coldmood77的博客

垃圾kpi，转到arm了不想面了。聊半小时天，最迟一周内。

项目经理与规划机器人。

优化参数设置是模型生成的一个重要组成部分，因此用进化优化算法求每一个模型的实际参数。）通过在一个复杂、嘈杂、真实世界的系统中优化自组织的群体级行为，一种设计个人无人机控制器的方法。一个群集模型，通过保持距离和速度差异之间的一个改进的平衡，明确地处理运动约束；架无人机演示框架，在密闭空间内进行自主、同步的户外飞行，集体碰撞和避障。）模拟该系统，展示其在宽速度范围和群数量大小下的可伸缩性；模型：短期的排斥力、中间范围的速度一致性和长距离的吸引力。）自己的传感器系统，用于测量相对位置和速度，

在ROS-GAZABO环境下仿真视频截图如下“

在这种情况下，属于蜂群的每个代理都能设法规划平滑和安全的轨迹，这个实验在视频里我复现了。为全局规划的开始和结束时间 ，Φk (t)为轨迹表达式，C为障碍物允许通过常数，E欧几里得距离转换为在z轴上主轴较短的椭球形距离，为一个主对角线元素为1，1，1/c的对角矩阵。到这里我个人感觉好像没有什么创新，貌似是在单机的基础上加入了多机的航迹躲避，实现方式就是在各个单机的可行航迹中进行选择Jw最小的那一条航迹，通过多项式来表达航迹并且进行计算，下文中有关于定位飘移补偿和深度相机删去其他无人机的介绍，就不过多关注了。

人机上的相机相对于飞控的实际外参，单位为米，顺序为。4.不支持更改imu频率（即断电后imu频率不变）每一次更改都要编译和加入当前工作路径。剩余搭建中硬件或者环境问题欢迎私信。原来第四列为【0，0，0，0】Ubuntu20.0对于。矩阵的第四列为你的无。

图源北理工全权老师团队虚拟管道相关论文，文字为个人理解，以ppt形式分享报告。

但是与传统优化算法类似，容易陷入局部最优解。为避免动态窗口法陷入局部最优，提高复杂环境下的航 迹规划能力，在文献。的基础上，本文使用一种自适应航 迹评价函数权重的动态窗口法。#本文的算法是自己写的小论文中的，其他博客会更新一些传统的轨迹更新方法，相关的代码也会放在代码仓库中。秒的航迹，通过自己设置的航迹评价函数，例如与目标点距离，与障碍物距离，速度等多方面进行最优选择。动态窗口法的原理大致是在速度与加速度约束内，遍历选择所有可能的速度来进行预测未来。#自己用动态窗口法写了一个算法，和长机-僚机法结合起来。

的职责是侦察蜜源（即蜜蜂的食物），一旦某一个侦察蜂找到蜜源后，实际上它的角色就切换为。以跳舞的方式向同伴传递自己找到食物的信息，这时候一些饥饿的、没有找到食物的蜜蜂就。如满足，对应的引领蜂角色变为侦察蜂，否则直接转到。）跟随峰采用与引领蜂相同的方式进行搜索，根据贪婪选择的方法确定保留的蜜源。，引领峰说话的信服力会降低，于是跟随蜂也逐渐不相信引领峰传递的信息。去寻找食物，这些相信引领峰传递的信息的蜜蜂实际上就是。直到再次找到高质量的蜜源后，再做回引领峰，轮盘赌计算引领蜂找到的蜜源被跟随的概率。

文献来自浙大团队，自己汇报的ppt。

当排除电调问题后发现还有问题，继续采用示波器排除飞控板输出信号问题，仍然有一个电机有问题，单独接到接收机给油门信号发现电机转速不连续，最终更换电机。在室外进行飞行自适应调整，排除以后程序控制不稳时的飞控底层影响。解决方案：一般来说参数稳定，但加上配重后由于重心偏移需要自适应，购买了无线数传模块，飞机连接。解决方案：买了脚架进行安装，发现四角脚架容易在降落的时候弹起，应该更换为质地更硬的横梁脚架。飞控板固件不匹配导致机架尺寸不够，因此将外接串口与碳板粘连，占用了一个铝柱的地方。，不能用于此次购买的。

本文以实现多机精确可靠编队飞行为研究重点，结合实际无人机编队 飞行任务需求，设计无人机精确编队协同避障与跟踪控制策略，综合解决编队个 体之间以及与周围环境障碍物的防撞安全性，在此基础上构建数值仿真系统，对 所研究方法进行仿真验证，充分挖掘复杂环境下多机编队飞行能力。（1）针对多无人机编队快速任务响应队形变换需求，采用智能优化算法对 多机编队队形优化与重构进行研究，快速规划无人机编队队形重构过程中的运动 轨迹，满足实时性需求和不同任务的多机编队需求，以保证编队整体规划路径的 可飞行性。

引力势场使得编队中的每架无人机都有向虚拟领航者靠近的趋势，同时受到其他无人机产生的斥力场的作用以使无人机编队保持稳定。整个机群分解成多个子系统，每一个子系统中设定了几种经过计算并通过数学表达式定义的基本行为控制方法，子系统中的无人机可以通过局部的信息交互并利用基本行为控制方法达到编队的目的。适应性强，编队中的无人机碰撞避免易于实现，通信量少子系统的行为定义困难，设计复杂。模型、直观，易理解，易实现，体系稳定成熟过于依赖长机，存在误差传导问题。x,y,z描述位置，v相对大地坐标系速度，

其后对飞行机械臂系统的机 理模型和基于 ADAMS 的物理模型进行了控制系统的搭建，对于机理模 型，设计了三个输入通道，分别是俯仰力矩，翻滚力矩与偏航力矩，控 制量为翻滚角，俯仰角，偏航角。四旋翼无人机自身具有独特的优势，在无人机上增加机械臂，整个 机体系统相当于一架空中行动自如的空中机器人，可以适应更多的应用场合，能够实现空中抓取，运输载荷，巡航监视等任务。的函数模块如图 4-8 所示，可见输入为 U1,U2,U3,U4，分别对应总力矩，俯仰力矩，翻滚力矩，偏航力矩，控制 量为俯仰角，翻滚角，偏航角。

任务区域的障碍会延长任务路径，影响到达时间计算。惩罚策略：根据违约情况调整模型优化目标值，将原始约束问题转化为无约束问题求解，在约束较少的情况下筛选可行解的效率高，但在大规模约束情况下可能无约束解很少。分层优化：在某一优化目标结果的基础上求解其余优化目标，多用于处理处于不同层级且相互影响的目标，可以有效减小问题搜索空间，但弱化了优化目标之间的耦合关系。任务时序耦合约束：不限制任务的具体执行时间，而是限制任务间的相对执行顺序，可分为同时执行、前序执行、后序执行、任务间执行和任务互斥五类。

如果Ai和Aj之间的实际距离dij大于期望的距离ddes，则会产生一个吸引力，使两架无人机相互接近。然而，如果dij小于ddes，就会产生一个排斥力，将两架无人机分开。此外，当dij接近于零时，排斥力将变为无限，从而保证无人机在交互运动过程中避免碰撞。其中η是一个任意小的正比例因子，表示当吸引力和排斥力等价且共线反向时，将导致无人机被困在局部最小值。其中Ua为吸引势，Ur表示排斥势，m为障碍物数。，引入用来解决局部极小值的旋转势场Ue。

7. 更新 Q 值：𝑄(𝑆, 𝐴) = 𝑄(𝑆, 𝐴) + 𝛼[𝑟(𝑆, 𝐴) + 𝛾𝑚𝑎𝑥𝑄(𝑆′,𝐴) − 𝑄(𝑆, 𝐴)]step4：如果迭代次数达到地图和指南针算子的迭代上限，则停止当前迭代，转而操作地标算子，否则跳转至Step3；鸽子的位置信息和速度信息进行更新，然后比较所有鸽子的适应度，找到新的最优解；6. 在当前的状态 S 下执行动作 A，得到新的状态𝑆′和奖励𝑟(𝑆, 𝐴)输入：迭代次数 T，状态集 S，学习率 α，探索率𝜖，折扣因子𝛾。

【代码】一些无人机航迹规划算法-人工势场法。

复现来源顶会Reynold Boid 模型：Boid 模型是 Reynold 在1986 年建立的一个用来模拟群体行为的空间模型，是首次针对蜂拥运动提出的著名模型。在该模型中定义了三个基本规则：i）分离（Separation），即每个个体受到其邻域内的其他个体的排斥力的矢量和，以避免和附近的智能体碰撞。ii）聚合（Cohesion），即每个个体受到其邻域内的其他个体的吸引力的矢量和，以保持整个团队的紧凑。iii）速度匹配（Alignment），即让每个个体与其邻域内的其他个体的平均速度保持一致，最终使整个团

可以实时获得僚机的位置封闭解。利用僚机的运动矢量构造僚机惯性导航系统的位置观测：在室内导航环境较差情况下采用惯导编队，结合僚机气压高度计获得的高度信息，将僚机的三维导航定位转化为二维定位。反馈运动规划：为系统设计反馈控制律，非开环控制律（一条动作轨迹或动作的时间序列），以使其即使处于不期望的状态，也知晓该采取何种动作。一个已知的位置长机，僚机与长机的单一相对距离不能确定跟随无人机的空间位置，利用僚机的移动矢量获得当前位置。实际上利用主机的位置与僚机的速度信息和时间推断出精确的无人机位置。