多无人机自适应编队协同航迹规划

针对多无人机(UAV)协同航迹规划中因编队队形约束而忽略部分较窄通道的问题,提出了一种基于自适应分布式模型预测控制的快速粒子群优化(ADMPC-FPSO)方法。该方法利用领航跟随法和虚拟结构法相结合的编队策略构造出虚拟编队引导点,以完成自适应编队协同控制任务。根据模型预测控制的思想,结合分布式控制方法,将协同航迹规划转化为滚动在线优化问题,且以最小距离等性能指标为代价函数。通过设计评价函数准则,使用变权重快速粒子群优化算法对问题进行求解。仿真结果表明,通过所提算法能够有效实现多无人机协同航迹规划,并可根据环境变化快速完成自适应编队变换,同时较传统编队策略代价更低。     

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。     

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。     

基于改进粒子群算法的UAV航迹规划方法

结合当前无人机集群发展趋势,针对航迹规划算法和策略问题开展研究,在分析经典粒子群算法和传统航迹规划方法基础上,提出了一种基于改进粒子群算法的航迹规划方法,将无人机航迹规划分为整体航迹规划和节点间航迹规划两部分,针对两部分对于搜索速度和解的精度的不同需求,结合环境模型及约束条件,分别设计粒子群航迹规划算法的评价函数;对于节点间粒子群航迹规划,通过设计分段式惯性权重调整公式改进粒子群算法,在保证了算法的搜索速度的同时,提高了航迹规划解的精度。通过仿真验证了该方法的正确性和可行性,横向对比其他算法策略分析了该方法的优越性。最后在算法自主实时性方向上对于后续的工作开展提出了期望。     

基于混沌麻雀搜索算法的无人机航迹规划方法

针对无人机（UAV）航迹规划求解计算量大、难收敛等问题,提出了一种基于混沌麻雀搜索算法（CSSA）的航迹规划方法。首先,建立二维任务空间模型与航迹代价模型,将航迹规划问题转化为多维函数优化问题;其次,采用立方映射初始化种群,并使用反向学习策略（OBL）引入精英粒子,增强种群多样性,扩大搜索区域范围;然后,引入正弦余弦算法（SCA）,并采用线性递减策略平衡算法的开发与探索能力,当算法陷入停滞时,采用高斯游走策略帮助算法跳出局部最优;最后,将提出的改进算法在15个基准测试函数中进行性能验证,并应用于航迹规划问题求解。仿真结果表明,CSSA的寻优性能优于粒子群优化（PSO）算法、天牛群优化（BSO）算法、鲸鱼优化算法（WOA）、灰狼优化（GWO）算法和麻雀搜索算法（SSA）,并且能够快速地得到一条代价最优、满足约束的安全可行航迹,验证了所提方法的有效性。     

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。     

基于APSODE-MS算法的无人机航迹规划

无人机航迹规划是指在环境威胁与自身约束条件下,规划一条安全可行的航迹,是实现无人机自主化飞行的关键技术之一.为实现无人机在不同城市环境下能够快速规划一条安全可靠的航迹,提出一种基于自适应粒子群差分进化-最小捕捉(APSODE-MS)算法的无人机航迹规划方法.首先,建立城市环境航迹规划数学模型,以航程距离、威胁约束、违背约束代价3者的加权和作为目标函数;其次,在PSO算法中引入自适应非线性惯性权重,根据粒子偏离全局最优解的程度分配不同的搜索模式,结合动态差分进化(DE)算法加快粒子的收敛速度,引入改进的正态扰动提高跳出停滞与早熟现象的能力;最后,筛选关键航迹点,并采用最小捕捉轨迹(MS)算法对航迹进行光滑处理.仿真结果表明,所提出的APSODE-MS航迹规划方法能够在不同城市仿真环境下较好地完成规划任务,并能获得更优的航路,从而验证算法的有效性和鲁棒性.     

基于改进粒子群算法的无人机路径规划

针对传统粒子群算法PSO求解无人机路径规划问题时存在极易陷入局部最优的问题,在PSO算法中引入细菌觅食算法BFO的趋化操作、迁徙操作,以提高其寻优能力。首先根据无人机飞行环境建立三维高程环境模型,并使用路径长度代价、障碍危险代价和航迹高程代价来构造适应度函数;然后在分析了粒子群算法和细菌觅食算法原理及特点的基础上,给出了算法的改进方法及其具体流程。最后,通过Matlab仿真验证表明：混合算法有效改善了粒子群算法的缺陷,在进行无人机路径规划时,相比于传统PSO算法,混合算法寻优精度和稳定性有明显改善。     

贝叶斯框架下基于灰狼优化策略的多无人机巡检航迹规划

针对变电线路巡检无人机飞行控制的不确定性和动态变化性,提出贝叶斯框架下基于狼群优化策略的多无人机航迹规划方法。使用基于距离值函数的单元加权概念的有效贝叶斯形式,建立自动相关监视广播提供的不确定风险模型;提出一种基于灰狼优化策略的无人机最优轨迹求解算法,以解决变电线路上动态航迹构造问题;研发一个应用集成系统。实验表明：所提方法具有监控位置可达性和性能可行性,系统性能收敛稳定、航迹代价较小,对实现变电线路的巡检监控有借鉴价值。     

一种结合内在动机理论的移动机器人环境认知模型

无人机视频由于拍摄的位置和场景不断移动,环境参数亦不断变化,采用以往针对固定场景的去雾方法不能达到最佳效果.为了使无人机视频去雾算法具有自适应性,提出一种基于滚动时域粒子群优化的视频去雾算法.将基于周期和事件混合驱动的滚动调度策略与粒子群算法(PSO)相结合,对可调去雾参数进行滚动优化调整,当与上次优化的帧间隔数大于阈值或环境和场景发生改变时,启动粒子群优化算法重新选取最佳去雾参数.针对无人机视频,分别应用所提出算法和固定去雾参数算法进行实验和对比分析,实验结果表明,对于环境因素动态变化的视频,所提出算法比固定去雾参数算法具有更好的对比度和视觉效果.     

无人机三维路径规划及避障方法

针对无人机(UAV)在三维环境中如何由起始点到目标点合理地规划路径避开障碍物,提出了一种基于改进粒子群算法与滚动策略相结合的UAV路径规划与避障方法.该方法首先以UAV为中心,通过传感器建立UAV的可视区域模型;其次结合滚动策略滚动探知UAV周围环境信息;最后,利用改进的粒子群算法进行路径搜索,并加入综合转角控制提高路径的平滑性.在传统粒子群算法中加入信息素与启发函数,增强算法的全局搜索能力,并对参数进行特定设计提高算法的收敛速度.仿真结果表明,该方法可以实现实时避障,所规划的路径相对平滑,且改进算法比传统算法具有较高的收敛性.     

基于优化粒子群算法的无人机航路规划

针对粒子群优化(PSO)算法的无人机(UAV)航路规划问题,引入惯性权重和自然选择对粒子群算法进行优化,以提高基本粒子群算法收敛速度,防止陷入局部最优.算法分析惯性权重对粒子群算法的影响,进而调整惯性因子,提高算法的搜索能力;利用自然选择的便利性和规律性等特点,更新粒子群算法的粒子;同时通过对无人机的可行航向进行限定,缩小搜索范围.仿真实验表明:基于粒子群优化算法的无人机航路规划不仅缩短了最优航路,而且提高了搜索速度.     

基于改进粒子群算法的无人机爬升轨迹优化

研究无人机控制优化爬升性能问题,由于单独提高速度或节省燃油问题,均存在互相影响。为了使无人机能够快速、省油地爬升到预定高度,综合考虑了油耗和时间这两个因素。在分析了无人机爬升段数学模型的基础上,提出将油耗和时间的综合运营成本作为优化指标,并提出了一种改进粒子群算法的无人机爬升轨迹优化方法。将无人机轨迹优化问题转化为有约束的参数优化问题,并用改进粒子群算法进行参数优化,从而得到综合指标最优的爬升轨迹。对某无人机实例进行爬升轨迹优化,仿真结果比传统方法更节省了运营成本,证明了改进方法的优越性。     

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.