无人机雁行仿生群飞路径规划
无人机导航系统的路径规划方法研究
无人机导航系统的路径规划方法研究随着无人机技术的快速发展，无人机导航系统的路径规划方法成为无人机技术领域的研究热点之一。
路径规划是无人机成功完成任务的关键环节之一，它涉及到如何选择最优路径、避开障碍物以及保证安全性等问题。
在无人机导航系统的路径规划方法研究中，主要有以下几个方面的内容：一、无人机路径规划的问题描述无人机路径规划问题是将无人机从起点迅速准确地到达目标点的问题。
该问题包括了路径选择以及障碍物避开等子问题。
路径选择主要是考虑到无人机在远距离飞行时的能耗、稳定性以及时间等因素，而障碍物避开问题则是为了确保无人机飞行的安全性。
二、基于图的无人机路径规划方法基于图的无人机路径规划方法是一种经典的路径规划方法。
通过构建一个图模型来描述无人机的飞行环境，以及起点和目标点之间的连接关系。
然后使用图搜索算法，如Dijkstra算法、A*算法等，在图中找到一条最短路径或最优路径。
这种方法简单高效，适用于无人机飞行环境较为简单的情况。
三、基于遗传算法的无人机路径规划方法基于遗传算法的无人机路径规划方法是一种启发式搜索方法。
通过模拟自然界中的进化过程，利用基因编码、选择、交叉和变异等操作来优化路径规划问题。
这种方法能够很好地处理复杂的问题，但计算复杂度较高。
四、基于强化学习的无人机路径规划方法基于强化学习的无人机路径规划方法是一种机器学习的方法。
通过建立一个强化学习模型，将无人机路径规划问题转化为一个马尔可夫决策过程，在多轮决策中不断优化路径选择。
这种方法可以根据不同的飞行环境和任务需求进行自适应学习，但需要大量的训练数据。
五、基于协同探索的无人机路径规划方法基于协同探索的无人机路径规划方法是一种多无人机协同工作的方法。
通过多个无人机之间的通信和数据共享，在没有先验地图的情况下，实现对飞行环境的共同探测和路径规划。
这种方法适用于无人机任务需要同时覆盖较大面积的场景。
在无人机导航系统的路径规划方法研究中，以上提到的几种方法仅仅是众多方法中的一部分，每种方法都有其特定的适应场景和优缺点。
无人机路径规划技术的使用方法研究
无人机路径规划技术的使用方法研究无人机作为一种飞行器，被广泛应用于许多领域，如农业、航拍、快递等。
在无人机飞行过程中，路径规划是至关重要的一环。
良好的路径规划技术可以帮助无人机高效、安全地完成任务。
本文将探讨无人机路径规划技术的使用方法及其相关研究。
无人机路径规划技术的基础是飞行动力学和导航控制理论。
在路径规划中，掌握无人机的飞行动力学参数是必不可少的。
无人机的飞行动力学参数包括飞行速度、加速度、机身稳定性等要素。
了解这些参数可以帮助我们更好地了解无人机的飞行特点，从而更好地规划路径。
无人机路径规划技术分为离线规划和在线规划两种方法。
离线规划是在任务开始之前进行路径规划，将飞行区域划分为离散的点集，通过一定的算法计算出最佳路径，并将其预先存储在无人机的飞行控制系统中。
在线规划则是在无人机飞行过程中进行路径规划，实时更新路径以适应环境的变化。
对于离线规划，常见的算法包括最短路径算法、遗传算法和蚁群算法等。
最短路径算法通过建立无人机的飞行区域网络，计算起点到终点的最短路径。
遗传算法则通过模拟生物进化的方式，采用交叉、变异等操作来优化路径规划结果。
蚁群算法则模拟蚂蚁寻找食物的行为，通过信息素的传递来求解路径规划问题。
这些算法在不同场景下具有不同的优势和适用性，可以根据具体情况选择。
对于在线规划，常见的算法包括A*算法、RRT（Rapidly-exploring Random Tree）算法和D*算法等。
A*算法是一种常用的启发式搜索算法，通过估计从当前位置到目标位置的最佳路径，逐步搜索更新路径。
RRT算法则是一种快速探索算法，通过随机采样和快速生长树结构来生成路径。
D*算法则是一种增量搜索算法，通过在每次迭代中更新路径得到最优解，适用于动态环境下的路径规划。
在实际应用中，无人机路径规划还需要考虑到多个因素，如避障、能量消耗和通信成本等。
避障是无人机路径规划中的一项重要任务，可以使用传感器检测障碍物，并通过避障算法规避飞行障碍。
无人机的路径规划与多目标调度研究
无人机的路径规划与多目标调度研究无人机（Unmanned Aerial Vehicle，简称无人机）作为一种具有广泛应用前景的无人驾驶飞行器，正逐渐成为各个领域的研究热点之一。
路径规划和多目标调度是无人机应用中的重要问题，涉及到无人机飞行的安全性、效率和资源的优化利用。
本文将围绕无人机的路径规划和多目标调度展开研究，探讨如何提高无人机的飞行效能和应用效果。
首先，路径规划是指确定无人机在飞行过程中的最优航线或轨迹，以满足特定的任务需求。
路径规划问题可以分为单目标路径规划和多目标路径规划两类。
在单目标路径规划中，无人机需要根据特定的目标函数，在保证避免碰撞等基本约束条件的前提下，选择最短路径或最佳路径来实现特定任务，如货物投递、监测巡航等。
而在多目标路径规划中，无人机需要同时考虑多个目标，如时间成本、能耗、风险等方面，以达到最优平衡。
路径规划问题的解决方法较多，其中常用的包括启发式搜索算法和优化算法。
启发式搜索算法是一类通过启发式信息指导搜索的算法，如A*算法、Dijkstra算法等。
这些算法通过定义评估函数，根据启发式信息确定搜索顺序，从而寻找最优路径。
优化算法则通过数学建模，将路径规划问题转化为寻找最优解的优化问题，如遗传算法、粒子群算法等。
这些算法通过不断调整参数和解空间的搜索范围，寻找最佳路径方案。
其次，多目标调度是指根据无人机在不同任务之间的优先级和资源约束，合理分配任务以最大程度地提高整体效率。
在多目标调度中，无人机需要根据任务的紧急程度、距离、资源可用性等因素，平衡多个任务之间的关联性与时效性，实现最佳调度安排。
例如，在快递配送领域，无人机的调度需要考虑不同快递点之间的距离和快递量，以及无人机的飞行速度和可携带货物重量，通过优化算法实现最佳配送方案。
多目标调度问题的解决方法主要包括启发式调度算法和智能优化算法。
启发式调度算法通过规则和经验判断确定任务的执行顺序和资源分配，如最早截止时间优先调度算法、最短任务处理时间算法等。
大规模无人机群飞行路径规划与协同控制研究
大规模无人机群飞行路径规划与协同控制研究无人机技术的快速发展和广泛应用，使得大规模无人机群飞行成为可能。
大规模无人机群具备许多优势，如高度的机动性、灵活性和适应性，可以应用于飞行任务、监控任务、救援任务等领域。
然而，如何有效地规划和协同控制大规模无人机群的飞行路径仍然是一个具有挑战性的问题。
在大规模无人机群飞行中，路径规划的关键是确定每个无人机的飞行路径，以实现特定的任务目标。
针对无人机群的路径规划，有多种方法可以采用。
一种常见的方法是基于集群几何结构的路径规划。
该方法将无人机群划分为若干个子群，并通过规定子群之间的相互位置和关系来进行路径规划。
另一种方法是基于分布式算法的路径规划。
该方法中，每个无人机根据自身的感知信息和局部目标进行决策，并通过与其他无人机的通信和协作来达成整体的路径规划。
无人机群的协同控制是指无人机群中每个无人机的控制策略和动作需要与其他无人机相协调以实现整体目标。
协同控制的关键是解决无人机群中的冲突和碰撞问题。
一种常见的方法是通过分配无人机的任务和角色来避免冲突和碰撞。
例如，可以将无人机分为领航无人机和跟随无人机，在路径规划中保持一定的间隔。
此外，还可以采用集中式或分布式的控制方法，通过与其他无人机的通信和协作来实现无人机群的协同控制。
大规模无人机群飞行的路径规划和协同控制面临许多挑战。
首先，由于无人机数量的增加，路径规划算法的复杂性大大增加。
现有的路径规划算法需要考虑无人机之间的碰撞避免、避免路径冲突等问题。
其次，大规模无人机群的协同控制需要解决信息共享、通信延迟和数据处理等问题。
此外，不同类型的无人机和不同任务的无人机需要不同的控制策略和动作规划，这也增加了路径规划和协同控制的难度。
为了解决这些挑战，研究人员提出了一些解决方案。
一种解决方案是采用强化学习算法来进行路径规划和协同控制。
强化学习算法可以通过与环境的交互学习最优的路径规划和控制策略。
另一种解决方案是采用深度学习算法来进行路径规划和控制。
无人机多目标路径规划与协同控制
无人机多目标路径规划与协同控制无人机技术的快速发展使得无人机在各行各业都有着广泛的应用。
无人机的优势在于可以替代人工完成一系列的任务，比如空中摄影、农业植保、物流运输等。
然而，要使无人机能够高效地完成任务，就需要解决路径规划和协同控制的问题。
路径规划是指为无人机规划一条能够安全、高效地到达目标的路径。
在实际应用中，无人机往往需要同时执行多个任务，这就需要考虑多个目标点之间的路径规划。
而且，无人机在执行任务时，还需要考虑避开障碍物的问题。
因此，无人机多目标路径规划成为了一个挑战。
一种常见的解决思路是利用遗传算法来进行路径规划。
遗传算法是一种基于模拟生物进化的搜索算法，通过对候选解进行优胜劣汰的选择、交叉和变异操作，逐渐搜索到最优解。
在无人机路径规划中，可以将目标点作为候选解的基因，通过遗传算法来搜索最优路径。
这种方法的优点是能够处理多目标问题，并且能够在复杂环境中进行路径规划。
但是，遗传算法的计算复杂度较高，需要考虑计算时间的问题。
除了遗传算法外，还可以利用人工势场法进行路径规划。
人工势场法是一种基于力学原理的路径规划方法，通过将无人机和障碍物看作带电粒子，并给它们赋予引力和斥力，来达到规划路径的目的。
在实际应用中，可以利用传感器获取周围环境信息，然后根据人工势场法来规划路径。
这种方法的优点是计算简单，但是存在着潜在的问题。
例如，当无人机进入局部最小值区域时，很难找到最优路径。
此外，人工势场法对障碍物的形状和大小比较敏感，对环境变化的适应性较差。
无人机路径规划的另一个重要问题是协同控制。
在多个无人机同时执行任务时，需要对它们进行协同控制，确保它们能够按照预定的路径进行飞行，并且不会相互干扰。
协同控制主要包括任务分配和轨迹跟踪两个方面。
任务分配是指根据任务的性质和无人机的能力，将任务合理地分配给不同的无人机。
在任务分配过程中，需要考虑无人机的性能、状态、能量等因素，以及任务之间的相互依赖关系。
此外，还需要考虑无人机之间的通信和协作能力，确保任务能够按时完成。
无人机技术中的路径规划算法对比分析
无人机技术中的路径规划算法对比分析无人机技术的迅猛发展为我们提供了许多新的机遇和挑战。
路径规划是无人机操作中的关键环节，它决定了无人机在任务执行中的飞行路径，直接影响着任务的安全性、效率和成功率。
在无人机技术中，存在多种路径规划算法，本文将对其中的几个常见算法进行对比分析。
1. Dijkstra算法Dijkstra算法是一种经典的最短路径规划算法，它基于图论中的贪婪算法，通过计算节点之间的距离和权重来确定最优路径。
在无人机技术中，Dijkstra算法能够快速找到最短路径，但是对于复杂的环境和大规模的网络来说，计算复杂度较高，运行时间较长。
2. A*算法A*算法是一种常用的启发式搜索算法，它在Dijkstra算法的基础上引入了启发式函数来加速搜索过程。
启发式函数通过估计从当前节点到目标节点的最短距离来指导搜索方向，提高了搜索效率。
在无人机路径规划中，A*算法能够在复杂环境中快速找到最优路径，但是需要预先知道目标节点的位置，并且对启发函数的设计要求较高。
3. RRT算法RRT（Rapidly-exploring Random Trees）算法是一种基于随机采样的快速搜索算法。
它通过随机选择采样点，并在搜索树中进行逐步扩展，最终找到路径。
在无人机技术中，RRT算法能够有效处理高维空间的搜索问题，适用于复杂环境下的路径规划。
但是，RRT算法也存在局部最优问题，可能导致无人机不能找到全局最优路径。
4. D*算法D*算法是一种增量路径规划算法，它能够在遇到环境变化时快速调整路径。
D*算法通过局部信息的更新与传播来适应环境的变化，并实时生成新的路径。
在无人机技术中，D*算法能够应对环境变化频繁的情况，使无人机能够实时调整飞行路径。
5. PSO算法PSO（Particle Swarm Optimization）算法是一种仿生优化算法，通过模拟鸟群或粒子的群体行为来获得最优解。
在无人机路径规划中，PSO算法能够在搜索空间中快速找到最优路径，并且对问题的输入和约束条件没有要求，具有较好的适应性。
无人机航迹规划中的路径规划算法比较与优化
无人机航迹规划中的路径规划算法比较与优化无人机（Unmanned Aerial Vehicle，简称无人机）作为近年来飞行器技术的重要突破之一，在航空航天、军事、农业、物流等领域发挥着重要作用。
在无人机的飞行控制中，路径规划算法的选择至关重要，它决定了无人机的飞行轨迹，直接影响着无人机飞行的效率和安全性。
本文将对几种常见的无人机路径规划算法进行比较与优化分析。
1. 最短路径算法最短路径算法是无人机航迹规划中最常用的算法之一。
其中，迪杰斯特拉（Dijkstra）算法和A*算法是两种主要的最短路径算法。
迪杰斯特拉算法是一种基于广度优先搜索的算法，通过不断更新每个节点的最短路径长度，最终确定无人机飞行的最短路径。
A*算法在迪杰斯特拉算法的基础上加入了启发式函数，能够更加准确地估计路径的代价。
2. 遗传算法遗传算法是一种模拟自然界进化过程的优化算法。
它通过对候选路径进行遗传操作（如选择、交叉、变异等），通过适应度函数对路径进行评估，最终得到适应度最高的最优路径。
遗传算法具有较好的全局搜索能力，能够寻找到较优的飞行路径。
3. 蚁群优化算法蚁群优化算法模拟了蚂蚁的觅食行为，通过信息素的交流和更新来实现路径的优化。
蚁群算法具有较强的自适应性和鲁棒性，能够快速找到较优的路径。
在无人机航迹规划中，蚁群算法可以有效解决多无人机协同飞行的问题。
4. PSO算法粒子群优化（Particle Swarm Optimization，简称PSO）算法模拟了鸟群觅食的行为，通过不断地更新粒子的位置和速度，寻找最优解。
PSO算法具有较好的收敛性和全局搜索能力，在无人机航迹规划中能够有效地找到较优的路径。
5. 强化学习算法强化学习算法是一种通过试错和奖惩机制来优化路径选择的算法。
它通过构建马尔可夫决策过程（Markov Decision Process，简称MDP）模型，通过不断地与环境交互来学习最优策略。
强化学习算法在无人机航迹规划中能够适应环境的变化，快速学习到最优路径。
无人机的智能化路径规划与控制
无人机的智能化路径规划与控制在当今科技飞速发展的时代，无人机已经成为了一个备受瞩目的领域。
从军事侦察到民用的航拍、物流配送，无人机的应用场景越来越广泛。
而在这其中，无人机的智能化路径规划与控制无疑是关键的技术之一，它决定了无人机能否高效、安全地完成各种任务。
要理解无人机的智能化路径规划与控制，首先得明白什么是路径规划。
简单来说，路径规划就是为无人机找到一条从起点到终点的最优路径。
这可不是一件简单的事情，因为在实际情况中，无人机面临着各种各样的限制和挑战。
比如说，环境中可能存在障碍物，比如高楼大厦、山脉、电线等；还有气象条件的影响，风、雨、雾都可能干扰无人机的飞行；另外，任务的要求也各不相同，有的需要快速到达，有的需要节省能源，有的需要避开敏感区域。
那么，如何为无人机规划出一条既安全又高效的路径呢？这就需要依靠一系列的技术和算法。
在传统的方法中，通常是基于地图和预先设定的规则来进行路径规划。
但这种方法存在很大的局限性，它无法应对复杂多变的环境和突发情况。
随着技术的进步，智能化的路径规划方法逐渐崭露头角。
其中一种常见的方法是基于传感器数据的实时感知和处理。
无人机上配备了各种传感器，比如摄像头、激光雷达、GPS 等，这些传感器可以实时收集周围环境的信息。
通过对这些信息的分析和处理，无人机能够动态地调整自己的路径，避开障碍物，选择最优的飞行路线。
另一种重要的方法是利用机器学习和人工智能算法。
通过让无人机在大量的模拟环境和实际飞行数据中进行学习，它可以逐渐掌握不同情况下的最佳路径规划策略。
例如，深度强化学习算法可以让无人机在与环境的不断交互中，学习到如何做出最优的决策，以达到目标。
在路径规划完成后，接下来就是控制无人机沿着规划好的路径飞行。
这涉及到对无人机的姿态、速度、高度等多个方面的精确控制。
为了实现这一点，需要先进的控制系统和算法。
比如，PID 控制算法是一种常用的控制方法，它通过对误差的比例、积分和微分进行计算，来调整控制量，从而使无人机能够稳定地飞行。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
·88· 兵工自动化 Ordnance Industry Automation2019-04
38(4)
doi: 10.7690/bgzdh.2019.04.021 无人机雁行仿生群飞路径规划
周 良，王茂森，戴劲松 (南京理工大学机械工程学院，南京 210094)
摘要：为解决单架无人机因互相之间没有通信机制而无法独立进行路径规划的问题，提出一种仿生雁群路径航路选择的无人机群飞路径规划。介绍算法原理，将无人机初始化为粒子后，在无人机群中确定主机、僚机。依据遗传算法基础原理，将仿生学引入到无人机群协同编队飞行航点规划当中，使用遗传算法对组群飞行的主机航路进行路径规划，产生需要的解或最优解；通过模仿雁群跟随的策略，设计僚机跟随主机的算法，从而实现组群飞行，并进行了实验验证。实验结果表明，该研究对无人机群飞行控制有一定的参考价值。 关键词：无人机群；雁行；仿生；路径规划 中图分类号：TP302 文献标志码：A
Bionic Route Planning of UAV Based on Stimulating Wild Goose Flyiing
Zhou Liang, Wang Maosen, Dai Jinsong (School of Mechanical Engineering, Nanjing University of Science & Technology, Nanjing 210094, China)
Abstract: In order to solve the problem that single UAV cannot plan route independently since there is no communication mechanism between each other, an UAV route planning of bionic goose group path selection is proposed. Introduce the algorithm principle. After the UAV is initialized into particles, the host and the wing aircraft are identified in the UAV group. According to the basic principle of genetic algorithm, bionics is introduced into the planning of UAV group cooperative flying point plane. The genetic algorithm is used to plan the path of the host flight path of group flying, and the solution or optimal solution is generated. By simulating the strategy followed by the geese group, the algorithm of the downtime following the host was designed to realize the group flight. The flight test was carried out. The experimental results show that the research has certain reference value for UAV group flight control. Keywords: UAV group; goose group flying; bionics; path planning
0 引言 近年来，无人机日益成为人工智能领域中最活跃、研发进度最快、应用最广泛的研究课题，尤其是在军事方面的运用[1]。单架无人机由于缺乏冗余
设计，一旦发生故障、路况突变，只能放弃任务并返航[2]。无人机群协同编队飞行不仅能统筹协调规
划任务，而且通过多机系统通信可以掌握更全面的路况信息，显著地提高了无人机的飞行性能指标[3]。
目前，国内外无人机编队飞行控制方法主要有：1)长僚机控制法；2) 人工势场法；3) 图论法等[4]。
这些方法主要局限于单架无人机的航点规划，对多架次无人机的组群飞行路径规划问题的研究文献还比较少[5]。
笔者模拟分析雁群跟随头雁的列队方式以及个雁用眼睛近距离观测并躲避障碍物的方法，基于无人机群主僚机协同编队飞行与生物系统雁群编队飞行的相似性，将仿生学引入到无人机群协同编队飞
行航点规划当中。在遗传算法基础上改进，对长机进行航点规划，僚机跟随长机，并辅以防碰撞算法，使无人机群能够模仿雁群进行自主规划路径。
1 经纬度与东北天坐标系换算 笔者以四旋翼无人机为基础，携带GPS导航系统，通过GPS模块获取位置信息，即经纬度坐标。无人机接收到的航点信息需要转换成便于任务分配的东北天坐标系下的航点坐标[6]。
基于经度和纬度概念，可以导出东北天坐标系和经纬度坐标系下的坐标转化关系。假设当前的经纬度坐标为(lon1,lat1)，目标航点的经纬度坐标为(lon2,lat2)，它们之间的经度差值的计算公式可表示为dlon=lon1-lon2，在东北天坐标系下经度差dLon计算如下式： dlondLon400757km360.
。 (1)
其中40 075.7 km是赤道周长。由于地球不同纬度 1 收稿日期：2018-11-25；修回日期：2019-01-06
作者简介：周 良(1993—)，男，江苏人，硕士，从事人工智能研究。 ·89·周 良等：无人机雁行仿生群飞路径规划第4期
的纬线长不同，有必要将纬度差dLat转换成东北天坐标系下的距离差dLat，换算公式如下：
latdlatdLat400757km360r.
r
赤道
； (2)
latcoslat
r
r
赤道。 (3)
不难发现，在离开本地(118.861 856E, 32.025 833W) 1 m的距离，在经度方向上约等于0.000 010°，在纬
度方向上1 m近似等于0.000 009°。 为获得准确的经纬度坐标，笔者首先确定起始点的经纬度，然后在起始点经纬度基础上，叠加东北天坐标系下的相对距离换算而来的经纬度偏移量。由此可得，经度值Lon和其纬度值Lat如下：
00
Lonlon0.000010Latlat0.000009x
y
。 (4)
2 雁行仿生群飞算法 2.1 仿生群飞算法原理 对于无人机群路径规划，传统解决方案不仅计算耗费时间较长，而且规划的路径无法根据路径实时变更，灵活性较差。笔者在遗传算法基础上进行改进，对无人机群主机进行航点规划，然后模仿雁群跟随的策略，设计僚机跟随主机的算法。 遗传算法使用染色体表示一种解决方案，并使用二进制进行编码，为后续的遗传变异操作提供一种新的解决方案。建立一个评价标准为合规路径长度的适应度函数对新的个体进行评价，并且对评价结果进行排序。然后，进行遗传、编译、选择并迭代产生下一代更优秀的个体，直至产生满足条件的解或者最优的解为止。 规划完成后，主机沿着遗传算法预定的轨迹飞行，僚机则根据组群规则计算自身与主机之间的距离并规划自身路径，从而实现组群飞行。笔者以三角队形为例介绍编队策略。 如图1所示，在三角队形中，首先确定主机1号机的位置，僚机2号机相对于1号机的位移X1、Y，僚机3号机相对于1号机的位移X2、Y，均保持不变，需要在经纬度坐标基础上叠加相应的数值，即可实现编队的队形控制。
图1 算法流程
主机根据上述规则计算得到各单架无人机的经纬度坐标后，将其依据MAVLink协议打包发送给附近的僚机。僚机接收到数据包后，提取航点任务信息，据此调节对自身姿态的俯仰角、滚转角和偏航角对自身的姿态进行PID控制，从而实现对目标
航点的追踪[7]。图2为僚机跟随算法的流程。
图2 僚机跟随算法流程 2.2 主机航点规划算法 为了便于建模及讨论，将无人机视作质点，将无人机经过的路径看成由若干微小直线段构成，那么无人机群中主机在遗传算法里采用的表示方法为 1122,,,nnTxiyxiyxiy。 (5)
式中的(x,y)为航路中各个微小直线段端点的坐标。对各个航路的评价主要有2个方面：一方面，规划
路径的长度越小；另一方面与路障的重合度越小，则评价函数值越高。评价函数如下式所示： 111211()NNmiiii
FTp
。 (6)
其中：1、2分别为2项指标所占评价系统比重的比例系数；1是路径长度所占的比例系数；ip代表
各子线段的长度；2是航路与路障重合度所占的比例系数；i表示各微小直线段的重合度，表达式为
0Miijj
。 (7)
式中：M为障碍物总数；ij为第j个障碍物和第i条子线段的重合度。重合度计算公式如下：