无人机协同多目标攻击空战决策研究

针对超视距空战中多架无人机对空中的多个敌对目标进行协同攻击的决策问题进行了研究。首先,对空战威胁态势进行了分析,基于对各攻击目标至少分配一枚导弹的原则,将协同多目标攻击决策问题转化为导弹目标攻击配对的优化问题并建立其攻击效能评估模型。然后,提出了一种模拟退火遗传算法用于该决策问题的寻优。最后,通过所得最佳导弹目标分配个体求得最终协同攻击决策方案。仿真结果表明所提出的算法能有效地求解协同多目标攻击决策问题,其对最优解的搜索效率明显优于单一的遗传算法。     

基于多Agent的多无人机协同决策算法仿真平台设计

无人机协同作战的相关算法概括起来可以分为两类:一种是用于为无人机指明"往哪飞"的任务分配相关算法,另一类是用于确定"如何飞"的路径规划相关算法。首先针对这两大类协同算法归纳出相应的抽象数学模型,然后以此为依据确定无人机Agent的各决策模块的内部结构和彼此之间的交互接口,以及对外提供的扩展"钩子";然后在此基础上,利用多Agent技术搭建了无人机协同作战算法仿真平台UAVSim,以模拟从任务分配到路径规划的协同全过程。整个平台采用分层的体系结构,将算法、内核和显示完全分离。平台中参与模拟的无人机个体都用单独的Agent表示,每个Agent遵循统一的协作框架,同时可根据特定的协同算法动态配置其决策模块。     

基于LASSA算法的多无人机协同航迹规划方法

针对基本麻雀搜索算法(sparrow search algorithm,SSA)在求解多无人机(unmanned aerial vehicle,UAV)协同航迹规划问题时收敛精度不高,易于陷入局部最优等问题,提出了一种使用对数螺旋策略和自适应步长策略的SSA (logarithmic spiral strategy a...     

非确定环境下基于分层理论多无人机动态协同设计

针对非确定环境下多无人机自主协同控制这一多约束、强耦合非线性优化问题,采用分层理论将其分解成三个相对独立子层,即协同感知层、环境态势理解层和协同全局重规划层.协同感知层借助"层协作感知"算子来进行多模信息融合,解决非确定环境下目标(包括静态确定目标和动态非确定目标)的感知与识别;环境态势理解层则是解决动态非确定环境更新,以及基于窗口势场法的障碍物(威胁目标)规避问题;而协同全局重规划层则是利用"层场景引擎"来实现多机非确定环境下的自主协同、路径快速寻优及状态决策.模拟结果显示构建的多机自主协同模型能较好地解决非确定环境下的路径寻优和状态决策问题.     

基于双层规划的攻击无人机协同目标分配优化

针对攻击无人机编队协同作战的背景,提出了基于双层规划的攻击无人机协同目标分配模型。分别以打击效果最大化和飞行航线最短作为模型的上下层目标,并贴近战场环境将目标优先程度、目标打击效果上下限以及打击时间窗口等因素作为模型约束。利用直觉模糊双层规划(intuitionistic fuzzy bilevel programming, IFBLP)理论对构建的协同目标分配双层混合整数规划模型进行了转化,并采用粒子群优化(particle swarm optimization, PSO)方法对其进行求解,给出了具体求解步骤。算例结果证明IFBLP理论能够有效解决所构建的双层混合整数规划模型。     

基于混合多目标进化算法的多无人机侦察路径规划

由于侦察任务的复杂性和不确定性,无人机对其目标的侦察时间往往是不确定的。将多无人机对观测时间不确定目标的侦察路径规划问题建模为使任务时间、编队总耗时和编队规模同时最小化的多目标优化路径规划问题。对此,在基于ε 占优的稳态多目标进化算法基础上引入多目标局部搜索,给出了混合ε 占优多目标进化算法,提出了一种使用插入最近点方法的启发式遗传操作。实验结果表明,算法能够有效解决所研究的问题,并且其优势随着问题规模的增大而显著。     

非确定环境下基于分层理论多无人机动态协同设计

针对非确定环境下多无人机自主协同控制这一多约束、强耦合非线性优化问题,采用分层理论将其分解成三个相对独立子 层,即协同感知层、环境态势理解层和协同全局重规划层. 协同感知层借助“层协作感知”算子来进行多模信息融合,解决非确定环境下目 标（包括静态确定目标和动态非确定目标）的感知与识别;环境态势理解层则是解决动态非确定环境更新,以及基于窗口势场法的障碍物（威胁目标）规避问题;而协同全局重规划层则是利用“层场景引擎”来实现多机非确定环境下的自主协同、路径快速寻优及状态决策. 模拟结果显示构建的多机自主协同模型能较好地解决非确定环境下的路径寻优和状态决策问题.     

多UCAV协同目标攻击决策

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)攻击多目标,研究了多UCAV协同攻击决策问题。建立了目标毁伤模型、UCAV损耗模型和时间协同模型,并通过加权求和将三者转化为单一目标函数,进而转化为单目标问题进行求解。提出了一种离散微粒群优化(discrete particle swarm optimization, DPSO)算法,在微粒群优化算法框架内重新定义了微粒的位置、速度及相关操作。建立了微粒与实际问题的映射关系,进而使DPSO算法适合于求解多UCAV协同目标攻击决策问题。仿真结果表明,DPSO算法易于实现,能够较好地解决基于时间协同的多UCAV目标攻击决策问题。     

基于差分进化算法的异构多无人机任务分配

针对不同类型无人机协同完成对目标的侦察、打击以及毁伤评估的任务分配问题,在充分考虑不同UAV执行任务方式差异的基础上,建立了更加贴近实际的异构多UAV任务分配模型.采用任务分层解耦的方法降低模型求解难度,并提出一种基于种群灾变的自适应差分进化算法求解该模型.仿真实验表明,该算法具有收敛速度快,寻优能力强等优点,能够有效的完成异构多UAV的协同任务分配.     

多UCAV协同目标分配算法研究

针对多无人作战飞机(unmanned combat aerial vehicle, UCAV)协同目标分配问题,提出了一种基于离散粒子群算法的多UCAV协同目标分配方法。根据多UCAV协同目标分配问题的特点,建立了粒子与实际问题间的映射,设计了新的粒子群位置和速度更新公式,并且对标准粒子群算法作了改进。充分利用粒子群优化算法的全局搜索能力,有效地解决多约束条件下多UCAV协同目标分配问题。仿真结果表明,离散粒子群算法能够稳定快速地找到较优分配方案,并且算法简单、灵活。     

基于规则的无人机编队队形构建与重构控制方法

针对已有方法在无人机编队队形控制方面的不足,结合无人机系统有限范围感知的特点提出一种基于规则的队形控制方法。首先,利用目标位置选择算法为编队成员选择刚体中的期望位置点,使分布式条件下的复杂无人机编队队形控制问题转化为个体对自身期望位置点的追踪问题;其次,通过控制协议的设计引导编队成员对自身的期望位置点进行追踪和避免碰撞;最后,在netlogo平台上实现了队形的控制;进一步,将目标位置选择算法与基于全局信息的“禁忌搜索”优化算法的效果进行了对比。实验表明:本文的控制方法简单,生成的航迹图简洁、平滑,其效果与基于全局信息的优化效果接近,且可生成任意队形和对突发威胁能主动有效的规避。     

固定翼无人机编队构型与通信拓扑优化

本文研究了考虑攻防对抗态势与最小信息流要求的固定翼无人机(unmanned aerial vehicles, UAVs)编队构型与通信拓扑优化问题。建立了编队构型指标体系, 给出了大规模集群分层编队构型设计模型和编解码方法, 提出了基于态势场的队形模型, 采用粒子群算法开展了队形参数优化。建立了通信网络拓扑效能指标体系, 提出了通信代价模型, 给出了基于Q学习的网络连通性控制算法。仿真算例验证了所提方法的有效性。     

无人机动态环境实时航迹规划

提出了一种基于实时A*搜索的无人机实时航迹规划算法。该算法将飞行器运动与航迹搜索相结合,在飞行器飞行过程中实时规划出下一段航迹;在搜索过程中,使用了多步寻优搜索的方法,相比单步搜索生成的航迹更加优化;使用最小转弯半径对生成的折线进行连接,使路径平滑可飞;针对算法局限性,给出一种改出局部最优点的策略。最后经仿真证明了该算法能够较好地满足规划要求。     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

基于图Laplacian的多机编队目标跟踪方法

针对多无人机目标跟踪问题中存在的相位协同时间长和跟踪目标速度受限问题,基于图Laplacian方法提出一种分布式多机编队目标跟踪算法.首先,将无人机编队队形控制问题转换为基于旋转、缩放和平移的运动参数组设计问题,并通过设计编队控制律,实现动态编队队形的精准生成与变换.其次,将此编队队形控制方法应用到目标跟踪问题上,通过...     

双属性概率图优化的无人机集群协同目标搜索

为了提高不确定环境下无人机（unmanned aerial vehicle,UAV）对目标捕获能力,进而提高多UAV协同搜索效率,提出了基于双属性概率图结合改进的协同进化遗传算法（improved co-evolutionary genetic algorithm,ICEGA）的多UAV协同目标搜索方法。首先,根据环境的先验信息,在原概率图基础上引入标志位,建立基于双属性矩阵的待搜索环境概率模型,提高环境和目标的信息感知准确度;其次,定义UAV的飞行规则并结合目标先验概率图信息,建立UAV运动模型及确定最大收益的目标函数;最后,建立分布式UAV之间的信息交互模型,运用ICEGA算法优化产生最优协同决策输入航向角集合,在线实时滚动优化产生最优协同路径。实验结果表明,基于双属性概率图结合ICEGA算法更能够保证最优路径的产生,使得UAV能够准确地搜索到目标;同时,对比仿真验证了ICEGA算法能够提高UAV之间的协同性,保证了路径可行性及提高了目标搜索效率。     

视觉着陆三维合作目标结构设计与定位算法

随着垂直起降无人机的应用热潮,学者们对基于合作目标的视觉着陆方式做了大量研究.针对现有平面合作目标对无人机着陆的局限性,从抗遮挡鲁棒性以及减少其它传感器辅助两个角度,设计了一种新型的三维立体合作目标与定位算法.基于合作目标空间特征,结合多边形的遮挡特性以及自然界的色彩信息,采用归纳法设计出三维合作目标;同时,利用合作目标的几何成像特点,提出仅基于视觉信息的用于着陆导引的位置解算算法;鉴于相机成像的变比例特性,推导出特征提取投影偏差与位置解算精度的关系,并深入分析了对后者的影响.基于Simulink平台搭建相机成像仿真系统,验证了合作目标具有极高的抗遮挡鲁棒性和位置解算精度,并且在多数位置下,偏差估计误差在0.01 m以内,并且不考虑投影偏差的影响下位置解算误差不超过0.1 m,符合设计以及实际应用需求.     

基于Faster R-CNN的航母舰面多尺度目标检测算法

针对航母舰面复杂的多尺度目标检测环境,且现有算法对牵引车、人员等小目标检测性能不佳的问题,提出一种改进快速区域卷积神经网络(faster region convolutional neural netuorks,Faster R-CNN)的舰面多尺度目标检测算法.基于多尺度特征层提取了不同尺度的区域建议网络,提高了算法...     

基于一致性协议的多无人机协同围捕控制方法

针对无人机对运动目标的协同围捕问题, 设计了一种快速协同围捕控制算法。首先, 基于人工势场法设计了无人机与目标的动态博弈关系, 使得目标的运动更加趋近于现实场景下逃跑者的行为模式。其次, 利用无人机与目标的速度关系, 将二维阿波罗尼奥斯圆扩展为三维阿波罗尼奥斯球, 通过阿波罗尼奥斯球设计了无人机编队围捕队形。然后, 将无人机获取的目标信息引入到一致性协议, 以此来完成无人机编队对目标的协同编队围捕, 并引入二跳网络加快围捕队形收敛, 提高了无人机编队的任务执行效率。最终, 通过仿真实验证明了该控制算法的有效性。