复杂环境下的飞行器在线航路规划决策方法

针对飞行器在线航路规划问题,提出一种基于深度强化学习(deep reinforcement learning,DRL)的飞行器在线自主决策方法。首先对飞行器运动模型、探测模型进行了说明,然后采用DRL深度确定性策略梯度(deep deterministic policy gradient,DDPG)算法,对飞行器飞行控制策略模型框架进行了构建。在此基础上,提出了一种基于课程学习(curriculum learning,CL)的CL-DDPG算法,将在线航路规划任务进行分解,引导飞行器进行目标靠近、威胁规避、航路寻优策略学习,并设置相应的高斯噪声帮助飞行器对策略进行探索和优化,实现了复杂场景下的飞行器自适应学习和决策控制。仿真实验证明,CL-DDPG算法能够有效提升模型的训练效率,算法模型任务成功率更高,具有优秀的泛化性和鲁棒性,能够更好地应用于复杂动态环境下的在线航路规划任务中。

基于改进人工势场法的无人机在线航路规划算法

在线航路规划能够使无人机针对动态变化的环境快速有效地生成相适应的飞行航路,是无人机任务规划系统必需的能力之一。基于人工势场法提出一种三维在线航路规划方法,使无人机在应对动态变化的飞行环境时能实时规划出保障飞行安全并满足其任务执行效率指标的飞行航路。此航路规划方法在环境构建过程中引入了参考航路引力场和自适应的时间扰动因子,解决了原人工势场法在航路规划中容易陷入势场局部最小值而导致无法用适感环境动态变化区域的问题。在此基础上,提出一种虚拟目标法以更有效地解决人工势场法遇到的局部极值陷阱问题。通过仿真验证表明:所提出的无人机在线航路规划方法比传统的人工势场法更容易跳出势场的局部最小值,且有较好的避障能力。

无人战斗机火力指挥控制原理研究

该项目开展了无人战斗机火力指挥控制原理相关概念及模型研究。就无人作战飞机自主对地攻击中的攻击决策、在线航路规划及水平面机动攻击等技术进行了深入讨论。研究结果可为无人作战飞机自主对地攻击的实现提供技术参考。