基于人机合作的无人机实时航迹规划

针对复杂多变的战场环境,无人机(UAV)在执行任务遇到突发威胁时,提出了一种人机合作的实时航迹规划方法。由人决策和分析威胁信息,给出规避方向和任务紧急程度,无人机据此采用模糊推理的方法,自主解算得到引导点的位置,牵引无人机改变航向,规避突发威胁。仿真结果表明,采用人机合作的实时航迹规划可以将人的智能决策和无人机的快速计算能力有机结合起来,规划更加优化的航迹,能动态调整引导点的位置,可根据任务的紧急程度灵活选择规避路径。     

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.     

基于诱导航线的多无人机编队飞行控制方法

针对无人机编队飞行控制问题,提出了一种基于诱导航线的协同控制方法,僚机根据当前相对于期望位置的误差和长机的飞行状态生成诱导航线并进行跟踪;针对飞行过程中的突发障碍采用改变编队队形的方法进行规避;针对无人机之间可能出现的碰撞情况,根据无人机到达碰撞点的时间以及位置分别从高度以及航向两方面进行躲避,仿真结果表明:采用此方法无人机能够保持稳定的编队,并同时能够躲避飞行过程中的障碍以及避免飞机之间的碰撞。      

基于HMDP的无人机三维路径规划

路径规划是UAV(Unmanned Aerial Vehicle)自主飞行的重要保障.初步建立了基于MDP(Markov Decision Processes)的全局路径规划模型,把UAV的路径规划看作是给定环境模型和奖惩原则的情况下,寻求最优策略的问题;为解决算法时空开销大、UAV航向改变频繁的缺点,提出一种基于状态聚类方法的HMDP(Hierarchical Markov Decision Processes)模型,并将其拓展到三维规划中.仿真实验证明:这种简单的规划模型可以有效解决UAV的三维全局路径规划问题,为其在实际飞行中的局部规划奠定了基础.     

三维真实地形环境下无人机救援航路规划方法

利用无人机(UAV)的三维飞行能力,采用优化方法规划路径,能够使其在救援任务中比地面车辆以更短的时间到达救援区域,提高救援效率.针对真实的地理环境,根据无人机约束采用均匀化网格方法进行地形建模,之后根据地形数据的特点设计适合数学计算与求解的数据结构.最后设计了包含偏离代价、高度代价、地形跟随/回避代价、威胁代价和安全距离代价的综合性能指标函数,并采用航路点交叉和网格搜索代替航路点搜索的方法,对蚁群算法进行改进完成航路规划.仿真结果表明:本文方法能够直接处理三维地形数据,在保持地貌的前提下,完成了无人机的三维航路规划任务,得到满足无人机约束的三维最优航路,提高了航路规划方法的实用价值.      

面向多威胁的无人机智能目标跟随策略设计

随着无人机(UAV)一体化作战的不断发展,无人机在搜索到运动目标之后,需要立即转入跟随模式,考虑到战场环境的复杂性,研究了在多个威胁源条件下无人机跟随运动目标的问题,为了保证无人机的安全性以及跟随目标的精确性,提出了一种基于决策树的无人机智能目标跟随策略。首先对威胁概率图(TPM)进行建模;然后采用几何图法及任务优先级生成不同的规则,建立相应的决策树,并设计了不同规则下无人机飞行航向及速度指令;最后通过仿真验证所提出的智能目标跟随策略的有效性。      

基于动态流体扰动原理的三维滚动航路规划

针对复杂环境中存在运动目标、移动威胁与突发威胁等多种情况,将动态流体扰动算法与滚动优化策略相结合,进行无人机(UAV)三维动态航路规划.基于移动目标运动信息与威胁运动信息引入相对初始流场,用扰动矩阵量化表示障碍物或威胁对相对初始流场的扰动影响,计算相对扰动流场,进而得到实际流场流线即无人机规划航路.充分利用实时环境信息,综合考虑未来运动态势,在有限时域内采用动态流体扰动算法规划出可选航路,然后构建目标函数,滚动优化反应系数,实现在线航路规划.仿真结果表明,该算法能较好地适用于复杂动态环境.      

无人机自主降落地基/舰基引导方法综述

近年来,随着自主控制技术与任务载荷的快速发展,越来越多的无人机(UAV)具备了良好的任务自主能力。在执行任务过程中,降落阶段的安全风险最大,导航定位精度较差、人员决策失误等是造成降落过程中事故多发的主要原因。通过总结无人机自主降落过程中对引导控制的需求,对国内外无人机军用和民用自主降落解决方案进行了梳理和介绍,对无人机自主降落关键技术和研究现状进行了分析,提出了该领域未来发展的重点方向。      

动态环境中的无人机路径规划方法

为了解决动态环境中的路径规划问题,提出了一种引入时间轴的方法.在构型空间的基础上引入时间轴,将构型空间扩展为构型-时间空间,在构型-时间空间中可以表示动态障碍物所有时刻的位置.在路径生成阶段,提出了一种改进的蚁群算法,将方向信息作为启发信息引入蚁群算法中,使蚂蚁在初始搜索路径时更有针对性.仿真结果表明:构型-时间空间可以解决动态环境的表示问题,改进蚁群算法可以更快地收敛到全局最优解.      

一种改进的UAV三维航迹实时规划算法

航迹规划对于战场环境中无人机完成其作战任务具有非常重要的意义.针对真实战场环境中低空无人机的三维航迹实时规划问题,构建了一个更加真实的战场威胁精简模型;提出遗传个体的基因优劣对比度,改进一种共享小生境遗传算法中编码基因的遗传特性.经过改进,增大优化基因的遗传概率,实现提高小生境遗传算法的全局优化能力和收敛速度,增强航迹规划的实时性.对三维数字地形空间进行定长网格编码,将改进的小生境遗传算法应用于三维虚拟战场环境中的无人机航迹规划,实验验证了改进算法的有效性,并能满足在线航迹规划的实时性要求.     

复杂低空物流无人机路径规划

针对复杂低空物流无人机路径规划问题,考虑空域环境、运输任务等内外限制,以飞行时间、能耗及危险度最小为目标函数,建立多限制条件物流无人机路径规划模型,设计启发算法以快速解算路径。采用栅格法对规划环境表征,引入物流无人机性能约束确保路径可飞。针对A*算法存在的问题及物流无人机航空运输特色,引入栅格危险度因子、货物质量惩罚系数,增加飞行时间、能耗等代价以提升避障能力、降低成本。为匹配所提启发算法解算效率与精度,采用动态加权法对函数赋权。为筛除冗余路径点及保证平稳飞行,采用双向交叉判断法等对原路径优化平滑。为验证所提路径规划模型及启发算法的有效性,对比4种算法规划结果,分析栅格粒度大小与代价权重值对结果的影响。在既定的运输环境及物流无人机性能约束下,研究结果表明:所提算法与A*算法相比,保证了物流无人机飞行安全、能耗少,将飞行时间由406 s降至386 s,降低了5%;飞行路径点数为129个、栅格危险度因子为11.69,降低了姿态改变次数,保证了运输安全;当栅格粒度大小为5 m,代价权重值为0.4、0.1、0.5时,采用所提算法规划的路径最佳。      

未知环境下无人机集群协同区域搜索算法

针对无人机集群在无先验信息的未知环境中协同搜索的问题,提出了一种以覆盖率为实时搜索奖励的无人机集群协同区域搜索算法。首先建立覆盖分布地图（CDM）来描述任务环境,并采用Hadamard积实现CDM的快速更新,继而基于CDM计算覆盖率来定量描述实时搜索效果。将无人机集群视为一个控制系统,基于分布式模型预测控制理论建立系统的预测模型,并将预测周期内最大覆盖率增量设为奖励函数,采用差分进化算法进行求解,得到最优解作为系统的最优输入。仿真结果表明,所提算法能够对区域进行覆盖搜索,在出现突发情况时,覆盖率远高于平行搜索方法。      

Hierarchical scheduling for real-time agile satellite task scheduling in a dynamic environment

The imaging processes of optical satellites can be easily affected by unexpected environmental changes, such as changes in cloud coverage. Given the difficulty to predict environmental uncertainties, traditional offline scheduling methods need a follow-up re-scheduling process that responds to real-time environmental information. This repetitive scheduling processes make the offline fine scheduling process a waste of computational resources. Additionally, the offline scheduling method is quite complex owing to its lack of a hierarchy mechanism. To solve these problems, we propose a hierarchical scheduling method for the real-time scheduling problem. This method divides the scheduling process into three steps: pre-assignment, rough scheduling, and fine scheduling. A hierarchical scheduling algorithm based on ant colony algorithm is proposed. Tests with 36 scenarios show that the calculation time is efficiently reduced with this new mechanism. With this consideration of the dynamic environment, the re-scheduling process becomes unnecessary, meaning the wasting of computational resources is avoided and the solution profit is improved.