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。     

基于混合多目标进化算法的多无人机侦察路径规划

由于侦察任务的复杂性和不确定性,无人机对其目标的侦察时间往往是不确定的。将多无人机对观测时间不确定目标的侦察路径规划问题建模为使任务时间、编队总耗时和编队规模同时最小化的多目标优化路径规划问题。对此,在基于ε 占优的稳态多目标进化算法基础上引入多目标局部搜索,给出了混合ε 占优多目标进化算法,提出了一种使用插入最近点方法的启发式遗传操作。实验结果表明,算法能够有效解决所研究的问题,并且其优势随着问题规模的增大而显著。     

面向多无人机协同对地攻击的双层任务规划方法

无人机(unmanned aerial vehicles, UAVs)的任务规划包含任务分配、执行顺序确定以及航迹优化等。为了达到任务规划的全局最优,需要全盘梳理任务的各个方面,提出高效的优化策略。综合考虑任务规划过程中任务分配、执行顺序确定以及航迹优化等方面的需求和相互间影响,首先从优化框架出发, 设计了双层互耦的任务规划求解策略, 而后将任务规划模型分为上层任务分配和下层任务序列优化, 并对每一层的优化方法和优化步骤进行了详细设计。在任务分配问题中, 基于模拟退火算法, 提出了可跳出局部最优的模拟退火-撒点(simulated-annealing-shooting, SAS)算法, 并详细探讨了算法参数的设计原则。最后通过仿真分析, 验证了所提出的规划框架和SAS优化算法的有效性。     

战场环境下多无人机时敏任务动态分配算法

时敏目标呈现的持续时间和出现空间不稳定等特点加大了无人机编队任务分配难度,将影响无人机编队的任务执行效果。针对该问题,在Leader-Follower编队结构下提出一种多无人机时敏任务动态分配算法,实现战场环境下多架无人机对多个时敏目标的打击。该算法在时敏目标时间窗口约束下,通过综合评估目标威胁代价、距离代价、任务执行时间、毁伤能力和打击收益完成编队任务动态分配,保证了无人机编队打击多个时敏目标的效能最大化。仿真结果证明了该算法的有效性。     

有人机/无人机编队协同任务分配方法

任务分配方法是任务控制过程的重要组成部分,是编队协同作战指挥策略的关键。以合同网协议(contract net protocol, CNP)和多智能体系统（multi-agent system, MAS）理论为基础,建立了有人机/无人机编队MAS结构和基于投标过程的任务分配模型,将任务优先权引入任务分配模型中,可以实现预先任务分配和执行过程中动态任务分配,保证动态环境下编队整体分配效能较优。针对作战想定进行了仿真计算,结果表明,基于CNP和MAS理论的有人机/无人机编队协同任务分配策略具有良好的预先任务分配和实时任务分配效果,能够满足编队作战任务的需要。     

异构UAV编队反雷达作战中任务分配方法

针对异构无人机编队在反雷达作战中的任务分配特点,建立了无人机与执行任务之间合理的协同约束关系,提出了基于时间窗的异构无人机编队混合整数线性规模型。同时,结合遗传算法的全局搜索和并行计算能力,提出了基于时间窗的多层编码遗传算法实现异构无人机编队任务分配。仿真实验和分析表明了两种算法的有效性,并对比分析了它们的优势与适用范围。     

基于粒子群优化的无人战斗机编队任务协调方法研究

执行任务时多无人机之间的任务协调是保证无人机具备协同工作能力并且顺利完成任务的关键.将无人战斗机编队的协调过程看成一种动态的任务分配过程,建立任务协调模型,分析任务协调问题的粒子初始化和寻优方法,编写基于粒子群优化算法的任务协调问题程序.对粒子群优化算法参数对任务协调方案的影响进行了仿真验证,结果表明此方法得出的方案合理有效可以满足无人战斗机任务协调问题的要求.     

基于层次分解策略无人机编队避障方法

针对危险模式下无人机编队问题,提出基于层次分解策略的编队避障方法.通过构建Voronoi图,利用K路径算法为各无人机找到多条备选航路;然后建立协同函数,为各无人机规划出既能满足时间协同要求,又能满足整体代价最优(次优)的障碍物规避航迹.并设计了无人机编队的通行规则,解决了无人机在避障飞行过程中有可能产生的碰撞冲突问题.仿真结果验证了算法的有效性.     

基于3D-APF和约束动力学的无人机编队飞行控制

针对无人机编队的路径规划和队形保持问题, 提出了一种基于三维人工势能场(three-dimensional artifical potential field,3D-APF)的无人机编队路径规划与队形保持方法。对于无人机的路径规划,建立了改进的三维人工势函数。在此基础上,建立并推导了虚拟力环境下的无人机运动学模型。对于无人机的队形保持问题,运用约束动力学理论引入拉格朗日乘子建立含有队形约束的编队无人机约束动力学方程组,使编队无人机在整个飞行过程中保持期望队形。采用Penalty-Formulation对拉格朗日乘子进行求解,得到编队无人机约束动力学方程组。最后基于Matlab的仿真实验验证了所提方法的有效性。     

基于任务分配的多飞行器协同航迹规划

在综合考虑飞行器编队的飞行代价和作战效果的基础上, 研究了基于任务分配的多飞行器协同航迹规划方法, 构建了结合任务分配的飞行器编队协同航迹规划模型, 设计了分解式协同航迹规划算法, 可以有效地对多目标存在的情况进行综合权衡, 得到合理的任务分配和航迹规划方案. 仿真算例表明, 这种航迹规划方法不仅能保证各飞行器选择合理的协同航迹, 也使得作战任务可以获得最佳作战效果, 有效地提高编队作战的效费比.     

双智能体协作学习的众包物流任务分配模型

线上线下融合的新零售模式提高了对最后一公里配送的运输要求,众包物流作为新的物流运输模式,在最后一公里配送中扮演了重要角色.通过合理的任务分配方式来提升众包司机与任务之间的匹配效率,成为提升平台运营能力的重要手段.本文以最小化众包司机运输成本为目标,基于深度强化学习提出了一种双智能体协作学习的众包物流任务分配模型.在强化学习的框架下,司机选派智能体学习从司机池中选派一位合适的众包司机,随后任务分配智能体学习从任务池中选择一项任务进行分配.本文通过数值实验验证了所提方法的有效性.相较于单智能体方法和传统启发式算法,该方法可以得到更好的任务分配结果,同时较短的计算时间能够满足众包物流平台线上运行的需求.     

复杂环境中多无人机协同侦察的任务分配方法

现有多无人机协同规划方法往往将航迹规划与任务分配拆开单独解决,导致在复杂环境下协同方案并不是最佳。建立多无人机协同侦察异构目标的代价矩阵,针对复杂环境中多种障碍约束和无人机运动及航迹特点,以改进的PSO-AFSA (Particle Swarm Optimization-Artificial Fish Swarms Algorithm)求解单无人机航迹规划模型,利用匈牙利算法完成各架无人机侦察任务协同分配。仿真结果表明：该算法能使单无人机航程更短且航迹更光滑的同时,实现与任务协同分配紧耦合,使无人机集群总航程的全局总代价最低,提高了任务分配合理性。     

基于路径-速度解耦的无人机编队协同轨迹规划

针对无人机编队在复杂机动情形下的协同轨迹规划问题,提出了一种基于路径-速度解耦方法的预瞄自适应轨迹规划方法。在路径规划阶段,考虑无人机转弯机动的曲率限制,采用Dubins曲线作为路径构成的基本子结构。为得到最优的Dubins曲线连接控制点,设计了自适应预跟随路径特征的预瞄距离规划算法。在速度规划阶段,针对控制参数化与时间离散化(control parameterization and time discretization, CPTD)的速度规划方法,提出了栅格化空域下差异区间速度规划方法,简称为DIPR。仿真结果表明,预瞄距离自适应算法能够有效优化路径，对比固定预瞄距离方法在转向弧度上平均减少30.70%,在跟踪偏离上减少16.41%,在路径长度上缩短10.87%。对比CPTD方法, DIPR平均提前30代收敛,收敛值平均提高10.67%,编队完成队形集结时间平均缩短15.4 s。得到结果更快更优,并且速度曲线结果连续平滑。     

基于路径-速度解耦的无人机编队协同轨迹规划

针对无人机编队在复杂机动情形下的协同轨迹规划问题,提出了一种基于路径-速度解耦方法的预瞄自适应轨迹规划方法。在路径规划阶段,考虑无人机转弯机动的曲率限制,采用Dubins曲线作为路径构成的基本子结构。为得到最优的Dubins曲线连接控制点,设计了自适应预跟随路径特征的预瞄距离规划算法。在速度规划阶段,针对控制参数化与时间离散化(control parameterization and time discretization, CPTD)的速度规划方法,提出了栅格化空域下差异区间速度规划方法,简称为DIPR。仿真结果表明,预瞄距离自适应算法能够有效优化路径，对比固定预瞄距离方法在转向弧度上平均减少30.70%,在跟踪偏离上减少16.41%,在路径长度上缩短10.87%。对比CPTD方法, DIPR平均提前30代收敛,收敛值平均提高10.67%,编队完成队形集结时间平均缩短15.4 s。得到结果更快更优,并且速度曲线结果连续平滑。     

一种具备协作机制的市场化无人战斗机任务分配方法

当多无人战斗机编队需要对多个目标的敌方阵地进行攻击时,如何在有限的无人战斗机中选择最优的任务分配方案是UCAV编队能够有效完成任务的关键.首先提出了的方案优劣判定定理,然后将目标看作优化对象,根据UCAV的数目和目标的数目之间的差别制定了相应的任务分配策略.其次,基于相应的任务分配策略提出了具备合作机制的市场化的任务分配方法.该方法通过市场上买卖的方法和优化目标之间的相互协作,可以求出满足帕累托优化条件的最优任务分配方案.最后将本方法和基于粒子群的任务分配方法进行了对比分析并且进行了仿真验证.仿真结果表明使用本方法可以消除使用粒子群算法给帕累托最优方案的求解带来的不确定性.在局部代价和收益发生变化时,通过局部协调就可以获得最佳任务分配方案.     

基于改进凸优化算法的多机编队突防航迹规划

为更好地发挥多机编队在低空突防作战中的优势，对已有的凸优化算法进行改进，提出一种多机编队低空突防航迹规划方法。首先，根据低空突防任务特点进行问题建模，包含多机编队航迹规划模型、障碍物模型以及任务分配评估模型。其次，提出基于匈牙利算法的集群任务分组概念，设计更符合战场需求和运动学规律的预规划航迹。之后，考虑新类型的外部障碍物和不同任务小组间的组间避障，通过对约束进行合理的近似与凸优化，实现多机安全飞行。最后，通过对比仿真，验证所提改进方法的可行性和有效性。结果表明，改进后的航迹规划算法能实现对低空突防任务的合理分配，求解效率和成功率均有所提高，对新加入的障碍有良好的避障效果。     

基于Holon组织的有人/无人机作战联盟形成

基于Holon组织构建理论,分析了有人/无人机群对目标群协同作战的任务分配问题。有人/无人机群Holon联盟(Holon coalition of manned/unmanned vehicle swarm,HCVS)形成过程即是无序的有人/无人机群面向任务需求形成各个作战编队的过程。将对目标群的总任务分解为不同类型的子任务,根据无人机作战资源能力与任务资源需求,定义机群资源冗余指标、资源冗余方差指标,构建了HCVS形成的多目标优化模型。最后提出了一种多目标混合蜂群求解算法,并利用算例验证了算法的有效性与优越性。     

车载多无人机协同多区域覆盖路径规划方法

针对小型无人机在区域信息采集中的优势,考虑到复杂多变的应用情景,提出一种面向大面积多区域覆盖扫描任务的车载多无人机协同模式。该模式中,车辆可作为无人机的移动基站,与多架无人机协同完成多个大面积区域的覆盖扫描任务。充分分析新问题特点后,建立了优化车辆地面行驶路径和多无人机协同空中飞行路径的0-1整数规划模型,提出了一种基于三阶段的智能优化算法,先后对多无人机区域覆盖路径以及车辆协同路径进行规划,快速构造可行解,而后基于自适应大规模邻域搜索算法对可行解进行优化。本文设计了包含8个目标区域的实际案例,验证了车载多无人机协同模式的优势和算法有效性,并进一步通过10个随机案例验证了算法性能。对比实验证明,车载多无人机协同模式在执行多个大面积区域覆盖任务上,相比车载单无人机模式能够显著缩短任务时间。     

基于多Agent的多无人机协同决策算法仿真平台设计

无人机协同作战的相关算法概括起来可以分为两类:一种是用于为无人机指明"往哪飞"的任务分配相关算法,另一类是用于确定"如何飞"的路径规划相关算法。首先针对这两大类协同算法归纳出相应的抽象数学模型,然后以此为依据确定无人机Agent的各决策模块的内部结构和彼此之间的交互接口,以及对外提供的扩展"钩子";然后在此基础上,利用多Agent技术搭建了无人机协同作战算法仿真平台UAVSim,以模拟从任务分配到路径规划的协同全过程。整个平台采用分层的体系结构,将算法、内核和显示完全分离。平台中参与模拟的无人机个体都用单独的Agent表示,每个Agent遵循统一的协作框架,同时可根据特定的协同算法动态配置其决策模块。     

空天无人系统智能规划技术综述

鉴于以无人机群和多航天器为代表的航天无人系统的快速发展,以及任务要求的日益多样化和复杂性,在分析空间无人系统智能规划特点的基础上,首先阐述了无人机群聚、编队飞行、编队维护和编队重构等智能航迹规划策略,总结了无人机群任务智能规划的建模和优化方法.然后介绍了多航天器飞行和避碰轨道规划的内容和现状,总结了多航天器集中和分布式任务规划的主要研究成果.最后,对空间无人系统智能规划技术的未来发展提出了一些建议.