元胞蚁群算法的城市楼宇间无人机航路规划

近年来,城市环境中小型无人机越来越多,然而传统的航路规划算法通常将威胁简化,并不能很好地解决无人机在城市环境的航路规划问题。因此引入"元胞"定义飞行区间,对"数字元胞地图"以及"航路罚函数"进行定义,并利用蚁群算法进行航路规划,使其可以对任意不规则威胁进行规避。仿真对比实验表明,所提的基于元胞蚁群的算法可以在不对障碍模型进行简化的情况下进行合理规避,为无人机在城市环境中规划出一条安全可飞的航路。     

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。     

无人机自主防碰撞控制技术新进展

 随着低空飞行无人机的日益增多,低空环境的飞行安全问题正变得越来越严峻。在阐述无人机自主防碰撞控制基本原理的基础上,分析了无人机自主防碰撞控制技术研究的4 类主要方法,进而阐述了低空飞行对无人机防碰撞控制技术提出的挑战。最后提出了可借鉴人类认知发育机理的无人机认知防碰撞控制方法,讨论了认知防碰撞控制技术的新进展。     

基于Skinner理论的无人机应急威胁规避方法

对于突发紧急威胁情况,常规的无人机规避方法在实时性和适用性方面存在不足.在研究生物体条件反射机制的基础上,将无人机应急规避行为理解为在外界威胁刺激下的一种应激性,提出了基于威胁紧迫度的Skinner理论.模拟飞行员在紧急防撞情况下的拉杆动作,将阶跃信号作为无人机应急动作指令,运用动作评价算法计算输出最佳策略.采用Skinner理论和统计学方法进行在线训练,形成威胁状态与规避动作的匹配,从而建立完整的条件反射过程.实验结果表明,基于Skinner理论的规避方法对突发威胁情况具备有效的规避能力.      

基于DE-DMPC的UAV编队重构防碰撞控制

当战场环境发生变化时,无人驾驶飞机(unmanned aerial vehicle, UAV)编队只有进行编队重构,才能保证编队的生存能力。在重构过程中碰撞问题严重威胁UAV安全应着重考虑。通过对UAV编队重构防碰撞问题进行分析,提出采用分布式模型预测控制(distributed model predictive control, DMPC)的方法,将编队重构问题转化为滚动在线优化问题。结合碰撞约束建立重构代价函数,针对代价函数求解复杂的问题,提出采用改进微分进化(differential evolution, DE)算法求解代价函数,并对算法的收敛性进行了分析。仿真实验表明,所提出的算法能够有效实现编队重构防碰撞控制,同时其代价更小、寻优能力更强。