航迹预测的多无人机任务规划方法

为提高无人机自主控制性能,实现任务分配与航迹规划整体架构,提出一种基于航迹预测的多无人机任务规划方法.首先,将禁飞区考虑为更接近真实场景的多边形模型;然后,使用改进A*航迹预测算法生成任意两个航迹点间障碍规避后的最短路径,利用该路径近似航迹航程作为任务分配过程的输入信息,建立目标函数,采用改进PSO算法求取最优结果;最后,使用B样条曲线平滑分配后的路径组合,生成无人机可飞行航迹.仿真结果表明,该方法能够以较高的计算速度和精度生成近似最优的任务分配结果和满足飞行约束的平滑航迹.     

RWPSO与马尔科夫链的无人机航路规划

粒子群算法(PSO)是基于种群的全局搜索算法,具有原理简单,搜索稳定高效等特性,在航路规划领域被普遍运用,但是其在陷入局部最优以及收敛速度方面都存在一定的缺陷.本文针对无人机的任务权重值与生存权重值引入随机游走策略,按照一定规律改变粒子的惯性权重值,可以有效的避免上述情况发生,提升无人机在航路规划中找到最优路径的效率.另一方面,为了能够给规划的路径提供优劣性的判断标准或参考依据,需要构建适用于评估无人机飞行路径点上的生存状态概率模型,本文将随机游走粒子群算法(RWPSO)的航路规划模型与马尔科夫链生存状态随机性模型相结合,得到一个可以用来评估路径点生存概率的航路规划问题模型.仿真结果表明,基于任务权重、生存权重、任务生存权重随机游走的RWPSO算法在寻优时比PSO、量子粒子群算法(QPSO)效率更高,并成功结合马尔科夫链得到一个可以描述出无人机生存概率变化的模型.此模型框架还能够扩展应用于有辐射源、武器、电磁干扰等复杂场景中的航路与任务规划.     

视觉感知的无人机端到端目标跟踪控制技术

针对无人机机动目标跟踪的自主运动控制问题,提出连续型动作输出的无人机端到端主动目标跟踪控制方法. 设计基于视觉感知和深度强化学习策略的端到端决策控制模型,将无人机观察的连续帧视觉图像作为输入状态,输出无人机飞行动作的连续型控制量. 为了提高控制模型的泛化能力,改进基于任务分解和预训练的高效迁移学习策略. 仿真结果表明,该方法能够在多种机动目标跟踪任务中实现无人机姿态的自适应调整,使得无人机在空中能够稳定跟踪移动目标,显著提高了无人机跟踪控制器在未知环境下的泛化能力和训练效率.     

基于非线性模型预测的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control, NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速为控制输入量,建立非线性状态空间方程作为控制算法的预测模型。其次,定义最优化函数和四旋翼无人机控制约束,将轨迹跟踪控制问题转换为非线性最优化求解问题。最后,通过多重打靶法求解得到的最优控制量作为四旋翼无人机的输入信号。为验证NMPC算法的跟踪性能,在Matlab中搭建仿真平台进行对比实验,结果表明,与PID和串级模型预测控制(model predict control, MPC)及改进MPC方法相比,NMPC算法能够在满足约束的情况下完成轨迹跟踪任务,误差小、精度高,并具有抗干扰能力。     

基于遗传算法的多无人机协同逆推式路径规划

综合了多无人机群的任务和任务区域的特点,在优化过程中考虑了机群综合获利效益、无人机(UAV)的的最大转弯角限制和多无人机成员间防碰和威胁区域的生存概率,合理构建了UAV任务的目标函数和约束条件。将协同逆推预测控制(CRH)方法引入无人机机群路径规划方法的研究中,并采用遗传算法求出了满足目标和约束要求的控制量。仿真算例表明采用介绍的协同逆推式路径规划算法,任务空间中无人机能够自动地分别访问不同的目标以得到最大的获利值,证明了算法的有效性。     

通信受限下多无人机协同运动目标搜索

针对搜索问题中的目标通信限制和运动特性,采用连通矩阵建立了无人机通信拓扑结构。基于贝叶斯理论利用多架无人机联合探测信息对目标存在的后验概率进行更新,通过计算目标转移概率密度得到动态时敏目标的预测概率,提高了目标存在概率图的准确性;设计了一种调度信息素,建立了数字信息素图使用方法及更新机理,增强了无人机的协作性。在此基础上设计了合理的UAV协同搜索性能指标函数,最后在分布式模型预测控制框架下对性能指标函数进行优化求解,仿真结果表明两种搜索图能够引导无人机协同搜索,加强了机间合作,提高了搜索效率。     

POMDP环境下交通信号自适应控制的策略梯度学习方法

将交通自适应控制看成是POMDP(Partially Observable Markov Decision Process)问题,建立交叉口POMDP环境模型,结合值函数法的优点设计解决此问题的策略梯度学习算法。仿真实验与传统方法比较表明,在局部交通较少及高度饱和交通条件下此学习方法具有一定的收敛性和有效性,并对解决自适应交通控制问题具有一定的适用性。     

避让工况下的路径跟踪线性自抗扰控制

针对高速紧急避让工况,进行车辆路径跟踪鲁棒性研究。利用二自由度车辆模型,以控制车辆实际横摆角速度跟踪规划的理想横摆角速度为目标,设计线性自抗扰路径跟踪控制器。线性自抗扰控制器能够将车辆质量、整车转动惯量和轮胎侧偏刚度变化等模型参数变化观测出来并且补偿掉,保证系统鲁棒性。针对避让路径存在侧向加速度过大或产生阶跃、曲率不连续问题,引入Sigmoid函数对避让路径进行再规划。为了验证控制器的鲁棒性,利用Carsim提供的某款SUV进行实车仿真验证。仿真结果表明:线性自抗扰路径跟踪控制器能够控制车辆跟踪理想避让路径,保证车辆快速、无碰撞地避让前方障碍物。     

基于改进Blocking策略的模型预测控制技术

针对模型预测控制(MPC)在线优化计算复杂的缺陷,在采用输入分块(Input blocking)策略对输入序列进行固定分块的基础上,,提出了一种移动分块(Move blocking)策略,通过变化的blocking矩阵降低控制量的自由度,从而有效降低模型预测控制在线优化过程中的计算复杂度。同时能够在满足约束条件下保证系统输出紧密跟踪期望值。以四旋翼无人机系统为控制对象,在构建模型基础上,仿真验证了该算法的有效性。     

基于IOCAD的无人机避障路径规划

针对复杂密集不规则障碍物环境下无人机路径规划问题,采用不规则障碍物预处理方法,建立障碍物避碰检测模型,并设计了基于不规则障碍物避碰检测(irregular obstacles collision-avoidance detection,IOCAD)的无人机路径规划算法。该算法以栅格法规划环境建模为基础,采用粗糙集思想、凸化填充法等对障碍物进行预处理,并利用射线法筛选出环境中可飞路径点,以障碍物到飞行路径距离最小为目标函数,对可飞路径段和障碍物进行相交检测与距离检测,解算出不规则障碍物环境下无人机路径。在既定的路径规划环境及无人机性能约束下,仿真结果表明:该算法能快速规划出对应避障路径,且栅格粒度大小、安全裕度值的设置对算法性能有明显影响;当栅格粒度为0.5 km,安全裕度为0.4 km时,可显著缩短航程并有效减少路径点数,验证了该算法的有效性。     

部分可观测Markov环境下的激励学习综述

对智能体在不确定环境下的学习与规划问题的激励学习技术进行了综述.首先介绍了用于描述隐状态问题的部分可观测Markov决策理论(POMDPs),在简单回顾其它POMDP求解技术后,重点讨论环境模型事先未知的激励学习技术,包括两类:一类为基于状态的值函数学习;一类为策略空间的直接搜索.最后分析了这些方法尚存在的问题,并指出了未来可能的研究方向.     

一种基于Clothoid曲线的无人机路径规划算法

提出了一种新的基于Clothoid曲线的无人机复合路径规划算法。该算法考虑了无人机在起点和目标点的方向以及无人机转弯半径的约束,能够在任意起止点位置和方向下得到更短的曲率连续的便于无人机飞行控制跟踪实现的Clothoid复合路径。与现有的基于微分几何的迭代算法相比,该算法迭代简单在给定范围内选择迭代初值,可以得到惟一解。     

自主车辆高效滚动时域轨迹规划与跟踪控制

针对自主车辆轨迹规划与跟踪控制问题,提出一种基于模型预测控制的自主车辆高效滚动时域轨迹规划与跟踪控制方法。首先,引入人工势场法为不同障碍物和道路结构分配不同的势场函数;其次,将这些表征安全性的势场函数作为轨迹规划与跟踪的优化目标函数,同时考虑车辆动力学特性、运动学约束和舒适性要求,使规划的轨迹易于车辆跟踪;最后,针对势场函数的非凸非线性造成在线优化计算量大问题,引入阶梯式控制策略,参数化预测时域内的控制增量,降低模型预测控制的在线计算量。针对典型交通场景进行CarSim与Matlab/Simulink联合仿真,结果表明该方法有效并具有优越的实时性能。     

模糊空间中基于人工势场的移动机器人运动规划

为了研究移动机器人的运动规划方案,提出使用指数形式的人工势场函数描述环境中的目标和障碍物。针对人工势场方案可能出现的局部极小问题提出了逃逸方法。随后提出一种模糊隶属度函数用来表示动态变化的障碍物模型,建立模糊表示的环境空间模型,并在这种模糊空间的基础上构建模糊人工势场函数,提出了一种适合于动态环境的实时优化路径规划算法,有利于解决未知、动态变化的不确定环境中的机器人路径规划问题。仿真结果表明,本文中提出的建模和规划方法是可行的。     

自适应LOS制导结合MPC控制的车辆循迹优化

为提升无人驾驶车辆循迹过程的动态响应能力,确保车辆能快速且稳定地跟踪参考路线,首先基于模糊控制的思想,在传统视线(line-of-sight, LOS)制导策略中引入了时变前视距离,提出了改进后的自适应LOS制导策略,把目标轨迹的跟踪简化为目标点航向的跟踪。其次,建立车辆三自由度动力学模型,并结合自适应LOS状态方程设计路径跟踪系统的线性数学模型。最后,基于模型预测原理,使用多步预测、滚动实时优化、反馈校正等控制方式,求解出最优反馈的方向盘控制指令。本文为验证上述所提及跟踪策略的有效性,在Simulink仿真环境中分别以直线路径和曲线路径作为参考轨迹进行追踪仿真实验,结果表明:所提自适应LOS制导策略能使循迹车辆的轨迹横向误差和航向误差迅速地收敛到零,从而验证了改进LOS制导算法可以提高无人车路径跟踪的响应速度和平稳性。     

基于改进人工蜂群算法的多无人机协同任务规划

多无人机协同任务规划是多无人机协同作战的关键.针对无人机信息共享、多任务能力等特点提高了任务规划难度,考虑战场威胁分布、目标任务时序、无人机续航时间等因素,建立了多无人机协同执行多目标的多任务规划数学模型.通过引入动态评价选择策略、引入Metropolis准则等方式提出改进人工蜂群算法(IABC)对该模型求解.通过对多无人机协同任务规划模型进行求解分析,验证了该模型和规划算法的正确性和有效性.     

多异构无人机任务规划的分布式一体化求解方法

针对多异构固定翼无人机对已知目标群执行侦查、打击、评估任务的规划问题,提出了一种分布式一体化求解方法,该方法将任务执行耗时约束和协同攻击约束加入到协同任务规划模型(CMTAP)中,基于分布式规划架构,通过改进遗传算法的基因编码方式和相关遗传算子,完成任务分配和航迹生成两个子问题的一体化求解。将任务完成的总时间指标加入到代价函数中,保证了各无人机规划航迹的均匀性。建立固定翼无人机六自由度模型,采用矢量场航迹跟踪算法验证了该方法的可用性,并通过蒙特卡洛数学仿真,验证了该方法的快速性。     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

基于鲁棒Tube-MPC算法的无人车横向控制方法研究

针对自动驾驶汽车路径跟踪横向控制过程中因道路湿滑或道路坎坷不定等外界干扰造成的跟踪不稳、超调问题，提出一种将模型预测控制(MPC)和滑模控制(SMC)相结合的鲁棒Tube-MPC算法。首先，对自动驾驶汽车进行名义运动学建模并线性化推导，利用线性化名义模型求解MPC代价函数得到名义系统控制律，完成对预定轨迹的跟踪；其次，通过建立实际系统与名义系统之间的误差系统，设计SMC的滑模面及趋近律，推导出辅助控制律，完成实际状态对名义状态的贴近，以实现鲁棒性；最后，完成基于Carsim/Simulink的仿真，实验结果表明上述方法能够有效提升自动驾驶汽车在外界不确定干扰影响下的鲁棒性和跟踪精度，优于传统MPC和线性二次型调节器(LQR)为代表的无人车控制方法。     

多无人机同时到达的standoff跟踪控制

为实现多无人机standoff目标跟踪与同时到达,提出了一种新的比例Lyapunov矢量场和基于τ耦合理论的协同速度控制器。首先,与其他的Lyapunov矢量场相比,比例Lyapunov矢量场中增加了一个可设置的参数,使得在跟踪过程中无人机能够在收敛速度和航向角速率限制之间取得平衡,最大限度的发挥无人机的性能;然后,通过进一步的理论分析得出参数越小,收敛速度越快,但是航向角速率越大。同时给出了在最大航向角速率限制下参数的选取方法,以保证获得较快的收敛速度。最后,为保证无人机能够从不同初始位置同时到达目标点,设计了基于τ耦合理论的协同速度控制律,该控制律不需要考虑实际的不规则飞行路径,只需要计算当前点到目标点的直线距离,避免了现有四维路径规划方法中路径积分复杂的问题,算法更加简单,更有利于工程实现。结果表明,通过数字仿真实例和硬件在环实验,验证了所提方法能够导引无人机同时到达目标点,并快速收敛到standoff半径,说明了该方法的有效性和优越性,且能够应用于工程实际。