EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 5: 948 - 957

DOI: https://doi.org/10.12082/dqxxkx.2021.200303

遥感科学与应用技术

基于野外台站无人机组网遥感仿真航迹规划

  • 李芹 , 1 ,
  • 刘旭林 1 ,
  • 李荣昊 1 ,
  • 冯朝晖 1 ,
  • 李子锦 1 ,
  • 赵红颖 , 1, 2, *
展开
  • 1.北京大学 地球与空间科学学院 遥感与地理信息系统研究所,北京 100871
  • 2.北京大学 空间信息集成与3S工程应用北京市重点实验室,北京 100871
*赵红颖（1971— ）,女,吉林长春人,副教授,主要从事遥感成像处理与应用、无人机航空遥感技术研究。 E-mail:

李 芹（1994— ）,女,河北沧州人,硕士生,主要从事无人机组网任务规划研究。E-mail:

收稿日期: 2020-06-14

  要求修回日期: 2020-10-26

  网络出版日期: 2021-07-25

基金资助

国家重点研发计划项目(2017YFB0503003)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

UAV Networking Remote Sensing Simulation Track Planning based on Field Station

  • LI Qin , 1 ,
  • LIU Xulin 1 ,
  • LI Ronghao 1 ,
  • FENG Zhaohui 1 ,
  • LI Zijin 1 ,
  • ZHAO Hongying , 1, 2, *
Expand
  • 1. Institute of Remote Sensing and Geographic Information System, School of Earth and Space Science, Peking University, Beijing 100871, China
  • 2. Beijing Key Laboratory of Spatial Information Integration and 3S Application, Peking University, Beijing 100871, China
*ZHAO Hongying, E-mail:

Received date: 2020-06-14

  Request revised date: 2020-10-26

  Online published: 2021-07-25

Supported by

National Key Research and Development Program of China(2017YFB0503003)

Copyright

Copyright reserved © 2021
Fold

摘要

无人机因其灵活、高分辨率等特点在遥感领域中得到了广泛应用,但是目前的无人机遥感多为单机作业,存在缺乏组网协同规划、作业效率有待提高等问题。无人机组网遥感观测能够克服单机作业存在的问题,可以实现多尺度、多平台、多载荷的高频次迅捷组网观测,快速获取大范围的超高分辨率数据,为大范围的生态环境监测、洪涝灾害监测以及国土安全应急监测提供数据支撑。无人机航迹规划能够为高频迅捷的无人机组网观测提供最优航迹。本文针对日益繁杂的航空遥感任务,以及无人机野外台站资源的逐渐完善,提出了基于野外台站的无人机遥感航迹规划模型,以优化后的单机航迹为基础,以无人机数量最少为目标进行多机组网任务分配,旨在解决基于台站的无人机组网航迹规划问题。首先对单机航迹进行优化,将无人机总航程分为有效作业航程和非有效作业航程,通过分析单机作业的任务约束,证明了非有效作业航程最短时作业效率最高,非有效作业航程由转弯航程以及无人机往返于台站的航程决定,因此,确定提高单机作业效率的航迹优化方法：采用“最小宽度”的方法确定最优飞行方向以减少转弯航程,以无人机往返于台站航程最短为原则确定最优的任务起点;其次,以优化后的单机航迹为基础,提出基于台站的无人机组网任务分配算法,考虑每架无人机往返于台站的航程,充分利用无人机的续航能力,以无人机数量最少为目标进行任务分配,从而获得基于台站的无人机组网航迹规化结果。通过仿真分析,验证了本文模型的有效性和正确性。

关键词： 野外台站; 遥感; 单机航迹优化; 遥感任务约束; 飞行方向选择; 任务起点选择; 任务分配; 无人机组网航迹规划

本文引用格式

李芹 , 刘旭林 , 李荣昊 , 冯朝晖 , 李子锦 , 赵红颖 . 基于野外台站无人机组网遥感仿真航迹规划[J]. 地球信息科学学报, 2021 , 23(5) : 948 -957 . DOI: 10.12082/dqxxkx.2021.200303

Abstract

Unmanned Aerial Vehicles (UAVs) have been widely used in the field of remote sensing, due to the its flexibility and high resolution. However, the current remote sensing applications of UAVs are dominated by single UAV operations. There is still a lack of collaborative planning of UAV networking and the operation efficiency also needs to be improved. The UAV networking remote sensing can overcome these problems and provide high-frequency, multi-scale, multi-platform, and multi-load networking observations. The timely large-scale ultra-high-resolution data provided by the UAV networking remote sensing allow for large-scale ecological environment monitoring, flood disaster monitoring, and emergency monitoring of homeland security. Moreover, the UAV track planning can provide an optimal trajectory for high-frequency remote sensing observations. Thus, the research on UAV remote sensing track planning is of great significance. Given the increasing complex aerial tasks of remote sensing and increasing field station resources, a UAV networking remote sensing track planning model based on field stations is proposed in which the task assignment of the multi-unit network is carried out based on the optimized track planning of single UAV. Firstly, the optimization of track for a single UAV is carried out. The total flight of the drone is divided into effective flight and ineffective flight. By analyzing the remote sensing task constraints of a single UAV proves, we find that there is the highest efficiency when the ineffective flight is the shortest. The ineffective flight is determined by the turning flight and the flight of the UAV to and from the station. Therefore, the track optimization method to improve the efficiency of a single UAV is determined by reducing the turning distance and the distance that UAV to and from the station. The optimal flight direction is determined by the "minimum width" and the optimal mission starting point is determined by the principle that the flight of UAV to and from the station is the shortest. Secondly, based on the optimized track planning of a single UAV, a station-based task assignment algorithm for UAV networking is proposed. This algorithm takes into account the flight of each UAV to and from the station and takes full advantage of all flight. The task assignment is finally carried out by obtaining the track planning of UAV networking with the least number of UAVs. The feasibility of the model is verified by simulation examples in this study.

Key words： field station; remote sensing; single track planning optimization; remote sensing task constraint; flight direction selection; task starting point selection; task assignment; network track planning of UAV

1 引言

近年来,无人机技术逐渐成熟,因其能够快速、准确获取高分辨率数据以及灵活和响应速度快的特点,越来越多地应用于遥感观测任务,其遥感数据在测绘观测[1]、生态环境监测[2]、自然灾害评估[3]以及应急救援[4]等方面得到了广泛应用,为遥感及其应用的发展提供了数据支撑,因此无人机遥感航迹规划研究具有重大意义。
目前,无人机遥感航迹规划主要针对小区域单机作业,单机航迹规划的方法主要有2种：顺序航带法和间隔航带法[5]。此外,针对观测区域为复杂多边形[6,7]的单机航迹规划的研究,提高了无人机遥感观测的适用性,而且面向复杂地形的三维航迹规划也已逐渐成熟[8]。但是,单机作业仍然存在效率低,响应速度慢的问题,而无人机组网可以克服这些问题,实现多尺度、多平台、多载荷的高频迅捷组网观测,快速获取大范围超高分辨率数据,为多种遥感应用提供数据支撑[9],而无人机组网遥感航迹规划可以为高频迅捷的无人机组网提供最优航迹。目前,国内外对于无人机组网协同作业的航迹规划算法已有大量研究,核心问题之一是任务分配,例如,考虑无人机性能指标的任务分配,根据无人机的性能指标获得每架无人机的任务面积,利用基于面积的区域分割方法分配任务区域[10,11],但是该方法只考虑了面积因素未考虑子区域的特点,因此根据无人机性能指标和子区域宽度进行区域划分和任务分配[12]的方法被提了出来,也有学者将观测区域近似为其最小外接矩形,根据无人机和载荷的性能指标计算每架无人机的任务面积,然后再根据计算的面积进行区域分解完成任务分配[13]。此外,还有学者根据移动目标出现的概率进行任务区域的分配[14],以及有学者利用分解算法先对区域进行分解然后再进行任务的分配[15,16]等,以上算法主要应用于军事搜索,不适用于实际的遥感作业,也有少数学者研究了遥感领域的无人机组网任务分配,例如,Gustavo等[17]将多机组网协同观测问题转化为了VRP问题,以观测时间最短为目标,对无人机进行任务分配,该算法未考虑避障问题,也有待优化。
综上,目前的无人机组网任务分配算法多采用区域分割的方法,该方法未考虑子区域间无人机避障的问题,不适用于实际的无人机组网遥感作业。而且,随着野外台站无人机和载荷资源的逐渐完善,无人机的起降场不再是仅位于距离观测区域较近的位置,所以无人机起降场与观测区域的之间的航程成为任务分配需要考虑的因素之一。因此,针对基于野外台站的无人机组网航迹规划问题,提出了基于野外台站的无人机组网遥感航迹规划模型。首先对单机航迹进行优化,通过最小跨度算法寻找最优飞行方向,再根据基于台站的任务起点选择准则确定最优任务起点;以优化后的单机航迹为基础,根据基于台站的多机组网任务分配算法,考虑每架无人机往返于台站的航程,充分利用无人机的续航能力,以无人机数量最少为目标进行任务分配;最终,获得基于台站的无人机组网航迹规划结果。

2 基于台站的无人机遥感航迹规划模型

为解决基于台站的无人机组网航迹规划问题,本文提出了基于野外台站的无人机遥感航迹规划模型,分为基于台站的单机航迹优化和基于台站的多机组网任务分配两个问题,在保证单机作业效率最高的情况下,以无人机数量最少为目标,根据台站的位置和无人机的续航能力进行多机组网观测的任务分配,本文技术路线如图1所示。
图1 基于野外台站的无人机组网遥感航迹规划技术路线

Fig. 1 Technology roadmap of UAV networking remote sensing simulation track planning based on field station

根据研究模型,可以将问题描述如下：无人机遥感作业区域S,其周边存在一个距离较远的无人机野外台站 S t ,坐标为（ X s , Y s ）,需要该台站一架或者i架相同性能的无人机 U 1 , U 2 ,…, U i 携带相同性能的载荷,前往作业区作业并安全返航。首先,通过单机遥感任务约束分析,获得提高单机作业效率的航迹优化准则：寻找最优的飞行方向和任务起点,获得优化后的单机航迹。在优化的单机航迹基础上根据任务分配准则,即考虑每架无人机往返于台站的航程,充分利用无人机的续航能力,以组网无人机数量最少为分配目标,为每架无人机分配任务,即获得基于台站的无人机组网航迹规划结果。

3 单机航迹优化模型

3.1 遥感任务约束分析

面向遥感任务的单机航迹的优化,是在满足任务需求的情况下,保证无人机的作业效率高且冗余数据少。冗余数据可通过拍摄点的纠正来减少,即生成覆盖航迹时通过一些规则去掉位于观测区域外的拍摄点,本文在仿真示例中进行了相应的处理。因此单机航迹的优化即转化为提高无人机的作业效率。为解决该问题,本文将无人机的总航程分为了有效作业航程和非有效作业航程,其中有效作业航程指无人机执行遥感任务时的直线航程,非有效作业航程指无人机作业时总的转弯航程,以及台站至任务起点、任务终点至台站的航程之和,后者也称为无人机往返于台站的航程。便于描述,将无人机的总航程设为L,有效作业航程设为 L in ,非有效作业航程设为 L out ,因此可以计算总航程为：
L = L in + L out
其中有效作业航程受重叠率和地面分辨率（飞行高度）的约束,非有效作业航程受转弯航程和无人机往返于台站的航程约束,下文分别对有效作业航程和非有效作业航程进行分析。
（1）有效作业航程
该分析中的计算为估算,实际遥感作业要考虑很多因素,为简化分析过程,将观测区域假设为面积为S的规则多边形,例如矩形,可通过式（2）计算有效作业航程 L in 。
L in = S W n = 1 L in = S W h n ≠ 1
式中：W为飞行高度约束得到影像旁向幅宽; W h 为旁向拍摄间隔（即扫描的条带宽度）;n为航线数量。无人机进行遥感作业时,传感器与地面垂直,影像与对应地面幅宽保持图2的关系,此处未考虑地面起伏。
图2 影像与对应地面幅宽的几何关系

Fig. 2 The geometric relationship between the image and the corresponding ground width

通过式（3）可计算旁向拍摄间隔 W h 。
W h = H × μ × h × ( 1 - P h ) f
式中：H为无人机飞行高度; μ 为传感器像元大小;h为垂直于飞行方向的像元个数; f为焦距为; P h 为旁向重叠率。
将式（3）代入式（2）中,其中航线数量n=1的情况比较特殊和简单,而且实际作业中很少会出现,所以下面所有的分析都假设n>1,因此可以计算观测区域的直线作业航程 L in 。
L in = S × f H × μ × h × ( 1 - P h )
（2）非有效作业航程
非有效作业航程 L out 包含观测区域进行作业时的转弯总航程 L C 和无人机往返于野外台站的航程 L P ,由此可知：
L out = L C + L P
假设平均每一次的转弯航程为 L c ,转弯次数为N,可以计算总转弯航程 L C ：
L C = L c × N
式中：N可以由观测区域的宽度计算获得。假设宽度为D,那么：
N = D W h - 1
陈海等[18]从无人机能量角度分析,证明了转弯过程对无人机来说是低效的,而且在进行遥感测绘任务时,转弯过程不再获取数据,因此进行遥感作业时应尽量减少转弯的次数。由式（7）可以看出,转弯次数N由宽度D和扫描宽度 W h 决定,其中 W h 由任务需求决定可视为常数,因此D取最小值时, N最小,如何得到最小的宽度是我们需要考虑的问题。
因此,无人机航迹优化后的总航程L可以计算得：
L = S × f H × μ × h × ( 1 - P h ) + L c × D W h - 1 + L P
定义一个参数 φ ,用来表示无人机的作业效率,即有效作业航程与总航程的比值,由此可知：
φ = L in L = S × f H × μ × h × 1 - P h S × f H × μ × h × 1 - P h + L c × ( D W h - 1 ) + L P = C C + L c × ( D W h - 1 ) + L P
把观测区域的作业航程看作一个常数C,由（9）式可知,当 L c × ( D W h - 1 ) + L P 取最小值时, φ 最大,即非有效作业航程最短时,无人机的作业效率最高。 L c × ( D W h - 1 ) + L P 中, L c 为每一次的转弯路程可进行优化,但是不属于遥感任务航迹规划的内容,因此不进行讨论。
因此,单机航迹的优化转换为求最短的非有效作业航程,由以上分析可知,可以从转弯次数和无人机往返于台站的航程2个方面优化,由式（7）可知转弯次数最少即求观测区域多边形的最小跨度,最小跨度的确定和飞行方向相关,即寻找最优的飞行方向。无人机往返于台站的航程与任务起点的确定相关,任务起点确定相应的任务终点,即无人机往返于台站的航程也确定了。因此,对单机航迹的优化即为寻找最优的飞行方向和确定最优的任务起点。

3.2 飞行方向确定

无人机进行遥感作业确定作业方向时,要考虑任务区域的形状以及风场等因素,风场作用比较小的时候,通常选择较长的边为作业方向以减少转弯次数。由任务约束分析中式（7）可知,当作业方向与最小跨度方向垂直时,能够保证转弯的次数最少。因此,最优飞行方向的确定即为观测区域最小跨度的确定。本文主要针对凸多边形区域,进行研究。
陈海等[18]给出了跨度与宽度的定义,凸多边形的最小跨度即为其宽度,而且凸多边形的宽度仅存在于“点边式”的跨度之中（图3）,当飞行方向与宽度所在的边平行时,转弯次数最少,即获得观测区域内最短的作业航程。
图3 “点边式”跨度

Fig. 3 "Point to edge" span

陈海等[18]已经详细介绍了“点边式”最小跨度算法,本文不再赘述,仅进行简单叙述。首先,给出观测区域各顶点的坐标,按顺时针的方向记录为： v 1 、 v 2 、…、 v n + 1 ,其中n为顶点的个数,顶点 v i （i∈[1, n+1]）的坐标为（ x i , y i ）,按照顺序分别计算边 v i v i + 1 上 n-2个顶点到该边的距离,计算公式如 式（10）所示。
D = y i + 1 - y i × x j - x i + 1 - x i × y j + x i + 1 y i - x i y i + 1 2 y i + 1 - y i 2 + x i + 1 - x i 2
最后,获得观测区域最小跨度出现的顶点v和所对应的边l,即确定了无人机遥感作业的飞行方向。

3.3 任务起点选择

由任务约束分析可知,求无人机的最短非有效作业航程,还需要确定无人机往返于台站和观测区域的航程,而二者的位置关系是决定航程大小的关键。位置关系主要有2种：无人机台站位于观测区域内部和位于观测区域外部。为便于描述,将无人机往返于野外台站的航程记为 L P ,包括野外台站到达任务起点的航程 L P c ,以及任务终点返回野外台站的距离 L P r ,即 L P 为：
L P = L P c + L P r
因此,涉及到了另一个问题,即如何确定任务的起点和终点。在实际飞行时,人们需要关注无人机动力的持续性,随着任务的执行,无人机的动力会不断下降,无人机的稳定性必然受到影响,既影响无人机的安全也影响拍摄数据的质量。因此,在进行任务起点选择时,选择距离台站较远的点作为任务起点,在无人机能量较少时使其在距离台站较近的范围内,减少事故的发生。
按照台站与待观测区域的位置关系进行分析,为了便于描述,将首尾2条航线的首尾拍摄点分标记为P11、P12、P21和P22,分别把4个拍摄点与台站的距离记为 L 11 、 L 12 、 L 21 和 L 22 ,这里的距离按照欧氏距离计算。
（1） 台站位于观测区域外部
台站位于观测区域外部时,二者之间的关系可分为2种：台站位于平行飞行方向的方位上和台站位于垂直于飞行方向的方位上,分别如图4（a）、（b）、（c）、（d）所示,其中红色的虚线表示航线,蓝色三角表示野外台站。经分析知,任务起点和终点的确定与航线数量的奇偶性有关系,而且需要遵循以下2个原则：① 台站与任务起点和终点的距离和最小; ② 满足①的前提下,距离台站较远的点为任务起点。
图4 台站位于观测区域外部

Fig. 4 The station is outside the observation area

图4（a）中,航线数量为偶数,任务起点的判断准则：
（1）分别比较 L 11 + L 21 、 L 12 + L 22 ,距离和较小的两边以及对应的2个拍摄点分别记为 L 1 m 、 L 2 m 和 v 1 、 v 2 ;
（2）比较 L 1 m 和 L 2 m , L 1 m < L 2 m ,则 v 2 为任务的起点;若 L 1 m > L 2 m ,则 v 1 为任务的起点。
图4（c）中,航线数量为奇数,任务起点的判断准则：
（1）分别比较 L 11 + L 22 、 L 12 + L 21 ,距离和较小的两边以及对应的2个拍摄点分别记为 L 1 m 、 L 2 m 和 v 1 、 v 2 ;
（2）比较 L 1 m 和 L 2 m , L 1 m < L 2 m ,则 v 2 为任务的起点;若 L 1 m > L 2 m ,则 v 1 为任务的起点。
（2） 台站位于观测区域内部
当台站位于观测区内部时,二者之间的关系是简单的包含关系,如图5（a）、图5（b）所示。任务起点和终点的确定与航线数量的奇偶性有关系,需要满足的原则和具体操作均与台站位于观测区域外部时相同,不再赘述。
图5 台站位于观测区域内部

Fig. 5 The station is inside the observation area

综上所述,基于台站的任务起点与终点确定的算法如图6所示。
图6 基于台站的无人机任务起点与终点确定算法

Fig. 6 An algorithm for determining the starting and ending points of UAV missions based on station

4 多机组网任务分配算法

大区域观测时,无人机往返于台站和观测区域的航程是不容忽略的,因此,在单机航迹优化的基础上,本文基于每一架无人机往返于台站的航程进行组网任务分配,即距离台站较远的区域,无人机的任务量相对较少,距离台站较近的区域无人机的任务量较多,以无人机数量最少作为任务分配的目标。
研究的组网观测模式为单点多任务,即相同性能的平台和载荷执行相同的任务,因此认为所有平台与载荷的参数以及任务信息相同。为了便于描述,将无人机在最佳作业速度下的最大航程记为L,第i条航线的长度记为 L i ,平均每次的转弯航程记为 L c ,无人机在燃油和电池动力不足之时稳定性会变差,影响飞机的安全性,因此为每架飞机设置一个安全航程 L s ,由此可知：
L IN = ∑ i = 1 n L i + n - 1 × L c , ( n = 1,2 , … )
L = L IN + L P c + L P r + L s
L - L m ≥ L s
式中 : L IN 为无人机在观测区域内作业的航程,包括转弯的航程 L C ;n为航线的数量; L m 为第m架无人机的总航程,为了保证无人机可以安全返航,必须保证剩余航程不得小于安全航程 L s ,即满足式（14）的关系。
根据以上描述,基于台站的无人机组网任务分配算法具体描述如下：
算法1 多机组网任务分配算法
输入：待观测区域单机航迹规划结果,拍摄点坐标coordinate、每条航线的长度Li和航线的总数量N,无人机数量m=1;
S1：根据单机航迹规划结果,获取首尾2条航线的首尾拍摄点分标记为P11、P12、P21和P22,分别把四个拍摄点与台站的距离记为L11、L12、L21和L22,距离采用欧氏距离进行计算,比较L11、L12、L21和L22,选择最短距离对应的拍摄点作为第1架无人机的任务起点spt;
S2： n=1,计算飞完第一条航线的总航程：
Lmn=∑i=1nLi+n-1×Lc+LPr+LPc（15）
若L-Lmn≤Ls,则跳转到S4,否则进行S3;
S3：n=n+1,按照式（15）计算更新后总航程,若L-Lmn≤Ls,则Lmn=Lmn-1,n=n-1,执行S4,否则继续重复执行S3;
S4：完成第m架飞机的任务分配,输出第m架飞机的任务起点spt、航线数量n以及总航程,更新剩余航线的数量：N=N-n,若N&gt;0,则执行S5,否则分配任务结束;
S5：更新剩余观测区域拍摄点的信息coordinate、每条航线的长度Li以及飞机的数量m=m+1,且将第一条航线的第一个拍摄点作为第m+1架飞机的任务起点,然后执行S2;
输出：每一架飞机的拍摄点坐标coordinate、航线数量n、任务起点 以及总航程L;
多机组网任务分配算法如图7所示,该算法考虑了每架无人机往返于台站的航程,充分利用无人机的续航能力,不同于航程平均分配的策略,减少了组网作业的无人机数量,而且为了避免出现无人机相撞的危险,在进行任务分配时按照相同的方向进行任务起点spt的选择,最终获得优化后的基于台站的无人机组网航迹规划结果。
图7 基于台站的多机组网任务分配算法

Fig. 7 Task assignment algorithm for multi-unit network based on station

5 仿真分析

5.1 单机优化航迹仿真

由以上分析可知,基于台站的单机航迹的优化,即找到观测区域多边形的最小跨度,确定转弯次数最少的飞行方向,然后根据无人机野外台站的位置确定最优的任务起点,保证无人机往返于台站的航程最短。其中,采用扫描线的方式对观测区域进行航迹规划,即确定了单机最短作业航程,且作业效率最高。
图8为待观测区域S,顺时针方向记录多边形的各个顶点：{ v 1 , v 2 , v 3 , v 4 , v 5 },每个顶点对应的坐标分别为：
S = 14.5,2 , 5.6,17 , 21,29 , 30,20 , 21.5,3 × 10 2
图8 遥感观测区域

Fig. 8 Observed area of remote sensing

按照最小宽度算法,得到观测区域S最小跨度对应的顶点和边分别为 v 1 和边 v 4 v 5 ,因此,可以确定飞行方向为边 v 4 v 5 所在的方向。
本仿真过程,首先进行坐标系统转换,以边 v 4 v 5 所在的方向为x轴方向进行转换;在此坐标系下,根据旁向拍摄间隔确定所有航线的位置,即拍摄点的y坐标;然后根据每条航带上下边界与多边形的交点和多边形的顶点,确定每条航带的最小外接矩形,该最小外接矩形可以完全覆盖每条航带所在的区域;再根据最小外接矩形确定每条航线第一个拍摄点的x坐标,即确定了每条航线第一个拍摄点的位置;然后根据航向拍摄间隔,依次确定每条航线除首尾2个拍摄点以外的其余拍摄点的x坐标;再根据每条航线的最小外接矩形确定每条航线末端拍摄点的x坐标,即可确定观测区域所有拍摄点的坐标,拍摄点完全覆盖观测区域,且无冗余拍摄点;最后进行坐标系统的转换。实例中,旁向拍摄间隔 W h =300 m,航向拍摄间隔 W l =200 m。
经单机航迹规划,该区域的航线数量为奇数,根据台站StationPoint与待观测区域的位置关系确定任务的起点StartPoint。图9表示了StationPoint位于观测区域外部和内部的单机航迹规划结果,其中图中标出的StartPoint为任务的起点。
图9 基于台站的单机航迹规划结果

Fig. 9 Single track planning results station-based

表1表示不同台站分别选择不同任务起点的总航程,其中, L P 为无人机野外台站到达任务起点的航程 L P c ,以及任务终点返回野外台站的航程 L P r 之和,L为无人机的总航程。从表中可以看出来,根据本文方法选择的任务起点计算的无人机往返于台站的航程,比根据其他任务起点计算的航程短,即非有效作业航程最短,无人机作业的总航程也最短,在一定程度上提高了单机作业的效率。
表1 不同台站的无人机航程

Tab. 1 Flightofdifferentstations

航程 台站1 台站2 台站3
本文起点 其他起点 本文起点 其他起点 本文起点 其他起点
Lp/(102m) 43.14 60.5 41.5 52.3 25.5 26
L/(102m) 205.3 222.7 202 213.3 186.4 187

5.2 组网航迹规划仿真

根据待观测区域与无人机台站之间的距离,以及无人机最大续航航程来进行无人机任务分配,在保证无人机安全返航的前提下,充分利用每架无人机续航能力,以最少数量的无人机进行组网遥感作业。本仿真中,将无人机的安全航程设为总航程的10%,然后改变台站的位置和无人机的最大续航航程进行无人机组网任务分配,得到组网航迹规划结果。
表2表示台站为StationPoint1、无人机续航航程为10 km时每架无人机的航程,图10（a）和图10（b）表示台站分别为StationPoint1和StationPoint2,以及无人机最大续航航程为10 km时的组网航迹规划结果。图10的（c）和（d）表示台站分别为StationPoint1和StationPoint2,以及无人机最大续航航程为15 km时进行的组网航迹规划结果,航迹规划的结果中相邻无人机的航线分别用红色和蓝色标注, spt为每架无人机的任务起点。表3表示无人机组网航迹规划任务信息。从表2、表3和图10可看出,无人机的任务分配结果与台站的位置和无人机续航航程均相关。从表2中可以看出,续航航程均为10 km时,往返于台站的航程分别为3.3 、4.4、5.1、5.6和6 km时无人机的观测区域内航程分别为5.2、2.5、2.6、2.4和2.2 km,距离台站最远的无人机的观测区域内航程最短,反之观测区域内航程最长,但是,因为无人机观测区域内的航程受观测区域的形状影响,所以每架无人机往返于台站的航程与观测区域内的航程并不是呈严格的负相关关系;从表3可以看出,当台站均为StationPoint2时,无人机续航航程为10 km时组网飞机数量为4,每架无人机的作业航程分别为7.1、7.8、7.7和6.7 km,而无人机续航航程为15 km时无人机数量为2,每架无人机的作业航程分别为13 km和10 km,即台站相同时,续航航程越大,每架飞机的作业航程越大,组网的无人机数量越小。通过仿真分析,证明了该任务分配算法可以根据无人机往返于台站的航程进行任务的分配,有效解决基于台站的无人机组网航迹规划问题。
图10 基于台站的无人机组网航迹规划结果

Fig. 10 Track planning results of multi-unit network on station- based

表2 台站为StationPoint1、续航为10 km时每架无人机的航程

Tab. 2 The flight of each UAV when the station is StationPoint1 and the endurance is 10 km

无人机航程/km 续航航程10 km
8.5 6.9 7.7 8.0 8.2
往返于台站航程/km 3.3 4.4 5.1 5.6 6.0
观测区域内航程/km 5.2 2.5 2.6 2.4 2.2
表3 无人机组网航迹规划任务信息

Tab. 3 Task information of UAV network track planning

任务信息 StationPoint1续航航程 StationPoint2 续航航程
10 km 15 km 10 km 15 km
无人机作业航程/km 8.5 6.9 7.7 8.0 8.2 11.0 13.0 7.1 7.8 7.7 6.7 13.0 10.0

6 结论

本文将基于野外台站的无人机遥感航迹规划问题,分为基于台站的单机航迹优化和基于台站的多机组网任务分配两个问题。通过寻找最优的飞行方向和最优的任务起点对单机航迹优化,得到航程最短的单机航迹,在优化后的单机航迹的基础上,根据基于台站的无人机组网任务分配算法进行任务的分配,即获得基于野外台站的无人机组网航迹规划结果。本文提出的无人机组网航迹规划算法不仅适用于一般的凸多边形,也适用于复杂的凹多边形。针对凹多边形,可采用的方法：在选择最优方向时将其逼近最接近的凸多边形,然后确定最优飞行方向,规划最优的单机航迹,再根据基于台站的无人机组网任务分配算法进行无人机任务的分配,获得该区域的无人机组网航迹规划结果。但是,在进行单机航迹规划时,凹多边形区域较凸多边形更复杂,需要考虑区域之间的跨度是否需要拆分航线。
通过仿真分析,验证了本文方法可实现以最少数量的无人机为目标的无人机组网航迹规划,充分利用了无人机的续航航程,当台站相同,续航航程为10 km时组网无人机数量为4,而续航航程为 15 km时无人机数量为2,即当台站相同时,无人机续航航程越大,组网的无人机数量越小。但是本文的无人机组网航迹规划仅考虑了无人机数量的问题,组网时间上可能不是最优的,可以在同时考虑无人机数量和组网观测时间的基础上,进行任务分配,这也是本文继续研究的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张光祖, 王春, 徐燕, 等. 像控点布设对无人机小范围非规则区域实景建模精度的影响[J]. 全球定位系统, 2020,45(2):60-67.

[ Zhang G Z, Wang C, Xv Y, et al. Effect of image control point layout on the accuracy of real-world modeling of small-scale irregular areas of UAVs[J]. GNSS World of China, 2020,45(2):60-67. ]

[2]
胡健波, 张健. 无人机遥感在生态学中的应用进展[J]. 生态学报, 2018,38(1):20-30.

[ Hu J B, Zhang J. Unmanned Aerial Vehicle remote sensing in ecology: Advances and prospects[J]. Acta Ecologica Sinica, 2018,38(1):20-30. ]

[3]
Chen Q J, He Y R, He T T, et al. The typhoon disaster analysis emergency response system based on UAV remote sensing technology[C]. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, XLII-3/W10:959-965.

[4]
Mesay B B, Abdallah Z, Abdelhamid N, et al. A convolutional Neural Network Approach forAssisting Avalanche Search and Rescue Operationswith UAV Imagery[J]. Remote Sens, 2017,9(2):1-20.

DOI

[5]
王梦茹, 杨力, 孙聃石, 等. 低空摄影测量无人机航迹规划的设计与实现[J]. 测绘与空间地理信息, 2016,39(10):110-113.

[ Wang M R, Yang L, Sun D S, et al. Design and Implementation of Flight Path Planning for Low-altitude Photogrammetry UAV[J]. Geomatics & Spatial Information Technology, 2016,39(10):110-113. ]

[6]
王自亮, 罗德林, 吴顺祥. 凹多边形区域覆盖无人机航迹规划方法[J]. 航空兵器, 2019,26(1):95-100.

[ Wang Z L, Luo D L, Wu S X. A method of uav track planning for the concave polygon area covering[J]. Aero Weaponry, 2019,26(1):95-100. ]

[7]
Matthew C, Tom F, Chen W H, et al. Optimal polygon decomposition for UAV survey coverage path planning in wind[J]. Sensors, 2018,18(7):1-28.

DOI

[8]
沈富强. 基于三维地表模型的无人机航线自动规划方法[D]. 成都:西南交通大学, 2015.

[ Shen F Q. Automatic UAV route planning method based on three dimention surface model[D]. Chengdu: Southwest Jiaotong University, 2015. ]

[9]
晏磊, 廖小罕, 周成虎, 等. 中国无人机遥感技术突破与产业发展综述[J]. 地球信息科学学报, 2019,21(4):476-495.

DOI

[ Yan L, Liao X H, Zhou C H, et al. The impact of UAV remote sensing technology on the industrial development of China: A review[J]. Journal of Geo-information Science, 2019,21(4):476-495. ]

[10]
Maza I, Ollero A. Multiple UAV cooperative searching operation using polygon area decomposition and efficient coverage algorithms[C]. Distributed Autonomous Robotic Systems 6, 2004: 221-230.

[11]
彭辉, 沈林成, 霍霄华. 多UAV协同区域覆盖搜索研究[J]. 系统仿真学报, 2007,19(11):2472-2476.

[ Peng H, Shen L C, Huo X H. Research on multiple UAV cooperative area coverage searching[J]. Journal of System Simulation, 2007,19(11):2472-2476. ]

[12]
陈海, 何开锋, 钱炜祺. 多无人机协同覆盖路径规划[J]. 航空学报, 2016,37(3):928-935.

[ Chen H, He K F, Qian W Q. Multi-uav collaborative coverage path planning[J]. Acta Aeronautica et Astronautica Sinica, 2016,37(3):928-935. ]

[13]
Vinh K, Gebreyohannes S, Karimoddini A. An area-decomposition based approach for cooperative tasking and coordination of UAVs in a search and coverage mission[C]. IEEE, 2019.

[14]
Dieter W S, Joel A K. Efficient partitioning of space for multiple UAS search in an unobstructed environment[J]. International Journal of Intelligent Robotics and Applications, 2018,2:98-109.

DOI

[15]
Dario C G, Luciano C, Giuseppe G, et al. Complete coverage path planning for aerial vehicle flocks deployed in outdoor environments[J]. Computers and Electrical Engineering, 2019,75:189-201.

DOI

[16]
Ara jo J F, Sujit P B, Sousa J B. Multiple UAV area decomposition and coverage[C]. IEEE Symposium on Computational Intelligence for Security and Defense Applications (CISDA), 2013.

[17]
Gustavo S C A, Guilherme A S P, Luciano C A. Multi-UAV routing for area coverage and remote sensing withminimum time[J]. Sensors, 2015,15(11):27783-27803.

DOI

[18]
陈海, 王新民, 焦裕松, 李俨. 一种凸多边形区域的无人机覆盖航迹规划算法[J]. 航空学报, 2010,31(9):1802-1808.

[ Chen Hai, Wang Xin-Min, Jiao Yu-Song, et al. An algorithm of coverage flight path planning for UAVs in convex polygon areas[J]. Acta Aeronautica et Astronautica Sinica, 2010,31(9):1802-1808. ]

Options
文章导航

/

〈 〉