基于改进RRT算法的无人机航路规划研究

发布时间：2017-07-19 05:02

  本文关键词：基于改进RRT算法的无人机航路规划研究

  更多相关文章： 交叉粒子群 动态步长 自适应权重 快速探索随机树 Hermite平滑 航路规划

【摘要】：近年来,无人机航路规划在国内外已经得到迅速的发展,逐渐应用到军用和民用方面,并在这些方面取得巨大的效益。但是,随着执行任务的环境越来越复杂化以及不确定性因素的不断增加,无人机对航路规划的要求也将越来越高。因此,使得无人机航路规划技术成为国内外学者研究的热点之一。为了满足无人机航路规划对于算法性能的苛刻要求,本文提出了交叉粒子群算法和动态步长的自适应RRT算法进行航路规划。 本文中,针对快速探索随机树(RRT)算法的规划耗时长和易陷入局部最优两方面做了一些改进。第一,引入路径规划的动态步长,假若探索新节点为探索失败点,则根据其与探索方向的夹角和无人机最大的转弯角的比值来动态的改变树的探索步长,直至下个探索节点不为失败点时为止,修改当前探索步长为初始探索步长,以此来加快树跳出局部极小区域,提高路径规划效率。第二,引入了自适应权重的策略,若树的下一个探索新节点为失败点时,则其对周围的节点均有一定的抑制作用,抑制作用的大小由抑制因子表示,根据抑制因子的大小来求出当前树中每个节点的权重,选取权重最大的节点作为树的生长点,从而避免大量的无用探索,提高路径规划效率。 本文中,针对粒子群算法的慢收敛和易陷入局部最优两方面做了一些改进。第一,引入自适应惯性权重来控制算法的收敛性能,主要用来平衡局部和全局的搜索能力。第二,对各个粒子的最优极值以及粒子种群的全局最优极值进行交叉操作,加速粒子向全局最优的方向移动。第三,对粒子种群进行局部的变异操作,保证可行路径的全局最优性。 最后,分别采用交叉粒子群算法和基于动态步长的自适应快速探索随机树算法,对复杂环境下的无人机航路规划进行系统的分析与研究,并在Matlab结合VC6.0/MFC的仿真平台上验证了改进算法的正确性与有效性。以山区地形环境仿真为例,在迭代300次以后,交叉粒子群算法的规划时间为25673ms,路径长度为244.673km,相比于传统的粒子群算法在时间和距离两方面均有明显的提升；动态步长的自适应RRT算法的耗费时间为16529ms,路径长度为241.385km,相比于传统RRT在时间和距离上都有了很大的提高；同时,动态步长的自适应RRT与交叉粒子群算法相比,其在规划时间上减少了9144ms,路径长度上减少了3.288km。
【关键词】：交叉粒子群 动态步长 自适应权重 快速探索随机树 Hermite平滑 航路规划
【学位授予单位】：沈阳航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V279;TP18
【目录】：

• 摘要5-7
• Abstract7-12
• 第1章 绪论12-21
• 1.1 课题背景及研究意义12-13
• 1.2 国内外研究现状13-18
• 1.2.1 航路规划系统现状13-14
• 1.2.2 航路规划算法现状14-17
• 1.2.3 快速探索随机树研究现状17-18
• 1.3 主要研究内容及方法18-19
• 1.4 论文结构19-21
• 第2章 无人机航路规划描述21-31
• 2.1 环境模型21-24
• 2.1.1 地形威胁21-23
• 2.1.2 天气威胁23
• 2.1.3 电磁干扰威胁23-24
• 2.1.4 地空导弹威胁24
• 2.2 约束条件24-27
• 2.2.1. 最大航程25
• 2.2.2. 最小飞行距离25
• 2.2.3. 最大转弯角25-26
• 2.2.4. 最大爬升/俯冲角26-27
• 2.2.5. 飞行高度27
• 2.3 航路规划目标27-28
• 2.3.1 避开威胁源要求28
• 2.3.2 飞行任务要求28
• 2.3.3 飞行约束要求28
• 2.3.4 任务实时性要求28
• 2.4 无人机航路规划器28-30
• 2.4.1 规划空间建模29
• 2.4.2 航路规划算法29
• 2.4.3 路径平滑算法29-30
• 2.5 本章小结30-31
• 第3章 基于改进快速探索树算法的无人机航路规划31-45
• 3.1 引言31-32
• 3.2 快速探索树的基本原理32-36
• 3.3 快速探索树算法的改进36-38
• 3.3.1 生长点选取的改进36-37
• 3.3.2 动态步长调整策略37-38
• 3.4 快速探索树的主要特征38-39
• 3.5 改进快速探索树算法航路规划器39-44
• 3.5.1 航路编码39-40
• 3.5.2 随机探索树的产生40-43
• 3.5.3 航路平滑技术43-44
• 3.6 本章小结44-45
• 第4章 基于改进粒子群算法的无人机航路规划45-52
• 4.1 引言45-46
• 4.2 粒子群算法的基本原理46-47
• 4.3 改进的粒子群算法47-48
• 4.4 威胁回避技术48-50
• 4.5 本章小结50-52
• 第5章 无人机航路规划仿真实验性能分析52-67
• 5.1 仿真环境设计52
• 5.2 二维环境下仿真实验52-58
• 5.2.1 环境设计52-53
• 5.2.2 简易任务环境仿真53-55
• 5.2.3 复杂任务环境仿真55-58
• 5.3 三维环境下仿真实验58-65
• 5.3.1 环境设计58
• 5.3.2 丘陵地形环境仿真58-62
• 5.3.3 山区地形环境仿真62-65
• 5.4 本章小结65-67
• 结论67-69
• 参考文献69-71
• 致谢71-72
• 攻读硕士期间发表（含录用）的学术论文72-73

【参考文献】

中国期刊全文数据库 前10条

1 于飞;唐小勇;潘洪悦;;改进粒子群算法在三维水下导航规划中的应用[J];北京理工大学学报;2010年09期

2 曾佳;申功璋;;一种无人机自主变步长航迹规划方法[J];弹箭与制导学报;2008年06期

3 秦明;朱会;李国强;;军用无人机的发展趋势[J];飞航导弹;2007年06期

4 刘丽;汪涛;陈瑛;;美国陆军无人机系统概述[J];飞航导弹;2011年08期

5 吕伟新;赵立军;王珂;李志鹏;;基于边界约束RRT的未知环境探索方法[J];华中科技大学学报(自然科学版);2011年S2期

6 彭辉;曾碧;;Hermite三次样条插值的车型机器人路径规划研究[J];计算机工程与应用;2010年22期

7 聂晶;刘弘;王琪;;基于粒子群算法的群体路径生成方法研究与实现[J];计算机应用;2010年02期

8 邱小湖;邱永成;;优化蚁群算法在无人机航路规划中的应用[J];计算机仿真;2010年09期

9 郑龙生,田康生;基于相对计算的雷达探测概率建模方法[J];空军雷达学院学报;2005年04期

10 高晖,陈欣,夏云程;无人机航路规划研究[J];南京航空航天大学学报;2001年02期

中国博士学位论文全文数据库 前1条

1 陈岩;蚁群优化理论在无人机战术控制中的应用研究[D];国防科学技术大学;2007年

，

本文编号：561258