python无人机路径规划算法_无人机集群——航迹规划你不知道的各种算法优缺点...

我们都知道无人机(UAV )因具有可探测性低、造价低廉、不惧伤亡、起降简单、操作灵活、系统配置多样化、自动控制智能化等特点，因而在未来一体化联合作战中扮演越来越重要的角色。然而早期的无人机都是按照地面任务规划中心预先计算并设定好的航迹飞行，但是随着无人机所承担的任务越来越复杂，其飞行环境的不确定性，对航迹规划的要求也将越来越高。

无人机航迹规划的主要根据任务目标规划满足约束条件的飞行轨迹，是无人机先进任务规划系统的关键组成部分。航迹规划的目的是根据预设数字地图，通过GPS/INS组合导航系统，在适当时间内计算出最优或次最优的飞行轨迹。考虑到数字地图误差及随机环境的影响( 如随机风场等)，要求无人机在飞行过程中具有动态修正轨迹的能力，能回避敌方威胁环境，安全地完成预定任务。无人机航迹规划。主要包括环境信息( 如随机风场、敌方雷达扫描半径范围、及导弹高炮打击威胁区、地形因素)、无人机系统约束、航迹规划器、无人机自动驾驶仪等。航迹规划总框架图如图1所示：

航迹总框图如图1所示

再者，根据执行任务”飞机性能的不同，航迹规划可以分为攻击无人机航迹规划及侦察无人机航迹规划；根据规模的不同，可以分为单机及多机协同编队航迹规划；根据飞行过程的不同，可以分为爬升航迹规划、着陆航迹规划、及巡航航迹规划；根据飞行环境的不同，可以分为确定环境及不确定环境航迹规划。此外，按照实现功能可以划分为离线静态航迹预规划及在线动态实时航迹规划。其算法可分可行性方向算法、通用动态算法及实时优化算法。根据规划范围可分为全局规划算法及局部寻优算法。如Dynapath算法是一种前向链动态规划技术，在大的任务区域内进行航线规划是典型的大范围优化问题，Dynapath 算法可以得到问题的全局最优解。但该算法具有维数爆炸特性的缺陷。

航迹规划按照步骤可以分为两个层次：第一层是整体参考航迹规划;第二层是局部航迹动态优化。整体参考航迹规划是飞行前在地面上进行的。参考航迹的优劣依据预先确定的性能指标，一般根据无人机飞行的任务要求、安全要求、飞行时间和其他战略、战术考虑等因素组合确定，以此最优性能为标准，通过动态路径规划算法生成一条最优参考航迹。有了参考航迹之后，无人机受环境及自身约束条件如最小转弯半径、滚转角等限制，在实际飞行中并非严格沿着参考航迹来飞，而是对参考航迹进行局部动态优化，最后生成最优航迹。按照几何学的观点可以分为基于图形和基于栅格的规划方案。一般来说，前者较为精确，但需要较长的收敛时间;此外按照规划决策可以分为传统规划算法及智能规划算法。

接下来，来分享一下关于无人机航迹规划算法方面的相关内容：

航迹规划算法可以分为传统经典算法和现代智能算法两大类。其中，前者主要包括动态规划法、导数相关法、最优控制法；后者主要包括启发式寻优搜索、遗传算法、人工神经网络(ANN)，群体智能(SA: Swarm Intelligence,主要包括