CN111256681B - 一种无人机群路径规划方法 - Google Patents

一种无人机群路径规划方法 Download PDF

Info

Publication number
CN111256681B
CN111256681B CN202010374780.1A CN202010374780A CN111256681B CN 111256681 B CN111256681 B CN 111256681B CN 202010374780 A CN202010374780 A CN 202010374780A CN 111256681 B CN111256681 B CN 111256681B
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
route
waypoint
point
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
CN202010374780.1A
Other languages
English (en)
Other versions
CN111256681A (zh
Inventor
杜文博
曹先彬
徐亮
郑磊
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202010374780.1A priority Critical patent/CN111256681B/zh
Publication of CN111256681A publication Critical patent/CN111256681A/zh
Application granted granted Critical
Publication of CN111256681B publication Critical patent/CN111256681B/zh
Active 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
    • G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
    • 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)

Abstract

本发明公开了一种无人机群路径规划方法，首先需要获取未知环境的信息，包括起始点和目标点的位置、障碍物的坐标、可能存在的雷达和导弹风险等；同时无人机群在规划路径时还需要考虑到无人机自身的性能，比如偏转角、俯仰角、飞行高度等；在此基础上，无人机通过粒子群优化算法的计算择优选取路径，实现对整个无人机群的路径规划。本发明能够实现无人机群在密集风险环境下的路径规划，使无人机群能够高效地飞行，协同完成任务。本发明围绕无人机群的路径规划，从提高空中交通系统安全性和高效性两方面出发，开展无人机群路径规划方法研究，这对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要意义。

Description

一种无人机群路径规划方法
技术领域
本发明涉及无人机技术领域，尤其涉及一种无人机群路径规划方法。
背景技术
近年来，随着无人机技术的发展，无人机的应用领域也变得越来越广泛，比如用于商业领域的无人机物流运输、影视拍摄，用于农业领域的无人机喷洒农药，用于防控领域的无人机监控巡查、灾后救援等。与此同时，无人机群的协同完成任务也成为一种趋势。相比于单个无人机，无人机群协同完成任务具有效率高、速度快等特点。无人机群之间可以集中目标完成统一任务，也可以对任务进行分配一同完成，实现功能互补，从而可以控制更大的范围，执行更为复杂的任务，缩短执行任务的时间，提高工作效率。
粒子群优化算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，是群体智能的一种。粒子群优化算法初始化为一群随机解，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个极值就是粒子本身所找到的最优解，另一个极值是整个种群找到的最优解。粒子群优化算法的优点在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
传统的粒子群优化方法大多对粒子的所有维度进行学习更新，应用在路径规划问题上对整段航路进行学习，可能存在较差的整段航路中存在的单个优质航路点不被学习的情况发生。
发明内容
有鉴于此，本发明提供了一种无人机群路径规划方法，用以无人机群路径规划方法。
因此，本发明提供了一种无人机群路径规划方法，包括如下步骤：
S1：无人机群获取密集风险环境中起始点和目标点的位置、障碍物的坐标、面临的导弹打击风险和雷达探测风险、以及无人机群的飞行目标和任务，同时获取无人机飞行的最大水平转弯角、最大竖直俯仰角和最大侦察打击高度；
S2：根据获取的密集风险环境信息和自身性能信息，得到对无人机飞行的整段航路的评价；
S3：在对整段航路评价的基础上，分离出整段航路中单个航路点的自身属性，得到对单个航路点的评价；
S4：利用基于对单个航路点评价的粒子群优化算法，对初始航路进行优化，得到连接起始点和目标点的最优航路；
S5：对得到的最优航路进行预冲突解脱处理，规划好无人机群中每个无人机的飞行速度；
S6：无人机群按照最优航路和规划好的飞行速度进行飞行，直至到达目标点，完成任务；
其中，所述步骤S2，根据获取的密集风险环境信息和自身性能信息，得到对无人机飞行的整段航路的评价，具体包括：
对每个无人机而言，假设整段航路由
Figure 294738DEST_PATH_IMAGE001
个航路点
Figure 995847DEST_PATH_IMAGE002
构成，包括
Figure 922215DEST_PATH_IMAGE003
个航路段，
Figure 877532DEST_PATH_IMAGE004
，其中起始点和目标点在初始时刻已确定，则整段航路由依次连接航路 点构成；将每个航路段均匀分成
Figure 496733DEST_PATH_IMAGE005
个部分，每一部分由端点
Figure 213366DEST_PATH_IMAGE006
确定，
Figure 553212DEST_PATH_IMAGE007
；对整 段航路进行如下评价：
航路长度：利用路径长度比
Figure 753249DEST_PATH_IMAGE008
作为评价指标，具体公式如下：
Figure 667984DEST_PATH_IMAGE009
其中，
Figure 687893DEST_PATH_IMAGE010
表示第
Figure 97008DEST_PATH_IMAGE002
个航路点的三维空间坐标，
Figure 151552DEST_PATH_IMAGE011
表示第
Figure 971609DEST_PATH_IMAGE012
个航路点的三维空间坐标，
Figure 744393DEST_PATH_IMAGE013
表示第
Figure 691621DEST_PATH_IMAGE001
个航路点的三维空间坐标，
Figure 600671DEST_PATH_IMAGE014
表示第1个航路点的三维空间坐标；分子为所有航路段的实际长度加和，分母为 直接连接起始点和目标点的距离；
面临的导弹打击风险：假设无人机的飞行环境中共有
Figure 591630DEST_PATH_IMAGE015
个导弹打击点，其中第
Figure 586130DEST_PATH_IMAGE016
个导弹打击点的最大打击半径为
Figure 337049DEST_PATH_IMAGE017
，
Figure 631764DEST_PATH_IMAGE018
；定义第
Figure 530974DEST_PATH_IMAGE012
个航路点与第
Figure 278350DEST_PATH_IMAGE002
个 航路点之间航路段的第
Figure 567380DEST_PATH_IMAGE006
个端点的坐标为
Figure 451023DEST_PATH_IMAGE019
，则第
Figure 783784DEST_PATH_IMAGE016
个导弹打击点到第
Figure 18456DEST_PATH_IMAGE012
个 航路点与第
Figure 845598DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 849326DEST_PATH_IMAGE006
个端点的距离为：
Figure 618568DEST_PATH_IMAGE020
其中，
Figure 74957DEST_PATH_IMAGE021
表示第
Figure 705790DEST_PATH_IMAGE016
个导弹打击点的三维空间坐标；定义整段航路 面临的导弹打击风险为
Figure 564024DEST_PATH_IMAGE022
，具体公式如下：
Figure 504167DEST_PATH_IMAGE023
Figure 182273DEST_PATH_IMAGE024
其中，
Figure 616797DEST_PATH_IMAGE022
越大，表示整段航路的导弹打击风险越大；
面临的雷达探测风险：假设无人机的飞行环境中共有
Figure 329538DEST_PATH_IMAGE025
个雷达探测点，其中第
Figure 437652DEST_PATH_IMAGE026
个 雷达探测点的最大探测半径为
Figure 868634DEST_PATH_IMAGE027
，
Figure 841269DEST_PATH_IMAGE028
Figure 408517DEST_PATH_IMAGE028
；则第
Figure 690462DEST_PATH_IMAGE026
个雷达探 测点到第
Figure 343160DEST_PATH_IMAGE012
个航路点与第
Figure 119487DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 806820DEST_PATH_IMAGE006
个端点的距离为：
Figure 259667DEST_PATH_IMAGE029
其中，
Figure 399661DEST_PATH_IMAGE030
表示第
Figure 714099DEST_PATH_IMAGE026
个雷达探测点的三维空间坐标；定义整段航路面 临的雷达探测风险为
Figure 990359DEST_PATH_IMAGE031
，具体公式如下：
Figure 614108DEST_PATH_IMAGE032
Figure 241398DEST_PATH_IMAGE033
其中，
Figure 156265DEST_PATH_IMAGE034
表示雷达的强度；
Figure 945754DEST_PATH_IMAGE031
越大，表示整段航路的雷达探测风险越大；
航路点转弯代价：假设无人机的最大水平转弯角为
Figure 615769DEST_PATH_IMAGE035
，无人机在第
Figure 340143DEST_PATH_IMAGE002
个航路点 的转弯角为
Figure 386596DEST_PATH_IMAGE036
，在整段航路的起始点和目标点不需要转弯，则整段航路的转弯代价
Figure 27662DEST_PATH_IMAGE037
定义 如下：
Figure 868579DEST_PATH_IMAGE038
Figure 80249DEST_PATH_IMAGE039
Figure 664814DEST_PATH_IMAGE040
其中，
Figure 160386DEST_PATH_IMAGE037
越大，表示整段航路的转弯代价越大；
航路点俯仰代价：假设无人机的最大竖直俯仰角为
Figure 172204DEST_PATH_IMAGE041
，无人机在第
Figure 136749DEST_PATH_IMAGE002
个航路点 的竖直俯仰角为
Figure 259426DEST_PATH_IMAGE042
，则整段航路的俯仰代价
Figure 875084DEST_PATH_IMAGE043
定义如下：
Figure 57804DEST_PATH_IMAGE044
Figure 244066DEST_PATH_IMAGE045
Figure 170433DEST_PATH_IMAGE046
其中，
Figure 473606DEST_PATH_IMAGE047
表示第
Figure 827227DEST_PATH_IMAGE048
个航路点的三维空间坐标；
Figure 500784DEST_PATH_IMAGE043
越大，表示整 段航路的俯仰代价越大；
飞行高度代价：假设无人机的最大侦察打击高度为
Figure 230843DEST_PATH_IMAGE049
，已定义无人机在第
Figure 555514DEST_PATH_IMAGE012
个航路点与第
Figure 80036DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 240890DEST_PATH_IMAGE006
个端点的飞行高度为
Figure 774640DEST_PATH_IMAGE050
，则整段航路的飞行高 度代价
Figure 953817DEST_PATH_IMAGE051
定义如下：
Figure 649241DEST_PATH_IMAGE052
Figure 297391DEST_PATH_IMAGE053
其中，
Figure 369252DEST_PATH_IMAGE051
越大，表示整段航路的飞行高度代价越大；
面临的障碍物碰撞风险：整段航路的障碍物碰撞风险
Figure 402936DEST_PATH_IMAGE054
定义如下：
Figure 534840DEST_PATH_IMAGE055
Figure 404707DEST_PATH_IMAGE056
在航路长度、导弹打击风险、雷达探测风险、航路点转弯代价、航路点俯仰代价、飞 行高度代价以及障碍物碰撞风险七个评价指标确定后，定义多目标函数来综合评价整段航 路的代价，总代价
Figure 280259DEST_PATH_IMAGE057
的计算公式为：
Figure 171380DEST_PATH_IMAGE058
其中，
Figure 474185DEST_PATH_IMAGE059
，表示第
Figure 831348DEST_PATH_IMAGE060
个评价指标
Figure 245012DEST_PATH_IMAGE061
权重系数，用于衡量第
Figure 253288DEST_PATH_IMAGE060
个 评价指标的重要性。
在一种可能的实现方式中，在本发明提供的上述无人机群路径规划方法中，步骤S3，在对整段航路评价的基础上，分离出整段航路中单个航路点的自身属性，得到对单个航路点的评价，具体包括：
对于第
Figure 726995DEST_PATH_IMAGE002
个航路点，根据评价指标
Figure 305875DEST_PATH_IMAGE008
，对第
Figure 523229DEST_PATH_IMAGE002
个航路点的评价如下：
Figure 386012DEST_PATH_IMAGE062
对于评价指标
Figure 296199DEST_PATH_IMAGE022
、
Figure 627955DEST_PATH_IMAGE063
，去掉最外层的求和符号，得到对第
Figure 383421DEST_PATH_IMAGE002
个航 路点的评价如下：
Figure 366289DEST_PATH_IMAGE064
Figure 916219DEST_PATH_IMAGE065
Figure 735271DEST_PATH_IMAGE066
Figure 294428DEST_PATH_IMAGE067
Figure 128873DEST_PATH_IMAGE068
Figure 115284DEST_PATH_IMAGE069
对单个航路点的代价进行综合评价，总代价
Figure 156052DEST_PATH_IMAGE070
计算如下：
Figure 253321DEST_PATH_IMAGE071
。
在一种可能的实现方式中，在本发明提供的上述无人机群路径规划方法中，步骤S4，利用基于对单个航路点评价的粒子群优化算法，对初始航路进行优化，得到连接起始点和目标点的最优航路，具体包括：
对于每一对确定的起始点和目标点，初始化
Figure 210782DEST_PATH_IMAGE072
条航路，每一条航路都构成粒子群 优化算法的一个初始粒子；粒子群优化算法的第
Figure 368094DEST_PATH_IMAGE073
个粒子的第
Figure 896158DEST_PATH_IMAGE002
个航路点在第
Figure 797118DEST_PATH_IMAGE074
代的 速度和位置更新公式如下：
Figure 609085DEST_PATH_IMAGE075
Figure 937298DEST_PATH_IMAGE076
其中，
Figure 952659DEST_PATH_IMAGE077
，
Figure 391730DEST_PATH_IMAGE078
，
Figure 58204DEST_PATH_IMAGE079
表示第
Figure 760581DEST_PATH_IMAGE073
个粒子的第
Figure 59975DEST_PATH_IMAGE002
个航路点在 第
Figure 506000DEST_PATH_IMAGE080
代的速度，表示第
Figure 699925DEST_PATH_IMAGE073
个粒子的第
Figure 814512DEST_PATH_IMAGE002
个航路点在第
Figure 736331DEST_PATH_IMAGE080
代的位置，
Figure 987184DEST_PATH_IMAGE082
是两个常数，
Figure 952735DEST_PATH_IMAGE083
表示
Figure 554618DEST_PATH_IMAGE084
内的均匀随机数，
Figure 14549DEST_PATH_IMAGE085
表示第
Figure 385487DEST_PATH_IMAGE073
个粒子的第
Figure 521940DEST_PATH_IMAGE002
个航路点在第
Figure 611118DEST_PATH_IMAGE080
代的 最优解，
Figure 609161DEST_PATH_IMAGE086
表示所有粒子的第
Figure 834606DEST_PATH_IMAGE002
个航路点在第
Figure 407539DEST_PATH_IMAGE080
代的最优解，初始粒子经过
Figure 718435DEST_PATH_IMAGE087
代的 迭代优化后，得到的最优解为连接起始点和目标点的最优航路。
本发明提供的上述无人机群路径规划方法，采用粒子群优化算法来解决无人机群的路径规划问题。首先需要获取未知环境的信息，主要是获取未知环境中起始点和目标点的位置、障碍物的坐标、可能存在的雷达和导弹风险等；同时无人机群在规划路径的时候，还需要考虑到无人机自身的性能，比如偏转角、俯仰角、飞行高度等；在此基础上，无人机通过粒子群优化算法的计算择优选取路径，实现对整个无人机群的路径规划。本发明能够实现无人机群在密集风险环境下的路径规划，从而使得无人机群能够高效地飞行到目标位置，协同完成分配好的任务。这为无人机群的路径规划问题提供了一个全新的解决方案。本发明围绕着无人机群的路径规划，从提高空中交通系统安全性和高效性两方面出发，开展无人机群路径规划方法研究，这对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要的意义。
附图说明
图1为本发明提供的一种无人机群路径规划方法的流程图；
图2为面临的雷达以及导弹风险示意图；
图3为基于单个航路点的粒子群优化算法优势示意图。
具体实施方式
下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整的描述，显然，所描述的实施方式仅仅是作为例示，并非用于限制本发明。
本发明提供的一种无人机群路径规划方法，如图1所示，包括如下步骤：
S1：无人机群获取密集风险环境中起始点和目标点的位置、障碍物的坐标、面临的导弹打击风险和雷达探测风险、以及无人机群的飞行目标和任务，同时获取无人机飞行的最大水平转弯角、最大竖直俯仰角和最大侦察打击高度；
S2：根据获取的密集风险环境信息和自身性能信息，得到对无人机飞行的整段航路的评价；
S3：在对整段航路评价的基础上，分离出整段航路中单个航路点的自身属性，得到对单个航路点的评价；
S4：利用基于对单个航路点评价的粒子群优化算法，对初始航路进行优化，得到连接起始点和目标点的最优航路；
S5：对得到的最优航路进行预冲突解脱处理，规划好无人机群中每个无人机的飞行速度；
S6：无人机群按照最优航路和规划好的飞行速度进行飞行，直至到达目标点，完成任务。
本发明提供的上述无人机群路径规划方法，可以实现无人机群在密集风险环境下的路径规划。首先，无人机群获取未知环境的信息，主要是获取未知环境中起始点和目标点的位置、障碍物的坐标、可能存在的雷达和导弹风险等。同时无人机群在规划路径的时候，还需要考虑到无人机自身的性能，比如偏转角、俯仰角、飞行高度等。在此基础上，由于航路的信息是由单个航路点构成的，因此，本发明采用粒子群优化算法直接对单个航路点进行评价，与以往算法对整段航路进行学习不同，可以实现对无人机群中更多潜在可能较好的航路点进行学习，避免在较差的整段航路中存在的单个优质航路点不被学习的情况发生，从而可以学习更多的优质航路点信息，得到更优的无人机群规划路径。在得到无人机群的优化规划路径后，还需要对重叠的路径进行预冲突解脱处理，进一步保障无人机群的飞行安全。本发明能够在密集风险的环境实现无人机群的路径规划，算法复杂度低，计算量小，计算成本低，可以产生更优的无人机群飞行路径，实现无人机群的高效飞行，协同完成分配好的任务，达到预期目标。
下面通过一个具体的实施例对本发明提供的上述无人机群路径规划方法的具体实施进行详细说明。
实施例1：
第一步，无人机群获取未知环境的信息，包括获取未知环境中起始点和目标点的位置、障碍物的坐标以及可能存在的敌方雷达和导弹风险，知道无人机群的飞行目标和任务等，这些是为了在进行无人机群路径规划的时候考虑这些因素，以保障无人机群的飞行安全。同时，无人机群在规划路径的时候，还需要考虑到无人机自身的性能限制或者要求，比如无人机的飞行不能超过其最大水平转弯角和最大竖直俯仰角，以及无人机在飞行过程中为了执行任务对敌方进行侦查打击，不能超过一定飞行高度，即最大侦查打击高度等。
第二步，提出无人机飞行的整段航路评价方法。对每个无人机而言，假设整段航路 由
Figure 520169DEST_PATH_IMAGE001
个航路点
Figure 865699DEST_PATH_IMAGE002
构成，包括
Figure 341024DEST_PATH_IMAGE003
个航路段，
Figure 139216DEST_PATH_IMAGE004
，其中起始点和目标点在 初始时刻已确定，则整段航路由依次连接航路点构成；将每个航路段均匀分成
Figure 744641DEST_PATH_IMAGE088
个部分， 每一部分由端点
Figure 944678DEST_PATH_IMAGE089
确定，
Figure 593834DEST_PATH_IMAGE090
，这样做是为了能够对航路进行更加准确的评价， 在后续的评价指标上会有所体现。下面对整段航路进行如下评价：
1、航路长度：航路长度对无人机路径规划来说是一个重要的指标，它从某一程度 上反应了规划路径的好坏，利用路径长度比
Figure 879322DEST_PATH_IMAGE008
作为评价指标，具体公式如下：
Figure 22858DEST_PATH_IMAGE009
其中，
Figure 77402DEST_PATH_IMAGE010
表示第
Figure 366301DEST_PATH_IMAGE002
个航路点的三维空间坐标，
Figure 139085DEST_PATH_IMAGE011
表示第
Figure 70001DEST_PATH_IMAGE012
个航路点的三维空间坐标，
Figure 244630DEST_PATH_IMAGE013
表示第
Figure 986321DEST_PATH_IMAGE001
个航路点的三维空间坐标，
Figure 246401DEST_PATH_IMAGE014
表示第1个航路点的三维空间坐标；分子为所有航路段的实际长度加和，分母为 直接连接起始点和目标点的距离；这样做的原因是为了把所有的评价指标放在同一单位上 进行考虑。路径长度比
Figure 983938DEST_PATH_IMAGE008
越大，表示整段航路越长；
2、面临的导弹打击风险：在规划无人机的飞行航路时，如果无人机的飞行航路在 敌方导弹的攻击范围内，还需要考虑无人机遭受到导弹打击的风险。假设无人机的飞行环 境中共有
Figure 13073DEST_PATH_IMAGE015
个导弹打击点，其中第
Figure 191245DEST_PATH_IMAGE016
个导弹打击点的最大打击半径为
Figure 673042DEST_PATH_IMAGE017
，
Figure 211339DEST_PATH_IMAGE018
；定义第
Figure 94982DEST_PATH_IMAGE012
个航路点与第
Figure 444055DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 413148DEST_PATH_IMAGE006
个端点的坐标为
Figure 489557DEST_PATH_IMAGE019
，则第
Figure 493285DEST_PATH_IMAGE016
个导弹打击点到第
Figure 13259DEST_PATH_IMAGE012
个航路点与第
Figure 469648DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 349749DEST_PATH_IMAGE006
个端点的距离为：
Figure 942404DEST_PATH_IMAGE091
其中，
Figure 633279DEST_PATH_IMAGE021
表示第
Figure 576965DEST_PATH_IMAGE016
个导弹打击点的三维空间坐标；基于此，定义整 段航路面临的导弹打击风险为
Figure 339384DEST_PATH_IMAGE022
，具体公式如下：
Figure 173829DEST_PATH_IMAGE092
Figure 894661DEST_PATH_IMAGE024
其中，
Figure 201008DEST_PATH_IMAGE022
越大，表示整段航路的导弹打击风险越大；
3、面临的雷达探测风险：在规划无人机的飞行航路时，如果无人机的飞行航路在 敌方雷达的探测范围内，则会存在一定的风险。假设无人机的飞行环境中共有
Figure 298277DEST_PATH_IMAGE025
个雷达探 测点，其中第
Figure 255738DEST_PATH_IMAGE026
个雷达探测点的最大探测半径为
Figure 147471DEST_PATH_IMAGE027
，
Figure 941114DEST_PATH_IMAGE093
；则第
Figure 842074DEST_PATH_IMAGE026
个雷达探 测点到第
Figure 388462DEST_PATH_IMAGE012
个航路点与第
Figure 716675DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 732036DEST_PATH_IMAGE006
个端点的距离为：
Figure 358058DEST_PATH_IMAGE029
其中，
Figure 899898DEST_PATH_IMAGE030
表示第
Figure 274378DEST_PATH_IMAGE026
个雷达探测点的三维空间坐标；基于此，定义整段 航路面临的雷达探测风险为
Figure 901669DEST_PATH_IMAGE031
，具体公式如下：
Figure 271995DEST_PATH_IMAGE094
Figure 668341DEST_PATH_IMAGE033
其中，
Figure 213723DEST_PATH_IMAGE034
表示雷达的强度；
Figure 328310DEST_PATH_IMAGE031
越大，表示整段航路的雷达探测风险越大；无人机航 路面临的导弹打击以及雷达探测风险示意图如图2所示；
4、航路点转弯代价：为了保障无人机规划路径的平滑，假设无人机的最大水平转 弯角为
Figure 233818DEST_PATH_IMAGE035
，无人机在第
Figure 750250DEST_PATH_IMAGE002
个航路点的转弯角为
Figure 200954DEST_PATH_IMAGE036
，在整段航路的起始点和目标点不需要 转弯，则整段航路的转弯代价
Figure 68415DEST_PATH_IMAGE037
定义如下：
Figure 777614DEST_PATH_IMAGE095
Figure 148553DEST_PATH_IMAGE039
Figure 770158DEST_PATH_IMAGE040
其中，
Figure 593758DEST_PATH_IMAGE037
越大，表示整段航路的转弯代价越大；
5、航路点俯仰代价：由于无人机的自身性能限制，假设无人机的最大竖直俯仰角 为
Figure 106647DEST_PATH_IMAGE041
，无人机在第
Figure 332092DEST_PATH_IMAGE002
个航路点的竖直俯仰角为
Figure 390178DEST_PATH_IMAGE042
，则整段航路的俯仰代价
Figure 966653DEST_PATH_IMAGE043
定义如下：
Figure 38162DEST_PATH_IMAGE096
Figure 118114DEST_PATH_IMAGE045
Figure 612680DEST_PATH_IMAGE097
其中，
Figure 410872DEST_PATH_IMAGE047
表示第
Figure 265564DEST_PATH_IMAGE048
个航路点的三维空间坐标；
Figure 200022DEST_PATH_IMAGE043
越大，表示整 段航路的俯仰代价越大；
6、飞行高度代价：无人机在飞行过程中为了执行任务对敌方进行侦查打击，不能 超过一定飞行高度。假设无人机的最大侦察打击高度为
Figure 865490DEST_PATH_IMAGE049
，已定义无人机在第
Figure 150978DEST_PATH_IMAGE012
个 航路点与第
Figure 543782DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 598326DEST_PATH_IMAGE006
个端点的飞行高度为
Figure 434695DEST_PATH_IMAGE050
，则整段航路的飞行高度 代价
Figure 941899DEST_PATH_IMAGE051
定义如下：
Figure 138394DEST_PATH_IMAGE098
Figure 313024DEST_PATH_IMAGE099
其中，
Figure 54715DEST_PATH_IMAGE051
越大，表示整段航路的飞行高度代价越大；
7、面临的障碍物碰撞风险：无人机在飞行过程中可能会面临障碍物带来的风险。 整段航路的障碍物碰撞风险
Figure 314795DEST_PATH_IMAGE054
定义如下：
Figure 52331DEST_PATH_IMAGE055
Figure 753571DEST_PATH_IMAGE100
在航路长度、导弹打击风险、雷达探测风险、航路点转弯代价、航路点俯仰代价、飞 行高度代价以及障碍物碰撞风险七个评价指标确定后，定义多目标函数来综合评价整段航 路的代价，总代价
Figure 994059DEST_PATH_IMAGE057
的计算公式为：
Figure 741436DEST_PATH_IMAGE101
其中，
Figure 279733DEST_PATH_IMAGE059
，表示第
Figure 835479DEST_PATH_IMAGE060
个评价指标
Figure 512448DEST_PATH_IMAGE061
权重系数，用于衡量第
Figure 402913DEST_PATH_IMAGE060
个 评价指标的重要性。
第三步，在第二步的基础上改进，提出对单个航路点的评价方法。由于起始点和目 标点已经确定，对于第
Figure 557951DEST_PATH_IMAGE002
个航路点，根据评价指标
Figure 561679DEST_PATH_IMAGE008
，对第
Figure 612811DEST_PATH_IMAGE002
个航路点的评价如下：
Figure 193834DEST_PATH_IMAGE062
这样做的好处是对第
Figure 949301DEST_PATH_IMAGE002
个航路点造成的长度代价
Figure 682902DEST_PATH_IMAGE102
仅仅与上一个航路点以及目 标点的所在位置相关，并不需要知道任何的全局信息，从而可以对单个航路点造成的长度 代价进行评价；
对于评价指标
Figure 701673DEST_PATH_IMAGE022
、
Figure 645358DEST_PATH_IMAGE063
，由于它们的计算方法均为对单个航路点 造成的代价进行累加求和，因此，仅需稍作改动，去掉最外层的求和符号，即可得到对第
Figure 857378DEST_PATH_IMAGE002
个 航路点的评价如下：
Figure 445486DEST_PATH_IMAGE103
Figure 635158DEST_PATH_IMAGE104
Figure 66140DEST_PATH_IMAGE066
Figure 288043DEST_PATH_IMAGE067
Figure 855290DEST_PATH_IMAGE105
Figure 887968DEST_PATH_IMAGE106
对单个航路点的代价进行综合评价，总代价
Figure 806246DEST_PATH_IMAGE070
计算如下：
Figure 566260DEST_PATH_IMAGE071
。
第四步，提出一种基于单个航路点的粒子群优化算法，生成初始路径并进行优化。 对于每一对确定的起始点和目标点，初始化
Figure 253593DEST_PATH_IMAGE072
条航路，每一条航路都构成粒子群优化算法 的一个初始粒子，目标是对这些初始粒子通过粒子群优化算法来进行不断迭代学习，每条 航路的每个航路点不断地更新，在一定的迭代次数后，最终得到一条最优的航路。粒子群优 化算法的第
Figure 457173DEST_PATH_IMAGE073
个粒子（即第
Figure 597167DEST_PATH_IMAGE073
条航路）的第
Figure 426452DEST_PATH_IMAGE002
个航路点在第
Figure 968291DEST_PATH_IMAGE074
代的速度和位置更新公式 如下：
Figure 342772DEST_PATH_IMAGE107
Figure 970063DEST_PATH_IMAGE108
其中，
Figure 74809DEST_PATH_IMAGE077
，
Figure 736735DEST_PATH_IMAGE078
，
Figure 282117DEST_PATH_IMAGE079
表示第
Figure 662283DEST_PATH_IMAGE073
个粒子（即第
Figure 567791DEST_PATH_IMAGE073
条航路）的 第
Figure 84222DEST_PATH_IMAGE002
个航路点在第
Figure 800506DEST_PATH_IMAGE080
代的速度，表示第
Figure 111587DEST_PATH_IMAGE073
个粒子（即第
Figure 482526DEST_PATH_IMAGE073
条航路）的第
Figure 369710DEST_PATH_IMAGE002
个航路点在第
Figure 193310DEST_PATH_IMAGE080
代的位置，粒子位置的好坏即航路点的好坏，由第三步得到的代价函数来进行评价；
Figure 706200DEST_PATH_IMAGE082
是两个常数，
Figure 134907DEST_PATH_IMAGE083
表示
Figure 317627DEST_PATH_IMAGE084
内的均匀随机数，
Figure 769468DEST_PATH_IMAGE085
表示第
Figure 695835DEST_PATH_IMAGE073
个粒子（即第
Figure 694229DEST_PATH_IMAGE073
条航路）的第
Figure 516691DEST_PATH_IMAGE002
个航路点在第
Figure 190249DEST_PATH_IMAGE080
代的最优解，表示所有粒子的第
Figure 979399DEST_PATH_IMAGE002
个航路点在第
Figure 769501DEST_PATH_IMAGE080
代的最优解；所有的初始航路的所有航路点，也就是初始粒子经过代的迭代优化后，得 到的最优解为连接起始点和目标点的最优航路。
对单个航路点进行优化，而不是对整条航路进行优化的原因是，航路的信息是由 单个航路点构成的，直接对单个航路点进行评价，可以实现对无人机群中更多潜在可能较 好的航路点进行学习，避免在较差的整段航路中存在的单个优质航路点不被学习的情况发 生。图3为基于单个航路点的粒子群优化算法优势示意图，由图3可以看出，整条航路较差， 即通过评价函数得到的代价较高，然而第
Figure 198525DEST_PATH_IMAGE002
个航路点是一个较好的航路点。
第五步，对第四步中每一对确定的起始点和目标点规划好航路后，可能会存在规划航路出现交叉的情况，因此，我们需要进行预冲突解脱处理，规划好无人机群中每个无人机的飞行速度，使其在交叉点不会相遇，保障无人机群的飞行安全。
第六步，无人机群按照最终的规划路径和速度从相应起始点进行飞行，直至到达目标点，完成任务。
本发明提供的上述无人机群路径规划方法，采用粒子群优化算法来解决无人机群的路径规划问题。首先需要获取未知环境的信息，主要是获取未知环境中起始点和目标点的位置、障碍物的坐标、可能存在的雷达和导弹风险等；同时无人机群在规划路径的时候，还需要考虑到无人机自身的性能，比如偏转角、俯仰角、飞行高度等；在此基础上，无人机通过粒子群优化算法的计算择优选取路径，实现对整个无人机群的路径规划。本发明能够实现无人机群在密集风险环境下的路径规划，从而使得无人机群能够高效地飞行到目标位置，协同完成分配好的任务。这为无人机群的路径规划问题提供了一个全新的解决方案。本发明围绕着无人机群的路径规划，从提高空中交通系统安全性和高效性两方面出发，开展无人机群路径规划方法研究，这对于确保无人机飞行安全，降低飞行成本，增加空域容量，提高空中交通系统的运行效率具有重要的意义。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (3)

1.一种无人机群路径规划方法，其特征在于，包括如下步骤：
S1：无人机群获取密集风险环境中起始点和目标点的位置、障碍物的坐标、面临的导弹打击风险和雷达探测风险、以及无人机群的飞行目标和任务，同时获取无人机飞行的最大水平转弯角、最大竖直俯仰角和最大侦察打击高度；
S2：根据获取的密集风险环境信息和无人机自身性能信息，得到对无人机飞行的整段航路的评价；
S3：在对整段航路评价的基础上，分离出整段航路中单个航路点的自身属性，得到对单个航路点的评价；
S4：利用基于对单个航路点评价的粒子群优化算法，对初始航路进行优化，得到连接起始点和目标点的最优航路；
S5：对得到的最优航路进行预冲突解脱处理，规划好无人机群中每个无人机的飞行速度；
S6：无人机群按照最优航路和规划好的飞行速度进行飞行，直至到达目标点，完成任务；
其中，所述步骤S2，根据获取的密集风险环境信息和无人机自身性能信息，得到对无人机飞行的整段航路的评价，具体包括：
对每个无人机而言，假设整段航路由
Figure 243267DEST_PATH_IMAGE001
个航路点
Figure 19462DEST_PATH_IMAGE002
构成，包括
Figure 533620DEST_PATH_IMAGE003
个航路段，
Figure 663250DEST_PATH_IMAGE004
，其中起始点和目标点在初始时刻已确定，则整段航路由依次连接航路点构成；将每个航路段均匀分成
Figure 477622DEST_PATH_IMAGE005
个部分，每一部分由端点
Figure 34506DEST_PATH_IMAGE006
确定，
Figure 911326DEST_PATH_IMAGE007
；对整段航路进行如下评价：
航路长度：利用路径长度比
Figure 844647DEST_PATH_IMAGE008
作为评价指标，具体公式如下：
Figure 247946DEST_PATH_IMAGE009
其中，
Figure 975731DEST_PATH_IMAGE010
表示第
Figure 589115DEST_PATH_IMAGE002
个航路点的三维空间坐标，
Figure 326127DEST_PATH_IMAGE011
表示第
Figure 583933DEST_PATH_IMAGE012
个航路点的三维空间坐标，
Figure 748198DEST_PATH_IMAGE013
表示第
Figure 724244DEST_PATH_IMAGE001
个航路点的三维空间坐标，
Figure 107690DEST_PATH_IMAGE014
表示第1个航路点的三维空间坐标；公式中的分子为所有航路段的实际长度加和，分母为直接连接起始点和目标点的距离；
面临的导弹打击风险：假设无人机的飞行环境中共有
Figure 485582DEST_PATH_IMAGE015
个导弹打击点，其中第
Figure 555169DEST_PATH_IMAGE016
个导弹打击点的最大打击半径为
Figure 18511DEST_PATH_IMAGE017
，
Figure 97326DEST_PATH_IMAGE018
；定义第
Figure 454358DEST_PATH_IMAGE019
个航路点与第
Figure 960425DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 645485DEST_PATH_IMAGE020
个端点的坐标为
Figure 262411DEST_PATH_IMAGE021
，则第
Figure 224682DEST_PATH_IMAGE016
个导弹打击点到第
Figure 901651DEST_PATH_IMAGE019
个航路点与第
Figure 74006DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 229044DEST_PATH_IMAGE020
个端点的距离为：
Figure 701613DEST_PATH_IMAGE022
其中，
Figure 674117DEST_PATH_IMAGE023
表示第
Figure 333769DEST_PATH_IMAGE016
个导弹打击点的三维空间坐标；定义整段航路面临的导弹打击风险为
Figure 292498DEST_PATH_IMAGE024
，具体公式如下：
Figure 88415DEST_PATH_IMAGE025
Figure 481088DEST_PATH_IMAGE026
其中，
Figure 628036DEST_PATH_IMAGE024
越大，表示整段航路的导弹打击风险越大；
面临的雷达探测风险：假设无人机的飞行环境中共有
Figure 390455DEST_PATH_IMAGE027
个雷达探测点，其中第
Figure 572038DEST_PATH_IMAGE028
个雷达探测点的最大探测半径为
Figure 496132DEST_PATH_IMAGE029
，
Figure 255009DEST_PATH_IMAGE030
；则第
Figure 555541DEST_PATH_IMAGE028
个雷达探测点到第
Figure 591630DEST_PATH_IMAGE031
个航路点与第
Figure 952204DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 73744DEST_PATH_IMAGE006
个端点的距离为：
Figure 53332DEST_PATH_IMAGE032
其中，
Figure 678348DEST_PATH_IMAGE033
表示第
Figure 209824DEST_PATH_IMAGE034
个雷达探测点的三维空间坐标；定义整段航路面临的雷达探测风险为
Figure 553081DEST_PATH_IMAGE035
，具体公式如下：
Figure 585628DEST_PATH_IMAGE036
Figure 330730DEST_PATH_IMAGE037
其中，
Figure 298686DEST_PATH_IMAGE038
表示雷达的强度；
Figure 129238DEST_PATH_IMAGE035
越大，表示整段航路的雷达探测风险越大；
航路点转弯代价：假设无人机的最大水平转弯角为
Figure 575263DEST_PATH_IMAGE039
，无人机在第
Figure 548773DEST_PATH_IMAGE002
个航路点的转弯角为
Figure 422051DEST_PATH_IMAGE040
，在整段航路的起始点和目标点不需要转弯，则整段航路的转弯代价
Figure 739900DEST_PATH_IMAGE041
定义如下：
Figure 989616DEST_PATH_IMAGE042
Figure 709310DEST_PATH_IMAGE043
Figure 878123DEST_PATH_IMAGE044
其中，
Figure 683268DEST_PATH_IMAGE045
越大，表示整段航路的转弯代价越大；
航路点俯仰代价：假设无人机的最大竖直俯仰角为
Figure 471096DEST_PATH_IMAGE046
，无人机在第
Figure 45297DEST_PATH_IMAGE002
个航路点的竖直俯仰角为
Figure 135743DEST_PATH_IMAGE047
，则整段航路的俯仰代价
Figure 162605DEST_PATH_IMAGE048
定义如下：
Figure 754124DEST_PATH_IMAGE049
Figure 182831DEST_PATH_IMAGE050
Figure 834392DEST_PATH_IMAGE051
其中，
Figure 738763DEST_PATH_IMAGE052
表示第
Figure 868393DEST_PATH_IMAGE053
个航路点的三维空间坐标；
Figure 151607DEST_PATH_IMAGE054
越大，表示整段航路的俯仰代价越大；
飞行高度代价：假设无人机的最大侦察打击高度为
Figure 239649DEST_PATH_IMAGE055
，已定义无人机在第
Figure 241103DEST_PATH_IMAGE012
个航路点与第
Figure 571763DEST_PATH_IMAGE002
个航路点之间航路段的第
Figure 709483DEST_PATH_IMAGE020
个端点的飞行高度为
Figure 702847DEST_PATH_IMAGE056
，则整段航路的飞行高度代价
Figure 191597DEST_PATH_IMAGE057
定义如下：
Figure 787663DEST_PATH_IMAGE058
Figure 45469DEST_PATH_IMAGE059
其中，
Figure 209734DEST_PATH_IMAGE060
越大，表示整段航路的飞行高度代价越大；
面临的障碍物碰撞风险：整段航路的障碍物碰撞风险
Figure 185781DEST_PATH_IMAGE061
定义如下：
Figure 460904DEST_PATH_IMAGE062
Figure 714162DEST_PATH_IMAGE063
在航路长度、导弹打击风险、雷达探测风险、航路点转弯代价、航路点俯仰代价、飞行高度代价以及障碍物碰撞风险七个评价指标确定后，定义多目标函数来综合评价整段航路的代价，总代价
Figure 783749DEST_PATH_IMAGE064
的计算公式为：
Figure 247092DEST_PATH_IMAGE065
其中，
Figure 60327DEST_PATH_IMAGE066
，表示第
Figure 417359DEST_PATH_IMAGE067
个评价指标
Figure 657847DEST_PATH_IMAGE068
的权重系数，用于衡量第
Figure 874065DEST_PATH_IMAGE067
个评价指标的重要性。
2.如权利要求1所述的无人机群路径规划方法，其特征在于，步骤S3，在对整段航路评价的基础上，分离出整段航路中单个航路点的自身属性，得到对单个航路点的评价，具体包括：
对于第
Figure 490991DEST_PATH_IMAGE002
个航路点，根据评价指标
Figure 577896DEST_PATH_IMAGE008
，对第
Figure 628766DEST_PATH_IMAGE002
个航路点的评价如下：
Figure 801122DEST_PATH_IMAGE069
对于评价指标
Figure 956159DEST_PATH_IMAGE024
、
Figure 428729DEST_PATH_IMAGE035
、
Figure 11020DEST_PATH_IMAGE041
、
Figure 795305DEST_PATH_IMAGE048
、
Figure 754034DEST_PATH_IMAGE057
、
Figure 815531DEST_PATH_IMAGE061
，去掉最外层的求和符号，得到对第
Figure 834303DEST_PATH_IMAGE002
个航路点的评价如下：
Figure 246829DEST_PATH_IMAGE070
Figure 619036DEST_PATH_IMAGE071
Figure 535039DEST_PATH_IMAGE072
Figure 724712DEST_PATH_IMAGE073
Figure 358956DEST_PATH_IMAGE074
Figure 925066DEST_PATH_IMAGE075
对单个航路点的代价进行综合评价，总代价
Figure 820210DEST_PATH_IMAGE076
计算如下：
Figure 180784DEST_PATH_IMAGE077
。
3.如权利要求2所述的无人机群路径规划方法，其特征在于，步骤S4，利用基于对单个航路点评价的粒子群优化算法，对初始航路进行优化，得到连接起始点和目标点的最优航路，具体包括：
对于每一对确定的起始点和目标点，初始化
Figure 302324DEST_PATH_IMAGE078
条航路，每一条航路都构成粒子群优化算法的一个初始粒子；粒子群优化算法的第
Figure 140967DEST_PATH_IMAGE079
个粒子的第
Figure 405464DEST_PATH_IMAGE002
个航路点在第
Figure 936940DEST_PATH_IMAGE080
代的速度和位置更新公式如下：
Figure 280196DEST_PATH_IMAGE081
Figure 188109DEST_PATH_IMAGE082
其中，
Figure 57845DEST_PATH_IMAGE083
，
Figure 25801DEST_PATH_IMAGE084
，
Figure 856354DEST_PATH_IMAGE085
表示第
Figure 36800DEST_PATH_IMAGE079
个粒子的第
Figure 901987DEST_PATH_IMAGE002
个航路点在第
Figure 40845DEST_PATH_IMAGE086
代的速度，
Figure 234060DEST_PATH_IMAGE087
表示第
Figure 218196DEST_PATH_IMAGE079
个粒子的第
Figure 937891DEST_PATH_IMAGE088
个航路点在第
Figure 982070DEST_PATH_IMAGE086
代的位置，粒子位置的好坏代表航路点的好坏，由步骤S3得到的单个航路点的代价函数
Figure 911849DEST_PATH_IMAGE076
来进行评价；
Figure 699676DEST_PATH_IMAGE089
是两个常数，
Figure 273877DEST_PATH_IMAGE090
表示
Figure 488958DEST_PATH_IMAGE091
内的均匀随机数，
Figure 889721DEST_PATH_IMAGE092
表示第
Figure 746819DEST_PATH_IMAGE093
个粒子的第
Figure 175526DEST_PATH_IMAGE002
个航路点在第
Figure 561508DEST_PATH_IMAGE086
代的最优解，
Figure 341245DEST_PATH_IMAGE094
表示所有粒子的第
Figure 595509DEST_PATH_IMAGE002
个航路点在第
Figure 878723DEST_PATH_IMAGE086
代的最优解，初始粒子经过
Figure 701185DEST_PATH_IMAGE095
代的迭代优化后，得到的最优解为连接起始点和目标点的最优航路。
CN202010374780.1A 2020-05-07 2020-05-07 一种无人机群路径规划方法 Active CN111256681B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010374780.1A CN111256681B (zh) 2020-05-07 2020-05-07 一种无人机群路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010374780.1A CN111256681B (zh) 2020-05-07 2020-05-07 一种无人机群路径规划方法

Publications (2)

Publication Number Publication Date
CN111256681A CN111256681A (zh) 2020-06-09
CN111256681B true CN111256681B (zh) 2020-08-11

Family

ID=70950037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010374780.1A Active CN111256681B (zh) 2020-05-07 2020-05-07 一种无人机群路径规划方法

Country Status (1)

Country Link
CN (1) CN111256681B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111813144B (zh) * 2020-06-11 2022-02-18 南京航空航天大学 一种基于改进羊群算法的多无人机协同航路规划方法
CN112071122A (zh) * 2020-07-17 2020-12-11 西安爱生无人机技术有限公司 一种用于信息采集的无人机群路径规划方法
CN112629539B (zh) * 2020-12-15 2022-08-12 西安电子科技大学 一种多无人机路径规划方法
CN113177719A (zh) * 2021-05-07 2021-07-27 民航成都电子技术有限责任公司 民航净空安全风险评估方法、装置、计算机设备及存储介质
WO2023069046A1 (en) * 2021-10-22 2023-04-27 Havelsan Hava Elektronik San. Ve Tic. A.S. Flying car traffic management information system
CN117893933B (zh) * 2024-03-14 2024-05-24 国网上海市电力公司 一种用于输变电设备的无人巡检故障检测方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107677275A (zh) * 2017-09-15 2018-02-09 北京航空航天大学 一种混合空域异质飞行器路径规划方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913172B (zh) * 2013-12-06 2016-09-21 北京航空航天大学 一种适用于复杂低空下飞行器的路径规划方法
WO2018112404A1 (en) * 2016-12-16 2018-06-21 The Government Of The United States Of America As Represented By The Secretary Of The Navy Autonomous airborne vehicle controlled by millmeter wave radar
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
CN108387232B (zh) * 2018-01-30 2021-08-03 河北科技大学 基于人工势场的进化算法的飞行物航迹规划方法
CN109445463B (zh) * 2018-12-21 2021-07-27 山东理工大学 一种无人机动态航线规划方法
CN110986958B (zh) * 2019-12-24 2021-11-26 北京工业大学 基于多种群协作果蝇优化的多无人机协同路径规划方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN107677275A (zh) * 2017-09-15 2018-02-09 北京航空航天大学 一种混合空域异质飞行器路径规划方法及装置

Also Published As

Publication number Publication date
CN111256681A (zh) 2020-06-09

Similar Documents

Publication Publication Date Title
CN111256681B (zh) 一种无人机群路径规划方法
CN110031004B (zh) 基于数字地图的无人机静态和动态路径规划方法
CN113589842B (zh) 一种基于多智能体强化学习的无人集群任务协同方法
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
Liu et al. Adaptive sensitivity decision based path planning algorithm for unmanned aerial vehicle with improved particle swarm optimization
CN110456823B (zh) 一种针对无人机计算与存储能力受限的双层路径规划方法
CN108731684B (zh) 一种多无人机协同区域监视的航路规划方法
CN113342047B (zh) 未知环境中基于障碍物位置预测改进人工势场法的无人机路径规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN104155999A (zh) 战场环境下多无人机时敏任务动态分配算法
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
CN114330115B (zh) 一种基于粒子群搜索的神经网络空战机动决策方法
CN111256682B (zh) 不确定条件下的无人机群路径规划方法
CN112684808A (zh) 一种不确定环境下的无人机集群智能协同察打方法
CN112327939B (zh) 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
Geng et al. UAV surveillance mission planning with gimbaled sensors
CN114485665A (zh) 一种基于麻雀搜索算法的无人机航迹规划方法
CN112414405A (zh) 一种顾及dsm的应急任务的无人机集群航迹规划方法
CN111811513B (zh) 一种多无人机协同覆盖及避障的航迹规划方法
CN115435787B (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
CN110793522B (zh) 一种基于蚁群算法的航迹规划方法
Zhicai et al. A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm
Cook et al. Intelligent cooperative control for urban tracking
CN114815875B (zh) 一种基于集合满射鸽群智能优化的无人机集群编队控制器调参方法
CN115793709A (zh) 一种基于pomdp模型的apf无人机路径规划方法

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200609

Assignee: Beijing Tasson Technology Ltd.

Assignor: BEIHANG University

Contract record no.: X2024980002709

Denomination of invention: A Path Planning Method for Drone Swarm

Granted publication date: 20200811

License type: Common License

Record date: 20240313