CN111024085A - 一种具有端点方向和时间约束的无人机航迹规划方法 - Google Patents

一种具有端点方向和时间约束的无人机航迹规划方法 Download PDF

Info

Publication number
CN111024085A
CN111024085A CN201911308828.2A CN201911308828A CN111024085A CN 111024085 A CN111024085 A CN 111024085A CN 201911308828 A CN201911308828 A CN 201911308828A CN 111024085 A CN111024085 A CN 111024085A
Authority
CN
China
Prior art keywords
end point
point
track
aerial vehicle
unmanned aerial
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
Application number
CN201911308828.2A
Other languages
English (en)
Other versions
CN111024085B (zh
Inventor
李辉
俞瑞
黄操
陈希亮
王壮
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.)
Sichuan University
Original Assignee
Sichuan 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 Sichuan University filed Critical Sichuan University
Priority to CN201911308828.2A priority Critical patent/CN111024085B/zh
Publication of CN111024085A publication Critical patent/CN111024085A/zh
Application granted granted Critical
Publication of CN111024085B publication Critical patent/CN111024085B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)

Abstract

本发明提出了一种具有端点方向和时间约束的无人机航迹规划方法。其步骤包括：构建环境，划分空间；输入起点和终点的坐标位置及其对应朝向角并计算出新的起点和终点；改进稀疏A*算法，在代价函数中增加加速度代价，以在规定时间到达终点为准调整节点加速度代价值，并用该算法进行航迹规划；将原始起点和终点加入航迹；双向搜索，选出较优航迹输出，完成航迹规划。本发明基于改进稀疏A*算法，能够解决无人机在复杂约束下的航迹规划问题，其中复杂约束包括以预定角度出发和到达的端点方向约束、时间约束、无人机运动学约束以及障碍威胁规避约束。

Description

一种具有端点方向和时间约束的无人机航迹规划方法
技术领域
本发明涉及一种具有端点方向和时间约束的无人机航迹规划方法，属于航迹规划领域。
背景技术
无人机航迹规划，指的是无人机在满足性能、地形环境以及任务约束的条件下，寻找到从起始点到目标点的可行航迹。由于战场敌对环境的复杂，以及无人机自身性能存在约束，为无人机规划航迹能够更好地适应环境，避开威胁，提高无人机的安全性，减少航程，降低油耗，减少机动操作，保证预定任务的完成。
目前的路径规划用到的启发式算法有A*算法、遗传算法、粒子群算法、蚁群算法等，其中A*算法更为简单高效。传统的A*算法是在规划环境网格化的基础上根据设定的代价函数寻找最小代价的路径，稀疏A*算法是在传统A*算法的基础上，在扩展节点时，通过考察各种约束条件，有效地缩减搜索空间和缩短搜索时间，能够快速收敛得到所求路径，稀疏A*算法比传统A*算法减少了扩展节点的数量，在时间和空间上都有很大的改善，但在启发函数的定义上和路径点的处理上仍需改进。
目前已有的解决具有端点方向约束的方法为在起点/终点附近设置高代价区域，但该方法并不能保证无人机一定以规定角度飞入或者飞出，只能控制在一定范围内，且会造成可行解空间的损失；目前已有的解决具有时间约束的方法为通过调整速度来满足时间维度的方法，但并未考虑速度的调整仍然需要时间，过于理想化，不符合实际情况，本发明可以解决上述问题。
稀疏A*算法在面临比较复杂的环境时，由于每一步只进行一次扩展，对于环境的感知能力是有限的，比如近似“凹”字形区域，很有可能会出现绕径，或者不是全局最优的情况，针对该情况，本发明可以解决此类问题。
发明内容
本发明的目的在于解决具有端点方向和时间约束的无人机航迹规划问题，使规划出的航迹更符合实际情况且较优。
本发明的技术方案如下：
一种具有端点方向和时间约束的无人机航迹规划方法，其特征在于，包括以下步骤：
步骤一，构建环境，划分空间；
步骤二，将要规划航迹的无人机的起点和终点的坐标位置和对应朝向角输入，以最小步长为距离，沿起点朝向角方向计算出新的起点，沿终点朝向角反方向计算出新的终点；
步骤三，利用改进稀疏A*算法进行航迹求解，在该算法的代价函数中增加加速度代价，以在规定时间到达终点为准调整加速度代价值，并求解得到航迹点集合；
步骤四，将原始起点和终点加入航迹点集合，得到一条规划航迹；
步骤五，将第二步中起点和终点的坐标位置和对应朝向角对调后输入，重复第二至第四步，得到另一条规划航迹；
步骤六，对比所得两条航迹，选其中总航迹代价较小的一条作为最终航迹输出。
上述步骤三中，改进稀疏A*算法中的扩展节点时的约束条件包括以下几点：地形约束、最小步长约束、最大航程约束、最大飞行高度约束、最小离地高度约束、雷达威胁约束以及时间约束。其中：
最小步长约束: 要求无人机航迹段长度不小于某一个值，该值是无人机在改变姿态时必须直飞的一个距离，也是每次扩展节点的最小距离；
最大航程约束：由于无人机只能携带一定数量的燃油，因此无人机应该有一个最大航程距离的约束；
最大飞行高度约束：受制于无人机自身性能，需要无人机在不超过某一个高度的范围内飞行，以确保一定的安全性，应该确定最大飞行高度的约束；
最小离地高度约束：飞行高度过低的话，无人机容易与地面发生碰撞，因此确定最小离地高度约束，同样也是确保安全性；
雷达威胁约束：在敌对环境中存在着预警雷达，首先计算当前点到威胁中心的欧式距 离，并将这个距离与雷达的最小半径
Figure 562548DEST_PATH_IMAGE001
和最大半径
Figure 615955DEST_PATH_IMAGE002
进行比较，小于最小半径的范围 属于禁飞区，无人机是不能穿过的，否则被发现则此次任务失败，大于最大半径的范围是雷 达检测不到的，属于安全区，而在两个半径之间的范围，雷达有一定的概率探测到无人机， 这个概率与无人机距离威胁中心的远近有关，因此设定雷达威胁约束，保障无人机的安全；
时间约束：无人机在规定的时间范围到达目标点，以满足对时间维度有要求的飞行任务。
上述步骤三中，改进稀疏A*算法中的节点的代价函数
Figure 642686DEST_PATH_IMAGE003
为：
Figure 123346DEST_PATH_IMAGE004
，其中，
Figure 681366DEST_PATH_IMAGE005
为初始节点到该点的实际代价，
Figure 210567DEST_PATH_IMAGE006
为该点到目标节点的估计代价，
Figure 170433DEST_PATH_IMAGE007
为该点的加速度代价，
Figure 821994DEST_PATH_IMAGE008
为该点的雷达的威胁 代价，并针对各项参数的单位以及数量级上的差异进行归一化的处理，
Figure 601732DEST_PATH_IMAGE009
为对应的 权重系数。
上述步骤三中，改进稀疏A*算法中的节点的加速度值的计算方法：设定当前点作匀 变速直线运动到扩展点后，再匀速运动到目标点，运动总时间为预计到达时间，假设当前点 的速度为
Figure 183892DEST_PATH_IMAGE010
,到飞行当前点的所花时间为
Figure 998264DEST_PATH_IMAGE011
,当前点到扩展点的距离为
Figure 820726DEST_PATH_IMAGE012
、所花时间为
Figure 25443DEST_PATH_IMAGE013
， 扩展点的加速度为
Figure 224343DEST_PATH_IMAGE014
，扩展点到目标点的估计距离为
Figure 893222DEST_PATH_IMAGE015
、所花时间为
Figure 73536DEST_PATH_IMAGE016
，预计到达时间为
Figure 827865DEST_PATH_IMAGE017
， 则根据
Figure 830456DEST_PATH_IMAGE018
求得扩展点的加速度，取其绝对值。
本发明的有益效果：
1.本发明提供的一种具有端点方向和时间约束的无人机航迹规划方法，以起点和终点的坐标位置、朝向角和最小步长计算出新的起点和终点，满足无人机的端点方向的精确约束；
2.本发明提供的一种具有端点方向和时间约束的无人机航迹规划方法，提出改进稀疏A*算法，在代价函数的设计上，考虑到在实际情况中调整速度是需要时间的，增加了加速度代价，并以在规定时间到达终点为准调整加速度代价值，满足时间维度约束，使无人机在预定时间范围到达；
3.本发明提供的一种具有端点方向和时间约束的无人机航迹规划方法，采用双向搜索的方法，能选出较优路径，改善A*算法存在的绕径问题。
附图说明
图1为本实施例的一种具有端点方向和时间约束的无人机航迹规划方法流程图；
图2为本实施例的一种具有端点方向和时间约束的无人机航迹规划方法中改进稀疏A*算法流程图；
图3为本实施例的稀疏A*算法实验结果截图；
图4为本实施例的一种具有端点方向和时间约束的无人机航迹规划方法实验结果截图；
图5为本实施例的一种具有端点方向和时间约束的无人机航迹规划方法中双向搜索实验结果对比图。
具体实施方式
为了使本发明实施例的目的、技术方案、优点更加清晰、明确，下面结合附图和实施案例，对本发明做进一步详细说明。
本发明提出了一种具有端点方向和时间约束的无人机航迹规划方法，其流程图如图1所示，具体步骤如下：
（1）构建环境，划分空间：加载.mat地形文件，该地形文件存储的是地形的三维坐标点， X、Y、Z轴方向的最大坐标值
Figure 353842DEST_PATH_IMAGE019
、
Figure 455790DEST_PATH_IMAGE020
、
Figure 697415DEST_PATH_IMAGE021
，以及雷达的数量、坐标、最小半径
Figure 238118DEST_PATH_IMAGE001
和最大半径
Figure 805890DEST_PATH_IMAGE002
，并生成需要的地形曲面图，之后将空间按照无人机飞行的最小步长 划分为规则的网格单元，网格单元的各顶点为空间中的节点，方格的边长为最小步长
Figure 406636DEST_PATH_IMAGE022
， 地形和雷达的边缘以及内部的点为不可到达的节点，地形和雷达外部的点为可到达的节 点，不可到达的节点标记为-1，可到达的节点标记为2，所有标记按坐标存入矩阵MAP中，因 此MAP矩阵为存储
Figure 869978DEST_PATH_IMAGE023
范围内所有点的标记的三维矩阵。
（2）输入起点坐标位置
Figure 214372DEST_PATH_IMAGE024
以及对应的转弯角
Figure 384453DEST_PATH_IMAGE025
和俯仰角
Figure 156100DEST_PATH_IMAGE026
，输入终点的坐 标位置
Figure 106739DEST_PATH_IMAGE027
以及对应的转弯角
Figure 176195DEST_PATH_IMAGE028
和俯仰角
Figure 528679DEST_PATH_IMAGE029
，沿起点朝向角方向计算出新的起点
Figure 471227DEST_PATH_IMAGE030
，沿终点朝向角反方向计算出新的终点
Figure 909161DEST_PATH_IMAGE031
。
（3）以改进稀疏A*算法进行航迹规划。
实例中采用的改进稀疏A*算法的流程图如图2所示。
实例中采用的改进稀疏A*算法中节点的代价函数
Figure 533041DEST_PATH_IMAGE003
计算公式为：
Figure 740031DEST_PATH_IMAGE004
，其中，
Figure 853481DEST_PATH_IMAGE005
为初始节点到该点的实际代价，
Figure 778711DEST_PATH_IMAGE006
为该点到目标节点的估计代价，
Figure 189970DEST_PATH_IMAGE007
为该扩展点的加速度代价，
Figure 517046DEST_PATH_IMAGE008
为该点的雷达的 威胁代价，
Figure 535818DEST_PATH_IMAGE009
为对应的权重系数，针对各项参数的单位以及数量级上的差异进行如 下归一化的处理：
Figure 948345DEST_PATH_IMAGE032
其中，
Figure 914026DEST_PATH_IMAGE033
表示当前航迹节点数，
Figure 95609DEST_PATH_IMAGE034
表示取扩展节点 集合中的一个扩展节点，
Figure 550861DEST_PATH_IMAGE035
为从初始节点到扩展点
Figure 372056DEST_PATH_IMAGE034
的航迹段之和，
Figure 938166DEST_PATH_IMAGE036
为从初始节点 到所有扩展点的航迹段之和的集合，
Figure 239834DEST_PATH_IMAGE037
为扩展点
Figure 803671DEST_PATH_IMAGE034
到目标节点的距离，
Figure 925211DEST_PATH_IMAGE038
为所有扩展 节点到目标节点的距离的集合，
Figure 295012DEST_PATH_IMAGE039
为扩展点
Figure 652786DEST_PATH_IMAGE034
的加速度值，
Figure 449841DEST_PATH_IMAGE040
为所有扩展点的加速度 值的集合，
Figure 58677DEST_PATH_IMAGE041
为扩展点
Figure 966590DEST_PATH_IMAGE034
的威胁值，
Figure 914954DEST_PATH_IMAGE042
为所有扩展点的威胁值的集合，
Figure 882910DEST_PATH_IMAGE043
表示取集 合中的最大值。
实例中改进稀疏A*算法中节点的加速度值的计算方法：设定当前点作匀变速直线 运动到扩展点后，再匀速运动到目标点，运动总时间为预计到达时间，假设当前点的速度为
Figure 979042DEST_PATH_IMAGE010
,到飞行当前点的所花时间为
Figure 690646DEST_PATH_IMAGE011
,当前点到扩展点的距离为
Figure 742785DEST_PATH_IMAGE012
、所花时间为
Figure 881642DEST_PATH_IMAGE013
，扩展点的 加速度为
Figure 465070DEST_PATH_IMAGE014
，扩展点到目标点的估计距离为
Figure 980365DEST_PATH_IMAGE015
、所花时间为
Figure 637743DEST_PATH_IMAGE016
，预计到达时间为
Figure 947501DEST_PATH_IMAGE017
，则根据
Figure 18225DEST_PATH_IMAGE044
求得扩展点的加速度，取其绝对值。
实例中改进稀疏A*算法中节点的威胁值
Figure 71632DEST_PATH_IMAGE045
的计算方法为：
Figure 98363DEST_PATH_IMAGE046
，其中
Figure 579023DEST_PATH_IMAGE047
为无人机到威胁中心的欧式距离，
Figure 137043DEST_PATH_IMAGE002
为该威胁所影响 的最大范围半径，
Figure 728561DEST_PATH_IMAGE001
为一定会受到威胁的区域半径，在
Figure 360531DEST_PATH_IMAGE001
内的区域则为禁飞区，该区域 内无人机不可达，在
Figure 277671DEST_PATH_IMAGE002
和
Figure 57409DEST_PATH_IMAGE001
之间的区域属于威胁区，该区域内无人机存在着一定概率 的威胁。
（4）在航迹前后加入原始起点
Figure 639569DEST_PATH_IMAGE024
和终点
Figure 453941DEST_PATH_IMAGE027
，返回航迹。
（5）以终点为初始节点，起点为目标节点，重复（2）至（4）。
（6）对比双向搜索后得到的两条航迹，选取总航迹代价值较小的一条为最终航迹输出。
总航迹代价值的计算方法为：将航迹中节点的代价值
Figure 276403DEST_PATH_IMAGE003
累加。
本实施案例分别采用稀疏A*算法和本发明的一种具有端点方向和时间约束的无 人机航迹规划方法进行航迹规划。设定三维环境大小为100*100*50，即
Figure 543437DEST_PATH_IMAGE048
分别为100、100、50，每单位长度为100m，设定雷达数量为3，位置 为radar1(30,20,10)、radar2(50,50,12)、radar3(65,60,12)，最小半径和最大半径分别为
Figure 680020DEST_PATH_IMAGE001
= 8，
Figure 348899DEST_PATH_IMAGE002
= 10，无人机飞行的最小步长
Figure 342262DEST_PATH_IMAGE022
为100m，最大航程为20km，最大飞行高度为 4500m，最小离地高度为100m，初始速度为100m/s，预计到达时间为150s，
Figure 286472DEST_PATH_IMAGE009
分别取 值0.2、0.3、0.3、0.2，起点坐标(10,10,12)，转弯角为
Figure 23484DEST_PATH_IMAGE049
，俯仰角为
Figure 546869DEST_PATH_IMAGE050
，终点坐标(90,80, 12)，转弯角为0,俯仰角为
Figure 976714DEST_PATH_IMAGE051
。该实验在CPU为Intel(R)Core(TM)i7-4500U，RAM为7.89GB 的计算机上实现，软件是Matlab R2016a。
稀疏A*算法实验中，在起点和终点附近设置高代价区，代价函数为实际到达时间与预计到达时间的差值，其余约束条件不变，假设无人机匀速运动，实验结果如图3。
本发明的航迹规划方法实验结果如图4。
统计两种方法的端点角度和实际到达时间与实验约束条件对比，结果如下表1所示。
表1
起点转弯角/度 起点俯仰角/度 终点转弯角/度 终点俯仰角/度 到达时间/s
约束条件 45 30 0 135 150
稀疏A* 45 0 45 144.74 114.22
本发明方法 45 35.26 0 135 152.82
表1所示结果显示，本发明所提出的方法与更加满足端点角度约束且到达时间更接近预计到达时间。
该实施案例中，双向搜索实验结果如图5所示，两条航迹的总航迹代价值分别为77.95、82.87，从得到的两条航迹中选出总航迹代价值较小的一条，作为最终航迹输出，即为图4所示航迹，结果表明通过双向搜索能选出较优的航迹。
本发明的益处在于：以起点和终点的坐标位置、朝向角和最小步长计算出新的起点和终点，满足无人机的端点方向的精确约束；提出改进稀疏A*算法，在代价函数的设计上，考虑到在实际情况中调整速度是需要时间的，增加了加速度代价，并以在规定时间到达终点为准调整加速度代价值，满足时间维度约束，使无人机在预定时间范围到达；采用双向搜索的方法，能选出较优航迹，改善A*算法存在的绕径问题。
以上所述具体实施案例只是对本发明的进一步解释和说明，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种具有端点方向和时间约束的无人机航迹规划方法，其特征在于，包括如下步骤：
步骤一，构建环境，划分空间；
步骤二，输入将要规划航迹的无人机的起点和终点的坐标位置和对应朝向角，以最小步长为距离，沿起点朝向角方向计算出新的起点，沿终点朝向角反方向计算出新的终点；
步骤三，利用改进稀疏A*算法进行航迹求解，在该算法中的代价函数中增加加速度代价，以在规定时间到达终点为准调整加速度代价值，并求解得到航迹点集合；
步骤四，将原始起点和终点加入航迹点集合，得到一条规划航迹；
步骤五，将步骤二中起点和终点的坐标位置和对应朝向角对调后输入，重复步骤二至步骤四，得到另一条规划航迹；
步骤六，对比所得两条航迹，选其中总航迹代价值较小的一条作为最终航迹输出。
CN201911308828.2A 2019-12-18 2019-12-18 一种具有端点方向和时间约束的无人机航迹规划方法 Expired - Fee Related CN111024085B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911308828.2A CN111024085B (zh) 2019-12-18 2019-12-18 一种具有端点方向和时间约束的无人机航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911308828.2A CN111024085B (zh) 2019-12-18 2019-12-18 一种具有端点方向和时间约束的无人机航迹规划方法

Publications (2)

Publication Number Publication Date
CN111024085A true CN111024085A (zh) 2020-04-17
CN111024085B CN111024085B (zh) 2020-10-16

Family

ID=70210336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911308828.2A Expired - Fee Related CN111024085B (zh) 2019-12-18 2019-12-18 一种具有端点方向和时间约束的无人机航迹规划方法

Country Status (1)

Country Link
CN (1) CN111024085B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595343A (zh) * 2020-04-29 2020-08-28 西北工业大学 一种基于定位误差校正的无人机航迹规划方法
CN111780766A (zh) * 2020-07-07 2020-10-16 中国民航大学 融合动态风险图和改进a*算法的动态改航规划方法
CN114610076A (zh) * 2022-05-10 2022-06-10 四川大学 结合人工势场法与A-star算法角度约束的航迹规划方法
CN115046557A (zh) * 2022-08-11 2022-09-13 合肥井松智能科技股份有限公司 一种结合b样条曲线和a星算法的agv路径规划方法
CN116701821A (zh) * 2023-08-03 2023-09-05 季华实验室 机器人速度计算方法、装置、电子设备及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102506863A (zh) * 2011-11-07 2012-06-20 北京航空航天大学 一种基于万有引力搜索的无人机航路规划方法
CN102901500A (zh) * 2012-09-17 2013-01-30 西安电子科技大学 基于概率a星与智能体混合的飞行器最优路径确定方法
US8660716B1 (en) * 2010-05-03 2014-02-25 The Boeing Company Comparative vertical situation displays
CN103697895A (zh) * 2014-01-09 2014-04-02 西安电子科技大学 基于自适应a星算法的飞行器最优路径确定方法
US8918280B1 (en) * 2011-05-17 2014-12-23 Rockwell Collins, Inc. Constraint processing as an alternative to flight management systems
WO2015140496A1 (en) * 2014-03-18 2015-09-24 Bae Systems Plc Path planning
CN106595663A (zh) * 2016-11-28 2017-04-26 四川航天系统工程研究所 结合搜索与优化的飞行器自主航迹规划方法
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
CN107063255A (zh) * 2017-01-09 2017-08-18 北京工业大学 一种基于改进果蝇优化算法的三维航路规划方法
US20180061251A1 (en) * 2016-08-24 2018-03-01 Qualcomm Incorporated Navigation assistance data and route planning for drones
CN108253987A (zh) * 2017-12-29 2018-07-06 中国地质大学（武汉） 一种基于a*算法的无人机轨迹规划方法、设备及存储设备
CN108318032A (zh) * 2017-12-21 2018-07-24 上海交通大学 一种考虑攻防对抗的无人机航迹智能规划方法
CN109214596A (zh) * 2018-10-23 2019-01-15 厦门大学 求取具有方向约束和障碍限制的栅格最短路径afw算法
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660716B1 (en) * 2010-05-03 2014-02-25 The Boeing Company Comparative vertical situation displays
US9245449B1 (en) * 2011-05-17 2016-01-26 Rockwell Collins, Inc. Constraint processing as an alternative to flight management systems
US8918280B1 (en) * 2011-05-17 2014-12-23 Rockwell Collins, Inc. Constraint processing as an alternative to flight management systems
CN102506863A (zh) * 2011-11-07 2012-06-20 北京航空航天大学 一种基于万有引力搜索的无人机航路规划方法
CN102901500A (zh) * 2012-09-17 2013-01-30 西安电子科技大学 基于概率a星与智能体混合的飞行器最优路径确定方法
CN103697895A (zh) * 2014-01-09 2014-04-02 西安电子科技大学 基于自适应a星算法的飞行器最优路径确定方法
WO2015140496A1 (en) * 2014-03-18 2015-09-24 Bae Systems Plc Path planning
US20180061251A1 (en) * 2016-08-24 2018-03-01 Qualcomm Incorporated Navigation assistance data and route planning for drones
CN106595663A (zh) * 2016-11-28 2017-04-26 四川航天系统工程研究所 结合搜索与优化的飞行器自主航迹规划方法
CN107063255A (zh) * 2017-01-09 2017-08-18 北京工业大学 一种基于改进果蝇优化算法的三维航路规划方法
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
CN108318032A (zh) * 2017-12-21 2018-07-24 上海交通大学 一种考虑攻防对抗的无人机航迹智能规划方法
CN108253987A (zh) * 2017-12-29 2018-07-06 中国地质大学（武汉） 一种基于a*算法的无人机轨迹规划方法、设备及存储设备
CN109214596A (zh) * 2018-10-23 2019-01-15 厦门大学 求取具有方向约束和障碍限制的栅格最短路径afw算法
CN109631900A (zh) * 2018-12-24 2019-04-16 中国矿业大学 一种无人机三维航迹多目标粒子群全局规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
PEREZ-CARABAZA SARA,ETC: "UAV trajectory optimization for Minimum Time Search with communication constraints and collision avoidance", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》 *
QIAN YUWEN,ETC: "User Association and Path Planning for UAV-Aided Mobile Edge Computing With Energy Restriction", 《IEEE WIRELESS COMMUNICATIONS LETTERS》 *
周璐，等: "具有方向约束的无人机改进D*算法航迹规划", 《计算机仿真》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111595343A (zh) * 2020-04-29 2020-08-28 西北工业大学 一种基于定位误差校正的无人机航迹规划方法
CN111780766A (zh) * 2020-07-07 2020-10-16 中国民航大学 融合动态风险图和改进a*算法的动态改航规划方法
CN111780766B (zh) * 2020-07-07 2023-10-31 中国民航大学 融合动态风险图和改进a*算法的动态改航规划方法
CN114610076A (zh) * 2022-05-10 2022-06-10 四川大学 结合人工势场法与A-star算法角度约束的航迹规划方法
CN114610076B (zh) * 2022-05-10 2022-07-29 四川大学 结合人工势场法与A-star算法角度约束的航迹规划方法
CN115046557A (zh) * 2022-08-11 2022-09-13 合肥井松智能科技股份有限公司 一种结合b样条曲线和a星算法的agv路径规划方法
CN116701821A (zh) * 2023-08-03 2023-09-05 季华实验室 机器人速度计算方法、装置、电子设备及存储介质
CN116701821B (zh) * 2023-08-03 2024-03-19 季华实验室 机器人速度计算方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN111024085B (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111024085B (zh) 一种具有端点方向和时间约束的无人机航迹规划方法
CN109947136B (zh) 一种面向无人机群体快速目标搜索的协同主动感知方法
WO2018176596A1 (zh) 基于权重改进粒子群算法的无人自行车路径规划方法
CN102880186B (zh) 基于稀疏a*算法和遗传算法的航迹规划方法
CN107168380B (zh) 一种基于蚁群算法的无人机群区域覆盖的多步寻优方法
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
Li et al. AUV 3D path planning based on A* algorithm
CN109871031A (zh) 一种固定翼无人机的轨迹规划方法
CN110531782A (zh) 用于社区配送的无人机航迹路径规划方法
Song et al. A survey of three-dimensional flight path planning for unmanned aerial vehicle
Huang A Novel Three‐Dimensional Path Planning Method for Fixed‐Wing UAV Using Improved Particle Swarm Optimization Algorithm
CN112666981A (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
CN114625150A (zh) 基于危险指数和距离函数的快速蚁群无人艇动态避障方法
CN112000126A (zh) 一种基于鲸鱼算法的多无人机协同搜索多动态目标方法
Meng et al. UAV 3-dimension flight path planning based on improved rapidly-exploring random tree
Wang et al. UAV online path planning based on improved genetic algorithm
Qiu et al. A decoupling receding horizon search approach to agent routing and optical sensor tasking based on brain storm optimization
CN116400737B (zh) 一种基于蚁群算法的安全路径规划系统
Han et al. Research on UAV indoor path planning algorithm based on global subdivision grids
Xiong et al. Multi-uav 3d path planning in simultaneous attack
CN116128095B (zh) 一种地空无人平台作战效能评估方法
CN116772848A (zh) 一种航空器终端区四维飞行轨迹的绿色实时规划方法
Wang et al. UAV online path planning based on improved genetic algorithm with optimized search region
CN114721435A (zh) 一种基于软约束的针对无人机群的防御方法及相关设备
Mao-Hui et al. Research on trajectory planning algorithm of unmanned aerial vehicle based on improved A* 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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201016

Termination date: 20201218