论文部分内容阅读
鉴于现有的无人机路径规划方法难以兼顾路径质量和计算效率,提出了一种将扰动流体动态系统与深度神经网络相结合的自适应路径规划方法。首先,基于扰动流体算法仿真生成样本数据以解决样本数量不足的问题,并通过灰狼优化算法和滚动时域控制优化样本性能。然后,利用深度神经网络强大的学习能力,从样本数据中提取无人机与目标点、障碍物之间的相对位姿信息作为深度神经网络的输入,以扰动流体算法的参数作为深度神经网络输出端的特征提取,离线训练深度神经网络。之后,利用训练好的深度神经网络基于当前环境信息实时动态调整扰动流体参数。最