]，本文使用柵格表示2 維占用環(huán)境。模型表示如圖2 所示。

圖2 2 維環(huán)境柵格表示

以左下角為坐標(biāo)原點(diǎn)建立直角坐標(biāo)系，圖2 中黑色部分為障礙物，白色部分為可供無(wú)人機(jī)自由飛行的無(wú)障礙區(qū)域，左下角標(biāo)識(shí)位置為無(wú)人機(jī)當(dāng)前位置，右上角標(biāo)識(shí)位置為期望到達(dá)的終點(diǎn)。在從起點(diǎn)到終點(diǎn)的過(guò)程中，根據(jù)無(wú)人機(jī)機(jī)載傳感器探測(cè)的范圍，可分階段為其規(guī)劃路徑。

1.2 遺傳模型建立

進(jìn)化算法是計(jì)算科學(xué)的重要領(lǐng)域，它使用生物進(jìn)化的思想來(lái)解決計(jì)算問(wèn)題。遺傳算法是進(jìn)化計(jì)算的最廣泛的使用形式之一，可以在不斷變化與復(fù)雜未知空間中尋找解決方案。本文采用遺傳算法分階段解決路徑規(guī)劃問(wèn)題，其中，路徑 PI可表示為

式中： p0表示起點(diǎn)； pn表示終點(diǎn)；下標(biāo)i 表示路徑節(jié)點(diǎn)的序號(hào)；pi表示整條路徑中的第i 個(gè)路徑節(jié)點(diǎn)；（ pi-1，pi）表示第i 段路徑。

圖3 為某條路徑的示意圖。在規(guī)劃過(guò)程中，每條自起點(diǎn)至終點(diǎn)的無(wú)碰撞路徑表示為1 個(gè)個(gè)體，每個(gè)個(gè)體中有1 條染色體，故每條路徑也可稱(chēng)為1 條染色體。路徑中的每個(gè)階段（ pi， pi+1）表示為1 個(gè)基因。所有個(gè)體的集合即生成的所有從起點(diǎn)到終點(diǎn)無(wú)碰撞路徑表示為種群。適應(yīng)度函數(shù)的目的是將每個(gè)個(gè)體的屬性量化，通過(guò)設(shè)計(jì)適應(yīng)度函數(shù)來(lái)從種群中篩選出需要的個(gè)體。適應(yīng)度越高的個(gè)體就越是精英個(gè)體。

圖3 路徑表示

2 算法介紹

本文主要采用遺傳算法的思想為在復(fù)雜未知環(huán)境中的無(wú)人機(jī)規(guī)劃路徑，算法流程如圖4 所示。

圖4 算法流程

2.1 初始化種群

遺傳算法的種群初始化階段要求種群中個(gè)體具有隨機(jī)性與多樣性[3]，即在地圖中隨機(jī)生成自起點(diǎn)到終點(diǎn)的無(wú)碰撞路徑。路徑規(guī)劃可分為全局規(guī)劃和局部規(guī)劃。全局路徑規(guī)劃是指周?chē)h(huán)境信息已知，無(wú)人機(jī)只需要按照既定路徑飛行。但現(xiàn)實(shí)中的環(huán)境是復(fù)雜可變的，無(wú)人機(jī)無(wú)法在飛行任務(wù)開(kāi)始之前得到周?chē)h(huán)境的先驗(yàn)信息，所以通常需要依靠無(wú)人機(jī)機(jī)載傳感器探測(cè)到的環(huán)境信息的實(shí)時(shí)數(shù)據(jù)分階段規(guī)劃路徑。

局部路徑規(guī)劃的種群初始化可分為2 個(gè)階段，在第1 階段，終點(diǎn)位于機(jī)載傳感器最大感知范圍之外，在無(wú)人機(jī)當(dāng)前所處位置ip 無(wú)法知道終點(diǎn)位于何處，只能采用隨機(jī)選擇的方式來(lái)生成下1 階段路徑點(diǎn) ip+1。當(dāng)從 ip 到 ip+1的途中會(huì)經(jīng)過(guò)障礙物時(shí)，則重新選擇1 個(gè)點(diǎn)作為 ip+1。

在第2 階段，當(dāng)無(wú)人機(jī)此時(shí)位于 jp 點(diǎn)，假設(shè)此時(shí)終點(diǎn)位于傳感器感知范圍之內(nèi)，由于要規(guī)劃的是1 條距離較短的路徑，所以此時(shí)可以為下1 個(gè)候選路徑點(diǎn)pj+1限制范圍，即

如此可令無(wú)人機(jī)更快地接近終點(diǎn)。但為保證初始種群的多樣性與隨機(jī)性，本文設(shè)定限制在該范圍的個(gè)體占初始種群總數(shù)的50%，另外的50%依然采用隨機(jī)選擇的方式選取路徑節(jié)點(diǎn)。

2.2 個(gè)體適應(yīng)度函數(shù)

適應(yīng)度函數(shù)用于將種群中每個(gè)個(gè)體的屬性量化，不同的適應(yīng)度函數(shù)在同1 種群中篩選出的精英個(gè)體也不同。本文要求為無(wú)人機(jī)規(guī)劃出從起點(diǎn)到終點(diǎn)的無(wú)碰撞、路程短、平滑可行的路徑。保證無(wú)人機(jī)的安全行駛為路徑規(guī)劃的第1 要義。考慮到無(wú)人機(jī)機(jī)載傳感器對(duì)環(huán)境感知的誤差，以及路徑規(guī)劃完成之后，飛行控制系統(tǒng)按照規(guī)劃結(jié)果指導(dǎo)飛機(jī)實(shí)際飛行時(shí)可能出現(xiàn)的誤差，若規(guī)劃出的路徑距障礙物過(guò)近則會(huì)增加碰撞概率，故要通過(guò)設(shè)計(jì)適應(yīng)度函數(shù)選擇出盡可能遠(yuǎn)離障礙物的軌跡，這樣在飛行過(guò)程中發(fā)生碰撞的概率也會(huì)更小。同時(shí)也要考慮路程短的要求，適應(yīng)度函數(shù)流程圖如圖5 所示。

圖5 適應(yīng)度函數(shù)流程

在有N個(gè)個(gè)體的種群中，F(xiàn)itness（PI）為個(gè)體 PI的適應(yīng)度函數(shù)，可表示為

式中：Length(PI)為路徑 PI的總長(zhǎng)度的函數(shù)；w1為第1 部分Length( PI)在整體中所占比重； NSample( PI)為路徑 PI上的隨機(jī)采樣點(diǎn)個(gè)數(shù)函數(shù)；w2為第2 部分 NSample( PI)在整體中所占比重。

采樣點(diǎn)個(gè)數(shù)函數(shù) NSample( PI)可以表示為

式中δ 為正整數(shù)。

假設(shè)在路徑 PI上隨機(jī)選取的路徑點(diǎn)為 pk，點(diǎn) pk與距其最近障礙點(diǎn) Obstacle的距離 dpk_Obs可表示為

若

則令

式中：θ 為大于無(wú)人機(jī)半徑的定值； Number( PI)為在路徑 PI上選擇的采樣點(diǎn)中 dpk_Obs＜θ 的點(diǎn)的數(shù)量。

適應(yīng)度函數(shù)由路徑 PI的長(zhǎng)度與路徑中距離障礙物過(guò)近的點(diǎn)的數(shù)量2 部分組成。函數(shù)值越大，則路徑性能越差，函數(shù)值越小的個(gè)體越是種群中的精英個(gè)體。

2.3 交叉與變異

交叉與變異操作是為了產(chǎn)生更多的新個(gè)體，交叉與變異概率的大小影響了新個(gè)體產(chǎn)生的速度。發(fā)生交叉與變異的概率越大，產(chǎn)生新的個(gè)體的速度也越快。本文選擇在種群中路徑的交點(diǎn)處以一定的概率進(jìn)行交叉操作以保證路徑的連續(xù)性。

對(duì)于變異而言，本文采用隨機(jī)變異的方法，即在地圖的非障礙區(qū)域內(nèi)隨機(jī)選擇某個(gè)路徑點(diǎn) Pi′用于替換原本的路徑點(diǎn) Pi。若替換之后的路徑點(diǎn) Pi′與 前 后點(diǎn)的 連 線即路 線（ Pi-1，Pi′）（ Pi，′ Pi+1）通過(guò)障礙物，則更換 Pi′為 Pi′，直到（ Pi-1，Pi′）( Pi′， Pi+1)中間無(wú)障礙物，針對(duì)路徑點(diǎn) Pi的變異完成。變異完成后，若變異得到的路徑相較于變異前更優(yōu)，及適應(yīng)度函數(shù)值更小，則采用變異之后的路徑，否則，采用原有路徑。如此可保證變異朝著更優(yōu)的方向進(jìn)行，不會(huì)變異出更差的個(gè)體。

2.4 刪除

本文采用文獻(xiàn)[3]中增加的刪除操作，目的是為了排除最優(yōu)路徑出現(xiàn)冗余路徑點(diǎn)的情況，增加此步驟可以有效地縮短路徑長(zhǎng)度，防止節(jié)點(diǎn)冗余情況的發(fā)生。主要思想為：從終點(diǎn)開(kāi)始遍歷每個(gè)路徑節(jié)點(diǎn)，若某節(jié)點(diǎn) ip 可以與起點(diǎn)無(wú)障礙相連，則起點(diǎn)與節(jié)點(diǎn) ip 中間的節(jié)點(diǎn)就是冗余節(jié)點(diǎn)，刪除操作就是要?jiǎng)h除這些冗余節(jié)點(diǎn)并重新計(jì)算路徑的適應(yīng)度函數(shù)。

2.5 精英個(gè)體選擇與保留

遺傳算法通過(guò)篩選出種群中優(yōu)秀的子集用 于繁衍后代，遺傳算法認(rèn)為，越是優(yōu)秀的個(gè)體繁衍出的后代也會(huì)越優(yōu)秀，采用該思想僅使用每次選出的優(yōu)秀個(gè)體集來(lái)繁衍后代，如此不斷迭代即可令普通種群向精英種群進(jìn)化，直到到達(dá)終止條件。

通過(guò)計(jì)算適應(yīng)度函數(shù)，選取每代種群中的精英子種群，并選出當(dāng)代種群中適應(yīng)度函數(shù)值最小的個(gè)體Min(Fitness(IP ))，記IP 為最優(yōu)路徑POptimalpath，將其保留下來(lái)用于與下代種群中的最精英個(gè)體相比較，若后代精英個(gè)體的適應(yīng)度函數(shù)小于 Fitness（POptimalpath），則更新最優(yōu)路徑，否則，依然保留上代最精英個(gè)體為POptimalpath，如此可以保證將適應(yīng)度函數(shù)最低的個(gè)體保留下來(lái)。

3 實(shí)驗(yàn)

針對(duì)為無(wú)人機(jī)規(guī)劃路徑，保證無(wú)人機(jī)的飛行安全是首要目的。由于在環(huán)境感知與飛行控制過(guò)程中可能出現(xiàn)的誤差，無(wú)人機(jī)離障礙物越遠(yuǎn)，那么因不可控誤差因素導(dǎo)致的無(wú)人機(jī)與障礙物發(fā)生碰撞的概率也就越小。由于無(wú)人機(jī)機(jī)載電池的續(xù)航時(shí)間有限，要令無(wú)人機(jī)在短時(shí)間內(nèi)到達(dá)指定目的地并且完成某種任務(wù)，則應(yīng)使無(wú)人機(jī)飛行路程盡可能短；另外，為便于飛行控制系統(tǒng)根據(jù)路徑規(guī)劃結(jié)果指導(dǎo)飛行，應(yīng)使路徑盡可能平滑而易于控制。

本文設(shè)計(jì)實(shí)驗(yàn)為：在不同的起始點(diǎn)場(chǎng)景，對(duì)不同算法的規(guī)劃結(jié)果進(jìn)行比較：場(chǎng)景1 為起始點(diǎn)全部位于環(huán)境開(kāi)闊的空曠地帶；場(chǎng)景2 中，起點(diǎn)位于較狹窄區(qū)域，目的是模擬無(wú)人機(jī)位于中空障礙物內(nèi)部起飛的路徑規(guī)劃情況。

3.1 不同算法規(guī)劃結(jié)果比較

圖6 為起始點(diǎn)都位于障礙物外部的開(kāi)闊地帶即場(chǎng)景1 的規(guī)劃結(jié)果。圖7 為起點(diǎn)位于左上角障礙物內(nèi)部的狹窄地區(qū)即場(chǎng)景2 的規(guī)劃結(jié)果。圖6、圖7 中的子圖圖6(a)、圖6(b)、圖6(c)、圖7(a)、圖7(b)及圖7(c)分別為使用人工勢(shì)場(chǎng)法、快速隨機(jī)搜索樹(shù)法、A*算法規(guī)劃得出的結(jié)果。

圖6 場(chǎng)景1 中3 種算法規(guī)劃結(jié)果

圖7 場(chǎng)景2 中3 種算法規(guī)劃結(jié)果

3.1.1 人工勢(shì)場(chǎng)法

APFM 是常見(jiàn)的路徑規(guī)劃方法，即人工為無(wú)人機(jī)運(yùn)動(dòng)的環(huán)境設(shè)置了1 個(gè)包含引力場(chǎng)和斥力場(chǎng)的虛擬力場(chǎng)，通過(guò)求合力的方法來(lái)控制運(yùn)動(dòng)。但若在某些位置的引力與斥力相同，則依靠規(guī)定的虛擬立場(chǎng)無(wú)法指導(dǎo)下一步路徑節(jié)點(diǎn)的選擇，也意味著規(guī)劃失敗。圖6(a)與圖7(a)為采用人工勢(shì)場(chǎng)法分別為2 種不同的起始點(diǎn)位置規(guī)劃路徑的結(jié)果。實(shí)驗(yàn)表明該方法無(wú)論是在場(chǎng)景1 還是在場(chǎng)景2 中都未成功規(guī)劃出從起點(diǎn)到終點(diǎn)的路徑。

3.1.2 基于采樣的路徑規(guī)劃算法

RRT 及其變體是典型的基于隨機(jī)采樣的路徑規(guī)劃算法，但隨機(jī)算法規(guī)劃出的路徑具有不確定性，不能夠保證成功率，在某些環(huán)境下會(huì)陷入死胡同，根本無(wú)法到達(dá)目的地。圖6(b)與圖7(b)為使用RRT 算法分別為2 種場(chǎng)景規(guī)劃得出的路徑。在2 種場(chǎng)景下，該方法雖然得出了從起點(diǎn)到達(dá)目標(biāo)點(diǎn)的路徑，但既不滿(mǎn)足最短路程也不滿(mǎn)足路徑最優(yōu)，距障礙物較遠(yuǎn)且蜿蜒曲折，如若無(wú)人機(jī)按此路徑飛行既耗時(shí)耗能又極度不安全且難以控制。

3.1.3 基于圖搜索的算法

基于圖搜索的算法多種多樣，如深度優(yōu)先搜索，廣度優(yōu)先搜索、迪杰斯特拉算法、A*算法等，其中A*算法中加入了啟發(fā)式策略，是可以得到最短路徑的算法。圖 6(c)與圖7(c)為使用A*算法得出的路徑。但A*算法有極大的局限性，不具備智能性，相同的地圖使用A*算法得出的結(jié)果是唯一的，無(wú)法產(chǎn)生更多的路徑來(lái)滿(mǎn)足除路程最短之外的其他目的，如本文所需要的離障礙物足夠遠(yuǎn)與平滑易控的需求。

3.2 原始遺傳算法

圖8、圖9 為原始遺傳算法的運(yùn)行結(jié)果。圖8 為場(chǎng)景1 情況下原始遺傳算法的運(yùn)行結(jié)果。在圖8（a）中圈出的地方明顯有1 段路程距離障礙物極近，若傳感器在探測(cè)環(huán)境信息或者飛行控制方面稍有偏差，必將發(fā)生碰撞。在圖8(b)中，路徑明顯過(guò)長(zhǎng)，未達(dá)到飛行路程短的目的。在圖8(c)中，出現(xiàn)了冗余路徑點(diǎn)的情況，本文所加入的刪除操作可以避 免該情況的發(fā)生。

圖8 場(chǎng)景1 中原始遺傳算法規(guī)劃結(jié)果

圖9 為場(chǎng)景2 情況下原始遺傳算法的運(yùn)行結(jié)果。在圖9(a)中右下角障礙物附近出現(xiàn)路線距離障礙物較近的情況。圖9(b)中在起點(diǎn)附近位置出現(xiàn)了冗余節(jié)點(diǎn)，同時(shí)規(guī)劃路程過(guò)長(zhǎng)，不利于節(jié)約機(jī)載電池耗電量。圖9(c)中出現(xiàn)冗余路徑點(diǎn)情況，加入刪除操作就是為了避免此類(lèi)情況的發(fā)生。

圖9 場(chǎng)景2 中原始遺傳算法規(guī)劃結(jié)果

3.3 本文算法規(guī)劃結(jié)果

圖10、圖11 為本文所用算法的規(guī)劃結(jié)果，分別為場(chǎng)景1 與場(chǎng)景2 中本文所述算法運(yùn)行的結(jié)果，起始點(diǎn)位置與3.1 節(jié)、3.2 節(jié)所列算法相同的。實(shí)驗(yàn)結(jié)果表明，此方法相較于圖6(a)、圖7(a)所示的人工勢(shì)場(chǎng)法，可以完成路徑規(guī)劃的任務(wù)；與圖6(b)、圖7(b)所示的基于隨機(jī)采樣的RRT 算法相比，此方法可得出路程更短、離障礙物更遠(yuǎn)、更加平滑可控的路徑；與圖6(c)、圖7(c)所示的基于圖搜索的A*算法相比，此方法有更大的靈活性，可按照不同的需求規(guī)劃不同路徑，得出的路徑更加光滑易控；相較于圖10 所示的原始遺傳算法，本方法在保證飛行安全（見(jiàn)圖8(a)、圖9(a)），保證路程較短（見(jiàn)圖8(b)、圖9(b)）與避免冗余節(jié)點(diǎn)(見(jiàn)圖8(c)、圖9(c))等方面有了明顯提高。

圖10 場(chǎng)景1 中本文算法規(guī)劃結(jié)果

圖11 場(chǎng)景2 中本文算法規(guī)劃結(jié)果

4 結(jié)束語(yǔ)

隨著機(jī)器人技術(shù)的快速發(fā)展與飛行控制技術(shù)的 日趨成熟，無(wú)人機(jī)在越來(lái)越多的領(lǐng)域中得到了廣泛應(yīng)用，路徑規(guī)劃是無(wú)人機(jī)自主飛行中的重要組成部分，規(guī)劃出優(yōu)質(zhì)的路徑是保證無(wú)人機(jī)在執(zhí)行任務(wù)時(shí)，可以安全、快速到達(dá)終點(diǎn)的關(guān)鍵。因此，本文采用改進(jìn)遺傳算法的方法，通過(guò)規(guī)劃出遠(yuǎn)離障礙物的平滑短距路徑來(lái)保障無(wú)人機(jī)能夠快速、安全地到達(dá)目的地。在無(wú)人機(jī)實(shí)際自主飛行與應(yīng)用方面還需要考慮諸多因素，需要與環(huán)境感知與飛行控制等多個(gè)階段密切配合才能夠?qū)⒃撍惴▽?shí)際應(yīng)用于無(wú)人機(jī)飛行中。