基于图形模型动态感知下的多无人机航迹协同

为解决对当前形势估计不足以及对未来情况预测的问题.采用图形模型中动态贝叶斯网络(DBN)建立突发威胁体感知的模型,利用DBN的状态转移网络、观测转移网络及DBN的学习和推理算法,实现了对突发威胁体的动态感知.提出一种基干图形模型动态感知下的多架无人机航迹协同规划方法,并据此实现多无人机飞行航迹协同规划.仿真结果表明了这种基于图形模型动态感知下的多架无人机协同方法的正确性和可行性.     

基于高维多目标优化的多无人机协同航迹规划

随着无人机应用领域的增多,多无人机协同航迹规划问题变得愈发重要.然而,现存的多无人机协同航迹规划问题大多将多个目标加权转换为单目标问题进行优化,为减少多目标加权的主观性,本文提出一种基于高维多目标优化的多无人机协同航迹规划模型,此模型可以同时优化多无人机航迹距离代价、多无人机航迹威胁代价、多无人机航迹能耗代价,以及多无...     

基于集成约束无人机两步制航迹规划方法

无人机航迹规划是一个富含地形威胁、雷达威胁和自身可飞性等多约束的优化问题.采用两步制的规划框架,提出一种基于集成约束的无人机航迹规划方法.规划第1阶段采用基于多种群策略的差分进化优化方法,规划第2阶段采用海洋捕食者算法的Lévy运动优化;集成约束机制在搜索过程中动态更新约束策略来补偿可行解数量骤减,抑制搜索停滞.与典型算法和约束处理策略进行对比,实验结果表明,所提出无人机航迹规划方法收敛性好、稳定性强,能够有效地求解复杂多约束无人机航迹规划问题.     

基于改进动态规划的无人机搜寻航迹规划研究

针对传统动态规划算法在无人机航迹规划中存在耗时长以及冗余节点的问题,提出了一种基于多阶段决策的改进动态规划算法.在单向动态规划算法中加入双向策略,结合顺序法和逆序法以减少搜寻空间的状态总数;利用区间单调性和四边形不等式进一步减少每次决策涉及的状态点,得到优化后的状态转移方程,降低了搜寻的时间复杂度.最后,对改进动态规划...     

多运动目标的多无人机协同搜索追踪策略

针对多无人机协同搜索追踪区域内多运动目标问题,考虑无人机的传感器与避撞等约束和目标随机运动等特征,提出了以垂线搜索为基础的多无人机协同搜索追踪策略.策略包含任务分配和航迹规划两部分.在任务分配部分,设计了航道均分垂线搜索算法,将搜索资源在区域内均匀分配,提高协同搜索效能.在航迹规划部分,设计了改进的人工势场算法,避免发...     

基于协同进化的多无人机航迹规划研究

关于多无人机航迹优化研究,针对复杂环境下多无人机(UAV)系统的航迹规划,达到摧毁目标最大化,解决不同无人机之间的协同和防撞问题,提出了一种利用合作型协同进化算法的多无人机三维航迹规划方法.利用数字地图建立了无人机安全飞行曲面,采用并行进化的方案,将每个无人机航迹规划当作一个子问题,通过协同函数和无人机间的防撞设计实现各无人机间的时间协同和空间防撞.各子种群采用自适应的进化方法,在保持多样性的同时,保证了算法收敛的快速性.仿真结果表明,算法有效实用,能快速得到各无人机的低空突防三维航迹,可为多无人机航迹优化提供手段.     

改进量子遗传算法在无人机航迹规划中的应用

研究无人机航迹规划优化问题,有效地规避威胁,可提高无人机的生存能力.但传统量子遗传算法在航迹规划方面局部寻优精度较低、稳定性差.为解决上述问题,提出改进量子遗传算法的无人机航迹规划方法.首先上述算法采用一维编码表示航迹,并对影响有效规避威胁的适应度构造代价模型和惩罚策略;针对量子遗传算法初始种群的单一性,引入关于概率划分的小生境协同进化策略,并对各种群采用动态量子旋转角,并借鉴狼群分配原则对种群进行更新,提高收敛速度;利用精英选择运算,创建精华种群,保留父代中最佳个体.仿真结果表明,上述算法的无人机航迹规划效率高,稳定性好,能够获得平滑的低代价航迹,是一种有效可行的航迹规划算法,且具有一定的推广意义.     

多无人机交会过程的协同航迹规划方法

交会过程是多无人机(UAV)协同控制的重要组成部分,为此提出一种无人机恒速飞行交会过程的协同航迹规划方法.为兼顾航迹较短的迂回机动和航迹较长的盘旋机动方式,无人机实时计算至目标的最小机动距离,生成最短Dubins路径作为航迹参考.近程无人机在其基础上重新规划生成等待机动航迹,补偿与远程无人机的航程差.远程无人机同样根据该过程调整航迹,实现同时到达对目标的可攻击范围.无人机在该范围内沿Dubins路径飞行,以最小化执行时间,降低风险.仿真结果表明,所规划的协同航迹可实现无人机在目标可攻击范围的交会,同时控制规律容易实现,验证了算法的可行性和有效性.     

多无人机模糊多目标分布式地面目标协同追踪

针对城市环境中多约束条件下多无人机协同追踪地面目标问题,综合考虑具有不同重要性等级的多个优化目标,提出了一种基于分布式预测控制的模糊多目标航迹规划方法.首先,考虑城市环境中建筑物对无人机视线遮挡、无人机和传感器能量消耗等因素,分别采用目标覆盖度、控制输入代价和开关量形式传感器能耗等为目标函数,将多无人机协同追踪航迹规划转化为多目标优化问题;然后,基于分布式预测控制框架,利用每架无人机未来有限时域内的预测状态,构建多无人机之间的避碰约束,并结合最小转弯半径等约束,形成分布式协同航迹规划模型;最后,针对多个优化目标的不同重要性等级要求,利用模糊满意优化思想将目标模糊化,并根据更重要目标具有更重要满意度的原则,将优先等级表示为松弛满意度序,通过在线求解得到有限时域内每架无人机的局部航迹;与传统多目标加权算法仿真结果对比,验证了所提方法的有效性,充分说明了该方法能够获得同时满足目标优化和重要性等级要求的最优航迹.     

多约束复杂环境下UAV航迹规划策略自学习方法

在多约束复杂环境下,多数无人飞行器（UAV）航迹规划方法无法从历史经验中获得先验知识,导致对多变的环境适应性较差。提出一种基于深度强化学习的航迹规划策略自学习方法,利用飞行约束条件设计UAV的状态及动作模式,从搜索宽度和深度2个方面降低航迹规划搜索规模,基于航迹优化目标设计奖惩函数,利用由卷积神经网络引导的蒙特卡洛树搜索（MCTS）算法学习得到航迹规划策略。仿真结果表明,该方法自学习得到的航迹规划策略具有泛化能力,相对未迭代训练的网络,该策略仅需17%的NN-MCTS仿真次数就可引导UAV在未知飞行环境中满足约束条件并安全无碰撞地到达目的地。     

基于MCPDDPG的智能车辆路径规划方法及应用

针对智能车路径规划过程中常存在动态环境感知预估不足的问题,使用基于蒙特卡罗深度策略梯度学习(Monte Carlo prediction deep deterministic policy gradient, MCPDDPG)的智能车辆路径规划方法,设计一种基于环境感知预测、行为决策和控制序列生成的框架,实现实时的决策...     

基于深度强化学习的车辆多目标协同巡航决策控制系统设计

为提升车辆巡航避障能力，实现对运动目标的精准决策，设计基于深度强化学习的车辆多目标协同巡航决策控制系统。利用主控制电路输出的电量信号，调节ACC控制器、MPC轨迹跟踪器、双闭环控制器的实时连接状态，再借助多目标解耦模块，确定目标车辆所处巡航位置，完成巡航决策控制系统的主要应用结构设计。建立深度强化学习模型，根据车辆目标数据集定义条件，求解协同参数实际取值范围，实现对车辆巡航位姿的估计。确定坐标转换原则，通过分析多目标量化结果的方式，实现对巡航决策轨迹的按需规划，再联合相关应用设备，完成基于深度强化学习的车辆多目标协同巡航决策控制系统的设计。实验结果表明，深度强化学习机制作用下，车辆在横、纵两个巡航方向上的避障准确度都达到了100%，符合车辆多目标协同巡航决策的实际需求。     

基于Transformer模型的四旋翼无人机时空协同航迹预测方法设计

无人机在执行任务时面临的飞行环境复杂多变,为了减少事故的风险,并在飞行时对异常情况进行预测和响应,研究一种基于Transformer模型的四旋翼无人机时空协同航迹预测方法。采集四旋翼无人机原始航迹,实施异常点剔除和缺失点插值处理,以优化和清理原始航迹数据,便于后续的航迹预测。结合深度学习和表示学习方法完成数据降维,基于Transformer模型实现无人机时空协同航迹的精准预测。实验测试结果表明,设计方法的预测结果虽然相对于真实的坐标点稍有偏差,然而整体结果在可接受范围内,验证集所有数据的均方误差在数据条数为300时仅为0.32m,R方测试结果最接近1,具有良好的航迹预测能力。     

面向无人机电力巡检的语义实体构建及航迹控制方法

航迹的合理控制是影响无人机（UAV）智能决策重要因素。考虑UAV巡检的局部观测性和任务环境的高空复杂性，以电力巡检领域知识为背景，提出面向UAV电力巡检的语义实体构建及航迹控制方法。首先，基于电力巡检领域的实体知识构建空间拓扑网络，并生成关于位置节点的语义航迹序列网络及其语义接口；然后，根据空间拓扑结构相似性度量的结果集，提出安全许可机制和基于强化学习的航迹控制策略，实现UAV电力巡检在统一的概念内涵和位置结构上的轨迹控制。实验结果表明：作为UAV巡检的实例，所提方法得到的最优策略能获得最大化的鲁棒性能；同时，该方法通过强化学习方法使目标网络的适应度稳定收敛且实体区域覆盖率高于95%，为UAV电力巡检任务决策提供了飞行依据。     

面向无人机电力巡检的语义实体构建及航迹控制方法

航迹的合理控制是影响无人机（UAV）智能决策重要因素。考虑UAV巡检的局部观测性和任务环境的高空复杂性,以电力巡检领域知识为背景,提出面向UAV电力巡检的语义实体构建及航迹控制方法。首先,基于电力巡检领域的实体知识构建空间拓扑网络,并生成关于位置节点的语义航迹序列网络及其语义接口;然后,根据空间拓扑结构相似性度量的结果集,提出安全许可机制和基于强化学习的航迹控制策略,实现UAV电力巡检在统一的概念内涵和位置结构上的轨迹控制。实验结果表明：作为UAV巡检的实例,所提方法得到的最优策略能获得最大化的鲁棒性能;同时,该方法通过强化学习方法使目标网络的适应度稳定收敛且实体区域覆盖率高于95%,为UAV电力巡检任务决策提供了飞行依据。     

A Survey of Motion Planning Algorithms from the Perspective of Autonomous UAV Guidance

A fundamental aspect of autonomous vehicle guidance is planning trajectories. Historically, two fields have contributed to trajectory or motion planning methods: robotics and dynamics and control. The former typically have a stronger focus on computational issues and real-time robot control, while the latter emphasize the dynamic behavior and more specific aspects of trajectory performance. Guidance for Unmanned Aerial Vehicles (UAVs), including fixed- and rotary-wing aircraft, involves significant differences from most traditionally defined mobile and manipulator robots. Qualities characteristic to UAVs include non-trivial dynamics, three-dimensional environments, disturbed operating conditions, and high levels of uncertainty in state knowledge. Otherwise, UAV guidance shares qualities with typical robotic motion planning problems, including partial knowledge of the environment and tasks that can range from basic goal interception, which can be precisely specified, to more general tasks like surveillance and reconnaissance, which are harder to specify. These basic planning problems involve continual interaction with the environment. The purpose of this paper is to provide an overview of existing motion planning algorithms while adding perspectives and practical examples from UAV guidance approaches.     

协同学习环境中的嵌套式知识空间模型和感知处理

为使协同学习环境能提供合理的学习导航和灵活的感知处理,提出了嵌套式知识空间模型,其中包含知识域、知识域之间的4种关系和知识空间等．根据该模型建立的协同学习环境,可以对系统中的文档资料进行有效的组织和管理,帮助学习者找到学习目标以及所需的资料进行学习．为了消除用户在远程协同学习环境中的“孤独感”,在嵌套式知识空间模型的基础上,提出了协同学习环境中的多级感知处理模型．它包括两种感知方式：多层感知空间方式和定制监测方式．此外在感知处理模型中,为用户提供了信息过滤器和隐私保护器,可有效地进行信息过滤和隐私保护．     

Multi-Agent Dynamic Area Coverage Based on Reinforcement Learning with Connected Agents

Dynamic area coverage with small unmanned aerial vehicle (UAV) systems is one of the major research topics due to limited payloads and the difficulty of decentralized decision-making process. Collaborative behavior of a group of UAVs in an unknown environment is another hard problem to be solved. In this paper, we propose a method for decentralized execution of multi-UAVs for dynamic area coverage problems. The proposed decentralized decision-making dynamic area coverage (DDMDAC) method utilizes reinforcement learning (RL) where each UAV is represented by an intelligent agent that learns policies to create collaborative behaviors in partially observable environment. Intelligent agents increase their global observations by gathering information about the environment by connecting with other agents. The connectivity provides a consensus for the decision-making process, while each agent takes decisions. At each step, agents acquire all reachable agents’ states, determine the optimum location for maximal area coverage and receive reward using the covered rate on the target area, respectively. The method was tested in a multi-agent actor-critic simulation platform. In the study, it has been considered that each UAV has a certain communication distance as in real applications. The results show that UAVs with limited communication distance can act jointly in the target area and can successfully cover the area without guidance from the central command unit.     

面向多目标侦察任务的无人机航线规划

针对无人机执行多目标侦察任务的航线规划问题,提出一种改进粒子群算法结合高斯伪谱法的分层航线规划方法.设计改进粒子群算法进行航线预规划,针对传统粒子群优化算法收敛速度慢、易陷入局部最优的问题,通过引入混沌映射初始化和自适应参数调整策略,加快算法收敛速度,提升解的最优性.在此基础上,结合最短路求解策略,完成对侦察任务的时序...     

基于改进蚁群优化算法的自动驾驶多车协同运动规划

当前面向多辆自动驾驶汽车的协同运动规划方法能有效保证运行车辆与障碍物及其他车辆之间避免发生碰撞并保持安全距离,但车辆间的在线协同与规划能力仍有待提升。为实现多辆自动驾驶汽车在运动过程中的协同控制,提出一种基于改进蚁群优化算法的多车在线协同规划方法。以空间协同与轨迹代价为优化目标,构造多目标优化函数,确保了多车行驶过程中的协同安全性与轨迹平滑性。将多目标优化函数引入蚁群优化算法的信息素更新过程中,根据自动驾驶车辆数量产生多个种群,使得种群之间相互独立的同时为每辆自动驾驶汽车规划可行路线。最终对蚁群优化算法中的挥发因子进行自适应调整,提升了算法全局搜索能力及收敛速度。实验结果表明,该方法能使多辆自动驾驶汽车在运动过程中保持协同控制并规划出无碰撞路线,相比于基于人工势场和模型预测的协同驾驶方法在复杂道路场景下车辆间的协同效果更好且适应性更强。