CN108919640A - 无人机自适应多目标跟踪的实现方法 - Google Patents
无人机自适应多目标跟踪的实现方法 Download PDFInfo
- Publication number
- CN108919640A CN108919640A CN201810359284.1A CN201810359284A CN108919640A CN 108919640 A CN108919640 A CN 108919640A CN 201810359284 A CN201810359284 A CN 201810359284A CN 108919640 A CN108919640 A CN 108919640A
- Authority
- CN
- China
- Prior art keywords
- state
- unmanned plane
- target
- moment
- conviction
- 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
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种无人机自适应多目标跟踪的实现方法,涉及飞行控制领域,本发明通过计算无人机的状态空间和运动方程,求解目标函数,循环计算即可得到整个时间域上的无人机飞行状态和跟踪轨迹。本发明的有益效果在于本发明是基于强化学习研究无人机自适应目标跟踪,构建POMDP框架,选取信念优化方法求解POMDP问题,使得目标函数容易求解,且计算量小,通过仿真也验证了该方法的收敛性。而且从仿真结果可以看出无人机的飞行轨迹平滑,适应度高,能很好的自适应跟踪目标。
Description
技术领域
本发明涉及飞行控制领域,尤其是一种无人机的跟踪方法。
背景技术
由于当今飞行环境复杂而且信息难以获取,无人机仅依靠地面指挥中心提拱的信息进行跟踪已经难以成事,因此如何使得无人机能自发的适应环境并且高效、精确的跟踪目标就显得尤为重要。强化学习(Reinforcement Learning)是一种智能体跟环境不断交互且学习方式跟策略有关的学习,强化学习的模型如图1所示。强化学习的核心在于使收益长期最大化。无人机自适应跟踪问题的核心在于如何选取下一步的最佳飞行动作,所以无人机跟踪问题可以看成是强化学习问题,因此可以建立无人机自适应多目标跟踪控制的强化学习框架,如图2所示。由于强化学习决策出来的每一个状态-行为对都是离散值,且具有马尔科夫性质,因此解决此类满足马尔科夫性质的强化学习问题,其实就是解决部分可观马尔科夫决策过程(POMDP)问题。
现有解决POMDP问题的方法有启发式ECTG、参数近似、policy rollout、hindsightoptimization、foresight optimization等。但是这些方法在解决目标函数优化方面面临计算量大、容易发散的问题。
发明内容
为了克服现有技术的不足,本发明使用信念状态优化方法(Belief-StateOptimization,BO),将复杂的问题通过近似求解目标函数,相比较以上近似方法,它的优点在于计算复杂度较低、计算效率高,计算收敛。
本发明解决其技术问题所采用的技术方案的详细步骤如下:
步骤1:状态空间
状态空间分为系统状态和信念状态,其中系统状态包含无人机状态、目标状态和跟踪状态,在t时刻系统状态表示为χt=(st,ζt,ξt,Pt),其中st为无人机的状态,ζt为目标的状态,(ξt,Pt)为跟踪状态,具体为:
无人机的状态:其中,表示无人机的位置,表示无人机的速度,θt表示无人机的航向角;
第i个目标的状态:其中,i=1,2,...,n,n为目标的数量,表示目标的位置,表示目标在x,y轴上的速度分量;
对于第i个目标的跟踪状态:为滤波后目标状态估计值,为滤波后目标状态的估计协方差;
信念状态指的是系统整体状态的后验分布,在t时刻为:其中,无人机的信念状态为跟踪信念状态为目标信念状态为
步骤2:无人机运动方程
无人机在t时刻的状态为行动量ut=(at,φt),at为加速度,φt为转向角,无人机的运动方程如下:
θt+1=θt+(gTtan(φt)/vt)(2-4)
其中T为仿真步长,为无人机t+1时刻的位置,为t+1时刻无人机的速度,θt+1为t+1时刻无人机的航向角,g为重力加速度,[vmin,vmax]为速度的大小限制;
步骤3:目标运动方程
第i个目标在t时刻的运动状态更新如下:
其中,为第i个目标在t+1时刻的状态,F为状态转移矩阵,为目标的过程噪声,且Q为过程噪声的协方差矩阵;
步骤4:目标状态测量
已知t时刻无人机和第i个目标的位置矢量,为位置协方差矩阵;
依照step1.1到step1.3计算
Step1.1:无人机与目标之间的有效距离和夹角为:
实际距离为:
有效距离为:
无人机与目标之间的夹角:
其中,b为非零常数;
Step1.2:求距离标准偏差和角度标准偏差距离标准偏差为:
角度标准偏差为:
其中p和q为非零常数;
Step1.3:求令:
目标的测量函数更新公式如下:
其中,H为观测矩阵,为测量噪声,并且
步骤5:跟踪状态
t时刻第i个目标的跟踪状态可根据卡尔曼滤波方程所得,具体如下:
预测:
预测协方差:
测量值:
增益矩阵:
滤波后状态:
滤波后估计协方差:
步骤6:目标函数
基于t时刻的状态,对将来l个步长进行预测,则目标函数为:
其中,为信念状态序列,为行动序列,为成本函数;
由得到无人机在第k个步长下的信念状态为第i个目标在k步长下的信念状态为k步长下对第i个目标的跟踪信念状态为则k+1步长下关于第i个目标的信念状态更新方程为:
其中,为成本函数,具体为传感器与目标位置之间的均方误差,可表示为:
其中,可通过以下过程求解:
Step6.1:由公式(6-2)求得通过步骤2求得
Step6.2:求
通过步骤4求得,将以上所求到的值代入(6-3)即可得到
因此目标函数为:
步骤7:最优策略
最优策略即选择t时刻使目标函数Jl(bt)最小的一组行动序列
因此最优策略表示为:
定义行动序列上限为ub,下限为lb,通过梯度下降法求取最优解
步骤8:无人机执行行动
选择最优解里的作为无人机更新状态的运动量,代入步骤2即可求得无人机在t+1时刻的状态更新为:
步骤9:将t+1的无人机状态和最优解代入步骤6、步骤7可得到下一时刻的最优解,再通过步骤8可得到无人机在t+2时刻的状态,循环计算即可得到整个时间域上的无人机飞行状态和跟踪轨迹。
本发明的有益效果在于本发明是基于强化学习研究无人机自适应目标跟踪,构建POMDP框架,选取信念优化方法求解POMDP问题,使得目标函数容易求解,且计算量小,通过仿真也验证了该方法的收敛性。而且从仿真结果可以看出无人机的飞行轨迹平滑,适应度高,能很好的自适应跟踪目标。
附图说明
图1为本发明强化学习的结构模型图,描述智能体和环境交互学习的过程。
图2为本发明无人机自适应多目标跟踪控制的强化学习框架。
图3为本发明给定初始状态后,经过matlab仿真,仿真步长为0.1,仿真次数600,得到无人机跟踪两架目标机的效果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
步骤1:状态空间
状态空间分为系统状态和信念状态,其中系统状态包含无人机状态、目标状态和跟踪状态,在t时刻系统状态表示为χt=(st,ζt,ξt,Pt),其中st为无人机的状态,ζt为目标的状态,(ξt,Pt)为跟踪状态,具体为:
无人机的状态:其中,表示无人机的位置,表示无人机的速度,θt表示无人机的航向角;
第i个目标的状态:其中,i=1,2,...,n,n为目标的数量,表示目标的位置,表示目标在x,y轴上的速度分量;
对于第i个目标的跟踪状态:为滤波后目标状态估计值,为滤波后目标状态的估计协方差;
信念状态指的是系统整体状态的后验分布,在t时刻为:其中,无人机的信念状态为跟踪信念状态为目标信念状态为
步骤2:无人机运动方程
无人机在t时刻的状态为行动量ut=(at,φt),at为加速度,φt为转向角,无人机的运动方程如下:
θt+1=θt+(gT tan(φt)/vt) (2-4)
其中T为仿真步长,为无人机t+1时刻的位置,为t+1时刻无人机的速度,θt+1为t+1时刻无人机的航向角,g为重力加速度,[vmin,vmax]为速度的大小限制;
步骤3:目标运动方程
第i个目标在t时刻的运动状态更新如下:
其中,为第i个目标在t+1时刻的状态,F为状态转移矩阵,为目标的过程噪声,且Q为过程噪声的协方差矩阵;
步骤4:目标状态测量
已知t时刻无人机和第i个目标的位置矢量,为位置协方差矩阵,反映无人机传感器对目标位置距离、角度的不确定性;
依照step1.1到step1.3计算
Step1.1:无人机与目标之间的有效距离和夹角为:
实际距离为:
有效距离为:
无人机与目标之间的夹角
其中,b为非零常数;
Step1.2:求距离标准偏差和角度标准偏差距离标准偏差为:
角度标准偏差为:
其中p和q为非零常数;
Step1.3:求令:
目标的测量函数更新公式如下:
其中,H为观测矩阵,为测量噪声,并且
步骤5:跟踪状态
t时刻第i个目标的跟踪状态可根据卡尔曼滤波方程所得,具体如下:
预测:
预测协方差:
测量值:
增益矩阵:
滤波后状态:
滤波后估计协方差:
步骤6:目标函数
基于t时刻的状态,对将来l个步长进行预测,则目标函数为:
其中,为信念状态序列,为行动序列,为成本函数;
由得到无人机在第k个步长下的信念状态为第i个目标在k步长下的信念状态为k步长下对第i个目标的跟踪信念状态为则k+1步长下关于第i个目标的信念状态更新方程为:
其中,为成本函数,具体为传感器与目标位置之间的均方误差,可表示为:
其中,可通过以下过程求解:
Step6.1:由公式(6-2)求得通过步骤2求得
Step6.2:求
通过步骤4求得,将以上所求到的值代入(6-3)即可得到
因此目标函数为:
步骤7:最优策略
最优策略即选择t时刻使目标函数Jl(bt)最小的一组行动序列
因此最优策略表示为:
定义行动序列上限为ub,下限为lb,通过梯度下降法求取最优解
步骤8:无人机执行行动
选择最优解里的作为无人机更新状态的运动量,代入步骤2即可求得无人机在t+1时刻的状态更新为:
步骤9:将t+1的无人机状态和最优解代入步骤6、步骤7可得到下一时刻的最优解,再通过步骤8可得到无人机在t+2时刻的状态,循环计算即可得到整个时间域上的无人机飞行状态和跟踪轨迹。
本发明实施例考虑的是二维模型,高度已知,坐标系为平面坐标系,一架无人机跟踪两架目标机。即n=2,i=1,2。
步骤1:状态空间
t=0时,系统的初始状态为χ0=(s0,ζ0,ξ0,P0)
其中无人机的初始状态
其中,目标1的初始状态
目标2的初始状态
跟踪状态为:则0时刻的状态为:
初始信念状态同初始系统状态。
步骤2:无人机运动方程
无人机在0时刻状态没有改变,无更新。
步骤3:目标运动方程
randn(1)为产生均值为0,标准差为1的随机数。
已知以及
则:
步骤4:目标状态测量
t=0时,可依照以下步骤计算
Step1.1:无人机与目标之间的有效距离和夹角实际距离:
得r0 1=600,r0 2=600。
取b=2,则有效距离为:
得
目标和无人机之间的夹角为:
Step1.2:求距离标准偏差和角度标准偏差
取p=0.8,距离标准偏差为:
取q=0.0015,角度标准偏差为:
Step1.3:求
已知由
得,
将上述值代入(4-8)得:
步骤5:跟踪状态
预测:
预测协方差:
测量值:
增益矩阵:
滤波后状态:
滤波后估计协方差:
步骤6:目标函数
0时刻对目标未来3个步长进行预测,l=3,则目标函数近似为:
其中k=0,1,2,3。
成本函数为
可通过以下步骤求解:
Step6.1:求解
初始化行动序列
则通过步骤2求解,得
已知
则根据(6-2)求得
Step6.2:求
将step6.1所求的结果代入步骤4,可求得
已知将上述结果代入(6-3)得:
目标函数为:
步骤7:最优策略
最优策略就是选择一组行动序列使得目标函数在此行动下的值最小。
因此,0时刻最优策略可以表示为:
行动序列的上下限为:
lb=[-10,-9π/20;-10,-9π/20;-10,-9π/20;-10,-9π/20;]
ub=[10,9π/20;10,9π/20;10,9π/20;10,9π/20;]
本发明利用MATLAB的fmincon函数计算求得最优行动序列为:
步骤8:无人机执行行动
已知0时刻无人机的状态s0,g=9.8,T=0.1,以及求得的最优解求得无人机在1时刻的状态具体如下:
θ1=θ0+(gT tan(φ0)/v0)=-0.162
Claims (1)
1.一种无人机自适应多目标跟踪的实现方法,其特征在于包括下述步骤:
步骤1:状态空间
状态空间分为系统状态和信念状态,其中系统状态包含无人机状态、目标状态和跟踪状态,在t时刻系统状态表示为χt=(st,ζt,ξt,Pt),其中st为无人机的状态,ζt为目标的状态,(ξt,Pt)为跟踪状态,具体为:
无人机的状态:其中,表示无人机的位置,表示无人机的速度,θt表示无人机的航向角;
第i个目标的状态:其中,i=1,2,...,n,n为目标的数量,表示目标的位置,表示目标在x,y轴上的速度分量;
对于第i个目标的跟踪状态: 为滤波后目标状态估计值,Pt i为滤波后目标状态的估计协方差;
信念状态指的是系统整体状态的后验分布,在t时刻为:其中,无人机的信念状态为跟踪信念状态为目标信念状态为
步骤2:无人机运动方程
无人机在t时刻的状态为行动量ut=(at,φt),at为加速度,φt为转向角,无人机的运动方程如下:
θt+1=θt+(gTtan(φt)/vt) (2-4)
其中T为仿真步长,为无人机t+1时刻的位置,为t+1时刻无人机的速度,θt+1为t+1时刻无人机的航向角,g为重力加速度,[vmin,vmax]为速度的大小限制;
步骤3:目标运动方程
第i个目标在t时刻的运动状态更新如下:
其中,为第i个目标在t+1时刻的状态,F为状态转移矩阵,为目标的过程噪声,且Q为过程噪声的协方差矩阵;
步骤4:目标状态测量
已知t时刻无人机和第i个目标的位置矢量,为位置协方差矩阵;
依照step1.1到step1.3计算
Step1.1:无人机与目标之间的有效距离和夹角为:
实际距离为:
有效距离为:
无人机与目标之间的夹角:
其中,b为非零常数;
Step1.2:求距离标准偏差和角度标准偏差距离标准偏差为:
角度标准偏差为:
其中p和q为非零常数;
Step1.3:求令:
目标的测量函数更新公式如下:
其中,H为观测矩阵,为测量噪声,并且
步骤5:跟踪状态
t时刻第i个目标的跟踪状态可根据卡尔曼滤波方程所得,具体如下:
预测:
预测协方差:
测量值:
增益矩阵:
滤波后状态:
滤波后估计协方差:
步骤6:目标函数
基于t时刻的状态,对将来l个步长进行预测,则目标函数为:
其中,k=0,1,2,...,l,为信念状态序列,为行动序列,为成本函数;
由 得到无人机在第k个步长下的信念状态为第i个目标在k步长下的信念状态为k步长下对第i个目标的跟踪信念状态为则k+1步长下关于第i个目标的信念状态更新方程为:
其中,为成本函数,具体为传感器与目标位置之间的均方误差,可表示为:
其中,可通过以下过程求解:
Step6.1:由公式(6-2)求得通过步骤2求得
Step6.2:求
通过步骤4求得,将以上所求到的值代入(6-3)即可得到
因此目标函数为:
步骤7:最优策略
最优策略即选择t时刻使目标函数Jl(bt)最小的一组行动序列
因此最优策略表示为:
定义行动序列上限为ub,下限为lb,通过梯度下降法求取最优解
步骤8:无人机执行行动
选择最优解里的作为无人机更新状态的运动量,代入步骤2即可求得无人机在t+1时刻的状态更新为:
步骤9:将t+1的无人机状态和最优解代入步骤6、步骤7可得到下一时刻的最优解,再通过步骤8可得到无人机在t+2时刻的状态,循环计算即可得到整个时间域上的无人机飞行状态和跟踪轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359284.1A CN108919640B (zh) | 2018-04-20 | 2018-04-20 | 无人机自适应多目标跟踪的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810359284.1A CN108919640B (zh) | 2018-04-20 | 2018-04-20 | 无人机自适应多目标跟踪的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108919640A true CN108919640A (zh) | 2018-11-30 |
CN108919640B CN108919640B (zh) | 2020-04-03 |
Family
ID=64403256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359284.1A Active CN108919640B (zh) | 2018-04-20 | 2018-04-20 | 无人机自适应多目标跟踪的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108919640B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696830A (zh) * | 2019-01-31 | 2019-04-30 | 天津大学 | 小型无人直升机的强化学习自适应控制方法 |
CN110007688A (zh) * | 2019-04-25 | 2019-07-12 | 西安电子科技大学 | 一种基于强化学习的无人机集群分布式编队方法 |
CN110186456A (zh) * | 2019-04-30 | 2019-08-30 | 中国科学院深圳先进技术研究院 | 一种目标定位的方法、系统、无人机及存储介质 |
CN110806756A (zh) * | 2019-09-10 | 2020-02-18 | 西北工业大学 | 基于ddpg的无人机自主引导控制方法 |
CN111667513A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
CN111752145A (zh) * | 2019-03-26 | 2020-10-09 | 索尼公司 | 设计uav控制器模型的方法和系统、存储介质以及无人机 |
CN113189986A (zh) * | 2021-04-16 | 2021-07-30 | 中国人民解放军国防科技大学 | 一种自主机器人的二阶段自适应行为规划方法及系统 |
CN113573323A (zh) * | 2021-06-18 | 2021-10-29 | 南京理工大学 | 一种基于知识梯度的无人机最优信道快速选择方法 |
WO2021243869A1 (zh) * | 2020-06-03 | 2021-12-09 | 南京慧尔视智能科技有限公司 | 雷达目标跟踪方法、装置、电子设备及存储介质 |
WO2022000967A1 (zh) * | 2020-07-02 | 2022-01-06 | 苏州艾吉威机器人有限公司 | 一种路径跟踪控制方法、系统及计算机可读存储介质 |
CN114995506A (zh) * | 2022-06-20 | 2022-09-02 | 西北工业大学 | 用于面向目标跟踪的飞行器控制方法、计算机系统及介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6727841B1 (en) * | 2003-04-03 | 2004-04-27 | The United States Of America As Represented By The Secretary Of The Air Force | Position-adaptive UAV radar for urban environments |
CN106296743A (zh) * | 2016-08-23 | 2017-01-04 | 常州轻工职业技术学院 | 一种自适应运动目标跟踪方法及无人机跟踪系统 |
CN106324639A (zh) * | 2016-09-13 | 2017-01-11 | 上海顺砾智能科技有限公司 | 一种无人机自主返航的方法 |
CN106371460A (zh) * | 2016-09-07 | 2017-02-01 | 四川天辰智创科技有限公司 | 寻找目标的方法及装置 |
US20170068246A1 (en) * | 2014-07-30 | 2017-03-09 | SZ DJI Technology Co., Ltd | Systems and methods for target tracking |
CN106683118A (zh) * | 2016-12-30 | 2017-05-17 | 北京航空航天大学 | 一种基于分层模型的无人机目标跟踪方法 |
US20170171761A1 (en) * | 2015-10-23 | 2017-06-15 | The Florida International University Board Of Trustees | Interference and mobility management in uav-assisted wireless networks |
CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
US9785147B1 (en) * | 2014-08-13 | 2017-10-10 | Trace Live Network Inc. | Pixel based image tracking system for unmanned aerial vehicle (UAV) action camera system |
CN107424178A (zh) * | 2017-02-24 | 2017-12-01 | 西安电子科技大学 | 一种基于Cortex系列多核处理器的目标跟踪系统实现方法 |
CN107505951A (zh) * | 2017-08-29 | 2017-12-22 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、无人机和计算机可读存储介质 |
-
2018
- 2018-04-20 CN CN201810359284.1A patent/CN108919640B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6727841B1 (en) * | 2003-04-03 | 2004-04-27 | The United States Of America As Represented By The Secretary Of The Air Force | Position-adaptive UAV radar for urban environments |
US20170068246A1 (en) * | 2014-07-30 | 2017-03-09 | SZ DJI Technology Co., Ltd | Systems and methods for target tracking |
US9785147B1 (en) * | 2014-08-13 | 2017-10-10 | Trace Live Network Inc. | Pixel based image tracking system for unmanned aerial vehicle (UAV) action camera system |
US20170171761A1 (en) * | 2015-10-23 | 2017-06-15 | The Florida International University Board Of Trustees | Interference and mobility management in uav-assisted wireless networks |
CN106296743A (zh) * | 2016-08-23 | 2017-01-04 | 常州轻工职业技术学院 | 一种自适应运动目标跟踪方法及无人机跟踪系统 |
CN106371460A (zh) * | 2016-09-07 | 2017-02-01 | 四川天辰智创科技有限公司 | 寻找目标的方法及装置 |
CN106324639A (zh) * | 2016-09-13 | 2017-01-11 | 上海顺砾智能科技有限公司 | 一种无人机自主返航的方法 |
CN106683118A (zh) * | 2016-12-30 | 2017-05-17 | 北京航空航天大学 | 一种基于分层模型的无人机目标跟踪方法 |
CN107424178A (zh) * | 2017-02-24 | 2017-12-01 | 西安电子科技大学 | 一种基于Cortex系列多核处理器的目标跟踪系统实现方法 |
CN106873628A (zh) * | 2017-04-12 | 2017-06-20 | 北京理工大学 | 一种多无人机跟踪多机动目标的协同路径规划方法 |
CN107505951A (zh) * | 2017-08-29 | 2017-12-22 | 深圳市道通智能航空技术有限公司 | 一种目标跟踪方法、无人机和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
JING LI: "《Multi-target detection and tracking from a single camera in Unmanned Aerial Vehicles (UAVs)》", 《2016 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS (IROS)》 * |
辛哲奎: "《小型无人机地面目标跟踪系统机载云台自适应跟踪控制》", 《控制理论与应用》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109696830A (zh) * | 2019-01-31 | 2019-04-30 | 天津大学 | 小型无人直升机的强化学习自适应控制方法 |
CN109696830B (zh) * | 2019-01-31 | 2021-12-03 | 天津大学 | 小型无人直升机的强化学习自适应控制方法 |
US11984038B2 (en) | 2019-03-26 | 2024-05-14 | Sony Corporation | Concept for designing and using an UAV controller model for controlling an UAV |
CN111752145A (zh) * | 2019-03-26 | 2020-10-09 | 索尼公司 | 设计uav控制器模型的方法和系统、存储介质以及无人机 |
CN110007688A (zh) * | 2019-04-25 | 2019-07-12 | 西安电子科技大学 | 一种基于强化学习的无人机集群分布式编队方法 |
CN110007688B (zh) * | 2019-04-25 | 2021-06-01 | 西安电子科技大学 | 一种基于强化学习的无人机集群分布式编队方法 |
CN110186456A (zh) * | 2019-04-30 | 2019-08-30 | 中国科学院深圳先进技术研究院 | 一种目标定位的方法、系统、无人机及存储介质 |
CN110186456B (zh) * | 2019-04-30 | 2023-09-29 | 中国科学院深圳先进技术研究院 | 一种目标定位的方法、系统、无人机及存储介质 |
CN110806756A (zh) * | 2019-09-10 | 2020-02-18 | 西北工业大学 | 基于ddpg的无人机自主引导控制方法 |
CN110806756B (zh) * | 2019-09-10 | 2022-08-02 | 西北工业大学 | 基于ddpg的无人机自主引导控制方法 |
CN111667513B (zh) * | 2020-06-01 | 2022-02-18 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
CN111667513A (zh) * | 2020-06-01 | 2020-09-15 | 西北工业大学 | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 |
WO2021243869A1 (zh) * | 2020-06-03 | 2021-12-09 | 南京慧尔视智能科技有限公司 | 雷达目标跟踪方法、装置、电子设备及存储介质 |
WO2022000967A1 (zh) * | 2020-07-02 | 2022-01-06 | 苏州艾吉威机器人有限公司 | 一种路径跟踪控制方法、系统及计算机可读存储介质 |
CN113189986B (zh) * | 2021-04-16 | 2023-03-14 | 中国人民解放军国防科技大学 | 一种自主机器人的二阶段自适应行为规划方法及系统 |
CN113189986A (zh) * | 2021-04-16 | 2021-07-30 | 中国人民解放军国防科技大学 | 一种自主机器人的二阶段自适应行为规划方法及系统 |
CN113573323A (zh) * | 2021-06-18 | 2021-10-29 | 南京理工大学 | 一种基于知识梯度的无人机最优信道快速选择方法 |
CN114995506A (zh) * | 2022-06-20 | 2022-09-02 | 西北工业大学 | 用于面向目标跟踪的飞行器控制方法、计算机系统及介质 |
CN114995506B (zh) * | 2022-06-20 | 2024-04-26 | 西北工业大学 | 用于面向目标跟踪的飞行器控制方法、计算机系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108919640B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108919640A (zh) | 无人机自适应多目标跟踪的实现方法 | |
CN110806759B (zh) | 一种基于深度强化学习的飞行器航线跟踪方法 | |
CN111667513B (zh) | 一种基于ddpg迁移学习的无人机机动目标跟踪方法 | |
CN106873628B (zh) | 一种多无人机跟踪多机动目标的协同路径规划方法 | |
CN108319286A (zh) | 一种基于强化学习的无人机空战机动决策方法 | |
Boularias et al. | Relative entropy inverse reinforcement learning | |
CN112286218B (zh) | 基于深度确定性策略梯度的飞行器大迎角摇滚抑制方法 | |
CN110442129B (zh) | 一种多智能体编队的控制方法和系统 | |
CN106502255B (zh) | 一种舰载机自动着舰控制系统的设计方法和控制方法 | |
CN110134140A (zh) | 一种环境信息未知连续状态下基于势函数奖赏dqn的无人机路径规划方法 | |
CN109625333A (zh) | 一种基于深度增强学习的空间非合作目标捕获方法 | |
CN109240091A (zh) | 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法 | |
CN105843256B (zh) | 一种多机编队飞行控制方法 | |
CN114460936B (zh) | 基于离线增量学习的自动驾驶汽车路径规划方法及系统 | |
CN109213203A (zh) | 一种基于预见控制的舰载机自动着舰控制方法 | |
Zhang et al. | Global fast terminal sliding mode control for path following of ultra large underactuated ship based on predictive LOS guidance | |
Li et al. | A warm-started trajectory planner for fixed-wing unmanned aerial vehicle formation | |
CN111176324B (zh) | 一种多无人机分布式协同编队规避动态障碍的方法 | |
CN109101035B (zh) | 一种用于高空滑翔uuv纵平面弹道控制的方法 | |
CN114609925B (zh) | 水下探索策略模型的训练方法及仿生机器鱼水下探索方法 | |
CN116796843A (zh) | 一种基于pso-m3ddpg的无人机多对多追逃博弈方法 | |
CN110989649B (zh) | 面向高机动固定翼无人机的飞行动作控制装置及训练方法 | |
CN113110428A (zh) | 一种基于受限反步法控制的舰载机着舰固定时间轨迹跟踪方法 | |
CN107272410B (zh) | 一种基于滑模控制和神经网络的卫星机动自主定轨方法 | |
CN115828631A (zh) | 一种基于近端策略优化算法的飞机失速改出方法 |
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 |
Effective date of registration: 20211124 Address after: 710077 room 1f499, No. c0101, building 1, Chuangye Plaza, No. 48, Keji Road, high tech Zone, Xi'an, Shaanxi Province Patentee after: Xi'an Yunlei Intelligent Technology Co.,Ltd. Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Patentee before: Northwestern Polytechnical University |
|
TR01 | Transfer of patent right |