【正文】 劃算法。航跡規(guī)劃算法是無人機(jī)關(guān)鍵技術(shù)之一，也是任務(wù)規(guī)劃系統(tǒng)核心之一。仿真測試結(jié)果表明，算法簡單、快速、有效地規(guī)劃出了三維可行航跡。在避開障礙之后，無人機(jī)重新恢復(fù)到安全狀態(tài)，按預(yù)先規(guī)劃的航線飛行，或者執(zhí)行既定的作戰(zhàn)任務(wù)。隨著無人機(jī)系統(tǒng)技術(shù)的不斷發(fā)展，眾多功能各異的無人機(jī)被廣泛應(yīng)用于各種軍事和非軍事行動中?！鴥?nèi)外研究現(xiàn)狀無人機(jī)感知規(guī)避系統(tǒng)可以劃分為五個(gè)主要功能模塊：察覺、檢測、感知、生成逃逸機(jī)動， 無人機(jī)自主空中防撞系統(tǒng)主要功能模塊（1） 察覺功能。（3） 感知功能。（5） 實(shí)現(xiàn)逃逸機(jī)動。當(dāng)出現(xiàn)未預(yù)料到的障礙時(shí)，很難改變已經(jīng)下指令機(jī)動的動作。這類方法將無人機(jī)機(jī)的運(yùn)動學(xué)模型與一套約束條件相結(jié)合，然后基于優(yōu)化約束計(jì)算出最優(yōu)的策略。因此，可能導(dǎo)致需要強(qiáng)大的計(jì)算處理能力。（5）基于視覺的避障方法這類方法主要基于圖像特征和光流分布等實(shí)現(xiàn)障礙規(guī)避。研究結(jié)果顯示，避障成功率達(dá)到96%。仿真結(jié)果表明，該方法能夠規(guī)劃出給定威脅指標(biāo)下的全局最優(yōu)路徑并達(dá)到良好的動態(tài)規(guī)避性能。張躍東等人提出了基于單目視覺的無人機(jī)障礙探測算法。另外，基于各類先進(jìn)的無人機(jī)飛行平臺，國外的研究已經(jīng)進(jìn)行了一些實(shí)驗(yàn)驗(yàn)證，而不僅僅停留在仿真階段。對于非協(xié)作式機(jī)動障礙，無人機(jī)很難預(yù)測其飛行路線，不便做出合理的規(guī)避策略，甚至在復(fù)雜的環(huán)境中，還可能會引起多次沖突，對有人機(jī)而言，有人機(jī)傳感器配合人眼能很好的探測發(fā)現(xiàn)威脅并準(zhǔn)確感知。（2）基于多傳感器信息融合的自主探測感知方法逐漸得到應(yīng)用傳統(tǒng)的無人機(jī)探測更多的依賴于外部數(shù)據(jù)鏈為其提供信息，依靠地面操作員對無人機(jī)傳感器獲得的信息進(jìn)行分析并作出決策。其二，數(shù)據(jù)鏈容易受干擾。近年來，分布式多平臺一致性問題成為協(xié)同控制領(lǐng)域的一個(gè)研究熱點(diǎn)。由于不可能事先考慮到所有可能出現(xiàn)的情況，簡單的反射型避障無法滿足復(fù)雜多變的戰(zhàn)場環(huán)境，而基于推理的避障將使無人機(jī)在遭遇障礙時(shí)，能夠?qū)崟r(shí)的做出合理的決策，從而具有更高的智能性和更好的戰(zhàn)場適應(yīng)性。很多用于預(yù)先航跡規(guī)劃的優(yōu)化計(jì)算方法，如A*算法、遺傳算法、蟻群算法等，由于需要不斷迭代優(yōu)化，其計(jì)算過程十分耗時(shí)，很難直接應(yīng)用，必須結(jié)合無人機(jī)避碰問題特點(diǎn)，研究快速在線航跡規(guī)劃方法。第三章 基于改進(jìn)RRT的無人機(jī)實(shí)時(shí)避障路徑規(guī)劃：本章眾多研究RRT算法的原理特點(diǎn)，基于RRT的避障路徑規(guī)劃。它涉及飛行力學(xué)、自動控制、作戰(zhàn)效能分析、人工智能、運(yùn)籌學(xué)、計(jì)算機(jī)和圖像處理等多個(gè)學(xué)科和專業(yè)，是個(gè)綜合性的研究課題。威脅代價(jià)——威脅代價(jià)主要與其威脅范圍s相關(guān)，威脅代價(jià)可表示為。威脅代價(jià)與油耗代價(jià)按一定權(quán)重進(jìn)行求和，威脅代價(jià)權(quán)重為，油耗代價(jià)權(quán)重為，且。無人機(jī)在整個(gè)飛行過程中的飛行路程，受到飛機(jī)燃油和飛行時(shí)間配給的限制。（4）無人機(jī)的最大偏航角。（6）無人機(jī)的最小步長。但實(shí)際上，在現(xiàn)實(shí)的環(huán)境中，會有許多未知的威脅出現(xiàn)，其中包括高空的靜態(tài)威脅以及動態(tài)飛行器等威脅，只有當(dāng)無人機(jī)飛到距離它們在探測距離內(nèi)時(shí)才能發(fā)現(xiàn)，這時(shí)地面一次性全局規(guī)劃已不能滿足要求。隨機(jī)勢力場依賴于一個(gè)好的啟發(fā)式函數(shù)，當(dāng)遇到威脅、運(yùn)動學(xué)上的差異約束或是動力約束時(shí)，它就會變得困難起來。概率地圖法中可能需要連接許多的節(jié)點(diǎn)或是狀態(tài)來尋找解決方案，如果每個(gè)連接點(diǎn)都類似于一個(gè)非線性控制問題，這樣路徑規(guī)劃的實(shí)時(shí)性是很難實(shí)現(xiàn)的。北京航空航天大學(xué)洪曄為解決算法時(shí)空開銷大、無人機(jī)航向改變頻繁的缺點(diǎn)，提出一種基于狀態(tài)聚類方法的HMDP模型，并將其拓展到三維規(guī)劃中。西北工業(yè)大學(xué)陳冬利用粒子群優(yōu)化算法，將約束條件和搜索算法相結(jié)合，從而有效減小搜索空間，得到一條全局最優(yōu)路徑。幾何方法。以上方法的基本思路是通過降維減少搜索空間，提高搜索效率，其實(shí)質(zhì)仍然是二維航路規(guī)劃，但是這么做很難同時(shí)考慮威脅回避、航跡的最優(yōu)性以及規(guī)劃的實(shí)時(shí)性。對于未確定戰(zhàn)場環(huán)境，需要實(shí)時(shí)規(guī)劃或局部規(guī)劃，但目前存在的問題是計(jì)算時(shí)間過長而達(dá)不到及時(shí)規(guī)避威脅的要求或模型考慮過于簡單，導(dǎo)致實(shí)際飛行的威脅大于規(guī)劃的威脅，因此規(guī)劃出的航路實(shí)際不可飛。針對未確定威脅場，無人機(jī)必須進(jìn)行在線航路規(guī)劃，以規(guī)避風(fēng)險(xiǎn)，實(shí)現(xiàn)在未確定環(huán)境下，為有效利用各種信息，對戰(zhàn)場態(tài)勢進(jìn)行評估，并對多傳感信息進(jìn)行數(shù)據(jù)融合，最終實(shí)現(xiàn)自主航路規(guī)劃。第三章 基于改進(jìn)RRT的無人機(jī)實(shí)時(shí)避障路徑規(guī)劃3．1 RRT基本原理及其應(yīng)用快速擴(kuò)展隨機(jī)樹（rapidlyexploring random tree，RRT）是一種基于采樣的單查詢隨機(jī)搜索算法，. LaValle 首次提出。與無人機(jī)動力學(xué)特性緊密相關(guān)，用于計(jì)算從某點(diǎn)以一定的搜索步長達(dá)到的新點(diǎn)。（3） RandomState函數(shù)。換句話說，基本RRT方法隨機(jī)性太強(qiáng)，只能夠保證高效快速的獲得可行航跡，無法獲得較優(yōu)的航跡。以探測到威脅時(shí)刻的那個(gè)航路點(diǎn)作為初始點(diǎn)，在RRT樹中將它作為根節(jié)點(diǎn)，采用一種特殊的增量方式構(gòu)造搜索空間，通過逐漸增加葉節(jié)點(diǎn)的方式生成隨機(jī)擴(kuò)展樹。　基于改進(jìn)RRT的避障路徑規(guī)劃RRT算法的隨機(jī)性導(dǎo)致擴(kuò)展樹的生長形狀具有隨機(jī)性，并且對同一條件下的規(guī)劃缺乏可重復(fù)性，這樣計(jì)算出來的航路往往不是較優(yōu)的航路。對于超出無人機(jī)可達(dá)范圍內(nèi)的目標(biāo)點(diǎn)，則引入隨機(jī)變量,通過航向和步長計(jì)算。這樣的啟發(fā)信息削弱了新增葉節(jié)點(diǎn)的隨機(jī)性，從而使得規(guī)劃出來的航跡接近最優(yōu)搜索航跡。如果是強(qiáng)制結(jié)束，則返回從到距離最近的葉節(jié)點(diǎn)的路徑。為了更方便直觀地反映改進(jìn)RRT算法與基本RRT算法在實(shí)時(shí)性方面的改進(jìn)，作了如下圖進(jìn)行比較：，步長與擴(kuò)展節(jié)點(diǎn)數(shù)的關(guān)系 ，步長與規(guī)劃時(shí)間（ms）的關(guān)系 搜索步長為5，避碰安全距離與擴(kuò)展節(jié)點(diǎn)數(shù)的關(guān)系 搜索步長為5，避碰安全距離與規(guī)劃時(shí)間（ms）的關(guān)系，步長對擴(kuò)展節(jié)點(diǎn)數(shù)和規(guī)劃時(shí)間的影響；，避碰安全距離對擴(kuò)展節(jié)點(diǎn)數(shù)和規(guī)劃時(shí)間的影響。，我們得到了重規(guī)劃后的航路點(diǎn)。其中綠色曲線為無人機(jī)探測到威脅后做出規(guī)避得到的新航跡，紅色曲線仍為威脅航跡?？梢钥吹街匾?guī)劃航跡在避障后回到了預(yù)定航跡上。然后，我們對幾種常用的路徑規(guī)劃算法進(jìn)行了一個(gè)總結(jié)與比較。于是，我們提出了基于RRT的實(shí)時(shí)避障航跡規(guī)劃算法。致　謝本次畢業(yè)設(shè)計(jì)首先要感謝牛軼峰老師，他為我完成這次畢業(yè)設(shè)計(jì)提供了大量的書籍和論文資料，不僅使我從理論上對于所做工作有了深入了解，還讓我在算法的實(shí)現(xiàn)上節(jié)約了大量時(shí)間。在畢業(yè)設(shè)計(jì)的過程中，學(xué)姐的幫助和提點(diǎn)使我在算法設(shè)計(jì)過程少走很多彎路。參考文獻(xiàn)（還未全面）區(qū)域目標(biāo)搜索中基于改進(jìn)RRT的無人機(jī)實(shí)時(shí)航跡規(guī)劃。 float lat。 srand((int)time(0))。 dis=(x1x2)*(x1x2)+(y1y2)*(y1y2)+(z1z2)*(z1z2)。 pp = pre_path。 } if((fp2=fopen(,rb))==NULL) { printf(cannot open\n)。 k++,pp++,qq++) { fscanf(fp1,%f %f %f\n,amp。// printf(%f %f %f,pre_path[k].lon,pre_path[k].lat,pre_path[k].alt)。qqalt)。 dis=(x1x2)*(x1x2)+(y1y2)*(y1y2)+(z1z2)*(z1z2)。 pp = pre_path。 } if((fp2=fopen(,rb))==NULL) { printf(cannot open\n)。 float rrtx[50]={0},rrty[50]={0},rrtz[50]={0}。 for(int a=0。 rrty[0] = pre_path[num1].lat。 float endz = pre_path[num+5].alt。 save[j].lat = pre_path[num+5+j].lat。 int kmin=0,knew。 r = sqrt((rj)/)。 j++) { r=random()。 j10 。 } if(rrty[m] = endy) for(j=0 。 yrand[j]=rrty[m]2*r*con。 r = sqrt((rj)/)。 j++) { r=random()。 j10 。 } if(rrty[m] endy) for(j=0 。 yrand[j]=rrty[m]+r*con。 r = sqrt((rj)/)。 float min_step,min_dis=10000。 tm+1 。 } } //計(jì)算角度 if((xrand[j]rrtx[kmin])!=0) { float fz = yrand[j]rrty[kmin]。 float xyDistance = puter_distance(xrand[j],yrand[j],0,rrtx[kmin],rrty[kmin],0)。 det_anglex = anglex[j+1]anglex[j]。 ytemp[j]=rrty[kmin]+min_step*r*sin(anglex[j]+ph)。 ytemp[j]=rrty[kmin]+min_step*r*sin(det_anglex)。 if(det_anglex ph) { xtemp[j]=rrtx[kmin]+min_step*r*cos(anglex[j]+ph)。 } //判斷該tempt點(diǎn)是否遇到威脅 for(int k=0。 break。 knew = j。 if((knew=0)amp。 rrtz[m] = ztemp[knew]。 } } int i=0。 pre_path[num1+i].alt = rrtz[i]。 j99inum 。 pre_path[num1+i+j].alt = save[j].alt。 int i=0。 }// while((pre_path[i].lon!=0)||(pre_path[i].lat!=0)||(pre_path[i].alt!=0)) while(pre_path[i].lon!=0) { PreThrDistance = puter_distance(pre_path[i].lon,pre_path[i].lat,pre_path[i].alt, thr_path[i].lon,thr_path[i].lat,thr_path[i].alt)。 printf(進(jìn)入RRT算法\n)。 } t=time(0)* t。,39。p = polyfit(tx,ty,5)。 end [x,y,z]=textread(39。)。 ends = polyfit(x,z,5)。,39。u = polyfit(px,py,5)。 end%plot3(tx,tyy,tzz,39。,x,yy,zz),grid on[a,b,c]=sphere(10)。mesh(a,b,c),hold onplot3(tx,tyy,tzz,39。),grid onend