无人机地形预处理低空突防轨迹规划技术

针对无人机低空突防飞行问题,提出了一种基于飞行器最大过载约束、爬升角约束和速度约束的数字地形直接平滑技术,设计了多步判断逻辑和山峰保护逻辑以提高平滑收敛速度和对山峰的保护,生成满足无人机飞行性能约束的安全可飞行曲面;在此曲面上进行轨迹规划,避免了复杂的轨迹可飞性和安全性处理工作,提高了轨迹规划效率;利用正交配点法将无人机轨迹规划问题进行离散化,转化为非线性规划问题,并利用序列二次规划方法进行攻击轨迹求解。仿真表明,该技术能快速生成可飞行的攻击轨迹。     

高空长航时无人机编队协同侦察任务规划

针对高空长航时无人机侦察任务规划特点,分析了高空长航时无人机执行侦察任务过程中的飞行航线约束和通信条件约束,以最小化无人机总飞行航程和最终编队飞行时间为优化目标,建立无人机编队协同侦察任务规划问题模型。同以往的通用侦察任务模型相比,该模型突出考虑了高空长航时无人机执行侦察任务过程的特点。以基本粒子群算法为基础,通过粒子群离散化和结合遗传算法进行改进,使其适用于求解复杂组合优化问题。仿真结果验证了算法求解复杂任务规划问题的有效性。     

进化计算在机器人轨迹规划中的应用研究

本文介绍了采用进化计算思想研制的机器人轨迹规划系统ＲＴＰ－１，提出多层次动态结构化编码方案，利用低中高三层进化算法分别优化距离、路径和关节角度偏差，基于多层综合优化策略解决多目标多约束工程优化问题，建立了次序相关问题求解的通用框架。在进化算法中，利用拉马克效应加快轨迹规划速度，在ＲＭ－５０１机械手上实现的任意空间直线和空间曲线轨迹规划具有良好的鲁棒性，规划轨迹的相邻臂构型间具有良好的柔顺性，规划轨迹的臂构型序列具有良好的平滑性。本文所采用的机器人轨迹规划方法具有通用性，可推广应用于各种动力学系统的研制。     

面向协同区域反恐侦察的无人机集群规划与控制

以无人机集群协同侦察多个区域内潜在的恐怖分子为背景,提出了一种基于贪婪算法的求解思路,设计了任务分配-路径规划-跟踪控制的算法流程,解决了面向协同区域反恐侦察的无人机集群规划与控制问题。首先,设计任务分配算法,为无人机分配任务区域,解决多无人机多目标的任务分配问题;然后,每一架无人机进行路径规划,生成从当前点到任务区域以及在任务区域侦察的组合路径;再使用追踪虚拟目标点的方法,使无人机沿着规划航线飞行。任务分配-路径规划-跟踪控制在线滚动执行,使无人机集群协同执行反恐侦察任务。对上述算法进行了数值仿真,并基于开源仿真平台搭建复合翼无人机协同仿真环境,进一步验证了算法流程。     

基于空间发射的远程交会路径规划

研究了空间平台发射追踪器的相关技术和组合机动路径规划策略。首先对空间发射方式、发射窗口和发射初始姿态需求进行了系统分析,选择了合理的发射方式,提出了发射方案设计策略。针对空间平台发射追踪器实现与目标远程交会的组合机动问题,进行了基于投放发射的空间交会任务分析。建立了非线性多冲量推进最优变轨数学模型,以及基于空间发射的多约束多参数组合机动路径规划模型。设计了遗传算法+序列二次规划串行混合求解策略进行求解,并对发射方案和参数选择的必要性进行了仿真分析。仿真结果表明,本方法能够有效实现基于空间发射的远程交会任务设计及组合机动路径规划。研究结果为空间发射任务和组合机动路径规划提供了有价值的参考。     

基于MPC方法无人机避障路径规划研究

无人机大多依靠规划好的航路飞行,面对复杂的、不可预知的飞行环境,有效的自主障碍规避能力对提高飞行安全十分必要。针对无人机飞行过程中机动障碍物的避障问题,提出了一种MPC避障路径规划方法。构造障碍物预测模型、一阶指数参考轨迹生成方法、并提出了能力-时间组合最优为目标的滚动优化模型,有效解决了在运动障碍物作用下,无人机运动轨迹安全、平滑的动态规划问题。二维和三维空间仿真结果表明,所提方法是有效的。     

动态协同空战攻击决策问题研究

攻击决策问题是协同空战领域研究的核心问题之一,通过优化战机武器资源配置,以提高战机协同作战效能。针对动态协同空战攻击决策问题,系统分析空战环境的动态性,将空战动态划分为连续动态和离散动态,并建立多约束条件下动态协同空战攻击决策优化模型;设计了空战环境变化监测策略和种群多样性策略,通过迭代窗的设置,基于离散粒子群算法,提出了一种基于滚动迭代窗的启发式变异离散粒子群算法的动态协同攻击决策方法。通过仿真实验验证了所提方法能够在连续和离散动态条件下合理地规划协同空战攻击决策。     

多无人机编队协同控制软件平台设计与仿真

在战场环境瞬息万变、作战任务日益复杂的现代战争中,多架无人机编队协同完成复杂的作战任务已成为一种趋势。多无人机编队控制及重构是多无人机系统的核心内容和关键技术。基于微粒群算法、蚁群算法研究了多无人机编队控制及重构、航线规划及重规划问题,特别是在解决编队重构问题时,提出一种多样性微粒群算法。设计了多无人机编队飞行协同控制平台,仿真结果表明,标准微粒群算法、蚁群算法等智能算法可以较好解决编队控制、编队重构和航线规划问题,多样性微粒群算法具有更强的全局寻优能力。     

多飞行器协同轨迹优化设计

针对多飞行器协同轨迹约束多、耦合强的复杂多目标优化与决策问题,对多飞行器协同轨迹优化进行了较为系统的研究。首先,对多飞行器协同轨迹优化进行了数学描述和对多飞行器在未知环境下的航迹规划进行了数学建模;其次,提出了多飞行器协同任务规划系统优化设计的数值算法,其主要包括多飞行器协同任务分配算法与飞行器最优航迹规划;最后,基于以上的研究,对3种典型不同情况下的多飞行器协同轨迹优化进行了飞行数值仿真与分析。该算法具有以下特性:全局一体优化、采用最优的多维策略、实时在线性、高精度、能够考虑各种随机干扰的作用等。     

针对突发威胁的无人机多机协同路径规划的方法

在无人机多机协同路径规划中,采用V orono i图方法,引入协同变量和协同函数,产生关于已知威胁的路径,使各架无人机能够同时到达目标。在此基础上,利用集合点规划状态图,针对作战过程中的突发威胁实时进行路径规划,从而得到各架飞机的几何路径。仿真结果表明集合点规划状态图的使用对于无人机多机协同路径规划中的突发威胁问题的求解是有效的。     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.     

多约束强化学习最优智能滑翔制导方法

为提升复杂飞行任务下滑翔制导的自主性,提出一种基于最优制导与强化学习的多约束智能滑翔制导策略。引入三维最优制导以满足终端经纬度、高度以及速度倾角约束。提出基于侧向正弦机动的速度控制策略,研究考虑机动飞行的终端速度解析预测方法。针对速度控制中机动幅值无法离线确定的问题,研究基于强化学习的智能调参方法。该方法基于终端速度设计状态空间,以机动幅值设计动作空间,设计综合终端速度误差与滑翔制导任务的回报函数,采用Q-Learning实现机动幅值的智能调整。仿真结果表明,智能滑翔制导方法能够高精度满足终端多种约束,并能有效提升复杂任务下的自主决策能力。     

空中目标敌我识别模型

首先阐述了目标敌我识别的概念及其重要性.接着建立上级指定、外部情报、飞行计划、敌我识别器、目标电子干扰、目标机动特征、目标速度特征和目标群特征等主要识别因素的识别模型和准则,并给出了目标敌我识别的判断逻辑.最后采用加权求和法构建了目标敌我综合识别的数学模型.研究成果可作为指挥员进行人工敌我识别判断的思维逻辑,也可作为开发程序化的自动敌我识别软件的建模依据,对防空指挥控制系统发展具有参考价值.     

基于CPSO算法的海空跨域无人航行器集群协同作业路径规划

针对海空跨域无人航行器集群在复杂水域环境下协同作业以追踪水下目标的任务,提出一种基于协同粒子群(CPSO)的协同作业路径规划算法.考虑不同无人航行器集群特性优势,合理分解并分配远距离追踪水下目标任务过程,并利用CPSO算法进行路径规划.在CPSO算法中,首先为无人机(UAVs)集群规划飞行路径,UAV飞行过程中探测水面...     

车联网环境下车辆协同高精度定位研究进展

车辆位置信息是许多智能交通应用的基础,如车辆导航、路径规划和车辆编队等。现有研究中融合单车车载多源传感器的定位方法无法有效解决城市峡谷、隧道和立交桥等卫星信号不可用条件下的车辆定位问题。围绕车辆高精度定位进行了综合评述,主要深入研究分析了车辆协同定位技术。首先分析了单车自主定位的关键技术及其主要应用场景;然后对车辆协同定位框架进行了研究,并对目标关联算法和多源数据融合算法进行了分析;最后展望了车联网环境下车辆协同定位的发展趋势。研究表明,高精度高可靠定位研究还存在许多关键技术未突破,车联网环境下的车辆协同定位利用无线通信实现多源定位传感器信息动态交互,为智能汽车定位系统研发提供新思路。     

基于随机时间的导弹机动路径规划研究

根据导弹作战机动过程各路段机动时间随机性特点,运用随机规划理论建立了导弹机动任务规划的数学模型,设计了遗传算法求解策略,实现了在一定时间内合理地规划机动路线的任务,并通过算例作了说明。该方法可用于导弹机动路径选择,为导弹作战机动计划的制定提供决策依据。     

多约束条件下无人机航路规划动态评价方法

针对多约束条件的无人机航路规划评价方法缺乏合理性和动态特性的问题,提出了基于无人机六自由度模型的飞行仿真动态评价方法。分析了无人机航路规划的约束条件和影响航路评价的因素,基于某型无人机六自由度飞行动力学模型和飞行控制系统模型建立了无人机飞行仿真系统模型,将航路规划与评价进行有机结合进而进行航路评价方法软件的设计,通过对无人机沿规划航路的仿真飞行参数进行动态特性分析,以更接近真实情况的仿真手段对多约束条件下的航路规划效果进行评价。结果表明,该方法形象直观的实现了对无人机规划航路的动态综合评价,满足工程需求。     

CEC条件下的舰艇编队防空问题

未来战争是"海、陆、空、电、天"五位一体的高技术战争,机动战、火力战和信息战将贯穿于作战的全过程.面对这样一种局面,传统的水面舰艇编队防空作战样式必将发生重大变革以适应未来海战的需要.美国海军针对上述情况研究了协同作战能力(CEC),并将其推广应用于各种指挥系统.CEC已经成为一种提高指挥系统协同作战能力的重要技术,通过使每个独立平台成为战斗群的延伸来弥补单个平台的弱点.借鉴了网络中心战的思想并结合美军提出的CEC,分析了CEC条件下的我水面舰艇编队的防空问题.     

基于粒子群优化算法的低空突防航迹规划

本文提出了运用粒子群优化算法来对飞机低空突防进行航迹规划的方法。首先,说明了飞机突防需要满足的物理限制和战术要求。其次,根据低空突防航迹规划约束多,计算复杂的特点引入粒子群优化算法,并且对其进行简要的介绍。应用粒子群优化算法对低空突防战术进行航迹规划。最后实验结果表明,该方法能够对飞机低空突防过程规划出可行的飞行航迹。     

多无人机协同试飞试验模式

联合作战概念的出现和无人机多任务使命的实际运用,使得无人机联合作战成为世界各国研究发展的重点。基于协同作战和联合作战的内在联系及国内多无人机协同作战有关理论上的研究情况,分析了无人机协同试飞试验的条件和主要特点,总结归纳了无人机协同试飞试验的主要内容,提出了无人机编队的设计依据和关键问题,介绍了集中式、集散式、分布式控制的基本概念,论述了3种控制模式下的无人机协同试飞试验的实现方法和各控制模式之间的关系。