CN110262563A - 多无人机协同搜索水上目标的方法 - Google Patents
多无人机协同搜索水上目标的方法 Download PDFInfo
- Publication number
- CN110262563A CN110262563A CN201810501633.9A CN201810501633A CN110262563A CN 110262563 A CN110262563 A CN 110262563A CN 201810501633 A CN201810501633 A CN 201810501633A CN 110262563 A CN110262563 A CN 110262563A
- Authority
- CN
- China
- Prior art keywords
- search
- subregion
- unmanned plane
- grid
- mission
- 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- Withdrawn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 44
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 230000007704 transition Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010408 sweeping Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 230000002195 synergetic effect Effects 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
-
- 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
- G05D1/12—Target-seeking control
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)
- Navigation (AREA)
Abstract
本发明提出一种多无人机协同搜索水上目标的方法,包括以下步骤;将搜索任务建模为寻找最大回报率的最优航路;在任务区域内描述目标存在概率图,提取高价值搜索子区域;将子区域分配给各无人机;对子区域进行搜索顺序排序,多架无人机按分配区域及区域搜索顺序执行搜索任务。本发明提出的并行式模型预测控制算法可快速获得满足终端时间/位置约束的无人机覆盖搜索航路,同时可提高无人机的搜索效率。
Description
技术领域
本发明涉及无人机控制技术领域,尤其涉及一种无人机搜索水上目标的方法。
背景技术
近些年来,面向无人机(Unmanned Aerial Vehicle,简称UAV)的目标搜索技术已广泛应用于搜索营救、信息采集、持续监视等应用场合,逐步得到了国内外学者与相关部门的密切关注与深入研究。从航路规划的角度出发,多无人机协同搜索水上目标技术可定义为,如何设计合适的最优航路,从而有效地分配和控制多架无人机以最小代价实现对任务区域的最大效率搜索,如在规定时间内获得最大观测回报率即累计概率或尽可能降低环境不确定度。
目标搜索理论最初应用于单无人机的搜索营救任务。首先需将任务区域离散化为栅格地图,根据先验知识可确定每个栅格对应的搜索图信息(如目标存在概率、信息熵等),然后基于各类规则更新搜索图信息,并采取具体的优化策略(如贪婪算法、滚动优化、智能算法等)寻找最优航路。此外,还可用平行线扫描法、螺旋线法、随机法等穷尽搜索策略来实现单无人机搜索目标任务,且均取得了较好的效果。
与单架无人机相比,多无人机可进行信息共享与行为协同,因此具有更高的目标搜索效率,但各类协同机制的引入(如任务分配、机间避撞、同时到达、通信保持等)也给现有方法带来了挑战,现有方法需进一步改进。例如,可通过平行线扫描法规划出平行的多机飞行航路,实现对区域的全覆盖搜索;采取分布式模型预测控制算法规划各机的搜索航路,兼顾计算效率与优化效果。此外,为降低问题求解难度,可采用质心Voronoi图划分、模糊聚类、多边形切割等方法把任务区域分解为一系列子区域,然后把它们分配给各无人机,从而将复杂的多无人机协同问题转换为子区域内的单无人机航路规划问题。
针对多无人机协同目标搜索问题,基于区域分解、子区域分配与单机规划相结合的层次化策略是一种有效的求解思路,可有效地简化问题,然而现有的区域分解策略较为粗糙,缺乏对全局信息的精细定量描述,存在局部最优问题。同时,现有的目标搜索方法仅关注如何提升搜索效率,而无法处理终端约束,即无法保证无人机在任务终止时刻到达指定位置,这显然不符合实际要求。因此,多无人机协同目标快速搜索问题在任务效率与终端约束等方面仍有很大的提升空间。
发明内容
本发明的目的在于提供一种考虑时间约束的无人机快速搜索水上目标的方法,该方法可在有效提高任务效率的同时满足终端约束。
为了实现上述目的,本发明提供如下技术方案:
一种考虑终端约束的多无人机协同搜索水上目标的方法,包括以下步骤;
将搜索任务建模为寻找最大回报率的最优航路;
在任务区域内描述目标存在概率图,提取高价值搜索子区域;
将子区域分配给各无人机;
对子区域进行搜索顺序排序,多架无人机按分配区域及区域搜索顺序执行搜索任务。
作为优选:进一步包括以下步骤:
统计单架无人机按排序后搜索区域执行搜索任务的实际总搜索时间,并与预设总搜索时间进行比较;
若实际总搜索时间值小于预设总搜索时间值,则在子区域内为无人机扩展新的航路段,直至两者相等或相近,此处所述的相近,是指两者之差在允许的容差阈值范围内;
若实际总搜索时间值近似等于预设总搜索时间值,则按子区域当前航路执行搜索任务。
作为优选:对搜索任务进行建模的方法为:
将搜索任务区域视为标准化矩形,且离散化表示为M个栅格;
目标在每个栅格内的存在概率p(m)∈[0,1]为已知,且
假设任意时刻t每架无人机均位于栅格中心的上空,且无人机在每个栅格之间移动;假设无人机位于栅格上空时,可执行探测的概率为gs,定义栅格m的历史搜索概率为:
其中,Lt(m)为t时刻前该无人机飞经栅格m,且探测栅格m的历史总探测次数;
定义栅格m的历史搜索回报率:
Pt(m)=p(m)Gt(m) (2)
栅格m在第Lt(m)+1次被探测的单次搜索回报率为:
t时刻所有栅格的历史回报率定义为:
计算航路的搜索回报率以最大搜索回报率的航路作为最优航路:
作为优选:提取高价值子区域的方法为:
利用高斯混合模型近似目标搜索概率:
各高斯函数的所占比例αk满足并进一步满足:
其中,K为二维高斯函数的个数,αk、μk、Ck为高斯参数, x=[x,y]T表示二维位置向量;
定义由栅格位置组成的训练样本,栅格位置对应的训练个体的数量占比等于目标存在概率值,采用聚类算法初步确定参数,并进行参数的迭代估计直至满足收敛条件。
作为优选:对子区域进行搜索顺序排序的方法为:
定义子区域量化评价指标,其中,理想回报Rk:Rk=0.997αk;子区域面积其中和分别表示Ck的特征值平方根;转场距离Lk;确定子区域的总体评价指标为EPk=(Ak+Lk)/Rk;总体评价指标的值越小,子区域搜索价值越大,优先级越高;
按以上确定的子区域的优先级,为子区域进行排序。
作为优选:将子区域分配给无人机的方法为:
确定子区域的优先级后,获得最优的子区域顺序集合为{l1,...,lKi},定义区域分配指标定义为:
其中,表示总搜索回报率,表示平衡搜索指标,λ1和λ2为自定义比例系数,可根据需要选取;
公式(11)中,min()表示最优指标,arg min()表示得到该最优指标时选取的参数,其中表示最优的子区域分配集合,逐个分配给无人机。
与现有技术相比,本发明的优点和积极效果在于:
(1)本发明提出的高斯混合模型实现了任务区域的精细描述,可量化提取出所有的高价值子区域,避免传统方法的局部最优问题;
(2)本发明利用遗传算法进行子区域排序,该方法不受子区域数量的限制,能获得最优排序结果;
(3)本发明提出的并行式模型预测控制算法可快速获得满足终端时间/ 位置约束的无人机覆盖搜索航路,同时保证了搜索效率。
附图说明
图1是本发明的方法流程图;
图2是无人机运动示意图;
图3a、图3b是搜索目标在待搜索区域存在概率图;
图4a、图4b是基于高斯混合模型的区域分解结果;
图5a、图5b是基于并行式模型预测控制的单机航路规划示意图;
图6a、图6b是面向海上目标搜索任务的多无人机航路。
其中:1-第一架无人机航路,2-第二架无人机航路,3-第三架无人机航路。
具体实施方式
以下,结合附图对本发明的具体实施方式进行进一步的描述。
本发明提出了一种考虑终端约束的多无人机协同搜索水上目标的方法,可应用于水上目标的跟踪、搜救等领域,该方法可指导多无人机协同执行搜索任务,以实现多机的协同工作性能,具有较高的实时性和快速追踪性。
多无人机协同搜索水上目标的方法流程具体如下。
(1)将搜索任务建模为寻找最大回报率的最优航路。
将搜索任务区域视为标准化矩形,且离散化表示为M=Mx×My个栅格;其中M为栅格总数,Mx和My分别为栅格的长和宽。
图3a、图3b所示的为目标在待搜索区域内存在的概率图。假设目标在每个栅格内的存在概率p(m)∈[0,1]为已知,且对目标存在概率进行归一化处理,
假设任意时刻t每架无人机均位于栅格中心的上空,且无人机在每个栅格之间移动。
t时刻,第i架无人机总是在某一个栅格中心的上空,其位置可以定义为:在相邻的采样时刻,无人机总是在相邻的栅格之间移动,假设当前时刻t无人机航向角为其中n表示航向角的大小,f为一整数,且满足(f+1)n≤360°,则,无人机在下一时刻的航向角为转弯率为倍。具体举例说明,当前时刻,无人机的航向角为基于无人机动力学约束,下一时刻航向角可定义为即转弯率为为使无人机始终在栅格中心,当无人机转弯飞行时(即航向角为)的速度为无人机直飞时的倍。
每架无人机上安装视觉传感器,视觉传感器始终指向无人机正下方。每个采样时刻,无人机恰好在栅格m中心上空,且视觉传感器的视野范围正好覆盖该栅格。受到无人机视觉传感器的性能限制,当无人机位于该栅格m上方时,探测信息不完全可信。假设其在栅格上方执行探测的概率为gs,且,gs∈(0,1]。由于每架无人机每次探测事件均是独立的,则可定义栅格m的历史搜索概率为:
其中,Lt(m)为t时刻前该无人机飞经栅格m,且探测栅格m的历史总探测次数。
结合目标在栅格m内的存在概率,定义栅格m的历史搜索回报率:
Pt(m)=p(m)Gt(m) (2)
栅格m在第Lt(m)+1次被探测的单次搜索回报率为:
t时刻所有栅格的历史回报率定义为:
定义任务终止时刻为T,Nu架无人机的规划航路为φ={φ1,...,φNu},根据式(4)可计算航路的搜索回报率因此,目标搜索问题可建模为寻找具有最大搜索回报率的最优航路:
(2)描述目标存在概率图,从任务区域中量化提取高价值子区域。
提取高价值子区域的目的是提取搜索概率大的区域,作为重点搜索区域。
为了量化描述任务区域的目标概率图的分布特性,可利用高斯混合模型即多个高斯概率密度函数(正态分布曲线)来近似。假设共有K个二维高斯函数组成高斯混合模型,且所占比例αk满足则需满足如下关系:
其中p(x)为各栅格存储的目标概率,x=[x,y]T表示二维位置向量,αk、μk、Ck为高斯参数。
为满足式(6),需对高斯参数包括αk、μk、Ck等进行估计:首先,定义由栅格位置组成的训练样本,且各栅格位置对应的训练个体的数量占比等于目标存在概率值;然后,采用k-means聚类算法初步确定参数,进而采取极大似然法进行参数的迭代估计,具体包括初始化、估计、最大化等步骤,直至满足收敛条件。
然后,可提取出高斯函数三倍标准差范围内的椭圆形子区域,它们表示目标可能存在的高价值区域,通常以μk为中心点,以矩阵Ck的特征向量为坐标轴,且长、短轴大小为和其中和表示Ck特征值的平方根。
图4a和图4b为实际目标存在概率图以及采取高斯混合模型的近似结果(K=8),由图可知高斯混合模型可较好地表示该区域。
(3)对各高价值子区域进行量化评价,将各子区域在无人机之间进行分配,并对各子区域进行排序。
由于各子区域进行量化评价的目的是衡量多个高价值子区域的权重,对子区域进行排序的目的是根据子区域的权重大小,合理规划子区域的搜索顺序,确定搜索的优先级。
对高价值子区域进行评级,首先需要设定权重指标。本发明中,采用如下的权重指标:
理想回报Rk:该指标用于评价子区域中,目标被搜索到的可能性。理想回报被定义为:Rk=0.997αk。
子区域面积Ak:子区域的面积影响无人机搜索的该区域的整体时间,子区域面积被定义为:
转场距离Lk:两个子区域中心的距离、或无人机起始点或终止点与子区域中心的距离。
子区域评级总体指标:结合理想回报、子区域面积、转场距离,确定子区域的总体评价指标为EPk=(Ak+Lk)/Rk;总体评价指标的值越小,子区域搜索价值越大,优先级越高。
完成子区域的评价后,需要完成两个工作,第一:将各个子区域合理分配给各架无人机;第二:将各子区域进行合理的排序,使无人机按子区域的排序进行搜索。
多机执行搜索任务时,需要将无人机合理分配给各架无人机。为了获得更优的搜索效果,在将子区域分配给各个无人机时,考虑总收益与机间平衡,这可以将多机协同规划问题简化为单机规划问题。
假设为无人机i被分配Ki个子区域,且对这些子区域进行最优排序,排序的方法在下文论述,排序后,获得最优的子区域顺序集合为{l1,...,lKi},定义区域分配指标定义为:
其中,表示总搜索回报率,用以表示按当前搜索排序,子区域集合的总搜索回报效果;表示平衡搜索指标,用以平衡各无人机之间的搜索收益。其中λ1和λ2为自定义比例系数,可根据需要选取。
最优分配问题实际为如下最优化问题:
其中表示最优的子区域分配集合,对公式(11)的问题进行求解,本实施例中采取传统的拍卖算法进行上述问题求解。
以下将论述对子区域的排序方法。对于单无人机执行任务,单架无人机可按以下排序方法获得的子区域顺序进行目标搜索;对于多架无人机,此处所述的排序方法是指为分配给每架无人机的搜索子区域进行排序。
假设{l1,...,lK}为子区域的最优排序,则,子区域的排序问题建模为:
即,提取出总体评价指标最小的子区域排序,作为搜索的排序。具体的方法如下。
子区域排序问题即公式(7)类似于传统的旅行商问题,可采用遗传算法进行求解。首先给出初始群体,其中各个体的染色体编码为子区域的随机序号,例如有5个子区域,则某个染色体可随机编码为 {4,1,2,5,3},用来表示子区域的排序。然后,根据适应度函数对多个染色体进行选择、交叉、变异等操作,最终得到最优排序。
(4)规划无人机在子区域内的搜索航路。
本实施例中,采取并行式模型预测控制算法规划无人机在子区域内的覆盖搜索航路,使其满足终端时间/位置约束。
根据各无人机分配并排序的子区域序列,采取一种以最大化搜索回报率为指标的并行式模型预测控制算法规划各无人机的航路,在保证任务效率的同时可使无人机在终止时刻到达指定位置。
规划搜索航路的方法为:
①根据为无人机分配的搜索子区域,确定无人机执行搜索任务的起始子区域和终止子区域,确定无人机搜索的起始位置和终止位置,无人机的起始位置是指无人机被放飞的位置。
②初始化航路。从起始位置到第一个子区域中心的最短航路,并确定从起始位置到第一个区域中心最短航路的飞行时间;各子区域内部的初始覆盖航路,并确定在各子区域内初始覆盖航路的飞行时间;各子区域之间的转场航路,并确定在各子区域之间转场飞行所用的时间。需要说明的是,初始覆盖航路简化为单个航路点。
③若上述航路的飞行时间之和小于无人机可执行飞行任务的总体时间(预设的总搜索时间),则进一步扩展航路。扩展航路的目的是在搜索限定的时间内,增加搜索航路,以期提高目标被搜索的概率。具体的方法为,在各子区域的覆盖航路自动扩展新的航点,从多个可扩展的航点中,寻找一个回报率最大的航点,并更新子区域转场线路同时更新转场时间。需要说明的是,若实际总搜索时间值等于预设总搜索时间值或近似等于预设总搜索时间值(即实际总搜索时间与预设总搜索时间的差值小于允许的容差阈值),则按子区域当前航路执行搜索任务,不进行航路的扩展。容差阈值是提前设定值。
④重复上述步骤,直至无人机运行的总时间和等于或近似等于无人机预置的运行时间。
以下将举例具体说明搜索航路的规划方法。
以无人机i为例,假设其分配并排序的子区域序号依次为且子区域中心位置为无人机起始位置和终止位置分别为和任务终止时刻为T,具体步骤如下。
首先,初始化各部分航路段,具体包括从起始位置到第一个子区域中心的最短航路段φi,0(飞行时间为ti,0)、各子区域内部的初始覆盖航路段(即子区域的中心位置点,飞行时间为 ti,j)、各子区域间的转场航路段φi,j→j+1,(即当前子区域覆盖航路φi,j的末航点到下一个子区域中心的最短航路,飞行时间为 ti,j→j+1)、从的末航点到终止位置的最短航路段φi,f(飞行时间为ti,f)。
然后,如果上述时间之和小于T,即则需对覆盖航路段进行扩展,具体策略如下:采用模型预测控制方法,将各子区域内的覆盖航路φi,j各自预扩展一个新航点xj,从中选择具有最大单次回报率的航点将其加入作为对应子区域的覆盖航路段的末航点,并更新子区域转场航线,同时舍弃其他预扩展的新航点。重复上述步骤,直至各航路段时间之和等于T。图5a和图 5b给出了上述的单机航路规划步骤的示意图。
至此,完成整个无人机搜索航迹的规划。
以3架无人机执行搜索任务为例,采用本发明的规划结果如图6a和图 6b所示,图中,分别给出了第一架无人机的搜索航路1、第二架无人机的搜索航路2和第三架无人机的搜索航路3。无人机优先搜索目标存在概率较高的子区域,任务效率较高。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (6)
1.一种多无人机协同搜索水上目标的方法,其特征在于,包括以下步骤;
将搜索任务建模为寻找最大回报率的最优航路;
在任务区域内描述目标存在概率图,提取高价值搜索子区域;
将子区域分配给各无人机;
对子区域进行搜索顺序排序,多架无人机按分配区域及区域搜索顺序执行搜索任务。
2.如权利要求1所述的多无人机协同搜索水上目标的方法,其特征在于,进一步包括以下步骤:
统计单架无人机按排序后搜索区域执行搜索任务的实际总搜索时间,并与预设总搜索时间进行比较;
当实际总搜索时间小于总搜索时间预设值时,在子区域内为无人机扩展新的航路段,直至两者之差在允许的阈值范围内。
3.如权利要求1所述的多无人机协同搜索水上目标的方法,其特征在于,对搜索任务进行建模的方法为:
将搜索任务区域视为标准化矩形,且离散化表示为M个栅格;
目标在每个栅格内的存在概率p(m)∈[0,1]为已知,且
假设任意时刻t每架无人机均位于栅格中心的上空,且无人机在每个栅格之间移动;假设无人机位于栅格上空时,可执行探测的概率为gs,定义栅格m的历史搜索概率为:
其中,Lt(m)为t时刻前该无人机飞经栅格m,且探测栅格m的历史总探测次数;
定义栅格m的历史搜索回报率:
Pt(m)=p(m)Gt(m) (2)
栅格m在第Lt(m)+1次被探测的单次搜索回报率为:
t时刻所有栅格的历史回报率定义为:
计算航路的搜索回报率然后以最大搜索回报率的航路作为最优航路:
4.如权利要求1所述的多无人机协同搜索水上目标的方法,其特征在于,提取高价值子区域的方法为:
利用高斯混合模型近似目标搜索概率:
高斯函数的所占比例αk满足并进一步满足:
其中,K为二维高斯函数的个数,αk、μk、Ck为高斯参数,x=[x,y]T表示二维位置向量;
定义由栅格位置组成的训练样本,栅格位置对应的训练个体的数量占比等于目标存在概率值,采用聚类算法初步确定参数,并进行参数的迭代估计直至满足收敛条件。
5.如权利要求1所述的多无人机协同搜索水上目标的方法,其特征在于,对子区域进行搜索顺序排序的方法为:
定义子区域量化评价指标,其中,理想回报Rk:Rk=0.997αk;子区域面积 和分别表示Ck的特征值平方根,转场距离Lk;确定子区域的总体评价指标为EPk=(Ak+Lk)/Rk;总体评价指标的值越小,子区域搜索价值越大,优先级越高;
按以上确定的子区域的优先级,为子区域进行排序。
6.如权利要求5所述的多无人机协同搜索水上目标的方法,其特征在于,将子区域分配给无人机的方法为:
确定子区域的优先级后,获得最优的子区域顺序集合为定义区域分配指标定义为:
其中,表示总搜索回报率,表示平衡搜索指标,λ1和λ2为自定义比例系数,可根据需要选取;
其中表示最优的区域分配集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810501633.9A CN110262563A (zh) | 2018-05-23 | 2018-05-23 | 多无人机协同搜索水上目标的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810501633.9A CN110262563A (zh) | 2018-05-23 | 2018-05-23 | 多无人机协同搜索水上目标的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110262563A true CN110262563A (zh) | 2019-09-20 |
Family
ID=67911646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810501633.9A Withdrawn CN110262563A (zh) | 2018-05-23 | 2018-05-23 | 多无人机协同搜索水上目标的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110262563A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111190438A (zh) * | 2020-01-07 | 2020-05-22 | 东北大学秦皇岛分校 | 一种基于分布式优化的无人机群协同定位气体泄漏源方法 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
CN111880572A (zh) * | 2020-08-20 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种多无人机安全通行狭窄出入口的协同调度方法 |
CN112347136A (zh) * | 2020-11-20 | 2021-02-09 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112905959A (zh) * | 2021-02-09 | 2021-06-04 | 辽宁警察学院 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
CN112923925A (zh) * | 2021-01-07 | 2021-06-08 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
CN114137836A (zh) * | 2021-11-23 | 2022-03-04 | 中国地质大学(武汉) | 基于高斯混合模型的垂钻纠偏控制反馈校正方法及装置 |
WO2022057700A1 (zh) * | 2020-09-18 | 2022-03-24 | 武汉理工大学 | 一种多艘无人测量船艇覆盖路径规划方法 |
CN115080879A (zh) * | 2022-07-27 | 2022-09-20 | 白杨时代(北京)科技有限公司 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
US11479359B2 (en) * | 2018-07-23 | 2022-10-25 | Beijing Boe Technology Development Co., Ltd. | UAV operation route planning method, UAV pesticide spreading method and device |
CN116820121A (zh) * | 2023-05-15 | 2023-09-29 | 哈尔滨工业大学(深圳) | 一种无人机群体联合侦查策略生成方法及终端 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011057323A1 (en) * | 2009-11-10 | 2011-05-19 | Bae Systems Australia Limited | Method and system to aid craft movement prediction |
CN103217985A (zh) * | 2012-10-31 | 2013-07-24 | 上海大学 | 基于双飞行机器人对有源目标的协调搜寻方法与系统 |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN103744428A (zh) * | 2014-01-17 | 2014-04-23 | 哈尔滨工程大学 | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 |
CN105425820A (zh) * | 2016-01-05 | 2016-03-23 | 合肥工业大学 | 一种针对具有感知能力的运动目标的多无人机协同搜索方法 |
CN106289264A (zh) * | 2016-08-26 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种基于子区域划分的多无人机遍历搜索算法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
-
2018
- 2018-05-23 CN CN201810501633.9A patent/CN110262563A/zh not_active Withdrawn
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011057323A1 (en) * | 2009-11-10 | 2011-05-19 | Bae Systems Australia Limited | Method and system to aid craft movement prediction |
CN103217985A (zh) * | 2012-10-31 | 2013-07-24 | 上海大学 | 基于双飞行机器人对有源目标的协调搜寻方法与系统 |
CN103472850A (zh) * | 2013-09-29 | 2013-12-25 | 合肥工业大学 | 一种基于高斯分布预测的多无人机协同搜索方法 |
CN103744428A (zh) * | 2014-01-17 | 2014-04-23 | 哈尔滨工程大学 | 一种基于邻域智能水滴算法的水面无人艇路径规划方法 |
CN105425820A (zh) * | 2016-01-05 | 2016-03-23 | 合肥工业大学 | 一种针对具有感知能力的运动目标的多无人机协同搜索方法 |
CN106289264A (zh) * | 2016-08-26 | 2017-01-04 | 哈尔滨工业大学深圳研究生院 | 一种基于子区域划分的多无人机遍历搜索算法 |
CN106406346A (zh) * | 2016-11-01 | 2017-02-15 | 北京理工大学 | 一种多无人机协同快速覆盖搜索航迹规划方法 |
Non-Patent Citations (1)
Title |
---|
PENG YAO,ECT.: "Optimal UAV Route Planning for Coverage Search of Stationary Target in River", 《IEEE TRANSACTIONS ON CONTROL SYSTEMS TECHNOLOGY》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11479359B2 (en) * | 2018-07-23 | 2022-10-25 | Beijing Boe Technology Development Co., Ltd. | UAV operation route planning method, UAV pesticide spreading method and device |
CN111190438A (zh) * | 2020-01-07 | 2020-05-22 | 东北大学秦皇岛分校 | 一种基于分布式优化的无人机群协同定位气体泄漏源方法 |
CN111190438B (zh) * | 2020-01-07 | 2023-07-25 | 东北大学秦皇岛分校 | 一种基于分布式优化的无人机群协同定位气体泄漏源方法 |
CN111487986A (zh) * | 2020-05-15 | 2020-08-04 | 中国海洋大学 | 基于全局信息传递机制的水下机器人协同目标搜索方法 |
CN111880572A (zh) * | 2020-08-20 | 2020-11-03 | 中国电子科技集团公司第五十四研究所 | 一种多无人机安全通行狭窄出入口的协同调度方法 |
CN111880572B (zh) * | 2020-08-20 | 2024-03-15 | 中国电子科技集团公司第五十四研究所 | 一种多无人机安全通行狭窄出入口的协同调度方法 |
WO2022057700A1 (zh) * | 2020-09-18 | 2022-03-24 | 武汉理工大学 | 一种多艘无人测量船艇覆盖路径规划方法 |
CN112363539A (zh) * | 2020-11-18 | 2021-02-12 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112363539B (zh) * | 2020-11-18 | 2021-09-21 | 中国海洋大学 | 多无人机协同目标搜索方法 |
CN112347136B (zh) * | 2020-11-20 | 2022-12-02 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN112347136A (zh) * | 2020-11-20 | 2021-02-09 | 中国人民解放军海军潜艇学院 | 扩方法吊放声纳应召搜索阵型优化方法、存储介质和系统 |
CN112923925A (zh) * | 2021-01-07 | 2021-06-08 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
CN112923925B (zh) * | 2021-01-07 | 2023-02-21 | 天津大学 | 双模式盘旋追踪地面目标的多无人机协同航迹规划方法 |
CN112905959B (zh) * | 2021-02-09 | 2022-09-09 | 辽宁警察学院 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
CN112905959A (zh) * | 2021-02-09 | 2021-06-04 | 辽宁警察学院 | 一种基于正态分布概率图的警务多无人机目标搜索方法 |
CN114137836A (zh) * | 2021-11-23 | 2022-03-04 | 中国地质大学(武汉) | 基于高斯混合模型的垂钻纠偏控制反馈校正方法及装置 |
CN115080879A (zh) * | 2022-07-27 | 2022-09-20 | 白杨时代(北京)科技有限公司 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
CN116820121A (zh) * | 2023-05-15 | 2023-09-29 | 哈尔滨工业大学(深圳) | 一种无人机群体联合侦查策略生成方法及终端 |
CN116820121B (zh) * | 2023-05-15 | 2024-06-11 | 哈尔滨工业大学(深圳) | 一种无人机群体联合侦查策略生成方法及终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262563A (zh) | 多无人机协同搜索水上目标的方法 | |
CN107807665B (zh) | 无人机编队探测任务协同分配方法及装置 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
CN112016812B (zh) | 多无人机任务调度方法、系统及存储介质 | |
KR101638368B1 (ko) | 다변수 패턴 인식모델을 이용한 도시 교통 예측 시스템 및 그 방법 | |
CN110389595A (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN109631900A (zh) | 一种无人机三维航迹多目标粒子群全局规划方法 | |
CN110058613A (zh) | 一种多无人机多蚁群协同搜索目标方法 | |
CN107220724B (zh) | 客流量预测方法及装置 | |
CN106959700B (zh) | 一种基于上限置信区间算法的无人机群协同巡逻追踪轨迹规划方法 | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
US6718261B2 (en) | Architecture for real-time maintenance of distributed mission plans | |
CN104573812A (zh) | 一种基于粒子萤火虫群优化算法的无人机航路路径确定方法 | |
CN103679263A (zh) | 基于粒子群支持向量机的雷电临近预测方法 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN109523011B (zh) | 一种面向多无人机协同探测的多传感器自适应管理方法 | |
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 | |
CN103824291A (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
CN106710316A (zh) | 一种基于恶劣气象条件的空域容量确定方法及装置 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN113848987A (zh) | 无人机群协同目标搜索中的动态路径规划方法及系统 | |
CN114167898A (zh) | 一种无人机收集数据的全局路径规划方法及系统 | |
Wang et al. | UAV online path planning based on improved genetic algorithm |
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: 20190920 |