基于MB-RRT*的无人机多点航迹规划算法研究

随着小型无人机的广泛应用,无人机的自动巡航能力至关重要。多点航迹规划作为复杂的无人机航行任务之一,要求为无人机规划出一条最优航迹或次优航迹,如距离最短、速度最快或者时间最短,并保证其在不碰撞已知障碍物的条件下遍历所有特定的航点。针对无序的多点航迹规划问题,基于MB-RRT*算法并结合原本用于解决TSP问题的贪心策略提出了贪心MB-RRT*算法,其通过牺牲一定的航迹质量,来提高解决无人机多点航迹规划问题的速度,减少时间代价。最后在二维地图环境和三维环境下进行实验,验证了所提算法的可行性和有效性。     

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.     

基于MB-RRT*的无人机航迹规划算法研究

随着小型无人机的广泛应用,提高无人机的自动巡航能力变得至关重要。无人机航迹规划是指其在已知环境地图信息下展开航迹规划,实现无碰撞的、平滑的、从初始点到达目标点的路径。针对现有算法依然存在收敛速度慢、内存消耗大、航迹规划固定步长和航迹平滑度无法满足实际无人机飞行等问题,提出了MB-RRT*(Modified B-RRT*)算法,通过懒惰采样方法加快算法收敛速度并减少内存占用;设计自适应步长来解决算法在障碍物附近生长树的局限性问题,从而提高了找到初始可行解的速度和质量;然后利用降采样和3次贝塞尔插值算法实现了曲线拟合的功能,使算法最终生成相对平滑的航迹,为无人机实际飞行提供可行的航迹规划方法。最后在多组不同环境复杂度的实验中,通过与其他算法相比较,验证了所提算法的有效性。     

基于EB-RRT*的无人机航迹规划算法研究

随着小型无人机的广泛应用,无人机的自动巡航能力变得至关重要。无人机航迹规划,是指其在已知环境地图信息下展开航迹规划以实现无碰撞地、平滑地从初始点到达目标点。针对现有算法依然存在收敛速度慢、遍历时间长和航迹曲线化无法满足实际无人机飞行条件等问题,首先提出了EB-RRT*(Efficient B-RRT*)算法,设计自适应避障提高算法收敛速度并减少内存占用;然后采用栅格分区的方法缩短附近节点的遍历时间;最后利用合理的降采样和三次贝塞尔插值算法对折点进行光滑化的处理,使算法最终生成相对平滑的航迹,为无人机实际飞行提供可行航迹规划方法。进行了多组不同环境复杂度的实验,并将该算法与其他算法进行对比,结果验证了所提算法的有效性。     

基于APSODE-MS算法的无人机航迹规划

无人机航迹规划是指在环境威胁与自身约束条件下,规划一条安全可行的航迹,是实现无人机自主化飞行的关键技术之一.为实现无人机在不同城市环境下能够快速规划一条安全可靠的航迹,提出一种基于自适应粒子群差分进化-最小捕捉(APSODE-MS)算法的无人机航迹规划方法.首先,建立城市环境航迹规划数学模型,以航程距离、威胁约束、违背约束代价3者的加权和作为目标函数;其次,在PSO算法中引入自适应非线性惯性权重,根据粒子偏离全局最优解的程度分配不同的搜索模式,结合动态差分进化(DE)算法加快粒子的收敛速度,引入改进的正态扰动提高跳出停滞与早熟现象的能力;最后,筛选关键航迹点,并采用最小捕捉轨迹(MS)算法对航迹进行光滑处理.仿真结果表明,所提出的APSODE-MS航迹规划方法能够在不同城市仿真环境下较好地完成规划任务,并能获得更优的航路,从而验证算法的有效性和鲁棒性.     

基于改进强化学习算法的多无人机智能航迹规划

为实现复杂任务环境中多无人机的自主飞行, 本文采用改进的强化学习算法,设计了一种具有避碰避障功能的多无人机智能航迹规划策略。通过改进搜索策略、引入具有近似功能的神经网络函数、构造合理的立即回报函数等方法,提高算法运算的灵活性、降低无人机运算负担, 使得多无人机能够考虑复杂任务环境中风速等随机因素以及静态和动态威胁的影响, 自主规划出从初始位置到指定目标点的安全可行航迹。为了探索所提算法在实际飞行过程的可行性, 本文以四旋翼无人机为实验对象, 在基于ROS的仿真环境中验证了算法的可行性与有效性。     

固定翼巡线无人机实时蚁群算法路径规划

本文针对传统蚁群算法局部早熟等问题对算法进行了改进,并对无人机路径规划及重规划多条件约束问题进行了研究,提高蚁群算法航迹规划计算速度及全局性来满足实时蚁群算法航迹规划要求。文章针对传统蚁群算法的早熟问题采用全局与局部信息素互补衰减法,来高效完成蚁群算法寻优问题,并当无人机偏离航线时能及时根据无人机所在位置重新规划。通过实验结果得出蚁群算法具有快速的计算能力,能在短时间内对更改的路径进行响应,完成无人机自校正航迹规划。     

基于改进粒子群算法的UAV航迹规划方法

结合当前无人机集群发展趋势,针对航迹规划算法和策略问题开展研究,在分析经典粒子群算法和传统航迹规划方法基础上,提出了一种基于改进粒子群算法的航迹规划方法,将无人机航迹规划分为整体航迹规划和节点间航迹规划两部分,针对两部分对于搜索速度和解的精度的不同需求,结合环境模型及约束条件,分别设计粒子群航迹规划算法的评价函数;对于节点间粒子群航迹规划,通过设计分段式惯性权重调整公式改进粒子群算法,在保证了算法的搜索速度的同时,提高了航迹规划解的精度。通过仿真验证了该方法的正确性和可行性,横向对比其他算法策略分析了该方法的优越性。最后在算法自主实时性方向上对于后续的工作开展提出了期望。     

多约束条件下无人机航迹规划

针对多约束条件下的无人机航迹快速规划问题,建立了导航精度约束下无人机航迹规划模型,并设计了“基于Dijkstra算法的航迹规划法”求解模型。通过校正策略优选、校正方案优选和O-D邻接矩阵处理方式,简化搜索路径,降低计算量,提高执行效率,从而实现对传统Dijkstra算法的改进。在满足导航精度约束条件的前提下,以航迹长度最短和经过校正点数量最少为研究目标进行仿真实验,并将所得结果与传统Dijkstra算法和遗传算法所得结果分别进行对比,发现此算法在精度与复杂度方面均优于传统算法和遗传算法。此结果表明,导航精度约束下无人机航迹规划模型和“基于Dijkstra算法的航迹规划法”在解决多约束下无人机航迹规划问题方面具有一定的正确性、有效性和先进性。     

关于无人机飞行航迹跟踪优化控制研究北大核心CSCD

研究无人机任务规划中的飞行航迹跟踪优化控制。为克服传统航迹规划算法仅使用航迹关键点难以满足无人机执行任务对航迹跟踪的要求,提出了一种用C^2样条算法融合的无人机三维航迹跟踪优化控制方法,解决了不同航段中无人机的可飞性、边界限制、过载限制等约束。首先针对巡航段航迹采用融合算法中的3D样条优化生成具有时效性的光滑航迹曲线。然后针对任务段航迹采用融合算法中的4D样条优化进一步生成能控制航迹关键点速度的航迹曲线,完成整条航迹的跟踪优化。仿真结果表明,关于C^2样条算法融合的无人机三维航迹优化方法能有效地优化出无人机的实际飞行轨迹,有助于无人机的航迹跟踪控制。能够满足任务规划中无人机对航迹跟踪优化控制的高精度要求,为任务执行提供良好航迹条件。     

基于Multi-Agent系统的多飞行器协同路径规划方法的研究

无人多飞行器(UAV)协同技术是当前分布式人工智能的一个热点领域,其中一个关键技术在于如何实现多UAV集群根据复杂环境中目标、威胁、地形变化以及各UAV之间的性能约束动态进行实时性航路规划。提出一种基于Multi-agent系统的多UAV对实时动态多目标进行路径规划的方法。其核心是基于Multi-agent系统的decen-tralized控制方案。在Multi-agent平台上,实现了agent对于环境、目标、任务等路劲规划约束条件的建模,同时提出了多agent动态路径规划方法的实现方案。方案使用DisCSP模型框架,将基于真实复杂战场环境的实时路径规划问题所涉及的多复杂限制条件,抽象成Multi-agent系统中的各个约束条件,通过多agent间Dynamic Programming过程求解多UAV实时动态多目标的路径规划和协同任务分配的ABT算法,并实现在动态威胁和地形以及动态目标下具备集群协同能力的多UAV实时仿真系统。     

帝国竞争算法在无人机三维航线规划中的应用研究

针对实际飞行环境中无人机的三维航线规划问题,提出了一种创新启发式优化算法——牛顿帝国主义竞争算法(NICA,Newtonian imperialist competitive algorithm).该算法能够根据无人机的飞行轨迹,从起始位置到任务目标位置生成平滑的航线路径,约束航线规划,使得目标完成任务的时间最小化.该算法也能为无人机在真实地形上的航线提供最佳轨迹路径.最后通过与ICA、GA和PSO算法进行比较,验证了改进算法的有效性.结果表明:改进帝国算法提高了全局最优解的搜索能力,在收敛速度和精度上优于其他3种算法,适合用来解决无人机的三维航线规划问题.     

拉格朗日松弛的无人机路径规划

提出了基于城市建筑物遮挡模型的无人驾驶飞行器（简称无人机）路径规划方法,主要包含两方面的内容：一是利用圆柱体虚拟城市的建筑物环境,使建筑物对无人机的遮挡面积可计算,另外,由于建筑物的相对位置会相互遮挡,不可以进行简单的面积加法。采用程序实现了无人机的遮挡总和的计算,即每个建筑物遮挡面积的并集。二是在计算出无人机飞行的水平平面上（x,y）点的遮挡曲面值的基础上,给出了无人机基于拉格朗日松弛算法的优化路径规划,即走一条遮挡面积最小的路径的方法。给出matlab仿真结果,实验结果表明该方法是十分有效的。     

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.     

固定翼无人机在线航迹规划方法

在不确定环境下,针对固定翼无人机（UAV）航迹规划问题,提出了一种基于滚动时域控制的模糊粒子群优化算法与改进人工势场法相结合的在线航迹规划方法。首先,对凸多边形障碍物进行最小外接圆拟合;然后,根据静态威胁,将规划问题转化为一系列时域窗口内的在线子问题,利用模糊粒子群算法实时优化求解以实现静态避障;当环境中存在动态威胁时,使用改进人工势场法对航迹进行调整完成动态避障。为了满足固定翼无人机的动态约束,同时提出固定翼UAV的碰撞检测法,可提前判断障碍物是否为真正威胁源,以此减少转弯频率和幅度,降低飞行代价。仿真实验结果表明,所提方法在固定翼UAV航迹规划中能有效提升规划速度、稳定性与实时避障能力,且克服了传统人工势场容易陷入局部最优的缺点。     

基于区域分割的无人机路径规划

研究无人机路径规划优化问题,针对在城市环境下执行飞行任务前,需要根据所经城市内已知的建筑物信息以及飞机本身性能的限制计算出飞行轨迹,并根据规划出的路径完成飞行任务。在给定起始点和目标点上,提出了一种城市建筑物遮挡模型的无人机路径规划方法。主要包含两方面的内容:一是利用圆柱虚拟城市建筑物环境使建筑物对无人机的遮挡面积可计算;二是在计算出无人机飞行的水平平面上(x,y)点遮挡值的基础上,给出了无人机搜索区域等分的沿对角线折线走法的优化路径规划,得到一条遮挡面积最小的路径并进行仿真。仿真结果表明,规划方法能够快速有效地完成规划任务,获得满意的航迹,为无人机优化路径提供了依据。     

无人机三维路径规划及避障方法

针对无人机(UAV)在三维环境中如何由起始点到目标点合理地规划路径避开障碍物,提出了一种基于改进粒子群算法与滚动策略相结合的UAV路径规划与避障方法.该方法首先以UAV为中心,通过传感器建立UAV的可视区域模型;其次结合滚动策略滚动探知UAV周围环境信息;最后,利用改进的粒子群算法进行路径搜索,并加入综合转角控制提高路径的平滑性.在传统粒子群算法中加入信息素与启发函数,增强算法的全局搜索能力,并对参数进行特定设计提高算法的收敛速度.仿真结果表明,该方法可以实现实时避障,所规划的路径相对平滑,且改进算法比传统算法具有较高的收敛性.     

An Efficient Path Planning and Control Algorithm for RUAV’s in Unknown and Cluttered Environments

This paper presents an efficient planning and execution algorithm for the navigation of an autonomous rotary wing UAV (RUAV) manoeuvering in an unknown and cluttered environment. A Rapidly-exploring Random Tree (RRT) variant is used for the generation of a collision free path and linear Model Predictive Control(MPC) is applied to follow this path. The guidance errors are mapped to the states of the linear MPC structure by using the nonlinear kinematic equations. The proposed path planning algorithm considers the run time of the planning stage explicitly and generates a continuous curvature path whenever replanning occurs. Simulation results show that the RUAV with the proposed methodology successfully achieves autonomous navigation regardless of its lack of prior information about the environment.     

基于改进遗传算法的无人机路径规划

针对传统遗传算法收敛速度慢、容易陷入局部最优、规划路径不够平滑、代价高等问题,提出了一种基于改进遗传算法的无人机（UAV）路径规划方法,该算法对遗传算法的选择算子、交叉算子和变异算子进行改进,从而规划出平滑、可飞的路径。首先,建立适合UAV田间信息获取的环境模型,并考虑UAV的目标函数与约束条件以建立适合本场景的更为复杂、精确的数学模型;然后,提出了混合无重串选择算子、非对称映射交叉算子和启发式多次变异算子,寻找最优路径以及扩大种群搜索范围;最后,采用三次B样条曲线对规划出的路径进行平滑,得到平滑的飞行路径,并且减少了算法的计算时间。实验结果表明,与传统遗传算法相比,所提算法的代价值降低了68%,收敛迭代次数减少了67%;相较蚁群优化（ACO）算法,其代价值降低了55%,收敛迭代次数减少了58%。通过大量对比实验得出,当交叉率的值为（1/染色体长度）时,算法的收敛效果最好。在不同环境下进行算法性能测试,结果表明所提算法具有很好的环境适应性,适合于复杂环境下的路径规划。