一种双无人机协同跟踪地面移动目标方法

针对通信延时情况下双无人机协同跟踪地面移动目标问题进行研究, 构建了基于分布式遗传算法和滚动时域优化结合的目标跟踪航迹规划算法模型。考虑到通信延时会增加目标状态信息数据融合时的误差, 导致无人机跟踪任务效果变差, 结合递推最小二乘滤波和加权最小二乘估计设计了融合方法, 来融合处理目标状态信息; 考虑到无人机对目标的观测效果与未来时刻的目标状态信息密切相关, 采用递推最小二乘滤波预测目标的状态信息, 结合分布式遗传算法和滚动时域优化设计了双无人机目标跟踪航迹规划算法。适应度函数考虑了无人机和目标之间的距离、无人机之间的通信距离、无人机之间的通信角度。仿真结果表明：该协同跟踪方法能够较好地完成跟踪任务; 与一架无人机跟踪相比误差明显减小, 并且可以减小通信延时带来的跟踪误差。     

关于无人机飞行航迹跟踪优化控制研究北大核心CSCD

研究无人机任务规划中的飞行航迹跟踪优化控制。为克服传统航迹规划算法仅使用航迹关键点难以满足无人机执行任务对航迹跟踪的要求,提出了一种用C^2样条算法融合的无人机三维航迹跟踪优化控制方法,解决了不同航段中无人机的可飞性、边界限制、过载限制等约束。首先针对巡航段航迹采用融合算法中的3D样条优化生成具有时效性的光滑航迹曲线。然后针对任务段航迹采用融合算法中的4D样条优化进一步生成能控制航迹关键点速度的航迹曲线,完成整条航迹的跟踪优化。仿真结果表明,关于C^2样条算法融合的无人机三维航迹优化方法能有效地优化出无人机的实际飞行轨迹,有助于无人机的航迹跟踪控制。能够满足任务规划中无人机对航迹跟踪优化控制的高精度要求,为任务执行提供良好航迹条件。     

基于改进A*算法的无人机航迹规划

在无人机航迹规划问题的研究中,针对在执行飞行任务前,需要根据所经区域内已知的地形、地貌、障碍和威胁等信息以及飞机本身机动能力的限制计算出飞行航迹, 并根据规划出的航迹完成飞行任务.能准确识别起始点到目标航路,提出了一种基于改进A*算法的无人机航迹规划方法,将无人机自身的性能和飞行任务结合到A*算法中去,在节点的搜索过程中解决了A*算法大空间搜索耗时多的问题.通过简单的路径消减算法去除不必要的航迹点,使得规划出来的航迹能够最大程度上满足无人机的运动特性.仿真结果表明采用的方法计算速度快并且规划达到最优性能.     

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.     

面向目标跟踪的多机协同通信保持控制

由于无人机存在通信和测量约束的情况,远程无人机执行持续目标跟踪任务时无法直接与地面站保持通信,需要其他无人机作为通信中继方可与地面站建立可靠的通信连接.基于Dubins曲线,采用最小转弯半径和航向调整相结合的方法对具有初始和终止航向角约束的多无人机进行协同航路规划,确保所有无人机同时到达指定位置,形成多机协同通信保持的初始构型.针对随机移动目标,在多机协同通信保持的动态过程中,考虑平台性能、通信约束、碰撞规避等约束条件,采用非线性模型预测控制(NMPC)实现无人机协同分布式在线优化.在确保无人机通信中继保持的前提下,有效提高了算法的实时性.仿真结果表明了该算法的有效性.     

基于目标信息估计的分布式局部协调任务分配方法

分布式决策是提高群体自主性的关键技术之一.以侦查类无人机(unmanned search aerial vehicles,USAV)和打击类无人机(unmanned combat aerial vehicles,UCAV)执行协同搜索、攻击灰色目标区域问题为背景,建立了一种考虑局部链式通信、无人机飞行性能和任务执行能力等多约束的分布式任务分配模型,基于贝叶斯定理将任务空间的连续/离散不确定量用任务收益值量化描述.然后,提出了一种基于一致性协调算法的在线协同策略,并利用一致协调理论建立了一种冲突调解规则,在此基础上,设计了一种分布式任务分配求解算法,能够实现多USAV,UCAV的协同多任务快速分配.最后,通过数值仿真,验证了本文算法求解不确定空间任务分配问题的可行性和快速性.     

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.     

基于改进A~*算法的灾后井下无人机航迹规划

针对传统A~*算法应用在煤矿灾后井下环境侦测的无人机航迹规划中存在搜索点冗余、遇到突发威胁时实时性较差等问题,提出了一种逆向变权重稀疏A~*算法。根据无人机自身性能约束及灾后井下威胁模型,从目标点到起始点进行全局静态航迹规划,避免大量无效搜索;根据无人机执行任务的需要设置不同权重系数,得到侧重航程或安全的航迹;通过引入次目标点策略,仅对被突发威胁覆盖的航迹进行修正,可在短时间内有效避开突发威胁。仿真结果表明,利用该算法进行航迹规划用时较短,无人机受到的威胁较小,可有效保障航迹规划的实时性和安全性。     

固定翼巡线无人机实时蚁群算法路径规划

本文针对传统蚁群算法局部早熟等问题对算法进行了改进,并对无人机路径规划及重规划多条件约束问题进行了研究,提高蚁群算法航迹规划计算速度及全局性来满足实时蚁群算法航迹规划要求。文章针对传统蚁群算法的早熟问题采用全局与局部信息素互补衰减法,来高效完成蚁群算法寻优问题,并当无人机偏离航线时能及时根据无人机所在位置重新规划。通过实验结果得出蚁群算法具有快速的计算能力,能在短时间内对更改的路径进行响应,完成无人机自校正航迹规划。     

无人机多阶段航迹预测协同任务规划

针对多无人机(Unmanned Aerial Vehicles, UAVs)协同控制问题,提出了一种UAVs多阶段航迹预测分布式任务规划方法;定义从一次任务分配开始到其中一项任务完成为一个任务周期;在每个规划周期,首先,各UAV使用A*算法快速预测到所有任务目标的路径,提供至任务分配;然后,采用聚类算法修改目标价值向量,协商分配结果,并实时计算探测范围内的最短路径;最后,采用三次B样条曲线平滑所分配的最短路径,在线规划出满足飞行约束的飞行航迹;通过仿真实验对算法的有效性进行了验证,结果表明,提出的算法能够实时获得近似最优的任务分配结果并规划出可飞行航迹,并有效处理突发任务。     

三维动态环境下多无人机编队分布式保持控制

针对无人机编队沿参考轨迹飞行时遭遇突发障碍物而发生碰撞的问题, 提出一种可实时避障及机间避碰的分布式编队保持算法. 基于虚拟结构编队策略, 采用非线性模型预测控制(NMPC) 方法设计分布式编队控制器. 为了实现通讯延迟下的机间避碰, 采用基于不同优先级的改进避碰惩罚策略. 仿真结果表明, 所设计的分布式编队控制器能保证编队及时避开环境中的突发障碍物, 且无人机间不发生互碰, 避障后的各编队继续以原队形沿参考轨迹飞行.

     

基于Multi-Agent系统的多飞行器协同路径规划方法的研究

无人多飞行器(UAV)协同技术是当前分布式人工智能的一个热点领域,其中一个关键技术在于如何实现多UAV集群根据复杂环境中目标、威胁、地形变化以及各UAV之间的性能约束动态进行实时性航路规划。提出一种基于Multi-agent系统的多UAV对实时动态多目标进行路径规划的方法。其核心是基于Multi-agent系统的decen-tralized控制方案。在Multi-agent平台上,实现了agent对于环境、目标、任务等路劲规划约束条件的建模,同时提出了多agent动态路径规划方法的实现方案。方案使用DisCSP模型框架,将基于真实复杂战场环境的实时路径规划问题所涉及的多复杂限制条件,抽象成Multi-agent系统中的各个约束条件,通过多agent间Dynamic Programming过程求解多UAV实时动态多目标的路径规划和协同任务分配的ABT算法,并实现在动态威胁和地形以及动态目标下具备集群协同能力的多UAV实时仿真系统。     

复杂多约束UAVs协同目标分配的一种统一建模方法

多无人机协同目标分配(Multi-UAVs cooperative target assignment problem, MUCTAP)是一个条件复杂的多模型、多约束组合优化问题, 很难用一致的方法获得可行的解. 为解决该问题, 本文对各种目标分配模型统一建模, 设计了一致的模型处理方法; 针对三维环境特点, 提出利用空间垂直切面计算无人机估计航程代价的方法, 并利用航程代价矩阵优化目标分配算法; 同时加入协同约束关系计算, 提高分配算法的准确性. 仿真实验验证了该方法能够处理多种情况的目标分配问题, 具有较高的通用性和准确性, 能够有效完成多机协同目标分配任务.     

A novel coordinated path planning method using k-degree smoothing for multi-UAVs

Coordinated path planning for multiple unmanned aerial vehicles (multi-UAVs) is a highly significant problem encountered in their coordinated control. In the interests of completing mission securely and efficiently, the advanced multi-UAVs control technology requires a universal smoothing method as well as a precise coordination strategy. In this paper, we propose a novel multi-UAVs coordinated path planning method based on the k-degree smoothing, a more complex environment consists of multiple threat sources of which is constructed. By employing the Improved Ant Colony Optimization algorithm, a k-degree smoothing method is also presented aiming at obtaining a more flyable path. Additionally, the multi-UAVs coordination algorithm is induced by k-degree smoothing, allowing the UAVs to arrive at the destination simultaneously or in an acceptable time interval. Finally, simulations of the comparison between the Improved Ant Colony Optimization and classic algorithm, the detailed smoothing method, and the coordination are respectively conducted to validate that the proposed approach is feasible and effective in multi-UAVs coordinated path planning problems.     

Generation of Bezier Curve-Based Flyable Trajectories for Multi-UAV Systems with Parallel Genetic Algorithm

In recent years, Unmanned Aerial Vehicles (UAVs) have been used in many military and civil application areas, due to their increased endurance, performance, portability, and their larger payload-carrying, computing and communication capabilities. Because of UAVs’ complex operation areas and complicated constraints related to the assigned task, they have to fly on a path, which is calculated online and/or offline to satisfy these constraints and to check some control points in the operation theatre. If the number of control points and constraints increases, finding a feasible solution takes up too much time in this large operation area. In this case, the use of multi-UAVs decreases operation completion time; however, this usage increases the complexity of finding a feasible path problem. This problem is typically NP-hard and genetic algorithms have been successfully utilized for solving it in the last few decades. This paper presents how a flyable trajectory can be constructed for multi-UAV systems by using a Genetic Algorithm (GA) in a known environment and at a constant altitude. A GA is implemented parallel in a multi-core environment to increase the performance of the system. First, a feasible path is calculated by using a parallel GA, and then the path is smoothed by using Bezier curves to convert it flyable. Preliminary results show that the proposed method provides an effective and feasible path for each UAV in an Unmanned Aerial System with multi-UAVs. The proposed system is realized in Java with a GUI for showing results. This paper also outlines future work that can be conducted on the multi-UAV path planning.     

基于顺序扩展一致性包算法的多无人机分布式任务分配

以异构多无人机协同执行复杂的耦合多任务为背景,提出一种求解分布式任务分配问题非死锁的顺序扩展一致性包算法.首先,建立考虑任务载荷资源、任务时序、威胁区等约束条件的时序多任务分配模型;其次,对一致性包算法的任务包构建过程和冲突消解规则进行扩展,并设计一种基于有向图深度优先搜索的方法进行任务方案的死锁检测和修正,以实现无冲突和无死锁的任务分配;然后,将关联任务之间的时序约束转化为软时间窗约束,利用顺序分层的策略进行求解;最后,为了提高任务分配结果的可靠性,采用Dubins曲线路径将航路规划耦合到任务分配中.仿真实验表明,所提出的算法能够快速有效地求解异构多无人机分布式耦合多任务分配问题,具备良好的最优性和时效性.     

具有通信延迟的多无人机编队飞行控制

针对固定通信拓扑下的具有时变通信延迟的多无人机(multi-UAVs)系统,在一致性协议的基础上提出了分布式的编队控制算法.利用Lyapunov-Krasovskii函数分析了时延多无人机系统的稳定性,并以线性不等式(LMI)的形式给出了系统稳定的条件.当满足稳定性条件时,编队控制算法将使系统中无人机的速度和编队队形分别渐近地收敛至期望速度和期望队形.仿真实例验证了控制算法的有效性.     

Path Planning for UAVs Under Communication Constraints Using SPLAT! and MILP

We will in this paper address the problem of offline path planning for Unmanned Aerial Vehicles (UAVs). Our goal is to find paths that meet mission objectives, are safe with respect to collision and grounding, fuel efficient and satisfy criteria for communication. Due to the many nonconvex constraints of the problem, Mixed Integer Linear Programming (MILP) will be used in finding the path. Approximate communication constraints and terrain avoidance constraints are used in the MILP formulation. To achieve more accurate prediction of the ability to communicate, the path is then analyzed in the radio propagation toolbox SPLAT!, and if the UAVs are not able to communicate according to design criteria for bandwidth, constraints are modified in the optimization problem in an iterative manner. The approach is exemplified with the following setup: The path of two UAVs are planned so they can serve as relay nodes between a target without line of sight to the base station.     

多约束下多无人机的任务规划研究综述

高度信息化的发展使得无人机作战优势凸显。准确的无人机任务规划技术是完成给定任务的重要保障。任务分配、路径规划是构成无人机任务规划技术的两个核心部分。基于该技术,首先讨论了无人机任务规划的发展状况、分类标准、体系结构。其次,分别详细介绍了影响任务分配、路径规划的重要指标,如分类标准、约束指标、相应模型、代表算法、评价指标等,然后,分别分析对比求解任务分配的启发式算法、数学规划方法、随机智能优化算法的优缺点和求解路径规划的数学规划方法、人工势场法、基于图形学法、智能优化算法的优缺点;最后,总结了无人机任务规划存在的开放性问题、未来发展方向和研究重点。