基于事件驱动的多飞行器编队协同控制

针对多飞行器系统协同控制问题,研究了基于事件驱动机制的控制设计方法。结合有向通信拓扑和编队位置描述建立了空间多飞行器系统的模型,在飞行器编队中引入事件驱动方法,设计了一般形式的事件触发函数,在非触发时间内利用触发时刻的信息生成了协同控制律,使得飞行器在非持续通信下能够形成三维空间任意给定的队形,并从理论上给出了协同控制问题的稳定性证明。提出的方法不需要飞行器系统的全局信息,飞行器只需要在触发时刻进行通信和控制器的更新,更有利于实际情形中的应用。仿真结果验证了该方法的有效性。     

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。      

有向通信拓扑和时延条件下的无人机集群时变编队控制

针对无人机（UAV）集群在有向通信拓扑和存在通信时延条件下的时变编队控制问题进行了研究。建立了无人机集群二阶离散时间系统模型，基于无人机自身实时信息和相邻无人机带通信时延的状态信息，设计了分布式编队控制协议。通过理论分析，得到了无人机集群能够实现时变编队的充要条件，给出了可行的期望编队的表达式。在集群通信拓扑有生成树的条件下，分析了控制协议中待定参数和状态更新周期满足的耦合约束条件，并给出了参数设计的流程。仿真结果表明:即使在较大的通信时延下，所设计的控制协议也能实现无人机集群时变编队控制，验证了理论分析的正确性和有效性。      

基于编队控制的自适应HELLO更新算法

在无人机(UAVs)编队自组织网络中,针对无人机之间位置信息更新周期不合理,从而导致编队控制不稳定和控制开销过大的问题,提出一种基于无人机编队控制的自适应HELLO更新算法。该算法应用编队控制稳定性理论推导出无人机组成期望编队的控制延时上限,结合该延时上限和编队运动状态自适应地设定HELLO更新周期。仿真结果表明,本文提出的算法与固定HELLO更新周期算法相比,既能保证在组编控制过程的稳定性,又能实时维护稳定阶段的链路,并且显著减少网络中不必要的控制开销。      

基于D3QN的无人机编队控制技术

针对无人机编队中控制器设计需要基于模型信息，以及无人机智能化程度低等问题，采用深度强化学习解决编队控制问题。针对编队控制问题设计对应强化学习要素，并设计基于深度强化学习对偶双重深度Q网络（D3QN）算法的编队控制器，同时提出一种优先选择策略与多层动作库结合的方法，加快算法收敛速度并使僚机最终能够保持到期望距离。通过仿真将设计的控制器与PID控制器、Backstepping控制器对比，验证D3QN控制器的有效性。仿真结果表明：该控制器可应用于无人机编队，提高僚机智能化程度，自主学习保持到期望距离，且控制器设计无需模型精确信息，为无人机编队智能化控制提供了依据与参考。     

拒绝服务攻击下的Euler Lagrange系统的安全控制

研究了Euler Lagrange系统在拒绝服务(denial of service, DOS)攻击其传感通信通道时的安全控制问题.为减少采样资源消耗，本文设计了基于事件触发机制的控制算法.针对DOS攻击活跃期和休眠期两种情况，设计了Lyapunov函数并证明了所提出的基于事件触发的算法能保证Euler Lagrange系统在DOS攻击下的稳定性.最终通过仿真算例验证了算法的有效性.     

基于RQPSO-DMPC的多无人机编队自主重构控制方法

针对敌方防御区域内各种威胁,为了实现隐蔽突防并实施对敌有效打击,在突防过程中多无人机(UAV)编队需要进行重构控制,并且编队内的相互避碰问题与通信约束问题也需考虑。通过建立无人机虚拟领航编队模型并引入邻居集,采用分布式模型预测控制(DMPC)同时构建多无人机编队的重构代价函数,提出采用改进量子粒子群优化(RQPSO)算法进行求解,并将求解结果与采用粒子群优化算法的结果进行对比。仿真结果表明,本文算法能够有效控制多无人机编队完成自主重构,实现安全隐蔽突防任务。     

多航天器分布式事件触发分组姿态协同控制

在分布式事件触发机制的基础上对多航天器分组姿态协同控制问题进行了研究。系统内包含若干个分组,并且航天器间的信息交互被抽象为无向拓扑。以修正罗德里格斯参数（MRP）描述航天器的姿态,构造了包含姿态和角速度的辅助变量,并设计了分布式的控制输入。在分布式事件触发机制下,对每个航天器设计了触发函数,并结合代数图论和Lyapunov稳定性理论证明了多航天器能够渐近达到分组姿态协同,同时证明了系统内不会发生Zeno现象。仿真结果验证了在分布式事件触发机制下提出的控制输入的有效性。      

基于多重检测的无人机抗遮挡目标跟踪算法

针对无人机（UAV）目标跟踪过程中遇到目标被障碍物遮挡时跟踪效果不佳的问题，提出一种多重检测的抗遮挡目标跟踪算法。在基于时空正则化相关滤波算法的框架下通过融合多种置信度函数，设计了一种响应置信度判别方法；为了具体了解目标被遮挡情况，将响应差值变化和响应梯度变化结合在一起作为判断是否更新滤波模板参数的依据；设计了一种融合分块思想与金字塔尺度池的尺度估计方法来解决目标在图像中尺度大小变化问题。所提算法在UAV数据集上相较于其他7种算法有不错的表现，在跟踪过程中面对目标遮挡、尺度变化和快速移动问题的跟踪精度和成功率上都有明显的提升。结果表明：所提算法能够更好地应对UAV在目标跟踪过程中出现的目标遮挡和尺度变化的问题，具有良好的快速性、准确性和鲁棒性。     

二阶多智能体系统自抗扰编队跟踪与避撞控制

在多智能体编队的目标跟踪任务中,智能体受环境中的障碍物的遮挡作用会丢失目标,而外部扰动会影响系统的时变编队跟踪的控制效果。为此,研究了这两种因素同时存在情况下的二阶多智能体系统时变编队跟踪和避撞控制。采用基于目标跟踪优先级的切换拓扑控制策略以实现在障碍物遮挡环境中对目标的持续跟踪,根据自抗扰理论设计包含扰动补偿项的编队跟踪控制器。首先,基于一致性方法提出切换拓扑下自抗扰时变编队跟踪控制协议,并给出一种基于跟踪微分器的编队指令生成方法;其次,设计了求解控制参数的算法并给出协议作用下系统的稳定性分析和证明;然后,基于人工势场法设计避撞控制协议;最后,提出障碍物遮挡环境下自抗扰时变编队跟踪控制协议。仿真实验结果表明:所设计的控制协议在上述两种因素存在时仍具有良好的控制效果。      

基于指数平均动量鸽群优化的多无人机协同目标防御

针对多无人机(UAV)协同目标防御问题,提出了一种基于指数平均动量鸽群优化(EM-PIO)算法。针对三维空间中的多无人机协同目标防御系统进行建模,得到了无人机支配区域的曲面约束方程,并获得了双方无人机的最优控制输入量。采用多级罚函数法构造了优化算法的目标函数,并通过所提出的EM-PIO算法来求解最优目标点。将所提EM-PIO算法与遗传算法(GA)和粒子群优化(PSO)算法进行仿真对比实验,验证了所提EM-PIO算法更加有效解决多无人机协同目标防御问题。     

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。      

基于满意决策的多机协同目标分配算法

多机协同目标分配问题是无人机UAV(Uninhabited Aerial Vehicle)研究 中一个重要的问题.考虑UAV差异、目标差异及战场态势对目标分配的影响,建立了多机 协同目标分配问题的数学模型.提出基于满意决策的目标分配算法,通过搜索个体满 意集合获取群体优化的目标分配方案.对多目标分配问题,将攻击方案作为个体满意集 合的元素扩展了基于满意决策的目标分配算法.为适应更大的问题空间的求解需求,提出递 阶分配框架,并将满意决策方法用于递阶分配.计算结果表明,算法能有效提 高搜索效率,并得到很好的优化效果.      

基于多Agent分布协同拍卖的动态目标分配算法

多无人机(UAV,Uninhabited Aerial Vehicle)协同目标分配问题是决定由哪些U AV攻击哪些目标,达到提高作战效能,减少攻击代价的目的.考虑UAV的差异、目标的差异 及战场态势对目标分配的影响,建立了多机协同目标分配问题的数学模型.提出了基于多智 能体(Agent)分布协同拍卖的动态目标分配算法,仿真结果和统计数据分析证明,算法能 够给出具有很好的优化效果的分配方案,是一种动态的算法,能够在规定的时间或资源约束 下得到满足一定优化需求的目标分配方案.      

基于残差学习的自适应无人机目标跟踪算法

无人机已被广泛应用于军事和民用领域,目标跟踪技术是无人机应用的关键技术之一。针对无人机视频跟踪过程中目标易发生尺度变化、遮挡等问题,提出一种基于残差学习的自适应无人机目标跟踪算法。首先,结合残差学习和空洞卷积的优点构建深度网络提取目标特征,同时克服网络退化问题;其次,将提取的目标特征信息输入核相关滤波算法,构建定位滤波器确定目标的中心位置;最后,根据目标外观特性的不同进行自适应分块,并计算出目标尺度的伸缩系数。仿真实验结果表明:所提算法能够有效应对尺度变化、遮挡等情况对跟踪性能的影响,在跟踪成功率和精确度上均高于其他对比算法。      

基于事件驱动的容积卡尔曼滤波定位算法

以网络化非线性滤波系统为研究对象,为了平衡系统的通信率和滤波精度之间的矛盾,引入随机事件驱动（stochastic event-triggered）的思想,并在此基础上建立了基于残差检测的事件驱动（detected event-triggered）模型。针对系统的强非线性,将线性随机事件驱动滤波系统中的更新结论推广至非线性系统,推导了两种事件驱动机制在容积卡尔曼滤波（CKF）算法框架中的滤波更新过程,得到了检测事件驱动CKF（DECKF）和随机事件驱动CKF（SECKF）两种算法。最后,通过天基平台空间目标跟踪问题对算法性能进行检验。仿真结果表明,当通信率下降20.64%时,DECKF算法的位置跟踪精度和速度跟踪精度相比标准CKF仅下降了5.50%和7.74%。此外,在通信率相同的情形下,DECKF比SECKF的精度高40%以上,证明检测事件驱动模式优于随机事件驱动模式。