多重威胁下的无人机自主避障航迹规划

无人机作为一种新兴的无人作战力量和不可或缺的民用设备,现已渐渐融入到国家安全和社会发展中的各个方面,航迹规划是保障无人机顺利完成既定任务的核心环节.为解决规划空间存在诸多静态和动态威胁的实时航迹规划问题,提出了一种基于滚动时域的无人机自主避障航迹规划方法.首先将航迹规划模型构建为单目标函数优化问题,根据无人机简化运动学模型和约束条件,采用滚动优化策略生成最优航迹序列;然后对最优航迹序列之间的航迹再一次采用滚动优化策略产生子序列,综合考虑威胁和飞行约束,利用负梯度下降法搜索航路点,采用遗传算法对子序列进行规划;最后经反复滚动迭代优化可得近似全局最优航迹,同时利用贝塞尔曲线对航迹进行处理,使其表征实际的飞行航迹.实验仿真结果表明:验证了模型的合理性和方法的有效性;具有良好的威胁规避能力并能规划出一条光滑航迹;与全局规划方法相比,该方法减少了收敛时间,实时性更强,能够快速、鲁棒地收敛到近似全局最优解.     

基于蚁群-粒子群融合算法的无人机三维航迹规划研究

无人机飞行空间广阔,需要一种快速搜索最佳路径的方法,本文在飞行区域中建立航迹规划环境模型和防空威胁区模型,在满足无人机飞行约束条件的情况下,为无人机航迹规划提供一种蚁群-粒子群融合算法,充分利用蚁群算法良好的分布机制、信息反馈机制和粒子群算法收敛速度快、全局搜索能力强的特点,使无人机能够自动避开威胁区,搜索出一条安全有效航迹,并保证航线的完整性和最优性.用Matlab对算法进行仿真实验证明,算法能为无人机的三维航迹规划提供一种快速、安全、高效的搜索方法.     

人工免疫算法路径规划在林火救援中的应用

为解决复杂环境下双机林火救援路径规划问题,提出用人工免疫算法规划三维飞行航迹。借鉴人工免疫算法规划机器人路径的方法,通过考虑飞机飞行特性和双机路径规划的要求,为双机异地出发同时到达规划出三维飞行路线,并对算法的主要影响因素进行了分析和估计,获得规划航迹的最优参数,用于设计安全高效的飞行航迹。研究结果表明,该方法能规划出复杂环境下双机飞行航迹,利用参数优化后的人工免疫算法不但能快速有效地规划三维航迹,而且丰富了航迹规划方法研究。     

无人机快速三维航迹规划算法

针对无人机三维航迹规划的实时性问题,提出了基于快速扩展随机树的三维航迹规划方法。该算法能够根据当前环境快速有效搜索规划空间,通过随机采样点将搜索导向空白区域,使三维航迹规划能够用于实时航迹规划。通过引入航迹距离约束,搜索树将沿着路径距离最短的近似最优航迹的方向进行扩展,克服了基本快速扩展随机树方法随机性强,只能快速获得可行航迹,无法获得较优航迹的缺点。在搜索过程中无人机的航迹约束条件和地形信息得到了充分利用,使算法生成的航迹能够自动回避地形和威胁,同时满足无人机的动力学约束。通过生成的虚拟数字地图对算法进行了仿真验证,仿真结果表明该方法能够快速有效地规划出满意的无人机三维航迹。     

无人机航迹规划技术研究综述

航迹规划是无人机自主飞行的关键技术之一.典型的航迹规划分为3个步骤:首先充分考虑各种威胁环境,进行飞行航迹的初步规划,其次利用优化搜索算法找出最佳航迹,最后进行航迹平滑处理.系统梳理了近些年关于无人机航迹规划的研究现状,分析了航迹规划过程中动力学约束和环境约束等因素;阐述了航迹规划涉及的关键技术,包括地形获取、威胁及代...     

基于遗传模拟退火算法的无人机航迹规划

航迹规划技术是无人机任务规划系统中重要的核心技术之一,无人机飞行空间广阔,需要一种快速搜索最佳路径的方法。首先在飞行区域中建立数字地图模型和防空威胁区模型,在满足无人机飞行约束条件的情况下,为无人机航迹规划提供一种遗传模拟退火算法,充分利用模拟退化算法的概率突跳特性和遗传算法强大的快速搜索能力。仿真结果表明,使用该算法无人机能够自动避开模拟数字地图的威胁区,搜索出一条安全有效航迹,并保证航线的完整性和最优性。     

基于风场信息的无人机在线航迹规划方法

风场是影响无人机飞行速度的一个重要因素。为了缩短任务执行中的飞行时间,考虑战场环境存在外界威胁情况,提出了一种利用组合导航在线估计风场信息的无人机航迹规划方法。该方法基于飞行时间为代价,利用改进的A*搜索算法对航迹进行顺风搜索,从而实现最短理想耗时的航迹规划。计算机仿真结果表明,与传统的最短航迹长度规划方法相比,无人机按该方法规划的航迹飞行时,理想耗时最少。     

一种机器人路径规划算法的研究

路径规划算法是室内移动机器人应用中最重要的算法之一.根据室内移动机器人在动静态环境下实时避障规划出一条最优路径的要求,设计一种新的路径规划算法.通过删除冗余点并平滑路径的方式对A*算法进行改进,又将其与TEB算法相结合,实现从指定起始点到指定目标点的路径选择及移动.实验结果表明,利用该算法可得到耗时短、平滑的路径,实时...     

面向无人机航迹规划的自适应乌贼算法

面向无人机在线/离线航迹规划应用,针对传统乌贼算法的长时搜索局域化及精度变差问题,提出了一种联合修正的自适应乌贼路径搜索算法.首先,提出联合混沌扰动与变异学习的混合调节机制来扩充乌贼搜索深度,以提高搜索精度;然后,引入自适应权重机制来减小乌贼搜索范围,以提高搜索效率;同时引入适应度自动筛选机制来改善乌贼种群多样性,以防止陷入局部最优.通过6个基准函数测试验证了所提算法的有效性与先进性,最后对所提算法进行不同场景下的航迹规划仿真验证.针对离线航迹规划,所提算法规划航迹成功率高达100%,规划航迹最接近全局最优,其航程均值相比传统乌贼算法可缩减7.3 units,比粒子群算法缩减可达28.3 units.仿真结果表明:所提算法全局规划性能和搜索精度显著增强,同时随着场景复杂度的提高,其航迹优化效果更加显著;针对在线航迹规划,首先将全局路径规划问题转化为若干个航迹分段的规划,然后引入启发式方法确定分段节点.仿真结果显示所提算法满足实时性要求,规划航迹精度高,进一步验证了所提算法的有效性.     

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。     

无人机群变航迹多任务综合规划方法研究

将无人机群作为一个整体,对任务和航线进行综合规划有利于提高效率,减少油耗。为了缩短机群的任务完成时间,减少飞行航程,提出了一种启发式的任务和轨迹综合规划方法。通过将各无人机的任务执行时间趋于均衡以减小机群任务的总完成时间,同时兼顾同一无人机执行的多个任务在路径上的相邻,使得机群的总飞行航程得到缩短,从而减少了油耗。仿真试验表明,任务轨迹综合规划算法与仅考虑航线或任务执行时间的算法相比较,机群的任务完成时间减少了18%左右,提高了无人机群的工作效率,减少了油耗。     

基于遗传算法的虚拟校园漫游路径规划

针对虚拟校园中道路环境存在u型槽及狭长路径的特点,提出一种基于改进遗传算法的路径规划方案。利用网格表示校园环境,并引入障碍物顶点信息,进行校园路径信息描述。在基本遗传算法进化过程中,加入平滑算子和避障算子,对适应值逐步收敛的种群进行人工选择优化,来提高成功率和适应值。实验结果表明,该方法能够在路径规划中准确的绕开U型槽障碍,并穿过狭长路径。     

低空无人机路径规划算法综述

随着城市空中交通(UAM)迅速发展,为实现eVTOL飞行器在城市低空空域高效安全运行,解决其路径规划面临的空域复杂多变、障碍物繁杂、低空飞行、噪声和气象等问题,从而推动城市空中出行时代的快速到来,文章引入AirMatrix空域规划概念作为城市低空空域规划方案,并针对eVTOL的城市低空运行特点对AirMatrix空域作了四维区块化分割,结合这一空域规划方案,选取了快速搜索随机树(RRT)算法、改进A*算法和粒子群算法(PSO)算法进行了综合分析和三维地形中的仿真验证,其结果表明：RRT算法搜索速率最快; 改进A*算法具有最好的路径规划质量;PSO算法在路径规划长度和搜索速度两方面均有所欠缺。改进A*算法相对RRT算法和PSO算法更适用于低密度城市空域路径规划。     

基于多智能体深度强化学习的无人机路径规划

为解决多无人机(unmanned aerial vehicle,UAV)在复杂环境下的路径规划问题,提出一个多智能体深度强化学习UAV路径规划框架. 该框架首先将路径规划问题建模为部分可观测马尔可夫过程,采用近端策略优化算法将其扩展至多智能体,通过设计UAV的状态观测空间、动作空间及奖赏函数等实现多UAV无障碍路径规划;其次,为适应UAV搭载的有限计算资源条件,进一步提出基于网络剪枝的多智能体近端策略优化(network pruning-based multi-agent proximal policy optimization, NP-MAPPO)算法,提高了训练效率. 仿真结果验证了提出的多UAV路径规划框架在各参数配置下的有效性及NP-MAPPO算法在训练时间上的优越性.     

多无人机协同编队飞行控制研究现状及发展

无人机在军事和民用应用上越来越广泛,为使无人机能够更好地发挥作用,需要采用多无人机编队飞行控制来实现协同侦察、作战、防御及喷洒农药等任务.多无人机协同编队控制技术主要包括信息感知技术、数据融合技术、任务分配技术、航迹规划技术、编队控制技术、通信组网技术和虚拟/实物验证实验平台技术等.首先对国内外多无人机编队相关技术的现状和进展进行综述,然后重点对多无人机编队控制方法进行分析,并对队形设计、队形调整和队形重构等问题进行归纳总结,最后对多无人机协同编队所面临的机遇和挑战进行了展望.结果表明:目前多无人机编队飞行理论方面取得了丰硕成果,但是实物飞行试验仅能实现简单通信环境下的协同编队飞行,任务分配和航迹规划实时性不高,控制方法应对突发情况鲁棒性低,多机多传感器协同感知能力不足,欠缺对实体的仿真实现,未来的研究方向应是突破上述关键技术的不足,开展复杂感知约束和复杂通信环境下的多无人机协同编队飞行研究,提出更加有效的控制方法,并进行多无人机实物编队飞行试验,使无人机能够更好地完成既定任务.     

一种无人机路径规划的混沌遗传算法

提出采用基于混沌的遗传算法进行无人机路径优化问题的求解。算法利用极坐标描述战场中的威胁位置和航路点,缩短了路径编码长度,提高了搜索效率,并在遗传算法操作时加入混沌操作,扩大了搜索范围,提高了优化速度,有效地解决了解空间巨大带来遗传算法收敛速度慢和容易陷入局部最优的局限。实例仿真结果表明,文中的算法与标准遗传算法相比,优化效率显著提高,得到的优化解即优化航路更好地规避了威胁。     

复杂环境下移动机器人路径规划与跟随

提出了一种基于改进A^*算法和PID控制算法的新型移动机器人路径规划与路径跟随控制方法,该方法适用于复杂的迷宫环境．在所提出的方法中,解决了A^*算法转折点过多的问题,并且通过拓展障碍物和四阶三次均匀B样条优化的方法使生成的预期路径安全且平滑;之后基于前视点的两轮差速机器人运动学模型设计了PID控制器．在专门设计的框架中测试了所提出方法的性能．作为验证,分别从路径规划与路径跟随两个方面做了详尽的实验,结果表明,规划路径转折点少且平滑,设计的PID控制器能够控制移动机器人实现较好的路径跟随效果．最后,在复杂的迷宫环境中验证了提出的方法,结果表明,所提出的方法能够使机器人无碰撞穿越迷宫．     

多无人机协同四维航迹规划的改进的Tau-H策略

为了在满足多类约束条件的前提下进行多无人机（UAVs）协同飞行的航迹规划及优化,提出改进的Tau-H运动策略.在常用的Tau-H运动策略基础上,通过在运动间距表达式中引入初速度的相关项,克服了固有的仅能考虑始末速度为零的情况的缺陷,可以实现无人机始末非静止的到达时间和速度的四维运动匹配.利用粒子群算法（PSO）搜索各无人机的初始耦合系数,形成全局航迹预规划;建立各无人机间的通信拓扑,采用采样间隔与冲突判断双驱动的滚动优化方法,求解局部再规划问题,实现航迹不断更新.通过对算例的仿真表明,基于改进的Tau-H策略得到的航迹可飞性好,安全性高,能够满足连续型多无人机航迹规划及优化的应用需求.     

基于改进A~*算法的仿生机器鱼全局路径规划

针对传统A*算法搜索速度慢和规划路径不够优化的缺点,引入可扩展节点,对A*算法流程进行改进,以减少时间和空间复杂度,提高搜索效率,并对规划路径进行优化处理,以有效的缩短路径。对存在凹形障碍物的地图,采用后退—尝试的方法解决路径规划的失败问题,使之绕过凹形障碍物取向目标点,达到输出最短路径的目标。