基于IHDR自主学习框架的无人机3维路径规划

提出一种基于自主学习框架的无人机3维路径规划方法.该自主学习框架由知识学习、知识检索和在线更新三部分组成.在该框架中,无人机在线路径规划时首先从过去的规划经验中提取控制量直接用于指导当前机器人的行动,另一方面,如果检索结果对于当前无人机的状态是无效的,可以在线启动常规3维路径规划算法,实时计算机器人的控制量,在控制机器人运动的同时将当前状态下的新决策量添加到知识库中从而对其进行更新.此外,分别采用增量分层判别回归算法(IHDR)和k-D树方法建立了路径规划知识库.其中,IHDR方法通过增量方式,可将以往的路径样本建立为一棵分层树.大量的仿真结果对比表明,在本文提出的框架下,基于IHDR的方法比传统的k-D树方法具有更好的实时性.

基于动态视场的深度启发改进3维A*算法

针对A*算法在山地场景下因启发函数建模不准确导致搜索效率低的问题,提出基于动态视场的深度启发改进3维A*算法。该改进A*算法以一种深度启发网络构建启发函数模型,并从泛化能力和建模精度两方面优化模型的性能。在提高泛化能力方面,设计一种局部动态视场模型,增强深度启发网络对关键地形信息的抓取能力,进而使其适应各种不同地形场景;在提高建模精度方面,设计一种基于距离权重因子的损失函数模型,缩小3维场景下深度启发网络对远距离路径的代价估计偏差。仿真实验表明,所提出的算法相比于现有基于深度学习法改进的A*算法,在3维场景下的路径代价预测精度平均提高45.2%,平均搜索效率提升12.8%,平均路径质量提升1.2%;对比现有基于经验建模法改进的A*算法,搜索效率亦有明显提高。

基于改进狮群算法的城市无人机低空路径规划

针对智能优化算法在栅格法的3维路径规划中,寻优能力弱,规划出的路径转弯次数多、转角大等问题,提出一种改进狮群(ILSO)算法。首先,在狮群算法的基础上,利用柯西变异,在最优解位置进行扰动变异,增强算法跳出局部极值的能力。其次,针对路径规划问题,引入估值函数,进行节点连接的筛选,避免算法盲目搜索。再次,对规划出的路径进行2次规划操作,增加算法得到最优解的概率。同时对规划结果使用3次B-spline函数进行路径平滑,使路径更适合飞行。最后,仿真结果表明,改进狮群算法相比遗传算法、粒子群算法、鲸鱼优化算法和狮群算法,在不同距离规划下路径平均缩短了5.42%,时间平均缩短了17.14%,转弯次数平均减少了45.71%。