基于冲突分类与消解的多智能体路径规划算法设计CSCD

多智能体路径规划应用广泛但求解困难。为更好地处理多智能体路径规划中的路径冲突问题,提高求解效率,将冲突进一步分类为相向顶点冲突和交叉顶点冲突,并提出了对应的消解方式。相向顶点冲突的消解方法采用提前添加约束的方式,避免在消解其冲突的过程中产生另一个可预见的冲突;交叉顶点冲突的消解方法采用寻找最佳等待时间的方式,在消解其冲突的同时消解其他存在的冲突。两种冲突消解方法均可减小约束树的规模,在一定程度上减少算法的计算量。并提出了基于冲突搜索算法的高层节点冲突搜索算法。实验结果表明,所提出的冲突分类及消解方式有效地减小了算法高层中约束树的规模,降低了算法计算量,并在智能体密集的环境下表现出更大的优势。     

非合作目标交会的双层MPC全局轨迹规划控制

针对空间非合作目标近距离视线交会中的全局最优鲁棒轨迹规划与控制问题,提出了基于高斯伪谱方法（GPM）和线性时变模型预测控制（LTVMPC）的双层模型预测控制（MPC）算法。在轨迹规划方面,以视线坐标系下的相对轨道动力学为模型、能量最少和控制精度最优为性能指标构建最优控制问题,利用GPM精度高、收敛速度快的特点将最优控制问题转化为易于求解的全局非线性规划问题,在MPC框架下求解得到全局最优的标称轨迹,克服了传统的MPC不适用于全局大范围非线性规划的缺点;在轨迹跟踪控制方面,考虑预测时域内状态转移矩阵的时变特性,设计了LTVMPC算法对标称轨迹进行追踪,避免了存在不确定性时轨迹的重规划,从而降低在线计算量,保证算法在线自主实施,并且采用滚动优化的策略使算法对不确定性具有鲁棒性。由于规划层和控制层考虑的约束相同,因此规划的轨迹是可控、可达的。数字仿真表明,在燃料消耗和交会时间等方面,提出的方法均显著优于传统的MPC方法,相较于传统的MPC方法,新算法的交会时间减少50%左右,燃料消耗降低30%以上。     

基于改进烟花?蚁群算法的海流环境下水下无人潜航器的避障路径规划

针对有海流和障碍物影响的环境中的水下无人潜航器(Unmanned Underwater Vehicle, UUV）的二维自主路径规划问题，应用改进烟花-蚁群混合算法进行了求解。首先，建立了含有随机分布障碍物的二维Lamb涡流海流环境模型，将圆形障碍物等效为方形栅格。其次，综合考虑能量消耗代价、航行时间代价、航行距离代价等优化目标，建立了路径规划数学模型。最后，应用改进烟花-蚁群混合算法对该非线性优化问题进行了求解，并进行了仿真实验。实验结果表明，该算法能够快速寻找到全局最优解，为水下无人潜航器的自主路径规划提供了一个新途径。     

基于A*和TEB融合的行人感知无碰跟随方法

移动机器人通过跟随一个指定行人实现导航是一种便捷的方式。针对行人跟随中的机器人跟随和避障问题,提出了一种基于路径规划的无碰跟随方法。该方法结合激光点云分割提供的非行人障碍信息生成静态障碍代价地图,并根据3D行人定位结果,利用基于无迹卡尔曼滤波器（Unscented Kalman Filter,UKF）和最近邻联合概率数据关联（Nearest Near Joint Probabilistic Data Association,NN-JPDA）的多行人跟踪器估计干扰行人运动状态,进而生成动态行人代价地图。在此基础上,基于A^*的全局规划器结合静态障碍代价地图输出指向目标行人的全局路径,而基于时间弹性带（TEB）算法的局部规划器也将动态行人代价地图纳入考虑范围以规划优化的局部路径,这能够帮助机器人实现行人感知的避障且跟随全局路径。通过低频全局规划与高频局部规划结合的方式实现对目标行人安全无碰的跟随。实验验证了所提方法的有效性。     

基于离散伴随方程的三维雷达散射截面几何敏感度计算

针对有限差分法计算雷达散射截面（RCS）梯度效率低，采用高精度雷达散射截面评估时计算代价高的问题，提出了一种基于麦克斯韦积分方程离散伴随方程的RCS梯度高效计算方法。基于伴随方程的梯度计算可以通过一次雷达散射截面求解、一次伴随方程求解获得RCS关于所有设计变量的梯度。其中麦克斯韦积分方程离散伴随方程的形式与原方程基本一致，可以采用矩量法（MOM）及多层快速多极子算法（MLFMA）求解。伴随方程求解计算量与直接雷达散射截面评估基本一致，存储量在直接雷达散射截面评估的基础上增加不明显。通过双椎体模型、导弹模型对基于矩量法、多层快速多极子算法的伴随梯度进行验证，证明了基于伴随方法的RCS梯度计算可以实现复杂外形中RCS梯度的高效、高精度求解，为基于梯度的高精度气动/隐身一体化优化提供了基础。     

一种针对冗余执行机构配置的修正直接分配算法(英文)

控制分配考虑期望控制量在冗余执行机构配置间的指令分配问题。本文基于执行机构的可达集提出一种修正直接分配新算法,重点解决该类算法的分配效率问题,并与修正伪逆再分配法、基于单纯形法求解的直接分配法线性规划模型以及次梯度优化算法进行对比分析。为减少原始直接分配法的离线计算时间,提出基于执行机构安装矩阵的零空间构建可达集信息,使离线计算时间在执行机构数目小于10时优于传统基于行空间的构建方法。在线计算中,提出基于单位可达集顶点信息寻找与期望控制量射线方向临近的可达集表面,从而缩小搜索范围、降低在线计算时间。仿真结果表明:修正算法不显著增加离线数据存储量,并将在执行机构数目小于10时至少降低32.22%的离线计算时间;在线计算中,其平均在线时间较对比算法均有大幅提高;在高度冗余控制分配问题中,修正算法将具有更大优势。     

固定翼无人机编队的启发分布式模型预测控制

针对无人机编队飞行控制中队形保持、路径规划、重构、防撞等多重功能需求,采用启发型分布式模型预测控制框架,将需求转化为多目标优化问题中的代价函数与相容性约束求解,实现了对无人机编队飞行的一体化控制.同时,采用分阶段式的轨迹规划算法,融合模型预测轨迹规划与多项式轨迹规划,利用多项式轨迹系数实现高效的邻居轨迹信息交互,从而增大了模型预测控制的预测范围,并降低了规划控制过程中的计算量与通信量.最后,通过9架无人机的协同避障编队仿真,证明了该方法的有效性.     

飞行冲突下改航模型和算法研究

为解决飞行冲突下的改航问题,将不具备优先权的飞机看成是沿预定航路动态移动的威胁体,其保护区即看作该威胁体的威胁区域,建立改进的威胁概率模型——两机冲突概率模型,以确定其临界圆。在考虑改航偏离预定航路飞行代价的基础上,建立了改进的改航模型。针对三种飞行冲突分别给出了相应的改航最优路径规划分析。基于最短航程设计了相应的启发式算法,并对两种场景进行算例仿真。仿真结果表明,该模型和算法是有效可行的,可以很好地处理这类改航问题,为飞行冲突下的飞机规划出相对安全经济的改航路径,以及时解脱飞行冲突。     

基于事件触发的异构多智能体最优包含控制

针对异构多智能体系统的输出包含控制问题，提出一种基于边的事件触发最优控制协议，保证所有跟随者的输出能进入到由领航者的输出所形成的凸包中。同时，使系统达到最优性能，最小化控制代价。考虑到不是所有的跟随者都可获得领航者的信息，提出一种基于边的分布式事件触发观测器，估计领航者输出形成的凸包内点的轨迹。设计加权代价函数评价包含控制的性能，并将输出包含问题转化为最优状态反馈控制设计问题。利用贝尔曼方程和黎卡提方程，给出异构多智能体系统最优输出包含控制的参数设计。选择不同类型的机器人构成多智能体系统，验证算法的有效性。     

直接优化算法在快速交会组合变轨策略中的应用

快速交会远程导引段轨道机动过程中,交会时间受限、考虑测控约束的最小燃料消耗脉冲交会属于多变量优化问题,需要建立一种混合的优化算法对问题求解。建立了基于Lambert双脉冲的多脉冲快速变轨策略模型,给出一种三步串行的混合智能优化算法对模型进行求解。首先利用粒子群算法搜到全局最优解的近似解;然后以全局最优解的近似解作为二体模型的初解,用序列二次规划算法对全局最优解的近似解进行局部优化,所得解为精度较高的精确解;最后以二体模型下所得的解为初值,用最小二乘法解非线性摄动约束的快速交会问题。使用三步串行的混合优化算法对基于轨道要素的变轨策略进行仿真验证与分析。仿真结果表明,该算法能够规划出椭圆轨道到圆轨道共面、两椭圆轨道异面以及考虑测控约束情况下的快速交会轨道机动策略。     

信息联网下的多无人作战飞机多任务规划

针对信息联网条件下多无人作战飞机的多任务规划问题展开研究。提出信息联网的概念,介绍了单架无人作战飞机单个目标的路径规划算法和信息联网所包含的威胁联网和任务联网任务规划的代价计算,并由此构建了多无人作战飞机多任务规划的代价计算模型,设计了整数编码和遗传算子,运用遗传算法对任务路径进行仿真,仿真结果表明了所提出方法的正确性和可行性。     

基于多智能体混合学习的多星协同动态任务规划算法(英文)

针对多星协同动态任务规划问题,以往多采用基于启发式的重规划算法,但是由于启发式策略依赖于具体任务,使得优化性受到影响。注意到协同规划的历史信息对后续协同规划的影响,本文提出了一种基于策略迭代的多智能体强化学习和迁移学习的混合学习算法求解该问题近似最优策略。本文的多智能体强化学习方法利用神经网络描述各颗卫星的强化学习策略,通过协同进化的方法迭代搜索具有最优拓扑结构和连接权重的策略神经网络个体。针对随机出现的观测任务请求导致历史学习策略失效,通过迁移学习将历史学习策略转换为当前初始策略,保证规划质量前提下加快多星协同任务规划速度。仿真实验及分析结果表明本文算法对动态随机出现的任务请求有良好的适应性。     

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%。     

运载火箭动力故障下的自主救援轨道规划

针对运载火箭上升段出现动力下降故障的问题,提出了一种基于二阶锥规划方法的在线救援轨道规划策略与飞行轨迹重构算法。根据故障大小设置不同的终端条件,规划合适的救援轨道;同时为了方便求解,设计了新的控制量,然后采用逐次凸化、线性化和梯形离散等方法,将原始规划问题转化为序列迭代求解的二阶锥规划问题。仿真结果表明,所提策略及算法能够满足动力系统故障后的在线救援轨道规划和飞行轨迹重构需求。     

基于威胁评估和扩展Voronoi图的战术飞行轨迹规划方法

针对目前各种基于Voronoi图的路径规划方法在威胁处理过程中存在的问题,提出了一种基于威胁评估和扩展Voronoi图的战术飞行轨迹规划方法。建立了基于贝叶斯网络和模糊逻辑的威胁源威胁度和路径威胁度评估模型,在此基础上建立包括路径威胁度和燃油在内的最优路径代价计算模型。结合扩展Voronoi图的路径生成方法以及Dijkstra路径规划算法,得到了从飞行起点到目标点的能够适应战场态势变化的最小代价路径。最后利用κ-Trajectory路径圆滑算法,得到了与所规划路径等长的圆滑可飞的最优路径。仿真结果验证了所提方法的可行性和有效性。     

基于空闲时间窗和多Agent的A-SMGCS航空器滑行路由规划

先进场面活动引导与控制系统(A-SMGCS)中的航空器滑行路由规划是一个典型NP难题。为解决航空器滑行路由规划的优化性和计算量之间的矛盾,提出一种基于空闲时间窗的路由规划方法,并利用多Agent系统(MAS)进行算法求解。首先,建立滑行资源图以对场面滑行区进行建模。其次,按照航班计划为航空器设置滑行优先级,并按优先级顺序依次规划路由,后规划的路由不破坏已有路由,即利用滑行路段的空闲时间窗进行规划。每次只需为一架航空器规划滑行路由,降低了问题的求解难度;通过搜索空闲时间窗获得路由使场面交通均衡分布,保证了路由规划的整体优化性。分析了空闲时间窗特性,指出空闲时间窗的可达性条件和避免同步资源交换冲突的条件。最后,设计MAS,把建立、维护和搜索空闲时间窗图的复杂集中式求解过程简化为通过路由管理Agent,航空器Agent和资源节点Agent相互协作实现对场面路由规划问题的分布式求解。仿真结果表明,设计的MAS能够快速找到空闲时间窗中的最优解;与固定预选滑行路径算法相比,航空器的平均滑行时间显著减少,最多可以节省19.6%的滑行时间。     

具有通信约束的分布式SOR多智能体轨迹估计算法

针对传统多智能体轨迹估计算法信息交换量大，计算量随群规模指数增长，可扩展性差等诸多不足，提出了一种基于超松弛迭代（SOR）的分布式多智能体轨迹估计算法，通过将最大似然（ML）准则下的轨迹估计转化为两级线性优化问题，并综合利用分布式超松弛迭代（Distributed SOR）和标记初始化方法，加快求解速度并简化信息交换流程，最终实现了多智能体位姿轨迹优化和协作定位。实验表明，所提的分布式方法能达到集中式算法的精度水平，在49个智能体规模条件下，位置估计误差小于0.15 m，姿态估计误差小于0.03°，且数据交换量仅到现有主流分布式方法DDF-SAM的0.06%，能很好用于大规模集群的场景。     

基于蜂群算法的飞机滑行路径优化

研究了飞机场面滑行路径动态规划问题,将三种滑行冲突作为约束条件,建立了场面运行模块化模型。基于蜂群算法给出了问题的优化算法,并进行了计算机仿真实验,结果表明可以大大减少滑行时间。算法既可以用于滑行路径的动态规划,也可以为繁忙机场的安全运行提供决策支持。     

基于融合算法的航空发动机涡轮前温度最优控制

涡轮前温度是航空发动机的关键控制参数之一，在保持发动机推力不变的前提下，降低涡轮前温度可以有效提高发动机使用寿命，涡轮前温度最优控制是降低涡轮前温度的有效技术途径。本文研究了航空发动机涡轮进口温度的在线优化问题，并根据该优化问题的特点，提出了一种基于小生境遗传算法（NGA）与非线性规划（NLPQL）相结合的混合优化算法。数值仿真研究结果表明，虽然NLPQL计算速度快，但对涡轮进口温度的降低效果较差，NGA具有全局收敛能力，优化效果较好，但计算耗时较长。NGA和NGA-NLPQL混合算法在飞机全飞行包线内可分别降低涡轮前温度27.35K和27.19K，但与NGA相比，NGA-NLPQL混合算法节省了74.6%的计算时间。因此，所提出的NGA-NLPQL混合算法是一种效果更好、实时性更优的航空发动机涡轮前温度在线优化方法。     

基于多智能体强化学习的空间机械臂轨迹规划

针对某型六自由度（DOF）空间漂浮机械臂对运动目标捕捉场景,开展了基于深度强化学习的在线轨迹规划方法研究。首先给出了机械臂DH （Denavit-Hartenberg）模型,考虑组合体力学耦合特性建立了多刚体运动学和动力学模型。然后提出了一种改进深度确定性策略梯度算法,以各关节为决策智能体建立了多智能体自学习系统。而后建立了"线下集中学习,线上分布执行"的空间机械臂对匀速直线运动目标捕捉训练系统,构建以目标相对距离和总操作时间为参数的奖励函数。最后通过数学仿真验证,实现了机械臂对各向匀速运动目标的快速捕捉,平均完成耗时5.4 s。与传统基于随机采样的规划算法对比,本文提出的自主决策运动规划方法求解速度和鲁棒性更优。