基于改进的A~*算法在三维路径规划中的仿真应用

针对无人机路径规划中全局静态路径优化和局部动态避障的需求,提出一种基于生物神经动力学模型的改进A^*算法实现全局冬天路径规划。建立生物神经动力学模型,并应用该模型实时获取环境中的动态障碍物信息,通过神经元的活性值来引导无人机的局部动态避障。设计了一种A^*算法的优化启发函数,有效地减少A^*算法在全局路径搜索过程中的节点数量,提高A^*算法的全局搜索效率。最后,将生物动力学模型中神经元的活性值融入到A^*算法的实际代价函数中,融合算法保证了A^*算法在全局路径优化的性能,又秉承了生物神经动力学模型的局部实时避障能力。静态路径和动态路径下仿真结果表明:与生物动力学模型相比,该融合算法考虑到实际代花费问题,能够在动态和静态环境下规划出一条低代价的全局路径;与A^*算法相比,该融合算法可提高全局搜索效率,且实现实时动态避障性能。

无人机3D航迹规划及动态避障算法研究

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。

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

针对3维复杂山地环境中执行无碰撞低空飞行任务的旋翼无人飞行器,提出了一种高时效、低代价的航迹规划策略,设计并采用了改进的稀疏A*算法和生物启发神经动力学模型的融合算法.该算法在稀疏A*全局优化搜索的基础之上融入生物启发神经动力学模型来调整局部航线以加快最优航迹的形成,并运用神经动力学模型来实时获取和处理环境中的局部动态信息,实现了融合算法的在线规划能力,从而解决了传统最优路径搜索算法无法实现的动态规划的难题.通过在3维空间中设置多峰山地,尤其是凹形山体作为障碍进行仿真实验,实验结果表明,该融合算法不仅降低了A*算法的复杂度和耗时,而且改善了生物启发神经动力学模型尚未考虑的代价花费问题,更能够在线应对任务空间中的突发威胁,使旋翼无人飞行器在动、静态障碍物相结合的复杂环境下能够规划出一条安全、快速抵达目标点的低代价且优质的航迹.