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。     

基于罚函数序列凸规划的多无人机轨迹规划

多无人机（UAVs）轨迹规划是具有非线性运动约束和非凸路径约束的最优控制问题。引入序列凸规划思想,将非凸最优控制问题近似为一系列凸优化子问题,并利用成熟的凸优化算法进行求解,以更好地权衡最优性和时效性。首先,建立了多无人机协同轨迹规划的非凸最优控制模型。然后,利用离散化和凸近似方法将其转换为凸优化问题,包括对无人机运动模型的线性化,以及对威胁规避约束和无人机碰撞约束的凸化。同时,提出了一种离散点间的威胁规避方法,保证无人机在离散轨迹点间的飞行安全。在凸优化模型的基础上,给出了基于罚函数序列凸规划求解多无人机轨迹规划的具体框架。最后,通过数值仿真验证了方法的有效性,结果表明该方法在多机轨迹规划结果的最优性和时效性都要优于伪谱法,而且优势随编队数量的增加而增大。     

多太阳能无人机覆盖路径优化方法

为解决传统电动无人机在覆盖作业时存在的续航时间短的问题,提出应用多架太阳能无人机进行覆盖作业。首先,在建立了应用于覆盖作业的太阳能无人机的能量模型的基础上,提出了能量流动效率这一指标来评价太阳能无人机在作业过程中对能量的利用率。其次,针对边界存在障碍物的凹多边形区域和内部含障碍物的多边形区域,以总作业完成时间最短为优化目标,提出基于无向图搜索方法的覆盖路径优化模型,定义约束方程限制无人机按照一定规则访问无向图中的节点,通过混合整数线性规划的方法求解每架无人机的最优飞行路径。再次,考虑无人机转弯时的姿态变化对能量流动效率的影响,将总作业完成时间最短和总能量流动效率最高同时作为优化目标,建立双目标优化方程,在首先以作业时间最短为优化目标进行求解的基础上,通过有限遍历的方式选择使能流效率和作业时间相对最优的覆盖飞行方向及飞行路径。大量仿真实验表明,所提的优化模型选取不同的优化目标,应用于不同形状的待覆盖区域,适用性广,在工程上应用范围广、可行性强。     

重访机制驱动的多无人机协同动目标搜索方法

为实现多无人机高效捕获灰色任务区域内的移动目标,考虑传感器探测概率与虚警概率,提出了重访机制驱动的协同搜索规划（RMD-CSP）方法,以降低目标遗漏与误判概率。考虑无人机飞行性能约束,以最大化任务执行效能为目标建立多无人机协同搜索模型。根据目标先验信息初始化环境搜索信息图（包括目标概率分布图、环境不确定度图与环境搜索状态图）,利用无人机实时探测信息,基于贝叶斯准则持续更新搜索信息图。定制基于环境不确定度更新的重访机制,通过增加长时间未被重访区域的环境不确定度,引导无人机搜索该区域,降低移动目标的遗漏概率;定制基于目标函数权重更新的重访机制,引导无人机快速重访发现新的疑似目标的区域,对疑似目标进行再次确认,减少由于传感器虚警概率造成的目标误判概率。采用滚动时域规划架构,将搜索规划问题分解为一系列短时域规划问题,提升了求解效率。在典型任务想定下,通过数值仿真试验验证了所提方法的有效性。仿真结果表明,RMD-CSP能够在秒级时间内生成每个时域的搜索航迹,相比于光栅式搜索方法与标准的概率启发式搜索方法,能够引导无人机捕获更多的移动目标,同时减少误判次数,有效提升了多无人机协同搜索的任务效能。     

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。     

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%。     

基于改进多元优化算法的动态路径规划

为满足动态路径规划实时性强和动态跟踪精度高的需求,提出一种基于能够同时发现并追踪多条最优以及次优路径的改进多元优化算法(IMOA)的求解方法。首先,通过利用贝赛尔曲线描述路径的方法把动态路径规划问题转化为动态优化问题;然后,把相似性检测操作引入到多元优化算法(MOA)中,增加算法同时跟踪多个不同最优以及次优解的概率;最后,用IMOA对贝赛尔曲线的控制点进行寻优。实验结果表明:当最优路径由于环境变化而变为非优或者不可行时,利用IMOA对多个最优以及次优解动态跟踪的特点,能够快速调整寻优策略对其他次优路径进行寻优以期望再次找到最优路径;其综合离线性能较其他方法也有一定的提高。因此,IMOA满足动态路径规划的实际需求,适用于解决动态环境中的路径规划问题。     

考虑运动学约束的不规则目标遗传避碰规划算法

 针对复杂环境下不规则目标的路径规划问题,提出了一种带有运动学约束的遗传避碰规划算法。以舰载机在航母甲板上的路径规划问题作为研究对象,并且该算法可推广至其他具有此类约束的路径规划问题中,它较好地解决了目标形状复杂、障碍环境复杂、目标运动时带有回转半径约束等特殊问题。在传统遗传路径规划算法的基础上,针对性地设计了三维位置和姿态混合编码、三段法路径解码、轨迹包围盒的碰撞检测及距离计算等方法,并在遗传操作中引入惩罚项和修补策略来辅助算法寻优。最后,为得出复杂环境下的最优路径,基于VC++平台对算法进行了仿真验证。结果表明,在复杂障碍环境下,本文提出的算法可求得最优避碰路径,并满足预先设定的目标回转半径约束,能够有效地解决此类目标的避碰路径规划问题。     

多无人机协同航迹规划技术研究

多无人机协同航迹规划是多无人机协同控制的重要组成部分。多无人机协同航迹规划能得到满足安全性、协同性和任务要求的较优航迹,这对提高无人机系统性能有重要的意义。介绍了多无人机协同航迹规划的问题描述和求解结构,总结了在协同规划问题中的约束条件和航迹协调方法,着重阐述了几种在多无人机编队中常用的控制方法。在此基础上,对未来可能的研究方向进行了展望。     

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%.     

基于流水避石原理的无人机三维航路规划方法

借鉴自然界流水避石现象,提出一种基于流体计算的无人机(UAV)三维(3D)航路规划方法.首先介绍了球心位于坐标原点时,球形障碍三维绕流问题的解析解.之后采用旋转平移矩阵与流线数据叠加方法生成了任意位置多障碍同时存在的三维流线.为验证解析解的有效性同时给出该方法基于数值模拟的计算过程,对适合无人机三维航路规划的流体模型和数值求解方法进行了分析,并给出了通过数值模拟求解航路的方法.最后,根据无人机机动约束对流线进行处理得到可飞航路,将航路长度、纵向和横侧向机动次数作为子目标函数对航路进行综合评价.仿真结果表明:解析法航路规划中,圆球障碍的地形建模简单计算量小,航路集中在由起点至终点的航路带间;数值法航路规划适合障碍分布复杂的地形,航路分布于规划空间中.这两种方法的航路平滑,能够满足无人机飞行约束,航路具有绕流意义的最优性,可以避免势场法的局部极小问题,并且可以提供多条备选航路.     

Coactive design of explainable agent-based task planning and deep reinforcement learning for human-UAVs teamwork

Unmanned Aerial Vehicles (UAVs) are useful in dangerous and dynamic tasks such as search-and-rescue, forest surveillance, and anti-terrorist operations. These tasks can be solved better through the collaboration of multiple UAVs under human supervision. However, it is still difficult for human to monitor, understand, predict and control the behaviors of the UAVs due to the task complexity as well as the black-box machine learning and planning algorithms being used. In this paper, the coactive design method is adopted to analyze the cognitive capabilities required for the tasks and design the interdependencies among the heterogeneous teammates of UAVs or human for coherent collaboration. Then, an agent-based task planner is proposed to automatically decompose a complex task into a sequence of explainable subtasks under constrains of resources, execution time, social rules and costs. Besides, a deep reinforcement learning approach is designed for the UAVs to learn optimal policies of a flocking behavior and a path planner that are easy for the human operator to understand and control. Finally, a mixed-initiative action selection mechanism is used to evaluate the learned policies as well as the human’s decisions. Experimental results demonstrate the effectiveness of the proposed methods.     

PDE solution to UAV/UGV trajectory planning problem by spatio-temporal estimation during wildfires

Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs) have been used in research and development community due to their strong potential in high-risk missions. One of the most important civilian implementations of UAV/UGV cooperative path planning is delivering medical or emergency supplies during disasters such as wildfires, the focus of this paper. However, wildfires themselves pose risk to the UAVs/UGVs and their paths should be planned to avert the risk as well as complete the mission. In this paper, wildfire growth is simulated using a coupled Partial Differential Equation (PDE) model, widely used in literature for modeling wildfires, in a grid environment with added process and measurement noise. Using principles of Proper Orthogonal Decomposition (POD), and with an appropriate choice of decomposition modes, a low-dimensional equivalent fire growth model is obtained for the deployment of the space–time Kalman Filtering (KF) paradigm for estimation of wildfires using simulated data. The KF paradigm is then used to estimate and predict the propagation of wildfire based on local data obtained from a camera mounted on the UAV. This information is then used to obtain a safe path for the UGV that needs to travel from an initial location to the final position while the UAV’s path is planned to gather information on wildfire. Path planning of both UAV and UGV is carried out using a PDE based method that allows incorporation of threats due to wildfire and other obstacles in the form of risk function. The results from numerical simulation are presented to validate the proposed estimation and path planning methods.     

Collision free 4D path planning for multiple UAVs based on spatial refined voting mechanism and PSO approach

In this paper, a four-dimensional coordinated path planning algorithm for multiple UAVs is proposed, in which time variable is taken into account for each UAV as well as collision free and obstacle avoidance. A Spatial Refined Voting Mechanism(SRVM) is designed for standard Particle Swarm Optimization(PSO) to overcome the defects of local optimal and slow convergence.For each generation candidate particle positions are recorded and an adaptive cube is formed with own adaptive side length to indicate occupied regions. Then space voting begins and is sorted based on voting results, whose centers with bigger voting counts are seen as sub-optimal positions. The average of all particles of corresponding dimensions are calculated as the refined solutions. A time coordination method is developed by generating specified candidate paths for every UAV, making them arrive the same destination with the same time consumption. A spatial-temporal collision avoidance technique is introduced to make collision free. Distance to destination is constructed to improve the searching accuracy and velocity of particles. In addition, the objective function is redesigned by considering the obstacle and threat avoidance, Estimated Time of Arrival(ETA), separation maintenance and UAV self-constraints. Experimental results prove the effectiveness and efficiency of the algorithm.     

应用自适应遗传算法进行参考航迹规划

 确定参考航迹是利用分层规划思想进行航迹规划时首先要解决的问题。针对参考航迹规划算法中全局最优和信息处理量之间的矛盾, 采用自适应遗传算法进行参考航迹规划。算法对飞行方向进行编码构造个体, 并在此基础上设计交叉和变异算子; 在进化过程中采用自适应交叉概率和变异概率。仿真结果表明, 该方法大大降低了信息的记忆和处理量, 并提高了遗传算法的全局寻优能力, 为突防飞行器提供满足战术要求的参考航迹。     

基于自适应粒子群优化算法的无人机三维航迹规划

针对传统的粒子群优化算法容易陷入局部最优解的问题,提出了一种自适应粒子群优化算法,在迭代寻优过程中自适应地调节惯性权重和2个学习因子的数值。建立了无人机在山区环境执行勘察任务的航迹规划环境模型,分析了无人机自身约束条件。设计了自适应粒子群优化算法的适应度函数和航迹规划算法流程。分别采用自适应粒子群优化算法和传统粒子群优化算法开展了无人机三维航迹规划仿真实验。仿真结果对比表明,所提出的自适应粒子群优化算法比传统粒子群优化算法具有更高的全局搜索能力和搜索精度。     

基于SAS算法的起飞一发失效应急路径规划方法

为解决起飞一发失效应急程序（EOSID）手动设计的不足,提出一种基于SRTM数据的稀疏A*搜索（SAS）算法的EOSID路径规划方法。首先采用航天飞机雷达地形测绘使命（SRTM）的网格地形数据,结合起飞一发失效相关规章,考虑爬升梯度与保护区限制确定可行搜索空间;然后基于可行搜索空间运用稀疏A*搜索算法搜索应急离场路径,在传统A*算法寻找扩展节点时加入起飞性能约束条件,同时利用地形高程数据进行地形和威胁回避,生成一条三维应急离场航迹;最后利用三次样条曲线对规划的应急离场航迹进行平滑处理。实验结果表明该方法能自动搜索出有效的EOSID三维航迹。     

燃料电池无人机能源管理与飞行状态耦合

开展了燃料电池/锂电池（简称燃锂）混合动力无人机的能源管理与飞行状态耦合研究。综合顶层飞行任务规划与底层能源系统管理,以动力系统模型为耦合点联立能源系统与无人机运动方程,建立能源状态与运动状态耦合模型。针对燃锂混合最紧密的爬升过程,以迎角、转速和燃料电池的放电功率作为控制变量,建立了燃料消耗最小的能源管理与航迹规划耦合最优控制问题,研究不同爬升高度对最优控制过程的影响,并与模糊控制能源管理策略进行对比分析。针对大功率短时爬升和小功率长时巡航的典型任务特点,建立了燃锂最优混合问题。研究了最优的锂电池容量和燃料电池功率水平的混合量,以及爬升和巡航两阶段最优功率分配和飞行状态,分析了不同巡航目标高度对最优混合量和飞行状态的影响。结果表明：采用能源与航迹耦合的最优控制策略在给出最优功率流分配的同时,能够很好地兼顾飞行状态控制;对燃锂混合和飞行状态的综合优化可以有效地处理爬升和巡航阶段的能源需求矛盾,在给出最优燃锂混合量和飞行状态的同时,降低整个任务过程的燃料消耗。     

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GA-OCPA学习系统的无人机路径规划方法

为解决未知空域中无人机路径规划方法实时性和适用性不足的问题,以生物应激条件反射理论为基础,将无人机实时路径规划类比为在外界条件刺激下的一种自学习行为。首先,将概率自动机与遗传算法相结合,设计了基于Skinner操作条件反射理论框架(GA-OCPA)的学习系统;然后,将无人机规避机动的飞行速度、滚转加速度和拉升加速度作为系统学习的行为,并计算每次学习尝试之后的选择概率和个体适应度,通过遗传算法搜索最优行为进而得到最优路径;最后,运用增量多层判别回归树(IHDR)对学习得到的最优行为建立知识库,形成威胁状态与路径规划的匹配映射。实验结果表明GA-OCPA学习系统对于无人机路径规划具备有效性和适用性。