多航空器自组织绕飞航迹优化理论研究

阐述为提高空域利用率，在保障飞行安全的前提下，提出多架航空器在指定空域内改航方法。将存在雷暴天气的空域进行地图栅格化，以改航路径最短、离危险天气足够安全距离等为约束条件，在遗传算法（GA）基础上引入自组织神经网络（SOM）方法，建立两架航空器改航航迹模型，在雷暴天气上风面进行改航，生成动态改航航迹。仿真结果显示，运用SOM-GA算法对改航航迹进行规划后，两架航空器能动态实时规划改航航迹，成功绕飞雷暴区域。     

融合改进A*算法和动态窗口法的全局动态路径规划

为解决移动机器人路径规划难题,设计了融合改进A*算法和动态窗口法的全局动态路径规划方法.首先,基于传统A*算法结合JPS算法对子节点进行扩展跳跃,提高路径规划效率;其次,结合Floyd算法对所规划路径进行平滑优化;最后,融合动态窗口法使A*算法可进行全局动态路径规划.基于Matlab平台将全局动态路径规划算法在8种规格栅格地图中进行仿真实验.分析结果得知,融合算法在效率和平滑性上得到极大改善,且可进行动态避障,融合改进后的全局动态路径规划算法具有明显优秀的路径规划能力.     

基于多策略SSO和改进A*算法的无人机动态航迹规划

针对无人机遇到突发威胁动态航迹规划问题,提出了一种基于多策略SSO和改进A*算法的无人机动态航迹规划方法。该方法将无人机航迹规划划分为静态航迹规划和突发威胁实时规避两个阶段:首先,对于静态航迹规划阶段,采用多策略SSO优化算法对极坐标航迹规划模型进行求解,通过引入完全弹性碰撞、自适应跳跃等机制,在有效满足飞行性能约束的同时,提高了航迹规划结果的可行性;其次,对于突发威胁实时规避阶段,采用改进A*算法对局部区域进行航迹重规划,通过拓展A*算法搜索邻域个数和引入最小"弯折"估计代价函数,在保证实时性要求的同时,能够规划出更加平滑的最优航迹。仿真结果表明,提出的方法能够有效地给出更为满意的无人机动态航迹规划路线。     

融合生物信息素的改进稀疏A*探索航迹规划

针对已知起点和终点、而环境信息未知情况下的探索航迹规划问题,提出了融合生物信息素的改进稀疏A*无人机探索航迹规划算法.以激光雷达获取的局部地图信息为基础,通过引入生物信息素,对稀疏A*算法中的代价函数进行优化,实现未知环境下自主规避障碍物,并避免环境重复探索.在此基础上,提出了基于机器人操作系统(ROS)的物理实施途径.通过"回"字形场景下的仿真实验对比,验证了所提算法可避免环境重复探索的有效性.此外,在"回"字形基础上,将所提算法推广应用于柱状障碍物场景.实验结果表明:所提出的融合生物信息素的改进稀疏A*探索航迹规划算法能有效实现未知环境探索航迹规划.     

改进A*算法的多约束航迹规划

针对当前航迹规划的研究偏于理论、规划效率不高的问题, 从工程应用出发, 分析了航迹规划的多种约束条件, 提出了一种多约束条件下的快速航迹规划方法, 设计了基于航向角有限离散变化思想的工程化搜索策略;改进了A*算法流程, 采用结构体链表式的最小二叉堆技术管理OPEN表和CLOSE表, 显著提高算法的规划效率;提出了删除航路点的航迹优化方法, 对传统A*算法和改进的算法分别进行了仿真。结果表明, 在多约束条件下, 该方法显著提高了规划效率。     

灾情侦测无人机动态航迹规划算法设计

提出了一种应用于灾情侦测无人机的动态航迹规划算法。当突发地震、洪水等重大灾害时,可第一时间获取灾情环境信息,并利用无人机携带侦测设备对灾害现场信息、图像进行探测和实时传送。提出了一种基于文化算法框架下的动态航迹规划算法,首先针对环境中的不同地形进行模型构建,对丘陵、山峰等障碍物设计相应的函数模型,构建数字地图,在该地图模型上进行动态航迹规划,该航迹规划算法可使无人机在飞行过程中自主规划航迹,实现超低空飞行,使信息采集更准确,有效的辅助救援策略的制定。通过仿真验证,并与多种算法进行比较,证明了该算法的可行性与有效性。     

基于改进A*算法的水下航行器自主搜索航迹规划

以水下航行器在水下路径规划为研究重点,提出了基于改进型A*算法的水下无人航行器自主搜索航迹规划算法。一般航迹规划可由多种算法完成,而在这些算法中以A*的计算流程最为简单、算法易于实现,并在理论上可保证全局最优解的收敛性;且程序较为简短,可在一些低功耗、低主频的系统中应用。由于传统的A*算法不具备最小转弯半径等约束条件,因此,针对水下航行器高低速问题,对传统的A*算法进行改进,使得A*算法可实现高速与低速相结合的应用。     

一种具有预测能力的实时三维航迹规划方法

为提高飞行器对地攻击效能,必须对其三维航迹规划技术进行研究.通过考虑飞行器姿态变化对暴露范围的影响,建立了飞行器简化RCS模型;考虑到威胁并非不可穿越,建立了间歇式暴露模型;在改进稀疏A*算法的基础上提出了一种具有实时规划能力的分步规划算法,针对该算法存在规划“死胡同”的缺陷,提出了一种具有预测能力的三维航迹规划方法;...     

基于LPA~*算法的无人机三维航迹快速规划研究

针对无人机的快速航迹规划展开研究.首先针对航迹规划的实际需要,将航迹规划划分为二维的航线规划和二维航线点之间的三维航迹规划;然后对二维威胁建模得到的赋权图,用Dijkatra算法产生初始的多任务二维航线;再结合无人机在飞行过程中的约束条件,提出动态权值的三维LPA*的航迹规划方法对二维航线产生的航线点之间进行规划,满足地形回避和威胁回避.仿真表明,上述方法可以有效快速地完成规划任务,同时当数字地图改变时,LPA*算法可以通过检测局部一致性来避免进行重新的全局搜索,大大缩减了搜索空间,从而可以快速地修正航迹.     

未知环境中的无人机航迹搜索策略

为了让无人机具有在未知环境中完成任务的能力,无人机必须根据实际的环境变化进行实时的快速的航迹规划。针对这个问题,通过将滚动时域优化思想与A*搜索算法相结合,提出了一种实时局部优化航迹搜索(LORS)策略。该算法借鉴A*算法的基本思想,并且考虑未知环境的特点和无人机自身的限制,采取滚动时域优化的思想对航迹进行在线实时规划,在生成可飞航迹的同时大大地减少了计算量。通过仿真结果表明,该算法可以针对未知环境中的固定和低速运动威胁,实时地生成满意的航迹。     

利用概率天气预报的通航飞行路径规划

为解决实际天气与天气预报不一致时根据确定性天气预报所规划飞行路径效益低的问题,提出一种利用以概率方式给出的天气预报,对通用航空飞行路径进行规划的方法。该方法利用由集合数值天气预报得到的概率天气预报信息,构建空域概率天气模型,使用分阶段飞行路径规划方法保障预期规划目标的实现,将飞行路径规划分解为多个阶段,除第一阶段外,从每个阶段的每个起始点出发都分别规划绕飞和穿越可能的危险天气区域两条不同的路径,各阶段的不同路径采用A*算法进行搜索,得到包含多条飞行路径的规划飞行路径集合。实验结果表明,在保证安全性的前提下,该方法规划的飞行路径与其他典型算法规划的飞行路径相比,在统计意义上的期望飞行距离显著减小。      

基于双层蚁群算法和动态环境的机器人路径规划方法

针对动态环境未知时变的特点,提出一种机器人路径规划新方法.在该方法中,首先对栅格法建立的环境模型进行凸化处理,以避免机器人沿规划路径移动时陷入U型陷阱,从而加快路径规划的速度;其次,提出双层蚁群算法（DACO）,在每次迭代中先用外层蚁群算法寻找一条路径,然后以该路径为基础构造一个小环境,接着在该环境下用内层蚁群算法重新寻优,若寻得的路径质量更高,则更新路径并执行本文给出的一种新型信息素二次更新策略;最后,针对环境中不同动态障碍物的体积和速度,提出三种避障策略.动态环境下,机器人先由DACO算法规划一条静态环境下从起点到终点的全局最优路径,然后从当前起点开始,通过自带传感器获取动态环境信息,并根据需要执行等待、正碰或追尾避障策略,到达新的起点.仿真实验表明,该方法可以在动态环境下实时地为移动机器人规划出一条安全且最短的路径,是求解移动机器人路径规划问题的一种切实有效的方法.     

HQD-RRT*: a high-quality path planner for mobile robot in dynamic environment

Mobile robots have been used for many industrial scenarios which can realize automated manufacturing process instead of human workers. To improve the quality of the optimal rapidly-exploring random tree ( RRT* ) for planning path in dynamic environment, a high-quality dynamic rapidly-exploring random tree ( HQD-RRT* ) algorithm is proposed in this paper, which generates a high-quality solution with optimal path length in dynamic environment. This method proceeds in two stages: initial path generation and path re-planning. Firstly, the initial path is generated by an improved smart rapidly-exploring random tree ( RRT* -SMART) algorithm, and the state tree information is stored as prior knowledge. During the process of path execution, a strategy of obstacle avoidance is proposed to avoid moving obstacles. The cost and smoothness of path are considered to re-plan the initial path to improve the path quality in this strategy. Compared with related work, a higher-quality path in dynamic     

一种多约束条件下路径规划算法研究

针对目前导航系统中重要的多约束条件下路径规划功能,结合A＊算法和蚁群算法提出一种新的不确定算法,该算法首先将多约束条件进行融合使其适合蚁群转移,并在基本蚁群算法基础上采用了A＊算法的评估指标,为蚁群转移时提供最优预测收敛点。通过实验证明该算法可以大幅度降低时间消耗,并且全局收敛性强,计算结果稳定。     

Robot path planner based on deep reinforcement learning and the seeker optimization algorithm

Path planning is one of the key technologies for mobile robot applications. However, the traditional robot path planner has a slow planning response, which leads to a long navigation completion time. In this paper, we propose a novel robot path planner (SOA+A2C) that produces global and local path planners with the seeker optimization algorithm (SOA) and the advantage actor-critic (A2C) algorithm, respectively. In addition, to solve the problems of poor convergence performance when training deep reinforcement learning (DRL) agents in complex path planning tasks and path redundancy when metaheuristic algorithms, such as SOA, are used for path planning, we propose the incremental map training method and path de-redundancy method. Simulation results show that first, the incremental map training method can improve the convergence performance of the DRL agent in complex path planning tasks. Second, the path de-redundancy method can effectively alleviate path redundancy without sacrificing the search capability of the metaheuristic algorithm. Third, the SOA+A2C path planner is superior to the Dijkstra & dynamic window approach (Dijkstra+DWA) and the Dijkstra & timed elastic band (Dijkstra+TEB) path planners provided by the robot operating system (ROS) in terms of path length, path planning response time, and navigation completion time. Therefore, the developed SOA+A2C path planner can serve as an effective tool for mobile robot path planning.     

基于改进RRT算法的无人机航迹规划

针对快速扩展随机树（RRT）算法用于无人机自主在线航迹规划时,只能快速获得可行的航迹,无法获得接近于最短航迹的较优航迹的缺点,提出了一种改进的RRT算法.该算法将无人机动力学约束融入到节点扩展过程中,通过改进离随机采样点最近的根节点的选取策略和引入航迹距离约束,搜索树将沿着航迹距离较短的方向朝着目标点进行扩展,使得规划出来的航迹接近最优,并采用基于B样条曲线的航迹平滑方法生成平滑可跟踪的航迹.仿真结果表明该算法能够快速地搜索安全并且满足无人机动力学约束的较优航迹.     

一种基于路况预测信息的最小时间路径算法

动态路径规划是实现车辆动态导航的核心技术之一,首先构建了时间依赖动态路网模型,介绍了动态路径导航的实现策略,提出了一种基于道路短时预测信息的最小时间路径规划算法,实验仿真结果表明,该算法能够提供实时、高效、预测性强的规划路径,满足城市交通中用户的需求。     

Real-Time Edge Follow: A Real-Time Path Search Approach

Real-time path search is the problem of searching a path from a starting point to a goal point in real-time. In dynamic and partially observable environments, agents need to observe the environment to track changes, explore to learn unknowns, and search suitable routes to reach the goal rapidly. These tasks frequently require real-time search. In this paper, we address the problem of real-time path search for grid-type environments; we propose an effective heuristic method, namely a real-time edge follow alternative reduction method (RTEF-ARM), which makes use of perceptual information in a real-time search. We developed several heuristics powered by the proposed method. Finally, we generated various grids (random-, maze-, and U-type), and compared our proposal with real-time A*, and its extended version real-time A* with n-look-ahead depth; we obtained very significant improvements in the solution quality.     

基于RRT算法的无人机路径规划应用研究

经典的路径规划算法大都需要在全局已知空间中对环境进行建模,包括人工势场法、遗传算法、启发式算法、仿生学算法等.由于需要预先构建环境,因此这些方法并不适合解决在高维度空间中的路径规划问题.基于快速扩展随机树(RRT)的路径规划方式其优势在于可以避免对全局环境的构建,通过对状态空间进行随机采样,检测碰撞点,能够有效地解决在...     

基于改进蚁群算法的无人机协同航迹规划研究

无人机群协同作战中,如何确定各无人机的航迹是整个规划问题的基础和关键,直接影响到作战效率.采用层次分解策略,首先对威胁场进行Voronoi图环境建模,然后利用改进蚁群算法,提出带有方向性引导性的信息素更新策略,减小迷失蚂蚁对算法收敛性的影响.同时,从时域和空域方面考虑多机协同问题,在满足最小时间窗基础上,最后仿真得到了...