基于改进精英蚁群算法的无人机三维航迹规划

针对三维地图中的无人机航迹规划问题,提出了一种基于改进精英蚁群算法的航迹规划算法.将算法中的状态转移策略与人工势场法进行融合设计,为障碍物和目标点分别设置斥力场和引力场,指导航迹搜索方向.添加约束条件限制,使航迹能实际可飞.随后当信息素更新时,设置双精英蚂蚁策略和混沌扰动,提高算法的全局搜索能力.引入视线算法减少航迹节...     

三架固定翼无人机协同编队飞行避障策略

针对无人机编队执行空战任务过程中存在无人机之间以及无人机与障碍物发生碰撞的问题,提出单向网络连接结构的多无人机避障算法和基于人工势场的控制方法,同时应用于无人机编队避障控制。以三架无人机构成的正三角形编队作为控制体,同时以长机的运动轨迹作为期望路径,长机提供僚机飞行信息,僚机接受信息保持编队飞行。多无人机编队发现障碍物到避障完成的过程包括编队集结、松散队形、最终恢复集结正三角形编队。仿真实验结果表明,所提避障控制策略能够确保编队收敛于期望的队形和稳定飞行状态。     

改进人工势场法与模拟退火算法的无人机航路规划

针对标准人工势场法应用于无人机航路规划存在的缺陷,建立了改进的人工势场模型:当航路点搜索陷入威胁区时,构造惩罚势函数并使用势场强度代替合力矢量控制进行路径规划,解决由于合力矢量为零引起的局部极小问题;利用模拟退火算法搜索威胁区内势场强度更小的点,使得航路点逃离威胁区,解决传统人工势场法中参数对搜索航路点逃离效果的影响;使用变步长法优化算法的收敛速度。仿真结果说明,该方法能够较好地实现无人机航路规划,且快速易行。     

基于人工势场法的多机编队重构防撞控制

针对多机编队在队形变换过程中存在的机间碰撞问题展开研究。首先基于人工势场法提出一种有界斥力函数的设计方法;同时为避免同平面内队形变换导致的航迹交叉现象出现,设计了队形变换协调策略,有效解决了人工势场法容易陷入局部极值点的问题。其次,通过引入时变权重系数协调防撞控制量和一致性控制量,设计了机间防撞控制协议,在提升队形变换速度的同时确保无人机之间的距离始终大于安全距离。最后,通过数值仿真实例验证了所提编队防撞控制方法和队形变换协调策略的有效性,不仅显著提升了协同编队的安全性,还能够支撑未来大规模多无人机系统协同编队。     

基于改进人工势能的无人机编队与避障

针对多无人机V字型编队和躲避障碍物的问题,在传统人工势能的基础上结合距离约束和视线角约束,提出了领航法和改进人工势能相结合的编队方法。并通过将目标和障碍物信息融入势能函数设计的方法实现追踪目标和躲避障碍物。选择一架无人机为领导者并以其和目标为中心设计虚拟人工势场,使无人机形成V字型编队并以一定的距离和视线角追踪机动目标;以障碍物为中心构建虚拟的排斥力场,同时在编队的势能函数中引入障碍物位置信息反馈,使编队能够随着环境变化而自适应改变,主动躲避障碍;最后通过仿真实验验证了提出的算法。     

基于预添加虚拟力的改进人工势场算法

针对传统人工势场法在路径规划时会因目标点与障碍物的位置原因,出现引力与斥力合力为零而陷入局部最优点无法脱离的现象,提出了引入虚拟力辅助人工势场摆脱局部最优点的方法。改进算法首先将预添加的虚拟力细化等分为8个方向,再根据虚拟力与人工势场的势场力合力重新规划轨迹,在选择合适的时机撤去虚拟力后会获得多条新轨迹,然后根据每条新规划的轨迹情况,去除不合理的轨迹。最后计算出所有可行的预添加虚拟力方向的轨迹长度,选择出最优的轨迹。通过设置的五组仿真实验获得改进算法与传统人工势场法仿真结果的对比,验证了改进算法在面对单个障碍物与多障碍物的复杂环境下都能够解决传统人工势场法的缺陷,规划出合理的路径,可以有效地解决复杂环境下传统人工势场法适应性差等问题,证明了通过预添加虚拟力对传统人工势场法进行改进的可行性与有效性。     

改进人工蜂群算法的无人机航迹规划研究

如何快速地规划出满足约束条件的飞行航迹,是实现无人机自主飞行的关键。将改进的人工蜂群算法应用于求解无人机航迹规划问题,同时在人工蜂群算法的侦察阶段引入差分进化算法的思想。通过仿真实验并与标准人工蜂群算法比较,结果表明此算法能够有效加快收敛速度,提高最优航迹精度,是解决航迹规划和其他高维复杂函数优化的有效方法。     

融合Q学习算法和人工势场算法的无人机航迹规划方法

针对基于Q学习算法规划出的航线存在与静态障碍物发生碰撞危险的问题,提出融合Q学习算法和人工势场算法的航迹规划方法。该方法首先利用Q学习算法规划出一条航线,其次根据地图统计该航线每个航段内包含的障碍物,最后对每个包含障碍物的航段采用改进的人工势场法进行重新规划。实验结果显示,提出的融合方法能够在牺牲少量轨迹长度和时间的情况下,得到与静态障碍物避免发生碰撞的最短路径。     

联合势场与蚁群算法的机器人路径规划

针对全局静态环境下传统蚁群算路径规划时,易陷入局部最优、前期路径有效性差等问题,提出了基于改进人工势场局部搜索和改进蚁群算法全局搜索的机器人路径规划算法.在地图环境栅格化基础上,算法首先利用有效障碍物检测和临时中间目标点改进人工势场算法,以优化其死锁和欠优问题,通过改进人工势场优化蚁群算法的初始路径搜索,避免其早期的交叉等问题,同时构建与收敛相关的负反馈通道,调节全局与局部信息素的自适应更新,以平衡算法的收敛速度与全局搜索能力.简单环境与复杂环境的仿真实验结果表明,所提算法具有较好的全局搜索能力,收敛速度和搜索能力优于已有改进蚁群算法,验证了算法的有效性.     

区域目标搜索中基于改进RRT的UAV实时航迹规划

在线自主航迹规划是无人机(Unmanned Aerial Vehicles,UAV)执行区域目标搜索任务的有效保证.针对UAV区域搜索中航迹规划的实时性要求,提出了一种固定搜索模式和动态搜索模式相结合的UAV自主航迹规划框架.在快速扩展随机树(RRT)方法的基础上,通过改进随机扩展树的节点选择和引入启发式信息,提出了基于改进RRT的UAV实时搜索航迹规划算法,该算法能够有效降低在线航迹规划的时间代价和扩展节点数.仿真实验结果验证了本文方法的有效性.     

基于改进人工势场法的四旋翼飞行器航迹规划

基于四旋翼飞行器低空飞行实时避障的需求,利用人工势场法进行航迹规划。由于四旋翼飞行器对周围环境感知的局限性,容易导致局部极小问题出现。针对此问题提出"选择穿越法",四旋翼飞行器进入局部极小状态时激活该行为,有选择地穿过障碍物,迅速地摆脱局部极小的状态。仿真结果表明该方法能够有效地解决局部极小问题。     

基于深度强化学习的无人机实时航迹规划

随着无人机技术的应用和发展,无人机执行任务的飞行环境愈发复杂多变,对无人机机动避障能力和航迹规划的实时性提出了更高的要求。基于泛化性较好、对环境依赖弱的深度强化学习算法,以雷达实时获取的障碍物地图信息为基础进行实时路径规划,针对二维航迹规划问题特点设计了连续奖励函数,解决了强化学习算法在二维平面航迹规划中奖励稀疏的问题;基于迁移学习的思想设计多个训练环境,并按任务的难易程度进行分步训练,降低了算法的训练难度,提高了训练效果,并使算法的收敛效果更加稳定。在实验中将SAC算法与目前主流的PPO和TD3算法进行对比,实验结果表明：SAC算法收敛速度快,实时性好,航迹平滑度更好。     

基于蚁群算法的无人机航迹规划及其动态仿真

为实现无人机航迹规划的实时性和交互性,建立了无人机动态仿真系统。以"捕食者"无人机模型为应用背景,结合MAK仿真技术的相关理论,利用蚁群算法计算了无人机航迹规划,并实现了Matlab平台下的实例仿真。基于构建的仿真系统,利用MAK软件实现了二维和三维飞行过程的显示,仿真效果理想,为无人机航迹规划结果的交互验证提供了一种有效的手段。     

多无人机编队协同控制软件平台设计与仿真

在战场环境瞬息万变、作战任务日益复杂的现代战争中,多架无人机编队协同完成复杂的作战任务已成为一种趋势。多无人机编队控制及重构是多无人机系统的核心内容和关键技术。基于微粒群算法、蚁群算法研究了多无人机编队控制及重构、航线规划及重规划问题,特别是在解决编队重构问题时,提出一种多样性微粒群算法。设计了多无人机编队飞行协同控制平台,仿真结果表明,标准微粒群算法、蚁群算法等智能算法可以较好解决编队控制、编队重构和航线规划问题,多样性微粒群算法具有更强的全局寻优能力。     

基于混合算法的局部路径规划

人工势场法是一种常用的具有算法简单和便于实时控制的局部路径规划方法,但存在容易产生局部极小值的问题。基于模糊逻辑的局部路径规划法具有环境适应性强等优点,它在连续论域内采用模糊路径规划时,计算量比较大。提出了一种将人工势场法和模糊逻辑法相结合进行局部路径规划的混合算法。具体方法是在一般情况下采用人工势场法进行局部路径规划,当产生局部极小值时,采用模糊逻辑法进行局部路径规划。仿真结果表明,该方法能有效地解决局部极小值问题,给智能车规划出光滑的路径。     

无人机集群协同控制技术综述

协同控制技术作为多智能体分工合作完成任务的关键核心技术,能解决无人机集群编队、队形重构和避障避碰等问题,是无人机集群正常运作的基础。针对近几年国内外无人机集群协同控制技术的发展历程,概述3种控制结构原理及其优缺点;分析了基于3种控制结构的编队控制方法及其优缺点;从无人机集群协同编队控制技术出发,分析基于编队控制的避障方法;指出了现阶段无人机集群协同控制技术面临的瓶颈问题,并对协同控制技术的未来发展方向进行了展望,为无人机集群编队控制和避障方法研究提供一定的借鉴。     

固定翼无人机群的集群和避障控制

针对传统的集群控制算法需要获取通信范围内相邻质点的位置和速度信息才能够计算控制量的问题,提出一种新的无须获得相邻无人机速度的六自由度固定翼无人机群的集群和避障控制方法。将通信范围内的无人机均视为障碍物,采用统一的计算方法获得控制量,并且证明了算法的稳定性。通过建立六自由度无人机线性化控制模型,将改进的质点集群算法应用于无人机群控制系统中,将无人机控制设计成六自由度无人机的跟踪回路和质点无人机的导引回路,并证明通过选取合适的跟踪回路控制参数,确保整个无人机集群控制是稳定的。通过六自由度无人机编队仿真验证了所提算法的有效性。     

基于改进差分进化算法的多无人机航迹规划

针对已知三维环境下的多无人机动态路径规划问题,在多无人机协同方面基于参考路径长度以及威胁距离进行任务点规划,并根据实际环境设定了约束函数和适应度函数。在航迹规划算法方面则采用改进差分进化算法,将种群基于种群个体的适应度均分为两个子种群,选择不同的变异策略。仿真验证结果显示,改进差分进化算法得到的规划路径在路径长度、适应度值优于传统差分进化算法,可以生成路径更短且适应度值更优的航迹。     

基于遗传算法的无人机航迹规划代价函数

针对当前使用的无人机航迹规划代价函数的不足之处,提出一种利用遗传算法对无人机航迹规划代价函数进行优化的方法。对基本遗传算法进行了局部改进,设计了航迹极坐标编码方式及航迹适应度函数,在采用基本遗传操作算子的基础上采取精英保存策略,提高了算法的效率;采用代价归一化并进行优化的思想,得到优化之后的代价函数权重值。优化结果表明,该方法可以获得代价更低的航迹。     

无人机航迹规划常用算法

无人机航迹规划是实现无人机自主飞行的关键技术保障,航迹规划算法则是航迹规划的核心。首先介绍无人机航迹规划的相关理论,其次分析归纳了当前常用的航迹规划算法,最后阐述了航迹规划所面临的挑战及其发展方向。