首页 / 专利库 / 空气动力学 / 起飞 / 一种无人机调度路线规划方法

一种无人机调度路线规划方法

阅读:1036发布:2020-07-13

专利汇可以提供一种无人机调度路线规划方法专利检索,专利查询,专利分析的服务。并且本方法为无人机调度路线规划方法,通过对天气数据使用 机器学习 的方法进行获得可靠的天气 预测模型 。并使用天气预测模型对路线上点的安全概率进行分析。通过已知地图中的预测安全概率中求出最安全的飞行路径。从而完成无人机调度路线的规划方法。本 发明 的无人机调度路线规划方法,能够在一定程度上降低 飞行器 的损耗和无人机使用的成本。,下面是一种无人机调度路线规划方法专利的具体信息内容。

1.一种无人机调度路线规划方法,其特征在于,该方法包括如下步骤:
S1:首先通过气象局API获取气象局的多个预测模型对无人机路线规划区域的每小时的速和降的预测数据,其格式为(某天,某小时,x坐标,y坐标,某模型,风速值)和(某天,某小时,x坐标,y坐标,某模型,降水值),其中(x,y)为无人机路径规划地区的一张由N*M个方格组成的地图上的某个点的坐标,且x,y≥0;
S2:通过气象局API获取无人机路径规划地区每小时的真实的风速和降水数据,其格式为(某天,某小时,x坐标,y坐标,风速值)和(某天,某小时,x坐标,y坐标,降水值),并为真实的风速和降水数据添加标签,降水大于等于设定值时标记为1,小于为0,风速大于等于设定值时标记为1,小于为0;
S3:将S1和S2中的数据进行相应的数据进行整合,获取到某天某小时某地的预测风速值和真实风速值以及降水值,对数据按一定比例随机分割为测试数据集和训练数据集;
S4:以S3中的训练数据集通过折叠交叉验证的方法分为n份,取其中n-1份作为训练集,其中1份作为交叉验证集,做n次折叠交叉验证;使用机器学习框架,并采用二分类方法,以气象局预测的模型数据作为特征值,真实数据的标签为预测值进行模型的训练,获得训练好的模型;
S5:使用S4中已经训练好的模型和S1的预测数据对需要规划路径的地区当天的天气进行预测,得到当天每个坐标点每个小时内的风速为1的概率和降水标签为1的概率,通过已知的标签对每个点赋予安全概率,安全概率计算公式如下:
P(x,y,T)=log(1-风速标签为1的概率)+log(1-降水标签为1的概率)
S6:分别获取无人机的起点和终点的坐标(x1,y1),(x2,y2),截取两点之间往外扩一定格数的地图作为无人机调度算法所使用的地图,此时的地图包含地图信息以及当天地图上每个小时每个点的安全概率;
S7:通过动态规划的方式寻找(x1,y1)飞到(x2,y2)的最安全概率,其中动态规划中地图的每个点的安全概率会随飞行器飞行时间而变化,周期为每小时;飞行器在地图上每走一步所需时间为n分钟,步数t转化成时间T的公式为:T=n*t mod 60;
用f(x,y,t)表示当前飞行器从初始点(x1,y1),用了t步走到(x,y)这个坐标上整条路径的安全概率,用p(x,y,t)来表示飞行器第t步停留在(x,y)这个坐标上的安全概率,则初始状态为f(x1,y1,0)=p(x1,y1,0),从起点(x1,y1)开始往四个方向扩展逐步扩展,这四个方向的状态分别为f(x1-1,y1,1)、f(x1,y1–1,1)、f(x1+1,y1,1)、f(x1,y1+1,1);对于每一个中间状态f(x,y,t),
f(x,y,t)=max(f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1))*P(x,y,T)
其中,f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1)分别表示上一步的四个方向的安全概率,在第t步时飞行器安全停留的概率p(x,y,t),p(x,y,t)=P(x,y,n*t mod 60);
把所有的f(x,y,t)计算完毕后,找出最大的f(x2,y2,Tm)值,其结果就是飞行器用了Tm步从(x1,y1)飞到(x2,y2)的最安全概率;
S8:根据S7计算出的初始点的最安全概率对应的最优起飞时间,和根据该最优起飞时间计算出的所有规划路径中的最安全概率对应的一条路径,即为两点之间的飞行路线,从而完成无人机调度路线的规划方法。
2.根据权利要求1所述的无人机调度路线规划方法,其特征在于,N*M地图的正方形大小为100m2或500m2或1000m2。
3.根据权利要求1所述的无人机调度路线规划方法,其特征在于,所述的机器学习框架可以为XGBoost、tensorflow或LightGBM。
4.根据权利要求1所述的无人机调度路线规划方法,其特征在于,飞行器每走一步需要的时间n为1分钟或2分钟或5分钟或10分钟。
5.根据权利要求1所述的无人机调度路线规划方法,其特征在于,当风速值大于等于
10m/s时,风速值判断为1;当降水值大于等于3mm时,降水值判断为1。
6.根据权利要求1所述的无人机调度路线规划方法,其特征在于,当风速值大于等于
15m/s时,风速值判断为1;当降水值大于等于4mm时,降水值判断为1。

说明书全文

一种无人机调度路线规划方法

技术领域

[0001] 本发明涉及无人机路径规划及信息处理领域,尤其涉及一种无人机调度路线规划方法。

背景技术

[0002] 目前无人机调度路线规划方法有使用最短路径、直线调度,人工调度等方法。这些调度路线规划方法基本不考虑环境因素,而是直接给出路线,在飞行途中无人机容易因为各种极端天气导致偏离航线,甚至坠机。人工调度方法也存在大量的人成本,并且无法实时获取气象数据,在远途飞行存在问题。

发明内容

[0003] 针对现有技术的不足,本发明提出一种无人机调度路线规划方法,具体技术方案如下:
[0004] 一种无人机调度路线规划方法,其特征在于,该方法包括如下步骤:
[0005] S1:首先通过气象局API获取气象局的多个预测模型对无人机路线规划区域的每小时的速和降的预测数据,其格式为(某天,某小时,x坐标,y坐标,某模型,风速值)和(某天,某小时,x坐标,y坐标,某模型,降水值),其中(x,y)为无人机路径规划地区的一张由N*M个方格组成的地图上的某个点的坐标,且x,y≥0;
[0006] S2:通过气象局API获取无人机路径规划地区每小时的真实的风速和降水数据,其格式为(某天,某小时,x坐标,y坐标,风速值)和(某天,某小时,x坐标,y坐标,降水值),并为真实的风速和降水数据添加标签,降水大于等于设定值时标记为1,小于为0,风速大于等于设定值时标记为1,小于为0;
[0007] S3:将S1和S2中的数据进行相应的数据进行整合,获取到某天某小时某地的预测风速值和真实风速值以及降水值,对数据按一定比例随机分割为测试数据集和训练数据集;
[0008] S4:以S3中的训练数据集通过折叠交叉验证的方法分为n份,取其中n-1份作为训练集,其中1份作为交叉验证集,做n次折叠交叉验证;使用机器学习框架,并采用二分类方法,以气象局预测的模型数据作为特征值,真实数据的标签为预测值进行模型的训练,获得训练好的模型;
[0009] S5:使用S4中已经训练好的模型和S1的预测数据对需要规划路径的地区当天的天气进行预测,得到当天每个坐标点每个小时内的风速为1的概率和降水标签为1的概率,通过已知的标签对每个点赋予安全概率,安全概率计算公式如下:
[0010] P(x,y,T)=log(1-风速标签为1的概率)+log(1-降水标签为1的概率)[0011] S6:分别获取无人机的起点和终点的坐标(x1,y1),(x2,y2),截取两点之间往外扩一定格数的地图作为无人机调度算法所使用的地图,此时的地图包含地图信息以及当天地图上每个小时每个点的安全概率;
[0012] S7:通过动态规划的方式寻找(x1,y1)飞到(x2,y2)的最安全概率,其中动态规划中地图的每个点的安全概率会随飞行器飞行时间而变化,周期为每小时;飞行器在地图上每走一步所需时间为n分钟,步数t转化成时间T的公式为:T=n*t mod 60;
[0013] 用f(x,y,t)表示当前飞行器从初始点(x1,y1),用了t步走到(x,y)这个坐标上整条路径的安全概率,用p(x,y,t)来表示飞行器第t步停留在(x,y)这个坐标上的安全概率,则初始状态为f(x1,y1,0)=p(x1,y1,0),从起点(x1,y1)开始往四个方向扩展逐步扩展,这四个方向的状态分别为f(x1-1,y1,1)、f(x1,y1–1,1)、f(x1+1,y1,1)、f(x1,y1+1,1);对于每一个中间状态f(x,y,t),
[0014] f(x,y,t)=max(f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1))*P(x,y,T)
[0015] 其中,f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1)分别表示上一步的四个方向的安全概率,在第t步时飞行器安全停留的概率p(x,y,t),p(x,y,t)=P(x,y,n*t mod 60);
[0016] 把所有的f(x,y,t)计算完毕后,找出最大的f(x2,y2,Tm)值,其结果就是飞行器用了Tm步从(x1,y1)飞到(x2,y2)的最安全概率;
[0017] S8:根据S7计算出的初始点的最安全概率对应的最优起飞时间,和根据该最优起飞时间计算出的所有规划路径中的最安全概率对应的一条路径,即为两点之间的飞行路线,从而完成无人机调度路线的规划方法。
[0018] 优选地,N*M地图的正方形大小为100m2或500m2或1000m2。
[0019] 优选地,所述的机器学习框架可以为XGBoost、tensorflow或LightGBM。
[0020] 优选地,飞行器每走一步需要的时间n为1分钟或2分钟或5分钟或10分钟。
[0021] 优选地,当风速值大于等于10m/s时,风速值判断为1;当降水值大于等于3mm时,降水值判断为1。
[0022] 优选地,当风速值大于等于15m/s时,风速值判断为1;当降水值大于等于4mm时,降水值判断为1。
[0023] 与现有技术相比,本发明的有益效果如下:
[0024] 1.本发明的无人机调度路线规划方法,采用了基于机器学习的自动调度方法,首先使用了机器学习来预测未来天气的情况,而未来天气的情况将会影响到飞行器的能耗、可靠性等,通过这一步大大的提升了无人机在自动调度中的可靠性,并且能够在一定程度上降低飞行器的损耗;
[0025] 2.本发明在路径规划时追求的是路径的安全性最大化,通过考虑环境因素使得无人机能够对环境有更好的适应性,大大降低了无人机在自动调度过程中因为环境因素而坠毁或者失联的可能性,从而降低了无人机使用的成本,也使得无人机可以由电脑控制正常化使用,大大降低了人力成本。附图说明
[0026] 图1为本发明的无人机调度路线规划方法的流程图

具体实施方式

[0027] 下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
[0028] 一种无人机调度路线规划方法,其特征在于,该方法包括如下步骤:
[0029] S1:首先通过气象局API获取气象局的多个预测模型对无人机路线规划区域的每小时的风速和降水的预测数据,其格式为(某天,某小时,x坐标,y坐标,某模型,风速值)和(某天,某小时,x坐标,y坐标,某模型,降水值),其中(x,y)为无人机路径规划地区的一张由N*M个方格组成的地图上的某个点的坐标,且x,y≥0;
[0030] 本实施例中采用的预测模型个数10个,地图上的方格大小为10m*10m;
[0031] S2:通过气象局API获取无人机路径规划地区每小时的真实的风速和降水数据,其格式为(某天,某小时,x坐标,y坐标,风速值)和(某天,某小时,x坐标,y坐标,降水值),并为真实的风速和降水数据添加标签,降水大于等于4mm的为1,小于为0,风速大于等于15m/s的为1,小于为0;
[0032] 这里也当风速值大于等于10m/s时,风速值判断为1;当降水值大于等于3mm时,降水值判断为1。
[0033] S3:将S1和S2中的数据进行相应的数据进行整合,获取到某天某小时某地的预测风速值和真实风速值以及降水值,对数据按一定比例随机分割为测试集和训练集;
[0034] 本实施例中将数据按照1:99的比例随机分割成测试集和训练集;
[0035] S4:将S3中的训练数据集通过折叠交叉验证的方法各分为n份,取其中n-1份作为训练集,其中1份作为交叉验证集,做n次折叠交叉验证;使用机器学习框架,并采用二分类方法,以气象局预测的模型数据作为特征值,真实数据的标签为预测值进行模型的训练,获得训练好的模型;
[0036] 本实施例中n=5,机器学习框架采用XGBoost,迭代采用gbtree模型,学习率为0.1,迭代次数100,最大深度3,任务数根据实际情况决定,其余为XGBoost默认参数。
[0037] S5:使用S4中已经训练好的模型和S1的预测数据对对需要规划路径的地区当天的天气进行预测,得到当天每个坐标点每个小时内的风速为1的概率和降水标签为1的概率,通过已知的标签对每个点赋予安全概率,安全概率计算公式如下:
[0038] P(x,y,T)=log(1-风速标签为1的概率)+log(1-降水标签为1的概率)[0039] S6:分别获取无人机的起点和终点的坐标(x1,y1),(x2,y2),截取两点之间往外扩一定格数的地图作为无人机调度算法所使用的地图,此时的地图包含地图信息以及当天地图上每个小时每个点的安全概率;
[0040] 本实施例中无人机调度路线算法所使用的地图的起点和终点分别为min[x1,x2]-5,min[y1,y2]-5)到(max[x1,x2]+5,max[y1,y2]+5);
[0041] S7:通过动态规划的方式寻找(x1,y1)飞到(x2,y2)的最安全概率,其中动态规划中地图的每个点的安全概率会随飞行器飞行时间而变化,周期为每小时;本实施例中飞行器在地图上每走一步所需时间为2分钟,步数t转化成时间T的公式为:
[0042] T=n*t mod 60
[0043] 用f(x,y,t)表示当前飞行器从初始点(x1,y1),用了t步走到(x,y)这个坐标上整条路径的安全概率,用p(x,y,t)来表示飞行器第t步停留在(x,y)这个坐标上的安全概率,则初始状态为f(x1,y1,0)=p(x1,y1,0),从起点(x1,y1)开始往四个方向扩展逐步扩展,这四个方向的状态分别为f(x1-1,y1,1)、f(x1,y1–1,1)、f(x1+1,y1,1)、f(x1,y1+1,1);对于每一个中间状态f(x,y,t),
[0044] f(x,y,t)=max(f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1))*P(x,y,T)
[0045] 其中,f(x-1,y,t-1),f(x,y–1,t-1),f(x+1,y,t-1),f(x,y+1,t-1)分别表示上一步的四个方向的安全概率,在第t步时飞行器安全停留的概率p(x,y,t),p(x,y,t)=P(x,y,n*t mod 60);
[0046] 把所有的f(x,y,t)计算完毕后,找出最大的f(x2,y2,Tm)值,其结果就是飞行器用了Tm步从(x1,y1)飞到(x2,y2)的最安全概率;
[0047] S8:通过该方式,按小时计算,进行推算近十小时内的安全起飞概率,选择安全概率最高的且概率高于99%的时间点,并保证每一步不安全概率小于1e-9,若不存在,则回复近十小时内无法稳定安全起飞着落,从而完成无人机调度路线的规划方法。
[0048] N*M地图的正方形大小也可以为500m2或1000m2。
[0049] 所述的机器学习框架也可以为tensorflow或LightGBM。
[0050] 飞行器每走一步需要的时间n也可以为1分钟或5分钟或10分钟。
[0051] 本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈