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。     

无人机航迹规划算法

无人机是现代战场实施侦察、打击的有力武器,它的发展备受关注。无人机航迹规划源于机器人运动规划,它是无人机应用研究的核心内容,对提高无人机系统在复杂战场的作战能力起着关键作用。无人机战场环境日益复杂,在强拒止、强电磁环境下,航迹规划对自主性和智能化有更高的要求,传统单一约束的算法已不能满足现今的战场需求。文章系统梳理了 5类无人机航迹规划算法中的几种常用算法及其改进算法,归纳了这些算法的原理、优缺点及适用条件,指出现阶段存在的问题与无人机航迹规划算法面临的挑战。综述表明,航迹规划算法必然向着智能化发展,自主识别和智能决策是改进、优化算法的关键。     

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。     

用于无人机三维航迹规划改进连接型快速扩展随机树算法

无人机的广泛应用,使得航迹规划成为研究的热点。很多算法由于模型简单或规划方法低效,难以有效应用于复杂条件下的航迹规划问题,从而提出一种求解该问题的改进连接型双向快速扩展随机树(RRTConnect)算法。首先,建立无人机航迹规划问题的数学模型;然后,采用RRT-Connect算法求解上述模型时,提出六种生成随机节点的改进策略;最后,将改进的RRT-Connect算法应用于有雷暴威胁的无人机三维航迹规划问题,并与已有的RRT算法和RRT-Connect算法进行对比。结果表明:采用本文提出的方法能够高效的生成可行的无人机航迹。     

无人机航迹规划技术研究及发展趋势

通过对无人机航迹规划的研究,构建了无人机航迹规划的结构框架;分析了无人机系统约束及威胁场约束,探讨了无人机航迹几何建模方法及规划算法的国内外研究概况;并着重分析了规划算法。最后,阐述了无人机航迹规划面临的关键问题及发展趋势。     

一种改进的快速扩展随机树航迹规划算法

针对现有航迹规划算法缺乏同时具备快速性和最优性的问题,本文提出了一种新的无人机航迹规划算法,在快速扩展随机树算法基础上,引入一个方向参数,并采用Dijkstra算法对改进算法产生的冗余节点进行处理,得到了一条优化的航迹。最后采用K航迹法进行航迹平滑处理,使得规划的航迹成为无人机的可飞航路。仿真结果表明,该算法能够在有效提高航迹产生速度的同时,可以得到近似最优的航迹。     

基于改进粒子群算法的旋翼无人机三维航迹规划

针对标准粒子群算法因为惯性因子固定导致航迹规划不理想,以及固定斜率粒子群算法惯性因子斜率调节不灵活的问题,在算法中引入折线斜率惯性因子形式,使其斜率根据需要可以进行灵活调节,提高算法对旋翼无人机三维航迹的规划成功率,且减小航迹长度。首先,根据旋翼无人机实际飞行环境建立三维果园环境模型,根据路径长度、躲避障碍、飞行范围和航迹高度范围来构造适应度函数;然后,分析了标准和固定斜率粒子群算法的原理,找到了算法的缺陷,对其进行了改进,并给出了详细的实现步骤。数据对比显示：在进行旋翼无人机三维航迹规划时,相比于其他两种粒子群算法,折线粒子群算法对于航迹规划的成功率和航迹长度有明显改善。     

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。     

无人飞行器航迹规划方法综述

首先从不同角度给出航迹规划的两种定义,把航迹规划问题拆分为规划空间、航迹表示、约束条件、目标函数、规划算法五个子问题,提出了适用于各类无人飞行器航迹规划问题分析求解的过程模型。对规划空间构造方法、目标函数、规划算法进行分类比较,并给出每种方法的优、缺点及适用范围,辅助规划人员针对具体需求快速明确规划思路并选择算法。最后指出了航迹规划未来面临的新问题、新挑战。     

突防飞行与多区域搜索一体化侦察航迹规划

针对战场环境下无人机的侦察路径规划问题，首先设计突防飞行与多目标区域搜索的一体化侦察航迹规划策略。然后针对侦察任务中的突防问题，在传统快速扩展随机树(RRT)的改进算法基础上，提出一种基于改进RRT^*的无人机突防航迹规划方法，通过设计目标偏置算法解决了传统RRT算法采样点随机性大、收敛速度慢等问题。针对侦察任务中的目标搜索问题，使用改进的旋转卡壳路径规划器(RCPP)进行覆盖式航迹规划，提高了搜索覆盖率。最终通过对比仿真试验，验证了所提出算法的优越性，以及算法应用于战场侦察任务的有效性。     

飞行器航迹规划算法综述

首先给出了飞行器航迹规划的概念和问题描述对航迹规划算法中的轨迹优化、路径规划和基于类比的航迹规划进行了分类介绍，其次对多飞行器编队航迹规划的两种控制方式进行了简单说明．最后指出了航迹规划中需要进一步研究的问题。     

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。     

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HPSO-W算法的多机航迹协同规划方法

随着无人机应用愈加广泛,三维环境下多无人机航迹协同规划问题成为近年来的研究热点。针对多机协同航迹规划问题,基于应急物流任务环境与无人机性能约束,以全局安全运行综合代价最小为优化目标建立时空协同规划模型。考虑航迹规划中粒子群算法易陷入局部极值,后期收敛慢的缺点,提出一种基于狼群优化思想的混合改进粒子群算法HPSO-W。主要是先对粒子群算法参数进行优化,加入极值变异思想,并引入头狼召唤和优胜劣汰机制,平衡算法全局和局部搜索能力,加速后期收敛,避免局部阻滞,提高寻优性能。对比验证了HPSO-W算法的高效性,并通过实例验证了协同航迹规划方法的可行性与有效性。     

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自主航迹规划算法。该算法前期使用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而陷入局部最优解。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,本文提出的改进启发式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,具有一定的应用价值。     

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。     

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。     

突发威胁下的无人机航迹规划算法

针对无人机在执行任务过程中遭遇突发威胁的实时航迹规划问题,提出了一种基于动态规划的无人机实时航迹规划算法。采用切线法将问题转化为多阶段决策问题,通过动态规划法求出了问题的最优解,并通过航迹切换策略对生成的航迹进行了平滑处理。通过MATLAB进行了仿真验证,结果表明,该方法生成的航迹平滑、可飞,实现了无人机对突发威胁的合理规避,且满足无人机的机动性能及动力学限制,可直接应用于工程实践。     

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。