论文部分内容阅读
电子技术的快速发展,促使了现代战争发生巨大的转变,以各种各样功能各异的无人机为主角的天空已经成为战争的一个主战场,无人机集群协同合作完成复杂的军事任务将成为必然。随着近年来分布式系统的运用越来越广泛,将广义分配问题应用到分布式系统中以达到解决问题的目的已经成为了一种必然。快速扩展随机树近年来在解决轨迹规划和路径规划问题中显示出了良好的应用前景。本文针对这一背景对多UAV实时路径规划技术进行了深入的研究,结合Multi-Agent技术,将路径规划问题看作是一个分布式的广义分配问题,并结合这一思想优化RRT算法所生成的路径,以实现多UAV的实时路径规划。文章首先描述了有关无人机路径规划的相关问题,分析了多UAV路径规划的意义,阐述了路径规划关键技术及研究现状,并对分布式系统中的广义分配问题做了分析。而后,根据多UAV实时路径规划的需求,提出了在Multi-Agent系统中基于D-GAP问题框架下并结合经典的RRT搜索算法的多UAV实时路径规划框架,将UAV和环境中的各种约束均抽象成为agent,在基于D-GAP模型的框架下,通过一组分布式网络化约束agent对UAV agent利用RRT算法生成的待检测飞行路径进行约束检测。当约束agent接收到UAV agent传递的path后,将各agent中存储的不可行路径点及其优先级作为传递顺序的依据,尽快遍历全部约束agent。将满足全部约束的可行解返回给UAV agent。如果path无法满足某一约束,则当前约束agent终止path的检测,标注不满足路径点,同时返回给UAV agent进行修改,并将不满足约束的路径点回溯给该路径所经过的约束agent进行学习、建立决策模型。以此从RRT算法所生成的若干路径中选择能快速通过Multi-Agent系统网络的路径,并选出其中最优的路径送入团队agent中进行团队约束检测,如果路径无法满足团队间的约束,则依据定义好的UAV任务优先级选择飞行路径进行修改。如果无法消除UAV间的约束冲突,则系统无解。如果所有UAV的飞行路径满足团队间约束,则产生一组飞行路径可行解向量pathList,完成整个路径规划过程。在该框架中充分发挥了Multi-Agent系统的并行化特点,加载了D-GAP框架的Multi-Agent系统网络能够同时快速地对RRT所生成的路径进行检测,并根据各agent的回溯情况进行学习,以加快对以后路径的检测速度。最后,本文通过上述框架实现了多UAV实时路径规划系统,并通过系统仿真结果表明了所提出方法的正确性和可行性。