无人机群的路径规划方法、装置、设备和介质与流程

1.本发明涉及无人机技术领域，尤其是涉及无人机群的路径规划方法、装置、设备和介质。


背景技术：

2.无人机群是近年来提出的一种全新无人机工作模式，其灵感源自于蜂群、鱼群、鸟群等具有较低智能的生物在迁徙、巡游或是躲避敌害过程中呈现出来的机群行为。利用机群优势，可以依靠简单的规则和配合，呈现出整体的行为，并借助数量优势，提高完成巡检等工作的效率，广泛应用于遥感检测、远程巡检等任务场景中。
3.无人机群工作方式中，每个无人机均可视为独立的定位节点，目前常用的无人机群的路径规划算法无法全面考虑无人机群的全局路径与单个无人机飞行路径的关系。且由于无人机群在飞行过程中易受到环境干扰因素的影响，部分无人机躲避密集障碍物时不一定能及时选择出合理路径，导致了机群效率降低。


技术实现要素：

4.基于此，有必要提供无人机群的路径规划方法、装置、设备和介质，以解决上述问题。
5.一种无人机群的路径规划方法，所述方法包括：
6.基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径；
7.在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标；
8.根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从所述多组局部预测轨迹中筛选局部最优轨迹，基于所述局部最优轨迹对所述全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
9.在其中一个实施例中，所述在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标，包括：
10.在当前时刻，获取二维空间内目标无人机的第一坐标和邻近无人机的第二坐标，根据所述第一坐标和第二坐标计算所述目标无人机与邻近无人机之间的定位扩散度；其中，所述目标无人机为无人机群中的任意一个无人机，邻近无人机为无人机群中除所述目标无人机外的任意一个无人机，定位扩散度用于度量所述目标无人机与邻近无人机之间的距离；
11.基于无人机群内每任意两个无人机之间的定位扩散度确定无人机群的扩散度矩阵，并基于所述扩散度矩阵计算目标无人机的近似度；其中，扩散度矩阵用于指示无人机群的分布范围大小，目标无人机的近似度指示所述第一坐标与所有第二坐标之间的近似程度；
12.根据目标无人机在移动过程中的所有近似度计算目标无人机的定位均值和定位误差；
13.根据目标无人机的定位均值和定位误差计算在目标无人机相对于无人机群的个体权重，以得到所有无人机相对于无人机群的个体权重；
14.根据所有无人机相对于无人机群的个体权重，及所述第一坐标和第二坐标计算所述无人机群在当前时刻的关键点坐标。
15.在其中一个实施例中，环境障碍信息包括局部预测轨迹距离障碍物的距离，所述根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从所述多组局部预测轨迹中筛选局部最优轨迹，包括：
16.将无人机群在当前时刻的关键点坐标作为局部起点，以所述局部起点为起始基准点设置预设动态窗口，根据所述全局路径在所述预设动态窗口内确定局部终点；
17.根据无人机群的当前速度模拟无人机群在所述局部起点和所述局部终点之间的多组局部预测轨迹；
18.根据所述多组局部预测轨迹距离障碍物的距离及预设的局部路径评价函数对所述多组局部预测轨迹进行评分，并选取评分最高的一组局部预测轨迹作为局部最优轨迹；其中，局部路径评价函数包含静态避障路径评分函数和动态避障路径评分函数，所述静态避障路径评分函数为第一动态权重与第一距离之间的乘积，所述动态避障路径评分函数为第二动态权重与第二距离之间的乘积，第一距离为一组局部预测轨迹与静态障碍物之间的距离，第二距离为一组局部预测轨迹与动态障碍物之间的距离。
19.在其中一个实施例中，所述根据无人机群的当前速度模拟无人机群在所述局部起点和所述局部终点之间的多组局部预测轨迹之后，还包括：
20.在当前时刻，将静态障碍物与所有障碍物之间的数量比值设定第一动态权重，将动态障碍物与所有障碍物之间的数量比值设定第二动态权重。
21.在其中一个实施例中，所述基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径，包括：
22.将路径地图内设定的全局起点和全局终点以随机路线进行连接，以生成无人机群的初始路径，将无人机群的初始路径作为无人机群的当前路径；
23.基于预设的适应度函数和无人机群的当前路径计算无人机群的当前适应度值，将目标无人机的当前适应度作为所述目标无人机的当前个体最优值，将当前最小适应度值作为无人机群的当前群体最优值；其中，所述目标无人机为无人机群中的任意一个无人机，当前最小适应度值为无人机群的当前适应度值中的最小值；
24.根据目标无人机的当前个体最优值和无人机群的当前群体最优值更新无人机群的当前路径，以得到无人机群的更新路径；
25.判断当前更新路径的次数是否等于预设的最大迭代次数；
26.若当前更新路径的次数小于预设的最大迭代次数，则基于预设的适应度函数和无人机群的更新路径计算无人机群的当前适应度值，若目标无人机更新后的当前适应度值小于所述目标无人机的当前个体最优值，则用目标无人机更新后的当前适应度值更新所述目标无人机的当前个体最优值，若更新后的当前最小适应度值小于无人机群的当前群体最优值，则用更新后的当前最小适应度值更新无人机群的当前群体最优值；
27.将无人机群的更新路径作为无人机群的当前路径，返回执行所述根据目标无人机的当前个体最优值和无人机群的当前群体最优值更新无人机群的当前路径，以得到无人机群的更新路径的步骤及后续步骤；
28.若当前更新路径的次数等于预设的最大迭代次数，则输出当前获取的无人机群的更新路径作为所述全局路径。
29.在其中一个实施例中，所述根据目标无人机的当前个体最优值和无人机群的当前群体最优值更新无人机群的当前路径，包括：
30.根据所有无人机群的当前个体最优值将无人机群划分为发现者和跟随者；其中，所述发现者和所述跟随者之间数量比值为预设比值，发现者的当前适应度值均小于跟随者的当前适应度值；
31.基于安全值对发现者的当前路径进行更新；
32.根据当前群体最优值所对应的无人机的路径和当前群体最差值所对应的无人机的路径，对跟随者的当前路径进行更新；其中，所述当前群体最差值为无人机群的当前适应度值中的最大值；
33.从无人机群中随机选择预设数量个无人机作为预警者，根据当前群体最优值所对应的无人机的路径和当前群体最差值所对应的无人机的路径,对预警者的当前路径进行更新。
34.在其中一个实施例中，所述方法，还包括：
35.根据所述全局路径构建无人机群的模糊避障规则和模糊导向规则；其中，模糊避障规则的输入为无人机的各个方向与障碍物之间的距离，模糊避障规则的输出为预设的模糊距离，模糊导向规则的输入为无人机与全局终点之间的夹角及距离，模糊导向规则的输出为预设的模糊方向。
36.一种无人机群的路径规划装置，所述装置包括：
37.全局规划模块，用于基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径；
38.实时关键点获取模块，用于在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标；
39.局部优化模块，用于根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从所述多组局部预测轨迹中筛选局部最优轨迹，基于所述局部最优轨迹对所述全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
40.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述无人机群的路径规划方法的步骤。
41.一种无人机群的路径规划设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述无人机群的路径规划方法的步骤。
42.本发明提供了无人机群的路径规划方法、装置、设备和介质，首先基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径。再在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当
前时刻的关键点坐标，从而综合每个无人机在当前时刻的位置来对无人机群进行定位，为后续无人机群的航迹规划提供基础。最后根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。这样就能基于局部遇到的障碍，去实时调整无人机群路径的全局路径，从而让每个无人机都能躲避实时出现的障碍，提高机群整体效率。
附图说明
43.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，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
44.其中：
45.图1为一个实施例中无人机群的路径规划方法的流程示意图；
46.图2为一个具体实施例中全局路径规划的流程示意图；
47.图3为一个具体实施例中更新无人机群的当前路径的流程示意图；
48.图4为一个具体实施例中确定关键点坐标的流程示意图；
49.图5为一个具体实施例中局部路径规划的流程示意图；
50.图6为一个实施例中无人机群的路径规划装置的结构示意图；
51.图7为一个实施例中无人机群的路径规划设备的结构框图。
具体实施方式
52.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作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。
53.如图1所示，图1为一个实施例中无人机群的路径规划方法的流程示意图，本实施例中无人机群的路径规划方法提供的步骤包括：
54.步骤102，基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径。
55.也就是基于已掌握的路径地图，在先规划无人机群如何从全局起点移动到全局终点的过程。
56.在一个具体实施例中，如图2所示，通过如下具体步骤进行全局路径规划，包括：
57.步骤1021，将路径地图内设定的全局起点和全局终点以随机路线进行连接，以生成无人机群的初始路径，将无人机群的初始路径作为无人机群的当前路径。
58.其中，该路径地图内标记了各种静态障碍物的位置，而路径地图内的全局起点和全局终点均是由人为设定的，可以根据用户实际需求自行去设定。可以理解的是，这里生成的初始路径一定不能与静态障碍相冲突，该初始路径会在后续步骤中不断优化，直至满足实际的路径规划需求。
的更新效果，实现无人机群的整体路径更新。
74.步骤1023b，基于安全值对发现者的当前路径进行更新。
75.具体来说，发现者的路径更新过程可表示为：
[0076][0077]
上式中，t为当前迭代次数；tmax为预设的最大迭代次数；为在迭代次数为t时第i个无人机在第j维的当前路径，在本实施例中，限定为二维平面；r2处于[0,1]之间，表示预警值；st处于[0.5,1]之间，表示安全值；α为属于(0,1)之间的随机数；q∈[0,1]之间的正态分布随机数；l为1xd的单位矩阵。
[0078]
当r2《st时，这意味着此时安全，发现者可以执行广泛的搜索操作。如果r2≥st，这表示此时危险，发现者此时发出了警报，所有发现者都需要迅速飞到其它安全的地方进行觅食。
[0079]
步骤1023c，根据当前群体最优值所对应的无人机的路径和当前群体最差值所对应的无人机的路径，对跟随者的当前路径进行更新。
[0080]
其中，当前群体最差值为无人机群的当前适应度值中的最大值。
[0081]
具体来说，跟随者的路径更新过程可表示为：
[0082][0083]
上式中，为在迭代次数为t时，当前群体最差值所对应的无人机的路径；为在迭代次数为t+1时，当前群体最优值所对应的无人机的路径；a
+
为元素随机赋值为1或-1的的矩阵，其中a
+
＝a
t
(aa
t
)-1
。
[0084]
当时，这表明，适应度值较低的第i个无人机加入者没有获得较好的路径，此时需要飞往其它地方觅食，以获得更好的路径。
[0085]
步骤1023d，从无人机群中随机选择预设数量个无人机作为预警者，根据当前群体最优值所对应的无人机的路径和当前群体最差值所对应的无人机的路径,对预警者的当前路径进行更新。
[0086]
本实施例中，从无人机群众随机选择k个无人机(示例性的，占机群总数的10％～20％)进行预警侦查。具体来说，预警者的路径更新过程可表示为：
[0087][0088]
上式中，fg为当前群体最优值；β为步长控制参数；k为[-1,1]之间的随机数，服从均匀分布，用来控制无人机运动的方位；fi为无人机i的当前适应度值；ε为最小常数；fw为当前群体最差值。当fi》fg时，表明当前无人机个体处于整个无人机群的边缘区域，需要进行位置更新；当fi＝fg时，表明无人机位于种群中心可带领跟随者进行路径规划。
[0089]
步骤1024，判断当前更新路径的次数是否等于预设的最大迭代次数。若当前更新路径的次数小于预设的最大迭代次数，则执行步骤1025；若当前更新路径的次数等于预设的最大迭代次数，则执行步骤1031。
[0090]
步骤1025，基于预设的适应度函数和无人机群的更新路径计算无人机群的当前适应度值。
[0091]
也就是将无人机群更新后的路径代入到预设的适应度函数中，即可更新无人机群的当前适应度值，可表示为：
[0092][0093]
其中，为在第a次计算适应度值时，无人机群中第i个无人机的当前适应度值。例如对于第一次更新来说，相当于第二次计算当前适应度值，则表示为
[0094]
步骤1026，判断目标无人机更新后的当前适应度值是否小于目标无人机的当前个体最优值。若目标无人机更新后的当前适应度值小于目标无人机的当前个体最优值，则执行步骤1027，用目标无人机更新后的当前适应度值更新目标无人机的当前个体最优值。
[0095]
示例性的，若将编号为1的无人机视为目标无人机，在第一次更新之后，需判断是否小于若小于则将作为编号为1的无人机的当前个体最优值。否则，就不进行替换，仍将作为编号为1的无人机的当前个体最优值。当然，对于其他无人机而言也同理，因此就不再赘述。
[0096]
步骤1028，判断更新后的当前最小适应度值是否小于无人机群的当前群体最优值。若更新后的当前最小适应度值小于无人机群的当前群体最优值，则执行步骤1029，用更新后的当前最小适应度值更新无人机群的当前群体最优值。
[0097]
示例性的，对于无人机群而言，若更新前，为无人机群的当前群体最优值。在第一次更新之后，若为更新后的当前最小适应度值。需判断是否小于若小于则将作为无人机群的当前群体最优值。否则，就不进行替换，仍将作为无人机群的当前群体最优值。
[0098]
步骤1030，将无人机群的更新路径作为无人机群的当前路径，返回执行步骤1023及后续步骤。
[0099]
步骤1031，输出当前获取的无人机群的更新路径作为全局路径。
[0100]
步骤104，在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标。
[0101]
在无人机集群的实际移动过程中，每个无人机均可视为独立的节点，而由于受到环境、电磁干扰等因素影响，无人机群整体定位经常会出现偏差。为解决该问题，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标，从而综合每个无人机在当前时刻的位置来对无人机群进行定位，为后续无人机群的航迹规划提供基础。
[0102]
在一个具体实施例中，如图4所示，确定关键点坐标的具体步骤如下：
[0103]
步骤1042，在当前时刻，获取二维空间内目标无人机的第一坐标和邻近无人机的第二坐标，根据第一坐标和第二坐标计算目标无人机与邻近无人机之间的定位扩散度。
[0104]
其中，目标无人机为无人机群中的任意一个无人机，邻近无人机为无人机群中除目标无人机外的任意一个无人机。
[0105]
示例性的，对于第i个目标无人机节点而言，在二维空间内，其在t时刻的坐标可表示为(xi(t),yi(t))。则目标无人机i与邻近无人机j之间的定位扩散度可以表示为：
[0106][0107]
其中，该定位扩散度用于度量目标无人机与邻近无人机之间的距离。
[0108]
步骤1044，基于无人机群内每任意两个无人机之间的定位扩散度确定无人机群的扩散度矩阵，并基于扩散度矩阵计算目标无人机的近似度。
[0109]
其中，扩散度矩阵用于指示无人机群的分布范围大小，该扩散度矩阵表示为：
[0110][0111]
而目标无人机的近似度指示第一坐标与所有第二坐标之间的近似程度，在t时刻，无人机i与其它无人机坐标之间近似度表示为：
[0112][0113]
步骤1046，根据目标无人机在移动过程中的所有近似度计算目标无人机的定位均值和定位误差。
[0114]
具体的，定位均值和定位误差分别表示为：
[0115][0116]
[0117]
上式中，t为时刻的总数量。
[0118]
步骤1048，根据目标无人机的定位均值和定位误差计算在目标无人机相对于无人机群的个体权重，以得到所有无人机相对于无人机群的个体权重。
[0119]
具体的，目标无人机相对于无人机群的个体权重表示为：
[0120][0121]
当然，在无人机群的所有无人机都执行步骤1042-1048之后，就能得到所有无人机相对于无人机群的个体权重。
[0122]
步骤1050，根据所有无人机相对于无人机群的个体权重，及第一坐标和第二坐标计算无人机群在当前时刻的关键点坐标。
[0123]
具体的，无人机群在当前时刻的关键点坐标可表示为：
[0124][0125]
利用该方法，可以通过有效融合多节点的定位信息，来较好地定位无人机群中的关键点坐标，从而实现无人机群的实时准确定位。
[0126]
步骤106，根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
[0127]
在无人机执行巡检任务过程中，不仅需要在先对全局路径进行规划，在巡检过程中，还需针对局部动态障碍建立局部路径规划方法。
[0128]
在一个具体实施例中，如图5所示，局部路径规划的具体步骤包括：
[0129]
步骤1062，将无人机群在当前时刻的关键点坐标作为局部起点，以局部起点为起始基准点设置预设动态窗口，根据全局路径在预设动态窗口内确定局部终点。
[0130]
其中，该预设动态窗口的大小和设置位置均是预先设置的。该局部终点位于预设动态窗口内，若全局路径经过当前设置的预设动态窗口，则将全局路径在该预设动态窗口内的终点设置为局部终点。若全局路径未经过当前设置的预设动态窗口，则将预设动态窗口内距离全局路径最近的点设置为局部终点。
[0131]
步骤1064，根据无人机群的当前速度模拟无人机群在局部起点和局部终点之间的多组局部预测轨迹。
[0132]
步骤1066，根据多组局部预测轨迹距离障碍物的距离及预设的局部路径评价函数对多组局部预测轨迹进行评分，并选取评分最高的一组局部预测轨迹作为局部最优轨迹。
[0133]
在一个具体实施例中，该局部路径评价函数表示为：
[0134]
g(v,ω)＝β
·
dists(v,ω)+τ
·
dista(v,ω)
ꢀꢀ
(14)
[0135]
上式中，局部路径评价函数包含静态避障路径评分函数β
·
dists(v,ω)和动态避障路径评分函数τ
·
dista(v,ω)。其中，静态避障路径评分函数为第一动态权重β与第一距离dists(v,ω)之间的乘积，动态避障路径评分函数为第二动态权重τ与第二距离dista(v,ω)之间的乘积，该第一距离为一组局部预测轨迹与静态障碍物之间的距离，该第二距离为一组局部预测轨迹与动态障碍物之间的距离。
[0136]
与传统的动态窗口最优化方法相比，本具体实施例提出的局部路径评价函数可基于当前所遇到的障碍物类型，动态调整第一动态权重β和第二动态权重τ。当无人机在局部
路径规划过程中遇到动态障碍物时，可通过增大第二动态权重τ的方式来提高对动态障碍物的避障能力。反之，当无人机在局部路径规划过程中未遇到动态障碍物时，可通过增大第一动态权重β的方式来提高对静态障碍物的避障能力。
[0137]
具体的，动态调整第一动态权重β和第二动态权重τ的方式可包括：在当前时刻，将静态障碍物与所有障碍物之间的数量比值设定第一动态权重，将动态障碍物与所有障碍物之间的数量比值设定第二动态权重。
[0138]
进一步的，将这多组局部预测轨迹距离障碍物的距离代入公式(14)，就能得到多组局部预测轨迹的评分，最后选取评分最高的一组局部预测轨迹作为局部最优轨迹。这样就能有效减少静态障碍物和动态障碍物所造成的干扰，提高避障的精确性与稳定性。
[0139]
进一步的，还可根据全局路径构建无人机群的模糊避障规则和模糊导向规则。该模糊避障规则和模糊导向规则是用于控制无人机的飞行实际方向的。其中，模糊避障规则的输入为无人机的各个方向与障碍物之间的距离，包含(dl，d，dr)三方向的障碍物距离；模糊避障规则的输出为预设的模糊距离，包含(近(n)、中(m)、远(f))。模糊导向规则的输入为无人机与全局终点之间的夹角及距离，模糊导向规则的输出为预设的模糊方向，包含(左(n-)、左中(n)、中(z)、右中(p)、右(p+))。基于该过程，可把输入模糊化变成模糊数据，利用经验理论做出模糊规则，并通过一定的计算得到模糊输出，这样可以实时通过环境自行改变控制系统的性能，具有鲁棒性强的特点。
[0140]
上述无人机群的路径规划方法，首先基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径。再在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标，从而综合每个无人机在当前时刻的位置来对无人机群进行定位，为后续无人机群的航迹规划提供基础。最后根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。这样就能基于局部遇到的障碍，去实时调整无人机群路径的全局路径，从而让每个无人机都能躲避实时出现的障碍，提高机群整体效率。
[0141]
在一个实施例中，如图6所示，提出了一种无人机群的路径规划装置，该装置包括：
[0142]
全局规划模块602，用于基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径；
[0143]
实时关键点获取模块604，用于在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标；
[0144]
局部优化模块606，用于根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
[0145]
图7示出了一个实施例中无人机群的路径规划设备的内部结构图。如图7所示，该无人机群的路径规划设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该无人机群的路径规划设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现
无人机群的路径规划方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行无人机群的路径规划方法。本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的无人机群的路径规划设备的限定，具体的无人机群的路径规划设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0146]
一种无人机群的路径规划设备，包括存储器、处理器以及存储在该存储器中并可在该处理器上执行的计算机程序，该处理器执行该计算机程序时实现如下步骤：基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径；在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标；根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
[0147]
一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：基于无人机群移动范围内的路径地图进行全局路径规划，以得到无人机群的全局路径；在无人机群基于全局路径开始移动后，实时基于无人机群内各个无人机之间的位置关系确定无人机群在当前时刻的关键点坐标；根据无人机群在当前时刻的关键点坐标确定多组局部预测轨迹，并根据无人机群感知到的环境障碍信息从多组局部预测轨迹中筛选局部最优轨迹，基于局部最优轨迹对全局路径进行局部优化，并驱动无人机群基于优化后的全局路径继续移动。
[0148]
需要说明的是，上述无人机群的路径规划方法、装置、设备及计算机可读存储介质属于一个总的发明构思，无人机群的路径规划方法、装置、设备及计算机可读存储介质实施例中的内容可相互适用。
[0149]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0150]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0151]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范
围。因此，本技术专利的保护范围应以所附权利要求为准。