1、引用格式：孙淑光，党杉 基于遗传算法的无人机最优避撞路径研究 电光与控制，（）：，（）：基于遗传算法的无人机最优避撞路径研究孙淑光，党 杉（中国民航大学电子信息与自动化学院，天津）摘 要：针对无人机数量急剧增多、碰撞风险急剧增加的问题，借助广播式自动相关监视系统（）提供的位置、速度信息进行碰撞风险监测，利用遗传算法实现无人机的自主避撞及避撞路径寻优。避撞策略综合考虑无人机性能约束、参数的可信度及无人机飞行环境，构建多约束参量的适应度函数，进行多维度的最优避撞路径计算。针对双机和多机避撞情况，进行无人机避撞仿真，仿真结果表明，遗传算法可以在实现无人机自主避撞的同时有效优化避撞路径。关键词：无人机
2、；自主避撞；遗传算法；中图分类号：文献标志码：，（，）：，（），：；引言无人机以其灵活性高、尺寸小和重量轻等优势在军民两个领域均得到广泛应用，但这也同时导致无人机间的碰撞风险大大增加。根据美国国会报告，无人机发生碰撞的概率是有人机的 倍；截至 年底，我国无人机的数量已增至 万架，飞行密度日益增大，迫切需要无人机具备快速有效的自主避撞功能，实现空中自由飞行安全。收稿日期：修回日期：基金项目：工业和信息化部科技项目（）作者简介：孙淑光（），女，山东莱阳人，硕士，教授。通讯作者：党 杉（），女，河北秦皇岛人，硕士生。目前，大多数民用航空飞机和部分通航飞机都装有 系统，该系统能够以每秒 次的频度实时广
3、播飞机的航向、位置和速度等信息，这可为无人机的自主避撞提供足够的实时数据信息，避免无人机间的冲突碰撞，利用 系统为无人机自主避撞提供所需信息成为一种趋势。利用 数据实时获得无人机水平方向和垂直方向的相对距离，与无人机安全间隔标准相对比，当本机通过采取措施使无人机间相对距离由小于间隔标准转变为大于间隔标准时，无人机自主避撞完成，由此可选出所有无人机的可避撞路径。对于避撞路径的择优，常用的优化算法有势能法、蚁群算法以及遗传算法等。势能法不考虑无人机解脱 第 卷 第 期 年 月 电 光 与 控 制 孙淑光等：基于遗传算法的无人机最优避撞路径研究航迹的长度与燃油消耗等因素，可能规划出不切合实际的飞行航
4、迹；蚁群算法的择优需要在初始种群中列出全部避撞路径，用于无人机避撞所需的初始种群太大、计算量大，会影响避撞策略产生的实时性；而遗传算法利用变异算子和交叉算子，可扩展出更多避撞路径，使避撞路径的优化更具全局性，在无人机避撞择优中具有更好的效果。无人机避撞方案及避撞模型 无人机避撞方案基于 信息的无人机避撞方案中，首先利用入侵机 设备广播的速度和位置信息，与本机的位置及运动信息相比较，进行碰撞冲突风险检测，针对有冲突威胁的情况利用遗传算法进行避撞路径寻优，确保飞行安全。无人机避撞模型首先将 广播的位置信息转换为以本机为坐标原点的平面直角坐标系中，再分别在水平面及高度方向进行机间冲突检测及避撞策略选
5、择。保护区域的设定与机动约束条件无人机间的碰撞冲突利用二者的冲突最接近点时间 来定义，为水平面内入侵机到达与本机相遇点的时间，即（）（）（）式中：和 分别为相邻时间内两架无人机之间的相对距离；和 分别为相邻时间内两架无人机的方位角。图 为水平面内两机的飞行示意图。图 水平面内两机的飞行轨迹 根据美国联邦航空管理局规定，无人机安全的间隔是以无人机为中心、水平半径为 、垂直方向为 的圆柱体空间。因此设定无人机最小水平安全间隔为 ，最小垂直安全间隔 。根据无人机的常规尺寸，设置 ，即当两架无人机之间的 时，表示两机发生碰撞。根据关于促进通用航空发展的指导意见提出的低空空域为 以下及无人机常规尺寸的约
6、束，设定无人机最大飞行高度为，最大飞行速度为 ，最大转弯角度为。通常无人机的高度越高，飞行速度越快，避撞机动时惯性速度所带来的沿原航径滑过的距离越远，需要更长的避撞缓冲时间。根据无人机性能、空域规定等相关约束，且考虑 数据的精确度和完整性等级的影响，定义无人机存在冲突需立即启动避撞策略的最接近点时间满足下列条件 （）式中，为飞行高度。无人机冲突避撞的优化路线应满足：）不会与其他飞机发生碰撞冲突；）该路径为避撞路线中距终点最近的路径；）无人机避撞机动满足自身性能约束条件。避撞机动模式避撞机动包括水平机动和垂直机动。水平机动包括左转、右转、加速飞行、减速飞行和维持不变 种，垂直机动包括爬升和下降
7、种。无人机可以采用单一避撞机动，也可采用组合避撞机动。相较利用最接近点时间进行两两避撞的冲突解脱策略，本文综合考虑多机碰撞危险及空域约束，利用避撞路径长度和碰撞风险计算适应度值，实现碰撞风险和避撞路径两指标的共同优化。基于遗传算法的避撞策略遗传算法是模拟生物自然选择规律的一种全局优化概率搜索算法，从初始种群出发，按一定的适应度函数对每一个体进行评价，利用遗传算子，不断进化问题的解，直至产生最优解。无人机避撞策略算法中，设置初始种群数，每个个体对应一条可能的避撞路径，该路径中允许 次避撞机动。对可能的避撞机动模式进行二进制编码，共计 种模式。根据相应的避撞机动模式，逐次计算避撞机动后的相对位置关
8、系，最终确定本机的避撞路径。适应度函数适应度函数用于评价遗传算法所求解的质量好坏，适应度函数值越大，所求解越优。考虑繁忙空域单一避撞策略可能导致多机间的多米诺效应问题，本文需要综合考虑避撞路径对周围其他飞机的碰撞风险，进行归一化处理，作为遗传算法适应度函数的一部分。选取最高飞行高度 对应的最大接近点时间 作为时间归一化基准，定义碰撞风险为最接近点时间 与 的比值，即 （）第 期式中：为本机与其他无人机的最接近点时间；为其他无人机的数量。本机在避撞过程中的飞行路径长度即无人机在不发生碰撞冲突情况下飞行路径总长度为 （）（）（）（）式中：为无人机避撞机动的次数；（，）为避撞机动前本机位置；（，）为
9、避撞机动后本机位置。对避撞路径长度归一化 。（）综合上述因素，选取遗传算法的适应度函数 （）满足无人机约束条件下避撞其他（）式中，为权重系数。遗传操作遗传操作是通过选择、交叉和变异算子来实现的，而交叉算子和变异算子可能会使原本已经实现避撞的路径不再满足避撞条件，故交叉和变异之后要重新判断是否达到了避撞效果并重新计算新种群的适应度函数值，以选择最优路径。选择轮盘赌法的选择算子、单点交叉的交叉算子以及基本位变异的变异算子对无人机进行自主避撞计算。无人机最优避撞路径仿真 双机避撞仿真双机避撞中，适应度函数式（）中参数 ，为随机选取的大于最大避撞路径长度的固定值，计算随进化代数改进的适应度值。以本机起
10、始位置为坐标原点，假设通过 数据转化后的入侵机位置为（，），单位为，本机航向为 ，本机速度 ，入侵机速度 ，。此时两无人机水平最小距离 ，最接近点时间 ，且在水平面达到最接近点位置时的垂直距离 ，若本机和入侵机都按照原飞行状态飞行，两无人机存在碰撞危险，需要进行无人机避撞。图 为两机的预期飞行轨迹示意图。利用遗传算法将无人机按照水平方向加减速、转弯角度以及垂直方向加减速 种模式进行避撞计算，综合评估不同方案的适应度值和避撞机动次数，进而选出最优方案。表 为不同水平加速避撞方案条件下最优适应度值所对应的无人机避撞机动次数。由表 可见，避撞机动次数在不同加速度避撞情况下差异不大，但水平加速度为 时
11、可得到最大适应度值，由此水平加减速避撞的优选方案为以 的加速度加速飞行。图 预期飞行轨迹 表 不同水平加速度避撞方案的适应度值及避撞机动次数 水平加速度（）最大适应度值 避撞机动次数 转弯避撞方案的仿真结果如表 所示。表 不同转弯角度避撞方案的适应度值及避撞机动次数 转弯角度（）最大适应度值 避撞机动次数 由表 可知，虽然转弯角度在时可得到最大适应度值，但与转弯角度为时适应度值相差不大；但转弯角度时的避撞机动次数明显少于转弯角度时，仅需次。这种情况下，最优避撞方案选择转弯角度方案。垂直方向加减速避撞方案的仿真结果如表 所示。表 不同垂直加速度避撞方案的适应度值及避撞机动次数 垂直加速度（）最大
12、适应度值 避撞机动次数第 卷电 光 与 控 制孙淑光等：基于遗传算法的无人机最优避撞路径研究 综合比较表 的数据，垂直加减速最佳避撞方案为 。综合考虑避撞策略选择右转弯是最佳方案，此时的适应度值为 。相较随机选择避撞参数的平均适应度值 ，通过避撞参数变换择优的方法，将适应度值提高了。图（）和图（）分别为相应避撞策略前、后无人机在水平和垂直方向的飞行轨迹，可以看出，本机改变了水平飞行轨迹，垂直方向保持不变，与避撞策略结果一致。图 两机避撞前、后的飞行轨迹 图 所示为在最优避撞策略条件下的最接近点时间变化曲线。图 两机最接近点时间变化曲线 由图 可知，无人机从 点开始避撞，到达 点后避撞完成，最接
13、近点时间逐渐增大，点为无人机由相向飞行转为相背飞行的临界点，随着无人机的渐行渐远，最接近点时间逐渐变大。整个过程中，最接近点时间一直大于碰撞时限，说明无人机确实避开了碰撞危险。机避撞仿真多架无人机的情况下，需要根据碰撞风险及距离进行综合评估。机避撞中，为可选择避撞路径的最大长度。以 机为例，在平面直角坐标系中第 机的初始位置为（，），单位为，速度 ，入侵机的位置与速度信息同两机避撞仿真时保持一致，多次运行可得到最优适应度值最终稳定在 处。图（）和图（）分别为相应避撞策略前、后 架无人机在水平和垂直方向的飞行轨迹，可以看出，本机改变了水平飞行轨迹，垂直方向保持不变。通过本机的避撞机动，本机、入侵
14、机和第 机的飞行轨迹逐渐远离，同样避开了碰撞危险。图 机避撞前、后的飞行轨迹 结束语本文利用 提供的入侵机位置速度信息，依据无人机性能约束及相关标准要求，对于有碰撞风险的无人机进行实时避撞，在综合考虑不同避撞方案的基础上，利用遗传算法选择最优避撞路径。对 架无人机和多架无人机之间的避撞分别进行仿真分析。对于 架无人机，避撞的任务即为在无人机实现避撞的前提下，本机的飞行路径最短；对于多架无人机，避撞的任务则是在无人机实现避撞的前提下，综合考虑本机的飞行路径长度以及无人机碰撞风险，使二者共同达到最优，若存在多个不同程度的碰撞风险，则选取碰撞风险最大的无人机组进行无人机避撞仿真，从而实现多无人机的自
15、主避撞。架无人机和 架无人机的避撞仿真结果表明：针对不同冲突数量的无人机飞行场景，遗传算法都能 第 期够实现避撞路径的择优处理，且通过多机间的碰撞风险约束，可降低无人机机动后的连锁碰撞风险。参 考 文 献 ，（）：张思远，李仙颖，沈笑云 基于 的冲突预测与多机无冲突航迹规划 系统仿真学报，（）：，：，：蓝丹，樊东红，陈强，等 改进的蚁群算法在智能车辆路径规划中的运用 组合机床与自动化加工技术，（）：，揭东，汤新民，李博，等 无人机冲突探测及解脱策略关键技术研究 武汉理工大学学报（交通科学与工程版），（）：袁文 多无人机编队飞行与冲突规避方法研究 长沙：国防科技大学，樊邦奎，李云，张瑞雨 浅析低
16、空智联网与无人机产业应用 地理科学进展，（）：谷润平，吕智鸿，魏志强 多跑道独立进近中的 告警风险仿真与分析 飞行力学，（）：程擎 延迟时间计算方法的可行性分析 计算机应用，（）：，（）：韩铖，张彦军 基于遗传算法的四旋翼飞行器最优控制 电光与控制，（）：（上接第 页）马宇，蔡远利 基于非线性干扰观测器的高超声速飞行器离线预测控制方法 固体火箭技术，（）：，（）：高海燕，蔡远利，马宇 高超声速飞行器的离线双模预测控制方法 固体火箭技术，（）：，（）：郑军，颜文俊，诸静 基于小波基函数的预测函数控制 控制与决策，（）：刘春波，王鲜芳，章瑶，等 基于小波基函数和 模型的预测函数控制 系统工程与电子技术，（）：侯宁，费树岷，周磊 基于小波函数的预测函数控制方法研究 西南大学学报（自然科学版），（）：，：，：，（）：，（）：（上接第 页）彭求志 基于混合算法的无人机路径规划 芜湖：安徽工程大学，杨周，刘海滨 基于改进蚁群与动态窗口法的 动态路径规划 计算机工程与应用，（）：张志文，张鹏，毛虎平，等 融合改进 算法和动态窗口法的全局动态路径规划 电光与控制，（）：何仁珂，魏瑞轩，张启瑞，等 基于
