基于深度学习的高超声速飞行器运动行为识别

高超声速飞行器具有机动大、速度高、航程远、威胁强等特点,已成为各大国重点发展的武器装备,识别其运动行为能为防御和拦截提供有力的技术支持。本文对有禁飞区等复杂约束条件下的高超声速飞行器运动行为识别问题开展研究：首先通过分析高超声速飞行器的运动特点,建立能够充分描述其行为模式的参数化运动方程;然后基于优化思想求解有禁飞区等复杂约束条件下的航迹规划问题,构建其数据集;最后基于深度学习方法设计高超声速飞行器运动行为识别算法。试验结果表明：所设计的识别算法能够实现对高超声速飞行器运动行为的识别,且具有一定的泛化能力,可为后续防御决策提供一定的参考。     

复杂任务区域的区域划分与覆盖路径规划

多无人机对指定区域进行巡飞探测,在地理测绘、抢险救灾等领域起到重要作用。针对多无人机对凸/非凸多边形区域的覆盖问题,开展了复杂目标区域的区域划分以及覆盖路径规划技术研究。首先,建立了无人机飞行运动模型和指定区域的边界描述。然后,针对目标区域为凸多边形与非凸多边形两种情况,同时考虑区域凸分解与集群覆盖效率优化,分别提出了基于线扫描的凸区域划分方法与基于Delaunay三角剖分的非凸区域划分方法。接着,考虑无人机运动学约束与能量消耗最小化,提出了一种最小转弯半径约束下的Z型覆盖路径。最后,通过数值仿真验证了本文所提方法的有效性。结果表明,所提方法可以对凸/非凸多边形区域实现凸划分并减小了各子区域面积差异,提高了集群总覆盖效率,覆盖路径规划方法使路径总长相较于未沿主轴覆盖时减小了26%,转弯路径占比减小了36%。     

水下航行器自主导航定位技术前沿进展

导航与定位技术是自主水下航行器(AUV)预设任务并安全返航的前提,由于水下环境的限制,目前广泛采用多系统组合导航的方式来实现AUV的准确定位。面向AUV的工况特点,详细介绍了水声测速系统、水声定位系统以及地球物理场辅助导航技术的特征与技术难点,分析了用于水下自主导航时多源组合导航方法的最新进展,随着相关测量仪器领域的研究进展,基于精确测量地球物理场特征的辅助导航技术成为具有极强竞争力的方案之一。多AUV协同导航方案同样适用于复杂的水下环境,被视为未来AUV导航技术重要发展方向。     

基于深度强化学习的无人机实时航迹规划

随着无人机技术的应用和发展,无人机执行任务的飞行环境愈发复杂多变,对无人机机动避障能力和航迹规划的实时性提出了更高的要求。基于泛化性较好、对环境依赖弱的深度强化学习算法,以雷达实时获取的障碍物地图信息为基础进行实时路径规划,针对二维航迹规划问题特点设计了连续奖励函数,解决了强化学习算法在二维平面航迹规划中奖励稀疏的问题;基于迁移学习的思想设计多个训练环境,并按任务的难易程度进行分步训练,降低了算法的训练难度,提高了训练效果,并使算法的收敛效果更加稳定。在实验中将SAC算法与目前主流的PPO和TD3算法进行对比,实验结果表明：SAC算法收敛速度快,实时性好,航迹平滑度更好。     

航天器智能能力的构建

为解决航天器智能能力的构建和智能技术的引入问题,从能力部署视角提出了智能等级的划分,从定性的自动、自治、自主的等级出发,自底向上分解为数据注入接收能力、任务执行能力、自学习能力、系统自我管理能力、任务自我管理和思考能力,其程度分为底层反应、中层程序和高层思考。对照上述能力给出可实施的5阶模型和人字架构。人字架构是以即插即用技术加自主控制技术来支持上层智能能力的模型。该模型基于航天器接口业务架构和欧洲空间局的包应用标准业务,采用管理信息库和电子数据单技术进行数据化设计。对应星上的智能能力等级讨论相适应的地面系统能力。人字架构具有层次化、业务模型化和自底向上归一化构建的特点,对上层智能技术的引入是开放的。     

适用于行星巡视探测的集中式载荷控制方法

以行星巡视探测任务为背景,针对资源紧张条件下自主控制载荷进行科学探测的需求,提出一种集中式载荷控制方法。建立新型的载荷电子学和载荷数管集成一体化硬件架构;软件采用基于事件表和工作模式表的控制方式自主控制载荷工作;采取多项健康管理措施,依据预设的规则监控载荷的状态,自主对故障载荷采取恢复和隔离措施。实现的公用控制部分仅重3 kg,功耗6 W,软件支持9个工作模式表同时运行,指令执行时刻误差优于40 ms。该方法应用到我国首次火星探测任务中,地面测试结果表明其简捷、高效、可靠,适合在资源苛刻的行星巡视探测任务中,对各载荷进行控制。     

基于神经网络Q-learning算法的智能车路径规划

针对智能小车行走过程中的全局路径规划和路障规避问题,提出了一种基于神经网络Q-learning强化学习算法,采用RBF(Radial Basis Function)网络对Q学习算法的动作值函数进行逼近,基于MATLAB环境开发了智能小车全局路径规划和路障规避仿真系统。与传统的以及基于势场的Q学习算法相比,所采用的算法能更加有效地完成智能小车在行驶环境中的路径规划和路障规避。仿真结果表明:算法具有更好的收敛速度,可增强智能小车的自导航能力。     

基于改进PH曲线的无人机路径规划方法

快速而有效的航路规划是无人机执行作战任务的基础。针对现有Pythagorean Hodograph(PH)曲线路径规划方法中仅对一条路径曲线进行优化问题存在的不足,提出一种基于改进PH曲线的多段路径的组合规划方法。该方法通过建立选择策略,改进多段PH路径合成方法,有效利用了PH曲线的曲率连续性和精确性,结合贪心算法的快速寻优特性,可以快速得到满足安全性、曲线连续和曲率连续的最优PH路径。仿真结果表明了该方法的合理性和有效性。     

基于PSO-Markov联合模型的无人机路径规划

利用PSO算法对无人机在侦查任务中的路径进行实时规划,将算法与地形、飞行角度、油量等约束条件结合起来,有效地缩减了搜索空间;同时为了在任务中能够更好地掌握无人机完成任务与生存的概率以及整个路径的代价,引入了一种可用于计算风险和评估任务威胁的生存性联合模型,该模型使用了八状态马尔科夫链来描述无人机的状态。仿真实验结果表明,该方法可以有效地检测航路中飞机的各种状态的概率,并以此对整个航路进行评估。