基于深度学习的无人机快速路径规划方法及系统

plan)，通过限制搜索区域能够快速生成符合场景需求的最短路径或近似最短路径。
8.所述的场景需求是指：在无人机指控的实际场景中，无人机在特定的空域飞行且特定区域不进入，具体通过以下方式实现：基于高空卫星云图的图像分析，无人机监控软件自动或者由监控人员手动标记的恶劣天气区域，例如台风区域、强对流天气区域等；无人机航线规划人员根据此次无人机飞行任务，手动划定的特殊任务区域。特殊任务区域内存在不允许无人机靠近的目标，例如城市区域、军事管制区域；空域在无人机指控软件中被描述为一张二维平面网格图。网格图的大小与无人机指控地图的分辨率有关。上述无人机不能进入的区域可视为障碍物，在地图中一般表现为多边形。由于该场景下障碍物的密度一般较低，将起点与终点作为对角线上的顶点构造一个正方形，规划所得的航线一般包含在此正方形内，同时地图也支持进行旋转，拉伸等操作以变换成正方形。无人机指控软件需要根据这张二维平面网格图及其上的障碍物、给定的起点与终点规划出一条从起点到终点的航线。
9.所述的无人机监控软件，即监控无人机飞行环境的软件，标记其中不适合无人机进入的区域。
10.所述的训练集，通过以下方式得到：对无人机路径规划场景下的实际环境数据进行分析，得到特定场景下的障碍物的特征环境模拟图数据生成。
11.所述的实际环境数据，包括：对无人机实际飞行的空域环境，空域中禁止无人机进入的区域。
12.所述的分析是指：将无人机实际飞行的空域环境抽象为二维平面图并用矩阵表示；将禁止无人机进入的区域视为障碍物抽象为二维平面图上的多边形区域。
13.所述的特征是指：网格精度即空域分辨率、起点与终点、障碍物类型、无人机路径长度与障碍物的相对大小。
14.所述的生成实际环境的模拟数据，通过生成大量二维地图，根据上述障碍物特征在其中随机生成障碍物，即多边形区域，包括对障碍物的位置进行随机平移、形状进行随机调整、大小进行随机放缩以及进行随机旋转，模拟实际场景下的空域环境。
15.所述的深度学习(ucpp)网络模型包括：编码器部分和解码器部分，编码器部分由卷积层和最大池化层组成，其中卷积层根据传入信息进行3x3卷积，然后进行最大池化层进行最大池化操作压缩图像信息得到高层特征；解码器部分由上采样层和卷积层组成，上采样层进行上采样操作将图像大小进行还原，并通过卷积神经网络进行3x3卷积操作实现特征融合。编码器与解码器之间具有注意力块连接，注意力块根据编码器的某层输出进行基于注意力机制的特征提取，并传入同层的解码器，最后一层为1x1的卷积层，将图像还原为原始大小，表示预测的最短路径。
16.所述的限制搜索区域是指：将ucpp模型的输出作为预测图指导搜索的概率，具有较高概率在最短路径的区域则优先搜索，限制概率较低在最短路径的区域的搜索，当满足时，则不进行搜索，从而有效减少搜索区域。
17.本发明涉及一种实现上述方法的系统，包括：数据生成单元、模型训练单元和路径生成单元，其中：数据生成单元基于对实际环境的分析随机生成特定的环境模拟图数据，该环境模拟图数据包括各种随机类型的障碍物，在此基础上通过现有的路径规划算法生成路
径数据作为标签数据；模型训练单元构建包括卷积层、最大池化层、上采样层、注意力块的深度神经网络模型，并根据环境模拟图数据和标签数据训练神经网络模型；路径生成单元将神经网络模型应无人机的实际路径规划场景，根据输入实际的环境数据即可生成相应的路径。
18.所述的数据生成单元包括：随机环境模拟图数据生成模块和标签数据生成模块，其中：随机环境模拟图数据生成模块根据上述无人机指控场景特征，进行随机化处理，生成大量无人机指控场景下的环境模拟图数据，标签数据生成模块根据环境模拟图数据，通过现有的路径规划算法为每张环境模拟图数据生成最短路径，作为相应的标签，并分为训练集、验证集和测试集。
19.所述的模型训练单元包括：训练模块、验证模块和测试模块，其中：训练模块根据上述训练集对ucpp模型进行训练，验证模块根据验证集在训练过程中验证模型训练情况，避免过拟合。测试模块根据测试集对生成的模型进行测试，不仅需要测试模型相较于输出数据与标签的统计数据值，还需要测试模型输出应路径规划的效果，包括生成的路径长度和计算时间。
20.所述的路径生成单元包括：数据接收模块、路径生成模块和数据发送模块，其中：数据接收模块接收环境数据，路径生成模块根据接收的环境数据生成相应的路径，路径发送模块将路径通过网络协议将生成的路径发送给接收方。技术效果
21.本发明使用神经网络模型输出最短路径的概率图，指导对图进行搜索；在搜索时，比较(当前搜索点的数量除以阈值)与预测概率的大小，小于预测概率则不搜索。本发明在边长224的地图上，相比目前广泛使用的a*算法仅用约40％时间就能产生类似长度的路径，并且在更大的地图上效果更好，例如，在边长1024的地图上，仅增加了1.33％的路径长度就减少了74.55％的计算时间。
附图说明
22.图1为ucpp模型结构示意图；
23.图2为基于深度学习的无人机快速路径规划方法示意图。
具体实施方式
24.如图1所示，为本实施例涉及一种基于深度学习的无人机快速路径规划方法，包括：支持数据生成阶段、模型训练阶段和路径生成阶段。
25.具体地，所述的数据生成阶段是指：根据无人机的特定场景进行分析，生成此场景下可能的环境模拟图数据，具体包括：
26.1.1)基于无人机指控的实际场景，对环境进行分析，是指对网格图的分析。无人机指控的环境图作为网格图的来源是对高层卫星云图、地图的变换。因此网格图的分辨率，尺度是分析的重点。以此得到路径规划网格图的基本数据如网格尺度和网格数量。
27.1.2)对无人机指控场景的障碍物进行分析，包括对障碍物种类、障碍物密度、障碍物粒度和障碍物数量的分析。得到该场景下的障碍物种类、障碍物密度上下限，障碍物粒度上下限和障碍物数量上下限。例如无人机指控场景的障碍物来源于高层卫星图识别的恶劣
天气区域和管理人员手动划定的区域，种类是圆形和多边形。
28.1.3)根据上述环境分析和障碍物分析的结果，使用数据生成单元随机生成大量环境模拟图数据。在障碍物粒度上下限和障碍物数量上下限之间随机在网格图中生成障碍物，包括对障碍物的尺寸进行随机扩展，并进行随机旋转，产生大量与实际场景类似的环境模拟图数据，如图2所示，其中障碍物是首先获得单位圆内接正多边形的顶点坐标，可参考的参数是：障碍物数量为5-15；障碍物边数为3-10；障碍物的放缩比例为地图的六分之一到三分之一，再除以障碍数量的平方根；障碍物顶点相对于多边形中心的旋转角度在0到2π除以障碍物顶点数之间均匀随机；障碍物的中心点进行二维正态随机分布，正太分布的中心是地图中心，θ为地图边长乘以障碍物数量的平方根除以10，还可以限制随机中心点的最大最小范围，保障生成环境模拟数据的有效性并尽可能符合实际需求。
29.1.4)使用传统路径规划算法例如a*算法处理上述环境模拟图数据，为每个环境模拟图数据生成实际上可行的最优路径，将可行的最优路径作为相应的模拟环境的标签。考虑到无人机指控场景实际上可以认为一定有可行路径，所以需要处理其中因为随机性产生的极端障碍物导致没有可行路径的数据。
30.所述的模型训练阶段是指：根据环境模拟图数据，基于深度学习技术构建神经网络模型并训练，具体包括：
31.2.1)基准模型为u-net，可分为编码器部分，解码器部分各为5层，编码器部分压缩图像信息去除无效部分，包括卷积层和最大池化层；解码器部分将图像还原成原始大小，包括卷积层和上采样层。本发明在基准模型基础上做出引入最优路径，增强路径，引入注意力机制等三点改进。
32.2.2)引入最优路径，是通过在输入数据中额外添加一张图表示起点到终点的直线路径，并拼接到对应的原始环境中，即图像的通道数被扩充为2，引入最优路径前后的测试效果分析如下表所示：
33.2.3)增强路径，是通过将训练集中标签数据即最短路径的宽度从1扩充为3，有效提高输出路径的精确率，增强路径前后测试效果分析如下表所示：
34.2.4)引入注意力机制，引入的注意力机制为通道注意力机制，通过引入通道注意力机制使得编码器部分能够更加有效地提取编码器中更为重要的通道，有助于提取更加高层次的环境特征，引入注意力效果如下表所示：
35.2.5)将模拟环境数据分为训练集、验证集和测试集合。使用训练集对上述模型采用随机梯度下降算法进行训练，且学习率为0.0001，最多训练80个迭代周期，当模型在验证集上的准确率不再提升的时候，便终止训练，损失函数为二进制交叉熵，根据不同的数据输入可经过初步实验对正样本权重进行调整，对于224x224大小的输入数据集，正样本权重可供参考为10。
36.2.6)使用测试集对训练好的模型进行测试，重点考量的指标是：模型对路径的预测精确率、召回率和f1值。一般要达到0.6以上，当相应指标过低，则修改模型训练时的超参数，例如学习率、正样本权重等。必要时可适当修改模型结构例如增加编码器部分和解码器部分的层数，重新设计超参数并训练。
37.所述的路径生成阶段是指：基于上述神经网络模型实际的无人机全局规划路径生成，具体包括：
38.3.1)当无人机指控软件需要在某一环境生成可行路径时，首先通过数据接收模块对环境数据进行接收，需要对这一环境数据进行相应的转换，包括将分辨率做相应调整，使上述已经训练的ucpp模型能够读取这一环境的数据，例如将图像分辨率放大调整为224x224，取决于已经训练的ucpp模型的输入数据要求。
39.3.2)将模型的输出作为对最短路径的预测，对地图进行搜索，在搜索过程中限制搜索范围的大小，从而对最短路径概率高的区域优先搜索，基于ucpp模型提取的全局环境信息实现快速向终点靠近，避免现有路径规划算法常见的随机盲目遍历搜索，有效提高搜索速度，减少搜索范围。限制搜索范围的方法是在搜索时判断新加入的点在最短路径上的概率是否小于正在搜索的点的数量除以阈值，若小于，则不对该点进行搜索。
40.3.3)将得到的路径通过数据发送模块发送给接收者，无人机的指挥和控制。
41.经过具体实际实验，如下表所示的具体环境设置下，以学习率为0.0001、迭代周期为80、正样本权重为10训练上述模型。
42.根据不同的阈值设置和模型，能够得到如下表所示的实验数据，表中ucpp-e表示
增强路径，ucpp-a表示引入注意力机制，ucpp-ae表示引入注意力机制并增强路径，最后的数字表示阈值。
43.相对于目前广泛使用的a*算法，能够最多减少60％的计算时间，提高搜索速度，还可以根据路径长度与计算时间的优先程度进行调整，满足实际需要。
44.上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所
限，在其范围内的各个实现方案均受本发明之约束。

技术特征：
1.一种基于深度学习的无人机快速路径规划方法，其特征在于，根据无人机指控场景需求生成实际环境的模拟数据作为训练集，训练深度学习网络模型，基于训练后的神经网络模型实现一种无人机场景下路径规划算法，通过限制搜索区域能够快速生成符合场景需求的最短路径或近似最短路径。2.根据权利要求1所述的基于深度学习的无人机快速路径规划方法，其特征是，所述的训练集，通过以下方式得到：对无人机路径规划场景下的实际环境数据进行分析，得到特定场景下的障碍物的特征环境模拟图数据生成。3.根据权利要求1所述的基于深度学习的无人机快速路径规划方法，其特征是，所述的分析是指：将无人机实际飞行的空域环境抽象为二维平面图并用矩阵表示；将禁止无人机进入的区域视为障碍物抽象为二维平面图上的多边形区域。4.根据权利要求1所述的基于深度学习的无人机快速路径规划方法，其特征是，所述的特征是指：网格精度即空域分辨率、起点与终点、障碍物类型、无人机路径长度与障碍物的相对大小。5.根据权利要求1所述的基于深度学习的无人机快速路径规划方法，其特征是，所述的生成实际环境的模拟数据，通过生成大量二维地图，根据上述障碍物特征在其中随机生成障碍物，即多边形区域，包括对障碍物的位置进行随机平移、形状进行随机调整、大小进行随机放缩以及进行随机旋转，模拟实际场景下的空域环境。6.根据权利要求1所述的基于深度学习的无人机快速路径规划方法，其特征是，所述的深度学习网络模型包括：编码器部分和解码器部分，编码器部分由卷积层和最大池化层组成，其中卷积层根据传入信息进行3x3卷积，然后进行最大池化层进行最大池化操作压缩图像信息得到高层特征；解码器部分由上采样层和卷积层组成，上采样层进行上采样操作将图像大小进行还原，并通过卷积神经网络进行3x3卷积操作实现特征融合，编码器与解码器之间具有注意力块连接，注意力块根据编码器的某层输出进行基于注意力机制的特征提取，并传入同层的解码器，最后一层为1x1的卷积层，将图像还原为原始大小，表示预测的最短路径。7.一种实现权利要求1～6中任一所述基于深度学习的无人机快速路径规划方法的系统，其特征在于，包括：数据生成单元、模型训练单元和路径生成单元，其中：数据生成单元基于对实际环境的分析随机生成特定的环境模拟图数据，该环境模拟图数据包括各种随机类型的障碍物，在此基础上通过现有的路径规划算法生成路径数据作为标签数据；模型训练单元构建包括卷积层、最大池化层、上采样层、注意力块的深度神经网络模型，并根据环境模拟图数据和标签数据训练神经网络模型；路径生成单元将神经网络模型应无人机的实际路径规划场景，根据输入实际的环境数据即可生成相应的路径。8.根据权利要求7所述的系统，其特征是，所述的数据生成单元包括：随机环境模拟图数据生成模块和标签数据生成模块，其中：随机环境模拟图数据生成模块根据上述无人机指控场景特征，进行随机化处理，生成大量无人机指控场景下的环境模拟图数据，标签数据生成模块根据环境模拟图数据，通过现有的路径规划算法为每张环境模拟图数据生成最短路径，作为相应的标签，并分为训练集、验证集和测试集；所述的模型训练单元包括：训练模块、验证模块和测试模块，其中：训练模块根据上述训练集对ucpp模型进行训练，验证模块根据验证集在训练过程中验证模型训练情况，避免
过拟合，测试模块根据测试集对生成的模型进行测试，不仅需要测试模型相较于输出数据与标签的统计数据值，还需要测试模型输出应路径规划的效果，包括生成的路径长度和计算时间。9.根据权利要求7所述的系统，其特征是，所述的路径生成单元包括：数据接收模块、路径生成模块和数据发送模块，其中：数据接收模块接收环境数据，路径生成模块根据接收的环境数据生成相应的路径，路径发送模块将路径通过网络协议将生成的路径发送给接收方。

技术总结
一种基于深度学习的无人机快速路径规划方法及系统，根据无人机指控场景需求生成实际环境的模拟数据作为训练集，训练深度学习网络模型，基于训练后的神经网络模型实现一种无人机场景下路径规划算法，通过限制搜索区域能够快速生成符合场景需求的最短路径或近似最短路径。本发明自动提取环境模拟图数据的特征，无需人工手动提取特征；只需要一次前向传播就能得到最短路径的主要区域，在此基础上实现一种路径规划算法，计算速度快，避免其他路径规划算法的大量随机盲目遍历搜索等流程，有效节省计算时间约20％到60％，能够满足无人机对路径规划的时间要求，且可并行性高，能有效满足多机同时路径规划。多机同时路径规划。多机同时路径规划。


技术研发人员：罗小虎 饶若楠
受保护的技术使用者：上海交通大学
技术研发日：2022.01.08
技术公布日：2023/7/21