无人机自主航迹规划智能算法综述
Dai等[26]在用遗传算法对无人机进行路径规划前，为感知几何复杂目标区域，提出了一种新的无人机覆盖和路径规划方案，采用基于遮挡感知的道路点生成算法得到了良好的时空分辨率，并设计最小化最大能量路径规划算法解决飞行器路径问题。 Arantes等[27]将启发式算法和遗传算法应用于紧急迫降的无人机路径规划问题中，使用遗传算法在合理的计算时间内得到更全质量的解决方案。 Yan等[28]提出了一种基于遗传算法和Dubins曲线的固定翼无人机路径规划算法，采用新的编码方案将遗传算法用于二维环境中生成最短的威胁规避路径，并通过添加路径角度将2D Dubins路径转换为Dubins路径，最终在复杂三维环境下生成最短的威胁规避路径。 2004年赵杰[10]在对数据地形的模拟中提出基于规则格网的数字高程模型的地形特征提取算法，对洼地、平坦地区等进行处理，有效地将主要的地形特征正确地提取出来。 2015年唐晓东[12]采用栅格方法建立原始数字地图，并用双线性的插值方法对原始数字高程数据进行插值处理，把各类威胁等效为山峰模型，然后将原始数字高程数据与威胁处理后的数据进行融合，这种方法能更有效地得到航迹规划高程图。 Patley等[36]采用正交设计的方法对粒子群算法进行改进，通过最小化预定目标函数来确定无人机在每个时间步长的最优位置，在获取3D航路点时使用倾斜平面策略并制定航路点排序策略，为每个无人机规划出最佳路径，同时又缩短了收敛时间。 Vijayakumari等[37]采用滚动优化的PSO算法实现了基于感知与回避的碰撞避免，用动态约束和分散控制计算最佳控制输入，为多个无人机规划出了最优轨迹，这种方法是十分有效的防撞方法。 每种算法都有各自的优点，但单一算法多具有局限性，需要融合不同的算法形成混合智能算法，提高算法的适用性和寻优效率。 在线航迹规划过程中当无人机获取到变化信息时需要对航迹进行局部调整，研究在线航迹规划算法能够提高无人机避碰避障的能力。 不确定性规划模型较少，导致不确定性环境下的规划算法研究偏少。 静态环境的算法用在不确定环境中时，算法复杂度增大、性能差，因此需要对不确定性环境下的规划算法进行研究。 为了满足无人直升机航迹在线规划的实时性要求，设计并实现了基于DSP（数字信号处理器）的航迹规划系统。 DSP系统的硬件设计中，通过高性能嵌入式处理器和外围接口模块的结合，搭建了一个可以处理复杂算法的实时平台。 WATCH TOP PORN VIDEOS 宋宇等[38]采用模糊C均值算法与粒子群算法相结合的方法，通过调用模糊C均值算法得到停止分类后的隶属度矩阵，然后用轮盘赌算法确定粒子所属类别并进行下一步改进，使算法的全局寻优能力增强，寻优精度提高。 Li等[39]在对多农用无人机飞行路线进行规划时，采用了可变邻域下降的增强型遗传粒子群优化算法，以最小的制造跨度优化了整个无人机组的飞行路径，该算法在离散PSO的基础上，结合GA算法对粒子位置进行了更新，有效地缩短了无人机群的飞行时间。 梁静等[40]克服静态约束机制参数不好设置的缺陷，采用结合交叉策略和动态约束的动态多组群粒子群优化算法对路径进行优化，不仅找到有安全距离的路径并避免陷入局部最优。 Bai等[43]提出改进的人工势场方法对多UAV编队路径进行规划，其中引入了B样条插值方法对所规划的路径进行平滑处理，插补后的曲线路径更短更平滑，并且性能稳定、具有最小的均值误差。 赵明[44]提出3次B样条曲线和反求控制点的3次B样条曲线相结合的方法，当关键路径点与最近威胁中心的距离较大时，采用3次B样条曲线法，得到比较平滑的航迹；距离较小时，采用反求控制点的B样条曲线法拟合，避免航迹接近威胁区。 段彩萍等[45]在存在威胁的二维飞行环境中，采用3次非均匀B样条曲线插补的航迹平滑方法，对用蚁群算法所得到的航迹进行平滑处理，获得了较好的平滑效果。 在构建的三维规划空间基础上，深入研究了适用于无人直升机航迹在线规划的算法。 针对在线规划的实时性要求，重点研究了进化算法和A算法的特点和适用性。 在进化算法中，通过模拟生物进化的过程，设计了一种结合遗传算法和粒子群优化的混合进化算法，确保在复杂搜索空间中能够快速收敛至全局最优解。 同时，通过适当调整种群规模和变异概率，使算法在收敛速度和解的精度之间达到平衡。