CN113138606A - 一种无人机湖泊测绘任务航迹规划方法 - Google Patents

一种无人机湖泊测绘任务航迹规划方法 Download PDF

Info

Publication number
CN113138606A
CN113138606A CN202110348854.9A CN202110348854A CN113138606A CN 113138606 A CN113138606 A CN 113138606A CN 202110348854 A CN202110348854 A CN 202110348854A CN 113138606 A CN113138606 A CN 113138606A
Authority
CN
China
Prior art keywords
surveying
aerial vehicle
area
unmanned aerial
time
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
Application number
CN202110348854.9A
Other languages
English (en)
Other versions
CN113138606B (zh
Inventor
陈泽阳
王蛟龙
杨晓庆
段一铭
徐辰晓
祝丽娜
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.)
Jiangnan University
Original Assignee
Jiangnan 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 Jiangnan University filed Critical Jiangnan University
Priority to CN202110348854.9A priority Critical patent/CN113138606B/zh
Publication of CN113138606A publication Critical patent/CN113138606A/zh
Application granted granted Critical
Publication of CN113138606B publication Critical patent/CN113138606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人机湖泊测绘任务航迹规划方法，通过确定约束条件以及优化目标后，建立优化目标函数，利用NSGA‑II算法对带入约束条件的优化目标函数进行己算得到分布均匀的Pareto最优解集，选择适合实际需求的解作为本次无人机湖泊测绘任务的航迹。

Description

一种无人机湖泊测绘任务航迹规划方法
技术领域
本发明涉及航迹规划技术领域，特别涉及一种无人机湖泊测绘任务航迹规划方法。
背景技术
多旋翼无人机以其独特的优点已经占据了很大一部分民用无人机市场。目前，民用商业多旋翼无人机的续航一般在10-30分钟不等，这对于想要利用多旋翼无人机完成更多、更复杂的任务来说是远远不够的。影响电动多旋翼无人机续航能力的因素主要包括飞机重量、飞行速度、飞行姿态、环境温度、电池参数等。其中，提升电池容量的同时必然会使得电池重量增加，降低旋翼电机功耗的同时必然会导致飞机的稳定性下降，提高飞行速度的同时必然会导致功耗提升。
想要追求高效率，可能就会牺牲一些测绘质量；想要提高测绘质量，那么效率也就成了一个大问题。在多旋翼无人机应用于湖泊测绘时，这样相互制约的因素还有很多很多，本申请针对这些问题提出一种解决方案。
发明内容
发明目的：本发明的目的是提供一种无人机湖泊测绘任务航迹规划方法，为无人机能够执行更多任务、平均用时更少、平均航程更短以及信号更稳定规划出最优的航迹方案。
技术方案：本发明所述的一种无人机湖泊测绘任务航迹规划方法，包括有以下步骤：
S1：确定无人机湖泊测绘任务中对无人机的约束条件，包括有：续航时间T、续航里程S和通信距离D；
S2：设定无人机湖泊测绘任务中的优化目标，包括有航行时间、航行里程、通信距离、任务总面积与实测覆盖面积的覆盖率和测绘结果中相互重叠部分的面积占测绘结果总面积的百分比的重叠率；
S3：对优化目标建立目标函数模型与决策变量，并且在目标函数模型中带入约束条件，运用NSGA-II算法求解；
S4：根据NSGA-II算法求解的得到的分布均匀的Pareto最优解集，选择适合实际需求的解作为本次无人机湖泊测绘任务的航迹。
作为优选，所述S3中带入约束条件的优化目标的目标函数模型分别为：带入约束条件的航行时间：Tall、带入约束条件的航行里程：Sall、带入约束条件的绝对通信距离Dcom、带入约束条件的覆盖率β和带入约束条件的重叠率
Figure BDA0003001613320000011
所述Tall的数学模型为：
Figure BDA0003001613320000021
其中ttkf为无人机起飞时间，tland为无人机降落时间，N为悬停点个数,thov为每一点悬停时间，v为飞行速度；
所述Sall的数学模型为：
Figure BDA0003001613320000022
其中(xi,yi)为Ki点的经纬度坐标，(xi+1,yi+1)为Ki+1点的经纬度坐标，高度相同的两悬停点间相对距离
Figure BDA0003001613320000023
所述通信距离Dcom的数学模型为：
Figure BDA0003001613320000024
其中(xi,yi)为Ki点的经纬度坐标，(xhome,yhome)为home点的经纬度坐标，下标i取1到N之间的整数；
所述覆盖率β的数学模型为：
Figure BDA0003001613320000025
其中Areanvp为无人机每次悬停时测绘到的实际面积Area的互不重叠的部分，Square为待测总面积；
所述重叠率
Figure BDA00030016133200000210
的数学模型为：
Figure BDA0003001613320000026
其中Areaovp为无人机每次悬停时测绘到的实际面积Area的重叠的部分。
作为优选，所述Sall小于具体值续航里程S；所述Tall小于具体值续航时间T；所述Dcom小于具体值通信距离D；所述β≥100％。
作为优选，所述S3中决策变量包括有飞行高度h、悬停点个数N、各悬停点坐标Ki(xi,yi,hi)、悬停时间thov、飞行速度v和经过悬停点的飞行顺序；
所述飞行高度h通过考虑精度Q的需求来确定，h＝K×Q+C，其中K与C为由相机型号与参数决定的常数；
所述悬停点个数N需要取N的最小值Nmin，由于飞行高度h与相机单词拍摄取景的实际面积Area存在一个映射关系，这个映射关系函数与相机型号和参数有关，因此我们将这个关系设为Area＝f(h)，在确定h的情况下，可以确定唯一的Area值，则
Figure BDA0003001613320000027
其中
Figure BDA0003001613320000028
为取整函数，表示取不大于
Figure BDA0003001613320000029
的最大整数，Square为待测总面积，同时设置N的上界Nmax＝5×Nmin；
所述各悬停点坐标Ki(xi,yi,hi)中hi一旦确定，在整个航迹中将不再改变，任务区域边缘所有点的坐标信息已知时，使xmin≤xi≤xmax且ymin≤yi≤ymax，在Nmin≤N≤Nmax，β≥100％，Dcom≤D，Tall≤T，Sall≤S的约束条件下搜索出满足条件的各组悬停点坐标集合，其中xmin、xmax、ymin和ymax分别为任务区域边缘所有点的经纬度最小与最大值；
所述悬停时间thov＝τ0+μ×E，其中E为对环境进行评估后得到一个常数，τ0为相机参数决定的延迟时间，μ为时间的环境变量影响因子；
所述飞行速度v＝v0-γ×E，其中v0为适宜环境下的飞行速度，γ为速度的环境变量影响因子；
所述经过悬停点的飞行顺序通过对任意一组悬停点的坐标集合中的点进行穷举排序，若某一集合中悬停点的个数为N，则得到的顺序有N！。
作为优选，所述S3中NSGA-II算法工具对优化目标的目标函数进行计算，完成对种群的初始化、排序、进化、排挤和选择这一系列操作。
作为优选，所述S4中Pareto最优解集之间不存在支配或占优关系。
有益效果：
(1)、在算法层面客观实际的限制通过在目标函数的模型中带入约束条件来实现，而不是通过穷举与试错的方法实现，这样能够省去大量冗余的数据计算，节约时间，很大程度提升了算法的速度。引入Pareto解集过滤器的策略，实现所得到Pareto最优解集中解的分布更均匀，保证了结果多样性，为决策阶段提供了更丰富的选择。算法并行运算，一次运算便能够得到Pareto最优解集中的多个解，大幅提升了效率。
(2)、在系统层面在本技术的求解过程中，没有对目标使用系数加权，或者也可以理解为所有优化目标的权系数是一致的，因此不会使得最终的非劣解集收敛方向受到人为偏好的影响。但是，在最终决策时，Pareto最优解集中解的丰富度又恰当地照顾了人为偏好，使得最终选择一定是与实际情况最为贴合的一种解。
附图说明
图1是本发明中覆盖率、重叠率计算方式示意图；
图2是本发明中相机单次拍摄取景的实地面积与飞行高度h间的函数关系示意图；
图3是本发明中任务区域信息的采集分析图；
图4是本发明中最终航迹示意图。
具体实施方式
下面结合具体实施例对本发明做进一步阐述。
本发明提供了一种无人机湖泊测绘任务航迹规划方法，包括有以下步骤：
S1：确定无人机湖泊测绘任务中对无人机的约束条件，包括有：续航时间T、续航里程S和通信距离D；
S2：设定无人机湖泊测绘任务中的优化目标，包括有航行时间、航行里程、通信距离、任务总面积与实测覆盖面积的覆盖率和测绘结果中相互重叠部分的面积占测绘结果总面积的百分比的重叠率；
S3：对优化目标建立目标函数模型与决策变量，并且在目标函数模型中带入约束条件，运用NSGA-II算法求解；
其中带入约束条件的航行时间Tall的数学模型为：
Figure BDA0003001613320000041
其中ttkf为无人机起飞时间，tland为无人机降落时间，N为悬停点个数,thov为每一点悬停时间，v为飞行速度；
带入约束条件的航行里程Sall的数学模型为：
Figure BDA0003001613320000042
其中(xi,yi)为Ki点的经纬度坐标，(xi+1,yi+1)为Ki+1点的经纬度坐标，高度相同的两悬停点间相对距离
Figure BDA0003001613320000043
带入约束条件的绝对通信距离Dcom的数学模型为：
Figure BDA0003001613320000044
其中(xi,yi)为Ki点的经纬度坐标，(xhome,yhome)为home点的经纬度坐标，下标i取1到N之间的整数；
带入约束条件的覆盖率β的数学模型为：
Figure BDA0003001613320000045
其中Areanvp为无人机每次悬停时测绘到的实际面积Area的互不重叠的部分，如图1所示，Square为待测总面积；
带入约束条件的重叠率
Figure BDA0003001613320000047
的数学模型为：
Figure BDA0003001613320000046
其中Areaovp为无人机每次悬停时测绘到的实际面积Area的重叠的部分，如图1所示。
并且在本实施例中Sall小于具体值续航里程S并且尽可能小；Tall小于具体值续航时间T并且尽可能小；Dcom小于具体值通信距离D并且尽可能小；β≥100％；
Figure BDA0003001613320000048
的值尽可能小。
同时在本发明中的决策变量包括有飞行高度h、悬停点个数N、各悬停点坐标Ki(xi,yi,hi)、悬停时间thov、飞行速度v和经过悬停点的飞行顺序；
其中飞行高度h通过考虑精度Q的需求来确定，h＝K×Q+C，K与C为由相机型号与参数决定的常数；
悬停点个数N需要取N的最小值Nmin，如图2所示，由于飞行高度h与相机单词拍摄取景的实际面积Area存在一个映射关系，这个映射关系函数与相机型号和参数有关，因此我们将这个关系设为Area＝f(h)，在确定h的情况下，可以确定唯一的Area值，则
Figure BDA0003001613320000051
其中
Figure BDA0003001613320000052
为取整函数，表示取不大于
Figure BDA0003001613320000053
的最大整数，Square为待测总面积，同时设置N的上界Nmax＝5×Nmin；
各悬停点坐标Ki(xi,yi,hi)中hi一旦确定，在整个航迹中将不再改变，任务区域边缘所有点的坐标信息已知时，使xmin≤xi≤xmax且ymin≤yi≤ymax，在Nmin≤N≤Nmax，β≥100％，Dcom≤D，Tall≤T，Sall≤S的约束条件下搜索出满足条件的各组悬停点坐标集合，其中xmin、xmax、ymin和ymax分别为任务区域边缘所有点的经纬度最小与最大值；
悬停时间thov＝τ0+μ×E，其中E为对环境进行评估后得到一个常数，τ0为相机参数决定的延迟时间，μ为时间的环境变量影响因子；
所述飞行速度v＝v0-γ×E，其中v0为适宜环境下的飞行速度，γ为速度的环境变量影响因子；
经过悬停点的飞行顺序通过对任意一组悬停点的坐标集合中的点进行穷举排序，若某一集合中悬停点的个数为N，则得到的顺序有N！。
NSGA-II算法对优化目标的目标函数进行计算，完成对种群的初始化、排序、进化、排挤和选择这一系列操作，得到分布均匀的Pareto最优解集。
S4：根据NSGA-II算法求解的得到的分布均匀的Pareto最优解集，这些最优解之间不存在支配或占优关系，选择适合实际需求的解作为本次无人机湖泊测绘任务的航迹。
在本实施例中选取江苏省无锡市蠡湖右侧湖面区域为模拟待测区域，如图3所示，该区域面积为1636733平方米，因此我们选择使用四旋翼无人机飞行高度500米进行测绘，起飞和降落点的经纬度分别为：北纬31.502896度，东经120.257681度；升高点经纬度为：北纬31.5031549度，东经120.2571283度；首个悬停点经纬度为：北纬31.5070604度，东经120.2571283度。
同时设定续航时间T为30分钟、续航里程S为16公里和通信距离D为8公里，根据约束条件对本实施例中决策变量进行赋值后，利用NSGA-II算法对优化目标的目标函数进行计算，得到分布均匀的Pareto最优解集，根据需要挑选最适合的解后，将数据在地面站中加载，得到如图4所示的最终轨迹，图4中箭头方向为无人机航行方向，航行方向中水滴状标点为悬停点位。
以上描述了本发明的基本实施过程和基本原则。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种无人机湖泊测绘任务航迹规划方法，其特征在于：包括有以下步骤：
S1：确定无人机湖泊测绘任务中对无人机的约束条件，包括有：续航时间T、续航里程S和通信距离D；
S2：设定无人机湖泊测绘任务中的优化目标，包括有航行时间、航行里程、绝对通信距离、任务总面积与实测覆盖面积的覆盖率和测绘结果中相互重叠部分的面积占测绘结果总面积的百分比的重叠率；
S3：对优化目标建立目标函数模型与决策变量，并且在目标函数模型中带入约束条件，运用NSGA-II算法求解；
S4：根据NSGA-II算法求解的得到的分布均匀的Pareto最优解集，选择适合实际需求的解作为本次无人机湖泊测绘任务的航迹。
2.根据权利要求1所述的一种无人机湖泊测绘任务航迹规划方法，其特征在于：所述S3中带入约束条件的优化目标的目标函数模型分别为：带入约束条件的航行时间：Tall、带入约束条件的航行里程：Sall、带入约束条件的绝对通信距离Dcom、带入约束条件的覆盖率β和带入约束条件的重叠率
Figure FDA0003001613310000011
所述Tall的数学模型为：
Figure FDA0003001613310000012
其中ttkf为无人机起飞时间，tland为无人机降落时间，N为悬停点个数,thov为每一点悬停时间，v为飞行速度；
所述Sall的数学模型为：
Figure FDA0003001613310000013
其中(xi,yi)为Ki点的经纬度坐标，(xi+1,yi+1)为Ki+1点的经纬度坐标，高度相同的两悬停点间相对距离
Figure FDA0003001613310000014
所述通信距离Dcom的数学模型为：
Figure FDA0003001613310000015
其中(xi,yi)为Ki点的经纬度坐标，(xhome,yhome)为home点的经纬度坐标，下标i取1到N之间的整数；
所述覆盖率β的数学模型为：
Figure FDA0003001613310000016
其中Areanvp为无人机每次悬停时测绘到的实际面积Area的互不重叠的部分，Square为待测总面积；
所述重叠率
Figure FDA0003001613310000017
的数学模型为：
Figure FDA0003001613310000018
其中Areaovp为无人机每次悬停时测绘到的实际面积Area的重叠的部分。
3.根据权利要求2所述的一种无人机湖泊测绘任务航迹规划方法，其特征在于：所述Sall小于具体值续航里程S；所述Tall小于具体值续航时间T；所述Dcom小于具体值通信距离D；所述β≥100％。
4.根据权利要求1所述的一种无人机湖泊测绘任务航迹规划方法，其特征在于：所述S3中决策变量包括有飞行高度h、悬停点个数N、各悬停点坐标Ki(xi,yi,hi)、悬停时间thov、飞行速度v和经过悬停点的飞行顺序；
所述飞行高度h通过考虑精度Q的需求来确定，h＝K×Q+C，其中K与C为由相机型号与参数决定的常数；
所述悬停点个数N需要取N的最小值Nmin，由于飞行高度h与相机单词拍摄取景的实际面积Area存在一个映射关系，这个映射关系函数与相机型号和参数有关，因此我们将这个关系设为Area＝f(h)，在确定h的情况下，可以确定唯一的Area值，则
Figure FDA0003001613310000021
其中
Figure FDA0003001613310000022
为取整函数，表示取不大于
Figure FDA0003001613310000023
的最大整数，Square为待测总面积，同时设置N的上界Nmax＝5×Nmin；
所述各悬停点坐标Ki(xi,yi,hi)中hi一旦确定，在整个航迹中将不再改变，任务区域边缘所有点的坐标信息已知时，使xmin≤xi≤xmax且ymin≤yi≤ymax，在Nmin≤N≤Nmax，β≥100％，Dcom≤D，Tall≤T，Sall≤S的约束条件下搜索出满足条件的各组悬停点坐标集合，其中xmin、xmax、ymin和ymax分别为任务区域边缘所有点的经纬度最小与最大值；
所述悬停时间thov＝τ0+μ×E，其中E为对环境进行评估后得到一个常数，τ0为相机参数决定的延迟时间，μ为时间的环境变量影响因子；
所述飞行速度v＝v0-γ×E，其中v0为适宜环境下的飞行速度，γ为速度的环境变量影响因子；
所述经过悬停点的飞行顺序通过对任意一组悬停点的坐标集合中的点进行穷举排序，若某一集合中悬停点的个数为N，则得到的顺序有N！。
5.根据权利要求根据权利要求1所述的一种无人机湖泊测绘任务航迹规划方法，其特征在于：所述S3中NSGA-II算法工具对优化目标的目标函数进行计算，完成对种群的初始化、排序、进化、排挤和选择这一系列操作。
6.根据权利要求根据权利要求1所述的一种无人机湖泊测绘任务航迹规划方法，其特征在于：所述S4中Pareto最优解集之间不存在支配或占优关系。
CN202110348854.9A 2021-03-31 2021-03-31 一种无人机湖泊测绘任务航迹规划方法 Active CN113138606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110348854.9A CN113138606B (zh) 2021-03-31 2021-03-31 一种无人机湖泊测绘任务航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110348854.9A CN113138606B (zh) 2021-03-31 2021-03-31 一种无人机湖泊测绘任务航迹规划方法

Publications (2)

Publication Number Publication Date
CN113138606A true CN113138606A (zh) 2021-07-20
CN113138606B CN113138606B (zh) 2022-07-29

Family

ID=76810202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110348854.9A Active CN113138606B (zh) 2021-03-31 2021-03-31 一种无人机湖泊测绘任务航迹规划方法

Country Status (1)

Country Link
CN (1) CN113138606B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371640A (zh) * 2023-12-08 2024-01-09 山东省地质测绘院 基于无人机遥感的测绘路线优化方法及系统
CN117470199A (zh) * 2023-12-27 2024-01-30 天津云圣智能科技有限责任公司 一种摆动摄影控制的方法、装置、存储介质及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104729509A (zh) * 2015-03-24 2015-06-24 张韧 一种基于非支配排序遗传算法ii的航迹规划方法
CN107807665A (zh) * 2017-11-29 2018-03-16 合肥工业大学 无人机编队探测任务协同分配方法及装置
CN110986960A (zh) * 2019-12-31 2020-04-10 哈尔滨工业大学 一种基于改进聚类算法的无人机航迹规划方法
CN112287547A (zh) * 2020-10-29 2021-01-29 西北工业大学 基于nsga-ⅱ的被动浮标布阵优化方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104729509A (zh) * 2015-03-24 2015-06-24 张韧 一种基于非支配排序遗传算法ii的航迹规划方法
CN107807665A (zh) * 2017-11-29 2018-03-16 合肥工业大学 无人机编队探测任务协同分配方法及装置
CN110986960A (zh) * 2019-12-31 2020-04-10 哈尔滨工业大学 一种基于改进聚类算法的无人机航迹规划方法
CN112287547A (zh) * 2020-10-29 2021-01-29 西北工业大学 基于nsga-ⅱ的被动浮标布阵优化方法
CN112462803A (zh) * 2020-11-27 2021-03-09 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371640A (zh) * 2023-12-08 2024-01-09 山东省地质测绘院 基于无人机遥感的测绘路线优化方法及系统
CN117371640B (zh) * 2023-12-08 2024-04-12 山东省地质测绘院 基于无人机遥感的测绘路线优化方法及系统
CN117470199A (zh) * 2023-12-27 2024-01-30 天津云圣智能科技有限责任公司 一种摆动摄影控制的方法、装置、存储介质及电子设备
CN117470199B (zh) * 2023-12-27 2024-03-15 天津云圣智能科技有限责任公司 一种摆动摄影控制的方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN113138606B (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
CN106979784B (zh) 基于混合鸽群算法的非线性航迹规划
CN113138606B (zh) 一种无人机湖泊测绘任务航迹规划方法
CN110502033B (zh) 一种基于强化学习的固定翼无人机群集控制方法
CN111722643B (zh) 仿狼群合作狩猎机制的无人机集群动态任务分配方法
CN105700549B (zh) 一种基于序列小生境粒子群算法的无人机多航迹规划方法
CN112198870B (zh) 基于ddqn的无人机自主引导机动决策方法
CN110597286B (zh) 一种利用智慧机库实现输电线路无人机自主巡检的方法
CN111831008B (zh) 一种基于分布式架构的无人机编队协同控制系统及其方法
CN109917815A (zh) 基于全局最优头脑风暴算法的无人机三维路径设计方法
CN106441308A (zh) 一种基于自适应权重鸽群算法的无人机航路规划方法
CN108171315B (zh) 基于smc粒子群算法的多无人机任务分配方法
CN111176334A (zh) 一种多无人机协同目标搜索方法
CN112130581A (zh) 一种面向空中机动作战的无人机集群协同任务规划方法
CN108388250B (zh) 一种基于自适应布谷鸟搜索算法的水面无人艇路径规划方法
CN113009934A (zh) 一种基于改进粒子群算法的多无人机任务动态分配方法
CN109669475A (zh) 基于人工蜂群算法的多无人机三维编队重构方法
CN107589663A (zh) 基于多步粒子群算法的无人机协同侦察覆盖方法
CN111813144B (zh) 一种基于改进羊群算法的多无人机协同航路规划方法
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN112733251B (zh) 一种多无人飞行器协同航迹规划方法
CN110059863A (zh) 一种基于所需到达时间的航空器四维航迹优化方法
CN110083168A (zh) 基于增强学习的小型无人直升机定高控制方法
CN113805609A (zh) 一种混沌迷失鸽群优化机制的无人机群目标搜索方法
CN115903888A (zh) 一种基于天牛群算法的旋翼无人机自主路径规划方法
CN113485409A (zh) 一种面向地理公平性的无人机路径规划分配方法及系统

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