基于人工智能的无人机区域侦察方法研究现状与发展

发布时间：2021-11-18 18:33

　　区域侦察是无人机研究领域的一个重要分支。由于实际任务和环境十分复杂,区域侦察控制方法必须具备较快的计算速度、较强的自主性和智能性。人工智能因具有学习能力强、效率高、融合度高等特性被应用于区域侦察任务中。本文系统介绍了区域侦察问题的背景并综述了基于人工智能解决该问题的方法,主要分为构造并优化目标函数的启发式算法和求解最优价值或策略的深度强化学习方法这两类。通过对上述方法的全方位比较,发现深度强化学习因具有自学习和在线学习的性能,能很好地适应复杂、未知环境进而能快速、准确解决区域侦察问题。此外,本文还探讨了无人机区域侦察技术的发展趋势及深度强化学习面临的挑战。 

【文章来源】：航空科学技术. 2020,31(10)

【文章页数】：12 页

【部分图文】：

区域侦察任务环境示意图

蚂蚁是自然界中的一种微小、弱势的群体，单独的蚂蚁没有太多智能行为，但当多个蚂蚁一起工作时，它们可以沿着最优的路径寻找、搬运食物，具有良好的协同性、智能性。具体蚁群寻找最优路径的过程如图3所示。图3(a）表示蚁群遇到一个分叉路口，需要做出选择；图3(b）表示上下两条路径长度是不等的，蚂蚁随机选择一条；图3(c）表示选择下面这条路的蚂蚁先到达目的地，沿原路返回并释放更多的信息素；图3(d）表示下面路径积累的信息素比上面路径更多，蚂蚁倾向于选择下面这条路，也就是信息素多的路径（图3中的虚线表示信息素）。同样，将蚁群寻找最优路径的想法应用到无人机区域侦察上面，能优化各个无人机的路径，减少能量损失。

许友平[31]用粒子群算法求解目标搜索阶段的航路规划问题，使无人机在较短的时间内遍历任务区域，从而侦察到更多的目标，降低区域信息的不确定度。参考文献[32]用粒子群算法为每架无人机规划航路，在求解过程中，将其他无人机考虑进目标函数，从而实现多无人机的协同搜索，如图4所示。该文献除了将探测收益考虑在内，由于无人机转弯相比直飞更消耗燃料，为鼓励直飞还将直飞收益也考虑进收益函数中。于是优化的目标函数是：

【参考文献】：
期刊论文
[1]多无人机协同搜索区域划分与路径规划[J]. 戴健,许菲,陈琪锋.  航空学报. 2020(S1)
[2]结合先验知识的深度Q神经网络算法研究[J]. 褚伟,茹琦,任明仑.  合肥工业大学学报(自然科学版). 2019(07)
[3]人因工程在无人机中的应用及展望[J]. 蒋浩,高鑫.  航空科学技术. 2019(05)
[4]基于Voronoi图质心的多无人机协同区域搜索算法[J]. 朱利,符小卫.  无人系统技术. 2019(02)
[5]小型无人机协同覆盖侦察路径规划[J]. 高春庆,寇英信,李战武,徐安,李游,常一哲.  系统工程与电子技术. 2019(06)
[6]强化学习研究综述[J]. 马骋乾,谢伟,孙伟杰.  指挥控制与仿真. 2018(06)
[7]无人机灾情巡查区域搜索的建模与求解[J]. 孙纯岭,李影,任磊磊,高发荣.  数学的实践与认识. 2018(15)
[8]一种改进CSA算法的UAV多任务区侦察决策问题研究[J]. 张耀中,陈岚,张蕾,谢松岩.  电光与控制. 2018(05)
[9]一类适应度函数的遗传算法编码[J]. 朱春媚,莫鸿强.  计算机应用. 2017(07)
[10]人工智能的现状及今后的发展趋势展望[J]. 王宇楼.  科技展望. 2016(22)

硕士论文
[1]基于遗传算法和深度强化学习的多无人机协同区域监视的航路规划[D]. 李艳庆.西安电子科技大学 2018
[2]基于多群体蚁群算法的多无人机协同搜索方法研究[D]. 薛政钢.河南大学 2018
[3]不同信息条件下的多无人机协同区域搜索航迹规划研究[D]. 温永禄.北京理工大学 2016
[4]混合自进化遗传算法的矢量场校正研究[D]. 李翠翠.哈尔滨工程大学 2016
[5]无人机对地侦察/攻击航路规划软件系统的研制与开发[D]. 许友平.南京航空航天大学 2013
[6]无人机区域侦察航路规划研究[D]. 郑宏捷.国防科学技术大学 2011



本文编号：3503398