基于PSO-HJ算法的多无人机协同航迹规划方法

针对多无人机协同航迹求解计算量大、难以收敛等问题,提出了一种基于粒子群优化和Hook-Jeeves (PSO-HJ)搜索算法相融合的多无人机时间协同三维航迹规划方法。首先,建立了单无人机航迹规划求解模型。然后,通过对适应度评价函数值低的粒子引入Hooke-Jeeves搜索算法,提高了粒子多样性,改善了航迹规划算法收敛性;对不满足约束的粒子引入约束违反度函数,基于比较准则提出了一种新的粒子评价机制,促进粒子搜索位于约束边界的最优解,加快了航迹规划算法的计算效率。最后,设计了一种多无人机时间协同航迹规划求解算法,利用PSO-HJ算法先分别求解单无人机航迹信息,通过多无人机集中航迹规划层协调到达时间实现协同航迹规划。仿真结果表明,PSO-HJ算法的精度比量子粒子群(QPSO)算法精度提高了20.85%,比PSO算法精度提高了58.14%,更适用解决实际复杂的多机协同规划问题。     

室内复杂环境下多旋翼无人机动态路径规划

针对多旋翼无人机在室内复杂环境下的动态路径规划问题,提出了一种基于高度降维空间环境模型的无记忆回归A~*算法。首先,提出了一种高度降维的空间环境建模方法,将三维空间降到二维,降低了环境模型的复杂度,提高了规划效率。在环境建模的基础上,提出了以全局路径规划结果为基础进行局部动态搜索的思路,并设计了无记忆回归A~*算法,即首先使用传统A~*算法进行全局路径规划,参考全局规划结果,利用无记忆回归A~*算法对动态障碍物进行避障,避障完成后回归到全局规划路径上。最后利用仿真实验验证了所提方法的有效性。仿真结果表明,在指定环境下所提方法的路径规划时间和路径规划长度较无记忆A~*算法更短,两项指标分别提升了13.8%和41.6%。     

基于改进遗传算法的多无人机协同侦察航迹规划

针对多无人机在复杂的战场环境中如何高效侦察多种类型目标的问题,提出了一种基于改进遗传算法的多无人机协同侦察航迹规划算法。首先,根据战场环境中不同类型目标的侦察要求,建立了以整体时间代价最小为目标函数的航迹规划模型。然后,改进了遗传算法的编码、交叉和变异等操作,来实现异质型目标分配与航迹规划的集中一体化求解。最后,为了提高算法的收敛速度,在交叉和变异操作过程中,加入了适应度更新策略。仿真结果验证了该算法的可行性,而且在4架无人机观测3种类型共10个目标的仿真条件下,相较于使用双染色体编码和多重变异算子的基于对立的遗传算法,时间代价降低了5.79%,收敛速度提高近12倍,有效提高了航迹规划的精度及效率。     

基于改进强化学习的移动机器人路径规划方法

随着移动机器人在各领域的应用与发展,对移动机器人路径规划能力提出了更高的要求。为了解决现有移动机器人利用强化学习方法进行路径规划时存在的收敛速度慢和规划出路径平滑度较差的问题,提出了一种改进的Q-learning算法。首先,在Q值初始化的过程中引入人工势场法中的引力势场,以加快收敛速度。然后,调整移动机器人动作方向,增加动作步长,并在状态集中增加了方向因素,以提高规划路线的精度。最后,在栅格地图中,对所提出的算法进行了仿真验证。仿真结果表明,改进后的算法较传统的Q-learning算法在路径规划的时间上减少了91%,并且规划出路径的平滑度提高了79%。     

通信受限条件下多无人机协同环境覆盖路径规划

多无人机协同覆盖旨在有效分配多个无人机任务,实现给定区域的快速、高效全覆盖。然而,在现实应用场景中常常因为无人机之间距离超出通信范围,信号传输受阻,导致无人机之间的协作和信息交互面临极大挑战。为此,提出一种基于Deep Q Networks(DQN)的多无人机路径规划方法。采用通信中断率和最大通信中断时间两个指标来评价路径质量,通过构建与指标相关的奖励函数,实现了无人机团队的自主路径决策。仿真实验表明,所提方法在最短路径上可以与传统优化算法效果保持一致,权衡路径下在增加20%路径长度的情况下可以降低80%通信中断率,在全通信路径下则可以实现100%的全过程连接通信,因此可以根据不同的通信环境生成高效覆盖所有环境节点的路径。     

基于骨架提取和启发式算法的路径规划方法

针对农业机器人在大棚中执行搬运任务时的高效率且尽可能沿地图中心行驶的需求,提出一种基于骨架提取和启发式算法的路径规划方法。首先设计了自适应阈值的地图骨架路径关键点提取步骤,用关键点指导启发式搜索树的构建。然后采用膨胀RS曲线代替直线进行树的生长,保证机器人的运动学约束和防碰撞,同时提出一种混合碰撞检测方法,进一步提高算法效率。最后设计关键点扩展步骤,提高算法的鲁棒性。仿真结果表明,简单地图下,本算法效率约是RRT*-Connect算法的5倍、Hybrid A*算法的7倍,复杂地图下约是RRT*-Connect算法的300倍、Hybrid A*算法的9倍,能够满足机器人的运动学约束。     

多无人机多目标协同侦察航迹规划算法

针对目前无人机集群对多目标进行协同侦察时,易重复侦察目标,进而导致侦察效率低的问题,提出了一种多无人机多目标协同侦察航迹规划算法。首先,优化了K-means聚类算法的评价标准,使目标集合的聚类结果更加稳定,同时也降低了目标被重复侦察的概率。然后,利用改进的离散粒子群算法求解侦察序列,来降低整体任务的时间代价。最后依据侦察序列生成各无人机任务航迹。仿真结果表明,该算法不仅能够有效避免目标被重复侦察,而且相较于基因算法和标准离散粒子群算法,在4架无人机观测30个目标的仿真条件下,将时间代价降低24%,其收敛速度较快,求解精度更高。     

基于海洋遥感图像的无人艇路径覆盖规划算法

遥感技术和无人艇的结合在海洋覆盖应用中具有巨大的潜力,提出了一种基于海洋遥感图像的无人艇路径覆盖方法。首先,为了建立精确的地图模型,提出了一种基于改进YOLO V3的旋转目标检测算法,在YOLO V3的基础上,细化障碍物的轴向、长度、宽度和坐标信息,在不增加计算量的情况下提高复杂场景下障碍物检测的召回率。然后,为了获得高效的覆盖路径,提出了一种基于旋转光束和贪心算法的路径覆盖算法。该算法将完整路径分为直行路径和转弯路径,分别基于长度与避障目标优化覆盖路径。仿真结果表明,较基于栅格地图的神经元激励算法,所提出算法在长度上平均减少了9.3%,并且在2种极端海洋环境中实现路径覆盖率为100%,重复率小于2.1%。     

基于A~*算法的重力辅助导航航迹规划

根据重力辅助导航航迹规划的特点,对经典A*算法启发函数进行了修改,改进A*算法通过重力坡度值表示重力导航启发信息,使用自适应确定对应阈值,增加预处理步骤以解决任意起始点和终止点的航迹规划问题。A*航迹规划算法能够根据重力信息分布情况调整航迹,使得规划的航迹重力导航信息更加丰富。重力相关匹配结果表明:跟随改进A*算法航迹的导航平均定位误差比跟随未规划航迹的小,改进A*航迹规划算法能够提高重力辅助惯性导航精度。     

基于改进人工蜂群算法的多无人机灭火任务规划

针对当前多无人机通过投放灭火弹对多处山火进行灭火救援任务规划中,因各点火情的时变而导致规划效率低下的问题,提出了一种多无人机对多火点火场灭火救援任务规划方法。首先,建立了目标价值随时间变化的多无人机任务规划模型,可实现根据指挥者的决策意图来进行合理救援。然后,根据模型提出了一种基于整数编码的改进人工蜂群算法,利用该算法求解各无人机的救援序列可以提高无人机救援效率。最后根据救援序列及预先规划的可飞路径生成各无人机的救援路径。仿真结果表明,在相同任务规模下,该方法的寻优效率较高,寻优时间仅为现有方法的15.2%;在总价值提高的情况下,完成任务的时间与现有方法相比平均缩短了4.9%。     

一种用于无人机姿态测量的红外地平仪算法改进

针对现有算法存在的飞行前必须进行环境参数标定,无法抑制飞行过程中环境参数漂移的缺陷,提出了一种无人机红外地平仪姿态解算的改进方法。该算法简化了传感器模型,使得姿态解算方程消去了环境参数,实现了无需在飞行前进行环境参数标定,简化了使用流程,并克服了飞行过程中环境参数漂移对姿态解算精度的影响,还避免了现有方法中需切换解算方程导致的误差跳跃。地面实验证实了改进方法相对现有方法的改进,验证了改进模型的准确性。机载飞行实验结果表明,在实际飞行中姿态角测量精度得到提高,误差连续平滑;滚转角度与俯仰角度的均方根误差由原有的4.4°和2.8°,降低至1.9°和1.8°。利用基于该算法的红外地平仪使固定翼无人机实现了自主飞行。     

基于混沌粒子群优化算法的空间机械臂轨迹规划算法

针对自由漂浮状态下的空间机械臂系统,研究了基座姿态扰动最小的轨迹规划问题。首先通过正弦函数参数化机械臂各个关节,在机械臂关节角速度、角加速度以及基座姿态变化范围受限的约束条件下,定义了基座姿态扰动最小的目标函数,然后提出了基于混沌粒子群算法的轨迹优化策略,并给出了具体求解步骤。数值算例结果表明,在满足系统的约束条件下,机械臂关节变化平缓,不存在角速度突变的情况,并且比标准粒子群算法具有更快的收敛速度,在优化轨迹下进行运动仿真,结果表明终止时刻基座姿态扰动为1.3708°(三轴合成),而梯形规划的姿态扰动为8.5459°,优化后使得姿态的扰动减小84%,从而说明所提出的算法能够有效减小机械臂运动对基座姿态的扰动。     

一种改进 RRT* 结合四次样条的协调路径规划方法

针对空间机器人抓捕空间非合作目标的在轨服务任务,同时考虑机器人运动学约束和动力学约束,提出一种分层式的自由漂浮双臂空间机器人协调路径规划方法. 首先,在路径规划层面上基于 RRT* 算法分别规划双臂末端执行器在笛卡尔空间下的初始可行路径,为双臂设置独立的采样空间,保证路径规划过程中双臂系统不发生自身碰撞. 然后,在轨迹规划层面上利用四次样条曲线平滑 RRT* 算法生成的初始路径,设计满足样条曲线的一阶、二阶及三阶微分连续约束,同时考虑机械臂末端执行器的初末速度约束条件、初始加速度约束条件,得到适合于空间机器人执行的动力学可行的平滑 轨迹.最后,计算所规划路径的最大速度、最大加速度与机械臂末端执行器物理极限值的比值,取最小上限,即为最少路径规划时间. 所提路径规划方法能够设计出满足特定路径点约束的协调路径,且所设计的路径考虑了机械臂的物理限制条件,通过对自由漂浮双臂空间机器人进行仿真试验,验证了所提路径规划算法的有效性.      

基于优化的离散空间轨迹规划算法

针对无人车离散空间轨迹规划时存在路径不平滑、速度不平稳、动态规划运算时间长等问题,提出一种基于优化的离散空间轨迹规划算法。将无人车所需搜索的空间解耦为纵向-横向空间（S-L空间）和纵向-时间空间（S-T空间）,在S-L空间根据静态避障和路径平滑程度的要求设计代价函数进行动态规划,进而利用二次规划对动态规划结果进行优化;在S-T空间提出一种改进的动态规划方法,根据道路速度限制和不可倒车约束优化搜索,并引入启发函数加快对规划终点的搜索速度,减少算法计算量,提高运行效率。仿真实验结果表明,在静态避障和动态避障环境中,所提算法规划出的轨迹曲率更小、速度变化更平滑、运行时间更快,相比于传统动态规划算法单次规划时间减少了77.13%。     

弹塑性接触问题数值计算的二次规划算法

针对弹塑性接触问题所推得的数值求解式子,运用二次规划法具体设计了算法,该算法采用有限的基底交换运算就可得到收敛的数值解,具有较好的收敛性及较小的计算工作量.工程计算算例结果表明文章所提出的接触问题的求解方法是有效的,针对结构中接触问题所建立的数值计算模型能真实反映实际工作状况是可靠的.文章中还详细给出了接触单元相关矩阵和向量的具体推导形式.     

基于改进A*算法的多基地多无人机分阶段任务规划方法

针对多无人机疏散配置在多个基地、协同执行多目标侦察任务的应用需求,提出了一种基于改进A*算法的多基地多无人机分阶段任务规划方法,包括区域设置、航程估算、多基地多无人机任务分配、基地内单无人机时序分配、航迹搜索、航迹平滑和局部动态规划等多阶段层次化的处理流程。基于改进A*算法预估航程矩阵,基于改进K-means算法和深度遍历方法求解多基地多无人机任务分配,基于旅行商（TSP）模型求解单无人机时序任务分配,基于改进A*算法和三次B样条曲线规划并优化航迹,依据态势变化执行局部动态任务规划。开发了多无人机任务规划软件,验证了所提出的分阶段任务规划处理流程。实验结果表明,改进A*算法可剔除冗余节点,缩短4%以上航程,应用改进A*预估航程的任务分配能够满足威胁规避约束,进而可有效实现复杂威胁条件下多基地多无人机的航迹规划。     

基于改进LSTM网络的无人机MEMS-IMU零偏在线标定方法

针对在卫星信号拒止、视觉系统退化场景中无人机MEMS-IMU零偏无法准确估计并补偿导致导航误差迅速发散的问题,提出一种基于改进长短时记忆（LSTM）网络的零偏在线标定方法。首先,为解决MEMS-IMU零偏数据非线性强、传统循环时间网络训练效果差的问题,设计序列到序列的LSTM神经网络结构,引入教师强迫机制,提高了网络特征学习能力。然后,在导航过程中使用训练后的网络对MEMS-IMU零偏在线标定,补偿后的IMU量测与视觉信息联合优化,保证了导航定位精度。实验结果表明,在纯惯性导航实验中,所提方法的绝对位置误差比传统LSTM方法减小了6.5%;在EUROC数据集下进行的视觉惯性组合导航实验中,所提方法的平均绝对位置误差比传统LSTM方法减小了15%。     

基于改进蛙跳算法的结构可靠指标计算

为了克服传统的结构可靠指标求解方法存在的模型描述和计算缺陷,引入改进混合蛙跳算法用于求解可靠指标。针对标准蛙跳算法求解组合优化问题时后期收敛速度慢、容易陷入局部最优的缺点,新算法引入蚁群算法的信息素调整策略,对蛙跳算法后期局部搜索进行改进,扩大算法后期搜索范围,使蛙跳算法跳出局部最优。最后,将改进后的算法应用到结构可靠指标的求解过程,算例验证了改进算法的有效性。     

基于改进TERCOM的地形辅助导航算法

自主水下航行器长时间航行后惯性导航系统的位置误差会随时间不断增加,地形辅助导航可帮助惯性导航系统进行误差校正。为解决地形轮廓匹配（TERCOM）算法对航向误差较敏感问题,提高地形辅助导航的匹配精度,提出了一种基于改进TERCOM的地形辅助导航算法。在TERCOM算法基础上增加旋转角度机制,首先根据INS航迹进行旋转平移并采用TERCOM算法进行粗匹配,然后引入改进粒子群算法进行精匹配。在某海图内进行水下地形匹配仿真实验,结果表明：与传统TERCOM算法相比,所提算法可降低航向误差84%,匹配精度可提高4倍多,对实现自主水下航行器的自主无源导航有重要意义。     

基于局部精确直方图匹配的无人机景象匹配导航色彩恒常算法

为了解决无人机景象匹配导航中实时图和基准图之间的色彩差异性问题,提出了一种基于局部精确直方图匹配的色彩恒常算法。将实时图分成一系列子块图像,根据景象匹配辅助导航系统预测的无人机位姿信息,获得实时图与基准图的粗略对应关系,考虑平移、尺度、旋转等补偿,选取基准图中与实时图子块对应的基准图子块,求解每对子块图像红、绿、蓝颜色通道色彩直方图的颜色映射关系,并根据建立的颜色映射关系,对实时图子块的三个颜色通道进行变换,从而降低实时图与基准图之间的色彩差异。试验结果表明,所提色彩恒常算法对光源颜色估计的欧拉角误差约降低到传统色彩恒常算法的20%,相比于不采用色彩恒常处理的景象匹配算法,将景象匹配平均误差降低了约70%,由于算法中引入了分块处理机制,能够克服多光源成像导致的色彩差异,具有并行计算的优势,便于工程应用。