威胁联网下无人作战飞机突防作战航迹规划

以复杂战场环境下无人作战飞机(UCAV)的自主突防作战为研究背景,以防空单元为威胁建立威胁联网模型,针对威胁联网的指挥控制组织结构和信息交互关系的特点,建立了一种威胁联网的信息交互数学模型,并且通过网络模拟器NS-2(Network Simulator Version 2)仿真验证了该数学模型的合理性与适用性,同时基于此提出了一种UCAV威胁代价评估模型;然后,结合UCAV动力学约束与制导武器攻击区约束,给出一种基于改进稀疏A*算法的自主突防与攻击航迹规划算法。仿真结果表明,该算法能够快速获得UCAV突防作战航迹,且由于采用了动态的威胁评估方法,对突发威胁有较好的适用性。     

基于DE-MADDPG的多无人机协同追捕策略

针对多无人机协同对抗快速目标的追逃博弈问题,研究了多无人机的协同追捕策略。基于解耦多智能体深度确定性策略梯度算法DE-MADDPG研究了多无人机协同对抗快速目标的追捕策略,设计了多无人机协同追捕的全局奖励和局部奖励两种奖励函数,训练后的多无人机能够有效地执行协同追捕任务。通过设置快速目标的多种逃逸控制策略,仿真验证了所设计的方法能够利用追捕无人机的数量优势,通过协作完成对快速目标的协同围捕,并且通过比较,验证本文所提出的算法相比MADDPG算法更快地取得了收敛效果。     

基于非线性PID控制的无人机飞控系统优化设计

针对固定翼无人机的飞行控制律设计问题,提出了一种基于非线性PID控制原理的控制器。该控制器的比例、积分、微分增益是控制误差的非线性函数。确定该组函数的参数主要根据最优控制理论选择性能指标,采用遗传算法寻优。在此基础上,实现对无人机飞行控制律的优化设计。仿真结果表明,使用该控制器设计的无人机飞行控制回路比用常规PID控制器表现出很大的优越性。     

威胁联网下的飞行路径规划

分析了威胁源之间的信息交流与共享对飞行路径规划的影响。以威胁源类型为主要属性，对威胁源进行评估；考虑威胁源之间的信息交流与共享，生成威胁源相互支援信息表；把规划区域划分为大小相等的网格，根据威胁源作用范围对每个网格进行标记，然后用A搜索算法对网格空间进行搜索，规划出最优飞行路径.通过仿真证明，此方法规划出的飞行路径能有效提高威胁通信情况下的飞行器生存概率.     

基于贝叶斯优化的无人机路径规划算法

提出了一种基于贝叶斯优化算法的无人机路径规划方法。把无人机路径编码为离散时间上的速度和航向变化序列，每一步的速度和航向变化量都限制在无人机相应最大变化量之内，所以这种编码方法对应的物理轨迹是无人机可飞的。利用每代种群中的优良解集构造贝叶斯网络，用贝叶斯网络的结构体现染色体基因位之间的联系，用贝叶斯网络参数体现染色体基因位之间的联系程度。设计了一个多变量K2度量评价网络的优劣。用贝叶斯网络产生新的染色体以体现种群的进化，这取代了传统遗传算法的交叉和变异过程。如果不满足终止条件，则用新一代种群的优良解集构造贝叶斯网络，直到满足终止条件。仿真结果验证了算法的有效性。     

带通信约束的多无人机协同搜索中的目标分配

为了研究通信约束对多无人机(UAV)协同搜索中目标分配任务的影响,提出了一种带通信约束的多无人机协同搜索中的目标分配方法,研究在通信约束条件下多无人机在协同搜索中如何进行目标分配。首先,基于无人机数学模型和搜索模型,建立了目标分配模型。其次,分析了通信约束条件,如通信距离限制、通信角度限制和通信时间延迟等对目标分配的影响,限定多无人机在通信距离和角度范围内才能通信,使用蒙特卡罗法来验证通信距离和角度对目标分配的影响,同时采用基于状态估计的无人机状态信息补偿方法来消除通信延迟的影响。仿真验证了带通信约束的多无人机协同搜索中的目标分配方法的合理性。     

一种基于多无人机的中继节点布置问题建模与优化方法

针对战场环境下急需在无法通信的节点间构建有效通信链路的情形,使用多无人机作为中继节点,建立了中继节点布置(RNP)问题模型。模型以中继链路有效和无人机安全为约束,以中继布置点位置及相应的无人机为输出,不但考虑了使用的中继无人机数量,还考虑了构建中继链路花费的时间。考虑到该问题是难以求解的混合整数多目标优化问题,同时在紧急应用情形下,要求求解算法快速有效,建立了一种多项式时间中继节点布置算法(PTRPA)。仿真实验验证了所提模型确实能够在更短的时间内完成有效中继链路构建;通过Monte-Carlo方法对比和分析不同因素对PTRPA算法、随机抽样算法、遗传算法求解该问题的结果性能和时间性能的影响,验证了PTRPA算法不但能够给出接近最优的解,且快速有效,满足战场决策需求。     

基于改进向量场直方图算法的无人机动态避障策略

目前传统向量场直方图(VFH)算法存在易陷入局部陷阱的缺陷，本文提出了基于陷阱检测机制与动态阈值更新策略的改进VFH算法，更加符合局部未知环境下无人机路径规划的要求，并针对复杂未知场景中无人机避障问题，提出了基于A^*算法和改进VFH算法的避障算法。首先，无人机根据全局已知障碍物信息，基于A^*算法构建目标航路点；其次，在目标航路点不可达的情况下，无人机根据运动状态与激光雷达探测到的地形信息，基于改进向量场直方图算法进行局部规划。在局部规划中，针对传统VFH算法存在的缺陷进行了改进：针对传统VFH算法的无记忆性导致在一些特殊场景中易陷入局部陷阱，本文提出陷阱检测机制的VFH算法，动态选择历史信息增强向量场直方图算法的记忆性，无人机可自主检测陷阱并及时跳出；针对向量场直方图算法的阈值敏感性问题，设计了动态阈值更新策略，使得无人机能够在复杂或稀疏的障碍物环境中，动态平衡避障安全性和抵达目标的时效性。最后，通过对比仿真验证了算法的有效性，为传统VFH算法易陷入局部陷阱的缺陷提供了一种解决方法。