CN114253285B - 一种多飞行器协同队形集结方法 - Google Patents
一种多飞行器协同队形集结方法 Download PDFInfo
- Publication number
- CN114253285B CN114253285B CN202110264832.4A CN202110264832A CN114253285B CN 114253285 B CN114253285 B CN 114253285B CN 202110264832 A CN202110264832 A CN 202110264832A CN 114253285 B CN114253285 B CN 114253285B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- constraint
- constraint model
- tau
- multiple aircrafts
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 230000002776 aggregation Effects 0.000 claims abstract description 25
- 238000004220 aggregation Methods 0.000 claims abstract description 25
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 abstract description 6
- 238000005755 formation reaction Methods 0.000 description 42
- 230000006870 function Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000019681 resolution of meiotic recombination intermediates Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 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
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)
- Traffic Control Systems (AREA)
Abstract
本公开的多飞行器协同队形集结方法,基于tau引导策略原理,通过添加速度一次项的方法改进tau‑J引导策略;根据多飞行器飞行状态的收敛条件,确定改进tau‑J引导策略的约束条件;根据约束条件建立多飞行器的约束模型,通过将罚函数添加到多飞行器的约束模型中,采用加权的方法对多飞行器的约束模型进行优化得到多飞行器的优化约束模型;利用遗传算法对多飞行器的优化约束模型进行求解,当满足多飞行器的优化约束模型的约束条件时,将结果分配给多飞行器实现多飞行器协同队形集结。能够弥补原始tau引导策略中初速度为0的缺陷,参数约束关系简单,解决了在初始速度和终止速度都不是0的多飞行器协同队形集结问题。
Description
技术领域
本发明属于多飞行器协同集结技术领域,具体涉及一种多飞行器协同队形集结方法。
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,队形集结是飞行器协同的一种重要手段。队形集结是指通过规划航迹使飞行器在向某一队形集结的过程中能够同时或序贯飞抵指定地点。
针对多飞行器队形优化问题,目前一般采用航迹规划方法进行求解,主要有离散航迹规划和连续航迹规划两种。在连续航迹规划问题中,常用的方法有伪谱法、粒子群算法、tau引导策略。
目前,常用的tau引导策略包括:tau导数引导策略、tau-G引导策略、tau-J引导策略。其中,tau导数引导策略只能解决初始为运动状态且终止为静止状态的运动中,使用范围比较狭窄,并且仅能用于初始时刻就朝向目标位置运动的情况。tau-G引导策略只能解决初始加速度不为0,运动系统的初始阶段误差较大的运动中。tau-G和tau-J引导策略只能处理初始速度和终止速度都是0的航迹运动规划问题,对于初始时刻存在相对运动的情况无法求解。
传统的多飞行器协同连续航迹规划过程中的存储空间和时间开销较大,多飞行器协同连续航迹的表达形式也较为复杂。四维航迹不需要进行多飞行器的速度或航程的再分配,只要多飞行器的航迹在时间维度上满足避碰要求即可,基于tau引导策略的多飞行器航迹规划方法表达形式简洁、易于优化求解。
本公开基于改进的tau-J引导策略可以弥补原始tau引导策略中初速度为0的缺陷,参数限制条件少,约束关系简单,能够应用在初始速度和终止速度都不是0的多飞行器协同队形集结问题。
发明内容
本发明克服了现有技术的不足之一提供了一种多飞行器协同队形集结方法,能够弥补原始tau引导策略中初速度为0的缺陷,参数限制条件少,约束关系简单,能够解决在初始速度和终止速度都不是0的多飞行器协同队形集结问题,实现多飞行器队形在空间和时间上的协同集结。
根据本公开的一方面,本发明提供一种多飞行器协同队形集结方法,所述方法包括:基于tau引导策略原理,通过添加速度一次项的方法改进tau-J引导策略;
根据多飞行器飞行状态的收敛条件,确定所述改进tau-J引导策略的约束条件;
根据所述改进tau-J引导策略的约束条件建立所述多飞行器的约束模型,将罚函数添加到所述多飞行器的约束模型中,通过采用加权的方法对所述多飞行器的约束模型进行优化,得到所述多飞行器的优化约束模型;
利用遗传算法对所述多飞行器的优化约束模型进行求解,当求解结果满足所述多飞行器的优化约束模型的约束条件时,将所求结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。
在一种可能的实现方式中,所述方法还包括,当求解结果不满足所述多飞行器的优化约束模型的约束条件时,通过增加所述多飞行器的优化约束模型的航迹约束威胁代价值再次进行所述多飞行器的协同队形集结轨迹规划。
在一种可能的实现方式中,所述利用遗传算法对所述多飞行器的优化约束模型进行求解,包括:
S41:确定所述多飞行器的优化约束模型的变量参数、输入参数和输出参数,并根据所述变量参数、输入参数和输出参数设计编码方式;
S42:根据所述多飞行器的优化约束模型的目标函数和约束条件初始化种群P0,规模为N,N为正整数;
S43:若所述多飞行器的优化约束模型的目标函数为J,将种群P0中的所有个体p带入到所述目标函数为J中,求出对应的目标函数值J(p),将所述对应的目标函数值J(p)作为适应度值,并令t=0;
S44:根据遗传算法的选择概率、交叉概率和变异概率,对父代种群Pt中相应个体执行选择、交叉和变异操作,生成子代种群Ct;
S45:合并所述父代种群Pt和子代种群Ct得到混合种群Ht,在所述混合种群Ht中计算所有个体的适应度值,如果在子代种群的最优个体适应度值大于父代种群的最优个体适应度值,将所述子代种群中最优个体设置为新的精英个体Pt+1=Ct;
S46:对所述新的精英个体Pt+1进行选择、交叉和变异操作,生成新子代种群Ct+1;
S47:当达到遗传算法的终止条件时,输出最新的子代种群中最优个体和对应的最优个体适应度值,作为所述多飞行器的优化约束模型的结果。
本公开的多飞行器协同队形集结方法,通过基于tau引导策略原理,通过添加速度一次项的方法改进tau-J引导策略;根据多飞行器飞行状态的收敛条件,确定所述改进tau-J引导策略的约束条件;根据所述改进tau-J引导策略的约束条件建立所述多飞行器的约束模型,将罚函数添加到所述多飞行器的约束模型中,通过采用加权的方法对所述多飞行器的约束模型进行优化,得到所述多飞行器的优化约束模型;利用遗传算法对所述多飞行器的优化约束模型进行求解,当求解结果满足所述多飞行器的优化约束模型的约束条件时,将所求结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。能够弥补原始tau引导策略中初速度为0的缺陷,参数约束关系简单,解决了在初始速度和终止速度都不是0的多飞行器协同队形集结问题,实现多飞行器队形在空间和时间上的协同集结。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1示出了根据本公开一实施例的多飞行器协同队形集结方法流程图;
图2示出了根据本公开另一实施例的多飞行器协同队形集结方法流程图;
图3示出了根据本公开一实施例的步骤S4的方法流程图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本发明的保护范围之内。
另外,附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本公开的多飞行器协同队形集结方法,通过引入tau理论将多飞行器队形集结问题转换为四维航迹规划模型,通过添加速度一次项的方式对传统tau-J引导策略进行改进,确定改进的tau-J引导策略参数的约束条件,建立多飞行器约束优化模型,通过遗传算法对多飞行器约束优化模型进行求解,将求解结果分配给每架飞行器,各飞行器按照规划结果即从初始状态经预定时间到达目标状态,从而实现多飞行器编队在空间和时间上的协同。
图1示出了根据本公开一实施例的多飞行器协同队形集结方法流程图。如图1所示,该方法可以包括:
S1:基于tau引导策略原理,通过添加速度一次项的方法改进tau-J引导策略。
其中,依据tau引导策略的基本原理,在tau引导策略的内部引导运动中通过添加速度一次项的方式改进tau-J引导策略。
假设改进后的tau-J引导策略的内部引导运动的方程为
其中,a和b为改进后的tau-J引导策略的内部引导运动的初始速度和初始间距,a和b不为零,t为运动时间,JI(t)、和/>为改进后的tau-J引导策略的目标函数。
以飞行器在X轴运动为例,假设期望飞行器到达时间为T,飞行器初始位置和初始速度分别为x0和目标位置和目标速度分别为xT和/>
在[0,T]时间段内,位置间距Δx可以为:Δx=xT-x,速度间距可以为:从而可得:/>其中定义/>由于存在初始的相对速度,R0一般不等于假设的初始位置间距xT-x0。对公式(1)两边分别进行积分和求导,将飞行器的初始条件(初始速度和初始位置)以及目标条件(目标速度和目标位置)代入得到:
将假设初始条件x(0)=x0,JI(T)=0代入公式(2),求解得到各个参数的值为:
求解公式(3)得到飞行器内部引导运动的参数a和b的值为:
S2:根据多飞行器飞行状态的收敛条件,确定所述改进tau-J引导策略的约束条件。
通过分析改进的tau-J引导策略中各个参数的约束条件,由参数k在不同取值下飞行器在X轴运动状态的收敛情况,可得出0<k<0.5时,当t→T时,飞行器在X轴运动状态/>飞行器在X轴运动的位置和速度收敛到目标状态,加速度收敛为0。
如果参数b小于0,求解过程中会出现负数的非整数次幂的情况,导致计算结果出现虚数,产生错误,则参数b应大于0。
公式(4)中的分母当/>时,k<0,不在(0,0.5)的取值范围内,显然满足要求。当/>时,k在(0,0.5)的取值范围内,尽管会导致奇点出现,但当奇点出现时,参数a=-b/T,该改进的策略依然可以满足要求。
为了保证飞行器在X轴运动状态能够在时间[0,T]内收敛,需要目标函数JI(t)的值为0时,目标函数JI(t)在时间[0,T]上有且仅有一个解t=T。在t∈[0,T]范围内,当a<0时,目标函数为单调递减函数,如果b>0,JI(T)=0,满足目标函数JI(t)在时间[0,T]上有且仅有一个解;当a>0时,目标函数/>有一个正数解/>则目标函数JI(t)在上单调递增,在/>上单调递减,如果b>0,JI(T)=0,同样目标函数JI(t)在时间[0,T]上有且仅有一个解。
结合上述确定的参数约束条件,只要参数b大于0,即可满足所有参数的约束,即化简公式(4)得到
S3:根据所述改进tau-J引导策略的约束条件建立所述多飞行器的约束模型,将罚函数添加到所述多飞行器的约束模型中,通过采用加权的方法对所述多飞行器的约束模型进行优化,得到所述多飞行器的优化约束模型。
根据所述改进tau-J引导策略的约束条件可以将飞行器的四维航迹规划问题建立为多飞行器约束模型。例如,飞行器编队包含n架飞行器,n=1,2,…,i,其中,n和i为正整数,i为飞行器的编号。
第i架飞行器的空间位置Ui(t)和飞行速度vi(t)分别可以表示为:其中,i=1,2,…,n。若第i架飞行器的起始状态为Si(t0)={Ui(t0),vi(t0)},期望达到时间为T,目标状态为Si(t0+T)={Ui(t0+T),vi(t0+T)},则经过规划求解后,第i架飞行器的航迹在三维坐标系下可以分解成
将每一架飞行器的三维空间位置Ui(t)作为其运动间距,从而飞行器协同队形集结航迹规划过程可以看作飞行器运动间距的闭合过程,根据这一思想,在引入改进后的tau-J引导策略后,公式(5)可以变形为:
其中,(xT,yT,zT)T和为飞行器的目标状态,(kx,ky,kz)T为飞行器的耦合因子集合(飞行器的约束模型的优化变量)。
根据曲线积分的定义可以得出飞行器协同队形集结航迹的长度为L, 通过合理选择每架飞行器的耦合因子集合,满足建立的各种约束条件,可以得到一组引导飞行器从初始状态运动到目标状态的航迹,能够将多飞行器队形集结中的四维航迹规划问题建立为多飞行器的约束模型:
i,j=1,2,..,n;d=x,y,z;t∈[0,T] 公式(10),
其中,Li为第i架飞行器的航迹长度,DOi为第i架飞行器的威胁代价值,vid和aid表示坐标轴d上的速度与加速度,Lmax为飞行器的最大航程,vmax和amax分别为飞行器的最大速度和最大加速度,Hmin和Hmax分别为飞行器的最小和最大飞行高度。
针对多飞行器的约束模型,通过对各个目标函数采用加权的方法将其转变为单目标飞行器优化或多个单目标飞行器的优化模型,通过罚函数法添加到目标函数对公式(7)中进行相关约束为多飞行器的优化约束模型:
其中,ω为目标函数权重,ωL、ωv、ωa、和ωh分别是飞行器的航程、速度、加速度和航高约束条件的权重,fL、fv、fa和fh为上述约束不满足时的惩罚项。权重系数的选择主要根据任务需求、空域环境和飞行器性能进行设定,例如当飞行器编队需要执行紧急任务时,需要航程尽可能的短,这时可以适当提高目标函数权重ω的值;当飞行器编队执行定位任务过程时需要更多的考虑航线安全性,这时可以适当减小目标函数权重ω的值。其他权重系数的调整类似,需要结合飞行器编队执行协同定位任务的场景和需求。
S4:利用遗传算法对所述多飞行器的优化约束模型进行求解,当求解结果满足所述多飞行器的优化约束模型的约束条件时,将所求结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。
其中,遗传算法可以为带有经营精英策略的遗传算法,也可以为别的遗传算法,在此不作限定。
图2示出了根据本公开一实施例的步骤S4的方法流程图。
在一示例中,如图2所示,利用遗传算法对所述多飞行器的优化约束模型进行求解,可以包括:
S41:确定所述多飞行器的优化约束模型的变量参数、输入参数和输出参数,并根据所述变量参数、输入参数和输出参数设计编码方式;
S42:根据所述多飞行器的优化约束模型的目标函数和约束条件初始化种群P0,规模为N;
S43:若所述多飞行器的优化约束模型的目标函数为J,将种群P0中的所有个体p带入到所述目标函数为J中,求出对应的目标函数值J(p),将所述对应的目标函数值J(p)作为适应度值,并令t=0;
S44:根据遗传算法的选择概率、交叉概率和变异概率,对父代种群Pt中相应个体执行选择、交叉和变异操作,生成子代种群Ct;
S45:合并所述父代种群Pt和子代种群Ct得到混合种群Ht,在所述混合种群Ht中计算所有个体的适应度值,如果在子代种群的最优个体适应度值大于父代种群的最优个体适应度值,将所述子代种群中最优个体设置为新的精英个体Pt+1=Ct;
S46:对所述新的精英个体Pt+1进行选择、交叉和变异操作,生成新子代种群Ct+1;
S47:当达到遗传算法的终止条件时,输出最新的子代种群中最优个体和对应的最优个体适应度值,作为所述多飞行器的优化约束模型的结果。
利用遗传算法求解并得到飞行器航迹后,根据设定的评价准则对飞行器协同队形集结航迹的安全性进行评价,并判断飞行器协同队形集结航迹的可飞性。其中,评价准则可以包括当满足飞行器的优化约束模型的约束条件的飞行器协同队形集结航迹比不满足飞行器的优化约束模型约束条件的航迹的安全性要高;在总航程代价一致的情况下,满足飞行器的优化约束模型约束条件的飞行器协同队形集结航迹威胁代价值越小,飞行器协同队形集结航迹的安全性越高;对于不满足飞行器的优化约束模型的约束条件的飞行器协同队形集结航迹,其违反的约束条件越多,安全性则越差。
当利用遗传算法求解结果满足多飞行器的优化约束模型的约束条件时的,将结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。
步骤S5:当求解结果不满足所述多飞行器的优化约束模型的约束条件时,通过增加所述多飞行器的优化约束模型的航迹约束威胁代价值再次进行所述多飞行器的协同队形集结轨迹规划。
在多飞行器的优化约束模型的约束条件得不到满足时,通过适当放宽威胁代价来进行重规划操作。以飞行器航程约束为例,如果规划出来的飞行器航迹航程大于飞行器允许的最大航程,则需要进行重规划,重规划后的航迹存在两种情况:一是满足飞行器航程约束但会穿过威胁区,这种情况可视为重规划成功,二是飞行器即使穿过威胁区也不能满足航程约束,这种情况可视为重规划失败,即当前输入条件下无满足约束条件的可飞航迹。
本公开的多飞行器协同队形集结方法,通过基于tau引导策略原理,通过添加速度一次项的方法改进tau-J引导策略;根据多飞行器飞行状态的收敛条件,确定所述改进tau-J引导策略的约束条件;根据所述改进tau-J引导策略的约束条件建立所述多飞行器的约束模型,将罚函数添加到所述多飞行器的约束模型中,通过采用加权的方法对所述多飞行器的约束模型进行优化,得到所述多飞行器的优化约束模型;利用遗传算法对所述多飞行器的优化约束模型进行求解,当求解结果满足所述多飞行器的优化约束模型的约束条件时,将所求结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。能够弥补原始tau引导策略中初速度为0的缺陷,参数约束关系简单,解决了在初始速度和终止速度都不是0的多飞行器协同队形集结问题,实现多飞行器队形在空间和时间上的协同集结。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (3)
1.一种多飞行器协同队形集结方法,其特征在于,所述方法包括:
基于tau引导策略原理,通过添加速度一次项的方法改进tau-J引导策略;
改进后的tau-J引导策略的内部引导运动的方程为
其中,a和b为改进后的tau-J引导策略的内部引导运动的初始速度和初始间距,a和b不为零,t为运动时间,JI(t)、和/>为改进后的tau-J引导策略的目标函数;
根据多飞行器飞行状态的收敛条件,确定所述改进tau-J引导策略的约束条件;
根据所述改进tau-J引导策略的约束条件建立所述多飞行器的约束模型,将罚函数添加到所述多飞行器的约束模型中,通过采用加权的方法对所述多飞行器的约束模型进行优化,得到所述多飞行器的优化约束模型:
其中,ω为目标函数权重,飞行器编队包含n架飞行器,i=1,2,…,n,其中,n和i为正整数,i为飞行器的编号,Li为第i架飞行器的航迹长度,DOi为第i架飞行器的威胁代价值,ωL、ωv、ωa、和ωh分别是飞行器的航程、速度、加速度和航高约束条件的权重,fL、fv、fa和fh为约束条件不满足时的惩罚项;
利用遗传算法对所述多飞行器的优化约束模型进行求解,当求解结果满足所述多飞行器的优化约束模型的约束条件时,将所求结果分配给所述多飞行器,所述多飞行器按照集结轨迹规划结果实现多飞行器协同队形集结。
2.根据权利要求1所述的多飞行器协同队形集结方法,其特征在于,所述方法还包括,当求解结果不满足所述多飞行器的优化约束模型的约束条件时,通过增加所述多飞行器的优化约束模型的航迹约束威胁代价值再次进行所述多飞行器的协同队形集结轨迹规划。
3.根据权利要求1所述的多飞行器协同队形集结方法,其特征在于,所述利用遗传算法对所述多飞行器的优化约束模型进行求解,包括:
S41:确定所述多飞行器的优化约束模型的变量参数、输入参数和输出参数,并根据所述变量参数、输入参数和输出参数设计编码方式;
S42:根据所述多飞行器的优化约束模型的目标函数和约束条件初始化种群P0,规模为N,N为正整数;
S43:若所述多飞行器的优化约束模型的目标函数为J,将种群P0中的所有个体p带入到所述目标函数为J中,求出对应的目标函数值J(p),将所述对应的目标函数值J(p)作为适应度值,并令t=0;
S44:根据遗传算法的选择概率、交叉概率和变异概率,对父代种群Pt中相应个体执行选择、交叉和变异操作,生成子代种群Ct;
S45:合并所述父代种群Pt和子代种群Ct得到混合种群Ht,在所述混合种群Ht中计算所有个体的适应度值,如果在子代种群的最优个体适应度值大于父代种群的最优个体适应度值,将所述子代种群中最优个体设置为新的精英个体Pt+1=Ct;
S46:对所述新的精英个体Pt+1进行选择、交叉和变异操作,生成新子代种群Ct+1;
S47:当达到遗传算法的终止条件时,输出最新的子代种群中最优个体和对应的最优个体适应度值,作为所述多飞行器的优化约束模型的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264832.4A CN114253285B (zh) | 2021-03-11 | 2021-03-11 | 一种多飞行器协同队形集结方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110264832.4A CN114253285B (zh) | 2021-03-11 | 2021-03-11 | 一种多飞行器协同队形集结方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114253285A CN114253285A (zh) | 2022-03-29 |
CN114253285B true CN114253285B (zh) | 2023-12-08 |
Family
ID=80790972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110264832.4A Active CN114253285B (zh) | 2021-03-11 | 2021-03-11 | 一种多飞行器协同队形集结方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114253285B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415524B (zh) * | 2022-03-31 | 2022-06-21 | 中国人民解放军96901部队 | 一种启发式协同多飞行器的轨迹交叉分析及冲突消解方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529674A (zh) * | 2016-11-03 | 2017-03-22 | 中国人民解放军信息工程大学 | 多无人机协同多目标分配方法 |
CN110109481A (zh) * | 2019-05-28 | 2019-08-09 | 中国人民解放军海军航空大学 | 基于轨道变换法的多无人飞行器跟踪目标相角修正方法 |
WO2020079702A1 (en) * | 2018-10-18 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Formation flight of unmanned aerial vehicles |
CN111860984A (zh) * | 2020-07-06 | 2020-10-30 | 燕山大学 | 一种基于改进遗传算法的多异构无人机任务分配方法 |
CN111897367A (zh) * | 2020-08-14 | 2020-11-06 | 浙江大学 | 一种生物视觉启发的无人机目标跟踪方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107004369A (zh) * | 2014-11-05 | 2017-08-01 | 霍尼韦尔国际公司 | 使用程序轨迹预测的空中交通系统 |
-
2021
- 2021-03-11 CN CN202110264832.4A patent/CN114253285B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529674A (zh) * | 2016-11-03 | 2017-03-22 | 中国人民解放军信息工程大学 | 多无人机协同多目标分配方法 |
WO2020079702A1 (en) * | 2018-10-18 | 2020-04-23 | Telefonaktiebolaget Lm Ericsson (Publ) | Formation flight of unmanned aerial vehicles |
CN110109481A (zh) * | 2019-05-28 | 2019-08-09 | 中国人民解放军海军航空大学 | 基于轨道变换法的多无人飞行器跟踪目标相角修正方法 |
CN111860984A (zh) * | 2020-07-06 | 2020-10-30 | 燕山大学 | 一种基于改进遗传算法的多异构无人机任务分配方法 |
CN111897367A (zh) * | 2020-08-14 | 2020-11-06 | 浙江大学 | 一种生物视觉启发的无人机目标跟踪方法及系统 |
Non-Patent Citations (1)
Title |
---|
多无人机协同四维航迹规划的改进的Tau-H策略;丁强;陶伟明;;浙江大学学报(工学版);第52卷(第07期);第1398-1405、1422页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114253285A (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhihao et al. | Virtual target guidance-based distributed model predictive control for formation control of multiple UAVs | |
CN110608743B (zh) | 基于多种群混沌灰狼算法的多无人机协同航路规划方法 | |
CN109508035B (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
CN113110592A (zh) | 一种无人机避障与路径规划方法 | |
CN110347181B (zh) | 基于能耗的无人机分布式编队控制方法 | |
CN112068586B (zh) | 一种空间时间联合优化的四旋翼无人飞行器轨迹规划方法 | |
CN113962012A (zh) | 无人机对抗策略优化方法及装置 | |
CN112818599A (zh) | 一种基于强化学习和四维轨迹的空中管制方法 | |
CN114253285B (zh) | 一种多飞行器协同队形集结方法 | |
CN113467241B (zh) | 凸曲率着陆轨迹燃耗优化方法 | |
Wu et al. | Heterogeneous mission planning for multiple uav formations via metaheuristic algorithms | |
CN113625767A (zh) | 一种基于优选信息素灰狼算法的固定翼无人机集群协同路径规划方法 | |
Zhao et al. | Four-dimensional trajectory generation for UAVs based on multi-agent Q learning | |
CN111882047A (zh) | 一种基于强化学习与线性规划的快速空管防冲突方法 | |
CN111813144A (zh) | 一种基于改进羊群算法的多无人机协同航路规划方法 | |
CN110986960A (zh) | 一种基于改进聚类算法的无人机航迹规划方法 | |
CN111077909A (zh) | 一种基于视觉信息的新型无人机自组群自洽优化控制方法 | |
CN115016537B (zh) | 一种sead场景下异构无人机配置与任务规划联合优化方法 | |
CN113487220A (zh) | 面向静态目标观测的空天异构对地观测资源协同调度方法 | |
CN113255893B (zh) | 一种多智能体行动策略自演进生成方法 | |
CN118192589A (zh) | 基于群智能算法的多智能体编队协同避碰方法、装置和电子设备 | |
CN112034880A (zh) | 一种新型多无人机协同航路规划方法 | |
Yan et al. | Collaborative path planning based on MAXQ hierarchical reinforcement learning for manned/unmanned aerial vehicles | |
CN116501089A (zh) | 基于改进蛇优化算法的无人机三维路径规划方法 | |
CN114564044B (zh) | 一种输入限幅事件触发的无人机有限时间编队控制方法 |
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 |