为了解决农业无人机在障碍物干扰环境中进行路径规划任务时存在的寻优精度低、避障能力弱等问题, 利用无线紫外光通信引导设备全天候非直视通信、隐秘通信及适用于各种特殊场合等特点, 建立了无线紫外光飞行路径引导系统, 提出基于指数递减策略的改进蝙蝠算法（EDS-IBA）, 引入基于指数递减策略的动态惯性权重和相邻路径点的人工势场, 在保证无人机路径平滑的同时, 避免陷入局部最优, 通过障碍物干扰代价和紫外光通信代价保证飞行环境的多样性及真实性。结果表明, EDS-IBA相较于基于差分进化算法的改进蝙蝠算法和传统蝙蝠算法, 2维环境下, 规划的平均路径长度分别缩短了10.7%和16.3%;3维环境下, 规划的平均路径分别缩短了13.7%和36.2%;算法达到收敛状态时, EDS-IBA的适应度值也较小, 在路径规划能力和算法性能方面有较好的可行性和有效性。该研究对无人机路径规划的实际应用和开发具有一定的现实意义。

近几十年, 渐近最优快速搜索随机树(RRT*)算法受到广泛关注。为了解决其收敛速度慢、生成路径代价高的问题, 提出一种改进APF(Artificial Potential Field)-Informed-RRT*融合算法进行无人机航迹规划。该算法结合Informed采样策略, 将随机点约束在椭圆空间内, 提高搜索效率。当新算法找到最近节点后, 引入改进APF生成高质量的新节点。目标点及随机采样点对生长树的最近节点产生吸引力, 障碍物对其产生排斥力, 然后将合力方向作为随机树生长方向, 解决局部最小值的问题, 大大缩短了收敛时间。将该算法与RRT*, Informed-RRT*算法进行比较, 结果表明了新算法的优越性和有效性。

针对多无人机协同搜索多运动目标航迹优化问题, 建立基于搜索概率图的信息环境模型, 提出了一种基于人工势场与自适应参数调整粒子群优化的搜索算法(APF-APSO算法), 用于不确定环境中的动态目标搜索。利用人工势场中无人机与山体之间、无人机之间的虚拟排斥力进行有效避障, 以及无人机与目标之间的虚拟吸引力加快目标搜索; 通过非线性的指数函数参数调整法对粒子群参数进行调整, 并根据无人机搜索过程中得到的栅格单元信息确定度和目标存在概率对搜索概率图进行实时更新, 来引导无人机对目标进行搜索。仿真结果表明, 与其他算法相比, 所提算法在搜索目标方面具有很大的优势, 缩短了路径长度;避免了陷入局部最优解, 具有较好的收敛性; 能够有效地实现多无人机之间的协同搜索, 提高了搜索效率。

为了研究强电磁干扰环境下无人机防撞编队的避障控制效果, 采用无人机编队间紫外光通信模型, 对传统人工势场法进行改进, 给出了具体无人机编队机间和无人机与障碍物的势场函数, 实现无人机编队在飞行的同时可以进行局部避障。结果表明, 在相同条件下, 改进后的人工势场法比传统人工势场法的避障时间减少了7.38%, 避障总路径减少了5.8%, 将改进后的避障算法应用到编队中可实现无人机编队的机间避障与外部障碍物的规避, 且编队间能够保持固定队形飞行至目标点。这一结果对强电磁干扰环境下无人机编队避障的研究有一定的应用价值。

针对多AUV系统的传统领航者队形控制方法中存在的易受环境扰动影响和易崩溃等问题, 提出了基于人工势场的改进虚拟领航者方法。设计了一种四层结构的编队体系分层框架, 并对其中队形设计层与行为控制层进行了描述; 分别针对虚拟领航者对AUV成员施加的斥力与引力、AUV成员间的斥力与引力、障碍物对AUV施加的斥力设计了适当的人工势场函数, 并考虑了最大通信距离带来的约束。通过仿真验证, 对比分析了传统领航者-跟随者法与改进虚拟领航者法的队形轨迹与位置偏差的误差曲线, 证明了所设计的算法能完成队形控制任务, 编队控制效果优于传统领航者方法。

为了解决传统人工势场法在路径规划中存在局部最小和目标不可达的问题, 提出了一种改进的人工势场法。首先,引入障碍物的碰撞范围和使用角度定义障碍物的影响范围, 排除机器人前进方向一定角度和距离外障碍物的影响;其次, 为了解决目标不可达问题, 基于目标点与机器人的距离改进斥力函数;最后,利用外接六边形在障碍物的碰撞范围外创造虚拟目标点, 避免机器人陷入局部最小。基本环境和复杂环境下的实验结果表明:所提算法可以在一定程度上克服传统算法的缺陷, 是一种有效的路径规划算法。

通过对人工势场法与蚁群算法进行融合, 给出了一种融合人工势场蚁群算法的移动机器人路径规划算法。一方面, 引入目标点距离影响因子, 改善势场力对移动机器人路径搜索的影响, 通过改进斥力场函数, 避免移动机器人因受到较大的斥力而无法规划出最优路径; 另一方面, 构造势场力启发函数, 同时考虑距离启发信息和势场启发信息, 初始化信息素的差异化分配方式有利于提高算法的收敛速度。实验结果表明, 融合人工势场蚁群算法相比于文献［15］算法, 在最优路径长度、路径转折次数、收敛速度三方面分别提高了2.6%,25%和66.7%, 表明了该算法在路径规划方面的优越性。

针对多智能体系统在形成编队的过程中存在相互碰撞、通信中断和外部干扰的问题, 考虑了具有避碰和保持系统连通的二阶非线性多智能体鲁棒编队控制问题。基于人工势场法设计了具有保持系统连通的多智能体避碰算法, 并利用分布式控制法和共识理论设计了多智能体鲁棒编队控制律, 从而使得多智能体系统准确地实现编队, 避免碰撞和保持系统连通。利用李雅普诺夫稳定性理论和线性矩阵不等式证明了系统的稳定性和跟踪误差的收敛性。通过数值仿真实例验证了所提编队控制律的有效性。

针对Informed-RRT*算法在路径规划中与动态障碍物的碰撞问题, 提出基于Informed-RRT*和人工势场法的改进路径规划算法。该算法引入椭圆区域采样策略和自适应步长策略提高了寻找可行全局路径的稳定性和效率, 在静态障碍物边界区域获得最优成本可行路径方案。当机器人按照全局路径运动遇到动态障碍物时, 引入裁剪路径分支策略和人工势场法对局部路径进行重规划, 实现动态避障功能。将改进算法应用于仿真环境, 结果表明改进算法实现了全局最优探索和局部避障功能, 验证了算法的有效性。