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。     

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。     

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~*算法的灾后井下无人机航迹规划

针对传统A~*算法应用在煤矿灾后井下环境侦测的无人机航迹规划中存在搜索点冗余、遇到突发威胁时实时性较差等问题,提出了一种逆向变权重稀疏A~*算法。根据无人机自身性能约束及灾后井下威胁模型,从目标点到起始点进行全局静态航迹规划,避免大量无效搜索;根据无人机执行任务的需要设置不同权重系数,得到侧重航程或安全的航迹;通过引入次目标点策略,仅对被突发威胁覆盖的航迹进行修正,可在短时间内有效避开突发威胁。仿真结果表明,利用该算法进行航迹规划用时较短,无人机受到的威胁较小,可有效保障航迹规划的实时性和安全性。     

一种满足方向约束的动态航迹规划方法*

针对动态环境下有方向约束航迹规划问题,提出一种结合引导点的动态航迹规划方法。该方法沿约束方向基于圆拓展的方式产生引导点,并自主选择代价最小的引导点,引导航迹规划算法向引导点区域搜索,提高了规划效率。仿真结果表明,改进算法可以适应动态变化的环境,也能满足从特定方向接近目标点的航迹规划要求。相比于传统D*算法,改进算法的航迹总代价更小,规划时间更短。     

无人机三维航迹规划方法研究

航迹规划算法是无人机关键技术之一,同时也是任务规划系统（Mission Planning System）核心之一。针对固定目标规划问题,提出一种voronoi图改进算法和动态稀疏A*算法融合的三维航迹规划方法。该方法针对固定威胁目标,通过改进voronoi图规划算法快速求解二维航迹路径,然后在该路径参考下,用动态稀疏A*算法求解符合无人机飞行动力学约束的三维航迹。试验表明,该算法比动态稀疏A*算法规划速度快,并保证了航迹最优性。     

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.     

无人机航迹控制模块的优化设计与实现

当前在无人机作业过程中,能够根据预设的目的地信息自主控制飞行的模块,在多个最优方案条件下,需要预设复杂约束条件,否则就会存在寻优过程不收敛的问题,导致控制效果不佳。针对这一问题,研究了无人机航迹自主控制模块的改进设计。设计可以采集无人机的位置、速度等飞行信息,并上传至飞行主控器的模块硬件,软件在符合无人机飞行约束与威胁约束的条件下,规划获取后续飞行的最优航迹点。为了保证无人机飞行距离最短、高度最小,将无人机航迹自主控制问题变成优化问题。在面临多个最优方案条件下,构建基于鲸鱼算法的无人机航迹选择模型,以无人机飞行航线代价最小为目的,使用鲸鱼算法求解无人机航迹自主控制方案,完成软件设计。实验结果显示：使用所设计模块后,无人机可自主控制飞行航迹,成功避开静态威胁因素、动态威胁因素安全飞行至目的地。     

基于深度确定性策略梯度强化学习算法的航迹规划研究

航迹规划是无人机走向智能化的重要组成部分。目前已有的传统航迹规划算法存在实时规划能力差、无法处理动态场景、航迹不平滑等问题，现有的强化学习算法虽然能够实时规划，但是大多数算法主要应用在二维场景下，且存在容易碰撞障碍物、到达率低、航迹不平滑和航迹质量低等问题。针对上述问题，提出基于改进深度确定性策略梯度的强化学习算法，该算法融合自注意力机制，提取障碍物特征，躲避障碍，解决到达率低、实时规划能力差的问题，重新设计奖励函数，惩罚无人机“后退”行为，引入方向向量夹角引导机制，解决航迹不平滑问题。仿真验证结果表明，提出的改进算法在复杂动态场景下达到93.5%的到达率，平均飞行距离减少7.3%，推理时间减少26.2%，推理时间短，航迹符合无人机的飞行要求。     

卡车-无人机协同救灾物资避障配送问题研究

针对洪涝灾害中存在积水障碍区的卡车-无人机协同配送的最优路径及最短配送时间问题,建立了一种整数规划模型,并提出了一种两阶段启发式算法,第一阶段将积水障碍区进行二维网格化处理并确定无人机运输救灾物资时卡车的安全等待点以及各等待点无人机运送客户的集合,第二阶段提出阶段性规划算法,结合改进A*算法与非线性收敛因子的模拟退火鲸鱼算法对卡车绕积水障碍区的配送路径进行优化,在确保卡车行使安全的前提下,将A*算法的全局寻优性及鲸鱼算法的局部搜索精确性结合。解决存在积水障碍区的救灾物资配送问题,最后通过实例验证了所提出方法可以快速安全地解决洪涝灾害中救灾物资的避障配送问题。     

基于定向A*算法的多无人机同时集结分步策略

设计一种基于定向A*算法的多无人机同时集结分步策略.首先,提出一种定向A*算法,将无人机最大俯仰角与偏航角作为A*算法搜索约束,从而缩小节点扩展区域,并通过循环寻优规避“死区”点,进而产生平滑可飞的预规划航迹;其次,论述了补偿航程差的变步长多点搜索、三维盘旋机动、虚拟威胁等分步再规划算法,使得多无人机同时集结于目标点附近.仿真结果表明,所提出的算法能够有效完成多无人机同时集结任务.     

一种无人机三维航迹规划算法研究

在研究无人机三维航迹规划问题时,针对基于传统人工蜂群算法易陷入局部最优值、后期收敛速度变慢、寻优效率低的问题,提出了一种改进人工蜂群算法的无人机航迹规划方法。首先,在建立包括经纬度、海拔高度信息的三维飞行区域模型后,加入了地形约束模型,并引入新的综合航迹代价评价方式。然后,在算法中引入自适应搜索策略、新型概率选择策略与Logistic混沌搜索算子来增强其对原始信息的开采能力,提高其收敛速度以及加强其鲁棒性。最后,通过三维航迹规划仿真和面对突发威胁的局部航迹再规划仿真对所提算法的有效性进行了验证。结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于遗传算法和传统人工蜂群算法,适合用来解决无人机的三维航迹规划问题。     

无人机三维航路动态规划及导引控制研究

为研究无人机三维航路动态规划,提出了一种工程实用性强的A*三维航路优化算法,将无人机的机动性能、飞行航程、飞行高度等约束条件有效分割到解空间。为了加快搜索速度,引入启发式权重系数对搜索策略进行改进,利用加权值自适应方法对算法的评价函数进行设计,提高航迹点搜索效率,并设计了导引控制律,基于优化算法获取的航路,能够使无人机很好地跟随规划的最优路径,同时生成的期望控制指令充分考虑了无人机本身的机动性能以及实时性要求,解决了航迹规划与航迹跟踪之间的问题,最后进行了仿真验证,结果表明,该方法是可行和有效的,有着较高的优化效率;易于实现,工程实用性强。     

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。     

静态威胁下的无人机航迹规划

无人机（Uninhabited Air Vehicle,UAV）由于其自身优点,已经在军事以及民用领域取得广泛使用。无人机的航迹规划本质可归结为一个多目标多约束条件的最优化问题。简单介绍无人机航迹规划的基本理论。运用神经网络算法针对静态环境下的火力威胁和非火力分别建模。运用遗传算法对无人机进行航迹规划。通过建立不同环境的模型仿真验证算法的优越性。     

基于改进Dijkstra算法的防冲突最短路径规划研究

多无人机在执行作业任务时可能面临发生航迹冲突的矛盾,由此提出一种改进Dijkstra算法用来实现多无人机寻找最短且互不冲突航线的功能。在经典Dijkstra算法搜寻并对各航迹节点遍历运算的过程中,通过引入各节点的前驱节点变长回溯数组来记录各节点包含的所有前驱节点,找出各任务从起始点到达目标点所存在的全部可行的最短长度航线。再引入时间窗冲突判断模型从各任务的所有可行航线中将互不冲突的航线分离出来,一旦所有航线都冲突,则将其中一条最短航线中的冲突节点当作临时障碍点处理,通过改变回溯数组重新找出与其他任务互不冲突的一条最短航线。应用Matlab软件设计编写程序来进行算法验证,实验表明该改进算法在多无人机执行作业任务时可以规划出各任务包含的全部长度最短且互不冲突的航线,任务集合的规划效率有了明显提高。     

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.