一种基于蚁群算法的安全路径规划系统

摘要

本发明属于导航技术领域，具体涉及了一种基于蚁群算法的安全路径规划系统，旨在解决现有技术中无人机路径规划仅通过单一的目标函数生成路径，难以应用于复杂场景的问题。本发明包括：通过图像采集设备获取目标区域场景图像；预先设置风险目标类型及其对应的风险范围，通过图像识别模型获取区域场景图像中的风险目标位置和风险目标类型，进而构建环境模型；设置航程长度代价、环境威胁代价和约束代价，并设置对应的权重获取路径目标函数；通过所述路径目标函数，通过改进的蚁群算法在所述环境模型中生成起始点位至结束点位的安全路径。本发明通过设置代价函数，使得路径优化算法可以考虑更多的影响因素，提高了路径优化算法在复杂环境下的适应性。

权利要求

1.一种基于蚁群算法的安全路径规划系统，其特征在于，所述系统包括：场景采集模块、风险区域和环境参数获取模块、待规划环境模型构建模块、目标函数构建模块和路径规划模块；

场景采集模块，配置为通过图像采集设备获取目标区域场景图像；

风险区域和环境参数获取模块，配置为预先设置风险目标类型及其对应的风险范围，通过图像识别模型获取区域场景图像中的风险目标位置和风险目标类型；

待规划环境模型构建模块，配置为基于所述目标区域场景图像和风险目标位置和风险目标类型，构建环境模型；所述环境模型包括多个风险目标位置、风险目标类型、风险范围和风险目标范围间的关系；所述风险目标范围间的关系包括：相离、相切、重合和连续；

所述路径规划系统应用于无人机路径规划；

所述环境模型，还包括三维环境模型，三维环境模型构建方法为：通过深度相机获取目标区域场景的深度图像；

通过所述深度图像为所述目标区域场景图像赋予高度值，获得带有高度信息的目标区域场景图像；

基于所述带有高度信息的目标区域场景图像，设置类圆形的初始环境模型：；

其中， 表示局部地形的高度， 表示第m个局部地形最高点的中心坐标，  和  表示第m个局部地形坡度相关因子， 和 表示目标区域中的水平面坐标值；

对所述初始环境模型进行预设次数的卷积插值获得插值环境模型，对所述插值环境模型进行平滑处理和设置安全高度区间，获得三维环境模型；

对所述插值环境模型进行平滑处理和设置安全高度区间，包括：对所述插值环境模型进行平滑处理，并设置第k个无人机的飞行安全高度区间 ，其中 表示最小安全飞行高度， 表示最大安全飞行高度；将所述最小安全飞行高度 与平滑处理后的插值环境模型中的平滑曲面进行叠加处理，获得光滑的无人机飞行安全曲面；

获得光滑的无人机飞行安全曲面 后的插值环境模型根据风险目标位置添加风险范围和设置飞行约束条件即为三维环境模型；

所述添加风险范围和设置飞行约束条件，具体包括：在光滑的无人机飞行安全曲面 后的插值环境模型中，依据所述区域场景图像中的风险目标位置和风险范围，建立威胁区模型：；

其中， 表示第k个无人机的坐标， 表示第s个威胁区的中心点坐标， 表示第s个威胁区的半径，s表示威胁区序号；

所述飞行约束条件，包括最大水平转弯角约束、最大俯仰角约束、最大航程约束和最小惯性距离约束；

所述最大水平转弯角约束，具体为：

；

其中， 表示无人机 在节点 和 之间的航程的水平投影， 表示水平转弯角， 表示最大水平转弯角，i表示节点序号，k表示无人机序号；

所述最大俯仰角约束，具体为：

；

表示俯仰角， 表示最大俯仰角， 表示第i个节点的坐标，表示第i‑1个节点的坐标；

所述最大航程约束，具体为：

；

其中， 表示无人机 的最大航程，N表示整条路径中的节点数量，N‑1为路径的段数， 表示无人机 的第i个节点对应的航程， 表示无人机 的总航程；

所述最小惯性距离约束，具体为：

；

其中 表示无人机 的最小惯性距离；

目标函数构建模块，配置为设置航程长度代价、环境威胁代价和约束代价，并设置对应的权重获取路径目标函数；

所述路径目标函数，包括：

所述航程长度代价为：

；

其中， 表示航程长度代价，R表示路径， 表示第i个节点的坐标，表示出发点的坐标 到目标点的坐标 的直线距离；

所述环境威胁代价为：

；

其中， 表示无人机 的最小惯性距离， 表示无人机在第i个节点上考虑最小惯性距离后与第s个威胁区重合的区域的体积， 表示环境威胁代价，环境威胁代价体现无人机在路径R的飞行过程中考虑最小惯性距离后碰撞到威胁区的概率；

所述约束代价为：

；

其中，[·]表示取数值， 表示安全高度区间 的平均值，表示实际飞行高度偏差， 表示约束代价；

将所述航程长度代价 、环境威胁代价 和约束代价 进行归一化和缩放，获得路径目标函数：

；

其中， 、 、 分别表示归一化后的航程长度代价 、环境威胁代价 和约束代价 的权重系数；

路径规划模块，配置为通过所述路径目标函数，通过改进的蚁群算法在所述环境模型中生成起始点位至结束点位的安全路径。

2.根据权利要求1所述的一种基于蚁群算法的安全路径规划系统，其特征在于，改进的蚁群算法，具体包括：步骤A001，初始化蚁群算法参数，设置出发点的坐标和目标点的坐标；

步骤A002，基于所述环境模型，令所有蚂蚁从出发点的坐标出发；

步骤A003，为每只蚂蚁寻找剩余可转移节点集合，并根据不同节点间的当前信息素浓度 计算转移概率 ，将蚁群中的所有蚂蚁依据转移概率分配并移动至各自下一个节点，并通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度 ；转移概率 为参考航程长度代价、环境威胁代价和约束代价计算获得；

步骤A004，对所有未到达目标点的坐标的蚂蚁重复步骤A003的方法；

步骤A005，分别计算到达目标点的坐标的各蚂蚁经过的路径及路径长度 ；

步骤A006，基于所述各蚂蚁经过的路径及路径长度 ，通过SA筛选机制更新最优解Gbest；

步骤A007，通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度；

步骤A008，重复步骤A003‑步骤A007的步骤，根据SA筛选机制中的当前温度和Metropolis链的长度进行迭代，直至SA筛选机制中的温度达到预设的终止温度输出最优解。

3.根据权利要求2所述的一种基于蚁群算法的安全路径规划系统，其特征在于，所述初始化蚁群算法参数，具体包括：初始化蚁群数量 、迭代次数 、系统初始温度 、终止温度 和无人机性能参数和初始信息素浓度。

4.根据权利要求3所述的一种基于蚁群算法的安全路径规划系统，其特征在于，所述通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度 ，具体包括：通过从节点i到j的当前迭代轮次的混沌序列 计算下一迭代轮次的信息素浓度：；

其中， 表示从节点i到j的下一迭代轮次的信息素浓度， 表示从节点i到j的当前信息素浓度， 为单位时间内从节点i到j的信息素浓度， 表示信息素挥发因子， 表示可调节参数；

其中， 为：

；

初始值 为0到1之间的随机数，且 ， 表示从节点i到j的上一迭代轮次的混沌序列，μ表示混沌因子，且 ，当 ，时表示进入混沌状态。

5.权利要求4所述的一种基于蚁群算法的安全路径规划系统，其特征在于，根据当前信息素浓度 计算转移概率 ，其方法包括：；

；

其中， 表示蚂蚁 从节点i到节点j转移的概率， 表示信息启发因子， 表示期望启发因子， 表示启发函数表示蚂蚁从节点i转移到节点j的期望值，表示节点j属于蚂蚁 的剩余可转移节点集合，t表示当前迭代轮次， 表示节点i到节点j之间的直线距离， 表示节点i到节点j之间不进入威胁区s并且保持最小惯性距离 后的最小曲线距离；

判断节点i到节点j经过威胁区的数量；

若节点i到节点j经过单个威胁区的情况，节点i和节点j都在威胁区加最小惯性距离的范围之外， 近似为节点i与到对应的切点 之间的距离 、节点j与到对应的切点 之间的距离 和切点 与切点 之间的圆弧长度 之和，经过单个威胁区的情况的最小曲线距离计算方式如下：；

其中， 和 为：

；

；

节点i对应的切点 与节点j对应的切点 之间的圆弧长度 通过夹角计算的方法为：

；

；

其中， ， 和 分别为节点i和威胁区圆心、节点j和威胁区圆心、节点i和节点j之间的距离，通过坐标转换求出；

；

；

表示节点i对应的切点 与节点j对应的切点 之间的夹角， 表示节点i与对应的切点 之间的夹角， 表示节点j与对应的切点 之间的夹角。

6.根据权利要求5所述的一种基于蚁群算法的安全路径规划系统，其特征在于，若节点i到节点j经过多个威胁区，判经过的多个威胁区之间是否存在重叠区域；

若经过的多个威胁区添加最小惯性距离 后有重叠区域， 的计算方法为：判断节点i和节点j连成的直线是否处于第一重叠威胁区的圆心和第二重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离 和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，在节点i至中点m之间的圆弧上或节点j至中点m的圆弧上增加辅助点，使节点i或节点j至辅助点以对应的威胁区圆心形成的夹角为锐角，进行多段计算；

若经过的多个威胁区添加最小惯性距离 后无重叠区域， 的计算方法为：判断节点i和节点j连成的直线是否处于第一不重叠威胁区的圆心和第二不重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，搜索第一不重叠威胁区和第二不重叠威胁区的内公切线，选取内公切线的两个中点，计算节点i到中点m之间避开威胁区s1后的最小曲线距离 与中点m到节点j之间避开威胁区s2后的最小曲线距离 之和。

7.根据权利要求2所述的一种基于蚁群算法的安全路径规划系统，其特征在于，所述通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度，具体包括：基于经过的路径及路径长度 ，按照由小到大的顺序将蚁群中的蚂蚁进性排序，并依据排序划分为第一区间、第二区间和第三区间；

设定第一区间的蚂蚁在途经路径留下信息素，且设置信息素的权重为蚂蚁找到食物的路径长度的反比与排名因子的乘积；所述排名因子为从第一区间的起始序号至末尾序号以

1至0的方向顺序递减取值；

将第二区间的蚂蚁在途经路径留下的信息素清零；

将第三区间的蚂蚁设定为在下一迭代轮次中屏蔽信息素浓度信息，仅通过启发信息判断方向产生路径。

说明书

一种基于蚁群算法的安全路径规划系统

技术领域

[0001] 本发明属于导航技术领域，具体涉及了一种基于蚁群算法的安全路径规划系统。

背景技术

[0002] 无人机技术具有成本低、效率高、灵活性好等特点，受到了许多领域的青睐并得到广泛应用。无人机可协助执行海上作业、监测海洋环境变化、运送海洋物资等海洋场景中的任务。然而，由于海洋面积广阔、环境复杂多变等因素，无人机在海洋场景中的应用面临物资运输资源浪费多、任务规划效率低下、路径避障安全性差等严峻挑战。现有的无人机路径规划方法大部分是针对特定场景设计的，并且优化的目标函数比较单一，比如以总时间最少为目标，往往很难兼顾复杂场景的多个影响因素，因此，对于复杂场景的路径规划还是一个挑战。

[0003] 为了解决无人机执行任务时的路径规划问题，首先需要对环境地形和威胁源建模，常见的建模方法有Voronoi图法、栅格法、势场法等。例如，为了进一步提高快速搜索随机树（Rapidly‑Exploring Random Trees, RRT）算法的运动规划效率，从广义Voronoi图中提取轻量级特征并初始化给定环境从而保证了自由空间中的任何状态都可以连接到特征图且不会发生任何冲突。此外，为了提高路线决策的性能指标，建立模型时在单元格生成过程中插入实数，提高了决策的性能指标。

[0004] 常见的路径规划方法主要分为传统算法（混合整数线性规划法、人工势场法（Artificial Potential Field，APF）、Dijkstra算法、Voronoi 图法、A*算法、D*算法等）、智能优化算法（遗传算法、蚁群算法、粒子群算法、模拟退火算法（SimulatedAnnealing，SA）、人工蜂群算法（Artificial Bee Colony Algorithm, ABC）等）两大类。例如，为了解决无人机在复杂环境中受到多重威胁的路径规划问题，提出了一种新的基于球形向量的PSO优化算法。首先制定成本函数以将路径规划转换为优化问题，然后使用该算法对有效配置空间搜索来找到成本函数最小化的最佳路径，再通过约束条件对无人机进行控制。为了使用最少的无人机完成农业投入任务并且无需重新访问，先使用VegNet软件识别受压区域，再基于改进Voronoi 图算法找出连接所有受压区域及其喷射点的最佳路径。为了实现无人机跟踪地面移动目标的路径规划，有人还提出了一种新颖的动态APF路径规划技术，改善了多旋翼无人机的硬件依赖性、高计算要求、无法处理障碍物等缺点。

发明内容

[0005] 为了解决现有技术中的上述问题，即现有技术中的路径生成系统仅通过单一的目标函数生成路径，难以应用于复杂场景的问题，本发明提供了一种基于蚁群算法的安全路径规划系统，所述系统包括：场景采集模块、风险区域和环境参数获取模块、待规划环境模型构建模块、目标函数构建模块和路径规划模块；

[0006] 场景采集模块，配置为通过图像采集设备获取目标区域场景图像；

[0007] 风险区域和环境参数获取模块，配置为预先设置风险目标类型及其对应的风险范围，通过图像识别模型获取区域场景图像中的风险目标位置和风险目标类型；

[0008] 待规划环境模型构建模块，配置为基于所述目标区域场景图像和风险目标位置和风险目标类型，构建环境模型；所述环境模型包括多个风险目标位置、风险目标类型、风险范围和风险目标范围间的关系；所述风险目标范围间的关系包括：相离、相切、重合和连续；

[0009] 目标函数构建模块，配置为设置航程长度代价、环境威胁代价和约束代价，并设置对应的权重获取路径目标函数；

[0010] 路径规划模块，配置为通过所述路径目标函数，通过改进的蚁群算法在所述环境模型中生成起始点位至结束点位的安全路径。

[0011] 在一些优选的实施方式中，所述路径规划系统应用于无人机路径规划；

[0012] 所述环境模型，还包括三维环境模型，三维环境模型构建方法为：

[0013] 通过深度相机获取目标区域场景的深度图像；

[0014] 通过所述深度图像为所述目标区域场景图像赋予高度值，获得带有高度信息的目标区域场景图像；

[0015] 基于所述带有高度信息的目标区域场景图像，设置类圆形的初始环境模型：

[0016]

[0017] 其中， 表示局部地形的高度， 表示第m个局部地形最高点的中心坐标， 和 表示第m个局部地形坡度相关因子， 和 表示目标区域中的水平面坐标值；

[0018] 对所述初始环境模型进行预设次数的卷积插值获得插值环境模型，对所述插值环境模型进行平滑处理和设置安全高度区间，获得三维环境模型；

[0019] 对所述插值环境模型进行平滑处理和设置安全高度区间，包括：对所述插值环境模型进行平滑处理，并设置第k个无人机的飞行安全高度区间 ，其中 表示最小安全飞行高度， 表示最大安全飞行高度；将所述最小安全飞行高度 与平滑处理后的插值环境模型中的平滑曲面进行叠加处理，获得光滑的无人机飞行安全曲面 ；

[0020] 获得光滑的无人机飞行安全曲面 后的插值环境模型根据风险目标位置添加风险范围和设置飞行约束条件即为三维环境模型。

[0021] 在一些优选的实施方式中，所述添加风险范围和设置飞行约束条件，具体包括：

[0022] 在光滑的无人机飞行安全曲面 后的插值环境模型中，依据所述区域场景图像中的风险目标位置和风险范围，建立威胁区模型：

[0023]

[0024] 其中， 表示第k个无人机的坐标， 表示第s个威胁区的中心点坐标， 表示第s个威胁区的半径，s表示威胁区序号；

[0025] 所述飞行约束条件，包括最大水平转弯角约束、最大俯仰角约束、最大航程约束和最小惯性距离约束；

[0026] 所述最大水平转弯角约束，具体为：

[0027]

[0028] 其中， 表示无人机 在节点 和 之间的航程的水平投影， 表示水平转弯角， 表示最大水平转弯角，i表示节点序号，k表示无人机序号；

[0029] 所述最大俯仰角约束，具体为：

[0030]

[0031] 表示俯仰角， 表示最大俯仰角， 表示第i个节点的坐标，表示第i‑1个节点的坐标；

[0032] 所述最大航程约束，具体为：

[0033]

[0034] 其中， 表示无人机 的最大航程，N表示整条路径中的节点数量，N‑1为路径的段数， 表示无人机 的第i个节点对应的航程， 表示无人机 的总航程；

[0035] 所述最小惯性距离约束，具体为：

[0036]

[0037] 其中 表示无人机 的最小惯性距离。

[0038] 在一些优选的实施方式中，所述路径目标函数，包括：

[0039] 所述航程长度代价为：

[0040]

[0041] 其中， 表示航程长度代价，R表示路径， 表示第i个节点的坐标，表示出发点的坐标 到目标点的坐标 的直线距离；

[0042] 所述环境威胁代价为：

[0043]

[0044] 其中， 表示无人机 的最小惯性距离， 表示无人机在第i个节点上考虑最小惯性距离后与第s个威胁区重合的区域的体积， 表示环境威胁代价，环境威胁代价体现无人机在路径R的飞行过程中考虑最小惯性距离后碰撞到威胁区的概率；

[0045] 所述约束代价为：

[0046]

[0047] 其中，[·]表示取数值， 表示安全高度区间 的平均值， 表示实际飞行高度偏差， 表示约束代价；

[0048] 将所述航程长度代价 、环境威胁代价 和约束代价 进行归一化，和缩放，获得路径目标函数：

[0049]

[0050] 其中， 、 、 分别表示归一化后的航程长度代价 、环境威胁代价和约束代价 的权重系数。

[0051] 在一些优选的实施方式中，所述改进的蚁群算法，具体包括：

[0052] 步骤A001，初始化蚁群算法参数，设置出发点的坐标和目标点的坐标；

[0053] 步骤A002，基于所述环境模型，令所有蚂蚁从出发点的坐标出发；

[0054] 步骤A003，为每只蚂蚁寻找剩余可转移节点集合，并根据不同节点间的当前信息素浓度 计算转移概率 ，将蚁群中的所有蚂蚁依据转移概率分配并移动至各自下一个节点，并通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度；转移概率 为参考航程长度代价、环境威胁代价和约束代价计算获
得；

[0055] 步骤A004，对所有未到达目标点的坐标的蚂蚁重复步骤A003的方法；

[0056] 步骤A005，分别计算到达目标点的坐标的各蚂蚁经过的路径及路径长度 ；

[0057] 步骤A006，基于所述各蚂蚁经过的路径及路径长度 ，通过SA筛选机制更新最优解Gbest；

[0058] 步骤A007，通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度；

[0059] 步骤A008，重复步骤A003‑步骤A007的步骤，根据SA筛选机制中的当前温度和Metropolis链的长度进行迭代，直至SA筛选机制中的温度达到预设的终止温度输出最优解。

[0060] 在一些优选的实施方式中，所述初始化蚁群算法参数，具体包括：

[0061] 初始化蚁群数量 、迭代次数 、系统初始温度 和终止温度 、无人机性能参数和初始信息素浓度。

[0062] 在一些优选的实施方式中，所述通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度 ，具体包括：

[0063] 通过从节点i到j的当前迭代轮次的混沌序列 计算下一迭代轮次的信息素浓度：

[0064]

[0065] 其中， 表示从节点i到j的下一迭代轮次的信息素浓度， 表示从节点i到j的当前信息素浓度， 为单位时间内从节点i到j的信息素浓度， 表示信息素挥发因子， 表示可调节参数；

[0066] 其中， 为：

[0067]

[0068] 初始值 为0到1之间的随机数，且 ，表示从节点i到j的上一迭代轮次的混沌序列，μ表示混沌因子，且
，当 ， 时表示进入混沌状态。

[0069] 在一些优选的实施方式中，所述根据当前信息素浓度 计算转移概率，其方法包括：

[0070]

[0071]

[0072] 其中， 表示蚂蚁 从节点i到节点j转移的概率， 表示信息启发因子，表示期望启发因子， 表示启发函数表示蚂蚁从节点i转移到节点j的期望值，表示节点j属于蚂蚁 的剩余可转移节点集合，t表示当前迭代轮次，表示节点i到节点j之间的直线距离， 表示节点i到节点j之间不进入威胁区
s并且保持最小惯性距离 后的最小曲线距离；

[0073] 判断节点i到节点j经过威胁区的数量；

[0074] 若节点i到节点j经过单个威胁区的情况，节点i和节点j都在威胁区加最小惯性距离 的范围之外， 近似为节点i与到对应的切点 之间的距离 、节点j与到对应的切点 之间的距离 和切点 与切点 之间的圆弧长度 之和，经
过单个威胁区的情况的最小曲线距离计算方式如下：

[0075]

[0076] 其中， 和 为：

[0077]

[0078]

[0079] 节点i对应的切点 与节点j对应的切点 之间的圆弧长度 通过夹角计算的方法为：

[0080]

[0081]

[0082] 其中， ， 和 分别为节点i和威胁区圆心、节点j和威胁区圆心、节点i和节点j之间的距离，通过坐标转换求出；

[0083]

[0084]

[0085] 表示节点i对应的切点 与节点j对应的切点 之间的夹角， 表示节点i与对应的切点 之间的夹角， 表示节点j与对应的切点 之间的夹角。

[0086] 在一些优选的实施方式中，若节点i到节点j经过多个威胁区，判经过的多个威胁区之间是否存在重叠区域；

[0087] 若经过的多个威胁区添加最小惯性距离 后有重叠区域， 的计算方法为：

[0088] 判断节点i和节点j连成的直线是否处于第一重叠威胁区的圆心和第二重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，在节点i至中点m之间的圆弧上或节点j至中点m的圆弧上增加辅助点，使节点i或节点j至辅助点以对应的威胁区圆心形成的夹角为锐角，进行多段计算；

[0089] 若经过的多个威胁区添加最小惯性距离 后无重叠区域， 的计算方法为：

[0090] 判断节点i和节点j连成的直线是否处于第一不重叠威胁区的圆心和第二不重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，搜索第一不重叠威胁区和第二不重叠威胁区的内公切线，选取内公切线的两个中点，计算节点i到中点m之间避开威胁区s1后的最小曲线距离 与中点m到节点j之间避开威胁区s2后的最小曲线距离 之和。

[0091] 在一些优选的实施方式中，所述通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度，具体包括：

[0092] 基于经过的路径及路径长度 ，按照由小到大的顺序将蚁群中的蚂蚁进性排序，并依据排序划分为第一区间、第二区间和第三区间；

[0093] 设定第一区间的蚂蚁在中可留下信息素，且设置信息素的权重为蚂蚁找到食物的路径长度的反比与排名因子的乘积；所述排名因子为从第一区间中的起始序号只末尾序号以1至0的方向顺序递减取值；

[0094] 将第二区间的蚂蚁在途经路径留下的信息素清零；

[0095] 将第三区间的蚂蚁设定为在下一迭代轮次中屏蔽信息素浓度信息，仅通过启发信息判断方向产生路径。

[0096] 本发明的有益效果：

[0097] （1）本发明的基于改进蚁群算法的复杂场景无人机路径生成方法通过设置代价函数，使得路径优化算法可以考虑更多的影响因素，提高了路径优化算法在复杂环境下的适应性。

[0098] （2）本发明的基于改进蚁群算法的复杂场景无人机路径生成方法通过对传统的ACO算法进行改进，引入混沌映射、两极分化式信息素记录规则、筛选机制等方法对算法进行改进。使得无人机路径规划算法更加高效和稳定。

[0099] （3）本说明书对海洋等复杂场景中无人机的路径规划进行优化设计，考虑到复杂场景的特点、无人机执行复杂场景任务的需求和不同算法的特点，选择对智能群体算法中的蚁群优化算法（Ant Colony Optimization, ACO）进行改进优化以实现无人机的路径规划。在仿真实验中，通过对比其他传统算法的方案结果、目标函数值、迭代情况等参数，改进后的算法具有一定的优越性。

附图说明

[0100] 通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

[0101] 图1为本说明书一实施例提供的一种基于蚁群算法的安全路径规划系统的结构框图；

[0102] 图2为本说明书一实施例提供的改进蚁群算法的原理示意图；

[0103] 图3为本说明书一实施例提供的环境模型的效果示意图；

[0104] 图4为本说明书一实施例提供的通过两极分化式信息素记录规则调整蚁群留下信息素浓度的原理示意图；

[0105] 图5为本说明书一实施例提供的通过SA筛选机制更新最优解Gbest的原理示意图；

[0106] 图6为本说明书一实施例提供的单无人机路径规划中五种算法对比实现结果立体图；

[0107] 图7为本说明书一实施例提供的单无人机路径规划中五种算法对比实现结果俯视图；

[0108] 图8为本说明书一实施例提供的单无人机路径规划中五种算法对比实现结果左视图；

[0109] 图9为本说明书一实施例提供的单无人机路径规划中穿过单个威胁区时的最小曲线路径计算的原理图；

[0110] 图10为本说明书一实施例提供的但无人机路径规划中穿个多个威胁区时的最小曲线路径计算的原理图。

具体实施方式

[0111] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

[0112] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

[0113] 本发明提供一种基于蚁群算法的安全路径规划系统，本系统包括：场景采集模块、风险区域和环境参数获取模块、待规划环境模型构建模块、目标函数构建模块和路径规划模块。

[0114] 为了更清晰地对本发明一种基于蚁群算法的安全路径规划系统进行说明，下面结合图1对本发明实施例中各功能模块展开详述。

[0115] 本发明第一实施例的一种基于蚁群算法的安全路径规划系统，包括场景采集模块、风险区域和环境参数获取模块、待规划环境模型构建模块、目标函数构建模块和路径规划模块，各功能模块详细描述如下：

[0116] 场景采集模块，配置为通过图像采集设备获取目标区域场景图像；

[0117] 风险区域和环境参数获取模块，配置为预先设置风险目标类型及其对应的风险范围，通过图像识别模型获取区域场景图像中的风险目标位置和风险目标类型；

[0118] 待规划环境模型构建模块，配置为基于所述目标区域场景图像和风险目标位置和风险目标类型，构建环境模型；所述环境模型包括多个风险目标位置、风险目标类型、风险范围和风险目标范围间的关系；所述风险目标范围间的关系包括：相离、相切、重合和连续；

[0119] 在本实施例中，所述路径规划系统应用于无人机路径规划；

[0120] 所述环境模型，还包括三维环境模型，三维环境模型构建方法为：

[0121] 通过深度相机获取目标区域场景的深度图像；可根据需要将气象图等信息标注在所述目标区域场景图像中。

[0122] 本实施例假设一个10km·10km·10km作为原始的环境模型，该模型包含山峰、平地、海面的波浪、礁石和气流，由于复杂场景的特殊性，环境模型通常为类圆形。

[0123] 通过所述深度图像为所述目标区域场景图像赋予高度值，获得带有高度信息的目标区域场景图像；

[0124] 基于所述带有高度信息的目标区域场景图像，设置类圆形的初始环境模型：

[0125]

[0126] 其中， 表示局部地形的高度， 表示第m个局部地形最高点的中心坐标， 和 表示第m个局部地形坡度相关因子， 和 表示目标区域中的水平面坐标值；所述地形坡度相关因子表示在一定高度取地形截面，可得到一个椭圆形，该椭圆形的长轴的长度表示为 ，短轴的长度表示为 ， 和 越大则地形越平坦，反之越陡峭，通过调节局局部地形水平面坐标值、部地形的高度、局部地形最高点的中心坐标和地形坡度相关因子能够实现近海环境下各种地形的模拟。

[0127] 对所述初始环境模型进行预设次数的卷积插值获得插值环境模型，对所述插值环境模型进行平滑处理和设置安全高度区间，获得三维环境模型；

[0128] 所述预设次数的卷积插值优选进行3次卷积插值，获得插值环境模型。插值环境模型中地形起伏较大，与实际环境相比过于尖锐如图3中的（a）所示，无法贴切仿真真实环境，需要再对地形坡度和曲率进行限制实现曲面平滑处理如图3中的（b）所示；同时考虑到无人机在飞行过程中具有最大水平转弯角、最大爬坡角和无人机性能限制，为保证无人机飞行过程中路径避障的安全性和完成任务的高效性，需要设置无人机对地飞行安全高度区间如图3中的（c）所示。

[0129] 对所述插值环境模型进行平滑处理和设置安全高度区间，包括：对所述插值环境模型进行平滑处理，并设置第k个无人机的飞行安全高度区间 ，其中 表示最小安全飞行高度， 表示最大安全飞行高度；将所述最小安全飞行高度 与平滑处理后的插值环境模型中的平滑曲面进行叠加处理，获得光滑的无人机飞行安全曲面 ；

[0130] 获得光滑的无人机飞行安全曲面 后的插值环境模型根据风险目标位置添加风险范围和设置飞行约束条件即为三维环境模型。本实施例的所有无人机路径规划均基于所述安全曲面进行，以获取安全高效的无人机路径。

[0131] 常见的风险目标为明确威胁边界的威胁体，例如山峰、礁石、洋流等。无人机一旦触及这些威胁体的边界就会产生碰撞而损毁，路径规划的路线需要避开威胁体的边界坐标，保证无人机安全飞行。风险目标类型主要有山峰、礁石、洋流、禁飞区等，山峰的威胁模型已经通过前述初始复杂环境模型搭建完毕。其他几种威胁均呈现为类球状。无人机一旦触及这些区域会发生坠毁，即在该区域内无人机的损毁概率为1。路径规划过程中，通常是先规划出离散的无人机节点，再用直线或曲线连接这些节点行成完整的飞行路径。因此，需保证无人机的完整路径不涉及威胁区，而不仅仅是只用判断无人机的节点不涉及威胁区。应尽量多增加节点的数量，保证无人机能够成功避开威胁区。本实施例中所述的节点即作为无人机的航迹点。

[0132] 在本实施例中，所述添加风险范围和设置飞行约束条件，具体包括：

[0133] 在光滑的无人机飞行安全曲面 后的插值环境模型中，依据所述区域场景图像中的风险目标位置和风险范围，建立威胁区模型：

[0134]

[0135] 其中， 表示第k个无人机的坐标， 表示第s个威胁区的中心点坐标， 表示第s个威胁区的半径，s表示威胁区序号；

[0136] 所述飞行约束条件，包括最大水平转弯角约束、最大俯仰角约束、最大航程约束和最小惯性距离约束；

[0137] 最大水平转弯角约束是指无人机在水平方向上无法完成大角度的转弯动作，只能在一定的角度范围内转弯。

[0138] 所述最大水平转弯角约束，具体为：

[0139]

[0140] 其中， 表示无人机 在节点 和 之间的航程的水平投影， 表示水平转弯角， 表示最大水平转弯角，i表示节点序号，k表示无人机序号；

[0141] 最大俯仰角是指无人机在竖直方向上能进行的角度变换范围。

[0142] 所述最大俯仰角约束，具体为：

[0143]

[0144] 表示俯仰角， 表示最大俯仰角， 表示第i个节点的坐标，表示第i‑1个节点的坐标；

[0145] 所述最大航程约束，具体为：

[0146]

[0147] 其中， 表示无人机 的最大航程，N表示整条路径中的节点数量，N‑1为路径的段数， 表示无人机 的第i个节点对应的航程， 表示无人机 的总航程；

[0148] 无人机在实际飞行中需要躲避威胁区而调整姿态，而姿态调整由于惯性作用需要一定的缓冲时间，无法快速改变飞行状态。因此，为了保证无人机能够按照规划的路径安全飞行，在无人机准备改变飞行角度、调整姿态等情况前需要保持原状态飞行一段距离，这个距离被称为最小惯性距离。

[0149] 所述最小惯性距离约束，具体为：

[0150]

[0151] 其中 表示无人机 的最小惯性距离。

[0152] 在三维空间中，无人机从出发点到任务点之间通常存在多条可飞行路径，而路径规划的目的就是从这许多条可行路径中选择出一条最优的路径。因此，对每一条路径赋予相应的代价函数，根据代价函数制定路径的目标函数，将目标函数作为评价无人机路径优劣的标准。代价函数一般分为航程长度代价、环境威胁代价和约束代价，目标函数通常为代价函数的加权总和。

[0153] 目标函数构建模块，配置为设置航程长度代价、环境威胁代价和约束代价，并设置对应的权重获取路径目标函数；

[0154] 在本实施例中，所述路径目标函数，具体为：

[0155] 无人机在飞行过程中为了躲避威胁区、绕过障碍物，最终的飞行路径不是一条连接出发点和目标点的直线，而是一条贴合环境的曲线，航程长度代价 是指这条曲线路径比直线路径多损失路径长度；

[0156] 所述航程长度代价为：

[0157]

[0158] 其中， 表示航程长度代价，R表示路径， 表示第i个节点的坐标， 表示出发点的坐标 到目标点的坐标 的直线距离；在本实施例中，
出发点的坐标和目标点的坐标均可以矢量的形式表示；

[0159] 环境威胁代价与航程长度代价是相互影响、此消彼长的关系。无人机飞行过程中为了避开环境威胁区，往往会增加航程长度。但减少航程长度，则会增大碰撞环境威胁区的风险。因此，在规划路径时，需根据实际情况综合考虑二者的影响比例。环境威胁代价是指无人机在靠近环境地形和威胁区时会产生一定的潜在风险，距离越近则风险越大。

[0160] 所述环境威胁代价为：

[0161]

[0162] 其中， 表示无人机 的最小惯性距离， 表示无人机在第i个节点上考虑最小惯性距离后与第s个威胁区重合的区域的体积， 表示环境威胁代价，环境威胁代价体现无人机在路径R的飞行过程中考虑最小惯性距离后碰撞到威胁区的概率；

[0163] 进行路径规划时必须满足约束条件，所以在满足约束条件的前提下，路径的各项参数偏离约束条件的绝对值被称为约束代价。

[0164] 所述约束代价为：

[0165]

[0166] 其中，[·]表示取数值， 表示安全高度区间 的平均值， 表示实际飞行高度偏差， 表示约束代价；

[0167] 将所述航程长度代价 、环境威胁代价 和约束代价 进行归一化，和缩放，获得路径目标函数：

[0168]

[0169] 其中， 、 、 分别表示归一化后的航程长度代价 、环境威胁代价和约束代价 的权重系数。通过计算发现 、 和 的数值
不在一个数量级，因此将 缩小1000倍，将 和 放大100倍以达到合适的
量级。目标函数值越小则代表规划的路径越高效，无人机飞行越安全。

[0170] 路径规划模块，配置为通过所述路径目标函数，通过改进的蚁群算法在所述环境模型中生成起始点位至结束点位的安全路径。在本实施例中，所述改进蚁群算法，改进算法分别对ACO算法在求解时的前、中、后期三个阶段进行改进。实现初始化前期增强信息素初始状态的随机性，迭代过程中强化信息素的引导作用，在得出每一代最优解后减少陷入局部最优解的风险。

[0171] ACO算法是由Marco Dorigo博士提出的一种模拟自然界中的蚁群协同觅食过程的算法。蚂蚁在觅食过程中会在走过的路径上留下信息素，蚁群根据信息素判断前进方向，最终找到食物。影响蚂蚁前进方向的因素主要是：路径上的信息素浓度和当前节点的启发信息。信息素随着时间的推移会逐渐挥发，而信息素的浓度会影响其他的同伴选择该路径的概率。信息素浓度越高，选择这条路径的蚂蚁越多，蚂蚁越多留下的信息素浓度也越高，以此循环形成一种正反馈机制，找到获取食物的最短路径，即实质上是用蚂蚁来模拟无人机。

[0172] 在本实施例中，所述改进的蚁群算法，具体包括：

[0173] 步骤A001，初始化蚁群算法参数，设置出发点的坐标和目标点的坐标；

[0174] 在本实施例中，所述初始化蚁群算法参数，具体包括：

[0175] 初始化蚁群数量 、迭代次数 、系统初始温度 和终止温度 、无人机性能参数和初始信息素浓度。

[0176] ACO算法由于以下几个原因容易产生试错次数高、搜索效率低、容易陷入局部最优解等问题：第一、信息素的初始化浓度均衡，在初次迭代寻找路径时过于依赖启发式信息，导致解的种类较单一，影响后续迭代方向。第二、蚂蚁经过的错误路径也会留下信息素，导致试错次数增加，降低蚁群搜索效率。第三、路径的选择具有随机性，在有限的迭代次数下容易陷入局部最优解。

[0177] 针对以上三个原因，本节采用以下策略进行改进：在前期初始化准备时，采用Logistic 混沌映射初始化和更新信息素。在迭代过程中，利用一种两极分化式规则记录信息素。在得出局部最优解后，引入SA机制筛选更新局部最优解。

[0178] 步骤A002，基于所述环境模型，令所有蚂蚁从出发点的坐标出发；

[0179] 步骤A003，为每只蚂蚁寻找剩余可转移节点集合，并根据不同节点间的当前信息素浓度 计算转移概率 ，将蚁群中的所有蚂蚁依据转移概率分配并移动至各自下一个节点，并通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度；转移概率 为参考航程长度代价、环境威胁代价和约束代价计算获得；

[0180] 混沌是广泛存在于自然界中的一种非线性动力学运动形式，是在确定性系统中存在的随机情况。混沌系统的特征较为复杂，具有长期不可预测性、整体稳定局部不稳定、伪随机性等特性。为了解决ACO算法中由于信息素初始化浓度均衡导致的解的种类单一问题，引入Logistic 混沌映射改进信息素浓度计算方程。Logistic 混沌映射是一种经典的混沌系统，是一种由简单的确定性系统产生的随机序列。

[0181] 在本实施例中，蚁群通过多次迭代遍历在空间中搜索最优路径，并且在走过的路径上留下一定量的信息素。信息素浓度由两部分组成，第一部分为上一代蚁群遍历后还未挥发的信息素余量，第二部分为当前遍历后蚁群在每一条路径上留下的信息素增量。

[0182] 在本实施例中，所述通过Logistic混沌映射的方式计算下一迭代轮次的信息素浓度 ，具体包括：

[0183] 通过从节点i到j的当前迭代轮次的混沌序列 计算下一迭代轮次的信息素浓度：

[0184]

[0185] 其中， 表示从节点i到j的下一迭代轮次的信息素浓度， 表示从节点i到j的当前信息素浓度， 为单位时间内从节点i到j的信息素浓度， 表示信息素挥发因子， 表示可调节参数；

[0186] 其中， 为：

[0187]

[0188] 初始值 为0到1之间的随机数，且 ，表示从节点i到j的上一迭代轮次的混沌序列，μ表示混沌因子，且
，当 ， 时表示进入混沌状态。

[0189] 在本实施例中，所述根据当前信息素浓度 计算转移概率 ，其方法包括：

[0190]

[0191]

[0192] 其中， 表示蚂蚁 从节点i到节点j转移的概率， 表示信息启发因子，表示期望启发因子， 表示启发函数表示蚂蚁从节点i转移到节点j的期望值，表示节点j属于蚂蚁 的剩余可转移节点集合，t表示当前迭代轮次，表示节点i到节点j之间的直线距离， 表示节点i到节点j之间不进入威胁区
s并且保持最小惯性距离 后的最小曲线距离；

[0193] 判断节点i到节点j经过威胁区的数量；

[0194] 若节点i到节点j经过单个威胁区的情况，如图9中（a）所示，节点i和节点j都在威胁区加最小惯性距离 的范围之外， 近似为节点i与到对应的切点 之间的距离 、节点j与到对应的切点 之间的距离 和切点 与切点 之间的圆弧
长度 之和，如图9中（b）所示，经过单个威胁区的情况的最小曲线距离计算方式如下：

[0195]

[0196] 其中， 和 为：

[0197]

[0198]

[0199] 节点i对应的切点 与节点j对应的切点 之间的圆弧长度 通过夹角计算的方法为：

[0200]

[0201]

[0202] 其中， ， 和 分别为节点i和威胁区圆心、节点j和威胁区圆心、节点i和节点j之间的距离，通过坐标转换求出；

[0203]

[0204]

[0205] 表示节点i对应的切点 与节点j对应的切点 之间的夹角， 表示节点i与对应的切点 之间的夹角， 表示节点j与对应的切点 之间的夹角。

[0206] 在本实施例中，若节点i到节点j经过多个威胁区，判经过的多个威胁区之间是否存在重叠区域；

[0207] 若经过的多个威胁区添加最小惯性距离 后有重叠区域，如图10中（a）所示，的计算方法为：

[0208] 判断节点i和节点j连成的直线是否处于第一重叠威胁区的圆心和第二重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，在节点i至中点m之间的圆弧上或节点j至中点m的圆弧上增加辅助点，使节点i或节点j至辅助点以对应的威胁区圆心形成的夹角为锐角，进行多段计算；

[0209] 若经过的多个威胁区添加最小惯性距离 后无重叠区域，如图10中（b）所示，的计算方法为：

[0210] 判断节点i和节点j连成的直线是否处于第一不重叠威胁区的圆心和第二不重叠威胁区的圆心同一侧；若处于同一侧，则搜索第一重叠威胁区与第二重叠威胁区的外公切线，选取两个外公切线的中点m，计算节点i到中点m之间避开威胁区s1后的最小曲线距离和中点m到节点j之间避开威胁区s2后的最小曲线距离 ；若处于不同侧，搜索第一不重叠威胁区和第二不重叠威胁区的内公切线，选取内公切线的两个中点，计算节点i到中点m之间避开威胁区s1后的最小曲线距离 与中点m到节点j之间避开威胁区s2后的最小曲线距离 之和。

[0211] 步骤A004，对所有未到达目标点的坐标的蚂蚁重复步骤A003的方法；

[0212] 步骤A005，分别计算到达目标点的坐标的各蚂蚁经过的路径及路径长度 ；

[0213] 步骤A006，基于所述各蚂蚁经过的路径及路径长度 ，通过SA筛选机制更新最优解Gbest；

[0214] 在本实施例中，SA算法在搜索过程中引入随机因素，迭代更新最优解时，以一定的概率接受其他劣质解，防止陷入局部最优解，如图5所示，假设初始解A从最左边往右迭代，当搜索到局部最优解B时，不会选择结束，而是以一定的概率接受向左继续搜索。按照此规律继续迭代搜索，会搜索到局部最优解C，经过几轮跳出局部最优解的搜索后会找到全局最优解D。

[0215] 在本实施例中，所述通过SA筛选机制更新最优解Gbest，具体包括：

[0216] 遵循Metropolis准则计算接受新解的概率 为：

[0217]

[0218] 其中， 为接受新解的概率表示当温度T时，出现能量差为dE的降温概率，T表示初始温度，解的更新方式由dE的大小决定，若新解对应的系统能量更低，则完全接受新解，否则以 的概率接受新解。

[0219] 步骤A007，通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度；

[0220] 传统的ACO算法规定每只蚂蚁走过的路径均会留下信息素，并且蚂蚁留下的信息素浓度与自身的途经的路径长度成反比。这会导致地图上信息素浓度分布过多，排名靠后的蚂蚁留下的信息素会造成一定的误导，排名靠前的蚂蚁留下的信息素也存在被淹没的概率，最终影响迭代搜索效率。

[0221] 两极分化式信息素记录规则主要是为了打破传统算法中平等记录每只蚂蚁信息素的规则，提出两极分化处理的思想。

[0222] 在本实施例中，所述通过两极分化式信息素记录规则调整蚁群留下的各节点间的信息素浓度，如图4所示，具体包括：

[0223] 基于经过的路径及路径长度 ，按照由小到大的顺序将蚁群中的蚂蚁进性排序，并依据排序划分为第一区间、第二区间和第三区间；比如将前20%的蚂蚁设置为第一区间，中间60%的蚂蚁设置为第二区间，后20%的蚂蚁设置为第三区间；

[0224] 设定第一区间的蚂蚁在中可留下信息素，且设置信息素的权重为蚂蚁找到食物的路径长度的反比与排名因子的乘积；所述排名因子为从第一区间中的起始序号只末尾序号以1至0的方向顺序递减取值；

[0225] 将第二区间的蚂蚁在途经路径留下的信息素清零；

[0226] 将第三区间的蚂蚁设定为在下一迭代轮次中屏蔽信息素浓度信息，仅通过启发信息判断方向产生路径。

[0227] 步骤A008，重复步骤A003‑步骤A007的步骤，根据SA筛选机制中的当前温度和Metropolis链的长度进行迭代，直至SA筛选机制中的温度达到预设的终止温度输出最优解。

[0228] 通过本实施例的方法，进行仿真实验的方式进行验证，并与传统的路径规划算法在同一环境和问题背景下进行多次对比实验，设置的仿真环境参数如表1所示：

[0229] 表1 仿真实验环境参数表

[0230]指标 参数
仿真平台 MATLAB R2016a
操作系统 Windows 10
笔记本 HUAWEI Matebook14
处理器 AMD Ryzen 5 4600H with Radeon Graphics @3.00 GHz
RAM 16GB
系统类型 64位

[0231] 对比实验建立一个 的初始复杂场景模型用于模拟复杂环境的地形和威胁区分布情况以及展示路径规划的结果。无人机仓库坐标设为(6.00,8.00,
4.50)。表2为路径规划威胁区参数表，表3为无人机性能参数表，表4为改进的ACO算法初始参数表。

[0232] 表2 路径规划威胁区参数表

[0233]属性 坐标
威胁区1 (4.14,2.81,5.80,0.80)
威胁区2 (6.28,4.28,5.60,1.00)
威胁区3 (2.00,5.00,4.40,0.80)
威胁区4 (1.80,1.60,4.20,1.00)
威胁区5 (8.40,2.00,4.20,1.20)
威胁区6 (5.60,1.00,5.20,0.60)

[0234] 表3 路径规划无人机性能参数表

[0235] 属性 数值无人机数量 5架
大飞行速度 [0.5,5]km/min
最大水平转弯角 60°
最大俯仰角 60°
最大航程 75km
最小惯性距离 0.2km
安全飞行高度区间 [0.4,0.8]km

[0236] 表4 改进的ACO算法初始参数表

[0237]属性 数值
蚂蚁数量 100个
迭代次数 200次
信息因子 3
启发因子 5
信息素总量 150
系统初始温度 90℃
终止温度 10℃
目标函数系数 λ1=0.4，λ2=0.2，λ3=0.4
运行次数 50次

[0238] 其中，威胁区参数根据模拟近海环境随机设置，无人机的性能参数参照现有的相关文献，改进的ACO算法参数为多次运行中算法性能较好的参数设置。

[0239] 设置任务点坐标分别为(2.00,0.50,4.50)，无人机飞行速度均为5km/min，规划出无人机从仓库出发到达任务点的飞行路径。从路径规划方案、迭代过程以及目标函数性能等方面分别验证改进的ACO算法与传统的ACO、APF、SA和ABC算法的差异。两组实验均独立运行50次取最优解，实验的结果如图6、图7和图8所示，路径规划结果如表5所示；

[0240] 表5单无人机路径规划两组实验结果汇总表

[0241]算法 曲线路径长度 直线距离 路径折损 目标函数值
改进的ACO 9.24 8.50 8.71% 5.03
ACO 9.52 8.50 12.00% 5.38
APF 9.38 8.50 10.35% 5.32
ABC 9.76 8.50 14.82% 5.82
SA 9.94 8.50 16.94% 6.19

[0242] 在图6、图7和图8分别为路径规划的立体图、俯视图和左视图。改进ACO算法、ACO算法、APF算法、ABC算法和SA算法规划出来的路径分别用不同的线型表示。通过比较可以看出，改进的ACO路径相对较平滑，整体路径的水平转弯角和俯仰角的改变度数较小，能够与威胁区保持适中的安全飞行距离。ACO路径整体较平滑，在地形和威胁区的交界处出现一次俯仰角波动较大的情况，能够与威胁区保持一定的安全飞行距离。APF路径相对较平滑，整体路径的水平转弯角和俯仰角的改变度数较小，与威胁区的安全飞行距离相对较小。ABC路径在转弯幅度较小时路径相对平滑，在转弯处易出现水平转弯角和俯仰角的改变度数较大的情况，与威胁区的安全飞行距离较小。SA路径的波动次数相对较多，整体路径的水平转弯角和俯仰角的改变度数较小，与威胁区的安全飞行距离相对较大。

[0243] 本实施例的技术方案对海洋等复杂场景中无人机的路径规划进行优化设计。考虑到复杂场景的特点、无人机执行复杂场景任务的需求和不同算法的特点，本文选择对智能群体算法中的蚁群优化算法（Ant Colony Optimization, ACO）进行改进优化以实现无人机的路径规划。在仿真实验中，通过对比其他传统算法的方案结果、目标函数值、迭代情况等参数，改进后的算法具有一定的优越性。

[0244] 本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD‑ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

[0245] 术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

[0246] 术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

[0247] 至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。