周总结日志

基于三维地理场景的无人机航迹动态规划-西交

创新点：
1、提出复杂环境下无人机三维全局静态航迹规划的多层扩展 A*算法，将典型复杂环境（地形、气象、禁飞区、危险物等）与不同任务目标下航迹约束条件融合，构建出三维航迹规划环境模型为算法提供搜索环境，进而适应不同环境下的多样化约束需求。将各飞行代价归一化以改进算法代价函数，获得参考航迹，设计航迹简化方法对参考航迹进行简化与优化。
2、提出基于最优引导点的无人机三维局部动态航迹规划方法与航线格网等分的检核方式，通过在经典粒子群算法基础上采用“分层随机初始化”与“粒子偷懒流放”改进策略并改进适应度函数等，提升收敛效率且最优引导点的准确性；通过最优引导点位置实时修正航迹，实现动态规避突发威胁。
地形信息融入-添加高程信息
大气环境信息融入-类似为一个下底面通向地面的柱形区域，该柱形区域内无法通行
危险物约束信息融入-视为球体或者正方体
通视约束-至少在一个地面站通视下飞行

多层扩展 A*算法获取参考航迹
航迹简化：航迹简化用于判断将频繁的微小转向又回复的航迹直接简化为直线用到（Cardinal 样条曲线）通过输入 4 个控制点，平滑中间两个控制点之间成曲线，另外两个点为平滑参
考点，用于计算曲线段端点斜率。
无人机三维局部动态航迹规划过程
采用粒子群搜索最佳引导点
改进：粒子群优化算法具有易于操作、收敛速度快、调整参数少等优势，但也存在后期容易陷入局部最优、收敛效率低的缺点。
分层随机：划区均分粒子
粒子偷懒流放：相邻三次的位置极差小于某位置阈值且适应度值之差小于某适应度阈值时，认定该粒子陷入局部最优而正在“偷懒”，此时保留该粒子历史最优位置与适应度信息，将其“流放”，即重新随机初始化该粒子的位置与速度

地形敏感的四足机器人能耗最优规划研究-电科

创新点：

• 提出了基于点云数据建立多层级栅格地形模型
• 结合地形因子构建四足机器人能耗模型-----仿真平台webots
• 提出一种改进的 A*算法-将能耗代价融入A星
  1、基于点云的栅格地图构建
  随机采样一致性算法（RANSAC）
  地形分类：分别是草地，沙地，水泥地，碎石地，泥土地和雪地
  Goog Le Net Inception V3 网络对数据集进行训练-Tenserflow 框架
  路径可通过性评价
  
  算法改进：
  Time-energy Optimal Trajectory Planning over a Fixed Path for a Wheeled Mobile Robot-轮式移动机器人固定路径上的时间能最优轨迹规划
  文章提出了一种非完整轮式移动机器人(WMR)的时能最优速度轮廓规划方法。该方法不依赖于非线性规划算法，而是利用变量的非线性变化，可以将非线性优化问题转化为凸优化问题。然后将这些方程离散化，然后表述为二阶锥规划，可以由MatlabCVX工具箱求解。目标函数的公式有两个组成部分：总能量和由一个被称为惩罚系数的参数加权的遍历时间。利用惩罚系数，可以很容易地建立总能量优化和遍历时间之间的权衡。如果惩罚系数增加，那么时间的最小化比总能量更优先，反之亦然。该公式产生了一个帕累托最优性条件，即不可能在不增加总能量的情况下减少遍历时间，反之亦然。
  利用变量的非线性变化，可以将非线性优化问题转化为凸优化问题-局部最优解同时也是全局最优解利用惩罚系数，建立总能量优化和遍历时间之间的权衡
  **

论文

A星算法40*40

标签：总结,粒子,航迹,优化,算法,最优,规划,日志
来源： https://blog.csdn.net/weixin_48648760/article/details/119462118