CN112000131A - 基于人工势场法的无人机集群路径规划方法及*** - Google Patents
基于人工势场法的无人机集群路径规划方法及*** Download PDFInfo
- Publication number
- CN112000131A CN112000131A CN202010941397.XA CN202010941397A CN112000131A CN 112000131 A CN112000131 A CN 112000131A CN 202010941397 A CN202010941397 A CN 202010941397A CN 112000131 A CN112000131 A CN 112000131A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- path planning
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 124
- 230000000694 effects Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 230000003334 potential effect Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
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
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于人工势场法的无人机路径规划方法及***,包括将空间规划区域按照空间信息栅格划分成多个离散的立体空间网格,并剔除仅含有障碍物的立体空间网格;获取无人机集群的位置信息;对无人机集群进行聚类分组,根据人工势场法生成所述无人机集群聚类分组后各聚类中心的路径规划方案;所述无人机集群聚类分组后各组无人机的路径规划方案与各聚类中心的路径规划方案一致。本发明通过格栅法对空间规划区域进行划分,并且在垂直高度上进行了不均等划分,剔除障碍物所在栅格减少搜索空间,提高了计算效率,通过人工势场法进行路径规划耗时更短,更适合动态环境,在保证规划质量的前提下提高了搜索的效率,增强寻路算法的机动性。
Description
技术领域
本发明属于路径规划领域,尤其涉及一种基于人工势场法的无人机集群路径规划方法及***。
背景技术
无人飞行器具有行动灵活、易于操作等特点,被广泛应用于军事领域和民用领域。无人飞行器在低空飞行执行任务过程中展现出了极大的优势,在实现无人飞行器自主控制的过程中,航迹规划是极为重要的一个环节。无人飞行器需要在躲避障碍物的前提下,沿着某一航迹由起点飞向最终目标点。
目前常用的障碍规避和路径规划算法大体上有全局路径规划和局部路径规划两类方法,全局路径规划适用于环境完全已知的状态,而当环境未知或者部分未知时,需要通过感知实时获取环境信息,再利用局部路径规划方法进行路径规划,人工势场法就是一种局部路径规划的方法。同时,环境又分为动态和静态,将环境离散为一系列网格单元,场景的复杂度由网格表示,按照网格内是否有障碍物标记为自由区和障碍区的格栅法属于静态的方法。
其中随机搜索法以A*和D*为代表,往往需要和概略图结合使用。人工势场法是一种用于无人机运动规划的虚拟力方法。其基本思想是将目标和障碍物对无人机飞行的影响具体化成人造势场。目标处势能低,障碍物处势能高。这种势差产生了目标对无人机的引力和敌机与障碍物对无人机的斥力,其合力控制无人机沿势场的负梯度方向向目标点运动。人工势场法计算方便,得到的路径安全平滑。
现有的无人机路径规划方法中,常用的有人工势场法、格栅法、神经网络法和混沌遗传算法等。其中,人工势场法是路径规划算法中较成熟且较高效的规划方法。
人工势场法虽便于实时控制,但也容易陷入局部的最优的死锁状态。为了解决人工势场法的局部极小点问题,学者们提出了各种改进方法。主要分成两个方向:一个是构造合适的势函数以减小或避免局部极小点的出现;另一种是在无人机遇到局部极小点后结合其他的方法使无人机离开局部极小点。前者一般需要全局地图信息,并且依赖于障碍物的形状。当环境复杂时难以应用。后者多利用搜索法、多势场法和沿墙行走法等方法使无人机离开局部极小点。
搜索法利用最佳优先、模拟退火、随即搜索等策略寻找比局部极小点势场值更低的点使无人机继续移动。由于未知环境中大多缺乏启发信息,搜索方法的效率很低。多势场法构造多个全局极小点相同,而局部极小点不同的势函数,在无人机陷入某个局部极小点时,规划器就切换势函数使无人机离开该点。但是在未知的环境中这样的多个势场很难构造,而且该方法可能导致无人机在回到曾逃离的局部极小点。由于局部极小点是某个或多个障碍物的斥力势场与引力势场共同作用产生,其位置与障碍物距离必然不远,沿墙行走法正是利用这样的远离,使无人机在遇到局部极小点后绕过产生局部极小点的障碍物继续前进。本发明在无人机遇到局部极小点后结合法使无人机离开局部极小点。
传统的格栅法,虽然简单易行,但是随着划分密度的增加,所要搜索的路径的组合数会随着格栅数的增加而指数增长,使搜索存在组合***的问题,这极大地浪费了计算资源并且削弱了方法在瞬息万变的战场环境中的适用性。
发明内容
本发明要解决的技术问题是现有无人机集群进行路径规划时规划时间长,速度慢的问题,提出了一种可提高路径规划效率的基于人工势场法的无人机集群路径规划方法及***。
为解决该问题,所采用的技术方案是:
一种基于人工势场法的无人机集群路径规划方法,包括以下步骤:
步骤1:将空间规划区域按照空间信息栅格划分成多个离散的立体空间网格,并剔除仅含有障碍物的立体空间网格;
步骤2:获取无人机集群的位置信息及打击目标的位置信息;
步骤3:对无人机集群进行聚类分组,分组后的各聚类中心作为各分组无人机的路径规划方案的起点;
步骤4:根据人工势场法对各分组进行路径规划。
进一步地,步骤4还可以修改为步骤4’:对各分组依据无人机作战目的不同将无人机集群细分成多个小组,各小组路径规划方案的起点为其所在分组的聚类中心,根据人工势场法对各小组进行路径规划。
进一步地,步骤1中所述将规划区域划按照空间信息进行格栅划分成多个立体单位空间区域的方法是:
将无人机空间规划区域在水平方向上划分成多个矩形网格;
然后将无人机空间规划区域沿垂直高度方向上按照无人机参数进行统计划分为多层。
进一步地,所述按照无人机参数进行统计划分的具体方法是:根据敌我可能参战的地面和空中作战单位的参数,收集其侦察范围和打击范围,将空间不均等划分,使得落入每个划分出的区域中的范围区间数相同。
进一步地,根据人工势场法进行路径规划的具体方法是:
步骤4.1:构造无人机与打击目标点之间的引力势场Uatt(x)以及各个非打击目标及障碍物产生的斥力势场Urep(x):
其中,ζ表示引力势的相对影响,x表示无人机当前位置,G表示目标点位置,d(x,G)表示无人机距目标的距离,表示无人机到目标的距离阈值,ηj表示第j个非打击目标的斥力势的相对影响,dj(x)表示无人机距离第j个非打击目标的距离,表示第j个非打击目标的斥力势作用范围,Urep,j为第j个非打击目标或障碍物产生的斥力势场,Urep(x)是各个非打击目标及障碍物产生的斥力势场之和;
步骤4.2:计算目标点对无人机引力势fatt及非打击目标对无人机的斥力势frep,j:
ζ(G-x)表示目标对无人机的引力势的相对影响
步骤4.3:计算目标点对所规划点的引力势和非打击目标及障碍物对所规划点的斥力势的合力,所述合力的方向为所规划点的前进方向。
进一步地,所述聚类方法的分类依据包括:无人机的地理位置,无人机功能,所剩油量,损伤程度。
进一步地,所述聚类分组的方法是K均值聚类方法。
进一步地,对无人机进行聚类分组的方法具体为,首先根据无人机的地理位置随机选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心形成多个无人机组;其次,在所述无人机组中根据无人机功能、所剩油量、损伤程度划分成多个无人机小组。
进一步地,本发明还提供了一种基于人工势场法的无人机集群路径规划***,包括处理器,以及与所述处理器连接的存储器,所述存储器存储有基于人工势场法的无人机集群路径规划方法的程序,所述程序执行时实现上面所述方法的步骤。
与现有技术相比,本发明所取得的有益效果是:
本发明通过格栅法对空间规划区域进行划分,根据经度、纬度、高度等空间因素对规划区域进行划分,由于在栅格划分的过程中剔除了障碍物所在栅格,并且在垂直高度上进行不均等划分,缩小了搜索空间,提高了计算效率,规划路径算法耗时更短,更适合动态环境,同时人工势场法添加的限制可以进一步大大缩小搜索空间,从而在保证质量的前提下提高搜索的效率,增强寻路算法的机动性。
本发明将空间规划区域栅格化,通过格栅化将连续空间离散化,计算的定义域从连续变为离散,有助于加快路径规划计算时的速度,更适合变化快的动态战场环境;通过对无人机集群进行聚类分组,然后对聚类分组后的集群,利用人工势场法完成路径规划的计算,比起传统方法避开了传统路径规划中的搜索方法,减少了路径规划时所需要的计算时间,提高了计算效率,进而提高了规划路径时的效率,适合动态环境的路径规划。
本发明利用K均值聚类算法对无人机集群进行聚类分组,能够将包括无人机地理位置、无人机种类、所剩油量、损伤程度等多种战场因素加入考虑范围,使得分组结果比靠单一的地理位置分类更加精确合理,分组更加精确。
附图说明
图1为本发明***流程图;
图2为空间规划区域格栅化示意图;
图3为无人机集群分组结果在地理位置平面上的投影。
具体实施方式
图1至图3示出了本发明基于人工势场法的无人机集群路径规划方法的具体实施例,包括以下步骤:
步骤1:将空间规划区域按照空间信息栅格划分成多个离散的立体空间网格,并剔除仅含有障碍物的立体空间网格;划分成空间网格的具体方法是:将无人机空间规划区域在水平方向上划分成多个矩形网格;然后将无人机空间规划区域沿垂直高度方向上按照无人机参数进行统计划分为多层。本实施例中的对于空间的立体网格分割不是单纯的平均分布,而是在垂直高度上根据现有各种无人机的参数进行统计划分,将高度按照0,6,450,1000,3000,7000,10000米的区间进行划分,从根本上减少划分的数量,大大缩小路径搜索空间。同时,在划分好的立体空间网格中,直接剔除那些仅含有障碍物的网格,进一步缩小搜索空间了,图2给出了立体空间网格示意图。
本发明将空间规划区域栅格化,通过格栅化将连续空间离散化,计算的定义域从连续变为离散,有助于加快路径规划计算时的速度,更适合变化快的动态战场环境;通过对无人机集群进行聚类分组,然后对聚类分组后的集群,利用人工势场法完成路径规划的计算,比起传统方法避开了传统路径规划中的搜索方法,减少了路径规划时所需要的计算时间,提高了计算效率,进而提高了规划路径时的效率,适合动态环境的路径规划。
步骤2:获取无人机集群的位置信息及打击目标的位置信息;
步骤3:对无人机集群进行聚类分组,分组后的各聚类中心作为各分组无人机的路径规划方案的起点;
所述聚类方法的分类依据包括:无人机的地理位置,无人机种类,所剩油量,损伤程度,无人机目的等。
本实施例中聚类分组的方法是K均值聚类方法,聚类分组的方法具体为,首先根据无人机的地理位置随机选取K个对象作为初始的聚类中心,计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心形成多个无人机分组;其次,在所述无人机分组中根据无人机功能、所剩油量、损伤程度划分成多个无人机小组。如图3所示,给出了无人机集群分组结果在地理位置平面上的投影。
本实施例中对无人机的分组聚合并不是简单的按照空间位置进行分类,而是首先依照地理位置进行聚类分组后,再依照各无人机的实际情况(油量、弹药量等)和其相对打击目标的方位等,按照作战的目的(打击、佯攻、护航等)将各分组细分成多个小组,将各分组的聚类中心作为各小组无人机的路径规划方案的起点,方便对于无人机的路径的进一步精确规划。
步骤4:根据人工势场法对各分组进行路径规划。
本实施例中,每隔一定时间如5秒钟及时获取战场态势,重复步骤2-4不断进行路径规划。
本实施例中将聚类分组后各分组的聚类中心作为各分组无人机路径规划的起点,然后人工势场法对各分组进行路径规划。本发明并不是对每一个无人机进行路径规划,而是将其聚类划分成各个分组后,对各分组进行路径规划,且各分组的起点为按照地理位置聚类分组后的各分组聚类中心,简化了计算复杂度。
为了实施更精确打击,将步骤4修改为步骤4’,在各分组中再依照各无人机的实际情况(油量、弹药量等)和其相对打击目标的方位等,或按照作战的目的(打击、佯攻、护航等)将各分组细分成多个小组,各小组起点相同,为各分组的聚类中心,根据作战目的不同,各小组的目标点不同,根据人工势场法对各小组进行路径规划得到规划结果。
步骤4’:对各分组依据无人机作战目的不同将无人机集群细分成多个小组,各小组路径规划方案的起点为其所在分组的聚类中心,根据人工势场法对各小组进行路径规划。
根据人工势场法进行路径规划的具体方法为:
步骤4.1:构造无人机与目标点之间的引力势场Uatt(x)以及各个非打击目标及障碍物产生的斥力势场Urep(x):
其中,ζ表示引力势的相对影响,x表示无人机当前位置,本实施例中为聚类分组后各组的聚类中心,G表示目标点位置,d(x,G)表示无人机距目标的距离,表示无人机到目标的距离阈值,其作用是在无人机距离目标较远时,削弱目标引力势的作用,由于无人机太过接近时极容易被敌方击毁,故需要根据敌方的打击范围设置距离阈值,ηj表示第j个非打击目标的斥力势的相对影响,dj(x)表示无人机距离第j个非打击目标的距离,表示第j个非打击目标的斥力势作用范围,Urep,j为第j个非打击目标或障碍物产生的斥力势场,Urep(x)是各个非打击目标及障碍物产生的斥力势场之和;
步骤4.2:计算目标点对无人机引力势fatt及非打击目标对无人机的斥力势frep,j:
ζ(G-x)表示目标对无人机的引力势的相对影响;
步骤4.3:计算目标点对所规划点的引力势和非打击目标及障碍物对所规划点的斥力势的合力,所述合力的方向为所规划点的前进方向。
本发明还提供了一种基于人工势场法的无人机集群路径规划***,包括处理器,以及与所述处理器连接的存储器,所述存储器存储有基于人工势场法的无人机集群路径规划方法的程序,所述程序执行时实现前面所述方法的步骤。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (9)
1.一种基于人工势场法的无人机集群路径规划方法,其特征在于:包括以下步骤:
步骤1:将空间规划区域按照空间信息栅格划分成多个离散的立体空间网格,并剔除仅含有障碍物的立体空间网格;
步骤2:获取无人机集群的位置信息及打击目标的位置信息;
步骤3:对无人机集群进行聚类分组,分组后的各聚类中心作为各分组无人机的路径规划方案的起点;
步骤4:根据人工势场法对各分组进行路径规划。
2.根据权利要求1所述的路径规划方法,其特征在于:步骤4还可以更改为步骤4’:对各分组依据无人机作战目的不同细分成多个小组,各小组路径规划方案的起点为其所在分组的聚类中心,根据人工势场法对各小组进行路径规划。
3.根据权利要求1所述的路径规划方法,其特征在于:步骤1的具体方法是:将无人机空间规划区域在水平方向上划分成多个矩形网格;然后将无人机空间规划区域沿垂直高度方向上按照无人机参数进行统计划分为多层。
4.根据权利要求3所述的路径规划方法,其特征在于:所述按照无人机参数进行统计划分的具体方法是:根据无人机的侦察范围和打击范围,以及打击目标的打击范围,将空间不均等划分,使得落入每个划分出的区域中的范围区间数相同。
5.根据权利要求2所述的路径规划方法,其特征在于:根据人工势场法进行路径规划的具体方法是:
步骤4.1:构造无人机与目标点之间的引力势场Uatt(x)以及各个非打击目标及障碍物产生的斥力势场Urep(x):
其中,ζ表示引力势的相对影响,x表示无人机当前位置,G表示目标点位置,d(x,G)表示无人机距打击目标的距离,表示无人机到目标点的距离阈值,ηj表示第j个非打击目标的斥力势的相对影响,dj(x)表示无人机距离第j个非打击目标或障碍物的距离,表示第j个非打击目标的斥力势作用范围,Urep,j为第j个非打击目标或障碍物产生的斥力势场,Urep(x)是各个非打击目标及障碍物产生的斥力势场之和;
步骤4.2:计算目标点对无人机引力势fatt及非打击目标对无人机的斥力势frep,j:
ζ(G-x)表示目标点对无人机的引力势的相对影响;
步骤4.3:计算目标点对所规划点的引力势和非打击目标及障碍物对所规划点的斥力势的合力,所述合力的方向为所规划点的前进方向。
6.根据权利要求1所述的路径规划方法,其特征在于:所述聚类分组方法的分类依据包括:无人机的地理位置,无人机种类,所剩油量,损伤程度,无人机目的。
7.根据权利要求6所述的路径规划方法,其特征在于:所述聚类分组的方法是K均值聚类方法。
8.根据权利要求7所述的路径规划方法,其特征在于:所述K均值聚类方法为:首先根据无人机的地理位置及打击目标位置,随机选取K个初始的聚类中心,计算每个对象与各个聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心形成多个无人机组。
9.一种基于人工势场法的无人机集群路径规划***,其特征在于:包括处理器,以及与所述处理器连接的存储器,所述存储器存储有基于人工势场法的无人机集群路径规划方法的程序,所述程序执行时实现上述权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941397.XA CN112000131B (zh) | 2020-09-09 | 2020-09-09 | 基于人工势场法的无人机集群路径规划方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941397.XA CN112000131B (zh) | 2020-09-09 | 2020-09-09 | 基于人工势场法的无人机集群路径规划方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112000131A true CN112000131A (zh) | 2020-11-27 |
CN112000131B CN112000131B (zh) | 2022-08-02 |
Family
ID=73469026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010941397.XA Active CN112000131B (zh) | 2020-09-09 | 2020-09-09 | 基于人工势场法的无人机集群路径规划方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112000131B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN112783210A (zh) * | 2021-01-04 | 2021-05-11 | 中国人民解放军国防科技大学 | 无人机集群控制***的多目标控制参数调优方法 |
CN113405552A (zh) * | 2021-06-17 | 2021-09-17 | 北京理工大学 | 一种飞行器路径规划方法及装置 |
CN113625780A (zh) * | 2021-10-12 | 2021-11-09 | 北京大学 | 一种避免死锁的分布式无人集群协同运动路径规划方法 |
CN113741482A (zh) * | 2021-09-22 | 2021-12-03 | 西北工业大学 | 一种基于异步遗传算法的多智能体路径规划方法 |
CN113985891A (zh) * | 2021-11-15 | 2022-01-28 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN114489147A (zh) * | 2021-12-28 | 2022-05-13 | 中国人民解放军国防科技大学 | 无人机集群自组织区域覆盖方法、装置和设备 |
CN115016543A (zh) * | 2022-08-03 | 2022-09-06 | 中国人民解放军国防科技大学 | 基于人工标量场模型的无人机集群持续侦察和避障方法 |
CN115344039A (zh) * | 2022-07-06 | 2022-11-15 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
CN115686072A (zh) * | 2022-12-29 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种基于空间网格的无人机群安全作业航线自动生成方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001154706A (ja) * | 1999-11-29 | 2001-06-08 | Japan Atom Energy Res Inst | 移動体の経路生成法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN107219857A (zh) * | 2017-03-23 | 2017-09-29 | 南京航空航天大学 | 一种基于三维全局人工势函数的无人机编队路径规划算法 |
CN109508035A (zh) * | 2018-12-24 | 2019-03-22 | 南京邮电大学 | 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 |
CN109885063A (zh) * | 2019-03-15 | 2019-06-14 | 江苏大学 | 一种融合视觉和激光传感器的施药机器人农田路径规划方法 |
CN109917811A (zh) * | 2019-04-12 | 2019-06-21 | 中国人民解放军国防科技大学 | 一种无人机集群协同避障-重构处理方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
CN110377055A (zh) * | 2019-08-14 | 2019-10-25 | 西南石油大学 | 基于改进型人工势场法的无人机三维编队方法 |
CN111369101A (zh) * | 2020-01-18 | 2020-07-03 | 中国人民解放军国防科技大学 | 一种基于双层粒子群优化的任务规划方法 |
-
2020
- 2020-09-09 CN CN202010941397.XA patent/CN112000131B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001154706A (ja) * | 1999-11-29 | 2001-06-08 | Japan Atom Energy Res Inst | 移動体の経路生成法 |
WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN107219857A (zh) * | 2017-03-23 | 2017-09-29 | 南京航空航天大学 | 一种基于三维全局人工势函数的无人机编队路径规划算法 |
CN109508035A (zh) * | 2018-12-24 | 2019-03-22 | 南京邮电大学 | 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 |
CN109885063A (zh) * | 2019-03-15 | 2019-06-14 | 江苏大学 | 一种融合视觉和激光传感器的施药机器人农田路径规划方法 |
CN109917811A (zh) * | 2019-04-12 | 2019-06-21 | 中国人民解放军国防科技大学 | 一种无人机集群协同避障-重构处理方法 |
CN110288165A (zh) * | 2019-07-02 | 2019-09-27 | 南京信息工程大学 | 基于快速聚类和优化分配的多目标无人监测跟踪方法 |
CN110377055A (zh) * | 2019-08-14 | 2019-10-25 | 西南石油大学 | 基于改进型人工势场法的无人机三维编队方法 |
CN111369101A (zh) * | 2020-01-18 | 2020-07-03 | 中国人民解放军国防科技大学 | 一种基于双层粒子群优化的任务规划方法 |
Non-Patent Citations (5)
Title |
---|
CEZARY KOWNACKI: "Local and asymmetrical potential field approach to leader tracking problem in rigid formations of fixed-wing UAVs", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
TOBIAS PAUL: "Modelling of UAV formation flight using 3D potential field", 《SIMULATION MODELLING PRACTICE AND THEORY》 * |
张琦: "基于简化可视图的环境建模方法", 《东北大学学报(自然科学版)》 * |
赵学军: "具有周期性双层优化结构的无人机集群航路规划模型", 《科技导报》 * |
顾伟: "基于改进人工势场法的多无人机编队控制模型", 《20 1 9 全国仿真技术学术会议论文集》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112327927A (zh) * | 2020-11-25 | 2021-02-05 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112327927B (zh) * | 2020-11-25 | 2021-11-26 | 北京理工大学 | 基于网格规划算法的编队无人机多角度打击航迹规划方法 |
CN112650237A (zh) * | 2020-12-21 | 2021-04-13 | 武汉理工大学 | 基于聚类处理和人工势场的船舶路径规划方法和装置 |
CN112783210A (zh) * | 2021-01-04 | 2021-05-11 | 中国人民解放军国防科技大学 | 无人机集群控制***的多目标控制参数调优方法 |
CN112783210B (zh) * | 2021-01-04 | 2022-03-25 | 中国人民解放军国防科技大学 | 无人机集群控制***的多目标控制参数调优方法 |
CN113405552A (zh) * | 2021-06-17 | 2021-09-17 | 北京理工大学 | 一种飞行器路径规划方法及装置 |
CN113741482A (zh) * | 2021-09-22 | 2021-12-03 | 西北工业大学 | 一种基于异步遗传算法的多智能体路径规划方法 |
CN113625780B (zh) * | 2021-10-12 | 2022-01-28 | 北京大学 | 一种避免死锁的分布式无人集群协同运动路径规划方法 |
CN113625780A (zh) * | 2021-10-12 | 2021-11-09 | 北京大学 | 一种避免死锁的分布式无人集群协同运动路径规划方法 |
CN113985891A (zh) * | 2021-11-15 | 2022-01-28 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN113985891B (zh) * | 2021-11-15 | 2023-09-22 | 北京信息科技大学 | 一种地震后生命探寻过程中的自适应集群路径规划方法 |
CN114489147A (zh) * | 2021-12-28 | 2022-05-13 | 中国人民解放军国防科技大学 | 无人机集群自组织区域覆盖方法、装置和设备 |
CN114489147B (zh) * | 2021-12-28 | 2023-10-17 | 中国人民解放军国防科技大学 | 无人机集群自组织区域覆盖方法、装置和设备 |
CN115344039A (zh) * | 2022-07-06 | 2022-11-15 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
CN115344039B (zh) * | 2022-07-06 | 2023-08-18 | 中国船舶科学研究中心 | 一种基于自适应分离组合策略的无人艇集群避障方法 |
CN115016543A (zh) * | 2022-08-03 | 2022-09-06 | 中国人民解放军国防科技大学 | 基于人工标量场模型的无人机集群持续侦察和避障方法 |
CN115686072A (zh) * | 2022-12-29 | 2023-02-03 | 中国电子科技集团公司第二十八研究所 | 一种基于空间网格的无人机群安全作业航线自动生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112000131B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112000131B (zh) | 基于人工势场法的无人机集群路径规划方法及*** | |
CN109254588B (zh) | 一种基于交叉变异鸽群优化的无人机集群协同侦察方法 | |
CN101122974B (zh) | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 | |
CN110608743A (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 | |
CN105511457B (zh) | 机器人静态路径规划方法 | |
CN103744290B (zh) | 一种多无人机编队分层目标分配方法 | |
CN106815443B (zh) | 面向变化环境的超低空飞行器三维多批多航迹规划方法 | |
CN108762296B (zh) | 一种基于蚁群算法的无人机欺骗路线规划方法 | |
CN107392388A (zh) | 一种采用改进人工鱼群算法规划无人机三维航迹的方法 | |
CN107544553A (zh) | 一种基于混合蚁群算法的无人机航路规划方法 | |
CN103471592A (zh) | 一种基于蜂群协同觅食算法的多无人机航迹规划方法 | |
CN102880186A (zh) | 基于稀疏a*算法和遗传算法的航迹规划方法 | |
CN111722643A (zh) | 仿狼群合作狩猎机制的无人机集群动态任务分配方法 | |
CN109269502A (zh) | 一种基于多策略改进粒子群算法的无人机三维航路规划方法 | |
CN107622699B (zh) | 基于时序的全时段空域冲突探测与解脱方法 | |
CN112666981B (zh) | 基于原鸽群动态群组学习的无人机集群动态航路规划方法 | |
CN110181508A (zh) | 水下机器人三维航路规划方法及*** | |
CN109190978A (zh) | 一种基于量子鸟群演化机制的无人机资源分配方法 | |
CN115657721A (zh) | 一种基于改进蚁群算法的空间环境无人机轨迹规划方法 | |
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 | |
CN113805609A (zh) | 一种混沌迷失鸽群优化机制的无人机群目标搜索方法 | |
CN115435787B (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及*** | |
CN109597839A (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN112462805A (zh) | 基于改进蚁群算法的5g网联无人机航迹规划方法 | |
CN115355922A (zh) | 一种基于改进蚁群算法的出行路径规划方法及*** |
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 |