CN107677273A - 一种基于二维栅格划分的集群无人机多航迹规划方法 - Google Patents
一种基于二维栅格划分的集群无人机多航迹规划方法 Download PDFInfo
- Publication number
- CN107677273A CN107677273A CN201710810478.4A CN201710810478A CN107677273A CN 107677273 A CN107677273 A CN 107677273A CN 201710810478 A CN201710810478 A CN 201710810478A CN 107677273 A CN107677273 A CN 107677273A
- Authority
- CN
- China
- Prior art keywords
- node
- quantum
- unmanned plane
- threat
- grid
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人机多航迹规划技术领域,具体涉及一种基于二维栅格划分的集群无人机多航迹规划方法。步骤为:用栅格法将二维空间规划为若干正方形网格;建立无人机威胁约束模型;初始化量子蚁群,初始化量子信息素并将所有量子蚂蚁置于初始节点;所有量子蚂蚁根据禁忌搜索和量子信息素更新节点选择概率等机制完成路径搜索;根据最优路径的综合代价更新量子旋转角;使用模拟的量子旋转门更新量子信息素;将输出的最优路径存入航迹集合;判断航迹集合中的航迹个数是否到达最大航迹个数;将航迹集合中的航迹依长度排序供无人机选择。将传统蚁群算法的启发式搜索机制与量子计算和禁忌搜索相结合,提供一种获取多条选择路径的集群无人机航迹规划方法。
Description
技术领域
本发明属于无人机多航迹规划技术领域,具体涉及一种基于二维栅格划分的集群无人机多航迹规划方法。
背景技术
无人机的航迹规划是指根据飞行任务的需要,设计出使无人机从起点到目标点的最优飞行轨迹,要求符合无人机机动性能约束并使综合代价最小。无人机的航迹规划是为圆满完成任务而作的飞行计划。合理的规划使无人机能有效地规避威胁,提高生存概率及作战效率。在实际的航迹规划过程中,由于实际环境的复杂性,无人机很难事先获得全部的威胁和环境信息,而且这些因素也可能会实时发生改变,这可能会导致预先规划的单条最优航迹在无人机执行任务时无法使用。另一方面,当多机协同执行任务时,往往需要规划多条不同的航迹,从不同的方向到达目标区域执行任务。要解决上述问题一种有效的途径就是使用多航迹规划方法,预先规划出多条航迹,然后在执行任务时根据不同的需要临时决定合适的航迹或多机协同航迹。
本发明考虑无人机集群作战情境下的航迹规划。无人机集群作战是指一组具备部分自主能力的无人机系统通过有人或无人操作装置的辅助,在一名高级操作员的监控下,完成作战任务的过程。集群无人机航迹规划则要求集群内无人机自主飞向任务区域的同时,避免与其它无人机发生碰撞,并且需要根据前方无人机反馈的敌人设置的新打击点信息来调整后续无人机的飞行路线。要满足上述要求同样需采取多航迹规划方法。
航迹规划算法大致分为两类,确定性计算方法和启发式优化算法。确定性计算方法如A*算法,虽然该算法具有运算量小和收敛性强的优点,但是它只能生成一条航迹,不适合需要多条航迹的集群作战系统。而启发式优化算法如蚁群算法,由于其采用随机搜索方法,具备可生成多个解的特性,因而在一定程度上满足了无人机集群作战系统的需要。但是传统的蚁群算法的信息素更新方式容易导致其丧失种群多样性而陷入局部最优,因而本发明考虑结合量子计算和禁忌搜索的方法,使用模拟的量子旋转门对信息素进行更新,既能够保证求解的路径的有效性,能够求出综合代价最小的路径,又不失路径的多样性,能够获取综合代价相对较小可供集群作战系统选择的多条路径。
发明内容
本发明的目的在于提供一种获取多条选择路径的集群无人机航迹规划方法,具体涉及一种基于二维栅格划分的集群无人机多航迹规划方法。
本发明的目的是这样实现的:
一种基于二维栅格划分的集群无人机多航迹规划方法,具体的实现步骤如下:
步骤1.用栅格法将二维空间规划为若干正方形网格,设二维空间横坐标范围为[xmin,xmax],纵坐标范围为[ymin,ymax],网格大小为G,则每列有h=(ymax-ymin)/G个网格,每行有v=(xmax-xmin)/G个网格,网格总数为n=h·v,取每个网格左下角的网格节点代表对应的网格,并按照从下往上、从左往右的顺序给网格编号,则编号为k的网格节点编号计算公式为k=1,2,...,n,(xk,yk)为第k个网格节点的空间坐标;
步骤2.建立无人机威胁约束模型,设区域中存在NR个雷达威胁点、NM个导弹威胁点、NA个高炮威胁点及NC个大气威胁点,记第l1,l1=1,2,...,NR个雷达威胁点坐标为雷达威胁点在节点k处产生的威胁代价为第l2,l2=1,2,...,NM个导弹威胁点坐标为导弹威胁点在节点k处产生的威胁代价为第l3,l3=1,2,...,NA个高炮威胁点坐标为高炮威胁点在节点k处产生的威胁代价为第l4,l4=1,2,...,NC个大气威胁点坐标为大气威胁点在节点k处产生的威胁代价为则所有威胁点在节点k处产生的总威胁代价为其中δR、δM、δA和δC分别为雷达威胁、导弹威胁、高炮威胁和大气威胁的权重;
步骤3.初始化量子蚁群,将节点i与节点j间路径的量子信息素浓度初始化为 i=1,2,…,n,j=1,2,...,n,得到量子信息素矩阵同时将H只量子蚂蚁置于起始节点,n为网格节点总数,t为迭代次数,初始时设t=0;
步骤4.所有量子蚂蚁各自进行路径搜索;
步骤5.取H只量子蚂蚁中到达目标节点且长度最短的路径作为最优路径,更新最优路径节点集合ROUTEt、最优路径长度Lt以及最优路径的综合代价其中表示第t次迭代得到的最优路径集合中所有节点威胁代价之和;
步骤6.根据最优路径的综合代价φt更新量子旋转角更新方式如下:
其中Q为角度调节因子;
步骤7.对于每两个节点i,j,i=1,2,...,n,j=1,2,...,n间的量子信息素采用模拟的量子旋转门,按照以下方式更新:
其中i=1,2,...,n,j=1,2,...,n;
步骤8.如果达到最大迭代次数,迭代终止,输出的最优路径即为无人机可选航迹的一个潜在解,并将其存入航迹集合D,否则,设t=t+1并将H只量子蚂蚁置于起始节点,并返回步骤4继续进行;
步骤9.如果得到K条航迹潜在解,则执行步骤10,否则,返回步骤3继续进行;
步骤10.将得到的K条航迹按照它们长度的升序排列即可得到无人机的不同长度的航迹集合。
步骤4中所述的量子蚂蚁的路径搜索中,对第h,h=1,2,...,H只量子蚂蚁,按照以下操作,即每次从当前节点依概率转移到下一节点,直至H只量子蚂蚁中的每一只到达目标节点或可选节点集合为空,令h=1,开始执行以下操作,
(1)初始时起始节点为当前节点,用e表示当前节点;
(2)根据第h只量子蚂蚁的当前节点e更新禁忌列表禁忌列表包括当前节点以及n个网格节点中受任一威胁点的威胁代价为1的所有节点;
(3)根据第h只量子蚂蚁的当前节点e以及当前禁忌列表更新量子蚂蚁h的可选节点集合 表示量子蚂蚁h所在节点e的相邻节点集合,表示n个网格节点中在禁忌列表外的节点;
(4)判断可选节点集合是否为空,若则执行(5),若则量子蚂蚁h停止移动,并转至(7);
(5)计算从当前节点转移到可选节点集合中每一个可选节点的概率,并通过轮盘赌选择并移动到下一个节点,在第t次迭代中,量子蚂蚁h从节点当前节点e转移到可选节点b,的概率其中为第t次迭代中节点e与节点b间路径的量子信息素浓度,ηb为节点b的启发因子,也为b点的总威胁代价的倒数,即ηb=1/εb,λeb为当前节点e与可选节点b间的引导因子,也为两者距离的倒数,即λeb=1/deb,α、β和γ分别表示量子信息素、启发因子和引导因子的重要性程度;
(6)判断新获得的节点是否为目标节点,若是则执行(7),否则,将其作为新的当前节点,返回(2);
(7)判断是否所有量子蚂蚁都完成路径搜索,若h≠H则令h=h+1并返回(1);若h=H 则执行步骤(5)。
步骤2中的δR∈[0,1],δM∈[0,1],δA∈[0,1],δC∈[0,1],且δR+δM+δA+δC=1。
步骤2中的和的计算公式如下:
其中为节点k与雷达间的距离,表示雷达的绝对探测半径,表示雷达探测区域的最大半径;
其中为节点k与导弹发射点间的距离,表示导弹的杀伤区近界,表示导弹的杀伤区远界;
其中为节点k与高炮阵地间的距离,为高炮阵地的火力空域,为高炮阵地的最大射程;
其中为节点k与大气威胁中心的距离,表示在大气威胁影响下无人机必然毁伤的区域半径,表示大气威胁影响区域的最大半径。
步骤10中的无人机根据以下方式选择相应航迹,
方式1.把每个长度集合中的航迹按照威胁代价升序排列,不同编队的无人机选择不同长度集合中威胁代价最小的航迹飞行,或者选择相同长度集合中的不同航迹;
方式2.当前方无人机发回新威胁点信息时,后续无人机能够选择避开新威胁的轨迹飞行。
本发明的有益效果在于:本发明解决了无人机集群作战情境下的航迹规划问题。解决了现有基于网格划分的启发式方法在进行路径规划时因仅求解单条最优路径而不适合集群无人机作战系统的问题,提供了多条综合代价较小的可选路径供不同的无人机进行选择;通过采用新的量子信息素更新方式,既保证了求解的路径的有效性,能够求出综合代价最小的路径,又不失路径的多样性,能够获取综合代价相对较小可供集群作战系统选择的多条路径;本方法得到的多条路径既保证了我们有充足的备用路线可供无人机选择,又保证了无人机在飞行过程中处于低威胁区域中,当后续无人机接收到前方无人机反馈的新威胁点后,能够从剩余可选航迹中选择能避开该威胁点的航迹,从而保证后续的无人机仍可正常执行任务。
附图说明
图1为本发明系统流程图。
图2为量子蚂蚁的路径搜索流程图。
图3为在特定参数设置下得到的四条航迹图。
具体实施方式:
下面结合附图对本发明做进一步的描述:
本发明涉及一种基于二维栅格划分的集群无人机多航迹规划方法,该方法为解决无人机集群作战情境下的航迹规划问题,提出了一种获取多条可选路径的集群无人机航迹规划方法。
如图1和2所示,本发明中提出的方法的详细流程如下:
步骤1.用栅格法将二维空间规划为若干正方形网格。设二维空间横坐标范围为[xmin,xmax],纵坐标范围为[ymin,ymax],网格大小为G,则每列有h=(ymax-ymin)/G个网格,每行有v=(xmax-xmin)/G个网格,网格总数为n=h·v。取每个网格左下角的网格节点代表对应的网格,并按照从下往上、从左往右的顺序给网格编号,则编号为k的网格节点编号计算公式为其中k=1,2,...,n,(xk,yk)为第k个网格节点的空间坐标。
步骤2.建立无人机威胁约束模型。设区域中存在NR个雷达威胁点、NM个导弹威胁点、NA个高炮威胁点及NC个大气威胁点。记第l1,l1=1,2,...,NR个雷达威胁点坐标为雷达威胁点在节点k处产生的威胁代价为第l2,l2=1,2,...,NM个导弹威胁点坐标为导弹威胁点在节点k处产生的威胁代价为第l3,l3=1,2,...,NA个高炮威胁点坐标为高炮威胁点在节点k处产生的威胁代价为第l4,l4=1,2,...,NC个大气威胁点坐标为大气威胁点在节点k处产生的威胁代价为所有威胁点在节点k处产生的总威胁代价为其中δR、δM、δA和δC分别为雷达威胁、导弹威胁、高炮威胁和大气威胁的权重,δR∈[0,1],δM∈[0,1],δA∈[0,1],δC∈[0,1],且δR+δM+δA+δC=1。和分别计算如下:
其中为节点k与雷达间的距离,表示雷达的绝对探测半径,表示雷达探测区域的最大半径;
其中为节点k与导弹发射点间的距离,表示导弹的杀伤区近界,表示导弹的杀伤区远界;
其中为节点k与高炮阵地间的距离,为高炮阵地的火力空域,为高炮阵地的最大射程;
其中为节点k与大气威胁中心的距离,表示在大气威胁影响下无人机必然毁伤的区域半径,表示大气威胁影响区域的最大半径。
步骤3.初始化量子蚁群。将节点i与节点j间路径的量子信息素浓度初始化为 i=1,2,…,n,j=1,2,...,n,得到量子信息素矩阵同时将H只量子蚂蚁置于起始节点,n为网格节点总数,t为迭代次数,初始时设t=0。
步骤4.量子蚂蚁的移动。对第h,h=1,2,...,H只量子蚂蚁,按照以下操作,每次从当前节点依概率转移到下一节点,直至H只量子蚂蚁中的每一只到达目标节点或可选节点集合为空。令h=1,开始执行以下操作:
1.初始时起始节点即为当前节点,用e表示当前节点;
2.根据第h只量子蚂蚁的当前节点e更新禁忌列表禁忌列表包括当前节点以及n个网格节点中受任一威胁点的威胁代价为1的所有节点;
3.根据第h只量子蚂蚁的当前节点e以及当前禁忌列表更新量子蚂蚁h的可选节点集合 表示量子蚂蚁h所在节点e的相邻节点集合,表示n个网格节点中在禁忌列表外的节点;
4.判断可选节点集合是否为空,若则执行5,若则量子蚂蚁h停止移动,并转至7;
5.计算从当前节点转移到可选节点集合中每一个可选节点的概率,并通过轮盘赌选择并移动到下一个节点,在第t次迭代中,量子蚂蚁h从节点当前节点e转移到可选节点 b,的概率其中为第t次迭代中节点e与节点 b间路径的量子信息素浓度,ηb为节点b的启发因子,为b点的总威胁代价的倒数,即ηb=1/εb,λeb为当前节点e与可选节点b间的引导因子,为两者距离的倒数,即λeb=1/deb,α、β和γ分别表示量子信息素、启发因子和引导因子的重要性程度;
6.判断新获得的节点是否为目标节点,若是则执行7,否则,将其作为新的当前节点,返回2;
7.判断是否所有量子蚂蚁都完成路径搜索。若h≠H则令h=h+1并返回1,若h=H则执行步骤5。
步骤5.取H只量子蚂蚁中到达目标节点且长度最短的路径作为最优路径,更新最优路径节点集合ROUTEt、最优路径长度Lt以及最优路径的综合代价表示第t次迭代得到的最优路径集合中所有节点威胁代价之和。
步骤6.根据最优路径的综合代价φt更新量子旋转角更新方式如下:
其中Q为角度调节因子。
步骤7.对于每两个节点i,j,i=1,2,...,n,j=1,2,...,n间的量子信息素采用模拟的量子旋转门,按照以下方式更新:
步骤8.如果达到最大迭代次数,迭代终止,输出的最优路径即为无人机可选航迹的一个潜在解,并将其存入航迹集合D。否则,设t=t+1并将H只量子蚂蚁置于起始节点,并返回步骤4继续进行。
步骤9.如果得到K条航迹潜在解,则执行步骤10,否则,返回步骤3继续进行。
步骤10.将得到的K条航迹依其长度升序排列即可得到不同长度的航迹集合,无人机根据以下方式选择相应航迹:
方式1.把每个长度集合中的航迹按照威胁代价升序排列,不同编队的无人机选择不同长度集合中威胁代价最小的航迹飞行,或者选择相同长度集合中的不同航迹。
方式2.当前方无人机发回新威胁点信息时,后续无人机能够选择避开新威胁的轨迹飞行。
如图3所示,所有的坐标与半径的单位都为千米,NR=4,雷达威胁坐标分别为(26,55)、 (52,45)、(35,26)和(51.5,31),且四者半径相同dRmin=4,dRmax=120;NM=4,导弹威胁点坐标分别为(17,22)、(24,35)、(30,62)和(40,38),且四者半径相同dMmin=3.5,dMmax=100; NA=3,高炮威胁点坐标分别为(10,30)、(26,22)和(14,46),且三者半径相同dAmin=3,dAmax=6;NC=2,大气威胁点坐标分别为(16,40)和(24,48),且两者半径相同dCmin=2, dCmax=7;xmin=10,xmax=60,ymin=20,ymax=70,G=2km;δR=0.9、δM=0.02、δA=0.04、δC=0.04;α=1,β=0.25,γ=5,Q=π;K=50,H=50,最大迭代次数为50。
图3中的四条曲线是将航迹集合中的路径经排序得到的四条航迹长度最短的路径,如图 3所示,这是四条不同的路径,能够满足供集群无人机系统的需要。而当新威胁出现时,也能从航迹集合中选择其余航迹较长的路径来避开威胁。
本发明考虑结合量子计算的方法,使用模拟的量子旋转门对信息素进行更新,既保证了求解路径的有效性,能够求出综合代价最小的路径,又不失路径的多样性,能够获取综合代价相对较小可供集群作战系统选择的多条路径。
这里必须指出的是,本发明中给出的其他未说明的部分因为都是本领域的公知知识,根据本发明所述的名称或功能,本领域技术人员就能够找到相关记载的文献,因此未做进一步说明。本方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术。
Claims (5)
1.一种基于二维栅格划分的集群无人机多航迹规划方法,其特征在于,具体的实现步骤如下:
步骤1.用栅格法将二维空间规划为若干正方形网格,设二维空间横坐标范围为[xmin,xmax],纵坐标范围为[ymin,ymax],网格大小为G,则每列有h=(ymax-ymin)/G个网格,每行有v=(xmax-xmin)/G个网格,网格总数为n=h·v,取每个网格左下角的网格节点代表对应的网格,并按照从下往上、从左往右的顺序给网格编号,则编号为k的网格节点编号计算公式为(xk,yk)为第k个网格节点的空间坐标;
步骤2.建立无人机威胁约束模型,设区域中存在NR个雷达威胁点、NM个导弹威胁点、NA个高炮威胁点及NC个大气威胁点,记第l1,l1=1,2,...,NR个雷达威胁点坐标为雷达威胁点在节点k处产生的威胁代价为第l2,l2=1,2,...,NM个导弹威胁点坐标为导弹威胁点在节点k处产生的威胁代价为第l3,l3=1,2,...,NA个高炮威胁点坐标为高炮威胁点在节点k处产生的威胁代价为第l4,l4=1,2,...,NC个大气威胁点坐标为大气威胁点在节点k处产生的威胁代价为则所有威胁点在节点k处产生的总威胁代价为其中δR、δM、δA和δC分别为雷达威胁、导弹威胁、高炮威胁和大气威胁的权重;
步骤3.初始化量子蚁群,将节点i与节点j间路径的量子信息素浓度初始化为 得到量子信息素矩阵同时将H只量子蚂蚁置于起始节点,n为网格节点总数,t为迭代次数,初始时设t=0;
步骤4.所有量子蚂蚁各自进行路径搜索;
步骤5.取H只量子蚂蚁中到达目标节点且长度最短的路径作为最优路径,更新最优路径节点集合ROUTEt、最优路径长度Lt以及最优路径的综合代价其中表示第t次迭代得到的最优路径集合中所有节点威胁代价之和;
步骤6.根据最优路径的综合代价φt更新量子旋转角更新方式如下:
其中Q为角度调节因子;
步骤7.对于每两个节点i,j,i=1,2,...,n,j=1,2,...,n间的量子信息素采用模拟的量子旋转门,按照以下方式更新:
其中i=1,2,...,n,j=1,2,...,n;
步骤8.如果达到最大迭代次数,迭代终止,输出的最优路径即为无人机可选航迹的一个潜在解,并将其存入航迹集合D,否则,设t=t+1并将H只量子蚂蚁置于起始节点,并返回步骤4继续进行;
步骤9.如果得到K条航迹潜在解,则执行步骤10,否则,返回步骤3继续进行;
步骤10.将得到的K条航迹按照它们长度的升序排列即可得到无人机的不同长度的航迹集合。
2.根据权利要求1所述的一种基于二维栅格划分的集群无人机多航迹规划方法,其特征在于:步骤4中所述的量子蚂蚁的路径搜索中,对第h,h=1,2,...,H只量子蚂蚁,按照以下操作,即每次从当前节点依概率转移到下一节点,直至H只量子蚂蚁中的每一只到达目标节点或可选节点集合为空,令h=1,开始执行以下操作,
(1)初始时起始节点为当前节点,用e表示当前节点;
(2)根据第h只量子蚂蚁的当前节点e更新禁忌列表禁忌列表包括当前节点以及n个网格节点中受任一威胁点的威胁代价为1的所有节点;
(3)根据第h只量子蚂蚁的当前节点e以及当前禁忌列表更新量子蚂蚁h的可选节点集合 表示量子蚂蚁h所在节点e的相邻节点集合,表示n个网格节点中在禁忌列表外的节点;
(4)判断可选节点集合是否为空,若则执行(5),若则量子蚂蚁h停止移动,并转至(7);
(5)计算从当前节点转移到可选节点集合中每一个可选节点的概率,并通过轮盘赌选择并移动到下一个节点,在第t次迭代中,量子蚂蚁h从节点当前节点e转移到可选节点b,的概率其中为第t次迭代中节点e与节点b间路径的量子信息素浓度,ηb为节点b的启发因子,也为b点的总威胁代价的倒数,即ηb=1/εb,λeb为当前节点e与可选节点b间的引导因子,也为两者距离的倒数,即λeb=1/deb,α、β和γ分别表示量子信息素、启发因子和引导因子的重要性程度;
(6)判断新获得的节点是否为目标节点,若是则执行(7),否则,将其作为新的当前节点,返回(2);
(7)判断是否所有量子蚂蚁都完成路径搜索,若h≠H则令h=h+1并返回(1);若h=H则执行步骤(5)。
3.根据权利要求1所述的一种基于二维栅格划分的集群无人机多航迹规划方法,其特征在于:步骤2中的δR∈[0,1],δM∈[0,1],δA∈[0,1],δC∈[0,1],且δR+δM+δA+δC=1。
4.根据权利要求1所述的一种基于二维栅格划分的集群无人机多航迹规划方法,其特征在于:步骤2中的和的计算公式如下:
其中为节点k与雷达间的距离,表示雷达的绝对探测半径,表示雷达探测区域的最大半径;
其中为节点k与导弹发射点间的距离,表示导弹的杀伤区近界,表示导弹的杀伤区远界;
其中为节点k与高炮阵地间的距离,为高炮阵地的火力空域,为高炮阵地的最大射程;
其中为节点k与大气威胁中心的距离,表示在大气威胁影响下无人机必然毁伤的区域半径,表示大气威胁影响区域的最大半径。
5.根据权利要求1所述的一种基于二维栅格划分的集群无人机多航迹规划方法,其特征在于:步骤10中的无人机可以根据以下方式选择相应航迹,
方式1.把每个长度集合中的航迹按照威胁代价升序排列,不同编队的无人机可以选择不同长度集合中威胁代价最小的航迹飞行,或者选择相同长度集合中的不同航迹;
方式2.当前方无人机发回新威胁点信息时,后续无人机可以选择避开新威胁的轨迹飞行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710810478.4A CN107677273B (zh) | 2017-09-11 | 2017-09-11 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710810478.4A CN107677273B (zh) | 2017-09-11 | 2017-09-11 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107677273A true CN107677273A (zh) | 2018-02-09 |
CN107677273B CN107677273B (zh) | 2020-09-25 |
Family
ID=61135816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710810478.4A Active CN107677273B (zh) | 2017-09-11 | 2017-09-11 | 一种基于二维栅格划分的集群无人机多航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107677273B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108398958A (zh) * | 2018-03-14 | 2018-08-14 | 广州亿航智能技术有限公司 | 无人机编队路径匹配方法、装置和储存介质 |
CN108445903A (zh) * | 2018-03-28 | 2018-08-24 | 深圳臻迪信息技术有限公司 | 一种无人机防撞控制方法 |
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN109029447A (zh) * | 2018-06-25 | 2018-12-18 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
CN109358652A (zh) * | 2018-12-21 | 2019-02-19 | 山东理工大学 | 一种直升机航线规划方法 |
CN109405830A (zh) * | 2018-09-04 | 2019-03-01 | 西安爱生无人机技术有限公司 | 基于线路坐标序列的无人机自动巡检方法 |
CN109885082A (zh) * | 2019-03-03 | 2019-06-14 | 西安电子科技大学 | 一种基于任务驱动下的无人机航迹规划的方法 |
CN110207708A (zh) * | 2019-06-25 | 2019-09-06 | 重庆邮电大学 | 一种无人机航迹规划装置及方法 |
CN110399969A (zh) * | 2019-06-27 | 2019-11-01 | 武汉猎隼科技有限公司 | 一种蜂群无人机ai航站楼算法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
CN110470305A (zh) * | 2019-08-23 | 2019-11-19 | 沈阳航空航天大学 | 一种动态环境下无人机避障航迹规划方法 |
CN110570691A (zh) * | 2018-06-06 | 2019-12-13 | 杭州海康机器人技术有限公司 | 一种无人机航线确定方法及装置 |
CN110702121A (zh) * | 2019-11-23 | 2020-01-17 | 赣南师范大学 | 面向山地果园机械的最优路径模糊规划方法 |
CN110850891A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 一种基于空间和时间协同的多无人机动态航路规划方法 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN111707267A (zh) * | 2020-06-18 | 2020-09-25 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
CN112015199A (zh) * | 2020-07-17 | 2020-12-01 | 煤炭科学技术研究院有限公司 | 应用于煤矿井下智能巡检无人机的航迹规划方法及装置 |
CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112462805A (zh) * | 2020-11-19 | 2021-03-09 | 西安理工大学 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
CN112987794A (zh) * | 2021-04-21 | 2021-06-18 | 南京南机智农农机科技研究院有限公司 | 一种飞行集群模拟器 |
CN113220024A (zh) * | 2021-05-07 | 2021-08-06 | 中国工程物理研究院电子工程研究所 | 一种高性能无人机集群搜索路径优化方法 |
CN115033025A (zh) * | 2022-08-09 | 2022-09-09 | 中国航天科工集团八五一一研究所 | 一种基于态势认知结果的航迹保障方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN104406593A (zh) * | 2014-12-03 | 2015-03-11 | 广西民族大学 | 一种确定无人机航路最优路径的方法 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN106779252A (zh) * | 2017-02-10 | 2017-05-31 | 泉州装备制造研究所 | 一种基于改进量子蚁群算法的agv实时路线规划方法 |
-
2017
- 2017-09-11 CN CN201710810478.4A patent/CN107677273B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471592A (zh) * | 2013-06-08 | 2013-12-25 | 哈尔滨工程大学 | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 |
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN104406593A (zh) * | 2014-12-03 | 2015-03-11 | 广西民族大学 | 一种确定无人机航路最优路径的方法 |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN106779252A (zh) * | 2017-02-10 | 2017-05-31 | 泉州装备制造研究所 | 一种基于改进量子蚁群算法的agv实时路线规划方法 |
Non-Patent Citations (3)
Title |
---|
WEN-LING XUE ETAL.: "Research of Dynamic Routing Based on Improved Dynamic Ant Colony Algorithm", 《2010 2ND INTERNATIONAL CONFERENCE ON INDUSTRIAL MECHATRONICS AND AUTOMATION 》 * |
刘洋等: "一种三维环境中的无人机多路径规划方法", 《西北工业大学学报》 * |
高洪元等: "基于新量子蜂群算法的鲁棒多用户检测", 《计算机工程》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108459503A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN108459503B (zh) * | 2018-02-28 | 2021-03-30 | 哈尔滨工程大学 | 一种基于量子蚁群算法的无人水面艇航迹规划方法 |
CN108398958A (zh) * | 2018-03-14 | 2018-08-14 | 广州亿航智能技术有限公司 | 无人机编队路径匹配方法、装置和储存介质 |
CN108398958B (zh) * | 2018-03-14 | 2021-04-23 | 广州亿航智能技术有限公司 | 无人机编队路径匹配方法、装置和储存介质 |
CN108445903A (zh) * | 2018-03-28 | 2018-08-24 | 深圳臻迪信息技术有限公司 | 一种无人机防撞控制方法 |
CN110570691A (zh) * | 2018-06-06 | 2019-12-13 | 杭州海康机器人技术有限公司 | 一种无人机航线确定方法及装置 |
CN109029447A (zh) * | 2018-06-25 | 2018-12-18 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
CN109029447B (zh) * | 2018-06-25 | 2022-05-10 | 陕西科技大学 | 一种多波次导弹发射车路径规划方法 |
CN109405830A (zh) * | 2018-09-04 | 2019-03-01 | 西安爱生无人机技术有限公司 | 基于线路坐标序列的无人机自动巡检方法 |
CN109358652B (zh) * | 2018-12-21 | 2021-07-30 | 山东理工大学 | 一种直升机航线规划方法 |
CN109358652A (zh) * | 2018-12-21 | 2019-02-19 | 山东理工大学 | 一种直升机航线规划方法 |
CN109885082B (zh) * | 2019-03-03 | 2021-04-13 | 西安电子科技大学 | 一种基于任务驱动下的无人机航迹规划的方法 |
CN109885082A (zh) * | 2019-03-03 | 2019-06-14 | 西安电子科技大学 | 一种基于任务驱动下的无人机航迹规划的方法 |
CN110207708A (zh) * | 2019-06-25 | 2019-09-06 | 重庆邮电大学 | 一种无人机航迹规划装置及方法 |
CN110399969A (zh) * | 2019-06-27 | 2019-11-01 | 武汉猎隼科技有限公司 | 一种蜂群无人机ai航站楼算法 |
CN110399969B (zh) * | 2019-06-27 | 2022-09-09 | 王志鹏 | 一种蜂群无人机ai航站楼算法 |
CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
CN110470305A (zh) * | 2019-08-23 | 2019-11-19 | 沈阳航空航天大学 | 一种动态环境下无人机避障航迹规划方法 |
CN110850891B (zh) * | 2019-11-11 | 2023-02-14 | 西北工业大学 | 一种基于空间和时间协同的多无人机动态航路规划方法 |
CN110850891A (zh) * | 2019-11-11 | 2020-02-28 | 西北工业大学 | 一种基于空间和时间协同的多无人机动态航路规划方法 |
CN110702121B (zh) * | 2019-11-23 | 2023-06-23 | 赣南师范大学 | 面向山地果园机械的最优路径模糊规划方法 |
CN110702121A (zh) * | 2019-11-23 | 2020-01-17 | 赣南师范大学 | 面向山地果园机械的最优路径模糊规划方法 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
CN111707267A (zh) * | 2020-06-18 | 2020-09-25 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
CN112015199A (zh) * | 2020-07-17 | 2020-12-01 | 煤炭科学技术研究院有限公司 | 应用于煤矿井下智能巡检无人机的航迹规划方法及装置 |
CN112015199B (zh) * | 2020-07-17 | 2024-05-28 | 煤炭科学技术研究院有限公司 | 应用于煤矿井下智能巡检无人机的航迹规划方法及装置 |
CN112462805B (zh) * | 2020-11-19 | 2022-11-29 | 西安理工大学 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
CN112462805A (zh) * | 2020-11-19 | 2021-03-09 | 西安理工大学 | 基于改进蚁群算法的5g网联无人机航迹规划方法 |
CN112327927B (zh) * | 2020-11-25 | 2021-11-26 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112987794A (zh) * | 2021-04-21 | 2021-06-18 | 南京南机智农农机科技研究院有限公司 | 一种飞行集群模拟器 |
CN113220024A (zh) * | 2021-05-07 | 2021-08-06 | 中国工程物理研究院电子工程研究所 | 一种高性能无人机集群搜索路径优化方法 |
CN115033025A (zh) * | 2022-08-09 | 2022-09-09 | 中国航天科工集团八五一一研究所 | 一种基于态势认知结果的航迹保障方法 |
CN115033025B (zh) * | 2022-08-09 | 2022-11-18 | 中国航天科工集团八五一一研究所 | 一种基于态势认知结果的航迹保障方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107677273B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107677273A (zh) | 一种基于二维栅格划分的集群无人机多航迹规划方法 | |
Duan et al. | Max-min adaptive ant colony optimization approach to multi-UAVs coordinated trajectory replanning in dynamic and uncertain environments | |
CN107622327B (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
CN106705970B (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
Zhang et al. | UAV path planning method based on ant colony optimization | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN105302153B (zh) | 异构多无人机协同察打任务的规划方法 | |
Gao et al. | A self-organized search and attack algorithm for multiple unmanned aerial vehicles | |
CN102436604B (zh) | 一种基于多目标进化方法的多弹协同航路计算方法 | |
CN101122974B (zh) | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 | |
CN110389595A (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN102506863B (zh) | 一种基于万有引力搜索的无人机航路规划方法 | |
CN105892480A (zh) | 异构多无人机系统协同察打任务自组织方法 | |
CN108413959A (zh) | 基于改进混沌蚁群算法的无人机航路规划方法 | |
CN106979784A (zh) | 基于混合鸽群算法的非线性航迹规划 | |
CN109254588A (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN107063255A (zh) | 一种基于改进果蝇优化算法的三维航路规划方法 | |
CN114020031B (zh) | 基于改进鸽群优化的无人机集群协同动态目标搜索方法 | |
CN106779210A (zh) | 基于蚁群算法的火力分配方法 | |
CN112684808A (zh) | 一种不确定环境下的无人机集群智能协同察打方法 | |
CN104834317A (zh) | 一种智能识别威胁类型的无人机飞行路径规划方法 | |
CN106295164A (zh) | 一种路径规划方法及电子设备 | |
CN108594645A (zh) | 单场站多无人机分配与飞行路线的规划方法及系统 | |
CN113485456A (zh) | 一种无人机群分布式在线自适应任务规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |