无人机跟踪运动目标航迹规划算法

对无人机跟踪运动目标的原理进行了分析,设计了跟踪系统的动力学模型,提出了一种基于切线法的航迹规划算法。在动力学约束条件下实现了对无人机的航迹、速度、加速度等的最优控制,从而解决了无人机跟踪运动目标问题,并给出了算法的具体设计步骤。仿真结果表明,该算法能够快速、有效地为无人机规划出跟踪运动目标的最优航迹。     

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。     

基于改进人工蜂群算法的无人机实时航迹规划

为了适应现代战争战场环境的复杂性,针对所建立的突发威胁模型,提出了一种基于改进人工蜂群算法的无人机航迹规划方法,对无人机进行动态航迹寻优,并通过MATLAB进行了仿真验证。仿真结果表明,所设计的方法能够根据实时出现的威胁状况进行动态航迹规划、评价和选优,同时满足实时性要求。     

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。     

基于遗传模拟退火算法的无人机航迹规划

航迹规划技术是无人机任务规划系统中重要的核心技术之一,无人机飞行空间广阔,需要一种快速搜索最佳路径的方法.首先在飞行区域中建立数字地图模型和防空威胁区模型,在满足无人机飞行约束条件的情况下,为无人机航迹规划提供一种遗传模拟退火算法,充分利用模拟退化算法的概率突跳特性和遗传算法强大的快速搜索能力.仿真结果表明,使用该算法无人机能够自动避开模拟数字地图的威胁区,搜索出一条安全有效航迹,并保证航线的完整性和最优性.     

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.     

有人-无人机协同空战机动决策研究

目前，有关无人机空战的研究主要考虑无人机的完全自主决策机动算法，关于有人机有限监督决策下的空战机动决策的研究鲜有报道，更缺乏对有人—无人机协同作战的研究。为实现无人机协同空战过程中的自主机动，设计一种基于路径规划技术的有人—无人机协同空战机动决策模型。首先，引入动态栅格环境，自适应调整栅格规模和分辨率，以弥补静态栅格环境规划空间越大规划效率越低的缺陷；然后，将A star 算法规划路径作为参考路径，提出ACO-A star 混合路径规划算法，以提升ACO 算法的寻优效能；最后，基于均值聚类算法设计有人—无人机协同空战机动决策算法。进行空战对抗仿真模拟，结果表明：所提出的算法具有更好的决策正确性，可有效提升空战胜率。     

集群无人机队形重构及虚拟仿真验证

队形重构是集群无人机（UAV）控制的重要问题，指无人机按照要求安全、无碰撞地从一个队形变换到另一个队形，其难点在于快速规划最优安全轨迹并控制无人机进行轨迹姿态的高精度跟踪。针对集群无人机队形重构的上述问题，首先，基于CAPT（Concurrent Assignment and Planning of Trajectories）算法，解决了多无人机的目标分配和轨迹生成的实时性问题，实现了集群无人机的最优安全路径规划；其次，提出一种有限时间多变量积分滑模连续控制算法，解决了无人机轨迹姿态的高精度跟踪问题，并通过MATLAB仿真验证了该控制算法的有效性；最后，为了更加真实直观地演示无人机三维仿真效果，建立了基于Gazebo-ROS的无人机仿真平台，实现了12架四旋翼无人机队形重构"建模-仿真-可视化"的一体化仿真演示，验证了上述路径规划算法和轨迹姿态控制算法的有效性。     

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。     

基于混沌蚁狮算法的无人机航迹规划

针对无人机在复杂战场环境下的最优航迹规划问题,提出了一种基于混沌蚁狮算法(CALO)的无人机航迹规划方法。对航迹规划问题进行了描述,建立了数学模型,将传统蚁狮算法中蚂蚁随机游走的行为和混沌算子结合,与蚁狮形成了全局、局部并行搜索模式,提高了算法寻找全局最优值的能力。在两种威胁环境下进行了仿真试验,搜索维度分别为10和20,并与经典人工蜂群算法(ABC)、传统蚁狮算法(ALO)、灰狼算法(GWO)进行对比,最后通过收敛曲线对仿真结果进行了统计分析。仿真结果验证了CALO算法在解决无人机航迹规划问题时的有效性和可行性。     

启发式多无人机协同路网持续监视轨迹规划

研究了旋翼无人机组在路网环境下的协同持续监视问题。基于最优化原理定义了路网持续监视问题。通过简化路网离散过程、考虑传感器识别准确度、引入不确定度度量,提出面向事件的路网持续监视问题建模方法。针对路网持续监视轨迹规划问题的特殊性,设计了一种启发式多无人机协同轨迹规划算法。通过理论分析和仿真对比,表明了算法的可行性、准确性和通用性。所提算法作为对当前路网巡逻方法的扩充,不仅可解决实际路网移动持续监视任务,也为基于图模型的持续数据采集、连续覆盖等任务提供一种解决方案。     

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.     

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APSO-BP神经网络的无人机空地作战效能评估研究

针对无人机空地作战效能评估问题,提出了基于自适应粒子群算法(APSO)优化反向传播神经网络(BPNN)的无人机空地作战效能评估方法。首先介绍了APSO算法和BP神经网络的基本原理和算法流程;然后对无人机空地作战效能评估的主要影响因素进行分析,归纳总结了无人机空地作战效能评估的指标体系,接着构建了APSO-BP神经网络评估模型;最后对评估模型进行了仿真验证。仿真结果表明,该模型可以准确有效地对无人机空地作战效能进行评估。     

城市风场环境中的无人机快速航迹规划方法

密集的城市障碍环境以及复杂的城市风场干扰对航迹规划的实时性和航迹跟踪的准确性提出了严格要求,为此提出一种城市风场环境中的小型无人机(UAVs)快速航迹规划方法。首先,为了保证航迹规划的高效性,对固定翼无人机运动学方程进行了合理简化。其次,由于障碍环境中的最优航迹难以直接完全塑造,因此根据状态受限的最优控制理论给出了可以使用螺旋线与直线构建近似最优航迹的结论,并据此提出了一种针对城市环境的三维航迹规划方法。然后,通过对无人机运动学模型的分析,从规划角度提出了风场干扰下的航迹设计准则。仿真实验中,首先通过算法对比实验,验证了航迹规划方法的高效性;然后使用六自由度(DOF)飞机模型分别在无风场干扰和有风场干扰的环境下进行了航迹跟踪实验,实验结果证明了风场干扰下航迹设计准则的有效性。     

一种无人机局部路径重规划算法研究

提出了一种突发威胁体下无人机局部路径重规划的算法。首先根据不同威胁体的分布情况构造无人机的可飞航路集,用“改进型V orono i图”表示出来,采用D ijkstra算法求解初始粗略最短路径。在无人机飞行过程中,通过基于混合动态贝叶斯网络的切换线性动态系统模型感知环境,应用V iterb i解码算法确定突发威胁体的实时位置及威胁等级,再依据局部路径重规划原则进行寻优,最后应用三次平滑及序列二次规划方法获得实际可飞路径,并用M atlab仿真验证了算法的有效性。     

基于改进遗传算法的多无人机路径规划

对多无人机在动态环境下的路径规划问题进行了分析与建模,模型将无人机区分为就绪、工作、返航、失控4种状态;考虑了机群工作效率和威胁区域的生存概率,提出一种基于改进遗传算法的多无人机的路径规划方法。方法设计了新的编码、解码方法和具有明确物理意义的适应度评价函数,以加快实时的运算速度和提高运算精度。通过计算机仿真表明方法具有良好的多无人机动态路径规划能力。     

基于混沌灰狼优化的多无人机协同航路规划

针对多无人机协同执行饱和攻击任务的时空约束,本文提出了基于混沌灰狼优化的离线航路规划方法,实现了多无人机协同航路的有效生成。首先,针对饱和攻击任务的特点进行分析,将具有时空约束的多无人机同时到达问题转化为协同航程问题;其次,针对将混沌映射引入灰狼优化算法中,提出了混沌灰狼优化算法,以提高原算法的探索能力和收敛速度;最后,提出了基于几何规划的航点扩展策略,从而构造出满足任务攻击时间与攻击方位要求的航点序列。通过对单无人机航路规划问题的仿真验证了改进算法的寻优能力;通过对面向饱和攻击任务的航路规划仿真验证了所提方法的可行性和有效性。     

基于导向强化Q学习的无人机路径规划

随着无人机的广泛应用,其飞行能耗和计算能力面临着瓶颈问题,因此无人机路径规划研究越来越重要。很多情况下,无人机并不能提前获得目标点的确切位置和环境信息,往往无法规划出一条有效的飞行路径。针对这一问题,提出了基于导向强化Q学习的无人机路径规划方法,该方法利用接收信号强度定义回报值,并通过Q学习算法不断优化路径;提出"导向强化"的原则,加快了学习算法的收敛速度。仿真结果表明,该方法能够实现无人机的自主导航和快速路径规划,与传统算法相比,大大减少了迭代次数,能够获得更短的规划路径。