CN106647807A - 无人机的应对策略生成方法和系统 - Google Patents
无人机的应对策略生成方法和系统 Download PDFInfo
- Publication number
- CN106647807A CN106647807A CN201611252056.1A CN201611252056A CN106647807A CN 106647807 A CN106647807 A CN 106647807A CN 201611252056 A CN201611252056 A CN 201611252056A CN 106647807 A CN106647807 A CN 106647807A
- Authority
- CN
- China
- Prior art keywords
- countermeasure
- motion state
- unmanned plane
- parameterses
- action
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了无人机的应对策略生成方法和系统,通过获取无人机的第一运动状态参数,将第一运动状态参数进行预处理,得到第二运动状态参数;将第二运动状态参数通过规则库和应对策略库进行匹配;如果匹配成功,则得到第一行动意图和对应的第一应对策略;如果匹配不成功,则将第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;执行第一应对策略或第二应对策略,并将执行信息反馈到无人机的运动状态中,可以使专家系统逻辑推理能力强及人工神经网络鲁棒性好,并得到高效可靠的行动意图和应对策略。
Description
技术领域
本发明涉及无人机技术领域,尤其是涉及无人机的应对策略生成方法和系统。
背景技术
无人机是未来作战中的新型空中力量之一,无人机运动自由度相当高,运动轨迹复杂,运动参数繁复冗杂。传统的专家系统容错能力差、学习能力弱,不能准确识别无人机运动意图并做出高效应对决策。
发明内容
有鉴于此,本发明的目的在于提供无人机的应对策略生成方法和系统,可以使专家系统逻辑推理能力强及人工神经网络鲁棒性好,并得到高效可靠的行动意图和应对策略。
第一方面,本发明实施例提供了无人机的应对策略生成方法,所述方法包括:
获取所述无人机的第一运动状态参数,将所述第一运动状态参数进行预处理,得到第二运动状态参数;
将所述第二运动状态参数通过规则库和应对策略库进行匹配;
如果匹配成功,则得到第一行动意图和对应的第一应对策略;
如果匹配不成功,则将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机的运动状态中。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述将所述第二运动状态参数通过规则库和应对策略库进行匹配包括:
根据所述规则库识别所述第二运动状态参数对应的所述第一行动意图;
根据所述第一行动意图调用所述应对策略库中对应的所述第一应对策略。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述方法还包括:
将所述第二运动状态参数、所述第一行动意图和对应的所述第一应对策略构成样本数据;
对所述样本数据进行训练,得到神经网络结构和权值。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述将所述第一运动状态参数进行预处理,得到第二运动状态参数包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述方法还包括:
更新所述样本数据,对更新的样本数据进行训练。
第二方面,本发明实施例还提供无人机的应对策略生成系统,所述系统包括:无人机运动状态感知模块、协调调度模块、专家系统、人工神经网络推理模块和效应器;
所述无人机运动状态感知模块,用于获取所述无人机的第一运动状态参数,将所述第一运动状态参数进行预处理,得到第二运动状态参数;
所述协调调度模块,用于调用所述专家系统,在所述第二运动状态参数与所述专家系统中的规则库和应对策略库匹配不成功的情况下,调用所述人工神经网络推理模块;
所述专家系统,用于将所述第二运动状态参数通过所述规则库和所述应对策略库进行匹配,得到第一行动意图和对应的第一应对策略;
所述人工神经网络推理模块,用于将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
所述效应器,用于执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机运动状态感知模块中。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述专家系统包括:
根据所述规则库识别所述第二运动状态参数对应的所述第一行动意图;
根据所述第一行动意图调用所述应对策略库中对应的所述第一应对策略。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述系统还包括:
样本数据构成单元,用于将所述第二运动状态参数、所述第一行动意图和对应的所述第一应对策略构成样本数据;
训练单元,用于对所述样本数据进行训练,得到神经网络结构和权值。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,所述无人机运动状态感知模块包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
结合第二方面的第二种可能的实施方式,本发明实施例提供了第二方面的第四种可能的实施方式,其中,所述系统还包括:
更新模块,用于更新所述样本数据,对更新的样本数据进行训练。
本发明实施例提供了无人机的应对策略生成方法和系统,通过获取无人机的第一运动状态参数,将第一运动状态参数进行预处理,得到第二运动状态参数;将第二运动状态参数通过规则库和应对策略库进行匹配;如果匹配成功,则得到第一行动意图和对应的第一应对策略;如果匹配不成功,则将第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;执行第一应对策略或第二应对策略,并将执行信息反馈到无人机的运动状态中,可以使专家系统逻辑推理能力强及人工神经网络鲁棒性好,并得到高效可靠的行动意图和应对策略。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的无人机的应对策略生成方法流程图;
图2为本发明实施例一提供的无人机的应对策略生成方法中步骤S102的流程图;
图3为本发明实施例一提供的无人机的应对策略生成方法中样本数据的构成方法流程图;
图4为本发明实施例二提供的无人机的应对策略生成系统示意图。
图标:
10-无人机运动状态感知模块;20-专家系统;30-协调调度模块;40-人工神经网络推理模块;50-效应器。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
无人机在近几次现代战争中的成功应用,已经揭开了以远距离攻击型智能化武器、信息化武器为主导的“非接触性战争”的新篇章。无人机是未来作战中的新型空中力量之一,但是目前尚且缺少能够准确识别无人机行动意图并生成高效应对决策的方法。为了满足未来作战需求,实现快速识别无人机行动意图,智能生成高效应对决策方案,本发明实施例提供了无人机的应对策略生成方法和系统。
为便于对本实施例进行理解,下面对本发明实施例进行详细介绍。
实施例一:
图1为本发明实施例一提供的无人机的应对策略生成方法。
参照图1,该方法包括以下步骤:
步骤S101,获取无人机的第一运动状态参数,将第一运动状态参数进行预处理,得到第二运动状态参数;
这里,无人机的第一运动状态参数包括但不限于,具体为无人机的地速、迎角、侧滑角、滚转角、俯仰角、偏航角、滚转角速率、俯仰角速率、偏航角速率、纵向位移、侧向位移和高度等运动状态参数,上述运动状态参数是通过雷达、红外感知和光学探测获得的。
步骤S102,将第二运动状态参数通过规则库和应对策略库进行匹配;
步骤S103,如果匹配成功,则得到第一行动意图和对应的第一应对策略;
步骤S104,如果匹配不成功,则将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
这里,通过将第二运动状态参数与规则库中的规则进行匹配,在匹配成功的情况下,规则库中包含了从无人机的第二运动状态参数集合到无人机行动意图集合的映射规则,从而得到第二运动状态参数对应的第一行动意图;
策略库包含了各种无人机行动意图的应对策略,从而根据第一行动意图调用应对策略库中对应的第一应对策略。
在匹配不成功的情况下,将第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略。
步骤S105,执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机的运动状态中。
进一步的,参照图2,步骤S102包括如下步骤:
步骤S201,根据规则库识别第二运动状态参数对应的第一行动意图;
步骤S202,根据第一行动意图调用应对策略库中对应的第一应对策略。
进一步的,参照图3,样本数据的构成方法包括以下步骤:
步骤S301,将第二运动状态参数、第一行动意图和对应的第一应对策略构成样本数据;
步骤S302,对样本数据进行训练,得到神经网络结构和权值。
这里,经过每一次成功匹配后,将第二运动状态参数、第一行动意图和对应的第一应对策略构成样本数据,再对样本数据进行训练,从而得到合适的神经网络结构和权值。
进一步的,步骤S101包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
这里,采集无人机的第一运动状态参数,需要对第一运动状态参数进行预处理,具体为:将第一运动状态参数进行筛选、坏数据处理和数据标准化,从而得到第二运动状态参数,再将第二运动状态参数通过规则库和应对策略库进行匹配。
进一步的,所述方法还包括:
更新所述样本数据,对更新的样本数据进行训练。
这里,经过每一次成功匹配后,会对样本数据进行更新,这种动态更新能够确保人工神经网络推理的准确性和时效性。
本发明实施例提供了无人机的应对策略生成方法,通过获取无人机的第一运动状态参数,将第一运动状态参数进行预处理,得到第二运动状态参数;将第二运动状态参数通过规则库和应对策略库进行匹配;如果匹配成功,则得到第一行动意图和对应的第一应对策略;如果匹配不成功,则将第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;执行第一应对策略或第二应对策略,并将执行信息反馈到无人机的运动状态中,可以使专家系统逻辑推理能力强及人工神经网络鲁棒性好,并得到高效可靠的行动意图和应对策略。
实施例二:
图4为本发明实施例二提供的无人机的应对策略生成系统示意图。
参照图4,该系统包括:无人机运动状态感知模块10、协调调度模块30、专家系统20、人工神经网络推理模块40和效应器50;
无人机运动状态感知模块10,用于获取所述无人机的第一运动状态参数,将所述第一运动状态参数进行预处理,得到第二运动状态参数;
协调调度模块30,用于调用所述专家系统,在所述第二运动状态参数与所述专家系统中的规则库和应对策略库匹配不成功的情况下,调用所述人工神经网络推理模块40;
这里,协调调度模块30主要用于协调调度专家系统20和人工神经网络推理模块40的运行时序。
具体地,在获取第二运动状态参数后,协调调度模块30会先调用专家系统20进行匹配,如果匹配成功,则将第一应对策略输出给效应器50;如果匹配不成功,则调用人工神经网络推理模块40,由人工神经网络推理模块40计算,得到第二应对策略,将第二应对策略输出给效应器50。
专家系统20,用于将所述第二运动状态参数通过所述规则库和所述应对策略库进行匹配,得到第一行动意图和对应的第一应对策略;
人工神经网络推理模块40,用于将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
效应器50,用于执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机运动状态感知模块10中。
这里,效应器50执行第一应对策略或第二应对策略,每一次成功匹配后,将第二运动状态参数、第一行动意图和对应的第一应对策略构成样本数据,将样本数据供人工神经网络推理模块40进行训练使用。
进一步的,专家系统20包括:
根据所述规则库识别所述第二运动状态参数对应的所述第一行动意图;
根据所述第一行动意图调用所述应对策略库中对应的所述第一应对策略。
进一步的,所述系统还包括:
样本数据构成单元(未示出),用于将所述第二运动状态参数、所述第一行动意图和对应的所述第一应对策略构成样本数据;
训练单元(未示出),用于对所述样本数据进行训练,得到神经网络结构和权值。
进一步的,无人机运动状态感知模块10包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
进一步的,所述系统还包括:
更新模块(未示出),用于更新所述样本数据,对更新的样本数据进行训练。
这里,每一次成功的匹配都会对样本数据进行更新,这种动态更新能够确保人工神经网络推理模块40的准确性和时效性。
本发明实施例提供了无人机的应对策略生成系统,通过获取无人机的第一运动状态参数,将第一运动状态参数进行预处理,得到第二运动状态参数;将第二运动状态参数通过规则库和应对策略库进行匹配;如果匹配成功,则得到第一行动意图和对应的第一应对策略;如果匹配不成功,则将第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;执行第一应对策略或第二应对策略,并将执行信息反馈到无人机的运动状态中,可以使专家系统逻辑推理能力强及人工神经网络鲁棒性好,并得到高效可靠的行动意图和应对策略。
本发明实施例所提供的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种无人机的应对策略生成方法,其特征在于,所述方法包括:
获取所述无人机的第一运动状态参数,将所述第一运动状态参数进行预处理,得到第二运动状态参数;
将所述第二运动状态参数通过规则库和应对策略库进行匹配;
如果匹配成功,则得到第一行动意图和对应的第一应对策略;
如果匹配不成功,则将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机的运动状态中。
2.根据权利要求1所述的无人机的应对策略生成方法,其特征在于,所述将所述第二运动状态参数通过规则库和应对策略库进行匹配包括:
根据所述规则库识别所述第二运动状态参数对应的所述第一行动意图;
根据所述第一行动意图调用所述应对策略库中对应的所述第一应对策略。
3.根据权利要求1所述的无人机的应对策略生成方法,其特征在于,所述方法还包括:
将所述第二运动状态参数、所述第一行动意图和对应的所述第一应对策略构成样本数据;
对所述样本数据进行训练,得到神经网络结构和权值。
4.根据权利要求1所述的无人机的应对策略生成方法,其特征在于,所述将所述第一运动状态参数进行预处理,得到第二运动状态参数包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
5.根据权利要求3所述的无人机的应对策略生成方法,其特征在于,所述方法还包括:
更新所述样本数据,对更新的样本数据进行训练。
6.一种无人机的应对策略生成系统,其特征在于,所述系统包括:无人机运动状态感知模块、协调调度模块、专家系统、人工神经网络推理模块和效应器;
所述无人机运动状态感知模块,用于获取所述无人机的第一运动状态参数,将所述第一运动状态参数进行预处理,得到第二运动状态参数;
所述协调调度模块,用于调用所述专家系统,在所述第二运动状态参数与所述专家系统中的规则库和应对策略库匹配不成功的情况下,调用所述人工神经网络推理模块;
所述专家系统,用于将所述第二运动状态参数通过所述规则库和所述应对策略库进行匹配,得到第一行动意图和对应的第一应对策略;
所述人工神经网络推理模块,用于将所述第二运动状态参数通过人工神经网络进行计算,得到第二行动意图和对应的第二应对策略;
所述效应器,用于执行所述第一应对策略或所述第二应对策略,并将执行信息反馈到所述无人机运动状态感知模块中。
7.根据权利要求6所述的无人机的应对策略生成系统,其特征在于,所述专家系统包括:
根据所述规则库识别所述第二运动状态参数对应的所述第一行动意图;
根据所述第一行动意图调用所述应对策略库中对应的所述第一应对策略。
8.根据权利要求6所述的无人机的应对策略生成系统,其特征在于,所述系统还包括:
样本数据构成单元,用于将所述第二运动状态参数、所述第一行动意图和对应的所述第一应对策略构成样本数据;
训练单元,用于对所述样本数据进行训练,得到神经网络结构和权值。
9.根据权利要求6所述的无人机的应对策略生成系统,其特征在于,所述无人机运动状态感知模块包括:
将所述第一运动状态参数进行筛选、坏数据处理和数据标准化,得到所述第二运动状态参数。
10.根据权利要求8所述的无人机的应对策略生成系统,其特征在于,所述系统还包括:
更新模块,用于更新所述样本数据,对更新的样本数据进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252056.1A CN106647807B (zh) | 2016-12-29 | 2016-12-29 | 无人机的应对策略生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611252056.1A CN106647807B (zh) | 2016-12-29 | 2016-12-29 | 无人机的应对策略生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106647807A true CN106647807A (zh) | 2017-05-10 |
CN106647807B CN106647807B (zh) | 2019-12-31 |
Family
ID=58836761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611252056.1A Active CN106647807B (zh) | 2016-12-29 | 2016-12-29 | 无人机的应对策略生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106647807B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
CN109885091A (zh) * | 2019-03-21 | 2019-06-14 | 华北电力大学(保定) | 一种无人机自主飞行控制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN102540882A (zh) * | 2012-03-01 | 2012-07-04 | 北京航空航天大学 | 一种基于最小参数学习法的飞行器航迹倾角控制方法 |
CN102801767A (zh) * | 2011-11-23 | 2012-11-28 | 南京航空航天大学 | 单机级飞机结构phm系统及实现方法 |
CN103196430A (zh) * | 2013-04-27 | 2013-07-10 | 清华大学 | 基于无人机的飞行轨迹与视觉信息的映射导航方法及系统 |
CN104932525A (zh) * | 2015-05-28 | 2015-09-23 | 深圳一电科技有限公司 | 无人机的控制方法、装置、地面控制系统及无人机 |
CN104950906A (zh) * | 2015-06-15 | 2015-09-30 | 中国人民解放军国防科学技术大学 | 基于移动通信网络的无人机远程测控系统及方法 |
-
2016
- 2016-12-29 CN CN201611252056.1A patent/CN106647807B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101063643A (zh) * | 2007-02-02 | 2007-10-31 | 北京航空航天大学 | 飞机故障智能诊断方法及系统 |
CN102801767A (zh) * | 2011-11-23 | 2012-11-28 | 南京航空航天大学 | 单机级飞机结构phm系统及实现方法 |
CN102540882A (zh) * | 2012-03-01 | 2012-07-04 | 北京航空航天大学 | 一种基于最小参数学习法的飞行器航迹倾角控制方法 |
CN103196430A (zh) * | 2013-04-27 | 2013-07-10 | 清华大学 | 基于无人机的飞行轨迹与视觉信息的映射导航方法及系统 |
CN104932525A (zh) * | 2015-05-28 | 2015-09-23 | 深圳一电科技有限公司 | 无人机的控制方法、装置、地面控制系统及无人机 |
CN104950906A (zh) * | 2015-06-15 | 2015-09-30 | 中国人民解放军国防科学技术大学 | 基于移动通信网络的无人机远程测控系统及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108021754A (zh) * | 2017-12-06 | 2018-05-11 | 北京航空航天大学 | 一种无人机自主空战决策框架及方法 |
CN109885091A (zh) * | 2019-03-21 | 2019-06-14 | 华北电力大学(保定) | 一种无人机自主飞行控制方法及系统 |
CN109885091B (zh) * | 2019-03-21 | 2021-08-24 | 华北电力大学(保定) | 一种无人机自主飞行控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106647807B (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110989576B (zh) | 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法 | |
CN110371112B (zh) | 一种自动驾驶车辆的智能避障系统及方法 | |
Ross et al. | Learning monocular reactive uav control in cluttered natural environments | |
CN108229685B (zh) | 一种空地一体的无人智能决策方法 | |
CN109727490B (zh) | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 | |
CN102200787B (zh) | 机器人行为多层次集成学习方法及系统 | |
CN111950873B (zh) | 基于深度强化学习的卫星实时引导任务规划方法及系统 | |
CN112131786A (zh) | 基于多智能体强化学习的目标探测与分配方法及装置 | |
CN112015174A (zh) | 一种多agv运动规划方法、装置和系统 | |
CN206623754U (zh) | 车道线检测装置 | |
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 | |
CN113848974B (zh) | 一种基于深度强化学习的飞行器轨迹规划方法及系统 | |
CN110162046A (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
CN113942524B (zh) | 一种车辆行驶控制方法、系统及计算机可读存储介质 | |
EP3201694B1 (en) | System and method for controller adaptation | |
CN111679690A (zh) | 一种巡检无人机机巢分布及信息交互方法 | |
Papadopoulos et al. | Towards open and expandable cognitive AI architectures for large-scale multi-agent human-robot collaborative learning | |
CN109657928B (zh) | 一种车载传感器系统的闭环协同调度框架的协同调度方法 | |
CN106647807A (zh) | 无人机的应对策略生成方法和系统 | |
CN114493013A (zh) | 基于强化学习的智能体路径规划方法、电子设备及介质 | |
CN109118580A (zh) | 目标货物堆监控方法及相关装置 | |
Wang et al. | USVs‐Sim: A general simulation platform for unmanned surface vessels autonomous learning | |
WO2021080507A1 (en) | Autonomous vehicle control using context aware reward | |
CN112381376A (zh) | 一种驾驶能力过程性评价的方法及装置 | |
CN113743603A (zh) | 控制方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210608 Address after: Room 1205-a72, 968, 128 Memorial Road, Baoshan District, Shanghai, 200439 Patentee after: JIANZHEN DEFENCE TECHNOLOGY (SHANGHAI) Co.,Ltd. Address before: Room A6912, 180 Changjiang South Road, Baoshan District, Shanghai, 201900 Patentee before: SHANGHAI ZIYU ELECTRONIC TECHNOLOGY Co.,Ltd. |