Диссертация (1025035), страница 7

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 7)

Анализ алгоритмов планирования глобального маршрута на основе МА,отслеживания траектории на основе метода «L1» и ОП выявил, что традиционныйМА трудно использовать для планирования глобального пространственногомаршрута в режиме реального времени, стратегия выбора точки маршрута вкачестве опорной точки является очень важной для точного отслеживанияспланированного маршрута, существующие алгоритмы ОП трудно применять в45трѐхмерной динамической среде в режиме реального времени для облетаразличных препятствий.4. ПрирассмотрениинавигационнойсистемыБПЛАустановленавозможность использования БИНС, СНС, ВНС, барометрического высотомера ирадиовысотомера в КНС для обеспечения точности навигационной информацииквадрокоптера. Анализ ВНС на основе алгоритма EKF-SLAM показывает, чтонедостатком этого алгоритма является значительный рост объема необходимыхвычислений с увеличением числа наблюдаемых ориентиров.46ГЛАВА 2.

РАЗРАБОТКА СИСТЕМЫ УПРАВЛЕНИЯ ПОЛЕТОМКВАДРОКОПТЕРА С ВОЗМОЖНОСТЬЮ ОБЛЕТА ПРЕПЯТСТВИЙ ВСЛОЖНОЙ СРЕДЕСуществующие системы углового управления полѐтом квадрокоптера иалгоритмы планирования маршрута, отслеживания маршрута и ОП, приведенныев главе 1, достаточно хорошо проработаны для применения в детерминированнойи статической среде. Но для расширения области применения рабочая средаполета квадрокоптера должна становиться все более сложной.2.1. Общая структура автономной системыуправления полѐтом квадрокоптераРезультатыпроведенногоанализасуществующихметодоврешенияпоставленных задач, частично отраженные в предыдущей главе, позволяют сделатьвывод, что при помощи представленных в литературе и в известных разработкахметодов трудно достичь автономного полѐта квадрокоптера.

Таким образом, вданной работе возникла необходимость разработки алгоритмов, позволяющихуспешно решить поставленные задачи, и использовать эти алгоритмы в автономнойсистеме управления полѐтом квадрокоптера, которая имеет общую структуру,показанную на Рис. 2.1.47Рис. 2.1. Структура системы автоматического управления квадрокоптераНа Рис. 2.1 показана общая схема структуры автономной системы управления,в которой можно выделить два основные части. Первая часть - системаавтоматического управления (САУ) полетом квадрокоптера с планированиеммаршрута в сложной среде. Вторая часть - КНС. Цветными рамками на даннойсхеме обведены те задачи, для решения которых в работе предложены новые илиулучшенные алгоритмы.В этой главе мы концентрируем внимание на первой части структуры системыуправления, которая включает алгоритм планирования глобального маршрута наоснове облачно-точечной карты и улучшенного муравьиного алгоритма, алгоритмотслеживания маршрута на основе улучшенного метода « L1 » с адаптивнымвыбором опорной точки, новый простой алгоритм ОП на основе управленияповоротом вектора скорости полѐта и многорежимный алгоритм стабилизацииполѐта квадрокоптера.2.2.

Алгоритм планирования глобального маршрута на основеоблачно-точечной карты и улучшенного муравьиного алгоритмаВ данной главе предлагаем улучшенный муравьиный алгоритм для решениязадач планирования глобального пространственного маршрута для квадрокоптера втрѐхмерной среде в режиме реального времени.482.2.1. Облачно-точечная поисковая карта маршрутаПервый шаг планирования глобального маршрута представляет собойсоздание карты среды.

В настоящее время существует много способовпредставления информации о среде, например: методом сеток; вероятностнойдорожной карты [61]; графика видимости [107]; диаграммы Вороного [84] и др.Эти методы имеют свои преимущества и недостатки.В реальности формы препятствий являются нерегулярным, из-за чего трудноточно определить, сколько элементов сетки занимают препятствия. Кроме того,когда на карте существует много местных сеток, матрица смежности будетслишком большой, из-за чего значительно снижается скорость алгоритма иневозможна работа в реальном времени. Для решения этих проблем в настоящейработе предлагается новый способ представления информации о среде на основедискретной облачно-точечной карты.Сначала нужно создать модели среды и модели препятствий. Препятствиямогут иметь разные формы и размеры. Для упрощения расчѐта и моделированияпредлагается в качестве модели любых неподвижных препятствий брать круги (втрѐхмерной среде – цилиндры, а для подвижных препятствий – сферы),описывающие реальную форму соответствующих препятствий.

Такие моделипрепятствий показаны на Рис. 2.2.Рис. 2.2. Модели препятствийСтруктуранеподвижного(НПП)иподвижного(ПП)препятствияопределяется следующим образом:НПП  Oobs , Robs , hobs ,Vobs  ; ПП  Oobs , Robs ,Vobs  ,49где Oobs , Robs , hobs ,Vobs  координаты центра, радиус, высота и скорость движенияпрепятствия.Облачно-точечная карта разбивается на несколько кольцевых безопасных иопасных зон, в соответствии с положением и размерами препятствий, сравномерным расположением точек сетки в опасных зонах, как показано на Рис.S2，S3  безопасные зоны; D1，D 2 2.3, где B1，B2，B3  препятствия; S1，опасные зоны; O  позиция робота; G  целевая точка; P1  P2  P3  G один из возможных маршрутов без столкновений.Рис.

2.3. Облачно-точечная картаСтруктура облачно-точечной карты определяется следующим образом:Карта  O, G, B, S , D, P,где B  препятствия; S  безопасные зоны; D  опасные зоны; P  точкипоиска возможных маршрутов.2.2.2. Разработка улучшенного муравьиного алгоритмадля глобального планированияДля препятствий произвольной формы, среди которых могут оказатьсяневыпуклыефигуры,возможнылокальныеминимумы,соответствующиетупиковым путям. Если математические модели препятствий выбирать в виде50выпуклых функций, то локальные минимумы практически исключаются, ноувеличивается число возможных маршрутов, в результате чего увеличиваетсявремя выполнения алгоритма. Кроме того, матрицы смежности традиционногомуравьиного алгоритма являются слишком большими, в результате чегозначительно снижается скорость алгоритма.Улучшения традиционного муравьиного алгоритма включают:– Построениеновойфункциивероятностиперехода,позволяющейуменьшить рассматриваемое число путей:      d  ij ig ij ij , j  Sk , s  Sm Dm    pijm    isigis dis s 10 , Dm  0(2.1)где ij – величина, обратная величине угла jig ; d ij – величина, обратная длинедуги ij ;  ,  – параметр влияния.В новой функции вероятности перехода были добавлены два привлекающихфактора и их параметры влияния, чтобы быстрее найти кратчайший путь, какпоказано на Рис.

2.4, где точка i – текущая точка; g – целевая точка; j, j1, j2 –точки с возможностью прохода.Рис. 2.4. Выбор маршрутов с разной вероятностьюДля традиционного муравьиного алгоритма точки j, j1, j2 имеют одинаковыевероятности прохода. Если добавим привлекающий фактор в виде величины,обратной величине угла  1   2  в функцию вероятности перехода, то вероятность51прохода от точки O на точку j и j1 станет больше, чем вероятность прохода отточки O на точку j2 . Если добавим привлекающий фактор, обратный длине дугиd (dij  dij1 ) в функцию вероятности перехода, то вероятность прохода от точки Oна точку j станет больше, чем вероятность прохода от точки O на точку j1 .Таким образом, можем найти точку с самой высокой вероятностью прохода.– Устранение ограничения длины поиска на каждом шаге: от текущей точкиможно перейти к любой точке, которая не находится в запрещенной области, какпоказано на Рис. 2.5 красными линиями, а не только к соседним в сетке.Рис.

2.5. Поиск маршрута. Синий маршрут – традиционного алгоритма;красный маршрут – улучшенного алгоритмаВидно, что количество проходимых точек поиска значительно снижается, чтопозволит значительно повысить скорость расчѐта алгоритма планирования.– Уменьшение размера матрицы смежности: при вычислении вероятностиперехода определяем следующую точку перехода и рассчитываем матрицысмежности только для проходимых точек.

Если в карте поиска существуетM точек поиска и среди них N точек находится за пределами препятствий, торазмер смежности можно записать следующим образом:QT  M  MQ  k m n  M  N  Y   iji 1 j 1(2.2)где QT – размер смежности традиционного алгоритма; QY – улучшенногоалгоритма; nij – количество проходимых точек j-ого муравья в i-ой итерации; k –количество итераций; m – количество муравьѐв.52Итак, QY  QT , что позволяет эффективно улучшить скорость вычисленияалгоритма.Определим область наблюдения перед препятствием и запрещенную областьперехода для каждой j-ой точки:Scope _ Pj obs  numPj _ scopei , Pj _ fob   Pj _ fobii 1i 1obs num(2.3)где obs  num – количество препятствий; Pj – точка маршрута, Pj _ scopei иPj _ scopei- области (сектора) наблюдения и запрещѐнные области i-гопрепятствия.Обозначим буквой O – начальную точку, буквой G – целевую.Алгоритм избегания препятствий в режиме реального времени состоит вследующем:– Если вектор OG не в секторе наблюдения перед препятствием Scope _ O ,то не надо создавать облачно-точечную карту, так как робот может двигатьсянепосредственно от текущей позиции в целевую точку, как показано на Рис.2.6 (а).– Если вектор PjG входит в область Scope _ Pj , то робот движется оттекущей позиции в точку Pj 1 , которая имеет наибольшую вероятность переходаи не находится в области Pj _ fob .– Если вектор PG входит в область Scope _ P , то остановить поискмаршрута, то есть робот может двигаться непосредственно из текущей позиции вцелевую точку, как показано на Рис.

2.6 (б) для точки Р2.53Рис. 2.6. Стратегия избегания препятствийРаботоспособность алгоритма проверялась моделированием планированиямаршрута в среде Matlab. В области моделирования существуют четырепрепятствия с разными радиусами; G – целевая точка; O – начальная точка.Чтобыпроиллюстрироватьпреимуществапредлагаемогоулучшенногомуравьиного алгоритма (УМА), сравним результаты планирования маршрута сиспользованием традиционного муравьиного алгоритма (ТМА). Результатымоделирования показаны на Рис. 2.7.1010G866442200O021046а) ТМА, L=2801010G864422246б) ТМА, L=1810G0O0O860G8246в) УМА, L=28100O 246г) УМА, L=1810Рис. 2.7. Результаты моделирования планирования маршрута54На рис.

2.7 точки со звездами – точки поиска маршрута; рисунки 2.7 (а) и2.7 (в) – результаты при расстоянии между кругами «сетки» L  2 ; (б) и (г) –результаты при расстоянии между кругами «сетки» L  1 ; толстые сплошныелинии – результаты планирования маршрута при числе итераций N  20 ;толстые пунктирные линии – результаты планирования маршрута при числеитераций N  3 . Количественные результаты приведены в Таблице 2.1.Сравнение результатов моделирования в Таблице 3 показывает, чтопредложенный алгоритм работоспособен и работает быстрее, чем традиционныйалгоритм; спланированный маршрут обходит все препятствия; длина маршрута ивремя вычисления зависят от числа итераций, количества точек маршрута поискаи числа шагов поиска.Таблица 3.Сравнение результатов моделированияТМАУМАДлинаЧисло шаговВремямаршрута (м)поискавычисления (с)L  1; N  314,023123,215L  1; N  2012,265113,852L  2; N  313,57652,758L  2; N  2012,59853,035L  1; N  313,89241,254L  1; N  2010,77021,264L  2; N  313,62131,035L  2; N  2010,77021,1362.3.

Характеристики

Список файлов диссертации