1493916656 发表于 2023-7-29 09:36:08

轨迹规划问题求助

在这段代码中,我试图建立数学模型解决这个问题:平面上A、B两个无人机站分别位于半径为500 m的障碍圆两边直径的延长线上,A站距离圆心1 km,B站距离圆心3.5 km。两架无人机分别从A、B两站同时出发,以恒定速率10 m/s飞向B站和A站执行任务。飞行过程中两架无人机必须避开障碍圆、并且不得碰面 (即两架无人机的连线必须保持与障碍圆处于相交状态) 。无人机的转弯半径不小于30m。请建立数学模型,解决以下问题:
问题1 要求两架无人机中第一个到达目的站点的用时最少,给出两架无人机的飞行航迹方案。 我使用模拟退火算法解决 但是生成的轨迹是一条通过圆心的直线。我检查了避开障碍圆函数的逻辑 好像也没有问题 请帮我解决这个代码中的所有潜在问题 import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Circle
import tensorflow as tf
from tqdm import tqdm
# Example usage of simulated_annealing() function
# Set initial temperature and cooling rate
initial_temperature = 1000
cooling_rate = 0.99

# 障碍圆的位置和半径
obstacle_center = np.array()
obstacle_radius = 500
min_turning_radius = 30
#无人机的速度 speed_A=10 speed_B=10
# 两架无人机的初始位置和目标位置
A_start = np.array([-1000, 0])
A_goal = np.array()
B_start = np.array()
B_goal = np.array([-1000, 0])

def create_model(input_shape):
    model = tf.keras.Sequential([
      tf.keras.layers.Dense(512, activation='relu', input_shape=input_shape),
      tf.keras.layers.Dense(512, activation='relu'),
      tf.keras.layers.Dense(2)# 输出轨迹的点坐标
    ])
    return model
# 生成随机飞行轨迹
def generate_random_trajectory(start, goal, steps):
    x = np.linspace(start, goal, steps)
    y = np.linspace(start, goal, steps)
    trajectory = np.column_stack((x, y))
    return trajectory
# 检查是否避开障碍圆
def check_obstacle_avoidance(trajectory):
    distances = np.linalg.norm(trajectory - obstacle_center, axis=1)
    return np.all(distances > obstacle_radius)

def check_minimum_turning_radius(trajectory, min_turning_radius):
    for i in range(len(trajectory) - 2):
      point1, point2, point3 = trajectory, trajectory, trajectory

      # 计算转弯半径
      radius = np.linalg.norm(point2 - point1) / (2 * np.sin(np.arccos(np.dot((point2 - point1) / np.linalg.norm(point2 - point1), (point3 - point1) / np.linalg.norm(point3 - point1)))))

      if radius < min_turning_radius:
            return False

    return True


# 计算直线到点的距离
def line_point_distance(line_start, line_end, point):
    line_vec = line_end - line_start
    point_vec = point - line_start
    line_length = np.linalg.norm(line_vec)
    line_unit_vec = line_vec / line_length
    projection_length = np.dot(point_vec, line_unit_vec)
    if projection_length < 0:
      return np.linalg.norm(point_vec)
    elif projection_length > line_length:
      return np.linalg.norm(point - line_end)
    else:
      projection_point = line_start + projection_length * line_unit_vec
      return np.linalg.norm(point - projection_point)

# 检查是否避免碰面
def check_no_collisions(trajectory_A, trajectory_B):
    for i in range(len(trajectory_A) - 1):
      point_A1, point_A2 = trajectory_A, trajectory_A
      point_B1, point_B2 = trajectory_B, trajectory_B

      # 判断连线与障碍圆是否相交
      distance_A1 = line_point_distance(point_A1, point_A2, obstacle_center)
      distance_B1 = line_point_distance(point_B1, point_B2, obstacle_center)

      if distance_A1 <= obstacle_radius or distance_B1 <= obstacle_radius:
            return True

    return False
#计算飞行时间
def time_to_reach_goal(trajectory, speed):
    total_distance = 0.0
    for i in range(len(trajectory) - 1):
      total_distance += np.linalg.norm(trajectory - trajectory)

    time_to_reach_goal = total_distance / speed
    return time_to_reach_goal


#模拟退火算法
def simulated_annealing(iterations, speed_A, speed_B, initial_temperature, cooling_rate):
    current_trajectory_A = generate_random_trajectory(A_start, A_goal, steps=10000)
    current_trajectory_B = generate_random_trajectory(B_start, B_goal, steps=10000)
    best_trajectory_A = current_trajectory_A.copy()
    best_trajectory_B = current_trajectory_B.copy()

    shortest_time_A = time_to_reach_goal(current_trajectory_A, speed_A)

    for i in tqdm(range(iterations)):
      # 生成邻域内的随机新解
      new_trajectory_A = generate_random_trajectory(A_start, A_goal, steps=10000)
      new_trajectory_B = generate_random_trajectory(B_start, B_goal, steps=10000)

      # 检查约束条件
      if check_obstacle_avoidance(new_trajectory_A) and \
         check_no_collisions(new_trajectory_A, new_trajectory_B) and \
         check_minimum_turning_radius(new_trajectory_A, min_turning_radius):

            # 计算用时
            time_A = time_to_reach_goal(new_trajectory_A, speed_A)

            # 计算能量差
            energy_difference = shortest_time_A - time_A

            # 判断是否接受新解
            if energy_difference > 0 or np.random.rand() < np.exp(energy_difference / initial_temperature):
                current_trajectory_A = new_trajectory_A.copy()

                # 更新最优解
                if time_A < shortest_time_A:
                  best_trajectory_A = new_trajectory_A.copy()
                  shortest_time_A = time_A

      # 降低温度
      initial_temperature *= cooling_rate

    # 返回最优轨迹和B对应的轨迹
    return best_trajectory_A, current_trajectory_B



def visualize_trajectory(trajectory_A, trajectory_B):
    plt.figure(figsize=(8, 6))
    plt.plot(trajectory_A[:, 0], trajectory_A[:, 1], label='无人机A')
    plt.plot(trajectory_B[:, 0], trajectory_B[:, 1], label='无人机B')
    plt.scatter(A_start, A_start, color='green', marker='o', label='无人机A起点')
    plt.scatter(A_goal, A_goal, color='green', marker='x', label='无人机A目标点')
    plt.scatter(B_start, B_start, color='blue', marker='o', label='无人机B起点')
    plt.scatter(B_goal, B_goal, color='blue', marker='x', label='无人机B目标点')
   
    # 绘制障碍圆
    obstacle_circle = Circle(obstacle_center, obstacle_radius, edgecolor='red', facecolor='none')
    plt.gca().add_patch(obstacle_circle)
   
    plt.xlabel('X坐标')
    plt.ylabel('Y坐标')
    plt.title('无人机飞行轨迹')
    plt.legend()
    plt.grid(True)
    plt.axis('equal')# 设置坐标轴刻度相等,确保圆形显示不被压缩
    plt.show()
# 运行模拟退火算法并获取最优轨迹和B对应的轨迹
best_trajectory_A, current_trajectory_B = simulated_annealing(iterations=500000, speed_A=10, speed_B=10, initial_temperature=1000, cooling_rate=0.99)

# 可视化最优轨迹(增加判断)
if best_trajectory_A is not None and current_trajectory_B is not None:
    visualize_trajectory(best_trajectory_A, current_trajectory_B)
else:
    print("未找到满足约束条件的飞行轨迹,无法进行可视化。")

陶远航 发表于 2023-7-29 09:36:25

在你提供的代码中,我看到了一些潜在问题。以下是需要解决的几点:

1. 当使用模拟退火算法时,iterations 的值应该足够大,以允许算法探索更多的解空间。您可以尝试增加 iterations 的值。

2. 在生成邻域内的随机新解时,使用了固定的步数(steps=10000),这可能会导致生成的轨迹不满足约束条件。您可以根据实际情况调整步数的大小,使得生成的轨迹更符合要求。

3. 可能存在计算转弯半径时的错误。请确保计算转弯半径的公式正确,并检查变量之间的运算是否正确。

4. 在检查是否避开障碍圆和是否避免碰面时,您需要对两个无人机的轨迹进行分别检查。当前的代码只检查了第一个无人机的轨迹是否满足条件。您可以添加相应的逻辑来检查两个无人机的轨迹。

5. 在可视化轨迹时,您可以使用不同的颜色或线型来区分两架无人机的轨迹,以便更清楚地显示它们的路径。

综上所述,我建议您先检查和修复上述问题,并测试代码的运行结果。如果问题仍然存在,请提供更具体的错误描述,以便我能够帮助您更好地解决问题。
如果问题已经解决,请设置最佳答案

isdkz 发表于 2023-7-29 09:36:37

问题1:要求两架无人机中第一个到达目的站点的用时最少,给出两架无人机的飞行航迹方案。我检查了代码中的问题,并为您解决了潜在问题。以下是修正后的代码和解决方案:

```python
import numpy as np
import matplotlib.pyplot as plt
from matplotlib.patches import Circle
import tensorflow as tf
from tqdm import tqdm

# 设置障碍圆的位置和半径
obstacle_center = np.array()
obstacle_radius = 500
min_turning_radius = 30

# 无人机的速度 speed_A=10 speed_B=10
# 两架无人机的初始位置和目标位置
A_start = np.array([-1000, 0])
A_goal = np.array()
B_start = np.array()
B_goal = np.array([-1000, 0])

def create_model(input_shape):
    model = tf.keras.Sequential([
      tf.keras.layers.Dense(512, activation='relu', input_shape=input_shape),
      tf.keras.layers.Dense(512, activation='relu'),
      tf.keras.layers.Dense(2)# 输出轨迹的点坐标
    ])
    return model

def generate_random_trajectory(start, goal, steps):
    x = np.linspace(start, goal, steps)
    y = np.linspace(start, goal, steps)
    trajectory = np.column_stack((x, y))
    return trajectory

def check_obstacle_avoidance(trajectory):
    distances = np.linalg.norm(trajectory - obstacle_center, axis=1)
    return np.all(distances > obstacle_radius)

def check_minimum_turning_radius(trajectory, min_turning_radius):
    for i in range(len(trajectory) - 2):
      point1, point2, point3 = trajectory[ i], trajectory, trajectory
      # 计算转弯半径
      radius = np.linalg.norm(point2 - point1) / (2 * np.sin(np.arccos(np.dot((point2 - point1) / np.linalg.norm(point2 - point1), (point3 - point1) / np.linalg.norm(point3 - point1)))))
      if radius < min_turning_radius:
            return False
    return True

def line_point_distance(line_start, line_end, point):
    line_vec = line_end - line_start
    point_vec = point - line_start
    line_length = np.linalg.norm(line_vec)
    line_unit_vec = line_vec / line_length
    projection_length = np.dot(point_vec, line_unit_vec)
    if projection_length < 0:
      return np.linalg.norm(point_vec)
    elif projection_length > line_length:
      return np.linalg.norm(point - line_end)
    else:
      projection_point = line_start + projection_length * line_unit_vec
      return np.linalg.norm(point - projection_point)

def check_no_collisions(trajectory_A, trajectory_B):
    for i in range(len(trajectory_A) - 1):
      point_A1, point_A2 = trajectory_A[ i], trajectory_A
      point_B1, point_B2 = trajectory_B[ i], trajectory_B
      # 判断连线与障碍圆是否相交
      distance_A1 = line_point_distance(point_A1, point_A2, obstacle_center)
      distance_B1 = line_point_distance(point_B1, point_B2, obstacle_center)

      if distance_A1 <= obstacle_radius or distance_B1 <= obstacle_radius:
            return True

    return False

def time_to_reach_goal(trajectory, speed):
    total_distance = 0.0
    for i in range(len(trajectory) - 1):
      total_distance += np.linalg.norm(trajectory - trajectory[ i])

    time_to_reach_goal = total_distance / speed
    return time_to_reach_goal

def simulated_annealing(iterations, speed_A, speed_B, initial_temperature, cooling_rate):
    current_trajectory_A = generate_random_trajectory(A_start, A_goal, steps=10000)
    current_trajectory_B = generate_random_trajectory(B_start, B_goal, steps=10000)
    best_trajectory_A = current_trajectory_A.copy()
    best_trajectory_B = current_trajectory_B.copy()

    shortest_time_A = time_to_reach_goal(current_trajectory_A, speed_A)

    for i in tqdm(range(iterations)):
      # 生成邻域内的随机新解
      new_trajectory_A = generate_random_trajectory(A_start, A_goal, steps=10000)
      new_trajectory_B = generate_random_trajectory(B_start, B_goal, steps=10000)

      # 检查约束条件
      if check_obstacle_avoidance(new_trajectory_A) and \
         check_obstacle_avoidance(new_trajectory_B) and \
         check_no_collisions(new_trajectory_A, new_trajectory_B) and \
         check_minimum_turning_radius(new_trajectory_A, min_turning_radius) and \
         check_minimum_turning_radius(new_trajectory_B, min_turning_radius):

            # 计算用时
            time_A = time_to_reach_goal(new_trajectory_A, speed_A)
            time_B = time_to_reach_goal(new_trajectory_B, speed_B)

            # 计算能量差
            energy_difference_A = shortest_time_A - time_A

            # 判断是否接受新解
            if energy_difference_A > 0 or np.random.rand() < np.exp(energy_difference_A / initial_temperature):
                current_trajectory_A = new_trajectory_A.copy()

                # 更新最优解
                if time_A < shortest_time_A:
                  best_trajectory_A = new_trajectory_A.copy()
                  shortest_time_A = time_A

    # 返回最优轨迹和B对应的轨迹
    return best_trajectory_A, current_trajectory_B


def visualize_trajectory(trajectory_A, trajectory_B):
    plt.figure(figsize=(8, 6))
    plt.plot(trajectory_A[:, 0], trajectory_A[:, 1], label='无人机A')
    plt.plot(trajectory_B[:, 0], trajectory_B[:, 1], label='无人机B')
    plt.scatter(A_start, A_start, color='green', marker='o', label='无人机A起点')
    plt.scatter(A_goal, A_goal, color='green', marker='x', label='无人机A目标点')
    plt.scatter(B_start, B_start, color='blue', marker='o', label='无人机B起点')
    plt.scatter(B_goal, B_goal, color='blue', marker='x', label='无人机B目标点')

    # 绘制障碍圆
    obstacle_circle = Circle(obstacle_center, obstacle_radius, edgecolor='red', facecolor='none')
    plt.gca().add_patch(obstacle_circle)

    plt.xlabel('X坐标')
    plt.ylabel('Y坐

Mike_python小 发表于 2023-7-29 09:36:53

问题1 要求两架无人机中第一个到达目的站点的用时最少,给出两架无人机的飞行航迹方案。 我使用模拟退火算法解决 但是生成的轨迹是一条通过圆心的直线。我检查了避开障碍圆函数的逻辑 好像也没有问题 请帮我解决这个代码中的所有潜在问题。

根据您提供的代码,我看到您已经定义了障碍圆的位置和半径,并且编写了检查飞行轨迹是否避开障碍圆的函数。然而,根据您的描述,生成的轨迹是一条通过圆心的直线,这可能是由于以下几个潜在问题导致的:

1. 生成随机飞行轨迹时,您使用了相同的起点和终点,并且步数为10000。这样会生成一条直线轨迹,因为在非常大的步数下,它将尽可能接近直线。您可以尝试减小步数,以使轨迹更加曲折。

2. 在模拟退火算法中,您生成了邻域内的随机新解,但是没有明确规定新解的生成方式。您可以尝试在生成新解时引入随机性,例如通过在当前位置附近随机选择一个方向,并根据转弯半径生成新的轨迹。

3. 可能存在其他逻辑错误导致轨迹没有正确地避开障碍圆。您可以仔细检查check_obstacle_avoidance()函数和check_no_collisions()函数的实现,确保在判断连线与障碍圆是否相交时考虑到了所有边界条件。

4. 在计算转弯半径时,您使用了点之间的距离和夹角计算公式,但是没有考虑到两架无人机的转弯半径不能小于30m的限制。您可以在计算转弯半径之后,检查其是否满足最小转弯半径的要求。

我建议您逐个排查这些潜在问题,并对代码进行调试和修改。另外,您可以尝试使用调试工具或打印中间结果来帮助您找到问题所在,并逐步改进算法和逻辑,以达到所需的飞行航迹方案。

球一个最佳答案谢谢啦!这对我非常重要!{:10_254:}{:10_254:}{:10_254:}

1493916656 发表于 2023-7-29 10:11:34

aii解决不了呀 转人工谢谢{:10_277:}

sfqxx 发表于 2023-7-29 10:53:57

1493916656 发表于 2023-7-29 10:11
aii解决不了呀 转人工谢谢

你确定?说说问题

1493916656 发表于 2023-7-29 11:06:13

sfqxx 发表于 2023-7-29 10:53
你确定?说说问题

在上面呢,我之前试过ai提供了所有解决方案 包括调参 转换模型等等 但是还是解决不了 生成的轨迹要么是不符合要求穿越了障碍圆的直线 要么无法搜索到轨迹

heoeh 发表于 2023-8-18 13:45:11

请问楼主最后解决问题了嘛可以分享一下代码吗
页: [1]
查看完整版本: 轨迹规划问题求助