未知区域无人机协同搜索方法及效率分析

随着无人机技术的广泛使用,利用多架次无人机集群的自主协同控制,对某片区域进行覆盖侦察和目标搜索成为该领域的热点和难点问题。本文基于Voronoi图构型的多无人机区域覆盖模型实现了对未知区域的搜索覆盖面积和搜索时间的优化部署,基于概率地图信息更新融合的协同搜索策略实现了无人机自主协同控制,最后利用Matlab平台仿真并比较了不同情况下无人机集群搜索的效率。     

基于回访机制的无人机集群分布式协同区域搜索方法

为高效引导无人机（UAV）集群搜索未知任务区域内的动态目标，同时兼顾最大化覆盖搜索效能，提出一种回访机制驱动的UAV集群分布式协同搜索决策（RM-DCSD）算法。首先，基于栅格化方法构建了包含3种属性的综合态势信息图模型及其更新机理，为UAV进行实时在线搜索决策奠定基础；其次，以最大化搜索效率为优化目标，同时兼顾UAV的飞行安全与能耗代价，建立了UAV搜索效能函数，在此基础上，基于滚动优化思想进一步构建了UAV局部有限时域滚动优化模型；然后，综合考虑动目标的实际搜索需求以及传感器虚警和漏检情况，分别设计了信息素引导的回访机制与权系数动态切换引导的回访机制；接着，借鉴分布式模型预测控制思想，设计了基于信息融合的UAV集群分布式协同搜索决策机制，在确保集群分布式协同最优决策的基础上实现了对UAV成员态势信息图的解耦式更新，进一步增强了系统鲁棒性；最后，通过数值仿真实验对所提算法的有效性进行全面验证。仿真结果表明，RM-DCSD算法对动态未知搜索环境表现出良好的适应性，能够在引导UAV集群对未知区域进行最大化覆盖搜索的同时，通过回访机制驱动，有效兼顾对地面动目标的搜索需求。     

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。     

未知动态环境下有人/无人机协同搜救研究

针对未知动态环境下搜救效率和智能化水平不高的问题，提出了一种基于变步长模型预测控制的有人机/无人机协同搜救方式。根据环境的动态变化性和探测的不确定性，建立了表示环境确定度和目标探测概率的动态搜救图模型，根据态势信息选择时间域步长，并根据有人机/无人机协同搜救任务特点，设计了搜救收益指标，并利用粒子群优化进行求解。仿真结果表明了本文方法的有效性和优越性。     

多无人机协同覆盖路径规划

多无人机协同覆盖路径规划(CPP)由于其并行性和容错能力,对于提高无人机完成侦察、监视、搜索等任务的效率具有重要意义。提出了一种基于无人机任务性能评价和任务区域划分的多无人机协同CPP算法。定量分析了无人机执行覆盖任务的能力,根据无人机及携带成像传感器的性能给出了计算无人机任务性能指数的数学公式;提出了一种基于任务性能和子区域宽度的任务区域划分算法,使无人机的总转弯次数达到最少。仿真结果表明,所提出的CPP算法能够规划出全局最优的多无人机协同覆盖路径。     

带通信约束的多无人机协同搜索中的目标分配

为了研究通信约束对多无人机(UAV)协同搜索中目标分配任务的影响,提出了一种带通信约束的多无人机协同搜索中的目标分配方法,研究在通信约束条件下多无人机在协同搜索中如何进行目标分配。首先,基于无人机数学模型和搜索模型,建立了目标分配模型。其次,分析了通信约束条件,如通信距离限制、通信角度限制和通信时间延迟等对目标分配的影响,限定多无人机在通信距离和角度范围内才能通信,使用蒙特卡罗法来验证通信距离和角度对目标分配的影响,同时采用基于状态估计的无人机状态信息补偿方法来消除通信延迟的影响。仿真验证了带通信约束的多无人机协同搜索中的目标分配方法的合理性。     

导弹末制导雷达搜索图研究

以远程反舰导弹为研究对象,运用概率统计理论、优化设计方法,研究远程反舰导弹末制导雷达目标搜捕问题。构建典型目标的数学模型,提出末制导雷达搜索图设计方案,得出了目标命中概率和截获概率的计算方法。     

针对定向通信类目标的无人机搜索策略研究

目标搜索策略的研究可分为两大类:一类是航路规划层面的航路搜索策略;另一类是导引头层面的导引头搜索策略.在航路规划层面进行定向通信类目标的搜索策略研究,提出了改进的螺旋搜索航路.与目前大多数文献不同的是,在搜索航路规划时考虑了通信类目标的特点,并且在搜索航路规划的基础上,基于虚拟目标理论进一步完成了搜索制导律的设计,以使无人机按照设计的航路飞行,并在航路存在误差时保证导引头指向理论轨迹上的虚拟目标,从而提高目标截获概率.最后基于质点模型验证了搜索制导律的可行性,表明提出的搜索航路及制导律具有一定的理论价值与工程参考价值.     

编队无人机的高生存力协同航路规划方法

提出了一种基于多目标遗传算法的编队无人机高生存力协同航路规划方法。方法由备选航路生成和协同规划两个步骤组成。备选航路生成的目的是为编队中的每一个无人机生成多条航路,该步骤采用的算法是多目标遗传算法。协同规划的目的是为各个无人机从备选航路中选择航路,使得各个无人机同时到达目标区域,以增加任务突然性,提高整个编队的生存力。通过仿真算例,把方法与基于Voronoi图的方法作了对比,给出了方法的优缺点分析。     

多无人机协同搜索区域划分与路径规划

针对多无人机广域协同搜索问题，研究无人机工作区间划分和全区域覆盖搜索路径规划2个子问题。采用按无人机来向均衡划分的方法和凹点凸分解的方法，开展了凸多边形和非凸多边形的区域划分研究，将多机协同搜索问题转化为子区域上的单机搜索问题；在此基础上采用"Z"型路径覆盖方法以及Dubins转弯路径，对各个无人机开展覆盖其子区域的搜索路径规划，从而建立了一个区域划分和路径规划的整体调用框架，能够对目标区域快速进行划分并生成飞行路线。最后，对凸多边形和非凸多边形区域搜索开展仿真计算，验证了该方法的有效性。     

An intelligent target detection method of UAV swarms based on improved KM algorithm

Complete and efficient detection of unknown targets is the most popular application of UAV swarms. Under most situations, targets have directional characteristics so that they can only be successfully detected within specific angles. In such cases, how to coordinate UAVs and allocate optimal paths for them to efficiently detect all the targets is the primary issue to be solved. In this paper, an intelligent target detection method is proposed for UAV swarms to achieve real-time detection requirements. First, a target-feature-information-based disintegration method is built up to divide the search space into a set of cubes. Theoretically, when the cubes are traversed, all the targets can be detected. Then, a Kuhn-Munkres (KM)-algorithm-based path planning method is proposed for UAVs to traverse the cubes. Finally, to further improve search efficiency, a 3D real-time probability map is established over the search space which estimates the possibility of detecting new targets at each point. This map is adopted to modify the weights in KM algorithm, thereby optimizing the UAVs’ paths during the search process. Simulation results show that with the proposed method, all targets, with detection angle limitations, can be found by UAVs. Moreover, by implementing the 3D probability map, the search efficiency is improved by 23.4%–78.1%.     

A memetic algorithm for path planning of curvature-constrained UAVs performing surveillance of multiple ground targets

The problem of generating optimal paths for curvature-constrained unmanned aerial vehicles （UAVs） performing surveillance of multiple ground targets is addressed in this paper. UAVs are modeled as Dubins vehicles so that the constraints of UAVs＇ minimal turning radius can be taken into account. In view of the effective surveillance range of the sensors equipped on UAVs, the problem is formulated as a Dubins traveling salesman problem with neighborhood （DTSPN）. Considering its prohibitively high computational complexity, the Dubins paths in the sense of terminal heading relaxation are introduced to simplify the calculation of the Dubins distance, and a boundary-based encoding scheme is proposed to determine the visiting point of every target neighborhood. Then, an evolutionary algorithm is used to derive the optimal Dubins tour. To further enhance the quality of the solutions, a local search strategy based on approximate gradient is employed to improve the visiting points of target neighborhoods. Finally, by a minor modification to the individual encoding, the algorithm is easily extended to deal with other two more sophisticated DTSPN variants （multi-UAV scenario and multiple groups of targets scenario）. The performance of the algorithm is demonstrated through comparative experiments with other two state-of-the-art DTSPN algorithms identified in literature. Numerical simulations exhibit that the algorithm proposed in this paper can find high-quality solutions to the DTSPN with lower computational cost and produce significantly improved performance over the other algorithms.     

多基地多无人机协同侦察问题研究

 充分考虑侦察目标的侦察分辨率要求和侦察时间窗约束，以及位于不同基地的无人机(UAV)的侦察性能和可用数目，首次建立了更加贴近军事应用实际的多基地多UAV协同侦察问题(M-MUCRP)的数学模型，并提出了解决该模型的多基地多UAV协同侦察进化算法(M-MUCREA)。M-MUCREA的染色体数据结构有效地表达了问题的解，有利于交叉、变异等进化操作；充分利用与目标侦察分辨率要求以及目标位置和时间窗约束相关的启发信息，构造初始种群,避免进化过程收敛太慢；基于Pareto最优概念的选择算子确保解在多个目标上的有效优化；精英策略避免了丢失进化过程中产生的非劣解，加快算法收敛；变异和交叉算子在保证有效解的前提下，实现了解的多样性，避免了算法陷入局部最优。仿真实验验证了算法能够有效解决M-MUCRP。     

Multi-UAV coordination control by chaotic grey wolf optimization based distributed MPC with event-triggered strategy

The paper proposes a new swarm intelligence-based distributed Model Predictive Control (MPC) approach for coordination control of multiple Unmanned Aerial Vehicles (UAVs). First, a distributed MPC framework is designed and each member only shares the information with neighbors. The Chaotic Grey Wolf Optimization (CGWO) method is developed on the basis of chaotic initialization and chaotic search to solve the local Finite Horizon Optimal Control Problem (FHOCP). Then, the distributed cost function is designed and integrated into each FHOCP to achieve multi-UAV formation control and trajectory tracking with no-fly zone constraint. Further, an event-triggered strategy is proposed to reduce the computational burden for the distributed MPC approach, which considers the predicted state errors and the convergence of cost function. Simulation results show that the CGWO-based distributed MPC approach is more computationally efficient to achieve multi-UAV coordination control than traditional method.     

基于Leader-Follower编队的无人机协同跟踪地面目标制导律设计

对地面目标的自动跟踪是无人机在任务应用阶段需要解决的重要问题之一,多无人机协同跟踪能够提高对目标运动状态的估计精度并降低目标丢失的概率,因而具有重要研究意义。本文提出了一种基于Leader-Follower编队的无人机协同跟踪制导方法,解决了传统Standoff跟踪模式对地面目标的速度范围限制问题。首先,通过控制无人机的航向不断趋近于地面目标牵连跟踪圆切线方向的方法设计了Leader无人机自动跟踪地面目标的制导律并完成了稳定性证明;其次,通过控制Follower无人机的速度和航向角逐渐趋近于Leader无人机速度和航向的协同跟踪策略,分别设计了Follower无人机自动跟踪Leader无人机的制导律和编队相位协同制导律并完成了稳定性证明;最后,分别针对静止目标、匀速直线运动目标和变速运动目标的跟踪问题进行了仿真验证,结果表明所提出的制导方法能够实现对不同运动状态地面目标的自动协同跟踪,并且跟踪性能优于基于李雅普诺夫向量法的制导方法。     

基于 ABMS的无人机编队协同制空任务效能评估

无人机是海空作战的重要力量,制空作战是未来无人机的重要任务之一。为研究无人机编队协同制空作战的制胜机理,评估无人机编队协同制空作战效能:首先,对无人机编队协同制空任务进行分析,明确典型作战过程;然后,采用基于 Agent的建模与仿真(Agent-basedmodelingandsimulation,ABMS)方法,构建攻击型无人机、预警型无人机和空空导弹的 Agent模型,开展多无人机协同制空作战仿真和效能分析。结果表明,无人机探测距离、编队内攻击型无人机的数量,以及编队内有无预警型无人机,这些都将对作战效能产生重要影响,该结论可为无人机协同作战运用提供参考。     

非对称机动能力多无人机智能协同攻防对抗

协同攻防对抗是未来军用无人机的重要作战场景。针对不同机动能力无人机群体间的攻防对抗问题，建立了多无人机协同攻防演化模型，基于多智能体强化学习理论，研究了多无人机协同攻防的自主决策方法，提出了基于执行-评判（Actor-Critic）算法的集中式评判和分布式执行的算法结构，保证算法稳定收敛的同时，提升执行效率。无人机的评判模块使用全局信息评价决策优劣引导策略学习，而执行时只需要依赖局部感知信息进行自主决策，提高了多机攻防对抗的效能。仿真结果表明，所提的多无人机强化学习方法具备较强的自进化属性，赋予了无人机一定智能，即稳定的自主学习能力，通过不断演化，能自主学习提升协同对抗的决策效能。     

基于分布式模型预测控制的多UAV协同区域搜索

针对多无人机(UAV)协同区域搜索问题展开研究。提出了一种基于分布式模型预测控制(DMPC)的多UAV分布式优化搜索方法。首先基于传统的搜索图模型,建立了多UAV协同搜索的问题描述和状态空间模型,然后在DMPC框架下,将集中式多UAV在线优化决策问题转化为各架UAV的小规模分布式优化问题,采用基于纳什最优和粒子群优化(PSO)相结合的算法实现对每个子系统优化问题的迭代求解。仿真结果表明:DMPC方法能够有效地降低多UAV协同搜索决策问题的求解规模,是一种可行的方法。     

通信约束下异构多无人机任务分配方法

针对异构多无人机协同执行侦察和打击任务中,存在通信距离、时间延迟等约束条件下的局部任务分配问题,提出了一种基于合同网的分布式多无人机任务分配方法。首先建立了异构集群发现新目标时的局部任务分配问题模型,设计了局部无人机通信网络中的信息一致性算法,实现了任务分配过程中任务发布阶段各无人机的冲突消解。设计了任务分配过程中的联盟构建和无人机资源管理方法,使联盟中各无人机能够以更加平衡的方式消耗资源。仿真结果表明,该方法能够解决通信约束下,异构多无人机执行察打任务时,所触发的针对目标打击任务的任务分配问题,且能够获得最大的系统效能。