CN112985412A - 一种多无人飞行器协同定位的队形优化方法 - Google Patents

一种多无人飞行器协同定位的队形优化方法 Download PDF

Info

Publication number
CN112985412A
CN112985412A CN202110263706.7A CN202110263706A CN112985412A CN 112985412 A CN112985412 A CN 112985412A CN 202110263706 A CN202110263706 A CN 202110263706A CN 112985412 A CN112985412 A CN 112985412A
Authority
CN
China
Prior art keywords
unmanned aerial
formation
target
aerial vehicles
location
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.)
Pending
Application number
CN202110263706.7A
Other languages
English (en)
Inventor
王玥
尹昊
刘劲涛
侯婷婷
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110263706.7A priority Critical patent/CN112985412A/zh
Publication of CN112985412A publication Critical patent/CN112985412A/zh
Pending legal-status Critical Current

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
    • G01C21/20—Instruments for performing navigational calculations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开的多无人飞行器协同定位的队形优化方法，初始化多无人飞行器的初始位置、目标方位角以及目标位置，根据无人飞行器与目标位置的关系构建方位角方程；对方位角方程求导得到多无人飞行器的位置误差和目标位置的目标定位误差；利用GDOP衡量目标定位误差的定位精度得到多飞行器协同定位队形优化模型；根据多无人飞行器的最小安全距离和最大通信距离制定多飞行器协同定位队形优化模型的约束条件；基于约束条件，利用粒子群算法对优化模型进行求解得到多无人飞行器的最优协同定位队形。通过建立多飞行器的协同定位队形优化模型，能够求解多飞行器协同定位队形的最优结果，收敛速度快，结果确定性高，灵活性好。

Description

一种多无人飞行器协同定位的队形优化方法
技术领域
本公开属于多飞行器协同定技术领域，特别是涉及到一种多无人飞行器协同定位的队形优化方法。
背景技术
在面对复杂环境下的集群作战任务时，飞行器需要进行协同来将复杂任务进行分解和分配并协调利用资源，队形优化是飞行器协同的一种重要手段。队形优化的重点在于根据任务场景和需求，合理设计飞行器空域分布构型以达到最优效能。
针对多飞行器队形优化问题，目前还没有形成统一的模型和方法，相关的研究工作包括利用
Figure BDA0002971147810000011
和l-l描述队形、建立队形优化模型实现三种典型队形等。
利用
Figure BDA0002971147810000012
和l-l描述队形的研究没有进行多飞行器在沿横向、纵向和垂直方向散开的队形优化，建立队形优化模型实现三种典型队形的研究仅考虑距离因素的影响，难以在其他任务中得到广泛应用。
发明内容
有鉴于此，本公开提出了一种多无人飞行器协同定位的队形优化方法，通过建立多飞行器的协同定位队形优化模型，能够求解多飞行器协同定位队形的最优结果，收敛速度快，结果确定性高，灵活性好。
根据本公开的一方面，提出了一种多无人飞行器协同定位的队形优化方法，所述方法包括：
初始化多无人飞行器的初始位置Ui＝(xi,yi,zi)T、目标方位角αi以及目标位置PT＝(xT,yT,zT)根据所述无人飞行器与所述目标位置的关系构建方位角方程
Figure BDA0002971147810000013
其中，i＝1，2，…，n；
对所述方位角方程求导为dαi＝cixdxT+ciydyT-cixdxi-ciydyi，得到所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)，cix,ciy,cix,ciy为因子系数；
利用GDOP衡量所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)的定位精度，得到多飞行器协同定位队形优化模型Min f＝Ghp，其中Ghp为所述多飞行器协同交叉定位在水平面内的几何精度因子；
根据所述多无人飞行器的最小安全距离dsafe和最大通信距离dcom，制定所述多飞行器协同定位队形优化模型的约束条件；
基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形。
在一种可能的实现方式中，在对所述方位角方程求导之前，所述方法还包括：联立所述多无人飞行器的方位角方程，得到所述目标位置与所述方位角之间关系的矩阵方程APT＝b；
其中，
Figure BDA0002971147810000021
在一种可能的实现方式中，当所述多飞行器的个数为两个时，所述目标位置PT的简化形式为
Figure BDA0002971147810000022
则
Figure BDA0002971147810000023
当所述多飞行器的个数为大于两个时，所述目标位置
Figure BDA0002971147810000024
利用最小二乘法进行求解。
在一种可能的实现方式中，利用GDOP衡量所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)的定位精度，包括：
当不考虑所述无人多飞行器的位置误差的方差时，利用GDOP衡量所述目标位置的目标定位误差的方差的定位精度。
在一种可能的实现方式中，基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形，包括：
P1：初始化粒子群的粒子在D维解空间中的位置
Figure BDA0002971147810000031
和速度
Figure BDA0002971147810000032
其中，j＝1,2,…,N，N为粒子总数；
P2：通过计算优化模型的目标函数得到所述粒子的适应度值，根据所述适应度值对粒子的个体极值和粒子群的群体极值进行更新；
P3：根据所述粒子的个体极值和粒子群的群体极值对所述粒子的速度进行更新，根据速度与位置的关系，对所述粒子的位置进行更新；
P4：如果满足所述粒子群算法的结束条件，退出循环；否则，返回步骤P2。
本发明提供了一种多无人飞行器协同定位的队形优化方法，初始化多无人飞行器的初始位置
Figure BDA0002971147810000033
目标方位角αi以及目标位置PT＝(xT,yT,zT)，根据所述无人飞行器与所述目标位置的关系构建方位角方程
Figure BDA0002971147810000034
其中，i＝1，2，…，n；对所述方位角方程求导为dαi＝cixdxT+ciydyT-cixdxi-ciydyi，得到所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)，cix,ciy,cix,ciy为因子系数；利用GDOP衡量所述目标位置的目标定位误差(dxT,dyT)的定位精度，得到多飞行器协同定位队形优化模型Minf＝Ghp，其中Ghp为所述多飞行器协同交叉定位在水平面内的几何精度因子；根据所述多无人飞行器的最小安全距离dsafe和最大通信距离dcom，制定所述多飞行器协同定位队形优化模型的约束条件；基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形。通过建立多飞行器的协同定位队形优化模型，能够求解多飞行器协同定位队形的最优结果，收敛速度快，结果确定性高，灵活性好。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出了根据本公开一实施例的一种多无人飞行器协同定位的队形优化方法流程图；
图2示出了根据本公开一实施例的多飞行器和目标位置之间的空间关系图；
图3示出了根据本公开一实施例的粒子群算法的流程图；
图4示出了根据本公开一实施例的粒子速度和位置更新的示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出了根据本公开一实施例的一种多无人飞行器协同定位的队形优化方法流程图。该方法可以包括：
步骤S1：初始化多无人飞行器的初始位置Ui＝(xi,yi,zi)T、目标方位角αi以及目标位置PT＝(xT,yT,zT)，根据所述无人飞行器与所述目标位置的关系构建方位角方程
Figure BDA0002971147810000041
其中，i＝1，2，…，n。
其中，目标方位角和目标位置是在全局坐标系下测得的，另外还测有目标位置的俯仰角βi。
图2示出了根据本公开一实施例的多飞行器和目标位置之间的空间关系图。
如图2所示的多飞行器和目标位置之间的空间关系，建立飞行器的观测方程：
Figure BDA0002971147810000051
其中，αi表示第i个飞行器对目标位置的方位角，βi表示第i个飞行器对目标位置的俯仰角。
在一示例中，在进行步骤S2之前，该方法还包括：联立所述多无人飞行器的方位角方程，得到所述目标位置与所述方位角之间关系的矩阵方程APT＝b；
其中，
Figure BDA0002971147810000052
例如，将所有无人飞行器对目标位置的方位角方程进行联立，得到矩阵表达形式APT＝b，目标位置
Figure BDA0002971147810000053
可以简化为
Figure BDA0002971147810000054
在一示例中，当所述多飞行器的个数为两个时，所述目标位置PT的简化形式为
Figure BDA0002971147810000055
则
Figure BDA0002971147810000056
当所述多飞行器的个数为大于两个时，所述目标位置
Figure BDA0002971147810000057
利用最小二乘法进行求解。
例如，当飞行器的数量大于两个，根据最小二乘法的闭式解推导，得到目标位置为
Figure BDA0002971147810000058
也可以为
Figure BDA0002971147810000059
当M为满秩矩阵或正定矩阵时才存在解，则M的行列式为
Figure BDA00029711478100000510
只有当飞行器之间的夹角Δαil为0或π时，|M|的值等于0，满秩矩阵M不可逆，此时，无人飞行器呈“一字形”队形且目标位于无人飞行器的延长线上，该最小二乘法闭式解不存在，不存在目标位置，因此，只有当M为满秩矩阵或正定矩阵时才存在解，存在目标位置。
步骤S2：对所述方位角方程求导为dαi＝cixdxT+ciydyT-cixdxi-ciydyi，得到所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)，cix,ciy,cix,ciy为因子系数。
将无人飞行器对目标位置的方位角方程变形为：
Figure BDA0002971147810000061
然后，两边进行微分得到误差方程dαi＝cixdxT+ciydyT-cixdxi-ciydyi，其中，dαi表示目标方位角测量误差，(dxi,dyi)表示每个无人飞行器的位置误差，(dxT,dyT)表示目标位置的目标定位误差，cix,ciy,cix,ciy等因子系数分别表示为：
Figure BDA0002971147810000062
Figure BDA0002971147810000063
Figure BDA0002971147810000064
将n个误差方程组用矩阵表示为：dα＝cdPT+dU，用最小二乘法求解该方程组可得dPT＝(CTC)-1CT(dα-dU)，进而为dPT＝B(dα-dU)，假设该中所有误差都满足零均值分布，且各飞行器的位置误差和测得的目标方位角误差之间都不存在相关性，则得到水平面内的目标位置的定位误差协方差矩阵为：
PPT＝E[dPTdPT T]＝BE[dαdαT]BT+BE[dUdUT]BT,
其中，
Figure BDA0002971147810000065
Figure BDA0002971147810000066
Figure BDA0002971147810000067
为测量目标方位角误差的方差，
Figure BDA0002971147810000068
和
Figure BDA0002971147810000069
分别为各无人飞行器位置误差的方差。当只考虑各无人飞行器对目标位置的方位角误差，不考虑各无人飞行器的位置误差所引起的定位误差，则，目标位置的最终的水平定位误差协方差矩阵为：
Figure BDA0002971147810000071
其中，
Figure BDA0002971147810000072
则，目标位置在x轴和y轴方向上的定位误差的方差分别为：
Figure BDA0002971147810000073
步骤S3：利用GDOP衡量所述目标位置的目标定位误差(dxT,dyT)的定位精度，得到多飞行器协同定位队形优化模型Min f＝Ghp，其中Ghp为所述多飞行器协同交叉定位在水平面内的几何精度因子。
GDOP(Geometric Dilution of Precision，几何精度因子)是衡量定位精度的一个系数。
多无人飞行器协同交叉定位在水平面内的GDOP为：
Figure BDA0002971147810000074
为了得到最优的定位精度，需要多无人飞行器在无缘交叉协同定位中取得最小的GDOP值，得到多飞行器协同定位队形优化模型Min f＝Ghp。
步骤S4：根据所述多无人飞行器的最小安全距离dsafe和最大通信距离dcom，制定所述多飞行器协同定位队形优化模型的约束条件。
在集中控制策略下，根据多无人飞行器的最小安全距离dsafe和最大通信距离dcom确定的多飞行器协同定位队形优化模型的约束条件主要为：
Figure BDA0002971147810000075
Figure BDA0002971147810000076
Figure BDA0002971147810000077
Figure BDA0002971147810000078
其中，不等式(1)和(2)表示的是主无人飞行器和从无人飞行器之间的距离约束，不等式(3)和(4)表示的是从无人飞行器之间的距离约束。
步骤S5：基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形。
在一示例中，步骤S4中确定的无人多飞行器协同定位队形优化模型是一个单目标非线性约束优化问题，可以采用粒子群算法进行求解。
图3示出了根据本公开一实施例的粒子群算法的流程图；图4示出了根据本公开一实施例的粒子速度和位置更新的示意图。
如图3所示，该算法可以包括：
P1：初始化粒子群的粒子在D维解空间中的位置
Figure BDA0002971147810000081
和速度
Figure BDA0002971147810000082
其中，j＝1,2,…,N，N为粒子总数。其中，位置
Figure BDA0002971147810000083
和速度
Figure BDA0002971147810000084
是D维解空间中的第i个粒子的位置。
P2：通过计算优化模型的目标函数得到所述粒子的适应度值，根据所述适应度值对粒子的个体极值和粒子群的群体极值进行更新。
其中，粒子的个体极值
Figure BDA0002971147810000085
是第i个粒子在D维解空间中的搜索过程中出现的最大适应度值代表的可行解。
群体极值
Figure BDA0002971147810000086
是群体中具有最大适应度值的粒子所代表的可行解。
通过计算优化模型的目标函数f(x)计算粒子的适应度值，用以反映粒子的优劣程度。利用适应度值对粒子的个体极值和种群的群体极值进行更新。
P3：根据所述粒子的个体极值和粒子群的群体极值对所述粒子的速度进行更新，根据速度与位置的关系，对所述粒子的位置进行更新。
如图4所示，由于粒子速度值的大小是通过个体极值和群体极值来进行调整的，所以从t时刻到t+1时刻，对第i个粒子的速度和位置进行更新，具体为：
Figure BDA0002971147810000087
其中，ω为惯性系数，表示粒子的初始速度对速度变化程度的影响，惯性系数开始时取值较大，随着迭代深入逐渐减小至0，c1和c2分别是粒子的自我认知系数和社会认知系数，r1和r2是区间(0,1)之间的随机数。在进行粒子速度和位置更新操作时，需要考虑每一个维度上的约束限制，不能超过最大速度限制
Figure BDA0002971147810000091
和解空间范围
Figure BDA0002971147810000092
其中d∈1,2,...,D，具体如下：
若
Figure BDA0002971147810000093
则
Figure BDA0002971147810000094
若
Figure BDA0002971147810000095
则
Figure BDA0002971147810000096
若
Figure BDA0002971147810000097
则
Figure BDA0002971147810000098
若
Figure BDA0002971147810000099
则
Figure BDA00029711478100000910
P4：如果满足所述粒子群算法的结束条件，退出循环；否则，返回步骤P2。其中，结束条件可以为达到的预置迭代次数或预设阈值。
本发明提供了一种多无人飞行器协同定位的队形优化方法，初始化多无人飞行器的初始位置Ui＝(xi,yi,zi)T、目标方位角αi以及目标位置PT＝(xT,yT,zT)，根据所述无人飞行器与所述目标位置的关系构建方位角方程
Figure BDA00029711478100000911
其中，i＝1，2，…，n；对所述方位角方程求导为dαi＝cixdxT+ciydyT-cixdxi-ciydyi，得到所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)，cix,ciy,cix,ciy为因子系数；利用GDOP衡量所述目标位置的目标定位误差(dxT,dyT)的定位精度，得到多飞行器协同定位队形优化模型Min f＝Ghp，其中Ghp为所述多飞行器协同交叉定位在水平面内的几何精度因子；根据所述多无人飞行器的最小安全距离dsafe和最大通信距离dcom，制定所述多飞行器协同定位队形优化模型的约束条件；基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形。通过建立多飞行器的协同定位队形优化模型，能够求解多飞行器协同定位队形的最优结果，收敛速度快，结果确定性高，灵活性好。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (5)

1.一种多无人飞行器协同定位的队形优化方法，其特征在于，所述方法包括：
初始化多无人飞行器的初始位置Ui＝(xi,yi,zi)T、目标方位角αi以及目标位置PT＝(xT,yT,zT)，根据所述无人飞行器与所述目标位置的关系构建方位角方程
Figure FDA0002971147800000011
其中，i＝1，2，…，n；
对所述方位角方程求导为dαi＝cixdxT+ciydyT-cixdxi-ciydyi，得到所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)，cix,ciy,cix,ciy为因子系数；
利用GDOP衡量所述目标位置的目标定位误差(dxT,dyT)的定位精度，得到多飞行器协同定位队形优化模型Min f＝Ghp，其中Ghp为所述多飞行器协同交叉定位在水平面内的几何精度因子；
根据所述多无人飞行器的最小安全距离dsafe和最大通信距离dcom，制定所述多飞行器协同定位队形优化模型的约束条件；
基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形。
2.根据权利要求1所述的队形优化方法，其特征在于，在对所述方位角方程求导之前，所述方法还包括：联立所述多无人飞行器的方位角方程，得到所述目标位置与所述方位角之间关系的矩阵方程APT＝b；
其中，
Figure FDA0002971147800000012
3.根据权利要求2所述的队形优化方法，其特征在于，当所述多飞行器的个数为两个时，所述目标位置PT的简化形式为
Figure FDA0002971147800000021
则
Figure FDA0002971147800000022
当所述多飞行器的个数为大于两个时，所述目标位置
Figure FDA0002971147800000023
利用最小二乘法进行求解。
4.根据权利要求1所述的队形优化方法，其特征在于，利用GDOP衡量所述多无人飞行器的位置误差(dxi,dyi)和所述目标位置的目标定位误差(dxT,dyT)的定位精度，包括：
当不考虑所述无人多飞行器的位置误差的方差时，利用GDOP衡量所述目标位置的目标定位误差的方差的定位精度。
5.根据权利要求1所述的队形优化方法，其特征在于，基于所述约束条件，利用粒子群算法对所述优化模型进行求解得到所述多无人飞行器的最优协同定位队形，包括：
P1：初始化粒子群的粒子在D维解空间中的位置
Figure FDA0002971147800000024
Figure FDA0002971147800000025
和速度
Figure FDA0002971147800000026
Figure FDA0002971147800000027
其中，j＝1，2，…，N，N为粒子总数；
P2：通过计算优化模型的目标函数得到所述粒子的适应度值，根据所述适应度值对粒子的个体极值和粒子群的群体极值进行更新；
P3：根据所述粒子的个体极值和粒子群的群体极值对所述粒子的速度进行更新，根据速度与位置的关系，对所述粒子的位置进行更新；
P4：如果满足所述粒子群算法的结束条件，退出循环；否则，返回步骤P2。
CN202110263706.7A 2021-03-11 2021-03-11 一种多无人飞行器协同定位的队形优化方法 Pending CN112985412A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110263706.7A CN112985412A (zh) 2021-03-11 2021-03-11 一种多无人飞行器协同定位的队形优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110263706.7A CN112985412A (zh) 2021-03-11 2021-03-11 一种多无人飞行器协同定位的队形优化方法

Publications (1)

Publication Number Publication Date
CN112985412A true CN112985412A (zh) 2021-06-18

Family

ID=76334918

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110263706.7A Pending CN112985412A (zh) 2021-03-11 2021-03-11 一种多无人飞行器协同定位的队形优化方法

Country Status (1)

Country Link
CN (1) CN112985412A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727218A (zh) * 2022-03-02 2022-07-08 西北工业大学 一种单领队异质低成本无人飞行器编队协同定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254716A (zh) * 2017-12-12 2018-07-06 四川大学 一种基于粒子群算法的观测平台轨迹优化方法
CN110703787A (zh) * 2019-10-09 2020-01-17 南京航空航天大学 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108254716A (zh) * 2017-12-12 2018-07-06 四川大学 一种基于粒子群算法的观测平台轨迹优化方法
CN110703787A (zh) * 2019-10-09 2020-01-17 南京航空航天大学 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
刘云辉等: "双无人机协同测向时差定位的优化仿真", 《机械制造与自动化》 *
刘云辉等: "双无人机协同测向时差定位误差分析研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
刘伯彦等: "基于混沌粒子群的无人机组网导航信源筛选", 《电光与控制》 *
屈耀红等: "基于距离测量的多无人机协同目标定位方法", 《西北工业大学学报》 *
樊皓等: "双机协同交叉定位的三维航迹规划", 《传感器与微系统》 *
陈涛等: "基于改进MOGOA的无人机群航迹规划研究", 《天津大学学报(自然科学与工程技术版)》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114727218A (zh) * 2022-03-02 2022-07-08 西北工业大学 一种单领队异质低成本无人飞行器编队协同定位方法

Similar Documents

Publication Publication Date Title
CN108845590B (zh) 一种时延环境下的多无人机协同编队控制方法
CN108759839B (zh) 一种基于态势空间的无人飞行器路径规划方法
CN108897338B (zh) 基于pio的圆轨道航天器编队重构型防碰撞路径规划方法
CN107300377B (zh) 一种绕飞轨迹下的旋翼无人机三维目标定位方法
CN103884237B (zh) 基于目标概率分布信息的多对一协同制导方法
CN111123341A (zh) 无人机群三维协同定位方法
CN110286691B (zh) 基于线性微分包含的多无人机编队控制方法
CN111508282B (zh) 低空无人机农田作业飞行障碍物冲突检测方法
WO2022193106A1 (zh) 一种通过惯性测量参数将gps与激光雷达融合定位的方法
CN114489109B (zh) 一种三维主从式多飞行器攻击时间控制协同制导方法
CN117455960B (zh) 时变观测噪声条件下机载光电系统对地无源定位滤波方法
Yeromina et al. Method of reference image selection to provide high-speed aircraft navigation under conditions of rapid change of flight trajectory
CN115657730B (zh) 一种大规模多旋翼无人机鲁棒分簇编队控制方法
CN111208526B (zh) 基于激光雷达与定位向量匹配的多无人机协同定位方法
CN112985412A (zh) 一种多无人飞行器协同定位的队形优化方法
CN112650306A (zh) 一种基于动力学rrt*的无人机运动规划方法
CN117390498A (zh) 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法
CN114329855B (zh) 一种无线视觉传感网络的传感器布局优化与快速部署方法
CN117519228A (zh) 一种基于分布式扩张状态观测器的飞行器机动编队控制方法
CN117724533A (zh) 一种基于改进超螺旋的高速飞行器编队控制方法及系统
CN113126647B (zh) 一种基于领导者跟追随者原理的协同制导方法
CN110162084B (zh) 基于一致性理论的飞航导弹集群系统编队控制方法
CN112990549A (zh) 一种空间非合作目标抵近绕飞观测轨迹优化方法
Zhao et al. Dynamic evaluation strategies for multiple aircrafts formation using collision and matching probabilities
Chen et al. A Two‐Stage Method for UCAV TF/TA Path Planning Based on Approximate Dynamic Programming

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210618

RJ01 Rejection of invention patent application after publication