CN112327917A - 基于群体智能的无人机集群协同覆盖方法 - Google Patents
基于群体智能的无人机集群协同覆盖方法 Download PDFInfo
- Publication number
- CN112327917A CN112327917A CN202011258663.5A CN202011258663A CN112327917A CN 112327917 A CN112327917 A CN 112327917A CN 202011258663 A CN202011258663 A CN 202011258663A CN 112327917 A CN112327917 A CN 112327917A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- current
- pheromone
- model
- 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 37
- 239000003016 pheromone Substances 0.000 claims abstract description 70
- 230000001133 acceleration Effects 0.000 claims abstract description 55
- 239000004579 marble Substances 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008447 perception Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 3
- 239000002245 particle Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241000669618 Nothes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于群体智能的无人机集群分布式协同覆盖方法，本发明基于群体智能的思想实现，将无人机的覆盖问题建模为扩散问题，并利用分段覆盖方法和信息素模型提高无人机的覆盖效率，具体为基于菲克定律，将无人机集群建模为扩散模型中的质点群，计算得到菲克模型加速度，同时，为无人机避障设计了一种无人机加速度弹球模型，计算得到弹球模型加速度，另外，利用分段的策略和信息素模型提高无人机在时间拐点时候的覆盖速度，进一步优化了无人机集群的覆盖效率。本发明所述方法能有效提高无人机集群的覆盖效率。
Description
技术领域
本发明涉及无人机技术领域，尤其涉及一种基于群体智能的无人机集群协同覆盖方法。
背景技术
在一群地面智能体组成的自组织系统中，通过系统的自组织自协调，系统中的每个成员智能体以及整个系统有以下的特性：(1)行为上具有一定的自主性；(2)智能体之间只进行局部的信息感知和间接的信息交互；(3)整个系统是分布式系统，没有全局性的先验信息；(4)导致整个系统出现一种集体性的行为，以上特性可以直观上描述群体智能的概念。
在无人机集群系统中，可以通过对集群的控制从而达到对目标区域的全覆盖以完成预定任务。无人机集群对目标区域的全覆盖是多无人机系统的典型应用场景之一，主要分为集中式覆盖方法和分布式覆盖方法。集中式的覆盖算法是由地面的控制基站对无人机集群的路径进行统一规划从而达到目的，其性能取决于集中式算法的复杂度和地面控制系统的计算能力，并且其可扩展性差，系统通信带宽和软件复杂度等会随着集群中无人机数量的增长呈指数型增长。
发明内容
本发明针对上述问题，提出了一种基于群体智能的无人机集群协同覆盖方法，本发明基于群体智能的思想实现，将无人机的覆盖问题建模为扩散问题，并利用分段覆盖方法和信息素模型提高无人机的覆盖效率
本发明提出的一种基于群体智能的无人机集群协同覆盖方法包括如下步骤：
将无人机集群建模为菲克定律中的质点群，通过菲克定律将无人机集群中每个无人机的加速度建模为菲克模型；
无人机集群中每个无人机具有感知距离，利用无人机感知距离设计一种规避障碍的加速度弹球模型；
将无人机集群的覆盖效率开始放缓的时间作为时间拐点，利用时间拐点设计分段覆盖的方法，具体为：在时间拐点后利用无人机集群释放的信息素设计一种信息素释放模型和一种信息素反应模型。
本发明的进一步技术方案是：无人机集群中当前无人机的总加速度函数
为：
其中，
表示当前无人机在菲克模型下的加速度，
表示当前无人机在弹球模型下的加速度，
表示信息素浓度产生的加速度。
本发明的进一步技术方案是：所述菲克模型下对加速度的描述为：
其中，在直角坐标系中，ax表示当前无人机在x方向加速度的大小，ay表示当前无人机在y方向加速度的大小，
表示当前无人机在x方向的单位矢量，
表示当前无人机在y方向的单位矢量，
表示当前无人机在菲克模型下的加速度，Nu，Nd，Nl，Nr表示为：当前无人机可以感知以感知距离为半径圆形区域内的其他无人机，被感知的无人机为当前无人机的邻居无人机，在当前无人机以感知距离为半径的圆形区域范围内，以当前无人机位置为中心点，延伸水平、竖直的两条互相垂直虚线，Nu为垂直虚线左侧邻居无人机的数量，Nd为垂直虚线右侧邻居无人机的数量，Nl为水平虚线上侧邻居无人机的数量，Nr为水平虚线下侧邻居无人机的数量。
本发明的进一步技术方案是：所述弹球模型下对加速度的描述为：
其中，
表示当前无人机在弹球模型下的加速度，d表示邻居无人机与当前无人机之间的距离，di表示第i个邻居无人机与当前无人机之间的距离，
表示第i个邻居无人机对当前无人机作用产生的加速度，ai(d)表示第i个邻居无人机对当前无人机作用产生的加速度大小，ds表示弹球模型参考系数。
本发明的进一步技术方案是：所述弹球模型参考系数ds为无人机感知距离。
本发明的进一步技术方案是：所述时间拐点tphe的约束为：
其中，S表示待覆盖区域的面积，α表示覆盖系数，N表示无人机集群中无人机的数量，rs表示当前无人机感知距离。
本发明的进一步技术方案是，所述信息素释放模型具体为：
d(x,y)(t)＝(1-β)·d(x,y)(t-1)+dother(x,y)(t)，其中，dA(r)表示距离信息素释放地点r的A点处信息素浓度，dini表示信息素的初始释放浓度，rt表示信息素释放的最大半径，rd表示信息素释放的最小半径，d(x,y)(t)表示坐标为(x,y)的点在t时刻的信息素浓度，β表示信息素的蒸发速率，dother(x,y)(t)表示在t时刻除当前无人机以外的其他无人机喷洒信息素浓度叠加在坐标为(x,y)点的浓度之和。
本发明的进一步技术方案是，所述信息素反应模型具体为：当前无人机探测具有最大探测半径和最小探测半径，在以当前无人机为圆心，最大探测半径和最小探测半径组成的同心圆内，将圆环区域均分为六块子区域，先选择平均信息素浓度最小的子区域，然后选择该子区域中信息素浓度最低的区域，当前无人机根据信息素浓度最低的区域来确定信息素浓度产生的加速度
方向。
本发明提出一种基于群体智能的无人机集群协同覆盖方法，其有益效果是：1、本发明利用群体智能的思想实现无人机集群内部个体之间的分布式协同控制，避免了集中式控制的缺点，具有高鲁棒性，高可扩展性和高稳定性；2、采用分段覆盖的方法，并使用信息素模型引导集群中的无人机以更大概率向着未被覆盖过的区域前进，使得本发明具有高有效性，无人机集群的覆盖效率高。
附图说明
图1为本发明实施例中的加速度菲克模型的计算示意图；
图2为本发明实施例中的加速度弹球模型的计算示意图；
图3为本发明实施例中的信息素释放示意图；
图4为本发明实施例中的无人机对信息素的反应示意图；
图5为分段覆盖策略下的本发明与单一覆盖策略下本发明的覆盖效率对比；
图6为不同覆盖方法的覆盖效率对比。
具体实施方式
为进一步对本发明的技术方案作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的步骤。
本发明实施例提供的基于群体智能的无人机集群协同覆盖方法，其具体实现方法如下：
(一)、将无人机集群建模为菲克定律中的质点群，通过菲克定律将无人机集群中每个无人机的加速度建模为菲克模型。
具体实施过程如下：菲克第一定律由公式(1)描述，其中D为扩散系数(m2/s)，C为扩散物质的体积浓度(原子数/m3或者kg/m3)：
本发明将无人机集群建模为扩散模型中的质点群，菲克定律的实质指明物质的扩散方向为由高浓度方向指向低浓度方向，并且浓度差越大，扩散通量越大，据此本发明将无人机集群中个体的加速度建模为菲克模型，如图1所示，无人机集群中的无人机具有一定的感知能力，其感知距离为sensingRadius，在以自身为圆心，以感知距离sensingRadius为半径的圆形区域内的其他无人机可被当前无人机感知，被认为是当前无人机的邻居无人机，邻居无人机通过对当前无人机产生加速度的作用实现分布式协同，菲克模型对这种加速度作用进行数学化描述，邻居无人机菲克模型由式(2)-(4)描述：
其中，在直角坐标系中，ax表示当前无人机在x方向加速度的大小，ay表示当前无人机在y方向加速度的大小，
表示当前无人机在x方向的单位矢量，
表示当前无人机在y方向的单位矢量，
表示当前无人机在菲克模型下的加速度，Nu，Nd，Nl，Nr表示为：当前无人机可以感知以感知距离为半径圆形区域内的其他无人机，被感知的无人机为当前无人机的邻居无人机，在当前无人机以感知距离为半径的圆形区域范围内，以当前无人机位置为中心点，延伸水平、竖直的两条互相垂直虚线，如图1所示，Nu为垂直虚线左侧邻居无人机的数量，Nd为垂直虚线右侧邻居无人机的数量，Nl为水平虚线上侧邻居无人机的数量，Nr为水平虚线下侧邻居无人机的数量。
(二)、无人机集群中每个无人机具有感知距离，利用无人机感知距离设计一种规避障碍的加速度弹球模型；
具体实施过程如下：为无人机避障设计的无人机加速度弹球模型，其对当前无人机产生的加速度大小a由式(5)-(6)：
其中，
表示当前无人机在弹球模型下的加速度，d表示邻居无人机与当前无人机之间的距离，di表示第i个邻居无人机与当前无人机之间的距离，
表示第i个邻居无人机对当前无人机作用产生的加速度，ai(d)表示第i个邻居无人机对当前无人机作用产生的加速度大小，ds表示弹球模型参ds表示弹球模型参考系数，在本发明实施例中，弹球模型参考系数ds为无人机感知距离，如图2所示，为本发明实施例中三个邻居无人机对当前无人机在弹球模型下产生的分加速度
和总加速度
的大小和方向。
(三)、将无人机集群的覆盖效率开始放缓的时间作为时间拐点，利用时间拐点设计分段覆盖的方法，具体为：在时间拐点后利用无人机集群释放的信息素设计一种信息素释放模型和一种信息素反应模型。
具体实施过程如下：时间拐点tphe是指在此时间点之后，无人机集群的覆盖效率开始放缓，时间拐点tphe的计算为公式(7)：
其中，S表示待覆盖区域的面积，α表示覆盖系数，N表示无人机集群中无人机的数量，rs表示当前无人机感知距离，在本发明实施例中，α取值为0.7。
在时间拐点tphe之前集群采用菲克模型和弹球模型进行搜索，在tphe之后除了采用菲克模型和弹球模型，利用无人机集群释放的信息素设计一种信息素释放模型和一种信息素反应模型。集群中的无人机在自己所经过的路径上释放此信息素，信息素会进行蒸发，无人机在后续的搜索总会朝着信息素浓度最低的方向前进。信息素的释放模型如图3所示，距离释放点r处的信息素浓度由式(8)得出：
其中，dA(r)表示距离信息素释放地点r的A点处信息素浓度，dini表示信息素的初始释放浓度，rt表示信息素释放的最大半径，rd表示信息素释放的最小半径。
信息素的蒸发规律由式(9)得出：
d(x,y)(t)＝(1-β)·d(x,y)(t-1)+dother(x,y)(t) (9)
其中，d(x,y)(t)表示坐标为(x,y)的点在t时刻的信息素浓度，β表示信息素的蒸发速率，dother(x,y)(t)表示在t时刻除当前无人机以外的其他无人机喷洒信息素浓度叠加在坐标为(x,y)点的浓度之和。
无人机在探测信息素的浓度时，有最大探测半径sensingRadiusUp和最小探测半径sensingRadiusDown，如图4所示，在以当前无人机为圆心，最大探测半径和最小探测半径组成的同心圆内，将圆环区域均分为六块子区域，先选择平均信息素浓度最小的子区域，然后选择该子区域中信息素浓度最低的区域，当前无人机根据信息素浓度最低的区域来确定信息素浓度产生的加速度
方向，在本发明实施例中，
的大小取定值。
(四)、本发明无人机集群中当前无人机的总加速度函数
为：
其中，
表示当前无人机在菲克模型下的加速度，
表示当前无人机在弹球模型下的加速度，
表示信息素浓度产生的加速度。
本发明实施例提供的基于群体智能的无人机集群协同覆盖方法，其具体实现步骤如下：
S1：根据式(2)-(4)计算菲克模型加速度
S2：根据式(5)-(6)计算弹球模型加速度
S3：确定tphe，若此时时间t＞tphe，则转至S4，否则转至S5；
S4：释放信息素，信息素蒸发并确定加速度
转至S5；
S5：计算总加速度
并更新无人机的速度和位置。
图5、图6为本发明实施例的效率对比图，图5为分段覆盖策略下的本发明与单一覆盖策略下本发明的覆盖效率对比，图6为不同覆盖方法的覆盖效率对比，由图5、图6可以看出，使用信息素的模型引导集群中的无人机以更大概率向着未被覆盖过的区域前进，使得本发明具有高有效性，无人机集群的覆盖效率更高。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法、装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法、装置所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于群体智能的无人机集群协同覆盖方法，其特征在于，包括如下步骤：
将无人机集群建模为菲克定律中的质点群，通过菲克定律将无人机集群中每个无人机的加速度建模为菲克模型；
无人机集群中每个无人机具有感知距离，利用无人机感知距离设计一种规避障碍的加速度弹球模型；
将无人机集群的覆盖效率开始放缓的时间作为时间拐点，利用时间拐点设计分段覆盖的方法，具体为：在时间拐点后利用无人机集群释放的信息素设计一种信息素释放模型和一种信息素反应模型。
2.根据权利要求1所述的无人机集群协同覆盖方法，其特征在于，无人机集群中当前无人机的总加速度函数
为：
其中，
表示当前无人机在菲克模型下的加速度，
表示当前无人机在弹球模型下的加速度，
表示信息素浓度产生的加速度。
3.根据权利要求2所述的无人机集群协同覆盖方法，其特征在于，所述菲克模型下对加速度的描述为：
其中，在直角坐标系中，ax表示当前无人机在x方向加速度的大小，ay表示当前无人机在y方向加速度的大小，
表示当前无人机在x方向的单位矢量，
表示当前无人机在y方向的单位矢量，
表示当前无人机在菲克模型下的加速度，Nu，Nd，Nl，Nr表示为：当前无人机可以感知以感知距离为半径圆形区域内的其他无人机，被感知的无人机为当前无人机的邻居无人机，在当前无人机以感知距离为半径的圆形区域范围内，以当前无人机位置为中心点，延伸水平、竖直的两条互相垂直虚线，Nu为垂直虚线左侧邻居无人机的数量，Nd为垂直虚线右侧邻居无人机的数量，Nl为水平虚线上侧邻居无人机的数量，Nr为水平虚线下侧邻居无人机的数量。
4.根据权利要求3所述的无人机集群协同覆盖方法，其特征在于，所述弹球模型下对加速度的描述为：
其中，
表示当前无人机在弹球模型下的加速度，d表示邻居无人机与当前无人机之间的距离，di表示第i个邻居无人机与当前无人机之间的距离，
表示第i个邻居无人机对当前无人机作用产生的加速度，ai(d)表示第i个邻居无人机对当前无人机作用产生的加速度大小，ds表示弹球模型参考系数。
5.根据权利要求4所述的无人机集群协同覆盖方法，其特征在于，所述弹球模型参考系数ds为无人机感知距离。
6.根据权利要求2所述的无人机集群协同覆盖方法，其特征在于，所述时间拐点tphe的约束为：
其中，S表示待覆盖区域的面积，α表示覆盖系数，N表示无人机集群中无人机的数量，rs表示当前无人机感知距离。
7.根据权利要求2所述的无人机集群协同覆盖方法，其特征在于，所述信息素释放模型具体为：
d(x,y)(t)＝(1-β)·d(x,y)(t-1)+dother(x,y)(t)，其中，dA(r)表示距离信息素释放地点r的A点处信息素浓度，dini表示信息素的初始释放浓度，rt表示信息素释放的最大半径，rd表示信息素释放的最小半径，d(x,y)(t)表示坐标为(x,y)的点在t时刻的信息素浓度，β表示信息素的蒸发速率，dother(x,y)(t)表示在t时刻除当前无人机以外的其他无人机喷洒信息素浓度叠加在坐标为(x,y)点的浓度之和。
8.根据权利要求2所述的无人机集群协同覆盖方法，其特征在于，所述信息素反应模型具体为：当前无人机探测具有最大探测半径和最小探测半径，在以当前无人机为圆心，最大探测半径和最小探测半径组成的同心圆内，将圆环区域均分为六块子区域，先选择平均信息素浓度最小的子区域，然后选择该子区域中信息素浓度最低的区域，当前无人机根据信息素浓度最低的区域来确定信息素浓度产生的加速度
方向。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258663.5A CN112327917B (zh) | 2020-11-12 | 2020-11-12 | 基于群体智能的无人机集群协同覆盖方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011258663.5A CN112327917B (zh) | 2020-11-12 | 2020-11-12 | 基于群体智能的无人机集群协同覆盖方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112327917A true CN112327917A (zh) | 2021-02-05 |
| CN112327917B CN112327917B (zh) | 2022-12-27 |
Family
ID=74317934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011258663.5A Active CN112327917B (zh) | 2020-11-12 | 2020-11-12 | 基于群体智能的无人机集群协同覆盖方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112327917B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113496065A (zh) * | 2021-06-29 | 2021-10-12 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
| 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 |
| CN115202405A (zh) * | 2022-09-15 | 2022-10-18 | 成都翼比特自动化设备有限公司 | 一种基于无人机的飞行路径规划方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9448562B1 (en) * | 2015-08-18 | 2016-09-20 | Skycatch, Inc. | Utilizing acceleration information for precision landing of unmanned aerial vehicles |
| CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
| CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
| 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 |
| CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
-
2020
- 2020-11-12 CN CN202011258663.5A patent/CN112327917B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9448562B1 (en) * | 2015-08-18 | 2016-09-20 | Skycatch, Inc. | Utilizing acceleration information for precision landing of unmanned aerial vehicles |
| CN107179777A (zh) * | 2017-06-03 | 2017-09-19 | 复旦大学 | 多智能体集群协同方法与多无人机集群协同系统 |
| CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
| 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 |
| CN110456815A (zh) * | 2019-07-04 | 2019-11-15 | 北京航空航天大学 | 一种基于行军蚁启发式智能的无人机集群协同定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| XIAO HAN ET AL.: ""Multi-UAV Automatic Dynamic Obstacle Avoidance with Experience-shared A2C"", 《2019 INTERNATIONAL CONFERENCE ON WIRELESS AND MOBILE COMPUTING, NETWORKING AND COMMUNICATIONS》 * |
| 成成 等: ""分布式多无人机协同编队队形控制仿真"", 《计算机仿真》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113496065A (zh) * | 2021-06-29 | 2021-10-12 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
| CN113496065B (zh) * | 2021-06-29 | 2023-04-18 | 西北工业大学 | 一种快速高精度的网络区域动态覆盖轨迹生成方法 |
| 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 |
| CN115202405A (zh) * | 2022-09-15 | 2022-10-18 | 成都翼比特自动化设备有限公司 | 一种基于无人机的飞行路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112327917B (zh) | 2022-12-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112327917B (zh) | 基于群体智能的无人机集群协同覆盖方法 | |
| CN109460064B (zh) | 基于虚拟势场函数的无人机集群区域覆盖方法及其装置 | |
| Vidal et al. | Pursuit-evasion games with unmanned ground and aerial vehicles | |
| CN108983823B (zh) | 一种植保无人机集群协同控制方法 | |
| US11892845B2 (en) | System and method for mission planning and flight automation for unmanned aircraft | |
| CN109275099B (zh) | 水下无线传感器网络中基于voi的多auv高效数据收集方法 | |
| CN108897312A (zh) | 多无人飞行器对大规模环境的持续监控路径规划方法 | |
| CN116185079A (zh) | 一种基于自适应巡航的无人机施工巡检航线规划方法 | |
| CN113552899B (zh) | 一种通信链路受限下的多无人机自主协同搜索方法 | |
| Xiong et al. | Mobile robot path planning based on time taboo ant colony optimization in dynamic environment | |
| CN112506219A (zh) | 一种智能交通监管无人机航迹规划方法、系统及可读存储介质 | |
| CN107703970B (zh) | 无人机集群环绕追踪方法 | |
| CN113885554A (zh) | 一种无人机集群的分布式围捕控制方法及系统 | |
| CN114594788A (zh) | 一种未知环境下四旋翼无人飞行器航迹规划方法及系统 | |
| CN110275549B (zh) | 一种多智能体自主式跟踪方法、装置及计算机可存储介质 | |
| CN115150784A (zh) | 基于基因调控网络的无人机集群区域覆盖方法及设备 | |
| Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
| CN111766784A (zh) | 障碍物环境下多机器人图案构成的迭代优化方法 | |
| Liu et al. | 3D gradient reconstruction-based path planning method for autonomous vehicle with enhanced roll stability | |
| CN111553404B (zh) | 一种通信网络节点自适应动态规划方法 | |
| Liu et al. | An Improved Artificial Potential Field UAV Path Planning Algorithm Guided by RRT Under Environment-aware Modeling: Theory and Simulation | |
| CN116520852A (zh) | 一种局部信息下的群机器人围捕多目标方法、装置及设备 | |
| CN116203989A (zh) | 基于粒子群算法的多无人机协同目标搜索方法及系统 | |
| CN116165893A (zh) | 基于椭圆鲁棒性控制的多机器人协同追捕方法及系统 | |
| CN113625764B (zh) | 基于边界驱动的无人机自主探索方法、导航系统及无人机 |
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 |