Deep learning enabled localization for UAV autolanding

This article concentrates on ground vision guided autonomous landing of a fixed-wing Unmanned Aerial Vehicle (UAV) within Global Navigation Satellite System (GNSS) denied environments. Cascaded deep learning models are developed and employed into image detection and its accuracy promoting for UAV autolanding, respectively. Firstly, we design a target bounding box detection network BboxLocate-Net to extract its image coordinate of the flying object. Secondly, the detected coordinate is fused into spatial localization with an extended Kalman filter estimator. Thirdly, a point regression network PointRefine-Net is developed for promoting detection accuracy once the flying vehicle’s motion continuity is checked unacceptable. The proposed approach definitely accomplishes the closed-loop mutual inspection of spatial positioning and image detection, and automatically improves the inaccurate coordinates within a certain range. Experimental results demonstrate and verify that our method outperforms the previous works in terms of accuracy, robustness and real-time criterions. Specifically, the newly developed BboxLocate-Net attaches over 500 fps, almost five times the published state-of-the-art in this field, with comparable localization accuracy.     

基于分支深度强化学习的非合作目标追逃博弈策略求解

为解决航天器与非合作目标的空间交会问题,缓解深度强化学习在连续空间的应用限制,提出了一种基于分支深度强化学习的追逃博弈算法,以获得与非合作目标的空间交会策略。对于非合作目标的空间交会最优控制,运用微分对策描述为连续推力作用下的追逃博弈问题;为避免传统深度强化学习应对连续空间存在维数灾难问题,通过构建模糊推理模型来表征连续空间,提出了一种具有多组并行神经网络和共享决策模块的分支深度强化学习架构。实现了最优控制与博弈论的结合,有效解决了微分对策模型高度非线性且难于利用经典最优控制理论进行求解的难题,进一步提升了深度强化学习对离散行为的学习能力,并通过算例仿真检验了该算法的有效性。     

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NN-ELM的航空发动机燃油系统执行机构故障诊断

提出了一种航空发动机执行机构及其传感器单一故障诊断及定位方法.首先通过执行机构模型判断是否发生故障,然后运用发动机逆模型对故障进行定位.基于离线训练BP(back propagation)神经网络建立执行机构模型,根据某半物理仿真试验台的测试数据训练网络参数.提出离线训练和在线训练相结合的极端学习机(ELM)算法建立发动机逆模型,使网络在初始时刻就具有诊断能力,工作过程中具有适应能力,且在线训练过程采用阈值判别法筛选训练样本,减小了在线训练时间,提高了逆模型的实时性.以某型发动机燃油系统执行机构为例的设计和仿真结果表明:该诊断系统能够准确地对发动机在稳态和动态工况以及蜕化状态下的执行机构及其传感器单一故障进行准确诊断和定位,具有很好的实时性.      

太赫兹雷达前沿探测成像技术

综述几种典型的太赫兹雷达前沿探测成像技术.首先,回顾太赫兹雷达技术的发展历程,分析其实用化进程中面临的挑战;然后,分别从太赫兹雷达增程、前视成像探测以及雷达信号处理三个方面展开论述,梳理太赫兹单光子探测、里德堡原子探测、孔径编码成像、涡旋目标微动探测以及智能信息处理五种典型的太赫兹雷达探测前沿技术的研究背景、基本原理、...     

Reliability assessment of engine electronic controllers based on Bayesian deep learning and cloud computing

The reliability of an Engine Electronic Controller (EEC) attracts attention, which has a critical impact on aircraft engine safety. Reliability assessment is an important part of the design phase. However, the complex composition of EEC and the characteristic of the Phased-Mission System (PMS) lead to the difficulty of assessment. This paper puts forward an advanced approach, considering the complex products and uncertain mission profiles to evaluate the Mean Time Between Failures (MTBF) in the design phase. The failure mechanisms of complex components are deduced by Bayesian Deep Learning (BDL) intelligent algorithm. And copious samples of reliability simulation are solved by cloud computing technology. Based on the result of BDL and cloud computing, simulations are conducted with the Physics of Failure (PoF) theory and Failure Behavior Model (FBM). This reliability assessment approach can evaluate MTBF of electronic products without reference to physical tests. Finally, an EEC is applied to verify the effectiveness and accuracy of the method.     

下单翼飞机主起落架舱补强结构设计与分析

主起落架舱(以下简称主起舱)位于主起落架所在的机身腹部翼身开口处,该区域连接结构复杂,是飞机外部载荷、应力集中、疲劳问题最为严重的区域,是机身载荷传递实现平衡的必经区域。主起舱的补强与一般机身开口补强不同,一方面要能够有效缓解开口应力集中,另一方面要参与外翼、主起落架与机身之间的传力以降低周围结构应力。补强结构设计的好坏直接影响翼身传力和主承力结构设计,通过主起舱补强结构进行力学和有限元对比,分析说明下单翼飞机主起舱补强方案。     

民用航空器四维航迹预测技术综述

民用航空器四维航迹预测是保障飞行安全、提升运行效率、缓解航班延误、倡导绿色飞行的有效支撑和重要保证.四维航迹预测的研究集中于如下领域:预测结构与流程、预测模型与方法、误差分析与精度提升,其中航迹预测模型与方法是核心,主要包括混合估计模型、质点运动模型与机器学习方法.最后,总结与提炼开展民用航空器四维航迹预测研究的思路和热点,并相应指出了未来的研究方向.     

基于三层模型的机器学习建模工具设计与实现

机器学习和数据挖掘任务作为一种解决模糊规划和凸优化问题的实际工程技术,近年来依托互联网、大数据等领域的发展逐渐为人们所熟知.针对现行机器学习软件系统所存在的问题,提出一种三层式的加壳软件模型的建模的的方法,并以此实现了一个轻量化的通用机器学习建模平台.     

机器学习方法在气动特性建模中的应用

气动数据建模是飞行性能仿真评估的基础。气动特性建模主要有机理建模方法和“黑箱”建模方法。本文对“黑箱”建模的三类机器学习方法——分类与回归树方法、浅层学习方法和深度学习方法,进行了算法说明与分析应用。将分类与回归树方法、浅层学习方法中的Kriging建模方法、RBF神经网络方法及SVM支持向量机方法分别应用于火箭气动特性建模、三角翼大迎角非定常气动特性建模、气动热试验数据融合,对这几类建模方法的优势和不足进行了比较分析。同时,将流动条件参数组成向量,再映射为图像,与翼型图像构成“合成图像”,建立了基于翼型几何图像、来流马赫数、迎角的翼型气动特性深度神经网络模型,得到了比较好的预测效果,拓展了气动特性深度学习建模方法的使用范围。