CN104881043B - 一种针对多动态目标的多无人机智能协同察打方法 - Google Patents
一种针对多动态目标的多无人机智能协同察打方法 Download PDFInfo
- Publication number
- CN104881043B CN104881043B CN201510218742.6A CN201510218742A CN104881043B CN 104881043 B CN104881043 B CN 104881043B CN 201510218742 A CN201510218742 A CN 201510218742A CN 104881043 B CN104881043 B CN 104881043B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- ant
- msub
- unmanned plane
- 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
Abstract
本发明公开了一种针对多动态目标的多无人机智能协同察打方法,首先将任务区域离散化,并基于无人机的机动性能将无人机的运动对应于在离散空间中栅格间的运动;然后基于蚁群算法,实现任务区域的协同搜索,其中每个蚂蚁代理代表一架无人机,具有和无人机平台一样的定位、感知、记忆、移动、打击、通信和自我更新的能力,同时受到无人机的性能约束;最后蚂蚁代理针对搜索到的目标,通过基于平行接近法的制导方法,实现无人机对移动目标的跟踪打击。在这一过程中,蚂蚁的搜索和跟踪打击交替进行,以完成对任务区域的持续察打。
Description
技术领域
本发明涉及一种针对多动态目标的多无人机智能协同察打方法,属于任务规划领域。
背景技术
无人机(UAV)系统是一类机上无人驾驶、能够自主控制或遥控的空中飞行机器人系统,可执行对地、对海乃至对空作战任务、并且具有可回收、可重复使用等特点。随着自动化、计算机等各种新技术的不断发展和应用,无人机的技术更为密集,结构日趋复杂,功能也为强大,无人机预计将在2020年前后逐步进入空军主战武器的行列,将部分取代有人战斗机和轰炸机,承担大部分防空压制和部分空中打击任务。美国空军研究实验室根据OODA(Observe-Orient-Decide-Act)模型将无人机自主控制能力分为10个等级:遥引导、实时故障诊断、故障自修复和飞行环境自适应、机载航路重规划、多级协调、多机战术重规划、多机战术目标、分布式控制、机载战略目标、全自主集群。在该自主水平定义之中,1-3级针对单个无人机的性能完善,4级为单个无人机所能到达的最高自主能力。5-10级为无人机集群的自主水平定义,8级以上代表了未来无人机的发展方向,目前还处于探索阶段。随着自主级别的提高,相应的无人机自主能力越强,具有更高的自适应性、智能性和复杂性,所能完成的任务规模、作用范围也逐渐扩大,并逐步从战术层次上升到战略层次。UAV系统的自主能力经历了一个由低到高不断发展的过程,多UAV协同作战是未来UAV作战方式的重要发展趋势,另外,随着小型化的侦察设备和打击武器的不断出现,UAV武器化发展日新月异,“察/打一体化”已成为未来UAV发展的必然趋势。
目前,针对任务规划,较常用的研究思路主要包括自顶向下和自底向上。自顶向下主要基于分层递阶求解的思路,已成为主流方法,可以有效地降低问题求解难度。自底向上主要基于自组织方法,强调个体对环境的感知、判断、决策和动态反应,以及多个个体之间基于规则的行为协调。尽管分层递阶结构的分解策略能够有效降低问题的求解难度和复杂性,但不得不面临“主问题分解—子问题建模—子问题求解—子问题协调”一系列复杂的求解流程。当战场环境敌我态势发生动态变化时,这类方法将消耗更多的计算代价和通信代价。基于自组织的自底向上的方法,更加强调个体对环境的动态响应,目前基于多群体智能理论的自组织方法通过模拟蜂群、蚁群、鸟群、鱼群等生物群体的行为实现多无人机自组织,具有计算简单、鲁棒性好等优点。
相对国外而言,国内在多无人机的自主控制领域的研究起步较晚,通过近几年的努力,国内相关研究机构在基于分层递阶方法的多无人机自主协同控制技术方面取得了较多的成果,基于自组织的研究才刚刚起步。但受到现有技术条件的限制,整体研究基本处于起步阶段,相比国外的研究,我国在多无人机自主协同控制的概念研究、系统设计、理论方法、实际应用等方面都存在一定差距,因此,急需在此领域开展进一步的深入研究。然而,国外基于自组织的多无人机任务规划的研究如协同察打任务自组织、协同搜索任务自组织等,多数是针对静态目标,没有考虑目标运动的情况,不符合实际情况。
发明内容
发明目的:针对现有技术的不足,本发明提供一种针对多动态目标的多无人机智能协同察打方法,通过无人机之间的通信协作,在进一步提高无人机自主水平的基础上实现多无人机对重点区域内的移动目标搜索和打击。
技术方案:为实现上述目的,本发明采用的技术方案为:一种针对多动态目标的多无人机智能协同察打方法,包括以下步骤:
步骤1,将任务区域离散化,并将无人机机动性能对应于离散空间的搜索;
步骤2,基于蚁群算法,实现任务区域的协同搜索,其中每个蚂蚁代理代表一架无人机,蚂蚁代理按状态转移规则移动,并将自身状态通知其他蚂蚁代理;同时根据自身的状态以及本地记录的其他蚂蚁代理的状态进行当前搜索区域的信息素更新;且每隔一段时间,进行一次由于环境不确定性增强带来的全局信息素更新;蚂蚁代理在转移过程中对当前搜索区域进行目标搜索。
步骤3,根据步骤2蚂蚁代理对当前搜索区域进行目标搜索的情况,通过基于平行接近法的制导方法,实现无人机对该移动目标的跟踪打击执行。
所述步骤1将任务区域离散化,并将无人机机动性能对应于离散空间的搜索的方法:将任务空间进行栅格化处理,则无人机的运动体现为在栅格点中的运动。
所述步骤2中的蚂蚁代理具有和无人机平台一样的定位、感知、记忆、移动、打击、通信和自我更新的能力,同时受到无人机的性能约束;蚂蚁代理之间每隔固定时间进行通信,交换的信息包括蚂蚁的当前位置、当前速度方向。
所述步骤2中根据自身的状态以及本地记录的其他蚂蚁代理的状态进行当前搜索区域的信息素更新的方法如下:蚂蚁代理按照一定的概率选择信息素浓度最高的栅格点进行每次的状态转移,当蚂蚁代理完成一次状态转移后,需要根据自身和其他蚂蚁代理的空间分布情况进行信息素更新,降低已经搜索过的区域的信息素浓度。
所述步骤2中根据自身和其他蚂蚁代理的空间分布情况进行信息素更新模型:
其中,k为当前时刻,是k时刻蚂蚁代理i的本地信息素结构中栅格坐标(x,y)处的信息素浓度,是蚂蚁代理j造成的信息素衰减量,NU是无人机总数,Δτ0为局部信息素衰减常量,j=i时,(x* j,k,y* j,k)是k时刻蚂蚁代理i自身的位置,j≠i时,(x* j,k,y* j,k)是蚂蚁代理i根据kj(kj≤k)时刻掌握的蚂蚁代理j的运动信息进行预测的蚂蚁代理j在k时刻所在的位置,d((x,y),(x* j,k,y* j,k))为两栅格(x,y)与(x* j,k,y* j,k)之间的距离,R为无人机的探测范围在任务区域平面上的投影半径。
所述步骤2中隔一段时间就对当前搜索区域的信息素进行一次全局增强,更新模型:
式中,是k时刻蚂蚁代理i的本地信息素结构中栅格坐标(x,y)处的信息素浓度,F∈(0,1)为环境不确定因子,Δτ0为局部信息素衰减常量。
所述步骤3中根据步骤2蚂蚁代理对当前搜索区域进行目标搜索的情况,通过基于平行接近法的制导方法,实现无人机对移动目标的跟踪打击,执行的方法如下:蚂蚁代理对自身当前搜索区域进行搜索,若探测到新目标,则通过基于平行接近法的制导方法执行打击任务,直到打击任务完成即目标被摧毁。
所述步骤3中基于平行接近法的制导方法的模型:
ψ=arcsin(vMsinψMv);
其中,ψ、ψM分别为无人机、目标速度矢量与目标线之间的夹角,vM为目标移动速度,M为探测到的目标,v为无人机飞行速度。
有益效果:本发明提供的一种针对多动态目标的多无人机智能协同察打方法,相比现有技术,具有以下有益效果:
1.本发明通过蚂蚁代理对移动目标进行协同搜索,通过基于平行接近法的制导方法对移动目标进行独立打击。因此本发明包括协同搜索和独立打击两部分,协同搜索部分通过无人机之间的通信实现协同,并利用蚁群算法信息素更新机制实现在线动态环境的搜索,其中,无人机之间的通信包括位置信息和运动方向信息的交换,因此可以实现对移动目标的侦察。打击部分建立在搜索到目标的基础上,通过平行接近法实现无人机跟踪运动目标的制导律的生成,用平行接近法导引时,无人机所需的侧向过载总是比目标的侧向过载小,便于对目标的打击,因此可以实现对移动目标的跟踪打击。
2.本发明所述的一种多无人机协同察打方法基于自组织结构,不需要中心计算节点,通过无人机之间的通信进行协调合作,完成自主搜索和打击的任务,具有较好的鲁棒性,从而可以进一步提高无人机的自主水平。
附图说明
图1为本发明所述的离散化任务空间;
图2为本发明所述的基于自组织结构的动态目标的多无人机协同察打策略图;
图3为平行接近法示意图;
图4为本发明所述的多无人机的智能协同察打流程图;
图5为任务区域内目标运动示意图;
图6为采用本发明所述方法执行152代时的仿真图;
图7为采用本发明所述方法执行218代时的仿真图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种针对多动态目标的多无人机智能协同察打方法,如图4所示,具体包括以下步骤:
步骤1、将任务区域离散化,并基于无人机的机动性能将无人机的运动对应于在离散空间中栅格间的运动。考虑二维平面中的运动,将任务空间进行栅格化处理,则无人机的运动体现为在栅格点中的运动。设无人机的探测范围在任务区域平面上的投影半径为R,无人机最大转角为θmax,无人机的速度为v,在单位时间内的位移为d,则无人机的探测范围如图1所示,在半径为R的圆以内的栅格可以被探测到,图中灰色栅格表示无人机下一时刻的可能位置。
步骤2、基于蚁群算法,实现多无人机的智能协同搜索,对应于图2中的搜索任务部分,每个蚂蚁代理代表一架无人机,蚂蚁代理具有和无人机平台一样的定位、感知、记忆、移动、打击、通信和自我更新的能力,同时受到无人机的性能约束;每个蚂蚁代理有一个本地信息素结构,在进行信息素更新时包括蚂蚁代理当前搜索区域的信息素更新和随时间推移环境不确定性增强带来的全局信息素更新;蚂蚁代理之间每隔固定时间进行通信,交换的信息包括蚂蚁的当前位置、当前速度方向。
其中,介绍信息素的更新包括:
(1)蚂蚁代理当前搜索区域的信息素更新
蚂蚁代理按照一定的概率选择信息素浓度最高的栅格点进行每次的状态转移,当蚂蚁代理完成一次状态转移后,需要根据自身和其他蚂蚁代理的空间分布情况进行信息素更新,降低已经搜索过的区域的信息素浓度,避免过多地对某块区域的进行重复搜索。
设当前时刻为k,蚂蚁代理i掌握的蚂蚁代理j的信息为
式中,是蚂蚁代理j在kj时刻的位置,是蚂蚁代理j在kj时刻的运动信息,即运动方向。据此蚂蚁代理i预测的蚂蚁代理j在k时刻的信息为
Info* j,k={(x* j,k,y* j,k),PSI* j,k} (2)
设计蚂蚁代理i的本地局部信息素更新公式为
式中,是k时刻蚂蚁代理i的本地信息素结构中栅格坐标(x,y)处的信息素浓度,是蚂蚁代理j造成的信息素衰减量,NU是无人机总数,Δτ0为局部信息素衰减常量,d((x,y),(x* j,k,y* j,k))为两栅格(x,y)与(x* j,k,y* j,k)之间的距离。可以看出,公式(4)进针对仅针对搜索区域内的信息素进行更新。
(2)随时间推移环境不确定性增强带来的全局信息素更新
由于环境的不确定性即目标的动态性,某一区域虽然被搜索过,但是随着时间的推移仍然有目标出现的可能,因此需要隔一段时间就对信息素进行一次全局增强,更新公式为
式中,F∈(0,1)为环境不确定因子。
步骤3、基于平行接近法的制导方法,实现无人机对移动目标的跟踪打击,对应于图2中的打击任务部分。
如图3所示,U为无人机,飞行速度为v,M为探测到的目标,移动速度为vM;r是无人机相对目标的距离,无人机命中目标时r=0;q是目标线与基准线之间的夹角,称目标线方位角,若从基准线逆时针转到目标线上时,则q为正;σ、σM分别为无人机、目标速度矢量与基准线之间的夹角,分别以无人机、目标所在位置为原点,若由基准线逆时针旋转到各自的速度矢量上时,则σ、σM为正;ψ、ψM分别为无人机、目标速度矢量与目标线之间的夹角,分别以无人机、目标为原点,若从各自的速度矢量逆时针旋转到目标线上时,则ψ、ψM为正。
平行接近法要求在制导过程中始终保持目标视线在空间沿给定方向平行移动,即目标线方位角速度为零,平行接近法导引方程的表达形式为:
从而得到导引规律:
ψ=arcsin(vMsinψM/v) (7)
从公式(7)中可以看出,在目标作直线运动的情况下,只要速度比v/vM保持常数,无人机从任何方向攻击目标,都能得到直线轨迹;当目标做复杂机动运动时,ψ必须相应变化,此时无人机的理想轨迹是弯曲的,但是用平行接近法导引时,无人机所需的侧向过载总是比目标的侧向过载小,便于对目标的打击。
综上,多无人机的智能协同察打流程如图4所示,具体步骤为:
(1)任务区域离散化;
(2)设置蚁群算法中的参数;
(3)蚂蚁代理按照状态转移规则移动,注意避免与其他蚂蚁代理发生碰撞,将自身状态发送给其他蚂蚁代理,预估其他蚂蚁代理的状态;
(4)按照公式(3)和公式(5)进行信息素更新;
(5)蚂蚁代理对自身周围环境进行搜索,若探测到新目标,转而执行打击任务,直到打击任务完成即目标被摧毁,若未探测到新目标则执行第(6)步;
(6)判断是否达到算法结束条件,未达到则转到第(3)步,否则算法结束。
图4中,算法结束条件可以是算法迭代次数达到设定的最大迭代次数,或目标全部被消灭,或是其他终止条件。在算法结束之前,当蚂蚁代理在执行搜索任务时探测到新目标,转而执行打击任务,当目标被摧毁后,蚂蚁代理则转而执行搜索任务,在这一过程中,蚂蚁的搜索和跟踪打击交替进行,以完成对任务区域的持续察打。
为了验证本发明对多动态目标协同察打的有效性,进行如下仿真实验。仿真工具采用MATLAB软件。实验设定:UAV任务区范围为1000×1000;其中共分布9个移动目标,如图5所示,图中圆圈表示目标起始位置,直线代表移动方向,假设目标作简单的直线运动,运动速度为每个单位时间移动1个栅格距离;共有2架UAV,起始位置分别在UAV1(400,600)、UAV2(400,400),UAV的运动速度为每个单位时间移动5个栅格距离,探测半径R=30,最大转角θmax=45°,蚂蚁代理按照0.9的概率选择信息素浓度最高的栅格点进行每次的状态转移。
图6、7所示为两个时刻的实验结果图,其中三角标号表示当前时刻目标的位置,其中图6表示迭代152次时UAV1发现目标2,接下来采用基于平行接近法的制导方法,对移动目标进行打击,并于158代成功摧毁目标2;图7表示211代时UAV2发现目标1,采用基于平行接近法的制导方法,对移动目标进行打击,并于218代成功摧毁目标1。实验将继续循环执行直到达到设定的最大迭代次数或是其他终止条件。实验表明,本发明所述的一种针对多动态目标的多无人机智能协同察打方法可以有效的侦察到移动目标,并对其实施打击,实现察打一体化的自主水平。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种针对多动态目标的多无人机智能协同察打方法,其特征在于,包括以下步骤:
步骤1,将任务区域离散化,并将无人机机动性能对应于离散空间的搜索;
步骤2,基于蚁群算法,实现任务区域的协同搜索,其中每个蚂蚁代理代表一架无人机,蚂蚁代理按状态转移规则移动,并将自身状态通知其他蚂蚁代理;同时根据自身的状态以及本地记录的其他蚂蚁代理的状态进行当前搜索区域的信息素更新;且每隔一段时间,进行一次由于环境不确定性增强带来的全局信息素更新;蚂蚁代理在转移过程中对当前搜索区域进行目标搜索;
所述步骤2中根据自身的状态以及本地记录的其他蚂蚁代理的状态进行当前搜索区域的信息素的更新模型:
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>N</mi>
<mi>u</mi>
</msub>
</munderover>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>&Delta;&tau;</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<mfrac>
<mrow>
<msup>
<mi>R</mi>
<mn>4</mn>
</msup>
<mo>-</mo>
<msup>
<mi>d</mi>
<mn>4</mn>
</msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mo>(</mo>
<mrow>
<msub>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>R</mi>
<mn>4</mn>
</msup>
</mfrac>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>d</mi>
<mn>4</mn>
</msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mo>(</mo>
<mrow>
<msub>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msup>
<mi>R</mi>
<mn>4</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>d</mi>
<mn>4</mn>
</msup>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>,</mo>
<mo>(</mo>
<mrow>
<msub>
<msup>
<mi>x</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<msup>
<mi>y</mi>
<mo>*</mo>
</msup>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>></mo>
<msup>
<mi>R</mi>
<mn>4</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,k为当前时刻,是k时刻蚂蚁代理i的本地信息素结构中栅格坐标(x,y)处的信息素浓度,是蚂蚁代理j造成的信息素衰减量,NU是无人机总数,Δτ0为局部信息素衰减常量,j=i时,(x* j,k,y* j,k)是k时刻蚂蚁代理i自身的位置,j≠i时,(x* j,k,y* j,k)是蚂蚁代理i根据kj时刻掌握的蚂蚁代理j的运动信息进行预测的蚂蚁代理j在k时刻所在的位置,kj≤k,d((x,y),(x* j,k,y* j,k))为两栅格(x,y)与(x* j,k,y* j,k)之间的距离,R为无人机的探测范围在任务区域平面上的投影半径;
步骤3,根据步骤2蚂蚁代理对当前搜索区域进行目标搜索的情况,通过基于平行接近法的制导方法,实现无人机对该移动目标的跟踪打击。
2.根据权利要求1所述的针对多动态目标的多无人机智能协同察打方法,其特征在于:所述步骤1将任务区域离散化,并将无人机机动性能对应于离散空间的搜索的方法:将任务区域进行栅格化处理,则无人机的运动体现为在栅格点中的运动。
3.根据权利要求1所述的针对多动态目标的多无人机智能协同察打方法,其特征在于:所述步骤2中的蚂蚁代理具有和无人机平台一样的定位、感知、记忆、移动、打击、通信和自我更新的能力,同时受到无人机的性能约束;蚂蚁代理之间每隔固定时间进行通信,交换的信息包括蚂蚁的当前位置、当前速度方向。
4.根据权利要求1所述的针对多动态目标的多无人机智能协同察打方法,其特征在于:所述步骤2中隔一段时间就对当前搜索区域的信息素进行一次全局增强,更新模型:
<mrow>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>&tau;</mi>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mi>i</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>F</mi>
<mo>&times;</mo>
<msub>
<mi>&Delta;&tau;</mi>
<mn>0</mn>
</msub>
<mo>;</mo>
</mrow>
式中,是k时刻蚂蚁代理i的本地信息素结构中栅格坐标(x,y)处的信息素浓度,F∈(0,1)为环境不确定因子,Δτ0为局部信息素衰减常量。
5.根据权利要求1所述的针对多动态目标的多无人机智能协同察打方法,其特征在于:所述步骤3中根据步骤2蚂蚁代理对当前搜索区域进行目标搜索的情况,通过基于平行接近法的制导方法,实现无人机对移动目标的跟踪打击,执行的方法如下:蚂蚁代理对自身当前搜索区域进行搜索,若探测到新目标,则通过基于平行接近法的制导方法执行打击任务,直到打击任务完成即目标被摧毁。
6.根据权利要求1所述的针对多动态目标的多无人机智能协同察打方法,其特征在于:所述步骤3中基于平行接近法的制导方法的模型:
ψ=arcsin(vMsinψM/v);
其中,ψ、ψM分别为无人机、目标速度矢量与目标线之间的夹角,vM为目标移动速度,M为探测到的目标,v为无人机飞行速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510218742.6A CN104881043B (zh) | 2015-04-30 | 2015-04-30 | 一种针对多动态目标的多无人机智能协同察打方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510218742.6A CN104881043B (zh) | 2015-04-30 | 2015-04-30 | 一种针对多动态目标的多无人机智能协同察打方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104881043A CN104881043A (zh) | 2015-09-02 |
CN104881043B true CN104881043B (zh) | 2017-10-31 |
Family
ID=53948573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510218742.6A Expired - Fee Related CN104881043B (zh) | 2015-04-30 | 2015-04-30 | 一种针对多动态目标的多无人机智能协同察打方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881043B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302153B (zh) * | 2015-10-19 | 2018-04-17 | 南京航空航天大学 | 异构多无人机协同察打任务的规划方法 |
CN105892480B (zh) * | 2016-03-21 | 2018-12-11 | 南京航空航天大学 | 异构多无人机系统协同察打任务自组织方法 |
CN106950984B (zh) * | 2017-03-16 | 2020-02-07 | 中国科学院自动化研究所 | 无人机远程协同察打方法 |
CN107493457A (zh) * | 2017-09-06 | 2017-12-19 | 天津飞眼无人机科技有限公司 | 一种无人机监视系统 |
CN107831790A (zh) * | 2017-09-21 | 2018-03-23 | 南京航空航天大学 | 一种基于多目标遗传算法的异构无人机协同搜索打击的联盟建立方法 |
CN107878743A (zh) * | 2017-12-12 | 2018-04-06 | 赵有科 | 一种无人机协同驱赶系统 |
CN108459616B (zh) * | 2018-03-07 | 2021-08-03 | 西安电子科技大学 | 基于人工蜂群算法的无人机群协同覆盖航路规划方法 |
CN108829140B (zh) * | 2018-09-11 | 2021-06-15 | 河南大学 | 一种基于多群体蚁群算法的多无人机协同目标搜索方法 |
CN109343569A (zh) * | 2018-11-19 | 2019-02-15 | 南京航空航天大学 | 多无人机集群自组织协同察打任务规划方法 |
CN109709980B (zh) * | 2018-12-27 | 2022-01-14 | 西安工业大学 | 一种基于异构无人机的蜂群对抗方法 |
CN109709981B (zh) * | 2018-12-27 | 2022-01-14 | 西安工业大学 | 一种无人机群竞技对抗方法 |
CN110058613B (zh) * | 2019-05-13 | 2022-05-13 | 大连海事大学 | 一种多无人机多蚁群协同搜索目标方法 |
CN110401932B (zh) * | 2019-07-26 | 2020-06-05 | 北京邮电大学 | 一种无人机群协同感知系统和方法 |
CN110991545B (zh) * | 2019-12-10 | 2021-02-02 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向多智能体对抗的强化学习训练优化方法及装置 |
CN111707267B (zh) * | 2020-06-18 | 2023-06-02 | 哈尔滨工程大学 | 一种多无人机协同航迹规划方法 |
CN112068587B (zh) * | 2020-08-05 | 2021-09-03 | 北京航空航天大学 | 基于欧椋鸟通信机制的有人/无人机共融集群交互方法 |
CN112863250B (zh) * | 2020-08-13 | 2022-08-09 | 上海交通大学 | 多平台航空电子控制系统及方法 |
CN112527020B (zh) * | 2020-11-30 | 2023-07-25 | 汕头大学 | 一种基于群体机器人的目标围捕控制方法及系统 |
CN112684808A (zh) * | 2020-12-11 | 2021-04-20 | 南京航空航天大学 | 一种不确定环境下的无人机集群智能协同察打方法 |
CN113485456B (zh) * | 2021-08-23 | 2022-10-18 | 中国人民解放军国防科技大学 | 一种无人机群分布式在线自适应任务规划方法 |
CN113671996B (zh) * | 2021-10-22 | 2022-01-18 | 中国电子科技集团公司信息科学研究院 | 一种基于信息素的异构无人机侦察方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
-
2015
- 2015-04-30 CN CN201510218742.6A patent/CN104881043B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101122974A (zh) * | 2007-09-13 | 2008-02-13 | 北京航空航天大学 | 基于Voronoi图和蚁群优化算法的无人机航路规划方法 |
CN101136081A (zh) * | 2007-09-13 | 2008-03-05 | 北京航空航天大学 | 基于蚁群智能的无人作战飞机多机协同任务分配方法 |
CN103823466A (zh) * | 2013-05-23 | 2014-05-28 | 电子科技大学 | 一种动态环境下移动机器人路径规划方法 |
CN103744290A (zh) * | 2013-12-30 | 2014-04-23 | 合肥工业大学 | 一种多无人机编队分层目标分配方法 |
CN104359473A (zh) * | 2014-10-24 | 2015-02-18 | 南京航空航天大学 | 一种动态环境下无人机编队飞行的协同航迹智能规划方法 |
Non-Patent Citations (2)
Title |
---|
基于平行接近法的对运动目标跟踪的研究;罗荣海 等;《机器人技术与应用》;20011231(第6期);第25-27页 * |
歼击机超机动飞行控制及多机协同多目标攻击技术研究;朱秋芳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080115(第1期);第36-82页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104881043A (zh) | 2015-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881043B (zh) | 一种针对多动态目标的多无人机智能协同察打方法 | |
Ziyang et al. | Distributed intelligent self-organized mission planning of multi-UAV for dynamic targets cooperative search-attack | |
CN105892480B (zh) | 异构多无人机系统协同察打任务自组织方法 | |
CN113495578B (zh) | 一种基于数字孪生式训练的集群航迹规划强化学习方法 | |
Khan et al. | Cooperative robots to observe moving targets | |
CN106705970A (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
Ernest et al. | Genetic fuzzy trees and their application towards autonomous training and control of a squadron of unmanned combat aerial vehicles | |
CN110929394B (zh) | 基于超网络理论的联合作战体系建模方法以及存储介质 | |
CN103472850B (zh) | 一种基于高斯分布预测的多无人机协同搜索方法 | |
CN111176309B (zh) | 一种基于球面成像的多无人机自组群互感理解方法 | |
Lee et al. | Threat evaluation of enemy air fighters via neural network-based Markov chain modeling | |
Best et al. | Cognitive agents interacting in real and virtual worlds | |
CN109709981B (zh) | 一种无人机群竞技对抗方法 | |
CN112684808A (zh) | 一种不确定环境下的无人机集群智能协同察打方法 | |
Li et al. | A Multi-UCAV cooperative occupation method based on weapon engagement zones for beyond-visual-range air combat | |
CN105701314A (zh) | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 | |
CN105678030A (zh) | 基于专家系统和战术战法分形化的空战战术团队仿真方法 | |
Zhang et al. | Air Dominance Through Machine Learning | |
Khalil et al. | FED-UP: Federated deep reinforcement learning-based UAV path planning against hostile defense system | |
Fu et al. | Memory-enhanced deep reinforcement learning for UAV navigation in 3D environment | |
CN114610064A (zh) | 基于动态目标搜索的空地协同任务分配方法及相关设备 | |
Leong et al. | Integrated perception and tactical behaviours in an auto-organizing aerial sensor network | |
Zhang et al. | Multi-target encirclement with collision avoidance via deep reinforcement learning using relational graphs | |
Zhang et al. | Multi-robot cooperation strategy in game environment using deep reinforcement learning | |
Liu et al. | Multi-UAV collaborative search and strike based on reinforcement learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate 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 |
Granted publication date: 20171031 Termination date: 20190430 |
|
CF01 | Termination of patent right due to non-payment of annual fee |