CN111176334A - 一种多无人机协同目标搜索方法 - Google Patents
一种多无人机协同目标搜索方法 Download PDFInfo
- Publication number
- CN111176334A CN111176334A CN202010046987.6A CN202010046987A CN111176334A CN 111176334 A CN111176334 A CN 111176334A CN 202010046987 A CN202010046987 A CN 202010046987A CN 111176334 A CN111176334 A CN 111176334A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- target
- particle
- grid
- 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 30
- 239000002245 particle Substances 0.000 claims abstract description 64
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000004891 communication Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 239000011859 microparticle Substances 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/12—Target-seeking control
Abstract
本发明公开了一种多无人机协同目标搜索方法,首先采用栅格法对搜索区域进行划分编号,建立环境地图模型;然后采用多粒子群算法对多无人机进行协同路径优化设计,并通过机间通信来实现高动态环境的更新;最后通过信息交互实现任务分配。其中每一架无人机对应一个粒子群,每一个粒子群中的粒子通过对速度和位置的更新,完成一次优化,带领无人机走向下一个航迹点。本方法能有效地减少路径重叠,有效实现多无人机之间的协同,对环境内高速运动的多未知动态目标进行搜索和跟踪。
Description
技术领域
本发明设计无人机协同技术领域,主要涉及一种基于粒子群算法的多无人机 对多个动态未知目标协同搜索的方法。
背景技术
近年来,得益于传感器、微处理器、信息处理的迅速发展,无人集群系统的 功能快速增加,利用多架无人机对未知环境进行目标搜索已成为应用的趋势。其 研究成果在军事侦察、搜救、地质勘察方面都有很大的应用价值。利用多架无人 机对一个未知区域同时进行搜索的目的在于快速获取搜索区域内的目标及高动 态环境信息,以最大概率和最小代价搜索到未知目标。
目前粒子群算法主要解决单架无人机在较小区域内存在威胁的情况下从起 点寻到终点寻找一条威胁代价较小的路径,并不适用于高动态环境。首先单架无 人机搜索时间长,搜索效率低;其次,在路径规划中,现有的研究大多只关注已 知的目标,适应度函数只与解点到目标的距离有关。由于初始值设置的随机性, 导致在解的空间搜寻过程中容易错失最优解进而陷入局部最优,其精度大大降低。 在目标未知或情况复杂的情况下,这种评估是不能胜任的任务。本方法提出了一 种新的方法来有效实现在高动态环境中,无人机集群对多个动态未知目标进行协 同搜索和跟踪,避免陷入局部最优,减少路径重叠。
发明内容
本发明的目的是克服现有技术的不足,提供一种多无人机协同目标搜索方法。
为了达到上述目的,本发明采用的技术方案如下:
为了便于描述环境信息,减少计算量,本发明使用栅格化地图来描述搜索空 间。
为了引导无人机尽可能快的搜索到目标,本发明使用粒子群算法综合目标可 能出现的位置、当前无人机状态,优化出无人机下一个最优航点。
为了达到联合搜索的目标,减少路径重叠,减少搜索任务整体耗时,本发明 设计了一种机间通信机制,使得无人机能够感知到尽可能多的全局信息。
为了使得无人机尽可能快速的跟踪目标,本发明设计了一种任务分配机制, 引导最优的无人机跟踪最优目标,从而提升任务执行效率。
本发明一种基于粒子群算法的多无人机对多个动态未知目标协同搜索的方 法,包括以下步骤:
S1:将二维搜索空间以栅格的形式离散化,用栅格法构建环境地图;
S2:采用多粒子群算法对多无人机进行协同路径优化,即针对每一架无人机单 独使用一个粒子群进行引导,根据无人机感知到的环境信息,优化出该无人机下 一个最优航迹点,从而引导无人机群实现最优化的搜索;
S3:将全局最优点坐标视为无人机下一时刻的航迹点坐标,无人机跟踪该航迹 点坐标,更新无人机的运动状态,引导无人机走向最需要探索的区域;
S4:无人机运动状态更新的同时,向通信约束内的其他无人机发送数据串,数 据串主要包括:
1)无人机侦察到的目标位置及目标是否被跟踪更好的无人机跟踪;
2)可能存在目标或者可能不存在目标的栅格编号列表;
3)已被侦察过的栅格的最近侦察时间以及当时是否存在目标;
S5:当任意一架无人机i在探测半径内发现目标时,启动目标分配机制,选择 匹配度最高的无人机追踪目标;
S6:重复S2,S3,S4和S5,直至多个目标完全被跟踪为止。
目前,基于仿生学的无人机集群协同算法通过模拟生物群落的行为来实现分 布式自组织控制,具有计算简单、鲁棒性好等优点。而其中最为突出的是模拟鸟 类迷失的粒子群算法。然而,在路径规划中,现有的研究大多只关注已知的目标, 适应度函数只与解点到目标的距离有关。由于初始值设置的随机性,导致在解空 间搜索过程中容易陷入局部最优,影响搜索效率。针对现有技术存在的问题,本 发明提供一种基于粒子群算法的多无人机对多个动态未知目标协同搜索的方法。 该方法可以解决搜索时间长,搜索效率低问题。
附图说明
图1为本发明实施的流程图;
图2为粒子群算法流程图;
图3为粒子分布范围图;
图4为栅格地图;
图5为无人机和目标的初始位置图;
图6为靶机轨迹和任务分配实施结果图;
图7为9架无人机对3个未知动态目标协同搜索的仿真结果图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图, 对本发明实施例中的技术方案进行清楚完整的描述:
本发明的实施方式是一种基于粒子群算法的多无人机对多个动态未知目标 协同搜索的方法。如图1所示,包括以下步骤:
S1:用栅格法构建环境地图。整个搜索区域看做二维矩形空间Ω∈R2,其长度 和宽度分别为Lx和Ly。将其划分为面积大小相同的M=Nx×Ny个正方形网格。 每一个网格位置视为一个单元c=[x,y]T,其中x和y为该单元的中心点在任务 区域内的坐标。
S2:采用多粒子群算法对多无人机进行协同路径优化设计;
S21:初始化粒子种群的数量,每一个粒子种群所对应的粒子的个数m、惯性 权值w、最大允许迭代次数cnt_max;
S22:初始化多无人机系统的状态,给出n架无人机出发的位置,同时完成每 一架无人机对应的粒子群所在位置初始化;
其中,设每一个粒子种群分别对应一架无人机,每一架无人机对应一个粒子 群,粒子随机分布范围如图3所示为:以无人机当前位置为圆心,无人机探测半 径R和无人机在迭代时间内最远能到达的距离的圆环之间。
S23:计算每个粒子的适应值。适应值越大,粒子所在位置越优。
其中,无人机k对应粒子i的适应值函数为:
其中,N为目标总数量;i为粒子编号;j为目标编号;k为无人机编号;ω1为跟 踪因子;ω2为探索因子;dik为无人机k与粒子i的距离。
进一步的,其中粒子i所在位置存在目标j的概率Pij表示为:
其中,τ为记忆衰减因子;t为栅格被搜索次数;R为栅格总数;Y为已经搜 索过的栅格数。
进一步的,其中无人机k与存在目标j的匹配程度Cjk表示为:
其中,djk为目标和无人机的距离。
进一步的,其中目标j是否未被与之更匹配的无人机跟踪Tj表示为:
进一步的,其中粒子i所在栅格待探索的迫切性Si表示为:
S24:在每一次迭代过程中,对粒子的速度和位置进行更新,粒子j所在栅 格的信息按下式进行更新:
标准微粒群算法进化方程如下:
其中,Vi(t),Xi(t)分别表示粒子i第t次迭代在n维空间中的速度与位置, ω为惯性权重,c1,c2分别表示微粒的认知系数和社会系数,r1,r2为变化范围在 (0,1)内的随机值。Pi={Pi1,Pi2,...Pin}和Pg={Pg1,Pg2,...Pgn}分别表示微粒i的 最优经验位置与群体所有微粒的最优经历位置。
式(6)中,第一个等式右边第一部为速度惯性,用于保证算法的全局搜索 能力;第一个等式右边第二部为“认知(cognition)”部分,用于表示微粒对自身 的认识与思考;第一个等式右边第三部分为“社会(social)”部分,用于表示微 粒之间的信息交流与共享。第二、三部分主要表示算法的局部搜索能力,
其中,个体历史最优经验Pi的更新公式为:
其中,Fitness()表示适应值函数。种群历史最优经验Pg的更新公式为:
S25:执行S23和S24直到满足粒子群中每个粒子的局部最优都接近全局最优 为止,整个粒子群完成一次迭代。
S3:将全局最优点坐标视为无人机下一时刻的航迹点坐标。根据对应粒子群 的全局最优位置,按照无人机的运动学方程,更新无人机的运动状态。引领无人 机走向最需要探索的区域;
S4:无人机运动状态更新的同时,向通信约束内的其他无人机发送数据串, 主要包括:
1、无人机侦察到的目标位置及目标是否被跟踪更好的无人机跟踪。
2、可能存在目标或者可能不存在目标的栅格编号列表。
3、已被侦察过的栅格:最近侦察时间、当时是否存在目标。
S5:当任意一架无人机i在探测半径内发现目标时,它将启动目标分配机制。
Uj为发现目标的无人机序号和无人机的当前位置信息;Tk为发现的目标序号 和目标的坐标信息;为无人机j飞到目标k的代价,在这里我们设定为无人 机i与目标k距离。确定代价最小的无人机执行对目标k的跟踪任务,其他无人 机继续执行之前的任务。
进一步的,各个无人机计算出自身与此目标的匹配程度,并让匹配程度最高 的无人机前去跟踪此目标,从而达到种群之间的合作与共享。
S6:重复S2,S3,S4和S5,直至多个目标完全被跟踪为止。
为了测试本发明的效果,本发明针对高动态目标进行搜索与跟踪的场景进 行Matlab仿真,以无人机群搜索过程以及目标的可到达情况作为算法性能评估 的指标。
取仿真场景为一个100km X 100km正方形区域。图5为无人机和目标的初 始位置,目标0、1、2的初始位置为(50km,20km),(70km,60km),(40km,70km), 初始速度都为150m/s,初始角度为随机值。无人机0、1、2、3、4、5、6、7、8 的初始位置分别为(0km,0km),(0km,10km),(0km,20km),(0km,30km),(0km,40km),(0 km,50km),(0km,60km),(0km,70km),(0km,80km)。初始速度为随机速度,初始角度 为0°,无人机的探测半径为8km,最大通信半径为100km。惯性权重ω为1, 认知系数c1为2,社会系数c2为2,每个粒子群粒子个数为100,跟踪因子ω1为8, 探索因子ω2为1。
图6(a)表示,无人机3率先发现目标1,此时进行任务分配,由于无人机3 离目标1更近,分配无人机3对目标1进行跟踪。图6(b)表示,在无人机3 转弯过程中,由于目标高速运动。无人机2看到了目标并且此时离目标最近,因 此分配无人机2追踪目标1。无人机3继续执行其它目标的搜索任务。减少搜索 代价。同时从图6可看出,无人机之间通过机间通信和信息交互引导无人机倾向 于探索未探测过的区域,从而减少路径重叠。
图7表示,无人机2完成对目标1的搜索与跟踪。无人机7完成对目标2的 搜索与跟踪。无人机5完成对目标0的搜索与跟踪。通过上述仿真实验证明,本 发明所述的一种基于粒子群算法的多无人机对多个未知动态目标协同搜索方法 能有效地实现在高动态环境内多无人机之间的协同,实现对多未知动态目标的搜 索和跟踪。
Claims (7)
1.一种多无人机协同目标搜索方法,其特征在于包括如下步骤:
S1:将二维搜索空间以栅格的形式离散化,用栅格法构建环境地图;
S2:采用多粒子群算法对多无人机进行协同路径优化,即针对每一架无人机单独使用一个粒子群进行引导,根据无人机感知到的环境信息,优化出该无人机下一个最优航迹点,从而引导无人机群实现最优化的搜索;
S3:将全局最优点坐标视为无人机下一时刻的航迹点坐标,无人机跟踪该航迹点坐标,更新无人机的运动状态,引导无人机走向最需要探索的区域;
S4:无人机运动状态更新的同时,向通信约束内的其他无人机发送数据串,数据串主要包括:
1)无人机侦察到的目标位置及目标是否被跟踪更好的无人机跟踪;
2)可能存在目标或者可能不存在目标的栅格编号列表;
3)已被侦察过的栅格的最近侦察时间以及当时是否存在目标;
S5:当任意一架无人机i在探测半径内发现目标时,启动目标分配机制,选择匹配度最高的无人机追踪目标;
S6:重复S2、S3、S4和S5,直至多个目标完全被跟踪为止。
2.根据权利要求1所述的多无人机协同目标搜索方法,其特征在于,所述的步骤S1具体为:整个搜索区域看做二维矩形空间Ω∈R2,其长度和宽度分别为Lx和Ly;将其划分为面积大小相同的M=Nx×Ny个正方形网格,每一个网格位置视为一个单元c=[x,y]T,其中x和y为该单元的中心点在任务区域内的坐标。
3.根据权利要求1所述的多无人机协同目标搜索方法,其特征在于,所述的步骤S2具体为:
S21:初始化粒子种群的数量、每一个粒子种群所对应的粒子的个数、惯性权值、最大允许迭代次数;
S22:初始化多无人机系统的状态,给出每驾无人机出发的位置,同时完成每一架无人机对应的粒子群所在位置初始化;
S23:计算每个粒子的适应值
无人机k对应粒子i的适应值函数为:
其中,N为目标总数量;i为粒子编号;j为目标编号;k为无人机编号;ω1为跟踪因子;ω2为探索因子;dik为无人机k与粒子i的距离;Pij表示粒子i所在位置存在目标j的概率;Cjk表示无人机k与存在目标j的匹配程度;Tj表示目标j是否未被与之更匹配的无人机跟踪;Si表示粒子i所在栅格待探索的迫切性;
S24:在每一次迭代过程中,对粒子的速度和位置进行更新,对粒子j所在栅格的信息进行更新;
S25:执行S23和S24直到满足粒子群中每个粒子的局部最优都接近全局最优为止,整个粒子群完成一次迭代。
7.根据权利要求1所述的多无人机协同目标搜索方法,其特征在于,所述的步骤S5中,
S5:当任意一架无人机i在探测半径内发现目标时,各个无人机计算出自身与此目标的匹配程度,并让匹配程度最高的无人机前去跟踪此目标,从而达到种群之间的合作与共享;所述的匹配程度以无人机j飞到目标k的代价来衡量,选择确定代价最小的无人机执行对目标k的跟踪任务,其他无人机继续执行之前的任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046987.6A CN111176334B (zh) | 2020-01-16 | 2020-01-16 | 一种多无人机协同目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010046987.6A CN111176334B (zh) | 2020-01-16 | 2020-01-16 | 一种多无人机协同目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111176334A true CN111176334A (zh) | 2020-05-19 |
CN111176334B CN111176334B (zh) | 2021-08-17 |
Family
ID=70624607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010046987.6A Active CN111176334B (zh) | 2020-01-16 | 2020-01-16 | 一种多无人机协同目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111176334B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854754A (zh) * | 2020-06-19 | 2020-10-30 | 北京三快在线科技有限公司 | 无人机航线规划方法、装置、无人机及存储介质 |
CN112327939A (zh) * | 2020-10-15 | 2021-02-05 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112965521A (zh) * | 2021-02-07 | 2021-06-15 | 北京理工大学 | 一种多目标任务分配方法 |
CN112966803A (zh) * | 2021-02-02 | 2021-06-15 | 同济大学 | 一种基于粒子群算法的多智能体协同目标搜索方法 |
CN113223060A (zh) * | 2021-04-16 | 2021-08-06 | 天津大学 | 基于数据共享的多智能体协同跟踪方法、装置及存储介质 |
CN113311867A (zh) * | 2021-05-28 | 2021-08-27 | 沈阳航空航天大学 | 一种多无人机协同多目标追踪的运动控制方法 |
CN113359849A (zh) * | 2021-07-06 | 2021-09-07 | 北京理工大学 | 一种针对运动目标的多无人机协同快速搜索方法 |
CN113408949A (zh) * | 2021-07-15 | 2021-09-17 | 浙江大学 | 一种机器人时序任务规划方法及装置、电子设备 |
CN113671996A (zh) * | 2021-10-22 | 2021-11-19 | 中国电子科技集团公司信息科学研究院 | 一种基于信息素的异构无人机侦察方法及系统 |
CN113807486A (zh) * | 2021-08-23 | 2021-12-17 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN113805609A (zh) * | 2021-10-13 | 2021-12-17 | 河海大学 | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 |
CN114115331A (zh) * | 2021-10-29 | 2022-03-01 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
CN114397894A (zh) * | 2021-12-29 | 2022-04-26 | 杭州电子科技大学 | 一种模仿人类记忆的移动机器人目标搜索方法 |
CN114706427A (zh) * | 2022-06-02 | 2022-07-05 | 武汉理工大学 | 一种海空立体协同搜寻系统及其控制方法 |
CN116954239A (zh) * | 2023-06-12 | 2023-10-27 | 成都丰千达科技有限公司 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197684A (zh) * | 2013-04-25 | 2013-07-10 | 清华大学 | 无人机群协同跟踪目标的方法及系统 |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
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 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
CN108829140A (zh) * | 2018-09-11 | 2018-11-16 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
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 |
-
2020
- 2020-01-16 CN CN202010046987.6A patent/CN111176334B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103197684A (zh) * | 2013-04-25 | 2013-07-10 | 清华大学 | 无人机群协同跟踪目标的方法及系统 |
CN103557867A (zh) * | 2013-10-09 | 2014-02-05 | 哈尔滨工程大学 | 一种基于稀疏a*搜索的三维多uav协同航迹规划方法 |
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 |
CN107589663A (zh) * | 2017-08-16 | 2018-01-16 | 西安电子科技大学 | 基于多步粒子群算法的无人机协同侦察覆盖方法 |
CN108829140A (zh) * | 2018-09-11 | 2018-11-16 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
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 |
Non-Patent Citations (4)
Title |
---|
刘琼昕等: "《改进粒子群算法应用于无人机航迹规划》", 《计箕机工程与应用》 * |
张仁鹏等: "《基于改进粒子群算法的无人机三维航迹规划》", 《计算机仿真》 * |
赵毓: "《基于群体智能算法的无人机航迹规划研究》", 《万方学位论文》 * |
马华伟等: "《基于粒子群算法的无人机舰机协同任务规划》", 《系统工程与电子技术》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111854754B (zh) * | 2020-06-19 | 2023-01-24 | 北京三快在线科技有限公司 | 无人机航线规划方法、装置、无人机及存储介质 |
CN111854754A (zh) * | 2020-06-19 | 2020-10-30 | 北京三快在线科技有限公司 | 无人机航线规划方法、装置、无人机及存储介质 |
CN112327939A (zh) * | 2020-10-15 | 2021-02-05 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112327939B (zh) * | 2020-10-15 | 2024-04-12 | 广东工业大学 | 一种城市街区环境下高层消防多无人机协同路径规划方法 |
CN112966803B (zh) * | 2021-02-02 | 2022-06-07 | 同济大学 | 一种基于粒子群算法的多智能体协同目标搜索方法 |
CN112966803A (zh) * | 2021-02-02 | 2021-06-15 | 同济大学 | 一种基于粒子群算法的多智能体协同目标搜索方法 |
CN112965521A (zh) * | 2021-02-07 | 2021-06-15 | 北京理工大学 | 一种多目标任务分配方法 |
CN112965521B (zh) * | 2021-02-07 | 2022-02-18 | 北京理工大学 | 一种多目标任务分配方法 |
CN113223060A (zh) * | 2021-04-16 | 2021-08-06 | 天津大学 | 基于数据共享的多智能体协同跟踪方法、装置及存储介质 |
CN113311867B (zh) * | 2021-05-28 | 2024-01-16 | 沈阳航空航天大学 | 一种多无人机协同多目标追踪的运动控制方法 |
CN113311867A (zh) * | 2021-05-28 | 2021-08-27 | 沈阳航空航天大学 | 一种多无人机协同多目标追踪的运动控制方法 |
CN113359849A (zh) * | 2021-07-06 | 2021-09-07 | 北京理工大学 | 一种针对运动目标的多无人机协同快速搜索方法 |
CN113359849B (zh) * | 2021-07-06 | 2022-04-19 | 北京理工大学 | 一种针对运动目标的多无人机协同快速搜索方法 |
CN113408949A (zh) * | 2021-07-15 | 2021-09-17 | 浙江大学 | 一种机器人时序任务规划方法及装置、电子设备 |
CN113807486B (zh) * | 2021-08-23 | 2023-09-26 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN113807486A (zh) * | 2021-08-23 | 2021-12-17 | 南京邮电大学 | 基于改进粒子群算法的多机器人区域覆盖方法 |
CN113805609A (zh) * | 2021-10-13 | 2021-12-17 | 河海大学 | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 |
CN113671996A (zh) * | 2021-10-22 | 2021-11-19 | 中国电子科技集团公司信息科学研究院 | 一种基于信息素的异构无人机侦察方法及系统 |
CN114115331A (zh) * | 2021-10-29 | 2022-03-01 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
CN114115331B (zh) * | 2021-10-29 | 2024-04-05 | 西安电子科技大学 | 一种多无人机多载荷协同侦察方法 |
CN114397894A (zh) * | 2021-12-29 | 2022-04-26 | 杭州电子科技大学 | 一种模仿人类记忆的移动机器人目标搜索方法 |
CN114706427A (zh) * | 2022-06-02 | 2022-07-05 | 武汉理工大学 | 一种海空立体协同搜寻系统及其控制方法 |
CN116954239A (zh) * | 2023-06-12 | 2023-10-27 | 成都丰千达科技有限公司 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
CN116954239B (zh) * | 2023-06-12 | 2024-03-19 | 成都丰千达科技有限公司 | 一种基于改进粒子群算法的无人机航迹规划方法及系统 |
CN116991179A (zh) * | 2023-09-26 | 2023-11-03 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
CN116991179B (zh) * | 2023-09-26 | 2023-12-15 | 北京理工大学 | 无人机搜索航迹的优化方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111176334B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176334B (zh) | 一种多无人机协同目标搜索方法 | |
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 | |
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
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 | |
Lin et al. | A Novel Improved Bat Algorithm in UAV Path Planning. | |
Ali et al. | Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator | |
CN110109477B (zh) | 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 | |
Huang et al. | Multi-model cooperative task assignment and path planning of multiple UCAV formation | |
CN108549402A (zh) | 基于量子乌鸦群搜索机制的无人机群任务分配方法 | |
Lei et al. | Path planning for unmanned air vehicles using an improved artificial bee colony algorithm | |
Jamshidi et al. | Real time UAV path planning by parallel grey wolf optimization with align coefficient on CAN bus | |
CN112733251B (zh) | 一种多无人飞行器协同航迹规划方法 | |
CN111121784B (zh) | 一种无人侦察机航路规划方法 | |
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 | |
CN109885082B (zh) | 一种基于任务驱动下的无人机航迹规划的方法 | |
CN111381600A (zh) | 一种基于粒子群算法的uuv路径规划方法 | |
Liu et al. | Three-dimensional mountain complex terrain and heterogeneous multi-UAV cooperative combat mission planning | |
CN112000126B (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 | |
CN113093733B (zh) | 一种无人艇集群对海打击方法 | |
Yao et al. | AUV path planning for coverage search of static target in ocean environment | |
CN111813144A (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
Huang | A novel three-dimensional path planning method for fixed-wing UAV using improved particle swarm optimization algorithm | |
CN114740883B (zh) | 一种协同点侦察任务规划跨层联合优化方法 | |
CN115435787A (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及系统 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 |
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 |