多无人机监督控制技术的发展现状及启示

随着平台中心战向网络中心战的转变,以及无人机自动化技术的不断成熟,操作员在任务规划和实际作战中的作用发生了很大变化,单操作员对多无人机的监督控制受到越来越多的重视。文章在研究多无人机监督控制技术内涵的基础上,详细分析了该技术的国外发展现状,并从人一系统综合、可变自主级别控制以及在线态势评估等三个方面具体讨论了提高我国多无人机监督控制能力亟需突破的关键技术,为单操作员控制多架无人机推向实际作战应用提供技术参考。     

无人机侦察情报即时任务排序研究

针对战时无人机侦察情报系统,人工难于将大量的情报需求进行排序问题,研究在系统过载和未过载的情况下,硬实时任务集合和软实时任务集合的不同算法。采用层次分析法计算每个参数权重,使用离散数据标准化方法对每种算法的数据进行处理,实现了无人机侦察任务即时排序,并通过算例验证了算法的有效性。     

基于眼动追踪和触觉反馈的人-多机器人班组交互系统

针对在动态复杂、非结构化的场景中缺乏自然、高效人机交互方式的问题,提出了一种基于眼动追踪和触觉反馈的人-多机器人班组交互系统,用于管理由多机器人和人组成的团队。该系统利用混合现实头盔在现实世界中叠加虚拟交互界面,操作员通过基于凝视信号的非语言注意力感知的输入方法进行人机交互指令的输入,进而控制多机器人进行协同运动,同时操作员通过振动和挤压2种触觉反馈模态来感知多机器人系统编队队形的尺寸变化与编队完成状态。为了验证人机交互系统的有效性与可行性,设计了触觉反馈实验与人-多机器人班组交互系统实验,实验结果表明：所提出的基于眼动追踪和触觉反馈的人机交互系统能有效控制多机器人系统进行编队,指令执行成功率达93.3%,与仅通过视觉反馈相比,在有触觉反馈的情况下操作员可以使用更少的时间完成多机器人状态感知,交互效率提高了14.55%。     

多无人机协同空战任务规划仿真系统

面向多无人机协同空战任务规划方法性能验证的需求,开发了一种基于VR-Forces仿真引擎的多无人机协同空战任务规划仿真系统,对该仿真系统的总体架构、红方子系统、蓝方子系统、白方子系统和强化学习算法训练子系统进行了设计。对算法库、强化学习算法训练和人机交互等关键技术提出了针对性的解决方案,提升了该仿真系统的稳定性、可扩展性和功能性。利用该仿真系统对多无人机协同空战目标分配、重决策算法等典型任务规划方法进行了测试和仿真实验。结果表明,所开发的仿真系统可以很好地支持多无人机协同空战任务规划方法的测试和验证。     

反辐射无人攻击机过载参数分析

基于反辐射无人攻击机导引头控制原理,在建立反辐射无人机末制导系统数学模型的基础上,根据反辐射无人机的作战环境和特点,分析了反辐射无人攻击机攻击弹道预定过载参数的影响,并依据反辐射无人攻击机的弹道运动方程进行了仿真运算,选取了最佳的攻击弹道.     

多传感器信息融合理论在无人机相对导航中的应用

为提升无人机的作战效能和作战指标,提升无人机的相对导航精度和导航系统可靠性,以无人机编队的相对导航系统为研究背景,基于容积卡尔曼滤波算法和信息滤波算法,研究容积信息滤波算法。此外,还采用多传感器信息融合理论,利用分布式信息融合结构构建了无人机相对导航滤波器,对来自惯导、视觉和卫星的信息进行融合,获取无人机间的相对位置、速度和姿态信息。该方法提升了无人机相对导航的导航精度、导航可靠性和滤波稳定性,容积信息滤波算法的应用避免了传统滤波算法在高维系统中出现的数值不稳定以及精度降低等问题。数学仿真结果表明,该方法提高了无人机编队之间相对导航的精度和可靠性,证明了算法的有效性。     

有人机/无人机协同效果评估模型设计

针对目前有人机/无人机协同效果评估缺乏科学方法的现状,在确定了有人机/无人机指控体系结构的基础上,给出了一种新的基于复杂网络的有人机/无人机协同作战网络模型描述方法,进而生成了一种有人机/无人机协同作战协同效果评估模型,并运用该模型对有人机/无人机协同作战网络拓扑模型进行了协同效果评估.     

基于多传感器信息融合理论的无人机相对导航状态估计方法

为提升无人机的作战效能和作战指标,提升无人机的相对导航精度和导航系统可靠性,本文以无人机编队的相对导航系统为研究背景,基于容积卡尔曼滤波算法和信息滤波算法,研究了容积信息滤波算法。此外,还采用了多传感器信息融合理论,利用分布式信息融合结构构建了无人机相对导航滤波器,对来自惯导、视觉和卫星的信息进行融合,获取无人机间的相对位置、速度和姿态信息。该方法提升了无人机相对导航的导航精度、导航可靠性和滤波稳定性,容积信息滤波算法的应用避免了传统滤波算法在在高维系统中出现的数值不稳定以及精度降低等问题。论文还进行了相应的数学仿真,仿真结果表明该方法提高了无人机编队之间相对导航的精度和可靠性,证明了算法的有效性。     

不确定环境下多无人机动态任务分配方法

通过分析实际战场中的信息不确定性,提出了不确定信息条件下需要解决的多无人机任务分配问题。以目标价值收益、毁伤代价指标及航程代价指标的不确定信息为依据,建立基于区间信息环境下多无人机的任务分配模型,采用随机概率的多属性方案排序(Stochastic Multi-criteria Acceptability Analysis,SMAA)方法,给出不确定环境下多无人机动态任务分配求解方法,为解决不确定环境下多无人机任务分配问题提供了新思路。最后,进行了仿真试验,验证了该方法的可行性和有效性。     

面向人机协作的网络信息体系架构建模方法

越来越多的智能系统融入未来战场,如何将人的认知能力与机器的快速计算、精准打击等能力有效结合,优化分配人机权限,提升网络信息体系的作战效能成为亟待解决的问题。探讨基于网络中心OODA模型的人机协作机理,创新地提出体系结构人机视角,详细描述了人机视角模型的建模方法,阐述了人机视角的设计过程。以应用示例验证了人机视角在智能化作战下的网络信息体系人机融合顶层设计中的重要指导作用。     

基于一致性群组算法的多无人机自主协同任务分配

多无人机自主协同是当前无人机参与空战的趋势,无人机具有基于信息共享的自主任务分配能力对提高其自主作战能力具有重大意义.首先,采用基于竞拍的一致性算法解决单个无人机完成单个任务的任务分配问题.其次,采用基于一致性的拍卖包算法解决单个无人机完成多个任务的分配问题.然后提出了一致性的群组算法,解决了多无人机到多任务的任务分配...     

基于强化学习的通信受限环境多无人机协同策略

随着人工智能技术的发展,空域无人作战正由“单平台遥控”向“多平台协同”转变。多无人机协同作战任务具有非完全信息、通信受限、高实时、强动态等特点,给协同决策生成带来巨大挑战。针对通信受限环境中的多无人机协同决策问题,提出一种基于动态层级网络通信架构的通信强化学习协同策略,该策略能够显著减少无人机集群间的通信次数,同时准确传递其决策需要的信息,从而得到较优协同策略。针对多无人机协同围捕的典型任务场景,基于OpenAI平台对所提出的算法进行了仿真验证。结果表明,与传统强化学习算法相比,提出的通信强化学习策略可以显著减少无人机间的通信次数,同时在一定程度上避免潜在的信息欺骗问题。完成任务需要的平均通信次数相比于传统两两通信结构减少约77%,为实现通信受限环境中的多无人机协同任务提供技术支撑。     

面向侦察任务的无人机机载感知传感器配置与融合综述

无人机侦察需要依赖各类机载传感器提供感知信息,利用多源信息进行优势互补,从而提升无人机感知能力.围绕无人机机载感知传感器配置融合展开综述,首先从无人机平台自身属性、传感器属性、飞行环境和任务类型及需求4个方面分析了传感器配置时需要考虑的要素;其次,设计了基于多目标优化理论的传感器配置融合方法;最后,总结了无人机侦察中常...     

有人/无人机协同作战指挥界面设计

分析了近期内有人/无人机协同作战的体系结构及作战模式,基于三代战机座舱普遍装备的多功能显示器,展开有人/无人机指挥控制界面的设计;基于人机工程学观点和飞行员的视觉习惯,从缓解飞行员的心理和生理疲劳的角度出发布置无人机编队的飞行参数,设计了有人/无人机执行协同对地攻击任务时包含巡航队形、战斗队形、任务类型、导航点切换等功能的指挥控制界面。为未来短期内有人/无人机协同作战指挥控制系统研究提供参考。     

无人机地面控制系统操作员控制台设计与仿真

设计的无人作战飞机地面控制系统操作员控制台是为进行未来无人机编队作战需求,通过仿真手段进行验证的某大型无人机作战演示系统的一个子系统,采用了二维、三维图形显示技术、TCP/IP网络技术、数据库技术,完成了实时无人机状态监控平台、无人机多机任务监控平台、无人机信息监控平台、三维虚拟环境仿真平台、网络数据传输与管理、飞行数据处理、无人机平台等模块的编制工作.从软件工程的角度分别对各个开发阶段的工作及其功能实现做了具体的阐述.最后,对本系统进行了仿真测试,获得了较好的效果,为实际应用提供了有力依据.     

基于改进多维粒子群的多无人机任务分配方法

针对复杂战场环境下的多无人机任务规划解空间维度不确定、任务需求随时间变化等问题,提出了一种基于改进多维粒子群算法的多无人机任务分配方法。该方法构建了适应度函数集,应用多个适应度函数来限制种群趋向,同时采用基于时变目标价值的映射变量,建立目标价值随时间变化的多无人机目标决策模型;而后引入整数编码机制,构建面向任务序列的多维粒子,利用改进的自适应多维粒子群算法,得到最优维度下多无人机的任务分配优化方案。仿真实验结果表明：基于改进多维粒子群算法的多无人机任务规划方法可在最优解空间下,获得更好的任务动态分配效果,收敛速度更快,具有良好的推广应用前景。     

基于过载的制导炮弹非线性控制系统设计

针对制导炮弹模型中的非线性和耦合性,提出一种基于过载的制导炮弹非线性控制系统设计方法,建立了炮弹的过载时变模型,在俯仰和偏航通道控制器设计过程中加入了一阶低通滤波器,消除了“计算膨胀”的难题,并通过非线性阻尼项消除外界扰动,最后由Lyapunov理论证明了系统是半全局域渐近稳定的,能准确跟踪指定过载。     

异构资源类型下多无人机任务分配

针对多无人机在执行侦察、打击任务的过程中携带任务资源的异构性,以及任务对于异构资源的要求,设计了一种改进的基于共识的捆绑算法(consensus-based bundle algorithm, CBBA)。考虑任务价值、任务执行时间窗以及航程代价等条件建立了多无人机对地目标侦察、打击任务分配模型。利用K-medoids聚类分析方法对多无人机进行基于距离和携带资源平衡的聚类,以解决多无人机对于异构资源类型的要求。对打击任务进行子任务生成,并利用改进后的CBBA求解所建立的任务分配模型,通过对比仿真实验验证了算法的可行性和有效性。     

三架固定翼无人机协同编队飞行避障策略

针对无人机编队执行空战任务过程中存在无人机之间以及无人机与障碍物发生碰撞的问题,提出单向网络连接结构的多无人机避障算法和基于人工势场的控制方法,同时应用于无人机编队避障控制。以三架无人机构成的正三角形编队作为控制体,同时以长机的运动轨迹作为期望路径,长机提供僚机飞行信息,僚机接受信息保持编队飞行。多无人机编队发现障碍物到避障完成的过程包括编队集结、松散队形、最终恢复集结正三角形编队。仿真实验结果表明,所提避障控制策略能够确保编队收敛于期望的队形和稳定飞行状态。     

P3C-MADDPG算法的多无人机协同追捕对抗策略研究

针对策略未知逃逸无人机环境中多无人机协同追捕对抗任务,提出P3C-MADDPG算法的多无人机协同追捕对抗策略。首先,为解决多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient, MADDPG)算法训练速度慢和Q值高估问题,在MADDPG算法中分别采用基于树形结构储存的优先经验回放机制(Prioritized Experience Replay, PER)和设计的3线程并行Critic网络模型,提出P3C-MADDPG算法。然后基于构建的无人机运动学模型,设计追逃无人机的状态空间、稀疏奖励与引导式奖励相结合的奖励函数、加速度不同的追逃动作空间等训练要素。最后基于上述训练要素,通过P3C-MADDPG算法生成策略未知逃逸无人机环境中多无人机协同追捕对抗策略。仿真实验表明,P3C-MADDPG算法在训练速度上平均提升了11.7%,Q值平均降低6.06%,生成的多无人机协同追捕对抗策略能有效避开障碍物,能实现对策略未知逃逸无人机的智能追捕。