城市区域多物流无人机协同任务分配

针对城市区域多无人机协同物流任务分配问题, 综合考虑不同无人机性能、物流时效性、飞行可靠性等影响因素, 以经济成本、时间损失和安全风险最小为目标函数, 构建多无人机协同物流任务分配模型。因问题规模大、求解复杂度高, 设计改进的量子粒子群算法进行求解。首先，为增强粒子遍历性和多样性, 采用均匀化级联Logistic映射进行粒子初始化; 其次，为避免算法陷入局部最优解, 引入基于高斯分布的粒子变异方式; 最后，为提高算法运行效率, 运用自适应惯性权重方法对粒子赋值。仿真实验结果表明，所构建的模型能够实现任务分配多目标优化, 贴近城市区域无人机物流配送实际; 所提算法与传统量子粒子群算法和遗传算法相比, 任务分配代价分别下降了5.9%和6.3%;并进一步对参数权重设置进行分析, 当3个子目标函数权重系数分别为0.225、0.275和0.500, 种群规模为150时, 算法规划的结果最优。     

基于ULS、TLS和超声测高仪的天然次生林中不同林冠层树高估测

【目的】应用不同数据源分析不同林冠层中探测提取树高的异同,探索适用于中国北方天然次生林树高估测的方法。【方法】以东北林业大学帽儿山实验林场中林施业区0.25 hm²样地为研究区域,基于无人机激光雷达(unmanned aerial vehicle laser scanning, ULS)、地基激光雷达(terrestrial laser scanning,TLS)和Vertex IV超声测高仪实测单木树高,根据冠层高度分布(canopy height distribution, CHD)对林冠层进行分层,对不同林冠层(上层和下层)、不同树木类型(针叶树和阔叶树)探测提取的树高进行对比与分析。【结果】由CHD计算得到的冠层分层阈值为8.5 m。树高的离群值大多产生在林冠上层,阔叶树比针叶树更容易产生离群值,ULS比TLS更容易产生离群值。在林冠上层,ULS比TLS估测树高的相对均方根误差(rRMSE)低2.56%,ULS提取针叶树树高的rRMSE比阔叶树低2.68%;在林冠下层,ULS仅能探测到少量树木,ULS比TLS探测提取树高的 rRMSE高6.31%,TLS提取针叶树树高的rRMSE比阔叶树低1.16%。【结论】针叶树的树高估测精度普遍高于阔叶树;当TLS和ULS均能对单木进行完全扫描时,具有准确提取树高的潜力;树高离群值多由冠型不规则或相互交叉的阔叶树产生,而大部分针叶树,由于具有规则的冠型,所以产生的离群值较少;基于CHD对林冠层进行划分能够较好地反映不同数据源估测树高的适用范围,具有一定的推广意义。     

基于小型无人机的高位危岩快速调查与稳定性评价

危岩体多孕育于高陡岩质斜坡之上,具有明显的隐蔽性和突发性,其早期的快速识别与稳定性评价一直是地质灾害防治工作中重要的技术难题之一.以重庆万州狮子头为例,利用小型无人机合理规划航线获取高清影像,生成二三维模型.通过遥感信息提取技术与地质灾害分析相结合,为危岩体稳定性研究提供基础数据.运用图像识别技术识别危岩体结构面,并利用前期提取的坐标等基础数据计算出其产状.最后采用赤平投影的方法分析了典型危岩单体的稳定性.研究成果为高位危岩体的非接触式测量、精细地质信息获取及稳定性快速评价提供一种新的思路.     

多无人机协同探测快速目标的控制方法设计

针对无人机(unmannd aerial vehicle, UAV)对快速运动目标的协同探测问题, 设计了一种多UAV协同探测控制算法。首先假设每架UAV都携带相同的探测载荷, 根据载荷特性设计了针对快速运动目标的UAV协同探测队形。然后引入固定时间控制一致性协议到UAV载荷角度控制中, 控制载荷持续照射目标; 引入有限时间一致性协议到UAV编队控制中, 用以形成协同探测队形, 并通过二跳网络加快队形的收敛。通过将UAV队形控制与UAV载荷的角度控制相结合, 从而实现UAV对快速运动目标探测时间的最大化, 极大的延长了高速运动目标被发现的时间。最终通过理论分析和仿真实验证明了该控制算法的有效性。     

基于垂直区域宽度分解的无人机覆盖航迹规划

为解决多无人机执行区域覆盖任务时,存在覆盖效率低的问题,提出了基于垂直区域宽度分解的无人机覆盖航迹规划算法。首先,为了尽可能以最少的转弯次数完成任务,提出了垂直区域宽度分解法。然后,考虑到实际运用中由于飞手数量与无人机数量不匹配,导致资源分配不均的问题,使用垂直区域宽度分解法将任务区域分解为待覆盖的子航迹集合,并建立了以时间代价为目标函数的混合整数线性规划子航迹分配模型,来根据飞手数量与无人机数量动态的将子航迹进行均衡分配,达到提高覆盖效率的目的。最后,通过仿真实验验证了该算法的有效性。     

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。     

双属性概率图优化的无人机集群协同目标搜索

为了提高不确定环境下无人机（unmanned aerial vehicle，UAV）对目标捕获能力，进而提高多UAV协同搜索效率，提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm，ICEGA）的多UAV协同目标搜索方法。首先，根据环境的先验信息，在原概率图基础上引入标志位，建立基于双属性矩阵的待搜索环境概率模型，提高环境和目标的信息感知准确度；其次，定义UAV的飞行规则并结合目标先验概率图信息，建立UAV运动模型及确定最大收益的目标函数；最后，建立分布式UAV之间的信息交互模型，运用ICEGA算法优化产生最优协同决策输入航向角集合，在线实时滚动优化产生最优协同路径。实验结果表明，基于双属性概率图结合ICEGA算法更能够保证最优路径的产生，使得UAV能够准确地搜索到目标；同时，对比仿真验证了ICEGA算法能够提高UAV之间的协同性，保证了路径可行性及提高了目标搜索效率。     

无人机与车辆协助下的分布式多任务边缘计算卸载算法

为满足密集分布用户的服务质量和体验质量,建立了车辆和无人机协助下的多接入边缘计算卸载模型,车辆、无人机和路边单元作为边缘节点,将不同的计算任务按需卸载到不同类型的边缘节点进行处理.设计了基于分布式匹配-贪婪算法的终端用户任务卸载方案以最小化系统功耗,并研究了用户数量和延迟容忍对卸载方案的影响.仿真结果表明:该方案在满足延迟约束的条件下降低了系统功耗,保证了用户的服务质量;特别是在人群密集分布的情况下,能有效提高中心用户的体验质量.     

基于无人机实时数据多波次任务规划模型分析

针对导弹部队多波次作战任务规划问题, 依据无人机的实时数据, 构建了基于路径的多层规划模型, 并设计了模型的算法求解流程。使用遗传算法与禁忌搜索混合算法, 得出了任务规划中的最优路径规划, 并在此基础上进行了冲突的消除。通过仿真案例表明, 用无人机协同配合导弹部队作战, 实时传输作战数据, 能够解决战场信息模糊不确定的问题; 使用多层规划模型能够为导弹多波次规划作战的路径进行科学的决策和选择。利用遗传算法和禁忌搜索混合算法, 能够避免局部最优导致无法输出结果的现象。     

大规模无线传感网络数据收集的无人机路径规划

针对部署在地表交通困难的大规模无线传感网络,采用目前可控无人机(unmanned aerial vehicles, UAV)进行数据收集能够达到更好的效果. 然而,考虑到无人机自身有限的资源,以及网络中存在大量传感器节点的情况,无人机飞行路径规划对于顺利完成数据收集任务具有重要作用. 无人机路径规划可以看作经典的旅行商问题(traveling salesman problem,TSP). 针对部署具有均匀性特点的大规模无线传感网络,提出了一种规则化快速路径规划(fast path planning with rules, FPPWR)算法. 该算法通过网格划分,将全局区域飞行路径的求解划分到多个较小的方格中进行,并通过成对算子路径优化算法在初等飞行路径上将方格区域中的路径合并为全局路径. 实验证明,该算法在保证了较高精度的同时,显著提升了路径规划的效率.