飞行器参考航迹规划方法研究

研究飞行器参考航迹规划优化控制问题,飞行器受到飞行达时间、油耗、威胁和地形环境等因素影响,传统的依靠飞行员的视觉效应,达不到优化的要求,同时飞行航迹实时性差.为了找到最优飞行器参考航迹,在分析当前飞行器航迹规划算法存在问题基础上,提出一种改进遗传算法的航迹规划方案.采用遗传算法对飞行器参考航迹进行全局搜索,快速找到全局最优解区域,并在全局最优区域通过模拟退火算法进行局部搜索,得到最优航迹.仿真结果表明,改进遗传算法能够快速找到最优参考航迹,能很好满足在线实时航迹规划的要求,是一种比较理想的飞行器参考航迹规划算法.     

基于改进A*算法的无人机航迹规划

在无人机航迹规划问题的研究中,针对在执行飞行任务前,需要根据所经区域内已知的地形、地貌、障碍和威胁等信息以及飞机本身机动能力的限制计算出飞行航迹, 并根据规划出的航迹完成飞行任务.能准确识别起始点到目标航路,提出了一种基于改进A*算法的无人机航迹规划方法,将无人机自身的性能和飞行任务结合到A*算法中去,在节点的搜索过程中解决了A*算法大空间搜索耗时多的问题.通过简单的路径消减算法去除不必要的航迹点,使得规划出来的航迹能够最大程度上满足无人机的运动特性.仿真结果表明采用的方法计算速度快并且规划达到最优性能.     

基于组合算法的地磁匹配导航航迹规划

研究无人机地磁匹配导航问题,为优化航迹规划,根据地磁匹配导航的特点,针对无人机航迹规划建立了特有的航迹规划模型,并提出利用组合算法对无人机的航迹进行规划.设定地磁基准图中无人机必须经过的航迹点,利用Dijkstra算法求得一条从起始点到目标点的粗选航迹,然后考虑威胁在内的各种代价应用改进“编码”的粒子群算法对粗选航迹进行优化.仿真结果表明组合算法能够克服传统算法易陷入局部最优的缺陷,大大提高了全局搜索能力,验证了组合地磁匹配导航航迹规划的有效可行性.     

无人机多阶段航迹预测协同任务规划

针对多无人机(Unmanned Aerial Vehicles, UAVs)协同控制问题,提出了一种UAVs多阶段航迹预测分布式任务规划方法;定义从一次任务分配开始到其中一项任务完成为一个任务周期;在每个规划周期,首先,各UAV使用A*算法快速预测到所有任务目标的路径,提供至任务分配;然后,采用聚类算法修改目标价值向量,协商分配结果,并实时计算探测范围内的最短路径;最后,采用三次B样条曲线平滑所分配的最短路径,在线规划出满足飞行约束的飞行航迹;通过仿真实验对算法的有效性进行了验证,结果表明,提出的算法能够实时获得近似最优的任务分配结果并规划出可飞行航迹,并有效处理突发任务。     

基于局部规划的三维航迹规划方法

研究飞行器航迹是选择最优航线问题,针对三维航迹规划中搜索空间大、计算时间长的问题,为缩短搜索时间,获得最优航迹,提出了一种基于A<'*>算法并结合局部规划的三维航迹规划方法.方法首先对A<'*>算法中的当前待扩展节点在局部规划空间中确定几个最有希望的扩展节点,再将其与A<'*>算法相结合,最后对局部规划算法过程中的不足,通过地形标记和加入树搜索深度惩罚做出改进,有效地减小了搜索空间,缩短了搜索时间,并在搜索过程中充分利用地形信息,使算法生成的航迹能够避开大的地形障碍,而且能够充分利用有利的地形.在实际地形数据中进行的实验表明方法能快速、有效地规划出理想优化的航迹.     

基于A*算法的无人机跟踪目标的航迹规划

针对无人机跟踪目标的航迹规划问题,文章提出了一种双评估函数的改进A*算法;首先,根据无人机在跟踪目标时的飞行特点提出了航迹规划策略,并结合无人机的油耗、航迹长短和机动性能等约束条件来设计中间目标点的评估函数和航迹片段的评估函数;之后,采用加权法对A*算法进行改进,以使航迹的优化与时间耗费之间找到平衡点;同时,改进在Open表中插入与删除节点的方式,提高计算效率;最后,通过对跟踪航迹的仿真,表明该算法可以快速、有效地为无人机在跟踪目标时规划出优化的航迹.     

基于改进A*算法的三维航迹规划技术研究

A*算法在实现节点搜索时执行的是大空间搜索,该方式在三维空间中对时间和内存的消耗都较大。结合无人机的机动性能限制以及飞行任务来改进A*算法,可以达到缩小搜索空间的目的,同时对open表的管理进行改进,以减少扩展节点排序所花时间,从而整体缩短规划所需时间。通过此种方式规划出来的航迹能够最大程度地满足无人机的机动性能要求,仿真结果表明,此种方式计算速度快且能保证性能接近最优。     

无人机三维实时航迹规划

无人机航迹规划是无人机任务规划中最重要也是最复杂的环节,针对基本粒子群航迹规划算法后期容易陷入局部最优解、算法容易“早熟”、规划出的航迹精度不高等问题,提出了一种以并行方式进行的双种群粒子群航迹规划算法;双种群粒子群算法由两个向相反方向搜索的种群构成,这两个种群协同优化,扩展了搜索范围,克服了基本粒子群算法后期容易陷入局部最优解的问题,提高了航迹的精度;如果无人机在飞行过程中检测到突发威胁,则寻找邻近航迹点作为实时重规划点,规划其到目标点的航迹;通过仿真验证了算法的有效性,并满足了实时性的要求。     

无人机三维航迹规划算法研究

在模拟仿真出无人机三维飞行环境的基础上,根据航迹规划的要求,建立对应数学模型,并采用蚁群算法进行优化仿真.针对基本蚁群算法存在的搜索时间长、容易陷入局部最优解等缺点,将蚂蚁当前位置与目标位置的距离信息反馈到系统中作为航迹规划的控制信息,同时对航迹节点的选择方法进行改进,以提高算法的效率.仿真实例结果表明,该算法可以规划出满足无人机飞行要求的航迹.     

基于动态规划的无人机航路优化问题研究

无人机航路规划往往指无人机在初始位置、终止位置和一些目标任务结点确定之后的航迹优化问题;在无人机飞行任务执行过程中,无人机需要在参考飞行航线的约束下,根据局部地形、地貌、障碍、威胁等信息以及飞机本身机动能力的限制,实时的计算出飞行航路,并跟随该航迹完成飞行任务;在利用Dynapath(动态路径)算法进行参考航线优化的过程中,考虑了飞机机动性能的限制;在此基础上,详细讨论了参考航线由多航段组成时航路点的处理方法并进行了计算机仿真,仿真结果表明该方法可以比较理想地进行航路点的处理,得到比较良好的最优航迹。     

融合简化稀疏A*算法与模拟退火算法的无人机航迹规划

针对无人机航迹规划问题,提出了一种融合简化稀疏A^*算法与模拟退火算法（Fusion of Simplified Sparse A^* Algorithm and Simulated Annealing algorithm,简称FSSA-SA）的航迹规划方法.首先,在对威胁环境进行建模之后,将模拟退火思想与具体航迹规划问题求解相结合,给出了模拟退火算法求解航迹规划问题的具体设计与实现方法.其次,利用简化的稀疏A^*算法在规划起止点之间进行一次往返搜索,并将所得结果中较优的一条航迹作为模拟退火算法的初始解,实现了两种算法的融合.然后,当退火进行至低温区时,通过对位置存在冗余的航迹节点的剔除,进一步改善了算法的求解质量.最后为了验证算法的优越性,将本文算法与稀疏A^*算法、模拟退火算法进行了仿真对比试验.试验结果表明,本文提出的FSSA-SA算法相比于上述两种算法,具有较少的规划耗时;相比于稀疏A^*算法,在所得航迹的综合代价相差不大的情况下,内存占用量少了两个量级;相比与模拟退火算法,在相同的退火条件下,其规划所得航迹的综合代价平均减少了35%左右.     

基于柱状空间和改进A*算法的无人机规避方法

针对无人机避障问题,提出了基于改进A~*算法和柱状空间的无人机规避方法。首先,根据无人机飞行区域的障碍物分布情况,建立飞行区域的柱状空间;然后将障碍物对无人机的影响引入到估价函数中,重新设计启发函数;最后将基于柱状空间和改进A~*算法的无人机规避方法应用于无人机的规避中,并对规划的路径进行平滑处理。仿真结果表明,该算法能够有效地实现无人机的规避。     

基于A*算法的足球机器人路径规划

路径规划问题是足球机器人研究的一个重点. 以往的路径规划算法忽略了球员的移动对其周围区域产生的影响,导致实际所求得的最优安全路径并非那么安全. 为了解决这个问题,提出了一种对动态障碍物避障的A^*算法. 该方法根据带球球员以及对方防守球员的影响力对球场进行了区域划分,并为每个区域设置了风险值,再运用改进后的A^*算法规划路径. 实验结果表明,该方法能够有效减少带球球员被对方防守球员包围的可能性,并且综合考虑了路径的长度与安全性,规划出的路径性能更好.     

变步长稀疏A*算法的无人机航路规划

为实现不同条件下的无人机自主航路规划,提出一种变步长稀疏A*算法。当遭遇紧迫环境时,缩小稀疏A*算法（SAS）的搜索步长,使无人机安全通过,提高了搜索精度和算法的鲁棒性,否则,保持较大的搜索步长扩展,保证搜索的高效性;并依据动态稀疏A*算法（DSAS）的思想,给出了应用于实时航路规划的多步搜索方案。仿真结果表明,算法简单有效地实现了复杂环境下的航路规划以及动态环境下的在线实时航路规划。     

高密集度AGV快递包裹分拣系统的路径规划

基于自动引导小车（AGV）的快递包裹自动分拣系统是智能物流的研究热点,路径规划是其关键问题之一.在快递包裹分拣系统中,AGV具有高密集性和车辆数量较大的特点,这种情况极易造成AGV拥堵,使得整个系统的性能降低.针对此问题本文提出可避免拥挤的CAA^*（Congestion-avoidable A^*）算法,该算法以A^*算法为基础,引入动态属性节点,建立动态环境模型,对各个节点可能发生的拥挤情况进行预测,判断是否存在潜在的拥挤节点,在路径规划过程中绕过潜在的拥堵节点,避免发生拥堵现象.实验结果表明,本文所提的CAA^*路径规划方法在具有高密集度和较大规模的AGV场景中,能有效避免拥堵,从而提高场地AGV的密集度和系统的分拣效率.对实际应用场地的仿真表明,本文的算法比传统的A^*算法AGV密集度提高了28.57%,系统分拣效率提高了24.29%.     

基于遗传神经网络的车辆导航路径规划

研究使用混合 GA-BP 神经网络算法来解决交通路径规划中的非线性问题。反向传播(Back-Propagation, BP)神经网络虽然能够很好地解决非线性问题,但它存在着容易陷入局部极小的不足,而遗传算法(Genetic Algorithm, GA)具有很强的宏观搜索能力和良好的全局优化性能,可以弥补BP的不足。用A*算法快速粗算出的几条可选路径作为 GA 的初始种群,然后用混合的 GA-BP 神经网络算法进行路径规划精算。仿真结果显示混合GA-BP神经网络算法在寻找路径规划的全局最优解上具有一定的优势。     

一种基于A*算法的虚拟力场避障导航算法

针对传统A＊算法在实际应用中需要所有的节点信息,算法忽略车身实际宽度的问题,提出了基于A＊算法同时结合使用虚拟力场法的避障导航算法。该改进算法解决了 A＊算法在实际应用中存在的问题,也避免了单独使用虚拟力场法存在的容易陷入局部极小点、在目标点附近有障碍物时无法到达以及摆动剧烈的问题。仿真实验验证了新算法的有效性,实验结果表明该算法拓宽了原有算法的使用范围并且提高了无人车实时路径导航的能力。     

两种求解机械手最短时间动作路径规划的新算法及其在基于PVR技术的控制平台上的实现

针对机械手在执行点到点的工作任务中所遇到的两类最短时间动作路径规划(MTMPP)问题, 分别提出了新的混合型进化计算模拟退火(EC SA)算法以及将EC SA算法与一些优化技术结合使用的EC SA-DP算法. 通过与目前较好的求解算法(如弹性网络方法ENM)以及其它一些近似优化算法(如遗传算法和模拟退火算法等)所进行的数值仿真比较, 验证了EC SA算法在处理复杂工作任务时的高效性. 这些算法在基于投射式虚拟现实(PVR)技术的控制平台上进行了虚拟仿真实现, 仿真结果表明可有效地提高虚拟环境中的投射式操作     

A Hierarchical Extension of the <Emphasis Type="Italic">D</Emphasis><Superscript>*</Superscript> Algorithm

In this paper a contribution to the practice of path planning using a new hierarchical extension of the D^* algorithm is introduced. A hierarchical graph is stratified into several abstraction levels and used to model environments for path planning. The hierarchical D^* algorithm uses a down-top strategy and a set of pre-calculated trajectories in order to improve performance. This allows optimality and specially lower computational time. It is experimentally proved how hierarchical search algorithms and on-line path planning algorithms based on topological abstractions can be combined successfully.