基于信息素决策的无人机集群协同搜索算法

针对无人机(UAV)集群在未知环境中无先验信息条件下的搜索问题,提出了一种以信息素为决策机制的无人机集群协同搜索算法。首先,考虑无人机通信约束,建立了有外部节点的星型网络通信和无外部节点的自组织网络通信2种形式的搜索模型。其次,通过环境地图向信息素地图映射的方法建立任务环境模型。将任务过程分为3个阶段,在搜索阶段,无人机通过不断地移动实现本机信息素地图的更新;在通信阶段,通过通信网络实现多机信息素地图的融合;在决策阶段,根据局部信息和全局信息做出决策,并将栅格信息素浓度作为决策函数来引导无人机的位置更新。基于信息素地图覆盖率来定量描述搜索效果。最后,仿真结果表明,所提算法能够对区域进行覆盖搜索,表现为搜索效率高、抗毁性强、受集群的初始位置影响小。      

基于路径跟随的改进领航-跟随无人机协同编队方法

针对集群无人机完成高精度协同编队的需要,提出了一种基于路径跟随的改进领航-跟随无人机协同编队方法。首先,在传统A*算法的基础上,引入了障碍威胁系数改进A*算法,为领航无人机规划从起点到目标的全局安全路径;其次,采用Hermite多项式在离散化后对领航无人机的全局安全路径进行参数化表示。当遇到新的障碍信息时,利用改进A*算法重新规划路径;随后,领航无人机将跟随无人机的空间编队信息与编队路径参数信息在集群中完成同步;最后,基于一致性原理设计了编队队形协同控制器,并基于改进人工势场法设计了动态避障控制器。仿真结果表明,与传统的领航-跟随方法相比,该方法可以降低编队误差,提高了复杂曲线路径下无人机的编队精度与稳定性,具有一定的工程应用价值。     

基于CEA-GA的多无人机三维协同曲线航迹规划方法

针对多无人机协同航迹规划求解计算复杂度高，收敛效率差等问题，提出一种基于混沌精英适应遗传算法（CEA-GA）的多无人机三维协同曲线航迹规划方法。利用层级规划思想，建立基于单机规划层-航迹平滑层-多机协同规划层的多无人机三维协同曲线航迹层级规划模型，将复杂约束规划问题分解为子函数优化求解问题，减小计算量；考虑到遗传算法（GA）求解高维复杂约束优化问题存在的性能局限，采用Tent混沌映射均匀初始化种群，以扩大个体搜索空间，丰富种群多样性，在此基础上，通过引入自适应遗传算子平衡算法的全局搜索与局部开发能力，帮助个体跳出局部最优，并采用适应度动态更新策略进一步提高算法的局部探索能力和收敛速度。将精英保留策略引入GA以更好地保证改进算法的全局收敛性。将CEA-GA应用于模型求解，仿真实验结果表明：CEA-GA具有较强的鲁棒性、较好的寻优性能和收敛效率，且能够为集群规划满足约束条件的协同曲线航迹，从而验证了所提方法的有效性和CEA-GA的优越性。     

基于群体意志统一的无人机协同围捕策略

针对无人机(UAV)协同围捕问题, 提出一种基于群体意志统一的围捕策略。受人类在协作任务中的认知机理启发, 引入“群体意志”定义无人机的协作认知, 并构建双回路认知模型, 借助图卷积网络对围捕无人机获取的局部态势进行融合认知, 有效减轻无人机系统的计算负载。依靠变分推断原理和生成式自动编码器对围捕无人机进行群体意志趋同学习, 依据Apollonius圆实现协同围捕, 使无人机集群涌现出更加智能化的围捕效果。通过对比仿真验证了所提策略的有效性和智能性。      

基于Agent与元胞自动机的无人机集群混合式控制

高效有序的集群控制方式是集群顺利完成作战任务的前提。针对无人机集群控制问题,结合集中式与分布式2种控制方式,提出基于Agent与元胞自动机的集群混合式控制。从无人机集群作战流程出发构建了无人机集群控制体系框架、通信拓扑结构及集群控制规则,将集群个体由上至下分为中心长机、小组长机、个体无人机3个层次,高层级对低层级采用自上而下的集中式控制,同层级采用自下而上的分布式控制。在此基础上,利用Agent模型的层次性与元胞自动机模型的同质性,设计了基于Agent与元胞自动机的集群混合式控制模型,实现2种控制方式有效结合,元胞自动机模型实现集群基本的聚合、分离、速度一致规则,Agent模型实现不同层级个体间的协同交互规则。在编队集结与保持任务背景下,对分布式、集中式与混合式3种控制进行对比仿真,结果表明:基于混合式控制的集群在编队可控性、跟随性、一致性以及降低通信负载等方面具有明显优势,验证了混合式集群控制方法的有效性。      

输入受限下多无人机三维协同路径跟踪控制

针对多无人机在三维空间的协同路径跟踪问题,设计了基于反步法的协同控制器。考虑无人机在飞行过程中的输入饱和问题,加入辅助控制系统,以确保系统在输入受限下仍能保持良好的控制性能。将无人机六自由度非线性模型反馈线性化处理,同时考虑无人机飞行时受到的外界不确定扰动及自身模型存在的未建模动态,利用径向基函数在线估计补偿,提高了系统的鲁棒性和抗干扰能力。为了解决反步法需要对虚拟控制量求导导致的控制器复杂问题,引入一阶滤波器,避免对虚拟控制量的求导。利用图论解决无人机机间通信问题,基于一致性理论实现了多无人机的协同控制。基于Lyapunov稳定性理论,证明了系统的稳定性,仿真结果表明,所设计的路径跟踪协同控制器能够达到良好的协同跟踪控制效果。      

基于时空图卷积网络的无人机网络入侵检测方法

无人机网络相比地面网络具有节点快速移动、拓扑结构变换频繁和通信链路不可靠的特点,传统的针对地面网络的入侵检测方法难以适用。针对无人机网络的时空动态特性进行建模,提出了一种无人机网络的入侵检测方法——基于注意力机制的时空图卷积网络（ATGCN）。将图卷积网络和门控递归单元组合为时空图卷积网络,从复杂多变的数据中提取网络的时空演变特征,通过注意力机制提取和入侵检测最相关的特征,输入支持向量机进行分类预测。多个数据集的实验分析表明:所提方法能够适应无人机网络的动态性和不稳定性,相比传统检测方法准确率高且误报率低,具有良好的鲁棒性和适应性。      

基于搜索意图交互的无人机集群协同搜索算法

针对无先验信息条件下无人机集群的协同搜索问题,提出一种以覆盖率为引导,以机间安全距离、通信距离、偏航角调整及搜索边界等为约束的无人机集群协同搜索算法。通过建立环境地图矩阵对任务区域进行描述,进一步定义环境地图更新算子实现搜索过程中环境地图的快速更新。设计了集群协同搜索任务的回报函数,采用粒子群算法进行求解,得到每架无人机在已知环境地图下的最优决策,即决策意图。每架无人机在获取其他成员决策意图的基础上重新进行决策,实现协同决策。针对不同规模集群提出了集中式和分布式2种协同决策方案。仿真结果表明,所提算法能够对存在未知威胁的不规则任务区域进行有效覆盖搜索,覆盖率远高于不进行协同决策的个体决策方法。      

非完备信息下的超视距空战双机协同战术识别

针对超视距（BVR）空战过程中,受探测装置性能限制和敌方干扰等原因,导致目标信息易缺失,从而难以实时准确地识别敌方协同空战战术的问题,提出了一种基于动态贝叶斯网络（DBN）与参数学习的超视距空战双机协同战术识别方法。分析了超视距空战条件下的双机协同战术特征,根据长机和僚机的职能分工、当前态势及机动动作,构建了识别网络模型;为提高模型对双机协同战术的识别概率,采用期望最大参数学习方法优化网络参数;基于自回归模型对缺失目标信息进行修补,提出非完备信息下的双机协同战术识别推理算法。通过开展空战对抗仿真实验,验证了双机协同战术识别方法对于非完备信息下的超视距空战双机协同战术具有较高的识别概率和较好的实时性。     

基于角色切换策略的多无人机协同区域搜索

针对存在随机分布目标的区域快速搜索问题开展研究,考虑无人机有限通信能力和探测信息的实时回传需求,提出了一种基于角色切换策略的多无人机协同区域搜索方法。首先,考虑各无人机平台的历史搜索信息和协同搜索收益,基于概率传感器模型构建了多无人机协同区域搜索求解框架;其次,基于4项无人机节点重要性的评价指标,采用改进逼近理想解排序法（TOPSIS）完成无人机节点重要性评估,通过无人机角色动态切换实现了区域搜索过程中协同搜索收益与网络连通性的平衡;最后,考虑机间防撞、通信保持、无人机运动学等约束条件,利用分布式滚动时域优化方法完成各无人机在线运动规划,实现多无人机协同区域搜索。仿真结果表明了所提方法的可行性和有效性。      

未知环境下无人机集群协同区域搜索算法

针对无人机集群在无先验信息的未知环境中协同搜索的问题,提出了一种以覆盖率为实时搜索奖励的无人机集群协同区域搜索算法。首先建立覆盖分布地图（CDM）来描述任务环境,并采用Hadamard积实现CDM的快速更新,继而基于CDM计算覆盖率来定量描述实时搜索效果。将无人机集群视为一个控制系统,基于分布式模型预测控制理论建立系统的预测模型,并将预测周期内最大覆盖率增量设为奖励函数,采用差分进化算法进行求解,得到最优解作为系统的最优输入。仿真结果表明,所提算法能够对区域进行覆盖搜索,在出现突发情况时,覆盖率远高于平行搜索方法。      

基于寒鸦配对交互行为的无人机集群编队控制

受寒鸦群配对飞行行为机制的启发,提出了一种配对交互模型,并应用于解决无人机（UAV）集群编队控制问题。首先,模仿寒鸦个体间的配对交互,设计配对交互时的邻居选择机制,基于社会力,考虑惯性加速、远距吸引、近距排斥、速度匹配和运动阻尼,分别建立配对个体和未配对个体的运动学微分方程,完成配对交互模型的构建。然后,在无人机模型基础上,设计基于寒鸦配对交互机制的无人机集群编队控制器。最后,通过2组仿真实验研究所提模型应用于无人机集群时的特性。结果表明,寒鸦配对交互模型能保证无人机集群运动的一致性,通过减小无人机交互的平均邻居数量,从而减小无人机集群的通信负载,并且当单向刺激时,配对无人机作为信息无人机时集群有更高的应激精度。      

基于DDPG的单目无人机避障算法

提出了一种基于单目相机的小型多旋翼无人机的连续避障策略。所提出的方法包括深度估计和导航决策两个模块。其中,在深度估计模块采用条件对抗网络对无人机采集得到的RGB图片进行训练预处理,在导航决策模块采用深度确定性策略梯度(DDPG)算法实现无人机的连续避障。在此基础上,对DDPG中的Actor网络进行改进,通过使用多模态网络代替原有策略网络,从而抑制无人机飞行震动,提高避障能力。最后,在Airsim仿真环境中进行测试,实验表明所提算法模型经过训练能够使无人机成功躲避障碍物并到达指定目标点,与原有算法相比避障轨迹得到明显改善。     

无人机辅助车联网的无人机部署算法

针对无人机辅助车联网的无人机部署问题，分析了基于时延和回传链路的能效无人机部署策略的性能。该策略从车联网的数据传输时延和回传链路角度优化无人机的部署，进而最小化无人机的功率消耗。先面向车联网网络，推导了基于单个用户速率的时延约束函数，并构建基于无人机离基站距离的回传链路容量函数；再构建基于时延和回传链路容量函数的目标函数。最后，利用序列二次规划求解目标函数。性能分析表明，通信数据包尺寸是影响时延的重要参数。此外，在低时延和数据尺寸较大时，车辆用户的总速率之和收敛于回传链路容量。     

无人机集群编队控制演示验证系统

为验证无人机集群编队控制算法在实际环境中的有效性,基于四旋翼无人机平台和双数据链、双地面站冗余设计,搭建了分布式控制的无人机集群编队控制演示验证系统。基于分层控制和封装的思想,将无人机控制系统分为执行层和决策层。执行层采用PIX自驾仪进行封装,只需修改自驾仪参数,不需针对不同无人机平台开发相应的控制策略,就能实现对异构集群的控制。需要验证不同的编队控制算法时,只需对决策层的控制算法进行修改即可,使系统具有较强的适应性和扩展性。演示验证系统采用双地面站和数据链,可实现在多种网络拓扑或通信失败情况下的无人机集群控制,具有较高的稳定性和安全性。应用领导-跟随协同编队控制算法,验证了本文演示验证系统的功能和性能。