基于Q学习的无人机三维航迹规划算法

针对现有的基于强化学习的无人机航迹规划方法因无法充分考虑无人机的航迹约束而使规划获得的航迹可用性较差的问题,提出一种更有效的无人机三维航迹规划算法.该算法利用无人机的航迹约束条件指导规划空间离散化,不仅降低了最终的离散规划问题的规模,而且也在一定程度上提高了规划获得的航迹的可用性,通过在回报函数中引入回报成型技术,使算法具有满意的收敛速度.无人机三维航迹规划的典型仿真结果表明了所提出算法的有效性.     

基于改进灰狼优化算法的无人机三维航迹规划

为了解决三维复杂环境下的无人机航迹规划问题,提出一种基于改进灰狼优化算法的无人机三维航迹规划方法.模拟真实的地理环境,建立三维地形模型和禁飞区模型,构造合理的评价函数.在改进算法中,设计一种基于贪婪思想和变异策略的初始化方法,提升了初始种群的平均适应度值;将一种非线性递减函数引入距离控制参数,解决了灰狼优化算法开发能力不足的问题;设计一种动态加权平均和静态平均混合的位置更新策略,解决了灰狼优化算法位置更新策略不灵活的问题.仿真结果表明:该算法相比于其他几种相关算法,航迹代价较小、收敛速度较快且效果更稳定.     

无人机航迹规划算法研究

航迹规划算法是无人机应用的关键技术之一。本文主要结合蚁群算法对无人机三维航迹规划进行了系统的研究。针对无人机三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于蚁群算法的航迹滚动规划方法,并将地形条件与航迹规划的约束条件加入搜索算法中,以使规划的航迹更符合实际情形。仿真实例结果表明,所提出的规划方法可以规划出满足无人机飞行要求的航迹。     

基于动态加权A*算法的无人机航迹规划

随着无人机航迹规划高维空间的扩展,无人机的飞行环境变得异常复杂,其外部威胁不再是简单的二维静态威胁,传统的蚁群算法和人工势场算法已经不能满足实时性和高复杂环境的要求。为解决上述问题,提出新的基于动态加权A^*算法的无人机航迹规划。首先对无人机的飞行环境进行建模,通过研究航迹规划的转弯半径、航迹段长度和最大航程限制等约束条件,用于保证无人机的安全飞行,从而降低坠机率和威胁概率;其次,通过研究无人机的航迹和外部威胁参数,设计出新的航行方式,降低航行危险和减少损失;然后,通过扩展顶点势能定位和网格图整体变化的动态权重,获得动态环境下的代价函数,增加避障搜索速度、精度和加深回避程度。最后,通过仿真结果表明,在同一应用环境下,所提算法与蚁群算法和人工势场算法相比,航迹路径最优、威胁代价最小和算法执行的时间最短。综上,基于动态加权A^*算法很好地应用于无人机航迹规划,降低了无人机航迹代价,缩短了算法完成时间,提高了复杂环境下无人机航迹规划的搜索速度和精度。     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

基于MPC-PSO的无人机在线航迹规划

研究了无人机在战场环境部分已知突然出现动态威胁情况下的三维在线航迹规划问题.采用"预规划-在线轨迹跟踪"的模式,根据已知的环境信息,离线规划出UAV的参考航迹.然后UAV在飞行过程中,需要在跟踪参考航迹的基础上,对UAV未来一段航迹进行预测,然后利用粒子群算法优化出UAV的最优(或次优)的飞行航迹.与传统的在线规划方法粒子群和稀疏A*搜索算法相比,该方法有效地提高了规划航迹的可行性和实时性,降低了算法的复杂度.仿真表明该算法是一种有效的无人机路径规划算法.     

基于乌贼算法的无人机航迹规划

乌贼算法是一种新型的启发式仿生优化算法。提出了一种基于乌贼算法的无人机航迹规划算法。所构建的概率地图采用概率密度函数来对各种威胁源进行建模,非常适合表述战场环境的不确定特性。乌贼算法与传统的启发式算法相比,拥有更快的收敛速度。在此基础上设计的基于乌贼算法的概率地图航迹规划算法能够有效的缩小概率地图的规划空间,使得航迹规划搜索范围减少、时间缩短。仿真实验表明,该方案比传统概率地图航迹规划方法更能满足无人机航迹规划的要求。     

动态步长BI-RRT的无人机航迹规划算法

为解决传统RRT算法收敛速度慢、生成的航径距离过长等问题,提出动态步长BI-RRT算法。首先,采用引向目标的采样策略对空间进行探索以得到采样点,利用动态步长策略确定该采样点的增长步长以确定新节点;之后,通过树枝裁剪策略对新节点进行调整,当探索到目标节点时,算法返回初始航迹,对于初始航迹,应用贪心算法对航迹点进行筛选,以减少无人机(UAV)的无效节点与总航迹长度;最后,利用B样条进行平滑处理,得到一条可行航迹。搭建了二维和三维环境下的仿真地图模型,验证了该算法在保证无人机避障的基础上获得一条有效航迹。动态步长BI-RRT算法在无人机航迹规划方面不仅有实时性强、航迹光滑的优点,而且与分段优化RRT算法相比,在优化航迹节点个数的前提下,提高了收敛速度且降低了航迹距离。     

非线性解耦控制在无人机中的应用

为了提高无人机的机动性,同时保证其航迹的精确性,针对无人机纵向运动模型,采用非线性动态解耦Singh算法设计直接力控制器,并对某一型号的无人机模型进行了纯直接力模式的计算机仿真.结果显示无人机的速度、迎角、俯仰角以及航迹角输出均能按照预期的目标渐进跟踪控制指令,并且具有很好的动态响应.仿真实验表明基于Singh算法的直接力控制器能解除无人机在飞行过程中某些模态运动之间的交叉耦合,并能精确实现纯直接力、俯仰指向等3种模式的直接升力控制.     

基于二维自由空间的无人机实时航迹规划

针对未知环境中无人机的实时航迹规划,提出了一种利用方向引导向量的航迹规划方法。通过仿真实验证明,该算法在完全未知的环境中,可以很好地引导无人机找到目标点,实现无人机在线的实时决策。     

移动威胁下的无人机三维航迹规划

针对移动威胁下的无人机三维航迹规划问题,采用自适应卡尔曼滤波算法,对移动威胁的状态信息进行了预测,依据其航迹方位角、航迹倾斜角与视线角之间的关系,建立了航迹角控制数学模型,并提出了移动威胁下基于参数调整的航迹规划算法.仿真结果表明,该算法能够保证无人机有效地躲避空中移动威胁,并提高了其规避移动威胁的快速性.     

基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

基于改进进化算法的无人机航迹规划

基于进化算法的无人机航迹规划已经得到了广泛的研究;但是由于其进化算子的多样化,还存在许多不足之处。针对现有进化算法的缺点引入一种新的坐标系,提出了一种定向进化策略,使每个航迹点根据具体情况进行定向变异。为了测试改进算法在航迹规划中的避障能力,进行了一系列的仿真实验。仿真结果表明基于改进进化算子的进化算法在无人机航迹规划应用中具有很大的优越性。     

基于蚁群算法的无人机航迹规划研究

现如今,无人机应用的关键技术无外于乎航迹规划算法。基于这个现状,该文将针对无人机航迹规划进行系统研究,构建了无人机航迹规划的空间模型,在此之中结合蚁群算法,保证规划的真实可靠性。考虑到现在无人机应用的复杂以及不能完全利用有效空间的问题,提出以蚁群算法为基础的一种新型的航迹规划方法,并在其中考虑到地形,约束条件等外部因素,因此保证了航迹可以在现实中应用。最后,阐述了无人机航迹规划面临的关键问题及未来发展趋势。     

航迹规划算法在无人机电力巡线系统中的应用

无人机在电网巡检中具有安全性高、检测结果准确、可长时间持续工作等优点。文章对无人机在电力巡检中常用的几种飞行模式进行分析,并对无人机在电力巡线中自主规划航迹加以优化,提出了基于航迹规划的电力巡线方案,同时在地面工作站上标定开始和结束位置,借助航迹规划算法获取待飞航点,组成航线,从而实现对线路的跟踪。     

区域覆盖的多机协同探测任务分配策略

为满足战场环境下对兴趣区域进行覆盖探测的任务需求,提出了一种基于区域覆盖的多无人机协同探测任务分配策略。首先通过最小圆覆盖法确定无人机在兴趣区域中的目标航迹点,其次进行多机协同任务规划,在目标分配模型的基础上进一步建立时间分配模型,然后利用改进灰狼算法对任务分配模型进行求解,最终实现资源优化分配决策方案的获取。仿真结果表明,所提算法相比其他算法具有更快的收敛速度,能够更加有效地解决区域覆盖探测资源优化分配问题。     

复杂动态环境下基于DMPC-PSO的多无人机在线航迹规划

本文采用"有限集中指挥-分布式自主协调"的控制结构,研究多无人机协同低空突防航迹规划,对战场环境信息部分已知的情况,提出了多无人机航迹"预规划-在线轨迹跟踪"的模式,采用分布式模型预测控制和粒子群优化(DMPC-PSO)算法对多无人机的航迹进行预测和优化.仿真结果表明:利用该方法规划的多无人机的航迹不仅要满足低空突防的要求,具有良好的地形跟随、地形回避、威胁回避性能,更具有高的实时性与环境适应性,能在复杂战场环境发生变化时,及时在线调整以满足无人机安全、航迹最优等性能的要求.     

基于混沌遗传算法的航迹优化研究*

在实际作战环境中,如何选择最优的航迹路线是无人机任务规划系统中最重要的问题之一。首先,在有效巡查区域中建立以总路程最少和时间均衡度最小的双目标航迹优化模型,然后提出一种基于混沌遗传算法的航迹规划;该算法利用Logistic混沌序列确定遗传算法交叉和变异点,保证了算法收敛精度,削弱了因交叉强度大而产生的抖振问题,并将该算法应用到了航空规划问题上进行实验仿真,仿真结果表明该方法提高了遗传算法的精确度。     

基于遗传算法的无人机航迹规划

研究了基于遗传算法的无人机全局路径规划算法,建立了综合评价航程总长度、威胁概率和平均地形高度的多目标优化函数,并针对此优化函数设计了基于相对距离转角的遗传算法编码方案,进化计算结果稳定,达到了利用三维地形规避威胁的目的.进而研究了基于路径规划点生成光滑航迹的鲁棒性算法,利用MATLAB和VRML接口实现了无人机全局航迹...     

基于改进粒子群优化的多无人机协同航迹规划

由于航迹规划可以为多无人机飞行控制提供参考指令,且当前粒子群航迹规划算法存在收敛速度慢,成功率不高的缺点,故提出了一种综合改进粒子群的多无人机协同航迹规划算法,考虑了无人机性能约束、障碍与威胁约束、空间协同与时间协同约束。首先,通过对学习因子线性化调整,实现了粒子惯性和最优行为的平衡;其次,引入混沌初始化,改善了粒子分布质量;然后,基于遗传变异思想设计了取代策略,同时提出了调速机制,提升了算法收敛速度。最后,将综合改进粒子群算法进行仿真验证,规划结果成功率高、收敛速度快且航迹代价小,可见改进算法的有效性。