-
公开(公告)号：CN113655811A
公开(公告)日：2021-11-16
申请号：CN202110984261.1
申请日：2021-08-25
Applicant: 北京理工大学
IPC: G05D1/10
Abstract: 本发明提供了一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法，能够将几何结构与拓扑结构结合起来进行分析，得到的目标队形信息能够很好的满足预期。本发明无人机期望队形的获得方法，将几何结构与拓扑结构结合起来进行分析，得到准确的目标队形信息。具体地，针对无人机编队对地面目标的跟踪任务，考虑传感器的有限探测范围及无人机间的最短距离(防止碰撞)等约束，以无人机间的欧式距离及相对视线角度为决策变量，以使编队的拓扑结构抗毁性和跟踪任务稳定性(由几何结构决定)最大为目标函数，建立队形优化问题，应用优化问题求解算法得到期望队形。
-
Patent Agency Ranking
公开(公告)号：CN113741513B
公开(公告)日：2025-01-10
申请号：CN202110973221.7
申请日：2021-08-24
Applicant: 北京理工大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明公开了一种隐式通信条件下多无人机对地搜索任务编队队形优化方法。本发明以UAV间的相对位置关系为决策变量，以拓扑性能指标和任务效率指标为目标函数，以目标区域大小、信息传递链路的连通性、传感器视野范围等为约束，建立了队形结构优化问题模型，并应用多目标优化算法进行求解，最终可得到UAV编队在搜索地面目标任务中的期望队形。本发明同时考虑了搜索任务效率和拓扑结构性能，适用于不同规模UAV编队执行对地搜索任务的情形。
-
公开(公告)号：CN113655811B
公开(公告)日：2024-05-07
申请号：CN202110984261.1
申请日：2021-08-25
Applicant: 北京理工大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明提供了一种隐式通信下无人机协同跟踪地面目标的期望队形获得方法，能够将几何结构与拓扑结构结合起来进行分析，得到的目标队形信息能够很好的满足预期。本发明无人机期望队形的获得方法，将几何结构与拓扑结构结合起来进行分析，得到准确的目标队形信息。具体地，针对无人机编队对地面目标的跟踪任务，考虑传感器的有限探测范围及无人机间的最短距离(防止碰撞)等约束，以无人机间的欧式距离及相对视线角度为决策变量，以使编队的拓扑结构抗毁性和跟踪任务稳定性(由几何结构决定)最大为目标函数，建立队形优化问题，应用优化问题求解算法得到期望队形。
-
公开(公告)号：CN112327862B
公开(公告)日：2021-10-19
申请号：CN202011281413.3
申请日：2020-11-16
Applicant: 北京理工大学
IPC: G05D1/02
Abstract: 本发明公开的不确定环境下多机器人协同搜索的路径规划方法，S1：将不确定环境地图进行栅格化，基于不确定环境的先验信息将不确定环境的栅格化地图转化为目标搜索概率图；S2：初始化多机器人的数量、优先级、初始位置和最大步长；S3：判断机器人所在栅格是否为高概率区域，如果是则采用滚动优化遗传算法进行路径规划，否则采用人工势场法进行路径规划；S4：多机器人根据路径规划结果进行搜索，并对目标搜索概率图进行更新；S5：当机器人行驶步长达到最大步长时，搜索结束，完成多机器人在不确定环境中的协同搜索，否则返回步骤S3。能够使多机器人在不确定环境下的限定步长内发现尽可能多的目标，保证障碍物避碰和机器人之间避碰，减少重复探测。
-
公开(公告)号：CN113741513A
公开(公告)日：2021-12-03
申请号：CN202110973221.7
申请日：2021-08-24
Applicant: 北京理工大学
IPC: G05D1/10
Abstract: 本发明公开了一种隐式通信条件下多无人机对地搜索任务编队队形优化方法。本发明以UAV间的相对位置关系为决策变量，以拓扑性能指标和任务效率指标为目标函数，以目标区域大小、信息传递链路的连通性、传感器视野范围等为约束，建立了队形结构优化问题模型，并应用多目标优化算法进行求解，最终可得到UAV编队在搜索地面目标任务中的期望队形。本发明同时考虑了搜索任务效率和拓扑结构性能，适用于不同规模UAV编队执行对地搜索任务的情形。
-
公开(公告)号：CN112327862A
公开(公告)日：2021-02-05
申请号：CN202011281413.3
申请日：2020-11-16
Applicant: 北京理工大学
IPC: G05D1/02
Abstract: 本发明公开的不确定环境下多机器人协同搜索的路径规划方法，S1：将不确定环境地图进行栅格化，基于不确定环境的先验信息将不确定环境的栅格化地图转化为目标搜索概率图；S2：初始化多机器人的数量、优先级、初始位置和最大步长；S3：判断机器人所在栅格是否为高概率区域，如果是则采用滚动优化遗传算法进行路径规划，否则采用人工势场法进行路径规划；S4：多机器人根据路径规划结果进行搜索，并对目标搜索概率图进行更新；S5：当机器人行驶步长达到最大步长时，搜索结束，完成多机器人在不确定环境中的协同搜索，否则返回步骤S3。能够使多机器人在不确定环境下的限定步长内发现尽可能多的目标，保证障碍物避碰和机器人之间避碰，减少重复探测。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
