基于改进VO算法与动态窗口法的自主避障

针对复杂动态环境下,无人机自主规避动态障碍物的问题,提出了一种改进的速度障碍法,以提高无人机在复杂环境中自主避障的能力。首先,根据速度障碍法原理,构建数学模型,判断无人机与动态障碍物是否存在冲突;然后,加入了自适应安全距离的同时用卡尔曼滤波对动态障碍物的下一时刻的位置进行预测,重构一个速度障碍区;最后,通过改进动态窗口法对可行避障区域进行最优避障策略的求解。通过不同场景和多障碍物连续避障的仿真实验,验证了所提算法的可行性和有效性。     

基于人工势场法的无人机局部航迹重规划

无人机飞行中受复杂环境的影响，在预设航线飞行时容易遇到突发障碍物，这要求无人机及时避障并重新设计轨迹.为实现无人机在飞行过程中主动避障并平滑地返回预设航迹，提出了一种改进人工势场法的局部航迹重规划方法.在引力场函数中加入线势场，使无人机避障后在线势场力的作用下重回原预设航线.通过在斥力场函数中加入无人机与目标点的决策因子，解决无人机在临界点震荡，无法到达预设目标位置的问题.通过引入动态力，解决无人机原地停滞，局部极小值问题.研究在二维环境下进行了Matlab仿真验证，试验结果表明，改进的人工势场法能够实现主动避障和无人机局部航迹的重规划.     

基于A星算法与人工势场法的无人机路径规划

为简化无人机飞行路径规划算法并提高其避障效果,本文提出一种人工势场法和A星算法相结合的路径规划算法:以人工势场法指导全局路径规划,通过引力场控制无人机的飞行方向;以A星算法指导局部路径规划,避让大型障碍物.仿真试验证明,该算法与人工势场法和A星算法相比,提高了避障效果,缩短了搜索时间.     

基于改进双向A星和向量场直方图算法的无人机航路规划

现代无人机的行驶环境复杂多变,对无人机的航路规划不仅要求路径最短,同时还要满足实时性以应对突发威胁。提出一种离线规划和在线避障结合的航路规划方法。首先利用改进的双向A*算法对已知环境进行离线规划,并提出基于碰撞检测的动态步长和双向去除冗余点方法,在不影响路径精度的同时,缩短离线规划时间和路径。在无人机按照离线路径行驶过程中,当规划路径中出现突发威胁,利用VFH算法进行实时避障;对避障算法设置子目标,使无人机完成避障后能迅速回到离线轨迹,不影响全局路径的最优性.仿真实验表明,所提方法规划的路径长度短、耗时少,并能有效避开突发威胁,充分结合了双向A*算法路径最优和VFH算法的快速实时避障性的优点。     

基于改进人工势场模型的无人机局部避障方法

针对无人机在追踪目标的过程中实时避障的问题,利用激光传感器获得的障碍物在无人机所处高度的二维位置信息,提出了一种改进人工势场局部实时避障方法.由于无人机始终对视野中的目标进行追踪,因此不存在唯一且固定的目标点,通过结合激光雷达数据,重新构造人工势场模型并对障碍物产生排斥矢量,引导无人机在快速追踪目标的同时躲避空中障碍物,并通过构造动态排斥因子和切换函数对障碍物的威胁进行估计,实现实时局部避障算法.对上述方法进行数值模拟,进一步验证了所提方案的有效性.     

一个复杂有界环境下的改进极限环避障算法

本文研究了障碍不规则与带边界这两种非预知环境条件下的群体运动实时规划问题,提出了一种改进极限环群体避障算法.该算法在传统极限环的基础上引入局部与包络的概念来解决障碍不规则的问题,另一方面通过改进传统人工势场的斥力函数来刻画边界的排斥作用,以避免与边界碰撞.针对不规则障碍与带边界这两种典型场景,本文在障碍与边界非预知的条件下进行了仿真实验.仿真结果表明,与传统人工势场法相比,本算法不仅减少了碰撞数量,缩短了避障时间,还具有更好的适应性和有效性.     

基于遗传算法的无人机航迹规划研究

本文研究了一种用遗传算法进行无人机航迹规划的方法,指出了无人机航迹规划的定义;提出了一种给定威胁及障碍分布下的无人机路径规划算法。根据威胁及障碍分布情况构造无人机可能飞行的航路集voronoi图,采用Dijkstra算法搜索威胁及障碍分布图,求解初始最短路径。在初始最短路径基础上,采用遗传算法优化初始路径。最后进行仿真实验,结果验证了遗传算法能提高航迹质量。     

一种子目标和水平集方法融合的AUV动态航路规划新算法

针对当前水下避障航路规划算法中障碍物模型偏理想化,易导致不能安全避障,且算法规划速度偏慢的难题,提出了一种基于子目标法和水平集方法的自主实时航路规划算法.算法基于AUV的前视声呐探测的障碍物部分轮廓信息,预估障碍物尺寸和中心位置,据此得出安全可靠的子目标点,再通过滚动的子目标法实现完全避障,通过水平集方法提升规划速度.仿真结果表明,提出的算法均能做到100%的避障,且避障后的航路性能质量比预先规划的全局最优航路的性能质量下降得很小:航路长度和航行时间的平均增加量均不超过5%.      

基于深度学习的无人机单目视觉避障算法

针对基于单目视觉的无人机(UAV)避障问题,本研究提出基于单目深度估计和目标检测的四旋翼自主避障方法。其中,单目深度估计模型提供障碍物像素级别的深度信息,目标检测模型提供障碍物的位置信息。单张红绿蓝(RGB)图像的深度图和目标检测结果由卷积神经网络(CNN)获得;图像的区域划分以目标检测结果为依据,区域深度以深度估计结果为计算依据;规划算法依据区域深度和区域划分结果计算无人机的线速度和角速度,实现无人机的自主避障。为验证算法的自主避障性能,采用Parrot Bebop2无人机对本研究提出的算法与直飞算法进行实飞对比实验。结果表明:本研究提出的算法可用于四旋翼无人机的低速自主避障。     

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。     

基于模糊神经网络的无人机实时避障算法

针对模糊控制避障算法在障碍物信息未知的环境中适应性不强,难以有效规避"凹多边形"障碍物的问题,提出了一种基于模糊神经网络的无人机实时避障算法.采用等效夹角对模糊控制器的输入变量进行优化设计,克服了单一角度或距离在障碍物表征方面的局部片面性.基于BP神经网络理论设计了模糊控制器的初始隶属度函数和模糊神经网络架构;将模糊控制器在多个未知环境下生成的有效避障数据作为训练数据集,对模糊神经网络进行训练.仿真结果表明:所提出的模糊神经网络方法与模糊控制器相比具有更强的适应性,在面对未知复杂障碍物时避障更加灵活、路径更短,避障成功率更高.     

无人驾驶拖拉机实时避障路径规划算法

为了实现无人驾驶拖拉机在直线作业时的实时避障路径规划功能,提出一种在改进最短切线法的基础上用五次多项式函数规划路径的避障路径规划算法。针对最短切线法规划的路径曲率不连续、难跟踪控制的问题,首先采用改进最短切线法求相关坐标点,然后基于求得的坐标点用五次多项式函数求解路径,最后得到由两段五次多项式函数曲线和直线组成的曲率连续的避障路径。对避障路径规划算法进行仿真,结果表明,该算法生成路径长度短、实时性好、安全性高。基于常州东风无人驾驶拖拉机的运动学模型设计一种模型预测控制器,在Simulink与CarSim联合仿真平台上对无人驾驶拖拉机的避障路径规划及跟踪控制进行联合仿真,结果表明：与改进最短切线法相比,基于五次多项式函数的路径规划算法规划的路径跟踪控制精度更高,更易于跟踪控制。     

基于Bézier曲线的差速驱动机器人混合避障路径规划算法

为实现差速驱动机器人在避障环境下的平滑最优路径规划, 提出一种基于Bézier曲线的差速驱动机器人混合避障路径规划算法. 首先, 建立差速驱动机器人运动模型, 用于操控左右两个驱动轮线速率, 完成机器人转弯及非匀速运动; 其次, 利用Bézier曲线描述路径状态, 将路径规划问题转换为产生Bézier曲线有限点方位优化问题, 提升机器人的运动平滑性; 最后, 引入遗传算法将二维路径编码简化为一维编码问题, 将路边约束、 动态避障需求及最短路径需求混合成适应度函数, 使机器人尽快脱离局部极小解, 成功绕过障碍物抵达目标点. 仿真实验结果表明, 该方法的避障路径规划效果较好, 避障路径距离为30.19 m, 且避障用时低于对比方法, 最长避障用时为5.3 min.     

基于贝塞尔曲线的智能商用车换道避障轨迹规划

智能车辆的安全避障是实现自动驾驶技术的基础,针对智能商用车高速行驶中的避障问题,建立相应的避障策略,结合高速公路实际工况,对智能商用车的换道避障轨迹进行规划,分为路径规划与速度规划两方面。基于车辆的横向稳定性,结合鱼钩实验得到商用车高速转向时路径曲率的最大值,提出基于贝塞尔曲线的轨迹规划算法,对曲率进行约束,利用遗传算法选取最优避障路径。并基于车辆安全距离模型确定避障车速,规划出一条满足动力学约束以及瞬态侧翻阈值约束的避障轨迹,利用Trcksim软件对避障轨迹的可行性进行验证,结果表明智能商用车能够安全、高效的进行换道避障。     

基于势场法的无人车局部动态避障路径规划算法

根据无人车动态实时避障的需求,提出一种基于人工势场法的局部避障路径规划算法,通过改进势场环境及势场力来解决传统势场法局部极小值和目标不可达的问题. 考虑车辆碰撞安全性,对侧向动态障碍物和同向动态障碍物工况进行分析,采用动态窗口法进行实时动态避障规划. 同时为保证规划路径的平滑性和可跟踪性,采用贝塞尔曲线对轨迹进行平滑处理. 最后,在CarSim和Matlab/Simulink 联合仿真平台下,对所提出的控制算法进行验证. 仿真结果表明了规划算法的避障有效性、安全性以及可跟踪性.      

一种双阶段多智能体路径规划算法

多智能体路径规划旨在解决多个智能体在同一工作空间内生成无碰撞路径的问题,是智能体无人化工作的关键支撑技术。基于回溯思想和自适应局部避障策略,提出了一种双阶段多智能体路径规划算法。在全局路径规划阶段,基于回溯思想改进的RRT~*(rapidly-exploring random trees star)算法(back tracking rapidly-exploring random trees star, BT-RRT~*),减少无效父节点,并确保各智能体生成优化的无碰撞路径。在协作避障阶段,智能体依据自身的任务优先级制定局部避障策略,避开动态障碍物和其他智能体。实验结果表明,该算法可成功寻找较优路径,还可降低避障时间。     

基于改进麻雀搜索算法及动态窗口法的路径规划

对于麻雀搜索算法收敛中期局部探索能力不足、在路径规划方面路径不平滑且动态避障能力差的缺点。首先针对麻雀搜索算法局部探索能力的不足,利用混沌映射初始化种群,并且利用上一代全局最优解与动态自适应权重优化发现者位置更新方式;然后,使用一种线性路径策略,减少折点与节点数量;最后,针对其路径不平滑,动态避障能力差的缺点,将优化后的麻雀搜索算法与动态窗口法融合。实验结果表明改进的麻雀搜索算法与动态窗口法融合算法平衡了全局与局部发掘能力,加快了寻路过程的收敛速度,优化了路径且避障能力显著提高。     

无人机密集编队穿越竞速导引算法

针对无人机密集编队穿越门框竞速问题,提出了一种时间近似最优的导引算法。首先,对穿越竞速问题进行了阐述;其次,在单架无人机穿越门框导引模型推导的基础上,研究了其穿越门框的导引算法,该算法具有在期望时间内将无人机导引到目标点的能力;最后,针对多架无人机编队穿越竞速问题,提出了基于飞行时间控制和脱靶量控制的穿越算法,该算法具有良好的时间近似最优性能;仿真结果表明,所设计的导引算法能够使无人机编队在期望时间内完成穿越竞速,且具有极低的脱靶量和导引时间误差;可为无人机集群避障与防撞控制提供技术支撑。