针对快速扩展随机树(rapidly-exploring random tree,RRT)^(*)算法应用于无人机(unmanned aerial vehicle,UAV)航迹规划时采样效率低、收敛速度慢、航迹代价大的问题,采用势场法引导树扩展加快算法收敛速度。采用优化算法重选父节点及...针对快速扩展随机树(rapidly-exploring random tree,RRT)^(*)算法应用于无人机(unmanned aerial vehicle,UAV)航迹规划时采样效率低、收敛速度慢、航迹代价大的问题,采用势场法引导树扩展加快算法收敛速度。采用优化算法重选父节点及重新布线,生成比RRT^(*)算法代价更小的初始航迹。基于初始航迹构建启发式采样区域,以更有效地优化初始航迹,给出一种改进RRT^(*)算法;基于模型预测控制,设计航迹规划策略,UAV在飞行中能良好地应对环境中的动态威胁。数学仿真实验结果表明,改进算法能快速地生成代价更小的初始航迹,并在后续航迹优化的过程中更有效地减少航迹代价,可被应用于无人机在线规划任务。展开更多
文摘针对快速扩展随机树(rapidly-exploring random tree,RRT)^(*)算法应用于无人机(unmanned aerial vehicle,UAV)航迹规划时采样效率低、收敛速度慢、航迹代价大的问题,采用势场法引导树扩展加快算法收敛速度。采用优化算法重选父节点及重新布线,生成比RRT^(*)算法代价更小的初始航迹。基于初始航迹构建启发式采样区域,以更有效地优化初始航迹,给出一种改进RRT^(*)算法;基于模型预测控制,设计航迹规划策略,UAV在飞行中能良好地应对环境中的动态威胁。数学仿真实验结果表明,改进算法能快速地生成代价更小的初始航迹,并在后续航迹优化的过程中更有效地减少航迹代价,可被应用于无人机在线规划任务。