CN108801266A - 一种多无人机对不确定环境搜索的航迹规划方法 - Google Patents
一种多无人机对不确定环境搜索的航迹规划方法 Download PDFInfo
- Publication number
- CN108801266A CN108801266A CN201810642318.8A CN201810642318A CN108801266A CN 108801266 A CN108801266 A CN 108801266A CN 201810642318 A CN201810642318 A CN 201810642318A CN 108801266 A CN108801266 A CN 108801266A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- region
- environment
- remuneration
- distance
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013439 planning Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 210000000349 chromosome Anatomy 0.000 claims description 17
- 230000004888 barrier function Effects 0.000 claims description 14
- 210000004027 cell Anatomy 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000010006 flight Effects 0.000 description 4
- 210000001726 chromosome structure Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 210000004209 hair Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出了一种多无人机对不确定环境搜索的航迹规划方法,其步骤为:对飞行环境进行建模,对飞行状态进行建模,对遗传算法进行编码,对搜索概率图进行建模;初始化遗传算法的计算参数;确定无人机的飞行方式:利用遗传算法随机生成路径种群,选择报酬最大的种群,无人机飞行该种群的第一步,之后重新在自身位置预测路径,循环往复;在无人机的飞行环境中加入飞行机制:将无人机的搜索环境分成9个区域,区域之间的距离设置为每个区域的中心到另一个区域的中心的距离,共享一个边的区域的距离为1,设置区域之间的报酬为距离的倒数。本发明可以更加有效地进行目标搜索及增大地图覆盖率,达到若干个无人机之间的有效配合,提高搜索效率。
Description
技术领域
本发明涉及无人机航迹规划的技术领域,尤其涉及一种多无人机对不确定环境搜索的航迹规划方法。
背景技术
无人机路径规划技术在近年来得到了飞速发展,在军事领域和民用领域中,多UAV(Unmanned Aerial Vehicle,无人驾驶飞机)技术越来越多的应用在了协同目标搜索的任务上,如利用多无人机协同进行目标搜索、灾后人员搜救、协调运输货物等。在进行无人机路径规划时,无人机可能会受到各种障碍物或者禁飞区的干扰从而导致无人机不能搜索到尽可能多的目标或者无人机对地图的覆盖率过低,这些都达不到对地图搜索的任务指标。随着时代的变化和科技的进步,对无人机的路径规划要更加深入。
对于无人机的路径规划,主要目的就是搜索到尽可能多的目标,同时尽量增大对无人机飞行环境的覆盖率。而在搜索目标增大覆盖率的过程中,最重要的是如何协同各个无人机按各自方向飞行,尽量达到不重叠并且在有障碍物的情况下能快速躲避从而达到尽快搜索目标的效果。尽量让无人机的路径规划达到全局最优,可以将无人机的应用更广泛,从而应用于灾后人员搜救、协调运输货物、区域监视等方面。申请号为201610012608.5的发明专利中使用了PSO对多UAV进行路径规划,它相对于遗传算法而言保留了基于种群的全局搜索策略,不需要GA的交叉和变异,从而避免了复杂的遗传操作;但是在收敛情况下,由于所有的粒子都向最优解的方向飞去,所以粒子趋向同一化(失去了多样性),这使得后期收敛速度明显变慢,以致算法收敛到一定精度时无法继续优化。申请号为201610898192.1的发明专利申请中使用机动巡逻围捕方式使各UAV按照预先设定的巡逻路线向搜索区域中心近心螺旋运动,这种方法使得UAV在不确定环境中也能尽可能搜索到足够多的目标,但是该方法耗费时间较长,并且可能出现UAV的航迹重复,造成了一定的资源浪费。
发明内容
针对现有航迹规划方法存在的弊端,本发明提出一种多无人机对不确定环境搜索的航迹规划方法,在遗传算法的基础上加入方向机制实现多无人机协同搜索路径规划,通过加入的方向机制使得无人机在地图环境中相互配合,能够更加有效地搜索到更多的目标以及更高的地图覆盖率。
为了达到上述目的,本发明的技术方案是这样实现的:一种多无人机对不确定环境搜索的航迹规划方法,其步骤如下:
步骤一:对飞行环境进行建模,对无人机的飞行状态进行建模,对无人机飞行使用的遗传算法进行编码,对搜索概率图进行建模;
步骤二:初始化遗传算法的计算参数,遗传算法计算参数包括无人机预测路径长度、无人机最大转弯角和遗传算法的交叉率及变异率;初始化若干个无人机的位置,每个无人机代表一个轨迹;
步骤三:确定无人机的飞行方式:利用遗传算法随机生成inn个路径种群,选择报酬最大的种群,种群的染色体长度为5,即无人机预测的距离为搜索环境的5格距离,选择之后无人机飞行这个种群的第一步,运行一步之后无人机重新在自身位置预测5步路径,循环往复;
步骤四:在无人机的飞行环境中加入飞行机制:将无人机的搜索环境G分成9个区域,区域之间的距离设置为每个区域的中心到另一个区域的中心的距离,设置共享一个边的区域的距离为1,设置区域之间的报酬为距离的倒数,即disc=1/d;且无人机每飞一步,就去检测周边每个区域的未探索区域占总地图比例的大小,如果给区域之间设置大型障碍物,就减小disc;如果多架无人机准备飞向同一区域,比较哪一架无人机距离此区域较近,距离比较远的无人机减小去此处区域的报酬,使其尽量飞向离自己近距离的区域。
所述飞行环境为MM*MM的离散正方形网格所构成的搜索环境G,搜索环境G中的任意一个网格记为(m,n);m∈{1,2,...,MM},n∈{1,2,...,MM},每个网格的边长为1;搜索环境G中存在Ng个待搜索目标,No个与目标同等大小的小型障碍物以及一个大型障碍物,大型障碍物可为U型障碍物或双L型障碍物。
所述飞行状态建模的方法为:搜索环境G中存在Nv架无人机,任意一架无人机的飞行速度和最大偏转角相等,最大偏转角都为45度,即无人机UAV在下一时刻的航向只可能是在上一时刻的航向基础上左转45°、直行或向右转45°;无人机刚起飞时可选方向有8个方向O:0~7,无人机在t+1时刻的方向满足Oi(t+1)∈{Oi(t)-1,Oi(t),Oi(t)+1}mod 8,即当无人机飞行之后只能选择三个方向飞行。
所述遗传算法编码的方法为:把无人机的动作集设为三个数值,即U={-1,0,1},其中-1表示左转、0表示直行、1表示右转;以无人机的动作u∈U为基因进行编码,染色体长度为路径规划步数q;每条染色体均可解码为可行路径解空间中的一个解,即无人机的飞行方向。
所述搜索概率图的建模方法为:每个无人机的传感器能检测到飞行环境中5格的距离,用Tstop表示多无人机搜索的总时间步长,用t表示第t个时间步长,t=1,2,...Tstop;采用概率模型描述目标的位置状态,对每个栅格L(x,y)赋予矢量信息Pxy(t)=[ρxy(t),μxy(t)]来综合描述t时刻网格内目标和环境信息,(x,y)表示无人机的矩形飞行环境中位于第x行第y列的单元;ρxy(t)∈[0,1]为目标存在概率,μxy(t)∈[0,1]为环境确定度,所有栅格的矢量信息Pxy(t)构成了无人机执行搜索任务的区域搜索图;搜索过程中,无人机根据机载传感器的探测信息对搜索概率图进行实时更新。
若干个无人机的协同进化搜索路径规划的步骤如下:
Step 1:确定算法的控制参数,包括进化子种群的规模Psize、基因的交叉概率Pc、变异概率Pm、协同进化的代数T和算法的终止条件为达到总时间步长Tstop;
Step 2:令t=0,对UAVi,产生t时刻的q步最优路径:
1)令t=0,随机生成Psize个染色体长度为q的个体;
2)根据遗传算法中报酬与适应度函数的关系计算每个种群个体的适应值,并进行选择、交叉和变异操作,并迭代T次;
3)选择最优个体作为代表个体;
4)如果t=T,满足进化停止条件,则种群的进化停止,并且输出优化的q步路径;否则令t=t+1,转Step2中第2)步;
Step 3:无人机选择最大报酬的预测路径并且执行此染色体的第一位,即执行最优路径的第一项,移动UAVi,并更新单元格和UAVi的状态;
Step 4:如果达到算法的终止时间即Tstop则算法停止;否则,令t=t+1,转Step2中第1)步。
所述遗传算法中报酬与适应度函数的关系的确定方法为:
设UAVi按第i个种群的第l个个体所示路径移动,当到达t+1时刻时位于单元格(mil(t+1),nil(t+1))内,UAVj按第j个种群的代表个体所示路径移动,t+1时刻位于单元格(mj(t+1)nj(t+1))内,表示UAVi和UAVj之间的距离,计算公式为:当距离时,无人机之间就不会发生碰撞,适应度函数Fil作为待评价个体代表路径的报酬ρ, ω1、ω2和ω3为加权系数,且ω1+ω2+ω3=1,Rc-1,c为沿规划路径无人机在相邻两步之间移动的距离;ρf为发现目标报酬,ρu为不确定降低报酬;
当时,UAVi与UAVj在t+1时刻可能发生碰撞,如果存在一个j,j=1,2,…,Nv,且j≠i,使得则令适应度函数为零:Fil=0;
若则增加惩罚项,适应度函数为其中,ω表示惩罚因子。
所述步骤四中将搜索环境G用坐标轴表示,1区域对应(1,3),2区域对应(2,3),3区域对应(3,3),4区域对应(1,2),5区域对应(2,2),6区域对应(3,2),7区域对应(1,1),8区域对应(2,1),9区域对应(3,1);设Q∈{1,2,3,4,5,6,7,8,9},每个区域的位置为(xQ,yQ)或(xE,yE),作出这9个区域的邻接矩阵D,每个区域之间的距离值的倒数作为区域之间的报酬;且设置D(xQ,xQ)=D(xQ+1,xQ),即如果某两个区域的覆盖率相等,无人机从自身区域飞向周边区域的可能性与自身向自身区域飞行的可能性相等。
当某个区域未被探索,此区域报酬达到最大,无人机根据给位置分析自己向哪个区域飞行:
1)检测各个无人机与区域的距离,如果两个或两个以上的无人机都朝向某个区域飞行,比较多个无人机到飞向区域的距离,距离相对较近的无人机告知其他无人机,从而使得距离较近的无人机飞向此区域的报酬增大,而其他无人机飞向此区域的报酬减小,使得搜索环境的地图的覆盖率得到更多的增大;
2)设置每一个时间点都代表无人机的运行的一步路径,并且无人机每走一步,无人机系统都会检测各个区的环境,即未探索区域占总区域的比例,使得UAV的飞行方向点在基于遗传算法的贪婪模式下做到实时更新,使得地图的不确定度在固定的时间下尽可能的做到最小。
所述步骤四中多无人机协同搜索路径规划的步骤为:S1:计算各个区域的未探索区域与总搜索区域的占比;S2:计算各个无人机的方向点,判断是否有多个无人机飞向同一个方向,如果是进入S3,如果否进行步骤S4;S3:选择距离该区域最近的无人机,增大就近无人机吸引报酬且继续飞行,减少其他的无人机对该区域吸引报酬并重新寻找自身方向点;S4:区域对无人机的吸引报酬不变,无人机朝方向点飞行;S5:返回S1。
本发明的有益效果:首先设置多无人机的初始位置、不确定度和发现目标报酬的相关参数以及搜索完成时间;无人机可探测周边5步距离的状态情况,如果存在目标或者区域没有被探测,则此路径的报酬相对较大,无人机选取报酬最大的路径的第一步作为下一个航路点的位置;将无人机的地图环境设置为9个区域,每个区域之间的距离的倒数设置为报酬的值,并且设置一个区域自身的报酬和从这个区域到邻接区域的报酬相等;如果区域与区域之间存在大型障碍物,则会降低此区域之间的报酬,参数自行设置;无人机每走一步就会计算整个地图每个区域的被探索情况以及自己所在区域位置,无人机会因为地图被探索情况的信息主动飞行未探索区域比例大的区域;如果多个无人机飞向同一区域,根据区域报酬,离该区域最近的无人机会主动飞行这一区域,其他无人机会改变自己的飞行方向,尽量不向此区域飞行。本发明基于遗传算法下加入了飞行方向机制实现多UAV协同航迹规划,更加有效地进行目标搜索以及增大地图覆盖率,能够在大地图环境下实现更好的搜索全面性,达到若干个无人机之间的有效配合,提高搜索效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的初始设置搜索环境的示意图。
图2为无人机的航向示意图。
图3为染色体结构的示意图。
图4为无人机的路径示意图。
图5为本发明的环境分区示意图。
图6为环境分区的坐标轴表示图。
图7为本发明的区域间报酬示意图。
图8为本发明的UAV加入飞行方向机制搜索目标流程图。
图9为本发明的UAV在U型障碍物下的飞行情况图。
图10为本发明的UAV在双L型障碍物下的飞行情况图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种多无人机对不确定环境搜索的航迹规划方法,其步骤如下:
步骤一:对飞行环境进行建模。定义若干个无人机协同搜索是在MM*MM的离散正方形网格所构成的搜索环境G中执行搜索任务,30*30的无人机工作环境模型图如图1所示。搜索环境G中的任意一个网格记为(m,n);m∈{1,2,...,MM},n∈{1,2,...,MM},每个网格的边长为1;定义搜索环境G中存在Ng个待搜索目标,No个与目标同等大小的小型障碍物以及一个大型障碍物,大型障碍物可为U型障碍物、双L型障碍物等等。
无人机飞行状态进行建模。定义搜索环境G中存在Nv架无人机,任意一架无人机的飞行速度和最大偏转角相等,最大偏转角都为45度,因此UAV在下一时刻的航向只可能是在上一时刻的航向基础上左转45°、直行或向右转45°,如图2所示。无人机的飞行状态,t=1即无人机刚起飞时可选方向有8个方向O:0~7,t+1时刻无人机的飞行状态只能选择O-1,O,O+1这三个方向。无人机在初始时刻为中间位置,可以选择8个方向飞行,受无人机平台约束的限制,无人机在t+1时刻的方向需满足Oi(t+1)∈{Oi(t)-1,Oi(t),Oi(t)+1}mod 8,意味着当无人机飞行之后只能选择三个方向飞行。
对遗传算法进行编码。由于无人机受到转弯特性的限制,本发明把无人机的动作集设为三个数值,即U={-1,0,1},其中-1表示左转、0表示直行、1表示右转。以无人机的动作u∈U为基因进行编码,染色体长度为路径规划步数q,如图3所示为q=6时的染色体结构。每条染色体均可解码为可行路径解空间中的一个解(候选路径),u1~u6表示0~7的某个相关的数字,即无人机的飞行方向。t时刻,若第i个无人机UAVi的航向为1,则染色体-1,1,1,0,-1,1代表的路径如图4所示,i=1,...,Nv。
对搜索概率图进行建模。定义每个UAV的传感器能检测到地图中5格距离环境;用Tstop表示多无人机搜索的总时间步长,用t表示第t个时间步长,t=1,2,...Tstop;针对搜索环境及任务的特点,采用概率模型来描述目标的位置状态。这里主要考虑目标存在概率和对目标区域信息确定度,对每个栅格L(x,y)赋予矢量信息Pxy(t)=[ρxy(t),μxy(t)]来综合描述t时刻网格内目标和环境信息,ρxy(t)∈[0,1]为目标存在概率,ρxy(t)=1表示目标存在;μxy(t)∈[0,1]为环境确定度,μxy(t)=1表示UAV完全掌握该处的目标存在信息,μxy(t)=0则表示无人机对该处的目标信息一无所知。所有栅格的矢量信息Pxy(t)构成了无人机执行搜索任务的区域搜索图。搜索过程中,无人机根据机载传感器的探测信息对概率图进行实时更新。设定无人机搜索目标为静态目标,当无人机检测到某单元格时,此单元格的不确定度就降为0,如果此处存在目标,就认定该单元格存在目标,不考虑无人机虚警误报的情况。
步骤二:初始化遗传算法计算参数。遗传算法计算参数包括无人机预测路径长度、无人机最大转弯角和遗传算法的交叉率及变异率;初始化Nv个无人机的位置,每个无人机代表一个轨迹。
步骤三:确定无人机的飞行方式:利用遗传算法随机生成inn个路径种群,种群的染色体长度为5,意味着无人机预测的距离为地图的5格距离,选择种群的报酬最大的种群,种群报酬公式为:
式中:ω1、ω2和ω3为加权系数,且ω1+ω2+ω3=1,Rc-1,c为沿规划路径无人机在相邻两步之间移动的距离。ρf为发现目标报酬,ρu为不确定降低报酬。选择之后无人机飞行这个种群的第一步,运行一步之后无人机重新在自身位置预测5步路径,循环往复。以上报酬还不完全,在步骤四中需要对上述种群报酬公式增加内容。
本发明中子种群的适应度以报酬作为评价标准,无人机在搜索路径并产生预测路径时,在这q步路径中计算报酬ρ,选择报酬ρ最大的个体作为代表个体,报酬ρ的计算公式如式(1)所示。在无人机飞行过程中,个体的适应度不应与其他无人机发生碰撞,即各个无人机在预测分析自己要走的路径时,每个无人机的染色体的相同位不能相等,然后无人机继续朝向报酬最大的路径飞行。当无人机之间可能发生碰撞时,本发明在其适应度函数中增加了惩罚项。设UAVi按第i个种群的第l个个体所示路径移动,第i个无人机按照自己的种群飞行,比如说i=1的时候,第一个无人机飞行按照系统生成的第一个种群飞行,这个种群包含了许多条路径,这个许多条路径就包括了第,个个体。当到达t+1时刻时位于单元格(mil(t+1),nil(t+1))内,UAVj按第j个种群的代表个体所示路径移动,t+1时刻位于单元格(mj(t+1)nj(t+1))内,表示UAVi和UAVj之间的距离,计算公式为:当距离时,无人机之间就不会发生碰撞,适应度函数Fil作为待评价个体代表路径的报酬ρ,即Fil=ρ (2);
当时,UAVi与UAVj在t+1时刻可能发生碰撞,如果存在一个j,j=1,2,…,Nv,且j≠i,使得则令适应度为零:Fil=0;
若则增加惩罚项,
本发明设定的对多无人机的协同进化搜索路径规划的步骤如下:
Step 1:确定算法的控制参数,包括进化子种群的规模Psize、基因的交叉概率Pc、变异概率Pm、协同进化的代数T和算法的终止条件为达到总时间步长Tstop。
Step 2:令t==0,对UAVi,产生t时刻的q步最优路径。
1)令t=0,随机生成Psize个染色体长度为q的个体。
2)根据式(1)~式(3)计算每个种群个体的适应值,并进行选择、交叉和变异操作,并迭代T=200次。
3)选择最优个体作为代表个体。
4)如果t=T,说明已经满足进化停止条件,则种群的进化停止,并且输出优化的q步路径;否则令t=t+1,转Step2中第2)步。
Step 3:无人机选择最大报酬的预测路径并且执行此染色体的第一位,即执行最优路径的第一项,移动UAVi,并更新单元格和UAVi的状态。
Step 4:如果达到算法的终止时间即Tstop则算法停止;否则,令t=t+1,转Step2中第1)步。
步骤四:对无人机加入飞行方向机制。在无人机的飞行环境中加入飞行机制:假设的环境为矩形地图环境,将无人机的矩形搜索环境G分成9个区域,如图5所示,区域之间的距离设置为每个区域的中心到另一个区域的中心的距离,设置共享一个边的区域的距离为1,区域之间的距离就有:和这5种情况距离,那么设置区域之间的报酬为距离的倒数,即disc=1/d,设置区域与区域之间的报酬目的是为了让无人机从某区域到区域飞行时更能主动去飞向距离自己比较近的区域;并且无人机每飞一步,就去检测周边每个区域的未探索区域占总地图比例的大小,所占的比例作为一个报酬ρp=某个区域未探索程度/地图环境;可以得到最终的种群报酬公式为: 如果给区域之间设置大型障碍物,就减小disc,情况需要看障碍物的大小决定;如果多架无人机准备飞向同一区域,就比较哪一架无人机距离此区域较近,距离比较远的无人机就减小去此处区域的报酬,使其尽量飞向离自己近距离的区域。
将搜索环境G用坐标轴表示如图6所示,1区域对应(1,3),2区域对应(2,3),3区域对应(3,3),4区域对应(1,2),5区域对应(2,2),6区域对应(3,2),7区域对应(1,1),8区域对应(2,1),9区域对应(3,1)。设Q∈{1,2,3,4,5,6,7,8,9},每个区域的位置为(xQ,yQ)或(xE,yE),作出这9个区域的邻接矩阵D,每个区域之间的距离值的倒数作为区域之间的报酬;且设置D(xQ,xQ)=D(xQ+1,xQ),即如果某两个区域的覆盖率相等,无人机从自身区域飞向周边区域的可能性与自身向自身区域飞行的可能性相等。
图7为无人机飞行的邻接矩阵的计算过程,每行首列表示无人机所处的位置,每列首行表示无人机飞行要去的位置,上表中其余处则表示无人机各个区域之间的距离,下表中其余处则表示无人机从自身位置到下一个位置的报酬大小情况。
当矩形环境的分区完成,最初,无人机按照各自的位置进行飞行搜索,当k>1之后,无人机系统开始计算各个分区的未探索区域占全地图的百分比,为了与飞行报酬持平,百分比就作为无人机飞向每个区域的报酬。由此可知,当某个区域未被探索,此处的区域报酬达到最大,然后,无人机根据给位置分析自己向哪个区域飞行。
1)检测各个无人机与区域的距离,如果两个或两个以上的无人机都朝向某个区域飞行,比较多个无人机到飞向区域的距离,距离相对较近的无人机会告知其他无人机,从而使得距离较近的无人机飞向此区域的报酬增大,而其他无人机飞向此区域的报酬减小,这使得地图的覆盖率得到更多的增大。
2)设置每一个时间点都代表无人机的运行的一步路径,并且无人机每走一步,无人机系统都会检测各个区的环境,即未探索区域占总区域的比例,使得UAV的飞行方向点在基于遗传算法的贪婪模式下做到实时更新,使得地图的不确定度在固定的时间下尽可能的做到最小。
以上两步作为新机制的基本思想,我们做出了新机制的遗传算法对多UAV协同搜索路径规划流程图,如图8所示。S1:计算各个区域的未探索区域与总搜索区域的占比;S2:计算各个无人机的方向点,判断是否有多个无人机飞向同一个方向,如果是进入S3,如果否进行步骤S4;S3:选择距离该区域最近的无人机,增大就近无人机吸引报酬且继续飞行,减少其他的无人机对该区域吸引报酬并重新寻找自身方向点;S4:区域对无人机的吸引报酬不变,无人机朝方向点飞行;S5:返回S1。
图9所示,最先设置三个UAV依次分布在左下角,并设置UAV1、UAV2、UAV3初始方向为0、1、2,使得三个UAV按照各自方向飞行。
在①处,UAV1本身方向应该为1,但是受到目标的吸引改变了自身方向,变为5,方向变为5之后,UAV不能调头飞行,只能在4、5、6方向飞行,但受到区域报酬的影响,此时的UAV1处于7区域,UAV2已经在7区域飞行过一段时间,UAV3在8区域已经飞行过一段时间,于是4区域对UAV1的吸引力更大,当UAV1到达4区域后,因为4、5区域之间存在障碍物因此,5区域对UAV1构成的吸引力相比2区域对UAV1的吸引力不够大,UAV1飞向2区域,到达2区域后收到5区域的吸引力最大,导致了UAV1飞向5区域,在运行过一段时间之后到达停止时间,UAV飞行结束,也就是我们标记的②处。
在③处,UAV2受到目标影响方向变为7,此时的2区域处于一个完全没有被探索阶段,受到2区域的极大吸引,UAV2向2区域飞行,由于UAV1飞向了5区域,UAV2受到3区域的吸引飞向此处。在④处,UAV2受到左方目标的吸引而仍然在3区域飞行没有飞往6区域。
在⑤处,UAV3受到9区域的吸引飞向此处,到达9区域之后发现6区域未探索继而飞向6区域,在⑥处,UAV3受到目标的吸引飞回9区域,由于地图的每个区域的探索覆盖率都有一定的数值,那么对于UAV3而言就需要比较6区域和8区域的哪个对其更优吸引力,在⑦处,UAV3选择飞向8区域。
图10所示,最先设置三个无人机依次分布在左下角,并设置UAV1、UAV2、UAV3初始方向为0、1、2,使得三个无人机按照各自方向飞行。
在①处,由于UAV2在3区域飞行过一段时间,使得3区域对UAV1的吸引力变得小,UAV1受到1区域的影响力更大,因此UAV1向1区域飞行。
在②处,UAV2从7区域飞行,受到5区域的吸引在搜索到了2个目标之后由于5区域仍然具有吸引力,于是UAV2飞向了双L障碍物中间区域,它仍然是5区域,搜索到了3个目标之后,UAV2飞向6区域,此时的3区域完全没有被探索,吸引力达到最大,于是UAV2飞向3区域。在③处,由于UAV3已经探索9区域,9区域的吸引力变得很小,3区域和6区域对UAV2造成的吸引力相等,UAV2随机选择,选择继续在3区域飞行搜索。
在④处,UAV3从7区域飞向8区域再飞向9区域、6区域之后,受到5区域的吸引飞影响,由于双L中间区域的不确定度已经在UAV2的搜索下降为最低,因此,UAV3选择在5区域的下方进行飞行搜索。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种多无人机对不确定环境搜索的航迹规划方法,其特征在于,其步骤如下:
步骤一:对飞行环境进行建模,对无人机的飞行状态进行建模,对无人机飞行使用的遗传算法进行编码,对搜索概率图进行建模;
步骤二:初始化遗传算法的计算参数,遗传算法计算参数包括无人机预测路径长度、无人机最大转弯角和遗传算法的交叉率及变异率;初始化若干个无人机的位置,每个无人机代表一个轨迹;
步骤三:确定无人机的飞行方式:利用遗传算法随机生成inn个路径种群,选择报酬最大的种群,种群的染色体长度为5,即无人机预测的距离为搜索环境的5格距离,选择之后无人机飞行这个种群的第一步,运行一步之后无人机重新在自身位置预测5步路径,循环往复;
步骤四:在无人机的飞行环境中加入飞行机制:将无人机的搜索环境G分成9个区域,区域之间的距离设置为每个区域的中心到另一个区域的中心的距离,设置共享一个边的区域的距离为1,设置区域之间的报酬为距离的倒数,即disc=1/d;且无人机每飞一步,就去检测周边每个区域的未探索区域占总地图比例的大小,如果给区域之间设置大型障碍物,就减小disc;如果多架无人机准备飞向同一区域,比较哪一架无人机距离此区域较近,距离比较远的无人机减小去此处区域的报酬,使其尽量飞向离自己近距离的区域。
2.根据权利要求1所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述飞行环境为MM*MM的离散正方形网格所构成的搜索环境G,搜索环境G中的任意一个网格记为(m,n);m∈{1,2,…,MM},n∈{1,2,…,MM},每个网格的边长为1;搜索环境G中存在Ng个待搜索目标,No个与目标同等大小的小型障碍物以及一个大型障碍物,大型障碍物可为U型障碍物或双L型障碍物。
3.根据权利要求2所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述飞行状态建模的方法为:搜索环境G中存在Nv架无人机,任意一架无人机的飞行速度和最大偏转角相等,最大偏转角都为45度,即无人机UAV在下一时刻的航向只可能是在上一时刻的航向基础上左转45°、直行或向右转45°;无人机刚起飞时可选方向有8个方向O:0~7,无人机在t+1时刻的方向满足Oi(t+1)∈{Oi(t)-1,Oi(t),Oi(t)+1}mod 8,即当无人机飞行之后只能选择三个方向飞行。
4.根据权利要求3所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述遗传算法编码的方法为:把无人机的动作集设为三个数值,即U={-1,0,1},其中-1表示左转、0表示直行、1表示右转;以无人机的动作u∈U为基因进行编码,染色体长度为路径规划步数q;每条染色体均可解码为可行路径解空间中的一个解,即无人机的飞行方向。
5.根据权利要求1所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述搜索概率图的建模方法为:每个无人机的传感器能检测到飞行环境中5格的距离,用Tstop表示多无人机搜索的总时间步长,用t表示第t个时间步长,t=1,2,…Tstop;采用概率模型描述目标的位置状态,对每个栅格L(x,y)赋予矢量信息Pxy(t)=[ρxy(t),μxy(t)]来综合描述t时刻网格内目标和环境信息,(x,y)表示无人机的矩形飞行环境中位于第x行第y列的单元;ρxy(t)∈[0,1]为目标存在概率,μxy)t)∈[0,1]为环境确定度,所有栅格的矢量信息Pxy(t)构成了无人机执行搜索任务的区域搜索图;搜索过程中,无人机根据机载传感器的探测信息对搜索概率图进行实时更新。
6.根据权利要求1-5中任意一项所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,若干个无人机的协同进化搜索路径规划的步骤如下:
Step 1:确定算法的控制参数,包括进化子种群的规模Psize、基因的交叉概率Pc、变异概率Pm、协同进化的代数T和算法的终止条件为达到总时间步长Tstop;
Step 2:令t=0,对UAVi,产生t时刻的q步最优路径:
1)令t=0,随机生成Psize个染色体长度为q的个体;
2)根据遗传算法中报酬与适应度函数的关系计算每个种群个体的适应值,并进行选择、交叉和变异操作,并迭代T次;
3)选择最优个体作为代表个体;
4)如果t=T,满足进化停止条件,则种群的进化停止,并且输出优化的q步路径;否则令t=t+1,转Step2中第2)步;
Step 3:无人机选择最大报酬的预测路径并且执行此染色体的第一位,即执行最优路径的第一项,移动UAVi,并更新单元格和UAVi的状态;
Step 4:如果达到算法的终止时间即Tstop则算法停止;否则,令t=t+1,转Step2中第1)步。
7.根据权利要求6所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述遗传算法中报酬与适应度函数的关系的确定方法为:
设UAVi按第i个种群的第l个个体所示路径移动,当到达t+1时刻时位于单元格(mil(t+1),nil(t+1))内,UAVj按第j个种群的代表个体所示路径移动,t+1时刻位于单元格(mj(t+1)nj(t+1))内,表示UAVi和UAVj之间的距离,计算公式为:当距离时,无人机之间就不会发生碰撞,适应度函数Fil作为待评价个体代表路径的报酬ρ, ω1、ω2和ω3为加权系数,且ω1+ω2+ω3=1,Rc-1,c为沿规划路径无人机在相邻两步之间移动的距离;ρf为发现目标报酬,ρu为不确定降低报酬;
当时,UAVi与UAVj在t+1时刻可能发生碰撞,如果存在一个j,j=1,2,…,Nv,且j≠i,使得则令适应度函数为零:Fil=0;
若则增加惩罚项,适应度函数为其中,ω表示惩罚因子。
8.根据权利要求1所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述步骤四中将搜索环境G用坐标轴表示,1区域对应(1,3),2区域对应(2,3),3区域对应(3,3),4区域对应(1,2),5区域对应(2,2),6区域对应(3,2),7区域对应(1,1),8区域对应(2,1),9区域对应(3,1);设Q∈{1,2,3,4,5,6,7,8,9},每个区域的位置为(xQ,yQ)或(xE,yE),作出这9个区域的邻接矩阵D,每个区域之间的距离值的倒数作为区域之间的报酬;且设置D(xQ,xQ)=D(xQ+1,xQ),即如果某两个区域的覆盖率相等,无人机从自身区域飞向周边区域的可能性与自身向自身区域飞行的可能性相等。
9.根据权利要求1所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,当某个区域未被探索,此区域报酬达到最大,无人机根据给位置分析自己向哪个区域飞行:
1)检测各个无人机与区域的距离,如果两个或两个以上的无人机都朝向某个区域飞行,比较多个无人机到飞向区域的距离,距离相对较近的无人机告知其他无人机,从而使得距离较近的无人机飞向此区域的报酬增大,而其他无人机飞向此区域的报酬减小,使得搜索环境的地图的覆盖率得到更多的增大;
2)设置每一个时间点都代表无人机的运行的一步路径,并且无人机每走一步,无人机系统都会检测各个区的环境,即未探索区域占总区域的比例,使得UAV的飞行方向点在基于遗传算法的贪婪模式下做到实时更新,使得地图的不确定度在固定的时间下尽可能的做到最小。
10.根据权利要求9所述的多无人机对不确定环境搜索的航迹规划方法,其特征在于,所述步骤四中多无人机协同搜索路径规划的步骤为:S1:计算各个区域的未探索区域与总搜索区域的占比;S2:计算各个无人机的方向点,判断是否有多个无人机飞向同一个方向,如果是进入S3,如果否进行步骤S4;S3:选择距离该区域最近的无人机,增大就近无人机吸引报酬且继续飞行,减少其他的无人机对该区域吸引报酬并重新寻找自身方向点;S4:区域对无人机的吸引报酬不变,无人机朝方向点飞行;S5:返回S1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810642318.8A CN108801266B (zh) | 2018-06-21 | 2018-06-21 | 一种多无人机对不确定环境搜索的航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810642318.8A CN108801266B (zh) | 2018-06-21 | 2018-06-21 | 一种多无人机对不确定环境搜索的航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108801266A true CN108801266A (zh) | 2018-11-13 |
CN108801266B CN108801266B (zh) | 2020-06-26 |
Family
ID=64083825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810642318.8A Active CN108801266B (zh) | 2018-06-21 | 2018-06-21 | 一种多无人机对不确定环境搜索的航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108801266B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489666A (zh) * | 2018-11-14 | 2019-03-19 | 新疆工程学院 | 温室喷药机器人同步定位与地图构建的方法 |
CN109656271A (zh) * | 2018-12-27 | 2019-04-19 | 杭州电子科技大学 | 一种基于数据关联思想的航迹软关联方法 |
CN110058607A (zh) * | 2019-04-08 | 2019-07-26 | 北京航空航天大学 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN111157002A (zh) * | 2019-12-30 | 2020-05-15 | 西安电子科技大学 | 基于多智能体进化算法的飞行器3d路径规划方法 |
CN111221349A (zh) * | 2019-11-26 | 2020-06-02 | 西北工业大学 | 多无人机目标定位的航路规划方法 |
CN111811513A (zh) * | 2020-06-28 | 2020-10-23 | 西安电子科技大学 | 一种多无人机协同覆盖及避障的航迹规划方法 |
CN112965523A (zh) * | 2021-02-09 | 2021-06-15 | 西北工业大学 | 一种绳系连接多飞行器离线轨迹生成方法 |
CN113138609A (zh) * | 2020-12-25 | 2021-07-20 | 北京理工大学 | 一种反低慢小目标的多无人机协同目标搜索方法 |
CN113311864A (zh) * | 2021-05-26 | 2021-08-27 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN114143872A (zh) * | 2021-11-25 | 2022-03-04 | 同济大学 | 一种基于无人机载WiFi探针的多移动设备定位方法 |
US20220075379A1 (en) * | 2018-12-27 | 2022-03-10 | Nec Corporation | Control device, formation determination device, control method, and program |
CN117472083A (zh) * | 2023-12-27 | 2024-01-30 | 南京邮电大学 | 一种多无人机协同海上搜索路径规划方法 |
Citations (3)
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 |
CN103576692A (zh) * | 2013-11-07 | 2014-02-12 | 哈尔滨工程大学 | 一种多无人机协同飞行方法 |
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
-
2018
- 2018-06-21 CN CN201810642318.8A patent/CN108801266B/zh active Active
Patent Citations (3)
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 |
CN103576692A (zh) * | 2013-11-07 | 2014-02-12 | 哈尔滨工程大学 | 一种多无人机协同飞行方法 |
CN107238388A (zh) * | 2017-05-27 | 2017-10-10 | 合肥工业大学 | 多无人机任务分配与航迹规划联合优化方法及装置 |
Non-Patent Citations (3)
Title |
---|
寇家勋: "不确定环境下无人机航迹规划研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
徐正军等: "基于自适应遗传算法的无人机航迹规划方法研究", 《系统仿真学报》 * |
王校锋等: "基于无人机航路规划的改进遗传算法研究", 《PROCEEDING OF THE 25TH CHINESE CONTROL CONFERENCE》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489666A (zh) * | 2018-11-14 | 2019-03-19 | 新疆工程学院 | 温室喷药机器人同步定位与地图构建的方法 |
CN109489666B (zh) * | 2018-11-14 | 2022-04-05 | 新疆工程学院 | 温室喷药机器人同步定位与地图构建的方法 |
US11853066B2 (en) * | 2018-12-27 | 2023-12-26 | Nec Corporation | Control device, formation determination device, control method, and program |
CN109656271A (zh) * | 2018-12-27 | 2019-04-19 | 杭州电子科技大学 | 一种基于数据关联思想的航迹软关联方法 |
US20220075379A1 (en) * | 2018-12-27 | 2022-03-10 | Nec Corporation | Control device, formation determination device, control method, and program |
CN109656271B (zh) * | 2018-12-27 | 2021-11-02 | 杭州电子科技大学 | 一种基于数据关联思想的航迹软关联方法 |
CN110058607A (zh) * | 2019-04-08 | 2019-07-26 | 北京航空航天大学 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
CN110058607B (zh) * | 2019-04-08 | 2020-07-07 | 北京航空航天大学 | 一种仿欧椋鸟智能的无人机大规模集群超机动转弯方法 |
CN110389595B (zh) * | 2019-06-17 | 2022-04-19 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN110389595A (zh) * | 2019-06-17 | 2019-10-29 | 中国工程物理研究院电子工程研究所 | 双属性概率图优化的无人机集群协同目标搜索方法 |
CN111221349A (zh) * | 2019-11-26 | 2020-06-02 | 西北工业大学 | 多无人机目标定位的航路规划方法 |
CN111221349B (zh) * | 2019-11-26 | 2022-12-23 | 西北工业大学 | 多无人机目标定位的航路规划方法 |
CN111157002A (zh) * | 2019-12-30 | 2020-05-15 | 西安电子科技大学 | 基于多智能体进化算法的飞行器3d路径规划方法 |
CN111157002B (zh) * | 2019-12-30 | 2022-09-23 | 西安电子科技大学 | 基于多智能体进化算法的飞行器3d路径规划方法 |
CN111811513A (zh) * | 2020-06-28 | 2020-10-23 | 西安电子科技大学 | 一种多无人机协同覆盖及避障的航迹规划方法 |
CN111811513B (zh) * | 2020-06-28 | 2023-03-28 | 西安电子科技大学 | 一种多无人机协同覆盖及避障的航迹规划方法 |
CN113138609A (zh) * | 2020-12-25 | 2021-07-20 | 北京理工大学 | 一种反低慢小目标的多无人机协同目标搜索方法 |
CN113138609B (zh) * | 2020-12-25 | 2022-07-19 | 北京理工大学 | 一种反低慢小目标的多无人机协同目标搜索方法 |
CN112965523A (zh) * | 2021-02-09 | 2021-06-15 | 西北工业大学 | 一种绳系连接多飞行器离线轨迹生成方法 |
CN112965523B (zh) * | 2021-02-09 | 2022-08-16 | 西北工业大学 | 一种绳系连接多飞行器离线轨迹生成方法 |
CN113311864B (zh) * | 2021-05-26 | 2022-09-02 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN113311864A (zh) * | 2021-05-26 | 2021-08-27 | 中国电子科技集团公司第五十四研究所 | 一种栅格尺度自适应的多无人机协同搜索方法 |
CN114143872B (zh) * | 2021-11-25 | 2023-03-28 | 同济大学 | 一种基于无人机载WiFi探针的多移动设备定位方法 |
CN114143872A (zh) * | 2021-11-25 | 2022-03-04 | 同济大学 | 一种基于无人机载WiFi探针的多移动设备定位方法 |
CN117472083A (zh) * | 2023-12-27 | 2024-01-30 | 南京邮电大学 | 一种多无人机协同海上搜索路径规划方法 |
CN117472083B (zh) * | 2023-12-27 | 2024-02-23 | 南京邮电大学 | 一种多无人机协同海上搜索路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108801266B (zh) | 2020-06-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108801266A (zh) | 一种多无人机对不确定环境搜索的航迹规划方法 | |
Zhen et al. | Cooperative search-attack mission planning for multi-UAV based on intelligent self-organized algorithm | |
Wu | A survey on population-based meta-heuristic algorithms for motion planning of aircraft | |
Jones et al. | Path-planning for unmanned aerial vehicles with environment complexity considerations: A survey | |
Yanmaz et al. | A discrete stochastic process for coverage analysis of autonomous UAV networks | |
Bernardini et al. | Combining temporal planning with probabilistic reasoning for autonomous surveillance missions | |
CN107883962A (zh) | 一种多旋翼无人机在三维环境下的动态航路规划方法 | |
Han et al. | Grid-optimized UAV indoor path planning algorithms in a complex environment | |
Zhou et al. | Immune genetic algorithm based multi-UAV cooperative target search with event-triggered mechanism | |
Ben Amarat et al. | 3D path planning, routing algorithms and routing protocols for unmanned air vehicles: A review | |
Pang et al. | Adaptive conflict resolution for multi-UAV 4D routes optimization using stochastic fractal search algorithm | |
Jakaria et al. | Trajectory synthesis for a uav swarm based on resilient data collection objectives | |
Guan et al. | Double-ant colony based UAV path planning algorithm | |
Huang et al. | A novel hybrid discrete grey wolf optimizer algorithm for multi-UAV path planning | |
Wu et al. | Autonomous last-mile delivery based on the cooperation of multiple heterogeneous unmanned ground vehicles | |
Labib et al. | A multilayer low-altitude airspace model for UAV traffic management | |
CN112484732A (zh) | 一种基于ib-abc算法的无人机飞行路径规划方法 | |
Wei et al. | High-performance UAV crowdsensing: A deep reinforcement learning approach | |
Bine et al. | A novel ant colony-inspired coverage path planning for internet of drones | |
Sun et al. | Hybrid ant colony and intelligent water drop algorithm for route planning of unmanned aerial vehicles | |
Liang et al. | Collaborative Pursuit‐Evasion Strategy of UAV/UGV Heterogeneous System in Complex Three‐Dimensional Polygonal Environment | |
Zafar et al. | Mine detection and route planning in military warfare using multi agent system | |
Sujit et al. | Two-agent cooperative search using game models with endurance-time constraints | |
Mannan et al. | Classical versus reinforcement learning algorithms for unmanned aerial vehicle network communication and coverage path planning: A systematic literature review | |
Neto et al. | A-star path planning simulation for UAS Traffic Management (UTM) application |
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 |