一种基于边缘计算的无人机集群轨迹规划方法及系统

1.本发明涉及无人机路径规划技术领域，特别是涉及一种基于边缘计算的无人机集群轨迹规划方法及系统。


背景技术：

2.无人机轨迹规划是指在给定起始点和目标点的情况下，计算出无人机在3d空间中飞行的最佳路径，以达到预定的任务目标。在无人机的应用中，轨迹规划是非常重要的，因为它能够帮助无人机自主地完成各种任务，如巡逻、物流、监控、救援等。
3.在无人机轨迹规划中，有两个重点问题，单一无人机的轨迹规划和多无人机的轨迹规划。
4.在单一无人机轨迹规划方面，常见的无人机轨迹规划算法包括基于优化、基于搜索和基于学习等方法。基于优化的方法通常将轨迹规划问题转化为一个数学优化问题，并使用优化算法来求最优解。这些方法可以通过定义适当的代价函数，将任务目标转化为优化目标，然后利用数学优化算法求解最优解。这些方法的优点是可以保证求解的全局最优解，但是计算量较大，效率较低。基于搜索的方法（如，rrt，遗传算法等）则通常是通过在搜索空间中寻找最优路径来解决问题。这类方法通常需要定义一个启发式函数来指导搜索过程，以便更快地找到最优解。这些方法的优点是可以在较短的时间内找到较好的解，但是不能保证找到全局最优解。基于学习的方法则是利用机器学习算法来学习无人机的轨迹规划策略。这些方法通常需要大量的训练数据，训练时间长。由于神经网络不确定性，在实际应用中受到很大阻碍。
5.在多无人机轨迹规划中，根据计算和控制方式的不同，方法可以分为集中式方法和分布式方法。集中式方法采用中心化控制器完成整个规划计算。这些算法以全局最优为目标，计算复杂度高，同时，需要无人机不断将自身状态和环境信息上传至中心节点，并接收中心节点下达的控制指令，对通信带宽提出较高要求，不易扩展到大规模无人机群。虽然计算效率较低，但可保证全局最优解和无人机之间的协同避障。分布式方法由每个无人机独立完成自己的规划计算。每个无人机根据自身状态和环境信息生成自己的轨迹，并通过通信协调相邻无人机，实现无人机群的协同飞行。分布式方法计算复杂度低，易扩展到大规模无人机群，但由于每个无人机仅根据局部信息进行规划，难以保证全局最优和无人机之间高质量的协同避障。
6.在目前的无人机集群路径规划算法中，存在以下显著问题。其一是计算资源消耗大，无人机集群规模较大时，集中式方法需要处理大量无人机和环境信息，计算量极大，难以在有限时间内求解出优质解。其二是无人机通讯对带宽的要求高，无论是集中式还是分布式的算法，在频繁和中心节点或其他无人机交换信息时，需要依赖较高通信带宽保证信息交换的实时性。其三是在复杂环境下难以找到最优路径，当环境空间复杂或存在大量障碍物时，要找到安全且最优的无人机集群路径是一件非常困难的事情，容易陷入局部最优。


技术实现要素：

7.本发明的目的是提供一种基于边缘计算的无人机集群轨迹规划方法及系统，降低能耗同时提高求解速度。
8.为实现上述目的，本发明提供了如下方案：
9.一种基于边缘计算的无人机集群轨迹规划方法，包括：
10.构建无人机运动的动力学方程；
11.根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束；
12.根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束；
13.将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型；
14.将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚；
15.基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述无人机集群中各无人机通过广播与共享机制进行信息共享。
16.本发明还公开了一种基于边缘计算的无人机集群轨迹规划系统，包括：
17.动力学方程构建模块，用于构建无人机运动的动力学方程；
18.可行域约束构建模块，用于根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束；
19.耦合碰撞约束构建模块，用于根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束；
20.能量消耗模型构建模块，用于将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型；
21.目标函数构建模块，用于将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚；
22.求解模块，用于基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述无人机集群中各无人机通过广播与共享机制进行信息共享。
23.根据本发明提供的具体实施例，本发明公开了以下技术效果：
24.本发明利用无人机的边缘算力进行轨迹优化，能够降低能耗同时提高求解速度，目标函数中加入了第一罚函数项和第二罚函数项，提高了求解速度和求解成功率。
附图说明
25.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施
例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
26.图1为本发明实施例提供的一种基于边缘计算的无人机集群轨迹规划方法流程示意图；
27.图2为本发明实施例提供的无人机模型示意图；
28.图3为本发明实施例提供的一种基于边缘计算的无人机集群轨迹规划系统结构示意图。
具体实施方式
29.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
30.本发明的目的是提供一种基于边缘计算的无人机集群轨迹规划方法及系统，降低能耗同时提高求解速度。
31.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
32.实施例1提供了一种基于边缘计算的无人机集群轨迹规划方法。
33.如图1所示，一种基于边缘计算的无人机集群轨迹规划方法包括如下步骤。
34.步骤101：构建无人机运动的动力学方程。
35.本实施例中无人机集群中无人机均为四旋翼无人机。
36.假设无人机的质心位于其几何中心，如图2所示。为了准确地模拟四轴飞行器（无人机）的行为，给出无人机运动的动力学方程。
37.；
38.其中，表示无人机的位置坐标，用于描述无人机的平动，x、y和z分别为x
轴、y轴和z轴坐标。φ表示无人机绕x轴旋转的滚动角，θ表示无人机绕y轴旋转的俯仰角，ψ表示无人机绕z轴旋转的偏航角，i
xx
，i
yy
，i
zz
分别表示无人机绕x轴、y轴和z轴的转动惯量，u1表示第一虚拟控制量，u2表示第二虚拟控制量，u3表示第三虚拟控制量，u4表示第四虚拟控制量，m表示无人机的质量，g表示重力加速度，，，，，，分别为x，y，z，φ，θ，ψ的二阶导数。
39.图2中，f1、f2、f3和f4分别为四个旋翼的拉力。
40.为了简化描述，上述动力学方程的抽象表达形式为：
41.；
42.其中，表示无人机的状态量，是x、y、z、φ、θ和ψ构成的向量，为的一阶导数，表示无人机的控制量，是u1、u2、u3和u4构成的向量，表示动力学方程的抽象表达形式。
43.步骤102：根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束。
44.对于三维空间内的障碍物，使用若干球体对其形状进行拟合，使得这些球体将障碍物进行完全包围，其中。
45.其中，r表示包围无人机的球体的半径。
46.所述可行域约束表示为：
47.。
48.其中，表示可行域约束，表示无人机的位置坐标，表示障碍物p的位置坐标，p表示障碍物的数量，s
p
表示包围障碍物p的球体，r
p
表示s
p
的半径。
49.尽管此种方法使得可行域有一定缩减，但可以达到可行域完整与计算量之间的平衡。
50.步骤103：根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束。
51.为了保证安全，每一架四旋翼无人机都需要和同一时空范围内的其他无人机保持一定的安全距离（r
safe
）。
52.所述耦合碰撞约束表示为：
53.。
54.其中，表示耦合碰撞约束，表示无人机的位置坐标，表示其他无人机的轨迹，表示其他无人机的位置坐标，表示所述设定距离。j的取值范围为无人机集群中当前计算无人机之外的所有其他无人机的序号。
55.需要指出的是，对于同一空间，不同的无人机可以在不同的时刻经过。也就是说，只有当时间和空间均重合时，才意味着无人机的轨迹违反了约束。
56.步骤104：将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型。
57.在四轴飞行器中高效利用能量对于增加其飞行范围和持久力非常重要，这可以带来更有效的操作和降低成本。四旋翼无人机所消耗的能量可以被如下定义。
58.；
59.其中，为无人机的起飞时间，为无人机的落地时间，为单位矩阵。
60.本实施例使用直接配点法，将连续时间曲线离散为有限时间序列。连续时间被离散化为采样点，这意味着时间离散为以及状态量离散为=x0.…
x[n]。
[0061]
对以上离散问题进行优化时，给定的初始猜测（轨迹初值）可以写作为，优化后的轨迹记为。
[0062]
在该离散化方法下，无人机的优化问题可以如下表达：
[0063]
；
[0064]
约束条件为：。
[0065]
其中，输入控制有控制量上限和控制量下限。该问题具有现实可行域约束（）和耦合碰撞约束（）。
[0066]
步骤105：将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚。
[0067]
所述第二罚函数项即为当前无人机与无人机集群中其他无人机之间发生碰撞的碰撞惩罚。
[0068]
假定其他无人机的轨迹是已知的确定的，即约束均可以视为已知确定的空间。在此基础上，本实施例考虑将优化空间进行凸化。
[0069]
根据无人机和障碍物之间的碰撞，即可行域约束（），定义第一罚函数项。
[0070]
。
[0071]
其中，表示无人机和每个障碍物之间的距离，当无人机不会发生碰撞时，该惩罚项接近为0，当碰撞时，根据碰撞的剧烈程度，惩罚项近似线性增大。最终的总体惩罚值为无人机对所有障碍物的惩罚值之和。在上述罚函数中，为第一罚因子，根据优化情况可以动态调整。对比精确罚函数，该惩罚函数考虑了无人机碰撞的深度，并且保证了该函数
是连续可导。
[0072]
与之类似，定义了多无人机碰撞的第二罚函数项。
[0073]
；
[0074]
其中，表示当前计算无人机和其他人机之间j的距离，j的取值范围为无人机集群中当前计算无人机之外的所有其他无人机的序号。
[0075]
始无人机的优化问题可以转化为如下问题段轨迹规划，即述目标函数表示为：
[0076]
；
[0077]
所述目标函数的约束条件为：；
[0078]
其中，其中，表示能量消耗模型，()表示第一罚函数项，()表示第二罚函数项，表示第一罚因子，表示第二罚因子，表示无人机的状态量，表示无人机的控制量，=x0.…
x[n]，x[0]表示初始状态的状态量，x[n]表示第n个时刻的状态量，表示起飞时间对应的状态量，表示落地时间对应的状态量，表示控制量上限，表示控制量下限。
[0079]
本实施例采用罚函数法求解目标函数，求解过程包括：
[0080]
步骤s1：给定初始第一罚因子和第二罚因子。
[0081]
步骤s2：使用casadi和ipopt求解目标函数，并检查可行域约束和耦合碰撞约束。
[0082]
步骤s3：当约束不满足时（不满足可行性约束或者不满足耦合碰撞约束时），扩大罚因子（当不满足可行性约束时，按照第一设定步长扩大第一罚因子，当不满足耦合碰撞约束时，按照第二设定步长扩大第二罚因子），当约束满足时（可行性约束和耦合碰撞约束均满足），缩小罚因子（按照第三设定步长缩小第一罚因子和第二罚因子）。
[0083]
步骤s4：循环步骤s2-步骤s3，直到找到最小的罚因子（当前迭代的目标函数值与上一次迭代的目标函数值之差小于设定阈值），循环结束，得到最优解，最优解为最优罚因子。
[0084]
得到最优罚因子的同时，确定无人机优化后的轨迹。
[0085]
某次迭代过程中惩罚因子和迭代次数相对惩罚函数的变化。对于约束，由于在求解过程中没有违反该约束，惩罚因子持续减小直至达到最小允许值。对于约束，前两次迭代中没有违反约束，因此相应的惩罚因子减小。然而，在第三次迭代中出现违反约束，该算法适当扩大了罚因子，直到在第五次迭代中获得可行解。认为此时惩罚因子是最优的。
[0086]
步骤106：基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述无人机
集群中各无人机通过广播与共享机制进行信息共享。
[0087]
其中，步骤106中每次迭代过程中，各无人机基于当前轨迹值，利用其边缘算力，采用罚函数法求解各无人机对应的目标函数，得到最优罚因子和优化后的轨迹值。通过多次迭代直到，各无人机的轨迹值稳定则得到无人机集群的轨迹规划结果。各无人机每次迭代得到优化后的轨迹值后，通过广播与共享机制将优化后的轨迹值与其他无人机共享。
[0088]
每次迭代过程中，对于第n个无人机：基于当前迭代的初始轨迹猜测值，利用罚函数法求解第n个无人机对应的目标函数，得到优化后的轨迹值。
[0089]
根据当前迭代的初始轨迹猜测值和当前迭代得到的优化后的轨迹值，确定下一次迭代第n个无人机的初始轨迹猜测值。
[0090]
通过多次迭代，直到各无人机的轨迹值均稳定则得到无人机集群的轨迹规划结果。
[0091]
每次迭代，采用目标函数，对轨迹未稳定的无人机进行优化，每次迭代均得到一个完整的无人机集群的轨迹规划结果，经过多次次迭代，直到各无人机的轨迹值均稳定则得到无人机集群的最终轨迹规划结果。
[0092]
根据当前迭代的初始轨迹猜测值和当前迭代得到的优化后的轨迹值，确定下一次迭代第n个无人机的初始轨迹猜测值，即初始轨迹猜测值更新策略具体包括：
[0093]
根据公式，确定下一次迭代第n个无人机的初始轨迹猜测值；
[0094]
其中，表示下一次迭代第n个无人机的初始轨迹猜测值，表示当前迭代第n个无人机的初始轨迹猜测值，表示当前迭代第n个无人机优化后的轨迹值。
[0095]
无人机轨迹稳定的定义为：。
[0096]
其中，tol是一个给定的阈值。
[0097]
在初始轨迹猜测值更新策略条件下，目标函数的求解方法包括：
[0098]
步骤a1：
[0099]
对于所有的无人机：
[0100]
步骤a1-1：不考虑空间，求解目标函数。
[0101]
步骤a1-2：检查空间约束，如果满足约束，即不发生碰撞，算法提前结束。
[0102]
步骤a2：
[0103]
对于所有的无人机：
[0104]
步骤a2-1：将其他无人机上一次的轨迹作为空间，求解目标函数。
[0105]
步骤a2-2：当轨迹稳定时，该无人机不在参与后续的循环求解。
[0106]
步骤a3：当只剩下最后一架轨迹不稳定的无人机时，对该无人机采用目标函数优化一次，得到最终的无人机集群轨迹规划结果。
[0107]
所述无人机集群中各无人机通过广播与共享机制进行信息共享，即各无人机得到目标函数的最优解后进行最优解共享。
[0108]
在每次规划完成之后，向周围无人机广播自己的规划信息，为此，本实施例公开了一个基于lorawan的四无人机信息交换系统：
[0109]
1.四无人机信息交换系统由无人机集群和一个网关站组成。每个无人机安装lora通信模块，网关站用于中继无人机间的信息交换。
[0110]
2.无人机与网关站之间、无人机之间通过lora网络相互通信。网关站负责转发各无人机的信息，实现无人机间的全连接通信。
[0111]
3.每个无人机通过lora网络周期性广播自身的id以及路径信息。其他无人机和网关站接收这些信息，掌握各无人机的飞行状态。
[0112]
4.网关站监视各无人机间的通信，如果检测到某个无人机与系统失去联系，则认为该无人机故障，通过lora网络通知其他无人机该无人机状态，避免任务分配至失联无人机。
[0113]
5.无人机着陆后，网关站从中收集各无人机的飞行日志，用于评估通信质量和系统性能。
[0114]
四无人机信息交换系统利用lora网络实现四无人机的简单信息交换，无人机间采用广播通信和网关站转发实现全连接。该系统通信量小，适用于无人机交换简单指令和状态信息，满足基本的协同飞行要求。总体而言，该系统提供一种简单高效的多无人机通信方案。
[0115]
本发明构建了一种基于边缘计算的无人机集群轨迹规划方法，该方法可以完成无人机之间的信息传递以及利用无人机的边缘算力进行轨迹优化。
[0116]
本发明提出的罚函数方法可以有效提高单一无人机轨迹求解的成功率和求解速度，该算法旨在实现在低算力平台上，轨迹的有效求解。
[0117]
本发明提出的初值更新策略可以使得求解速度显著提高，通过给与优化的初始猜测，可以使得求解器更快速的找到最优解。
[0118]
本发明提出的分布式求解算法不依赖于中心服务器，使无人机集群拥有更良好的自主智能。
[0119]
实施例2提供了一种基于边缘计算的无人机集群轨迹规划系统。
[0120]
如图3所示，一种基于边缘计算的无人机集群轨迹规划系统，包括：
[0121]
动力学方程构建模块201，用于构建无人机运动的动力学方程。
[0122]
可行域约束构建模块202，用于根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束。
[0123]
耦合碰撞约束构建模块203，用于根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束。
[0124]
能量消耗模型构建模块204，用于将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型。
[0125]
目标函数构建模块205，用于将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚。
[0126]
求解模块206，用于基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述
无人机集群中各无人机通过广播与共享机制进行信息共享。
[0127]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0128]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于边缘计算的无人机集群轨迹规划方法，其特征在于，包括：构建无人机运动的动力学方程；根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束；根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束；将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型；将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚；基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述无人机集群中各无人机通过广播与共享机制进行信息共享。2.根据权利要求1所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果，具体包括：每次迭代过程中，对于第n个无人机：基于当前迭代的初始轨迹猜测值，利用罚函数法求解第n个无人机对应的目标函数，得到优化后的轨迹值；根据当前迭代的初始轨迹猜测值和当前迭代得到的优化后的轨迹值，确定下一次迭代第n个无人机的初始轨迹猜测值；通过多次迭代，直到各无人机轨迹值均稳定则得到无人机集群的轨迹规划结果。3.根据权利要求2所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，根据当前迭代的初始轨迹猜测值和当前迭代得到的优化后的轨迹值，确定下一次迭代第n个无人机的初始轨迹猜测值，具体包括：根据公式，确定下一次迭代第n个无人机的初始轨迹猜测值；其中，表示下一次迭代第n个无人机的初始轨迹猜测值，表示当前迭代第n个无人机的初始轨迹猜测值，表示当前迭代第n个无人机优化后的轨迹值。4.根据权利要求3所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，无人机轨迹值稳定的条件为：；其中，tol为给定的阈值。5.根据权利要求1所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，所述目标函数表示为：
；所述目标函数的约束条件为：；其中，表示能量消耗模型，()表示第一罚函数项，()表示第二罚函数项，表示第一罚因子，表示第二罚因子，表示无人机的状态量，表示无人机的控制量，=x[0]
…
x[n]，x[0]表示初始状态的状态量，x[n]表示第n个时刻的状态量，表示起飞时间对应的状态量，表示落地时间对应的状态量，表示控制量上限，表示控制量下限。6.根据权利要求1所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，所述可行域约束表示为：；其中，表示可行域约束，表示无人机的位置坐标，表示障碍物p的位置坐标，p表示障碍物的数量，s
p
表示包围障碍物p的球体，r
p
表示s
p
的半径。7.根据权利要求1所述的基于边缘计算的无人机集群轨迹规划方法，其特征在于，所述耦合碰撞约束表示为：；其中，表示耦合碰撞约束，表示无人机的位置坐标，表示其他无人机的轨迹，表示其他无人机的位置坐标，表示所述设定距离。8.一种基于边缘计算的无人机集群轨迹规划系统，其特征在于，包括：动力学方程构建模块，用于构建无人机运动的动力学方程；可行域约束构建模块，用于根据所述动力学方程和无人机飞行的三维空间内的障碍物，构建无人机的可行域约束；耦合碰撞约束构建模块，用于根据将无人机与无人机集群中其他无人机保持设定距离，构建无人机的耦合碰撞约束；能量消耗模型构建模块，用于将无人机从起飞时间到落地时间之间的时间段离散化，构建无人机从起飞时间到落地时间的能量消耗模型；目标函数构建模块，用于将第一罚函数项和第二罚函数项加入所述能量消耗模型，得到无人机的目标函数，所述第一罚函数项为无人机与障碍物之间的碰撞惩罚，所述第二罚函数项为多无人机碰撞的碰撞惩罚；求解模块，用于基于所述可行域约束和所述耦合碰撞约束，利用各无人机的边缘算力，通过迭代采用罚函数法求解所述目标函数，得到无人机集群的轨迹规划结果；所述无人机集群中各无人机通过广播与共享机制进行信息共享。

技术总结
本发明公开一种基于边缘计算的无人机集群轨迹规划方法及系统，涉及无人机路径规划领域，该方法包括：根据无人机的动力学方程和无人机飞行的三维空间内的障碍物构建无人机的可行域约束；根据将无人机与无人机集群中其他无人机保持设定距离构建无人机的耦合碰撞约束；构建无人机从起飞时间到落地时间的能量消耗模型；将两个罚函数项加入能量消耗模型得到无人机的目标函数，第一罚函数项为无人机与障碍物之间的碰撞惩罚，第二罚函数项为多无人机碰撞的碰撞惩罚；基于可行域约束和耦合碰撞约束，利用各无人机的边缘算力采用罚函数法通过迭代求解目标函数，得到无人机集群的轨迹规划结果。本发明降低能耗同时提高求解速度。本发明降低能耗同时提高求解速度。本发明降低能耗同时提高求解速度。


技术研发人员：崔灵果 蒋汉锟 柴润祺 陈开元 柴森春
受保护的技术使用者：北京理工大学
技术研发日：2023.08.24
技术公布日：2023/9/20