CN112783213A - 一种基于混合机制的多无人机协同广域动目标搜索方法 - Google Patents
一种基于混合机制的多无人机协同广域动目标搜索方法 Download PDFInfo
- Publication number
- CN112783213A CN112783213A CN202110044877.0A CN202110044877A CN112783213A CN 112783213 A CN112783213 A CN 112783213A CN 202110044877 A CN202110044877 A CN 202110044877A CN 112783213 A CN112783213 A CN 112783213A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- area
- search
- target
- 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 53
- 230000007246 mechanism Effects 0.000 title claims abstract description 36
- 239000003016 pheromone Substances 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000005096 rolling process Methods 0.000 claims abstract description 13
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 239000005712 elicitor Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000004088 simulation 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
-
- 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
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
本发明涉及一种基于混合机制的多无人机协同广域动目标搜索方法,属于无人机协同搜索目标领域。本发明针对现有多无人机协同广域动目标搜索方法中任务区域范围广、搜索效率低、搜索任务时间过长、直接离散化航向角等问题,本发明提供一种基于混合机制的多无人机协同广域动目标搜索方法。该方法综合了覆盖搜索和基于信息图搜索方式的优势,根据目标存在概率将任务区域分成重点区域和一般区域,优先利用扫描线覆盖搜索重点区域,利用基于信息素机制对一般区域进行搜索。在此基础上,采用滚动时域优化方法在线滚动优化各个无人机的航迹。该方法能够快速搜索任务区域内的运动目标,在线生成多个无人机的可飞航迹,有效缩短搜索任务时长。
Description
技术领域
本发明涉及一种基于混合机制的多无人机协同广域动目标搜索方法,属于无人机协同搜索目标领域。
背景技术
多无人协同搜索问题是无人机协同的主要应用之一,广泛应用于民用和军事领域。相对于一般区域搜索,多无人机广域协同动目标搜索问题具有任务区域广、无人机需求数量大、目标一般低速运动、搜索任务时长难以接受等特点,需要对其设计更加高效实用的多无人机协同搜索方法。
多无人机广域协同动目标搜索策略主要分为覆盖遍历搜索和基于信息图的搜索两种策略。覆盖遍历搜索主要以扫描线对整个任务区域进行覆盖遍历搜索,或者将任务区域分解为子任务区域,然后再利用扫描线分别对其进行覆盖遍历搜索。这种方法在工程上具有控制简单,易于实现,重复覆盖区域面积少等优点,但是难以适用于目标机动,广域搜索等情况。基于信息图的搜索主要用信息图来表征环境的不确定度,无人机优先搜索环境不确定性高的区域,然后通过更新信息图来实现无人机对任务区域的协同搜索。基于信息图的搜索能够引入任务的先验信息,对区域进行重复,但是在广域动目标搜索问题中,缺乏对重点区域的引导,无人机需要较长时间的迭代搜索才能找到重点任务区域。因此,针对广域协同动目标搜索问题,需要设计更加高效合理的多无人机搜索方法,提高无人机搜索效率。
发明内容
本发明针对现有多无人机协同广域动目标搜索方法中任务区域范围广、搜索效率低、搜索任务时间过长、直接离散化航向角等问题,本发明提供一种基于混合机制的多无人机协同广域动目标搜索方法。该方法综合了覆盖搜索和基于信息图搜索方式的优势,根据目标存在概率将任务区域分成重点区域和一般区域,优先利用扫描线覆盖搜索重点区域,利用基于信息素机制对一般区域进行搜索。在此基础上,采用滚动时域优化方法在线滚动优化各个无人机的航迹。该方法能够快速搜索任务区域内的运动目标,在线生成多个无人机的可飞航迹,有效缩短搜索任务时长。
本发明的目的是通过下述技术方案实现的:
一种基于混合机制的多无人机协同广域动目标搜索方法,包括以下步骤:
步骤一:初始化参数及建立多无人机协同搜索模型。
1)初始化参数包括:任务区域长度L、宽度W;传感器的探测概率PD和范围R;无人机初始位置;目标初始存在概率pi(xn,xn,t0);蚁群算法参数:信息素浓度因子α和覆盖启发因子β。信息素浓度κi(xn,yn,t0);
2)考虑无人机协同搜索的目标发现收益和环境覆盖收益,建立如式(1)所示无人机协同搜索模型。
式中:Ui,分别为第i架无人机和其邻域内无人机;为第i架无人机的目标发现收益;为第i架无人机环境覆盖收益;w1和w2分别为目标发现收益和环境覆盖收益的加权系数;Uj为无人机i领域内第j架无人机;Ci为第i架无人机的约束条件;NU为无人机数量。其中无人机的模型采用Dubins模型如下;
步骤二:根据信息素浓度建立重点区域。高于预设信息素浓度的区域则认为是重点区域,否则认为是一般区域。
步骤三:根据无人机位置判断是否到达重点区域。若无人机达到重点区域,则按扫描线覆盖搜索机制对重点区域进行搜索,转到步骤四。否则按照分布式蚁群搜索机制,采用粒子群优化算法在线滚动优化航迹,并将优化后的第一个航迹点作为无人机的下一位置,转到步骤四。
1)所述扫描线覆盖搜索机制为:无人机在重点区域内部保持直飞状态,当完成这一段搜索需要进行转弯到下一段搜索时,才转弯进行下一段搜索,然后执行下一段搜索。由于重点区域相对于整个任务区域面较小,无人机能够在较短的时间内折返搜索,从而能够降低目标穿越搜索边界,进入已搜索区域的概率,提高了运动目标的捕获概率。
2)其中分布式蚁群搜索机制如式(3)所示:
式中:p(xn,yn,tk+1)表示网格(xn,yn)在第tk+1时刻的搜索收益;τkey={0,1}表示无人机任务区域中存在重点区域时为1,否则为0;dij表示备选网格节点与重点区域之间的距离;max{dij}和min{dij}分别表示备选网格与重点区域距离的最大值和最小值;无人机从周围位置中选择第tk+1时刻搜索收益最大的网格作为下一时刻的位置;信息素浓度收益pκ(xn,yn,tk)的计算公式如下:
式中:κ(xn,yn,tk)表示时刻tk该网格的信息素浓度大小;α为信息素浓度因子;β为覆盖启发因子。η=1代表该网格已经被无人机覆盖,否则η=0;
3)在线滚动优化航迹的方法为:在航迹规划窗口内规划出无人机的N个航迹点,通过粒子群优化算法优化各个航迹点的航向角,无人机沿着执行窗口内的航迹进行飞行,规划窗口向前推进。
步骤四:传感器对目标进行实时探测,根据探测结果,更新对应区域的目标存在概率pi(xn,xn,tk+1)。同时按信息素局部和全局更新机制更新每个无人机自身的信息素浓度κi(xn,yn,tk+1)。
1)所述目标存在概率采用式(5)和式(6)进行更新,当无人机对区域(xn,xn)进行搜索,并且发现目标b(tk)=1时:
其中PD为传感器的探测概率;定义PF=1-PD为传感器的虚警率;pi(xn,xn,tk)为上一时刻目标存在概率;
否则没有发现目标b(tk)=0时,采用
2)信息素局部更新机制更新方法:采用式(7)进行无人机自身的信息素浓度更新:
式中:Δm为无人机对该网格的搜索次数;κi(xn,yn,tk)为网格的信息素浓度大小;Δm(i,j)(xn,yn,tk)表示第i架无人机的邻域内第j架无人机是否对该网格覆盖搜索,计算公式如下:
其中R为传感器的探测范围;(xj,yj)为无人机j的位置。
信息素全局更新机制更新方法:采用式(9)进行无人机自身的信息素浓度更新:
κi(xl,yw,tk+1)=κi(xl,yw,tk)+F×Δtn,l=1,2,...,L;w=1,2,...,W (9)
式中:F为蚁群算法的环境不确定因子,Δtn为网格距离上次搜索的时间间隔。
步骤五:根据步骤四所得目标存在概率判断是否发现目标。若目标存在概率大于预先给定的阈值,则认为发现该目标,输出该目标的位置;否则认为没有发现目标。
步骤六:判断是否迭代至最大迭代次数。若是,则搜索结束;否则重复步骤三至步骤五。
有益效果
1.针对多无人机协同广域动目标搜索问题,建立多无人机协同搜索模型,提出了一种混合覆盖搜索和分布式蚁群搜索结合的搜索方法,能够缩短广域协同动目标搜索问题的搜索时间,增大目标捕获概率,提高了多无人机协同搜索的效率。
2.利用在线滚动优化策略优化无人机在搜索过程中的航迹,避免了传统方法在搜索过程直接离散化航向角的缺点,同时考虑了无人机的最小转弯半径约束,提升了航迹的最优性和工程实用性。
附图说明
图1为HC-DACOS算法流程图;
图2为基于HC-DACOS的多无人机协同搜索路径规划结果;
图3为基于滚动优化策略的无人机航迹在线优化结果图。
具体实施方式
为了更好地说明本发明的目的和优点,下面结合附图和仿真案例对本发明内容作进一步说明。
实施例1:
为了验证本发明公开的一种基于混合机制的多无人机协同广域动目标搜索方法的可行性与有益效果,下面在案例中对本发明的技术方案进行清楚、详细地描述,该方法的流程图如图1所示。
本实例公开了一种基于混合机制的多无人机协同广域动目标搜索方法,包括以下步骤:
步骤一:初始化参数及建立多无人机协同搜索模型。
1)初始化参数包括:任务区域长度L、宽度W;传感器的探测概率PD和范围R;无人机初始位置;目标初始存在概率pi(xn,xn,t0);蚁群算法参数:信息素浓度因子α和覆盖启发因子β。信息素浓度κi(xn,yn,t0);
2)考虑无人机协同搜索的目标发现收益和环境覆盖收益,建立如式(10)所示无人机协同搜索模型。
式中:Ui,分别为第i架无人机和其邻域内无人机;为第i架无人机的目标发现收益;为第i架无人机环境覆盖收益;w1和w2分别为目标发现收益和环境覆盖收益的加权系数;Uj为无人机i领域内第j架无人机;Ci为第i架无人机的约束条件;NU为无人机数量。其中无人机的模型采用Dubins模型如下;
步骤二:根据信息素浓度建立重点区域。高于预设信息素浓度的区域则认为是重点区域,否则认为是一般区域。
步骤三:根据无人机位置判断是否到达重点区域。若无人机达到重点区域,则按扫描线覆盖搜索机制对重点区域进行搜索,转到步骤四。否则按照分布式蚁群搜索机制,采用粒子群优化算法在线滚动优化航迹,并将优化后的第一个航迹点作为无人机的下一位置,转到步骤四。
1)所述扫描线覆盖搜索机制为:无人机在重点区域内部保持直飞状态,当完成这一段搜索需要进行转弯到下一段搜索时,才转弯进行下一段搜索,然后执行下一段搜索。由于重点区域相对于整个任务区域面较小,无人机能够在较短的时间内折返搜索,从而能够降低目标穿越搜索边界,进入已搜索区域的概率,提高了运动目标的捕获概率。
2)其中分布式蚁群搜索机制如式(12)所示:
式中:p(xn,yn,tk+1)表示网格(xn,yn)在第tk+1时刻的搜索收益;τkey={0,1}表示无人机任务区域中存在重点区域时为1,否则为0;dij表示备选网格节点与重点区域之间的距离;max{dij}和min{dij}分别表示备选网格与重点区域距离的最大值和最小值;无人机从周围位置中选择第tk+1时刻搜索收益最大的网格作为下一时刻的位置;信息素浓度收益pκ(xn,yn,tk)的计算公式如下:
式中:表示κ(xn,yn,tk)时刻tk该网格的信息素浓度大小;α为信息素浓度因子;β为覆盖启发因子。η=1代表该网格已经被无人机覆盖,否则η=0;
3)在线滚动优化航迹的方法为:在航迹规划窗口内规划出无人机的N个航迹点,通过粒子群优化算法优化各个航迹点的航向角,无人机沿着执行窗口内的航迹进行飞行,规划窗口向前推进。
步骤四:传感器对目标进行实时探测,根据探测结果,更新对应区域的目标存在概率pi(xn,xn,tk+1)。同时按信息素局部和全局更新机制更新每个无人机自身的信息素浓度κi(xn,yn,tk+1)。
1)所述目标存在概率采用式(14)和式(15)进行更新,当无人机对区域(xn,xn)进行搜索,并且发现目标b(tk)=1时:
其中PD为传感器的探测概率;定义PF=1-PD为传感器的虚警率;pi(xn,xn,tk)为上一时刻目标存在概率;
否则没有发现目标b(tk)=0时,采用
2)信息素局部更新机制更新方法:采用式(16)进行无人机自身的信息素浓度更新:
式中:Δm为无人机对该网格的搜索次数;κi(xn,yn,tk)为网格的信息素浓度大小;Δm(i,j)(xn,yn,tk)表示第i架无人机的邻域内第j架无人机是否对该网格覆盖搜索,计算公式如下:
R为传感器的探测范围;(xj,yj)为无人机j的位置。
信息素全局更新机制更新方法:采用式(18)进行无人机自身的信息素浓度更新:
κi(xl,yw,tk+1)=κi(xl,yw,tk)+F×Δtn,l=1,2,...,L;w=1,2,...,W (18)
其中F为蚁群算法的环境不确定因子;Δtn为网格距离上次搜索的时间间隔。
步骤五:根据步骤四所得目标存在概率判断是否发现目标。若目标存在概率大于预先给定的阈值,则认为发现该目标,输出该目标的位置;否则认为没有发现目标。
步骤六:判断是否迭代至最大迭代次数。若是,则搜索结束;否则重复步骤三至步骤五。
多无人机协同搜索的航迹规划结果如图2所示,环境中存在16个目标,本发明的方法能够发现其中13个目标。结果表明无人机能够优先对重点区域进行覆盖搜索,对一般区域进行协同搜索,能够增大目标捕获概率,提高了多无人机协同搜索的效率。无人机在搜索过程的航迹示意图如图3所示,利用在线滚动优化策略优化无人机在搜索过程中的航迹,避免了传统方法在搜索过程直接离散化航向角的缺点,同时考虑了无人机的最小转弯半径约束,提升了航迹的最优性和工程实用性。
以上的具体描述,是对发明的目的、技术方案和有益效果的进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施实例,仅用于解释本发明,并不用于限定本发明的保护范围,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 (4)
1.一种基于混合机制的多无人机协同广域动目标搜索方法,其特征在于:包括以下步骤:
步骤一:初始化参数及建立多无人机协同搜索模型;
1)初始化参数包括:任务区域长度L、宽度W;传感器的探测概率PD和范围R;无人机初始位置;目标初始存在概率pi(xn,xn,t0);蚁群算法参数:信息素浓度因子α和覆盖启发因子β;信息素浓度κi(xn,yn,t0);
2)考虑无人机协同搜索的目标发现收益和环境覆盖收益,建立如式(1)所示无人机协同搜索模型;
式中:Ui,分别为第i架无人机和其邻域内无人机;为第i架无人机的目标发现收益;为第i架无人机环境覆盖收益;w1和w2分别为目标发现收益和环境覆盖收益的加权系数;Uj为无人机i领域内第j架无人机;Ci为第i架无人机的约束条件;NU为无人机数量;其中无人机的模型采用Dubins模型如下;
式中:(x,y,γ)为无人机的状态量;(x,y)为无人机的位置;γ为无人机的航向角;无人机速度v为常值;l为无人机法向加速度;
步骤二:根据信息素浓度建立重点区域;高于预设信息素浓度的区域则认为是重点区域,否则认为是一般区域;
步骤三:根据无人机位置判断是否到达重点区域;若无人机达到重点区域,则按扫描线覆盖搜索机制对重点区域进行搜索,转到步骤四;否则按照分布式蚁群搜索机制,采用粒子群优化算法在线滚动优化航迹,并将优化后的第一个航迹点作为无人机的下一位置,转到步骤四;
步骤四:传感器对目标进行实时探测,根据探测结果,更新对应区域的目标存在概率pi(xn,xn,tk+1);同时按信息素局部和全局更新机制更新每个无人机自身的信息素浓度κi(xn,yn,tk+1);
1)所述目标存在概率采用式(3)和式(4)进行更新,当无人机对区域(xn,xn)进行搜索,并且发现目标b(tk)=1时:
其中PD为传感器的探测概率;定义PF=1-PD为传感器的虚警率;pi(xn,xn,tk)为上一时刻目标存在概率;
否则没有发现目标b(tk)=0时,采用
2)信息素局部更新机制更新方法:采用式(5)进行无人机自身的信息素浓度更新:
式中:Δm为无人机对该网格的搜索次数;κi(xn,yn,tk)为网格的信息素浓度大小;Δm(i ,j)(xn,yn,tk)表示第i架无人机的邻域内第j架无人机是否对该网格覆盖搜索,计算公式如下:
其中R为传感器的探测范围;(xj,yj)为无人机j的位置;
信息素全局更新机制更新方法:采用式(7)进行无人机自身的信息素浓度更新:
κi(xl,yw,tk+1)=κi(xl,yw,tk)+F×Δtn,l=1,2,...,L;w=1,2,...,W (7)
式中:F为蚁群算法的环境不确定因子,Δtn为网格距离上次搜索的时间间隔;
步骤五:根据步骤四所得目标存在概率判断是否发现目标;若目标存在概率大于预先给定的阈值,则认为发现该目标,输出该目标的位置;否则认为没有发现目标;
步骤六:判断是否迭代至最大迭代次数;若是,则搜索结束;否则重复步骤三至步骤五。
2.如权利要求1所述一种基于混合机制的多无人机协同广域动目标搜索方法,其特征在于:所述扫描线覆盖搜索机制为:无人机在重点区域内部保持直飞状态,当完成这一段搜索需要进行转弯到下一段搜索时,才转弯进行下一段搜索,然后执行下一段搜索;由于重点区域相对于整个任务区域面较小,无人机能够在较短的时间内折返搜索,从而能够降低目标穿越搜索边界,进入已搜索区域的概率,提高了运动目标的捕获概率。
3.如权利要求1所述一种基于混合机制的多无人机协同广域动目标搜索方法,其特征在于:所述分布式蚁群搜索机制如式(8)所示:
式中:p(xn,yn,tk+1)表示网格(xn,yn)在第tk+1时刻的搜索收益;τkey={0,1}表示无人机任务区域中存在重点区域时为1,否则为0;dij表示备选网格节点与重点区域之间的距离;max{dij}和min{dij}分别表示备选网格与重点区域距离的最大值和最小值;无人机从周围位置中选择第tk+1时刻搜索收益最大的网格作为下一时刻的位置;信息素浓度收益pκ(xn,yn,tk)的计算公式如下:
式中:κ(xn,yn,tk)表示时刻tk该网格的信息素浓度大小;α为信息素浓度因子;β为覆盖启发因子;η=1代表该网格已经被无人机覆盖,否则η=0。
4.如权利要求1所述一种基于混合机制的多无人机协同广域动目标搜索方法,其特征在于:所述在线滚动优化航迹的方法为:在航迹规划窗口内规划出无人机的N个航迹点,通过粒子群优化算法优化各个航迹点的航向角,无人机沿着执行窗口内的航迹进行飞行,规划窗口向前推进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044877.0A CN112783213B (zh) | 2021-01-13 | 2021-01-13 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110044877.0A CN112783213B (zh) | 2021-01-13 | 2021-01-13 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112783213A true CN112783213A (zh) | 2021-05-11 |
CN112783213B CN112783213B (zh) | 2022-04-01 |
Family
ID=75755788
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110044877.0A Active CN112783213B (zh) | 2021-01-13 | 2021-01-13 | 一种基于混合机制的多无人机协同广域动目标搜索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112783213B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN116405883A (zh) * | 2023-06-09 | 2023-07-07 | 珠海云洲智能科技股份有限公司 | 一种无人驾驶设备集群的覆盖搜寻方法、装置和终端设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
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 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
CN111580563A (zh) * | 2020-06-09 | 2020-08-25 | 中国电子科技集团公司第五十四研究所 | 一种基于种子搜索的无人机自主避障飞行方法 |
-
2021
- 2021-01-13 CN CN202110044877.0A patent/CN112783213B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105892480A (zh) * | 2016-03-21 | 2016-08-24 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
US20180308371A1 (en) * | 2017-04-19 | 2018-10-25 | Beihang University | Joint search method for uav multiobjective path planning in urban low altitude environment |
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 |
CN110147099A (zh) * | 2019-04-30 | 2019-08-20 | 南京邮电大学 | 一种基于改进鸽群优化的多无人机协同搜索方法 |
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 |
CN111580563A (zh) * | 2020-06-09 | 2020-08-25 | 中国电子科技集团公司第五十四研究所 | 一种基于种子搜索的无人机自主避障飞行方法 |
Non-Patent Citations (2)
Title |
---|
谢朋志 等: "单侧区域分割的多无人机扫描线搜索方法研究", 《航空兵器》 * |
陆天和 等: "多无人机航迹规划算法及关键技术", 《战术导弹技术》 * |
Cited By (8)
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 |
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 |
CN113821049A (zh) * | 2021-08-25 | 2021-12-21 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN113821049B (zh) * | 2021-08-25 | 2022-10-14 | 中山大学 | 基于蚂蚁信息素机制的无人机集群涌现感知方法及装置 |
CN116405883A (zh) * | 2023-06-09 | 2023-07-07 | 珠海云洲智能科技股份有限公司 | 一种无人驾驶设备集群的覆盖搜寻方法、装置和终端设备 |
CN116405883B (zh) * | 2023-06-09 | 2023-09-29 | 珠海云洲智能科技股份有限公司 | 一种无人驾驶设备集群的覆盖搜寻方法、装置和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112783213B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112783213B (zh) | 一种基于混合机制的多无人机协同广域动目标搜索方法 | |
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 | |
CN110058613B (zh) | 一种多无人机多蚁群协同搜索目标方法 | |
Shao et al. | Efficient path planning for UAV formation via comprehensively improved particle swarm optimization | |
Wu et al. | Modified adaptive ant colony optimization algorithm and its application for solving path planning of mobile robot | |
Liu et al. | Reinforcement learning based two-level control framework of UAV swarm for cooperative persistent surveillance in an unknown urban area | |
Cekmez et al. | Multi colony ant optimization for UAV path planning with obstacle avoidance | |
CN110389595B (zh) | 双属性概率图优化的无人机集群协同目标搜索方法 | |
CN110687923B (zh) | 无人机长距离循迹飞行方法、装置、设备及存储介质 | |
Tang et al. | Dynamic reallocation model of multiple unmanned aerial vehicle tasks in emergent adjustment scenarios | |
CN110632931A (zh) | 动态环境下基于深度强化学习的移动机器人避碰规划方法 | |
Tian et al. | Real-time dynamic track planning of multi-UAV formation based on improved artificial bee colony algorithm | |
CN111024080B (zh) | 一种无人机群对多移动时敏目标侦察路径规划方法 | |
CN111880561B (zh) | 城市环境下基于改进鲸鱼算法的无人机三维路径规划方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
He et al. | Path planning for indoor UAV based on Ant Colony Optimization | |
CN109902374B (zh) | 一种基于飞行传感器巡逻轨迹优化的突发污染溯源方法 | |
CN113485371B (zh) | 一种基于改进麻雀搜索算法的水下多auv路径规划方法 | |
Liu et al. | Potential odor intensity grid based UAV path planning algorithm with particle swarm optimization approach | |
CN112824998A (zh) | 马尔可夫决策过程的多无人机协同航路规划方法和装置 | |
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 | |
Geng et al. | A kind of route planning method for UAV based on improved PSO 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 | |
Shuyun et al. | Robot path planning based on improved ant colony optimization | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm |
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 |