CN109254592A - 一种无人机队形变化控制方法及*** - Google Patents
一种无人机队形变化控制方法及*** Download PDFInfo
- Publication number
- CN109254592A CN109254592A CN201811078718.7A CN201811078718A CN109254592A CN 109254592 A CN109254592 A CN 109254592A CN 201811078718 A CN201811078718 A CN 201811078718A CN 109254592 A CN109254592 A CN 109254592A
- Authority
- CN
- China
- Prior art keywords
- formation
- unmanned plane
- model
- formula
- energy consumption
- 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 198
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008859 change Effects 0.000 title claims abstract description 22
- 238000005265 energy consumption Methods 0.000 claims abstract description 91
- 230000009466 transformation Effects 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 4
- 238000000151 deposition Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 abstract 2
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000004888 barrier function Effects 0.000 description 15
- 238000013461 design Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000000844 transformation 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
-
- 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
- G05D1/0005—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots with arrangements to save energy
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)
- Feedback Control In General (AREA)
Abstract
本发明公开一种无人机队形变化控制方法及***,该方法包括:以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;根据编队集结、编队保持的实际变换获得最小能耗模型和/或最短时间模型;对所述最小能耗模型和/或最短时间模型求解获得无人机实施位置,实现队形变化控制。该方案解决了现有技术中约束条件多模型计算复杂、消耗大量计算能源等的问题,简化模型计算复杂程度,节约资源,降低成本,提高计算效率。
Description
技术领域
本发明属于无人机飞行控制技术领域,涉及无人机编队控制,尤其是一种无人机队形变化控制方法及***。
背景技术
无人机编队是由具有自主控制能力的多架无人机按照指定的队形位置排列形成的一个较大规模的无人机集群。在控制器作用下,不仅能使编队中所有的无人机在飞行过程中保持队形的稳定,协同完成各项任务,而且可以进行队形的实时调整。相对于单无人机,多无人机构成的编队具有更大的优势。在目标侦查时,由多架无人机同时从多个角度进行探测可以获取目标的多维立体信息;在战场打击中,多架无人机协同配合进行饱和式的全方位打击,可以有效增强杀伤能力,进一步提高目标毁伤概率;另外,通过合理的队形编排,可以使编队中的无人机更好利用其它成员产生的上升气流,提高气动效率、减小能源消耗,进而增强无人机编队的续航能力。
对于无人机编队的队形变换调整,许多研究人员把无人机的队形变换过程抽象成一个最优化问题,需要优化的目标是变换过程的持续时间和能源消耗等关于控制输入的函数,需要考虑的约束条件包括无人机自身的性能约束以及无人机与其它成员之间的碰撞约束。
论文《基于模型预测控制的无人机编队自主重构研究》(***仿真学报, 2009(20):383-386.)通过分析无人机编队队形变换任务的耦合特性、碰撞避免以及编队拓扑动态变化等多个约束条件,提出了编队队形变换问题的数学模型,并利用模型预测控制算法进行优化求解。论文《运用混合遗传算法的多机编队重构优化方法》(航空学报,2008,29(B05):209-214.)中利用控制作用参数化以及时间离散化,将无人机编队队形变换的时间最优问题转化为一种带自由末端状态约束的离散型优化问题,并采用改进的遗传算法进行解算。专利《一种多无人机的动态编队控制方法》(授权公告号:CN 102591358 B)中提出了一种多无人机动态编队控制方法,分布给出了队形保持方法、避障方法和基于行为的编队过程。
上述专利在无人机编队模型中除了无人机位置信息以外,还需要考虑较多的约束条件,模型复杂,因此增加了问题的复杂度。由以上描述可知,现有技术的不足为无人机编队控制方法考虑了多种约束条件,而且相关的模型求解较为复杂,需要采用禁忌搜索、模拟退火等智能优化算法进行数值解算,问题的规模与复杂度也将随着无人机编队规模的增大而急剧增加。
发明内容
本发明提供一种无人机队形变化控制方法及***,用于克服现有技术中模型复杂、计算过程难度高、成本高等缺陷,简化模型和计算难度,节约计算资源,降低成本,提高控制效率。
为实现上述目的,本发明提出一种无人机队形变化控制方法,包括:
步骤1,以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
步骤2,根据编队集结和编队保持的实际变换获得最小能耗模型和/或最短时间模型;
步骤3,对所述最小能耗模型和/或最短时间模型求解获得无人机实施位置,实现队形变化控制。
为实现上述目的,本发明还提供一种无人机队形变化控制***,包括:
建模模块,用于以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
模型获取模块,用于根据编队集结和编队保持的实际变换获得最小能耗模型和/或最短时间模型;
位置获取模块,用于对所述最小能耗模型和/或最短时间模型求解获得无人机实时位置,实现队形变化控制。
本发明提供的无人机队形变化控制方法及***,以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型,大大简化了模型本身及其计算的复杂程度,评价指标简单实用,节约了计算资源,降低了成本,提高了控制效率。
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示出的结构获得其他的附图。
图1为发明实施例一提供的无人机队形变化控制方法的流程图;
图2为实施例一中队形变换示意图;
图3为目标正六边形上下边平行于x轴时的最小能耗与最短时间变换情况,即θi为常数时的队形变换图;
图4为目标队形为平面任意正六边形时的最小能耗与最短时间变换情况,即θi为变量时的队形变换图;
图5为由明确队形方向的编队队形变换为顺时针旋转θ=π/2的固定队形旋转图;
图6为无人机编队重构队形从障碍物中间通过的图;
图7为本发明实施例二提供的无人机队形变化控制***的流程框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。本实施例公式中的“·”均表示运算符号“×”。
本发明提出一种无人机队形变化控制方法及***。
实施例一
请参照图1至图6,本发明提供一种无人机队形变化控制方法,包括:
步骤S1,以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
在战场使用中,无人机通常需要根据任务要求集结成具有一定形状的编队;在执行任务期间则要保持一定的编队形状,从而提高任务完成能力;而当战场环境发生变化时,无人机编队则必须进行编队重构,才能保证编队的生存能力。编队集结、编队保持和编队重构都是无人机在不同约束条件下的一种特殊的队形变换。不同于普通的机器人队形变换,无人机队形变换通常要求各无人机同时到达指定位置,实现时间协同。本文提出了一种面向时间协同的多无人机队形变换最优效率模型,在时间协同的条件下,选择队形变换的能源消耗与完成时间作为效率衡量指标,提出无人机队形变换的最优效率模型。
无人机的队形变换问题主要是指一定数量的无人机根据变换要求移动位置,形成新的队形形状。如图2所示,无人机由矩形编队A1-A6变换到目标三角编队B1-B6。不同的变换路径虽然都可以实现目标队形的变换,但是其变换过程中的消耗是不同的,因此选择合适的变换路径对于快速、高效完成整个队形变换有着重要意义。队形变换中的最优效率包括能源消耗最小以及完成时间最短。
步骤S2,根据编队集结和编队保持的实际变换获得最小能耗模型和/或最短时间模型;也可以根据编队集结、编队保持和编队重构的实际变换获得最小能耗模型和/或最短时间模型;
根据无人机编队在实际情况中可能遇到的几种具体的队形变换问题,基于编队集结、编队保持和编队重构的不同特点,给出了这些具体队形变换下的最优效率模型的计算公式;
步骤S3,对所述最小能耗模型和/或最短时间模型求解获得无人机实施位置,实现队形变化控制。
优选地,所述步骤S1包括:
步骤11,根据编队中的各无人机为UAVi(i=1,2,...,n),n为编队中无人机的数量,UAVi在队形变换前的位置为Ai,变换后的位置为Bi,Ai,Bi∈R3;无人机 UAVi从Ai移动到Bi走过的路程为si,所产生的能源消耗为wi,花费的时间为ti;获得:
无人机编队在队形变换中的总能耗为:
无人机编队在队形变换中的总时间为:
T=maxi∈{1,2,...,n}ti (2)
步骤12,能耗wi与UAVi在队形变换中的速度、移动路程、所受空气阻力等众多隐私有关,总能耗W与编队中每架无人机的这些因素有关,为了简化问题,假设无人机在变换过程中保持匀速;对于UAVi,由于存在时间协同约束,各无人机必须以相同的时间t到达指定位置,所以速度与路程成正比,即:
忽略空气密度、迎风面积等不同造成的影响,UAVi所受阻力与速度的平方成正比;
式中:k为常系数;
忽略热效应等其他影响,为了克服空气阻力所产生的能耗为:
wi=fi·si (5)
根据式(1)、(3)、(4)和(5),最小能耗模型描述如下:
式中:c=k/t2,当t一定时,c为常数;
最优效率的另一种评价标准是完成变换所需的时间最短。首先假设各无人机以相同的最大飞行速度vmax匀速运动,则时间ti与路程si成正比,即:
再以T=maxi∈{1,2,...,n}ti作为总的协同时间,令无人机UAVi以vi=si/T的实际速度匀速运动;
由式(2)和(7),最短时间模型描述如下:
式中:a=1/vmax为常数。
优选地,所述步骤S2包括:
步骤21,根据队形描述获得无人机的位置,在实际中,无人机编队以平面队形居多,因此我们在这里主要求解无人机的平面队形变换问题。在平面队形研究中,三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi), Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,获得无人机UAVi的位置:
步骤22,根据编队集结中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
编队集结中的队形变换主要是指一定数量的无人机按照要求形成固定队形。在固定队形中,di为已知量。根据不同的要求θi可能为已知量,也可能是未知变量。例如:如果要求无人机按方向正北的三角攻击队形集结,θi就是已知量;如果只要求成三角队形,那么θi就是变量。
步骤22A,照要求形成固定队形;在固定队形中,di为已知量,θi为已知量时;
为了尽快完成集结,假设各无人机均沿直线进行运动,即:
si=||Bi-Ai|| (12)
当θi已知时为了便于求解,进行一些等价变换,最小能耗模型为:
模型中只有xmiddle和ymiddle两个未知变量,利用最小二乘法即可求解此类min 问题。
最短时间模型为:
对于这类min-max问题不能直接求解,利用文献[MOTZKIN T S,WALSH JL.Polynomials of best approximation on a real finite point set.I[J].Transactions of the American Mathematical Society,1959,91(2):231-245.]的方法将问题转化为带权值的min问题。
步骤22B(有时序),照要求形成固定队形;在固定队形中,di为已知量,θi为未知量时;
引入变量θ,令θi=θ+Δθi;其中Δθi为基准坐标下无人机UAVi与队形中心Bmiddle的夹角,只要队形形状固定,Δθi为定值;θ为队形绕中心点的旋转角度,是一个变量,将θi=θ+Δθi带入式(14)得当θi未知时得最小能耗模型为:
将θi=θ+Δθi带入式(15)得当θi未知时得最短时间模型为:
优选地,步骤S3包括:
步骤3A,利用最小二乘法对步骤22A中最小能耗模型即式(13)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对步骤22A中对最短时间模型即式(14) 求解:
即引入权值ωi,将式(14)转化为:
首先初始化ωi 0=1,利用最小二乘法,获得初始解Bi 0;
迭代ωi,ωi m+1=ωi m·||Bi-Ai||·pm,其中
判断ωi值,迭代终止条件为ωi m+1<ε,ε为既定的极小常数,根据对算法的精度及对实时性能要求而定,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
步骤3A’,利用Lawson算法进行权值迭代对步骤22B中最小能耗模型即式(16)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对步骤22B中最短时间模型即式(17)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
所述步骤S2还包括:
步骤201,根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi), Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,无人机UAVi的位置可由Bmiddle、di和θi唯一确定:
步骤202,根据编队保持中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
无人机编队在飞行过程中和执行任务期间通常需要维持一定的队形,通过平移和旋转可以使队形保持刚性。平移时,每架无人机的移动速度和移动距离均相等,即能耗和时间均相等;旋转时,选择不同的绕转点,每架无人机的移动速度和移动距离都是不同的,选择不同的绕转点,能耗和时间也会有所差别。因此选择合适的绕转点对于快速、高效地实现队形刚性旋转有着重要意义。
设Bq=(xq,yq)为绕转点,θ为旋转角度,则无人机UAVi移动的路程为:
si=θ·[(xi-xq)2+(yi-yq)2]1/2 (18)
当指定旋转角度θ时,最小能耗模型为:
指定旋转角度θ时,最短时间模型为:
所述步骤S3包括:
采用Lawson算法进行权值迭代计算步骤202中最小能耗模型即式(19) 获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
采用Lawson算法进行权值迭代对步骤202中最短时间模型即式(20)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
优选地,步骤S2还包括:
根据编队重构中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型;
无人机编队在一些未知环境中飞行,威胁和障碍的出现在时间上和空间上都是随机的;无人机编队在执行任务时可能经受意外事故或者人为攻击而受损。当发生这类情况时就需要进行编队重构,进而保证无人机编队的生存能力和任务完成能力。编队重构是指无人机编队在行进过程中遇到突发情况,需要重新组织队形。相对于编队集结,编队重构有更多的约束条件。例如当出现成员退出时,就要重新设计合理队形;当遇到障碍物时,不仅需要设计合理队形,而且还要合理设置队形所处位置,从而使每一架无人机都能安全通过障碍物。队形中的变量包括Bmiddle=(xmiddle,ymiddle)、di以及夹角θi,具体增加得约束方程需要根据实际情况而定。
下面利用MATLAB进行了仿真实验,对上述模型的有效性进行检验:
首先对步骤22中根据编队集结的队形变换获得最优效率模型进行验证:
初始化六架无人机为随机形状,然后根据指令要求形成边长为200的正六边形编队。图2描述了目标正六边形上下边平行于x轴时的最小能耗与最短时间变换情况,即θi为常数时的队形变换。图3描述了目标队形为平面任意正六边形时的最小能耗与最短时间变换情况,即θi为变量时的队形变换。
表1为图2中各无人机的坐标:
表1
表2为图3中各无人机的坐标:
表2
表3为图2中编队集结各无人机移动的距离:
表3
表3的最优效率结果符合最优化目标,且θi为变量时,由于少了θi的约束,其最优效率结果要优于θi为常数时。
其次是对步骤202中根据编队保持中的队形变换获得最优效率模型的检验:
为了便于观察,首先设计一个具有明确队形方向的编队队形,然后进行顺时针旋转θ=π/2,刚性旋转各无人机的绕转点和移动距离(θ=π/2)。变换结果如图4所示。
表4
从表4可以得到无人机编队刚性顺时针旋转90度的最小能耗为 19362456θ3c,最短时间为180.28θa。
对后是针对步骤2中根据编队重构中的队形变换获得最优效率模型的检验:
随机队形的无人机编队在行进过程中突遇两个障碍物,需要缩小队形从两个障碍物之间通过。首先需要设计一个较窄队形,以便于所有无人机均能顺利通过障碍物,其次为了保证最大安全性,我们需要将无人机编队的中心设置在两个障碍物的中垂线上,最后让无人机编队沿着中垂线通过障碍物。已知障碍物1设置于(800,500),障碍物2设置于(700,673.2)。
首先计算障碍物的中垂线以及障碍物之间的距离以便于设计合理目标队形。表5给出了一种可行的队形设计。
表5目标队形
将无人机UAVi的速度分解为vi=vi (1)+vi (2),其中vi (1)为原队形向目标队形进行集结的速度,vi (2)为无人机编队向目标方向前进的速度。合理设置vi (1)和vi (2)速度分量的大小可以实现安全高效通过障碍物。当无人机编队距离障碍物过近时,可以增大vi (1),减小vi (2),甚至可以将vi (2)置为0以先实现原地队形变换;当无人机编队距离障碍物较远时,只要满足在到达障碍物前形成目标队形,可以适当减小vi (1)以节约能源,增大vi (2)以减小编队到达目标点的时间。
本发明实施例提供的无人机队形变化控制方法针对无人机队形变换效率问题,提出了队形变换最优效率求解模型,以无人机位置坐标为约束条件,将能耗最小和队形变换完成时间最短作为最优效率衡量指标,分析了无人机编队在实际情况中常见的编队集结、编队保持和编队重构问题,针对这些特殊约束下的队形变换问题,给出了具体最优效率求解模型。通过MATLAB仿真实验,验证了最优效率模型的有效性。以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型。评价指标较为简单实用,大大简化了模型本身及其计算的复杂程度节约了计算资源,降低了成本,提高了控制效率。
实施例二
请参照图7,在实施例一的基础上,本发明实施例提供一种无人机队形变化控制***,包括建模模块1、模型获取模块2和位置获取模块3,其中:
建模模块1用于以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
模型获取模块2用于根据编队集结和编队保持的实际变换获得最小能耗模型和/或最短时间模型;
位置获取模块3用于对所述最小能耗模型和/或最短时间模型求解获得无人机实时位置,实现队形变化控制。
所述建模模块1包括队形变换子模块11、建模子模块12,其中:
队形变换子模块11用于根据编队中的各无人机为UAVi(i=1,2,...,n),n为编队中无人机的数量,UAVi在队形变换前的位置为Ai,变换后的位置为Bi, Ai,Bi∈R3;无人机UAVi从Ai移动到Bi走过的路程为si,所产生的能源消耗为wi,花费的时间为ti;获得:
无人机编队在队形变换中的总能耗为:
无人机编队在队形变换中的总时间为:
T=maxi∈{1,2,...,n}ti (2)
建模子模块12根据能耗wi与UAVi在队形变换中的速度、移动路程、所受空气阻力有关,总能耗W与编队中每架无人机的这些因素有关,假设无人机在变换过程中保持匀速;对于UAVi,由于存在时间协同约束,各无人机必须以相同的时间t到达指定位置,所以速度与路程成正比,即:
忽略空气密度、迎风面积等不同造成的影响,UAVi所受阻力与速度的平方成正比;
式中:k为常系数;
忽略热效应等其他影响,为了克服空气阻力所产生的能耗为:
wi=fi·si (5)
根据式(1)、(3)、(4)和(5),获得最小能耗模型描述如下:
式中:c=k/t2,当t一定时,c为常数;
假设各无人机以相同的最大飞行速度vmax匀速运动,则时间ti与路程si成正比,即:
再以T=maxi∈{1,2,...,n}ti作为总的协同时间,令无人机UAVi以vi=si/T的实际速度匀速运动;
由式(2)和(7),获得最短时间模型描述如下:
式中:a=1/vmax为常数。
所述模型获取模块2包括队形描述子模块21、编队集结子模块22,其中:
队形描述子模块21用于根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi), Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,获得无人机UAVi的位置:
编队集结子模块22用于根据编队集结中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:编队集结子模块22包括固定队形攻击单元22A、固定队形单元22B,其中:
固定队形攻击单元22A用于照要求形成固定队形;在固定队形中,di为已知量,θi为已知量时;
假设各无人机均沿直线进行运动,即:
si=||Bi-Ai|| (12)
最小能耗模型为:
最短时间模型为:
固定队形单元22B用于照要求形成固定队形;在固定队形中,di为已知量,θi为未知量时;
引入变量θ,令θi=θ+Δθi;其中Δθi为基准坐标下无人机UAVi与队形中心 Bmiddle的夹角,只要队形形状固定,Δθi为定值;θ为队形绕中心点的旋转角度,是一个变量,将θi=θ+Δθi带入式(14)得当θi未知时得最小能耗模型为:
将θi=θ+Δθi带入式(15)得当θi未知时得最短时间模型为:
位置获取模块3包括编队集结位置获取子模块31,所述编队集结位置获取子模块31包括固定队形攻击求解单元301、固定队形求解单元302,其中:
固定队形攻击求解单元301利用最小二乘法对固定队形攻击单元中最小能耗模型即式(13)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对固定队形攻击单元中对最短时间模型即式(14)求解:
即引入权值ωi,将式(14)转化为:
首先初始化ωi 0=1,利用最小二乘法,获得初始解Bi 0;
迭代ωi,ωi m+1=ωi m·||Bi-Ai||·pm,其中
判断ωi值,迭代终止条件为ωi m+1<ε,ε为既定的极小常数,根据对算法的精度及对实时性能要求而定,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
固定队形求解单元302用于利用Lawson算法进行权值迭代对固定队形单元中最小能耗模型即式(16)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对固定队形单元中最短时间模型即式(17) 求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
所述模型获取模块2还包括队形描述子模块21、编队保持子模块23,其中:
队形描述子模块21用于根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi), Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,无人机UAVi的位置可由Bmiddle、di和θi唯一确定:
编队保持子模块23用于根据编队保持中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
设Bq=(xq,yq)为绕转点,θ为旋转角度,则无人机UAVi移动的路程为:
si=θ·[(xi-xq)2+(yi-yq)2]1/2 (18)
当指定旋转角度θ时,最小能耗模型为:
指定旋转角度θ时,最短时间模型为:
位置获取模块3还包括编队保持位置获取子模块303,其中:
编队保持位置获取子模块303采用Lawson算法进行权值迭代计算步骤 202中最小能耗模型即式(19)获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;采用Lawson算法进行权值迭代对步骤202中最短时间模型即式(20) 求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
本发明无人机队形变化控制***的实现参照上述无人机队形变化方法的实施例。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种无人机队形变化控制方法,其特征在于,包括:
步骤1,以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
步骤2,根据编队集结、编队保持的实际变换获得最小能耗模型和/或最短时间模型;
步骤3,对所述最小能耗模型和/或最短时间模型求解获得无人机实施位置,实现队形变化控制。
2.如权利要求1所述的无人机队形变化控制方法,其特征在于,所述步骤1包括:
步骤11,根据编队中的各无人机为UAVi(i=1,2,...,n),n为编队中无人机的数量,UAVi在队形变换前的位置为Ai,变换后的位置为Bi,Ai,Bi∈R3;无人机UAVi从Ai移动到Bi走过的路程为si,所产生的能源消耗为wi,花费的时间为ti;获得:
无人机编队在队形变换中的总能耗为:
无人机编队在队形变换中的总时间为:
T=maxi∈{1,2,...,n}ti (2)
步骤12,能耗wi与UAVi在队形变换中的速度、移动路程、所受空气阻力有关,总能耗W与编队中每架无人机的这些因素有关,假设无人机在变换过程中保持匀速;对于UAVi,由于存在时间协同约束,各无人机必须以相同的时间t到达指定位置,所以速度与路程成正比,即:
忽略空气密度、迎风面积等不同造成的影响,UAVi所受阻力与速度的平方成正比;
式中:k为常系数;
忽略热效应等其他影响,为了克服空气阻力所产生的能耗为:
wi=fi·si (5)
根据式(1)、(3)、(4)和(5),最小能耗模型描述如下:
式中:c=k/t2,当t一定时,c为常数;
假设各无人机以相同的最大飞行速度vmax匀速运动,则时间ti与路程si成正比,即:
再以T=maxi∈{1,2,...,n}ti作为总的协同时间,令无人机UAVi以vi=si/T的实际速度匀速运动;
由式(2)和(7),最短时间模型描述如下:
式中:a=1/vmax为常数。
3.如权利要求2所述的无人机队形变化控制方法,其特征在于,所述步骤2包括:
步骤21,根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi),Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,获得无人机UAVi的位置:
步骤22,根据编队集结中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
步骤22A,照要求形成固定队形;在固定队形中,di为已知量,θi为已知量时;
假设各无人机均沿直线进行运动,即:
si=||Bi-Ai|| (12)
最小能耗模型为:
最短时间模型为:
步骤22B,照要求形成固定队形;在固定队形中,di为已知量,θi为未知量时;
引入变量θ,令θi=θ+Δθi;其中Δθi为基准坐标下无人机UAVi与队形中心Bmiddle的夹角,只要队形形状固定,Δθi为定值;θ为队形绕中心点的旋转角度,是一个变量,将θi=θ+Δθi带入式(14)得当θi未知时得最小能耗模型为:
将θi=θ+Δθi带入式(15)得当θi未知时得最短时间模型为:
4.如权利要求3所述的队形控制方法,其特征在于,步骤3包括:
步骤3A,利用最小二乘法对步骤22A中最小能耗模型即式(13)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对步骤22A中对最短时间模型即式(14) 求解:
即引入权值ωi,将式(14)转化为:
首先初始化ωi 0=1,利用最小二乘法,获得初始解Bi 0;
迭代ωi,ωi m+1=ωi m·||Bi-Ai||·pm,其中
判断ωi值,迭代终止条件为ωi m+1<ε,ε为既定的极小常数,根据对算法的精度及对实时性能要求而定,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
步骤3A’,利用Lawson算法进行权值迭代对步骤22B中最小能耗模型即式(16)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对步骤22B中最短时间模型即式(17)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
5.如权利要求1~4任一项所述的无人机队形变化控制方法,其特征在于,所述步骤2包括:
步骤201,根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi),Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,无人机UAVi的位置可由Bmiddle、di和θi唯一确定:
步骤202,根据编队保持中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
设Bq=(xq,yq)为绕转点,θ为旋转角度,则无人机UAVi移动的路程为:
si=θ·[(xi-xq)2+(yi-yq)2]1/2 (18)
当指定旋转角度θ时,最小能耗模型为:
指定旋转角度θ时,最短时间模型为:
所述步骤3包括:
采用Lawson算法进行权值迭代计算步骤202中最小能耗模型即式(19)获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
采用Lawson算法进行权值迭代对步骤202中最短时间模型即式(20)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
6.一种无人机队形变化控制***,其特征在于,包括:
建模模块,用于以无人机位置坐标为约束条件,以能量消耗和/或完成时间为效率衡量指标建立无人机队形变换的最优效率模型;
模型获取模块,用于根据编队集结和编队保持的实际变换获得最小能耗模型和/或最短时间模型;
位置获取模块,用于对所述最小能耗模型和/或最短时间模型求解获得无人机实时位置,实现队形变化控制。
7.如权利要求6所述的无人机队形变化控制***,其特征在于,所述建模模块包括:
队形变换子模块,用于根据编队中的各无人机为UAVi(i=1,2,...,n),n为编队中无人机的数量,UAVi在队形变换前的位置为Ai,变换后的位置为Bi,Ai,Bi∈R3;无人机UAVi从Ai移动到Bi走过的路程为si,所产生的能源消耗为wi,花费的时间为ti;获得:
无人机编队在队形变换中的总能耗为:
无人机编队在队形变换中的总时间为:
T=maxi∈{1,2,...,n}ti (2)
建模子模块,根据能耗wi与UAVi在队形变换中的速度、移动路程、所受空气阻力有关,总能耗W与编队中每架无人机的这些因素有关,假设无人机在变换过程中保持匀速;对于UAVi,由于存在时间协同约束,各无人机必须以相同的时间t到达指定位置,所以速度与路程成正比,即:
忽略空气密度、迎风面积等不同造成的影响,UAVi所受阻力与速度的平方成正比;
式中:k为常系数;
忽略热效应等其他影响,为了克服空气阻力所产生的能耗为:
wi=fi·si (5)
根据式(1)、(3)、(4)和(5),获得最小能耗模型描述如下:
式中:c=k/t2,当t一定时,c为常数;
假设各无人机以相同的最大飞行速度vmax匀速运动,则时间ti与路程si成正比,即:
再以T=maxi∈{1,2,...,n}ti作为总的协同时间,令无人机UAVi以vi=si/T的实际速度匀速运动;
由式(2)和(7),获得最短时间模型描述如下:
式中:a=1/vmax为常数。
8.如权利要求7所述的无人机队形变化控制方法,其特征在于,所述模型获取模块包括:
队形描述子模块,用于根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi),Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,获得无人机UAVi的位置:
编队集结子模块,用于根据编队集结中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
固定队形攻击单元,用于照要求形成固定队形;在固定队形中,di为已知量,θi为已知量时;
假设各无人机均沿直线进行运动,即:
si=||Bi-Ai|| (12)
最小能耗模型为:
最短时间模型为:
固定队形单元,用于照要求形成固定队形;在固定队形中,di为已知量,θi为未知量时;
引入变量θ,令θi=θ+Δθi;其中Δθi为基准坐标下无人机UAVi与队形中心Bmiddle的夹角,只要队形形状固定,Δθi为定值;θ为队形绕中心点的旋转角度,是一个变量,将θi=θ+Δθi带入式(14)得当θi未知时得最小能耗模型为:
将θi=θ+Δθi带入式(15)得当θi未知时得最短时间模型为:
9.如权利要求8所述的队形控制方法,其特征在于,所述位置获取模块包括编队集结位置获取子模块,所述编队集结位置获取子模块包括:
固定队形攻击求解单元,利用最小二乘法对固定队形攻击单元中最小能耗模型即式(13)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对固定队形攻击单元中对最短时间模型即式(14)求解:
即引入权值ωi,将式(14)转化为:
首先初始化ωi 0=1,利用最小二乘法,获得初始解Bi 0;
迭代ωi,ωi m+1=ωi m·||Bi-Ai||·pm,其中
判断ωi值,迭代终止条件为ωi m+1<ε,ε为既定的极小常数,根据对算法的精度及对实时性能要求而定,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
固定队形求解单元,用于利用Lawson算法进行权值迭代对固定队形单元中最小能耗模型即式(16)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;
利用Lawson算法进行权值迭代对固定队形单元中最短时间模型即式(17)求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
10.如权利要求6~9任一项所述的无人机队形变化控制***,其特征在于,所述模型获取模块包括:
队形描述子模块,用于根据队形描述获得无人机的位置,包括:
三维空间位置变量Ai和Bi可简化为二维平面坐标,记Ai=(xi,yi),Bi=(xi',yi');对平面队形{Bi,i=1,2,...,n}进行如下变换描述:
寻找队形中点;
计算Bi和Bmiddle之间的距离;
di=||Bi-Bmiddle|| (10)
计算向量BmiddleBi和x轴的夹角θi;
经过变换后,无人机UAVi的位置可由Bmiddle、di和θi唯一确定:
编队保持子模块,用于根据编队保持中的队形变换获得最优效率模型,所述最优效率模型包括最小能耗模型和最短时间模型:
设Bq=(xq,yq)为绕转点,θ为旋转角度,则无人机UAVi移动的路程为:
si=θ·[(xi-xq)2+(yi-yq)2]1/2 (18)
当指定旋转角度θ时,最小能耗模型为:
指定旋转角度θ时,最短时间模型为:
位置获取模块包括:
编队保持位置获取子模块,采用Lawson算法进行权值迭代计算步骤202中最小能耗模型即式(19)获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置;采用Lawson算法进行权值迭代对步骤202中最短时间模型即式(20) 求解,获得xmiddle和ymiddle,根据式(11)获得无人机UAVi的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078718.7A CN109254592B (zh) | 2018-09-17 | 2018-09-17 | 一种无人机队形变化控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811078718.7A CN109254592B (zh) | 2018-09-17 | 2018-09-17 | 一种无人机队形变化控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109254592A true CN109254592A (zh) | 2019-01-22 |
CN109254592B CN109254592B (zh) | 2019-10-08 |
Family
ID=65048375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811078718.7A Active CN109254592B (zh) | 2018-09-17 | 2018-09-17 | 一种无人机队形变化控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109254592B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582040A (zh) * | 2019-01-25 | 2019-04-05 | 中国人民解放军国防科技大学 | 一种无人机集群队形及性能脆弱性评估方法及*** |
CN109885095A (zh) * | 2019-03-29 | 2019-06-14 | 南京航空航天大学 | 一种基于两阶段随机优化的无人机蜂群队形重构方法 |
CN110320930A (zh) * | 2019-06-17 | 2019-10-11 | 中国工程物理研究院电子工程研究所 | 基于Voronoi图的多无人机编队队形可靠变换方法 |
CN110633857A (zh) * | 2019-09-18 | 2019-12-31 | 沈阳航空航天大学 | 一种异构无人机群自主防御群集算法 |
CN112269395A (zh) * | 2020-10-11 | 2021-01-26 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN115576352A (zh) * | 2022-10-20 | 2023-01-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道突发事故侦测的无人机群编队方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941728A (zh) * | 2014-04-24 | 2014-07-23 | 北京航空航天大学 | 一种无人机密集自主编队的队形变换方法 |
CN103995539A (zh) * | 2014-05-15 | 2014-08-20 | 北京航空航天大学 | 一种无人机自主编队评价指标与mpc编队控制方法 |
CN104216289A (zh) * | 2014-08-29 | 2014-12-17 | 北京航空航天大学 | 基于分布式进化算法的多飞行器编队的控制方法和装置 |
CN105511494A (zh) * | 2016-01-20 | 2016-04-20 | 浙江大学 | 一种多无人机分布式队形控制的方法 |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
CN107807521A (zh) * | 2017-09-20 | 2018-03-16 | 北京飞小鹰科技有限责任公司 | 面向固定时间的编队飞行器协同控制方法及*** |
CN108521670A (zh) * | 2018-03-14 | 2018-09-11 | 中国人民解放军国防科技大学 | 面向多机紧密编队飞行基于uwb通信与定位方法及一体化*** |
-
2018
- 2018-09-17 CN CN201811078718.7A patent/CN109254592B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941728A (zh) * | 2014-04-24 | 2014-07-23 | 北京航空航天大学 | 一种无人机密集自主编队的队形变换方法 |
CN103995539A (zh) * | 2014-05-15 | 2014-08-20 | 北京航空航天大学 | 一种无人机自主编队评价指标与mpc编队控制方法 |
CN104216289A (zh) * | 2014-08-29 | 2014-12-17 | 北京航空航天大学 | 基于分布式进化算法的多飞行器编队的控制方法和装置 |
CN105511494A (zh) * | 2016-01-20 | 2016-04-20 | 浙江大学 | 一种多无人机分布式队形控制的方法 |
US20180074520A1 (en) * | 2016-09-13 | 2018-03-15 | Arrowonics Technologies Ltd. | Formation flight path coordination of unmanned aerial vehicles |
CN107807521A (zh) * | 2017-09-20 | 2018-03-16 | 北京飞小鹰科技有限责任公司 | 面向固定时间的编队飞行器协同控制方法及*** |
CN108521670A (zh) * | 2018-03-14 | 2018-09-11 | 中国人民解放军国防科技大学 | 面向多机紧密编队飞行基于uwb通信与定位方法及一体化*** |
Non-Patent Citations (4)
Title |
---|
HUIYU SUN,等: "Bilateral Teleoperation of Multiple UAVs with Lowenergy", 《PROCEEDINGS OF THE 2017 18TH ICAR》 * |
JIAYI SUN,等: "Collision Avoidance for Cooperative UAVs With Optimized Artificial Potential Field Algorithm", 《IEEE ACCESS》 * |
宗群,等: "多无人机协同编队飞行控制研究现状及发展", 《哈尔滨工业大学学报》 * |
方堃,等: "无人机编队信息传输能耗平衡协同设计", 《计算机仿真》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109582040A (zh) * | 2019-01-25 | 2019-04-05 | 中国人民解放军国防科技大学 | 一种无人机集群队形及性能脆弱性评估方法及*** |
CN109582040B (zh) * | 2019-01-25 | 2021-08-06 | 中国人民解放军国防科技大学 | 一种无人机集群队形及性能脆弱性评估方法及*** |
CN109885095A (zh) * | 2019-03-29 | 2019-06-14 | 南京航空航天大学 | 一种基于两阶段随机优化的无人机蜂群队形重构方法 |
CN109885095B (zh) * | 2019-03-29 | 2023-12-05 | 南京航空航天大学 | 一种基于两阶段随机优化的无人机蜂群队形重构方法 |
CN110320930A (zh) * | 2019-06-17 | 2019-10-11 | 中国工程物理研究院电子工程研究所 | 基于Voronoi图的多无人机编队队形可靠变换方法 |
CN110320930B (zh) * | 2019-06-17 | 2022-04-19 | 中国工程物理研究院电子工程研究所 | 基于Voronoi图的多无人机编队队形可靠变换方法 |
CN110633857A (zh) * | 2019-09-18 | 2019-12-31 | 沈阳航空航天大学 | 一种异构无人机群自主防御群集算法 |
CN110633857B (zh) * | 2019-09-18 | 2023-04-18 | 沈阳航空航天大学 | 一种异构无人机群自主防御群集算法 |
CN112269395A (zh) * | 2020-10-11 | 2021-01-26 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN112269395B (zh) * | 2020-10-11 | 2022-11-25 | 西北工业大学 | 一种基于扫描法的固定翼无人机队形重构方法 |
CN115576352A (zh) * | 2022-10-20 | 2023-01-06 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道突发事故侦测的无人机群编队方法 |
CN115576352B (zh) * | 2022-10-20 | 2024-07-23 | 招商局重庆交通科研设计院有限公司 | 一种用于隧道突发事故侦测的无人机群编队方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109254592B (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109254592B (zh) | 一种无人机队形变化控制方法及*** | |
Hao et al. | Formation flight of fixed-wing UAV swarms: A group-based hierarchical approach | |
Zhang et al. | Distributed control of coordinated path tracking for networked nonholonomic mobile vehicles | |
CN109947136B (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
CN110471426B (zh) | 基于量子狼群算法的无人驾驶智能车自动避碰方法 | |
WO2018176596A1 (zh) | 基于权重改进粒子群算法的无人自行车路径规划方法 | |
CN102759357B (zh) | 通信延迟下多无人机协同实时航路规划方法 | |
Pan et al. | Multi-robot obstacle avoidance based on the improved artificial potential field and PID adaptive tracking control algorithm | |
CN104216382A (zh) | 一种空间小型飞行器编队飞行控制*** | |
CN109871031A (zh) | 一种固定翼无人机的轨迹规划方法 | |
CN113268087A (zh) | 多约束复杂环境下基于改进蚁群算法的多无人机协同工作的航迹规划方法 | |
CN115202349A (zh) | 基于通信干扰的多移动机器人协同编队控制方法、装置、设备及存储介质 | |
CN114186859A (zh) | 复杂未知环境多机协同多目标任务分配方法 | |
Xi | Obstacle avoidance trajectory planning of redundant robots based on improved Bi-RRT | |
Han et al. | Research on UAV indoor path planning algorithm based on global subdivision grids | |
Liu et al. | Path planning for large-scale UAV formation based on improved SA-APF algorithm | |
He et al. | A Moving Object Detection and Predictive Control Algorithm Based on Deep Learning | |
CN111007848A (zh) | 一种基于有界空间的多智能体协同作业控制方法 | |
Ma et al. | Decentralized Planning for Car-Like Robotic Swarm in Cluttered Environments | |
Guo et al. | Online path planning for UAV navigation based on quantum particle swarm optimization | |
Zhao et al. | Time-optimal parameterization of geometric path for fixed-wing aircraft | |
Liu et al. | Dynamic path planning for formula automous racing cars | |
Liu et al. | Review of formation control and cooperative guidance technology of multiple unmanned aerial vehicles | |
Ziye et al. | Multi-objective task assignment and autonomous approach research based on multiple unmanned vehicles | |
Chen et al. | Dynamic path planning of UAV for three-dimensional moving target search in complex environment |
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 |