多无人机航迹规划的自适应B样条算法

无人机集群能更高效地完成复杂和具有挑战性的任务,航迹规划和编队控制是无人机集群的研究重点。针对复杂环境下的无人机编队控制问题,提出了一种结合分段自适应B样条（Piecewise Adaptive B-Spline,PABS）方法的领航-跟随策略。采用滚动时域控制及快速粒子群优化算法为领航者无人机生成一条安全的参考航迹,并根据跟随者与领航者保持的几何关系为跟随者无人机生成参考航迹。针对生成的跟随者航迹不平滑以及可能与障碍物发生碰撞的问题,使用PABS方法对跟随者航迹进行平滑和避障处理。实验表明,使用滚动时域控制及快速粒子群优化算法及PABS方法能为领航-跟随策略下的无人机编队生成安全平滑的航迹,相比于圆弧插补技术,PABS方法能使航迹更光滑。     

基于群智能-一致性理论的无人机编队全过程飞行航迹规划方法

针对无人机编队执行任务全过程飞行规划问题,提出一种基于多步粒子群优化的无人机编队航迹规划算法.首先,对无人机和执行任务策略进行建模,将编队执行任务全过程划分为编队成形、执行任务、返航、解散和无人机降落5个阶段,设计不同阶段的飞行策略;其次,针对不同的终端约束条件,设计多类多层优化指标,提出多步粒子群算法,并引入模型预测控制滚动优化航路点,得到适用于不同阶段的能严格满足约束条件的航路规划方法;然后,建立旋转坐标系,将航路点信息转换为编队控制律中的理想航向和高度信息,得到能通过航路点的编队控制算法;最后,利用编队控制算法去执行航路规划方法给出的航路点,生成航迹,得到编队航迹规划算法.仿真结果表明,所提规划方法比传统方法更适用于编队飞行,能为编队规划执行任务全过程的平滑航迹,具有良好的通用性.     

基于分布式一致性的无人机编队控制方法

多无人机系统中,系统状态的一致性是实现多无人机协同控制的基础,针对多无人机中存在的三维空间编队控制问题,提出一种分布式一致性的无人机编队协同控制方法。在主机-从机组成的多无人机系统的基础上,引入分布式结构,设计无人机控制系统模型并建立无人机编队协同机制。根据协同机制设计基于一致性算法的协同编队控制器、基于匈牙利算法的任务分配策略以及避障策略。分别在简易模拟器和基于ROS-Gazebo的实景模拟器中仿真验证了协同控制方法的有效性。结果表明：无人机群能够有效地完成协同编队任务,并且可以通过调整层次结构进行有效编队重构。     

基于滚动时域的无人机动态航迹规划

针对带有动力学约束的多旋翼无人机航迹规划问题,提出了一种基于滚动时域控制和快速粒子群优化(RHC-FPSO)方法。该方法引入了基于VORONOI图的代价图方法说明从航迹端点到达目标点的距离估计。根据滚动时域和人工势场法的思想,将路径规划问题转化为优化问题,以最小距离和其他性能指标为代价函数。设计评价函数准则,按照评价准则使用变权重粒子群优化算法求解。针对无人机靠近危险区飞行的问题,将斥力场引入到代价函数中,提升其安全性。仿真实验结果显示,使用文中方法可以有效地在满足约束条件下穿过障碍物区域,以及在复杂环境下可以动态计算。     

多无人机模糊多目标分布式地面目标协同追踪

针对城市环境中多约束条件下多无人机协同追踪地面目标问题,综合考虑具有不同重要性等级的多个优化目标,提出了一种基于分布式预测控制的模糊多目标航迹规划方法.首先,考虑城市环境中建筑物对无人机视线遮挡、无人机和传感器能量消耗等因素,分别采用目标覆盖度、控制输入代价和开关量形式传感器能耗等为目标函数,将多无人机协同追踪航迹规划转化为多目标优化问题;然后,基于分布式预测控制框架,利用每架无人机未来有限时域内的预测状态,构建多无人机之间的避碰约束,并结合最小转弯半径等约束,形成分布式协同航迹规划模型;最后,针对多个优化目标的不同重要性等级要求,利用模糊满意优化思想将目标模糊化,并根据更重要目标具有更重要满意度的原则,将优先等级表示为松弛满意度序,通过在线求解得到有限时域内每架无人机的局部航迹;与传统多目标加权算法仿真结果对比,验证了所提方法的有效性,充分说明了该方法能够获得同时满足目标优化和重要性等级要求的最优航迹.     

基于DEPSO算法的多无人机绕检机队规模优化方法

为提高民航客机航前航后绕检效率、减少人工成本,研究无人机绕检时多机协作的机队规模优化算法。从多机协作的航迹规划出发,构建客机外观绕检模型,并采用栅格法对绕检作业空间进行离散化;建立航迹规划的约束条件,设计航迹规划代价函数;采用基于差分进化粒子群算法(DEPSO)对机队规模优化,引入差分进化更新粒子群,通过自适应方法调整粒子的惯性权重。仿真结果表明,所研究的方法可获得代价函数指标下的最佳机队规模。     

通信随机时滞条件下基于分布式模型预测的AUV编队控制

考虑水声通信随机时滞条件下AUV编队协同控制问题,提出一种基于分布式模型预测的AUV编队控制方法.首先,通过所设计的随机时滞通信同步策略,将异步状态信息转换为同步状态信息;然后,结合虚拟轨迹、状态预测、控制约束以及编队内AUV状态信息描述协同编队代价函数,将其引入局部滚动时域优化,实现编队控制目标,并利用李雅普诺夫理论验证编队控制器的稳定性;最后,将所提出方法与现有编队控制方法进行对比仿真,仿真结果验证了其有效性.     

基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,在等效数字地图中实现单个目标点的无人机航迹规划,并对算法性能进行仔细分析,仿真结果表明,该方法能够快速有效地完成航迹规划任务．得到满意的三维航迹。     

基于粒子群优化算法的无人机航迹规划

提出一种基于粒子群优化算法的无人机航迹规划方法,利用粒子群优化算法,在等效数字地图中实现单个目标点的无人机航迹规划,并对算法性能进行仔细分析,仿真结果表明,该方法能够快速有效地完成航迹规划任务,得到满意的三维航迹。     

固定翼无人机在线航迹规划方法

在不确定环境下,针对固定翼无人机（UAV）航迹规划问题,提出了一种基于滚动时域控制的模糊粒子群优化算法与改进人工势场法相结合的在线航迹规划方法。首先,对凸多边形障碍物进行最小外接圆拟合;然后,根据静态威胁,将规划问题转化为一系列时域窗口内的在线子问题,利用模糊粒子群算法实时优化求解以实现静态避障;当环境中存在动态威胁时,使用改进人工势场法对航迹进行调整完成动态避障。为了满足固定翼无人机的动态约束,同时提出固定翼UAV的碰撞检测法,可提前判断障碍物是否为真正威胁源,以此减少转弯频率和幅度,降低飞行代价。仿真实验结果表明,所提方法在固定翼UAV航迹规划中能有效提升规划速度、稳定性与实时避障能力,且克服了传统人工势场容易陷入局部最优的缺点。     

基于模型预测控制的无人机时空协同航迹规划

为了求解同时实现空间协同和时间协同的多无人机时空协同问题,提出了基于分布式模型预测控制的多无人机在线协同航迹规划的方法。建立了由MPC（Model Predictive Control,）控制器、空间协同模块和时间协同模块组成的多无人机分布式时空协同航迹规划框架结构。MPC将时空协同问题转化为滚动优化问题,优先级的方法实现了空间协同和时间协同的解耦,同时改进了碰撞冲突消解规则,并设计了时间冲突消解规则,解决了分布式时空协同问题的动作一致性问题。仿真实验表明,该方法可以有效地实现多无人时空协同航迹规划。     

面向城市巡防的多无人机协同航迹规划

无人机（UAV）因其低成本、高动态性与低部署性等优点被逐渐应用于城市巡防中。为提高异构无人机航迹规划的效率,首先建立了考虑无人机的任务执行率、航迹代价和撞击代价的多无人机任务规划模型。其次针对传统优化算法容易陷入局部最优解,均匀性差等问题,将差分策略和Levy飞行策略引入乌鸦搜索算法中对算法进行改进,提出基于Levy飞行策略的混合差分乌鸦搜索算法（LDCSA）,将剪枝处理和Logistic混沌映射机制加入快速遍历随机树（rapidly-exploring random trees,RRT）算法中,并通过改进的RRT算法进行航迹初始化。最后建立了3维的城市模型进行仿真实验,将所提算法与粒子群（PSO）、模拟退火（SA）、乌鸦搜索（CSA）算法对比,仿真结果表明该算法能提高全局收敛性与鲁棒性、缩短收敛时间、提高无人机执行覆盖率和减少能耗,在解决多无人机航迹规划问题中更具有优势。     

基于三维程控的无人机协同编队飞行研究

基于三维程控飞行策略,对多无人机(UAV)协同编队飞行控制进行研究,提出一种多机同方位任务需求的编队控制方法.采用“长机-僚机”编队结构模式控制编队飞行,以编队中的长机航迹坐标为基准坐标系实现了僚机与长机相对位置一致的控制;实现了编队中所有无人机同时到达指定位置并保持速度相对稳定的控制.通过航路规划和编队遥调,实现了人工干预与自动控制结合的编队飞行策略.仿真结果表明,该方法具有较好的可实施性、管理性、应用性和安全性.     

Hierarchical control of cooperative nonlinear dynamical systems

Cooperative control methods that are scalable with low computational cost are crucial for networked dynamical systems to respond quickly in unknown or cluttered environments. In an attempt to make the problem tractable, many existing cooperative controls are designed with oversimplified assumptions and/or without the capabilities of rapidly handling different environmental and dynamical constraints. In this article, proposed is a two-level hierarchical, cooperative control framework using a divide-and-conquer strategy so that challenges can be separately handled at different levels. It is scalable and has low computational cost. Based on a simplified homogeneous double-integrator dynamic model, the top-level planner first computes cooperative trajectories satisfying obstacle avoidance requirements. Then at the lower level, state and control constraints, nonlinear dynamics and self-collision/obstacle avoidance as related to the real system are addressed through a bio-inspired fast trajectory planning algorithm. The stability of the overall hierarchical structure is proven. Two examples, a differential-drive ground vehicle formation control and an unmanned aerial vehicle formation flight, are used to illustrate the advantages of the proposed hierarchical framework.     

基于混沌自适应萤火虫算法的UAVs分配策略

针对多无人机多类型作战任务分配问题,提出一种混沌自适应萤火虫优化算法.将全局历史最优值和自适应惯性权重引入位置公式,并采用自适应步长以加快收敛速度、提高精度.运用变尺度混沌方法改进光吸收强度系数防止其陷入局部最优解.将改进算法的应用效果与粒子群优化算法(PSO)和萤火虫算法(FA)对比,结果表明,该算法能够提升多无人机...     

空间机器人最优能耗捕获目标的自适应跟踪控制

提出了一种能够引导末端执行器以期望速度跟踪目标的轨迹规划方法。该方法可以实现避障并满足关节限制要求。基于轨迹规划方法,设计了一种利用自由飘浮空间机器人跟踪与捕获章动自旋卫星的自适应控制策略。此外,该控制策略还考虑了最优能耗、测量误差和优化误差。首先,为了使执行器的跟踪误差和机械臂的能耗最小,将空间机器人的控制策略描述为一个关于关节速度、力矩和避障距离的不等式约束优化问题。然后,推导出一个系数为下三角矩阵的显式状态方程,并对目标函数进行解耦和线性化。设计了一种关节速度和力矩分段优化方法去代替传统的凸二次规划方法求解最优问题,这种方法具有较高的计算效率。最后,利用李雅普诺夫稳定性理论验证了所提控制方法的收敛性。     

基于自适应粒子群算法的多无人机混合编队技术

为了解决无人机群体在复杂战场环境下的编队、避障、避碰问题,提出了一种将基于行为法和虚拟领航者法相结合的混合编队技术;为无人机编队设计了奔向目标、队形保持、避碰及避障共4种基本行为,通过对编队无人机的行为权重参数进行调整控制无人机编队的机动,编队无人机的行为权重参数通过自适应粒子群算法进行优化,然后对编队无人机的基本行为进行矢量合成,归一化处理后控制无人机的机动;仿真实验测试证明了该方法能使无人机群体保持期望的队形,实现了编队避障和内部避碰,进而更有效地完成编队任务,提高了多无人机编队的机动性能,促进了多无人机混合技术的发展。