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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 52
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 49
- 239000000126 substance Substances 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 29
- 239000000523 sample Substances 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000255925 Diptera Species 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000257161 Calliphoridae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
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,假设整段航路由个航路点构成,包括个航路段,,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个部分,每一部分由端点确定,;对整
段航路进行如下评价:
面临的导弹打击风险:假设无人机的飞行环境中共有个导弹打击点,其中第
个导弹打击点的最大打击半径为,;定义第个航路点与第个
航路点之间航路段的第个端点的坐标为,则第个导弹打击点到第个
航路点与第个航路点之间航路段的第个端点的距离为:
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:
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:
其中,,,表示第个粒子的第个航路点在
第代的速度,表示第个粒子的第个航路点在第代的位置,是两个常数,表示内的均匀随机数,表示第个粒子的第个航路点在第代的
最优解,表示所有粒子的第个航路点在第代的最优解,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。
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
由个航路点构成,包括个航路段,,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个部分,
每一部分由端点确定,,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:
其中,表示第个航路点的三维空间坐标,表示第个航路点的三维空间坐标,表示第个航路点的三维空间坐标,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
境中共有个导弹打击点,其中第个导弹打击点的最大打击半径为,;定义第个航路点与第个航路点之间航路段的第个端点的坐标为,则第个导弹打击点到第个航路点与第个航路点之间航路段的第
个端点的距离为:
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个雷达探
测点,其中第个雷达探测点的最大探测半径为,;则第个雷达探
测点到第个航路点与第个航路点之间航路段的第个端点的距离为:
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,已定义无人机在第个
航路点与第个航路点之间航路段的第个端点的飞行高度为,则整段航路的飞行高度
代价定义如下:
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
化算法的第个粒子(即第条航路)的第个航路点在第代的速度和位置更新公式
如下:
其中,,,表示第个粒子(即第条航路)的
第个航路点在第代的速度,表示第个粒子(即第条航路)的第个航路点在第
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;是两个常数,表示内的均匀随机数,表示第个粒子(即第条航路)的第个航路点在第代的最优解,表示所有粒子的第个航路点在第代的最优解;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,假设整段航路由个航路点构成,包括个航路段,,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个部分,每一部分由端点确定,;对整段航路进行如下评价:
其中,表示第个航路点的三维空间坐标,表示第个航路点的三维空间坐标,表示第个航路点的三维空间坐标,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个导弹打击点,其中第个导弹打击点的最大打击半径为,;定义第个航路点与第个航路点之间航路段的第个端点的坐标为,则第个导弹打击点到第个航路点与第个航路点之间航路段的第个端点的距离为:
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:
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)
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)
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)
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 |
-
2020
- 2020-05-07 CN CN202010374780.1A patent/CN111256681B/zh active Active
Patent Citations (2)
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 |