CN102269593B - 基于模糊虚拟力的无人机航路规划方法 - Google Patents
基于模糊虚拟力的无人机航路规划方法 Download PDFInfo
- Publication number
- CN102269593B CN102269593B CN201010187959.2A CN201010187959A CN102269593B CN 102269593 B CN102269593 B CN 102269593B CN 201010187959 A CN201010187959 A CN 201010187959A CN 102269593 B CN102269593 B CN 102269593B
- Authority
- CN
- China
- Prior art keywords
- planning
- virtual
- threat
- centerdot
- critidis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 15
- 230000003044 adaptive effect Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000002153 concerted effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Abstract
为解决基于虚拟力航路规划方法出现的局部极小问题,并实现规划过程中实时的自适应规划参数设置,本发明采用基于模糊虚拟力(FVF)的无人机航路规划方法,其采用贝叶斯网络和模糊逻辑推理相结合进行实时的自适应规划参数设置,并提出威胁合并法解决虚拟力法的局部极小问题。本发明的基于模糊虚拟力的无人机航路规划方法包含以下步骤:1)设置无人机航路规划的初始条件,包括规划起始点、目标点、威胁分布及属性;2)设置无人机航路规划的迭代步长;3)设置规划参数,从而确定虚拟斥力系数与虚拟引力系数之间的关系;4)进行航路规划;5)判断是否进入局部极小,若是,则进行威胁合并,若否,则继续进行航路规划直至目标点。
Description
技术领域
本发明涉及一种无人机的航路规划方法,特别是一种基于模糊虚拟力的无人机航路规划方法。
背景技术
航路规划是无人机领域的重要研究内容,航路规划问题是在特定约束的条件下,实时求取一条介于起始点与目标点间的最优或可行的航路,使得执行战术任务的无人机能突防敌方的威胁环境,并在敌方防空区域内完成特定任务,同时保存自己,达到最佳的作战效果。
目前研究中,常采用基于虚拟力(VF)的航路规划方法。该方法最初是专为快速移动机器人实时避障而设计的,可使机器人在障碍物之间快速、连续并且平稳地运动。其基本思想是将机器人作为工作空间的一个质点,在虚拟力的作用下移动。虚拟力函数通常定义为自由空间中来自目标点的引力与来自障碍物的斥力的叠加。虚拟力法的最显著的特点是算法简洁、实时性强。
利用虚拟力方法的航路规划过程如下:
定义无人机航路规划过程为一个虚拟的无人机沿给定起始点和目标点的特定航路移动的过程。虚拟力分为两部分:来自规划目标点的虚拟引力以及来自各威胁的虚拟斥力。虚拟力法航路规划,其方向的改变取决于虚拟力的方向,因此基于虚拟力的航路规划过程可看成是一个混杂系统的优化问题。其中移动过程是连续的,方向改变是离散的。在这个混杂系统中,由于目标给定因此末态已知,而时间未知。
混杂系统优化主要是解决航路规划在何时进行切换来保证航路最优,代价最小。
该混杂系统的演化规律可由如下微分动态方程表示:
其中,状态变量x,y为规划点的横、纵坐标。Ui(i=1,2,…,5)表示离散输入,其中每个元素的取值为{0,v},v为虚拟无人机的速度。Ui可以表示为Ui=g(x,y,Φ,Δ),其中Φ为总的威胁度,Δ为目标点位置。
代价函数定义为
J=a·∫TΦ·v·dt+b·Γ
其中α,b分别为航路代价与转弯代价的权值,Γ为航路转弯次数。如果虚拟无人机的方向改变达到s次,混杂系统的优化问题则是找到合适的离散时序,T=[τ0,τ1],[τ1,τ2],[τ2,τ3],…[τs-1,τs],使得代价函数J最小。τj(j=1,2,…,s)方向改变的时间点,[τj-1,τj]虚拟无人机沿航路移动的时间间隔。
用混杂系统理论对基于虚拟力的无人机航路规划过程进行建模,并将混杂自动机描述成A=(VD,Q,μ1,μ2,μ3),其中:
(1)数据变量:VD={x(t),y(t)}表示规划点位置集合,状态变量x,y为规划点的横、纵坐标。
(2)状态:Q={1,2,3,4,5}表示对应规划方向的有限状态集。
(3)行为:
代表无人机在xy平面内沿y轴正方向上的运动;
其中,v为虚拟无人机的速度。
(4)状态恒量:
μ2→{Mmin≤J=a·∫TΦ·v·dt+b·Γ≤Mmax},其中M表示边界代价值。
(5)切换条件:
μ3→{J=Mmax,Ui=g(x,y,Φ,Δ)}
无人机航路规划问题包括诸多约束条件,如最小规划步长,航路距离限制,最大转弯角等等。具体解决方案如下:
最小规划步长(Lmin):Lmin<(τj+1-τj)·v
航路距离限制(Lmax):∫Tv·dt<Lmax
给定行为(μ1(1),μ1(2),…,μ1(5)),可以确保最大转弯角约束条件的满足。
基于上述混杂自动机的优化求解步骤如下:
(2)从当前点开始计算Jrt;
(3)当Jrt≥Mmax且(τi+1-τi)·v>Lmin时,对应的航路点设置为当前点,重新计算虚拟合力的映射方向,即为切换结果;
(4)重复步骤(2)(3),直至到达目标点;
(5)计算J=a·∑Jrt+b·Γ和∫T v·dt,改变Mmax值,循环执行(1)(2)(3)(4),求得J最小时的Mmax和对应的规划航路,即为J意义下的最优航路。
然而,虚拟力方法存在如下的局限性:
(1)虚拟斥力所定义的威胁种类不够丰富,参数的设置尚缺乏指导;
(2)未对规划空间进行合理划分,规划过程未对航路进行平滑;
(3)该方法缺乏完善的数学描述,一些技术原则难以进行理论上的证明;
(4)该规划是一种最速梯度下降过程,因此存在局部极小和震荡的缺陷。
发明内容
为解决基于虚拟力航路规划方法出现的局部极小问题,并实现规划过程中实时的自适应规划参数设置,本发明采用基于模糊虚拟力(FVF)的无人机航路规划方法,其采用贝叶斯网络和模糊逻辑推理相结合进行实时的自适应规划参数设置,并提出威胁合并法解决虚拟力法的局部极小问题。
本发明的基于模糊虚拟力的无人机航路规划方法包含以下步骤:
1)设置无人机航路规划的初始条件,包括规划起始点、目标点、威胁分布及属性;
2)设置无人机航路规划的迭代步长;
3)设置规划参数k,从而确定虚拟斥力系数与虚拟引力系数之间的关系,其中,k=GR/GA,GA表示虚拟引力系数,GR表示虚拟斥力系数;
FRx和FRy分别表示虚拟斥力在x轴和y轴的投影,RR是当前点和威胁间的距离,r0是常量可设置为威胁的半径,θR是当前点与威胁连线和x轴的夹角;δ为航路规划的迭代步长,且α=[(FAx+∑FRx)2+(FAy+∑FRy)2]-1/2。
5)判断是否进入局部极小,若是,则进行威胁合并,若否,则继续进行航路规划直至目标点。
进一步的,迭代步长应满足δ≤H(1+β),其中,FRx=βxFAx,FRy=βyFAy且β=min(βx,βy);H=2αGA/dmax,dmax为航路规划当前点与航路规划目标点之间距离的最大值。
进一步的,基于模糊逻辑推理,将k的确定规则采用模糊集合描述如下:
如果规划航路所需飞行时间要求TmR低且平台能力PCL弱,则k大;
如果规划航路所需飞行时间要求TmR低且平台能力PCL强,则k中;
如果规划航路所需飞行时间要求TmR中且平台能力PCL中,则k中;
如果规划航路所需飞行时间要求TmR高且平台能力PCL弱,则k中;
如果规划航路所需飞行时间要求TmR高且平台能力PCL强,则k小;最后采用重心法解模糊化得到k的数值。
进一步的,判断是否进入局部极小准则为:如果|FN|=0且没有到达目标点,则规划陷入局部极小,或者如果FN=-FN+1且没有到达目标点,则规划陷入局部极小;其中FN为第N步规划时虚拟斥力和虚拟引力的矢量和,FN+1为规划第N+1步时虚拟斥力和虚拟引力的矢量和。
进一步的,如果进入局部极小,进行威胁合并的步骤为:
根据任意两个威胁所对应的规划参数k1、k2模糊推理得到两个威胁间CritiDis为临界间距;定义为威胁间距,其中TTDis为两个威胁中心之间的距离,GapDis为两个威胁影响范围间的最短距离,r和R分别为两个威胁的影响半径;
将ThrtDis进行归一化处理,使之处于[0,1]之间,比较任意两个威胁对应的ThrtDis和依据重心法解模糊后的CritiDis之间关系,得到合并标志CmbVal为:合并标志CmbVal为1的两个威胁构成威胁组。
进一步的,对任意两个威胁所对应的规划参数k1、k2进行模糊推理的步骤为:
如果k1大且k2大,则CritiDis大;
如果k1大且k2小,则CritiDis中;
如果k1小且k2大,则CritiDis中;
如果k1小且k2小,则CritiDis小。
进一步的,对所有威胁进行分组的步骤为:
首先构造邻接矩阵AdjM,该矩阵为方阵,且维数等于威胁的数量。矩阵中的元素可表示为AdjM[i][j]=CmbVali,j,其中i,j为威胁编号;对邻接矩阵AdjM进行搜索,从而得到威胁分组情况;其中,第m个威胁组用邻接向量AdjV[m]表示,AdjV[m]中第n个元素可表示为其中,∪(·)表示逻辑“或”运算,p为威胁数量;
附图说明
附图1为本发明基于模糊虚拟力的无人机航路规划方法。
附图2为无人机PCL的贝叶斯网络模型。
附图3为局部极小的描述。
附图4为威胁距离的定义。
具体实施方式
模糊虚拟力法包含了以下三个组成部分:采用定步长降低求解的计算量,采用贝叶斯网络和模糊逻辑推理的方法设置规划参数,提出威胁合并的方法解决局部极小问题。
1、定步长法
基于虚拟力的最优求解航路规划方法属于变步长寻优,计算量较大,不利于工程应用,因此采用固定步长法,即规划航路沿虚拟合力的映射方向,以固定的步长迭代生成。
FAx和FAy分别表示虚拟引力在x轴和y轴的投影,GA表示引力常数,RA是当前点和目标点间的距离,θA是当前点与目标点连线和x轴的夹角,
FRx和FRy分别表示虚拟斥力在x轴和y轴的投影,GR表示斥力常数,RR是当前点和威胁间的距离,r0是常量可设置为威胁的半径,θR是当前点与威胁连线和x轴的夹角,定义规划参数k为
k=GR/GA
则航路规划坐标变化量Δx和Δy为:
其中δ为规划步长,且α=[(FAx+∑FRx)2+(FAy+∑FRy)2]-1/2。航路规划过程中,航路点坐标按照式(1)迭代进行。
要达到给定目标点,规划步长δ必须满足定理1。
定理1(航路规划的可达性条件):
在基于虚拟力的航路规划中,记FRx=βxFAx,FRy=βyFAy且β=min(βx,βy),如果所选步长δ满足如下不等式:
δ≤H(1+β)
那么,经过有限步数,必满足条件d≤Δd,Δd≥δ。其中,H和Δd是所选择的判断阈值,认为d≤Δd时到达目标。
证明:假设目标点为G(xg,yg),第N(N>0)步规划后的规划点PN(xN,yN)作为当前位置点。通过坐标原点的适当选取可保证xg-xN≥0,yg-yN≥0,则当前点与目标点的距离满足
dN 2=(xg-xN)2+(yg-yN)2(2)
根据已知条件,当前位置还应满足:
|FA|=GA/RA 2(3)
若航路规划以步长δ沿虚拟力方向推进,则第N+1步后的位置点PN+1(x,y)满足:
x=xN+δ·α·(FAx+FRx)
y=yN+δ·α·(FAy+FRy)(5)
则PN+1与目标点之间的距离为
dN+1 2=(xg-x)2+(yg-y)2(6)
将式(4)、(5)代入式(2)、(6),整理并推导可得:
代入式(2),可知:
dN+1 2-dN 2≤δ2-2δα|FA|dN(1+β)(8)
因此,若满足条件
δ<2α|FA|dN(1+β)(9)
则有dN+1 2-dN 2<0,可保证随规划步数增加,与目标点距离不断收敛。将式(3)代入式(9),可得
δ<2αGA(1+β)/dN(10)
记H=2αGA/dmax,则H>0。对航路邻域各点,若δ≤H(1+β),必满足定理中的可达条件。
式(10)在β>-1时有解,这说明,如果途经点的总斥力在各方向上的分量小于引力的对应分量,则目标点必可达。
步长选取要合适,如果过小则相应的计算量较大,反之则规划结果不合理甚至出现无法到达目标点等问题。
2、基于贝叶斯网络和模糊逻辑推理的自适应参数设置
由虚拟力法的规划原理,规划参数k决定了规划航路与给定威胁间的关系,规划参数k越大,则规划得到的无人机航路将远离所有威胁,选取较远的安全航路;反之,将得到距离近的航路,弱化威胁代价。
以往研究中,k一般是根据经验人为指定,然而战场环境、任务需求和无人机状态信息等实时变化,在线的评估与推理确保航路规划能够动态地反映态势变化,使得规划更加智能和精确。
这里选定如下因素作为推理要素:
推理要素1:平台能力PCL
推理要素2:时间要求TmR
定义PCL是用来感知和预测无人机的健康状况和能力,PCL可通过贝叶斯网络评估得到。
2.1贝叶斯网络
贝叶斯网络模型中,节点Z有q个子节点Yl,...,Yq和一个父节点U。给出如下定义:
Bel:节点Z的信度值,即后验概率分布;
λ:来自子节点的诊断概率,即结果事件的出现对待诊断原因的影响;
π:因果概率,反映了来自父节点以及兄弟节点的因果影响。
MZ|U=P(Z|U)是在给定父节点U前提下,子节点Z的条件概率。网络受新的事件信息或先验知识触发,按照如下三个步骤进行更新:第一步,根据新获取的信息更新本节点的信度:
Bel(z)=σλ(z)π(z)
π(u)=πZ(u)×MZ|U;
第二步,自底向上的传播:λZ(u)=λ(z)×MZ|U;
PCL可通过平台状态、武器状态、燃油信息及故障信息等,利用上述贝叶斯网络计算得到,对应的具体模型见附图2。
2.2模糊逻辑推理
规划参数k可通过模糊推理得到,推理规则的一般形式见表1。
表1求解规划参数k的模糊规则
推理过程采用Mamdani方法,解模糊采用重心法。
3、采用威胁合并法,解决局部极小问题
虚拟力法的局部极小问题本质上是由规划空间存在虚拟势场的凹分布引起。虚拟力可由虚拟势场的梯度W求得:
上式可知,x点的虚拟力指向局部极小区域的中心。航路规划一旦进入该区域则无法继续进行。
局部极小问题可描述成如下形式:给定集合A和B,如果对A中任意元素x1满足f(x1)∈B,且对B中任意元素x2满足f(x2)∈A,则A和B的并集构成局部极小区域,f(·)表示规划过程。
为了判断航路规划过程是否陷入局部极小,给出如下两个准则:
准则1.如果|FN|=0且没有到达目标点,则规划陷入局部极小。
准则2.如果FN=-FN+1且没有到达目标点,则规划陷入局部极小。
为了解决局部极小问题,提出了一种威胁合并的新方法。将产生局部极小的威胁进行合并。由于如果将虚拟势场变为凸分布,原局部极小区域的势能比周围更高,规划不会中止。因此,威胁合并法的原理是将势能的凹分布改变为凸分布。
对任意两个威胁间距离ThrtDis进行定义:
其中TTDis为两个威胁中心间距离,GapDis为两个威胁影响范围间的最短距离,r和R分别为两个威胁的影响半径。将ThrtDis进行归一化处理,使之处于[0,1]之间。
重新定义模糊集合K,将K中和K小合并成K小,K大不变。依照表2规则,根据任意两个威胁所对应的规划参数k1、k2推理得到两个威胁间的临界距离CritiDis。
表2临界距离的推理规则
比较任意两个威胁对应的ThrtDis和依据重心法解模糊后的CritiDis之间关系,得到合并标志CmbVal:
合并标志CmbVal为1的两个威胁构成威胁组,威胁的分组过程可采用如下邻接矩阵法进行搜索。
首先构造邻接矩阵AdjM,矩阵为方阵,且维数等于威胁的数量。矩阵中的元素可表示为AdjM[i][j]=CmbVali,j,其中i,j为威胁编号,显然,该矩阵为对称阵。
对邻接矩阵AdjM进行搜索,从而得到威胁分组情况。其中,第m个威胁组用邻接向量AdjV[m]表示,AdjV[m]中第n个元素可表示为
其中,∪(·)表示逻辑“或”运算,p为威胁数量。按照式(11)循环运算,直至AdjV[m]不变。AdjV[m][n]中数值为1的元素对应的威胁构成第m组。威胁组数即为合并结束后新威胁的数量。
航路规划算法按照新的威胁信息进行重新规划则可消除局部极小。
以上所述仅为本发明的较佳实施方式,凡依本发明权利要求所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于模糊虚拟力的无人机航路规划方法,其特征在于包含以下步骤:
1)设置无人机航路规划的初始条件,包括规划起始点、目标点、威胁分布及属性;
2)设置无人机航路规划的迭代步长;
3)设置规划参数k,从而确定虚拟斥力系数与虚拟引力系数之间的关系,其中,k=GR/GA,GA表示虚拟引力系数,GR表示虚拟斥力系数;
4)进行航路规划,航路规划坐标变化量Δx和Δy为: 其中, FAx和FAy分别表示虚拟引力在x轴和y轴的投影,RA是当前点和目标点间的距离,θA是当前点与目标点连线和x轴的夹角; FRx和FRy分别表示虚拟斥力在x轴和y轴的投影,RR是当前点和威胁间的距离,r0是常量可设置为威胁的半径,θR是当前点与威胁连线和x轴的夹角;δ为航路规划的迭代步长,且α=[(FAx+∑FRx)2+(FAy+∑FRy)2]-1/2;
5)判断是否进入局部极小,若是,则按照步骤5.1)和5.2)进行威胁合并,若否,则继续进行航路规划直至目标点;
5.1)根据任意两个威胁所对应的规划参数k1、k2模糊推理得到两个威胁间CritiDis为临界间距;定义为威胁间距,其中TTDis为两个威胁中心之间的距离,GapDis为两个威胁影响范围间的最短距离,r和R分别为两个威胁的影响半径;
5.2)将ThrtDis进行归一化处理,使之处于[0,1]之间,比较任意两个威胁对应的ThrtDis和依据重心法解模糊后的CritiDis之间关系,得到合并标志CmbVal为:
2.根据权利要求1所述的方法,其特征在于:迭代步长应满足δ≤H(1+β),其中,FRx=βxFAx,FRy=βyFAy且β=min(βx,βy);H=2αGA/dmax,dmax为航路规划当前点与航路规划目标点之间距离的最大值。
3.根据权利要求1所述的方法,其特征在于:基于模糊逻辑推理,将k的确定规则采用模糊集合描述如下:
如果规划航路所需飞行时间要求TmR低且平台能力PCL弱,则k大;
如果规划航路所需飞行时间要求TmR低且平台能力PCL强,则k中;
如果规划航路所需飞行时间要求TmR中且平台能力PCL中,则k中;
如果规划航路所需飞行时间要求TmR高且平台能力PCL弱,则k中;
如果规划航路所需飞行时间要求TmR高且平台能力PCL强,则k小;
最后采用重心法解模糊化得到k的数值。
4.根据权利要求1所述的方法,其特征在于:判断是否进入局部极小准则为:如果|FN|=0且没有到达目标点,则规划陷入局部极小,或者如果FN=-FN+1且没有到达目标点,则规划陷入局部极小;其中FN为第N步规划时虚拟斥力和虚拟引力的矢量和,FN+1为规划第N+1步时虚拟斥力和虚拟引力的矢量和。
5.根据权利要求1所述的方法,其特征在于:对任意两个威胁所对应的规划参数k1、k2进行模糊推理的步骤为:
如果k1大且k2大,则CritiDis大;
如果k1大且k2小,则CritiDis中;
如果k1小且k2大,则CritiDis中;
如果k1小且k2小,则CritiDis小。
6.根据权利要求1所述的方法,其特征在于:对所有威胁进行分组的步骤为:
5.3)首先构造邻接矩阵AdjM,该矩阵为方阵,且维数等于威胁的数量;矩阵中的元素表示为AdjM[i][j]=CmbVali,j,其中i,j为威胁编号;
5.4)对邻接矩阵AdjM进行搜索,从而得到威胁分组情况;其中,第m个威胁组用邻接向量AdjV[m]表示,AdjV[m]中第n个元素表示为 其中,∪(·)表示逻辑“或”运算,p为威胁数量;
5.5)按照公式 循环运算,直至AdjV[m]不变;AdjV[m][n]中数值为1的元素对应的威胁构成第m组;威胁组数即为合并结束后新威胁的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010187959.2A CN102269593B (zh) | 2010-06-01 | 2010-06-01 | 基于模糊虚拟力的无人机航路规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010187959.2A CN102269593B (zh) | 2010-06-01 | 2010-06-01 | 基于模糊虚拟力的无人机航路规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102269593A CN102269593A (zh) | 2011-12-07 |
CN102269593B true CN102269593B (zh) | 2014-03-12 |
Family
ID=45051963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010187959.2A Expired - Fee Related CN102269593B (zh) | 2010-06-01 | 2010-06-01 | 基于模糊虚拟力的无人机航路规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102269593B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102749080B (zh) * | 2012-06-18 | 2015-01-07 | 北京航空航天大学 | 一种基于流体力学的无人机三维航路生成方法 |
CN103713642B (zh) * | 2013-12-24 | 2016-05-04 | 北京航空航天大学 | 一种基于扰动流体动态系统的无人机三维航路规划方法 |
CN106304114B (zh) * | 2016-08-18 | 2019-07-09 | 中国人民解放军国防科学技术大学 | 一种三维空间无人移动平台群体移动部署通信与控制方法 |
CN107102650B (zh) * | 2017-05-27 | 2020-01-31 | 河南科技大学 | 一种适用于高速环境的无人机动态路径规划方法 |
CN107479572B (zh) * | 2017-08-02 | 2020-07-07 | 南京理工大学 | 基于仿生的无人机群组实时路径规划方法 |
CN108255780B (zh) * | 2017-12-20 | 2021-11-16 | 中国人民解放军海军大连舰艇学院 | 一种基于优化目标的舰队防空资源控制参量的求解计算方法 |
CN111367309B (zh) * | 2018-12-25 | 2023-09-01 | 杭州海康威视数字技术股份有限公司 | 一种无人机飞行控制方法及装置 |
CN110262485B (zh) * | 2019-06-10 | 2022-06-07 | 华侨大学 | 一种基于自适应引力的移动机器人避障方法 |
CN111123976A (zh) * | 2019-12-24 | 2020-05-08 | 一飞智控(天津)科技有限公司 | 基于人工势场的无人机集群路径规划处理方法、无人机 |
CN111132258B (zh) * | 2019-12-30 | 2023-05-09 | 南京航空航天大学 | 一种基于虚拟势场法的无人机集群协同机会路由方法 |
CN112148024B (zh) * | 2020-08-20 | 2022-04-08 | 中国人民解放军海军航空大学 | 基于自适应伪谱法的无人机实时在线航迹规划方法 |
CN113758438B (zh) * | 2021-07-08 | 2023-07-25 | 重庆市勘测院 | 特殊建筑物倾斜航空摄影及三维重建方法 |
CN113868362B (zh) * | 2021-11-30 | 2022-02-25 | 亿海蓝(北京)数据技术股份公司 | 航路轨迹构建方法、系统、船舶和船舶管理系统 |
CN114003047B (zh) * | 2021-12-31 | 2022-04-08 | 山东科技大学 | 一种小型无人船路径规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5218542A (en) * | 1990-03-30 | 1993-06-08 | Shinko Electric Co., Ltd. | Control system for unmanned carrier vehicle |
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
-
2010
- 2010-06-01 CN CN201010187959.2A patent/CN102269593B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5218542A (en) * | 1990-03-30 | 1993-06-08 | Shinko Electric Co., Ltd. | Control system for unmanned carrier vehicle |
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
Non-Patent Citations (6)
Title |
---|
Autonomous trajectory planning for UAV based on threat assessments and improved Voronoi graphics;YANG Yanyan et al.;《Proceeding of SPIE VOL 6358》;20061231;63584J-1-63584J-8 * |
DONG Zhuoning et al..Study on UAV Path Planning Approach Based on Fuzzy Virtual Force.《Chinese Journal of Aeronautics》.2010,(第3期), |
Study on UAV Path Planning Approach Based on Fuzzy Virtual Force;DONG Zhuoning et al.;《Chinese Journal of Aeronautics》;20100630(第3期);341-350 * |
YANG Yanyan et al..Autonomous trajectory planning for UAV based on threat assessments and improved Voronoi graphics.《Proceeding of SPIE VOL 6358》.2006, |
基于虚拟力的三维路径规划方法;董卓宁等;《系统仿真学报》;20090831;第20卷;387-392 * |
董卓宁等.基于虚拟力的三维路径规划方法.《系统仿真学报》.2009,第20卷 |
Also Published As
Publication number | Publication date |
---|---|
CN102269593A (zh) | 2011-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102269593B (zh) | 基于模糊虚拟力的无人机航路规划方法 | |
Zheng et al. | Evolutionary route planner for unmanned air vehicles | |
Zhang et al. | Three-dimensional path planning for uninhabited combat aerial vehicle based on predator-prey pigeon-inspired optimization in dynamic environment | |
CN108958285B (zh) | 一种基于分解思想的高效多无人机协同航迹规划方法 | |
CN110320930A (zh) | 基于Voronoi图的多无人机编队队形可靠变换方法 | |
Xia et al. | Cooperative task assignment and track planning for multi-UAV attack mobile targets | |
Choudhury et al. | RRT*-AR: Sampling-based alternate routes planning with applications to autonomous emergency landing of a helicopter | |
Sui et al. | ACO+ PSO+ A*: A bi-layer hybrid algorithm for multi-task path planning of an AUV | |
Zhao et al. | Reinforcement learning-based collision avoidance guidance algorithm for fixed-wing uavs | |
Yue et al. | A new searching approach using improved multi-ant colony scheme for multi-UAVs in unknown environments | |
Sujit et al. | Multiple UAV coalition formation | |
CN106840164A (zh) | 一种多碎片主动清除在线重规划算法 | |
Yang et al. | A space mapping based 0–1 linear model for onboard conflict resolution of heterogeneous unmanned aerial vehicles | |
Yang et al. | Three-dimensional UAV cooperative path planning based on the MP-CGWO algorithm | |
Wu et al. | Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error | |
Şenbaşlar et al. | Dream: Decentralized real-time asynchronous probabilistic trajectory planning for collision-free multi-robot navigation in cluttered environments | |
Li et al. | A warm-started trajectory planner for fixed-wing unmanned aerial vehicle formation | |
Azoulay et al. | UAV Flocks Forming for Crowded Flight Environments. | |
Wang et al. | Task allocation and online path planning for AUV swarm cooperation | |
Li et al. | When digital twin meets deep reinforcement learning in multi-UAV path planning | |
Wang et al. | Cooperative target search of UAV swarm with communication distance constraint | |
Xiong et al. | Multi-uav 3d path planning in simultaneous attack | |
Khachumov | Problems of group pursuit of a target in a perturbed environment | |
Khachumov | The problem of target pursuit by a group of unmanned flight vehicles | |
Shao et al. | A New Method for Multi-UAV Cooperative Mission Planning Under Fault |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
DD01 | Delivery of document by public notice |
Addressee: Beihang University Document name: Notification to Pay the Fees |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140312 Termination date: 20150601 |
|
EXPY | Termination of patent right or utility model |