CN115808933A - 一种基于量子海鸥算法的无人机路径规划方法 - Google Patents

一种基于量子海鸥算法的无人机路径规划方法 Download PDF

Info

Publication number
CN115808933A
CN115808933A CN202211529358.4A CN202211529358A CN115808933A CN 115808933 A CN115808933 A CN 115808933A CN 202211529358 A CN202211529358 A CN 202211529358A CN 115808933 A CN115808933 A CN 115808933A
Authority
CN
China
Prior art keywords
gull
quantum
unmanned aerial
aerial vehicle
algorithm
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
CN202211529358.4A
Other languages
English (en)
Inventor
刘文杰
王鹏
邓志良
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information 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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202211529358.4A priority Critical patent/CN115808933A/zh
Publication of CN115808933A publication Critical patent/CN115808933A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于量子海鸥算法的无人机路径规划方法，属于无人机路径规划技术领域，包括：获取山区模型信息，通过三维坐标系显示，建立一组评价路径优劣的函数表达式；初始化海鸥的位置信息；对每只海鸥进行量子比特编码；计算每只海鸥的适应度值，选取当中的最小值表示局部最优；不满足迭代条件继续执行；当本次迭代取得局部最优值大于上次的适应度值，然后使用量子旋转门更新上次的适应度值，防止陷入局部最优；直到满足迭代需求。本发明利用激光雷达传感器获取山区的信息进行等比例缩小建立山区模型，使用量子海鸥优化算法寻找出一条高效安全的飞行路径。

Description

一种基于量子海鸥算法的无人机路径规划方法
技术领域
本发明涉及启发式优化计算及无人机路径规划技术领域，具体涉及一种基于量子海鸥算法的无人机路径规划方法。
背景技术
近年来，无人机被广泛的应用于军事，民用领域，其优势在于携带方便，操作简单。但在使用无人机的过程中有物体遮挡，燃料的限制，所以必须要有一个合理的路径规划。无人机路径规划是典型的带约束函数优化问题，解决这些问题通常可以使用最速下降法，共轭梯度法，整数规划，分支定界法。但是上述解决方案都是基于单个且相同的个体出发，通常会得到相同的局部解。当处理维数多，约束条件多的复杂问题时，上述方法计算难度大，可能得不到最优解。基于种群的智能优化算法的出现可以有效的解决这类复杂问题，并在计算精度，时间复杂度显示出优越性。这些智能优化算法包括蚁群优化算法，粒子群优化算法，遗传算法和海鸥优化算法等等。
2013年zheng等人于Robot提出了FBCRI Based Real-time Path Planning forUnmanned Aerial Vehicles in Unknown Environments with Uncertainty，提出的算法在能求解多标准的函数标准下同时考虑了真实无人机地形和区域雷达。此外2019年Najm等人于Engineering Science and Technology An International Journal提出了Nonlinear PID Controller Design for a 6-DOF UAV Quadrotor System，通过与遗传算法的结合满足无人机的系统稳定性和追踪性能。但是在上述文献的目标函数的建立中，考虑的约束条件过少，在实际运用中路径规划还要考虑是否有障碍物，飞行高度的限制，飞行时间，飞行仰角，旋转角和油耗等。除了在建模过程中缺少考虑因素，并且使用的方法在搜索过程中很容易陷入局部最优，没有对这些极小区域进行充分探索，导致遗漏发现更好解的可能性。
发明内容
发明目的：针对以上问题，本发明提出一种基于量子海鸥算法的无人机路径规划方法，解决海鸥优化算法在收敛过程中收敛速度慢和鲁棒性差的问题，以及将提出的算法应用于无人机路径规划的目的；与现有的无人机路径规划相比，该方法能够很好的避开所有障碍物，并且找到一条最优的路径。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于量子海鸥算法的无人机路径规划方法，步骤如下：
第一步：利用激光雷达传感器获取山区模型信息，通过三维坐标系表示；
第二步：以路径长度，威胁区限制，飞行高度限制，飞行仰角和旋转角限制为约束条件构建目标函数，建立无人机飞行模型；
第三步：无人机飞行模型以约束条件为量子海鸥算法中的搜索空间，以目标函数为量子海鸥算法中的待优化函数进行寻优；
第四步：设置迭代次数，计算每轮迭代的目标函数值，确定最小值为本轮迭代最优解；检查是否已达到设置的迭代次数；如果达到，则停止迭代并返回最优解；否则继续迭代，寻找最优解；
第五步：利用最优解计算最短飞行路径和最小目标函数值。
进一步的，所述无人机飞行模型的目标函数构建方法如下：
设无人机在运行中通过N个节点，坐标分别为(x1，y1，z1)，(x2，y2，z2)，...，(xN，yN，zN)，当前所在节点坐标为(xi，yi，zi)，下一个节点坐标为(xi+1，yi+1，zi+1)；i＝1，2，...，N-1；
(1)飞行路径总长度表示为：
Figure BDA0003973962160000021
式中，li表示两个节点之间的距离，
Figure BDA0003973962160000022
(2)飞行过程中跨越每个威胁区的目标函数为：
Figure BDA0003973962160000023
Figure BDA0003973962160000024
式中，W为威胁区的个数，每个威胁区用圆柱形表示，d为危险区的半径，R为碰撞区的半径；Dij表示第i个威胁区中心点到第j个节点的距离；
(3)飞行高度的目标函数表示为：
Figure BDA0003973962160000025
式中，hi为第i个节点的高度；飞行的高度上下限分别为Hmax，Hmin；
(4)飞行仰角和旋转角的目标函数为：
Figure BDA0003973962160000026
Figure BDA0003973962160000027
Figure BDA0003973962160000028
式中，Φi，i+1，Φi+1，i+2为无人机的飞行仰角，Ψi，i+1为无人机的旋转角；
Figure BDA0003973962160000029
为当前的路径，
Figure BDA0003973962160000031
为下一个路径；路径
Figure BDA0003973962160000032
和路径
Figure BDA0003973962160000033
向平面XOY投影，
Figure BDA0003973962160000034
和
Figure BDA0003973962160000035
为投影的结果；Zi，j是当前路径i上节点j的z轴坐标，Zi，j+1表示当前路径i上节点j的下一个节点的z轴坐标；
(5)总目标函数表达式为：
Figure BDA0003973962160000036
式中，wi是各个目标函数的权重。
进一步的，无人机飞行模型以约束条件为量子海鸥算法中的搜索空间，以目标函数为量子海鸥算法中的待优化函数进行寻优；寻优过程如下：
在搜索空间中随机初始化海鸥粒子位置，所述海鸥粒子表示无人机飞行路径上的节点，对海鸥种群进行量子比特编码，表示为：
Figure BDA0003973962160000037
式中，Px为海鸥种群位置，n代表种群个数；Px，1，Px，2，…，Px，n为初始化海鸥位置，α1，α2，...，αn和β1，β2，...，βn为概率幅值；
通过波函数计算海鸥种群的局部最优位置和搜索方向，设计量子旋转门优化海鸥粒子的适应度值，具体为：
首先，根据薛定谔方程，得到如下波函数：
Figure BDA0003973962160000038
式中，M＝2πσ(|ψ>)2，x表示粒子位置，q0为种群中心位置；函数σ(|ψ>)表示为：
Figure BDA0003973962160000039
式中，α是|0>的概率幅值，β是|1>的概率幅值；
海鸥种群出现在位置x的概率表示为：
Figure BDA00039739621600000310
然后，将量子运动方式加入到海鸥算法中；海鸥粒子在量子空间中运动，寻找目标方向即局部最优位置，计算每个海鸥粒子的适应度值；
接着，根据海鸥种群位置计算无人机飞行模型的目标函数值，选取目标函数的最小值作为局部最优，更新海鸥种群新的位置及搜索范围；
海鸥种群新的位置
Figure BDA0003973962160000041
以及更新后的搜索方向
Figure BDA0003973962160000042
分别表示为：
Figure BDA0003973962160000043
式中，Px(t)是当前海鸥的位置，t是迭代次数，B和rand是区间[0，1]内的随机值；
最后，设计量子旋转门优化海鸥粒子的适应度值，量子旋转门表示为：
Figure BDA0003973962160000044
其中，θ是量子旋转门的角度，α2+β2＝1；
当本轮迭代取得的局部最优值大于上一轮迭代的局部最优值，使用量子旋转门更新当前局部最优值更新为本轮迭代所得局部最优值。
有益效果：与现有技术相比，本发明的技术方案具有以下有益的技术效果：
本发明方法将量子计算的性质引入到海鸥算法中作为量子海鸥优化算法(QSOA)，通过波函数计算海鸥度的种群的适应度值和搜索方向，设计一个特定的量子旋转门优化海鸥的适应度值。利用量子理论的概率性和不确定性，有效加快收敛速度，克服了传统搜索方法容易陷入局部最优的缺点，提高搜索结果的准确性；与传统海鸥算法和粒子算法对比，本发明方法将量子海鸥算法应用到无人机路径规划中，计算出最短飞行路径和最快收敛速度。
附图说明
图1为本发明方法流程图；
图2为威胁区域示意图；
图3为攀爬角与旋转角示意图；
图4为山区三维模型图；
图5为量子海鸥算法与传统粒子群算法和海鸥算法在模型中俯视效果图；
图6为量子海鸥算法与传统粒子群算法和海鸥算法在模型中的结果对比。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的基于量子海鸥算法的无人机路径规划方法，流程如图1所示，具体实施步骤如下：
第一步：利用激光雷达传感器获取山区模型信息，通过三维坐标系表示。
第二步：以路径长度，威胁区限制，飞行高度限制，飞行仰角和旋转角限制为约束条件构建目标函数，建立无人机飞行模型；
设无人机在运行中通过N个节点，坐标分别为(x1，y1，z1)，(x2，y2，z2)，...，(xN，yN，zN)，当前所在节点坐标为(xi，yi，zi)，下一个节点坐标为(xi+1，yi+1，zi+1)；i＝1，2，...，N-1；
(1)飞行路径总长度表示为：
Figure BDA0003973962160000051
式中，li表示两个节点之间的距离，
Figure BDA0003973962160000052
(2)无人机在飞行中还会遇到信号站，地面观测站等障碍物；将这些障碍物称之为威胁区，威胁区的目标函数为威胁区中心到路径的垂直距离。
飞行过程中跨越每个威胁区的目标函数为：
Figure BDA0003973962160000053
Figure BDA0003973962160000054
式中，W为威胁区的个数，每个威胁区用圆柱形表示，如图2所示，d为危险区的半径，R为碰撞区的半径；威胁区目标函数与D成正比，D为圆柱中心O到无人机路径垂直距离；Dij表示第i个威胁区中心点到第j个节点的距离；
(3)飞行高度的目标函数表示为：
Figure BDA0003973962160000055
式中，hi为第i个节点的高度；飞行的高度上下限分别为Hmax，Hmin；
(4)飞行仰角和旋转角的目标函数为：
Figure BDA0003973962160000056
Figure BDA0003973962160000057
Figure BDA0003973962160000058
式中，Φi，i+1，Φi+1，i+2为无人机的飞行仰角，Ψi，i+1为无人机的旋转角；
Figure BDA0003973962160000059
为当前的路径，
Figure BDA00039739621600000510
为下一个路径，如图3所示，路径
Figure BDA00039739621600000511
和路径
Figure BDA00039739621600000512
向平面XOY投影，
Figure BDA00039739621600000513
和
Figure BDA00039739621600000514
为投影的结果；飞行仰角Φi，i+1是路径
Figure BDA00039739621600000515
与下一个路径
Figure BDA00039739621600000516
之间的角度；Zi，j是当前路径i上节点j的z轴坐标，Zi，j+1表示当前路径i上节点j的下一个节点的z轴坐标；
(5)总目标函数表达式为：
Figure BDA0003973962160000061
式中，wi是各个目标函数的权重。
第三步：无人机飞行模型以约束条件为量子海鸥算法中的搜索空间，以目标函数为量子海鸥算法中的待优化函数进行寻优；设置迭代次数，计算每轮迭代的目标函数值，确定最小值为本轮迭代最优解；寻优过程如下：
在搜索空间中随机初始化海鸥粒子位置，所述海鸥粒子表示无人机飞行路径上的节点，对海鸥种群进行量子比特编码，表示为：
Figure BDA0003973962160000062
式中，Px为海鸥种群位置，n代表种群个数；Px，1，Px，2，...，Px，n为初始化海鸥位置，α1，α2，...，αn和β1，β2，...，βn为概率幅值；
量子运动方式：根据量子物理学确定物体的运动描述方式为：
Figure BDA0003973962160000063
上式为薛定谔方程，ψ(x)为波函数，X为未知数，j为复数，
Figure BDA0003973962160000064
为普朗克常数，
Figure BDA0003973962160000065
为密哈顿算符；推算出密哈顿算子表达式为：
Figure BDA0003973962160000066
式中，m为物体质量，V(x)表示物体势场，
Figure BDA0003973962160000067
表示矢量微分算子；则在一维Delta势阱中的势场表示为：V(x)＝-εζ(x-q0)，式中，x表示位置，q0为中心位置，ε为函数的强度，ζ表示狄拉克函数；
通过波函数计算海鸥种群的局部最优位置和搜索方向，设计量子旋转门优化海鸥粒子的适应度值，具体为：
首先，根据薛定谔方程，得到如下波函数：
Figure BDA0003973962160000068
式中，M＝2πσ(|ψ>)2，x表示粒子位置，q0为种群中心位置；函数σ(|ψ>)表示为：
Figure BDA0003973962160000069
式中，α是|0>的概率幅值，β是|1>的概率幅值；
海鸥种群出现在位置x的概率表示为：
Figure BDA0003973962160000071
然后，将量子运动方式加入到海鸥算法中；海鸥粒子在量子空间中运动，寻找目标方向即局部最优位置，计算每个海鸥粒子的适应度值；
接着，根据海鸥种群位置计算无人机飞行模型的目标函数值，选取目标函数的最小值作为局部最优，更新海鸥种群新的位置及搜索范围；
海鸥种群新的位置
Figure BDA0003973962160000072
以及更新后的搜索方向
Figure BDA0003973962160000073
分别表示为：
Figure BDA0003973962160000074
式中，Px(t)是当前海鸥的位置，t是迭代次数，B和rand是区间[0，1]内的随机值；
最后，设计量子旋转门优化海鸥粒子的适应度值，量子旋转门表示为：
Figure BDA0003973962160000075
其中，θ是量子旋转门的角度，α2+β2＝1；
当本轮迭代取得的局部最优值大于上一轮迭代的局部最优值，使用量子旋转门更新当前局部最优值更新为本轮迭代所得局部最优值。
第四步：检查是否已达到设置的迭代次数；如果达到，则停止迭代并返回最优解；否则继续迭代，寻找最优解。
第五步：利用最优解计算最短飞行路径和最小目标函数值。
为了展示本发明优异性，本实施案例采用激光雷达传感器获得的真实数字高程模型(DEM)地图。如图4所示，该地图有效再现了山区模样并在山区中放置威胁区，无人机需在避开威胁区的同时，以最小代价的方式到达终点。
采用粒子群优化算法(PSO)、海鸥(SOA)以及基于本实施案例的量子海鸥算法路径长短和收敛结果进行对比，在仿真时，迭代次数设置为t＝＝200次，
Figure BDA0003973962160000076
Figure BDA0003973962160000077
表1为三种算法在模型测试中运行20次平均的结果对比。
表1
Best Mean Worst
QSOA 4689.67 4716.98 4968.76
SOA 4765.75 4949.04 5189.87
PSO 4965.54 4985.52 5376.66
图5为三种算法在模型中俯视图效果的对比，图6为收敛速度对，在加入量子理论的算法在收敛速度上在迭代初期比粒子群和蚁群算法速度更快，在迭代次数为25次左右时粒子群算法和蚁群算法陷入局部最优解，但量子海鸥算法跳出了局部最优解，最终量子海鸥算法求得的值为4689.67。从实验来看量子海鸥算法显示出更好的全局搜索性能和收敛速度。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (3)

1.一种基于量子海鸥算法的无人机路径规划方法，其特征在于，包括以下步骤：
第一步：利用激光雷达传感器获取山区模型信息，通过三维坐标系表示；
第二步：以路径长度，威胁区限制，飞行高度限制，飞行仰角和旋转角限制为约束条件构建目标函数，建立无人机飞行模型；
第三步：无人机飞行模型以约束条件为量子海鸥算法中的搜索空间，以目标函数为量子海鸥算法中的待优化函数进行寻优；
第四步：设置迭代次数，计算每轮迭代的目标函数值，确定最小值为本轮迭代最优解；检查是否已达到设置的迭代次数；如果达到，则停止迭代并返回最优解；否则继续迭代，寻找最优解；
第五步：利用最优解计算最短飞行路径和最小目标函数值。
2.根据权利要求1所述的无人机路径规划方法，其特征在于，所述无人机飞行模型的目标函数构建方法如下：
设无人机在运行中通过N个节点，坐标分别为(x1,y1,z1),(x2,y2,z2),…,(xN,yN,zN)，当前所在节点坐标为(xi,yi,zi)，下一个节点坐标为(xi+1,yi+1,zi+1)；i＝1,2,…,N-1；
(1)飞行路径总长度表示为：
Figure FDA0003973962150000011
式中，li表示两个节点之间的距离，
Figure FDA0003973962150000012
(2)飞行过程中跨越每个威胁区的目标函数为：
Figure FDA0003973962150000013
Figure FDA0003973962150000014
式中，W为威胁区的个数，每个威胁区用圆柱形表示，d为危险区的半径，R为碰撞区的半径；Dij表示第i个威胁区中心点到第j个节点的距离；
(3)飞行高度的目标函数表示为：
Figure FDA0003973962150000015
式中，hi为第i个节点的高度；飞行的高度上下限分别为Hmax,Hmin；
(4)飞行仰角和旋转角的目标函数为：
Figure FDA0003973962150000016
Figure FDA0003973962150000021
Figure FDA0003973962150000022
式中，4i,i+1,Φi+1,i+2为无人机的飞行仰角，Ψi,i+1为无人机的旋转角；
Figure FDA0003973962150000023
为当前的路径，
Figure FDA0003973962150000024
为下一个路径；路径
Figure FDA0003973962150000025
和路径
Figure FDA0003973962150000026
向平面XOY投影，
Figure FDA0003973962150000027
和
Figure FDA0003973962150000028
为投影的结果；Zi,j是当前路径i上节点j的z轴坐标，Zi,j+1表示当前路径i上节点j的下一个节点的z轴坐标；
(5)总目标函数表达式为：
Figure FDA0003973962150000029
式中，wi是各个目标函数的权重。
3.根据权利要求1或2所述的无人机路径规划方法，其特征在于，无人机飞行模型以约束条件为量子海鸥算法中的搜索空间，以目标函数为量子海鸥算法中的待优化函数进行寻优；寻优过程如下：
在搜索空间中随机初始化海鸥粒子位置，所述海鸥粒子表示无人机飞行路径上的节点，对海鸥种群进行量子比特编码，表示为：
Figure FDA00039739621500000210
式中，Px为海鸥种群位置，n代表种群个数；Px,1,Px,2,...,Px,n为初始化海鸥位置，α1,α2,...,αn和β1,β2,...,βn为概率幅值；
通过波函数计算海鸥种群的局部最优位置和搜索方向，设计量子旋转门优化海鸥粒子的适应度值，具体为：
首先，根据薛定谔方程，得到如下波函数：
Figure FDA00039739621500000211
式中，M＝2πσ(|ψ>)2，x表示粒子位置，q0为种群中心位置；函数σ(|ψ>)表示为：
Figure FDA00039739621500000212
式中，α是|0>的概率幅值，β是|1>的概率幅值；
海鸥种群出现在位置x的概率表示为：
Figure FDA0003973962150000031
然后，将量子运动方式加入到海鸥算法中；海鸥粒子在量子空间中运动，寻找目标方向即局部最优位置，计算每个海鸥粒子的适应度值；
接着，根据海鸥种群位置计算无人机飞行模型的目标函数值，选取目标函数的最小值作为局部最优，更新海鸥种群新的位置及搜索范围；
海鸥种群新的位置
Figure FDA0003973962150000032
以及更新后的搜索方向
Figure FDA0003973962150000033
分别表示为：
Figure FDA0003973962150000034
式中，Px(t)是当前海鸥的位置，t是迭代次数，B和rand是区间[0,1]内的随机值；
最后，设计量子旋转门优化海鸥粒子的适应度值，量子旋转门表示为：
Figure FDA0003973962150000035
其中，θ是量子旋转门的角度，α2+β2＝1；
当本轮迭代取得的局部最优值大于上一轮迭代的局部最优值，使用量子旋转门更新当前局部最优值更新为本轮迭代所得局部最优值。
CN202211529358.4A 2022-11-30 2022-11-30 一种基于量子海鸥算法的无人机路径规划方法 Pending CN115808933A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211529358.4A CN115808933A (zh) 2022-11-30 2022-11-30 一种基于量子海鸥算法的无人机路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211529358.4A CN115808933A (zh) 2022-11-30 2022-11-30 一种基于量子海鸥算法的无人机路径规划方法

Publications (1)

Publication Number Publication Date
CN115808933A true CN115808933A (zh) 2023-03-17

Family

ID=85484616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211529358.4A Pending CN115808933A (zh) 2022-11-30 2022-11-30 一种基于量子海鸥算法的无人机路径规划方法

Country Status (1)

Country Link
CN (1) CN115808933A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590757A (zh) * 2024-01-19 2024-02-23 成都航空职业技术学院 基于高斯分布海鸥优化算法的多无人机协同任务分配方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590757A (zh) * 2024-01-19 2024-02-23 成都航空职业技术学院 基于高斯分布海鸥优化算法的多无人机协同任务分配方法
CN117590757B (zh) * 2024-01-19 2024-05-07 成都航空职业技术学院 基于高斯分布海鸥优化算法的多无人机协同任务分配方法

Similar Documents

Publication Publication Date Title
Phung et al. Safety-enhanced UAV path planning with spherical vector-based particle swarm optimization
Jiang et al. UAV path planning and collision avoidance in 3D environments based on POMPD and improved grey wolf optimizer
CN109357678B (zh) 一种基于异质化鸽群优化算法的多无人机路径规划方法
CN109871031B (zh) 一种固定翼无人机的轨迹规划方法
CN114355981B (zh) 一种四旋翼无人机自主探索建图的方法和系统
Huang A novel three-dimensional path planning method for fixed-wing UAV using improved particle swarm optimization algorithm
Liu et al. A variable-step RRT* path planning algorithm for quadrotors in below-canopy
CN115808933A (zh) 一种基于量子海鸥算法的无人机路径规划方法
Ke et al. Cooperative path planning for air–sea heterogeneous unmanned vehicles using search-and-tracking mission
Alijani et al. Autonomous landing of uav on moving platform: A mathematical approach
CN117406771B (zh) 一种基于四旋翼无人机的高效自主探索方法、系统及设备
CN113093787B (zh) 一种基于速度场的无人机轨迹规划方法
CN113220008B (zh) 多火星飞行器的协同动态路径规划方法
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
Wu et al. Multi-phase trajectory optimization for an aerial-aquatic vehicle considering the influence of navigation error
Lu et al. An information potential approach for tracking and surveilling multiple moving targets using mobile sensor agents
CN116048120B (zh) 一种未知动态环境下小型四旋翼无人机自主导航系统及方法
Chen et al. A two-stage method for UCAV TF/TA path planning based on approximate dynamic programming
Zhou et al. Research on risk assessment of uav to buildings
CN115902868A (zh) 一种基于约束粒子滤波的无人机高精度对峙目标跟踪方法及系统
Zheng et al. A method for UAV tracking target in obstacle environment
Lum et al. Occupancy based map searching using heterogeneous teams of autonomous vehicles
Peng et al. Design of constrained dynamic path planning algorithms in large-scale 3D point cloud maps for UAVs
Zhao et al. Three-dimensional path planning for unmanned aerial vehicle (uav) based on improved mayfly algorithm
Le Floch et al. Trajectory planning for autonomous parafoils in complex terrain

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