混合种群RRT无人机航迹规划方法

快速扩展随机树（rapidly-exploring random tree，RRT）无人机航迹规划方法能够快速获得满足约束要求的可行航迹，但是无法获得接近最短航迹的较优航迹。针对航迹的最优性问题，提出了混合种群RRT无人机航迹规划方法。在基于环境势场的RRT算法的基础上，设计了一种种群优化方法，通过引入自优化种群和协同优化种群改善航迹段，使算法同时具有局部和全局寻优能力。在得到航迹节点的基础上，采用B样条曲线的平滑方法生成曲率连续的可跟踪航迹。仿真结果表明，所提算法能够综合考虑无人机航程代价和雷达威胁代价，快速地收敛得到接近最优且满足无人机动力学约束的可行航迹，在不同环境下也能有满意的收敛效率。     

基于混合动态贝叶斯网络的无人机路径重规划

针对无人机航迹规划的实时重规划能力,研究了局部路径构图的基本原则并提出了一种突发威胁体下无人机局部路径重规划的算法。首先根据不同威胁体的分布情况构造无人机的可飞航路集,用“改进型Voronoi图”表示出来,采用Dijkstra算法求解初始粗略最短路径。在无人机飞行过程中,通过基于混合动态贝叶斯网络的切换线性动态系统模型感知环境,应用Viterbi应用解码算法确定突发威胁体的实时位置及威胁等级,后依据局部路径重规划原则进行寻优,最后应用三次平滑及序列二次规划方法获得实际可飞路径。用Matlab仿真验证,证明了算法有效性。     

小型无人机快速三维航迹规划方法

针对小型无人机航迹规划中难以满足自身性能约束和实时性要求的问题,将飞行环境中的威胁分为可穿越威胁和不可穿越威胁;基于序列规划思想,采用粒子群优化算法规划基准航迹,采用改进的稀疏A*算法进行在线航迹规划。为提高在线航迹规划效率,将三维航迹规划转化为二维水平面规划和高度规划,仿真实验验证了该算法能够生成三维可行航迹,且规划时间显著减少。     

基于加权k-均值聚类与粒子群优化的多航迹规划

针对复杂环境下的无人机多航迹规划问题,提出了将粒子群优化（particle swarm optimization, PSO）算法与加权k-均值聚类算法相结合的规划方法。每个粒子表示一条航迹,采用加权k-均值聚类算法对粒子进行分类,得到多个粒子子群,在每个子群内部进行一条可行航迹的优化,最终得到多条不同的可行航迹。对传统k-均值聚类算法进行改进,采用排挤机制产生初始聚类中心,针对实际环境中突发威胁的分布不均性,在聚类过程中,对航迹节点按照所在区域突发威胁的出现概率进行加权,提出了加权k-均值聚类算法。仿真实验表明,所提出的方法能够有效地得到无人机的多条可行航迹。     

无人机任务分配与航迹规划协同控制方法

针对无人机协同控制问题,提出一种多无人机任务分配与航迹规划的整体控制架构。将威胁和障碍区域考虑为合理的多边形模型,使用改进的A*算法规划出两个航迹点之间的最短路径。并利用该路径航程作为任务分配过程全局目标函数的输入,采用与协同系统相匹配的粒子结构进行改进粒子群优化(particle-swarm optimization,PSO)任务分配迭代寻优。根据分配结果并考虑无人机性能约束,基于B-spline法平滑路径组合,生成飞行航迹。仿真结果表明,算法在保证计算速度和收敛性能的同时,能够产生合理的任务分配结果和无人机的可飞行航迹。     

基于VORONOI图的无人机航迹规划

无人机的航迹规划对发挥无人机的自主飞行和执行任务中起着至关重要的作用。在分析VORONOI图的性质基础上,以无人机仿真环境中作战想定与任务规划成员为背景研究基于VORONOI图的航迹规划技术。重点讨论了如何根据威胁分布的VORONOI图建模,计算航路代价,航迹搜索和航迹优化。最后总结了算法的优缺点,提出算法的改进新方法。     

无人机动态环境实时航迹规划

提出了一种基于实时A*搜索的无人机实时航迹规划算法。该算法将飞行器运动与航迹搜索相结合,在飞行器飞行过程中实时规划出下一段航迹;在搜索过程中,使用了多步寻优搜索的方法,相比单步搜索生成的航迹更加优化;使用最小转弯半径对生成的折线进行连接,使路径平滑可飞;针对算法局限性,给出一种改出局部最优点的策略。最后经仿真证明了该算法能够较好地满足规划要求。     

基于动态RCS的无人机航迹实时规划方法研究

为了提高无人机的生存能力,针对不确定飞行环境的无人机航迹规划问题展开研究,提出了一种基于RCS的无人机航迹实时规划方法,建立了相关计算模型,提出合理的代价函数,并采用多阶段分析博弈评估算法对航迹进行优化。仿真结果表明,基于动态RCS的无人机航迹实时规划方法能够比较好的解决无人机的航迹规划问题。     

基于自适应分段势场法的多无人机航迹规划

为解决传统人工势场法在无人机进行航迹规划应用中易陷入局部极值、目标不可达与规划航迹曲率过大等问题，在分层势场法基础上提出了目标点处附加的第二局部引力场和由目标引力场组成的引力集合的方法。该方法克服了目标不可达和易陷入局部极值的缺陷，且在原有分层势场法中引入分段函数，提高了航迹规划效率，缩短了航迹长度。仿真对比了传统人工势场算法、对比算法一、对比算法二、本文提出的基于附加引力场和复合引力场的势场算法以及自适应分段势场算法。结果表明：自适应分段势场算法具有较好的有效性和较强的鲁棒性。     

基于多目标优化算法的多无人机协同航迹规划

多无人机协同航迹规划是无人机协同作战的关键技术之一。本文提出的一种针对多无人机协同航迹规划的多目标优化算法,即协同非支配排序进化算法(cooperated non dominated sorting genetic algorithms II,CO-NSGA II),针对多架无人机的航迹距离、安全性、时间以及空间的协同性进行规划。运用多目标优化算法,克服了传统航迹规划中需要为各目标函数取权值的不足,并且可以生成多组可供选择的解。同时引入协同进化策略,将各无人机的航迹规划视作子种群,各子种群间进行合作,子种群内采用非支配排序进化算法(non-dominated sorting genetic algorithms II,NSGA II)进行独立优化。考虑到各机间的协同约束,用时间空间协同系数替代传统算法中的“拥挤距离”参数。仿真结果表明通过本文算法能够有效实现多无人机协同航迹规划。     

基于DBN威胁评估的MPC无人机三维动态路径规划

模型预测控制(model predictive control, MPC)路径规划算法适用于三维动态环境下的无人机(unmanned aerial vehicle, UAV)路径规划;动态贝叶斯网络(dynamic Bayesian network, DBN)能够有效推理战场态势,对无人机进行威胁评估。针对威胁尾随无人机时的路径规划问题,构建DBN威胁评估模型,将UAV在战场环境中的威胁态势用威胁等级概率表示,与MPC路径规划算法相结合,得到基于DBN威胁评估的MPC UAV路径规划算法。通过多组仿真分析表明,在三维动态环境下,特别是威胁尾随无人机时,基于DBN威胁评估的MPC无人机路径规划算法可以得到有效的无人机路径。     

实际环境中多无人车协同路径规划模型研究

地面无人车的集群作战运用是当前人工智能与作战指挥交叉领域的热点研究问题。针对实际环境中多无人车无法满足动态威胁条件下的协同路径规划问题,采用全局路径规划算法A-star与局部路径规划算法RL相结合的思路,从感知到行为决策全交互协同的角度开展多无人车协同路径规划模型研究,设计协同作战态势威胁算法、状态与动作空间、奖励函数、势力范围函数;设计协同作战编队构型策略生成及打击路径动态优化子模型,完成基于自主学习的多无人车协同路径规划控制模型构建与求解。结果表明：该路径规划模型可有效应对复杂城市环境下多无人车协同路径规划任务需求。     

基于Laguerre图的自优化A-Star无人机航路规划算法

为了降低无人机航路规划的运算量,减少规划时间,确保算法对于任意形状威胁区域和地形的适应性以及所规划航路的准确性,提出了一种新颖的LA-Star算法用于无人机航路规划。首先把威胁区域和禁飞区域简化为圆形,利用Laguerre图算法进行航路预规划,在此基础上简化二次规划空间的范围,之后恢复威胁区域和禁飞区域的真实形状,在简化后的规划空间内使用改进A Star算法实施二次航路规划,最后对生成的航路进行自优化处理。仿真结果证明了LA-Star算法满足航路规划的实时性和准确性要求。     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

基于自适应郊狼算法的无人机离线航迹规划

针对无人机(unmanned aerial vehicle, UAV)离线航迹规划对算法全局搜索能力和鲁棒性的要求, 设计一种自适应郊狼算法, 从最优化问题角度研究UAV离线航迹规划。建立UAV离线航迹规划的数学模型; 在标准郊狼优化算法的基础上设计4种操作算子和一种自适应学习机制, 使算法在搜索的过程中, 智能选择合适的操作算子, 并设计莱维飞行策略提高算法的全局寻优能力; 最后对自适应郊狼算法进行函数测试和离线航迹规划仿真。函数测试表明自适应郊狼算法具有较强的全局搜索能力, 离线航迹规划仿真表明自适应郊狼优化算法能适应不同维数的离线航迹规划问题。     

威胁联网下舰载无人机对海突击航路规划

以复杂海战场环境下舰载无人机对海突击作战为背景,针对舰载无人机航路规划中容易忽略的威胁之间相互联系的问题,分析了威胁联网下航路规划领域的研究现状,针对其不足,建立了新的威胁分类方法,将威胁划分为机动威胁和固定威胁;构建了新的威胁联网模型,特别对距离舰载无人机航路较远,但联网后可以对舰载无人机产生威胁的威胁进行了着重研究,创新解决了机动威胁在威胁联网情况下的反应问题;最后基于遗传算法进行了仿真,分析对比了威胁联网与否对航路规划的影响,规划出了在威胁联网情况下的可行航路。     

基于速度障碍法的多UAV可飞行航迹优化生成

研究无人飞行器(unmanned aerial vehicle, UAV)在线可飞行航迹的自主规划对UAV适应非结构化环境、提高机动作战能力具有重要的现实意义。提出了一种基于Pythagorean-Hodograph (PH)曲线的UAV在线航迹生成算法,可以根据UAV当前的飞行状态、目标点信息及传感器探测信息实时规划出曲率连续的可避碰飞行航迹。考虑系统动态性能约束,采用分布估计算法对航迹参数进行优化选取,提出基于区间选优的全局精英个体概率选择机制,提高了航迹生成的速度及精度。根据速度障碍法原理,结合PH曲线的特点,给出了高动态环境下多UAV的实时动态避碰规划算法,该算法能使轨迹快速趋近于目标。对一组UAV的航迹规划在不同环境下进行了仿真实验,仿真结果证明了算法的有效性和实用性。     

基于粒子群算法的地磁匹配航迹规划

针对无人机地磁匹配航迹规划问题,提出了一种基于粒子群优化算法的航迹规划方法.借鉴稀疏A-Star搜索算法的思想,将约束条件结合到搜索方法中,给出了基于地磁网格图的航迹节点扩展方法.结合无人机的机动性能约束和地磁匹配的自身特点,设计了一种适用于地磁匹配的航迹性能评价函数作为粒子群的适应度函数.仿真实验的结果表明:生成的航迹能够满足地磁匹配导航要求,且具有威胁规避的能力.最后,针对只在中制导段采用地磁匹配的情况提出了初步的解决方案,保证无人机顺利进入地磁匹配航迹段.