CN109343569A - 多无人机集群自组织协同察打任务规划方法 - Google Patents
多无人机集群自组织协同察打任务规划方法 Download PDFInfo
- Publication number
- CN109343569A CN109343569A CN201811372826.5A CN201811372826A CN109343569A CN 109343569 A CN109343569 A CN 109343569A CN 201811372826 A CN201811372826 A CN 201811372826A CN 109343569 A CN109343569 A CN 109343569A
- Authority
- CN
- China
- Prior art keywords
- ant
- unmanned plane
- grid
- way point
- group algorithm
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 31
- 230000007246 mechanism Effects 0.000 claims description 17
- 239000003016 pheromone Substances 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 8
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000010009 beating Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000004088 simulation 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多无人机集群自组织协同察打任务规划方法。该方法包括以下步骤:步骤1、将二维任务区域离散化,通过栅格化处理建立无人机进行察打任务决策的离散状态空间;步骤2、基于分布式蚁群算法决策得到无人机的航路点,实现多无人机集群的协同搜索和打击;分布式蚁群算法中的每只蚂蚁代理与一架无人机对应,通过网络相连接构成一个分布式的系统,蚂蚁代理之间通过通信网络交换各自的信息;每只蚂蚁代理分配一个独立的处理器,根据自身状态以及获知的其他蚂蚁代理的状态,进行自主决策;步骤3、生成从当前航路点到下一时刻航路点的可飞航路。相比现有技术,本发明具有较好的鲁棒性,能够适应无人机的加入与退出。
Description
技术领域
本发明涉及一种多无人机集群自组织协同察打任务规划方法,属于无人机集群任务规划技术领域。
背景技术
无人机(UAV)起源于军事领域,与有人飞机相比,具有可重复使用、可回收、无人员伤亡、持续工作能力强、全寿命周期成本低等优势。由于作战环境的日益复杂,以及单架无人机的执行任务能力有限,多无人机集群协同作战将成为未来无人机作战的重要发展趋势,以实现无人机之间的能力互补,从而提升整个系统的效能。而高效、合理的任务规划方法,是发挥多无人机集群协同作战优势、实现资源有效利用的前提。
目前,任务规划的研究思路主要分为自顶向下和自底向上。自顶向下主要采用分层递阶求解的思路,能有效降低问题求解难度和复杂性,但当环境动态变化时,该方法将消耗更多的计算代价与通信代价。而自底向上主要采用自组织方法,强调个体对环境的动态响应,该方法最初起源于对自然界昆虫群落的行为研究,通过模拟蜂群、蚁群、鸟群、鱼群等生物群体的行为实现无人机集群自组织控制,这是一类分布式协调方法,具有计算简单、鲁棒性好等优点,适合执行诸如区域察打、侦察压制等简单反应性作战任务。
现有的多无人机集群协同察打任务规划方法大都采用分层递阶的求解思路,将任务规划问题分解为任务分配和航迹规划,这两个问题都是复杂多目标组合优化与决策问题,采用的算法包括最优化算法和启发式算法两类。最优化算法如枚举法、动态规划(DP)、分支界定(BAB)等,能够求得问题最优解,但随着问题规模的增大,计算量呈指数增长。而启发式算法如蚁群算法(ACO)、粒子群算法(PSO)等,虽不能保证解的最优性,但胜在收敛速度较快。这类智能优化算法也表现出了极好的自组织行为品质,通过引入这些算法,可实现无人机集群的自组织控制。目前基于自组织的任务规划研究还处于起步阶段,且现有的无人机协同任务自组织大多未考虑无人机的航程约束,不符合实际作战应用,因此需要进行进一步的深入研究。
发明内容
本发明所要解决的技术问题在于克服现有集中式系统计算量大、鲁棒性差等缺点,提供一种多无人机集群自组织协同察打任务规划方法,利用分布式蚁群算法生成无人机的航路点,然后基于简单Dubins曲线进行航路规划,各无人机基于自身状态以及所获知的邻居无人机的状态,进行独立自主决策,从而完成搜索与打击任务,该分布式结构具有较好的鲁棒性,能够适应无人机的加入与退出。
本发明具体采用以下技术方案解决上述技术问题:
一种多无人机集群自组织协同察打任务规划方法,包括以下步骤:
步骤1、将二维任务区域离散化,通过栅格化处理建立无人机进行察打任务决策的离散状态空间;
步骤2、基于分布式蚁群算法决策得到无人机的航路点,实现多无人机集群的协同搜索,当无人机搜索到目标时,立即对目标进行打击;分布式蚁群算法中的每只蚂蚁代理与一架无人机对应,通过网络相连接构成一个分布式的系统,蚂蚁代理之间通过通信网络交换各自的信息;每只蚂蚁代理分配一个独立的处理器,根据自身状态以及获知的其他蚂蚁代理的状态,进行自主决策;
步骤3、生成从当前航路点到下一时刻航路点的可飞航路。
以上技术方案中的分布式蚁群算法可采用现有的各类蚁群算法,但为了提高搜索性能,本发明进一步通过设计双重信息素更新机制保证蚂蚁代理之间的区域搜索协调,具体如下:
所述分布式蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制;局部信息素更新机制设计为:
其中,为k时刻蚂蚁代理i的本地信息素结构中,栅格(x,y)处的信息素浓度,为蚂蚁代理j造成的信息素衰减量,为蚂蚁代理i的邻居集合,为局部信息素衰减常量,为蚂蚁代理i所预测的蚂蚁代理j在k时刻的位置,R为蚂蚁代理的探测半径,为栅格(x,y)与之间的距离;
全局信息素更新机制设计为:
其中,F∈(0,1)为环境不确定因子,为全局信息素更新常量。
为了提高任务区域的覆盖率,本发明进一步在分布式蚁群算法中引入了新的启发函数,具体如下:
所述分布式蚁群算法中的启发函数如下:
其中grid(x,y)=0表示栅格(x,y)未被搜索过,grid(x,y)=1表示栅格(x,y)已被搜索过,NL,NW分别为任务区域横向和纵向的栅格数量。
为了保证无人机能够在最大航程范围内返回起点,更符合实际作战应用,本发明进一步在蚁群算法的状态转移规则中引入了无人机的航程约束,具体如下:
所述分布式蚁群算法的状态转移规则设计为:
其中ω1,ω2为权重系数,且满足ω1+ω2=1;为常规的状态转移规则,为考虑航程约束的状态转移规则,分别设计为:
其中,α是常规状态转移中信息素浓度重要程度因子,β是常规状态转移中启发函数重要程度因子,Lleft(k+1)为无人机在k+1时刻的剩余航程,Dleft(k+1)为候选栅格点到起点的距离,grid*(k+1)为由蚁群算法决策得到的无人机下一时刻的航路点。
为了使得生成的无人机可飞航迹航迹平滑,算法更简单,航迹规划实时性更好,本发明进一步基于简单Dubins曲线生成所述从当前航路点到下一时刻航路点的可飞航路,具体方法如下:根据当前航路点位置和无人机的速度,以及步骤2得到的下一时刻航路点的位置,以无人机最小转弯半径为起始圆半径,可得到由一条圆弧和一条切线组成的简单Dubins路径,作为无人机的可飞航迹,到达目标航路点的速度方向由过目标航路点的起始圆的切线方向所决定。
相比现有技术,本发明技术方案及其进一步改进方案具有以下有益效果:
1.本发明采用分布式体系结构,各无人机基于自身状态以及所获知的邻居无人机的状态,进行独立自主决策,从而完成搜索与打击任务,该分布式结构具有较好的鲁棒性,能够适应无人机的加入与退出;在每一决策步长内,无人机进行的决策与规划包括两方面:基于分布式蚁群算法生成航路点和基于简单Dubins曲线生成航迹,通过这两个过程的不断循环,实现对任务区域的持续察打。
2.本发明进一步对分布式蚁群算法进行了改进,通过设计信息素更新机制保证蚂蚁代理之间的区域搜索协调;通过引入启发函数,提高任务区域的覆盖率;同时考虑了无人机的航程约束,保证无人机能够在最大航程范围内返回起点,更符合实际作战应用。
3.本发明采用简单Dubins曲线进行航迹平滑,考虑无人机的机动性能约束,生成无人机的可飞航迹。
附图说明
图1为本发明多无人机集群自组织协同察打方法一个优选实施例的流程示意图;
图2为任务空间离散化原理示意图;
图3为分布式蚁群算法结构图;
图4为简单Dubins曲线示意图;
图5为采用本发明方法所得的多无人机集群协同察打轨迹图;
图6为采用本发明方法所得的多无人机集群协同察打任务区域覆盖率变化图。
具体实施方式
针对现有集中式系统计算量大、鲁棒性差等缺点,本发明的解决思路是利用分布式蚁群算法生成无人机的航路点,然后基于简单Dubins曲线进行航路规划,各无人机基于自身状态以及所获知的邻居无人机的状态,进行独立自主决策,从而完成搜索与打击任务,该分布式结构具有较好的鲁棒性,能够适应无人机的加入与退出。具体而言,本发明所提出的多无人机集群自组织协同察打任务规划方法,包括以下步骤:
步骤1、将二维任务区域离散化,通过栅格化处理建立无人机进行察打任务决策的离散状态空间;
步骤2、基于分布式蚁群算法决策得到无人机的航路点,实现多无人机集群的协同搜索,当无人机搜索到目标时,立即对目标进行打击;分布式蚁群算法中的每只蚂蚁代理与一架无人机对应,通过网络相连接构成一个分布式的系统,蚂蚁代理之间通过通信网络交换各自的信息;每只蚂蚁代理分配一个独立的处理器,根据自身状态以及获知的其他蚂蚁代理的状态,进行自主决策;
步骤3、生成从当前航路点到下一时刻航路点的可飞航路。
在此基础上,本发明还进一步对分布式蚁群算法进行了改进,通过设计信息素更新机制保证蚂蚁代理之间的区域搜索协调;通过引入启发函数,提高任务区域的覆盖率;同时考虑了无人机的航程约束,保证无人机能够在最大航程范围内返回起点,更符合实际作战应用;并采用简单Dubins曲线进行航迹平滑。
为了便于公众理解,下面以一个优选实施例并结合附图来对本发明技术方案进行详细说明:
如图1所示,本实施例的多无人机集群自组织协同察打任务规划方法,具体包括以下步骤:
步骤1,将二维任务区域离散化,建立无人机进行察打任务决策的离散状态空间;将任务区域进行栅格化处理,把无人机在任务区域内的运动体现为在栅格点中的运动。如图2所示,记无人机的速度为v,最大转角为θmax,探测半径为R,在单位决策时间内的位移为d,则图中灰色栅格表示无人机下一时刻的候选航路点。
步骤2,基于改进蚁群算法决策得到无人机的航路点,实现多无人机集群的协同搜索,当无人机搜索到目标时,立即对目标进行打击。每只蚂蚁代理与一架无人机对应,通过网络相连接构成一个分布式的系统,如图3所示,蚂蚁代理之间通过通信网络交换各自的位置、速度等信息;每只蚂蚁代理分配一个独立的处理器,根据自身状态以及获知的其他蚂蚁代理的状态,进行自主决策,包括搜索目标和攻击目标的决策,同时对本地信息素进行更新。蚂蚁代理按照所设计的状态转移规则进行移动,状态转移规则的设计与信息素浓度和启发函数有关,并在此基础上考虑了航程约束,确保无人机能够在最大航程范围内返回起点。
其中,蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制。每只蚂蚁代理根据自身状态以及其他蚂蚁的状态对其当前搜索区域进行局部信息素更新;由于存在环境不确定性,每隔一段时间,进行一次全局信息素更新。
局部信息素更新机制设计为:
其中,为k时刻蚂蚁代理i的本地信息素结构中,栅格(x,y)处的信息素浓度,为蚂蚁代理j造成的信息素衰减量,为蚂蚁代理i的邻居集合,为局部信息素衰减常量,为蚂蚁代理i所预测的蚂蚁代理j在k时刻的位置,R为蚂蚁代理的探测半径,为栅格(x,y)与之间的距离。
全局信息素更新机制设计为:
其中,F∈(0,1)为环境不确定因子,为全局信息素更新常量。
为了提高无人机协同搜索的任务区域覆盖率,定义蚁群算法中的启发函数如下:
其中grid(x,y)=0表示栅格(x,y)未被搜索过,grid(x,y)=1表示栅格(x,y)已被搜索过,NL,NW分别为任务区域横向和纵向的栅格数量。
蚁群算法的状态转移规则设计为:
其中ω1,ω2为权重系数,且满足ω1+ω2=1。为常规的状态转移规则,为考虑航程约束的状态转移规则,分别设计为:
其中,α是常规状态转移中信息素浓度重要程度因子,β是常规状态转移中启发函数重要程度因子,Lleft(k+1)为无人机在k+1时刻的剩余航程,Dleft(k+1)为候选栅格点到起点的距离,grid*(k+1)为由蚁群算法决策得到的无人机下一时刻的航路点。
步骤3,考虑无人机实际飞行时的机动性能约束,基于简单Dubins曲线生成从当前航路点到下一时刻航路点的可飞航路。如图4所示,根据当前航路点位置Ps和无人机的速度vs,以及步骤2得到的下一时刻航路点的位置Pf,以无人机最小转弯半径Rmin为起始圆半径,可得到由一条圆弧和一条切线组成的简单Dubins路径,作为无人机的可飞航迹,到达目标航路点的速度方向vf由过目标航路点的起始圆的切线方向所决定。
为了验证本发明所设计的多无人机集群自组织协同察打任务规划方法的有效性,基于MATLAB进行如下仿真实验。实验设定:无人机任务区域为50km×50km,离散化为1000×1000的栅格网络;在任务区域内共分布了18个未知的目标;假设有2架无人机,起始位置分别在(0,0)km和(50,0)km,无人机的速度为250m/s,即每秒移动5个栅格距离,探测半径R=1km,最小转弯半径Rmin=100m,最大转角θmax=45°。
图5所示为当无人机的最大航程Lmax=250km时,所生成的多无人机集群协同察打轨迹图,从图中可以看到,两架无人机共搜索到了6个目标,航迹平整且少有重叠,并且在航程约束的作用下,无人机均返回了各自的起点。图6为任务区域覆盖率变化曲线,可以看到覆盖率一直在上升,说明无人机在持续搜索未知区域。实验表明,本发明所述的一种多无人机集群自组织协同察打任务规划方法可以有效地对任务区域进行持续察打,并能够保证无人机在最大航程范围内返回各自起点,更符合实际作战应用。
Claims (5)
1.一种多无人机集群自组织协同察打任务规划方法,其特征在于,包括以下步骤:
步骤1、将二维任务区域离散化,通过栅格化处理建立无人机进行察打任务决策的离散状态空间;
步骤2、基于分布式蚁群算法决策得到无人机的航路点,实现多无人机集群的协同搜索,当无人机搜索到目标时,立即对目标进行打击;分布式蚁群算法中的每只蚂蚁代理与一架无人机对应,通过网络相连接构成一个分布式的系统,蚂蚁代理之间通过通信网络交换各自的信息;每只蚂蚁代理分配一个独立的处理器,根据自身状态以及获知的其他蚂蚁代理的状态,进行自主决策;
步骤3、生成从当前航路点到下一时刻航路点的可飞航路。
2.如权利要求1所述方法,其特征在于,所述分布式蚁群算法的信息素更新机制包括局部信息素更新机制和全局信息素更新机制;局部信息素更新机制设计为:
其中,为k时刻蚂蚁代理i的本地信息素结构中,栅格(x,y)处的信息素浓度,为蚂蚁代理j造成的信息素衰减量,为蚂蚁代理i的邻居集合,为局部信息素衰减常量,为蚂蚁代理i所预测的蚂蚁代理j在k时刻的位置,R为蚂蚁代理的探测半径,为栅格(x,y)与之间的距离;
全局信息素更新机制设计为:
其中,F∈(0,1)为环境不确定因子,为全局信息素更新常量。
3.如权利要求1所述方法,其特征在于,所述分布式蚁群算法中的启发函数如下:
其中grid(x,y)=0表示栅格(x,y)未被搜索过,grid(x,y)=1表示栅格(x,y)已被搜索过,NL,NW分别为任务区域横向和纵向的栅格数量。
4.如权利要求1所述方法,其特征在于,所述分布式蚁群算法的状态转移规则设计为:
其中ω1,ω2为权重系数,且满足ω1+ω2=1;为常规的状态转移规则,为考虑航程约束的状态转移规则,分别设计为:
其中,α是常规状态转移中信息素浓度重要程度因子,β是常规状态转移中启发函数重要程度因子,Lleft(k+1)为无人机在k+1时刻的剩余航程,Dleft(k+1)为候选栅格点到起点的距离,grid*(k+1)为由蚁群算法决策得到的无人机下一时刻的航路点。
5.如权利要求1所述方法,其特征在于,在步骤3中,基于简单Dubins曲线生成所述从当前航路点到下一时刻航路点的可飞航路,具体方法如下:根据当前航路点位置和无人机的速度,以及步骤2得到的下一时刻航路点的位置,以无人机最小转弯半径为起始圆半径,可得到由一条圆弧和一条切线组成的简单Dubins路径,作为无人机的可飞航迹,到达目标航路点的速度方向由过目标航路点的起始圆的切线方向所决定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811372826.5A CN109343569A (zh) | 2018-11-19 | 2018-11-19 | 多无人机集群自组织协同察打任务规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811372826.5A CN109343569A (zh) | 2018-11-19 | 2018-11-19 | 多无人机集群自组织协同察打任务规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109343569A true CN109343569A (zh) | 2019-02-15 |
Family
ID=65316314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811372826.5A Withdrawn CN109343569A (zh) | 2018-11-19 | 2018-11-19 | 多无人机集群自组织协同察打任务规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109343569A (zh) |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819495A (zh) * | 2019-03-15 | 2019-05-28 | 北京科技大学 | 一种集群无人机自组网分簇方法 |
CN109919391A (zh) * | 2019-03-19 | 2019-06-21 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110221290A (zh) * | 2019-06-12 | 2019-09-10 | 南京邮电大学 | 基于蚁群算法优化的无人机目标搜索构建方法 |
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 |
CN110737281A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空无线电电子研究所 | 一种面向集群无人机的分布式控制方法 |
CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
CN111142553A (zh) * | 2019-12-11 | 2020-05-12 | 北京航空航天大学 | 基于生物捕食能量模型的无人机集群自主任务分配方法 |
CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
CN111189467A (zh) * | 2020-01-07 | 2020-05-22 | 深圳南方德尔汽车电子有限公司 | 基于Dubins全局路径规划方法、装置、计算机设备及存储介质 |
CN111240211A (zh) * | 2020-03-19 | 2020-06-05 | 北京航空航天大学 | 一种无人机群动态回收方法 |
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 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
CN112180967A (zh) * | 2020-04-26 | 2021-01-05 | 北京理工大学 | 基于评判-执行架构的多无人机协同对抗决策方法 |
CN112327917A (zh) * | 2020-11-12 | 2021-02-05 | 哈尔滨工业大学(深圳) | 基于群体智能的无人机集群协同覆盖方法 |
CN112445881A (zh) * | 2020-10-29 | 2021-03-05 | 深圳供电局有限公司 | 路径规划方法、装置、设备及存储介质 |
CN112684808A (zh) * | 2020-12-11 | 2021-04-20 | 南京航空航天大学 | 一种不确定环境下的无人机集群智能协同察打方法 |
CN112783213A (zh) * | 2021-01-13 | 2021-05-11 | 北京理工大学 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
CN112863250A (zh) * | 2020-08-13 | 2021-05-28 | 上海交通大学 | 多平台航空电子控制系统及方法 |
CN112947591A (zh) * | 2021-03-19 | 2021-06-11 | 北京航空航天大学 | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 |
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 |
CN113485456A (zh) * | 2021-08-23 | 2021-10-08 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113504798A (zh) * | 2021-06-30 | 2021-10-15 | 北京航空航天大学 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
CN113778123A (zh) * | 2021-08-24 | 2021-12-10 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN115329595A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
CN115421508A (zh) * | 2022-08-01 | 2022-12-02 | 西安工业大学 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
CN117726153A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院工程热物理研究所 | 一种适用于无人机集群作业任务的实时重归划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881043A (zh) * | 2015-04-30 | 2015-09-02 | 南京航空航天大学 | 一种针对多动态目标的多无人机智能协同察打方法 |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106950984A (zh) * | 2017-03-16 | 2017-07-14 | 中国科学院自动化研究所 | 无人机远程协同察打方法 |
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
-
2018
- 2018-11-19 CN CN201811372826.5A patent/CN109343569A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881043A (zh) * | 2015-04-30 | 2015-09-02 | 南京航空航天大学 | 一种针对多动态目标的多无人机智能协同察打方法 |
CN105302153A (zh) * | 2015-10-19 | 2016-02-03 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
JP2017161315A (ja) * | 2016-03-08 | 2017-09-14 | 国立大学法人京都大学 | 最適飛行網の生成方法及びシステム |
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106950984A (zh) * | 2017-03-16 | 2017-07-14 | 中国科学院自动化研究所 | 无人机远程协同察打方法 |
Non-Patent Citations (1)
Title |
---|
郜晨: "多无人机自主任务规划方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊) 工程科技II辑》 * |
Cited By (47)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109819495B (zh) * | 2019-03-15 | 2020-07-31 | 北京科技大学 | 一种集群无人机自组网分簇方法 |
CN109819495A (zh) * | 2019-03-15 | 2019-05-28 | 北京科技大学 | 一种集群无人机自组网分簇方法 |
CN109919391A (zh) * | 2019-03-19 | 2019-06-21 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
CN109919391B (zh) * | 2019-03-19 | 2021-01-08 | 北京航空航天大学 | 一种太阳能飞机自主寻优航迹规划方法和系统 |
CN110058613B (zh) * | 2019-05-13 | 2022-05-13 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110058613A (zh) * | 2019-05-13 | 2019-07-26 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110221290A (zh) * | 2019-06-12 | 2019-09-10 | 南京邮电大学 | 基于蚁群算法优化的无人机目标搜索构建方法 |
CN110221290B (zh) * | 2019-06-12 | 2021-05-11 | 南京邮电大学 | 基于蚁群算法优化的无人机目标搜索构建方法 |
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 |
CN110750095A (zh) * | 2019-09-04 | 2020-02-04 | 北京洛必德科技有限公司 | 一种基于5g通讯的机器人集群运动控制优化方法及系统 |
CN110737281B (zh) * | 2019-10-15 | 2022-09-06 | 中国航空无线电电子研究所 | 一种面向集群无人机的分布式控制方法 |
CN110737281A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空无线电电子研究所 | 一种面向集群无人机的分布式控制方法 |
CN111142553A (zh) * | 2019-12-11 | 2020-05-12 | 北京航空航天大学 | 基于生物捕食能量模型的无人机集群自主任务分配方法 |
CN111189467A (zh) * | 2020-01-07 | 2020-05-22 | 深圳南方德尔汽车电子有限公司 | 基于Dubins全局路径规划方法、装置、计算机设备及存储介质 |
CN111176334A (zh) * | 2020-01-16 | 2020-05-19 | 浙江大学 | 一种多无人机协同目标搜索方法 |
CN111240211B (zh) * | 2020-03-19 | 2020-08-28 | 北京航空航天大学 | 一种无人机群动态回收方法 |
CN111240211A (zh) * | 2020-03-19 | 2020-06-05 | 北京航空航天大学 | 一种无人机群动态回收方法 |
CN112180967A (zh) * | 2020-04-26 | 2021-01-05 | 北京理工大学 | 基于评判-执行架构的多无人机协同对抗决策方法 |
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 |
CN112863250A (zh) * | 2020-08-13 | 2021-05-28 | 上海交通大学 | 多平台航空电子控制系统及方法 |
CN112130581A (zh) * | 2020-08-19 | 2020-12-25 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
CN112130581B (zh) * | 2020-08-19 | 2022-06-17 | 昆明理工大学 | 一种面向空中机动作战的无人机集群协同任务规划方法 |
CN112130586A (zh) * | 2020-09-29 | 2020-12-25 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
CN112130586B (zh) * | 2020-09-29 | 2021-12-21 | 南京航空航天大学 | 一种基于资源树的分布式异构无人机联盟构成方法 |
CN112445881B (zh) * | 2020-10-29 | 2024-04-02 | 深圳供电局有限公司 | 路径规划方法、装置、设备及存储介质 |
CN112445881A (zh) * | 2020-10-29 | 2021-03-05 | 深圳供电局有限公司 | 路径规划方法、装置、设备及存储介质 |
CN112327917A (zh) * | 2020-11-12 | 2021-02-05 | 哈尔滨工业大学(深圳) | 基于群体智能的无人机集群协同覆盖方法 |
CN112327917B (zh) * | 2020-11-12 | 2022-12-27 | 哈尔滨工业大学(深圳) | 基于群体智能的无人机集群协同覆盖方法 |
CN112684808A (zh) * | 2020-12-11 | 2021-04-20 | 南京航空航天大学 | 一种不确定环境下的无人机集群智能协同察打方法 |
CN112783213A (zh) * | 2021-01-13 | 2021-05-11 | 北京理工大学 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
CN112783213B (zh) * | 2021-01-13 | 2022-04-01 | 北京理工大学 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
CN112947591A (zh) * | 2021-03-19 | 2021-06-11 | 北京航空航天大学 | 基于改进蚁群算法的路径规划方法、装置、介质及无人机 |
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 |
CN113504798A (zh) * | 2021-06-30 | 2021-10-15 | 北京航空航天大学 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
CN113552897A (zh) * | 2021-06-30 | 2021-10-26 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
CN113504798B (zh) * | 2021-06-30 | 2023-11-17 | 北京航空航天大学 | 一种仿生物群体协商行为的无人机集群协同目标搜索方法 |
CN113552897B (zh) * | 2021-06-30 | 2023-01-03 | 南京理工大学 | 基于任务优先级的空地无人系统侦察协同路径规划方法 |
CN113485456A (zh) * | 2021-08-23 | 2021-10-08 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113778123A (zh) * | 2021-08-24 | 2021-12-10 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
CN113778123B (zh) * | 2021-08-24 | 2024-03-05 | 中国电子科技集团公司电子科学研究院 | 面向异构无人机集群的耦合多任务分配方法及装置 |
CN113821049B (zh) * | 2021-08-25 | 2022-10-14 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN115421508A (zh) * | 2022-08-01 | 2022-12-02 | 西安工业大学 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
CN115421508B (zh) * | 2022-08-01 | 2024-06-18 | 西安工业大学 | 一种适用于多无人机多目标航迹规划的粒子群优化方法 |
CN115329595A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于知识与经验的无人机集群任务规划方法及系统 |
CN117726153A (zh) * | 2024-02-18 | 2024-03-19 | 中国科学院工程热物理研究所 | 一种适用于无人机集群作业任务的实时重归划方法 |
CN117726153B (zh) * | 2024-02-18 | 2024-04-19 | 中国科学院工程热物理研究所 | 一种适用于无人机集群作业任务的实时重规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109343569A (zh) | 多无人机集群自组织协同察打任务规划方法 | |
Wu et al. | Cooperative path planning for heterogeneous unmanned vehicles in a search-and-track mission aiming at an underwater target | |
Zhen et al. | An intelligent cooperative mission planning scheme of UAV swarm in uncertain dynamic environment | |
CN105892480A (zh) | 异构多无人机系统协同察打任务自组织方法 | |
CN109254588B (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 | |
Ma et al. | Feudal multi-agent deep reinforcement learning for traffic signal control | |
Zhang et al. | An improved constrained differential evolution algorithm for unmanned aerial vehicle global route planning | |
CN111722643B (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
Ni et al. | An improved potential game theory based method for multi-UAV cooperative search | |
CN110456815A (zh) | 一种基于行军蚁启发式智能的无人机集群协同定位方法 | |
Fei et al. | Autonomous cooperative search model for multi-UAV with limited communication network | |
CN110428111A (zh) | Uav/ugv协同长时多任务作业轨迹规划方法 | |
Duan et al. | New progresses in swarm intelligence–based computation | |
CN112684808A (zh) | 一种不确定环境下的无人机集群智能协同察打方法 | |
CN113131985B (zh) | 一种基于信息年龄最优路径规划的多无人机数据收集方法 | |
Duan et al. | Advancements in pigeon-inspired optimization and its variants | |
CN116257082B (zh) | 多无人机分布式主动协同探测方法 | |
Sujit et al. | Self assessment-based decision making for multiagent cooperative search | |
CN108428004A (zh) | 基于蚁群算法的飞行物冲突解脱路径规划方法 | |
Zheng et al. | An intelligent target detection method of UAV swarms based on improved KM algorithm | |
CN114740883B (zh) | 一种协同点侦察任务规划跨层联合优化方法 | |
CN112733251A (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN114610064A (zh) | 基于动态目标搜索的空地协同任务分配方法及相关设备 | |
Hou et al. | UAV swarm cooperative target search: A multi-agent reinforcement learning approach | |
Han et al. | The unified task assignment for underwater data collection with multi-AUV system: A reinforced self-organizing mapping approach |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190215 |