基于多階段航跡預(yù)測(cè)的無(wú)人機(jī)任務(wù)規(guī)劃方法研究.pdf

1、無(wú)人機(jī)應(yīng)用中對(duì)自主性的要求越來(lái)越高，未來(lái)發(fā)展的最終目標(biāo)是實(shí)現(xiàn)全自主集群控制。而無(wú)人機(jī)任務(wù)規(guī)劃技術(shù)是該目標(biāo)實(shí)現(xiàn)的基礎(chǔ)，主要包括任務(wù)分配與航跡規(guī)劃兩部分。無(wú)人機(jī)的飛行航跡取決于任務(wù)分配結(jié)果，而分配過(guò)程的任務(wù)目標(biāo)價(jià)值又與無(wú)人機(jī)的航程相關(guān)，故將任務(wù)規(guī)劃過(guò)程作為整體研究更具實(shí)際意義。為此，提出了基于多階段航跡預(yù)測(cè)（Multi-Stage Path Prediction,MSPP）的無(wú)人機(jī)任務(wù)規(guī)劃方法。
　　首先，根據(jù)航跡規(guī)劃應(yīng)用中需要實(shí)現(xiàn)的

2、功能，研究了一種MSPP算法，包括路徑估計(jì)、路徑規(guī)劃、航跡平滑、交會(huì)航跡生成四個(gè)階段。各階段的計(jì)算結(jié)果均為近似程度不同的航跡參考。以航跡航程最短作為航跡規(guī)劃的性能指標(biāo)。將無(wú)人機(jī)的禁飛區(qū)建模為多邊形。為實(shí)現(xiàn)快速性，局部A*算法使用無(wú)人機(jī)當(dāng)前位置的臨近區(qū)域內(nèi)的多邊形頂點(diǎn)作為搜索節(jié)點(diǎn)，建立算法的搜索空間，并隨飛行過(guò)程不斷更新。該臨近區(qū)域可對(duì)應(yīng)為實(shí)際場(chǎng)景中的探測(cè)范圍。而為實(shí)現(xiàn)最優(yōu)性，全局A*算法實(shí)時(shí)進(jìn)行，并隨飛行過(guò)程不斷將探測(cè)范圍內(nèi)的節(jié)點(diǎn)添加至

3、搜索空間。MSPP算法原理和具體功能如下：
　　1.路徑估計(jì)階段：在每個(gè)規(guī)劃周期開始，各無(wú)人機(jī)利用局部A*算法快速估算當(dāng)前時(shí)刻所有任務(wù)目標(biāo)相對(duì)自身航程，作為任務(wù)分配過(guò)程的主要參考；
　　2.折線路徑規(guī)劃階段：任務(wù)分配完成后，無(wú)人機(jī)采用全局A*算法計(jì)算至指派目標(biāo)的最短折線路徑，包括探測(cè)范圍內(nèi)的真實(shí)路徑和至目標(biāo)的啟發(fā)式路徑，并隨飛行過(guò)程持續(xù)實(shí)時(shí)更新；
　　3.航跡平滑階段：使用三次B樣條曲線同步平滑上述最短路徑，通過(guò)優(yōu)化控

4、制點(diǎn)，生成滿足約束的可飛行航跡，作為飛行過(guò)程中的航跡參考；
　　4.交會(huì)航跡生成階段：針對(duì)交會(huì)目標(biāo)，采用基于Dubins路徑的協(xié)同航跡規(guī)劃方法，生成多無(wú)人機(jī)的交會(huì)航跡。在航跡末段，用Dubins路徑替代B樣條曲線，生成參考航跡。根據(jù)無(wú)人機(jī)間航程差，近程無(wú)人機(jī)選擇航跡較短的迂回機(jī)動(dòng)或航跡較長(zhǎng)的盤旋機(jī)動(dòng)方式，以等待其他無(wú)人機(jī)完成協(xié)同執(zhí)行任務(wù)。
　　然后，基于MSPP的路徑估計(jì)算法計(jì)算無(wú)人機(jī)至任務(wù)目標(biāo)的近似航程，從集中式和分布式兩

5、方面展開任務(wù)分配過(guò)程。集中式分配采用改進(jìn)PSO算法，通過(guò)修改粒子結(jié)構(gòu)，實(shí)現(xiàn)快速迭代尋優(yōu)。改進(jìn)粒子為無(wú)人機(jī)與各任務(wù)目標(biāo)間的分配關(guān)系，其元素為布爾型變量，相對(duì)于傳統(tǒng)PSO粒子元素的連續(xù)變化范圍，搜索空間大大減小。改進(jìn)PSO算法能以較快的計(jì)算速度收斂至全局最優(yōu)解。另一方面，鑒于集中式算法的應(yīng)用局限性，研究了基于路徑估計(jì)及聚類算法的分布式任務(wù)分配?，F(xiàn)有算法為考慮全局任務(wù)信息，一般在任務(wù)初始階段完成整個(gè)分配過(guò)程。出現(xiàn)突發(fā)目標(biāo)后，需重新分配整體任務(wù)

6、，造成計(jì)算冗余?；诰垲惖娜蝿?wù)分配過(guò)程逐周期展開，各無(wú)人機(jī)根據(jù)路徑估計(jì)結(jié)果，采用聚類算法，修改任務(wù)目標(biāo)價(jià)值向量，使無(wú)人機(jī)傾向于執(zhí)行價(jià)值總和更高的目標(biāo)集合，而不是個(gè)體價(jià)值最高的單個(gè)目標(biāo)。每個(gè)規(guī)劃周期僅分配給將完成任務(wù)的無(wú)人機(jī)一個(gè)目標(biāo)，為避免陷入局部最優(yōu)，其他無(wú)人機(jī)也基于當(dāng)前狀態(tài)參與虛擬分配。出現(xiàn)突發(fā)目標(biāo)則添加至下一規(guī)劃周期，可實(shí)現(xiàn)近似全局最優(yōu)的任務(wù)分配結(jié)果。
　　最后，結(jié)合MSPP算法，根據(jù)任務(wù)分配的兩種實(shí)現(xiàn)方式，進(jìn)行了任務(wù)規(guī)劃整體