CN113867412B - 一种基于虚拟领航的多无人机航迹规划方法 - Google Patents
一种基于虚拟领航的多无人机航迹规划方法 Download PDFInfo
- Publication number
- CN113867412B CN113867412B CN202111373800.4A CN202111373800A CN113867412B CN 113867412 B CN113867412 B CN 113867412B CN 202111373800 A CN202111373800 A CN 202111373800A CN 113867412 B CN113867412 B CN 113867412B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- virtual
- obstacle
- potential field
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 238000013467 fragmentation Methods 0.000 abstract description 4
- 238000006062 fragmentation reaction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 27
- 238000005457 optimization Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 2
- 235000012308 Tagetes Nutrition 0.000 description 1
- 241000736851 Tagetes Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
本发明公开了一种基于虚拟领航的多无人机航迹规划方法,该方法包括:步骤(1):控制中心构建虚拟领航员,确定多无人机的m个控制周期T;步骤(2):利用PS0算法产生虚拟领航员初始预设航迹A;步骤(3):构建与期望编队状态相关的人工势场函数;步骤(4):构建带避障的人工势场;步骤(5):利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内的飞行与避障;步骤(6):循环执行步骤(3)~步骤(5),控制多无人机执行m个控制周期T内的飞行与避障,即完成多无人机实时航迹规划。本发明解决了单一粒子群算法或人工势场法所带来的计算复杂度高、碎片化问题。
Description
技术领域
本发明属于多无人机集群航迹规划和编队避障领域,具体涉及一种基于虚拟领航的多无人机航迹规划方法。
背景技术
在复杂多变的信息化战场条件下,采用单一无人机执行应对某未知区域的覆盖式侦察、监测等任务时,由于不确定性因素包括飞行航程、任务所需要的资源以及需要多机协同等可能会严重影响任务执行的效能,难度较大。多无人机航迹规划与编队避障问题是解决多无人机协同任务的关键问题所在,通过对多无人机的航迹规划可以在一定程度上选取可靠的任务执行路线,规避任务区域范围内的障碍物、威胁区域等,以最小的代价完成任务。同时通过动态的编队避障可以灵活地应对一些突发性的障碍以及威胁,保证多无人机飞航的可靠。
针对多无人机的航迹规划与编队避障一般采用例如蚁群优化算法、人工势场法、粒子群优化算法等方法。采用单一的蚁群或粒子群优化算法的主要问题是一旦计算点数增多,算法计算量和所需内存急剧增加,不适用于飞航过程中的动态实时计算;而单一使用人工势场法时存在局限性,可能会导致无人机陷入局部陷阱并无法脱离,使任务失败。另外,使用人工势场法时,多机之间相互作用受多机领域半径的限制,超出领域半径的范围则认为不存在相互影响的势场,从而可能导致多无人机的碎片化。
发明内容
针对上述情况,本发明的目的在于提供一种基于虚拟领航的多无人机航迹规划方法。本发明基于虚拟领航的粒子群算法(PSO)与人工势场算法(APF)协同的多无人机航迹规划编队避障,以解决单一粒子群算法或人工势场法所带来的计算复杂度高、碎片化问题。
具体采用如下方案:
一种基于虚拟领航的多无人机航迹规划方法,该方法包括:
步骤(1):控制中心构建虚拟领航员,其中虚拟领航员初始飞行状态信息由多无人机的飞行状态信息Sall计算获得,Sall=[S1,…,Si,…,SL],其中Si为第i架无人机当前的飞行状态,L为无人机的数量;确定多无人机的m个控制周期T,Tc表示第c个控制周期,c={0,1,…,m};确定无人机编队状态其中为第i架无人机对于虚拟领航员的位置偏置,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向上相对虚拟领航员的偏置量;
步骤(2):考虑任务区域的障碍物信息,控制中心根据虚拟领航员初始飞行状态信息Svirtual-0、障碍物信息Senv以及目标区域位置信息Ptarget,利用PSO算法产生虚拟领航员初始预设航迹A;
步骤(3):结合步骤(2)的虚拟领航员初始预设航迹A,构建与期望编队状态相关的人工势场函数;
步骤(4):在步骤(3)的基础上,结合多无人机对周围环境的探测情况,构建带避障的人工势场;
步骤(5):利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内的飞行与避障;
步骤(6):循环执行步骤(3)~步骤(5),控制多无人机执行m个控制周期T内的飞行与避障,即完成多无人机实时航迹规划。
进一步,所述步骤(1)具体包括:
步骤(1.1):控制中心通过网络通信从多无人机的飞控单元获取相应多无人机的飞行状态信息Sall=[S1,…,Si,…,SL];
其中,Si为第i架无人机当前的飞行状态,Si=(Pi,Vi);i={1,2,…,L};L为多无人机数量;Pi=(xi,yi,zi)表示第i架无人机当前的位置,xi,yi,zi分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的坐标位置;表示第i架无人机当前的速度,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的速度大小;
步骤(1.2):根据L架无人机的飞行状态Sall,计算初始控制周期T0内虚拟领航员的飞行状态Svirtual-0:
Svirtual-0=(Pvirtual-0,Vvirtual-0)
其中,Pvirtual-0=(xvirtual-0,yvirtual-0,zvirtual-0)表示虚拟领航员初始位置,xvirtual-0,yvirtual-0,zvirtual-0分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的坐标位置,表示虚拟领航员初始速度,分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的速度大小。
进一步,步骤(2)利用PSO算法产生虚拟领航员初始预设航迹A具体为:利用障碍物信息Senv使迭代过程中粒子位置避开障碍物,并将虚拟领航员初始时刻飞行状态信息Svirtual-0的位置信息Pvirtual-0作为起点,目标区域位置信息Ptarget作为终点,采用PSO算法获得预设航迹A;
其中,目标区域位置信息Ptarget=(xtarget,ytarget,ztarget),xtarget,ytarget,ztarget分别表示在笛卡尔坐标系下目标在三维空间中x、y和z三个方向的坐标位置;障碍物信息Senv=[O1,…,Oj,…,OJ];j∈{1,2,…,J};J为障碍物数量;Oj表示第j个障碍物的信息,考虑障碍物为半球体,Oj表示为:Oj=(Pj,rj),其中Pj为第j个障碍物的位置,Pj=(xj,yj,zj),xj,yj,zj分别表示在笛卡尔坐标系下第j个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rj表示第j个障碍物的半径大小;
预设初始航迹A=(P1,…,Pk,…,PK);k∈{1,2,…,K};K为航点数量;Pk表示PSO算法所产生的虚拟领航员的预定航点,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个航点在三维空间中x、y和z三个方向的坐标位置。
进一步,步骤(3)构建与理想编队状态相关的人工势场函数包括:
步骤(3.1):将步骤(2)中获得的初始预设航迹A作为虚拟领航员的航迹,控制中心根据多无人机控制周期T,计算单个控制周期(即第c个控制周期Tc)内的虚拟领航员飞行状态Svirtual-c,并将Svirtual-c发送给多无人机;
Pi ζ=Pvirtual-c+Pi r;
Vi ζ=Vvirtual-c;
其中,为正实数;k∈{1,2,…,K};为无人机i在控制周期Tc内所观测到的障碍物集合;J为障碍物数量;Ok表示第k个障碍物的信息,考虑障碍物为半球体,Ok表示为:Ok=(Pk,rk),其中Pk为第k个障碍物的中心位置,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rk表示第j个障碍物的半径大小;设e代指函数输入,则人工势场函数计算式中函数可表示为:
φβ(e)=ρh(e/d)(σ(e-d)-1)
其中,d为一正实数,表示无人机与障碍物之间的最小容忍距离;
μ=rk/||Pi-Pk||
αk=(Pi-Pk)/||Pi-Pk||
其中,I为单位阵。
进一步,步骤(5)利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期Tc内的飞行与避障包括:
进一步,步骤(6)具体为:多无人机的飞行过程中,在m个控制周期T内,循环执行步骤(3)~步骤(5),即完成多无人机的实时航迹规划。
本发明基于虚拟领航的多无人机航迹规划方法包括:步骤(1):控制中心构建虚拟领航员,确定多无人机的m个控制周期T;步骤(2):利用PSO算法产生虚拟领航员初始预设航迹A;步骤(3):构建与期望编队状态相关的人工势场函数;步骤(4):构建带避障的人工势场;步骤(5):利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内的飞行与避障;步骤(6):循环执行步骤(3)~步骤(5),控制多无人机执行m个控制周期T内的飞行与避障,即完成多无人机实时航迹规划。
具体实施方式
下面结合实施例对本发明做进一步详细阐述。
一种基于虚拟领航的多无人机航迹规划方法,包括:
步骤(1):控制中心构建虚拟领航员,其中虚拟领航员初始飞行状态信息由多无人机的飞行状态信息Sall计算获得,Sall=[S1,…,Si,…,SL],其中Si为第i架无人机当前的飞行状态,L为无人机的数量;确定多无人机的m个控制周期T,Tc表示第c个控制周期,c={0,1,…,m}。控制周期T由多无人机航迹决定;确定无人机编队状态其中为第i架无人机对于虚拟领航员的位置偏置,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向上相对虚拟领航员的偏置量;为第L架无人机对于虚拟领航员的位置偏置。
步骤(2):考虑任务区域的障碍物信息,控制中心根据虚拟领航员初始飞行状态信息Svirtual-0、障碍物信息Senv以及目标区域位置信息Ptarget,利用PSO算法产生虚拟领航员初始预设航迹A;
步骤(3):结合步骤(2)的虚拟领航员初始预设航迹A,构建与期望编队状态相关的人工势场函数,控制多无人机跟随虚拟领航员;
步骤(4):在步骤(3)的基础上,结合多无人机对周围环境的探测情况,构建带避障的人工势场;
步骤(5):利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内的飞行与避障;
步骤(6):循环执行步骤(3)~步骤(5),完成控制多无人机执行m个控制周期T内的飞行与避障,即完成多无人机实时航迹规划。
进一步,所述步骤(1)具体包括:
步骤(1.1):控制中心通过网络通信从多无人机的飞控单元获取相应无人机飞行状态信息Sall=[S1,…,Si,…,SL];
其中,Si为第i架无人机当前的飞行状态,Si=(Pi,Vi);i={1,2,…,L};L为多无人机数量;Pi=(xi,yi,zi)表示第i架无人机当前的位置,xi,yi,zi分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的坐标位置;表示第i架无人机当前的速度,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的速度大小。
步骤(1.2):根据L架无人机的飞行状态Sall,计算初始控制周期T0内虚拟领航员的飞行状态Svirtual-0:
Svirtual-0=(Pvirtual-0,Vvirtual-0)
其中,Pvirtual-0=(xvirtual-0,yvirtual-0,zvirtual-0)表示虚拟领航员初始位置,xvirtual-0,yvirtual-0,zvirtual-0分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的坐标位置,表示虚拟领航员初始速度,分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的速度大小。
进一步,步骤(2)利用PSO算法产生虚拟领航员初始预设航迹A具体为:设置PSO算法种群数量、迭代次数、权重系数、粒子维度、学习因子,随机初始化种群,利用障碍物信息Senv使迭代过程中粒子位置避开障碍物,并将虚拟领航员初始时刻飞行状态信息Svirtual-0的位置信息Pvirtual-0作为起点,目标区域位置信息Ptaget作为终点,采用PSO算法获得预设航迹A。
其中,目标区域位置信息Ptarget=(xtarget,ytarget,ztarget),xtarget,ytarget,ztarget分别表示在笛卡尔坐标系下目标在三维空间中x、y和z三个方向的坐标位置;障碍物信息Senv=[O1,…,Oj,…,OJ];j∈{1,2,…,J};J为障碍物数量;Oj表示第j个障碍物的信息,考虑障碍物为半球体,Oj表示为:Oj=(Pj,rj),其中Pj为第j个障碍物的位置,Pj=(xj,yj,zj),xj,yj,zj分别表示在笛卡尔坐标系下第j个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rj表示第j个障碍物的半径大小。
预设初始航迹A=(P1,…,Pk,…,PK);k∈{1,2,…,K};K为航点数量;Pk表示PSO算法所产生的虚拟领航员的预定航点,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个航点在三维空间中x、y和z三个方向的坐标位置。
进一步,步骤(3)所述构建与理想编队状态相关的人工势场函数包括:
步骤(3.1):将步骤(2)中获得的初始预设航迹A作为虚拟领航员的航迹,控制中心根据多无人机控制周期T,计算单个控制周期Tc内的虚拟领航员飞行状态Svirtual-c,并将Svirtual-c发送给多无人机。
Pi ξ=Pvirtual-c+Pi r;
Vi ζ=Vvirtual-c;
其中,为正实数;k∈{1,2,…,K};为无人机i在控制周期Tc内所观测到的障碍物集合;J为障碍物数量;Ok表示第k个障碍物的信息,考虑障碍物为半球体,Ok表示为:Ok=(Pk,rk),其中Pk为第k个障碍物的中心位置,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rk表示第j个障碍物的半径大小;设e代指函数输入,则人工势场函数计算式中函数可表示为:
φβ(e)=ρh(e/d)(σ(e-d)-1)
其中,d为一正实数,表示无人机与障碍物之间的最小容忍距离;
μ=rk/||Pi-Pk||
αk=(Pi-Pk)/||Pi-Pk||
其中,I为单位阵;
进一步,步骤(5)利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内(即第c个控制周期Tc内)的飞行与避障具体包括:
步骤(5.2):利用完整的人工势场对多无人机产生加速度,控制多无人机执行单个控制周期Tc内(即第c个控制周期Tc内)的飞行与避障;
进一步,步骤(6)具体为:在多无人机的飞行过程中,在m个控制周期T内,循环执行步骤(3)~步骤(5),实现每一控制周期Tc内多无人机的势场更新,通过势场对多无人机产生加速度,形成编队飞行与避障。即完成多无人机的实时航迹规划。
本发明所述的有益效果为:无人机集群在进行预设航迹规划时,利用PSO算法快速得到一条虚拟领航员的预设航迹,并根据队形保持要求,各成员无人机根据虚拟领航员飞行状态利用实时人工势场进行飞航控制,保持一定的编队队形;同时在飞行过程中发现障碍物时,成员无人机可以有效地利用实时更新的人工势场规避障碍物;采用分布式计算的方式将成员无人机的势场计算分配到每一个成员的机载计算机上,相较于实时PSO算法计算和控制中心的统一势场计算,减小了计算量带来的压力;所有成员无人机在全局范围内均会受到人工势场的影响,解决了集群碎片化的问题。
Claims (5)
1.一种基于虚拟领航的多无人机航迹规划方法,其特征在于,该方法包括:
步骤(1):控制中心构建虚拟领航员,其中虚拟领航员初始飞行状态信息由多无人机的飞行状态信息Sall计算获得,Sall=[S1,…,Si,…,SL],其中Si为第i架无人机当前的飞行状态,L为无人机的数量;确定多无人机的m个控制周期T,Tc表示第c个控制周期,c={0,1,…,m};确定无人机编队状态其中为第i架无人机对于虚拟领航员的位置偏置,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向上相对虚拟领航员的偏置量;
步骤(2):考虑任务区域的障碍物信息,控制中心根据虚拟领航员初始飞行状态信息Svirtual-0、障碍物信息Senv以及目标区域位置信息Ptarget,利用PSO算法产生虚拟领航员初始预设航迹A;
步骤(3):结合步骤(2)的虚拟领航员初始预设航迹A,构建与期望编队状态相关的人工势场函数;其具体过程为:
步骤(3.1):将步骤(2)中获得的初始预设航迹A作为虚拟领航员的航迹,控制中心根据多无人机控制周期T,计算单个控制周期,即第c个控制周期Tc内的虚拟领航员飞行状态Svirtual-c,并将Svirtual-c发送给多无人机;
步骤(3.2):L架无人机根据接收到的虚拟领航员飞行状态Svirtual-c以及无人机编队状态信息,建立与编队相关的人工势场函数;其中,对于第i架无人机,人工势场函数为:
其中,为正实数;表示单位向量函数,e表示函数的输入;
表示在笛卡尔坐标系下,无人机i在当前编队控制周期Tc内的期望位置在三维空间中x、y和z三个方向的坐标;
表示在笛卡尔坐标系下,无人机i在当前编队控制周期Tc的三维空间中x、y和z三个方向期望的速度矢量;
步骤(4):在步骤(3)的基础上,结合多无人机对周围环境的探测情况,构建带避障的人工势场;其具体过程为:
利用多无人机在第c个控制周期Tc内对附近可观察范围环境内的实时探测障碍物信息产生避障相关的人工势场函数
其中,为正实数;k∈{1,2,…,K};为无人机i在控制周期Tc内所观测到的障碍物集合;J为障碍物数量;Ok表示第k个障碍物的信息,考虑障碍物为半球体,Ok表示为:Ok=(Pk,rk),其中Pk为第k个障碍物的中心位置,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rk表示第j个障碍物的半径大小;设e代指函数输入,则人工势场函数计算式中函数可表示为:
φβ(e)=ρh(e/d)(σ(e-d)-1)
其中,d为一正实数,表示无人机与障碍物之间的最小容忍距离;
其中,
其中,ε为正实数,表示由障碍物k所引起的虚拟障碍单元位置, 表示由障碍物k所引起的虚拟障碍单元速度,
μ=rk/||Pi-Pk||
αk=(Pi-Pk)/||Pi-Pk||
其中,I为单位阵;
步骤(5):利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期T内的飞行与避障;
步骤(6):循环执行步骤(3)~步骤(5),控制多无人机执行m个控制周期T内的飞行与避障,即完成多无人机实时航迹规划。
2.根据权利要求1所述的基于虚拟领航的多无人机航迹规划方法,其特征在于,所述步骤(1)具体包括:
步骤(1.1):控制中心通过网络通信从多无人机的飞控单元获取相应多无人机的飞行状态信息Sall=[S1,…,Si,…,SL];
其中,Si为第i架无人机当前的飞行状态,Si=(Pi,Vi);i={1,2,…,L};L为多无人机数量;Pi=(xi,yi,zi)表示第i架无人机当前的位置,xi,yi,zi分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的坐标位置;表示第i架无人机当前的速度,分别表示在笛卡尔坐标系下第i架无人机在三维空间中x、y和z三个方向的速度大小;
步骤(1.2):根据L架无人机的飞行状态Sall,计算初始控制周期T0内虚拟领航员的飞行状态Svirtual-0:
Svirtual-0=(Pvirtual-0,Vvirtual-0)
其中,Pvirtual-0=(xvirtual-0,yvirtual-0,zvirtual-0)表示虚拟领航员初始位置,xvirtual-0,yvirtual-0,zvirtual-0分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的坐标位置,表示虚拟领航员初始速度,分别表示在笛卡尔坐标系下虚拟领航员在三维空间中x、y和z三个方向的速度大小。
3.根据权利要求1所述的基于虚拟领航的多无人机航迹规划方法,其特征在于,步骤(2)利用PSO算法产生虚拟领航员初始预设航迹A具体为:利用障碍物信息Senv使迭代过程中粒子位置避开障碍物,并将虚拟领航员初始时刻飞行状态信息Svirtual-0的位置信息Pvirtual-0作为起点,目标区域位置信息Ptarget作为终点,采用PSO算法获得预设航迹A;
其中,目标区域位置信息Ptarget=(xtarget,ytarget,ztarget),xtarget,ytarget,ztarget分别表示在笛卡尔坐标系下目标在三维空间中x、y和z三个方向的坐标位置;障碍物信息Senv=[O1,…,Oj,…,OJ];j∈{1,2,…,J};J为障碍物数量;Oj表示第j个障碍物的信息,考虑障碍物为半球体,Oj表示为:Oj=(Pj,rj),其中Pj为第j个障碍物的位置,Pj=(xj,yj,zj),xj,yj,zj分别表示在笛卡尔坐标系下第j个障碍物中心点在三维空间中x、y和z三个方向的坐标位置;rj表示第j个障碍物的半径大小;
预设初始航迹A=(P1,…,Pk,…,PK);k∈{1,2,…,K};K为航点数量;Pk表示PSO算法所产生的虚拟领航员的预定航点,Pk=(xk,yk,zk),xk,yk,zk分别表示在笛卡尔坐标系下第k个航点在三维空间中x、y和z三个方向的坐标位置。
4.根据权利要求1所述的基于虚拟领航的多无人机航迹规划方法,其特征在于,步骤(5)利用步骤(3)及步骤(4)构建完整的人工势场,控制多无人机执行单个控制周期Tc内的飞行与避障包括:
步骤(5.1):利用步骤(3)构建的与理想编队状态相关的人工势场函数及步骤(4)构建的带避障的人工势场形成完整的人工势场函数ui,所述完整的人工势场函数ui为:
步骤(5.2):利用完整的人工势场对多无人机产生加速度,控制多无人机执行第c个控制周期Tc内的飞行与避障,其中,加速度为:
5.根据权利要求1所述的基于虚拟领航的多无人机航迹规划方法,其特征在于,步骤(6)具体为:多无人机的飞行过程中,在m个控制周期T内,循环执行步骤(3)~步骤(5),即完成多无人机的实时航迹规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373800.4A CN113867412B (zh) | 2021-11-19 | 2021-11-19 | 一种基于虚拟领航的多无人机航迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111373800.4A CN113867412B (zh) | 2021-11-19 | 2021-11-19 | 一种基于虚拟领航的多无人机航迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113867412A CN113867412A (zh) | 2021-12-31 |
CN113867412B true CN113867412B (zh) | 2023-05-05 |
Family
ID=78985029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111373800.4A Active CN113867412B (zh) | 2021-11-19 | 2021-11-19 | 一种基于虚拟领航的多无人机航迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113867412B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115097865B (zh) * | 2022-06-27 | 2023-09-22 | 中国人民解放军海军航空大学 | 一种多机编队避障的航迹规划方法 |
CN115237130A (zh) * | 2022-07-25 | 2022-10-25 | 中国安全生产科学研究院 | 基于虚拟领航-跟随者的多机器人编队控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160210382A1 (en) * | 2015-01-21 | 2016-07-21 | Ford Global Technologies, Llc | Autonomous driving refined in virtual environments |
CN108459612B (zh) * | 2017-02-21 | 2021-03-23 | 北京航空航天大学 | 基于人工势场法的无人机编队控制方法及装置 |
CN111290429B (zh) * | 2019-12-16 | 2023-04-21 | 南京信息工程大学 | 一种基于一致性算法和人工势场方法的无人机编队及其避障控制方法 |
TWI725677B (zh) * | 2019-12-20 | 2021-04-21 | 財團法人船舶暨海洋產業研發中心 | 自航船舶的模擬系統及其運作方法 |
CN111142541A (zh) * | 2020-01-13 | 2020-05-12 | 天津工业大学 | 波浪滑翔器虚拟锚泊导航控制算法 |
CN111399539B (zh) * | 2020-03-27 | 2022-06-24 | 西北工业大学 | 一种基于航路点的无人机编队避障和防撞控制方法 |
CN112589809A (zh) * | 2020-12-03 | 2021-04-02 | 武汉理工大学 | 基于机器双目视觉和人工势场避障法的倒茶机器人 |
CN112947571A (zh) * | 2021-03-11 | 2021-06-11 | 天津大学 | 一种人工势场和虚拟领航者的无人机编队形成和保持方法 |
-
2021
- 2021-11-19 CN CN202111373800.4A patent/CN113867412B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113867412A (zh) | 2021-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Three-dimensional path planning for uninhabited combat aerial vehicle based on predator-prey pigeon-inspired optimization in dynamic environment | |
CN113867412B (zh) | 一种基于虚拟领航的多无人机航迹规划方法 | |
CN113268076B (zh) | 一种多无人机集群编队协同控制算法 | |
Quintero et al. | Flocking with fixed-wing UAVs for distributed sensing: A stochastic optimal control approach | |
Wu et al. | Formation obstacle avoidance: A fluid-based solution | |
Zhang et al. | Pigeon-inspired optimization approach to multiple UAVs formation reconfiguration controller design | |
CN105022401A (zh) | 基于视觉的多四旋翼无人机协同slam的方法 | |
Ru et al. | Distributed cooperative search control method of multiple UAVs for moving target | |
Selvam et al. | Collision-free path planning for UAVs using efficient artificial potential field algorithm | |
CN114330115B (zh) | 一种基于粒子群搜索的神经网络空战机动决策方法 | |
Oh et al. | Coordinated standoff tracking of groups of moving targets using multiple UAVs | |
Qi et al. | Formation control for unmanned aerial vehicles with directed and switching topologies | |
Wang et al. | Multiple quadrotors formation flying control design and experimental verification | |
Zhicai et al. | A cooperative search algorithm based on improved particle swarm optimization decision for UAV swarm | |
Bai et al. | Cooperative trajectory optimization for unmanned aerial vehicles in a combat environment | |
CN114138022A (zh) | 一种基于精英鸽群智能的无人机集群分布式编队控制方法 | |
Liu et al. | Discrete pigeon-inspired optimization-simulated annealing algorithm and optimal reciprocal collision avoidance scheme for fixed-wing UAV formation assembly | |
Xiong et al. | Multi-uav 3d path planning in simultaneous attack | |
Zhang et al. | Multi-target encirclement with collision avoidance via deep reinforcement learning using relational graphs | |
Zhang et al. | Research on cooperative path planning model of multiple unmanned vehicles in real environment | |
Fan et al. | UAV online path planning technology based on deep reinforcement learning | |
Cao et al. | Quadrotor swarm flight experimentation inspired by pigeon flock topology | |
Zhou et al. | Multi-UAVs formation autonomous control method based on RQPSO-FSM-DMPC | |
CN116107329A (zh) | 复杂环境中分布式蜂群的路径规划方法 | |
Feng et al. | Optimal trajectory planning technology for the cooperative flight of unmanned aerial vehicles |
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 |