一种重视森林火灾边缘的无人机集群航迹规划方法

技术领域

本发明涉及森林火灾监测领域和无人机航迹规划技术领域，具体涉及一种重视森林火灾边缘的无人机集群航迹规划方法。

背景技术

我国是一个森林火灾发生十分频繁且灾害损失极为严重的国家，在火灾发生时，获取火场灾情信息，正确评估火灾的强度和规模，为指挥决策机构提供决策依据对及时有效地控制火情、扑灭火灾起着重要作用。

目前，无人机已经有效地满足了这些需要。通过配置摄像机、高分辨率照相机、前视红外仪和图像传输等任务设备，无人机能够实现对目标区域的扫描覆盖，并在扫描过程中实时传回视频图像或存储高清照片供返回地面处理，同时相较于航空飞机，无人机具有成本低廉的特点，与监测森林火灾此类高危任务适配度高。无人机航空监测已经成为森林火灾发生时获取火情信息的主要监测手段。然而目前用于森林火灾监测的无人机操控智能化程度不高，由于受飞行环境影响较大，时常发生操控过程中机体坠毁情况，需要一个替代人工操纵的智能化方法。要实现无人机的自主飞行，必须依赖无人机航迹规划指导无人机规避障碍，在高效完成任务的同时，最大化节省时间和能源的消耗。

现有大多数航迹规划算法只完成了单个无人机的航迹规划，而森林火灾监测任务的完成通常需要多个无人机协作。但是现有的多无人机航迹规划算法都没有考虑到在火情信息获取时不同区域的信息重要度不同和森林火灾不断蔓延的特点。在指挥决策时，火灾边缘的移动变化信息获取尤为重要，直接影响着消防人员和被困人员的生命安全，而且靠近火灾边缘的火场区域的温度、湿度、气体相关信息可用于火势蔓延推演，该区域信息相比于内部火场信息也更为重要，同时由于火灾不断蔓延的特征常常出现设置扫描范围过小从而未获取到火灾边缘信息或者设置扫描范围过大导致降低效率的问题。因此采用现有无人机集群航迹规划算法来进行火灾监测效率低，边缘信息获取不足，火势预判推演精度低。

因此，目前急需一个既考虑到森林火灾边缘重要性，又能全面高效获取火场灾情信息的无人机集群航迹规划方法。

发明内容

本发明提出了一种重视森林火灾边缘的无人机集群航迹规划方法，旨在解决上述问题。

为实现上述目的，本发明采用以下技术方案：一种重视森林火灾边缘的无人机集群航迹规划方法，包括如下步骤：

S1，获取森林火灾地区高空拍摄影像，利用高空影像得出大概的森林火灾边缘图，将边缘外扩一定距离得到外扩后拟森林火灾边缘图；

S2，取拟森林火灾边缘图上的特定的K1个方位点，对这K1个方位点使用Melkman算法求凸多边形，并使用基于外扩距离的范围简化算法将凸多边形范围缩小；

S3，对拟森林火灾边缘图栅格化，计算各离散点到凸多边形各个边缘线的距离，将其中的最短距离作为该离散点的重要度指标；

S4，找出重要度指标最大的点，将其对应的重要度指标进行K2等分，绘制出等重要度线图，将火灾区域分为K2个不同重要度权重的闭合图形；

S5，由重要度指标最大的点放射出若干个分割射线分割扫描范围，采用旋转卡壳法求出分割后的各个扫描范围的最小外接三角形，并对其进行重要度赋权；

步骤S5的具体实现包括：

S501，找出重要度指标最大的点M，由点M放射出a条射线，将步骤S2中的凸多边形分为a个部分，相邻两条射线a

S502，采用旋转卡壳法求出该凸包的最小外接三角形，该三角形由射线a

S503，将该底边平移到其他的等重要度线上，围成一个分为多阶层的闭合区域，同时沿用步骤S4中的权重，其中闭合区域由两条分割射线、底边和平移后的底边组成；

S6，根据各闭合图形的重要度权重设置各闭合图形对应的无人机相邻航迹间距；

S7，构建多无人机扫描范围分配函数，采用粒子群算法算出分割射线的全局最优位置，得出各无人机扫描区域；

S8，构建无人机三维航迹代价函数，采用遗传模拟退火算法，得出最佳三维航迹规划。

进一步的，步骤S1的具体实现包括；

S101，获取火灾地区已有的环境信息，包括数字表面模型、GPS定位；

S102，采用无人机或直升机飞至火灾上方高空，拍摄火灾整体范围影像；

S103，对火灾整体范围影像采用图像边缘平滑算法得出大概的森林火灾边缘图；

S104，利用GPS定位得出森林火灾边缘点位置信息；

S105，将该森林火灾边缘图外扩距离E，得到外扩后拟森林火灾边缘图。

进一步的，步骤S103中确定外扩距离E的数学模型为：

其中，maxD为拟森林火灾边缘图上最大两点间距离，即拟森林火灾边缘边缘图上间隔最远的两点间的间距，minD为拟森林火灾边缘图上最小两点间距离，r为一给定值。

进一步的，步骤S2的具体实现包括；

S201，K1的取值为8，找出这特定8个方位点分别为拟森林火灾边缘图上x坐标极值点a、b，y坐标极值点c、d，将图像顺时针旋转45度后的x坐标极值点e、f以及y坐标极值点j、k；

S202，使用Melkman算法求这8个方位点组成的凸多边形；

S203，使用基于外扩距离的范围简化算法生成范围缩小后的凸多边形。

进一步的，步骤S3的具体实现包括；

S301，将拟森林火灾边缘图栅格化，得到各离散点坐标point(x

S302，假设凸多边形边缘点个数为n，计算各离散点到凸多边形各个边缘线端点P[i](x

S303，计算各离散点到凸多边形各边缘线的距离N

S304，将N

进一步的，步骤S3的具体实现包括；

S401，找出重要度指标最大的点M，即重要度指标值取最大时对应的离散点，该离散点点的重要度指标为Imax；

S402，K2为大于五的整数，此处设置为10，所以由重要度I＝0、Imax/10、Imax/5、3Imax/10、2Imax/5、Imax/2、3Imax/5、7Imax/10、4Imax/5、9Imax/10的重要度相同的离散点连接成十条等重要度线，将火灾区域分为十个闭合部分；

S403，通过重要度权重函数为由边缘向内起算的第n个区域赋权P

P

其中，e为自然对数。

进一步的，步骤S6中，计算在第n个闭合区域无人机相邻航迹间距的数学模型为：

其中，N为原始规定无人机相邻航迹的最大间距，Distant(n)为由边缘向内起算的第n个闭合区域的无人机相邻航迹间距，P

进一步的，步骤S7中的多无人机扫描范围分配函数为：

Assign＝j

其中，j

其中，a为可用无人机数量，S

MAD为各个无人机飞行路程的平均绝对偏差，定义为：

其中，

进一步的，步骤S8中无人机三维航迹代价函数为：

其中，N表示航迹总条数，f

本发明提供的一种重视森林火灾边缘的无人机集群航迹规划方法，采用了数字表面模型，GPS定位，火灾上空高空影像等多种数据来构建无人机扫描区域环境模型。考虑到森林火灾不断外扩的特点，采用了Melkman算法计算得到扫描范围凸多边形，并采用基于外扩距离的范围简化算法使扫描范围更接近森林火灾实际范围，最终采用旋转卡壳法求单个无人机扫描范围的最小外接三角形，将扫描范围进行一定程度的外扩，避免了由于火灾外扩未提取到火灾边缘信息的问题。同时考虑到火灾边缘区域信息的重要性，求出了火灾区域中的离散点到扫描范围凸多边形各边的距离，将其中的最短距离作为该离散点的重要度指标，并根据该指标绘制出等重要度线图，并对图中不同区域进行赋权，根据区域权重决定该区域无人机扫描相邻航迹的间距，来提高边缘区域无人机扫描的旁向重叠率，从而提高无人机航拍影像精度，同时延长靠近火灾边缘区域的无人机传感器收集信息时间，进一步提高火势蔓延预判的精度。然后构建多无人机扫描范围分配函数和无人机三维航迹代价函数，采用粒子群算法和遗传模拟退火算法求解出范围分割射线最优位置和最佳三维航迹规划。本发明充分考虑到森林火灾不断外扩和火灾边缘区域信息更重要的特点，在具体应用中，该方法能够在短时间内高效生成无人机集群航迹规划方案，在全面精准覆盖森林火灾范围的同时，高精度收集火灾边缘区域信息，进一步提高火灾蔓延预判的精度，为森林火灾应急指挥调度提供了有力依据。

综上所述，本发明可靠实用，对于森林火灾场景下的无人机集群航迹规划具有较好的适应性，在合理设置扫描范围，加强火灾边缘区域信息收集精度上均采取了相关措施并取得了优异成果，实用性和可行性较好。

附图说明

图1为森林火灾边缘外扩示意图。

图2为使用Melkman算法计算得到扫描范围凸多边形并采用基于外扩距离的范围简化算法将凸多边形范围缩小的流程图。图2(a)-(h)展示了使用Melkman算法计算扫描范围凸多边形的过程，图2(i)-(j)展示了使用基于外扩距离的范围简化算法将凸多边形范围缩小的过程。

图3为等重要度线图。

图4为扫描范围分割示意图。

图5为对目标区域进行S型扫描的示意图，航迹间距由内向外减小。

图6为本发明实施例流程图。

具体实施例

为使本发明实施例的目的、技术方案和优点更加清晰，下面将结合本发明实施例中的附图，对本发明作进一步说明

实施例提供的一种重视森林火灾边缘的无人机集群航迹规划方法，具体采用以下技术方案：

S1：获取森林火灾地区高空拍摄影像，利用高空影像得出大概的森林火灾边缘图，将边缘外扩一定距离得到外扩后拟森林火灾边缘图；

S2：取拟森林火灾边缘图上的特定的K1个方位点，对这K1个方位点使用Melkman算法求凸多边形，并使用基于外扩距离的范围简化算法将凸多边形范围缩小；

S3：对拟森林火灾边缘图栅格化，计算各离散点到凸多边形各个边缘线的距离，将其中的最短距离作为该离散点的重要度指标；

S4：找出重要度指标最大的点，将其对应的重要度指标进行K2等分，绘制出等重要度线图，将火灾区域分为K2个不同重要度权重的闭合图形；

S5：由重要度指标最大的点放射出若干个分割射线分割扫描范围，采用旋转卡壳法求出分割后的各个扫描范围的最小外接三角形，并对其进行重要度赋权；

步骤S5包括：

S501：由点M放射出a条射线，将步骤S2中的凸多边形分为a个部分，相邻两条射线a

S502：采用旋转卡壳法求出该凸包的最小外接三角形，该三角形由射线a

将最小外接三角形作为最终扫描范围，可使范围一定程度上外扩，符合森林火灾不断外扩的特点，避免了扫描范围设置过小的问题，同时无人机可进行平行于最小外接三角形底边的S型扫描，从而可以通过提高边缘区域无人机航迹的旁向重叠率来加强对边缘信息的获取。

S503：将该底边平移到另外9条等重要度线上，围成一个分为十个阶层的闭合区域，同时继承之前算得的权重，其中闭合区域由两条分割射线、底边和平移后的底边组成，图4是由图3(等重要度线图)得来的，图4最外层的边缘就是各个最小外接三角形的底边，然后将这些底边向内平移，移到内部的等重要度线上，即形成了图4。图4由五个大三角形组成，其中一个大三角形被分为了十个部分，其中一个部分就是一个阶层的闭合区域。

S6：根据各闭合区域的重要度权重设置各闭合区域对应的无人机相邻航迹间距；

S7：构建多无人机扫描范围分配函数，采用粒子群算法算出分割射线的全局最优位置，得出各无人机扫描区域；

S8：构建无人机三维航迹代价函数，采用遗传模拟退火算法，得出最佳三维航迹规划。

在一种实施方式中，步骤S1包括：

S101：获取火灾地区已有的环境信息，包括数字表面模型、GPS定位；

S102：采用无人机或直升机飞至火灾上方高空，拍摄火灾整体范围影像；

由于火场上空能见度低，高空拍摄效果差，只能得到较为粗糙的火灾整体范围影像。

S103：对火灾整体范围影像采用图像边缘平滑算法得出大概的森林火灾边缘图；

S104：利用GPS定位得出森林火灾边缘点位置信息；

S105：将该森林火灾边缘图外扩距离E，得到外扩后拟森林火灾边缘图。

进一步的，步骤S103中确定外扩距离E的数学模型为：

其中，maxD为拟森林火灾边缘图上最大两点间距离，即拟森林火灾边缘边缘图上间隔最远的两点间的间距，minD为拟森林火灾边缘图上最小两点间距离，r为一给定值，由火势强度决定，火势越强，r越小，默认为10。

图1展示了森林火灾边缘外扩的过程。

在一种实施方式中，步骤S2包括：

S201：K1的取值为8，找出这特定8个方位点分别为拟森林火灾边缘图上x坐标极值点a、b，y坐标极值点c、d，将图像顺时针旋转45度后的x坐标极值点e、f以及y坐标极值点j、k；

S202：使用Melkman算法求这8个方位点组成的凸多边形；

为使扫描范围更接近森林火灾实际范围，同时缩小外扩范围，加快计算速度，提高方法效率，特别是为了提高步骤S3中计算离散点的重要度指标的速度，需要对凸多边形范围进行简化；

S203：使用基于外扩距离的范围简化算法生成范围缩小后的凸多边形。

进一步的，步骤S202中Melkman算法的具体步骤为：

S2021：输入有8个顶点的简单多段线P[i]，将8个点中任意三个初始点加入队列D[]，使得P[2]在D[]的top和bot处，在D[]中，P0、P1、P2形成一个逆时针的三角形；

S2022：依次处理i＝2之后的每一个点，对于P[i]，检查P[i]是否在D的内部，如果P[i]在有向线段D[bot]D[bot+1]和有向线段D[top-1]D[top]的左侧，则判断P[i]在D内部，跳过P[i]接着处理下一个点；

S2023：当P[i]在有向线段D[bot]D[bot+1]的右侧，则删除D[bot]，将P[i]作为双端队列D[]的底部，当P[i]在有向线段D[top-1]D[top]的右侧，则删除D[top]，将P[i]作为双端队列D[]的顶部；

S2024：当所有点处理完，D[]即为最终凸多边形结果。

图2(a)-(h)展示了使用Melkman算法计算扫描范围凸多边形的过程。

为使最终扫描范围更接近森林火灾实际范围，同时缩小外扩范围，加快计算速度，提高方法效率，特别是为了提高步骤S3中计算离散点的重要度指标的速度，需要对凸多边形范围进行简化。

进一步的，步骤S203中基于外扩距离E的范围简化算法的具体步骤为：

S2031：求双端队列D[]中的点P[i]到线段P[i+1]P[i-1]的距离d[i]；

S2032:如果d[i]<＝E,则判断该三角形位于外扩范围中，在D[]中删去P[i]；

S2033：遍历D[]中所有点，得出简化后的凸多边形范围；

在一种实施方式中，步骤S2031中计算距离d[i]的数学模型为：

其中，p为三角形的半周长，a为线段P[i+1]P[i-1]的长度，b、c为三角形另外两边长。

图2(i)-(j)展示了使用基于外扩距离的范围简化算法将凸多边形范围缩小的过程。

在一种实施方式中，在一种实施方式中，步骤S3包括：

S301：将图像栅格化，得到各离散点坐标point(x

S302：假设凸多边形边缘点个数为n，计算各离散点到凸多边形各个边缘线端点P[i](x

S303：计算各离散点到凸多边形各边缘线的距离N

S304：将N

进一步的，S302中计算各离散点到凸多边形各个边缘线端点的距离公式为:

进一步的，S303中计算离散点到边缘线距离公式为：

其中，a为线段P[i]P[i+1]距离，b为M

进一步的，S304中离散点重要度指标I＝min{N

在一种实施方式中，步骤S4包括：

S401：找出重要度指标最大的点M，即重要度指标值取最大时对应的离散点，该离散点点的重要度指标为Imax；

S402：K2为大于五的整数，此处设置为10，所以由重要度I＝0、Imax/10、Imax/5、3Imax/10、2Imax/5、Imax/2、3Imax/5、7Imax/10、4Imax/5、9Imax/10的重要度相同的离散点连接成十条等重要度线，将火灾区域分为十个闭合部分。

其中，等重要度线图如图3所示；

S403：通过重要度权重函数为由边缘向内起算的第n个区域赋权P

进一步的，步骤S402中的重要度权重函数为：

Pn＝e

其中，e为自然对数。

在一种实施方式中，步骤S6中的计算在第n个闭合区域无人机相邻航迹间距的数学模型为：

其中，N为原始规定无人机相邻航迹的最大间距，Distant(n)为由边缘向内起算的第n个闭合区域的无人机相邻航迹间距，P

通过减小火灾边缘无人机相邻航迹的距离，来提高旁向重叠率，从而提高无人机航拍影像精度，同时延长靠近火灾边缘区域的无人机传感器收集信息时间，进一步提高火势蔓延预判的精度。

如图5所示，对目标区域采用S型扫描，航迹间距由内向外逐渐减小。

具体地，步骤S6中的射线数量a为可用无人机数量，无人机上搭载气体传感器，温度传感器和湿度传感器；

在一种实施方式中，步骤S7中的多无人机扫描范围分配函数为：

Assign＝j

其中，j

其中，a为可用无人机数量，S

MAD为各个无人机飞行路程的平均绝对偏差，定义为：

其中，

在一种实施方式中，步骤S8中无人机三维航迹代价函数为：

其中，N表示航迹总条数，f

本发明中提到的具体实施例仅为对本发明方法步骤的举例说明。相关技术领域的技术人员可以对所提到的具体实施步骤进行相应的修改或补充，但是凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。