改进速度障碍法的无人机局部路径规划算法

针对无人机基于环境感知进行局部路径再规划的实时与安全性问题，提出了一种基于改进速度障碍法的局部路径避障规划算法。将传统速度障碍法拓展到三维空间中，建立三维空间速度障碍模型，将机动性动态障碍物在速度空间中的运动不确定转化为位置不确定，实时性更好，提高了避障水平与安全裕度；通过定义和引入自适应威胁距离，提高了无人机在避障过程中对原航迹的利用率；利用空间几何分析，求解无人机空间自主避障的最优速度，实现局部路径动态实时规划。通过比较分析对遇、追击和交叉3种场景下的局部路径避障规划仿真结果，验证了该算法的实时性、可行性和有效性。     

基于改进RRT算法的无人机航路规划与跟踪方法研究

为了使航路规划算法在三维动态环境下能够快速规划出较优可行航路,基于快速扩展随机树算法(RRT),对规划航路点进行了无人机飞行动力学约束,并且设计了局部航路动态优化策略。针对传统的航路跟踪控制律跟踪较为曲折的航线时跟踪误差较大的问题,通过将规划算法得出的姿态指令引入姿态控制回路的方式,提高了航路跟踪控制算法的快速性与准确性。在此基础上,搭建了无人机验证平台,利用该验证平台完成了无人机自主避障飞行试验,对算法的有效性进行了验证,并对算法性能进行了评估。     

基于A~*和鸽群算法的快递无人机航路规划

针对快递无人机在复杂城镇环境条件下的路径寻优问题,提出了一种基于A~*和鸽群算法的航路规划算法。首先,建立威胁代价和障碍物模型,利用约束条件缩短A~*算法搜索时间,再通过A~*算法引导无人机快速到达目标点;然后,对鸽群的粒子编码方式和适应度函数计算方法进行改进,通过鸽群优化算法实现障碍物的规避;最后,利用三次B样条曲线对航路进行平滑化和重规划。仿真结果表明,该算法收敛速度快、航路长度短、威胁代价小,生成的航迹平滑可飞,适合快递无人机在复杂城镇环境中穿行。     

基于改进人工势场算法的无人机群避障算法研究

针对无人机运动避障人工势场算法本身存在的极小值问题和局部最小值问题，采用改进的人工势场算法，提出了一种新的路径规划方法。不同于目前的人工势场法，该模型从双机相互作用开始，在障碍物斥力的基础上，增加了无人机之间的斥力，同时定义集群的前置形心作为另一个引力源。算法分析表明，该方法能够有效避免无人机陷入局部最小值，并增强了无人机机群的控制和避障能力。基于该无人机控制模型，给出了路径规划设计并进行了仿真实验。实验结果表明，基于该模型的无人机机群控制具有更好的避障性能和追踪目标的能力。     

考虑协同航路规划的多无人机任务分配

针对多无人机任务分配与协同航路规划问题，以分布式合同网拍卖算法为基础，构建无人机集群任务拍卖架构与拍卖收益函数，结合模拟退火算法协调任务执行次序，采用A^*算法完成两任务点间航程预估，在任务分配阶段同步完成多无人机间协同航路的初规划，确定最佳任务执行次序，实现任务分配与协同航路规划的紧耦合。仿真结果表明，在考虑禁飞区、障碍威胁情况下，该算法能够有效完成多架无人机不同类型任务的分配，且目标分配、执行次序合理，总执行代价小，各机间负载均衡；在任务分配阶段考虑协同航路规划具有明显的效果，能够有效提高任务分配的合理性。     

基于不规则障碍物环境下无人机的改进几何路径规划算法

随着无人机应用环境的多样化,在复杂环境中寻找无碰撞路径是非常重要的。传统的路径规划算法可以找到可行的路径,但它们在时间效率和路径长度之间没有很好的平衡,传统的几何算法只能避免特殊形状的障碍物。提出了一种改进的几何路径规划算法,使无人机能够在复杂的环境中避开任意形状的障碍物,找到较短的路径。首先,针对不规则障碍物,建立了凸多边形覆盖模型。然后解决了传统几何算法陷入局部最优解的缺点。提出了从相邻路径段生成无碰撞路径的二次规划思想,并针对该方法提出了一种新的安全阀值策略。最后,为了验证算法的性能,在不同的复杂环境下进行了仿真,并从几个方面对所提出的算法与A*算法进行了对比分析。     

基于改进A^*算法的无人机快速轨迹规划方法

针对旋翼无人机在三维障碍物环境中自主飞行时路径搜索速度慢、轨迹生成通常忽略无人机动力学特性的问题,发展一种基于改进A^*算法并同时考虑无人机动力学特性和运动学性能的快速轨迹规划方法。首先,在三维障碍物环境中运用改进A^*算法通过剔除部分网格节点降低A^*算法的节点计算量,提升算法的路径搜索速度;其次,以最小化飞行轨迹的四阶导数作为目标函数,以路径点处的位置、速度、加速度等各阶导数作为约束条件优化飞行轨迹;最后,在三维障碍物环境中对比A^*算法改进前后的路径搜索结果,并对优化的飞行轨迹进行仿真飞行测试。结果表明:改进A^*算法大幅降低了A^*算法的节点计算量,显著提升了路径搜索速度;且无人机能够始终以较小位置误差沿优化轨迹光滑连续飞行。     

基于改进鲸鱼优化算法的无人机航路规划

针对复杂地形环境下的无人机航路规划问题，提出一种基于改进的鲸鱼优化算法的航路规划算法。首先，根据起始点和目标点等信息，通过坐标系旋转将二维航路规划问题转化为D维空间下的寻优问题；然后，将灰狼优化算法中的等级制度和微分进化算法中的贪婪策略引入鲸鱼优化算法提出改进的鲸鱼优化算法。在保证算法收敛速度的同时，所提的改进鲸鱼优化算法有效地提高了开发能力和搜索能力。最后，将提出的改进算法应用于无人机的航路问题求解。仿真结果表明，所提的改进鲸鱼优化算法能够有效的获得一条代价最优的、有效的航路结果，其性能优于传统的优化算法。     

基于A~*蚁群算法的无人机航路规划

针对低空密集复杂环境,在构建环境模型及无人机模型的基础上,提出了一种综合运用A~*算法与蚁群算法的智能航路规划方法。其中A~*算法用于全局航路规划,蚁群算法用于局部路径重规划,利用A~*算法的导向性克服蚁群算法收敛速度慢的缺点,能够使无人机快速到达目标点。仿真结果表明,A~*蚁群算法不仅可以全局引导蚁群算法快速收敛,使无人机快速飞向目标点,同时也可以在局部环境中规避障碍,保证无人机的飞行安全。     

基于改进蚁群算法的无人机侦察航路规划研究

蚁群算法是一种新的源于大自然生物界的仿生随机优化方法,在一系列组合优化问题求解中取得了成效。本文将蚁群算法引入无人机侦察航路的规划,对基本蚁群算法提出了改进,提供了一种新的有效的航路优化算法,并对无人机的侦察航路进行了仿真计算。仿真结果表明改进的蚁群算法克服了基本蚁群算法的收敛速度慢、易于过早陷入局部最优的缺点,仿真结果验证了该算法的有效性。     

基于平面约束人工势场的无人机航迹规划算法

航迹规划是实现无人机自主导航飞行的关键。针对人工势场法应用于无人机航迹规划时出现的规划失败、实用性不强的问题，本文提出一种基于平面约束人工势场的航迹规划算法。首先，利用约束平面切割障碍物，简化了障碍物的分布。其次，构建航迹的可行性约束条件，并建立了基于约束平面的人工势场法。最后，综合并改进了一种额外控制力法和常用的改进势场函数。仿真验证表明，该算法克服了传统人工势场法未考虑无人机物理性能限制、易陷入局部最小值以及目标不可达的问题，同时提高了航迹规划质量。通过本文研究，人工势场法的不足得到了改善，有利于人工势场法在无人机航迹规划领域的应用与发展。     

基于改进A-Star算法的隐身无人机快速突防航路规划

针对现代战争中隐身无人机（UAV）在高严密的组网雷达防御体系下的生存及突防问题,提出了基于改进A-Star算法的隐身无人机战区突防航路规划技术。首先对隐身无人机突防过程进行了分析建模,分别建立了隐身无人机的运动学模型、动态雷达散射截面特性和组网雷达探测概率的计算模型。然后针对传统算法在解决隐身突防问题时的不足,充分考虑所规划航路时的快速性和安全性要求,设计了改进A-Star算法。在算法中引入了多层变步长搜索策略和无人机的姿态角信息,结合秩K融合准则,通过每段航迹上隐身无人机被组网雷达系统的发现概率来判断新航迹点的可行性。仿真结果表明,改进A-Star算法能够在复杂的组网雷达系统下快速生成更优的战区突防航路,具有一定的应用价值。     

基于目标分配的无人机航路规划

在航路规划中．如果存在多个目标点，优化问题就会变得复杂化。因此，在多目标点存在的情况下，航路优化问题应充分考虑目标的有关因素及空域状况，对目标和航路进行优化选择以取得某种效益。针对这一问题，提出了目标选择及航路规化的优化模型．并提出了一种改进的A*算法——大规模平行扩展A*算法对这一问题进行求解。在此基础上，针对无人机的水平飞行航路进行了规化。结果表明，通过该方法可以有效地解决多目标点存在时的航路规划问题。     

基于改进A*算法的UUV冰下避障航迹规划算法

针对冰下避障航迹规划问题,提出了一种基于改进A*算法的三维冰下避障航迹规划算法.不同于传统的A*航迹规划算法,该算法结合了人工势场航迹规划算法的思想,将水下地形碰撞约束、海冰碰撞约束以及UUV巡航高度约束重新编排.算法分析表明,该避障航迹规划算法能够有效增强UUV冰下避障能力与定深巡航高度控制能力.基于改进的A*冰下避障航迹规划算法,给出了上述约束的设计方法并进行了仿真验证.仿真结果表明,基于上述约束的航迹规划算法具有良好的避障能力、巡航高度控制能力以及航行距离控制能力.     

无人机航路规划技术研究进展

无人机航路规划问题本质是多约束条件下,多目标函数求极值的优化问题.规划出满足任务要求、导航、安全性等约束的较优航路,对提高无人机的武器系统性能有重要意义.通过对无人机航路规划的研究,对无人机航路规划问题进行了概括和总结,阐述了无人机航路规划的框架结构以及静态全局规划和动态局部规划方法的研究现状.分析了近年来常用的几种规划算法,着重分析了启发式算法以及遗传算法.在此基础上,对今后的研究方向进行了展望.     

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。     

基于改进ARA*算法的无人机在线航迹规划

针对无人机三维在线航迹规划对算法速率、航迹最优性的需求,提出了基于改进ARA^*算法的无人机在线航迹规划方法。首先,建立无人机三维航迹规划的数学模型;然后,提出了节点空间约简策略、局部启发项策略以提高算法收敛速率,并针对复杂规划环境提出了启发因子自适应递减策略。仿真结果表明,所提算法能够快速、稳定地生成首条可行航迹,并在剩余时间内不断提高航迹质量,可应用于不同类型的在线规划任务,动态地适应规划时间与航迹最优性的要求。     

基于增量式发育深度强化学习的无人机路径规划

为了克服深度强化学习训练时间长、收敛速度慢的问题,针对密集动态障碍环境下的无人机(UAV)路径规划,引入了增量式发育知识库,对深度确定性策略梯度(Deep Deterministic Policy Gradient, DDPG)算法进行改进。首先,根据模糊匹配的思想建立威胁模式知识库,将飞行过程中遇到的密集动态障碍作为知识进行增量式存储,避免对相似障碍环境的重复训练。其次,在底层DDPG算法规划安全航路的基础上构建避障策略知识库,根据威胁模式直接输出避障策略,缩短训练时间。最后,搭建发育式的威胁-避障映射关系,实现“线上实时避障,线下自主寻优”,不断提升UAV避障性能。对比实验结果表明,所提方法能极大提高DDPG训练效率,满足UAV在密集动态障碍环境中实时避障的需求。     

基于改进蚁群算法的无人机航路规划

为了提高无人机(UAV)的作战效率和生存概率,在执行任务之前必须设计出高效的无人机飞行航路.针对这一问题,采用了蚁群算法进行航路规划,并对蚁群算法进行了改进.提出了保留最优解、自适应状态转换规则和自适应信息激素更新规则,有效的提高了算法算收敛速度和解的性能.最后用改进的蚁群算法对无人机任务航路进行了仿真,仿真结果表明,该算法是一种有效的航路优化算法.     

基于改进蚁群算法的无人机路径规划

针对传统无人机路径规划算法存在规划效率低以及无法满足特定任务需求的缺点,提出了基于改进蚁群优化算法的无人机路径规划算法。首先,将待规划区域栅格化,给每一个网格按顺序编号;其次,在路径搜索时引入了一种双向搜索机制,对信息素的更新规则和下一步节点的选择方法做出改进;最后,提出了一种新的方法来整合两组蚂蚁生成的路径,并给出了若干仿真试验结果。结果表明,所提算法相比传统算法更能有效避免过早陷入局部最优,收敛速度加快,生成满足任务约束的最短路径。