CN113359853A - 一种无人机编队协同目标监视的路径规划方法及系统 - Google Patents
一种无人机编队协同目标监视的路径规划方法及系统 Download PDFInfo
- Publication number
- CN113359853A CN113359853A CN202110780761.3A CN202110780761A CN113359853A CN 113359853 A CN113359853 A CN 113359853A CN 202110780761 A CN202110780761 A CN 202110780761A CN 113359853 A CN113359853 A CN 113359853A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- formation
- cooperative
- obstacle
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 205
- 238000012544 monitoring process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000005457 optimization Methods 0.000 claims abstract description 74
- 230000007246 mechanism Effects 0.000 claims abstract description 73
- 230000033001 locomotion Effects 0.000 claims abstract description 45
- 238000012795 verification Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims description 44
- 238000001514 detection method Methods 0.000 claims description 40
- 238000005265 energy consumption Methods 0.000 claims description 38
- 230000004888 barrier function Effects 0.000 claims description 25
- 230000003287 optical effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000002085 persistent effect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- QUXQUIHALSYBKJ-UHFFFAOYSA-N bis(2-methoxycarbonylphenyl) oxalate Chemical compound C(C(=O)OC1=C(C=CC=C1)C(=O)OC)(=O)OC1=C(C=CC=C1)C(=O)OC QUXQUIHALSYBKJ-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 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
-
- 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)
- 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
本发明公开了一种无人机编队协同目标监视的路径规划方法及系统,包括:获取被监视目标下一时刻的实时位置,并根据被监视目标下一时刻的实时位置确定无人机编队中各无人机下一时刻的理想观测位置;在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;对多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。本发明可以实时调整各无人机的观测位置,并且提高了目标监视性能。
Description
技术领域
本发明涉及无人机路径规划技术领域,尤其涉及一种无人机编队协同目标监视的路径规划方法及系统。
背景技术
近年来,无人机以其制造成本低、体积小、机动性强、灵活性高等优点,应用在监视检查、救灾、航空摄像、快速运输、环境探测等方面,特别是一些复杂场景下,无人机可以替代人进行一些危险的工作,有助于减少人员伤亡,同时高效地完成任务。多无人机协同目标监视作为众多实际应用之一,在军事和民用领域都受到广泛的关注,显然,在多无人机执行持久性的目标监视任务时,为多无人机规划合适的路径是极其重要的。
作为多无人机目标监视中的基本问题——路径优化问题,可以转换为目标监视任务满足多个约束条件的多目标优化问题。显然,路径优化问题是一个NP-hard问题,复杂的约束条件较难处理,因此对于一般的非凸问题进行求解很难找到最优解。由于路径规划的高复杂性,现有方法往往采用智能优化算法,如粒子群算法、狼群算法、进化算法等来寻找满意解,并为无人机构建合适的飞行路径。然而,基于群智能优化的路径规划方法容易陷入局部极值,其次由于本身的随机性,求解结果并不稳定,同时在涉及多任务和多无人机的复杂系统中,算法求解的搜索空间范围呈现出明显的上升趋势,从而降低了求解速度。
在多无人机目标监视中,由于被监视目标是运动的,使得被监视目标的位置实时发生变化,监视变得更为复杂,相应地多无人机的路径规划也会发生动态变化,若采用上述基于群智能优化的路径规划方法,容易陷入局部最优、求解结果不稳定等问题。此外,无人机飞行中的障碍物会降低无人机的监视性能,甚至丢失目标。因此,在多无人机目标监视中,如何对规避障碍物对多无人机飞行过程的影响,以及避免目标丢失仍然是亟待解决的问题。
发明内容
本发明实施例的目的在于提供一种无人机编队协同目标监视的路径规划方法及系统,以解决现有技术无人机编队飞行中障碍物遮挡导致的监视性能降低,甚至失去目标的技术问题。
基于上述目的,本发明实施例提供一种无人机编队协同目标监视的路径规划方法,包括:
获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置;
在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;
以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;
对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。
可选的,所述获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置,包括:
确定无人机编队中各无人机当前时刻的观测位置,以及在所述无人机编队的监视范围内所述被监视目标当前时刻的实时位置;
通过LK光流算法获取所述被监视目标当前时刻的运动信息;
基于所述被监视目标当前时刻的所述运动信息和所述实时位置,通过移动平均算法获取所述被监视目标下一时刻的实时位置,并确定所述无人机编队中各无人机下一时刻的理想观测位置。
可选的,所述障碍物信息包含障碍物的边界信息;所述预设避障模型为椭圆切线模型;
所述在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作,包括:
对于无人机编队中每一架无人机,通过安装在所述无人机前端的激光扫描仪检测所述无人机的探测范围内是否存在障碍物;
若所述无人机的探测范围内存在障碍物,则获取障碍物的边界信息;
基于所述无人机当前时刻的观测位置和障碍物的边界信息,通过椭圆切线模型获取所述无人机的候选飞行路径集;
在所述候选飞行路径集中获取距离最短的一条候选飞行路径,设置为避障飞行路径,以控制所述无人机执行避障操作。
可选的,所述在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作,还包括:
若所述无人机的探测范围内不存在障碍物,则控制所述无人机飞至下一时刻的理想观测位置。
可选的,所述以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型,包括:
获取所述无人机编队的整体能耗和传输稳定性,并根据所述无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数;
根据障碍物的类型设定协同编队机制;其中,所述障碍物的类型包含小块障碍物和大块障碍物;所述协同编队机制包含严格编队机制和模糊编队机制;
根据所述基于运动距离的目标函数、所述严格编队机制和所述模糊编队机制,建立多无人机协同路径优化模型。
可选的,所述获取所述无人机编队的整体能耗和传输稳定性,并根据所述无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数,包括:
通过对所述无人机编队中单无人机的飞行能耗进行累加,获得所述无人机编队的整体能耗;其中,所述单无人机的飞行能耗定义为:
上式中,JEUAVi,t为无人机编队中任一无人机UAVi在时刻t时的能耗;s为无人机UAVi在时刻t时的最大位移;Δxi,t、Δyi,t分别为无人机UAVi在时刻t时x轴、y轴对应的运动距离,且Δxi,t=xi,t-x′i,t,Δyi,t=yi,t-y′i,t;(x′i,t,y′i,t)、(xi,t,yi,t)分别为无人机UAVi在时刻t时避障后的观测位置和调整后的优化观测位置;
以及无人机编队的整体能耗定义为:
上式中,JEt为无人机编队在时刻t时的整体能耗;N为无人机编队中的无人机总数;
通过对无人机编队中单无人机的信息传输稳定性进行累加,获得无人机编队的传输稳定性;其中,所述单无人机的信息传输稳定性定义为:
以及所述无人机编队的传输稳定性定义为:
上式中,JSt为无人机编队在时间t时的传输稳定性;
计算无人机编队的整体能耗与传输稳定性之间的差值;其中,所述差值具体表示为:
Jt=JSt-JEt;
通过无人机编队的整体能耗与信息传输稳定性之间的差值进行等价处理,获得基于运动距离的目标函数;其中,所述基于运动距离的目标函数表示为:
可选的,所述根据障碍物的类型设定协同编队机制,包括:
获取满足预设避障条件的无人机数量,并检测是否达到无人机编队中的无人机总数;其中,所述预设避障条件为最近检测距离dpro小于预设距离阈值dobs;
若未达到,则判定所述障碍物为小块障碍物,并设定严格编队机制;其中,所述严格编队机制定义为:
上式中,a是满足条件dpro,a≥dobs的无人机的编号;(xa,t,ya,t)为编号为a的无人机UVAa在时刻t时的理想观测位置;(xi,t,yi,t)为无人机编队中其他无人机UVAi(i=1,2,…,a-1,a+1,…,N)在时刻t时的最优观测位置;li、di分别为x轴、y轴上的严格约束项;
若达到,则判定所述障碍物为大块障碍物,并设定模糊编队机制;其中,所述模糊编队机制定义为:
上式中,(xe,t,ye,t)为根据被监视目标的实时位置确定的无人机编队中中心无人机UVAe的理想观测位置;(xi,t,yi,t)为无人机编队中每一架无人机UVAi(i=1,2,…,N)的最优观测位置;分别为x轴、y轴上的模糊约束项。
可选的,所述多无人机协同路径优化模型定义为:
上式中,I是二进制指示符,当所述协同编队机制为严格编队机制时,I=0,而当所述协同编队机制为模糊编队机制时,I=1。
可选的,所述对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置,包括:
检测所述多无人机协同路径优化模型是否包含模糊约束项;
若是,则确定所述多无人机协同路径优化模型为二次优化模型,通过库恩塔克条件对所述二次优化模型进行求解;
若否,则确定所述多无人机协同路径优化模型为模糊二次模型,并将所述模糊二次模型转换为线性规划模型进行求解;
根据求解获得的最优解和固有约束条件进行安全距离验证;其中,所述最优解包含各无人机的最优观测位置;所述固有约束条件为:
若安全距离验证通过,则控制各无人机飞至对应的最优观测位置。
此外,本发明实施例还提供一种无人机编队协同目标监视的路径规划系统,包括:
目标位置评估模块,用于获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置;
避障操作模块,用于在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;
模型建立模块,用于以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;
路径调整模块,用于对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。
由上述可知,本发明实施例提供的无人机编队协同目标监视的路径规划方法,对被监视目标的实时位置进行预测,并实时检测无人机编队飞行过程中的障碍物,并在无人机执行避障操作后,以运动距离为目标函数,并以协同编队机制为约束条件建立多无人机协同路径优化模型,实时对无人机的观测位置进行调整优化,提高目标监视性能,并实现持久性的监视目标。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例中无人机编队协同目标监视的路径规划方法的流程示意图;
图2为本发明一实施例中无人机编队协同目标监视的路径规划方法的步骤S10的流程示意图;
图3为本发明一实施例中无人机编队协同目标监视的路径规划方法的步骤S20的流程示意图;
图4为本发明一实施例中的椭圆切线模型示意图;
图5为本发明一实施例中无人机编队协同目标监视的路径规划方法的步骤S30的流程示意图;
图6为本发明一实施例中的无人机避障过程示意图;
图7为本发明一实施例中无人机编队协同目标监视的路径规划方法的步骤S40的流程示意图;
图8为本发明一实施例中无人机编队协同目标监视的路径规划装置的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
本发明中涉及的部分名词解释如下:
MCPO:Cooperative Path Optimization Model for Multi-UAV,多无人机协同路径优化模型。
如图1所示,本发明一实施例提供的一种无人机编队协同目标监视的路径规划方法,具体包括以下步骤:
步骤S10,获取被监视目标下一时刻的实时位置,并根据被监视目标下一时刻的实时位置确定无人机编队中各无人机下一时刻的理想观测位置。
在本实施例中,无人机编队包含分布在同一飞行高度的多架(N架)无人机,且无人机间满足设定的最小安全距离。具体的,已知在无人机编队的监测范围内被监视目标当前时刻的实时位置、移动速度时,可以预测出被监视目标下一时刻的实时位置,进而根据被监视目标下一时刻的实时位置确定无人机编队中各无人机下一时刻的理想观测位置,该理想观测位置是指无人机编队在理想监视场景中,被监视目标位于各无人机的监视中心,也即被监视目标的实时位置与无人机编队中各无人机的理想观测位置存在对应关系。
作为优选,如图2所示,步骤S10具体包括以下步骤:
步骤S101,确定无人机编队中各无人机当前时刻的观测位置,以及在无人机编队的监视范围内被监视目标当前时刻的实时位置。
也即,对无人机编队的观测位置和被监视目标的实时位置进行初始化设置。
步骤S102,通过LK光流算法获取被监视目标当前时刻的运动信息。
在步骤S102中,该LK光流算法是一种两帧差分的光流估计算法,利用被监视目标的时域变化与运动之间的相关性,找到前一帧与当前帧的对应关系,从而计算出被监视目标当前时刻的运行信息。
具体的,假设在被监视目标选取Np个特征关键点,计算过程是在每一个特征关键点的领域上求解一个过约束方程组,得到单特征关键点的运动信息,包含在x轴上移动速度Vx和在y轴上的移动速度Vy,并由单特征关键点的运动信息得到被监视目标当前时刻的运行信息。其中,LK光流算法可以表示为:
公式(1)中,Vx和Vy分别为单特征像素点在x轴和y轴上的移动速度;Ixi和Iyi是当前帧在领域中沿其他关键点i(i=i-1,2,…,Np)在x轴和y轴上的空间导数;Iti是上一帧和当前帧之间的时间导数。
步骤S103,基于被监视目标当前时刻的运动信息和实时位置,通过移动平均算法获取被监视目标下一时刻的实时位置,并确定无人机编队中各无人机下一时刻的理想观测位置。
在获得被监视目标当前时刻的运动信息之后,计算出被监视目标当前时刻的平均位置偏移,并将被监视目标当前时刻的平均位置偏移和实时位置输入移动平均算法,以获得被监视目标下一时刻的实时位置。其中,平均位置偏移的计算公式可以表示为:
移动平均算法可以表示为:
公式(3)中,(xTAR,t,yTAR,t)为被监视目标下一时刻的实时位置;(xTAR,t-1,yTAR,t-1)为被监视目标当前时刻的实时位置。
进一步地,根据被监视目标下一时刻t的实时位置(xTAR,t,yTAR,t)确定无人机编队中各无人机下一时刻的理想观测位置(xi,t,yi,t)。
可理解的,本实施例基于LK光流算法预测被监视目标的实时位置,进而确定在理想监视场景下各无人机的观测位置,可以保证飞行监视的稳定性。
步骤S20,在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作。
具体的,在无人机编队飞行过程中,对于每一架无人机,通过安装在无人机上的障碍物检测装置如探测雷达、超声波传感器、激光扫描仪等,实时检测无人机当前时刻的飞行方向是否存在如建筑物、树木等障碍物,若无人机当前时刻的飞行方向存在障碍物,则根据检测到的障碍物信息和预设避障模型控制无人机执行避障操作,该障碍物信息包括但不限于障碍物的类型、障碍物的大小、障碍物的边界信息等;若无人机当前时刻的飞行方向不存在障碍物,则确定无人机无需执行避障操作,并控制无人机持续沿着理想飞行路径飞至下一时刻的理想观测位置。
作为优选,如图3所示,在障碍物信息包含障碍物的边界信息,预设避障模型为椭圆切线模型时,步骤S20包括以下步骤:
步骤S201,对于无人机编队中每一架无人机,通过安装在无人机前端的激光扫描仪检测无人机的探测范围内是否存在障碍物。
在本实施例中,激光扫描仪可以采用二维激光雷达如UST-10LX,无人机的探测范围取决于无人机的最短探测距离、最长探测距离和探测角度,且无人机的探测范围小于等于激光扫描仪的实际探测范围。例如,UST-10LX的实际探测距离为0.06m至10m,实际探测角度为270°,相应地,无人机的最短探测距离和最长探测距离分别为1m和10m,探测角度为180°,无人机探测距离和探测角度的设置可以避免无人机的机翼部件对较短探测距离测得的雷达数据的影响,并达到最大的有效探测范围。
步骤S202,若无人机的探测范围内存在障碍物,则获取障碍物的边界信息。
也即,在无人机飞行过程中,若通过激光扫描仪实时检测到无人机的探测范围内存在障碍物,则获取障碍物的边界信息。优选地,障碍物的边界信息包含但不限于障碍物的左右边缘点、距离无人机最近的边缘点。
步骤S203,基于无人机当前时刻的观测位置和障碍物的边界信息,通过椭圆切线模型获取无人机的候选飞行路径集。
在本实施例中,椭圆切线模型的工作过程为:首先根据障碍物的边界信息构建最小封闭椭圆,然后基于无人机当前时刻的观测位置构建两条椭圆切线,最后将每一条椭圆切线作为候选飞行路径构建无人机的候选飞行路径集。
如图4所示的椭圆切线模型示意图,图4中,O是无人机当前时刻的观测位置,A、B和C分别为激光扫描仪检测到的障碍物的左边缘点、右边缘点和距离无人机最近的边缘点。在已知OA、OB、OC、θ1和θ2(由激光扫描仪测得)情况下,可以计算得到隐藏线CF。其中,隐藏线CF的计算公式为:
CF=ED=OAcosθ1-OCcosθ2 (4)
进一步地,以F为椭圆中心、以CF和BF(CF<BF)为轴构建最小封闭椭圆,并基于点O设置OG、OH这两条椭圆切线,进而以OG、OH这两条椭圆切线作为路径规划中的候选飞行路径构建候选飞行路径集。
步骤S204,在候选飞行路径集中获取距离最短的一条候选飞行路径,设置为避障飞行路径,以控制无人机执行避障操作。
图4中,OH>OG,也即在候选飞行路径集中获取的距离最短的一条候选飞行路径为OG,并将OG设置为避障飞行路径来控制无人机执行避障操作。
在另一实施例中,如图3所示,步骤S20还包括以下步骤:
步骤S205,若无人机的探测范围内不存在障碍物,则控制无人机飞至下一时刻的理想观测位置。
也即,在无人机飞行过程中,若通过激光扫描仪检测到无人机的探测范围内不存在障碍物时,则确定无人机无需执行避障操作,控制无人机直接飞至下一时刻的理想观测位置。
可理解的,本实施例当每架无人机的激光扫描仪检测到障碍物时,基于椭圆切线模型进行避障,可以避免无人机编队飞行中障碍物遮挡对无人机监视性能的影响。
步骤S30,以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型。
在本实施例中,以无人机编队在各时刻的运动距离为目标函数,优化无人机编队的飞行路径,并以协同编队机制为实时的约束条件,动态调整无人机编队的结构,进而根据上述目标函数和上述约束条件构建多无人机协同路径优化模型,后续步骤中可以利用上述多无人机协同路径优化模型对无人机避障后的观测位置进行调整优化,并根据调整优化后的最优观测位置来规划多无人机的监视路径。
作为优选,如图5所示,步骤S30包括以下步骤:
步骤S301,获取无人机编队的整体能耗和传输稳定性,并根据无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数。
可理解的,多无人机协同路径规划要求被监视目标始终在无人机编队的监视范围内,也即每架无人机可以随时观测在地面移动的被监视目标,然而无人机编队在实际监视场景下执行目标监视任务时,会遇到如树木、建筑物等障碍物,这些障碍物会影响无人机的监视性能。因此,多无人机协同路径规划的目的在于使部分或者所有无人机执行避障后仍处于最优观测位置,同时考虑无人机编队的整体能耗和传输稳定性。
作为优选,步骤S301包括以下步骤:
步骤S3011,通过对无人机编队中单无人机的飞行能耗进行累加,获得无人机编队的整体能耗;其中,单无人机的飞行能耗定义为:
公式(5)中,为无人机编队中任一架无人机UAVi在时刻t时的能耗;s为无人机UAVi在时刻t时的最大位移;Δxi,t、Δyi,t分别为无人机UAVi在时刻t时x轴、y轴对应的运动距离,且Δxi,t=xi,t-x′i,t,Δyi,t=yi,t-y′i,t;(x′i,t,y′i,t)、(xi,t,yi,t)分别为无人机UAVi在时刻t时避障后的观测位置和调整后的优化观测位置。
相应地,无人机编队的整体能耗定义为:
公式(6)中,JEt为无人机编队在时刻t时的整体能耗;N为无人机编队中的无人机总数。
步骤S3012,通过对无人机编队中单无人机的信息传输稳定性进行累加,获得无人机编队的传输稳定性;其中,单无人机的信息传输稳定性定义为:
相应地,无人机编队的传输稳定性定义为:
公式(8)中,JSt为无人机编队在时刻t时的传输稳定性。
步骤S3013,计算无人机编队的整体能耗与传输稳定性之间的差值;其中,相对差值具体表示为:
Jt=JSt-JEt (9)
步骤S3014,对无人机编队的整体能耗与信息传输稳定性之间的差值进行等价处理,获得基于运动距离的目标函数;其中,基于运动距离的目标函数具体表示为:
且在本实施例中,等价处理的过程如下:
首先,对人机编队的信息传输稳定性JSt进行最小化,也即公式(8)可以最小化为:
公式(11)中,“~”为等效符号。相似的,对无人机编队的整体能耗JEt进行最小化,也即公式(6)可以最小化为:
其次,结合公式(11)和(12)可以将公式(9)等价处理为公式(10)。
最后,由于Δx和Δy是相对独立的,因此公式(10)可以表示为:
可理解的,本实施例以无人机编队在各时刻的运动距离为目标函数来规划多无人机的监视路径,可以提高无人机编队的飞行稳定性。
步骤S302,根据障碍物的类型设定协同编队机制。
在本实施例中,通过判断障碍物是小块障碍物还是大块障碍物,设置不同的协同编队机制,以避开无人机编队在执行监视任务时遇到的障碍物,并准确规划各无人机的监视路径。其中,协同编队机制包含与小块障碍物对应的严格编队机制、与大块障碍物对应的模糊编队机制两种。
作为优选,步骤S302包括以下步骤:
步骤S3021,获取满足预设避障条件的无人机数量,并检测是否达到无人机编队中的无人机总数。
其中,预设避障条件是最近检测距离dpro小于预设距离阈值dobs,相应地,预设非避障条件是最近检测距离dpro大于等于预设距离阈值dobs。最近检测距离dpro根据无人机当前时刻的观测位置,以及激光扫描仪实时检测到的距无人机最近的障碍物边缘点进行确定;预设距离阈值dobs根据无人机的避障性能和飞行误差进行设置,优选的,当dobs=8时,椭圆切线模型性能好,且避障性能好,飞行误差小。
也即,检测无人机编队中每一架无人机是否满足dpro<dobs,并统计满足dpro<dobs的无人机数量,进而通过检测满足dpro<dobs的无人机数量是否达到无人机编队中的无人机总数,来判定障碍物是小块障碍物还是大块障碍物。
需要说明的是,在所有无人机均满足dpro≥dobs时,判定无人机编队在当前的监视场景中不存在障碍物,也即当前的监视场景为理想监视场景,且在当前的监视场景中无人机编队无需执行避障操作,采用LK光流法评估被监视目标的实时位置,进而根据被监视目标的实时位置规划无人机编队中各无人机的观测路径;在存在任一无人机满足dpro<dobs,判断无人机编队在当前的监视场景中存在障碍物,此时满足dpro<dobs的无人机需要执行避障操作后通过多无人机协同路径优化模型进行观测位置的优化调整。
步骤S3022,若未达到,则判定障碍物为小块障碍物,并设定严格编队机制。
也即,若满足dpro<dobs的无人机数量未达到无人机编队中的无人机总数,则判定无人机编队在目标过程中存在一些小块障碍物,此时部分无人机需要避开障碍物,可以设定严格编队机制来调整多无人机的观测位置。其中,严格编队机制可以定义为:
公式(14)中,a是满足dpro,a≥dobs的无人机编号;(xa,t,ya,t)为编号为a的无人机UVAa在时刻t时的理想观测位置;(xi,t,yi,t)为无人机编队中其他无人机UVAi(i=1,2,…,a-1,a+1,…,N)在时刻t时的最优观测位置;li、di分别为x轴、y轴上的严格约束项。
可理解的,部分满足dpro<dobs的无人机在采用椭圆切线模型进行避障操作之后,根据满足dpro,a≥dobs的无人机UVAa进行优化调整,以保证监视的准确性。
步骤S3023,若达到,则判定障碍物为大块障碍物,并设定模糊编队机制。
也即,若满足dpro<dobs的无人机数量达到无人机编队中的无人机总数,则判定无人机编队目标监视过程中存在大块障碍物,此时无人机编队中所有无人机需要避开障碍物,可以设计模糊编队机制来调整多无人机的观测位置。其中,模糊编队机制可以定义为:
公式(15)中,(xe,t,ye,t)为根据被监视目标的实时位置(xTAG,t,yTAG,t)确定的无人机编队中中心无人机UVAe的理想观测位置;(xi,t,yi,t)为无人机编队中每一架无人机UVAi(i=1,2,…,N)的最优观测位置;分别为x轴、y轴上的模糊约束项。
可理解的,在模糊编队机制中,所有无人机避障后的观测位置(x′i,t,y′i,t)需要在避障后进行调整优化。不同于严格编队机制,模糊编队机制中没有满足dpro≥dobs的无人机作为参考,此时可以根据采用LK光流法得到的被监视目标的实时位置来搜索被监视目标的概率区域。为了提高多无人机协同路径优化模型的容错能力,引入模糊约束项来约束无人机编队调整后的观测位置(xi,t,yi,t)。
举例说明如下,如图6示的无人机避障过程示意图,图6中,圆点表示无人机、矩形表示被监视目标,ΔlTAG,t为被监视目标在t时刻时的平均位置偏移(xTAR,t,yTAR,t)计算得到的移动位置向量,也即粗虚线表示每架无人机采用严格编队机制对应的监视范围,细虚线表示每架无人机采用模糊编队机制对应的监视范围,粗曲线表示由移动位置向量ΔlTAG,t确定的被监视目标的移动位置区域。由图6可知,在多无人机协同路径优化模型引入模糊编队机制可以缓解无人机编队的结构约束,模糊编队机制有利于在目标搜索过程中扩大多无人机的监视范围,在LK光流法存在误差的情况下降低目标丢失的问题。
步骤S303,根据基于运动距离的目标函数、严格编队机制和模糊编队机制,建立多无人机协同路径优化模型。其中,多无人机协同路径优化模型可以定义为:
公式(16)、(17)中,I是二进制指示符,当协同编队机制为严格编队机制时,I=0,而当协同编队机制为模糊编队机制时,I=1。由公式(16)、(17)可知,当I=0时,多无人机协同路径优化模型为二次规划模型;而当I=1时,多无人机协同路径优化模型包含模糊约束项,多无人机协同路径优化模型为模糊二次模型。
步骤S40,对多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果规划各无人机的监视路径。
在本实施例中,首先通过检测多无人机协同路径优化模型是否包含模糊约束项,判定多无人机协同路径优化模型的类型是二次规划模型还是模糊二次模型,进而采用对应的求解方式进行对模型进行求解,以将各无人机调整后的最优观测位置作为求解结果输出。
进一步地,根据无人机的飞行安全距离设定固有约束条件,并根据固有约束条件对多无人机协同路径优化模型输出的求解结果进行安全距离验证,若验证通过,则确定求解结果有效,并根据求解结果规划各无人机的监视路径,也即控制各无人机由当前的观测位置飞至最优观测位置。而若验证未通过,则确定求解结果无效,需要重新规划各无人机的监视路径。
作为优选,如图7所示,步骤S40包括以下步骤:
步骤S401,检测多无人机协同路径优化模型是否包含模糊约束项。
也即,检测二进制指示符I是否等于1,若是,则判定多无人机协同路径优化模型包含模糊约束项,否则多无人机协同路径优化模型不包含模糊约束项。
步骤S402,若是,则确定多无人机协同路径优化模型为二次优化模型,通过库恩塔克条件对二次优化模型进行求解。其中,库恩塔克条件是判定约束非线性规划问题的某可行点为极小点的必要条件。
步骤S403,若否,则确定多无人机协同路径优化模型为模糊二次模型,并将模糊二次模型转换为线性规划模型进行求解。
具体的,对于基于变量X的模糊模型,求解过程如下:
步骤一,采用库恩塔克条件将基于变量X的模糊模型,即公式(16)转换为线性规划模型,具体表示为:
公式(18)中,bi,t为包含模糊约束项的常量因子,且xN+i,t、vN+i,t均是松弛变量,且xi,t的长度与辅助向量vi,t相同;x′i,t为已知量,表示每架无人机在时刻t时在x轴上避障后的观测位置。
公式(19)中,xN+i,t为松弛变量,xN+i,t=0(i=1,2,…,N)。
步骤三,将模糊线性模型转换为包含满意度缩放的线性模型,具体表示为:
公式(20)中,(μi(X))α={X|μi(X)≥α},μi(X)为变量系数;α为满意度,其满足α∈[0,1];pi为公差。
步骤四,根据各个变量系数μi(X),将包含满意度缩放的线性模型等价为:
公式(21)中,X(x1,x2,…,xn)T∈RT。此时,根据删除了模糊约束项的公式(21)将包含模糊约束项的公式(17)转换为线性规划模型,具体表示为:
同理,对于基于变量X的模糊二次模型转换为线性规划模型,具体表示为:
公式(23)中,hi和ui为求解线性规划模型的辅助向量,其值为0。
步骤S404,根据求解获得的最优解和固有约束条件进行安全距离验证;其中,最优解包含各无人机的最优观测位置;固有约束条件为:
公式(24),Δxi,k、Δyi,k分别为编号为i的无人机UVAi和编号为k的无人机UVAk在x轴、y轴上的长度;为无人机UVAi和无人机UVAk之间的距离;Dsafe为无人机的飞行安全距离,且为一个常数。由公式(24)可知,对于两架无人机,只需计算一次安全距离,以降低多无人机协同路径优化模型的复杂度。
步骤S405,若安全距离验证通过,则控制各无人机飞至对应的最优观测位置。
步骤S406,若安全距离验证未通过,则获取次优解,并控制各无人机飞至对应的次优观测位置;其中,次优解包含各无人机的次优观测位置。
也即,根据无人机的编号,按照升序依稀计算无人机之间的间隔距离,并检测无人机之间的间隔距离是否大于等于飞行安全距离,若满足,则确定安全距离验证通过,并控制各无人机飞至对应的最优观测位置,若不满足,则确定安全距离验证未通过,此时获取次优解,并控制各无人机飞至对应的次优观测位置。
由上述可知,本实施例提供的无人机编队协同目标监视的路径规划方法,对被监视目标的实时位置进行预测,并实时检测无人机编队飞行过程中的障碍物,并在无人机执行避障操作后,以运动距离为目标函数,并以协同编队机制为约束条件建立多无人机协同路径优化模型,实时对无人机的观测位置进行调整优化,提高目标监视性能,并实现持久性的监视目标。
此外,如图8所示,本发明一实施例还提供了一种无人机编队协同目标监视的路径规划系统,包括目标位置评估模块110、避障操作模块120、模型建立模块130和路径调整模块140,各功能模块的详细说明如下:
目标位置评估模块110,用于获取被监视目标下一时刻的实时位置,并根据被监视目标下一时刻的实时位置确定无人机编队中各无人机下一时刻的理想观测位置;
避障操作模块120,用于在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;
模型建立模块130,用于以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;
路径调整模块140,用于对多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。
上述实施例的装置用于实现前述实施例中相应地方法,并且具有相应地方法实施例的有益效果,在此不再赘述。
进一步地,所述目标位置评估模块110包括以下子模块,各功能子模块的详细说明如下
初始化处理子模块,用于确定无人机编队中各无人机当前时刻的观测位置,以及在无人机编队的监视范围内被监视目标当前时刻的实时位置;
运动信息获取子模块,用于通过LK光流算法获取被监视目标当前时刻的运动信息;
实时位置获取子模块,用于基于被监视目标当前时刻的运动信息和实时位置,通过移动平均算法获取被监视目标下一时刻的实时位置,并确定无人机编队中各无人机下一时刻的理想观测位置。
进一步地,在所述障碍物信息包含障碍物的边界信息,所述预设避障模型为椭圆切线模型时,所述避障操作模块120包括以下子模块,各功能子模块的详细说明如下:
障碍物检测子模块,用于对于无人机编队中每一架无人机,通过安装在无人机前端的激光扫描仪检测无人机的探测范围内是否存在障碍物;
边界信息获取子模块,用于若无人机的探测范围内存在障碍物,则获取障碍物的边界信息;
候选路径确定子模块,用于基于无人机当前时刻的观测位置和障碍物的边界信息,通过椭圆切线模型获取无人机的候选飞行路径集;
避障操作子模块,用于在候选飞行路径集中获取距离最短的一条候选飞行路径,设置为避障飞行路径,以控制无人机执行避障操作。
进一步地,所述避障操作模块120还包括以下子模块,各功能子模块的详细说明如下:
无障碍路径规划子模块,用于若无人机的探测范围内不存在障碍物,则控制无人机飞至下一时刻的理想观测位置。
进一步地,所述模型建立模块130包括以下子模块,各功能子模块的详细说明如下:
目标函数设定子模块,用于获取无人机编队的整体能耗和传输稳定性,并根据无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数;
编队机制设定子模块,用于根据障碍物的类型设定协同编队机制;其中,障碍物的类型包含小块障碍物和大块障碍物;该协同编队机制包含严格编队机制和模糊编队机制;
优化模型建立子模块,用于根据基于运动距离的目标函数、严格编队机制和模糊编队机制,建立多无人机协同路径优化模型。
进一步地,所述路径调整模块140包括以下子模块,各功能子模块的详细说明如下:
模糊项检测子模块,用于检测多无人机协同路径优化模型是否包含模糊约束项;
第一求解子模块,用于若是,则确定多无人机协同路径优化模型为二次优化模型,通过库恩塔克条件进行求解;
第二求解子模块,用于若否,则确定多无人机协同路径优化模型为模糊二次模型,并将模糊二次模型转换为线性规划模型进行求解;
安全距离验证子模块,用于根据求解获得的最优解和固有约束条件进行安全距离验证;其中,该最优解包含各无人机的最优观测位置;该固有约束条件为:
上式中,Δxi,k、Δyi,k分别为编号为i的无人机UVAi和编号为k的无人机UVAk在x轴、y轴上的长度;为无人机UVAi和无人机UVAk之间的距离;Dsafe为无人机的飞行安全距离,且为一个常数;
路径调整子模块,用于若安全距离验证通过,则控制各无人机飞至对应的最优观测位置。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明实施例的,不同方面的许多其它变化,为了简明它们没有在细节中提供。
本发明实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种无人机编队协同目标监视的路径规划方法,其特征在于,包括:
获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置;
在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;
以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;
对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。
2.根据权利要求1所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置,包括:
确定无人机编队中各无人机当前时刻的观测位置,以及在所述无人机编队的监视范围内所述被监视目标当前时刻的实时位置;
通过LK光流算法获取所述被监视目标当前时刻的运动信息;
基于所述被监视目标当前时刻的所述运动信息和所述实时位置,通过移动平均算法获取所述被监视目标下一时刻的实时位置,并确定所述无人机编队中各无人机下一时刻的理想观测位置。
3.根据权利要求1所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述障碍物信息包含障碍物的边界信息;所述预设避障模型为椭圆切线模型;
所述在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作,包括:
对于无人机编队中每一架无人机,通过安装在所述无人机前端的激光扫描仪检测所述无人机的探测范围内是否存在障碍物;
若所述无人机的探测范围内存在障碍物,则获取障碍物的边界信息;
基于所述无人机当前时刻的观测位置和障碍物的边界信息,通过椭圆切线模型获取所述无人机的候选飞行路径集;
在所述候选飞行路径集中获取距离最短的一条候选飞行路径,设置为避障飞行路径,以控制所述无人机执行避障操作。
4.根据权利要求1所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作,还包括:
若所述无人机的探测范围内不存在障碍物,则控制所述无人机飞至下一时刻的理想观测位置。
5.根据权利要求1所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型,包括:
获取所述无人机编队的整体能耗和传输稳定性,并根据所述无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数;
根据障碍物的类型设定协同编队机制;其中,所述障碍物的类型包含小块障碍物和大块障碍物;所述协同编队机制包含严格编队机制和模糊编队机制;
根据所述基于运动距离的目标函数、所述严格编队机制和所述模糊编队机制,建立多无人机协同路径优化模型。
6.根据权利要求5所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述获取所述无人机编队的整体能耗和传输稳定性,并根据所述无人机编队的整体能耗与传输稳定性之间的差值,设定基于运动距离的目标函数,包括:
通过对所述无人机编队中单无人机的飞行能耗进行累加,获得所述无人机编队的整体能耗;其中,所述单无人机的飞行能耗定义为:
上式中,为无人机编队中任一无人机UAVi在时刻t时的能耗;s为无人机UAVi在时刻t时的最大位移;Δxi,t、Δyi,t分别为无人机UAVi在时刻t时x轴、y轴对应的运动距离,且Δxi,t=xi,t-x′i,t,Δyi,t=yi,t-y′i,t;(x′i,t,y′i,t)、(xi,t,yi,t)分别为无人机UAVi在时刻t时避障后的观测位置和调整后的优化观测位置;
以及无人机编队的整体能耗定义为:
上式中,JEt为无人机编队在时刻t时的整体能耗;N为无人机编队中的无人机总数;
通过对无人机编队中单无人机的信息传输稳定性进行累加,获得无人机编队的传输稳定性;其中,所述单无人机的信息传输稳定性定义为:
以及所述无人机编队的传输稳定性定义为:
上式中,JSt为无人机编队在时间t时的传输稳定性;
计算无人机编队的整体能耗与传输稳定性之间的差值;其中,所述差值具体表示为:
Jt=JSt-JEt;
对无人机编队的整体能耗与信息传输稳定性之间的差值进行等价处理,获得基于运动距离的目标函数;其中,所述基于运动距离的目标函数表示为:
7.根据权利要求6所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述根据障碍物的类型设定协同编队机制,包括:
获取满足预设避障条件的无人机数量,并检测是否达到无人机编队中的无人机总数;其中,所述预设避障条件为最近检测距离dpro小于预设距离阈值dobs;
若未达到,则判定所述障碍物为小块障碍物,并设定严格编队机制;其中,所述严格编队机制定义为:
上式中,a是满足条件dpro,a≥dobs的无人机的编号;(xa,t,ya,t)为编号为a的无人机UVAa在时刻t时的理想观测位置;(xi,t,yi,t)为无人机编队中其他无人机UVAi(i=1,2,…,a-1,a+1,…,N)在时刻t时的最优观测位置;li、di分别为x轴、y轴上的严格约束项;
若达到,则判定所述障碍物为大块障碍物,并设定模糊编队机制;其中,所述模糊编队机制定义为:
9.根据权利要求1所述的无人机编队协同目标监视的路径规划方法,其特征在于,所述对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置,包括:
检测所述多无人机协同路径优化模型是否包含模糊约束项;
若是,则确定所述多无人机协同路径优化模型为二次优化模型,并通过库恩塔克条件对所述二次优化模型进行求解;
若否,则确定所述多无人机协同路径优化模型为模糊二次模型,并将所述模糊二次模型转换为线性规划模型进行求解;
根据求解获得的最优解和固有约束条件进行安全距离验证;其中,所述最优解包含各无人机的最优观测位置;所述固有约束条件为:
若安全距离验证通过,则控制各无人机飞至对应的最优观测位置。
10.一种无人机编队协同目标监视的路径规划系统,其特征在于,包括:
目标位置评估模块,用于获取被监视目标下一时刻的实时位置,并根据所述被监视目标下一时刻的所述实时位置确定无人机编队中各无人机下一时刻的理想观测位置;
避障操作模块,用于在无人机编队飞行过程中进行障碍物检测,并根据检测到的障碍物信息和预设避障模型控制各无人机执行避障操作;
模型建立模块,用于以运动距离为目标函数,并以协同编队机制为约束条件,建立多无人机协同路径优化模型;
路径调整模块,用于对所述多无人机协同路径优化模型进行求解和安全距离验证,并根据通过安全距离验证的求解结果调整各无人机避障后的观测位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780761.3A CN113359853B (zh) | 2021-07-09 | 2021-07-09 | 一种无人机编队协同目标监视的路径规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780761.3A CN113359853B (zh) | 2021-07-09 | 2021-07-09 | 一种无人机编队协同目标监视的路径规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113359853A true CN113359853A (zh) | 2021-09-07 |
CN113359853B CN113359853B (zh) | 2022-07-19 |
Family
ID=77539035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780761.3A Active CN113359853B (zh) | 2021-07-09 | 2021-07-09 | 一种无人机编队协同目标监视的路径规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359853B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113900449A (zh) * | 2021-10-26 | 2022-01-07 | 鹏城实验室 | 多无人机轨迹规划方法、装置、无人机及存储介质 |
CN114355958A (zh) * | 2021-09-09 | 2022-04-15 | 南京航空航天大学 | 多无人机智能协同系统的交互任务部署方法 |
CN117270393A (zh) * | 2023-10-07 | 2023-12-22 | 重庆大学 | 智能机器人集群协同控制系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065881A1 (en) * | 2010-09-14 | 2012-03-15 | The Boeing Company | Management System for Unmanned Aerial Vehicles |
CN106485736A (zh) * | 2016-10-27 | 2017-03-08 | 深圳市道通智能航空技术有限公司 | 一种无人机全景视觉跟踪方法、无人机以及控制终端 |
US20190019418A1 (en) * | 2015-08-27 | 2019-01-17 | Dronsystems Limited | Automated system of air traffic control (atc) for at least one unmanned aerial vehicle (uav) |
CN109685237A (zh) * | 2017-10-19 | 2019-04-26 | 北京航空航天大学 | 一种基于Dubins路径和分支限界的无人机航迹实时规划方法 |
CN109871032A (zh) * | 2019-03-04 | 2019-06-11 | 中科院成都信息技术股份有限公司 | 一种基于模型预测控制的多无人机编队协同控制方法 |
US20190265705A1 (en) * | 2016-11-14 | 2019-08-29 | SZ DJI Technology Co., Ltd. | Flight path determination |
CN110618701A (zh) * | 2019-08-26 | 2019-12-27 | 中国人民解放军国防科技大学 | 用于目标跟踪的多无人机协同优化方法及系统 |
CN110703803A (zh) * | 2019-11-06 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种无人机群飞行控制的方法、无人机、系统及介质 |
CN110989655A (zh) * | 2019-11-05 | 2020-04-10 | 西安羚控电子科技有限公司 | 一种舰载侦察较射无人机起降阶段目标跟踪方法 |
CN111161305A (zh) * | 2019-12-18 | 2020-05-15 | 任子行网络技术股份有限公司 | 无人机智能识别追踪方法及系统 |
CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
-
2021
- 2021-07-09 CN CN202110780761.3A patent/CN113359853B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065881A1 (en) * | 2010-09-14 | 2012-03-15 | The Boeing Company | Management System for Unmanned Aerial Vehicles |
US20190019418A1 (en) * | 2015-08-27 | 2019-01-17 | Dronsystems Limited | Automated system of air traffic control (atc) for at least one unmanned aerial vehicle (uav) |
CN106485736A (zh) * | 2016-10-27 | 2017-03-08 | 深圳市道通智能航空技术有限公司 | 一种无人机全景视觉跟踪方法、无人机以及控制终端 |
US20190265705A1 (en) * | 2016-11-14 | 2019-08-29 | SZ DJI Technology Co., Ltd. | Flight path determination |
CN109685237A (zh) * | 2017-10-19 | 2019-04-26 | 北京航空航天大学 | 一种基于Dubins路径和分支限界的无人机航迹实时规划方法 |
CN109871032A (zh) * | 2019-03-04 | 2019-06-11 | 中科院成都信息技术股份有限公司 | 一种基于模型预测控制的多无人机编队协同控制方法 |
CN110618701A (zh) * | 2019-08-26 | 2019-12-27 | 中国人民解放军国防科技大学 | 用于目标跟踪的多无人机协同优化方法及系统 |
CN110989655A (zh) * | 2019-11-05 | 2020-04-10 | 西安羚控电子科技有限公司 | 一种舰载侦察较射无人机起降阶段目标跟踪方法 |
CN110703803A (zh) * | 2019-11-06 | 2020-01-17 | 中国人民解放军国防科技大学 | 一种无人机群飞行控制的方法、无人机、系统及介质 |
CN111161305A (zh) * | 2019-12-18 | 2020-05-15 | 任子行网络技术股份有限公司 | 无人机智能识别追踪方法及系统 |
CN111562797A (zh) * | 2020-07-06 | 2020-08-21 | 北京理工大学 | 确保收敛的无人机飞行时间最优实时轨迹优化方法 |
Non-Patent Citations (1)
Title |
---|
邓伟栋等: "UAV编队协同跟踪目标航迹规划", 《电光与控制》, vol. 27, no. 09, 30 September 2020 (2020-09-30), pages 43 - 48 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355958A (zh) * | 2021-09-09 | 2022-04-15 | 南京航空航天大学 | 多无人机智能协同系统的交互任务部署方法 |
CN114355958B (zh) * | 2021-09-09 | 2022-06-21 | 南京航空航天大学 | 多无人机智能协同系统的交互任务部署方法 |
CN113900449A (zh) * | 2021-10-26 | 2022-01-07 | 鹏城实验室 | 多无人机轨迹规划方法、装置、无人机及存储介质 |
CN113900449B (zh) * | 2021-10-26 | 2023-12-22 | 鹏城实验室 | 多无人机轨迹规划方法、装置、无人机及存储介质 |
CN117270393A (zh) * | 2023-10-07 | 2023-12-22 | 重庆大学 | 智能机器人集群协同控制系统 |
CN117270393B (zh) * | 2023-10-07 | 2024-05-17 | 重庆大学 | 智能机器人集群协同控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113359853B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113359853B (zh) | 一种无人机编队协同目标监视的路径规划方法及系统 | |
CN110546459B (zh) | 具有数据融合的机器人跟踪导航 | |
CN104793201B (zh) | 一种跟踪临近空间高超声速目标的修正变结构网格交互多模型滤波方法 | |
Peng et al. | UAV positioning based on multi-sensor fusion | |
US20180165974A1 (en) | Vehicle collision prevention | |
Frew | Sensitivity of cooperative target geolocalization to orbit coordination | |
Nasseri et al. | Power line detection and tracking using hough transform and particle filter | |
Dai et al. | Multi-UAV collaborative trajectory optimization for asynchronous 3-D passive multitarget tracking | |
Zhou et al. | Vision-based online localization and trajectory smoothing for fixed-wing UAV tracking a moving target | |
Ruz et al. | Using MILP for UAVs trajectory optimization under radar detection risk | |
Bai et al. | Cooperative trajectory optimization for unmanned aerial vehicles in a combat environment | |
Bodi et al. | Reinforcement learning based UAV formation control in GPS-denied environment | |
Guan et al. | Autonomous exploration using UWB and LiDAR | |
Hou et al. | A small UAV tracking algorithm based on AIMM-UKF | |
Unal | Visual target detection and tracking based on Kalman filter | |
JP3750859B2 (ja) | レーダ追尾装置及びレーダ追尾処理方法 | |
Zeng et al. | An Indoor 2D LiDAR SLAM and Localization Method Based on Artificial Landmark Assistance | |
Kim et al. | Real-time path planning to dispatch a mobile sensor into an operational area | |
Catalano et al. | Uav tracking with solid-state lidars: dynamic multi-frequency scan integration | |
US20130085643A1 (en) | Sensor positioning | |
Kim | 3D path planner of an autonomous underwater vehicle to track an emitter using frequency and azimuth–elevation angle measurements | |
CN107330468B (zh) | 基于切尔诺夫融合准则的多传感器分布式数据融合方法 | |
Ramirez et al. | Moving target acquisition through state uncertainty minimization | |
Gao et al. | Fuzzy Q learning algorithm for dual-aircraft path planning to cooperatively detect targets by passive radars | |
Ramirez-Paredes et al. | Optimal placement for a limited-support binary sensor |
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 |