基于成像傳感器特性的偵察無人機航跡規(guī)劃研究

于 堯，程建博，李迎春

(裝備學(xué)院 復(fù)雜電子系統(tǒng)仿真實驗室， 北京 101416)

【信息科學(xué)與控制工程】

基于成像傳感器特性的偵察無人機航跡規(guī)劃研究

于 堯，程建博，李迎春

(裝備學(xué)院 復(fù)雜電子系統(tǒng)仿真實驗室， 北京 101416)

針對攜帶成像傳感器的偵察無人機的航跡規(guī)劃問題，提出整體與局部航跡規(guī)劃結(jié)合的方法；將偵察無人機航跡規(guī)劃問題分解為兩步：第一步，利用遺傳算法全局搜索的優(yōu)勢對蟻群算法初始信息素過低進行改進，對無人機進行整體航跡規(guī)劃；第二步，利用幾何限制原則結(jié)合偵察無人機攜帶的成像傳感器的特點進行局部航跡再規(guī)劃；通過按照該方法規(guī)劃出偵察無人機的航跡并取得較好效果的一個實例證明，該方法計算簡化、貼合實際、針對性強，可為實際戰(zhàn)場偵察無人機航跡規(guī)劃提供了參考。

偵察無人機；成像傳感器；航跡規(guī)劃；蟻群算法；遺傳算法；幾何限制原則

作為實施遠程精確打擊，提高飛行器作戰(zhàn)效能有效手段的航跡規(guī)劃優(yōu)劣直接決定了無人機的作戰(zhàn)效能，所以執(zhí)行任務(wù)前的航跡規(guī)劃對于偵察型無人機具有重要的現(xiàn)實意義。航跡規(guī)劃的算法有很多種，一般都可以轉(zhuǎn)化路徑搜索問題，其中概率搜索算法可以防止局部最優(yōu)，得到了快速發(fā)展[1-5]。為了提高無人機的生存能力，必須綜合考慮各種地形限制[6-7]、威脅信息[8]、飛機性能及時間限制[9]等。針對實際作戰(zhàn)任務(wù)也是需要重點考慮的，文獻[10]著重對雷達對抗下建立威脅模型，文獻[11]提出了一種用于計算鏈路重要度指數(shù)的方法，并用該指標(biāo)評估鏈路的信息，最后利用計算機技術(shù)自動進行高品質(zhì)的航路規(guī)劃，但針對無人機搭載的載荷進行具體分析的研究還很少。

攜帶成像傳感器的無人機一般對已知坐標(biāo)的目標(biāo)群內(nèi)的每個目標(biāo)進一步詳細勘查，而在目標(biāo)群質(zhì)心敵方一般會配備一定功率的雷達，在完成偵察任務(wù)的同時，為了讓無人機暴露在雷達范圍內(nèi)的時間最小，需要對其航跡進行規(guī)劃。對此本文將偵察無人機航跡規(guī)劃問題分解為兩步：第一步，利用基于遺傳算法改進的蟻群算法，完成無人機的整體航跡規(guī)劃；第二步，利用幾何限制原則針對偵察無人機攜帶的成像傳感器的特點進行局部航跡再規(guī)劃。

1 航跡規(guī)劃原理

1.1 整體航跡規(guī)劃原理

遺傳算法和蟻群算法都是有效的概率搜索算法，它們各有優(yōu)缺點。遺傳算法[4]具有快速全局搜索能力的優(yōu)勢，但由于遺傳算法沒有反饋機制，在接近局部最優(yōu)解的時候，經(jīng)常做無用的進化。蟻群算法[5]具有反饋機制，能夠?qū)⑦M化的信息反饋到下一輪，通過信息素的累積和更新收斂于最優(yōu)路徑，但初期信息素匱乏導(dǎo)致算法收斂速度慢。

基于遺傳算法改進的蟻群算法可以克服兩種算法的缺陷，形成優(yōu)勢互補。首先利用遺傳算法全局搜索的優(yōu)勢對蟻群算法的初始信息素值進行修正，解決了蟻群算法前期由于初始信息素過低而引起的全局搜索收斂慢的問題，再利用蟻群算法的反饋機制尋找最優(yōu)解。本文利用兩者結(jié)合的優(yōu)點，將其引入到航跡規(guī)劃尋找最優(yōu)路徑。

1.2 局部航跡規(guī)劃原理

由于偵察區(qū)域以及目標(biāo)區(qū)域存在著幾何限制條件，攜帶不同載荷的無人機局部航跡必須遵守特定的規(guī)則。這些規(guī)則是根據(jù)載荷偵察的幾何特點、無人機的飛行要求、敵方危險區(qū)域范圍為限制原則，在最短路徑、飛行技術(shù)要求、限制區(qū)域取折中，利用幾何限制的切線性質(zhì)，進行局部航跡規(guī)劃。

2 航跡規(guī)劃算法設(shè)計

2.1 整體航跡規(guī)劃算法設(shè)計

在航跡規(guī)劃中，主要面臨的威脅有敵方防御體系威脅和地形威脅，本文主要針對敵方防御體系威脅進行航跡規(guī)劃研究(即雷達搜索范圍)。要求使得無人機在完成偵察任務(wù)的同時又能使得暴露在敵方雷達探測范圍內(nèi)的滯留時間總和最短，因此無人機整體航跡規(guī)劃轉(zhuǎn)化為最短路徑問題。

1) 遺傳算法編碼。采用路徑編碼方法，對航跡點進行二進制編碼，生成航跡點距離矩陣D，起始點到目標(biāo)結(jié)束點的路徑序列作為一條染色體的編碼，每個染色體都代表了一個完整路徑。

2) 適應(yīng)度函數(shù)。設(shè)定染色體g的適應(yīng)度函數(shù)為

(1)

式(1)中的Dkikj表示第i個目標(biāo)點到第j個目標(biāo)點的距離。

3) 選擇操作。采用輪盤賭選擇方法，從舊群體按概率選擇到新群體當(dāng)中。

4) 交叉操作。兩條染色體隨機選擇一個公共點作為交叉點，從起始點到交叉點的節(jié)點順序保持不變，將交叉點與目標(biāo)節(jié)點間的順序相互交換。

5) 變異操作。一條染色體中任選兩個點進行位置互換。

6) 遺傳算法結(jié)束。在遺傳算法的迭代過程中同時統(tǒng)計進化率，公式為

(2)

設(shè)遺傳算法迭代次數(shù)為N，若連續(xù)3次進化率都小于最小進化率時，停止遺傳算法迭代過程，進入蟻群算法。

7) 遺傳算法對蟻群算法信息素的修正。選擇遺傳算法結(jié)果適應(yīng)值最高的前10%條路徑V，作為蟻群算法的初始路徑，由于遺傳算法沒有信息素值，所以定義τF=k·F(g)為遺傳算法產(chǎn)生的信息素值，k為常數(shù)，當(dāng)有多條路徑經(jīng)過路徑P(i, j)點時，τa需要進行疊加。因此，蟻群算法的信息素初值為τs=τa+τF，τa為常數(shù)。

(3)

其中ηij(t)為啟發(fā)函數(shù)，表示螞蟻從目標(biāo)i轉(zhuǎn)移到目標(biāo)j的期望程度；allowk(k=1,2,…,m)為螞蟻k待訪問目標(biāo)點的集合；α為信息素重要程度因子，簡稱信息素因子，其值越大，表明信息素強度影響越大； β為啟發(fā)函數(shù)重要程度因子，簡稱啟發(fā)函數(shù)因子，其值越大，表明啟發(fā)函數(shù)影響越大。

9) 信息度更新規(guī)則。螞蟻在行走的同時，信息素的強度也在揮發(fā)而逐漸消失。 ρ (0<ρ<1)表示信息素的揮發(fā)程度，信息素濃度為

(4)

(5)

式(5)中的Q為信息素常數(shù)，表示螞蟻循環(huán)一次所釋放的信息素總量；Lk為第k只螞蟻經(jīng)過路徑的總長度。

2.2 局部航跡規(guī)劃算法設(shè)計

由于成像傳感器功能原理的差異，在航跡規(guī)劃中需要根據(jù)其特性進行局部航跡再規(guī)劃。根據(jù)幾何限制原則，制定了一組易操作的航跡規(guī)劃規(guī)則。

將攜帶成像傳感器載荷的偵察無人機功能簡化，其工作原理如圖1所示：傳感器的成像帶寬限定如圖1中AB，由于成像傳感器對目標(biāo)進行偵察需要一定時間收集信息，所以要求側(cè)向距離OA需大于一定的閾值，但不會大于最大作用距離，即示意圖中的OB需小于一定的閾值。在搜索時，一般限定成像傳感器在無人機的一側(cè)成像，飛行中不再調(diào)整，為保證成像效果，一般要求載機作勻速直線運動。

圖1 成像傳感器工作原理示意圖

為保證成像的品質(zhì)，且目標(biāo)的位置到傳感器的連線垂直于無人機的飛行方向v，如果不滿足則需要進行局部調(diào)整拍攝，而無人機在飛行過程中應(yīng)盡可能減少轉(zhuǎn)彎、爬升、俯沖等機動動作，一般來說，機動時消耗的燃料是巡航的2～4倍，還存在最小轉(zhuǎn)彎半徑的限制，因此應(yīng)盡量避免調(diào)整拍攝。本文構(gòu)建輔助圓，利用幾何限制的切線性質(zhì)，進行局部航跡規(guī)劃。

定義：無人機尋點順序是按照最初的粗略整體航跡的目標(biāo)順序逐一尋點。每到一個新目標(biāo)處，該目標(biāo)處記為起點，后面依次為目標(biāo)1、目標(biāo)2，如圖2(a)所示，其中粗線為選擇的路線，只討論了右側(cè)成像，左側(cè)同理，以此類推)。分別以每個目標(biāo)為圓心作半徑為OB的大圓和半徑為OA的小圓。

基本原則：選取起點到目標(biāo)1的大圓切點或起點到目標(biāo)1的小圓切點的方向矢量與目標(biāo)1到目標(biāo)2的方向矢量夾角最小的路線作為無人機的航線，該切點作為無人機的航跡點，如圖2(a)所示。設(shè)目標(biāo)1的圓心坐標(biāo)為(x1,y1)，目標(biāo)2的圓心坐標(biāo)為(x2,y2)，圓半徑為r(大圓半徑為r1，小圓半徑為r2)，起點坐標(biāo)為(a,b)，則切點坐標(biāo)(z,w)求解公式為

(6)

大圓切點坐標(biāo)為(z1,w1)，小圓切點坐標(biāo)為(z2,w2),α為向量(z1-a,w1-b)與向量(x2-x1,y2-y1)的夾角， β為向量(z2-a,w2-b)與向量(x2-x1,y2-y1)的夾角。則α、β余弦值為

(7)

(8)

當(dāng)cosα>cosβ，航跡點為(z1,w1)；當(dāng)cosα≤cosβ，航跡點為(z2,w2)。

根據(jù)起點的位置具體分為以下3種情況：

1) 起點落于目標(biāo)1的大圓外：

圖2 起點落于目標(biāo)1的大圓外基本原則示意圖

2) 起點落于目標(biāo)1大圓與小圓相間部分：

a) 若產(chǎn)生的切點不在目標(biāo)2的小圓范圍內(nèi)，仍按照基本原則進行局部航跡規(guī)劃，此時只能將小圓的切點作為航跡點，如圖3(a)所示。

b) 若切點在目標(biāo)2的小圓范圍內(nèi)，則該切點舍棄。若兩個切點均被舍棄，無點可尋狀態(tài)，則駛向距離無人機最近的目標(biāo)1與目標(biāo)2大圓的交點，此時拍攝目標(biāo)1需要調(diào)整拍攝，如圖3(b)所示。

圖3 起點落于目標(biāo)1的大圓與小圓之間基本原則示意圖

3) 起點落于目標(biāo)1的小圓之內(nèi)：

a) 若切點在目標(biāo)1的小圓之內(nèi)，需要盡快駛出小圓，以便后續(xù)正常搜索。當(dāng)以目標(biāo)1沿目標(biāo)2的方向矢量行駛出且與目標(biāo)1的小圓的交點不在目標(biāo)2的小圓范圍內(nèi)時，與小圓的交點即為航跡點，此時拍攝目標(biāo)1需要調(diào)整拍攝，如圖4(a)所示。

b) 若該點落于目標(biāo)2的小圓范圍，則該點舍棄，直接尋找目標(biāo)1小圓與目標(biāo)2大圓的交點，以便盡快離開小圓范圍，此時仍需要調(diào)整拍攝，如圖4(b)所示。

圖4 起點落于目標(biāo)1的小圓內(nèi)基本原則示意圖

3 應(yīng)用實例

3.1 案例介紹及模型假設(shè)

案例介紹：現(xiàn)有7 個無人機基地(P01-P07)，對 10 個目標(biāo)群(A01-A10) 68 個目標(biāo)的偵察任務(wù)，每個目標(biāo)群質(zhì)心存在半徑為70 km的敵方雷達，各基地均配備一定數(shù)量的FY-1 型無人機，其飛行速度為v=200 km/h，最長巡航時間為t=10 h；FY-1 型無人機可加載成像傳感器載荷 S-1(參數(shù)AB=2 km，OA=6 km，OB=8 km，右側(cè)成像)要求使得無人機在完成偵察任務(wù)的同時又能使得暴露在敵方雷達探測范圍內(nèi)的滯留時間總和最短。由于篇幅限制，在此不提供完整數(shù)據(jù)，僅提供A02的目標(biāo)群坐標(biāo)(225,605)，(223,598)，(210,605)，(220,610)，(223,615)，(209,615)，(230,620)，(220,622)，(205,618)，數(shù)據(jù)來源于第十三屆全國研究生數(shù)學(xué)建模競賽A題。

模型假設(shè)：偵察無人機當(dāng)作質(zhì)點，整體規(guī)劃時不考慮傳感器成像特性；偵察無人機在轉(zhuǎn)彎的情況下不影響油耗，不影響速度；偵察無人機勻速直線飛行，所有轉(zhuǎn)彎不考慮光滑過渡；為了保證拍攝的品質(zhì)，偵察無人機與拍攝目標(biāo)的連線必須與飛行方向垂直；不考慮轉(zhuǎn)彎帶來的速度影響，進行調(diào)整拍攝時航跡點位置不變。

3.2 仿真實驗與結(jié)果計算

1) 無人機整體航跡規(guī)劃。為了驗證本文方法的可行性和有效性，首先將基于遺傳算法改進的蟻群算法與經(jīng)典蟻群算法在整體規(guī)劃問題中進行求解和對比實驗，優(yōu)化后的Matlab仿真圖像見圖5，實驗參數(shù)設(shè)定見表1。

表1 實驗參數(shù)設(shè)定

比較傳統(tǒng)蟻群算法和基于遺傳算法改進的蟻群算法，總路程分別為1 362.01 m和1 326.12 m，運行時間由117.49 s提高到78.63 s，方法的有效性和快速性均有明顯的提高。

無論將哪個基地坐標(biāo)代入計算后，總路程S均大于 2 000 km，超過了 FY-1型無人機最遠航程，不能夠按要求完成任務(wù)。所以至少需要 2 架FY-1無人機才能偵察完全程。通過分析計算，可得兩架無人機分別從P06和P01按照圖6所示的線路一和線路二順時針出發(fā)。

圖5 優(yōu)化后的蟻群算法優(yōu)化路徑

圖6 兩架無人機整體飛行的路線

2) 攜帶成像傳感器載荷的偵察無人機的局部航跡再規(guī)劃。兩架無人機按照整體飛行路線圖規(guī)劃的順序，根據(jù)成像傳感器的特性及幾何限制原則對10個目標(biāo)群飛行路線局部再規(guī)劃。由于篇幅原因在此只截取A02目標(biāo)群的規(guī)劃路徑，A02目標(biāo)群的局部路線的距離為72.50 km，如圖7所示。

經(jīng)計算可得可求得兩架攜帶S-1載荷的無人機的經(jīng)過線路1和線路2全程長為1 240 km,總時間T=1 240/200=6.2 h。

圖7 A02目標(biāo)群的局部路線規(guī)劃

4 結(jié)論

本文將偵察無人機航跡規(guī)劃分解為兩個步驟：第一步，對無人機進行整體航跡規(guī)劃；第二步，局部航跡再規(guī)劃。利用遺傳算法全局搜索的優(yōu)勢解決了蟻群算法初始信息素過低的問題，提高了無人機整體航跡規(guī)劃效率。分析并簡化了偵察無人機攜帶的成像傳感器的功能模型，利用幾何限制原則進行局部航跡再規(guī)劃，使得計算機可以按照規(guī)則迅速規(guī)劃出航跡，該方法計算簡化、貼合實際、針對性強，可為實際戰(zhàn)場偵察無人機航跡規(guī)劃提供參考。

[1] 畢碩本,董學(xué)士,馬燕.遺傳算法和蟻群算法優(yōu)化TSP的設(shè)計與分析[J].武漢理工大學(xué)學(xué)報,2010(16):89-92.

[2] 肖宏峰,譚冠政.基于遺傳算法的混合蟻群算法[J].計算機工程與應(yīng)用,2008,44(16):42-45.

[3] 張雅妮,高金源.無人偵察機航跡點重規(guī)劃的優(yōu)化算法[J].北京航空航天大學(xué)學(xué)報,2010,36(1):35-38.

[4] 顧潮琪,周德云.一種改進遺傳算法在UCAV快速航跡規(guī)劃中的應(yīng)用[J].火力與指揮控制,2015(2):70-73.

[5] 韓攀,陳謀,陳哨東,等.基于改進蟻群算法的無人機航跡規(guī)劃[J].吉林大學(xué)學(xué)報(信息科學(xué)版),2013,31(1):66-72.

[6] 喬明,趙曉林,謝文俊,等.面向任務(wù)的無人偵察機航線規(guī)劃算法[J].空軍工程大學(xué)學(xué)報(自然科學(xué)版),2015,16(2):38-42.

[7] 陳海,王新民,焦裕松,等.一種凸多邊形區(qū)域的無人機覆蓋航跡規(guī)劃算法[J].航空學(xué)報,2010,31(9):1802-1808.

[8] 辛培源,徐智勇.基于空間綜合威脅體的無人機航跡規(guī)劃方法研究[J].首都師范大學(xué)學(xué)報(自然科學(xué)版),2015,36(3):78-81.

[9] QIAN Z,WANG G,WANG J.UAV Route Planning Based on Dual Populations Genetic Ant Colony Algorithm[C]//International Conference on Information Engineering for Mechanics and Materials，2015.

[10]DUAN Y,JI X,LI M,et al.Route Planning Method Design for UAV Under Radar ECM Scenario[C]//International Conference on Signal Processing IEEE,2015:108-114.

[11]NIU S,ZHANG J,ZHANG F,et al.A Method of UAVs Route Optimization Based on the Structure of the Highway Network[J].International Journal of Distributed Sensor Networks,2015,2015(1):1667-167.

(責(zé)任編輯 楊繼森)

Study of Route Planning of Reconnaissance Unmanned Aerial Vehicle Based on Imaging Sensor Characteristics

YU Yao, CHENG Jianbo, LI Yingchun

(Science and Technology on Complex Electronic System Simulation Laboratory,Academy of Equipment, Beijing 101416, China)

In allusion to the problem of the route planning from Reconnaissance Unmanned Aerial Vehicle (Reconnaissance UVA) based on imaging sensor characteristics, this paper proposes a method of combining the overall and local route planning. The route planning of Reconnaissance UVA solution will be decomposed into two steps: firstly, it uses the advantage of global search from genetic algorithm to improve ant colony algorithm whose initial pheromone is excessive low, and the overall route of UVA can be planed by this algorithm; Secondly, due to the characteristics of the sensor, the local route needs to be re-planed based on the geometric constraint principle. According to the above rules with a simple case, we can plan the route of Reconnaissance UVA and achieve good results.

Reconnaissance UVA; image sensor ; route planning; ant colony algorithm; genetic algorithm; geometric constraint principle

2017-03-24；

2017-05-15

于堯(1992—)，男，碩士研究生，主要從事信息系統(tǒng)技術(shù)與應(yīng)用研究。

10.11809/scbgxb2017.08.024

format:YU Yao, CHENG Jianbo, LI Yingchun.Study of Route Planning of Reconnaissance Unmanned Aerial Vehicle Based on Imaging Sensor Characteristics[J].Journal of Ordnance Equipment Engineering,2017(8):107-111.

E257

A

2096-2304(2017)08-0107-05

本文引用格式：于堯，程建博，李迎春.基于成像傳感器特性的偵察無人機航跡規(guī)劃研究[J].兵器裝備工程學(xué)報，2017(8):107-111.