考虑安全风险与噪声影响的城市低空无人机路径规划方法与流程

专利检索2022-05-10  4



1.本发明属于城市空中交通管理技术领域,具体涉及一种考虑安全风险与噪声影响的城市低空无人机路径规划方法。


背景技术:

2.随着低空空域改革的推进,无人机使用率的不断增长,推动无人机进入城市低空,使无人机广泛应用于城市环境已经成为当前发展的趋势。无人机路径规划技术作为无人机自主飞行以及无人机低空交通管理的技术支撑,已经成为热门的技术研究领域。
3.尽管当前已有大量针对无人机路径规划的研究,但聚焦于城市低空环境这一特定场景的无人机路径规划研究较少,并且这类研究主要以最短路径以及安全风险最小作为规划目标。然而无人机在城市环境中运行时需要考虑更多方面,如城市噪声限值等。因此在城市环境中对无人机路径进行规划时,应当基于城市不同功能区特性(人口密度不同,噪声限值不同等),综合考虑无人机对各区域产生的安全风险及噪声影响,生成既能满足城市各功能区噪声限值标准,又较为安全的路径。


技术实现要素:

4.针对于上述现有技术的不足,本发明的目的在于提供一种考虑安全风险与噪声影响的城市低空无人机路径规划方法;该方法可规划出满足城市噪声标准和避障要求,同时运行风险较小的无人机路径,从而实现在现有城市噪声影响约束下无人机的合理运行。
5.为达到上述目的,本发明采用的技术方案如下:
6.本发明的一种考虑安全风险与噪声影响的城市低空无人机路径规划方法,步骤如下:
7.(1)收集无人机特定飞行高度处的噪声实验数据,选择稳定性强的噪声实验数据作为原始数据;
8.(2)将无人机噪声源近似为点声源;根据无指向性点声源几何发散衰减公式,使用所述步骤(1)中原始数据计算距无人机不同距离处的噪声声压级;
9.(3)划分城市不同功能区,根据所述城市不同功能区特征建模,针对各功能区设置环境噪声限值,建立城市低空三维空域图并将其栅格化;
10.(4)结合无人机避障要求和各功能区环境噪声限值,构建基于安全风险和噪声影响的多目标路径规划模型;
11.(5)基于多目标蚁群算法,求解所述步骤(4)中建立的多目标规划模型,得到一组pareto解集。
12.进一步的,所述步骤(2)的具体过程如下:
13.(21)近似无人机噪声源为点声源;
14.在无人机运行过程中基于避障要求设置无人机保护区,运行过程中不允许障碍物进入无人机保护区;设置无人机保护区为球形,同时考虑点声源近似要求设置无人机保护
区范围,使得无人机保护区边界及以外各位置可将无人机噪声源视为无指向性点声源;
15.(22)各位置无人机噪声声压级计算;
16.无指向性点声源几何发散衰减公式表示为:
17.l(r)=l(r0)

20*lg(r/r0)
ꢀꢀ
(1)
18.式中,l(r)表示r位置的噪声声压级,l(r0)表示r0位置的噪声声压级;由于在无人机保护区外可将无人机噪声源视为点声源,且l(r0)及r0可由步骤(1)直接获得,因此距离无人机r位置的噪声声压级可用式(1)计算。
19.进一步的,所述步骤(4)的具体过程如下:
20.(41)基于效率的目标函数设置;
21.针对效率的目标函数表示如下:
[0022][0023]
式中,d表示起终点间距离和中间各航路点高度之和,用以度量无人机运行效率,(x
i
,y
i
,z
i
)表示第i个航路点的空间坐标;
[0024]
(42)基于安全风险的目标函数设置;
[0025]
将安全风险划分为针对地面行人和针对地面车辆两部分,具体目标函数表示如下:
[0026]
min r=r
people
r
car
ꢀꢀ
(3)
[0027]
式中,r表示无人机在当前位置的总风险,r
people
表示无人机坠毁对地面行人的撞击风险评估,r
car
表示无人机坠毁对地面车辆的撞击风险评估;
[0028]
(43)基于城市各功能区噪声限值的约束设置;
[0029]
基于环境噪声要求及所述步骤(2)中得到的距无人机各距离处的噪声声压级,设n(x,y,z)为决策变量,该决策变量判断无人机处于(x,y,z)位置时,是否满足所在功能区以及临近功能区噪声约束:
[0030][0031]
(44)无人机自身性能约束以及避障要求;
[0032]
针对无人机自身性能约束,包括前一航路点到下一航路点无人机飞行高度限值以及水平飞行限制,具体如下:
[0033][0034]
式中,h
min
和h
max
分别表示无人机最小和最大飞行高度,y
min
和y
max
分别表示无人机y方向最小和最大飞行范围,在x方向上认为无人机每一个航路点都向终点处前进一格,z
i
和y
i
分别表示第i个航路点高度方向(z坐标轴方向)和侧向(y坐标轴方向)的值;
[0035]
对于无人机避障要求的约束如下:
[0036]
d
between
>r
protect
ꢀꢀ
(6)
[0037]
式中,d
between
表示无人机与建筑物之间的距离,r
protect
表示设置的无人机球形保护
区半径;
[0038]
由上述得到考虑安全风险与噪声影响的城市无人机多目标路径规划模型,式(2)和式(3)构成目标函数,式(4)、式(5)以及式(6)构成约束条件。
[0039]
进一步地,所述步骤(42)具体包括:
[0040]
(421)无人机对地面行人撞击风险评估;
[0041]
评估不同功能区内对地面行人产生的风险,公式如下:
[0042]
r
people
=λqf
ꢀꢀ
(7)
[0043]
式中,λ表示无人机每小时坠毁概率,q表示受影响人数,f表示与无人机动能相关的致死率,q的计算公式表示为:
[0044]
q=aρ
p
ꢀꢀ
(8)
[0045]
式中,a表示无人机面积,ρ
p
表示坠落区域的人群密度;
[0046]
与无人机动能相关的致死率f计算公式如下:
[0047][0048]
式中,δ为c
s
=0.5时死亡率达到50%所需的撞击能量,ε为c
s
=0时导致死亡所需的撞击能量临界值,c
s
为遮蔽系数,e表示无人机坠毁时的动能;
[0049]
所述无人机坠毁时的动能e由以下公式确定:
[0050][0051]
式中,f
d
表示无人机下落过程中所受阻力,r
i
表示下落系数,ρ
a
为空气密度,v
rel
为无人机下落速度,m表示无人机质量,g为重力加速度,h为无人机运行高度,v为无人机运行速度;
[0052]
(422)无人机对地面车辆撞击风险评估;
[0053]
无人机运行过程中对地面车辆产生的风险通过下式进行评估:
[0054]
r
car
=λcy
ꢀꢀ
(10)
[0055]
式中,c表示无人机坠落后撞击车辆的概率,y为平均每场车祸的死亡率,c通过道路上所有车辆的面积与道路总面积之比来确定,公式如下:
[0056][0057]
式中,是车辆投影面积,n
car
为车辆数,s
road
为道路面积;n
car
=kl,s
road
=ld
road
,l是路长,k是交通流密度,d
road
为宽。
[0058]
进一步地,所述步骤(5)的具体过程如下:
[0059]
(51)设置起点和终点,初始化种群个数、迭代次数以及信息素;
[0060]
(52)将m个智能体放置在起点,开始搜索路径;
[0061]
(53)计算各节点启发值,如下式:
[0062]
η
j
=50/(d
ij
d
end
)
ꢀꢀ
(12)
[0063]
式中,η
j
表示节点j的能见度,d
ij
为节点i和节点j之间的距离,d
end
为节点j到终点之间的距离;
[0064]
(54)确定节点选择策略;
[0065]
可选择的节点范围由式(4)、式(5)以及式(6)确定,根据可选范围内节点的能见度以及信息素确定各可选节点的选择概率,根据轮盘赌的方式确定最终的节点选择,智能体的状态转移概率公式具体如下:
[0066][0067]
式中,表示t时刻智能体k从节点i移动到节点j的概率,η
j
表示节点j的能见度,τ
j
(t)表示t时刻节点j的信息素浓度,allow
k
表示智能体k的可达点集,α,β分别为信息启发因子和期望启发因子,分别表示信息素浓度和能见度在状态转移概率公式中的重要程度;
[0068]
(55)更新各节点信息素浓度。
[0069]
进一步地,所述步骤(55)具体包括:
[0070]
(551)计算非支配解;
[0071]
每次迭代完成后对每个智能体经过的路径在效率和安全风险两个方面进行比较,得到一组非支配解集即当次迭代的pareto解集;
[0072]
(552)基于非支配解更新节点信息素浓度;
[0073]
建立一个外部集合a(t)以存储整个智能体群经过t次迭代后所得到的所有pareto解集,经过一次迭代后根据步骤(551)中得到当次迭代的非支配解集,根据效率的目标函数和安全风险的目标函数将该非支配解集与集合a(t)中的解进行比较,若该非支配解集中存在解相对与集合a(t)中的解不可支配,则该解进入集合a(t)中,并更新节点信息素浓度;
[0074]
将新进入集合a(t)的解与原集合a(t)中解的目标函数最小距离θ(t)作为信息素增量,在计算目标函数最小距离θ(t)时先对两目标函数值进行归一化,之后再计算θ(t)作为信息素增量,θ(t)公式如下:
[0075][0076]
式中,n表示多目标规划的目标总个数,f
i
(x)表示新进入a(t)的解在第i个目标中归一化后的目标函数值,f
i
(x
a
)表示原a(t)中的解在第i个目标中归一化后的目标函数值;
[0077]
信息素更新公式如下:
[0078][0079]
式中,ρ为信息挥发因子。
[0080]
本发明的有益效果:
[0081]
本发明的方法基于城市不同功能区特征(人口密度,噪声限值等),从不同区域安全风险差异和不同功能区噪声限值差异的角度出发,以无人机运行安全和运行效率为目标,着重考虑无人机在城区运行时的噪声约束,从而规划符合城区噪声规范,安全风险较小且效率较高的无人机路径。
[0082]
相较于现有技术,本方法生成的无人机路径对于城市地面的噪声影响更小,符合城市各功能区噪声限值要求,在立足于城市环境的无人机路径规划方面具有实际的工程运用价值。
附图说明
[0083]
图1为本发明方法的流程图。
[0084]
图2为本发明实施例的城市功能区划分图。
[0085]
图3为本发明实施例的城市低空三维仿真图
[0086]
图4为本发明实施例中仅考虑路径最短的3d路径图。
[0087]
图5为本发明实施例中仅考虑路径最短的2d路径图。
[0088]
图6为本发明实施例中仅考虑路径最短的最优适应度曲线图。
[0089]
图7为本发明实施例中仅考虑安全风险的3d路径图。
[0090]
图8为本发明实施例中仅考虑安全风险的2d路径图。
[0091]
图9为本发明实施例中仅考虑安全风险的最优适应度曲线图。
[0092]
图10为本发明实施例中考虑噪声影响和安全风险的3d路径图。
[0093]
图11为本发明实施例中考虑噪声影响和安全风险的2d路径图。
[0094]
图12为本发明实施例中考虑噪声影响和安全风险的非劣解集图。
具体实施方式
[0095]
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
[0096]
参照图1所示,本发明的一种考虑安全风险与噪声影响的城市低空无人机路径规划方法,步骤如下:
[0097]
(1)收集无人机特定飞行高度处的噪声实验数据,选择稳定性强的噪声实验数据作为原始数据;
[0098]
示例中,采集飞行高度10m测得的69db声压级作为原始噪声数据。
[0099]
(2)将无人机噪声源近似为点声源;根据无指向性点声源几何发散衰减公式,使用所述步骤(1)中原始数据计算距无人机不同距离处的噪声声压级;具体如下:
[0100]
(21)近似无人机噪声源为点声源;
[0101]
在无人机运行过程中基于避障要求设置无人机保护区,运行过程中不允许障碍物
进入无人机保护区;设置无人机保护区为球形,同时考虑点声源近似要求设置无人机保护区范围,使得无人机保护区边界及以外各位置可将无人机噪声源视为无指向性点声源;本示例中设置无人机保护区为直径为1m的球形;
[0102]
(22)各位置无人机噪声声压级计算;
[0103]
无指向性点声源几何发散衰减公式表示为:
[0104]
l(r)=l(r0)

20*lg(r/r0)
ꢀꢀ
(1)
[0105]
式中,l(r)表示r位置的噪声声压级,l(r0)表示r0位置的噪声声压级;由于在无人机保护区外可将无人机噪声源视为点声源,且l(r0)及r0可由步骤(1)直接获得,因此距离无人机r位置的噪声声压级可用式(1)计算。
[0106]
(3)划分城市不同功能区(如工业区,商业区等),根据所述城市不同功能区特征(如人口密度,建筑物高度等)建模,针对各功能区设置环境噪声限值,建立城市低空三维空域图并将其栅格化;示例中,城市主要包括4个功能区具体划分如图2所示,搭建的城市三维仿真环境如图3。
[0107]
(4)结合无人机避障要求和各功能区环境噪声限值,构建基于安全风险和噪声影响的多目标路径规划模型;
[0108]
所述步骤(4)的具体过程如下:
[0109]
(41)基于效率的目标函数设置;
[0110]
为确保无人机运行效率,减少无人机运行过程中高度方向上的变化,针对效率的目标函数表示如下:
[0111][0112]
式中,d表示起终点间距离和中间各航路点高度之和,用以度量无人机运行效率,(x
i
,y
i
,z
i
)表示第i个航路点的空间坐标;
[0113]
(42)基于安全风险的目标函数设置;
[0114]
安全风险主要是指无人机坠落对地面行人以及车辆产生的损害,由此将安全风险划分为针对地面行人和针对地面车辆两部分,具体目标函数表示如下:
[0115]
min r=r
people
r
car
ꢀꢀ
(3)
[0116]
式中,r表示无人机在当前位置的总风险,r
people
表示无人机坠毁对地面行人的撞击风险评估,r
car
表示无人机坠毁对地面车辆的撞击风险评估;
[0117]
(43)基于城市各功能区噪声限值的约束设置;
[0118]
由于城市环境的特殊性,无人机在城市低空空域运行时除了应当满足自身性能约束以及避障要求外,还应当满足城市各功能区噪声标准,城市各功能区噪声限值如表1所示:
[0119]
表1
[0120][0121]
其中,0类声环境功能区指康复疗养区等特别需要安静的区域;1类声环境功能区指以居民住宅等为主要功能,需要保持安静的区域;2类声环境功能区指以商业金融为主要功能,需要维护安静的区域;3类声环境功能区是指以工业生产为主要功能,需要防止工业噪声对周围环境产生严重影响的区域。
[0122]
基于环境噪声要求及所述步骤(2)中得到的距无人机各距离处的声压级,设n(x,y,z)为决策变量,该决策变量判断无人机处于(x,y,z)位置时,是否满足所在功能区以及临近功能区噪声约束:
[0123][0124]
考虑噪声对人的影响,认为人平均身高约为1.7m,无人机在高度方向至少距人1m,因此计算无人机当前位置到各区域内高度为3m处的声压级,将计算值与该区域噪声限值比较,以判定是否满足噪声约束。根据步骤(1)、步骤(2)和表2,可得示例中基于各功能区噪声限值的无人机飞行高度要求,见下表2:
[0125]
表2
[0126]
功能区噪声限值(db)飞行高度要求(m)工业区6515商业区6025居民区5545疗养区5075
[0127]
(44)无人机自身性能约束以及避障要求;
[0128]
针对无人机自身性能约束,包括前一航路点到下一航路点无人机飞行高度限值以及水平飞行限制,具体如下:
[0129][0130]
式中,h
min
和h
max
分别表示无人机最小和最大飞行高度,y
min
和y
max
分别表示无人机y方向最小和最大飞行范围,在x方向上认为无人机每一个航路点都向终点处前进一格,z
i
和y
i
分别表示第i个航路点高度方向(z坐标轴方向)和侧向(y坐标轴方向)的值;
[0131]
对于无人机避障要求的约束如下:
[0132]
d
between
>r
protect
(6)
[0133]
式中,d
between
表示无人机与建筑物之间的距离,r
protect
表示设置的无人机球形保护
区半径;
[0134]
由上述得到考虑安全风险与噪声影响的城市无人机多目标路径规划模型,式(2)和式(3)构成目标函数,式(4)、式(5)以及式(6)构成约束条件。
[0135]
更进一步地,所述步骤(42)具体包括:
[0136]
(421)无人机对地面行人撞击风险评估;
[0137]
由于城市环境不同功能区特征的差异,如各功能区人口密度,遮蔽系数等方面不同,无人机应当根据不同的运行区域对地面行人产生的风险进行评估,公式如下:
[0138]
r
people
=λqf
ꢀꢀ
(7)
[0139]
式中,λ表示无人机每小时坠毁概率,q表示受影响人数,f表示与无人机动能相关的致死率,q的计算公式表示为:
[0140]
q=aρ
p
ꢀꢀ
(8)
[0141]
式中,a表示无人机面积,ρ
p
表示坠落区域的人群密度;示例中,ρ
p
为集合包括4个功能区的人口密度,无人机每次选择航路点后需要先判断自身所处功能区,再进行风险评估;
[0142]
与无人机动能相关的致死率f计算公式如下:
[0143][0144]
式中,δ为c
s
=0.5时死亡率达到50%所需的撞击能量,ε为c
s
=0时导致死亡所需的撞击能量临界值,c
s
为遮蔽系数,e表示无人机坠毁时的动能;表3为遮蔽系数,如下:
[0145]
表3
[0146]
c
s
遮蔽物0无障碍物0.25树木0.5树木及低矮建筑0.75高楼1工业区
[0147]
所述无人机坠毁时的动能e由以下公式确定:
[0148][0149]
式中,f
d
表示无人机下落过程中所受阻力,r
i
表示下落系数,ρ
a
为空气密度,v
rel
为无人机下落速度,m表示无人机质量,g为重力加速度,h为无人机运行高度,v为无人机运行速度;
[0150]
(422)无人机对地面车辆撞击风险评估;
[0151]
无人机运行过程中对地面车辆产生的风险通过下式进行评估:
[0152]
r
car
=λcy
ꢀꢀ
(10)
[0153]
式中,c表示无人机坠落后撞击车辆的概率,y为平均每场车祸的死亡率,c通过道路上所有车辆的面积与道路总面积之比来确定,公式如下:
[0154][0155]
式中,是车辆投影面积,n
car
为车辆数,s
road
为道路面积;n
car
=kl,s
road
=ld
road
,l是路长,k是交通流密度,d
road
为宽。
[0156]
(5)基于多目标蚁群算法,求解所述步骤(4)中建立的多目标规划模型,得到一组pareto解集;具体过程如下:
[0157]
(51)设置起点和终点,初始化种群个数、迭代次数以及信息素;
[0158]
(52)将m个智能体放置在起点,开始搜索路径;
[0159]
(53)计算各节点启发值,如下式:
[0160]
η
j
=50/(d
ij
d
end
)
ꢀꢀ
(12)
[0161]
式中,η
j
表示节点j的能见度,d
ij
为节点i和节点j之间的距离,d
end
为节点j到终点之间的距离;
[0162]
(54)确定节点选择策略;
[0163]
可选择的节点范围由式(4)、式(5)以及式(6)确定,根据可选范围内节点的能见度以及信息素确定各可选节点的选择概率,根据轮盘赌的方式确定最终的节点选择,智能体的状态转移概率公式具体如下:
[0164][0165]
式中,表示t时刻智能体k从节点i移动到节点j的概率,η
j
表示节点j的能见度,τ
j
(t)表示t时刻节点j的信息素浓度,allow
k
表示智能体k的可达点集,α,β分别为信息启发因子和期望启发因子,分别表示信息素浓度和能见度在状态转移概率公式中的重要程度;
[0166]
(55)更新各节点信息素浓度;
[0167]
(551)计算非支配解;
[0168]
每次迭代完成后对每个智能体经过的路径在效率和安全风险两个方面进行比较,得到一组非支配解集即当次迭代的pareto解集;
[0169]
(552)基于非支配解更新节点信息素浓度;
[0170]
建立一个外部集合a(t)以存储整个智能体群经过t次迭代后所得到的所有pareto解集,经过一次迭代后根据步骤(551)中得到当次迭代的非支配解集,根据效率的目标函数和安全风险的目标函数将该非支配解集与集合a(t)中的解进行比较,若该非支配解集中存在解相对与集合a(t)中的解不可支配,则该解进入集合a(t)中,并更新节点信息素浓度;
[0171]
将新进入集合a(t)的解与原集合a(t)中解的目标函数最小距离θ(t)作为信息素增量,在计算目标函数最小距离θ(t)时先对两目标函数值进行归一化,之后再计算θ(t)作为信息素增量,θ(t)公式如下:
[0172][0173]
式中,n表示多目标规划的目标总个数,f
i
(x)表示新进入a(t)的解在第i个目标中归一化后的目标函数值,f
i
(x
a
)表示原a(t)中的解在第i个目标中归一化后的目标函数值;
[0174]
信息素更新公式如下:
[0175][0176]
式中,ρ为信息挥发因子。
[0177]
示例中,模型参数以及多目标蚁群算法参数见表4,表5。
[0178]
表4
[0179][0180]
表5
[0181]
参数取值α0.8β0.2ncmax100ρ0.2popnumber50
[0182]
其中,ρ
p
四个值分别表示工业区、商业区、居民区和疗养区四个功能区不同的人口密度,c
s
四个值分别表示工业区、商业区、居民区和疗养区四个功能区不同的遮蔽系数,ncmax为多目标蚁群算法的最大迭代次数,popnumber为智能体个数。
[0183]
按照上述示例提出的方法可得一组帕累托解集,该组帕累托解集即为多目标规划下无人机的一组非支配路径解集见图10和图11,帕累托解分布见图12。
[0184]
路径性能对比:
[0185]
为验证本发明方法所得路径更符合城市无人机运行要求,将本发明方法得到的路径与基于最短路径得到的路径和基于安全风险最小得到路径进行对比,主要指标包括对城
市产生的噪声影响,路径长度以及安全风险,具体结果见表6:
[0186]
表6
[0187][0188]
表6中的噪声影响是将各航路点对垂直地面处的声压级进行平均所得,在表中仅考虑最短路原则得到的路径不仅安全风险大且其噪声影响达到78.1731db远大于现行城市《声环境质量标准》,由此可见仅从该角度考虑得到的路径难以适用于城市环境;仅考虑安全风险得到的路径其噪声影响也较大,其平均声压级已经超过工业区的噪声限值,由此可见其中必然有部分航路点对行人的噪声影响超过了现行标准,因此该路径也不适合城市环境;而本发明方法由于使用多目标规划,因此得到了一组帕累托解,可见该组解安全风险较低且平均声压级在55db左右噪声影响较低,并且在规划过程中考虑了功能区噪声限值,因此各航路点对行人的噪声影响都满足现行噪声标准,故本发明方法得到的路径在城市环境中的适用性更优。
[0189]
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
转载请注明原文地址:https://win.8miu.com/read-50142.html

最新回复(0)