研究背景与目标
无人机技术近年来发展迅速，其中无人机群技术尤为引人注目。无人机群通过协同工作，能够高效完成侦察、监视等任务，在军事领域具有巨大潜力。然而，无人机群在复杂环境中导航时面临着障碍物避让和传感器覆盖效率的挑战。本研究旨在改进现有的无人机群传感器覆盖算法——弹道算法，重点探索障碍物避让的实现和优化方法。
研究方法与算法
本研究主要涉及两种算法：弹道算法和Ganganath算法。弹道算法通过让无人机沿直线移动并选择最佳路径来覆盖区域，而Ganganath算法则基于势场方法，通过虚拟代理和排斥力来引导无人机移动。为了评估算法性能，研究采用了平均延迟和最差延迟两个主要指标，以及仿真时间和通信量两个次要指标。实验在MATLAB环境中进行，并使用蒙特卡洛模拟来减少初始条件对结果的影响。
弹道算法改进
研究对弹道算法进行了多项改进，包括：
- 路径选择方法：采用射线投射方法来选择可达的路径点，避免了传统方法中因障碍物导致的路径选择困难。
- 参数调整：通过网格搜索找到最佳参数组合，包括射线数量、延迟指数等。
- 通信优化：通过记录邻居的路径信息来减少通信量，提高算法效率。
- 瞬态减少：通过初始化时间戳地图值来加快初始覆盖速度。
算法比较与结果
研究将弹道算法与随机路径选择和Ganganath算法进行了比较：
- 弹道算法 vs 随机路径选择：弹道算法在平均延迟和最差延迟方面均显著优于随机路径选择，表明其目标函数能有效评估传感器覆盖效果。
- 弹道算法 vs Ganganath算法：Ganganath算法在最差延迟方面表现更好，但在平均延迟方面略优于弹道算法。然而，Ganganath算法的通信量远高于弹道算法，且仿真时间更长。
模型预测控制（MPC）的应用
研究尝试将模型预测控制（MPC）集成到弹道算法中，以提高其在复杂环境中的性能。然而，MPC在单无人机情况下并未提升性能，在多无人机情况下反而降低了性能。这可能是由于多无人机系统中，无人机之间的相互依赖性导致未来状态预测困难。
结论与展望
研究结果表明，改进后的弹道算法在障碍物密集环境中表现出良好的性能，尤其在平均延迟方面优于随机路径选择，但在最差延迟方面略逊于Ganganath算法。未来研究方向包括：
- 改进MPC：探索将邻居的未来路径信息纳入控制范围，以提高MPC的预测准确性。
- 通信优化：进一步研究通信策略，在保证性能的同时降低通信量。
- 并行计算：采用并行化技术提高仿真效率，进行更广泛的参数搜索。
- 开放多智能体系统：模拟开放多智能体系统，研究无人机损失对算法性能的影响。
