无人机覆盖航路规划要求无人机的航路探测区域能够覆盖整个任务区域，该技术在现实中的应用越来越广泛，需求也越来越多样。传统的人工势场方法在生成覆盖航路的时候，有一些现实中好用的模式无法生成，为此我们引入了种子的概念，利用种子的多样性达到势场生成多样性的目的。计算实验表明，我们提出的改进人工势场法生成模式更多、效果更优、样式更加丰富，更能满足现实应用对覆盖航路多元化的需求。 The problem of coverage path planning for UAV requires that the route detection area of UAV can cover the whole mission area, which is more and more widely applied in reality and has more and more diverse requirements. When the traditional artificial potential field method is used to gen-erate covered airway, there are some useful models that cannot be generated in reality. Therefore, we introduce the concept of seeds and use the diversity of seeds to achieve the purpose of gener-ating diversity of potential field. Computational experiments show that the improved artificial potential field method can generate more patterns, achieve better effects and have more diversified styles, which can better meet the needs of practical applications for covering diverse routes.
闫军涛，李御驰，宋志华，张权
空军工程大学，陕西 西安
收稿日期：2019年8月26日；录用日期：2019年9月9日；发布日期：2019年9月16日
无人机覆盖航路规划要求无人机的航路探测区域能够覆盖整个任务区域，该技术在现实中的应用越来越广泛，需求也越来越多样。传统的人工势场方法在生成覆盖航路的时候，有一些现实中好用的模式无法生成，为此我们引入了种子的概念，利用种子的多样性达到势场生成多样性的目的。计算实验表明，我们提出的改进人工势场法生成模式更多、效果更优、样式更加丰富，更能满足现实应用对覆盖航路多元化的需求。
关键词 :覆盖航路规划，人工势场法，无人机
Copyright © 2019 by author(s) and beplay安卓登录
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
无人机覆盖航路规划(Coverage Path Planning, CPP)定义为无人机在满足某种或某些性能指标的前提下避开障碍物和威胁源，规划出一条能够遍历待覆盖区域的最优飞行路线。CPP要求无人机的航路探测区域能够覆盖整个任务区域，是一个遍历的过程。随着无人机技术的发展及应用，覆盖航路规划的应用需求也越来越多，如农业无人机喷洒农药、无人机遥感测绘、无人机侦察监视等。
从查询到的参考文献来看，无人机覆盖航路规划研究比较少，多数是基于模式的覆盖航路规划方法。而关于地面移动机器人的覆盖路径规划问题研究相对较多。无人机覆盖航路规划问题涉及诸多约束条件，如飞行高度、视野面积、转弯半径等。两者虽然在工作环境及一些性能条件有所不同，但在规划原理上基本相似。因此我们尝试对移动机器人的覆盖路径规划方法加以改进，使之能够应用到无人机覆盖航路规划当中去。
Zelinsky等人 [
Oussama Khatib等人 [
文献 [
综上所述，已有研究中的人工势场法生成覆盖路径已经取得了不错的效果，但是在生成无人机覆盖航路规划中，尤其是在对抗环境下的无人机应用中，覆盖航路的模式需要丰富多样，传统的人工势场法还不能满足需求，目前实际中的解决办法是人工势场法和固定模式法相结合来解决问题 [
覆盖航路规划中的覆盖实际上是指无人机传感器视场沿着规划的航路对任务区域的动态覆盖。为此我们将任务区域划分成大小合适的网格以规划航路，网格的大小取决于无人机视场在地面的投影，即要保证无人机在特定高度范围可静态地一次覆盖一个网格。
假设无人机的传感器的视场在地面上投影呈梯形，如图1所示。I点为无人机的传感器位置，E为等腰梯形ABCD中AB边的中点，G、F同样如此。同时，IG平分∠EIF。无人机在I点采集的视场为等腰梯形ABCD，如图1所示。
图1. 任务区域覆盖图
在进行网格划分时，为了使网格代表的实际面积达到最大，取满足精度要求的最远的边作为网格边长。在此我们假设拍摄到的画面中，ABNM范围内满足要求，MNCD范围内不满足要求，即MN为满足要求的最长边，因此将MN长度作为正方形网格的边长。该边长及近边与远边的长度都可根据无人机高度和视场角得出。
俯视角ε为IG与无人机水平高度的夹角，垂直视场角度α (图2中∠EIF)为7˚，水平视场角为β (图2中∠AIB或者∠DIC)。
根据几何角度我们可以得出
HG = h / tan ε
IG = h / sin ε
进而可以求出势场边界长度
MN = 2 IG tan β / 2
由以上简单的几何公式即可求出视场的面积以及MN即正方形网格的边长。在此次计算中，我们所取的MN作为满足拍摄精度范围的分界线是特殊情况，在实际操作中，只要测出分界线与水平高度的夹角，即可根据以上公式得出网格的边长。
图2. 视场角度图
在人工势场法中，无人机被看作在虚拟势场中运动，被网格的势所吸引，障碍则对无人机表现为斥力 [
已有的人工势场生成方法是选择一个起点和一个终点，从起点开始，采用逐步增加的方法生成人工势场，确定网格所对应的势值 [
我们提出了一种改进的方法，引入种子的概念，解决势场生成样式单一的问题。所谓种子就是任务区域网格的一个子集，表示为初始势场值设定为1的网格集合，其他不在种子上的网格的势场值设为0。种子的多样性会直接促成势场的多样性，从而解决航路样式多样性的问题。其基本步骤如下表1所示：
| 改进人工势场生成算法 |
|---|
| Step1：设定势场种子 Step2：迭代生成人工势场。对于任一势场值为0的网格x，如果其周围的网格中有势场值为非0得网格，假定其中的最小值为c，则更新网格x的势场值为c + 1。 Step3：如果任务区域内所有的势场值均不为0，生成人工势场结束，否则，转Step2。 |
表1. 人工势场生成步骤
不同的种子形状代表了人工势场生成时不同类型的起始点，从而生成不同类型的覆盖航路。在我们采用网格与人工势场相结合的方法中，我们根据不同类型的任务区域将种子大致分为以下几种：点、直线型、折线型、环形。
我们以矩形无障碍区域为例，选取直线型种子，迭代生成人工势场如图3。
在实际应用中，我们可以根据任务区域的不同(如区域形状、有无障碍等)，采用不同的种子，从而形成多样的人工势场来解决覆盖航路规划问题。
在生成人工势场的基础上，可以按照以下步骤生成覆盖航路，如下表2所示：
图3. 人工势场图
| 基于人工势场的覆盖航路生成 |
|---|
| Step1：确定起点网格，并将其标记为当前。 Step2：在当前网格x的未覆盖邻居网格中，选择势值最小的y，将x标记为已覆盖，将y标记为当前网格。如果同时存在两个以上的最小值，按照一定的规则选择，这些规则可能是顺时针第一个、逆时针第一个、上、下、左、右、随机等。 Step3：重复Step2，直到所有的网格都被覆盖。 |
表2. 覆盖航路生成步骤
在此次计算实验中，我们对算法作以下设定：
① 从开始网格开始选择相邻网格中未访问的最低势值。
② 邻居网格均已被覆盖时，选择相邻的最小势值。
我们分别以矩形无障碍区域、五边形无障碍区域、矩形有障碍区域为例，按以上方法步骤进行实验。生成覆盖航路如下：
矩形无障碍区域采用点型种子，生成“回”型与“弓”型相结合的覆盖航路，如图4所示。
图4. 覆盖航路图
五边形无障碍区域采用点型种子，生成“回”型与“弓”型相结合的覆盖航路，如图5所示。
图5. 覆盖航路图
矩形有障碍区域采用环形种子，生成“环”型覆盖航路，如图6所示。
图6. 覆盖航路图
影响生成的覆盖航路主要有两大因素，一是任务区域的形状以及其中是否存在障碍；二是种子的设定。当我们采用不同的种子时，会生成不同的势场类型。如无障碍矩形区域中通常采用直线型种子，从而生成平行的势场；采用点型种子时，则生成“回”型势场或“回”型与平行相结合的势场。
在实验中，我们分别对不同形状、有无障碍的任务区域采用网格与人工势场相结合的方法按步骤进行实验，得到了想要的覆盖航路。但在实际应用中，任务区域类型是多种多样的，而在这种方法中，不同的种子类型和路径识别机制也使其能够对应生成种类丰富的覆盖航路。
国家自然科学基金(71571190)。
闫军涛,李御驰,宋志华,张权. 基于改进人工势场方法的无人机覆盖航路规划算法研究Research on UAV Coverage Path Planning Algorithm Based on Improved Artificial Potential Field Method[J]. 运筹与模糊学, 2019, 09(04): 264-270. https://doi.org/10.12677/ORF.2019.94030
https://doi.org/10.1177/027836498600500106