CN113190037A - 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 - Google Patents

基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 Download PDF

Info

Publication number
CN113190037A
CN113190037A CN202110375561.XA CN202110375561A CN113190037A CN 113190037 A CN113190037 A CN 113190037A CN 202110375561 A CN202110375561 A CN 202110375561A CN 113190037 A CN113190037 A CN 113190037A
Authority
CN
China
Prior art keywords
obstacle
algorithm
optimal
sparrow
current
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
CN202110375561.XA
Other languages
English (en)
Inventor
李宏亮
罗勇
周武能
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.)
Shanghai Tushan Intelligent Technology Co ltd
Original Assignee
Shanghai Tushan Intelligent Technology Co ltd
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 Shanghai Tushan Intelligent Technology Co ltd filed Critical Shanghai Tushan Intelligent Technology Co ltd
Priority to CN202110375561.XA priority Critical patent/CN113190037A/zh
Publication of CN113190037A publication Critical patent/CN113190037A/zh
Pending legal-status Critical Current

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

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改进流体扰动和麻雀算法的无人机最优路径搜索方法，首先，改进流体扰动算法利用不同障碍物反应系数生成多条规划路线；然后，利用麻雀搜索算法通过计算适应度寻找最优障碍物的反应系数；最后，改进流体扰动算法利用当前最优的障碍物反应系数，生成一条最优搜索路径。与传统的流体扰动算法相比，本发明克服了局部极值点的问题，准确性更高，并且利用麻雀搜索算法自动寻找最优障碍物反应系数；与其他类型的无人机最优路径搜索方法，本发明在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应；在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率和轨迹的平滑度也能得到保证。

Description

基于改进流体扰动和麻雀算法的无人机最优路径搜索方法
技术领域
本发明属于无人机技术领域，涉及一种基于改进流体扰动和麻雀算法的无人机最优路径搜索方法。
背景技术
无人机(Unmanned Aerial Vehicle，简称UAV)，指的是一种由动力驱动的无限遥控或自主飞行且无人驾驶并课重复使用的飞行器，近年来，由于小型民用无人机的便携性、机动性、可垂直起降、自动控制飞行等特点，在军用和民用领域都得到了很快的发展。在军事领域，多旋翼无人机可作为侦察机，获取地面情报，支援地面人员作战，还可以成集群的进行轰炸作战。在民用领域，最多的作用就是航拍、地面测绘、人员搜救、电力巡检、交通巡检、气象监测、危险地区巡查等。近年来，因为无人机的技术愈加成熟，且控制方式也愈加便捷，成本越来越低，很多行业在用无人机来代替传统的人工操作的地方越来越多，然而在无人机的控制中研究怎么控制无人机合理且高效的躲避障碍物也是其中的基本技术和关键技术。
人工势场法路径规划是由Khatib提出的一种虚拟力法。它的基本思想是将机器人在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求合力来控制移动机器人的运动。应用这种算法，具有局部快速搜索能力，求解速度较快，但主要存在以下缺点，当物体离目标点比较远时，引力将变的特别大，相对较小的斥力在甚至可以忽略的情况下，物体路径上可能会碰到障碍物；当目标点附近有障碍物时，斥力将非常大，引力相对较小，物体很难到达目标点；在某个点，引力和斥力刚好大小相等，方向想反，则物体容易陷入局部最优解或震荡。
流体扰动算法也是一种基于场概念的算法，与人工势场法(APF)不同的是它不是模拟磁场中的引力和斥力，而是模拟水流时产生的流场，这个流场主要包括在水流起点处的初始流场和流经障碍物附近时障碍物产生的扰动流场组成，合成后的流场可以使得水流避过障碍物流向终点。通过数学理论上的假设和证明，流体扰动算法规划路径同时具有以下三个特性：规划的路线可以安全的避开障碍物、规划的路径最终可以到达终点、规划的路径可以有效的跟踪障碍物的形状。流体扰动算法在标准障碍物模型的建立、初始流场的设定、障碍物扰动矩阵的定义和参数的选择、重叠障碍物如何克服局部震荡和局部最小值的问题还有很大的改进空间。
现有技术中常见的解决局部最小值的方法：
1、以多组不同参数值初始化多个神经网络，按标准方法训练后，取其中误差最小的解作为最终参数，这相当于从多个不同的初始化点开始搜索，从而可能寻找全局最优。需要大量的数据用于模型的训练，同时训练出来的模型的适用性不强。
2、使用模拟退火技术，模拟退火在每一步都以一定的概率接受比当前解更差的结果，从而有助于“跳出”局部极小。在每步迭代过程中，接受“次优解”的概率随着时间的推移而逐渐降低，从而保证算法的稳定，但是其最优解常常受迭代次数k的影响，若k值越大，则搜索时间越长，获得的最优解更可靠，k值过小，有可能直接跳过最优解。
3、使用随机梯度下降，与标准的梯度下降法精确计算梯度不同，随机梯度下降法在计算梯度时加入了随机的因素。于是，即便陷入局部极小点，它计算出的梯度时加入了随机因素，于是，即便陷入局部极小点，它计算出的梯度可能不为0，这样就有机会跳出局部极小继续搜索。选择合适的学习率比较困难，若设置过大，学习曲线将会剧烈震荡，代价函数值通常会明显增加；太小则学习过程会很缓慢，如果初始学习率太低，那么学习可能会卡在一个相当高的代价值。
发明内容
本发明的目的是解决现有技术中存在的上述问题，提供一种基于改进流体扰动和麻雀算法的无人机最优路径搜索方法。
为达到上述目的，本发明采用的技术方案如下：
一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，包括如下步骤：
(1)改进流体扰动算法利用不同障碍物反应系数生成多条规划路线；
(2)利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数；
(3)改进流体扰动算法利用当前最优的障碍物反应系数，生成一条最优搜索路径；
改进流体扰动算法是指对流体扰动算法的扰动矩阵进行改进以及在算法中引进局部最小值处理方法，具体为：在扰动矩阵中加入切向分量，使用虚拟目标法解决局部最小值；
改进前的扰动矩阵：
Figure BDA0003011007690000021
改进后的扰动矩阵：
Figure BDA0003011007690000022
其中Xk(ξ)表示第k个障碍物产生的扰动矩阵，I为3*3的单位矩阵，nk(ξ)为当前点ξ的径向法向量，αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，βk(ξ)表示第k个障碍物在当前点ξ的切向分量对应的障碍物反应系数，tk(ξ)为垂直于切平面的切向分量，Γk为第k个障碍物的表达式，Γk(ξ)表示把当前点ξ代入障碍物方程的计算值，||tk(ξ)||和||nk(ξ)||分别表示两个向量的二范数，τk为饱和函数；
假设当前飞行环境下共有N个障碍物，其中O1，O2，...，ON分别表示障碍物中心坐标，r1，r2，...，rN为障碍物影响半径，ξ为当前点坐标，若同时满足以下三个条件则可能出现局部最小值情况，无人机陷入重叠区TA：
(a)在N个障碍物中存在第i，j障碍物满足：
Figure BDA0003011007690000031
(b)
Figure BDA0003011007690000032
的方向指向TA；
(c)
Figure BDA0003011007690000033
其中，
Figure BDA0003011007690000034
表示第i个障碍物中心到第j个障碍物中心的距离，ri，rj分别表示两个障碍物的影响半径，TA表示两个障碍物的公共重叠区域，
Figure BDA0003011007690000035
表示当前点ξ处的实际流场；
Figure BDA0003011007690000036
表示ξ到第i个障碍物中心距离；dTA表示无人机的可探测范围，一般为常值；
使用虚拟目标法解决局部最小值是指设置一个虚拟目标点；所述虚拟目标点的设置方法为：首先，以当前点ξ为圆心，dTA为半径，水平跨度角范围
Figure BDA0003011007690000037
垂直跨度角范围(-μmax，μmax)，生成一个探测曲面Q，
Figure BDA0003011007690000038
为当前点ξ的水平角，
Figure BDA0003011007690000039
μmax为无人机最大俯仰角；然后，设计代价函数J(启发式函数)，所述代价函数J包括飞行安全距离代价S、飞行距离代价D、重叠区域代价M和目标切换代价G；最后，在生成的探测曲面Q的水平方向取N1个点，垂直方向取N2个点，共生成N1*N2个点，分别计算每一个点的代价值，取代价函数J的值最小的点作为虚拟目标点；
J＝λ1S+λ2D+λ3M+λ4G；
Figure BDA00030110076900000310
Figure BDA0003011007690000041
Figure BDA0003011007690000042
Figure BDA0003011007690000043
其中，Γi表示第i个障碍物方程，N表示障碍物个数，ξ表示当前点，ξd表示实际目标点，ξ′表示虚拟目标点，γ1＝<ξξd，ξξ′>，γ2＝<ξξ′，ξ′ξd>，λ1+λ2+λ3+λ4＝1，
Figure BDA0003011007690000044
如上所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，步骤(1)具体为：
假设当前一组障碍物反映系数的初值：
Figure BDA0003011007690000045
改进流体扰动算法利用不同障碍物反应系数生成多条规划路线的流程为：首先，根据当前点与目标点之间的距离关系以及无人机匀速飞行的速度，生成当前点的初始流场v(ξ)；然后，通过获取当前飞行环境下的障碍物信息，进行障碍物建模并且计算每个障碍物产生的扰动矩阵Xk(ξ)，接下来按照一定的加权方式综合全部障碍物的扰动矩阵，生成一个合扰动矩阵X(ξ)；下一步，利用上一步获得X(ξ)更新初始流场v(ξ)，得到当前点的实际流场
Figure BDA0003011007690000046
最后，根据预先设置的步长Δt得到下一个航点坐标Pξ+1(xξ+1，yξ+1，zξ+1)，不断重复更新下一个航点的坐标就可以得到一条完成的规划路线l1。
如上所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，Pξ(xξ，yξ，zξ)点的初始流场定义如下：
Figure BDA0003011007690000047
Figure BDA0003011007690000048
其中v(ξ)表示Pξ(xξ，yξ，zξ)处的初始流场，Pd(xd，yd，zd)为终点坐标，C为无人机的运行速度，d(ξ)表示点Pd(xd,yd，zd)和Pξ(xξ，yξ，zξ)之间的距离；
Xk(ξ)的主要参数的计算方式如下：
Figure BDA0003011007690000051
Figure BDA0003011007690000052
Figure BDA0003011007690000053
Figure BDA0003011007690000054
Figure BDA0003011007690000055
Figure BDA0003011007690000056
其中，Γk为第k个障碍物的表达式，x、y和z为当前点的坐标，(x0k，yok，zok)为障碍物中心坐标，ak，bk，ck，pk，qk，rk为障碍物表达式的参数，nk(ξ)为第k个障碍物的当前点Pξ的径向法向量，α0，β0为斥力分量和切向分量的初值，是常数；αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，d0(ξ)表示当前点到障碍物表面的距离，d(ξ)表示当前点到目标点的距离，tk(ξ)为垂直于切平面的切向分量，v(ξ)为当前点的初始流场，
Figure BDA0003011007690000057
为正的无穷小量，是预设的阈值；
第k个障碍物扰动矩阵Xk(ξ)对应的加权系数ωk的计算方式如下：
Figure BDA0003011007690000058
Figure BDA0003011007690000059
Figure BDA0003011007690000061
其中wk为第k个障碍物的加权系数，Γi,Γk分别表示第i，k个障碍物的标准表达式，
Figure BDA0003011007690000062
为归一化后的第k个障碍物的加权系数，N为障碍物的个数，X(ξ)为合扰动流场；
实际流场
Figure BDA0003011007690000063
的计算公式如下：
Figure BDA0003011007690000064
下一个航点Pξ+1(xξ+1，yξ+1，zξ+1)的更新公式如下：
Figure BDA0003011007690000065
其中，Δt为步长，根据上述流程重复计算，不断的更新航点坐标则可以得到一条完整的无人机避障路径；
生成一条对应的规划路线lj，重复不停的改变输入的
Figure BDA0003011007690000066
即可生成多条规划路线lj，j＝1，2，...，N。
如上所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，步骤(2)利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数的过程为：首先，初始化参数，主要包括初始化种群，迭代次数，捕食者和加入者比例，预警值和安全值；然后，根据适应度函数计算每个个体的适应度值，找到当前最好和最差的位置；接下来，分别更新加入者，捕食者，警戒者的位置，找到最优者的位置与上一代对比，决定是否更新全局最好位置，直到完成全部迭代输出当前的最优位置即为最优障碍物反应系数。
如上所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数的具体步骤如下：
(2.1)参数初始化：设麻雀种群为X，规模为L，其中加入者的比例为85％，警戒者的比例为15％，最大迭代次数为itermax，预警值为R2，安全值为ST，种群的表示形式如下：
Figure BDA0003011007690000067
其中，
Figure BDA0003011007690000068
表示第i只麻雀的位置信息，i＝1,2,...,L，α0，β0为待优化的障碍物反应系数的初值；
(2.2)计算个体的适应度值，找到当前最好和最差的位置；
Figure BDA0003011007690000071
其中Fx为适应度矩阵，
Figure BDA0003011007690000072
为第i只麻雀的适应度，i＝1,2,...,L，f为适应度函数；无人机路径规划模型主要用路径代价Jbird表示，Jbird越小，路径质量越好。路径代价主要由三个部分组成分别是航路长度代价J1、障碍物威胁代价J2、航路平滑度代价J3，因此Jbird可以定义为如下形式：
Figure BDA0003011007690000073
其中σ1，σ2，σ3为常数，σ1+σ2+σ3＝1，M为该路径上的所有航点，Pi和Pi-1分别表示第i和i+1个航点，N表示障碍物的个数，
Figure BDA0003011007690000074
表示相邻两个航点之间的水平角的差值，|μi-μi-1|表示相邻两个航点之间的垂直角的差值，
Figure BDA0003011007690000075
和
Figure BDA0003011007690000076
为常系数且
Figure BDA0003011007690000077
Ti(k)的计算方式如下：
Figure BDA0003011007690000078
其中L0为到第k个障碍物边界的距离；
(2.3)更新加入者位置：
Figure BDA0003011007690000079
其中，t为当前迭代数，
Figure BDA00030110076900000710
表示在t+1代第i只麻雀第j维的适应度，itermax是最大迭代数，α∈(0，1)的随机数，R2表示警戒值，ST表示安全阈值，Q是一个服从正态分布的随机数，L为麻雀种群规模；
(2.4)更新捕食者位置：
Figure BDA0003011007690000081
其中，Xp t+1表示t+1代发现者p占据的最佳位置，
Figure BDA0003011007690000082
表示t代的最差位置，A+是一个各元素为1或-1的一行多维矩阵；
(2.5)更新警戒者位置：
Figure BDA0003011007690000083
其中，
Figure BDA0003011007690000084
是t代全局最佳位置，β是控制步长的参数，K∈(0，1)的随机数，fi是当前麻雀的适应度，fg和fw是当前最佳适应度和最差适应度，ε＝10E-8，用于避免分母为0；
(2.6)判断当前最佳位置的适应度值是否大于上一代，若是则更新最佳位置，然后按照上述规则不断迭代，直到全部迭代完成输出最优的障碍物反应系数
Figure BDA0003011007690000085
如上所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，步骤(3)具体为：将步骤(2)得到的最优的障碍物反应系数
Figure BDA0003011007690000086
作为输入，输入到步骤(1)，按照算法流程生成一条最优搜索路径。
本发明的原理如下：
由于传统的流体扰动算法与目前已有的人工势场法、蚁群算法、遗传算法、粒子群算法等原来二维空间的算法引入到三维空间时，会产生计算量爆炸，导致实时性较差，同时一些可用于二维空间的解决局部最小值的算法也无法上升到三维空间的最小值处理方法，继而无法应用到本发明的算法中，为了将流体扰动算法应用至三维空间中，本发明将虚拟目标法的局部最小值处理方法用于改进流体扰动算法，具体是：修改进入重叠区的判断条件，调整了评价函数的参数比值，使得虚拟目标法的局部最小值处理方法最终和流体扰动算法、麻雀算法的结合起到了更好的效果。
总的来说，本发明利用流体扰动算法生成避障的路线，虚拟目标法解决局部最小值问题，麻雀搜索算法进行障碍物反应系数寻优，算法流程主要为：首先，改进流体扰动算法利用不同障碍物反应系数生成多条规划路线；然后，利用麻雀搜索算法通过计算适应度寻找最优障碍物的反应系数；最后，改进流体扰动算法利用当前最优的障碍物反应系数，生成一条最优搜索路径。仿真实验中使用普通流体扰动算法和改进流体扰动算法各生成一条最优路径、然后分别用改进流体扰动算法和粒子群优化算法、灰狼优化算法，麻雀算法相结合共生成三条最优搜索路径，进行实验仿真对比。实验结果表明在相同的代价函数的计算下，普通流体扰动算法的路径代价值为9.31，改进流体扰动算法的路径代价值为9.63，粒子群算法优化下的路径代价值8.44，灰狼算法优化下的路径代价值8.11，麻雀算法优化下的路径代价值7.93。从实验结果中分析，使用改进的流体扰动算法和麻雀搜索算法的结合能够生成更加平滑，代价值小的避障路线。
有益效果：
本发明的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，与传统的流体扰动算法相比，克服了局部极值点的问题，准确性更高，并且利用麻雀搜索算法自动寻找最优障碍物反应系数；与其他类型的无人机最优路径搜索方法，本发明在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应，在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率也能得到保证。
附图说明
图1为本发明的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法的原理示意图；
图2为本发明的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法流程图。
具体实施方式
下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
如图1、2所示，一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，步骤如下：
(1)对流体扰动算法的扰动矩阵进行改进以及在算法中引进局部最小值处理方法确定改进流体扰动算法，具体为：在扰动矩阵中加入切向分量，使用虚拟目标法解决局部最小值；
改进后的扰动矩阵：
Figure BDA0003011007690000101
其中，Xk(ξ)表示第k个障碍物产生的扰动矩阵，I为3*3的单位矩阵，nk(ξ)为当前点ξ的径向法向量，Γk为第k个障碍物的表达式，Γk(ξ)表示把当前点ξ代入障碍物方程的计算值，αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，τk为饱和函数，tk(ξ)为垂直于切平面的切向分量，βk(ξ)表示第k个障碍物在当前点ξ的切向分量对应的障碍物反应系数，||tk(ξ)||表示向量tk(ξ)的二范数，||nk(ξ)||表示向量nk(ξ)的二范数；
Xk(ξ)中的参数的计算方式如下：
Figure BDA0003011007690000102
Figure BDA0003011007690000103
Figure BDA0003011007690000104
Figure BDA0003011007690000105
Figure BDA0003011007690000106
Figure BDA0003011007690000107
其中，Γk为第k个障碍物的表达式，x、y和z为当前点的坐标，(x0k，yok，zok)为障碍物中心坐标，ak，bk，ck，pk，qk，rk为障碍物表达式的参数，nk(ξ)为第k个障碍物的当前点Pξ的径向法向量，αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，α0为斥力分量的初值，是一个常数；d0(ξ)表示当前点到障碍物表面的距离，d(ξ)表示当前点到目标点的距离，βk(ξ)表示第k个障碍物在当前点ξ的切向分量对应的障碍物反应系数，β0为切向分量的初值，是一个常数；t(ξ)为切向分量，tk(ξ)为垂直于切平面的切向分量，v(ξ)为当前点的初始流场，
Figure BDA0003011007690000111
为正的无穷小量，是预设的阈值；
假设当前飞行环境下共有N个障碍物，其中O1，O2，...，ON分别表示障碍物中心坐标，r1，r2，...，rN为障碍物影响半径，ξ为当前点坐标，若满足以下三个条件则可能出现局部最小值情况，无人机陷入重叠区TA：
(a)在N个障碍物中存在第i，j障碍物满足：
Figure BDA0003011007690000112
(b)
Figure BDA0003011007690000113
的方向指向重叠区TA；
(c)
Figure BDA0003011007690000114
其中，
Figure BDA0003011007690000115
表示第i个障碍物中心到第j个障碍物中心的距离，ri，rj分别表示两个障碍物的影响半径，TA表示两个障碍物的公共重叠区域，
Figure BDA0003011007690000116
表示当前点ξ处的实际流场；
Figure BDA0003011007690000117
表示ξ到第i个障碍物中心距离；dTA表示无人机的可探测范围，一般为常值；
使用虚拟目标法解决局部最小值是指设置一个虚拟目标点；所述虚拟目标点的设置方法为：首先，以当前点ξ为圆心，dTA为半径，水平跨度角范围
Figure BDA0003011007690000118
垂直跨度角范围(-μmax，μmax)，生成一个探测曲面Q，
Figure BDA0003011007690000119
为当前点ξ的水平角，
Figure BDA00030110076900001110
μmax为无人机最大俯仰角；然后，设计代价函数J(启发式函数)，所述代价函数J包括飞行安全距离代价S、飞行距离代价D、重叠区域代价M和目标切换代价G；最后，在生成的探测曲面Q的水平方向取N1个点，垂直方向取N2个点，共生成N1*N2个点，分别计算每一个点的代价值，代价函数J的值最小的点作为虚拟目标点；
J＝λ1S+λ2D+λ3M+λ4G；
Figure BDA00030110076900001111
Figure BDA00030110076900001112
Figure BDA0003011007690000121
Figure BDA0003011007690000122
其中，Γi表示第i个障碍物的表达式，Γi(ξ)表示把当前点ξ代入障碍物方程的计算值；N表示障碍物个数，ξ表示当前点，ξd表示实际目标点，ξ′表示虚拟目标点，γ1＝<ξξd，ξξ′>，γ2＝<ξξ′，ξ′ξd>；<ξξd，ξξ′>为向量ξξ′与向量ξ′ξd之间的夹角的数学符号；<ξξ′，ξ′ξd>为向量ξξ′与向量ξ′ξd之间的夹角的数学符号；
Figure BDA0003011007690000123
与
Figure BDA0003011007690000124
分别表示的是一个加权系数，取值都在(0，1)且
Figure BDA0003011007690000125
λ1、λ2、λ3、λ4分别表示的是一个加权系数取值都在(0，1)，且λ1+λ2+λ3+λ4＝1；
原来的v(ξ)的计算方法：
Figure BDA0003011007690000126
Figure BDA0003011007690000127
本发明的v(ξ)的计算方法：
Figure BDA0003011007690000128
Figure BDA0003011007690000129
实际流场
Figure BDA00030110076900001210
的计算公式如下：
Figure BDA00030110076900001211
下一个航点Pξ+1(xξ+1，yξ+1，zξ+1)的更新公式如下：
Figure BDA00030110076900001212
其中，Δt为步长，判断Pξ+1是否满足可能出现局部最小值情况的三个条件(a)，(b)，(c)，若三个条件同时满足则进入局部最小值的计算流程，使用虚拟目标代替真实目标，若当前点不满足三个条件的任意一个，则返回正常计算流程更新下一个点。
重复上述判断过程，不断更新航点坐标，最后生成一条完整的轨迹。
(2)改进的流体扰动算法利用不同障碍物反应系数生成多条规划路线；
(2.1)假设当前一组障碍物反映系数的初值：
Figure BDA0003011007690000131
根据当前点与目标点之间的距离关系以及无人机匀速飞行的速度，生成当前点的初始流场v(ξ)；
其中，Pξ(xξ，yξ，zξ)点的初始流场定义如下：
Figure BDA0003011007690000132
Figure BDA0003011007690000133
其中，Pξ(xξ，yξ，zξ)为当前点Pξ的坐标；v(ξ)表示Pξ(xξ，yξ，zξ)处的初始流场，Pd(xd，yd，zd)为终点坐标，C为无人机的运行速度，d(ξ)表示点Pd(xd，yd，zd)和Pξ(xξ，yξ，zξ)之间的距离；
(2.2)通过获取当前飞行环境下的障碍物信息，进行障碍物建模并且计算每个障碍物产生的扰动矩阵Xk(ξ)，K＝1，2，...，N，接下来按照一定的加权方式综合全部障碍物的扰动矩阵，生成一个合扰动矩阵X(ξ)；具体计算过程为：
第k个障碍物扰动矩阵Xk(ξ)对应的加权系数wk的计算方式如下：
Figure BDA0003011007690000134
Figure BDA0003011007690000135
Figure BDA0003011007690000136
其中wk为第k个障碍物的加权系数，Γi表示第i个障碍物的表达式，Γk表示第k个障碍物的表达式，
Figure BDA0003011007690000137
为归一化后的第k个障碍物的加权系数，N为障碍物的个数，X(ξ)为合扰动流场；
(2.3)利用上一步获得X(ξ)更新初始流场v(ξ)，得到当前点的实际流场
Figure BDA0003011007690000138
即实际流场
Figure BDA0003011007690000139
的计算公式为：
Figure BDA00030110076900001310
(2.4)根据预先设置的步长Δt得到下一个航点坐标Pξ+1(xξ+1，yξ+1，zξ+1)，不断重复更新下一个航点的坐标就可以得到一条完成的规划路线l1；
其中，下一个航点Pξ+1(xξ+1，yξ+1，zξ+1)的更新公式如下：
Figure BDA0003011007690000141
其中，Δt为步长，根据上述流程重复计算，不断的更新航点坐标则可以得到一条完整的无人机避障路径；
生成一条对应的规划路线lj，重复不停的改变输入的
Figure BDA0003011007690000142
即可生成多条规划路线lj，j＝1，2，...，N；
(3)利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数；
(3.1)参数初始化：设麻雀种群为X，规模为L，其中加入者的比例为85％，警戒者的比例为15％，最大迭代次数为itermax，预警值为R2，安全值为ST，种群的表示形式如下：
Figure BDA0003011007690000143
其中，
Figure BDA0003011007690000144
表示第i只麻雀的位置信息，i＝1,2,...,L，α0，β0为待优化的障碍物反应系数的初值；
(3.2)计算个体的适应度值，找到当前最好和最差的位置；
Figure BDA0003011007690000145
其中Fx为适应度矩阵，
Figure BDA0003011007690000146
为第i只麻雀的适应度，i＝1,2,...,L，f为适应度函数；无人机路径规划模型主要用路径代价Jbird表示，Jbird越小，路径质量越好；计算出当前这一次迭代的局部最好位置，即Jbird最小，用来指导加入者、捕食者、警戒者的位置。路径代价主要由三个部分组成分别是航路长度代价J1、障碍物威胁代价J2、航路平滑度代价J3，因此Jbird可以定义为如下形式：
Jbird＝σ1Jl+σ2J2+σ3J3；
Figure BDA0003011007690000151
Figure BDA0003011007690000152
Figure BDA0003011007690000153
其中σ1，σ2，σ3为常数，σ1+σ2+σ3＝1，M为该路径上的所有航点，Pi和Pi-1分别表示第i和i+1个航点，N表示障碍物的个数，
Figure BDA0003011007690000154
表示相邻两个航点之间的水平角的差值，|μi-μi-1|表示相邻两个航点之间的垂直角的差值，
Figure BDA0003011007690000155
和
Figure BDA0003011007690000156
为常系数且
Figure BDA0003011007690000157
Ti(k)的计算方式如下：
Figure BDA0003011007690000158
L0为到第k个障碍物边界的距离；
(3.3)更新加入者位置：
Figure BDA0003011007690000159
其中，t为当前迭代数，
Figure BDA00030110076900001510
表示在t+1代第i只麻雀第j维的适应度，itermax是最大迭代数，α∈(0，1)的随机数，R2表示警戒值，ST表示安全阈值，Q是一个服从正态分布的随机数，L为麻雀种群规模；
(3.4)更新捕食者位置：
Figure BDA00030110076900001511
其中，Xp t+1表示t+1代发现者p占据的最佳位置，
Figure BDA00030110076900001512
表示t代的最差位置，A+是一个各元素为1或-1的一行多维矩阵；
(3.5)更新警戒者位置：
Figure BDA0003011007690000161
其中，
Figure BDA0003011007690000162
是t代全局最佳位置，β是控制步长的参数，K∈(0，1)的随机数，fi是当前麻雀的适应度，fg和fw是当前最佳适应度和最差适应度；根据当前最优的位置(适应度最高)用来指导
Figure BDA0003011007690000163
的位置更新；ε＝10E-8，用于避免分母为0；
(3.6)判断当前最佳位置的适应度值是否大于上一代，若是则更新最佳位置，然后按照上述规则不断迭代，直到全部迭代完成输出最优的障碍物反应系数
Figure BDA0003011007690000164
(4)将步骤(3)得到的最优的障碍物反应系数
Figure BDA0003011007690000165
作为输入，输入到步骤(2)中分别作为α0、β0，按照算法流程生成一条最优搜索路径。
具体应用案例：本次仿真实验的飞行环境为11个标准障碍物，涵盖了各种类型的障碍，如半球，圆柱体，圆锥体，长方体等，且障碍物的空间位置是相对独立的，其中起始点坐标为(0,0,0.5)，终点坐标为(9.5,9.5,0)，粒子群参数为：种群大小N＝10，最大迭代次数tmax＝100，惯性权值ω随迭代次数的增加而线性减小，即ω＝0.9-0.7t/tmax，学习因子c1＝0.5,c2＝0.5；灰狼优化算法的参数为狼群大小N＝10，最大迭代次数tmax＝100，群体通信技术b1＝0.5，b2＝0.5，适者生存的选择概率p＝0.3；麻雀算法的参数设置，种群大小N＝10，最大迭代次数tmax＝100，发现者警戒阈值0.8，发现者比例20％，侦察者比例10％；
实验流程为使用普通流体扰动算法和改进流体扰动算法各生成一条最优路径、然后分别改进流体扰动算法和粒子群优化算法、灰狼优化算法，麻雀算法相结合共生成三条最优搜索路径，进行实验仿真对比。实验结果表明在相同的代价函数的计算下，普通流体扰动算法的路径代价值为9.31，改进流体扰动算法的路径代价值为9.63，粒子群算法优化下的路径代价值8.44，灰狼算法优化下的路径代价值8.11，麻雀算法优化下的路径代价值7.93。
本发明与传统的流体扰动算法，克服了局部极值点的问题，准确性更高，并且利用麻雀搜索算法自动寻找最优障碍物反应系数；与其他类型的无人机最优路径搜索方法，本发明在保证准确率的情况下，提高了搜索速度，因此在应对紧急交通路口的事故时可以进行快速响应，在保证无人机避障安全快速飞行的前提下，规划最优轨迹的准确率也能得到保证。

Claims (6)

1.一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于包括如下步骤：
(1)改进流体扰动算法利用不同障碍物反应系数生成多条规划路线；
(2)利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数；
(3)改进流体扰动算法利用当前最优的障碍物反应系数，生成一条最优搜索路径；
改进流体扰动算法是指对流体扰动算法的扰动矩阵进行改进以及在算法中引进局部最小值处理方法，具体为：在扰动矩阵中加入切向分量，使用虚拟目标法解决局部最小值；
改进后的扰动矩阵：
Figure FDA0003011007680000011
其中Xk(ξ)表示第k个障碍物产生的扰动矩阵，I为3*3的单位矩阵，nk(ξ)为当前点ξ的径向法向量，αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，βk(ξ)表示第k个障碍物在当前点ξ的切向分量对应的障碍物反应系数，tk(ξ)为垂直于切平面的切向分量，Γk为第k个障碍物的表达式，Γk(ξ)表示把当前点ξ代入障碍物方程的计算值，||tk(ξ)||和||nk(ξ)||分别表示两个向量的二范数，τk为饱和函数；
使用虚拟目标法解决局部最小值是指设置一个虚拟目标点；所述虚拟目标点的设置方法为：首先，以当前点ξ为圆心，dTA为半径，水平跨度角范围
Figure FDA0003011007680000012
垂直跨度角范围(-μmax，μmax)，生成一个探测曲面Q，
Figure FDA0003011007680000013
为当前点ξ的水平角，
Figure FDA0003011007680000014
μmax为无人机最大俯仰角；然后，设计代价函数J，所述代价函数J包括飞行安全距离代价S、飞行距离代价D、重叠区域代价M和目标切换代价G；最后，在生成的探测曲面Q的水平方向取N1个点，垂直方向取N2个点，共生成N1*N2个点，分别计算每一个点的代价值，取代价函数J的值最小的点作为虚拟目标点；
J＝λ1S+λ2D+λ3M+λ4G；
Figure FDA0003011007680000015
Figure FDA0003011007680000021
Figure FDA0003011007680000022
Figure FDA0003011007680000023
其中，Γi表示第i个障碍物方程，N表示障碍物个数，ξ表示当前点，ξd表示实际目标点，ξ′表示虚拟目标点，γ1＝＜ξξd，ξξ′＞，γ2＝＜ξξ′，ξ′ξd＞，λ1+λ2+λ3+λ4＝1，
Figure FDA0003011007680000024
2.根据权利要求1所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于，步骤(1)具体为：
假设当前一组障碍物反映系数的初值：
Figure FDA0003011007680000025
改进流体扰动算法利用不同障碍物反应系数生成多条规划路线的流程为：首先，根据当前点与目标点之间的距离关系以及无人机匀速飞行的速度，生成当前点的初始流场υ(ξ)；然后，通过获取当前飞行环境下的障碍物信息，进行障碍物建模并且计算每个障碍物产生的扰动矩阵Xk(ξ)，接下来按照一定的加权方式综合全部障碍物的扰动矩阵，生成一个合扰动矩阵X(ξ)；下一步，利用上一步获得X(ξ)更新初始流场υ(ξ)，得到当前点的实际流场
Figure FDA0003011007680000026
最后，根据预先设置的步长Δt得到下一个航点坐标Pξ+1(xξ+1，yξ+1，zξ+1)，不断重复更新下一个航点的坐标就可以得到一条完成的规划路线l1。
3.根据权利要求2所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于，Pξ(xξ，yξ，zξ)点的初始流场定义如下：
Figure FDA0003011007680000027
Figure FDA0003011007680000028
其中υ(ξ)表示Pξ(xξ，yξ，zξ)处的初始流场，Pd(xd，yd，zd)为终点坐标，C为无人机的运行速度，d(ξ)表示点Pd(xd，yd，zd)和Pξ(xξ，yξ，zξ)之间的距离；
Xk(ξ)的主要参数的计算方式如下：
Figure FDA0003011007680000031
Figure FDA0003011007680000032
Figure FDA0003011007680000033
Figure FDA0003011007680000034
Figure FDA0003011007680000035
Figure FDA0003011007680000036
其中，Γk为第k个障碍物的表达式，ξ(x，y，z)为当前点，(x0k，yok，zok)为障碍物中心坐标，ak，bk，ck，pk，qk，rk为障碍物表达式的参数，nk(ξ)为第k个障碍物的当前点Pξ的径向法向量，α0，β0为斥力分量和切向分量的初值，是常数；αk(ξ)表示第k个障碍物在当前点ξ的水平方向的障碍物反应系数，d0(ξ)表示当前点到障碍物表面的距离，d(ξ)表示当前点到目标点的距离，tk(ξ)为垂直于切平面的切向分量，υ(ξ)为当前点的初始流场，
Figure FDA0003011007680000037
为正的无穷小量，是预设的阈值；
第k个障碍物扰动矩阵Xk(ξ)对应的加权系数wk的计算方式如下：
Figure FDA0003011007680000038
Figure FDA0003011007680000039
Figure FDA0003011007680000041
其中wk为第k个障碍物的加权系数，Γi，Γk分别表示第i，k个障碍物的标准表达式，
Figure FDA0003011007680000042
为归一化后的第k个障碍物的加权系数，N为障碍物的个数，X(ξ)为合扰动流场；
实际流场
Figure FDA0003011007680000043
的计算公式如下：
Figure FDA0003011007680000044
下一个航点Pξ+1(xξ+1，yξ+1，zξ+1)的更新公式如下：
Figure FDA0003011007680000045
其中，Δt为步长；
生成一条对应的规划路线lj，重复不停的改变输入的
Figure FDA0003011007680000046
即可生成多条规划路线lj，j＝1，2，...，N。
4.根据权利要求3所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于，步骤(2)利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数的过程为：首先，初始化参数，主要包括初始化种群，迭代次数，捕食者和加入者比例，预警值和安全值；然后，根据适应度函数计算每个个体的适应度值，找到当前最好和最差的位置；接下来，分别更新加入者，捕食者，警戒者的位置，找到最优者的位置与上一代对比，决定是否更新全局最好位置，直到完成全部迭代输出当前的最优位置即为最优障碍物反应系数。
5.根据权利要求4所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于，利用麻雀搜索算法通过计算适应度寻找最优的障碍物反应系数的具体步骤如下：
(2.1)参数初始化：设麻雀种群为X，规模为L，其中加入者的比例为85％，警戒者的比例为15％，最大迭代次数为itermax，预警值为R2，安全值为ST，种群的表示形式如下：
Figure FDA0003011007680000047
其中，
Figure FDA0003011007680000051
表示第i只麻雀的位置信息，i＝1，2，...，L，α0，β0为待优化的障碍物反应系数的初值；
(2.2)计算个体的适应度值，找到当前最好和最差的位置；
Figure FDA0003011007680000052
其中Fx为适应度矩阵，
Figure FDA0003011007680000053
为第i只麻雀的适应度，i＝1，2，...，L，f为适应度函数；
(2.3)更新加入者位置：
Figure FDA0003011007680000054
其中，t为当前迭代数，
Figure FDA0003011007680000055
表示在t+1代第i只麻雀第j维的适应度，itermax是最大迭代数，a∈(0，1)的随机数，五2表示警戒值，，ST表示安全阈值，Q是一个服从正态分布的随机数，L为麻雀种群规模；
(2.4)更新捕食者位置：
Figure FDA0003011007680000056
其中，Xp t+1表示t+1代发现者p占据的最佳位置，
Figure FDA0003011007680000057
表示t代的最差位置，A+是一个各元素为1或-1的一行多维矩阵；
(2.5)更新警戒者位置：
Figure FDA0003011007680000058
其中，
Figure FDA0003011007680000059
是t代全局最佳位置，β是控制步长的参数，K∈(0，1)的随机数，fi是当前麻雀的适应度，fg和fw是当前最佳适应度和最差适应度，ε＝10E-8，用于避免分母为0；
(2.6)判断当前最佳位置的适应度值是否大于上一代，若是则更新最佳位置，然后按照上述规则不断迭代，直到全部迭代完成输出最优的障碍物反应系数
Figure FDA0003011007680000061
6.根据权利要求5所述的一种基于改进流体扰动算法和麻雀搜索算法的无人机最优路径搜索方法，其特征在于，步骤(3)具体为：将步骤(2)得到的最优的障碍物反应系数
Figure FDA0003011007680000062
作为输入，输入到步骤(1)，按照算法流程生成一条最优搜索路径。
CN202110375561.XA 2021-04-08 2021-04-08 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法 Pending CN113190037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110375561.XA CN113190037A (zh) 2021-04-08 2021-04-08 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110375561.XA CN113190037A (zh) 2021-04-08 2021-04-08 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法

Publications (1)

Publication Number Publication Date
CN113190037A true CN113190037A (zh) 2021-07-30

Family

ID=76974913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110375561.XA Pending CN113190037A (zh) 2021-04-08 2021-04-08 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法

Country Status (1)

Country Link
CN (1) CN113190037A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741500A (zh) * 2021-08-27 2021-12-03 北京航空航天大学 仿哈里斯鹰智能捕食优化的无人机空战机动决策方法
CN113781564A (zh) * 2021-09-15 2021-12-10 河北工业大学 一种钢卷物料点云滤波方法及基于该方法的天车控制系统
CN114115329A (zh) * 2021-10-28 2022-03-01 中国人民解放军陆军工程大学 中继协同无人机任务规划方法及装置
CN114200960A (zh) * 2021-12-02 2022-03-18 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114485665A (zh) * 2021-12-31 2022-05-13 东华大学 一种基于麻雀搜索算法的无人机航迹规划方法
CN114782693A (zh) * 2022-06-17 2022-07-22 江苏乐尔环境科技股份有限公司 一种工业工程设备健康管理系统
CN115100864A (zh) * 2022-06-24 2022-09-23 北京联合大学 一种基于改进麻雀搜索算法的交通信号控制优化方法
CN116954239A (zh) * 2023-06-12 2023-10-27 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966153A (zh) * 2017-11-24 2018-04-27 中国海洋大学 水下航行器路径规划算法
CN108594834A (zh) * 2018-03-23 2018-09-28 哈尔滨工程大学 一种面向未知环境下多auv自适应目标搜索和避障方法
CN109144102A (zh) * 2018-09-19 2019-01-04 沈阳航空航天大学 一种基于改进蝙蝠算法的无人机航路规划方法
CN110749325A (zh) * 2019-11-29 2020-02-04 北京京东乾石科技有限公司 航迹规划方法和装置
CN111522351A (zh) * 2020-05-15 2020-08-11 中国海洋大学 水下机器人三维编队及避障方法
CN113485371A (zh) * 2021-08-11 2021-10-08 河海大学 一种基于改进麻雀搜索算法的水下多auv路径规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107966153A (zh) * 2017-11-24 2018-04-27 中国海洋大学 水下航行器路径规划算法
CN108594834A (zh) * 2018-03-23 2018-09-28 哈尔滨工程大学 一种面向未知环境下多auv自适应目标搜索和避障方法
CN109144102A (zh) * 2018-09-19 2019-01-04 沈阳航空航天大学 一种基于改进蝙蝠算法的无人机航路规划方法
CN110749325A (zh) * 2019-11-29 2020-02-04 北京京东乾石科技有限公司 航迹规划方法和装置
CN111522351A (zh) * 2020-05-15 2020-08-11 中国海洋大学 水下机器人三维编队及避障方法
CN113485371A (zh) * 2021-08-11 2021-10-08 河海大学 一种基于改进麻雀搜索算法的水下多auv路径规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YANXIANG WANG: "Obstacle Avoidance of UAV Based on Neural Networks and Interfered Fluid Dynamical System", 《2020 3RD INTERNATIONAL CONFERENCE ON UNMANNED SYSTEMS (ICUS)》 *
YAO PENG: "UAV feasible path planning based on disturbed fluid and trajectory propagation", 《CHINESE JOURNAL OF AERONAUTICS》 *
刘刚: "复合形引导蜂群寻优的无人机航迹多目标规划", 《机械制造与设计》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113741500A (zh) * 2021-08-27 2021-12-03 北京航空航天大学 仿哈里斯鹰智能捕食优化的无人机空战机动决策方法
CN113741500B (zh) * 2021-08-27 2024-03-29 北京航空航天大学 仿哈里斯鹰智能捕食优化的无人机空战机动决策方法
CN113781564A (zh) * 2021-09-15 2021-12-10 河北工业大学 一种钢卷物料点云滤波方法及基于该方法的天车控制系统
CN113781564B (zh) * 2021-09-15 2023-11-10 河北工业大学 一种钢卷物料点云滤波方法及基于该方法的天车控制系统
CN114115329B (zh) * 2021-10-28 2023-06-16 中国人民解放军陆军工程大学 中继协同无人机任务规划方法及装置
CN114115329A (zh) * 2021-10-28 2022-03-01 中国人民解放军陆军工程大学 中继协同无人机任务规划方法及装置
CN114200960A (zh) * 2021-12-02 2022-03-18 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114200960B (zh) * 2021-12-02 2024-05-28 杭州电子科技大学 基于禁忌表改进麻雀算法的无人机集群搜索控制优化方法
CN114485665A (zh) * 2021-12-31 2022-05-13 东华大学 一种基于麻雀搜索算法的无人机航迹规划方法
CN114782693A (zh) * 2022-06-17 2022-07-22 江苏乐尔环境科技股份有限公司 一种工业工程设备健康管理系统
CN115100864A (zh) * 2022-06-24 2022-09-23 北京联合大学 一种基于改进麻雀搜索算法的交通信号控制优化方法
CN116954239A (zh) * 2023-06-12 2023-10-27 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统
CN116954239B (zh) * 2023-06-12 2024-03-19 成都丰千达科技有限公司 一种基于改进粒子群算法的无人机航迹规划方法及系统

Similar Documents

Publication Publication Date Title
CN113190037A (zh) 基于改进流体扰动和麻雀算法的无人机最优路径搜索方法
Cheng et al. Path planning and obstacle avoidance for AUV: A review
Hong et al. Energy-efficient online path planning of multiple drones using reinforcement learning
CN111399541B (zh) 无监督学习型神经网络的无人机全区域侦察路径规划方法
LU101833B1 (en) Route Planning Method and System for Unmanned Surface Vehicles Using Particle Swarm Optimization Based on Greedy Mechanism
Nikolos et al. UAV path planning using evolutionary algorithms
CN110926477A (zh) 一种无人机航路规划及避障方法
WO2019246596A1 (en) Route determination in dynamic and uncertain environments
CN108334677A (zh) 一种基于gru网络的uuv实时避碰规划方法
CN113848984B (zh) 一种无人机集群控制方法及系统
CN114840020A (zh) 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法
CN109870906B (zh) 一种基于bbo优化人工势场的高速旋翼飞行器路径规划方法
Wei et al. An improved method based on deep reinforcement learning for target searching
CN113625569B (zh) 一种基于混合决策模型的小型无人机防控决策方法及系统
CN115562357B (zh) 一种面向无人机集群的智能路径规划方法
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
CN115454115A (zh) 基于混合灰狼-粒子群算法的旋翼无人机路径规划方法
CN111121784A (zh) 一种无人侦察机航路规划方法
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
Alaliyat et al. Path planning in dynamic environment using particle swarm optimization algorithm
CN117784812A (zh) 基于进化引导深度强化学习的无人机自主飞行决策方法
Xie et al. Long and short term maneuver trajectory prediction of UCAV based on deep learning
CN117806346A (zh) 一种基于自适应蜣螂优化器的无人机路径规划方法
CN114779821B (zh) 基于深度学习的无人机自适应斥力系数路径规划方法
Doncieux et al. Evolving neural networks for the control of a lenticular blimp

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: 20210730

RJ01 Rejection of invention patent application after publication