多无人机协同路径规划技术研究及模拟实现

发布时间：2017-09-20 02:27

  本文关键词：多无人机协同路径规划技术研究及模拟实现

  更多相关文章： 多无人机 协同 K-trajectory平滑 蚁群算法 Voronoi图

【摘要】：无人机路径规划是多无人机协同控制的核心,随着无人机的普及率增大,居住环境更加复杂的民众与无人机的接触更加频繁,这也给无人机的整体控制提出了一个挑战,使得单无人机甚至是多无人机协同路径规划成为了近年来的一个热点研究问题,与此同时,无人机在三维飞行空间的机间相互通信以及多自由度导航上的复杂度也使得多无人机协同更具有挑战性。多无人机的协同路径规划是指在单个无人机基础上的以协同完成任务为目的的多目标规划方法,一般用在任务集较大且任务完成有先后次序的规划上效果尤为凸显。常见的多无人机路径规划有的侧重于环境的构建及最短路寻优,或者集中于解决最短路算法的性能问题,也有解决侧重协同准则的设计的。本文则在环境模型的建立、最短路算法优化以及多机协同方面均对已有的方法进行了改进,并分析模拟实验的结果得出相关的结论,本文的主要内容以及创新点如下:1.设计了几种威胁源的威胁分布模型,并据此定义二维Voronoi图的综合威胁场概念。对传统方法单一的威胁源做了扩充,并对一些威胁分布模型进行了改进,依据常识通过实验不断调整威胁表达式的结构,旨在得出一种计算速度快又接近实际情况的Voronoi环境威胁场。2.研究了单个无人机在上述的Voronoi图的威胁场中蚁群算法并且提出了一种改进算法蚁群算法,算法在经典蚁群的基础上主要针对两个点做了改进:为了使得算法的收敛速度加快,在一个固定代数时进行一次附加的最短路的信息素更新;为了使得算法的性能更快,在目标点处加了一种启发式信息因子,这种信息有利于蚂蚁在寻最短路时能缩短到目的点的时间。实验通过对比了改进蚁群以及经典最短路算法的在统一前提环境下,搜索并比较得到的解的准确性与算法的性能。3.将K-trajectory平滑算法用到初始路径的平滑中,并且基于平滑的轨迹的特性,提出了一种基于区间距离的协同准则,这种准则定义了何时无人机才能够彼此协同以及无人机将如何协同。作为本文的核心内容,基于上述几点,建立起了一套“环境建模-初始路径规划-路径平滑-协同规划”的流程,并实现了模拟仿真实验。
【关键词】：多无人机 协同 K-trajectory平滑 蚁群算法 Voronoi图
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：V279
【目录】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 绪论11-17
• 1.1 研究工作的背景与意义11-12
• 1.2 无人机路径规划的国内外研究历史与现状12-14
• 1.3 本文的主要贡献与创新14-15
• 1.4 本论文的结构安排15-17
• 第二章 无人机路径规划相关算法17-29
• 2.1 路径规划综述17-21
• 2.1.1 形式化的路径规划描述17-18
• 2.1.2 路径规划的约束条件18-21
• 2.1.2.1 无人机航迹长度约束19-20
• 2.1.2.2 飞行高度约束20
• 2.1.2.3 运动学特征约束20-21
• 2.1.2.4 安全性约束21
• 2.2 环境建模方法21-24
• 2.2.1 可视图法22-23
• 2.2.1.1 栅格法22-23
• 2.2.1.2 切线图法23
• 2.2.2 Voronoi图和Delaunay三角形23-24
• 2.3 经典的路径规划算法24-25
• 2.3.1 Dijkstra算法24
• 2.3.2 Floyd算法24-25
• 2.4 智能优化算法25-26
• 2.4.1 遗传算法25
• 2.4.2 神经网络算法25
• 2.4.3 蚁群算法25-26
• 2.5 概率法26
• 2.6 人工势场法26-27
• 2.7 A*算法27
• 2.8 本章小结27-29
• 第三章 初始路径平滑算法设计29-41
• 3.1 K-trajectory平滑算法29-36
• 3.1.1 基于无人机初始轨迹的K-trajectory算法30-32
• 3.1.2 平滑前后路径的变化规律32-36
• 3.2 基于Dubins路径与K-trajectory算法的无人机平滑算法36-40
• 3.2.1 Dubins路径模型36-38
• 3.2.2 Dubins路径与K-trajectory算法相结合的平滑算法38-40
• 3.3 本章小结40-41
• 第四章 多无人机协同路径规划算法41-58
• 4.1 环境模型41-48
• 4.1.1 无人机环境中的综合威胁场42-47
• 4.1.2 基于环境模型的无人机路径规划流程47-48
• 4.2 基于改进蚁群算法的初始路径规划48-54
• 4.2.1 蚁群算法基本原理48-49
• 4.2.2 基于Voronoi图环境改进的蚁群算法49-54
• 4.2.2.1 禁忌表引起的无解情况49-50
• 4.2.2.2 带有启发式信息的转移概率50
• 4.2.2.3 信息素更新方式调整加快算法的收敛50-51
• 4.2.2.4 设置信息素阈值限定解保证解的稳定性51
• 4.2.2.5 改进的蚁群算法描述51-54
• 4.3 多无人机协同路径规划54-57
• 4.3.1 多无人机协同路径规划问题描述54-55
• 4.3.2 多无人机协同规划的算法流程55-57
• 4.4 本章小结57-58
• 第五章 模拟实现58-69
• 5.1 基于Dubins路径与K-trajectory平滑算法的实现58-61
• 5.2 改进蚁群算法及经典算法的实现与比较61-64
• 5.3 多无人机协同路径规划模拟实现64-68
• 5.3.1 两架无人机从附近区域出发执行相同任务64-65
• 5.3.2 三架无人机从不同区域出发协同执行不同任务65-68
• 5.4 本章小结68-69
• 第六章 全文总结与展望69-71
• 6.1 全文总结69-70
• 6.2 未来展望70-71
• 致谢71-72
• 参考文献72-77
• 攻读硕士期间取得的成果77-78

【相似文献】

中国期刊全文数据库 前2条

1 王涛,王瑜,马玉林;基于CIMS环境的检测路径规划技术[J];计算机集成制造系统-CIMS;2001年10期

2 ;[J];;年期

中国重要报纸全文数据库 前1条

1 汪波邋曹红涛点评人 中国工程院院士 著名机器人专家 蔡鹤皋;智能“清扫工”有望进入家庭[N];人民日报;2007年

中国博士学位论文全文数据库 前1条

1 史美萍;基于人机协同的月球车路径规划技术研究[D];国防科学技术大学;2006年

中国硕士学位论文全文数据库 前10条

1 刘浩;多无人机协同路径规划技术研究及模拟实现[D];电子科技大学;2016年

2 张婷;基于虚拟场景的路径规划技术研究及应用[D];大庆石油学院;2007年

3 孙奇;AGV系统路径规划技术研究[D];浙江大学;2012年

4 李红英;自动导引小车系统（AGVS）路径规划技术研究[D];合肥工业大学;2005年

5 许亮;基于模糊神经网络的AUV路径规划技术研究[D];中国海洋大学;2007年

6 胡荟;基于改进蚁群算法的机器人三维路径规划技术的研究[D];浙江师范大学;2012年

7 张玉奎;水面无人艇路径规划技术研究[D];哈尔滨工程大学;2008年

8 张志广;基于坦克式移动机器人定位和路径规划技术研究[D];国防科学技术大学;2005年

9 赵映杰;虚拟逃生系统中路径规划技术的研究与应用[D];武汉理工大学;2012年

10 丁小辉;复杂环境下移动机器人路径规划新算法的研究[D];北京邮电大学;2010年

，

本文编号：885370