無(wú)人機(jī)環(huán)境建模和運(yùn)動(dòng)規(guī)劃算法研究.pdf

1、本文研究了無(wú)人機(jī)（Unmanned Aerial Vehicle，UAV）的環(huán)境建模和運(yùn)動(dòng)規(guī)劃算法。首先，本文提出了偶極子橢圓包絡(luò)(Dipole Ellipse Envelope，DEE)模型以實(shí)現(xiàn)環(huán)境建模，并定義了基于該模型的環(huán)境熵增。該模型包括孤立包絡(luò)(Isolated Envelope Mode)和組合包絡(luò)(Combined Envelope Mode)兩種模式，前者針對(duì)簡(jiǎn)單、孤立的障礙物，后者則適用于復(fù)雜、群集的障礙物。這兩種模

2、式以相同的理念為支撐，即從整體上把握障礙物的外廓和走勢(shì)，而忽略無(wú)關(guān)緊要的邊界細(xì)節(jié)，從而以犧牲一定的精確性為代價(jià)，換取幾何建模的簡(jiǎn)潔性和靈活性，尤其適用于在信息不完全或環(huán)境動(dòng)態(tài)變化的環(huán)境中對(duì)任意形狀障礙物進(jìn)行幾何建模。
　　在環(huán)境建模的基礎(chǔ)上，本文將運(yùn)動(dòng)規(guī)劃問題分為兩個(gè)層次:(1)在全局環(huán)境中，將路徑長(zhǎng)度和環(huán)境熵增等因子歸一化為目標(biāo)函數(shù)，進(jìn)而利用粒子群優(yōu)化(Particle SwarmOptimization，PSO)算法實(shí)現(xiàn)路徑規(guī)

3、劃;(2)在局部環(huán)境下，通過實(shí)時(shí)感知環(huán)境信息來動(dòng)態(tài)更新環(huán)境模型，并利用人工勢(shì)場(chǎng)（Artificial Potential Field，APF）方法進(jìn)行動(dòng)態(tài)避障。特別地，為了提高動(dòng)態(tài)避障的可靠性和效率，本文對(duì)傳統(tǒng)APF方法進(jìn)行了改進(jìn)，一方面在目標(biāo)引力場(chǎng)、障礙物斥力場(chǎng)的基礎(chǔ)上引入偶極子導(dǎo)流場(chǎng)以減少發(fā)生路徑振蕩和陷入極小值點(diǎn)的可能性，另一方面在構(gòu)建APF是不僅考慮位置信息和速度信息，而且考慮二者的相互關(guān)系以實(shí)現(xiàn)二者的相互協(xié)調(diào)。
　　為了

4、實(shí)現(xiàn)路徑規(guī)劃和動(dòng)態(tài)避障的有機(jī)統(tǒng)一，本文將二者融入到統(tǒng)一框架中:在全局環(huán)境中，前者規(guī)劃一條由若干節(jié)點(diǎn)串聯(lián)而成的大致路徑;在局部環(huán)境中，后者實(shí)現(xiàn)相鄰節(jié)點(diǎn)之間的動(dòng)態(tài)避障。這種架構(gòu)實(shí)現(xiàn)了二者的利弊互補(bǔ):前者可以保證全局路徑的合理性，使得后者不會(huì)陷入局部極小值點(diǎn)或者局部振蕩區(qū)域;后者可以保證局部軌跡的平滑性，從而減少了前者所需節(jié)點(diǎn)數(shù)，顯著提高了前者的效率。
　　以DEE模型為基礎(chǔ)，本文對(duì)路徑規(guī)劃和動(dòng)態(tài)避障算法進(jìn)行了仿真實(shí)驗(yàn)，結(jié)果表明該框架具