[发明专利]一种基于并行自适应蚁群算法的无人机覆盖路径规划方法

说明书

本发明公开了一种基于并行自适应蚁群算法的无人机覆盖路径规划方法，包括以下步骤：步骤1：对需实施覆盖路径规划的CPP区域和该区域内需要避开的NFZ区域进行栅格处理，以此创建集合VSA、集合VSN和集合NFZS；步骤2：采用Dijkstra算法对经过NFZ区域的子路径进行计算得到避障子路径，得到子路径矩阵中；步骤3：采用多个并行线程，每个线程通过SAACO算法，得到当前线程的最优解；步骤4：从多个线程的最优解中选出算法最优解；步骤5：将算法最优解转换为最优路径，得到最优规划路径。

技术领域

本发明属于无人机路径规划技术领域，具体为一种基于并行自适应蚁群算法的无人机覆盖路径规划方法。

背景技术

在过去的几十年中，无人机（UAV）被广泛应用于航拍、植保、快递运输、灾难救援、电力巡检、新闻报道等领域，其中许多无人机的应用涉及到覆盖路径规划（Coverage PathPlanning,CPP）问题。覆盖路径规划CPP一直是机器人领域的一个热点研究问题，它的任务是构建一条路径，确保无人机在给定区域中探索每个位置，同时避开障碍物。评价CPP路径的常见性能指标有：路径长度、转弯次数或转弯角度、完成路径的时间和区域覆盖率。

CPP算法根据环境是否可知，分为在线路径规划和离线路径规划两类。离线路径规划仅依赖静态环境信息，假设全部的环境信息是事先已知的。在线路径规划不需要事先获知要覆盖环境的完整信息，而是基于传感器信息来实时规划局部路径。

CPP算法按单元分解方式可分为三类：不分解、精确单元分解和近似单元分解。使用单个无人机在形状规则的简单区域执行CPP任务通常不需要进行单元分解，此时最常用的路径规划算法有来回法（Back-and-Forth）和螺旋法（Spiral）。而对于复杂的区域通常需要进行单元分解。精确单元分解将形状不规则的复杂区域划分为形状较规则的子区域后，对子区域执行路径规划。比较著名的精确单元分解法有梯形分解法（TrapezoidalDecomposition）、牛耕分解法（Boustrophedon Decomposition）。近似单元分解也叫基于栅格的分解，它将区域离散为一组规则形状（如正方形）的栅格，并让路径遍历这些栅格。基于栅格的分解方法有：生成树法（Spanning Tree Coverage，STC）、波前算法（Wavefront）、遗传算法、蚁群算法、模拟退火等。近年来，基于栅格分解的CPP算法，因其简单易行，被日益广泛地应用。

蚁群优化算法（Ant Colony Optimization,ACO）是通过模拟自然界中蚂蚁集体寻径觅食行为而提出的一种基于种群的启发式随机搜索算法。近些年来，ACO在路径规划中得到了广泛的应用。ACO采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解。但ACO存在收敛速度慢、容易陷入局部最优、参数难以选择等问题。此外，如果区域内存在障碍物或禁飞区（No Flying Zone, NFZ），如何高效避障也是一个需要考虑的问题。

发明内容

发明目的：为克服传统蚁群算法的缺点，以及为解决如何高效避障的问题，本发明提出了一种基于并行自适应蚁群算法的无人机覆盖路径规划方法，利用并行多线程技术，自适应选择参数，同时提高算法的运行速度和规划路径的性能。

技术方案：一种基于并行自适应蚁群算法的无人机覆盖路径规划方法，包括以下步骤：

步骤1：获取需实施覆盖路径规划的CPP区域和在CPP区域内需要避开的NFZ区域，对CPP区域和NFZ区域进行栅格处理，得到由多个CPP栅格构成的CPP区域，以及得到由多个NFZ栅格构成的NFZ区域，取每个CPP栅格的中心点作为一A类点，以此创建A类点集合VSA；取每个NFZ栅格的顶点作为一N类点，以此创建N类点集合VSN；以每个NFZ栅格的对角线为元素，创建集合NFZS；每个A类点和每个N类点均有唯一的序列号；