CN104678768B - 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 - Google Patents
基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 Download PDFInfo
- Publication number
- CN104678768B CN104678768B CN201510054107.9A CN201510054107A CN104678768B CN 104678768 B CN104678768 B CN 104678768B CN 201510054107 A CN201510054107 A CN 201510054107A CN 104678768 B CN104678768 B CN 104678768B
- Authority
- CN
- China
- Prior art keywords
- particle
- monostable
- iteration
- formula
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000002245 particle Substances 0.000 title claims abstract description 55
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 12
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 230000001629 suppression Effects 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 description 6
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供的是一种基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法。通过粒子群优化算法对单稳态随机共振系统结构参数进行优化,以实现AUV控制信号和状态信号的自适应随机共振,并提高其随机共振效果,通过随机共振现象最终达到抑制AUV控制信号和状态信号中所含外部随机干扰,增强故障信号特征的目的。本发明解决传统单参数固定步长自适应随机共振方法优于忽略了参数之间的交互作用而导致的结构参数选取缺乏合理的理论依据,以及难以实现最优随机共振效果的问题,经自适应随机共振系统处理后的AUV控制信号和状态信号,抑制了外部干扰且增强了故障信号特征,可用于AUV推进器故障诊断、容错控制等领域。
Description
技术领域
本发明涉及的是一种自主式水下机器人推进器故障诊断、容错控制方法。
背景技术
随着陆地资源日渐减少,人类开发海洋的步伐越来越快。自主式水下机器人(AUV:Autonomous Underwater Vehicle)是目前唯一能够在无人情况下在深海进行探测、开发的载体,一直受到国内外研究人员的高度重视。推进器是AUV最重要的执行部件且负荷最重,一旦其出现故障直接影响AUV的安全性。对AUV推进器状态进行故障诊断,是提高AUV安全性的重要技术手段。
由于外部干扰的影响,直接采用传感器采集到的AUV控制信号和状态信号进行故障诊断效果不佳,存在容易误检和漏检的问题。目前的外部干扰抑制方法能够有效抑制AUV信号中所含外部干扰,但在抑制的同时也极易造成过抑制问题,即对于故障诊断极为重要的信号特征也被抑制,影响故障诊断的准确性。随机共振理论是在研究古气象冰川问题时提出的,它是指在一个非线性双稳系统中,当仅在周期信号的驱动下,不足以使系统输出在两个稳态间进行跃迁,但在噪声的协助下,系统输出会按信号频率在两稳态间进行切换,从而达到抑制噪声并强化周期信号的效果。
为实现信号的随机共振,传统方法通常采用向原信号中添加噪声或固定系统一个结构参数并按固定步长调节另一个结构参数的自适应调整策略。但在研究AUV信号随机共振的过程中发现,AUV信号中外部干扰与真实故障信号耦合在一起难以剥离,添加噪声的方法难以实现其随机共振;固定一个参数调整另一个参数的调整策略能够实现AUV信号随机共振,但由于只对单一参数进行自适应调整,忽略了参数之间的交互作用,存在随机共振系统参数选取缺乏合理的理论依据以及难以实现最优随机共振效果的问题。
发明内容
本发明的目的在于提供一种能抑制外部干扰、增强故障信号特征、提高故障诊断的准确性的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法。
本发明的目的是这样实现的:
(1)首先,对自主式水下机器人采集到的数据进行滑动窗处理,当采集到数据长度为L的传感器和控制器信号后开始检测,当再次采集到新的数据后,舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾,始终保持数据长度为L=250~500;
(2)采用粒子群优化算法对单稳态随机共振系统结构参数进行优化,首先进行种群初始化,具体方法为:设置单稳系统结构参数a、b的搜索范围在[0,7]区间,Tmax=100,随机初始化N=50个粒子组成一个种群;
(3)采用式所示的单稳态随机共振模型处理自主式水下机器人信号,式中x(t)为单稳随机共振系统输出信号,为中x(t)的导数,s(t)为步骤(1)所述的自主式水下机器人控制信号和状态信号,a、b为单稳随机共振系统结构参数;
(4)采用互相关系数R作为适应度函数来评价粒子的个体适应度,R值越大则粒子的适应性越好;R由式求得,式中其中:s为自主式水下机器人纵向速度原始信号,x为单稳系统输出信号,L为自主式水下机器人信号数据长度,j代表取L个数据中的第j个数据;
(5)采用式Vi(t+1)=w×Vi(t)+c1×R1×(Pi(t)-Xi(t))+c2×R2×(G(t)-Xi(t))所示的方式更新所有粒子的分形速度和位置,其中:t为当前迭代次数,i代表种群中第i个粒子,Xi(t)、Vi(t)分别为第t次迭代时第i个粒子的位置和飞行速度,Vi(t+1)为第t+1次迭代时第i个粒子的飞行速度,Vi(t)为第t次迭代时第i个粒子的飞行速度,c1=2和c2=2为学习因子,R1和R2为介于[0,1]之间相互独立均匀分布的随机数,Pi(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解,G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解,w为惯性权重、由式w(t)=wmax-(wmax-wmin)×t/Tmax求得,式中wmax=25为惯性权重的上限,wmin=1为惯性权重的下限,t为当前迭代次数,Tmax为最大迭代次数,得到更新后的粒子飞行速度Vi(t+1)后,带入式Xi(t+1)=Xi(t)+Vi(t+1),式中Xi(t+1)为第t+1次迭代时第i个粒子的位置,Xi(t)为第t次迭代时第i个粒子的位置。经上述计算后,得到更新后粒子的位置和飞行速度;
(6)判断是否符合终止条件,当满足下列条件中的任何一个时,迭代终止:1.进化代数达到设定的最大阈值Tmax;2.两代之间的最优适应度值之差小于预设精度,满足上述两个条件任何一个则迭代优化过程终止,进入下一步骤;两个条件均不满足则回到步骤(3)继续进行迭代优化;
(7)经粒子迭代更新优化后,得到最优结构参数a和b的值并输出给单稳随机共振系统;
(8)采用最优结构参数a和b的单稳态随机共振:根据步骤(7)得到的最优结构参数a和b的值,固化步骤(3)所述单稳态随机共振系统的结构参数值,对自主式水下机器人控制信号和状态信号进行随机共振处理。
本发明根据AUV信号的非周期特性,采用单稳态随机共振系统实现其随机共振,采用粒子群优化算法实现随机共振系统结构参数的自适应优化调整,构成一种新型的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法,有效解决传统方法难以实现AUV信号最佳随机共振效果问题,以抑制外部干扰,增强故障信号特征,进而提高故障诊断的准确性。
本发明与现有技术相比的有益效果主要体现在:与现有传统双稳态自适应随机共振方法相比,本发明提出了一种新型的单稳态自适应随机共振实现方法,该方法有效解决了传统方法仅对单一参数进行调节,缺乏理论依据的问题;解决了传统方法由于忽略了参数之间的交互作用,难以实现最优随机共振效果的问题。经随机共振处理后的AUV信号在抑制外部干扰的同时增强了故障信号特征,为故障诊断提供更为准确的AUV状态信息。
附图说明
图1为本发明方法的流程图。
图2为推进器推力损失程度为20%的AUV多普勒信号时域曲线。
图3为本发明方法的最优结构参数收敛曲线。
图4为推力损失程度为20%的AUV多普勒信号经本发明方法处理后时域曲线。
图5为传统单参数调节自适应随机共振方法实现的随机共振效果。
具体实施方式
下面结合附图举例对本发明做更详细的描述。
结合图1,本发明的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法,其具体实施步骤如下:
1、首先,对原始数据采用滑动窗进行截取,原始数据如图2所示。当采集到数据长度为L=300的多普勒数据后启动检测算法,当再次采集到新的数据后,舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾,始终保持数据长度为L。
2.采用粒子群优化算法对单稳态随机共振系统结构参数进行优化,首先进行种群初始化,具体方法为:设置单稳系统结构参数a、b的搜索范围在[0,7]区间,Tmax=100,随机初始化N=50个粒子组成一个种群。
3.采用如下式所示的单稳态随机共振模型处理AUV信号:式中x(t)为单稳随机共振系统输出信号,为其导数,s(t)为步骤(1)所述的自主式水下机器人控制信号和状态信号,a、b为单稳随机共振系统结构参数;
4.采用互相关系数R作为适应度函数来评价粒子的个体适应度,R值越大则粒子的适应性越好。互相关系数R由下式求得:式中 其中:R为所求互相关系数,s为AUV纵向速度原始信号,x为单稳系统输出信号,L为AUV信号数据长度,j代表取L个数据中的第j个数据。
5.采用如下式所示的方式更新所有粒子的分形速度和位置:Vi(t+1)=w×Vi(t)+c1×R1×(Pi(t)-Xi(t))+c2×R2×(G(t)-Xi(t)),式中:t为当前迭代次数,i代表种群中第i个粒子,Xi(t)、Vi(t)分别为第t次迭代时第i个粒子的位置和飞行速度,Vi(t+1)为第t+1次迭代时第i个粒子的飞行速度,Vi(t)为第t次迭代时第i个粒子的飞行速度,c1=2和c2=2为学习因子,R1和R2为介于[0,1]之间相互独立均匀分布的随机数,Pi(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解,G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解,w为惯性权重,由下式求得:w(t)=wmax-(wmax-wmin)×t/Tmax,式中wmax=25为惯性权重的上限,wmin=1为惯性权重的下限,t为当前迭代次数,Tmax为算法的最大迭代次数。得到更新后的粒子飞行速度Vi(t+1)后,带入下式:Xi(t+1)=Xi(t)+Vi(t+1),式中Xi(t+1)为第t+1次迭代时第i个粒子的位置,Xi(t)为第t次迭代时第i个粒子的位置。经上述计算后,得到更新后粒子的位置和飞行速度;
6.判断是否符合终止条件,当满足下列条件中的任何一个时,迭代终止:1.进化代数达到设定的最大阈值Tmax;2.两代之间的最优适应度值之差小于预设精度。满足上述两个条件任何一个则迭代优化过程终止,进入下一步骤;两个条件均不满足则回到步骤(3)继续进行迭代优化;本发明方法最终所得的最优结构参数收敛曲线如图3所示,从图3中可以看出,本发明方法最终实现的随机共振效果R=0.99998。
7.经上述步骤粒子迭代更新优化后,得到最优结构参数a和b的值,a=7,b=2.4493,并输出给单稳随机共振系统;
8.采用最优结构参数a和b的单稳态随机共振:根据步骤(7)得到的最优结构参数a和b的值,固化步骤(3)所述单稳态随机共振系统的结构参数值,对自主式水下机器人控制信号和状态信号进行随机共振处理。推力损失程度为20%的AUV多普勒信号经本发明方法处理后时域曲线如图4所示。
图5为传统单参数调节自适应随机共振方法实现的随机共振效果。从图5中可以看出,固定结构参数b=1,按固定步长0.6对AUV左主推进器推力损失20%故障实现随机共振时,在结构参数a=3.6,b=1处实现了随机共振,随机共振效果为R=0.9295。本发明方法相对传统方法随机共振效果提高了(0.99998-0.9295)/0.9295=7.58%,说明本发明方法比传统方法实现随机共振效果更佳。
综上所述,本发明首先采用滑动窗方法对原始数据进行截取,然后采用粒子群优化算法对单稳态随机共振系统的结构参数进行优化,利用优化后的结构参数构建的单稳随机共振系统处理AUV信号,实现自主式水下机器人的单稳态自适应随机共振。最终可一直外部随机干扰并增强故障信号特征,是一种新型、有效的自主式水下机器人信号处理实现方法。
Claims (2)
1.一种基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法,其特征是:
(1)首先,对自主式水下机器人采集到的数据进行滑动窗处理,当采集到数据长度为L=250~500的传感器和控制器信号后开始检测,当再次采集到新的数据后,舍弃原数组第一个数据并将新采集回来的数据放在原数组的末尾,始终保持数据长度为L;
(2)采用粒子群优化算法对单稳态随机共振系统结构参数进行优化,首先进行种群初始化,具体方法为:设置单稳系统结构参数a、b的搜索范围在[0,7]区间,Tmax=100,随机初始化N=50个粒子组成一个种群;
(3)采用式所示的单稳态随机共振模型处理自主式水下机器人信号,式中x(t)为单稳随机共振系统输出信号,为中x(t)的导数,s(t)为步骤(1)得到的长度为L的数据,a、b为单稳随机共振系统结构参数;
(4)采用互相关系数R作为适应度函数来评价粒子的个体适应度,R值越大则粒子的适应性越好;R由式求得,式中其中:x为单稳系统输出信号,L为自主式水下机器人信号数据长度,s(j)代表L个数据中的第j个数据;
(5)采用式Vi(t+1)=w×Vi(t)+c1×R1×(Pi(t)-Xi(t))+c2×R2×(G(t)-Xi(t))所示的方式更新所有粒子的分形速度和位置,其中:t为当前迭代次数,i代表种群中第i个粒子,Xi(t)、Vi(t)分别为第t次迭代时第i个粒子的位置和飞行速度,Vi(t+1)为第t+1次迭代时第i个粒子的飞行速度,Vi(t)为第t次迭代时第i个粒子的飞行速度,c1=2和c2=2为学习因子,R1和R2为介于[0,1]之间相互独立均匀分布的随机数,Pi(t)为经过t次迭代第i个粒子迄今为止搜索到的最优解,G(t)为经过t次迭代整个种群所有粒子迄今为止搜索到的最优解,w为惯性权重、由式w(t)=wmax-(wmax-wmin)×t/Tmax求得,式中wmax=25为惯性权重的上限,wmin=1为惯性权重的下限,t为当前迭代次数,Tmax为最大迭代次数,得到更新后的粒子飞行速度Vi(t+1)后,带入式Xi(t+1)=Xi(t)+Vi(t+1),式中Xi(t+1)为第t+1次迭代时第i个粒子的位置,Xi(t)为第t次迭代时第i个粒子的位置,经上述计算后,得到更新后粒子的位置和飞行速度;
(6)判断是否符合终止条件,当满足下列条件中的任何一个时,迭代终止:1.进化代数达到设定的最大阈值Tmax;2.两代之间的最优适应度值之差小于预设精度,满足上述两个条件任何一个则迭代优化过程终止,进入下一步骤;两个条件均不满足则回到步骤(3)继续进行迭代优化;
(7)经粒子迭代更新优化后,得到最优结构参数a和b的值并输出给单稳随机共振系统;
(8)采用最优结构参数a和b的单稳态随机共振:根据步骤(7)得到的最优结构参数a和b的值,固化步骤(3)所述单稳态随机共振系统的结构参数值,对自主式水下机器人控制信号和状态信号进行随机共振处理。
2.根据权利要求1所述的基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法,其特征是:L=300。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510054107.9A CN104678768B (zh) | 2015-01-30 | 2015-01-30 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510054107.9A CN104678768B (zh) | 2015-01-30 | 2015-01-30 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104678768A CN104678768A (zh) | 2015-06-03 |
CN104678768B true CN104678768B (zh) | 2017-07-11 |
Family
ID=53314015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510054107.9A Expired - Fee Related CN104678768B (zh) | 2015-01-30 | 2015-01-30 | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104678768B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105447243B (zh) * | 2015-11-17 | 2018-07-20 | 中国计量学院 | 基于自适应分数阶随机共振系统的微弱信号检测方法 |
CN105487062B (zh) * | 2015-12-22 | 2018-09-14 | 南京信息工程大学 | 基于二维Duffing振子的海杂波微弱信号检测方法 |
CN106338395B (zh) * | 2016-10-27 | 2018-11-02 | 石家庄铁道大学 | 基于六阶单稳系统的齿轮箱故障诊断方法 |
CN108663576A (zh) * | 2018-05-08 | 2018-10-16 | 集美大学 | 一种复杂环境下微弱电磁红信号检测方法 |
CN109257127B (zh) * | 2018-09-06 | 2021-08-20 | 西安电子科技大学 | 一种基于自适应随机共振的通信信号检测方法 |
CN109765914A (zh) * | 2019-03-12 | 2019-05-17 | 哈尔滨工程大学 | 一种基于滑窗粒子群的水面无人艇避碰方法 |
CN110243929A (zh) * | 2019-07-02 | 2019-09-17 | 佛山科学技术学院 | 一种基于随机共振的水下环境动态检测系统 |
CN112859891B (zh) * | 2021-01-29 | 2023-03-03 | 西北工业大学 | 一种基于粒子群算法优化自适应滑模控制参数的auv航向角控制方法 |
CN115146687B (zh) * | 2022-08-31 | 2022-12-06 | 武昌理工学院 | 基于二阶变尺度参数自匹配随机共振的故障特征提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN104316167A (zh) * | 2014-09-30 | 2015-01-28 | 福州大学 | 一种低信噪比下结构响应异常检测方法 |
-
2015
- 2015-01-30 CN CN201510054107.9A patent/CN104678768B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102735330A (zh) * | 2012-06-15 | 2012-10-17 | 天津大学 | 基于粒子群优化算法的自适应随机共振微弱信号检测方法 |
CN103335844A (zh) * | 2013-06-24 | 2013-10-02 | 中国计量学院 | 一种自适应随机共振轴承故障检测方法 |
CN104316167A (zh) * | 2014-09-30 | 2015-01-28 | 福州大学 | 一种低信噪比下结构响应异常检测方法 |
Non-Patent Citations (6)
Title |
---|
AUV探测声纳系统的运动多目标波达方向估计;黄勇等;《信号处理》;20040229;第20卷(第1期);第49-53页 * |
IDMA通信系统中的粒子群交织算法;岳克强等;《电子设计工程》;20091031;第17卷(第10期);第5-7页 * |
基于PSO的自适应随机共振检测技术研究;宋念龙等;《第三十二届中国控制会议论文集(C卷)》;20130726;第4471-4475页 * |
自适应随机共振在微弱信号检测中的应用;杨宁等;《机械强度》;20121215;第34卷(第6期);第798-802页 * |
采用粒子群算法的冲击信号自适应单稳态随机共振检测方法;李继猛等;《机械工程学报》;20111130;第47卷(第21期);摘要,第59页左栏倒数1-14行,第60页,附图1 * |
采用粒子群算法的自适应变步长随机共振研究;张仲海等;《振动与冲击》;20131015;第32卷(第19期);第125-130,152页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104678768A (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104678768B (zh) | 基于粒子群优化单稳态自适应随机共振的自主式水下机器人信号处理方法 | |
CN109992000B (zh) | 一种基于分层强化学习的多无人机路径协同规划方法及装置 | |
CN109582027B (zh) | 一种基于改进粒子群优化算法的usv集群避碰规划方法 | |
CN109871032A (zh) | 一种基于模型预测控制的多无人机编队协同控制方法 | |
CN109144102A (zh) | 一种基于改进蝙蝠算法的无人机航路规划方法 | |
CN111240356B (zh) | 一种基于深度强化学习的无人机集群会合方法 | |
CN107547457A (zh) | 一种基于改进粒子群优化bp神经网络的盲信道均衡方法 | |
CN103824291B (zh) | 连续量子雁群算法演化脉冲耦合神经网络系统参数的自动图像分割方法 | |
KR102349898B1 (ko) | 적응적 학습률로 뉴럴 네트워크를 학습하는 방법 및 장치, 이를 이용한 테스트 방법 및 장치 | |
CN111103795B (zh) | 基于智能自适应优化算法的高超声速飞行器再入段轨迹优化控制器 | |
CN113268081B (zh) | 一种基于强化学习的小型无人机防控指挥决策方法及系统 | |
CN104102133B (zh) | 一种基于改进的人工蜂群算法的四旋翼pid参数优化方法 | |
CN110472738A (zh) | 一种基于深度强化学习的无人艇实时避障算法 | |
CN101837591A (zh) | 基于双群协同竞争粒子群和Ferguson样条的机器人路径规划方法 | |
CN110033081A (zh) | 一种确定学习率的方法和装置 | |
CN106022471A (zh) | 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法 | |
CN106096791A (zh) | 一种多监视区域下的mimo雷达偏好优化布站方法 | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
CN107315348B (zh) | 一种基于惩罚式小波网络的无人潜航器位姿控制方法 | |
CN110231829A (zh) | 基于数据增融的强化学习小型无人旋翼机自主着陆方法 | |
CN109492516A (zh) | 一种基于dgru神经网络的uuv集群行为识别方法 | |
CN114077258A (zh) | 一种基于强化学习ppo2算法的无人艇位姿控制方法 | |
CN108710288A (zh) | 基于风速预测的旋翼飞行器空中悬停防漂移的控制方法 | |
CN114879742B (zh) | 基于多智能体深度强化学习的无人机集群动态覆盖方法 | |
CN114326821B (zh) | 基于深度强化学习的无人机自主避障系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170711 |