CN108829131A - 一种基于多目标自适应变异鸽群优化的无人机集群避障法 - Google Patents
一种基于多目标自适应变异鸽群优化的无人机集群避障法 Download PDFInfo
- Publication number
- CN108829131A CN108829131A CN201810601367.7A CN201810601367A CN108829131A CN 108829131 A CN108829131 A CN 108829131A CN 201810601367 A CN201810601367 A CN 201810601367A CN 108829131 A CN108829131 A CN 108829131A
- Authority
- CN
- China
- Prior art keywords
- unmanned plane
- cluster
- avoidance
- pigeon
- obstacle
- 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 36
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 241000272201 Columbiformes Species 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 28
- 238000004088 simulation Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007812 deficiency Effects 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
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- FGXWKSZFVQUSTL-UHFFFAOYSA-N domperidone Chemical compound C12=CC=CC=C2NC(=O)N1CCCN(CC1)CCC1N1C2=CC=C(Cl)C=C2NC1=O FGXWKSZFVQUSTL-UHFFFAOYSA-N 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
Classifications
-
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明是一种基于多目标自适应变异鸽群优化的无人机集群避障方法,其实现步骤为:步骤一:初始化;步骤二:根据集群权重确定无人机期望集群速度变化;步骤三:根据避障权重确定无人机期望避障速度;步骤四:多目标自适应变异鸽群优化初始化;步骤五:通过多目标自适应变异鸽群优化计算集群和避障权重;步骤六:运行无人机模型;步骤七:判断是否结束仿真;该方法旨在提供一种分布式的无人机自主集群避障控制方法,在提高无人机集群在避障过程中的鲁棒性、适应性和简单性,从而有效提高复杂环境中的集群任务执行能力水平。
Description
技术领域
本发明涉及一种基于多目标自适应变异鸽群优化的无人机集群避障法,属于无人机控制领域。
背景技术
无人机(Unmanned Aerial Vehicle,UAV)是一种由自身程序控制或无线电遥控的,用来执行特定任务的无人驾驶飞行器,具有“平台无人,系统有人”基本特征。在执行3D任务——枯燥(Dull)、恶劣(Dirty)和危险(Dangerous)任务时,无人机相比有人机能够体现出更大优势。
Lanchester定律指出战斗力等于参战单位总数乘以单位战斗效率,故而作战单元数量是比单元作战能力更重要的战争胜负决定因素,因此无人机集群能够实现对敌优势战机更大的胜率。随着无人机分布式机载能力的提高,无人机可独立完成OODA循环——观察(Oberve)、调整(Orient)、决策(Decide)以及行动(Act)。尽管如此,实现无人机集群作战的过程中依然存在大量关键性技术问题,比如,复杂障碍环境下的无人机集群控制。本发明旨在通过设计一种无人机集群避障控制方法,提高无人机自主集群控制水平,使无人机具备在复杂环境中的任务执行能力。
目前,常见的无人机集群避障方法或为集中式,或依赖先验信息,或基于凸优化理论,其中:集中式集群避障方法虽然简单易行,但当中心运算节点出现故障时,该方法无法继续执行,鲁棒性差;依赖先验信息的集群避障方法均需要预先获知任务区域内的完整障碍信息,无法适应复杂动态的任务环境;基于凸优化理论的集群避障方法,要求集群内的无人机进行基于一致性算法的凸区域交集计算、最优编队目标位置求取、以及目标位置分配,无人机间交互信息复杂,对单机通讯带宽要求较高。本发明针对现有无人机集群避障方法在鲁棒性、适应性、简单性方面的不足,在多目标优化框架下,基于多目标鸽群优化的设计了一种分布式的无人机自主集群避障控制方法。
当无人机集群在障碍环境下飞行时,每架无人机需要完成多个任务目标:1)检测到障碍后,快速避开障碍;2)与其他无人机形成预设构型;3)全过程与障碍保持安全距离;4)全过程与其他无人机保持安全距离。由此可见,无人机集群避障控制可以简化为一个多目标优化问题,但集群避障的实时性对多目标优化算法的时间复杂度以及收敛速度提出了较高的要求。多目标鸽群优化时间复杂度小,收敛速度快,但较易陷入局部最优,对此可通过自适应变异帮助多目标鸽群优化跳出局部最优,获得较好的全局搜索能力。综上所述,本发明提出了一种基于多目标自适应变异鸽群优化的无人机集群避障方法,以解决现有无人机集群避障控制方法在鲁棒性、适应性和简单性方面的不足,有效提高无人机自主集群控制水平。
发明内容
1、发明目的:
本发明提供了一种基于多目标自适应变异鸽群优化的无人机集群避障法,其目的是提供一种分布式的无人机自主集群避障控制方法,旨在提高无人机在集群避障过程中的鲁棒性、适应性和简单性,从而有效提高复杂环境中的集群任务执行能力水平。
2、技术方案:
本发明针对无人机集群避障控制问题,开发了一种基于多目标自适应变异鸽群优化的无人机集群避障法,该方法的实现流程如图1所示,具体实现步骤如下:
步骤一:初始化
生成n架无人机的初始状态,包括位置Pi、水平速度航向角ψi,高度变化率λi和权重wi,其中无人机编号i=1,2,...,n,Pi=(xi,yi,hi),xi、yi和hi分别为无人机i在地面坐标系下的横轴坐标、纵轴坐标和高度,Vxy_max、Vxy_min分别为最大水平速度和最小水平速度,nmax为最大过载,重力加速度g=10m/s2,λmin≤λi≤λmax,λmax、λmin分别为最大高度变化率和最小高度变化率, 和分别为无人机i的集群权重和避障权重;生成m个圆柱障碍的基本信息,包括底面圆心横坐标底面圆心纵坐标半径高其中障碍编号j'=1,2,...,m;当前仿真时间t=0。
步骤二:根据集群权重确定无人机期望集群速度变化
根据当前仿真时间t时的无人机集群状态,计算无人机i的期望集群速度变化
其中j为无人机编号,xj和yj分别为无人机j在地面坐标系下的横轴坐标和纵轴坐标,和ψj分别为无人机j的水平速度和航向角,邻居集合Kf、Ka、Kc、Kh和Kv分别为集群构型控制系数、邻居对齐控制系数、避撞控制系数、高度一致控制系数以及高度变化率一致控制系数,为无人机i和无人机j间的期望距离,无人机i和无人机j间的距离 为无人机最小容许间距,he为集群期望高度。
步骤三:根据避障权重确定无人机期望避障速度
如果无人机i与障碍j'底面圆心的水平距离小于感知距离Rp,并且无人机i与障碍j'底面圆心的连线与集群期望航向角θe间的夹角|θij'|小于无人机视场角θv,则无人机i可以探测到障碍j',即其中 为无人机i感知到的障碍集合,为中的元素个数,θij'为集群期望航向角θe所在射线旋转到无人机i与障碍j'底面圆心的连线所需的最小角度,顺时针旋转时θij'为负,逆时针旋转时θij'为正;如果无人机i的期望避障航向角sign()为符号函数,Rc为避障安全控制距离;如果 其中j'1是距离无人机i距离最近障碍的编号,j'2是无人机i与障碍j'1的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号,分别为障碍j'1的底面圆心横坐标和纵坐标,分别为障碍j'2的底面圆心横坐标和纵坐标;根据计算无人机i的期望避障速度voi:
其中ve是集群期望水平速度。
步骤四:多目标自适应变异鸽群优化初始化
随机初始化N只鸽子的初始状态,包括位置速度其中i'为鸽子编号,Xi’和Vi'均为2维的行向量,Xi’每维的取值范围为[0,1],Vi'每维的取值范围为[VL,VU],VU为速度上限,VL为速度下限;迭代次数Nc=1;计算每只鸽子的多目标代价函数Costi':
其中a1、a2分别为集群构型代价权重以及速度一致代价权重,为避障最小安全距离。
步骤五:通过多目标自适应变异鸽群优化计算集群和避障权重
对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,鸽子i'的排名ranki';如果Nc>1,N=N-Nd,删去ranki'>N-Nd的鸽子,其中Nd是每次迭代递减的鸽子数量;计算鸽子中心Xc:
其中nc为第一前沿S1中的鸽子数目。
将S1存入历史集合SH中,对SH中的鸽子进行非占优排序和拥挤度比较,得到历史集合第一前沿随机选取SH中的任一只鸽子作为全局最优Xg;计算鸽子速度
其中R为地图和指南针算子,tr为过渡因子,rand为[0,1]范围内的随机数,Ncmax为最大迭代次数。
如果大于VU,如果小于VL,计算鸽子位置
其中自适应变异因子fad:
其中为均值为0、方差为的高斯随机数,ε为自适应变异控制因子。
如果大于1,如果小于0,由式(3)计算Costi',如果或者重新随机生成如果占优则如果Nc小于等于最大迭代次数Ncmax,Nc=Nc+1,重复执行步骤五,否则对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,计算权重wi:
其中b1、b2分别为避障代价影响因子以及集群代价影响因子。
步骤六:运行无人机模型
根据期望集群速度变化和期望避障速度,计算控制输入ui:
如果其中ulim为控制输入的死区;根据ui计算无人机自驾仪的控制输入:
其中和分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的控制输入,τv、τψ和(τh,τλ)分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的时间常数。
根据无人机自驾仪的控制输入计算无人机状态:
步骤七:判断是否结束仿真
仿真时间t=t+ts,其中ts为采样时间;若t大于最大仿真运行时间Tmax,则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线;否则,返回步骤二。
本发明提出了一种基于多目标自适应变异鸽群优化的无人机集群避障法。该方法是在多目标优化框架下,基于多目标自适应变异鸽群优化设计的一种分布式控制方法,主要优势主要体现在两个方面:一方面,该方法通过将无人机集群避障控制转化为单机实时解决的多目标优化问题,无中心节点,不依赖先验信息,具有较强的鲁棒性和适应性,有效提高了无人机自主集群能力;另一方面,该方法仅需要无人机间彼此交互位置和速度信息,自适应变异缩短了多目标鸽群优化收敛于全局最优/次优的时间,降低了单机计算和通信负载。
附图说明
图1基于多目标自适应变异鸽群优化的无人机集群避障控制流程
图2无人机集群避障飞行轨迹
图3无人机集群避障飞行轨迹俯视图
图4无人机集群避障高度变化曲线
图5无人机集群避障水平速度变化曲线
图6无人机集群避障航向角变化曲线
图7无人机集群避障高度变化率变化曲线图中标号及符号说明如下:
t——仿真时间
i——无人机编号
——无人机i的期望集群速度变化
voi——无人机i的期望避障速度
Nc——迭代次数
N——鸽子数目
Nd——每次迭代递减的鸽子数量
Xc——鸽子中心
Xg——全局最优
——Nc+1迭代次数时鸽子i'的速度
fad——自适应变异因子
——Nc+1迭代次数时鸽子i'的位置
Costi'——鸽子i'的多目标代价函数
Ncmax——最大迭代次数
wi——无人机i的权重
Tmax——最大仿真运行时间
ts——采样时间
x——无人机在地面坐标系下的横轴坐标
y——无人机在地面坐标系下的纵轴坐标
h——无人机高度
Vxy——水平速度
ψ——航向角
λ——高度变化率
具体实施方式
见图1至图7,下面通过一个具体的无人机集群避障控制实例来验证本发明所提出的方法的有效性。实验计算机配置为Intel Core i7-6700HQ处理器,2.60Ghz主频,16G内存,软件为MATLAB 2014a版本。该方法具体步骤如下:
步骤一:初始化
生成7架无人机的初始状态,即无人机1至7的初始位置P1至P7分别为(20m,80m,69.2665m)、(10m,90m,43.6688m)、(10m,70m,11.5694m)、(0m,100m,47.4858m)、(0m,60m,77.5678m)、(-10m,110m,94.6116m)以及(-10m,50m,82.8438m),初始水平速度初始航向角ψi=0rad,初始高度变化率λi=0m/s,初始权重wi=[1,1],其中无人机编号i=1,2,...,7,最大水平速度Vxy_max=15m/s,最小水平速度Vxy_min=5m/s,最大过载nmax=10g,重力加速度g=10m/s2,最大高度变化率λmax=5m/s,最小高度变化率λmin=-5m/s;生成2个圆柱障碍的基本信息,障碍1的圆心坐标障碍2的圆心坐标半径其中j'=1,2;当前仿真时间t=0。
步骤二:根据集群权重确定无人机期望集群速度变化
根据当前仿真时间t时的无人机集群状态,由式(1)计算无人机i的期望集群速度变化其中邻居集合集群构型控制系数Kf=0.2,邻居对齐控制系数Ka=0.2,高度一致控制系数Kh=30,高度变化率一致控制系数Kv=10,期望距离无人机最小容许间距集群期望高度he=50m。
步骤三:根据避障权重确定无人机期望避障速度
如果无人机i与障碍j'底面圆心的水平距离小于感知距离Rp,并且无人机i与障碍j'底面圆心的连线与集群期望航向角θe间的夹角|θij'|小于无人机视场角θv,则无人机i可以探测到障碍j',即其中Rp=200m,θe=0rad, 为无人机i感知到的障碍集合;如果中的元素个数无人机i的期望避障航向角避障安全控制距离Rc=115m;如果 其中j'1是距离无人机i距离最近障碍的编号,j'2是无人机i与障碍j'1的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号;由式(2)根据计算无人机i的期望避障速度voi,其中集群期望水平速度ve=10m/s。
步骤四:多目标自适应变异鸽群优化初始化
随机初始化58只鸽子的初始状态,包括位置速度其中i'为鸽子编号,Xi‘每维的取值范围为[0,1],Vi'每维的取值范围为[-0.05,0.05];迭代次数Nc=1;由式(3)计算每只鸽子的多目标代价函数Costi',其中集群构型代价权重a1=1,速度一致代价权重a2=1,避障最小安全距离
步骤五:通过多目标自适应变异鸽群优化计算集群和避障权重
对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,鸽子i'的排名ranki';如果Nc>1,N=N-2,删去ranki'>N-2的鸽子;由式(4)计算鸽子中心Xc;将S1存入历史集合SH中,对SH中的鸽子进行非占优排序和拥挤度比较,得到历史集合第一前沿随机选取SH中的任一只鸽子作为全局最优Xg;由式(5)计算鸽子速度其中地图和指南针算子R=0.3,过渡因子tr=3,rand为[0,1]范围内的随机数,最大迭代次数Ncmax=20;如果大于0.05,如果小于-0.05,由式(7)计算自适应变异因子fad,其中自适应变异控制因子ε=0.01;由式(6)计算鸽子位置如果大于1,如果小于0,由式(3)计算Costi',如果或者重新随机生成如果占优则如果Nc小于等于20,Nc=Nc+1,重复执行步骤五,否则对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,由式(8)计算权重wi,其中避障代价影响因子b1=0,集群代价影响因子b2=1。
步骤六:运行无人机模型
根据期望集群速度变化和期望避障速度,由式(9)计算控制输入ui;如果根据ui,由式(10)计算无人机自驾仪的控制输入,其中无人机速度保持自驾仪时间常数τv=1s、航向保持自驾仪时间常数τψ=0.75s,高度保持自驾仪时间常数(τh,τλ)=(1s,0.3s);根据无人机自驾仪的控制输入,由式(11)计算无人机状态。
步骤七:判断是否结束仿真
仿真时间t=t+0.5s,若t大于最大仿真运行时间20s,则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线;否则,返回步骤二。无人机集群避障飞行轨迹如图2所示,无人机集群避障飞行轨迹俯视图如图3所示,无人机集群高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线分别如图4至图7所示,仿真结果验证了通过本发明所提出的基于多目标自适应变异鸽群优化的无人机集群避障控制方法,无人机集群可实现自主集群避障。
Claims (1)
1.一种基于多目标自适应变异鸽群优化的无人机集群避障方法,其特征在于:该方法具体实现步骤如下:
步骤一:初始化
生成n架无人机的初始状态,包括位置Pi、水平速度航向角ψi,高度变化率λi和权重wi,其中无人机编号i=1,2,...,n,Pi=(xi,yi,hi),xi、yi和hi分别为无人机i在地面坐标系下的横轴坐标、纵轴坐标和高度,Vxy_max、Vxy_min分别为最大水平速度和最小水平速度,nmax为最大过载,重力加速度g=10m/s2,λmin≤λi≤λmax,λmax、λmin分别为最大高度变化率和最小高度变化率, 和分别为无人机i的集群权重和避障权重;生成m个圆柱障碍的基本信息,包括底面圆心横坐标底面圆心纵坐标半径高其中障碍编号j'=1,2,...,m;当前仿真时间t=0;
步骤二:根据集群权重确定无人机期望集群速度变化
根据当前仿真时间t时的无人机集群状态,计算无人机i的期望集群速度变化
其中j为无人机编号,xj和yj分别为无人机j在地面坐标系下的横轴坐标和纵轴坐标,和ψj分别为无人机j的水平速度和航向角,邻居集合Kf、Ka、Kc、Kh和Kv分别为集群构型控制系数、邻居对齐控制系数、避撞控制系数、高度一致控制系数以及高度变化率一致控制系数,为无人机i和无人机j间的期望距离,无人机i和无人机j间的距离 为无人机最小容许间距,he为集群期望高度;
步骤三:根据避障权重确定无人机期望避障速度
如果无人机i与障碍j'底面圆心的水平距离小于感知距离Rp,并且无人机i与障碍j'底面圆心的连线与集群期望航向角θe间的夹角|θij'|小于无人机视场角θv,则无人机i可以探测到障碍j',即其中 为无人机i感知到的障碍集合,为中的元素个数,θij'为集群期望航向角θe所在射线旋转到无人机i与障碍j'底面圆心的连线所需的最小角度,顺时针旋转时θij'为负,逆时针旋转时θij'为正;如果无人机i的期望避障航向角sign()为符号函数,Rc为避障安全控制距离;如果 其中j'1是距离无人机i距离最近障碍的编号,j'2是无人机i与障碍j'1的连线和无人机i与集合中任一障碍的连线所形成的夹角中最大夹角所对应的障碍的编号,分别为障碍j'1的底面圆心横坐标和纵坐标,分别为障碍j'2的底面圆心横坐标和纵坐标;根据计算无人机i的期望避障速度voi:
其中ve是集群期望水平速度;
步骤四:多目标自适应变异鸽群优化初始化
随机初始化N只鸽子的初始状态,包括位置速度V1 i',其中i'为鸽子编号,Xi’和Vi'均为2维的行向量,Xi’每维的取值范围为[0,1],Vi'每维的取值范围为[VL,VU],VU为速度上限,VL为速度下限;迭代次数Nc=1;计算每只鸽子的多目标代价函数Costi':
其中a1、a2分别为集群构型代价权重以及速度一致代价权重,为避障最小安全距离;
步骤五:通过多目标自适应变异鸽群优化计算集群和避障权重
对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,鸽子i'的排名ranki';如果Nc>1,N=N-Nd,删去ranki'>N-Nd的鸽子,其中Nd是每次迭代递减的鸽子数量;计算鸽子中心Xc:
其中nc为第一前沿S1中的鸽子数目;将S1存入历史集合SH中,对SH中的鸽子进行非占优排序和拥挤度比较,得到历史集合第一前沿 随机选取SH中的任一只鸽子作为全局最优Xg;计算鸽子速度
其中R为地图和指南针算子,tr为过渡因子,rand为[0,1]范围内的随机数,Ncmax为最大迭代次数;如果大于VU,如果小于VL,计算鸽子位置
其中自适应变异因子fad:
其中为均值为0、方差为的高斯随机数,ε为自适应变异控制因子;如果大于1,如果小于0,由式(3)计算Costi',如果或者重新随机生成如果占优则如果Nc小于等于最大迭代次数Ncmax,Nc=Nc+1,重复执行步骤五,否则对N只鸽子进行非占优排序和拥挤度比较,得到第一前沿S1,计算权重wi:
其中b1、b2分别为避障代价影响因子以及集群代价影响因子;
步骤六:运行无人机模型
根据期望集群速度变化和期望避障速度,计算控制输入ui:
如果其中ulim为控制输入的死区;根据ui计算无人机自驾仪的控制输入:
其中和分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的控制输入,τv、τψ和(τh,τλ)分别为无人机速度保持自驾仪、航向保持自驾仪以及高度保持自驾仪的时间常数;根据无人机自驾仪的控制输入计算无人机状态:
步骤七:判断是否结束仿真
仿真时间t=t+ts,其中ts为采样时间;若t大于最大仿真运行时间Tmax,则仿真结束并绘制无人机集群避障飞行轨迹、飞行轨迹俯视图、高度变化曲线、水平速度变化曲线、航向角变化曲线以及高度变化率变化曲线;否则,返回步骤二。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601367.7A CN108829131B (zh) | 2018-06-12 | 2018-06-12 | 一种基于多目标自适应变异鸽群优化的无人机集群避障法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810601367.7A CN108829131B (zh) | 2018-06-12 | 2018-06-12 | 一种基于多目标自适应变异鸽群优化的无人机集群避障法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108829131A true CN108829131A (zh) | 2018-11-16 |
CN108829131B CN108829131B (zh) | 2020-02-14 |
Family
ID=64143720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810601367.7A Active CN108829131B (zh) | 2018-06-12 | 2018-06-12 | 一种基于多目标自适应变异鸽群优化的无人机集群避障法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829131B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658742A (zh) * | 2018-12-28 | 2019-04-19 | 北京信息科技大学 | 基于前序飞行信息的密集飞行自主冲突解脱方法 |
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 |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN111324130A (zh) * | 2020-03-30 | 2020-06-23 | 江苏大学 | 一种仿鸽群的智能车编队协同自适应巡航控制切换方法 |
US20200339153A1 (en) * | 2019-04-25 | 2020-10-29 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
CN112034882A (zh) * | 2020-08-05 | 2020-12-04 | 北京航空航天大学 | 一种仿寒鸦配对交互机制的无人机集群控制方法 |
CN112666981A (zh) * | 2021-01-04 | 2021-04-16 | 北京航空航天大学 | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 |
CN113110524A (zh) * | 2021-05-28 | 2021-07-13 | 北京理工大学 | 一种多机器人自组织协同与集群方法 |
CN113148227A (zh) * | 2020-12-11 | 2021-07-23 | 中国空间技术研究院 | 卫星集群分布式控制方法和装置 |
CN113239508A (zh) * | 2021-03-03 | 2021-08-10 | 北京航空航天大学 | 一种面向破坏恢复的无人装备集群全局弹性均衡度量与评价方法 |
CN114415726A (zh) * | 2022-01-18 | 2022-04-29 | 江苏锐天智能科技股份有限公司 | 一种基于图像分析的无人机避障控制系统及方法 |
CN113148227B (zh) * | 2020-12-11 | 2024-05-31 | 中国空间技术研究院 | 卫星集群分布式控制方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120119018A1 (en) * | 2006-09-28 | 2012-05-17 | Israel Aerospace Industries Ltd. | System and method for transferring airplanes |
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 |
CN104850009A (zh) * | 2015-03-17 | 2015-08-19 | 北京航空航天大学 | 一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法 |
CN105930307A (zh) * | 2016-04-22 | 2016-09-07 | 大连理工大学 | 一种新型群智能优化算法-鸽群算法 |
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
CN107272736A (zh) * | 2017-07-06 | 2017-10-20 | 北京航空航天大学 | 一种基于鸽子被动式避障飞行的无人机避障导引方法 |
-
2018
- 2018-06-12 CN CN201810601367.7A patent/CN108829131B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120119018A1 (en) * | 2006-09-28 | 2012-05-17 | Israel Aerospace Industries Ltd. | System and method for transferring airplanes |
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 |
CN104850009A (zh) * | 2015-03-17 | 2015-08-19 | 北京航空航天大学 | 一种基于捕食逃逸鸽群优化的多无人飞行器编队协调控制方法 |
CN105930307A (zh) * | 2016-04-22 | 2016-09-07 | 大连理工大学 | 一种新型群智能优化算法-鸽群算法 |
CN106441308A (zh) * | 2016-11-10 | 2017-02-22 | 沈阳航空航天大学 | 一种基于自适应权重鸽群算法的无人机航路规划方法 |
CN106979784A (zh) * | 2017-03-16 | 2017-07-25 | 四川大学 | 基于混合鸽群算法的非线性航迹规划 |
CN107272736A (zh) * | 2017-07-06 | 2017-10-20 | 北京航空航天大学 | 一种基于鸽子被动式避障飞行的无人机避障导引方法 |
Non-Patent Citations (3)
Title |
---|
QINAN LUO,等: "Distributed UAV flocking control based on homing pigeon hierarchical strategies", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
XIAOHUA WANG,等: "Cooperative UAV Formation Flying With Obstacle/Collision Avoidance", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
邱华鑫,等: "从鸟群群集飞行到无人机自主集群编队", 《工程科学学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658742B (zh) * | 2018-12-28 | 2020-07-10 | 北京信息科技大学 | 基于前序飞行信息的密集飞行自主冲突解脱方法 |
CN109658742A (zh) * | 2018-12-28 | 2019-04-19 | 北京信息科技大学 | 基于前序飞行信息的密集飞行自主冲突解脱方法 |
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 |
US11572079B2 (en) * | 2019-04-25 | 2023-02-07 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
US20200339153A1 (en) * | 2019-04-25 | 2020-10-29 | WeRide Corp. | Apparatus and method for controlling velocity of autonomous driving vehicle, and storage medium |
CN110109477A (zh) * | 2019-05-10 | 2019-08-09 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN110109477B (zh) * | 2019-05-10 | 2020-07-07 | 北京航空航天大学 | 基于鸽群智能反向学习的无人机集群多目标控制优化方法 |
CN111324130A (zh) * | 2020-03-30 | 2020-06-23 | 江苏大学 | 一种仿鸽群的智能车编队协同自适应巡航控制切换方法 |
CN112034882A (zh) * | 2020-08-05 | 2020-12-04 | 北京航空航天大学 | 一种仿寒鸦配对交互机制的无人机集群控制方法 |
CN113148227A (zh) * | 2020-12-11 | 2021-07-23 | 中国空间技术研究院 | 卫星集群分布式控制方法和装置 |
CN113148227B (zh) * | 2020-12-11 | 2024-05-31 | 中国空间技术研究院 | 卫星集群分布式控制方法和装置 |
CN112666981A (zh) * | 2021-01-04 | 2021-04-16 | 北京航空航天大学 | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 |
CN113239508A (zh) * | 2021-03-03 | 2021-08-10 | 北京航空航天大学 | 一种面向破坏恢复的无人装备集群全局弹性均衡度量与评价方法 |
CN113239508B (zh) * | 2021-03-03 | 2023-05-19 | 北京航空航天大学 | 一种面向破坏恢复的无人装备集群全局弹性均衡度量与评价方法 |
CN113110524A (zh) * | 2021-05-28 | 2021-07-13 | 北京理工大学 | 一种多机器人自组织协同与集群方法 |
CN114415726A (zh) * | 2022-01-18 | 2022-04-29 | 江苏锐天智能科技股份有限公司 | 一种基于图像分析的无人机避障控制系统及方法 |
CN114415726B (zh) * | 2022-01-18 | 2023-01-03 | 江苏锐天智能科技股份有限公司 | 一种基于图像分析的无人机避障控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108829131B (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108829131A (zh) | 一种基于多目标自适应变异鸽群优化的无人机集群避障法 | |
CN108594853B (zh) | 无人机队形控制方法 | |
CN110456823B (zh) | 一种针对无人机计算与存储能力受限的双层路径规划方法 | |
Du et al. | A real-time collision avoidance strategy in dynamic airspace based on dynamic artificial potential field algorithm | |
CN114413906B (zh) | 一种基于改进粒子群优化算法的三维轨迹规划方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN101286071B (zh) | 基于微粒群优化和遗传算法的多无人机三维编队重构方法 | |
CN110320930A (zh) | 基于Voronoi图的多无人机编队队形可靠变换方法 | |
CN103744290A (zh) | 一种多无人机编队分层目标分配方法 | |
CN109669475A (zh) | 基于人工蜂群算法的多无人机三维编队重构方法 | |
Wang et al. | Improving maneuver strategy in air combat by alternate freeze games with a deep reinforcement learning algorithm | |
CN112666976B (zh) | 一种基于一致性的多无人机集群防撞方法 | |
CN111859541B (zh) | 一种基于迁移学习改进的pmaddpg多无人机任务决策方法 | |
Duan et al. | Multiple UAVs/UGVs heterogeneous coordinated technique based on receding horizon control (RHC) and velocity vector control | |
CN110928329A (zh) | 一种基于深度q学习算法的多飞行器航迹规划方法 | |
CN108153330A (zh) | 基于可行域约束的无人飞行器三维航迹自适应跟踪方法 | |
Wang et al. | Multiple quadrotors formation flying control design and experimental verification | |
CN113759935B (zh) | 基于模糊逻辑的智能群体编队移动控制方法 | |
Xiong et al. | Multi-uav 3d path planning in simultaneous attack | |
Qiu et al. | A decoupling receding horizon search approach to agent routing and optical sensor tasking based on brain storm optimization | |
Liang et al. | Collaborative Pursuit‐Evasion Strategy of UAV/UGV Heterogeneous System in Complex Three‐Dimensional Polygonal Environment | |
CN117850471A (zh) | 三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统 | |
Wang et al. | MPC and TGFC for UAV real-time route planning | |
Khachumov | Problems of group pursuit of a target in a perturbed environment | |
Srivastava et al. | A Modified Artificial Potential Field for UAV Collision Avoidance |
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 |