多无人机同时到达的分散化控制方法

多无人机(UAV)同时到达是典型的协同控制问题,在编队飞行、协同攻击中都有应用。以多无人机协同多目标攻击为应用背景,对多无人机同时到达问题进行了研究。考虑到战场环境的动态性和不确定性以及无人机自身的特点,提出一种适用于多无人机同时到达的分散化控制方法,其内容包括仅依靠局部信息交互的分散化控制结构和基于一致性算法的分散化控制策略。为方便操作员控制无人机群体的整体行为,分别设计了引入外部参考信号和虚拟Leader的分散化控制策略。根据路径规划和速度控制的不同特点将二者结合起来,利用它们的互补优势来应对路径误差和突发威胁等不利因素的影响。仿真结果表明,本文提出的分散化控制方法能够实现多无人机同时到达,并且具有很好的灵活性、鲁棒性、可靠性和可伸缩性。     

Cooperative task scheduling for networked uninhabited air vehicles

In the work presented here, we study a cooperative control problem for a network of uninhabited air vehicles (UAVs) where it is assumed that after deployment a set of tasks is given to a group of UAVs and the UAVs must cooperate to decide which UAV should process each task. The cooperation must occur during real-time operation due to a need to repeatedly process each task, in spite of imperfect communications (e.g., messages with random but bounded delays), and the possibility that tasks "pop-up." We show how to view this as a cooperative scheduling problem, and how to derive bounds on mission-level performance metrics. Simulations are used to compare the approach with a noncooperative strategy and to provide design guidelines for the cooperative scheduler.     

多无人机协同覆盖路径规划

多无人机协同覆盖路径规划(CPP)由于其并行性和容错能力,对于提高无人机完成侦察、监视、搜索等任务的效率具有重要意义。提出了一种基于无人机任务性能评价和任务区域划分的多无人机协同CPP算法。定量分析了无人机执行覆盖任务的能力,根据无人机及携带成像传感器的性能给出了计算无人机任务性能指数的数学公式;提出了一种基于任务性能和子区域宽度的任务区域划分算法,使无人机的总转弯次数达到最少。仿真结果表明,所提出的CPP算法能够规划出全局最优的多无人机协同覆盖路径。     

多架无人机协同航路规划方法研究

根据敌方防御区域内雷达，导弹等威胁阵地的具体分布情况，采用划分Voronoi多边形的方法制订初始航路，然后对初始航路进行了合理的离散处理，最后采用动态链类比法调整航路，航程并对航路进行光顺处理，提出了一种协调多架无人机（UAVs）于同一时间到达目标点的航路规划方法，用数字仿真技术对该方法进行了验证，结果表明该方法是可行的。     

PDE solution to UAV/UGV trajectory planning problem by spatio-temporal estimation during wildfires

Unmanned Aerial Vehicles (UAVs) and Unmanned Ground Vehicles (UGVs) have been used in research and development community due to their strong potential in high-risk missions. One of the most important civilian implementations of UAV/UGV cooperative path planning is delivering medical or emergency supplies during disasters such as wildfires, the focus of this paper. However, wildfires themselves pose risk to the UAVs/UGVs and their paths should be planned to avert the risk as well as complete the mission. In this paper, wildfire growth is simulated using a coupled Partial Differential Equation (PDE) model, widely used in literature for modeling wildfires, in a grid environment with added process and measurement noise. Using principles of Proper Orthogonal Decomposition (POD), and with an appropriate choice of decomposition modes, a low-dimensional equivalent fire growth model is obtained for the deployment of the space–time Kalman Filtering (KF) paradigm for estimation of wildfires using simulated data. The KF paradigm is then used to estimate and predict the propagation of wildfire based on local data obtained from a camera mounted on the UAV. This information is then used to obtain a safe path for the UGV that needs to travel from an initial location to the final position while the UAV’s path is planned to gather information on wildfire. Path planning of both UAV and UGV is carried out using a PDE based method that allows incorporation of threats due to wildfire and other obstacles in the form of risk function. The results from numerical simulation are presented to validate the proposed estimation and path planning methods.     

基于零空间方法的四旋翼无人机避障与协同编队控制

针对四旋翼无人机在编队飞行执行任务时可能遭遇障碍物问题,考虑多无人机避障及机间避撞的需求,提出 1种基于零空间方法的四旋翼无人机避障与协同编队控制算法。首先,建立四旋翼无人机动力学模型,并建立虚拟控制量简化控制模型;其次,基于零空间方法进行避障与协同编队控制算法研究,将无人机任务执行分解为目标趋向任务、避障避撞任务和协同编队任务,并根据优先级进行任务融合得到期望速度;再次,基于 PID方法设计控制律;最后,通过仿真验证所提控制算法的有效性。所提方法可保证四旋翼无人机在编队飞行中遭遇障碍物时的飞行安全。     

多无人机协同航迹规划技术研究

多无人机协同航迹规划是多无人机协同控制的重要组成部分。多无人机协同航迹规划能得到满足安全性、协同性和任务要求的较优航迹,这对提高无人机系统性能有重要的意义。介绍了多无人机协同航迹规划的问题描述和求解结构,总结了在协同规划问题中的约束条件和航迹协调方法,着重阐述了几种在多无人机编队中常用的控制方法。在此基础上,对未来可能的研究方向进行了展望。     

面向突发任务的空间站任务重规划方法

针对空间站在轨运营出现突发任务的情况,提出一种基于启发式规则的任务重规划方法,满足了方案重规划的快速响应需求。根据任务执行的连续性特点和冲突状态,建立了空间站突发任务规划领域模型。考虑重规划过程中任务包含活动间复杂约束关系传播的影响,提出了时间回溯迭代冲突化解策略,同时依据任务执行时间间隔,提出针对间隔插空的时间冗余启发式规则。基于时间回溯迭代冲突化解策略和时间冗余启发式规则,对原任务执行计划进行实时重规划,实现了突发任务的快速响应。应用算例分析表明,提出的重规划方法可以成功地满足空间站突发任务规划需求,实现实时更新空间站在轨任务执行详单的目的。     

基于 ABMS的无人机编队协同制空任务效能评估

无人机是海空作战的重要力量,制空作战是未来无人机的重要任务之一。为研究无人机编队协同制空作战的制胜机理,评估无人机编队协同制空作战效能:首先,对无人机编队协同制空任务进行分析,明确典型作战过程;然后,采用基于 Agent的建模与仿真(Agent-basedmodelingandsimulation,ABMS)方法,构建攻击型无人机、预警型无人机和空空导弹的 Agent模型,开展多无人机协同制空作战仿真和效能分析。结果表明,无人机探测距离、编队内攻击型无人机的数量,以及编队内有无预警型无人机,这些都将对作战效能产生重要影响,该结论可为无人机协同作战运用提供参考。     

A data driven approach for detection and isolation of anomalies in a group of UAVs

The use of groups of unmanned aerial vehicles(UAVs) has greatly expanded UAV’s capabilities in a variety of applications, such as surveillance, searching and mapping. As the UAVs are operated as a team, it is important to detect and isolate the occurrence of anomalous aircraft in order to avoid collisions and other risks that would affect the safety of the team. In this paper, we present a data-driven approach to detect and isolate abnormal aircraft within a team of formatted flying aerial vehicles, which removes the requirements for the prior knowledge of the underlying dynamic model in conventional model-based fault detection algorithms. Based on the assumption that normal behaviored UAVs should share similar(dynamic) model parameters, we propose to firstly identify the model parameters for each aircraft of the team based on a sequence of input and output data pairs, and this is achieved by a novel sparse optimization technique. The fault states of the UAVs would be detected and isolated in the second step by identifying the change of model parameters.Simulation results have demonstrated the efficiency and flexibility of the proposed approach.     

基于强化学习的多无人机避碰计算制导方法

针对大量固定翼无人机在有限空域内的协同避碰问题,提出了一种基于多智能体深度强化学习的计算制导方法。首先,将避碰制导过程抽象为序列决策问题,通过马尔可夫博弈理论对其进行数学描述。然后提出了一种基于深度神经网络技术的自主避碰制导决策方法,该网络使用改进的Actor-Critic模型进行训练,设计了实现该方法的机器学习架构,并给出了相关神经网络结构和机间协调机制。最后建立了一个实体数量可变的飞行场景模拟器,在其中进行"集中训练"和"分布执行"。为了验证算法的性能,在高航路密度场景中进行了仿真实验。仿真结果表明,提出的在线计算制导方法能够有效地降低多无人机在飞行过程中的碰撞概率,且对高航路密度场景具有很好的适应性。     

考虑协同航路规划的多无人机任务分配

针对多无人机任务分配与协同航路规划问题，以分布式合同网拍卖算法为基础，构建无人机集群任务拍卖架构与拍卖收益函数，结合模拟退火算法协调任务执行次序，采用A^*算法完成两任务点间航程预估，在任务分配阶段同步完成多无人机间协同航路的初规划，确定最佳任务执行次序，实现任务分配与协同航路规划的紧耦合。仿真结果表明，在考虑禁飞区、障碍威胁情况下，该算法能够有效完成多架无人机不同类型任务的分配，且目标分配、执行次序合理，总执行代价小，各机间负载均衡；在任务分配阶段考虑协同航路规划具有明显的效果，能够有效提高任务分配的合理性。     

无人机航路规划的研究

无人机的航路规划要求满足威胁回避和可飞性。采用分层的思想，基于Voronoi图产生初始航路，利用三次样条插值法平滑航路点产生无人机可飞航路，同时利用飞行过程中的信息来更新航路进行重规划。仿真结果表明了算法的有效性。     

基于深度强化学习的多无人机协同进攻作战智能规划

无人机依靠作战效费比高、灵活自主等优势逐步替代了有生力量作战,多无人机协同作战任务规划成为热点研究问题。针对传统任务规划采用的智能优化算法存在的依赖静态、低维的简单场景、机上计算较慢等不足,提出一种基于深度强化学习（DRL）的端到端的多无人机协同进攻智能规划方法。将压制敌防空作战（SEAD）任务规划过程建模为马尔科夫决策过程,建立基于近端策略优化（PPO）算法的SEAD 智能规划模型,通过两组实验验证智能规划模型的有效性和鲁棒性。结果表明：基于DRL 的智能规划方法可以实现快速、精细规划,适应未知、连续高维的环境态势,智能规划模型具有战术协同规划能力。     

基于低可探测性的参考航迹规划

根据分层规划思想,确定参考航迹是进行航迹规划时首先要解决的问题。在充分考虑雷达探测的各种环境因素及飞行器RCS方位分布特性的基础上,将雷达对目标发现概率作为参考航迹的一个重要评价指标,基于自适应进化算法,采用新的遗传算子,最终生成综合考虑雷达威胁和飞行距离的参考航迹。结果表明,该航迹规划模型能根据对低可探测性和航程的不...     

Addressing Uncertainty in UAV Navigation Decision-Making

We present an analytic framework for modeling and measuring uncertainty for the scenario of unmanned aerial vehicles (UAVs) cooperatively searching for a moving target. Uncertainty exists in a UAVs assessment of teammate locations, target locations, and sensor results. As is frequently done, our framework employs probabilistic maps to represent uncertain information regarding the UAVs environment. We present new methods to update the probabilistic maps when information arrives from onboard sensors or teammate UAVs. When new information is missing or delayed, we propose a novel and straightforward diffusion approach to update probabilistic maps. The UAVs make navigation decisions based on response to potential fields generated by the probabilistic maps. Since map data have uncertainty, this leads to decision-making in uncertainty. We conclude by describing how uncertainty in the environment translates into a unique measure, velocity vector dispersion (D_V), which describes the uncertainty in the UAVs navigation decision. Thresholds related to D_V may be useful to guide real-time decision policies. We present simulation results that show how the use of diffusion affects the time to locate targets. We also describe how D_V varies during UAV flight and comment on its utility.     

多基地多无人机协同侦察问题研究

 充分考虑侦察目标的侦察分辨率要求和侦察时间窗约束,以及位于不同基地的无人机(UAV)的侦察性能和可用数目,首次建立了更加贴近军事应用实际的多基地多UAV协同侦察问题(M-MUCRP)的数学模型,并提出了解决该模型的多基地多UAV协同侦察进化算法(M-MUCREA)。M-MUCREA的染色体数据结构有效地表达了问题的解,有利于交叉、变异等进化操作;充分利用与目标侦察分辨率要求以及目标位置和时间窗约束相关的启发信息,构造初始种群,避免进化过程收敛太慢;基于Pareto最优概念的选择算子确保解在多个目标上的有效优化;精英策略避免了丢失进化过程中产生的非劣解,加快算法收敛;变异和交叉算子在保证有效解的前提下,实现了解的多样性,避免了算法陷入局部最优。仿真实验验证了算法能够有效解决M-MUCRP。     

基于佘度和容错技术的高可靠机载智能配电系统设计

针对大型无人机(UAV)用常规配电系统占用航空总线资源多和可靠性低的问题,通过研究多电/全电飞机技术发展趋势和大型无人机供电系统技术特点,提出一种适用于大型无人机体系结构和指标要求的机载智能配电系统;建立系统的马尔可夫模型,计算和分析不同余度结构的供电处理机(PSP)和电气负载管理中心(ELMC)对系统可靠性的影响,进...     

重访机制驱动的多无人机协同动目标搜索方法

为实现多无人机高效捕获灰色任务区域内的移动目标,考虑传感器探测概率与虚警概率,提出了重访机制驱动的协同搜索规划（RMD-CSP）方法,以降低目标遗漏与误判概率。考虑无人机飞行性能约束,以最大化任务执行效能为目标建立多无人机协同搜索模型。根据目标先验信息初始化环境搜索信息图（包括目标概率分布图、环境不确定度图与环境搜索状态图）,利用无人机实时探测信息,基于贝叶斯准则持续更新搜索信息图。定制基于环境不确定度更新的重访机制,通过增加长时间未被重访区域的环境不确定度,引导无人机搜索该区域,降低移动目标的遗漏概率;定制基于目标函数权重更新的重访机制,引导无人机快速重访发现新的疑似目标的区域,对疑似目标进行再次确认,减少由于传感器虚警概率造成的目标误判概率。采用滚动时域规划架构,将搜索规划问题分解为一系列短时域规划问题,提升了求解效率。在典型任务想定下,通过数值仿真试验验证了所提方法的有效性。仿真结果表明,RMD-CSP能够在秒级时间内生成每个时域的搜索航迹,相比于光栅式搜索方法与标准的概率启发式搜索方法,能够引导无人机捕获更多的移动目标,同时减少误判次数,有效提升了多无人机协同搜索的任务效能。     

基于Leader-Follower编队的无人机协同跟踪地面目标制导律设计

对地面目标的自动跟踪是无人机在任务应用阶段需要解决的重要问题之一,多无人机协同跟踪能够提高对目标运动状态的估计精度并降低目标丢失的概率,因而具有重要研究意义。本文提出了一种基于Leader-Follower编队的无人机协同跟踪制导方法,解决了传统Standoff跟踪模式对地面目标的速度范围限制问题。首先,通过控制无人机的航向不断趋近于地面目标牵连跟踪圆切线方向的方法设计了Leader无人机自动跟踪地面目标的制导律并完成了稳定性证明;其次,通过控制Follower无人机的速度和航向角逐渐趋近于Leader无人机速度和航向的协同跟踪策略,分别设计了Follower无人机自动跟踪Leader无人机的制导律和编队相位协同制导律并完成了稳定性证明;最后,分别针对静止目标、匀速直线运动目标和变速运动目标的跟踪问题进行了仿真验证,结果表明所提出的制导方法能够实现对不同运动状态地面目标的自动协同跟踪,并且跟踪性能优于基于李雅普诺夫向量法的制导方法。