无人机空中冲突探测与避撞研究

近年来，无人机运输业迅猛发展，其飞行过程中的冲突探测与避撞问题成为亟需解决的关键问题。在无人机周围建立合理的三维空间模型，优化包括紧急避撞区域、一般避撞区域、监视及提前避撞区域的三级避撞区域系统，并利用ADS-B 报文提供的无人机位置、速度等信息，基于无人机一般二维平面上的冲突探测与避撞算法，通过增加垂直方向上的冲突识别来改进冲突探测算法，对比调速、调向两种避让方案在各避撞区域的成功率。结果表明：改进算法能在无人机数量大幅增加的情况下有效识别冲突无人机，同时采用先调速后调向的避让方案，避撞成功率达到99.75%，可为保障无人机的飞行安全提供有效策略。     

无人机防相撞空中威胁态势的探测与告警研究

空中威胁态势探测与告警是无人机飞行防相撞预警的关键。为此,提出一种基于航迹预测的无人机防相撞空中威胁态势探测与告警方法。在该方法中,先采用滑动窗多项式拟合法对入侵机航迹进行动态预测,然后,在航迹预测基础上,利用无人机与入侵机飞行信息,建立针对入侵机的无人机动态避撞区,最后,结合静态保护区原理,对特定飞行场景下的无人机飞行冲突趋势、空中危险接近趋势和飞行碰撞趋势的探测与告警。仿真实例验证了所提出方法的有效性,也验证了其用于无人机飞行防相撞预警的可行性。     

结合跳点引导的无人机随机搜索避撞决策方法

针对无人机在城市空域环境和密集交通流下的避撞决策问题，提出马尔科夫决策过程（MDP）和蒙特卡洛树搜索（MCTS）算法对该问题进行建模求解。蒙特卡洛树搜索算法在求解过程中为保证实时性而使其搜索深度受限，容易陷入局部最优，导致在含有静态障碍的场景中无法实现避撞的同时保证全局航迹最优。因此结合跳点搜索算法在全局规划上的优势，建立离散路径点引导无人机并改进奖励函数来权衡飞行路线，在进行动态避撞的同时实现对静态障碍的全局避撞。经过多个实验场景仿真，其结果表明改进后的算法均能在不同场景中获得更好的性能表现。特别是在凹形限飞区空域仿真模型中，改进后的算法相对于原始的蒙特卡洛树搜索算法，其冲突概率降低了36%并且飞行时间缩短47.8%。     

韧性无人机群多域协同方法建模与求解

为提高无人机群(UAVS)在执行任务过程中的抗干扰能力，提出了一种韧性无人机群多域协同方法，并对其进行建模与求解。首先，改进了韧性无人机群恢复因子；在此基础上，通过协调机群中的非重要节点接替受扰机群中的重要节点，以提高受扰动无人机群的性能；最后，通过仿真验证了该方法的有效性。结果表明，该方法能够有效地恢复受扰动无人机群的性能，使其性能快速恢复到任务基线以上，从而确保了任务的完成，增强了无人机群的韧性。该研究结果为无人机群协同作战提供了新思路、新方法。     

基于强化学习的多无人机避碰计算制导方法

针对大量固定翼无人机在有限空域内的协同避碰问题,提出了一种基于多智能体深度强化学习的计算制导方法。首先,将避碰制导过程抽象为序列决策问题,通过马尔可夫博弈理论对其进行数学描述。然后提出了一种基于深度神经网络技术的自主避碰制导决策方法,该网络使用改进的Actor-Critic模型进行训练,设计了实现该方法的机器学习架构,并给出了相关神经网络结构和机间协调机制。最后建立了一个实体数量可变的飞行场景模拟器,在其中进行"集中训练"和"分布执行"。为了验证算法的性能,在高航路密度场景中进行了仿真实验。仿真结果表明,提出的在线计算制导方法能够有效地降低多无人机在飞行过程中的碰撞概率,且对高航路密度场景具有很好的适应性。     

基于时间约束集的多弹道式飞行器避撞发射时间规划

提出了通过调整发射时间解决多弹道式飞行器飞行避撞问题的算法框架,在该框架内针对多弹道式飞行器协同打击时是否发生飞行碰撞提出了检验算法,对于飞行器碰撞规避问题建立发射时间约束集模型,约束集由飞行器间发生碰撞的发射时间间隔约束构成。在该时间约束集的基础上建立以多弹道式飞行器同时打击为优化目标、含有不等于号表达式时间约束的优化问题,并通过"Big-M"法将该问题转化为非线性规划问题的标准形式,再利用序列二次规划(SQP)算法进行求解。该框架将发射时间调整问题转化为最优化规划问题,降低了传统遍历性发射时间调整算法的计算复杂度。基于MATLAB平台环境对所提模型及规划算法进行了仿真,验证了所提算法的合理性与有效性,同时具有较高的计算效率。     

基于零空间方法的四旋翼无人机避障与协同编队控制

针对四旋翼无人机在编队飞行执行任务时可能遭遇障碍物问题,考虑多无人机避障及机间避撞的需求,提出 1种基于零空间方法的四旋翼无人机避障与协同编队控制算法。首先,建立四旋翼无人机动力学模型,并建立虚拟控制量简化控制模型;其次,基于零空间方法进行避障与协同编队控制算法研究,将无人机任务执行分解为目标趋向任务、避障避撞任务和协同编队任务,并根据优先级进行任务融合得到期望速度;再次,基于 PID方法设计控制律;最后,通过仿真验证所提控制算法的有效性。所提方法可保证四旋翼无人机在编队飞行中遭遇障碍物时的飞行安全。     

基于多指标动态优先级的无人机协同路径规划

针对复杂城市环境下多无人机（UAVS）协同巡检、配送等任务,提出一种基于多指标动态优先级的协同路径规划方法,以节省运行成本和增加任务效率。综合考虑碰撞风险、总路程、等待时间等指标构建动态优先级模型,并在优先级单边避碰机制下,定制组合规避策略以处理局部冲突,更好地权衡协同规划效率和路径质量。针对无人机个体路径规划,在Lazy Theta*算法基础上引入拥堵权值地图,引导无人机避开拥堵区域,降低冲突发生可能性。对比仿真试验表明：提出的个体规划算法可以减少拥堵区域和降低拥堵持续时间,提出的多指标动态优先级协同规划算法相比于飞行时间驱动的动态优先级,能够提高规划效率和结果最优性。     

多机会合下的机载防撞三维避撞策略研究

通过获取本机周围所有目标飞机的飞行数据,计算飞机两两之间的碰撞概率,由碰撞概率构造出碰撞矩阵,用碰撞矩阵描述当前所有飞机的碰撞态势值,并提出与碰撞矩阵相匹配的三维避撞策略,进而对飞机的机动策略进行分配,达到协作避撞的目的。仿真验证表明,飞机两两之间的碰撞概率经过动态调整最终收敛到0,碰撞矩阵行列式值随着避撞过程中策略执行而逐渐增大,经过4个阶段的动态调整,最终收敛到稳态,实现所有飞机安全避撞。     

基于预测控制的无人机编队内部避碰

针对无人机编队内部避碰问题,首先采用基于预测控制的方法,解决了在即将发生碰撞情况下无人机的航向调整问题;然后,建立了航路回归模型,解决了无人机避碰后,迅速回归预定航路的问题。仿真结果表明,文章给出的避碰方法能够有效解决无人机编队内部碰撞问题。     

基于群智机理的集群防碰撞控制

在执行作战任务以及民用中,无人机集群由于具备高可靠性和高效费比的特点而受到广泛关注;随着城市低空空域的开放,作战环境的动态复杂性剧增,对无人机集群防碰撞提出了严峻的挑战。针对无人机集群执行任务时的编队个体之间防碰撞以及遭遇突发障碍时的集群防碰撞问题,提出了基于群智机理的集群防碰撞控制方法。通过引入力学概念,设计了集群内部吸引力、排斥力以及编队构型力的模型;通过集群个体间的信息共享以及类脑知识发育,构建了基于群信息共享和类脑反射的无人机防碰撞模型。仿真结果表明：所提集群控制方法提高了集群的集结效率,而且在遭遇突发障碍时能够规避动态障碍,再次完成编队重构;群智机理的引入缩短了无人机集群面临突发障碍时的反应时间。     

Relevant experience learning: A deep reinforcement learning method for UAV autonomous motion planning in complex unknown environments

Unmanned Aerial Vehicles (UAVs) play a vital role in military warfare. In a variety of battlefield mission scenarios, UAVs are required to safely fly to designated locations without human intervention. Therefore, finding a suitable method to solve the UAV Autonomous Motion Planning (AMP) problem can improve the success rate of UAV missions to a certain extent. In recent years, many studies have used Deep Reinforcement Learning (DRL) methods to address the AMP problem and have achieved good results. From the perspective of sampling, this paper designs a sampling method with double-screening, combines it with the Deep Deterministic Policy Gradient (DDPG) algorithm, and proposes the Relevant Experience Learning-DDPG (REL-DDPG) algorithm. The REL-DDPG algorithm uses a Prioritized Experience Replay (PER) mechanism to break the correlation of continuous experiences in the experience pool, finds the experiences most similar to the current state to learn according to the theory in human education, and expands the influence of the learning process on action selection at the current state. All experiments are applied in a complex unknown simulation environment constructed based on the parameters of a real UAV. The training experiments show that REL-DDPG improves the convergence speed and the convergence result compared to the state-of-the-art DDPG algorithm, while the testing experiments show the applicability of the algorithm and investigate the performance under different parameter conditions.     

无人机跟踪运动目标航迹规划算法

对无人机跟踪运动目标的原理进行了分析,设计了跟踪系统的动力学模型,提出了一种基于切线法的航迹规划算法。在动力学约束条件下实现了对无人机的航迹、速度、加速度等的最优控制,从而解决了无人机跟踪运动目标问题,并给出了算法的具体设计步骤。仿真结果表明,该算法能够快速、有效地为无人机规划出跟踪运动目标的最优航迹。     

基于导向强化Q学习的无人机路径规划

随着无人机的广泛应用,其飞行能耗和计算能力面临着瓶颈问题,因此无人机路径规划研究越来越重要。很多情况下,无人机并不能提前获得目标点的确切位置和环境信息,往往无法规划出一条有效的飞行路径。针对这一问题,提出了基于导向强化Q学习的无人机路径规划方法,该方法利用接收信号强度定义回报值,并通过Q学习算法不断优化路径;提出"导向强化"的原则,加快了学习算法的收敛速度。仿真结果表明,该方法能够实现无人机的自主导航和快速路径规划,与传统算法相比,大大减少了迭代次数,能够获得更短的规划路径。     

基于多机协作的认知无人机网络能效联合优化

针对无人机（UAV）通信网络中频谱资源紧缺的问题,构建基于认知无线电的多无人机通信网络,通过多机协作频谱感知有效探索授权频谱。提出一种基于Bisection算法的迭代算法,通过联合优化感知时间和判决门限对构建的复杂非凸问题求解,显著提高了无人机次级认知网络的能量效率（EE）。分析了无人机飞行过程中能效的变化情况,仿真结果表明,存在最优感知时间使能效获得最大值,且判决门限的选择会影响该能效最优值;提出的高能效迭代算法具有较好收敛性,有效提高了认知无人机网络的能量利用率。     

基于比例导引角度线性化的无人机避障研究

基于无人机与障碍物之间的几何关系,在极坐标系下建立了无人机与障碍物之间的运动学方程,通过引入基于角度线性化的比例导引律,使无人机能够顺利避开障碍物。引入的基于角度线性化的比例导引律是关于无人机相对速度航向角与避障点视线角的函数,由比例函数及偏差函数组成。为解决初始时刻相对速度航向角不满足引入导引律的问题,在调节函数中加入了指数项。通过稳定性证明,得到了满足要求的导引律参数取值范围。最后对设计的避障算法进行了仿真,仿真结果验证了算法的有效性。     

基于改进启发式蚁群算法的无人机自主航迹规划

无人机自主航迹规划是未来无人机作战使用的关键技术难题。针对传统航迹规划方法存在的求解效率不高、实时性较差、容易陷入局部最优等缺点,提出一种基于改进启发式蚁群算法的无人机航迹规划。算法前期使用Dijkstra 算法进行初始化航迹,引入启发式信息,提高搜索效率;采用Logistic 混沌映射初始化信息素,增加解的多样性,提高算法收敛速度;算法中、后期采用多航迹选择策略和模拟退火机制,提高全局搜索能力,避免因收敛速度过快,陷入局部最优解。对该算法进行仿真分析,结果表明：在存在威胁和障碍的复杂环境中,本文的改进蚁群算法与标准蚁群算法相比,能够有效规划出一条从起点到终点的航迹,并且寻优精度更高,收敛速度更快,具有一定应用价值。