Coactive design of explainable agent-based task planning and deep reinforcement learning for human-UAVs teamwork

Unmanned Aerial Vehicles (UAVs) are useful in dangerous and dynamic tasks such as search-and-rescue, forest surveillance, and anti-terrorist operations. These tasks can be solved better through the collaboration of multiple UAVs under human supervision. However, it is still difficult for human to monitor, understand, predict and control the behaviors of the UAVs due to the task complexity as well as the black-box machine learning and planning algorithms being used. In this paper, the coactive design method is adopted to analyze the cognitive capabilities required for the tasks and design the interdependencies among the heterogeneous teammates of UAVs or human for coherent collaboration. Then, an agent-based task planner is proposed to automatically decompose a complex task into a sequence of explainable subtasks under constrains of resources, execution time, social rules and costs. Besides, a deep reinforcement learning approach is designed for the UAVs to learn optimal policies of a flocking behavior and a path planner that are easy for the human operator to understand and control. Finally, a mixed-initiative action selection mechanism is used to evaluate the learned policies as well as the human’s decisions. Experimental results demonstrate the effectiveness of the proposed methods.     

无人机系统的安全性与危险源分析

无人机系统的战术性能及优势将使其在未来高技术战争和民用航空中发挥越来越重要的作用。然 而,由于有人机与无人机飞行事故的特点不同,使得有人机的安全性分析与管理措施不完全适用于无人机系 统。首先,对无人机系统的飞行事故进行统计分析,得出无人机系统事故的特点;然后,合理借鉴有人机的安全 性分析,定义无人机系统的安全性,提出无人机系统事故的严酷度等级划分及相应的危险可接受度;最后,从设 计、机组训练及使用操作三方面进行危险源分析。本文提出的无人机系统不安全事件发生可能性等级划分和 危险源定性分析,可为后续无人机安全管理框架的构建奠定基础。     

基于高光谱和LiDAR的黄河口湿地植被分类方法

利用无人机（Unmanned Aerial Vehicle, UAV）高光谱影像（Hyper-spectral Imaging, HSI）和激光雷达（Light Detection and Ranging, LiDAR）数据开展黄河口湿地植被分类方法研究。由于高空间分辨率HSI光谱变异性强,以及LiDAR点云密度不均匀,分类结果呈现出“椒盐”现象。为了解决这些问题,本文提出了一种结合空谱特征融合和通道注意力机制的双分支卷积神经网络（SSF-C-DBCNN）。光谱注意力机制通过为每个波段分配不同的权重来减少光谱变异性的影响。空间注意力机制侧重于学习和强调特征表达能力强的密集点云区域空间信息,从而减轻LiDAR点云密度不均匀对结果的影响。最后,在双分支融合特征后引入通道注意力机制来提取更深层次的特征。利用UAV采集的HSI和LiDAR数据进行实验验证,结果表明,本文提出方法的性能优于随机森林和五种深度学习方法,分类结果更为贴合实际土地覆盖,有效地抑制了“椒盐”现象。     

无人机测控链路信道传播损耗模型研究

无人机测控链路的稳定可靠是确保无人机充分发挥军事和民用效能的重要保证之一。针对无人机测控链路系统设计中的空间传播损耗精确计算问题,参考ITU-R（国际电信联盟无线电通信组）P.528传播损耗模型,从自由空间损耗、大气吸收损耗和可变损耗三个方面进行了仿真研究,获得了视距条件下三种损耗衰减值与传播频率、通信距离、通信终端高度等参数的一般关系。根据提出的传播损耗精确计算方法,对某无人机典型应用场景下的传播损耗进行了分析计算。与传统损耗模型的计算结果相比,采用的方法可以获得更加精确的计算结果,对无人机测控装备的设计研制具有重要的借鉴意义。     

最小数据丢失量的地月中继卫星任务调度研究

月球背面的探测器必须依靠地月中继卫星进行数据传输与通信。地月中继任务包括实时性任务和延迟容忍类任务,如数传任务。当探测器等待传输的数据量超出用户存储容量时,延迟容忍类任务会由于探测器本地存储资源不足和地月中继卫星天线资源受限而无法完成,导致任务数据丢失,所以需要设计一种合理的地月中继任务调度策略,提高地月中继卫星的资源利用率,减少数据的丢失。对地月中继卫星任务调度进行了研究,在分析地月中继卫星数传任务的特点及用户的存储限制的基础上,以最小化数据丢失量为优化目标,建立了地月中继卫星任务调度模型,并设计了一种基于离散烟花算法（DFWA）的地月中继卫星任务调度算法。仿真数据分析表明,基于离散烟花算法的地月中继卫星任务调度算法在求解结果上优于遗传算法,是一种合理、有效的调度方法。     

无人机三维航路规划技术研究及发展趋势

由于搜索空间巨大,三维航迹规划一直是航迹规划中的难点,而无人机只有进行精确的三维航迹规划才能提高低空突防的成功率。本文描述了无人机在线航路规划的影响因素,分析了无人机动力学约束及威胁场约束,探讨了无人机航路几何建模方法及三维航路规划算法的研究概况,并着重分析了三维航路规划算法如禁忌搜索、人工势场法、粒子群优化算法、Dijkstra算法及A＊算法。最后,阐述了无人机三维航路规划面临的关键问题及发展趋势。     

活塞式发动机排气喷管断裂故障分析

对某型无人机活塞式发动机发生断裂故障的排气喷管进行了现场检查、断口分析及静力学分析,表明焊接质量不合格是导致故障发生的主要原因;提出了增加焊接点数、加大熔核尺寸、加强无损检测等排故措施。     

无人机在恶劣气象条件下的自主决策技术

无人机(UAV)在实际战场环境中受恶劣气象条件等许多不确定因素的影响,因此必须不断提高其自主决策能力。主要研究无人机自主探测恶劣气象并进行自主决策的问题,首先介绍了影响无人机飞行的典型恶劣气象条件,然后提出了利用机载传感器获取气象信息并建立恶劣气象数学模型的方案,并提出了采用专家系统理论解决无人机遭遇恶劣气象时的自主决策问题。最后,对无人机在风切变、雷暴和紊流3种常见恶劣气象下的自主决策过程进行仿真。经分析,决策结果合理,仿真结果验证了该方法的可行性和有效性。     

滑模观测器在临近空间高动态UAV中的应用

针对临近空间高动态无人飞行器(UAV)再入飞行动态范围跨度大,气动参数存在不确定性等特点,利用李雅普诺夫方法设计了具有不同时间量程的双回路滑模控制系统。其中外环采用常规设计;内环控制器设计将控制力矩分为两部分:一部分对UAV已知的动态部分进行稳定控制;另一部分由相应的滑模观测器生成,用来稳定和削弱飞行过程中的干扰项,以增加控制系统的鲁棒性。该控制系统克服了经典控制方法的缺陷,无需大量的增益调节,而能自动适应非线性和强耦合的对象特性,并能适应大范围环境变化,减小对不同飞行条件下气动与结构参数的依赖性。仿真结果证明了所提出的控制器设计方法的有效性,具有较高的姿态跟踪精度。     

无人机滑跑纠偏控制

研究无人机(UAV)滑跑纠偏控制方案、控制结构及控制律设计方法。提出了主轮差动刹车与方向舵联合滑跑纠偏控制方案及控制结构,建立了包含起落架、刹车装置及跑道特性的无人机滑跑非线性全量数学模型,采用频域模型作为参考模型表示期望的滑跑纠偏控制性能,利用基于遗传算法的全局优化过程对联合纠偏控制律参数进行设计,使纠偏控制特性逼近参考模型特性。实例设计表明,滑跑纠偏控制方案和控制结构合理可行,控制律设计方法快捷有效。