💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

目录

💥1 概述

一、目标分配

二、全局路径规划

三、局部路径规划

📚2 运行结果

🎉3 参考文献

👨‍💻4 Matlab代码实现

---

💥1 概述

      四旋翼无人机具有垂直起降、自由悬停、飞行灵活等特点，现已被应用于高空航拍、资源勘探、抢险救灾等多个领域，具有良好的发展前景。但因其多输入、欠驱动、强耦合的特性，在复杂环境下，抗干扰的高精度姿态控制系统设计一直是理论研究的难题。

    Elkhatem等[1]提出了一种鲁棒线性二次型(linear quadratic regulator, LQR)控制器和LQR—比例积分(proportional integral, P⑴)控制器用于无人机的位置姿态跟踪，两种控制策略都能使四转子稳定在期望的位置和姿态，具有更好的性能和鲁棒性。杨旭等^提出了一种自耦比例积分微分(proportional-integral-derivative,PID)控制器，用于四旋翼无人机的姿态控制，在Matlab/Simulink中通过仿真实验验证了所提出算法的有效性，姿态控制超调量最好时可控制在6%左右。Phinguyen等[3针对外界干扰情况下的滑模控制问题，提出了一种基于神经网络的自适应滑模控制器用于无人机的姿态控制，所提出控制方法性能良好，有很强的抗干扰能力和跟踪性能。

四旋翼飞行器（无人机）在目标分配、全局路径规划和局部路径规划方面的研究是无人机技术领域的重要组成部分，这些研究对于提高无人机的自主飞行能力、任务执行效率和安全性具有重要意义。以下是对这三个方面的详细探讨：

一、目标分配

1. 定义与重要性

目标分配是指在多无人机系统中，根据任务需求和环境条件，将多个目标合理地分配给各个无人机，以实现整体最优的任务执行效果。合理的目标分配能够提高无人机的任务执行效率，减少资源浪费，并提升系统的整体性能。

2. 常用方法

• 枚举法：适用于无人机数量较少的情况，能够实时搜索得到最优分配方案。但随着无人机数量的增加，枚举法的计算量会急剧增大，不再适用。
• 遗传算法：针对无人机数量较多的情况，遗传算法能够通过模拟自然进化过程来搜索最优或近似最优的分配策略。这种方法能够在有限时间内得到期望的分配结果，并且具有较好的收敛性和鲁棒性。

3. 研究进展

近年来，随着优化算法和人工智能技术的发展，目标分配问题得到了更加深入的研究。例如，基于多目标优化算法的目标分配方法能够同时考虑多个优化目标（如时间效率、资源消耗等），从而得到更加合理的分配方案。

二、全局路径规划

1. 定义与目的

全局路径规划是指在已知环境信息的情况下，为无人机从起始点到目标点规划一条最优或可行的飞行路径。全局路径规划的目的是确保无人机能够安全、高效地到达目标点，同时满足任务需求和环境约束。

2. 常用算法

• A*算法：一种启发式搜索算法，通过评估节点的代价值来寻找最优路径。A*算法具有搜索速度快、路径质量高的优点。
• Dijkstra算法：一种经典的图论算法，用于在加权图中找到单源最短路径。虽然Dijkstra算法能够找到最短路径，但其计算量相对较大。
• RRT算法（快速随机树算法）：适用于复杂环境中的路径规划问题。RRT算法通过随机采样和树扩展的方式在空间中搜索可行路径，具有较好的环境适应性和鲁棒性。

3. 研究进展

随着无人机应用场景的多样化，全局路径规划算法也在不断发展和完善。例如，结合环境感知和动态避障能力的全局路径规划算法能够实时调整飞行路径，以应对突发情况和环境变化。

三、局部路径规划

1. 定义与特点

局部路径规划是指在无人机飞行过程中，根据实时感知的环境信息（如障碍物、风场等）对飞行路径进行动态调整和优化。局部路径规划具有实时性强、灵活性高的特点，能够在复杂环境中保证无人机的飞行安全。

2. 常用方法

• 动态窗口法（DWA）：一种常用的局部路径规划方法，通过模拟无人机在未来一段时间内的运动轨迹来评估不同控制指令的优劣，从而选择最优的控制指令。
• 人工势场法：通过构建虚拟的势场来引导无人机避开障碍物并朝向目标点飞行。人工势场法具有计算简单、实时性好的优点。

3. 研究进展

随着传感器技术和控制算法的发展，局部路径规划算法也在不断优化和改进。例如，结合机器学习和深度学习的局部路径规划算法能够更好地处理复杂环境和不确定性因素，提高无人机的自主飞行能力。

综上所述，四旋翼飞行器的目标分配、全局路径规划和局部路径规划研究是无人机技术领域的重要方向。通过不断的研究和创新，可以进一步提高无人机的自主飞行能力、任务执行效率和安全性，推动无人机技术在各个领域的广泛应用和发展。

📚2 运行结果

动态​：

部分代码：

function [u,trajDB]=DynamicWindowApproach(x,model,goal,evalParam,ob,R)% DWA参数输入

% Dynamic Window [vmin,vmax,wmin,wmax]
Vr=CalcDynamicWindow(x,model);

% 评价函数的计算
[evalDB,trajDB]=Evaluation(x,Vr,goal,ob,R,model,evalParam);

if isempty(evalDB)
    disp('Initial Error!!');
    u=[0;0];return;
end

% 各评价函数正则化
evalDB=NormalizeEval(evalDB);

% 最终评价函数的计算
feval=[];
for id=1:length(evalDB(:,1))
    feval=[feval;evalParam(1:3)*evalDB(id,3:5)'];
end
evalDB=[evalDB feval];

[maxv,ind]=max(feval);% 最优评价函数
u=evalDB(ind,1:2)';% 
 

🎉3 参考文献

[1]梁子斌 ,李擎 .用于四旋翼无人机姿态的改进遗传算法优化LQR控制[J].北京信息科技大学学报(自然科学版),2022,37(04):8-15.DOI:10.16508/j.cnki.11-5866/n.2022.04.002.

👨‍💻4 Matlab代码实现