无人机三维航路规划技术研究及发展趋势

由于搜索空间巨大,三维航迹规划一直是航迹规划中的难点,而无人机只有进行精确的三维航迹规划才能提高低空突防的成功率。本文描述了无人机在线航路规划的影响因素,分析了无人机动力学约束及威胁场约束,探讨了无人机航路几何建模方法及三维航路规划算法的研究概况,并着重分析了三维航路规划算法如禁忌搜索、人工势场法、粒子群优化算法、Dijkstra算法及A＊算法。最后,阐述了无人机三维航路规划面临的关键问题及发展趋势。     

基于改进蚁群算法的无人机三维航路规划

针对蚁群算法存在收敛速度慢,容易陷入局部最优而导致三维航路规划过程中出现规划时间过长、航路没有达到最优等问题,通过对蚁群算法进行改进,提出了一种天牛须融合改进蚁群的无人机航路规划优化算法,算法通过对蚁群算法的启发函数优化并进行蚁群择优排序,然后融合天牛须算法进行航路规划;将优化算法应用于无人机的三维航路规划中,使规划算法的运行速度更快,无人机的最优航路更短。同时用改进算法与天牛须、蚁群算法的收敛时间、最优路径长度进行对比。仿真实验结果表明,改进算法与另外两种算法相比,在算法收敛度、运行速度方面有明显的提升。     

多架无人机的协同攻击航路规划

针对多架无人机协同攻击同一目标问题,提出了一种航路规划方法.首先根据已知的导弹、雷达等威胁的位置,通过Voronoi图建立初始进入航路,并利用B样条曲线修正初始航路产生无人机可飞航路,然后对多架无人机的航路进行协同修正以满足协同攻击要求.最后对无人机的退出航路规划进行了研究分析,并结合具体问题进行了仿真检验.     

攻击型无人机航路规划系统分析

无人机航路规划系统就是根据战场中敌方阵地的威胁分布情况,采用分层的思想来协同多架无人机的航路,同时对无人机的作战资源进行合理分配,实现无人机的最大作战效能。     

无人机航路规划的研究

无人机的航路规划要求满足威胁回避和可飞性。采用分层的思想，基于Voronoi图产生初始航路，利用三次样条插值法平滑航路点产生无人机可飞航路，同时利用飞行过程中的信息来更新航路进行重规划。仿真结果表明了算法的有效性。     

基于蚁群算法的无人机航路规划

为了提高无人机(UAV)作战任务的成功率，在敌方防御区域内执行攻击任务前必须规划设计出高效的无人机飞行航路，保证无人机能够以最小的被发现概率及可接受的航程到达目标点。针对这一问题，对新近发展的蚁群算法进行了讨论，提出了适用于航路规划的优化方法，并对无人机的攻击任务航路进行了仿真计算。仿真结果表明，该方法是一种有效的航路规划方法。     

多无人机监控航路规划

为了提高监控任务的效率，在执行任务前必须规划设计出高效的无人机飞行航路。针对这一问题，考虑在任务区域内进行多无人机监控航路优化存在计算的复杂性和收敛性以及计算数据量限制等问题，采用分散式方法对监控航路进行了优化，并以无人机的监控任务为例提出了一种监控效率指标评估的计算方法，解决了航路规划中的监控效率量化问题。通过该方法得到的无人机监控任务的飞行航路可以有效地提高无人机的监控效率。     

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B样条曲线的无人机航路规划算法

提出了一种动态环境中无人机(UAV)航路规划与重规划算法。根据战场中各个已知威胁的位置建立可行点之间的有向图，用Dijkstra算法生成一条由若干直线段连接的参考航路，再利用B样条曲线具有C^2连续性、局部性、保凸性以及B样条曲线的曲率变化比较均匀的特点，对规划的参考航路进行修正和验证，使得规划航路对无人机安全可飞。当遇到突然出现的威胁时，可对航路进行局部重规划。     

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。     

无人机航迹规划算法的初步研究

航迹规划算法是无人机的关键技术之一,本文初步综述了近年来国内外在该领域的主要研究成果。首先给出了航迹规划的描述和涉及的关键问题,然后着重介绍了几种较为常用的规划算法,如A-Star算法、遗传算法、神经网络、Voronoi图、PRM(ProbabilisticRoadmap)、RRTs(RapidlyExploringRandomTrees)、人工势场法、基于案例的算法等,最后讨论了航迹规划算法存在的问题和面临的挑战,指出飞行中实时重规划的研究是航迹规划未来主要的发展方向。     

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。     

基于不同威胁体的无人作战飞机初始路径规划

 提出一种基于不同威胁体的路径规划新方法。从理论上建立了具有不同威胁体的局部空域路径选择原则,给出了根据不同威胁体建立相应路径图的步骤和方法。描述了基于图形模型的进化优化算法,并应用此算法进行了路径优化。进行了仿真验证,仿真结果表明,提出的路径规划方法不仅可行,而且有效地突破了原Voronoi 图只能对相同威胁体进行路径规划的局限。     

无人机自主控制发展趋势研究

根据无人机自主控制的定义与内涵,将无人机自主控制关键技术划分为态势感知技术、规划与协同技术、自主决策技术和执行任务技术,并针对这四项关键技术发展所涉及内容分别进行了层级研究,初步给出了我国无人机自主控制层级发展规划和层级发展趋势图,可以为我国建立无人机自主控制能力标准或者开展无人机自主控制研究项目提供参考.     

多无人机协同控制方法及应用研究

多无人机集群作战是未来战争的重要形式。作为集群作战中的关键技术,协同控制有着极为广泛的应用,例如多无人机编队飞行、协同侦查与集群攻击等。简述了多无人机集群作战的发展历程,归纳了集群作战过程中的关键技术,给出了协同控制方法的分类与体系结构。然后,从编队控制、合围控制、跟踪控制3个方面,总结了近年来国内外关于协同控制方法的研究成果。重点介绍了编队控制中的四种典型方法及相关应用,分析了各类编队控制方法的优缺点。最后对多无人机协同控制方法的未来发展方向进行了展望。     

基于合同机制的多UCAV分布式协同任务控制

 针对集中式控制的不足,采用基于合同机制的分布式控制方法对多无人作战飞机（UCAV）协同任务控制问题开展研究。设计了有限中央控制下的分布式控制体系结构,以支持UCAV在任务控制站的监控下实现不同级别上的自治。在通过合同网协议实现动态任务分配的基础上,建立条件合同机制对任务执行过程进行协调,提高了多UCAV协同作战的效能。采用时间约束网络对UCAV的任务计划进行量化表达,保证了多UCAV战术行为配合的准确实现。仿真结果验证了方法的有效性。