CN110986948B - 一种基于奖励函数优化的多无人机分组协同判断方法 - Google Patents

一种基于奖励函数优化的多无人机分组协同判断方法 Download PDF

Info

Publication number
CN110986948B
CN110986948B CN201911211826.1A CN201911211826A CN110986948B CN 110986948 B CN110986948 B CN 110986948B CN 201911211826 A CN201911211826 A CN 201911211826A CN 110986948 B CN110986948 B CN 110986948B
Authority
CN
China
Prior art keywords
unmanned aerial
path
aerial vehicle
path length
cooperative
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.)
Active
Application number
CN201911211826.1A
Other languages
English (en)
Other versions
CN110986948A (zh
Inventor
蒋雯
刘圆娜
邓鑫洋
耿杰
杨季皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwestern Polytechnical University
Original Assignee
Northwestern Polytechnical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northwestern Polytechnical University filed Critical Northwestern Polytechnical University
Priority to CN201911211826.1A priority Critical patent/CN110986948B/zh
Publication of CN110986948A publication Critical patent/CN110986948A/zh
Application granted granted Critical
Publication of CN110986948B publication Critical patent/CN110986948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01CMEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20Instruments for performing navigational calculations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/15Correlation function computation including computation of convolution operations
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于奖励函数优化的多无人机分组协同判断方法,包括以下步骤:步骤一、计算可飞行路径长度区间;步骤二、构建协同矩阵M;步骤三、检验是否满足最大补偿率;步骤四、检验是否进防空圈;步骤五、构建决策矩阵D进行分组协同寻优。本发明方法灵巧,通过路径长度区间、最大补偿率、防空圈计算出每架无人机理论可飞行的路径长度,进而基于奖励函数寻优得到无人机分组协同的结果。在保证尽可能多的无人机协同的同时,又兼顾了总路径长度最短,提高了航路规划效率,方法扩展性好。

Description

一种基于奖励函数优化的多无人机分组协同判断方法
技术领域
本发明属于无人机协同航迹规划技术领域,具体涉及一种基于奖励函数优化的多无人机分组协同判断方法。
背景技术
无人机因其适应性强、机动性高、隐蔽性好的特点被广泛应用于现代战场和民用领域。多无人机协同编队飞行在拓宽无人机作战范围和提高作战效能方面具有显著优势,因此逐渐成为未来无人机技术发展的重点方向。多无人机编队飞行以单无人机系统为基础,编队无人机技术不仅要具备单无人机所必需的飞行控制、通讯链路、传感器、信息融合、机身与推进系统等技术,还需要解决编队的生成与重生成问题、编队飞行的路径规划问题、碰撞规避问题、编队队形的保持控制问题、多无人机间的信息交问题、编队任务分配问题等。
多无人机协同航迹规划旨在为编队中每架无人机设计一条符合曲率约束的可飞行路径,使得无人机群同时到达指定地点,并保证无人机之间不发生碰撞。多无人机协同航迹规划考虑的主要约束有可飞性约束和安全性约束。其中可飞性约束指规划的路径能够满足各无人机的运动学约束条件,如最大曲率约束,最大挠率约束、路径曲率连续约束等。路径安全性是指无人机组内不发生碰撞,并且无人机规划的路径不与环境中的障碍物发生碰撞。其他的约束还有时间协同约束,即各无人机必须同时到达目标点完成队形重构。路径规划的目标是使得路径整体性能指标最优,包括路径长度、平滑性能和隐身性能等。目前大多数采用的路径规划技术都是从地面机器人领域借鉴而来的,求解路径规划的方法有最优控制法、人工势场法、基于图形学的算法和智能优化方法等。
在多无人机的协同航迹规划中,盲目要求全部无人机时间协同可能会导致个别无人机过度飞行,造成极大的燃油耗费。因此提前进行无人机能否协同飞行的判断,将多无人机合理地分成若干协同组,进而再进行航迹规划,这方面的研究具有极强的工程实用价值。
然而无人机分组协同判断的研究成果很少,判断准则也没有明确的定义。因此需要对多无人机分组协同的考虑因素和判断方法进行探索。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种基于奖励函数优化的多无人机分组协同判断方法。其方法灵巧,可以分为两个部分:首先通过路径长度区间、最大补偿率、防空圈计算出每架无人机理论可飞行的路径长度,进而基于奖励函数寻优得到无人机分组协同的结果。在保证尽可能多的无人机协同的同时,又兼顾了总路径长度最短,提高了航路规划效率,方法扩展性好。
为解决上述技术问题,本发明采用的技术方案是:一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于,包括以下步骤:
步骤一、计算可飞行路径长度区间:
步骤101、确定n架无人机的起始位姿psi和终止位姿pfi,其中i=1,2,…,n。分别为每架无人机产生LSL、RSR、LSR、RSL,共4种类型的Dubins路径;
步骤102、对每架无人机,用最小曲率半径rmin求得的路径长度作为4种类型路径的长度下限,记为
Figure GDA0003517808800000021
并计算4种类型路径的长度上限,记为
Figure GDA0003517808800000022
则无人机的4种类型路径的长度区间为
Figure GDA0003517808800000023
其中j=1表示LSL型、j=2表示RSR型、j=3表示LSR型、j=4表示RSL型;
步骤二、构建协同矩阵M:
步骤201、选取协同长度:选取每架无人机的4种路径类型的长度下限
Figure GDA0003517808800000024
作为协同的长度,则n架无人机共产生4n个协同长度Lp,p=1,2,…,4n;
步骤202、构建协同矩阵M:协同矩阵
Figure GDA0003517808800000031
其中元素xpi表示第i架无人机对协同长度Lp的可飞性,xpi=1表示可飞,xpi=0表示不可飞。判断协同长度Lp,p=1,2,…,4n是否属于无人机i的4种类型路径长度区间之内,如果存在
Figure GDA0003517808800000032
使得
Figure GDA0003517808800000033
则表示无人机i对于协同长度Lp可飞,协同矩阵的元素xpi为1;如果不存在,则xpi为0;
步骤三、检验是否满足最大补偿率:为防止无人机过度飞行,定义无人机i的补偿率ki为实际协同路径长度Lp与最小可飞路径长度
Figure GDA0003517808800000034
之比,即
Figure GDA0003517808800000035
其中无人机i的最小可飞路径长度为
Figure GDA0003517808800000036
规定最大补偿率为kmax,如果ki>kmax,则表示无人机i的飞行路径超过最大补偿率,为过度飞行,则对应的路径长度Lp不可飞,将协同矩阵中对应的xpi=1置0;如果ki≤kmax,则路径可飞,不作更改;
步骤四、检验是否进防空圈:采用粒子群算法对协同矩阵中xpi=1对应的可飞行路径计算起始曲率半径ρsi和终止曲率半径ρfi,进而计算航迹离散点P={pm|pm=(xm,ym),m=1,2,…},其中(xm,ym)表示航迹点的坐标,m=1,2,…表示航迹点的序号。将防空圈建模成原点为O,半径为Robs的障碍圆。检测是否存在||pm-O||<Robs,若存在,表示航路进入防空圈。如果无人机i不存在满足防空圈约束的路径类型,则将协同矩阵中对应的xpi=1置0;
步骤五、构建决策矩阵D进行分组协同寻优:
步骤501、构建决策矩阵D:统计协同矩阵M中第i列“1”的个数为μi,i=1,2,…,n,则n架无人机的路径一共有
Figure GDA0003517808800000037
种组合。决策矩阵D为
Figure GDA0003517808800000038
的矩阵,其中每一行代表一种路径长度组合;
步骤502、基于奖励函数的分组协同寻优:由于路径总长度和分组数目是相反的优化方向,首先判断决策矩阵中每行组合的协同类型,计算每行组合的目标函数
Figure GDA0003517808800000041
其中Li表示第i架无人机的路径长度,-κσ是奖励函数部分,每种协同类型对应不同的系数κ。σ为奖励因子,σ>0,其物理意义是“为了满足协同而愿意付出的路径长度代价”。寻优
Figure GDA0003517808800000042
的那组路径组合为最终的协同结果。
上述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤一中采用满足曲率约束的Dubins路径规划方法进行可飞行路径规划,考虑了LSL、RSR、LSR、RSL4种类型。
上述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤四中采用粒子群算法进行起始曲率半径ρs和终止曲率半径ρf寻优。
上述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤502基于奖励函数构建目标函数对多无人机进行分组协同寻优,同时考虑了路径总长度更短和更多无人机协同。
本发明与现有技术相比具有以下优点:
1、本发明针对多无人机协同可能导致的过度飞行问题,提出了无人机分组协同判断方法。采用Dubins曲线进行路径规划,充分考虑了路径的可飞性、最大补偿率约束、防空圈约束,以及路径总长度和协同的优化。提出的方法适用场景广泛,对无人机的数量具有扩展性。
2、本发明在分组协同寻优时,设置奖励因子来构造目标函数,并对每种协同类型赋予不同的系数。用奖励因子来权衡路径总长度更短以及更多无人机协同这两个相反的优化目标。并且保证在协同类型相同的情况下,选出的路径组合一定具有最短的路径总长度。
综上所述,本发明方法灵巧,通过路径长度区间、最大补偿率、防空圈计算出每架无人机理论可飞行的路径长度,进而基于奖励函数寻优得到无人机分组协同的结果。在保证尽可能多的无人机协同的同时,又兼顾了总路径长度最短,提高了航路规划效率,方法扩展性好。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图。
图2为本发明步骤102得到的可飞行路径长度区间。
图3为本发明步骤四得到的协同矩阵M。
图4为本发明步骤501构建的决策矩阵D。
图5为本发明步骤502各种协同类型对应的目标函数。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。本发明以4架无人机在编队作战背景下的分组协同为例,假设各无人机的速率相等且不可调节。
如图1所示,本发明包括以下步骤:
步骤一、计算可飞行路径长度区间:
步骤101、确定4架无人机的起始位姿psi和终止位姿pfi,i=1,2,3,4。实际使用时,psi=(xsi,ysisi),(xsi,ysi)为无人机的起点位置坐标,θsi为起点航向角;pfi=(xfi,yfifi),(xfi,yfi)为无人机的终点位置坐标,θfi为终点航向角。计算机根据给定的起始位姿psi和终止位姿pfi,采用解析几何法为每架无人机生成LSL、RSR、LSR、RSL4种类型的Dubins路径。
步骤102、对于每种Dubins路径类型,路径长度通常会随着曲率半径的增加而连续增大。因此,对每架无人机,用最小曲率半径rmin求得的路径长度作为4种类型路径的长度下限,记为
Figure GDA0003517808800000051
当转弯半径持续增大到Dubins路径不存在的临界点时,求得的路径长度为路径上限,记为
Figure GDA0003517808800000052
则无人机的4种类型路径的长度区间为
Figure GDA0003517808800000053
其中j=1表示LSL型、j=2表示RSR型、j=3表示LSR型、j=4表示RSL型。4架无人机的可飞行路径长度区间如图2。
步骤二、构建协同矩阵M:
步骤201、选取协同长度:由于无人机的速率相等且不可调,时间协同可以转化为路径长度相等,默认无人机协同是短的路径增加到长的路径区间的下限,所以选取每架无人机的4种路径类型的长度下限
Figure GDA0003517808800000061
作为协同的长度,则4架无人机共产生16个协同长度Lp,p=1,2,…,4n;
步骤202、构建协同矩阵M:判断协同长度Lp,p=1,2,…,4n是否属于无人机i的4种类型路径长度区间之内,如果存在
Figure GDA0003517808800000062
使得
Figure GDA0003517808800000063
则表示无人机i对于协同长度Lp可飞;如果不存在,则无人机i对于协同长度Lp不可飞。构建协同矩阵
Figure GDA0003517808800000064
其中元素xpi表示第i架无人机对协同长度Lp的可飞性,xpi=1表示可飞,xpi=0表示不可飞。
步骤三、检验是否满足最大补偿率:为防止无人机过度飞行,定义无人机i的补偿率ki为实际协同路径长度Lp与最小可飞路径长度
Figure GDA0003517808800000065
之比,即
Figure GDA0003517808800000066
其中无人机i的最小可飞路径长度为
Figure GDA0003517808800000067
规定最大补偿率为kmax,如果ki>kmax,则表示无人机i的飞行路径超过最大补偿率,为过度飞行,则对应的路径长度Lp不可飞,将协同矩阵中对应的xpi=1置0;如果ki≤kmax,则路径可飞,不作更改。
步骤四、检验是否进防空圈:采用粒子群算法对协同矩阵中xpi=1对应的可飞行路径计算起始曲率半径ρsi和终止曲率半径ρfi
实际使用时,当无人机i对协同长度Lp可飞时,在规划具体的路径时需要调整无人机i的起始曲率半径ρsi和终止曲率半径ρfi,使Li=Lp,Li表示第i架无人机的实际路径长度。对于Dubins路径,当给定第i架无人机的起始位姿psi和终止位姿pfi,决定无人机路径长度的参数就只有起始曲率半径ρsi和终止曲率半径ρfi
具体实施时,本实施例中,采用粒子群优化算法寻找符合目标函数的曲率半径。对于无人机i,种群需要优化的参数是Dubins路径的起始曲率半径ρsi和终止曲率半径半径ρfi,即搜索空间维度Dim=2。每个种群的粒子数目设置为M=30,最大迭代次数设置为MaxDT=50。粒子的搜寻位置设置为[ρminmax],其中ρmax根据实际环境而设定。粒子的搜寻速度取[-1.5,1.5]。首先对种群的粒子生成符合条件的随机初始位置和初始速度,然后计算每个粒子的适应度,进而初始化个体极值Pi best和群体极值Gbest。在这里粒子的适应度函数定义为:F=f(ρsifi)=-|Li-Lp|,当粒子的适应度越高时,表示路径长度和参考路径长度约相近,粒子的位置更优。随着迭代的进行,粒子会向路径等长的优化目标靠近。
粒子在每一次迭代中,通过学习个体极值Pi best和群体极值Gbest来更新自己的速度和位置。速度的更新算法为:
Figure GDA0003517808800000071
位置的更新算法为:
Figure GDA0003517808800000072
为了避免速度过大跳过最优解,或者速度变化过小难以到达最优解,通常为粒子的搜寻速度和搜寻位置各取一个限定的范围:[-Vmin,Vmax]和[Xmin,Xmax]。粒子每更新一次位置,就重新计算适应度,进而更新个体极值Pi best和群体极值Gbest,直到满足终止条件,输出最优解,即无人机i的起始曲率半径和终止曲率半径,使得无人机路径满足Li=Lp
进而计算航迹离散点P={pm|pm=(xm,ym),m=1,2,…},其中(xm,ym)表示航迹点的坐标,m=1,2,…表示航迹点的序号。将防空圈建模成原点为O,半径为Robs的障碍圆。检测是否存在||pm-O||<Robs,若存在,表示航路进入防空圈。如果无人机i不存在满足防空圈约束的路径类型,则将协同矩阵中对应的xpi=1置0;
最终得到协同矩阵M,如图3。元素xpi=1表示无人机i对于协同长度Lp安全可飞行,右侧的16个数值代表协同长度Lp
步骤五、构建决策矩阵D进行分组协同寻优:
步骤501、构建决策矩阵D:统计协同矩阵M中第i列“1”的个数为μi,i=1,2,3,4,则4架无人机的路径一共有
Figure GDA0003517808800000073
种组合。决策矩阵D为
Figure GDA0003517808800000074
的矩阵,其中每一行代表一种路径长度组合,如图4。
步骤502、基于奖励函数的分组协同寻优:由于路径总长度和分组数目是相反的优化方向,首先判断决策矩阵中每行组合的协同类型,计算每行组合的目标函数
Figure GDA0003517808800000081
其中Li表示第i架无人机的路径长度,-κσ是奖励函数部分,每种协同类型对应不同的系数κ。σ为奖励因子,σ>0,其物理意义是“为了满足协同而愿意付出的路径长度代价”。寻优
Figure GDA0003517808800000082
的那组路径组合为最终的协同结果。
具体实施时,4架无人机共有5种协同类型,按优先级排列,每种类型对应的目标函数如图5。
判断决策矩阵D每一行的路径组合的协同类型,就可得到其对应的目标函数公式。σ为奖励因子,σ>0,用来权衡路径总长度和分组数目的重要性,σ取值越大,表示优化更倾向于更多无人机协同;σ取值越小,表示更倾向于路径长度更短。系数κ用来区分不同协同类型的优先级。本实施例由于事先考虑了最大补偿率,路径长度限制在可接受的范围内,所以此处更倾向于协同。故σ取较大值即可,本例取1000。寻优
Figure GDA0003517808800000083
得到最终的协同结果L1=L2=L3=L4=179.8883,即4架无人机协同为一组。基于奖励函数优化的方法,保证了在协同类型相同的情况下,选出的路径组合一定具有最短的路径总长度。
以上所述,仅是本发明的实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。

Claims (4)

1.一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于,包括以下步骤:
步骤一、计算可飞行路径长度区间:
步骤101、确定n架无人机的起始位姿psi和终止位姿pfi,其中i=1,2,…,n;分别为每架无人机产生LSL、RSR、LSR、RSL,共4种类型的Dubins路径;
步骤102、对每架无人机,用最小曲率半径rmin求得的路径长度作为4种类型路径的长度下限,记为
Figure FDA0003452111380000011
并计算4种类型路径的长度上限,记为
Figure FDA0003452111380000012
则无人机的4种类型路径的长度区间为
Figure FDA0003452111380000013
其中j=1表示LSL型、j=2表示RSR型、j=3表示LSR型、j=4表示RSL型;
步骤二、构建协同矩阵M:
步骤201、选取协同长度:选取每架无人机的4种路径类型的长度下限
Figure FDA0003452111380000014
作为协同的长度,则n架无人机共产生4n个协同长度Lp,p=1,2,…,4n;
步骤202、构建协同矩阵M:协同矩阵
Figure FDA0003452111380000015
其中元素xpi表示第i架无人机对协同长度Lp的可飞性,xpi=1表示可飞,xpi=0表示不可飞;判断协同长度Lp,p=1,2,…,4n是否属于无人机i的4种类型路径长度区间之内,如果存在
Figure FDA0003452111380000016
使得
Figure FDA0003452111380000017
则表示无人机i对于协同长度Lp可飞,协同矩阵的元素xpi为1;如果不存在,则xpi为0;
步骤三、检验是否满足最大补偿率:为防止无人机过度飞行,定义无人机i的补偿率ki为实际协同路径长度Lp与最小可飞路径长度
Figure FDA0003452111380000018
之比,即
Figure FDA0003452111380000019
其中无人机i的最小可飞路径长度为
Figure FDA0003452111380000021
规定最大补偿率为kmax,如果ki>kmax,则表示无人机i的飞行路径超过最大补偿率,为过度飞行,则对应的路径长度Lp不可飞,将协同矩阵中对应的xpi=1置0;如果ki≤kmax,则路径可飞,不作更改;
步骤四、检验是否进防空圈:采用粒子群算法对协同矩阵中xpi=1对应的可飞行路径计算起始曲率半径ρsi和终止曲率半径ρfi,进而计算航迹离散点P={pm|pm=(xm,ym),m=1,2,…},其中(xm,ym)表示航迹点的坐标,m=1,2,…表示航迹点的序号;将防空圈建模成原点为O,半径为Robs的障碍圆,检测是否存在||pm-O||<Robs,若存在,表示航路进入防空圈;如果无人机i不存在满足防空圈约束的路径类型,则将协同矩阵中对应的xpi=1置0;
步骤五、构建决策矩阵D进行分组协同寻优:
步骤501、构建决策矩阵D:统计协同矩阵M中第i列“1”的个数为μi,i=1,2,…,n,则n架无人机的路径一共有
Figure FDA0003452111380000022
种组合;决策矩阵D为
Figure FDA0003452111380000023
的矩阵,其中每一行代表一种路径长度组合;
步骤502、基于奖励函数的分组协同寻优:由于路径总长度和分组数目是相反的优化方向,首先判断决策矩阵中每行组合的协同类型,计算每行组合的目标函数
Figure FDA0003452111380000024
其中Li表示第i架无人机的路径长度,-κσ是奖励函数部分,每种协同类型对应不同的系数κ;σ为奖励因子,σ>0,其物理意义是“为了满足协同而愿意付出的路径长度代价”;寻优
Figure FDA0003452111380000025
的那组路径组合为最终的协同结果。
2.按照权利要求1所述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤一中采用满足曲率约束的Dubins路径规划方法进行可飞行路径规划,考虑了LSL、RSR、LSR、RSL4种类型。
3.按照权利要求1所述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤四中采用粒子群算法进行起始曲率半径ρs和终止曲率半径ρf寻优。
4.按照权利要求1所述的一种基于奖励函数优化的多无人机分组协同判断方法,其特征在于:步骤502基于奖励函数构建目标函数对多无人机进行分组协同寻优,同时考虑了路径总长度更短和更多无人机协同。
CN201911211826.1A 2019-12-02 2019-12-02 一种基于奖励函数优化的多无人机分组协同判断方法 Active CN110986948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911211826.1A CN110986948B (zh) 2019-12-02 2019-12-02 一种基于奖励函数优化的多无人机分组协同判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911211826.1A CN110986948B (zh) 2019-12-02 2019-12-02 一种基于奖励函数优化的多无人机分组协同判断方法

Publications (2)

Publication Number Publication Date
CN110986948A CN110986948A (zh) 2020-04-10
CN110986948B true CN110986948B (zh) 2022-04-15

Family

ID=70088998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911211826.1A Active CN110986948B (zh) 2019-12-02 2019-12-02 一种基于奖励函数优化的多无人机分组协同判断方法

Country Status (1)

Country Link
CN (1) CN110986948B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111256682B (zh) * 2020-05-07 2020-08-07 北京航空航天大学 不确定条件下的无人机群路径规划方法
CN112666945B (zh) * 2020-12-18 2024-07-12 广东嘉腾机器人自动化有限公司 一种agv曲线路径优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359473A (zh) * 2014-10-24 2015-02-18 南京航空航天大学 一种动态环境下无人机编队飞行的协同航迹智能规划方法
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
CN110362115A (zh) * 2019-07-31 2019-10-22 中国人民解放军总参谋部第六十研究所 一种时间约束同时到达多无人机路径规划算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
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
US9334052B2 (en) * 2014-05-20 2016-05-10 Verizon Patent And Licensing Inc. Unmanned aerial vehicle flight path determination, optimization, and management

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104359473A (zh) * 2014-10-24 2015-02-18 南京航空航天大学 一种动态环境下无人机编队飞行的协同航迹智能规划方法
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
CN110362115A (zh) * 2019-07-31 2019-10-22 中国人民解放军总参谋部第六十研究所 一种时间约束同时到达多无人机路径规划算法

Also Published As

Publication number Publication date
CN110986948A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN112880688B (zh) 基于混沌自适应麻雀搜索算法的无人机三维航迹规划方法
CN108549407B (zh) 一种多无人机协同编队避障的控制算法
CN112130581B (zh) 一种面向空中机动作战的无人机集群协同任务规划方法
CN110031004B (zh) 基于数字地图的无人机静态和动态路径规划方法
CN110928329B (zh) 一种基于深度q学习算法的多飞行器航迹规划方法
CN108153328B (zh) 一种基于分段贝塞尔曲线的多导弹协同航迹规划方法
CN108680063A (zh) 一种针对大规模无人机集群动态对抗的决策方法
CN111930121B (zh) 一种室内移动机器人的混合路径规划方法
CN110986948B (zh) 一种基于奖励函数优化的多无人机分组协同判断方法
CN113268081B (zh) 一种基于强化学习的小型无人机防控指挥决策方法及系统
CN112666981B (zh) 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
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
KR20180128703A (ko) 드론 제어 장치 및 그것을 이용한 편대 비행 제어 방법
CN109871031A (zh) 一种固定翼无人机的轨迹规划方法
CN108549210A (zh) 基于bp神经网络pid控制的多无人机协同飞行方法
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN111811513B (zh) 一种多无人机协同覆盖及避障的航迹规划方法
CN110793522B (zh) 一种基于蚁群算法的航迹规划方法
CN113759935B (zh) 基于模糊逻辑的智能群体编队移动控制方法
CN111121784A (zh) 一种无人侦察机航路规划方法
CN112824998A (zh) 马尔可夫决策过程的多无人机协同航路规划方法和装置
CN114003059A (zh) 运动学约束条件下基于深度强化学习的uav路径规划方法
CN112631328A (zh) 一种多目标协同末制导率方法
CN112925342A (zh) 基于改进相互速度障碍法的无人机动态避障方法
CN113741186A (zh) 一种基于近端策略优化的双机空战决策方法

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