CN109144099A - 基于卷积神经网络的无人机群行动方案快速评估方法 - Google Patents
基于卷积神经网络的无人机群行动方案快速评估方法 Download PDFInfo
- Publication number
- CN109144099A CN109144099A CN201810989468.6A CN201810989468A CN109144099A CN 109144099 A CN109144099 A CN 109144099A CN 201810989468 A CN201810989468 A CN 201810989468A CN 109144099 A CN109144099 A CN 109144099A
- Authority
- CN
- China
- Prior art keywords
- scheme
- matrix
- input
- output
- neural networks
- 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
- 230000009471 action Effects 0.000 title claims abstract description 33
- 238000011156 evaluation Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000013468 resource allocation Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 210000004218 nerve net Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明基于卷积神经网络的无人机群行动方案快速评估方法,步骤一:数据输入与处理,输入的行动方案由任务分配、资源分配、飞机动作序列组成,分别用矩阵表示,再将其合并为一个方案矩阵。步骤二:构建卷积神经网络,将方案矩阵输入到卷积层,提取特征信息后,将卷积层输出到池化层,进行数据降维,再输出到卷积层,经多次卷积‑池化处理后的数据输出到全连接层,得到行动方案评估的预测值。步骤三:将预测值与Anylogic推演平台输出值的差值对神经网络进行训练。步骤四:将方案信息输入到训练好的神经网络,输出值为该方案的快速评估结果。本发明方法评估速度大大提高;提升了评估的准确度和客观性;解决了行动方案复杂、维度过多的问题。
Description
技术领域
本发明属于无人机群任务规划领域,涉及一种基于卷积神经网络的无人机群行动方案快速评估方法,该方法可以对行动方案进行快速评估。
技术背景
无人机又称为无人驾驶飞行器(Unmanned Aerial Vehicle,UAV),在其使用过程中,不需要搭载操作人员,以空气动力提供升力,能够通过远程遥控飞行或在预定程序的控制下进行自主飞行,通过搭载任务设备执行特定任务。随着自动化、计算机等各种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。另外无人机任务需求也更为广泛,无人机更多的情况下需要在富含不确定性因素的复杂动态环境下,执行各种任务。无人机系统自身复杂性的提高和任务需求难度的增加,对无人机飞行控制提出了新的更高要求,多无人机协同任务执行已经成为无人机使用的必然选择。协同分配多无人机的任务,自动生成与优化各架无人机的任务计划,针对突发状况进行在线调整与重规划,实现对多无人机的协调指挥控制,以提高任务执行效率,减轻地面控制人员的压力,保证任务完成效果和无人机的自身安全。
目前针对无人机群的方案生成的研究算法生大多需要建立评估函数来评价一个方案的优劣,评估函数的好坏直接决定了方案生成算法的效果。AnyLogic是一款应用广泛的,对离散、系统动力学、多智能体和混合系统建模和仿真的工具,它能够比较真实准确的反映无人机群行动的过程和结果。使用仿真推演平台评价方案的优劣虽然准确度高,但是推演速度太慢,严重影响行动方案的优化效率。有人提出使用BP神经网络和径向基神经网络建立评估函数,但是这两种神经网络只能解决简单行动方案的评估问题,如果方案信息包含目标分配、路径规划、资源分配、动作序列等内容,BP神经网络和径向基神经网络将会变得异常复杂。因此如何快速评估无人机群行动方案是亟待解决的问题。
发明内容
本发明的目的提供一种基于卷积神经网络的无人机群行动方案快速评估方法,用于模拟仿真平台,能够得到一个相对准确的方案评估值,从而改善方案生成优化的效果。
本发明的基本思路为:卷积神经网络的输入是一个矩阵,如何将任务矩阵、资源矩阵、动作矩阵合并,提出以下思路:首先把三个矩阵转为一维向量,然后将三个一维向量合为一,组成一个一维向量,最后将一维向量转化为m*n的矩阵,这种思路的优点是适用性和扩展性强,将来增加新的矩阵也比较容易。方案矩阵作为输入量x,受局部感受野概念的启发,利用卷积层中的卷积核对输入量x进行扫描抽取方案的特征信息,池化层对特征信息进行降维处理,然后再输出到卷积层,经过多次的卷积池化处理,最终将结果输出到一个全连接层得到最终的预测值,推演后的评估值作为输出量y,通过计算预测值和输出量y对神经网络进行训练。
本发明基于卷积神经网络的无人机群行动方案快速评估方法,该方法具体步骤如下:
步骤一:数据输入与处理,输入的行动方案由任务分配、资源分配、飞机动作序列组成,分别用矩阵表示三部分内容,然后任务矩阵、资源矩阵和动作矩阵合并为一个方案矩阵。
步骤二:构建卷积神经网络,将方案矩阵输入到卷积层,提取特征信息后,将卷积层输出到池化层,进行数据降维,然后再输出到卷积层,经过多次卷积-池化处理后的数据输出到全连接层,最终得到行动方案评估的预测值。
步骤三:根据步骤二得到的预测值与Anylogic推演平台的输出值的差值对神经网络进行训练。
步骤四:将方案信息输入到训练好的神经网络,则神经网络的输出值就是该方案的快速评估结果。
本发明的基于卷积神经网络的无人机群行动方案快速评估方法,其技术效果为:
1)相对于仿真推演平台,评估速度大大提高。
2)相对于传统的方案评估函数,提升了方案评估的准确度和客观性。
3)卷积神经网络具有局部感知和参数共享的特点,较好的解决了行动方案复杂、维度过多的问题。
附图说明
图1是基于卷积神经网络的无人机群行动方案快速评估方法流程图。
图2入数据处理流程图。
图3卷积神经网络全连接层原理图。
具体实施方式
以下结合附图和技术方案,进一步说明本发明的具体实施方式。
本发明一种基于卷积神经网络的无人机群行动方案快速评估方法,如图1所示,具体包括如下步骤:
步骤一:数据输入与处理,输入的行动方案由任务分配、资源分配、飞机动作序列组成,分别用矩阵表示三部分内容;如图2所示,首先把任务时序矩阵、资源矩阵和动作矩阵化分别转化为三个一维向量,然后将三个一维向量合为一,组成一个1×N维向量,最后将1×N维向量转化为m×n的方案矩阵P,如果m×n>N,则在1×N维向量增加k个零,使之满足以下公式
m×n=N+k;
步骤二:CNN模型构建:将步骤一的方案矩阵输入到卷积层,提取特征信息后,将卷积层输出到池化层,进行数据降维,然后再输出到卷积层,进行多次卷积池化处理,神经网络的层数要根据行动方案的复杂度来确定,行动方案越复杂,神经网络层数就越多。假设是一个有5架飞机联合执行的一个多目标救援任务,参考LeNet-5卷积神经网络的结构,由一个输入层、两个卷积层、两个池化层、一个全连接层、一个输出层组成,卷积核的数量设置的主要依据是行动方案的复杂度,行动方案越复杂卷积核的数量需要越多。将卷积-池化处理后的信息输出到全连接层,全连接层主要对特征进行重新拟合,减少特征信息的丢失,得到预测值h,如图3所示。
其中w表示全连接层神经网络的权重,全连接层有t个神经网络,b代表全连接层的偏置,x代表最后一层池化层的输出,f代表激活函数。
步骤三:神经网络训练:通过计算预测值h与推演平台的输出值y来训练神经网络中的参数。首先利用预测值h与推演平台的输出值y计算损失函数J(θ):
其中m代表训练数据的个数,θ代表神经网络的参数,包括卷积层和全连接层的权重w、偏置b。
更新神经网络的参数θ,包括卷积层和全连接层的权重w、偏置b,α代表学习速率,J(θ)代表损失函数:
步骤四:方案信息输入到训练好的神经网络,则神经网络的输出值可作为该方案的快速评估结果。
Claims (1)
1.一种基于卷积神经网络的无人机群行动方案快速评估方法,其特征在于:该方法具体步骤如下:
步骤一:数据输入与处理,输入的行动方案由任务分配、资源分配、飞机动作序列组成,分别用矩阵表示三部分内容,然后任务矩阵、资源矩阵和动作矩阵合并为一个方案矩阵;
步骤二:构建卷积神经网络,将方案矩阵输入到卷积层,提取特征信息后,将卷积层输出到池化层,进行数据降维,然后再输出到卷积层,经过多次卷积-池化处理后的数据输出到全连接层,最终得到行动方案评估的预测值;
步骤三:根据步骤二得到的预测值与Anylogic推演平台的输出值的差值对神经网络进行训练;
步骤四:将方案信息输入到训练好的神经网络,则神经网络的输出值就是该方案的快速评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989468.6A CN109144099B (zh) | 2018-08-28 | 2018-08-28 | 基于卷积神经网络的无人机群行动方案快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810989468.6A CN109144099B (zh) | 2018-08-28 | 2018-08-28 | 基于卷积神经网络的无人机群行动方案快速评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144099A true CN109144099A (zh) | 2019-01-04 |
CN109144099B CN109144099B (zh) | 2020-10-20 |
Family
ID=64828758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810989468.6A Active CN109144099B (zh) | 2018-08-28 | 2018-08-28 | 基于卷积神经网络的无人机群行动方案快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144099B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142557A (zh) * | 2019-12-23 | 2020-05-12 | 清华大学 | 无人机路径规划方法、系统、计算机设备及可读存储介质 |
CN112203291A (zh) * | 2020-12-03 | 2021-01-08 | 中国科学院自动化研究所 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
CN113487107A (zh) * | 2021-07-28 | 2021-10-08 | 华南农业大学 | 基于多层径向基网络的大型动物体重自动评估方法、系统及介质 |
CN116739323A (zh) * | 2023-08-16 | 2023-09-12 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070299794A1 (en) * | 2006-06-26 | 2007-12-27 | Hesham El-Damhougy | Neural network-based node mobility and network connectivty predictions for mobile ad hoc radio networks |
CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
-
2018
- 2018-08-28 CN CN201810989468.6A patent/CN109144099B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070299794A1 (en) * | 2006-06-26 | 2007-12-27 | Hesham El-Damhougy | Neural network-based node mobility and network connectivty predictions for mobile ad hoc radio networks |
CN107092960A (zh) * | 2017-04-17 | 2017-08-25 | 中国民航大学 | 一种改进的并行通道卷积神经网络训练方法 |
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN108399745A (zh) * | 2018-03-01 | 2018-08-14 | 北京航空航天大学合肥创新研究院 | 一种基于无人机的分时段城市路网状态预测方法 |
Non-Patent Citations (3)
Title |
---|
丁帆 等: "无人机主动协同式编队飞行指挥与控制研究", 《情报交流》 * |
梁栋: "基于深度学习的目标识别研究及其多机器人编队应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
纪超 等: "基于神经网络的多机协同编队控制器设计", 《工业控制与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142557A (zh) * | 2019-12-23 | 2020-05-12 | 清华大学 | 无人机路径规划方法、系统、计算机设备及可读存储介质 |
CN112203291A (zh) * | 2020-12-03 | 2021-01-08 | 中国科学院自动化研究所 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
CN112203291B (zh) * | 2020-12-03 | 2021-02-23 | 中国科学院自动化研究所 | 基于知识嵌入的区域覆盖和连通保持的集群控制方法 |
CN113487107A (zh) * | 2021-07-28 | 2021-10-08 | 华南农业大学 | 基于多层径向基网络的大型动物体重自动评估方法、系统及介质 |
CN113487107B (zh) * | 2021-07-28 | 2024-04-12 | 华南农业大学 | 基于多层径向基网络的大型动物体重自动评估方法、系统及介质 |
CN116739323A (zh) * | 2023-08-16 | 2023-09-12 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
CN116739323B (zh) * | 2023-08-16 | 2023-11-10 | 北京航天晨信科技有限责任公司 | 一种面向应急资源调度的智能评估方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109144099B (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109144099A (zh) | 基于卷积神经网络的无人机群行动方案快速评估方法 | |
CN112256056B (zh) | 基于多智能体深度强化学习的无人机控制方法及系统 | |
CN112162564B (zh) | 基于模仿学习和强化学习算法的无人机飞行控制方法 | |
CN108171315B (zh) | 基于smc粒子群算法的多无人机任务分配方法 | |
CN110488859B (zh) | 一种基于改进Q-learning算法的无人机航路规划方法 | |
CN108170162B (zh) | 多尺度风扰分析无人机机群协调控制系统性能评估方法 | |
CN107942720A (zh) | 一种便携式地面在线飞行仿真系统 | |
CN105953800B (zh) | 一种无人飞行器航迹规划栅格空间划分方法 | |
CN106127146A (zh) | 一种基于手势识别的无人机航迹指引方法 | |
CN104504520B (zh) | 一种基于神经网络的深空探测器自主任务规划方法 | |
CN107103164A (zh) | 无人机执行多任务的分配方法及装置 | |
CN114355777B (zh) | 一种基于分布式压力传感器与分段姿态控制的动态滑翔方法及系统 | |
CN103617324A (zh) | 基于FlightGear仿真软件的飞行仿真记录分析系统 | |
Cheng et al. | Research status of artificial neural network and its application assumption in aviation | |
CN106406098B (zh) | 一种机器人系统在未知环境下的人机交互控制方法 | |
CN111813146B (zh) | 基于bp神经网络预测航程的再入预测-校正制导方法 | |
CN104573285A (zh) | 一种基于飞行员动作特征的驾驶舱布局设计方法 | |
Duan et al. | Parameters identification of UCAV flight control system based on predator-prey particle swarm optimization | |
CN103823380B (zh) | 一种考虑飞行品质的直升机总体设计方法 | |
CN115289917B (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
CN111563297A (zh) | 一种基于bp网络的超声速飞行器热环境计算方法 | |
CN106950826A (zh) | 一种基于蚁群算法的气化装置pid参数整定方法 | |
CN114879742A (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 | |
CN115524964A (zh) | 一种基于强化学习的火箭着陆实时鲁棒制导方法及系统 | |
Dai et al. | Reinforcement learning control for multi-axis rotor configuration UAV |
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 |