近些年無人機(jī)技術(shù)發(fā)展迅速,但是單個(gè)無人機(jī)執(zhí)行復(fù)雜任務(wù)的能力有限,難以在多重限制的環(huán)境下執(zhí)行任務(wù),所以集群編隊(duì)技術(shù)便獲得了研究的價(jià)值。本文研究了無人機(jī)路徑規(guī)劃、編隊(duì)飛行,以及智能防碰撞這一系列無人機(jī)編隊(duì)執(zhí)行任務(wù)所需的功能點(diǎn),主要內(nèi)容和工作安排如下:首先,研究A*算法在無人機(jī)路徑規(guī)劃中的應(yīng)用,通過分析無人機(jī)如轉(zhuǎn)向角度等的飛行約束條件等因素,對A*算法進(jìn)行有針對性的改進(jìn),優(yōu)化其代價(jià)函數(shù)及搜索方式,提出根據(jù)時(shí)間片段設(shè)置動(dòng)態(tài)障礙物的多路徑規(guī)劃方案。然后提出改進(jìn)信息素更新策略等算法細(xì)節(jié)的蟻群算法作為補(bǔ)充,以解決A*算法在擴(kuò)大搜索區(qū)域后的效率問題。其次,在以長僚機(jī)為基礎(chǔ)的無人機(jī)編隊(duì)模式進(jìn)行建模后,以單機(jī)運(yùn)動(dòng)模型和多機(jī)相對關(guān)系模型為基礎(chǔ),得出編隊(duì)飛行控制方法。并且以多個(gè)常見隊(duì)形如三角形、長蛇型為例,給出其詳細(xì)的編隊(duì)方案。之后,提出用深度強(qiáng)化學(xué)習(xí)的方法DQN（Deep Q Network）作為無人機(jī)智能動(dòng)態(tài)避障的解決方案。該算法可以允許無人機(jī)在未能獲取完整環(huán)境信息,如障礙物的位置坐標(biāo)、形狀等,甚至對于動(dòng)態(tài)障礙物,依然可以實(shí)時(shí)避障。以自制模擬器作為訓(xùn)練環(huán)境,通過無人機(jī)前置攝像頭傳來的視頻數(shù)據(jù)作為數(shù)據(jù)來源,... 

【文章來源】： 鄧力愷 電子科技大學(xué)

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

神經(jīng)元示意圖

第二章相關(guān)理論介紹9深度神經(jīng)網(wǎng)絡(luò)DNN可理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)，也可稱為多層感知機(jī)MLP（Multi-LayerPerceptron），按層次可分為輸入層(InputLayer)、任意數(shù)量的隱藏層(HiddenLayer)和輸出層(OutputLayer)。如圖2-2所示。圖2-2人工神經(jīng)網(wǎng)絡(luò)示意圖2.1.2卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks,CNN)是一類包含卷積計(jì)算的深度神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)的最具代表性的算法之一[18]。卷積神經(jīng)網(wǎng)絡(luò)由多個(gè)隱藏層所組成。最常見的隱藏層包括輸入層、卷積層、池化層、全連接層及輸出層等等。該模型突破性地提出了使用卷積層來提取圖像的空間信息特征，并提出全連接層不應(yīng)放在第一層，打破了多年來神經(jīng)網(wǎng)絡(luò)研究的框架，奠定了深度卷積神經(jīng)網(wǎng)絡(luò)模型的大框架。其后AlexKrizhevsky發(fā)表了AlexNet[19]，該模型將網(wǎng)絡(luò)深度拓展到了7層，引入了Relu作為激活函數(shù)，同時(shí)引入了Dropout和MaxPooling技術(shù)，并率先嘗試使用雙GPU進(jìn)行訓(xùn)練。在這之后的幾年則是迎來了卷積神經(jīng)網(wǎng)絡(luò)的大發(fā)展，各機(jī)構(gòu)的研究者相繼提出了VGGNet[20]，GoogLenet，InceptionV3,Resnet[21]等一系列具有突破性進(jìn)展的網(wǎng)絡(luò)。VGGNet第一次在網(wǎng)絡(luò)中使用更小的3×3卷積核，并使用多個(gè)小的卷積核進(jìn)行連續(xù)卷積，降低了模型的參數(shù)量。GoogLenet引入了Bottleneck結(jié)構(gòu)，在數(shù)據(jù)進(jìn)入大的卷積核前先用小的卷積核降維，在沒有損失太多信息的情況下降低了參數(shù)量。InceptionV3則平衡了深度和寬度，在每個(gè)Bottleneck層中使用多路卷積，最大化網(wǎng)絡(luò)的信息流。ResNet則針對層數(shù)

第二章相關(guān)理論介紹11層的特征面進(jìn)行局部鏈接。上層的特征圖像通過可訓(xùn)練的卷積核之后，再進(jìn)入激活函數(shù)獲得輸出特征圖。組合之后的特征圖又能夠獲得更多特征圖的值：HI=JHIL(22)HI=M5IN.5∈PQ5HH+HI(23) 2.1.2.2 池化操作 在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，可以利用池化操作對經(jīng)過卷積層運(yùn)算得到的線性激活響應(yīng)輸出進(jìn)行優(yōu)化。池化操作本是一種將特征進(jìn)行集合的操作，它通過將高維空間轉(zhuǎn)化為低維來降低計(jì)算量，并且保持平移不變性，進(jìn)一步減少下一層的輸入維數(shù)，一定程度解決過擬合的問題。池化操作是將數(shù)據(jù)中一處的輸出利用其相鄰位置輸出的某一特性代替，在各個(gè)位置匯總這些特征的統(tǒng)計(jì)信息。最大池化、均值池化、加權(quán)平均池化和空間金字塔池化是幾種最為常見的池化操作方式。圖2-3展示了常用的最大池化方式，可以看出在最大池化中，僅保留某固定大小矩形區(qū)域內(nèi)的最大值。圖2-3最大池化操作示意圖2.1.2.3 全連接層 全連接層通常位于深度神經(jīng)網(wǎng)絡(luò)的輸出層，以對之前各隱藏層的逐層變換和特征提取的結(jié)果進(jìn)行回歸分類等總結(jié)性處理。全連接層的輸出是通過對上一層輸入的加權(quán)求和，再經(jīng)過激活函數(shù)處理：I=(I)(24)I=IIN.+I(25)式(2-5)中，I稱為全連接層經(jīng)過激活函數(shù)后的輸出結(jié)果，它是對前一個(gè)隱藏層的輸入IN.進(jìn)行加權(quán)、加偏置后得出的，其中I為全連接網(wǎng)絡(luò)l的權(quán)重系數(shù)，I是全連接層l的偏置系數(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)人工勢場法的無人機(jī)路徑規(guī)劃算法[J]. 丁家如,杜昌平,趙耀,尹登宇.  計(jì)算機(jī)應(yīng)用. 2016(01)
[2]多無人機(jī)時(shí)序到達(dá)協(xié)同控制方法[J]. 關(guān)旭寧,魏瑞軒,郭慶,王樹磊,李政陽.  電光與控制. 2014(01)
[3]采用改進(jìn)粒子群算法的無人機(jī)協(xié)同航跡規(guī)劃[J]. 朱收濤,曹林平,翁興偉,董康生,封普文.  電光與控制. 2012(12)
[4]基于沖突消解多無人機(jī)協(xié)同航路規(guī)劃算法仿真[J]. 喻蓉,劉敏,孔繁峨,陳哨東.  電光與控制. 2011(06)
[5]基于模糊自適應(yīng)PID的無人機(jī)縱向姿態(tài)控制研究[J]. 范衛(wèi)剛,袁冬莉.  計(jì)算機(jī)測量與控制. 2011(03)
[6]無人機(jī)編隊(duì)飛行的分布式控制策略與控制器設(shè)計(jì)[J]. 朱杰斌,秦世引.  智能系統(tǒng)學(xué)報(bào). 2010(05)
[7]無人機(jī)編隊(duì)隊(duì)形保持控制器的分散設(shè)計(jì)方法[J]. 何真,陸宇平.  航空學(xué)報(bào). 2008(S1)
[8]基于人工免疫算法和蟻群算法求解旅行商問題[J]. 胡純德,祝延軍,高隨祥.  計(jì)算機(jī)工程與應(yīng)用. 2004(34)



本文編號：2970662