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。     

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。     

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。     

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。     

基于改进A*算法的飞行器三维航迹规划算法

提出了改进A*算法并应用于飞行器航迹规划,该算法把地形平滑技术融合到路径搜索的过程中,使平滑处理只需满足路径选择方向的飞行坡度要求和飞行器过载限制,得到的最优航迹更加贴近地形。在相同的条件下对改进A*算法和传统算法进行仿真比较,传统算法需要35 s左右收敛得到优化航迹并且代价函数为32.15;改进算法能在24 s内找到代价函数最优的飞行器三维航迹且代价函数为28.26,仿真结果表明改进A*算法在收敛速度和最优路径代价函数结果都明显优于传统算法,是一种有效的三维航路规划方法。     

光学制导巡航导弹实时航迹规划方法

针对光学制导巡航导弹的特点提出了一种实时航迹规划方法。建立了导引头受太阳逆光限制下的可飞航向角区域模型,结合可飞航向角与导弹的其他飞行约束条件对A*算法的搜索空间进行了规划。针对传统A*算法在规划前对所有地形进行平滑的低效规划方法,提出只对航迹每一步可行搜索方向上的地形进行实时平滑的A*算法,从而把对地形的平滑融入了每一步航迹的搜索过程。仿真结果表明,提出的航迹规划方法完全适用于光学制导巡航导弹,且在相同的条件下,实时平滑A*算法比传统A*算法的搜索效率更高。     

有限干预下的UAV低空突防航迹规划

低空突防航迹规划是实现有人机和无人机（unmanned aerial vehicle, UAV）编队协同作战的关键技术,针对目前智能算法在求解低空突防航迹规划问题中存在的不足,充分发挥人脑这个超级智能系统来引导飞行航迹求解过程,将基于角度量编码的小生境伪并行自适应遗传算法（niche adaptive pseudo parallel genetic algorithm, NAPPGA）和人有限干预情况下的智能决策结合起来,提出UAV低空突防航迹规划技术。通过大量仿真计算,结果表明,应用该技术预规划和重规划的三维航迹能够有效实现威胁回避、地形回避和地形跟随,满足UAV低空突防要求,具有一定的实用性。     

四维空间中的无人机动态路径规划及仿真

在无人机任务/路径规划仿真平台中,采用模型预测控制算法解决无人机的动态路径规划问题.具体规划过程中,加入任务对飞行时间的约束条件,通过控制飞行器的航向和速度,使其有效规避地形障碍和雷达威胁,并在预定时间到达目标点或新任务中的新目标点,从而将三维路径规划拓展到四维空间中去.仿真结果表明此平台能完成四维空间中的动态路径规划,并且算法能够使无人机以较小的时间误差到达目标点,而且能够处理突发任务情况下的动态路径规划问题.     

一种无人机路径规划算法研究

指出了飞行器航迹规划与路径规划的区别；提出了一种给定威胁分布下的无人机路径规划算法。根据威胁分布情况构造无人机可能飞行的航路集，用voronoi图表示出来，采用Dijkstra算法搜索威胁分布图，求解粗略最短路径。在粗略最短路径的基础上，应用三次样条曲线和序列二次规划的方法求解最优路径。用Matlab进行仿真验证，证明了算法的有效性。     

基于NURBS和GOBL-ACDE的航迹规划算法

针对复杂地形条件下无人机低空突防动态航迹规划实时性及精确性的问题,提出了基于广义反向学习的自适应约束差分进化(generalized opposition-based learning adaptive constrained differential evolution, GOBL-ACDE)算法,结合非均匀有理B样条(non-uniform rational B-spline, NURBS)平滑策略,提高了多威胁复杂地形下动态航迹规划的精确性、高效性及适航性。首先,构建航迹规划任务模型,建立目标代价及约束限制函数,提出一种高度转换方法,有效提高低空突防能力;其次,将NURBS平滑策略与B样条插值以及贝塞尔曲线对比分析;再次,应用广义反向学习、自适应排序变异及自适应权衡模型,改善约束条件下算法动态性、收敛性及寻优性能;最后,通过静态与动态环境对比仿真试验,验证了所提方法在多威胁复杂地形下寻优精度高、鲁棒性强、动态性好以及可靠性优的特点,能够规划出精确、高效、适航的低空突防航迹。     

基于启发式预测窗口的UAV实时航迹规划方法

考虑移动目标及移动威胁,根据机载传感器实时获得的目标及威胁信息,提出一种基于启发式预测窗口的无人机实时航迹规划方法。根据敌我态势估算预测窗口,并结合卡尔曼滤波预测目标及威胁的状态,构建基于矢量夹角原理的目标函数,评估威胁及航程代价并满足无人机的机动约束。该方法通过最速下降法在线优化得到一系列的无人机航向角,完成航迹规划。仿真结果表明该方法可以有效追击移动目标,并规避移动威胁,实现无人机实时航迹规划。     

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...     

基于LASSA算法的多无人机协同航迹规划方法

针对基本麻雀搜索算法(sparrow search algorithm,SSA)在求解多无人机(unmanned aerial vehicle,UAV)协同航迹规划问题时收敛精度不高,易于陷入局部最优等问题,提出了一种使用对数螺旋策略和自适应步长策略的SSA (logarithmic spiral strategy a...     

复杂环境下基于A*算法的无人机路径再规划

针对实际战场环境中规避突然出现的危险/威胁区域或任务变更时的无人机(unmanned aerial vehicle, UAV)路径动态再规划问题,为了适应复杂动态环境下危险/威胁区域需建模为圆形、凹/凸多边形以及可能存在相邻危险/威胁区域的间距较小甚至重叠的情形,对基于A*算法的线段求交无人机路径规划方法进行改进以适应圆形、凹/凸多边形危险/威胁区域同时存在的情形,提出了子节点安全性检测策略,采用基于A*算法的两步寻优路径搜索策略,进行UAV路径动态规划。仿真结果表明,采用本文提出的改进方法可实现上述复杂环境下的无人机路径动态再规划。     

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。