基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

无人机航迹规划常用算法综述

为促进航迹规划技术的发展,对航迹规划常用算法进行综述。首先对航迹规划的规划思想和构成进行分析; 其次将航迹规划算法分为传统经典算法和现代智能算法两大类,对其中几种常用算法进行分析总结; 最后阐述现代智能算法在航迹规划应用中的改进、多重算法的融合改进以及多无人机四维航迹规划算法研究3 个研究热点及未来发展趋势。     

动态步长BI-RRT的无人机航迹规划算法

为解决传统RRT算法收敛速度慢、生成的航径距离过长等问题,提出动态步长BI-RRT算法。首先,采用引向目标的采样策略对空间进行探索以得到采样点,利用动态步长策略确定该采样点的增长步长以确定新节点;之后,通过树枝裁剪策略对新节点进行调整,当探索到目标节点时,算法返回初始航迹,对于初始航迹,应用贪心算法对航迹点进行筛选,以减少无人机(UAV)的无效节点与总航迹长度;最后,利用B样条进行平滑处理,得到一条可行航迹。搭建了二维和三维环境下的仿真地图模型,验证了该算法在保证无人机避障的基础上获得一条有效航迹。动态步长BI-RRT算法在无人机航迹规划方面不仅有实时性强、航迹光滑的优点,而且与分段优化RRT算法相比,在优化航迹节点个数的前提下,提高了收敛速度且降低了航迹距离。     

基于改进PSO的无人机精细化自主巡检航迹布设优化

提出基于改进PSO的无人机精细化自主巡检航迹布设优化。结合波束法测量地面像控点坐标,通过结构矩阵描述平面误差细化值,完成像控点的布设。采用改进PSO算法计算航迹子路径的变更代价,得到新的路径点,由此实现无人机精细化自主巡检航迹布设优化。实验结果表明,所提方法的无人机精细化自主巡检航迹布设时间仅为39.4 min,说明所提方法能够有效提高无人机精细化自主巡检航迹布设效率,精细化自主巡检航迹布设优化效果更好。     

基于Q学习的无人机三维航迹规划算法

针对现有的基于强化学习的无人机航迹规划方法因无法充分考虑无人机的航迹约束而使规划获得的航迹可用性较差的问题,提出一种更有效的无人机三维航迹规划算法.该算法利用无人机的航迹约束条件指导规划空间离散化,不仅降低了最终的离散规划问题的规模,而且也在一定程度上提高了规划获得的航迹的可用性,通过在回报函数中引入回报成型技术,使算法具有满意的收敛速度.无人机三维航迹规划的典型仿真结果表明了所提出算法的有效性.     

无人机航迹规划算法研究

航迹规划算法是无人机应用的关键技术之一。本文主要结合蚁群算法对无人机三维航迹规划进行了系统的研究。针对无人机三维航迹规划的复杂性及其搜索空间大且效率低的问题,提出了一种基于蚁群算法的航迹滚动规划方法,并将地形条件与航迹规划的约束条件加入搜索算法中,以使规划的航迹更符合实际情形。仿真实例结果表明,所提出的规划方法可以规划出满足无人机飞行要求的航迹。     

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。     

移动威胁下的无人机三维航迹规划

针对移动威胁下的无人机三维航迹规划问题,采用自适应卡尔曼滤波算法,对移动威胁的状态信息进行了预测,依据其航迹方位角、航迹倾斜角与视线角之间的关系,建立了航迹角控制数学模型,并提出了移动威胁下基于参数调整的航迹规划算法.仿真结果表明,该算法能够保证无人机有效地躲避空中移动威胁,并提高了其规避移动威胁的快速性.     

基于蚁群算法的无人机航迹规划研究

现如今,无人机应用的关键技术无外于乎航迹规划算法。基于这个现状,该文将针对无人机航迹规划进行系统研究,构建了无人机航迹规划的空间模型,在此之中结合蚁群算法,保证规划的真实可靠性。考虑到现在无人机应用的复杂以及不能完全利用有效空间的问题,提出以蚁群算法为基础的一种新型的航迹规划方法,并在其中考虑到地形,约束条件等外部因素,因此保证了航迹可以在现实中应用。最后,阐述了无人机航迹规划面临的关键问题及未来发展趋势。     

基于乌贼算法的无人机航迹规划

乌贼算法是一种新型的启发式仿生优化算法。提出了一种基于乌贼算法的无人机航迹规划算法。所构建的概率地图采用概率密度函数来对各种威胁源进行建模,非常适合表述战场环境的不确定特性。乌贼算法与传统的启发式算法相比,拥有更快的收敛速度。在此基础上设计的基于乌贼算法的概率地图航迹规划算法能够有效的缩小概率地图的规划空间,使得航迹规划搜索范围减少、时间缩短。仿真实验表明,该方案比传统概率地图航迹规划方法更能满足无人机航迹规划的要求。     

基于GA-SA算法的无人机巡检输电铁塔三维航迹优化

无人机巡检输电铁塔本体和金具、绝缘子等附属部件的航迹优化属于典型的旅行商问题。由于巡检对象的结构复杂、巡检部件多,采用单一的启发式算法会造成航迹重叠、容易陷入局部最优解等问题。为此,考虑无人机航迹三维空间结构的特点,引入全局搜索能力强的遗传算法(genetic algorithm, GA)与局部收敛速度快的模拟退火算法(simulated annealing, SA)相结合的无人机三维航迹混合GA-SA寻优算法。以无人机巡检500 kV超高压交流双回鼓型塔为例,根据三维有限元仿真得到的无人机电磁防护安全距离为2 m,结合巡检对象及常见缺陷出现的位置确定了61个高空安全悬停点,分别采用GA、SA和混合GA-SA算法对无人机遍历高空安全悬停点的航迹进行优化。结果表明：混合GA-SA算法的迭代收敛次数相比GA和SA分别减小了45.6%与55.2%,最优航迹距离分别缩短了8.1%与8.9%,验证了所提方法的有效性。     

基于动态加权A*算法的无人机航迹规划

随着无人机航迹规划高维空间的扩展,无人机的飞行环境变得异常复杂,其外部威胁不再是简单的二维静态威胁,传统的蚁群算法和人工势场算法已经不能满足实时性和高复杂环境的要求。为解决上述问题,提出新的基于动态加权A^*算法的无人机航迹规划。首先对无人机的飞行环境进行建模,通过研究航迹规划的转弯半径、航迹段长度和最大航程限制等约束条件,用于保证无人机的安全飞行,从而降低坠机率和威胁概率;其次,通过研究无人机的航迹和外部威胁参数,设计出新的航行方式,降低航行危险和减少损失;然后,通过扩展顶点势能定位和网格图整体变化的动态权重,获得动态环境下的代价函数,增加避障搜索速度、精度和加深回避程度。最后,通过仿真结果表明,在同一应用环境下,所提算法与蚁群算法和人工势场算法相比,航迹路径最优、威胁代价最小和算法执行的时间最短。综上,基于动态加权A^*算法很好地应用于无人机航迹规划,降低了无人机航迹代价,缩短了算法完成时间,提高了复杂环境下无人机航迹规划的搜索速度和精度。     

基于MPC-PSO的无人机在线航迹规划

研究了无人机在战场环境部分已知突然出现动态威胁情况下的三维在线航迹规划问题.采用"预规划-在线轨迹跟踪"的模式,根据已知的环境信息,离线规划出UAV的参考航迹.然后UAV在飞行过程中,需要在跟踪参考航迹的基础上,对UAV未来一段航迹进行预测,然后利用粒子群算法优化出UAV的最优(或次优)的飞行航迹.与传统的在线规划方法粒子群和稀疏A*搜索算法相比,该方法有效地提高了规划航迹的可行性和实时性,降低了算法的复杂度.仿真表明该算法是一种有效的无人机路径规划算法.     

复杂动态环境下基于DMPC-PSO的多无人机在线航迹规划

本文采用"有限集中指挥-分布式自主协调"的控制结构,研究多无人机协同低空突防航迹规划,对战场环境信息部分已知的情况,提出了多无人机航迹"预规划-在线轨迹跟踪"的模式,采用分布式模型预测控制和粒子群优化(DMPC-PSO)算法对多无人机的航迹进行预测和优化.仿真结果表明:利用该方法规划的多无人机的航迹不仅要满足低空突防的要求,具有良好的地形跟随、地形回避、威胁回避性能,更具有高的实时性与环境适应性,能在复杂战场环境发生变化时,及时在线调整以满足无人机安全、航迹最优等性能的要求.     

基于ROS的无人机仿真开放性实验教学设计与实现

该文基于机器人操作系统(ROS)仿真环境提出一种开放性的无人机仿真实验教学方案,通过ROS集成的可视化功能,利用Kinect等设备获取环境信息、搭建无人机动力学模型和三维可视化模型,设计三维环境航迹规划算法,并通过动态演示技术,实现ROS环境下的无人机航迹规划动态演示,使学生能够从开放性试验中实现无人机的运动控制、航迹规划和可视化编程等技术。基于ROS的无人机仿真实验是运动控制、规划算法、可视化编程等技术的一种典型的综合性应用,有助于学生深入学习无人机的原理和航迹规划方法。教学实践证明开放性教学方案在教学实践中取得较满意的效果。     

基于启发式搜索算法的无人机航迹快速规划

基于无人机导航系统的自身特点,无人机在导航过程中会出现无法精确定位的情况,从而产生定位误差。如果不能及时校正随时间累积的定位误差,会使无人机无法到达预定目的地,从而导致飞行任务失败。为避免这种情况的发生,本文研究了考虑定位误差的无人机航迹快速规划问题。以航迹距离最短为目标,考虑定位误差校正约束与航迹约束,建立了混合整数规划模型。根据深度优先搜索算法与回溯算法的特点,设计了启发式深度优先搜索+回溯算法来求解问题,并在此算法基础上加入模拟退火机制对解的质量进行优化。以某飞行区域的数据为例进行仿真实验,结果表明启发式深度优先搜索+回溯算法可以快速有效地求解考虑定位误差的无人机航迹规划问题。     

基于改进MOGOA的无人机群航迹规划研究

针对电子侦察系统中反辐射无人机群进行辐射源无源定位时机群的编队形式会对定位精度产生影响的问题,将克拉美-罗界(Cramer-Rao lower bound,CRLB)作为定位精度方面的优化目标,与其他优化目标、约束一起引入机群的航迹规划中,使无人机群运动过程中保持良好编队,确保无源定位精度.文中针对多优化目标复杂环境中航迹规划算法寻优能力不高的问题,提出了一种基于改进多目标蝗虫算法(IMOGOA)的无人机群3维航迹规划方法,通过对MOGOA的选择方式、收敛参数进行改进从而提高算法的收敛性能以及全局搜索性能.首先,建立无人机群航迹规划的运动学模型,并引入距离约束,除定位精度以外还引入了路程、威胁代价等作为航迹规划的优化目标函数,然后,对改进多目标蝗虫算法进行详细说明,最后设计基于IMOGOA的无人机群航迹规划方案的算法流程,并在设定场景中对该算法的性能进行了仿真分析.结果表明,所提出的IMOGOA能够成功地规划出无人机群从初始位置到辐射源位置处的3维航迹,同时使无人机群在运动过程中保持良好的定位精度,经IMOGOA规划的机群编队定位精度最高可达1.2%,性能明显优于正方形编队和随机编队,并通过将IMOGOA与原始蝗虫算法(GOA)、原始多目标蝗虫算法进行对比,结果表明IMOGOA的收敛速度比MOGOA快11.1%,搜索性能相较GOA提升13.8%.     

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。     

基于自适应t分布变异麻雀搜索算法的无人机航迹规划

为使无人机可以在复杂环境中高效率地完成指定任务,提出一种基于自适应t分布变异的麻雀搜索算法的航迹规划方法。建立用于无人机航迹规划的三维空间模型和航迹代价模型,将航迹规划问题转化为多维函数优化问题,并对其进行优化求解。仿真结果表明,相比传统的粒子群算法和麻雀搜索算法,改进后的算法能够得到一条避开障碍物和威胁区域的最优路径,证实该方法在无人机路径规划中具有更强的稳健性和可行性。     

非线性解耦控制在无人机中的应用

为了提高无人机的机动性,同时保证其航迹的精确性,针对无人机纵向运动模型,采用非线性动态解耦Singh算法设计直接力控制器,并对某一型号的无人机模型进行了纯直接力模式的计算机仿真.结果显示无人机的速度、迎角、俯仰角以及航迹角输出均能按照预期的目标渐进跟踪控制指令,并且具有很好的动态响应.仿真实验表明基于Singh算法的直接力控制器能解除无人机在飞行过程中某些模态运动之间的交叉耦合,并能精确实现纯直接力、俯仰指向等3种模式的直接升力控制.