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。     

复杂环境下的无人机任务决策模型

为实现不确定环境下无人机(unmanned aerial vehicle, UAV)自主动态任务决策,提出一种基于变结构离散动态贝叶斯网络(structure-varied discrete dynamic Bayesian network, SVDDBN)的任务决策模型。该模型由威胁等级评估、目标价值评估和态势优势评估三部分组成,在此基础上可完成突变过程建模。根据以上三部分的评估结果,运用变结构离散动态贝叶斯网络推理算法得到当前时刻的任务决策。仿真结果表明,给出的决策模型满足突发威胁下的任务决策需求。     

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。     

一种动态不确定环境下UAV自主避障算法

在动态不确定环境下,考虑威胁障碍物的机动性和无人飞行器(unmanned aerial vehicle, UAV)携带传感器的探测误差,可有效地提高UAV执行任务的安全性和可靠性。本文在速度障碍法的基础上,将动态不确定性通过威胁障碍速度矢量方向角的偏差进行表示,并建立了动态不确定性速度障碍模型(dynamic velocity obstacle model, DVOM);为量化动态不确定环境下威胁障碍物的影响,基于速度障碍圆弧法,给出了DVOM速度障碍圆弧法,并在此基础上,提出了一种动态不确定环境下UAV自主避障算法。最后,以Pythagorean Hodograph (PH)曲线路径规划为例对考虑动态不确定性的UAV自主避障算法进行了验证,仿真结果验证了算法的有效性和可行性。     

基于MOEA/D-ARMS的无人机在线航迹规划

无人机(unmanned aerial vehicle, UAV)在线航迹规划是UAV协同控制关键技术之一, 在线航迹规划问题本质上是一种动态多目标优化问题。为了求解该问题, 提出了一种基于自适应应答机制选择的动态多目标进化算法(multi-objective evolutionary algorithon based on decomposition-adaptive reaction mechanism selection, MOEA/D-ARMS)。多种应答机制构成应答机制池, 以应答机制最近一次的整体表现赋予应答机制一定的奖励, 并采用基于概率的方法从应答机制池中选择应答机制。MOEA/D-ARMS分别在静态环境情况、突发威胁情况、突变威胁情况和偏好改变情况下进行仿真实验。仿真结果表明, MOEA/D-ARMS可有效求解UAV在线航迹规划问题。     

基于动态贝叶斯网络的无人机路径规划研究

针对威胁可变及威胁体不尽相同的无人机路径规划问题,提出了一种局部路径重规划的算法。该算法首先构造出战场具有n类威胁体的初始路径图———“改进型Voronoi图”,后应用Dijkstra算法搜索威胁分布图,求解粗略最短路径。在无人战斗机飞行过程中,威胁体威胁等级不断变化,无人战斗机通过多传感器数据融合知识构建动态贝叶斯网络图,感知环境,获取信息,应用Viterbi解码算法获得实时威胁等级,进行局部改进型Voronoi图的重构,以完成局部路径重规划,提高了无人战斗机在实战环境下生存概率。给出了应用该方法的具体步骤,通过仿真实验证明该算法的有效性。     

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.     

实际环境中多无人车协同路径规划模型研究

地面无人车的集群作战运用是当前人工智能与作战指挥交叉领域的热点研究问题。针对实际环境中多无人车无法满足动态威胁条件下的协同路径规划问题,采用全局路径规划算法A-star与局部路径规划算法RL相结合的思路,从感知到行为决策全交互协同的角度开展多无人车协同路径规划模型研究,设计协同作战态势威胁算法、状态与动作空间、奖励函数、势力范围函数;设计协同作战编队构型策略生成及打击路径动态优化子模型,完成基于自主学习的多无人车协同路径规划控制模型构建与求解。结果表明：该路径规划模型可有效应对复杂城市环境下多无人车协同路径规划任务需求。     

基于随机策略搜索的多机三维路径规划方法

针对传统无能耗约束的多无人机路径规划方法难以适应复杂山地作业环境的应急救援要求,提出了一种基于LSTM-DPPO(long short-term memory-distributed proximal policy optimization)框架的多无人机三维路径规划算法。利用LSTM长短期记忆神经网络提取出多无人机在各自飞行过程中的重要特征状态信息序列,经过多次迭代更新后得到一个最优网络参数模型,结合能耗生成最优的三维探测路径。实验结果表明：该方法相对于传统路径规划方法效果显著,能在能耗最小的前提下规划出最优探测路径。     

非确定环境下基于分层理论多无人机动态协同设计

针对非确定环境下多无人机自主协同控制这一多约束、强耦合非线性优化问题,采用分层理论将其分解成三个相对独立子层,即协同感知层、环境态势理解层和协同全局重规划层.协同感知层借助"层协作感知"算子来进行多模信息融合,解决非确定环境下目标(包括静态确定目标和动态非确定目标)的感知与识别;环境态势理解层则是解决动态非确定环境更新,以及基于窗口势场法的障碍物(威胁目标)规避问题;而协同全局重规划层则是利用"层场景引擎"来实现多机非确定环境下的自主协同、路径快速寻优及状态决策.模拟结果显示构建的多机自主协同模型能较好地解决非确定环境下的路径寻优和状态决策问题.     

分段优化RRT的无人机动态航迹规划算法

针对突发威胁,无人机重新规划局部航迹的问题,提出了分段优化快速扩展随机树(rapidly exploring random tree,RRT)的无人机动态航迹规划算法。首先利用分段优化RRT算法生成全局航迹,然后根据突发威胁的相关信息确定局部航迹的起点和终点,最后利用分段优化RRT算法生成局部航迹,绕过突发威胁并回到原航迹。实验结果表明算法运行时间和路径代价都降低了10%左右。对于动态航迹规划,该算法的鲁棒性与实时性较强。     

威胁联网下舰载无人机对海突击航路规划

以复杂海战场环境下舰载无人机对海突击作战为背景,针对舰载无人机航路规划中容易忽略的威胁之间相互联系的问题,分析了威胁联网下航路规划领域的研究现状,针对其不足,建立了新的威胁分类方法,将威胁划分为机动威胁和固定威胁;构建了新的威胁联网模型,特别对距离舰载无人机航路较远,但联网后可以对舰载无人机产生威胁的威胁进行了着重研究,创新解决了机动威胁在威胁联网情况下的反应问题;最后基于遗传算法进行了仿真,分析对比了威胁联网与否对航路规划的影响,规划出了在威胁联网情况下的可行航路。     

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...     

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。     

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。     

基于无人机实时数据多波次任务规划模型分析

针对导弹部队多波次作战任务规划问题,依据无人机的实时数据,构建了基于路径的多层规划模型,并设计了模型的算法求解流程.使用遗传算法与禁忌搜索混合算法,得出了任务规划中的最优路径规划,并在此基础上进行了冲突的消除.通过仿真案例表明,用无人机协同配合导弹部队作战,实时传输作战数据,能够解决战场信息模糊不确定的问题;使用多层规...