基于改进A*算法的无人机动态航迹规划

在无人机航路规划问题的研究中,针对传统 A*算法在航路规划中的不足,提出了一种增加约束条件的广义搜索 A*算法,并将该算法应用到动态航路规划中。该算法在节点搜索中解决了 A*算法大空间搜索的复杂程度,而且用重新估价代价值来满足无人机的实时性,最后用平滑处理算法使规划的航路满足无人机的机动性能约束。仿真结果表明,该算法性能优于传统 A*算法,具有很好的实时性,适用于无人机航路规划的工程应用。     

改进A*算法的多约束航迹规划

针对当前航迹规划的研究偏于理论、规划效率不高的问题, 从工程应用出发, 分析了航迹规划的多种约束条件, 提出了一种多约束条件下的快速航迹规划方法, 设计了基于航向角有限离散变化思想的工程化搜索策略;改进了A*算法流程, 采用结构体链表式的最小二叉堆技术管理OPEN表和CLOSE表, 显著提高算法的规划效率;提出了删除航路点的航迹优化方法, 对传统A*算法和改进的算法分别进行了仿真。结果表明, 在多约束条件下, 该方法显著提高了规划效率。     

改进的动态A*-Q-Learning算法及其在无人机航迹规划中的应用

Q-Learning算法是一种基于价值函数的强化学习方法.传统的Q-Learning算法迭代效率低且容易陷入局部收敛,针对该劣势改进了算法,引入A*算法和动态搜索因子ε.将改进后的动态A*-Q-Learning算法应用于三维复杂环境下无人机的航迹规划,分析无人机航迹规划结果的回报函数、探索步数和运行效率.结果表明,改进...     

基于改进RRT算法的无人机航迹规划

为了提高无人机的作战效率,航迹规划系统必须为无人机设计出安全系数高,能量消耗少,处理时间短,同时还必须满足飞行器自身物理特性的威胁回避轨迹。基于上述研究目的,本文选择快速随机搜索树算法(RRT)作为迹规划航算法主体,结合Dijkstra算法改进了RRT算法,完成最小航迹代价飞行轨迹的设计。     

基于改进RRT算法的无人机航迹规划

针对快速扩展随机树（RRT）算法用于无人机自主在线航迹规划时,只能快速获得可行的航迹,无法获得接近于最短航迹的较优航迹的缺点,提出了一种改进的RRT算法.该算法将无人机动力学约束融入到节点扩展过程中,通过改进离随机采样点最近的根节点的选取策略和引入航迹距离约束,搜索树将沿着航迹距离较短的方向朝着目标点进行扩展,使得规划出来的航迹接近最优,并采用基于B样条曲线的航迹平滑方法生成平滑可跟踪的航迹.仿真结果表明该算法能够快速地搜索安全并且满足无人机动力学约束的较优航迹.     

改进RRT无人机航迹规划算法

针对RRT（快速扩展随机树）航迹规划算法在未知环境下缺乏较强目的导向性和偏离较优解的问题,提出基于引导向量的RRT与滚动规划窗口相结合的航迹规划方法.改进的RRT算法加入方向引导因子,限制节点扩展范围,增强RRT生长的目的性.采用对比择优扩展,生成多个可行解,通过比较得到较优解.计算机仿真实验结果表明,改进的RRT航迹规划算法在未知环境中能够很快收敛于较优解,该算法用于解决未知环境下的航迹规划问题是可行的.     

基于改进蚁群算法的无人机灾区航迹规划

针对传统蚁群算法用于无人机航迹规划时在大空间多维数转弯次数多、收敛速度慢甚至不收敛等问题,提出了一种改进蚁群算法。根据地图构建三维空间模型,采用对空间切片的方式来避免在寻优过程中跨越多个单元格;通过每一代最优路径来更新信息素以及引入距离启发量的策略,增强了算法的收敛性和效率,得出改进蚁群算法相对于传统蚁群算法和快速搜索随机树算法在搜索效率上分别提高了65.9%和18.1%,在平均转弯角度上分别减少了48%和61.2%,在航迹长度上比传统蚁群算法缩短了38.5%的结果。研究所提出的改进蚁群算法能为无人机救灾快速路径规划提供有效的解决方案。     

基于队形变化的多无人机航迹规划算法

针对多无人机在复杂环境下的航迹规划问题,文中提出基于队形变化的多无人机航迹规划算法。利用领航-跟随的无人机拓扑结构,设计了一种以时间与航程作为衡量指标的代价函数,求解出最优的编队集结点。采用改进的Informed-RRT*算法求解出领航者的渐近最优航迹,结合队形变化策略实现了跟随者的航迹规划与避障。在定义队形变化量、路径长度比、航向稳定性性能指标的基础上,文中进行了仿真实验并对生成航迹进行评价与对比。仿真结果表明,无人机编队实现了在复杂环境下航迹规划与避障,同时为跟随者规划出最优航迹,与领航者最优航迹长度相差不到1%,验证了该算法的实用性与有效性。     

基于动态稀疏A*算法的广域无人机航路规划

本文针对无人机航路规划中的稀疏A*算法进行改进,提出基于分层动态稀疏A*算法。算法在存在可行航路的广阔空域中,通过动态稀疏A*算法在经威胁刷选后的广域范围进行全局粗航路规划,然后在规划的航路中选取中继航路点,通过选定的航路点对整个规划环境进行分区,在每个小区域内进行局部精航路规划,并对生成的航路实现二次优化,最后连接每段小区域规划的航路得到整个大范围的完整航路。仿真结果表明,广域环境下,分层动态稀疏A*算法收敛速度快,具有更强的鲁棒性、可行性,且生成航迹具有良好的飞行品质。     

基于改进蚁群算法的无人机二维航迹规划和重规划

文中研究了一种改进蚁群算法在无人机二维航迹规划和重规划中的应用。为了克服基本蚁群算法容易陷入局部最优和迭代停滞的现象,文中通过引入伪随机状态转移规则对基本蚁群算法进行改进;并通过引入动态窗口这个概念进行无人机二维航迹重规划。最后给出仿真验证,从仿真结果看出来:文中改进蚁群算法在解的优越性和有效性方面全面优于基本蚁群算法,同时可以看出文中改进蚁群算法在重规划中具有很强的适应性。     

基于LPA*算法的无人机三维航迹快速规划研究

针对无人机的快速航迹规划展开研究.首先针对航迹规划的实际需要,将航迹规划划分为二维的航线规划和二维航线点之间的三维航迹规划;然后对二维威胁建模得到的赋权图,用Dijkatra算法产生初始的多任务二维航线;再结合无人机在飞行过程中的约束条件,提出动态权值的三维LPA*的航迹规划方法对二维航线产生的航线点之间进行规划,满足地形回避和威胁回避.仿真表明,上述方法可以有效快速地完成规划任务,同时当数字地图改变时,LPA*算法可以通过检测局部一致性来避免进行重新的全局搜索,大大缩减了搜索空间,从而可以快速地修正航迹.     

基于改进人工蜂群算法的无人机的航迹规划

针对无人机飞行任务规划系统中的航迹规划问题,提出了一种改进的人工蜂群算法,将其应用于无人机的航迹规划。该算法将航迹规划问题转换成函数优化问题,以蜂群为搜索单位,通过群体之间的信息交流与优胜劣汰机制,使蜂群向更优方向进化。在雇佣蜂搜索阶段采用自适应搜索策略来加快算法收敛速度;在跟随蜂搜索阶段引入一种新的概率选择方式来保证种群的多样性;在侦察蜂搜索阶段利用混沌搜索算子提高算法的全局搜索能力。通过标准函数测试与航迹规划仿真对改进后的算法进行验证,结果表明,改进后的算法提高了全局收敛能力,在收敛速度和精度上优于传统的人工蜂群算法,可有效解决无人机的航迹规划问题。     

基于改进粒子群算法的无人机三维航迹规划

针对传统粒子群(Particle Swarm Optimization, PSO)算法在航迹规划的过程中需要根据无人机性能建立约束条件和易陷入局部最优值的缺点,提出了一种结合天牛须(Beetle Antennae Search, BAS)算法的球坐标PSO算法。该改进算法直接利用球坐标系对无人机的航向角和俯仰角进行约束,并且通过BAS算法避免PSO算法陷入局部最优值。根据数字高程地图建立仿真环境,综合考虑航迹长度、平滑度和危险性等因素构建目标函数。仿真结果表明,改进后的算法与其他PSO算法相比,规划的三维航迹质量更高,能够很好地适应无人机在各种环境下的飞行要求。     

基于改进自适应蚁群算法的无人机航迹规划研究

针对传统蚁群(ACO)算法在无人机航迹规划中存在的收敛速度慢、易陷入局部最优等缺点,提出了一种基于改进自适应蚁群(IAACO)算法的无人机航迹规划方法。首先,将角度导向因子引入状态转移规则中,使蚂蚁以更大的概率朝着目标点的方向前进,提高了路径的搜索效率;然后,引入启发式信息自适应调整因子平衡了算法的收敛性和全局搜索能力;最后,通过定义长度指标函数、角度指标函数,进一步建立了航迹优化的目标函数,实现了无人机航迹规划的全局优化。实验结果表明,改进后的算法收敛速度更快,生成的路径更平滑、长度更短。     

基于改进蚁群算法的无人机协同航迹规划研究

无人机群协同作战中,如何确定各无人机的航迹是整个规划问题的基础和关键,直接影响到作战效率.采用层次分解策略,首先对威胁场进行Voronoi图环境建模,然后利用改进蚁群算法,提出带有方向性引导性的信息素更新策略,减小迷失蚂蚁对算法收敛性的影响.同时,从时域和空域方面考虑多机协同问题,在满足最小时间窗基础上,最后仿真得到了...     

基于改进蚁狮算法的无人机三维航迹规划

无人机3维航迹规划是任务规划中最复杂、重要的部分,针对基本蚁狮算法在解决3维航迹规划时能力不足的问题,首先在蚂蚁的行为中引入混沌调节因子,在蚁狮的行为中引入反调节因子,提高了算法的探索能力和开发能力;其次在建立3维环境模型的基础上,充分利用地形和约束信息,缩减搜索空间;最后将改进后的算法应用于3维航迹规划,并与原算法进行对比, 实现在线局部重规划。仿真实验结果验证了改进方法的可行性和优越性。     

基于改进A*算法的水下航行器自主搜索航迹规划

以水下航行器在水下路径规划为研究重点,提出了基于改进型A*算法的水下无人航行器自主搜索航迹规划算法。一般航迹规划可由多种算法完成,而在这些算法中以A*的计算流程最为简单、算法易于实现,并在理论上可保证全局最优解的收敛性;且程序较为简短,可在一些低功耗、低主频的系统中应用。由于传统的A*算法不具备最小转弯半径等约束条件,因此,针对水下航行器高低速问题,对传统的A*算法进行改进,使得A*算法可实现高速与低速相结合的应用。     

灾情侦测无人机动态航迹规划算法设计

提出了一种应用于灾情侦测无人机的动态航迹规划算法。当突发地震、洪水等重大灾害时,可第一时间获取灾情环境信息,并利用无人机携带侦测设备对灾害现场信息、图像进行探测和实时传送。提出了一种基于文化算法框架下的动态航迹规划算法,首先针对环境中的不同地形进行模型构建,对丘陵、山峰等障碍物设计相应的函数模型,构建数字地图,在该地图模型上进行动态航迹规划,该航迹规划算法可使无人机在飞行过程中自主规划航迹,实现超低空飞行,使信息采集更准确,有效的辅助救援策略的制定。通过仿真验证,并与多种算法进行比较,证明了该算法的可行性与有效性。     

无人机航迹规划算法分析

为实现安全、高效的无人机飞行,需要进行航迹规划,避免与障碍物发生碰撞,从而保证航行安全。无人机的航迹规划问题主要通过智能体的路径规划算法,在一定的约束条件下进行解决,如人工势场法、快速搜索随机树法、A*算法以及跳点搜索算法。文中分析了这些常用算法的原理,通过仿真对比这些算法在求解质量与计算效率方面的性能表现,总结了每种算法的特点、局限性及适用范围。