基于态势认知的无人机集群围捕方法

无人机集群围捕是智能无人机"蜂群"作战的一种重要任务方式。现有集群围捕方法大多建立在环境已知的基础上,面对未知的任务环境时围捕策略经常性失效。针对此问题,提出了基于态势认知的发育模型,探索一种对环境适应性较佳的围捕方法。首先,对集群围捕行为分解,将围捕离散化;然后,基于深度Q神经网络(DQN),设计一种围捕策略的生成方法;最后,建立状态-策略知识库,并通过大量有效数据的训练,针对不同环境获得不同的策略,对知识库进行发育。仿真结果表明:提出的基于态势认知的发育模型,能够有效适应不同环境,完成不同环境下的围捕。

AUV智能集群协同任务研究进展

随着智能集群技术的发展和日渐成熟,自主水下航行器(AUV)以集群的形式互相协作执行任务成为了未来水下任务发展的必然趋势。由于水下环境的特殊性,水下多航行器集群协同任务面临巨大挑战。论文概述了国内外AUV智能集群协同任务的相关研究进展。从集群围捕、路径规划、编队控制等角度,系统性阐述了AUV智能集群多种任务及其关键技术的国内外发展现状,同时介绍了作者团队近年来开展AUV集群协同围捕和水下多路径规划等研究工作。通过对现有研究成果的总结与分析,为探索和规划水下多航行器集群协同任务的发展方向提供了参考。

基于Hamel形式的柔性集群编队围捕

利用弹性体作为虚拟结构建立的集群控制可以实现编队的大规模形变,同时自然满足避碰避撞需求.通过将集群编队嵌入到几何精确梁中,利用在李代数中对流应变的插值及对编队的虚拟弹性势能的塑形来快速实现编队变换.在场论Hamel形式框架下,建立了集群柔性编队围捕的算法.其能精确反映集群中个体的位姿以利于工程实现,同时具有坐标选取无关性适于刻画集群大范围运动.所得算法具有分布式特征,可并行实现从而满足实时控制的需要.通过模拟仿真验证了所得算法在实际场景中的适用性和有效性.