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.     

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。     

基于离散稀疏A*的无人机航路规划

在无人机飞行过程中,由于其自身的物理限制和战术使用要求,在进行航路规划时,需要考虑航路的机动约束条件.基于图搜索的航路规划算法通常是在离散地图上全方向搜索,没有考虑实时的航向角信息.针对该问题,分析了地理信息存储方式,采用正方形栅格模型构建无人机的规划空间,通过控制栅格间距来满足无人机的最小航路段长度约束,通过控制当前...     

基于改进RRT算法的无人机航路规划与跟踪方法研究

为了使航路规划算法在三维动态环境下能够快速规划出较优可行航路,基于快速扩展随机树算法(RRT),对规划航路点进行了无人机飞行动力学约束,并且设计了局部航路动态优化策略。针对传统的航路跟踪控制律跟踪较为曲折的航线时跟踪误差较大的问题,通过将规划算法得出的姿态指令引入姿态控制回路的方式,提高了航路跟踪控制算法的快速性与准确性。在此基础上,搭建了无人机验证平台,利用该验证平台完成了无人机自主避障飞行试验,对算法的有效性进行了验证,并对算法性能进行了评估。     

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.     

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。     

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。