针对未知环境下多无人车协同自主探索分配任务不合理、执行效率较低的问题, 提出一种融合波前算法的分布式多无人车协同探索方法。首先,设计基于市场机制任务分配方法的先验判决函数, 结合波前算法对边界点进行相似度最大化预处理, 使边界导引点脱离局部最优, 同时引入min-max评估函数对边界点进行评估;其次,通过波前算法对Dijkstra路径规划算法进行改进, 使无人车移动轨迹更精确, 减少路径拐点。最后, 在多种仿真环境下将所提方法和文献［12］方法进行了实验对比, 在环境全覆盖时, 所提方法探索时长平均减少了35.69%; 实验结果表明, 所提方法可有效提升探索覆盖率, 减少重复路径、缩短探索时间, 提高了多无人车协同探索的效率。

对未知环境的探索, 如搜救、追逃等场景, 无人机需要一边探索(感知)环境一边完成当前的航迹规划(动作选择)。针对上述场景, 为了提高无人机对未知环境的探索范围, 提出了结合长短期记忆的改进深度双Q网络探索航迹规划方法: 搭建仿真地图, 以无人机视野内的环境信息作为输入, 引入长短期记忆网络, 输出动作方向的选择; 设置探索经验样本优先级, 提高训练效率; 加入飞行动力学约束, 设计合理的状态、动作空间及单步奖励函数。运用所提算法, 无人机可以自主规划出一条无碰撞且对环境探索范围大的航迹。仿真实验结果表明: 在未知环境下, 所提算法得到的探索面积比、单步探索平均奖励值等指标均优于传统的DDQN算法。

针对无人机机载系统计算能力有限这一关键问题, 提出一种基于即时八叉树地图的室内自主探索航迹规划方法。首先利用RGB-D相机得到的深度图为输入, 实时构建八叉树地图, 同时实时扫描无人机当前视野内的八叉树地图进行场景识别, 以自主识别的场景为基础, 针对性地设计了在不同场景下规划下一目标点时所用的方法, 有效降低了机载系统的计算量, 实现了室内未知环境的自主探索。仿真实验结果表明, 该方法可行性高且在计算复杂度方面具有一定优势。

针对已知起点和终点、而环境信息未知情况下的探索航迹规划问题, 提出了融合生物信息素的改进稀疏A*无人机探索航迹规划算法。以激光雷达获取的局部地图信息为基础, 通过引入生物信息素, 对稀疏A*算法中的代价函数进行优化, 实现未知环境下自主规避障碍物, 并避免环境重复探索。在此基础上, 提出了基于机器人操作系统(ROS)的物理实施途径。通过“回”字形场景下的仿真实验对比, 验证了所提算法可避免环境重复探索的有效性。此外, 在“回”字形基础上, 将所提算法推广应用于柱状障碍物场景。实验结果表明: 所提出的融合生物信息素的改进稀疏A*探索航迹规划算法能有效实现未知环境探索航迹规划。

针对现有人工势场法在遇到部分典型连续型障碍(U型、L型、一字型等)时, 容易陷入局部最小值且无法逃离的问题, 借鉴电势场的数学模型, 在现有的人工势场法中加入了模拟等势线的概念, 重新定义了典型连续型障碍物的斥力场函数, 提出了基于模拟等势线的改进人工势场法, 有效解决了逃离局部最小值的问题, 并将该方法应用于无人机的航迹规划。通过仿真实验验证了改进算法的合理性, 在保障人工势场法速度快、实现简单等优点的同时, 解决了人工势场法在无人机面对连续型障碍时规划航迹存在不可行的问题。