摘" 要：該文研究一種基于粒子群優(yōu)化（PSO）與模糊邏輯控制（FLC）相結合的無人機路徑規(guī)劃與動態(tài)障礙物避讓系統(tǒng)。通過設計模糊邏輯隸屬函數和規(guī)則，并利用PSO優(yōu)化這些參數，以提高無人機在復雜動態(tài)環(huán)境中的路徑規(guī)劃能力。在實驗中，設置靜態(tài)和動態(tài)障礙物，并將目標位置定義為特定坐標。實驗結果表明，該系統(tǒng)能夠有效地規(guī)劃路徑并避開障礙物，具備較高的路徑規(guī)劃精確度和避障性能。這為無人機在復雜環(huán)境中的自主飛行提供有價值的技術支持。

關鍵詞：粒子群優(yōu)化；模糊邏輯；無人機；路徑規(guī)劃；避障性能

中圖分類號：TP273" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2024）35-0055-04

Abstract： This paper studies a path planning and dynamic obstacle avoidance system for unmanned aerial vehicles based on the combination of particle swarm optimization （PSO） and fuzzy logic control （FLC）. By designing fuzzy logic membership functions and rules， and using PSO to optimize these parameters， the path planning ability of the UAV in complex dynamic environments can be improved. In the experiment， static and dynamic obstacles were set up， and the target position was defined as specific coordinates. Experimental results show that the system can effectively plan paths and avoid obstacles， and has high path planning accuracy and obstacle avoidance performance. This provides valuable technical support for the autonomous flight of UAVs in complex environments.

Keywords： particle swarm optimization; fuzzy logic; UAV; path planning; obstacle avoidance performance

隨著無人機技術的迅猛發(fā)展，其在輸電線路運維檢修中的應用愈發(fā)廣泛。無人機具備高效、靈活、成本低等優(yōu)點，能夠在復雜多變的環(huán)境中執(zhí)行任務[1]。然而，實現(xiàn)無人機在輸電線路運維中的自主路徑規(guī)劃與避障是一個具有挑戰(zhàn)性的任務。為了保證無人機的安全性和任務的高效性，需要設計智能化的路徑規(guī)劃與避障算法。

1" 研究內容及目的

本文研究基于粒子群優(yōu)化算法（PSO）和模糊邏輯的無人機自主路徑規(guī)劃與避障技術。通過模糊邏輯系統(tǒng)處理不確定性和模糊性信息，并結合粒子群優(yōu)化算法的全局搜索能力，提出一種綜合的路徑規(guī)劃與避障方法，旨在提高無人機在復雜環(huán)境中的適應能力和避障性能。

2" 無人機自主路徑規(guī)劃與避障技術

2.1" 無人機自主路徑規(guī)劃

無人機自主路徑規(guī)劃是指在已知或未知環(huán)境中，無人機依據預定目標，自主生成最優(yōu)飛行路徑并在飛行過程中實時調整以避開障礙物，最終安全到達目標點[2]。這一過程涉及感知環(huán)境、路徑規(guī)劃、決策與控制等多個環(huán)節(jié)。無人機需要具備良好的環(huán)境感知能力，通過傳感器獲取實時環(huán)境信息，并利用路徑規(guī)劃算法計算出最優(yōu)路徑。隨后，通過控制系統(tǒng)執(zhí)行飛行任務，同時進行實時調整，以應對動態(tài)環(huán)境中的各種突發(fā)情況。實現(xiàn)高效、精準的自主路徑規(guī)劃是提高無人機任務執(zhí)行效率和安全性的重要保障。在這一過程中，路徑規(guī)劃算法是最為關鍵的部分。

2.2" 現(xiàn)有路徑規(guī)劃與避障技術的挑戰(zhàn)與不足

當前的路徑規(guī)劃算法大多基于靜態(tài)環(huán)境假設，無法有效應對復雜動態(tài)環(huán)境中的變化[3]。實際應用中，環(huán)境中可能存在動態(tài)移動的障礙物、突發(fā)的天氣變化等，這些因素都會影響無人機自主路徑的規(guī)劃與避障效果。另一方面，路徑規(guī)劃與避障技術依托于一定的傳感器硬件設備與服務器，傳感器在使用的過程中，獲取的環(huán)境信息往往是模糊和不確定的。例如，傳感器數據可能存在噪聲或信息丟失，尤其在大規(guī)模環(huán)境或高維度空間中，計算時間和資源消耗顯著增加，難以滿足實時性的要求。最終導致路徑規(guī)劃滯后甚至失敗。

3" 基于粒子群和模糊邏輯的無人機自主路徑優(yōu)化設計

3.1" 創(chuàng)新思路設計

通過粒子群優(yōu)化算法來優(yōu)化模糊邏輯控制器的參數，使得無人機可以更好地識別和避開動態(tài)障礙物。通過優(yōu)化模糊隸屬函數的形狀和位置，以及模糊規(guī)則的權重實現(xiàn)目標優(yōu)化。優(yōu)化的目標是最小化路徑中的總誤差或損失函數，損失函數定義為路徑偏離目標路徑的距離和與障礙物的距離。

本研究實現(xiàn)了一個基于粒子群優(yōu)化（PSO）與模糊邏輯控制（FLC）相結合的無人機路徑規(guī)劃與動態(tài)障礙物避讓系統(tǒng)。通過定義PSO參數（粒子數量為30，迭代次數為50，慣性權重為0.7，自我認知學習因子和社會學習因子均為1.5），初始化粒子群位置和速度，并確保粒子參數滿足遞增順序，從而優(yōu)化模糊邏輯系統(tǒng)的隸屬函數參數。模糊邏輯系統(tǒng)包括輸入變量“目標距離”和“障礙物距離”，以及輸出變量“轉向角度”。在PSO主循環(huán)中，通過評估粒子的適應度，更新個體最優(yōu)位置和全局最優(yōu)位置，并根據優(yōu)化后的參數進行路徑規(guī)劃模擬，最終繪制路徑圖和轉向角度圖。障礙物的位置分為2種：一種為靜態(tài)障礙物，設定在路徑的第10步、第20步和第30步，距離分別為5個單位、10個單位和15個單位；一種為動態(tài)障礙物，隨著步驟數增加，障礙物逐漸靠近無人機。

3.2" 算法運行原理

3.2.1" 隸屬度范圍設置

設置的模糊系統(tǒng)主要包含2個輸入變量和1個輸出變量。輸入變量分別是“目標距離”和“障礙物距離”：目標距離的取值范圍為0到100，定義了3個隸屬函數為近、中、遠；障礙物距離的取值范圍為0到50，定義了3個隸屬函數為非常近、近、遠。輸出變量是“轉向角度”，其取值范圍為-90到90，該部分定義了5個隸屬函數為急左轉、稍左轉、直行、稍右轉和急右轉。

3.2.2" 算法流程設置

系統(tǒng)根據無人機飛行的實際需求定義了一組模糊規(guī)則。通過組合輸入變量的隸屬度，推理得到輸出變量的隸屬度。這些規(guī)則模擬了無人機在不同環(huán)境下的轉向決策。例如，當目標距離近且障礙物距離非常近時，無人機需要急左轉以避開障礙物；當目標距離中且障礙物距離遠時，無人機可以直行或稍右轉以繼續(xù)朝目標方向前進。

設置無人機的路徑規(guī)劃與避障過程總共分為50個步驟。在50個步驟內，通過粒子群優(yōu)化來評估模糊邏輯系統(tǒng)，精確每一步的轉向角度，并根據轉向角度更新無人機的位置。初始位置設定為（0，0），目標距離和障礙物距離則隨著步驟的增加而逐步變化。目標距離從100逐漸減小，而障礙物距離則從50逐步減小到0。在每一步，無人機根據當前的目標距離和障礙物距離，通過模糊邏輯系統(tǒng)計算得到轉向角度，更新位置并記錄路徑和轉向角度。

4" 實驗應用效果

圖1展示了模糊邏輯系統(tǒng)中3個輸入輸出變量的隸屬函數，從上往下依次是：

目標距離的隸屬函數。

近：目標距離在0到30之間被認為是近。

中：目標距離在30到70之間被認為是中。

遠：目標距離在70到100之間被認為是遠。

障礙物距離的隸屬函數。

非常近：障礙物距離在0到10之間被認為是非常近。

近：障礙物距離在10到35之間被認為是近。

遠：障礙物距離在35到50之間被認為是遠。

轉向角度的隸屬函數。

急左轉：轉向角度在-90到-30之間被認為是急左轉。

稍左轉：轉向角度在-30到0之間被認為是稍左轉。

直行：轉向角度在0到30之間被認為是直行。

稍右轉：轉向角度在30到60之間被認為是稍右轉。

急右轉：轉向角度在60到90之間被認為是急右轉。

4.1" 靜態(tài)障礙物下的路徑變化

在靜態(tài)障礙物的環(huán)境下，路徑規(guī)劃圖如圖2所示，無人機轉角變化示意圖如圖3所示。其中圓圈線表示無人機的飛行路徑，圓圈表示障礙物的位置，交叉標記表示目標位置，此處定義位置坐標為（43，20）。圖3顯示了無人機在每個步數上的轉向角度變化情況。

無人機從起點（0，0）出發(fā)，在遇到障礙物時調整其路徑，最終到達目標位置（43.018 7，19.683 9）。從圖2中可以看到，無人機在接近目標位置的過程中，成功避開了多個障礙物，路徑較為平滑。

轉向角度隨步數的變化圖顯示了無人機在飛行過程中所做的轉向決策。從圖中可以觀察到，在遇到障礙物時，無人機會進行明顯的轉向以避開障礙物，而在沒有障礙物的情況下，轉向角度較小，飛行路徑相對直線。

4.2" 動態(tài)障礙物下的路徑變化

在本文設計中，為了加強對障礙物的檢測與避讓，設置障礙物的位置是動態(tài)變化的，并且隨著步驟數增加，障礙物逐漸靠近無人機。

障礙物初始距離為50個單位，即在第一步時，障礙物距離無人機有50個單位的距離。隨著每一步的進行，障礙物距離減少1.5個單位。例如，在第2步時，障礙物距離變?yōu)?8.5個單位；在第3步時，障礙物距離變?yōu)?7個單位；如此類推，直到障礙物距離為0為止。

該系統(tǒng)通過模糊邏輯隸屬函數和規(guī)則的設計，以及利用PSO對這些參數的優(yōu)化，提高了無人機在復雜動態(tài)環(huán)境中的路徑規(guī)劃能力。在實驗中設置了動態(tài)障礙物，并將目標位置定義為（42，-3）。無人機從起點（0，0）出發(fā)，通過模糊邏輯控制調整其飛行路徑，避開動態(tài)障礙物，最終到達目標位置。

實驗結果如圖2和圖4所示，圖4中圓圈線表示無人機的飛行路徑，虛線表示障礙物的移動路徑，交叉標記表示目標位置。圖5則展現(xiàn)了在該過程中無人機具體的角度變化效果（圖5并無具體的效果驗證，只是輔助圖2、圖4）。

無人機從起點（0，0）出發(fā)，動態(tài)調整其路徑以避開障礙物，最終接近目標位置（42.1，-3.15）。從圖4中可以看到，無人機在飛行過程中成功避開了動態(tài)障礙物，路徑相對平滑。轉向角度隨步數的變化圖顯示了無人機在飛行過程中所做的轉向決策。由圖可以觀察到，在遇到動態(tài)障礙物時，無人機會進行明顯的轉向以避開障礙物，而在沒有障礙物干擾的情況下，轉向角度較小，飛行路徑相對直線。

從圖2與圖4的路徑規(guī)劃圖中可以看到，無人機在動態(tài)障礙物環(huán)境中成功避開了障礙物，表明模糊邏輯和粒子群優(yōu)化在避障方面的有效性。

5" 結論

本研究提出了一種基于粒子群優(yōu)化算法和模糊邏輯控制相結合的無人機路徑規(guī)劃與動態(tài)障礙物避讓系統(tǒng)。通過設計和優(yōu)化模糊隸屬函數及規(guī)則，系統(tǒng)能夠在復雜動態(tài)環(huán)境中實現(xiàn)高效的路徑規(guī)劃和避障。實驗結果表明，所提方法在靜態(tài)和動態(tài)障礙物環(huán)境中均表現(xiàn)出較高的路徑規(guī)劃精確度和避障性能，能夠有效提高無人機的自主飛行能力。然而，在實際應用中，環(huán)境因素更加復雜多變，未來的研究可以進一步優(yōu)化算法，提高系統(tǒng)的實時性和魯棒性，以應對更多元化的應用場景。

參考文獻：

[1] 朱華勇，牛軼峰，沈林成，等.無人機系統(tǒng)自主控制技術研究現(xiàn)狀與發(fā)展趨勢[J].國防科技大學學報，2010，32（3）：115-120.

[2] 楊晨，張少卿，孟光磊.多無人機協(xié)同任務規(guī)劃研究[J].指揮與控制學報，2018，4（3）：234-248.

[3] 楊麗春，顧穎彥，白宇.基于改進人工勢場法的無人機在線航路規(guī)劃算法[J].電子技術應用，2018，44（4）：5-9.