基于天牛须搜索的无人机路径规划算法的鲁棒性分析
发布时间：2022-01-19 19:38
为考察无人机（Unmanned aerial vehicles, UAVs）在飞行过程内、外部环境干扰对基于天牛须搜索（Beetle antennae search,BAS）算法的无人机路径规划算法,即OABAS （Obstacle avoidance beetle antennae search）算法的影响,采用抗噪分析模拟的方法对OABAS算法进行鲁棒性分析。首先构建了噪声干扰下无人机的运动场景,包括静态障碍物场景和动态障碍物场景;然后通过对场景中的路径参数添加高斯白噪声,模拟了无人机飞行过程中的定位干扰;最后在不同种类的地图上对OABAS算法进行模拟实验,包括二维平面上规则和不规则的障碍物以及真实三维地图,通过对比添加噪声干扰前后代价函数值的收敛情况,分析了该算法在受到噪声干扰下的鲁棒性,以分析天牛须搜索的无人机路径规划算法的性能。结果表明:OABAS算法具有较强鲁棒性,在添加噪声前后进行路径规划均有较好的表现。
【文章来源】：浙江理工大学学报(自然科学版). 2020,43(04)
【文章页数】：7 页
【部分图文】：
OABAS算法控制模型
在仿真实验中,本文分别在三张障碍物地图上进行了测试,并在不同初始和终点位置进行了多次实验。在规划收敛速度方面,在二维平面的仿真中,算法平均共用时0.3 s就规划出了路径,可满足规划的实时性要求。在多个规则障碍物的环境中进行路径规划,并记录了添加噪声前后路径代价函数值收敛趋势的变化,仿真实验结果如图2所示。图2(a)为此情景下的路径规划结果图,其中黑色物体表示静态障碍物,起点和终点已在图中标出,中间的浅色线段为规划出的路径。图2(b)为未添加噪声时路径代价函数值随迭代次数变化图,可看到其代价函数值呈现渐进收敛,收敛过程有小幅波动,这是渐进收敛的特点。图2(c)为添加了高斯白噪声后路径代价函数值随迭代次数变化图,其代价函数值也呈渐进收敛,但其波动幅度较未加入噪声时更明显。对比图2(b)与图2(c)可以看出在添加噪声之后,算法的收敛推迟了,这意味着噪声的干扰使得算法需要更多的迭代次数来完成路径规划任务。然而,对比两种情况下收敛后各自的路径代价函数值可以发现,最终得到的路径在质量上并没有太大区别,因此添加噪声对最终的规划结果影响很小,OABAS算法具有较强鲁棒性。图3与图4分别在单个不规则和多个不规则障碍物的环境中进行路径规划,并呈现了与多个规则障碍物的环境中进行规划时类似的结果。
本文不仅进行了静态环境下的仿真,还做了动态地图下的抗干扰测试。为了更真实地模拟现实中的环境,本文在仿真环境中引入了一个动态的障碍物,并在飞行器每一次前进最小航迹段之后采用观测窗口法进行路径的重规划。观测窗口法需要设定无人机的感知范围,本文的默认值将其设置为3 m,即障碍物在距离无人机的范围在3 m以内时会被发现,同时飞行器会采取躲避的行为。出发点和终点是随机选取的,同时把这两个点设置为固定不变。图4 二维静态障碍物下多个不规则障碍物下的模拟实验结果
【参考文献】：
期刊论文
[1]一种建模不确定性的四旋翼无人机鲁棒跟踪控制[J]. 石振东,屈蔷,程陈. 小型微型计算机系统. 2019(11)
[2]智能语音识别系统噪声鲁棒性研究[J]. 宋文林,刘斌. 信息技术与标准化. 2019(06)
[3]基于人工势场法的无人机路径规划避障算法[J]. 毛晨悦,吴鹏勇. 电子科技. 2019(07)
[4]基于多种群进化算法的测试用例优先级排序研究[J]. 张娜,胡国亨,金瑜婷,史佳炳,包晓安. 浙江理工大学学报(自然科学版). 2018(02)
[5]基于细菌觅食算法的波前编码相位掩模的优化研究[J]. 陆宇,张星煦,赵廷玉. 浙江理工大学学报(自然科学版). 2017(04)
[6]Higuchi算法的抗噪特性分析及其应用[J]. 秦建强,孔祥玉,胡绍林,马红光. 科学技术与工程. 2016(28)
[7]姿态融合滤波的无人机抗干扰控制算法[J]. 陆兴华. 传感器与微系统. 2016(07)
[8]基于改进A*算法的无人机航迹规划[J]. 蒙波,皮亦鸣,曹宗杰. 计算机仿真. 2010(09)
[9]优化蚁群算法在无人机航路规划中的应用[J]. 邱小湖,邱永成. 计算机仿真. 2010(09)
本文编号：3597441
【文章来源】：浙江理工大学学报(自然科学版). 2020,43(04)
【文章页数】：7 页
【部分图文】：
OABAS算法控制模型
在仿真实验中,本文分别在三张障碍物地图上进行了测试,并在不同初始和终点位置进行了多次实验。在规划收敛速度方面,在二维平面的仿真中,算法平均共用时0.3 s就规划出了路径,可满足规划的实时性要求。在多个规则障碍物的环境中进行路径规划,并记录了添加噪声前后路径代价函数值收敛趋势的变化,仿真实验结果如图2所示。图2(a)为此情景下的路径规划结果图,其中黑色物体表示静态障碍物,起点和终点已在图中标出,中间的浅色线段为规划出的路径。图2(b)为未添加噪声时路径代价函数值随迭代次数变化图,可看到其代价函数值呈现渐进收敛,收敛过程有小幅波动,这是渐进收敛的特点。图2(c)为添加了高斯白噪声后路径代价函数值随迭代次数变化图,其代价函数值也呈渐进收敛,但其波动幅度较未加入噪声时更明显。对比图2(b)与图2(c)可以看出在添加噪声之后,算法的收敛推迟了,这意味着噪声的干扰使得算法需要更多的迭代次数来完成路径规划任务。然而,对比两种情况下收敛后各自的路径代价函数值可以发现,最终得到的路径在质量上并没有太大区别,因此添加噪声对最终的规划结果影响很小,OABAS算法具有较强鲁棒性。图3与图4分别在单个不规则和多个不规则障碍物的环境中进行路径规划,并呈现了与多个规则障碍物的环境中进行规划时类似的结果。
本文不仅进行了静态环境下的仿真,还做了动态地图下的抗干扰测试。为了更真实地模拟现实中的环境,本文在仿真环境中引入了一个动态的障碍物,并在飞行器每一次前进最小航迹段之后采用观测窗口法进行路径的重规划。观测窗口法需要设定无人机的感知范围,本文的默认值将其设置为3 m,即障碍物在距离无人机的范围在3 m以内时会被发现,同时飞行器会采取躲避的行为。出发点和终点是随机选取的,同时把这两个点设置为固定不变。图4 二维静态障碍物下多个不规则障碍物下的模拟实验结果
【参考文献】：
期刊论文
[1]一种建模不确定性的四旋翼无人机鲁棒跟踪控制[J]. 石振东,屈蔷,程陈. 小型微型计算机系统. 2019(11)
[2]智能语音识别系统噪声鲁棒性研究[J]. 宋文林,刘斌. 信息技术与标准化. 2019(06)
[3]基于人工势场法的无人机路径规划避障算法[J]. 毛晨悦,吴鹏勇. 电子科技. 2019(07)
[4]基于多种群进化算法的测试用例优先级排序研究[J]. 张娜,胡国亨,金瑜婷,史佳炳,包晓安. 浙江理工大学学报(自然科学版). 2018(02)
[5]基于细菌觅食算法的波前编码相位掩模的优化研究[J]. 陆宇,张星煦,赵廷玉. 浙江理工大学学报(自然科学版). 2017(04)
[6]Higuchi算法的抗噪特性分析及其应用[J]. 秦建强,孔祥玉,胡绍林,马红光. 科学技术与工程. 2016(28)
[7]姿态融合滤波的无人机抗干扰控制算法[J]. 陆兴华. 传感器与微系统. 2016(07)
[8]基于改进A*算法的无人机航迹规划[J]. 蒙波,皮亦鸣,曹宗杰. 计算机仿真. 2010(09)
[9]优化蚁群算法在无人机航路规划中的应用[J]. 邱小湖,邱永成. 计算机仿真. 2010(09)
本文编号：3597441
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3597441.html
