【《复杂环境下的无人机路径规划与避障策略（论文）》19000字】 .pdf

复杂环境下的无人机路径规划与避障策略

目录

摘要1

1绪论2

1.1研究背景与意义2

1.2国内外现状3

1.3研究内容及创新点5

1.4论文组织结构5

2问题述及模型建立6

2.1无人机的工作场景6

2.2无人机通信模型7

2.3无人机电量模型9

10

2.4时间模型

2.5问题建模12

3传统离线算法解决多参量随机序列问题12

3.1多参数的随机多序列问题12

3.2遗传算法解决多参量随机序列问题13

3.3蚁群算法解决多参量随机序列问题17

3.4粒子群算法解决多参量随机序列问题20

3.5模拟退火算法解决多随机序列问题24

3.6算法性能分析28

4基于GAT网络的强化学习算法解决序列问题30

4.1强化学习介绍30

4.2图注意力网络GAT介绍30

4.3算法设计32

4.4实验仿真分析33

5算法性能对比36

5.1单无人机工作性能比较36

5.2多无人机协同工作性能比较37

6结束语38

参考文献39

附录42

摘要

时代发展和科技进步带动了人工智能实体的发展，无人机就是其中之一。无人

机由无线电遥控装置完全或间歇地操作。无人机具有其独特的优势：部署灵活、可

搭载MECserver,其可以很好的应对农业物联网场景下，信息采集节点多、节点处

理能力有限的问题。但由于无人机的负载能力有限，其供电系统体积较小，因此其飞

行时间有限。需要保证在有效的时间内，无人机能帽智能自主的完成飞行任务。因此

无人机路径规划问题研究至关重要。

当今物联网技术高速发展，为了更好地采集空间传感器内存放地信息、协助地

面基站做边缘计算，需要对信息载体无人机做路径规划，考虑其在悬停、运算、飞

行等多个场景下的通信情况和电量情况。为了进一步加快任务进程，考虑采用多无

人机协同工作模式，以减少单个无人机的任务负担。当前已经存在很多成熟的无人

机路径规划算法，但多将问题场景视为简单的TSP问题，以飞行距离为优化目标，

无法考虑无人机电量、信道等影响因素，也难以对多无人机协同工作系统进行研究。

近几年随着强化学习的兴起，非离线模式的DQN网络逐步出现在解决路径规划问题

的舞台，其具有很好的灵活性，但其考虑通信、电量模型后的规划效果较差。这些

算法不能满足无人机的路径规划对于真实场景的需要本，因此文将着重对于无人机

路径规划问题进行研究，考虑无人机自身电池容量有限、数据传输和采集过程受通

信信道影响以及多无人机协同工作可以加快任务完成的问题。

本文将针对上述问题，更）隹确的还原真实场景，建立无人机电量损耗模型、无

人机通信模型以及多无人机协同工作的辅助边缘计算系统，计算仿真以多无人机任

务总时间最短为优化目标，得到最优路径。具体地，提出一种与图注意力网络GAT

结合的强化学习算法，其相比于DQN强化学习同样具备较高灵活性且有较高）隹确

率，并对传统蚁群算法、遗传算法、粒子群算法、模拟退火简单解决TSP问题模型

进行改进。本文将对5类算法进行性能比较，为多无人机协同辅助边缘计算系统提

供可行性建议。

关键词：多无人机协同路径规划，GAT强化学习，辅助边缘计算，遗传算法，

蚁群算法，粒子群算法，模拟退火算法

1绪论

1.1研究背景与意

传感技术的发展使得人力得到解放，例如在最常见的新型智能农业模型中，传

感器可以更加及时）隹确的记录环境中的温度、湿度、作物情况等信息。人工定时回

收传感器数据或者建立传感信息通道物联等方式收集各个传感器的数据都具有不够

灵活、成本高和资源浪费等问题（李晨轩，赵彤云,2022）。采用可通信无人机进行数据

收集可以很好地避免上述问题。无人机因其具有体积小、行动灵活和可进行辅助边

缘计算等特点，逐步应用于各类需数据采集后进行边缘计算的现实场景。

在采用无人机解决数据传输和边缘计算的场景中，存在无人机电量有限、通信

受环境影响等一系列瓶颈问题，因此合理对无人机进行路径规划十分重要。在现实