无人机3D航迹规划及动态避障算法研究

发布时间：2022-01-10 12:46

　　规划一条高时效且低代价的三维（3D）航行轨迹,成为目前无人机广泛应用亟须解决的问题。针对蚁群算法在航迹规划中出现的航迹长度和平滑性不足问题,通过改进蚁群系统中的节点移动规则、构造多重启发信息并结合粒子群优化算法的全局搜索能力,提出了蚁群粒子群融合算法。同时,就飞行航迹中出现的动态避障问题和目标点变化问题,提出了改进生物启发神经动力学模型算法,该算法针对3D静态最优航迹中出现的障碍物和目标点变化,实现了局部在线航迹调整。实验仿真结果表明,蚁群粒子群融合算法能在3D静态环境中规划出一条期望航迹。同时,改进生物启发神经动力学模型算法不仅能对突发障碍动态避障,还能对动态目标点变化实时跟踪。 

【文章来源】：仪器仪表学报. 2019,40(12)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

栅格化空间

(4)将图2中sm和sn两航迹点作为关键节点保留。经上述步骤得到的无人机航迹,需要在节点交接处(折线连接)采用平滑处理后才能作为全局静态期望航迹。本文采用均匀划分的B样条函数[16]进行平滑处理,得到平滑后的航迹分布。

式(10)在经典神经动力学模型方程基础上新增一个与时间无关的有限项 d ij → ? cos θ ,来增大对下一节点决策选择的影响,降低航迹选择所造成的代价损失。其中 d ij → 由节点距离决定即 d ij → =ρ/|s j -s i |,θ 为决策相对目标点的偏移方向,如图3所示。其中,Ii为神经元外部输入;[Ii]-1指抑制输入。 [Ι i ] + + ∑ j=1 n ω ij [x j ] + 和 d ij → ? cos θ 分别为激励输入;A、B、D均为非负常量;[-D,B]为xi的严格区间界限。其中 d ij → ?cosθ 表示与时间无关的有限项; ∑ j=1 n ω ij [x j ] + 表示通过周围n=26个神经元活性值的积累来间接引导对下一航迹点的选择,如图4所示。

【参考文献】：
期刊论文
[1]基于改进A*算法优化的移动机器人路径规划研究[J]. 陈豪,李勇,罗靖迪.  自动化与仪器仪表. 2018(12)
[2]旋翼飞行机器人的行人视觉跟踪方法及系统[J]. 王耀南,罗琼华,毛建旭,陈彦杰,周显恩.  电子测量与仪器学报. 2018(11)
[3]局部环境增量采样的服务机器人路径规划[J]. 陈彦杰,王耀南,谭建豪,毛建旭.  仪器仪表学报. 2017(05)
[4]改进蚁群算法求解移动机器人路径规划[J]. 张成,凌有铸,陈孟元.  电子测量与仪器学报. 2016(11)
[5]3维复杂山地环境下旋翼无人飞行器高时效航迹规划策略[J]. 张艺巍,谭建豪,王耀南.  机器人. 2016(06)
[6]基于弹簧模型的移动机器人路径规划研究[J]. 高申勇,许方镇,郭鸿杰.  仪器仪表学报. 2016(04)

博士论文
[1]基于智能优化算法的无人机航迹规划若干关键技术研究[D]. 胡中华.南京航空航天大学 2011



本文编号：3580739