畢業(yè)論文-旋翼式飛行機器人的飛行路徑規(guī)劃研究

HUNANUNIVERSITY畢業(yè)論文論文題目旋翼式飛行機器人的飛行路徑規(guī)劃研究學生姓名學生學號專業(yè)班級自動1101班學院名稱電氣與信息工程學院指導老師學院院長2015年5月26日湖南大學畢業(yè)設計(論文)湖南大學畢業(yè)設計(論文)第頁基于改進蟻群算法的路徑規(guī)劃引言在20世紀90年代時，意大利學者M.Dorigo提出了一種新的群集智能算法，就是蟻群算法[32]。蟻群算法是模擬螞蟻這一類喜歡群居的昆蟲，雖然個體不能發(fā)揮很大的作用，但是蟻群群體卻能表現(xiàn)出個體所不能完成的行為。比如螞蟻在覓食的過程中總能找到畢竟最短的那條路線，原因是在螞蟻尋找食物時，會在經(jīng)過的路上釋放信息素，其它的螞蟻也能夠感知這種信息素，通過信息素的濃度從而達到正反饋的效應，選擇最優(yōu)的路徑。蟻群算法應用于車輛路徑、網(wǎng)絡路由、TSP問題以及作業(yè)調(diào)度等問題并取得了很好的效果。環(huán)境建模因要求旋翼式飛行機器人在室外進行作業(yè)，故先建立合適其飛行的三維空間環(huán)境模型，采用蟻群算法進行初步的路徑規(guī)劃?？紤]旋翼式飛行機器人在隨機產(chǎn)生地表和固定產(chǎn)生山峰相結(jié)合的三維地圖上運動，然后在此地圖上給出路徑規(guī)劃的目標函數(shù)。三維空間環(huán)境的建模三維路徑規(guī)劃算法首先要有一個從三維地圖中抽象出的三維空間環(huán)境的模型[33]。本文采用的蟻群算法基于柵格法，故需要將三維空間環(huán)境抽象為柵格。圖3.1三維空間環(huán)境建模根據(jù)圖3.1，將三維地圖左下角的頂點A作為原點建立三維坐標系，AD方向為x軸方向也是經(jīng)度增加的方向，AB方向為y軸方向也是緯度增加的方向，AE方向為z軸方向也是海拔高度增加的方向。其中A點的海拔高度為0m。AD、AB、AE也是x軸、y軸、z軸方向的最大長度。三維空間環(huán)境建立后，采用將等分成平面，再將等分平面再劃分的方式將三維空間環(huán)境抽象成一個個的網(wǎng)格點。沿著x軸方向?qū)⒌貓D中的AB邊等分為m個平面后，每個平面沿y軸方向m等分，沿z軸方向n等分，并求出這些等分線的交點，使得整個空間離散化一個三維點集合，如圖3.2所示。圖3.2等分平面的再劃分環(huán)境描述本文的蟻群算法在跨度為65km×65km的山地中搜索一條從起點到終點、能夠避開所有障礙物的最優(yōu)路徑。其中x軸和y軸方向的每個節(jié)點距離為1km，z軸方向每個節(jié)點距離為0.5km。該地圖可以設置山峰的個數(shù)、高度以及坡度，可以隨機產(chǎn)生地表的起伏度。原點A處的海拔為0m，路徑的起點和終點也可以自行設置。目標函數(shù)尋找出旋翼式飛行機器人從起點到終點一系列點的集合，組成一系列直線后光滑成一條曲線，這個路徑不僅要求能夠安全避開障礙物，而且還要是最短的，目標函數(shù)可以表示為式(3-1)：(3-1)式中，為最短路徑，為點的個數(shù)，為點的坐標?；鞠伻核惴ㄏ伻核惴?，是用于在圖中找到一個概率優(yōu)化路徑的算法。被MarcoDorigo早1992年時第一次提出，這個算法的靈感來自于在尋找食物的時候，螞蟻會選擇最優(yōu)路徑。基本蟻群算法的原理圖3.3中t=0時刻有100只經(jīng)過B、E點需要進行路徑選擇，初始情況沒有信息素，所以螞蟻以相同的概率選擇路徑，即B點處各有50只螞蟻選擇BC、BD路徑，E點處各有50只螞蟻選擇EC、ED路徑，并釋放信息素。假設所有螞蟻都以相同的速度前進(2cm/s)并且釋放等量的信息素，1s后選擇BC、EC的螞蟻分別到達E、B點，而BD、ED路徑上的螞蟻僅有BC、EC上的一半，因此BCE比BDE上的信息素更濃，最終螞蟻會選擇路徑ABCEF。圖3.3螞蟻在有障礙的情況下選擇路徑基本蟻群算法路徑搜索方法螞蟻會根據(jù)信息素的濃度選擇運動的位置，以螞蟻現(xiàn)在所在的位置為中心，螞蟻轉(zhuǎn)移公式如式(3-2)(3-2)式中，為按概率確定的下一到達位置。螞蟻從當前節(jié)點轉(zhuǎn)換到下一可到達結(jié)點的概率[34]如(3-3)所示(3-3)式中，表示螞蟻下一步可以選擇的節(jié)點；表示螞蟻在第次搜索時和之間殘留的信息素強度；為信息素啟發(fā)因子；表示在次搜索時節(jié)點相對于節(jié)點的可見性,是一種期望啟發(fā)函數(shù)；是期望啟發(fā)因子，是螞蟻下一步可以選擇到達的結(jié)點。期望啟發(fā)函數(shù)定義為節(jié)點和之間的距離的倒數(shù)，如(3-4)所示(3-4)螞蟻經(jīng)過的路徑會留下信息素，信息素隨著時間的流逝而之間揮發(fā)。而信息素更新方法分為實時的和路徑信息素更新。實時的信息素更新是當每只螞蟻選擇完節(jié)點后要對該節(jié)點的信息素進行更新，如式(3-5)所示(3-5)式中，為信息素揮發(fā)因子且為常數(shù)，和分別是節(jié)點和節(jié)點之間的路徑更新前和更新后的信息素強度，為該點的信息素初始值。當所有螞蟻完成從起點到終點的路徑后，選擇長度最短的路徑，對這條路徑上每個點的信息素進行更新，時刻節(jié)點和按式(3-6)進行信息素的更新。(3-6)式中，是和路徑之間增強的信息素，為第只螞蟻在本次循環(huán)中留在和路徑之間增強的信息素。MarcoDorigo提出了三種的計算模型[32]，(1)Ant-Cycle模型(3-7)(2)Ant-Density模型(3-8)Ant-Quantity模型 (3-9)式中，為信息素濃度的強度，表示第只螞蟻在本次迭代中走過的路徑長度，表示第只螞蟻在本次迭代中從起點到終點走過的路徑長度。根據(jù)三維環(huán)境改進后的蟻群算法信息素更新的改進對于信息素的使用，在基本的蟻群算法中，信息素的存儲載體一般是使用兩個相鄰節(jié)點中間的路徑段，但這種表示方法不能用在解決地圖比較大時的問題。在三維情況的飛行路徑規(guī)劃問題中，把整個空間離散成為一系列的點，這些點相對于二維情況下明顯增多。如果信息素的的載體為各個離散點間的連接路徑，那么沒有是辦法承受這樣算法復雜度。因此，要把信息素存儲在模型的各個離散的點中，每個離散點有一個信息素的值，該值表示對螞蟻的吸引度。此時信息素的更新仍然分為實時的信息素更新和路徑信息素更新，信息素的實時更新是指螞蟻經(jīng)過某個點的時候，這個點的信息素會有所減少，這樣可以增加螞蟻經(jīng)過其它點的概率，可以進行全局搜索。信息素的更新公式如式(3-10)所示(3-10)式中，和是點更新前和更新后的信息素強度；是信息素強度的衰減系數(shù)。路徑信息素也就是全局信息素的更新，是指所有螞蟻完成一條路徑的搜索后，從所有的路徑集合中找出最短的路徑集合，增加這條最短路徑上所有點的信息素強度，更新如式(3-11)所示(3-11)式中，是信息素揮發(fā)因子且為常數(shù)；為系數(shù)；為第只螞蟻走過的路徑總長度。啟發(fā)函數(shù)的改進螞蟻在三維環(huán)境中從當前點到下一個點時，啟發(fā)函數(shù)可以計算出選擇某個點的概率，啟發(fā)函數(shù)如式(3-12)所示(3-12)式中，是當前點到下一個點間的路徑長度，使得螞蟻選擇路徑較短的點；是安全值，當路徑不可達時，該值為0，否則為1，使得螞蟻不會選擇不可達的障礙點；是下一個點到目標點的路徑長度，使得螞蟻選擇距離目標路徑較短的點?？梢宰孕性O置這三個參數(shù)的重要程度。的計算如式(3-13)所示(3-13)式中，為當前點，為下一個點。的計算如式(3-14)所示(3-14)式中，表示此點可看到的點的數(shù)量，表示這個點中不可達到的點的數(shù)量。的計算如式(3-15)所示(3-15)式中，為下一個點，為目標點。其它部分的改進適應度函數(shù)值為長度加高度，用來計算路徑是否有是否有所優(yōu)化，計算如式(3-16)所示(3-16)式中，用于記錄規(guī)劃的路徑，為螞蟻個數(shù)，中奇數(shù)和偶數(shù)分別記錄了路徑的軸坐標和縱坐標。 螞蟻的轉(zhuǎn)移概率式(3-17)所示(3-17)式中，為點當前時刻點的信息素的值?；谙伻核惴ǖ穆窂揭?guī)劃實現(xiàn)及仿真蟻群路徑規(guī)劃算法的實現(xiàn)蟻群路徑規(guī)劃算法實現(xiàn)的流程圖如3.4所示。圖3.4蟻群路徑規(guī)劃算法流程圖如圖所示，首先對三維環(huán)境進行離散化建模，再初始化蟻群算法的各個參數(shù)，根據(jù)啟發(fā)信息以及轉(zhuǎn)移概率選擇下個點的位置，更新局部信息素。如果到達目標位置就計算路徑長度并更新全局信息素，否則繼續(xù)尋找下個點的位置。當滿足結(jié)束條件時，找到的即為最優(yōu)路徑。蟻群路徑規(guī)劃算法的仿真為了證明改進后的蟻群算法具有更好的效果，分別使用基本蟻群算法和優(yōu)化蟻群算法在三維環(huán)境飛行空間下進行了仿真。其中地圖如圖3.5所示，由6個山峰和隨機地表組成，坐標為(10,10),(40,25),(35,50),(15,55),(20,20),(35,8)，起點為(1,40,10)，終點為(64,2,4)。圖3.5旋翼式飛行機器人飛行空間表3.1蟻群算法參數(shù)設置參數(shù)數(shù)值種群規(guī)模40迭代次數(shù)400信息素衰減率0.9信息素啟發(fā)因子0.5期望啟發(fā)因子2根據(jù)表3.1的參數(shù)進行設置，分別使用基本蟻群算法以及改進后的蟻群算法進行路徑規(guī)劃仿真，路徑規(guī)劃結(jié)果和最佳個體適應度變化趨勢如圖3.6和圖3.7所示，兩種算法結(jié)果的俯視圖如圖3.8所示。 圖3.6基本蟻群算法路徑規(guī)劃及適應度變化趨勢圖3.7優(yōu)化蟻群算法路徑規(guī)劃及適應度變化趨勢圖3.8基本蟻群算法和優(yōu)化蟻群算法路徑規(guī)劃的俯視圖表3.2兩種蟻群算法的仿真結(jié)果路徑長度適應度值基本蟻群算法236506.9335優(yōu)化蟻群算法177435.7887可以明顯看出改進后的蟻群算法在同樣迭代次數(shù)下路徑比基本蟻群算法更加優(yōu)化且適應度值更低。但由于在使用蟻群算法進行規(guī)劃時，是采用離散化的方式進行建模，故路徑不具有很好的平滑性和可跟蹤性，需要采用人工勢場法進行平滑，具體方法將在第四章和第五章中提到。本章小結(jié)本章介紹了蟻群算法的發(fā)展背景和其基本理論，之后介紹了對三維環(huán)境空間抽象后的建模。針對三維環(huán)境，在基本蟻群算法上進行了改進，并進行了仿真和對比，為后面兩種算法的結(jié)合奠定了基礎。基于人工勢場法的路徑規(guī)劃引言人工勢場法是一種非常常用的方路徑規(guī)劃方法，該方法的優(yōu)點是計算量比較小且結(jié)構簡單，實時性也很好，可在實時避障和平滑軌跡等方面進行應用。但是在人工勢場法的缺點是溶于在局部最優(yōu)解上產(chǎn)生死鎖現(xiàn)象現(xiàn)象，即使得陷入局部最優(yōu)。由于該方法簡單易用，已被大量使用在路徑規(guī)劃上，但由于人工勢場法的容易陷入局部最優(yōu)的缺點，所以往往適合另外的方法相結(jié)合使用。若僅僅使用蟻群算法得到的路徑不具有很好的連續(xù)性和可跟蹤性，故需要使用的人工勢場法進行路徑平滑，本章中提出了一種在三維環(huán)境下使路徑平滑的人工勢場法。基本人工勢場法的路徑規(guī)劃人工勢場法的原理1986年Khatib提出了人工勢場法，主要就是構造一個目標產(chǎn)生的引力場和已知的障礙物產(chǎn)生的斥力場，引力場的矢量指向目標位置的方向，斥力場的矢量朝著背離障礙物的方向，兩者共同作用的一個人工勢場[35]。通過勢場產(chǎn)生的力計算出當前點下一步的路徑方向。人工勢場法的受力圖如4.1所示。圖4.1人工勢場法受力圖產(chǎn)生的人工勢場中，斥力場隨著和障礙物距離的增加從而減少，引力場隨著和目標距離的增加和增加，產(chǎn)生的勢能的總和是兩個場的疊加?？刹捎锰荻葎輬龇ㄟM行函數(shù)的表示，就是取沿著勢函數(shù)梯度下降方向。在這個人工勢場中，旋翼式飛行機器人受到的引力和斥力的合力這種虛擬力。目標對旋翼式飛行機器人產(chǎn)生引力，障礙物則對旋翼式飛行機器人產(chǎn)生斥力，產(chǎn)生的合力為，使得旋翼式飛行機器人朝著目標運動。具體示意圖如圖4.2所示。圖4.2人工勢場法中單點受力圖傳統(tǒng)的人工勢場法算法傳統(tǒng)的人工勢場法都是在二維的運動空間[36]下進行研究的，但人工勢場法也可以用在三維的運動空間[37]中。若物體的位置用表示，該物體的受到的總勢場強度可由表示。目標的位置用進行表示，對該物體產(chǎn)生的引力勢場可用表示；障礙物的位置用進行表示，對該物體產(chǎn)生的斥力勢場可用表示。在位置的總勢場強度如式(4-1)所示，其微分結(jié)果為產(chǎn)生的合力為式(4-2)(4-1)(4-2)式中，是產(chǎn)生的勢場在位置的梯度，梯度的方向是朝著位置處于勢場變化率最大的方向。對于三維空間中的任何點，如(4-3)所示(4-3)引力勢場的強度和斥力勢場的強度可分別用式(4-4)和(4-5)表示(4-4)(4-5)式中，和是相應的正比例位置增益系數(shù)，是該物體與目標點間的距離，是該物體與障礙物的最短距離，是障礙物的影響的距離，這個值可以自行設定，只有物體距離障礙物一定距離內(nèi)斥力場才有作用。引力勢場產(chǎn)生的引力和斥力勢場產(chǎn)生的斥力分別為相應勢場的負梯度，如(4-6)和(4-7)所示(4-6)(4-7)受到的合力為式(4-8)所示(4-8)合力決定了該物體的運動方向。人工勢場法中物體的運動式中受到這個合力的作用，從而在避開障礙的情況下進行到從起始點到目標點的路徑規(guī)劃。傳統(tǒng)人工勢場法存在的問題雖然人工勢場法在進行路徑規(guī)劃時有著美觀、簡便等優(yōu)點，但存在著一些問題：在障礙物附近時可能呈不穩(wěn)定前進；目標在障礙物附近收到的斥力過大，導致目標不可達；在某點時達到受力平衡狀態(tài)，則陷入局部最優(yōu)解。三維環(huán)境下使路徑平滑的人工勢場法三維環(huán)境下障礙物點的提取方法本文中利用的算法由于是將一個個的障礙點作為產(chǎn)生斥力場的源，故在面對連續(xù)的障礙物表面時需要提取一系列的障礙點，提取的方法如圖4.3所示。由于在生成三維空間地圖時的主要方法是由一個個點形成的連續(xù)面，故可將這些點作為障礙點。圖4.3取障礙點示意圖改進的人工勢場法如果單獨利用蟻群算法得到的是一系列點和各點間相連的線組成的路徑，路徑的一階導數(shù)在結(jié)點處均不連續(xù)。對于旋翼式飛行機器人來說，沿著這樣的路徑飛行可跟蹤性較差且仍可能會在某兩點之間直線運動時產(chǎn)生碰撞。若采用人工勢場法平滑路徑，算法簡便且計算量較小，考慮到了障礙物對路徑的影響，被廣泛應用?？紤]到傳統(tǒng)的人工勢場法出現(xiàn)的一些問題，對斥力函數(shù)進行了改進。除此之外，由于平滑算法時增設許多目標點，故能克服傳統(tǒng)的人工勢場法中出現(xiàn)的陷入局部最優(yōu)解的確定。若使用蟻群算法后得到的路徑為，其中為起點，為終點。本文采用如下方法進行路徑平滑處理，例如當處于結(jié)點時將下一結(jié)點，作為引力點，三維地圖模型的各個高度點作為斥力點，利用人工勢場法進行平滑到的路徑，以此類推。引力勢場和引力函數(shù)[38]仍然采用原來的方式進行表示，如式(4-9)和(4-10)所示(4-9)(4-10)式中，表示引力常量，表示旋翼式飛行機器人當前位置到目標或下一引力點的距離。針對目標不可達的問題對斥力函數(shù)進行了改進，在考慮斥力場的時候要計算旋翼式飛行機器人與目標點之間的距離。新的斥力場函數(shù)如(4-11)所示(4-11)式中，表示斥力常量，表示旋翼式飛行機器人當面位置到障礙物的距離，表示障礙物的影響距離。相應的斥力采用以(4-12)-(4-14)形式表示(4-12)(4-13)(4-14)圖4.4三維圖中力的分解示意圖如圖4.4所示，力在三維圖中先分解為一個軸方向的分力和一個平面的分力，夾角為；再將分解為軸方向和軸方向的分力。當旋翼式飛行機器人第步路徑點時，機器人的受力到前向目標點引力和障礙物的斥力。由式(4-15)-(4-17)得到三維空間內(nèi)目標點的引力在三個坐標軸的分力，由式(4-18)-(4-20)得到三維空間內(nèi)目標點的斥力在三個坐標軸的分力。(4-15)(4-16)(4-17)(4-18)(4-19)(4-20)其中，為所在位置與引力點的連線與平面的夾角，為所在位置在平面的投影點與引力點的連線與軸的夾角；為所在位置與障礙物的連線與平面的夾角，為所在位置在平面的投影點與障礙物的連線與軸的夾角。將引力和斥力分別在三個坐標軸上進行合成后，再將三個分力進行合成后得到所受的合力，確定下一步的路徑點。受到的合力為(4-21)(4-22)合力決定了旋翼式飛行機器人下一運動方向，可通過修改的值調(diào)節(jié)斥力大小，通過調(diào)節(jié)的值使得路徑平滑達到最優(yōu)效果。當?shù)竭_最后一個引力點時，即引力為0時結(jié)束路徑平滑。這樣就可以得到一條光滑且安全無碰撞的路徑。改進的人工勢場法的實現(xiàn)圖4.5為改進后的人工勢場法的具體實現(xiàn)流程圖，除改進斥力函數(shù)外，增設了多目標點的方式以保證人工勢場法不會陷入局部最優(yōu)解。圖4.5改進的人工勢場法流程圖如圖所示，先對環(huán)境進行建模，再對人工勢場法的參數(shù)進行初始化。計算當前點的斥力和引力后，求得所受合力，根據(jù)合力確定下一點的方向，如果所受合力為為零則判斷是否到達最終目標點還是中間目標點，否則向著下一點。若沒有達到最終目標點，則換成下一目標點，否則畫出最優(yōu)路徑?；谌斯輬龇ǖ穆窂揭?guī)劃仿真簡單障礙物情況下的仿真表4.1人工勢場法參數(shù)設置參數(shù)設置數(shù)值起點位置(1,50,10)終點位置(65,5,10)引力增益系數(shù)10斥力增益系數(shù)5障礙影響距離3步長0.7迭代次數(shù)500針對以上所提到的人工勢場算法在設置點狀障礙物和多目標點的情況下進行仿真，人工勢場法設置參數(shù)如表4.1所示。根據(jù)上表設置參數(shù)進行仿真，其中障礙物的個數(shù)為7個，坐標分別為(34,23,1),(23,53,10),(34,53,22),(43,23,18),(20,50,20),(40,10,5),(35,52,8)；多目標個數(shù)為6個，坐標分別為(2,5,4),(4,6,7),(34,6,17),(37,23,21),(32,46,21),(44,31,32)。圖4.6人工勢場法簡單情況路徑規(guī)劃仿真結(jié)果如圖4.6所示，從仿真結(jié)果可以看出該人工勢場法在障礙物為點狀時可以很好的跟蹤各個目標點并躲避障礙物。復雜障礙物情況下的仿真表4.2人工勢場法參數(shù)設置參數(shù)設置數(shù)值起點位置(1,39,8)終點位置(64,6,4)引力增益系數(shù)8斥力增益系數(shù)4障礙影響距離2步長0.8迭代次數(shù)100復雜情況下人工勢場法的參數(shù)設置如表4.2所示，障礙物個數(shù)為65*65=4225個，多目標個數(shù)為6個，分別為(15,14,6),(21,11,3),(31,9,2),(37,7,2.5),(47,2,3),(51,2,1)。仿真結(jié)果如圖4.7所示。圖4.7人工勢場法復雜情況路徑規(guī)劃本章小結(jié)本章首先對傳統(tǒng)的人工勢場法進行了一個了解，介紹了如何構建引力和斥力勢場。針對傳統(tǒng)人工勢場法的會目標不可達和陷入局部最優(yōu)解的情況進行了改進，對斥力函數(shù)進行了一些修改，使其更加合理。并針對下一章需要用到的人工勢場平滑算法進行了介紹，提出了把蟻群算法的各路徑點當作中間目標點從而可以解決局部穩(wěn)定問題。最后進行了兩種情況的仿真驗證了該人工勢場法可行且有效性?；趧輬鱿伻核惴w行路徑規(guī)劃引言人工勢場法是一種基于虛擬力的簡便、有效的局部路徑規(guī)劃方法，具有較好的平滑性，不局限于柵格地圖，但是容易產(chǎn)生死鎖并陷入局部最優(yōu)解。蟻群算法是一種新型的啟發(fā)式路徑規(guī)劃算法，根據(jù)“信息素較濃的路線更近”原則，即可選擇出最佳路線。由于這個算法利用了正反饋機制，使得較短的路徑能夠有較大的機會得到選擇，并且由于采用了概率算法，所以它能夠不局限于局部最優(yōu)解。但是盲目性較大，且多是基于柵格法，故產(chǎn)生的路徑?jīng)]有很好的跟蹤性。因此本文針對這種情況，將人工勢場法較好的可跟蹤性和蟻群算法群集智能且不陷入死鎖的特點結(jié)合，先使用改進的蟻群算法進行三維路徑規(guī)劃，該蟻群算法針對三維情況，對信息素的更新和表示、啟發(fā)函數(shù)的設計的改進，后使用人工勢場法進行平滑，提高了路徑的可跟蹤性和安全性。在matlab中建立相應的三維環(huán)境模型并作出路徑規(guī)劃仿真。勢場蟻群算法的實現(xiàn)針對旋翼式飛行機器人勢場蟻群算法的三維路徑規(guī)劃具體的算法流程如圖5.1所示。首先對三維環(huán)境進行建模，初始化蟻群算法的各個參數(shù)，根據(jù)啟發(fā)信息函數(shù)及轉(zhuǎn)移概率選擇下一個點的位置，之后更新局部信息素。如果沒有達到目標位置，繼續(xù)選擇下一個點的位置；如果達到了目標位置，計算當前的路徑長度并更新全局信息素。如果滿足結(jié)束條件，則找到蟻群算法的最優(yōu)路徑。再對這條最優(yōu)路徑對人工勢場法進行平滑處理，從而得到最后的優(yōu)化路徑。圖5.1勢場蟻群路徑規(guī)劃算法流程圖基于勢場蟻群飛行路徑規(guī)劃仿真為了驗證本文所提出算法的有效性，在圖5.3所示的地圖環(huán)境下使用該算法，在matlab中進行相應的仿真。旋翼式飛行機器人的飛行路徑規(guī)劃仿真界面如圖5.2所示，生成的地圖即為圖5.3所示的三維環(huán)境空間，設置起點位置為(1,45,11)，終點位置為(64,12,12)。山峰個數(shù)為5個，分別在坐標(10,10)，(40,25)，(35,50)，(20,35)，(15,50)處。圖5.2旋翼式飛行機器人的飛行路徑規(guī)劃仿真界面圖5.3建立的三維地圖模型表5.1蟻群算法參數(shù)設置參數(shù)數(shù)值種群規(guī)模40迭代次數(shù)400信息素衰減率0.9信息啟發(fā)因子0.5期望啟發(fā)因子2表5.2人工勢場法參數(shù)設置參數(shù)數(shù)值引力增益系數(shù)10斥力增益系數(shù)5障礙距離2步長0.5迭代次數(shù)500(a)蟻群算法路徑規(guī)劃的仿真界面(b)蟻群算法路徑規(guī)劃的仿真結(jié)果圖5.4蟻群算法的路徑規(guī)劃(a)人工勢場法路徑規(guī)劃的仿真界面(b)人工勢場法路徑規(guī)劃的仿真結(jié)果圖5.5人工勢場法(a)勢場蟻群算法的路徑規(guī)劃仿真界面(b)勢場蟻群算法的路徑規(guī)劃仿真結(jié)果圖5.6勢場蟻群算法的路徑表5.1和表5.2分別為蟻群算法和人工勢場法設置的參數(shù)，圖5.4為只使用蟻群算法下的仿真界面和得出的最終路徑，圖5.5為只使用人工勢場法下的仿真界面和得出的最終路徑，圖5.6為在圖5.4的基礎上再使用人工勢場法進行平滑后下的仿真界面和得出的最終路徑。可以明顯看出圖5.4(b)中的路徑由幾段折線組成，光滑性和連續(xù)性較差；圖5.5(b)的路徑雖然具有較好的平滑性，但并不是最優(yōu)路徑；圖5.6(b)中的出的路徑是在使用人工勢場法光滑后得到的是若干點組成的一條光滑且連續(xù)的路徑。表5.3仿真結(jié)果算法路徑長度蟻群算法117.3291人工勢場法104.0538勢場蟻群算法87.0797表5.3是仿真的結(jié)果，可以看出勢場蟻群算法的路徑長度遠小于單獨的蟻群算法和人工勢場法，即可搜索到最優(yōu)路徑。本章小結(jié)本章首先介紹了勢場蟻群融合算法流程圖，簡要介紹了融合的方式。在給出的三維空間中，分別對單獨的蟻群算法、人工勢場法以及兩種算法融合后的路徑規(guī)劃情況進行了仿真和分析。該算法首先利用蟻群算法進行初步的路徑規(guī)劃，再利用人工勢場法對所得路徑進行平滑。仿真結(jié)果表明，融合算法的效果明顯優(yōu)于兩種單獨的算法，利用人工勢場法進行平滑，能夠充分考慮到障礙物對路徑的影響，并且使得旋翼式飛行機器人能夠更好的跟蹤該路徑?？偨Y(jié)與展望本文總結(jié)旋翼式飛行機器人具有飛行靈活、可控性強、抗干擾能力好等優(yōu)點，目前越來越得到研究者的關注，在軍事、民用和科研等方面應用越來越廣泛。故研究其路徑規(guī)劃問題是非常必要的。本文通過結(jié)合了路徑規(guī)劃算法當今發(fā)展趨勢的情況下，查閱了大量國內(nèi)外文獻。在這些理論基礎上，針對隨機產(chǎn)生地表且存在山峰的三維地圖情況下，提出了一種針對旋翼式飛行機器人的、將人工勢場法和蟻群算法相結(jié)合的路徑規(guī)劃算法。通過兩種算法的結(jié)合彌補了各自的缺點并發(fā)揮了每種算法的優(yōu)點。本文具體做了以下幾個方面的工作：1、對無人駕駛飛行器的研究現(xiàn)狀進行了歸納總結(jié)，分析了其未來的發(fā)展趨勢；對路徑規(guī)劃方法進行了介紹，并將幾種常見的路徑規(guī)劃方法分為全局路徑規(guī)劃和局部路徑規(guī)劃，并分析了每種方法的優(yōu)缺點，提出了路徑規(guī)劃方法的研究趨勢。2、詳細的介紹了基本的蟻群算法的原理和路徑搜索方式以及該方法應用的領域。在三維環(huán)境下提出了一種三維柵格環(huán)境的描述方式，并建立相應的模型、確定目標函數(shù)。針對飛行環(huán)境，對蟻群算法的信息素、啟發(fā)函數(shù)、適應度函數(shù)和螞蟻的轉(zhuǎn)移概率進行了改進，并通過仿真比較了改進后方法的有效性以及可行性。3、對人工勢場法的原理以及傳統(tǒng)的人工勢場法進行介紹，并指出傳統(tǒng)的人工勢場法在應用上存在的一些問題。根據(jù)這些問題并結(jié)合算法融合時人工勢場法所需起到的平滑作用，對人工勢場法的斥力勢場函數(shù)進行改進，并增設多目標點以解決人工勢場法陷入局部最優(yōu)解和目標不可達問題。對在三維空間中連續(xù)平面障礙物，提出了一種障礙點的提取方式。針對改進的人工勢場法，分別在只有點狀障礙物和連續(xù)平面障礙物的情況下進行仿真，該方法可以克服上述缺點。4、針對蟻群算法和人工勢場法在路徑規(guī)劃上有各自的優(yōu)缺點，將它們互補后提出了一種旋翼式飛行機器人的勢場蟻群算法。該算法該方法先建立三維地圖，在此基礎上用蟻群算法找到最優(yōu)路徑并用人工勢場法進行路徑平滑優(yōu)化。5、在MATLAB2013a的軟件開發(fā)環(huán)境下，對本文提出的新算法進行了仿真。仿真結(jié)果表明，利用人工勢場法進行平滑，能夠充分考慮到障礙物對路徑的影響，并且使得旋翼式飛行機器人能夠更好的跟蹤該路徑。效果明顯優(yōu)于單獨的人工勢場法或單獨的蟻群算法，能夠獲得更優(yōu)的路徑。工作展望綜上所示，本文在基于勢場蟻群的旋翼式飛行機器人的路徑規(guī)劃上做了一定的研究工作，通過對該算法進行了仿真，證明了該算法的可行，但本文作出的研究也有一定的缺陷和不足，未來要在以下幾個方面做進一步深入的研究：本文是針對環(huán)境信息全部已知且在靜態(tài)環(huán)境中進行的旋翼式飛行機器人路徑規(guī)劃，而在實際工作中，旋翼式飛行機器人不可能處于這樣理想化的狀態(tài)，可能環(huán)境信息是部分或完全未知的，這就需要我們研究能夠在動態(tài)環(huán)境中進行的旋翼式飛行機器人路徑規(guī)劃。本文在使用蟻群算法時是在柵格環(huán)境建模中進行的，這是對旋翼式飛行機器人工作環(huán)境的一種理想化表示方法，如應用在實際中將產(chǎn)生誤差，可能不能很好的避障。本文在研究路徑規(guī)劃方法時沒有考慮到旋翼式飛行機器人本身的大小，而是將其作為一個質(zhì)點進行運動。在未來的研究中，由于旋翼式飛行機器人本身有一定的大小，如不考慮自身大小，可能會在距離障礙物過近時產(chǎn)生碰撞。本文雖然融合了蟻群算法和人工勢場法，且對每種算法進行了一定的改進。但是這些研究顯然不夠，未來可以考慮三種、四種甚至更多的算法融合在一起，能夠進一步提高旋翼式飛行機器人路徑規(guī)劃的精讀和效率。本文在對提出的方法進行仿真時，對相關參數(shù)的選擇只是根據(jù)經(jīng)驗設定，并沒有太多的理論基礎提供支持，合理的選擇參數(shù)也是今后需要研究的。本文僅僅是對提出的勢場蟻群算法進行了仿真，但是并沒有應用到實際的旋翼式飛行機器人工作當中。致謝時光荏苒，隨著論文的寫作接近尾聲，大學本科生活也即將畫上句號?；仡欉^去的四年，我感觸頗深，也對那些指導過我、幫助過我、激勵過我的人表示深深的感謝。首先我要感謝我的導師譚建豪教授，譚老師在我完成本科畢業(yè)設計的過程中給了我很大的幫助。在畢業(yè)設計的過程中遇到了很多的問題，譚老師都給了我很多寶貴的意見，自己取得了這些成績都凝聚著老師的心血。譚老師不論是在畢業(yè)設計的研究思路、研究方法、論文寫作、論文修改還是論文定稿中，都有著很重要的作用。譚老師國際化的視野、淵博的學識、嚴謹縝密的治學風格都影響著我今后的工作、學習和生活。感謝王媛媛學姐和張藝巍學姐，在完成畢業(yè)設計和論文的過程中提供了很多的幫助和支持，在遇到困難時給我提供了很多方法以及一些科研資料，幫助我解決科研難題。在有需要的時候她們都會主動提供幫助，她們樂于助人的品質(zhì)讓我敬佩。感謝鐘航學長，李力學長和陳彥杰學長在過程中對我的幫助和支持。還要感謝感謝我的家人和朋友們對我的鼓勵和支持，正是有個他們讓我能夠順利完成我的本科學業(yè)。最后感謝在百忙之中抽出時間評閱我論文的專家和學者們。王楚2015年5月參考文獻附錄A仿真界面圖A1旋翼式飛行機器人飛行路徑規(guī)劃仿真開始界面圖A2旋翼式飛行機器人飛行路徑規(guī)劃仿真界面附錄B地圖生成部分代碼1、生成山峰部分的函數(shù)function[data]=CeatHill(N,h,x0,y0,xi,yi,num)x=1:1:num;y=1:1:num;form=1:numforn=1:numSum=0;fork=1:Ns=h(k)*exp(-((x(m)-x0(k))/xi(k))^2-((y(n)-y0(k))/yi(k))^2);Sum=Sum+s;enddata(m,n)=Sum;endend2、生成地表部分的函數(shù)function[data]=SquareDiamond(N,initvalue,c)n=2^N;data=zeros(n+1);data(1,1)=initvalue;data(1,n+1)=initvalue;data(n+1,1)=initvalue;data(n+1,n+1)=initvalue;data=mytry(data,n,c,n);function[x]=rnd(absvalue)x=(rand(1)-0.5)*2*absvalue;function[data]=mytry(data,m,r,n)fori=1:m:nforj=1:m:ndata((i+i+m)/2,(j+j+m)/2)=(data(i,j)+data(i,j+m)+data(i+m,j)+data(i+m,j+m))/4+rnd(r);endendforj=1+m/2:m:ndata(1,j)=(data(1,j+m/2)+data(1+m/2,j)+data(1,j-m/2)+data(n+1-m/2,j))/4+rnd(r);endfori=1+m:m:nforj=1+m/2:m:ndata(i,j)=(data(i,j+m/2)+data(i+m/2,j)+data(i,j-m/2)+data(i-m/2,j))/4+rnd(r);endendforj=1+m/2:m:ndata(n+1,j)=(data(n+1,j+m/2)+data(1+m/2,j)+data(n+1,j-m/2)+data(n+1-m/2,j))/4+rnd(r);endfori=1+m/2:m:ndata(i,1)=(data(i,1+m/2)+data(i+m/2,1)+data(i,n+1-m/2)+data(i-m/2,1))/4+rnd(r);endfori=1+m/2:m:nforj=1+m:m:ndata(i,j)=(data(i,j+m/2)+data(i+m/2,j)+data(i,j-m/2)+data(i-m/2,j))/4+rnd(r);endendfori=1+m/2:m:ndata(i,n+1)=(data(i,1+m/2)+data(i+m/2,n+1)+data(i,n+1-m/2)+data(i-m/2,n+1))/4+rnd(r);endif(m>2)data=mytry(data,m/2,r/2,n);end附錄C蟻群算法部分代碼1、計算啟發(fā)值函數(shù)functionqfz=CacuQfz(Nexty,Nexth,Nowy,Nowh,endy,endh,abscissa,HeightData)ifHeightData(Nexty,abscissa)<NexthS=1;elseS=0;endD=100/(sqrt(1+(Nowh-Nexth)^2+(Nexty-Nowy)^2)+sqrt((65-abscissa)^2...+(endh-Nexth)^2+(endy-Nowy)^2));M=30/abs(Nexth+1);qfz=S*M*D;2、計算個體適應度值函數(shù)functionfitness=CacuFit(path)[n,m]=size(path);fori=1:nfitness(i)=0;forj=2:m/2fitness(i)=fitness(i)+sqrt(1+(path(i,j*2-1)-path(i,(j-1)*2-1))^2...+(path(i,j*2)-path(i,(j-1)*2))^2)+abs(path(i,j*2));endend3、蟻群算法的路徑規(guī)劃function[path,pheromone]=searchpath(PopNumber,LevelGrid,PortGrid,pheromone,HeightData,starty,starth,endy,endh)ycMax=2;hcMax=2;decr=0.8;forii=1:PopNumberpath(ii,1:2)=[starty,starth];NowPoint=[starty,starth];forabscissa=2:PortGrid-1kk=1;fori=-ycMax:ycMaxforj=-hcMax:hcMaxNextPoint(kk,:)=[NowPoint(1)+i,NowPoint(2)+j];if(NextPoint(kk,1)<64)&&(NextPoint(kk,1)>0)&&(NextPoint(kk,2)<64) &&(NextPoint(kk,2)>0) qfz(kk)=CacuQfz(NextPoint(kk,1),NextPoint(kk,2),NowPoint(1), NowPoint(2),endy,endh,abscissa,HeightData);qz(kk)=qfz(kk)*pheromone(abscissa,NextPoint(kk,1),NextPoint(kk,2));kk=kk+1;elseqz(kk)=0;kk=kk+1;endendendsumq=qz./sum(qz);pick=rand;whilepick==0pick=rand;endfori=1:25pick=pick-sumq(i);ifpick<=0index=i;break;endendoldpoint=NextPoint(index,:);pheromone(abscissa+1,oldpoint(1),oldpoint(2))=0.5*pheromone(abscissa+1,oldpoint(1),oldpoint(2));path(ii,abscissa*2-1:abscissa*2)=[oldpoint(1),oldpoint(2)];NowPoint=oldpoint;endpath(ii,129:130)=[endy,endh];end附錄D人工勢場法部分代碼1、計算引力的函數(shù)function[Yatx,Yaty,Yatz]=compute_Attract(X,Xsum,k,anglea,angleb,b,Po,n)R1=((X(1)-Xsum(1,1))^2+(X(2)-Xsum(1,2))^2+(X(3)-Xsum(1,3))^2);R2=((X(1)-Xsum(1,1))^2+(X(2)-Xsum(1,2))^2);r1=sqrt(R1);r2=sqrt(R2);Yatx=k*r2*cos(angleb);%angle=Y(1)Yaty=k*r2*sin(angleb);Yatz=k*r1*sin(anglea);2、計算斥力的函數(shù)function[Yrerxx,Yreryy,Yrerzz,Yataxx,Yatayy,Yatazz]= compute_repulsion(X,Xsum,Xza,m,anglea_at,angleb_at,anglea_re,angleb_re,z,Po,a,c)Rat=(X(1)-Xsum(1,1))^2+(X(2)-Xsum(1,2))^2+(X(3)-Xsum(1,3))^2;rat=sqrt(Rat);fori=1:mRrei(i)=(X(1)-Xsum(i,1))^2+(X(2)-Xsum(i,2))^2+(X(3)-Xsum(i,3))^2;rre(i)=sqrt(Rrei(i));R0=(Xsum(c,1)-Xza(i,1))^2+(Xsum(c,2)-Xza(i,2))^2+(Xsum(c,3)-Xza(i,3))^2;r0=sqrt(R0);ifrre(i)>Po%Yrerx(i)=0;Yrery(i)=0;Yrer