针对无人机自组织网络(Unmanned Aerial Vehicles Ad Hoc Network,UANET)因快速移动导致拓扑变化频繁,路由信息因未能及时根据邻居节点的变化而更新导致链路中断的问题,提出了基于卡尔曼-DNN(Deep Neural Network)节点位置预测的路由协...
详细信息
针对无人机自组织网络(Unmanned Aerial Vehicles Ad Hoc Network,UANET)因快速移动导致拓扑变化频繁,路由信息因未能及时根据邻居节点的变化而更新导致链路中断的问题,提出了基于卡尔曼-DNN(Deep Neural Network)节点位置预测的路由协议。该协议能够在卡尔曼预测邻居节点位置的基础上通过DNN的非线性运算对卡尔曼位置预测的结果进行修正,从而提高邻居信息的准确性,并根据邻居更新的结果计算路由。基于QualNet平台对该路由协议进行仿真,结果表明,基于卡尔曼-DNN的路由协议在一定程度上提高了邻居信息的准确性,并且满足了无人机自组网系统端到端时延低、数据分组投递率高的需求。
无人机路径规划源于机器人运动规划,是当下无人机应用研究的核心内容,对提高无人机系统在复杂环境中的作业能力起着关键作用。针对快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法进行无人机路径规划时搜索随机性高、存在冗余...
详细信息
无人机路径规划源于机器人运动规划,是当下无人机应用研究的核心内容,对提高无人机系统在复杂环境中的作业能力起着关键作用。针对快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法进行无人机路径规划时搜索随机性高、存在冗余路径和路径平滑性差的问题,提出了一种面向无人机路径规划的改进RRT算法。改进RRT算法在RRT算法的基础上结合人工势场法中的引力函数使得随机节点的产生具有目标导向性,限制了随机树的拓展方向,从而降低了搜索的随机性;结合贪心算法对规划所得路径进行剪枝优化,去除冗余节点,缩短了路径长度;结合B样条曲线对路径进行平滑性处理,去除曲率突变的转折点,形成一条平滑的适合无人机实际飞行的路径。通过仿真软件对A^(*)算法、传统RRT算法与改进RRT算法进行对比分析,仿真结果表明,提出的改进RRT算法性能更高,在狭窄通道场景与复杂障碍物场景下相比于传统RRT算法平均规划时间各减少49.44%和17.97%,相比于A^(*)算法平均规划时间各减少了80.23%和52.93%,得到的路径更短更为平缓,同时大幅降低了RRT算法路径规划失败的可能性,验证了改进RRT算法的可行性与有效性,解决了原算法随机性高、存在冗余路径和平滑性差的问题。
暂无评论