基于人工智能的無人機區(qū)域偵察方法研究現(xiàn)狀與發(fā)展
發(fā)布時間：2021-11-18 18:33
區(qū)域偵察是無人機研究領域的一個重要分支。由于實際任務和環(huán)境十分復雜,區(qū)域偵察控制方法必須具備較快的計算速度、較強的自主性和智能性。人工智能因具有學習能力強、效率高、融合度高等特性被應用于區(qū)域偵察任務中。本文系統(tǒng)介紹了區(qū)域偵察問題的背景并綜述了基于人工智能解決該問題的方法,主要分為構造并優(yōu)化目標函數(shù)的啟發(fā)式算法和求解最優(yōu)價值或策略的深度強化學習方法這兩類。通過對上述方法的全方位比較,發(fā)現(xiàn)深度強化學習因具有自學習和在線學習的性能,能很好地適應復雜、未知環(huán)境進而能快速、準確解決區(qū)域偵察問題。此外,本文還探討了無人機區(qū)域偵察技術的發(fā)展趨勢及深度強化學習面臨的挑戰(zhàn)。
【文章來源】：航空科學技術. 2020,31(10)
【文章頁數(shù)】：12 頁
【部分圖文】：
區(qū)域偵察任務環(huán)境示意圖
螞蟻是自然界中的一種微小、弱勢的群體，單獨的螞蟻沒有太多智能行為，但當多個螞蟻一起工作時，它們可以沿著最優(yōu)的路徑尋找、搬運食物，具有良好的協(xié)同性、智能性。具體蟻群尋找最優(yōu)路徑的過程如圖3所示。圖3(a）表示蟻群遇到一個分叉路口，需要做出選擇；圖3(b）表示上下兩條路徑長度是不等的，螞蟻隨機選擇一條；圖3(c）表示選擇下面這條路的螞蟻先到達目的地，沿原路返回并釋放更多的信息素；圖3(d）表示下面路徑積累的信息素比上面路徑更多，螞蟻傾向于選擇下面這條路，也就是信息素多的路徑（圖3中的虛線表示信息素）。同樣，將蟻群尋找最優(yōu)路徑的想法應用到無人機區(qū)域偵察上面，能優(yōu)化各個無人機的路徑，減少能量損失。
許友平[31]用粒子群算法求解目標搜索階段的航路規(guī)劃問題，使無人機在較短的時間內(nèi)遍歷任務區(qū)域，從而偵察到更多的目標，降低區(qū)域信息的不確定度。參考文獻[32]用粒子群算法為每架無人機規(guī)劃航路，在求解過程中，將其他無人機考慮進目標函數(shù)，從而實現(xiàn)多無人機的協(xié)同搜索，如圖4所示。該文獻除了將探測收益考慮在內(nèi)，由于無人機轉彎相比直飛更消耗燃料，為鼓勵直飛還將直飛收益也考慮進收益函數(shù)中。于是優(yōu)化的目標函數(shù)是：
【參考文獻】：
期刊論文
[1]多無人機協(xié)同搜索區(qū)域劃分與路徑規(guī)劃[J]. 戴健,許菲,陳琪鋒. 航空學報. 2020(S1)
[2]結合先驗知識的深度Q神經(jīng)網(wǎng)絡算法研究[J]. 褚偉,茹琦,任明侖. 合肥工業(yè)大學學報(自然科學版). 2019(07)
[3]人因工程在無人機中的應用及展望[J]. 蔣浩,高鑫. 航空科學技術. 2019(05)
[4]基于Voronoi圖質(zhì)心的多無人機協(xié)同區(qū)域搜索算法[J]. 朱利,符小衛(wèi). 無人系統(tǒng)技術. 2019(02)
[5]小型無人機協(xié)同覆蓋偵察路徑規(guī)劃[J]. 高春慶,寇英信,李戰(zhàn)武,徐安,李游,常一哲. 系統(tǒng)工程與電子技術. 2019(06)
[6]強化學習研究綜述[J]. 馬騁乾,謝偉,孫偉杰. 指揮控制與仿真. 2018(06)
[7]無人機災情巡查區(qū)域搜索的建模與求解[J]. 孫純嶺,李影,任磊磊,高發(fā)榮. 數(shù)學的實踐與認識. 2018(15)
[8]一種改進CSA算法的UAV多任務區(qū)偵察決策問題研究[J]. 張耀中,陳嵐,張蕾,謝松巖. 電光與控制. 2018(05)
[9]一類適應度函數(shù)的遺傳算法編碼[J]. 朱春媚,莫鴻強. 計算機應用. 2017(07)
[10]人工智能的現(xiàn)狀及今后的發(fā)展趨勢展望[J]. 王宇樓. 科技展望. 2016(22)
碩士論文
[1]基于遺傳算法和深度強化學習的多無人機協(xié)同區(qū)域監(jiān)視的航路規(guī)劃[D]. 李艷慶.西安電子科技大學 2018
[2]基于多群體蟻群算法的多無人機協(xié)同搜索方法研究[D]. 薛政鋼.河南大學 2018
[3]不同信息條件下的多無人機協(xié)同區(qū)域搜索航跡規(guī)劃研究[D]. 溫永祿.北京理工大學 2016
[4]混合自進化遺傳算法的矢量場校正研究[D]. 李翠翠.哈爾濱工程大學 2016
[5]無人機對地偵察/攻擊航路規(guī)劃軟件系統(tǒng)的研制與開發(fā)[D]. 許友平.南京航空航天大學 2013
[6]無人機區(qū)域偵察航路規(guī)劃研究[D]. 鄭宏捷.國防科學技術大學 2011
本文編號：3503398
【文章來源】：航空科學技術. 2020,31(10)
【文章頁數(shù)】：12 頁
【部分圖文】：
區(qū)域偵察任務環(huán)境示意圖
螞蟻是自然界中的一種微小、弱勢的群體，單獨的螞蟻沒有太多智能行為，但當多個螞蟻一起工作時，它們可以沿著最優(yōu)的路徑尋找、搬運食物，具有良好的協(xié)同性、智能性。具體蟻群尋找最優(yōu)路徑的過程如圖3所示。圖3(a）表示蟻群遇到一個分叉路口，需要做出選擇；圖3(b）表示上下兩條路徑長度是不等的，螞蟻隨機選擇一條；圖3(c）表示選擇下面這條路的螞蟻先到達目的地，沿原路返回并釋放更多的信息素；圖3(d）表示下面路徑積累的信息素比上面路徑更多，螞蟻傾向于選擇下面這條路，也就是信息素多的路徑（圖3中的虛線表示信息素）。同樣，將蟻群尋找最優(yōu)路徑的想法應用到無人機區(qū)域偵察上面，能優(yōu)化各個無人機的路徑，減少能量損失。
許友平[31]用粒子群算法求解目標搜索階段的航路規(guī)劃問題，使無人機在較短的時間內(nèi)遍歷任務區(qū)域，從而偵察到更多的目標，降低區(qū)域信息的不確定度。參考文獻[32]用粒子群算法為每架無人機規(guī)劃航路，在求解過程中，將其他無人機考慮進目標函數(shù)，從而實現(xiàn)多無人機的協(xié)同搜索，如圖4所示。該文獻除了將探測收益考慮在內(nèi)，由于無人機轉彎相比直飛更消耗燃料，為鼓勵直飛還將直飛收益也考慮進收益函數(shù)中。于是優(yōu)化的目標函數(shù)是：
【參考文獻】：
期刊論文
[1]多無人機協(xié)同搜索區(qū)域劃分與路徑規(guī)劃[J]. 戴健,許菲,陳琪鋒. 航空學報. 2020(S1)
[2]結合先驗知識的深度Q神經(jīng)網(wǎng)絡算法研究[J]. 褚偉,茹琦,任明侖. 合肥工業(yè)大學學報(自然科學版). 2019(07)
[3]人因工程在無人機中的應用及展望[J]. 蔣浩,高鑫. 航空科學技術. 2019(05)
[4]基于Voronoi圖質(zhì)心的多無人機協(xié)同區(qū)域搜索算法[J]. 朱利,符小衛(wèi). 無人系統(tǒng)技術. 2019(02)
[5]小型無人機協(xié)同覆蓋偵察路徑規(guī)劃[J]. 高春慶,寇英信,李戰(zhàn)武,徐安,李游,常一哲. 系統(tǒng)工程與電子技術. 2019(06)
[6]強化學習研究綜述[J]. 馬騁乾,謝偉,孫偉杰. 指揮控制與仿真. 2018(06)
[7]無人機災情巡查區(qū)域搜索的建模與求解[J]. 孫純嶺,李影,任磊磊,高發(fā)榮. 數(shù)學的實踐與認識. 2018(15)
[8]一種改進CSA算法的UAV多任務區(qū)偵察決策問題研究[J]. 張耀中,陳嵐,張蕾,謝松巖. 電光與控制. 2018(05)
[9]一類適應度函數(shù)的遺傳算法編碼[J]. 朱春媚,莫鴻強. 計算機應用. 2017(07)
[10]人工智能的現(xiàn)狀及今后的發(fā)展趨勢展望[J]. 王宇樓. 科技展望. 2016(22)
碩士論文
[1]基于遺傳算法和深度強化學習的多無人機協(xié)同區(qū)域監(jiān)視的航路規(guī)劃[D]. 李艷慶.西安電子科技大學 2018
[2]基于多群體蟻群算法的多無人機協(xié)同搜索方法研究[D]. 薛政鋼.河南大學 2018
[3]不同信息條件下的多無人機協(xié)同區(qū)域搜索航跡規(guī)劃研究[D]. 溫永祿.北京理工大學 2016
[4]混合自進化遺傳算法的矢量場校正研究[D]. 李翠翠.哈爾濱工程大學 2016
[5]無人機對地偵察/攻擊航路規(guī)劃軟件系統(tǒng)的研制與開發(fā)[D]. 許友平.南京航空航天大學 2013
[6]無人機區(qū)域偵察航路規(guī)劃研究[D]. 鄭宏捷.國防科學技術大學 2011
本文編號：3503398
本文鏈接：http://www.sikaile.net/kejilunwen/jingguansheji/3503398.html
