基于流水避石原理的无人机三维航路规划

<正>对一种新颖的基于流水避石原理的无人机三维航路规划技术进行了阐述。复杂地形条件下具有全局最优性的无人机三维航路规划问题,不但要考虑地形对飞行安全的影响,还要考虑无人机自身的性能约束,最终规划出三维空间内可供无人机实际飞行的平滑航路。传统航路规划算法在计算复杂度、航路平滑性等方面难以令人满意。流水避石航路规划算法受自然界流水避开岩石并最终到达目标点的现象启发,通过提取复杂     

群体智能支撑的无人机群航路规划应用综述

无人机群航路规划的主要目标是为每架无人机生成一条连接起始点和目标点并满足约束条件的可飞行路径。传统方法主要以代价地图为基础，采用动态规划与几何运算等方法解决无人机群的路径规划问题。然而，这些方法难以解决无人机群的几何、物理与时间等复杂多约束问题，而且代价地图的构建十分耗时，使得无人机群难以应对复杂多变的实际环境。近年来，群体智能技术的出现为无人机群路径规划提供了新思路，该技术不但能够解决无人机一维静态的路径优化问题，同时为多维动态路径的优化提供更加精准、快速、有效的智能解决方案。此外，机载智能硬件的飞速发展也极大提升了无人机群的通信速率与运算效率，使得无人机群具备环境适应能力强、部署灵活和多功能集成等优势。基于以上背景，阐述了无人机群航路规划的环境感知建模、适应度函数、约束条件和障碍物规避四方面内容；综述了群体智能算法原理，并分析讨论了5种群体智能算法以及其应用于无人机群航路规划的优缺点；分析和展望了群体智能算法应用于无人机群航路规划与任务协同方向的发展趋势。     

浅析无人机在未知环境下的航路规划

无人机具备在未知环境下实时航路规划的能力将成为今后无人机航路规划重要的发展方向。本文针对无人机执行任务的未知环境,给出了基于威胁目标存在概率的环境信息模型,并将环境概率模型用于航路代价函数,最后通过局部优化策略和滚动时域思想对航路进行了实时规划,将全局优化方法和局部优化方法有效地结合到航路规划中,为无人机的航路规划提供了有力支撑。     

自适应蚁群算法的无人机航迹规划方法

为了提高无人机完成任务效率,在执行攻击任务前必需规划设计出高效的无人机飞行航路.提出了一种Q-学习的自适应蚁群算法的无人机航路规划方法,建立了基于真实地形数据和火力威胁区的威胁模型;针对传统蚁群算法在搜索过程中出现停滞现象,提出的Q-学习的自适应蚁群算法有效地解决了这一缺陷.并使用该算法对无人机的攻击任务航路进行了仿真计算,仿真结果表明该方法是一种有效的航路规划方法.     

基于预探索的动态自适应3DVFH+无人机避障算法

为解决无人机在未知复杂环境下的自主避障规划问题,同时考虑到旋翼无人机平台硬件资源稀缺的问题,提出了一种基于预探索的动态自适应3DVFH+算法。根据无人机飞行进度以及障碍物信息,动态调整代价函数的自适应权重因子;通过对无人机视野范围的预探索,构建了搜索树,并对障碍物及无人机模型进行了建模研究,同步实现了无人机在复杂环境中的可视化分析。结果表明,动态自适应代价函数消除了3DVFH+算法的死区现象;预探索机制解决了算法的局部最优解问题,规划航线缩短37.15%,所需时间减少24.48%。同时搭建了复杂度较高的森林障碍物进行验证分析,相较于使用八叉树框架建图的3DVFH+算法执行相同避障规划任务时节省内存可达25.26%。     

无人机航路规划算法研究

针对无人机航路规划问题,研究了一种基于元胞蚂蚁算法的无人机航路规划方法.元胞蚂蚁算法对基本蚁群算法进行了系列改进,并将元胞邻居演化和改进后的蚂蚁寻优相结合,有效地克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,提高了算法的运算精度,从而为解决复杂战场环境下无人机航路规划这一多约束多目标优化问题提供了一条可行...     

无人机任务规划系统

规划无人机的航路主要是为了可以更好的完成的复杂任务,实现快速有效的规划是非常重要的。无人机在执行飞行任务的时候,无人机需要结合地形和地貌等信息,了解飞机自身的机动能力,对于飞行航路进行实时计算,对于该行路进行跟踪,尽快的完成飞行任务。本文主要对于无人机航路规划进行全面的论述,从而获得良好的飞行品质。     

无人机在突防行动中的航路规划研究

在分析航路规划对无人机突防行动重要性的基础上,研究了无人机突防航路规划的基本方法,给出了突防航路的代价函数和航路的构建及优化方法,最后利用文章探讨的方法对某无人机的突防航路规划进行了实例仿真,其研究的原理和方法对无人机突防能力的提高将产生积极的影响,可为无人机的作战运用提供有力支撑。     

基于作战效能的无人机航路规划研究

综合考虑目标分配与航路规划全过程,提出一种基于作战效能的无人机航路规划方法.在航路规划层利用变长染色体遗传算法规划无人机的初始航路,在协同规划层则以作战效能为指标,运用遗传粒子群优化算法进行任务优化分配,最终得到一个备选航路集.然后,利用协同算法可在备选航路集中找到满足要求的任务航路.该方法不仅能够规划出单机或多机协同全局航路,而且还可根据威胁环境或目标变化适时修正航路,并始终保证较高攻击效能.     

将盘旋动作引入自主航路规划的方法

为了使侦察无人机在不确定环境下航路选择更加灵活,提出了一种将盘旋动作引入到自主航路规划中的方法。首先,分析了盘旋动作对机载侦察设备的不利影响,以及盘旋动作对扩大航路选择范围上的优势。然后,通过设置修正系数的方法,对航路选择的目标函数进行改进,将盘旋动作引入到无人机航路规划的决策集中。最后,通过仿真试验验证了该方法的有效性。     

基于Agent的UAV智能导航技术研究

UAV智能导航是指在复杂动态环境下,UAV能够通过对周围环境的感知自主进行智能路径优化,减小轨迹中的误差安全到达目的地,同时尽量降低代价。智能导航需要解决自身定位、环境态势感知、导航方式决策、智能管理以及航路引导决策等关键技术,确保能够具有实时可靠的位置、速度、姿态等导航信息以及安全的路径。本文将智能Agent引入到导航系统中,建立了基于Agent的智能导航决策方法,给出了智能导航系统的组成、功能等。在此基础上,提出了一种基于人工势场的航迹规划方法,使得uAV在任意航路点之间进行智能路径规划。     

基于改进A*算法的无人机动态航迹规划

在无人机航路规划问题的研究中,针对传统 A*算法在航路规划中的不足,提出了一种增加约束条件的广义搜索 A*算法,并将该算法应用到动态航路规划中。该算法在节点搜索中解决了 A*算法大空间搜索的复杂程度,而且用重新估价代价值来满足无人机的实时性,最后用平滑处理算法使规划的航路满足无人机的机动性能约束。仿真结果表明,该算法性能优于传统 A*算法,具有很好的实时性,适用于无人机航路规划的工程应用。     

基于改进蚁群算法的无人机低空突防三维航迹规划

探讨了无人机低空突防三维航迹规划中地形、威胁以及航迹代价评估等模型的建立方法.将蚁群算法引入无人机航迹规划,针对传统蚁群算法易出现停滞现象,引入偏航角对启发信息进行调整改进;建立优先搜索集,使蚁群算法更快速有效地搜索到最优航迹.仿真实验结果证明了该规划方法的效率.     

基于数字地图的高速无人机低空航线控制系统设计

为解决高速无人机低空突防高度控制精度问题、搭载高精度传感器使用成本问题及地形位置信息存储、运算问题,文章设计了一种基于数字地图的高速无人机低空航线控制系统,通过对预设航线飞行区域的数字地图高度信息拾取、处理并规划调整航线,通过引入GPS垂速并结合无人机自身飞行性能调整飞行控制参数解决高度跟随控制精度问题,在提高精度的同时完成对成本的控制,具有较强的工程使用价值。     

遗传算法在无人机航路规划中的应用

随着无人机在现代战争中的作用日趋重要,对无人机航路规划的研究也越来越多。分析了无人机航路规划涉及的因素和处理过程,介绍了遗传算法的相关内容。根据无人机航路规划涉及因素多、计算量大的特点,采用遗传算法进行航路规划。给出了遗传算法编码方法以及算法参数、终止条件的设置方法,提供了一个应用示例,并给出了一些改进的建议。     

基于粒子群算法的无人机航迹规划简

文中提出了一种基于粒子群算法的无人机航迹规划算法。为了减少规划的难度,通过“最小威胁曲面”概念的引入,将“最小威胁曲面”进行水平投影,从而将三维航迹规划问题转换成为二维航迹规划问题进行处理;然后利用动态粒子群算法在水平投影面里进行航迹搜索;最后给出了仿真验证,通过仿真结果可以看出,本文介绍的航迹规划方法的有效性。     

紫外非均匀虚拟势场下无人机编队重构避碰算法

针对复杂电磁环境下无人机编队重构过程中的路径规划和机间避碰问题,该文在传统紫外虚拟势场基础上,利用距离因子对斥力函数进行了改进,构建了一种紫外非均匀虚拟势场来协助无人机进行机间避碰。改进的紫外非均匀虚拟势场可以使得无人机避碰路径更加平滑,相同时间内,无人机可以飞行更远的距离。此外,通过无线紫外光测距方法计算无人机机间距离,并结合紫外非均匀势场对传统的人工势场法进行改进,实现无人机编队重构。仿真结果表明,该文算法可以有效解决传统算法下路径振荡和局部最小值问题,同时避碰效率相比传统人工势场算法有明显提升,在预设环境中该文算法路程缩短6%,到达目标点的时间提前40%。最后在两种不同的队形重构场景下,对该文算法进行了验证,结果表明该文算法可以有效实现无人机队形重构中预期的机间避碰效果。     

基于智能算法的无人机航迹规划

文中针对多无人机在复杂约束条件下编队协同、巡航范围内覆盖率高的问题,基于K-means算法和Hop-field神经网络算法实现了一种无人机整体航迹规划方法。对任务要求的禁飞区域、目标区域建立任务区域的数字地图模型,进行模型分解合理的将有效区域分解为多个子目标点。随后采用K-means算法对无人机巡航的目标点进行聚类,并结合Hop-field神经网络算法对同类子目标点进行无人机航迹规划。以无人机在抗震救灾中的真实数据为实例,通过仿真实现了巡航区域90%的覆盖率,验证了文中方法的鲁棒性和有效性。     

基于改进粒子群优化算法的无人机实时航迹规划

在无人机航迹规划中,通过改变惯性权重和采用自适应粒子群编码方式,以最大转弯半径、步进、最短距离和回避威胁作为航迹的评价指标,将约束条件、地形地貌及威胁信息引入适应度函数等方法,对粒子群优化算法进行改进,解决了粒子群算法在寻优过程中易陷入局部最优的问题.仿真结果表明,该方法可实现在线实时航迹规划.     

基于分层处理的无人机任务规划

随着无人机在现代战争中的作用日趋重要,对无人机任务规划的研究也越来越多。根据无人机任务规划涉及的内容,分析了它的要求和包含的主要功能,给出了任务规划的处理流程。任务规划涉及的因素复杂繁多,所以采用分层处理来解决任务规划问题,并利用聚类算法和遗传算法解决目标分配和航路规划2个核心问题。