CN114779820A - 一种带有智能决策的多目的地无人机实时航迹规划方法 - Google Patents

一种带有智能决策的多目的地无人机实时航迹规划方法 Download PDF

Info

Publication number
CN114779820A
CN114779820A CN202210575247.0A CN202210575247A CN114779820A CN 114779820 A CN114779820 A CN 114779820A CN 202210575247 A CN202210575247 A CN 202210575247A CN 114779820 A CN114779820 A CN 114779820A
Authority
CN
China
Prior art keywords
destination
unmanned aerial
aerial vehicle
follows
destinations
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
CN202210575247.0A
Other languages
English (en)
Inventor
马建伟
马晓毓
臧绍飞
李兴海
吕进锋
马超
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN202210575247.0A priority Critical patent/CN114779820A/zh
Publication of CN114779820A publication Critical patent/CN114779820A/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

本发明涉及一种带有智能决策的多目的地无人机实时航迹规划方法，本发明有效解决了现有决策方法无法实现最优条件下的航迹规划的问题；解决的技术方案包括：初始化无人机、目的地及环境信息；其次，利用蚁群算法，建立以最小损耗为目标函数的多目的地决策模型，有效的实现无人机的自主决策；然后，使用基于扩充解的滚动时域法，实现在复杂环境下的分步、实时航迹规划；最后，采取边走边决策的策略完成飞行任务；本方案在基于扩充解的滚动时域法（RHC_eS）中加入智能决策机制，实现了无人机的自主决策与实时航迹的规划，从而具备实时规划能力、更快的反应速度、更好的路径信息反馈能力，优于其他决策与航迹规划方法。

Description

一种带有智能决策的多目的地无人机实时航迹规划方法
技术领域
本发明涉及航迹规划技术领域，尤其涉及一种带有智能决策的多目的地无人机实时航迹规划方法。
背景技术
战时背景下的无人机多目的地物资运输任务，因其紧张复杂的环境和多变的物资需求，给运输任务造成了极大的困难，目前，针对战时环境下的多目的地物资运输问题，国内外相关学者提出了很多方法,但这些方法在解决战时环境下的物资运输任务时，仅通过当前环境和需求信息，来对目的地进行决策,而在真实情况下，环境和需求等信息都是不断变化的,因此，仅利用历史信息做一次决策，难以积极、灵活、实时的应对瞬息万变的战场；
多目的地航迹规划属于小型旅行商问题，旅行商问题是图论中最具有代表性的组合优化问题，并且已经被证明是一个NP问题，在考虑旅行商问题时，现有算法大多数选择以路径长度作为目的地决策的判断依据，但在实际环境下，需要根据任务和目标，考虑多种影响因素，且大多数算法，一般将决策和航迹规划任务分开处理，对实时决策和航迹规划有较少研究；
鉴于以上我们提供一种带有智能决策的多目的地无人机实时航迹规划方法用于解决以上问题。
发明内容
针对上述情况，本发明提供一种带有智能决策的多目的地无人机实时航迹规划方法，本方案在基于扩充解的滚动时域法(RHC_eS)中加入智能决策机制，实现了无人机的自主决策与实时航迹的规划，相对于现有的无人机航迹规划方法具备实时规划能力、更快的反应速度、更好的路径信息反馈能力。
一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，包括以下步骤：
S1：初始化无人机、目的地及环境信息；
S2：构造多目的地智能决策机制；
S3：选择最优目的地；
S4：使用RHC_eS进行航迹规划；
S5：更新无人机、目的地及环境信息；
S6：采取边走边决策策略，循环执行S2-S5，直到到达最后一个目的地。
上述技术方案有益效果在于：
(1)本方案在基于扩充解的滚动时域法(RHC_eS)中加入智能决策机制，实现了无人机的自主决策与实时航迹的规划，从而具备实时规划能力、更快的反应速度、更好的路径信息反馈能力；
(2)本方案所提出的航迹规划方法，相对于现有的其他种类无人机航迹规划方法，在实现整体损耗最低的情况下，使得其航迹长度与以最短航路为目标函数的规划方法几乎没有区别，从而实现在最优的情况下完成无人机的多目的地的航迹规划任务。
附图说明
图1为本发明带有智能决策的多目的地无人机实时航迹规划方法流程图；
图2为本发明基于蚁群算法的多目的地智能决策流程图；
图3为本发明基于扩充解的滚动时域法航迹规划流程图；
图4为本发明多目的地(5A、5B)智能决策与航迹规划结果示意图；
图5为本发明多目的地(5C、5D)智能决策与航迹规划结果示意图；
图6为本发明多目的地(7A、7B)智能决策与航迹规划结果示意图；
图7为本发明多目的地(7C、7D)智能决策与航迹规划结果示意图。
具体实施方式
有关本发明的前述及其他技术内容、特点与功效，在以下配合参考附图1至图7对实施例的详细说明中，可清楚的呈现，以下实施例中所提到的结构内容，均是以说明书附图为参考。
本方案提出一种带有智能决策的多目的地无人机实时航迹规划方法，首先，初始化无人机、目的地及环境信息；
其次，利用蚁群算法，建立以最小损耗为目标函数的多目的地决策模型，有效的实现无人机的自主决策；
然后，使用基于扩充解的滚动时域法，实现在复杂环境下的分步、实时航迹规划；
最后，采取边走边决策的策略完成飞行任务。
一、下面结合附图对本发明的技术方案做进一步的详细说明。
如附图1所示，为带有智能决策的多目的地无人机实时航迹规划方法流程图，包括以下步骤：
步骤一、初始化无人机、目的地及环境信息
包括对无人机初始位置、目的地的位置、各目的地的物资储量和物资消耗速度范围、环境中的障碍物位置信息的获取，其中，障碍物为在300×300的地图环境中，随机生成的(除起始地与目的地之外)40个半径不同的静态圆形障碍物，允许障碍物之间发生重叠，以模拟不同形状的障碍环境。
步骤二、基于蚁群算法，构造多目的地智能决策机制，如附图2所示，为基于蚁群算法的多目的地智能决策流程图，包括以下过程：
(1)对蚁群算法涉及到的信息素、蚁群数量等参数初始化。
(2)设定蚂蚁从固定起始地出发。
(3)计算目的地间的转移概率公式如下：
Figure BDA0003661888210000031
其中，α为信息素因子的重要程度，γ是启发式因子的重要程度，τij(t)表示目的地i和j在第t时刻的信息素浓度，ηij为启发式函数，Jc(i)为蚂蚁c下一步允许选择的城市集合，启发式函数公式如下：
Figure BDA0003661888210000032
式中，dij表示目的地i和j之间的距离，环境中信息素更新公式如下：
Figure BDA0003661888210000033
其中，ρ为信息素挥发因子，
Figure BDA0003661888210000034
表示蚂蚁c在目的地i和j之间留下的信息素浓度，计算公式如下：
Figure BDA0003661888210000041
其中，Q表示常系数，Mc表示，蚂蚁c在走完所有目的地后的总损耗。
(4)使用轮盘赌法选择下一个目的地。
(5)当蚂蚁走完所有目的地时，创建目标函数并计算最小损耗。各目的地总物资预测损耗目标函数如下：
Figure BDA0003661888210000042
其中，目的地总个数为n，Si为目的地i的战略重要程度，它采用层次分析法中的九分制，由专家打分得出，mi为目的地i的损耗量，它的计算公式如下：
Figure BDA0003661888210000043
式中，qi表示目的地i的剩余物资量，它的计算公式如下：
Figure BDA0003661888210000044
式中，Gi和
Figure BDA0003661888210000045
分别表示目的地i的物资量和物资平均消耗速度，
Figure BDA0003661888210000046
为无人机从起始位置飞行到目的地i所需的预计总时长，物资平均损耗速度公式如下：
Figure BDA0003661888210000047
其中，Vg_imin和Vg_imax分别表示目的地i物资消耗的最小和最大速度。
为了计算无人机到达各目的地的预计时间，建立物资运送时间矩阵A2，公式如下所示：
Figure BDA0003661888210000048
式中Vmax和Vmin分别为无人机的最大和最小速度，A1表示最短航迹矩阵，为了减少计算量，保证实时性要求，两个目的地之间的距离使用欧式距离，公式如下所示：
Figure BDA0003661888210000051
其中，n为目的地个数(不包括起始地)，Li,j表示从目的地i到目的地j的距离，且当i＝j时，Li,j＝0，由于采用欧式距离，两目的地之间的来回距离是一样的，即最短航迹矩阵为对称矩阵，根据最短航迹矩阵建立物资运送时间矩阵A2展开如下：
Figure BDA0003661888210000052
其中，t表示无人机从目的地i到目的地j的平均飞行时间，物资运送时间矩阵也为对称矩阵。
(6)记录最小损耗对应的目的地序列并更新信息素。
(7)重复(2)-(6)直到达到迭代次数，输出最小损耗及对应的目的地序列。
步骤三、根据步骤二中得到的目的地序列，选择最优目的地，作为下一个要飞往的目的地。
步骤四、使用基于扩充解的滚动时域法，实现在复杂环境下的分步、实时航迹规划，如附图3所示，为本方案基于扩充解的滚动时域法航迹规划流程图，包括以下过程：
(1)构建路径扩充机制，生成目标方向(式(12)中θ＝0°时)滚动时间窗内的参考航迹，公式如下。
Figure BDA0003661888210000053
式中，
Figure BDA0003661888210000061
θ是目标方向与飞行方向的夹角，β是目标方向与X轴方向的夹角，当飞行方向在目标方向和X轴正方向之间时，角度为β-θ，当飞行方向在目标方向和Y轴正方向之间时，角度为β+θ。Lmax表示无人机一秒的最大飞行距离，Tw是滚动时间窗。
(2)利用
Figure BDA0003661888210000062
判断(1)中生成航迹是否可行。其中，Luav是无人机的翼展长度，障碍物的半径是rd，位置是(xd,yd)。
(3)当目标方向航路不可行时，利用路径扩充机制生成多方向(θ＝30°,60°,90°)参考航迹。
(4)对参考航迹进行平均交叉和单点交叉操作，平均交叉公式如下：
Figure BDA0003661888210000063
其中，(f(x,y))m表示第m条参考航迹，参考航迹数量与搜索方向个数一致，即每个搜索方向上产生一条参考航迹，再对f(x,y)和fac(x,y)进行单点交叉，公式定义如下：
fsc(x,y)＝{f(xi,yi),fac} (14)
注意，式中{·}运算用来表示对两条航路进行单点交叉。
(5)将航路f(x,y)、fac(x,y)、和fsc(x,y)整合后，一起进行定向变异操作，过程为：首先，用变异概率pm决定是否进行变异，接着，对需要变异的航路，随机选取变异航段并在该航段处，从θ＝30°时，对应的两个方向和θ＝0°时对应的目标方向，三个方向上随机选择一个方向，再按照路径扩充机制，在变异航段上，按选定方向重新生成参考航迹，得到变异后的新航路fdv(x,y)。
(6)将扩充及交叉、变异后的所有航路整合，得预测航路总群如下：
fz(x,y)＝[f(x,y),fac(x,y),fsc(x,y),fdv(x,y)] (15)
(7)使用二次贝塞尔曲线对航路进行平滑处理得：
fz(x(k),y(k))＝(1-k)2(x0,y0)+2(1-k)k(x1,y1)+k2(x2,y2)k∈[0，1] (16)
其中，k是位置参数，(x0,y0)、(x1,y1)、(x2,y2)分别表示二次贝塞尔曲线的首端、中端和末端控制点坐标，fz(x,y)中的航迹点作为二次贝塞尔曲线的控制点。
(8)构建最短航路目标函数，并利用序列二次规划法求取最短航路F(X,Y)*及对应的每一时间窗内的最优航路段fsz(x,y)*，最后将其整合为最优航路fflight。最短路径目标函数如下所示：
Figure BDA0003661888210000071
其中，||fsz(x,y)||代表平滑预测航路总长，Lf是最后预测航路点到目标点的直线距离，vmax是无人机的最大飞行速度，rflight表示航道曲率半径，ruav表示无人机的最小转弯半径，由于平滑预测路径由曲线组成，长度很难准确计算，因此用折线长度近似估算曲线长度，平滑预测航路长度估算如下式所示。
Figure BDA0003661888210000072
注意，当b＝w时，(xw,yw)表示平滑预测航路的终点。无人机的最终目的地到最后航路点的距离计算如下：
Figure BDA0003661888210000073
其中，(xf,yf)是终点坐标。
步骤五、更新无人机、目的地及环境信息。
步骤六、采取边走边决策策略，循环执行步骤二到步骤五，直到到达最后一个目的地。
二、下面结合具体实施例体现本方案的有效性、正确性，分别在不同目的地数量的环境下进行实验，环境设置如表1所示：
Figure BDA0003661888210000081
表1多目的地参数信息
由于每个目的地的参数涉及物资量、速度等，参数过多，为方便参数设置和与不同数量目的地的结果作对比，在设置多目的地的相关参数时，采取3个、5个、7个目的地递增和包含的形式，如5个目的地是在3个目的地所有参数不变的基础之上，在后面又新增了两个目的地，仅设置新增的目的地参数，因此，表1中仅展示7个目的地的参数设置结果，3个目的地和5个目的地的参数取前3和前5个目的地的参数设置，对比方法如表2所示：
A 对比方法：以最小损耗为目标函数，实时决策的遗传算法。
B 对比方法：以最小损耗为目标函数，仅开始决策1次的蚁群算法。
C 对比方法：以最短航路为目标函数，仅开始决策1次的遗传算法。
D 本文方法：以最小损耗为目标函数，实时决策的蚁群算法。
表2本文方法与对比方法说明
实验所用计算机硬件配置为：一台4GB内存、Windows10操作系统电脑，采用MATLAB2018a软件编程仿真，为了消除随机因素和其他偶然因素对算法的影响，上述算法独立执行30次，实验结果如表3所示；
附图4为本方案中多目的地(5个)中，采用5A、5B规划方法得到的智能决策与航迹规划结构示意图；
附图5为本方案中多目的地(5个)中，采用5C、5D规划方法得到的智能决策与航迹规划结构示意图；
附图6为本方案中多目的地(7个)中，采用7A、7B规划方法得到的智能决策与航迹规划结构示意图；
附图7为本方案中多目的地(7个)中，采用7C、7D规划方法得到的智能决策与航迹规划结构示意图；
3个目的地 目的地顺序 航迹长度 总损耗
3A 123 672.4919 672
3B 132 736.4451 548
3C 213 568.7762 494
3D 312 581.3103 368
5个目的地 目的地顺序 航迹长度 总损耗
5A 41235 867.5825 661
5B 41325 965.6638 499
5C 54213 717.4418 599
5D 42135 733.1881 317
7个目的地 目的地顺序 航迹长度 总损耗
7A 4126735 1040.09 983
7B 4126735 1040.09 983
7C 5426713 928.0233 903
7D 4267135 943.7696 609
表3多目的地智能决策与航迹规划结果
由上述表3可清楚得知，与其他方法相比，本方案所提出的方法在整体损耗上表现较优，且本方案的航迹长度与以最短航路为目标函数的方法相差不大(两者数据上比较接近)，因此上述实验证明了本方案所提方法的有效性、正确性。
上面只是为了说明本发明，应该理解为本发明并不局限于以上实施例，符合本发明思想的各种变通形式均在本发明的保护范围之内。

Claims (4)

1.一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，包括以下步骤：
S1：初始化无人机、目的地及环境信息；
S2：构造多目的地智能决策机制；
S3：选择最优目的地；
S4：使用RHC_eS进行航迹规划；
S5：更新无人机、目的地及环境信息；
S6：采取边走边决策策略，循环执行步骤二到步骤五，直到到达最后一个目的地。
2.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S1中包括对无人机初始位置、目的地的位置、各目的地的物资储量和物资消耗速度范围、环境中的障碍物位置信息的获取。
3.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S2中多目的地智能决策机制构造过程如下：
S2-1：对蚁群算法涉及到的信息素、蚁群数量等参数初始化；
S2-2：设定蚂蚁从固定起始地出发；
S2-3：计算目的地间的转移概率公式如下：
Figure FDA0003661888200000011
其中，α为信息素因子的重要程度，γ是启发式因子的重要程度，τij(t)表示目的地i和j在第t时刻的信息素浓度，ηij为启发式函数，Jc(i)为蚂蚁c下一步允许选择的城市集合，启发式函数公式如下：
Figure FDA0003661888200000012
式中，dij表示目的地i和j之间的距离，环境中信息素更新公式如下：
Figure FDA0003661888200000021
其中，ρ为信息素挥发因子，
Figure FDA0003661888200000022
表示蚂蚁c在目的地i和j之间留下的信息素浓度，计算公式如下：
Figure FDA0003661888200000023
其中，Q表示常系数，Mc表示，蚂蚁c在走完所有目的地后的总损耗。
S2-4：使用轮盘赌法选择下一个目的地。
S2-5：当蚂蚁走完所有目的地时，创建目标函数并计算最小损耗。多目的地预测损耗目标函数如下：
Figure FDA0003661888200000024
其中，目的地总个数为n，Si为目的地i的战略重要程度，它采用层次分析法中的九分制，由专家打分得出，mi为目的地i的损耗量，它的计算公式如下：
Figure FDA0003661888200000025
式中，qi表示目的地i的剩余物资量，它的计算公式如下：
Figure FDA0003661888200000026
式中，Gi和
Figure FDA0003661888200000027
分别表示目的地i的物资量和物资平均消耗速度，
Figure FDA0003661888200000028
为无人机从起始位置飞行到目的地i所需的预计总时长，物资平均损耗速度公式如下：
Figure FDA0003661888200000029
其中，Vg_imin和Vg_imax分别表示目的地i物资消耗的最小和最大速度。
为了计算无人机到达各目的地的预计时间，建立物资运送时间矩阵A2，公式如下所示：
Figure FDA0003661888200000031
式中Vmax和Vmin分别为无人机的最大和最小速度，A1表示最短航迹矩阵，为了减少计算量，保证实时性要求，两个目的地之间的距离使用欧式距离，公式如下所示：
Figure FDA0003661888200000032
其中，n为目的地个数(不包括起始地)，Li,j表示从目的地i到目的地j的欧式距离，且当i＝j时，Li,j＝0，由于采用欧式距离，两目的地之间的来回距离是一样的，即最短航迹矩阵为对称矩阵，根据最短航迹矩阵建立物资运送时间矩阵A2展开如下：
Figure FDA0003661888200000033
其中，t表示无人机从目的地i到目的地j的平均飞行时间，物资运送时间矩阵也为对称矩阵。
S2-6：记录最小损耗对应的目的地序列并更新信息素。
S2-7：重复S2-2—S2-6直到达到迭代次数，输出最小损耗及对应的目的地序列。
4.根据权利要求1所述的一种带有智能决策的多目的地无人机实时航迹规划方法，其特征在于，所述S4中使用RHC_eS进行航迹规划的过程为：
S4-1：构建路径扩充机制，生成目标方向(式(12)中θ＝0°时)滚动时间窗内的参考航迹，公式如下。
Figure FDA0003661888200000034
式中，
Figure FDA0003661888200000041
θ是目标方向与飞行方向的夹角，β是目标方向与X轴方向的夹角，当飞行方向在目标方向和X轴正方向之间时，角度为β-θ，当飞行方向在目标方向和Y轴正方向之间时，角度为β+θ，Lmax表示无人机一秒的最大飞行距离，Tw是滚动时间窗。
S4-2：利用
Figure FDA0003661888200000042
判断步骤S4-1中生成航迹是否可行，其中，Luav是无人机的翼展长度，障碍物的半径是rd，位置是(xd,yd)。
S4-3：当目标方向航路不可行时，利用路径扩充机制生成多方向(θ＝30°,60°,90°)参考航迹。
S4-4：对参考航迹进行平均交叉和单点交叉操作，平均交叉公式如下：
Figure FDA0003661888200000043
其中，(f(x,y))m表示第m条参考航迹，参考航迹数量与搜索方向个数一致，即每个搜索方向上产生一条参考航迹，再对f(x,y)和fac(x,y)进行单点交叉，公式定义如下：
fsc(x,y)＝{f(xi,yi),fac} (14)
注意，式中{·}运算用来表示对两条航路进行单点交叉。
S4-5：将航路f(x,y)、fac(x,y)、和fsc(x,y)整合后，一起进行定向变异操作，过程为：首先，用变异概率pm决定是否进行变异，接着，对需要变异的航路，随机选取变异航段并在该航段处，从θ＝30°时，对应的两个方向和θ＝0°时对应的目标方向，三个方向上随机选择一个方向，再按照路径扩充机制，在变异航段上，按选定方向重新生成参考航迹，得到变异后的新航路fdv(x,y)。
S4-6：将路径扩充及交叉、变异后的所有航路整合，得预测航路总群如下：
fz(x,y)＝[f(x,y),fac(x,y),fsc(x,y),fdv(x,y)] (15)
S4-7：使用二次贝塞尔曲线对航路进行平滑处理得：
fz(x(k),y(k))＝(1-k)2(x0,y0)+2(1-k)k(x1,y1)+k2(x2,y2)k∈[0，1] (16)
其中，k是位置参数，(x0,y0)、(x1,y1)、(x2,y2)分别表示二次贝塞尔曲线的首端、中端和末端控制点坐标，fz(x,y)中的航迹点作为二次贝塞尔曲线的控制点。
S4-8：构建最短航路目标函数，并利用序列二次规划法求取最短航路F(X,Y)*及对应的每一时间窗内的最优航路段fsz(x,y)*，最后将其整合为最优航路fflight，最短航路目标函数如下所示：
Figure FDA0003661888200000051
其中，||fsz(x,y)||代表平滑预测航路总长，Lf是最后预测航迹点到目标点的直线距离，vmax是无人机的最大飞行速度，rflight表示航道曲率半径，ruav表示无人机的最小转弯半径，由于平滑预测航路由曲线组成，长度很难准确计算，因此用折线长度近似估算曲线长度，平滑预测航路长度估算如下式所示：
Figure FDA0003661888200000052
注意，当b＝w时，(xw,yw)表示平滑预测航路的终点，无人机的最终目的地到最后航迹点的距离计算如下：
Figure FDA0003661888200000053
其中，(xf,yf)是终点坐标。
CN202210575247.0A 2022-05-25 2022-05-25 一种带有智能决策的多目的地无人机实时航迹规划方法 Pending CN114779820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210575247.0A CN114779820A (zh) 2022-05-25 2022-05-25 一种带有智能决策的多目的地无人机实时航迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210575247.0A CN114779820A (zh) 2022-05-25 2022-05-25 一种带有智能决策的多目的地无人机实时航迹规划方法

Publications (1)

Publication Number Publication Date
CN114779820A true CN114779820A (zh) 2022-07-22

Family

ID=82408346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210575247.0A Pending CN114779820A (zh) 2022-05-25 2022-05-25 一种带有智能决策的多目的地无人机实时航迹规划方法

Country Status (1)

Country Link
CN (1) CN114779820A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115801110A (zh) * 2023-02-06 2023-03-14 中国航空工业集团公司西安飞行自动控制研究所 一种基于机器学习的无线电选台优化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115801110A (zh) * 2023-02-06 2023-03-14 中国航空工业集团公司西安飞行自动控制研究所 一种基于机器学习的无线电选台优化方法

Similar Documents

Publication Publication Date Title
Ali et al. Cooperative path planning of multiple UAVs by using max–min ant colony optimization along with cauchy mutant operator
US11727812B2 (en) Airplane flight path planning method and device based on the pigeon-inspired optimization
CN109144102B (zh) 一种基于改进蝙蝠算法的无人机航路规划方法
CN109159127B (zh) 一种基于蚁群算法的双焊接机器人智能路径规划方法
CN110488859B (zh) 一种基于改进Q-learning算法的无人机航路规划方法
CN110262548B (zh) 一种考虑抵达时间约束的无人机航迹规划方法
CN110715664B (zh) 多约束条件下智能无人飞行器航迹快速规划方法
Wen et al. UAV online path planning algorithm in a low altitude dangerous environment
CN111006693B (zh) 智能飞行器航迹规划系统及其方法
CN110308740A (zh) 一种面向移动目标追踪的无人机群动态任务分配方法
CN103267528A (zh) 禁飞区限制下的多无人机协同区域搜索方法
CN108919818B (zh) 基于混沌种群变异pio的航天器姿态轨道协同规划方法
CN109520507A (zh) 一种基于改进rrt的无人机实时路径规划方法
CN112033403A (zh) 一种基于势场改进蚁群算法的无人机最优路径搜索方法
CN102759357A (zh) 通信延迟下多无人机协同实时航路规划方法
CN112327939B (zh) 一种城市街区环境下高层消防多无人机协同路径规划方法
CN105806360A (zh) 基于气象条件的导航辅助方法
Yan Research on path planning of auv based on improved ant colony algorithm
CN113268074A (zh) 一种基于联合优化的无人机航迹规划方法
CN114967744A (zh) 一种多无人机协同避障的规划方法
CN114779820A (zh) 一种带有智能决策的多目的地无人机实时航迹规划方法
CN116734877A (zh) 基于改进a*算法与动态窗口法的机器人动态避障方法
CN113391633A (zh) 一种面向城市环境的移动机器人融合路径规划方法
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
CN114021773A (zh) 一种路径规划方法、装置、电子设备以及存储介质

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