新颖的美军单兵侦察装备

美军认为,扩展士兵的战场感知能力,不仅有助于士兵躲避危险,还能增强其战场控制能力。近年来,美军为适应未来反恐战争复杂的战场环境,斥巨资大力研发新型单兵侦察装备,并取得初步成效。     

美DARPA“终身学习机器”项目研究进展综述

“终身学习机器”（L2M）项目隶属于美国国防预先研究计划局（DARPA）,其目标是开发支持下一代自适应人工智能系统所需的技术,使其能够在实际环境中持续地学习并改善性能,同时保持原来预先给定的能力。对L2M项目基本情况和研究进展进行了综述。首先,介绍了L2M项目的背景、目标、研究内容和项目阶段;然后,从终身学习理论方法研究、边缘终身学习与终身学习机器的硬件实现和终身学习机器人三个方面,对L2M项目的研究进展进行介绍和分析评述,其中理论方法方面包括不确定性调节的终身学习及其应用、自动驾驶中的终身学习、本征任务终身学习框架、通过元学习的神经调节克服灾难遗忘等;最后,对未来发展趋势进行了展望。综述表明,终身机器学习亟需继续开展研究,尤其是生物机制启发的终身学习、多智能体协同终身学习和终身学习技术在现实世界复杂场景中的应用等方向。     

基于智能变后缘的超微型无人机高度控制研究

针对微型旋翼飞行器在飞行时,因旋翼表面容易发生流动分离而造成升力损失的问题,开展了采用连续后缘襟翼（CTEF）来改变飞行器升力的技术研究。首先,开展了不同安装角下微型旋翼的推进性能研究,建立了微型旋翼模型,对其进行推进性能分析;然后,利用P (VDF-TrFE)材料制作CTEF,采用单向流固耦合的方法对使用CTEF的旋翼进行推进性能分析,结果表明后缘襟翼在电压驱动下可以实现有效偏转,偏转产生的等效安装角在12°左右,最高可将拉力提升40%;最后,基于PID控制器设计无人机高度控制系统,通过控制驱动电压,实现控制无人机高度的目的。仿真结果表明控制系统的响应时间在6 s左右,超调量在5%左右。研究表明,提出的基于P (VDFTrFE)材料的无人机高度控制系统可以实现无人机高度通道的有效控制,证实了CTEF在旋翼飞行器控制方面的潜力。     

伪波峰干扰下基于多点融合的地形匹配定位估计方法

深海地形匹配导航初始定位概率函数往往存在多伪波峰现象,造成较大的滤波器初始化误差,并影响导航滤波器的收敛性和稳定性。为解决多伪波峰干扰下的地形匹配导航高精度初始定位问题,提出了基于初始航迹段关联信息约束的多地形匹配定位点融合定位方法 （MTP）。该方法通过推算导航点之间的强关联性和地形匹配定位误差的时空有界性构建初始航迹段的位置约束模型,并通过损失函数模型识别伪航迹中的最优航迹段,从而获得初始定位估计。船载数据回放仿真试验表明,在低适配区,MTP定位偏差和偏差标准差较TERCOM分别降低了29.8%和29.7%;在高适配区,MTP定位偏差和偏差标准差较TERCOM分别降低了32.2%和34.9%,验证了该方法的有效性。     

基于雁阵变换的微型扑翼飞行机器人集群行为控制方法

为了解决微型扑翼飞行机器人集群编队目标搜索覆盖效率、避障通过性和多机控制等难题,实现扑翼飞行机器人集群编队的智能控制,提出了基于雁阵变换的扑翼飞行机器人集群行为控制方法。利用仿生集群行为控制函数的参数化特性,实现了飞行机器人编队的队形变换和角度控制;搭建了多扑翼飞行机器人实验系统,并在多种情况下设计基于仿生行为的多扑翼飞行机器人集群控制方法实验。最终的实验结果验证了方法的可行性和有效性。与传统的多飞行机器人实时控制方法相比,所提方法大幅提升了集群编队的搜索覆盖效率和避障通过率,在某些作业环境条件下,搜索覆盖率可提升50%以上,障碍通过率可提升60%以上。同时,创新点体现在将雁阵变换应用于多扑翼飞行机器人集群编队控制和将仿生集群行为控制应用于扑翼飞行机器人集群控制两个方面。     

仿螳螂虾机器人目标跟随闭环控制

针对高效开展水下目标跟随任务,提出一种仿螳螂虾机器人目标跟随闭环控制系统。首先以螳螂虾为仿生对象,完成了多腹足耦合运动的仿螳螂虾机器人结构与硬件系统设计。其次为验证控制系统的有效性,展开了一系列水下实验,其中包括对静态目标和动态目标的识别跟随。最终实验结果表明,该仿螳螂虾机器人可以在2 m×1 m×1 m的狭窄水池中完成多角度的转向以及灵活的速度调节,能够在与目标物运动方向夹角为55°时完成目标跟随任务,最小跟随转向半径可达0.48 m。这不仅证明了基于仿生闭环中枢模式发生器的仿螳螂虾机器人能够有效完成特定目标的跟随任务,还为水下机器人的实际应用提供了新的思路。     

扑翼微型飞行器翼杆惯性载荷识别

针对扑翼微型飞行器的弹性翼杆,通过其变形特征来识别其受载行为,建立扑翼载荷识别方法。以裸翼杆的往复拍动为对象,首先基于机器视觉测量法,根据翼杆形貌提取翼杆变形挠度,其次使用幂级数重构分布载荷和Tikhonov正则化方法求解惯性载荷,最后通过批量处理,得到翼杆运动过程中的惯性载荷分布。实验表明,翼杆的平均最大分布载荷为30 N·m^-1,识别挠度的平均相对误差为3×10^-5,识别角位移曲线上所有幅值点的平均相对误差为14.8%,识别周期没有偏差,识别的载荷在不同周期内的分布一致。结果表明该方法具有良好的可靠性和实用性,有望用于对带膜扑翼的气动力测试。     

能量均衡的围捕任务分配方法

随着水下机器人反围捕策略研究的不断深入,水下机器人围捕变得越来越困难。为此构建一种多层环状伏击围捕模型并设计了基于围捕任务的任务分配方法,使得水下机器人能够充分利用自身的特点更好地完成任务。同时,考虑在围捕过程中随时间推移,系统内能量会出现消耗不均的现象,据此提出一种能量均衡方法平衡系统能量的消耗。实验证明所提出的基于多层环状围捕模型的能量均衡策略任务分配方法能有效提高围捕成功率,延长系统寿命。     

AUV纵倾角动态面滑模自适应控制

对于自主水下机器人(AUV)纵倾角跟踪问题,提出一种基于动态面滑模思想的自适应控制方法。首先对自治水下机器人纵倾角运动模型进行简化,其次针对不确定外干扰的情况,设计了自适应规律,对外干扰进行估计,在此基础之上设计了动态面滑模自适应控制器,并通过李雅普诺夫稳定性理论证明了系统的稳定性,最后通过给定参数的仿真实验结果可知,所设计的控制器在系统受到不确定外干扰时,表现出良好的鲁棒性。     

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。