基于YOLOv3-tiny的智能侦察虚拟训练系统研究

虚拟训练系统广泛应用于医疗、航天、军事等领域,能够有效降低训练成本,提升训练效率,保障训练安全。针对无人机侦察训练飞控条件苛刻、搭载算法时延高、潜在安全隐患大、训练成本高的特点,提出在虚拟场景中应用目标检测算法的虚拟训练系统总体研发方案。该系统在YOLOv3-tiny算法的基础上,用Unity3D camera组件渲染代替无人机视频流进行数据传输,通过OpenCV for Unity插件搭载YOLOv3-tiny算法对车辆和人员进行目标检测,并实时返回检测画面。经过系统测试实验,实现了无人机智能侦察功能,目标检测速度稳定在25 fps,识别置信度达80%以上,各项指标评价良好比例达88%以上,满足了飞控模拟和算法检测训练。     

航天器编队飞行构形保持与重构的继电型控制

研究小偏心参考轨道航天器编队飞行构形保持与重构控制的工程实现技术。首先给出相对运动状态转移矩阵,并推导出常推力控制情况下相对运动状态递推的解析表达式;进而给出脉冲推力、连续变推力和继电型推力三种发动机的推力模型和示意图。分别将等速度冲量的三种推力模型代入相对运动状态转移矩阵中,比较相同条件下相对运动控制作用效果的差异,理论推导结果表明:在一阶意义上,三种推力模型对相对运动控制作用等效,因而航天器编队构形保持与重构控制可以基于继电型推力模型来实现。     

基于VR和MR技术的火控系统虚拟仿真平台构建

运用VR和MR技术构建了用于火控系统模拟训练的虚拟仿真平台,该平台利用先进的计算机视觉成像和交互手段,将火控系统的内部结构、部件组成、整体形态、工作原理等,通过逼真的实时三维渲染技术真实呈现出来,用户可以通过双手与虚拟现实/混合现实中动态生成的虚拟三维部件进行自然交互,实现对火控系统的虚拟操作,对火控系统构造与原理进行自主探索认知。利用该平台可有效实现“三层次、五阶段”的火控系统模拟训练模式,“三层次”即仿真层次、交互层次和探索层次等3个不断深化的认知层次,“五阶段”即感知→认知→习知→用知→验知等5个逐步递进的认知阶段。     

基于电容吸收拓扑电路的新型磁阻线圈发射器

磁阻线圈发射器具有出口速度一致性好、可靠性高和能源清洁等优点。但是现有磁阻线圈发射器普遍效率较低,限制了其工程应用。为提高发射效率,提出一种基于电容吸收拓扑电路的新型磁阻线圈发射器方案。首先建立了传统二级磁阻式发射器的模型,采用有限元软件进行了仿真计算。结果显示,在电枢经过线圈中心后,驱动线圈中剩余电流产生的磁场会使电枢受到反向电枢拖拽力而减速。针对上述问题,提出一种新型的基于电容吸收拓扑电路的能量回收方案,分析了各阶段的放电特性。计算结果表明：与传统放电电路相比,新型放电电路可以使驱动线圈的剩余电流被电容器吸收实现快速衰减,电枢出口速度由21.46 m/s提高至26.19 m/s,效率由14.50%提高至21.59%。新型放电电路能够对电枢加速后的剩余能量进行回收,明显减小电枢拖拽力,提高了发射速度与能量回收效率。     

RLV再入标准轨道制导与轨道预测制导方法比较分析

提出只更新飞行剖面参数的航程更新方法及相应的RLV再入标准轨道制导规律;结合轨道在线生成与跟踪技术,采用Runge-Kutta-Fehlberg自适应变步长轨道快速预报方法,研究了RLV再入轨道预测制导。进一步对两种制导方法进行了比较分析研究,研究认为标准轨道制导与轨道预测制导都是可行的RLV再入制导方案,其有机结合是未来可重复使用跨大气层飞行器再入制导的发展趋势。     

小波分析模式辨识的几个重要问题

小波分析是模式辨识研究中十分有用的工具,基于小波分析的基本原理和方法,提出并分析了模式辨识中的几个重要问题。     

可解性、可观测性及其它

本文阐述了可解性、可观测性、可控性、可识别性的联系与区别。     

基于异环境重要性采样的增强DDRQN网络

针对局部可观测多智能体学习环境下,智能体与环境频繁交互造成环境不稳定,导致智能体无法使用经验回放机制(experience replay)的问题,采用了一种基于异环境重要性采样的回放经验利用机制。并结合该机制再深度强化学习算法,深度分布式循环Q网络(DDRQN)基础上进行了改进,提出一种增强型的深度分布式循环Q网络。通过对Deep Mind的Py SC2平台Defeat Roaches局部可观测多智能体学习环境实验结果对比分析表明,增强型的深度分布式循环Q网络相比于DDRQN网络,具有良好的学习性能,稳定性、收敛速度均具有显著提升。