无人机集群智能规划系统研究
发布时间：2021-01-11 11:11
近些年无人机技术发展迅速,但是单个无人机执行复杂任务的能力有限,难以在多重限制的环境下执行任务,所以集群编队技术便获得了研究的价值。本文研究了无人机路径规划、编队飞行,以及智能防碰撞这一系列无人机编队执行任务所需的功能点,主要内容和工作安排如下:首先,研究A*算法在无人机路径规划中的应用,通过分析无人机如转向角度等的飞行约束条件等因素,对A*算法进行有针对性的改进,优化其代价函数及搜索方式,提出根据时间片段设置动态障碍物的多路径规划方案。然后提出改进信息素更新策略等算法细节的蚁群算法作为补充,以解决A*算法在扩大搜索区域后的效率问题。其次,在以长僚机为基础的无人机编队模式进行建模后,以单机运动模型和多机相对关系模型为基础,得出编队飞行控制方法。并且以多个常见队形如三角形、长蛇型为例,给出其详细的编队方案。之后,提出用深度强化学习的方法DQN（Deep Q Network）作为无人机智能动态避障的解决方案。该算法可以允许无人机在未能获取完整环境信息,如障碍物的位置坐标、形状等,甚至对于动态障碍物,依然可以实时避障。以自制模拟器作为训练环境,通过无人机前置摄像头传来的视频数据作为数据来源,...
【文章来源】： 邓力恺 电子科技大学
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
神经元示意图
第二章相关理论介绍9深度神经网络DNN可理解为有很多隐藏层的神经网络，也可称为多层感知机MLP（Multi-LayerPerceptron），按层次可分为输入层(InputLayer)、任意数量的隐藏层(HiddenLayer)和输出层(OutputLayer)。如图2-2所示。图2-2人工神经网络示意图2.1.2卷积神经网络卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算的深度神经网络，是深度学习的最具代表性的算法之一[18]。卷积神经网络由多个隐藏层所组成。最常见的隐藏层包括输入层、卷积层、池化层、全连接层及输出层等等。该模型突破性地提出了使用卷积层来提取图像的空间信息特征，并提出全连接层不应放在第一层，打破了多年来神经网络研究的框架，奠定了深度卷积神经网络模型的大框架。其后AlexKrizhevsky发表了AlexNet[19]，该模型将网络深度拓展到了7层，引入了Relu作为激活函数，同时引入了Dropout和MaxPooling技术，并率先尝试使用双GPU进行训练。在这之后的几年则是迎来了卷积神经网络的大发展，各机构的研究者相继提出了VGGNet[20]，GoogLenet，InceptionV3,Resnet[21]等一系列具有突破性进展的网络。VGGNet第一次在网络中使用更小的3×3卷积核，并使用多个小的卷积核进行连续卷积，降低了模型的参数量。GoogLenet引入了Bottleneck结构，在数据进入大的卷积核前先用小的卷积核降维，在没有损失太多信息的情况下降低了参数量。InceptionV3则平衡了深度和宽度，在每个Bottleneck层中使用多路卷积，最大化网络的信息流。ResNet则针对层数
第二章相关理论介绍11层的特征面进行局部链接。上层的特征图像通过可训练的卷积核之后，再进入激活函数获得输出特征图。组合之后的特征图又能够获得更多特征图的值：HI=JHIL(22)HI=M5IN.5∈PQ5HH+HI(23) 2.1.2.2 池化操作 在卷积神经网络训练过程中，可以利用池化操作对经过卷积层运算得到的线性激活响应输出进行优化。池化操作本是一种将特征进行集合的操作，它通过将高维空间转化为低维来降低计算量，并且保持平移不变性，进一步减少下一层的输入维数，一定程度解决过拟合的问题。池化操作是将数据中一处的输出利用其相邻位置输出的某一特性代替，在各个位置汇总这些特征的统计信息。最大池化、均值池化、加权平均池化和空间金字塔池化是几种最为常见的池化操作方式。图2-3展示了常用的最大池化方式，可以看出在最大池化中，仅保留某固定大小矩形区域内的最大值。图2-3最大池化操作示意图2.1.2.3 全连接层 全连接层通常位于深度神经网络的输出层，以对之前各隐藏层的逐层变换和特征提取的结果进行回归分类等总结性处理。全连接层的输出是通过对上一层输入的加权求和，再经过激活函数处理：I=(I)(24)I=IIN.+I(25)式(2-5)中，I称为全连接层经过激活函数后的输出结果，它是对前一个隐藏层的输入IN.进行加权、加偏置后得出的，其中I为全连接网络l的权重系数，I是全连接层l的偏置系数。
【参考文献】：
期刊论文
[1]基于改进人工势场法的无人机路径规划算法[J]. 丁家如,杜昌平,赵耀,尹登宇. 计算机应用. 2016(01)
[2]多无人机时序到达协同控制方法[J]. 关旭宁,魏瑞轩,郭庆,王树磊,李政阳. 电光与控制. 2014(01)
[3]采用改进粒子群算法的无人机协同航迹规划[J]. 朱收涛,曹林平,翁兴伟,董康生,封普文. 电光与控制. 2012(12)
[4]基于冲突消解多无人机协同航路规划算法仿真[J]. 喻蓉,刘敏,孔繁峨,陈哨东. 电光与控制. 2011(06)
[5]基于模糊自适应PID的无人机纵向姿态控制研究[J]. 范卫刚,袁冬莉. 计算机测量与控制. 2011(03)
[6]无人机编队飞行的分布式控制策略与控制器设计[J]. 朱杰斌,秦世引. 智能系统学报. 2010(05)
[7]无人机编队队形保持控制器的分散设计方法[J]. 何真,陆宇平. 航空学报. 2008(S1)
[8]基于人工免疫算法和蚁群算法求解旅行商问题[J]. 胡纯德,祝延军,高随祥. 计算机工程与应用. 2004(34)
本文编号：2970662
【文章来源】： 邓力恺 电子科技大学
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
神经元示意图
第二章相关理论介绍9深度神经网络DNN可理解为有很多隐藏层的神经网络，也可称为多层感知机MLP（Multi-LayerPerceptron），按层次可分为输入层(InputLayer)、任意数量的隐藏层(HiddenLayer)和输出层(OutputLayer)。如图2-2所示。图2-2人工神经网络示意图2.1.2卷积神经网络卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算的深度神经网络，是深度学习的最具代表性的算法之一[18]。卷积神经网络由多个隐藏层所组成。最常见的隐藏层包括输入层、卷积层、池化层、全连接层及输出层等等。该模型突破性地提出了使用卷积层来提取图像的空间信息特征，并提出全连接层不应放在第一层，打破了多年来神经网络研究的框架，奠定了深度卷积神经网络模型的大框架。其后AlexKrizhevsky发表了AlexNet[19]，该模型将网络深度拓展到了7层，引入了Relu作为激活函数，同时引入了Dropout和MaxPooling技术，并率先尝试使用双GPU进行训练。在这之后的几年则是迎来了卷积神经网络的大发展，各机构的研究者相继提出了VGGNet[20]，GoogLenet，InceptionV3,Resnet[21]等一系列具有突破性进展的网络。VGGNet第一次在网络中使用更小的3×3卷积核，并使用多个小的卷积核进行连续卷积，降低了模型的参数量。GoogLenet引入了Bottleneck结构，在数据进入大的卷积核前先用小的卷积核降维，在没有损失太多信息的情况下降低了参数量。InceptionV3则平衡了深度和宽度，在每个Bottleneck层中使用多路卷积，最大化网络的信息流。ResNet则针对层数
第二章相关理论介绍11层的特征面进行局部链接。上层的特征图像通过可训练的卷积核之后，再进入激活函数获得输出特征图。组合之后的特征图又能够获得更多特征图的值：HI=JHIL(22)HI=M5IN.5∈PQ5HH+HI(23) 2.1.2.2 池化操作 在卷积神经网络训练过程中，可以利用池化操作对经过卷积层运算得到的线性激活响应输出进行优化。池化操作本是一种将特征进行集合的操作，它通过将高维空间转化为低维来降低计算量，并且保持平移不变性，进一步减少下一层的输入维数，一定程度解决过拟合的问题。池化操作是将数据中一处的输出利用其相邻位置输出的某一特性代替，在各个位置汇总这些特征的统计信息。最大池化、均值池化、加权平均池化和空间金字塔池化是几种最为常见的池化操作方式。图2-3展示了常用的最大池化方式，可以看出在最大池化中，仅保留某固定大小矩形区域内的最大值。图2-3最大池化操作示意图2.1.2.3 全连接层 全连接层通常位于深度神经网络的输出层，以对之前各隐藏层的逐层变换和特征提取的结果进行回归分类等总结性处理。全连接层的输出是通过对上一层输入的加权求和，再经过激活函数处理：I=(I)(24)I=IIN.+I(25)式(2-5)中，I称为全连接层经过激活函数后的输出结果，它是对前一个隐藏层的输入IN.进行加权、加偏置后得出的，其中I为全连接网络l的权重系数，I是全连接层l的偏置系数。
【参考文献】：
期刊论文
[1]基于改进人工势场法的无人机路径规划算法[J]. 丁家如,杜昌平,赵耀,尹登宇. 计算机应用. 2016(01)
[2]多无人机时序到达协同控制方法[J]. 关旭宁,魏瑞轩,郭庆,王树磊,李政阳. 电光与控制. 2014(01)
[3]采用改进粒子群算法的无人机协同航迹规划[J]. 朱收涛,曹林平,翁兴伟,董康生,封普文. 电光与控制. 2012(12)
[4]基于冲突消解多无人机协同航路规划算法仿真[J]. 喻蓉,刘敏,孔繁峨,陈哨东. 电光与控制. 2011(06)
[5]基于模糊自适应PID的无人机纵向姿态控制研究[J]. 范卫刚,袁冬莉. 计算机测量与控制. 2011(03)
[6]无人机编队飞行的分布式控制策略与控制器设计[J]. 朱杰斌,秦世引. 智能系统学报. 2010(05)
[7]无人机编队队形保持控制器的分散设计方法[J]. 何真,陆宇平. 航空学报. 2008(S1)
[8]基于人工免疫算法和蚁群算法求解旅行商问题[J]. 胡纯德,祝延军,高随祥. 计算机工程与应用. 2004(34)
本文编号：2970662
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2970662.html
