CN111639393A - 基于微分博弈的探测多危险因子的无人机安全预警方法 - Google Patents

基于微分博弈的探测多危险因子的无人机安全预警方法 Download PDF

Info

Publication number
CN111639393A
CN111639393A CN202010422871.8A CN202010422871A CN111639393A CN 111639393 A CN111639393 A CN 111639393A CN 202010422871 A CN202010422871 A CN 202010422871A CN 111639393 A CN111639393 A CN 111639393A
Authority
CN
China
Prior art keywords
state
unmanned aerial
aerial vehicle
early warning
risk
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
Application number
CN202010422871.8A
Other languages
English (en)
Other versions
CN111639393B (zh
Inventor
刘贵云
舒聪
彭百豪
钟晓静
唐冬
向建化
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou University
Original Assignee
Guangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou University filed Critical Guangzhou University
Priority to CN202010422871.8A priority Critical patent/CN111639393B/zh
Publication of CN111639393A publication Critical patent/CN111639393A/zh
Application granted granted Critical
Publication of CN111639393B publication Critical patent/CN111639393B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/15Vehicle, aircraft or watercraft design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/11Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G5/00Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/04Anti-collision systems
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于微分博弈的探测多危险因子的无人机安全预警方法,包括:S1,构建无人机飞行过程中的状态转换模型;S2,根据状态转换模型建立各个状态的微分方程;S3,建立状态转换模型下的成本代价函数;S4,根据各个状态的微分方程以及成本代价函数,构建哈密尔顿方程。S5,根据哈密尔顿方程,求解满足协态变量条件的方程组以及相应的攻防策略。本发明提供了一个能够探测多方面危险因子的无人机预警系统,无人机预警系统在和多方面危险因子的攻防过程中,利用双边极大值原理,可以得到在复杂飞行环境中,判断是否触发预警系统并执行防御措施的最优策略,提高无人机危险预警的效率和质量。

Description

基于微分博弈的探测多危险因子的无人机安全预警方法
技术领域
本发明涉及无人机安全飞行技术领域,具体涉及一种基于微分博弈的探测多危险因子的无人机安全预警方法。
背景技术
目前无人机大都缺乏自主冲突避让能力。而无人机飞行训练安全问题事故的背后成因复杂多样,既有人员主观因素,又有现实客观因素,既有系统内部矛盾和固有缺陷,又有外部条件的不利影响。因此无人机飞行安全风险的成因主要集中在人员、无人机系统、气象条件、空域和场地等4个方面,在组织无人机飞行活动时,针对性采取相应风险防控策略,有助于防范化解无人机飞行安全风险。
现有的预警系统大多集中在无人机碰撞预警方向,例如何晓薇教授研究了TCAS报警策略、避让与协调解脱的选择以及相关的干扰抑制技术;李丹教授等提出以带约束的布朗运动模拟飞机飞行,用于短期飞行冲突的探测;顾博教授设计了椭圆球状保护区模型,根据运动学方程对空中威胁态势预警;许敬刚教授等研究了二维无人机动态避撞区建模方法,利用无人机和入侵机飞行信息,在机动性能约束下对两机进行碰撞检测。由上述研究可以发现,学者们在研究无人机威胁预警问题时,大都是依据静态保护区概念,对所探测目标信息的依赖性高。而现实中,在混合空域环境内运行的无人机,遇到的各种危险因子相对于无人机来说,多是动态的、非合作的和贫信息的,这给无人机空中飞行活动中的危险预警带来了很大困难,进而影响到无人机危险预警的效率和质量。
发明内容
本发明的目的是为了克服以上现有技术存在的不足,提供了一种在复杂飞行环境中,无人机尽可能保证完成飞行任务且损失最小的前提下的基于微分博弈的探测多危险因子的无人机安全预警方法。
本发明的目的通过以下的技术方案实现:
一种基于微分博弈的探测多危险因子的无人机安全预警方法,应用于无人机飞行中遇到危险因子情景,包括:
S1,构建无人机飞行过程中的状态转换模型;无人机飞行过程中的状态包括正常状态、风险状态、警惕状态、危险状态以及受损状态;
S2,根据状态转换模型建立各个状态的微分方程;
S3,建立状态转换模型下的成本代价函数;
S4,根据各个状态的微分方程以及成本代价函数,构建哈密尔顿方程。
S5,根据哈密尔顿方程,求解满足协态变量条件的方程组以及相应的攻防策略。
优选地,步骤S2中各个状态的微分方程为:
Figure BDA0002497593700000021
Figure BDA0002497593700000022
Figure BDA0002497593700000023
Figure BDA0002497593700000024
Figure BDA0002497593700000025
其中,Q(t)为处于正常的飞行状态的无人机;W(t)为含风险的飞行状态的无人机;R(t)为警惕飞行状态的无人机;E(t)为危险飞行状态的无人机;D(t)为受损状态的无人机;AQW表示危险因子将无人机从安全状态迁移到含风险状态的控制程度;ARE表示危险因子将预警状态无人机迁移到危险状态的控制程度;AWE表示危险因子将未经预警的无人机迁移到危险状态的控制程度;DWR表示预警系统将无人机从含风险状态迁移为含风险警惕状态节点的控制程度;DER表示预警系统将无人机从危险状态迁移到含风险警惕状态节点的控制程度;DRQ表示预警系统将无人机从预警状态到正常状态节点的控制程度;pQW表示无人机从安全状态到含风险状态的转移概率;PQE表示无人机从安全状态到危险状态的转移概率;PRE表示无人机从预警状态到危险状态的转移概率;PWE表示含风险无人机未经预警到危险状态的转移概率;PWR表示无人机从风险状态到警惕状态的转移概率;PER表示无人机从危险状态到警惕状态的转移概率;PRQ表示无人机从预警状态到正常状态的转移概率;PER表示无人机从危险状态到损坏状态的转移概率。
优选地,状态转换模型包括:无人机从正常状态Q(t)进入含风险的状态W(t);无人机从正常状态Q(t)进入危险状态E(t);无人机从危险状态W(t)进入危险状态E(t);无人机从警惕状态R(t)进入危险状态E(t);无人机从警惕状态R(t)进入正常状态Q(t);无人机从危险状态E(t)进入警惕状态R(t);无人机从含风险状态W(t)进入警惕状态R(t);无人机从危险状态E(t)进入受损状态D(t)。
优选地,成本代价函数为:
Figure BDA0002497593700000031
其中,CW为无人机在含风险状态时的成本系数,CW≥0;CR为无人机在含风险预警状态时的成本系数,CR≥0;CE为无人机在危险状态时的成本系数,CE≥0;CD为无人机在损坏状态时的成本系数,CE≥0;CWR为含风险状态无人机触发预警系统进入警惕状态时的成本系数,CWR≥0;CRE为警惕状态无人机采取防御措施后仍进入危险状态时的成本系数,CRE≥0;CRQ为警惕状态无人机采取防御措施后返回到正常状态时的成本系数,CRQ≥0。
优选地,哈密尔顿方程为:
Figure BDA0002497593700000041
其中:λQ(t)为正常飞行状态无人机对应的协态变量;λW(t)为含风险飞行状态无人机对应的协态变量;λR(t)为警惕飞行状态无人机对应的协态变量;λE(t)为危险飞行状态无人机对应的协态变量;λD(t)为受损无人机对应的协态变量;
更进一步地,哈密尔顿方程为:
H=λQ(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λE(t)[-DERPERE(t)+AREPRER(t)+AWEPWEE(t)+PQEQ(t)-PEDE(t)]+λW(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λR(t)[-AREPRER(t)+DERPERE(t)+DWRPWRW(t)-PRQDRQR(t)]+λD(t)PEDE(t)+cWW(t)+cRR(t)+cEE(t)+cDD(t)-cRQDRQPRQ-cWRDWRPWR-cERDERPER
优选地,对于预警系统,控制量分别为:DRQ,DWR,DER;对于无人机飞行危险因子而言,控制量分别为:AQW,ARE,AWE
则根据双边极大值原理,要取得最优控制策略,作为协态变量的λQ(t),λW(t),λR(t),λE(t),λD(t)必须满足以下条件:
Figure BDA0002497593700000042
λQ(t)=0
Figure BDA0002497593700000051
λW(t)=0
Figure BDA0002497593700000052
λR(t)=0
Figure BDA0002497593700000053
λE(t)=0
Figure BDA0002497593700000054
Figure BDA0002497593700000055
根据双边极值原理,并且考虑以下不等式恒成立:
0≤AQW,ARE,AWE,DRQ,DWR,DER≤1
则最优攻防策略如下:
AQW=1,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)>0
AQW=0,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)≤0
ARE=1,当-λR(t)PRER(t)+λE(t)PRER(t)>0
ARE=0,当-λR(t)PRER(t)+λE(t)PRER(t)≤0
AWE=1,当λE(t)PWEW(t)-λE(t)PWEW(t)>0
AWE=0,当λE(t)PWEW(t)-λE(t)PWEW(t)≤0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)<0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)≥0
DWR=1,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)<0
DWR=0,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)≥0
DER=1,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)<0
DER=0,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)≥0。
本发明相对于现有技术具有如下优点:
本发明提供了一个能够探测多方面危险因子的无人机预警系统,无人机预警系统在和多方面危险因子的攻防过程中,通过建立哈密尔顿方程和利用双边极大值原理,可以得到在复杂飞行环境中,无人机尽可能保证完成飞行任务且损失最小的前提下,判断是否触发预警系统并执行防御措施的最优策略,提高无人机危险预警的效率和质量。比如,当可能存在碰撞和其它冲突时,无人机通过预警系统启动防御措施,通过调节自身的航向,速度等改变运行航迹,或者紧急降落,以达到安全运行,减少事故损失的目的。无人机编队是否能够安全运行,顺利完成飞行任务,减少可能遇到的事故损失,与无人机的自主冲突探测和冲突解脱能力关系紧密。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的基于微分博弈的探测多危险因子的无人机安全预警方法的示意性流程图。
图2为本发明的无人机飞行过程中的状态转换模型图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的基于微分博弈的探测多危险因子的无人机安全预警方法应用于无人机安全预警系统之中,得到一种最优的预警系统对抗多风险因子的攻防策略,具体如下:
参见图1、一种基于微分博弈的探测多危险因子的无人机安全预警方法,应用于无人机飞行中遇到危险因子情景,包括:
S1,构建无人机飞行过程中的状态转换模型;无人机飞行过程中的状态包括正常状态、风险状态、警惕状态、危险状态以及受损状态;参见图2,状态转换模型包括:无人机从正常状态Q(t)进入含风险的状态W(t);无人机从正常状态Q(t)进入危险状态E(t);无人机从风险状态W(t)进入危险状态E(t);无人机从警惕状态R(t)进入危险状态E(t);无人机从警惕状态R(t)进入正常状态Q(t);无人机从危险状态E(t)进入警惕状态R(t);无人机从含风险状态W(t)进入警惕状态R(t);无人机从危险状态E(t)进入受损状态D(t)。
S2,根据状态转换模型建立各个状态的微分方程;各个状态的微分方程分别为:
Figure BDA0002497593700000071
Figure BDA0002497593700000072
Figure BDA0002497593700000073
Figure BDA0002497593700000074
Figure BDA0002497593700000075
其中,Q(t)为处于正常的飞行状态的无人机;W(t)为含风险的飞行状态的无人机;R(t)为警惕飞行状态的无人机;E(t)为危险飞行状态的无人机;D(t)为受损状态的无人机;AQW表示危险因子将无人机从安全状态迁移到含风险状态的控制程度;ARE表示危险因子将预警状态无人机迁移到危险状态的控制程度;AWE表示危险因子将未经预警的无人机迁移到危险状态的控制程度;DWR表示预警系统将无人机从含风险状态迁移为含风险警惕状态节点的控制程度;DER表示预警系统将无人机从危险状态迁移到含风险警惕状态节点的控制程度;DRQ表示预警系统将无人机从预警状态到正常状态节点的控制程度;pQW表示无人机从安全状态到含风险状态的转移概率;PQE表示无人机从安全状态到危险状态的转移概率;PRE表示无人机从预警状态到危险状态的转移概率;PWE表示含风险无人机未经预警到危险状态的转移概率;PWR表示无人机从风险状态到警惕状态的转移概率;PER表示无人机从危险状态到警惕状态的转移概率;PRQ表示无人机从预警状态到正常状态的转移概率;PER表示无人机从危险状态到损坏状态的转移概率。
S3,建立状态转换模型下的成本代价函数;成本代价函数为:
Figure BDA0002497593700000081
其中,CW为无人机在含风险状态时的成本系数,CW≥0;CR为无人机在含风险预警状态时的成本系数,CR≥0;CE为无人机在危险状态时的成本系数,CE≥0;CD为无人机在损坏状态时的成本系数,CE≥0;CWR为含风险状态无人机触发预警系统进入警惕状态时的成本系数,CWR≥0;CRE为警惕状态无人机采取防御措施后仍进入危险状态时的成本系数,CRE≥0;CRQ为警惕状态无人机采取防御措施后返回到正常状态时的成本系数,CRQ≥0。
S4,根据各个状态的微分方程以及成本代价函数,构建哈密尔顿方程;哈密尔顿方程为:
Figure BDA0002497593700000082
其中:λQ(t)为正常飞行状态无人机对应的协态变量;λW(t)为含风险飞行状态无人机对应的协态变量;λR(t)为警惕飞行状态无人机对应的协态变量;λE(t)为危险飞行状态无人机对应的协态变量;λD(t)为受损无人机对应的协态变量;
更进一步地,哈密尔顿方程为:
H=λQ(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λE(t)[-DERPERE(t)+AREPRER(t)+AWEPWEE(t)+PQEQ(t)-PEDE(t)]+λW(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λR(t)[-AREPRER(t)+DERPERE(t)+DWRPWRW(t)-PRQDRQR(t)]+λD(t)PEDE(t)+cWW(t)+cRR(t)+cEE(t)+cDD(t)-cRQDRQPRQ-cWRDWRPWR-cERDERPER
S5,根据哈密尔顿方程,求解满足协态变量条件的方程组以及相应的攻防策略。
对于预警系统,控制量分别为:DRQ,DWR,DER;对于无人机飞行危险因子而言,控制量分别为:AQW,ARE,AWE
则根据双边极大值原理,要取得最优控制策略,作为协态变量的λQ(t),λW(t),λR(t),λE(t),λD(t)必须满足以下条件:
Figure BDA0002497593700000091
λQ(t)=0
Figure BDA0002497593700000092
λW(t)=0
Figure BDA0002497593700000093
λR(t)=0
Figure BDA0002497593700000101
λE(t)=0
Figure BDA0002497593700000102
Figure BDA0002497593700000103
根据双边极值原理,并且考虑以下不等式恒成立:
0≤AQW,ARE,AWE,DRQ,DWR,DER≤1
则最优攻防策略如下:
AQW=1,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)>0
AQW=0,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)≤0
ARE=1,当-λR(t)PRER(t)+λE(t)PRER(t)>0
ARE=0,当-λR(t)PRER(t)+λE(t)PRER(t)≤0
AWE=1,当λE(t)PWEW(t)-λE(t)PWEW(t)>0
AWE=0,当λE(t)PWEW(t)-λE(t)PWEW(t)≤0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)<0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)≥0
DWR=1,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)<0
DWR=0,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)≥0
DER=1,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)<0
DER=0,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)≥0。
上述具体实施方式为本发明的优选实施例,并不能对本发明进行限定,其他的任何未背离本发明的技术方案而所做的改变或其它等效的置换方式,都包含在本发明的保护范围之内。

Claims (6)

1.一种基于微分博弈的探测多危险因子的无人机安全预警方法,应用于无人机飞行中遇到危险因子情景,其特征在于,包括:
S1,构建无人机飞行过程中的状态转换模型;无人机飞行过程中的状态包括正常状态、风险状态、警惕状态、危险状态以及受损状态;
S2,根据状态转换模型建立各个状态的微分方程;
S3,建立状态转换模型下的成本代价函数;
S4,根据各个状态的微分方程以及成本代价函数,构建哈密尔顿方程。
S5,根据哈密尔顿方程,求解满足协态变量条件的方程组以及相应的攻防策略。
2.根据权利要求1所述的基于微分博弈的探测多危险因子的无人机安全预警方法,其特征在于,步骤S2中各个状态的微分方程为:
Figure FDA0002497593690000011
Figure FDA0002497593690000012
Figure FDA0002497593690000013
Figure FDA0002497593690000014
Figure FDA0002497593690000015
其中,Q(t)为处于正常的飞行状态的无人机;W(t)为含风险的飞行状态的无人机;R(t)为警惕飞行状态的无人机;E(t)为危险飞行状态的无人机;D(t)为受损状态的无人机;AQW表示危险因子将无人机从安全状态迁移到含风险状态的控制程度;ARE表示危险因子将预警状态无人机迁移到危险状态的控制程度;AWE表示危险因子将未经预警的无人机迁移到危险状态的控制程度;DWR表示预警系统将无人机从含风险状态迁移为含风险警惕状态节点的控制程度;DER表示预警系统将无人机从危险状态迁移到含风险警惕状态节点的控制程度;DRQ表示预警系统将无人机从预警状态到正常状态节点的控制程度;pQW表示无人机从安全状态到含风险状态的转移概率;PQE表示无人机从安全状态到危险状态的转移概率;PRE表示无人机从预警状态到危险状态的转移概率;PWE表示含风险无人机未经预警到危险状态的转移概率;PWR表示无人机从风险状态到警惕状态的转移概率;PER表示无人机从危险状态到警惕状态的转移概率;PRQ表示无人机从预警状态到正常状态的转移概率;PER表示无人机从危险状态到损坏状态的转移概率。
3.根据权利要求2所述的基于微分博弈的探测多危险因子的无人机安全预警方法,其特征在于,状态转换模型包括:无人机从正常状态Q(t)进入含风险的状态W(t);无人机从正常状态Q(t)进入危险状态E(t);无人机从风险状态W(t)进入危险状态E(t);无人机从警惕状态R(t)进入危险状态E(t);无人机从警惕状态R(t)进入正常状态Q(t);无人机从危险状态E(t)进入警惕状态R(t);无人机从含风险状态W(t)进入警惕状态R(t);无人机从危险状态E(t)进入受损状态D(t)。
4.根据权利要求1所述的基于微分博弈的探测多危险因子的无人机安全预警方法,其特征在于,成本代价函数为:
Figure FDA0002497593690000021
其中,CW为无人机在含风险状态时的成本系数,CW≥0;CR为无人机在含风险预警状态时的成本系数,CR≥0;CE为无人机在危险状态时的成本系数,CE≥0;CD为无人机在损坏状态时的成本系数,CE≥0;CWR为含风险状态无人机触发预警系统进入警惕状态时的成本系数,CWR≥0;CRE为警惕状态无人机采取防御措施后仍进入危险状态时的成本系数,CRE≥0;CRQ为警惕状态无人机采取防御措施后返回到正常状态时的成本系数,CRQ≥0。
5.根据权利要求4所述的基于微分博弈的探测多危险因子的无人机安全预警方法,其特征在于,哈密尔顿方程为:
Figure FDA0002497593690000031
其中:λQ(t)为正常飞行状态无人机对应的协态变量;λW(t)为含风险飞行状态无人机对应的协态变量;λR(t)为警惕飞行状态无人机对应的协态变量;λE(t)为危险飞行状态无人机对应的协态变量;λD(t)为受损无人机对应的协态变量;
更进一步地,哈密尔顿方程为:
H=λQ(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λE(t)[-DERPERE(t)+AREPRER(t)+AWEPWEE(t)+PQEQ(t)-PEDE(t)]+λW(t)[AQWPQWQ(t)W(t)-DWRPWRW(t)-AWEPWEE(t)]+λR(t)[-AREPRER(t)+DERPERE(t)+DWRPWRW(t)-PRQDRQR(t)]+λD(t)PEDE(t)+cWW(t)+cRR(t)+cEE(t)+cDD(t)-cRQDRQPRQ-cWRDWRPWR-cERDERPER
6.根据权利要求5所述的基于微分博弈的探测多危险因子的无人机安全预警方法,其特征在于,对于预警系统,控制量分别为:DRQ,DWR,DER;对于无人机飞行危险因子而言,控制量分别为:AQW,ARE,AWE
则根据双边极大值原理,要取得最优控制策略,作为协态变量的λQ(t),λW(t),λR(t),λE(t),λD(t)必须满足以下条件:
Figure FDA0002497593690000032
λQ(t)=0
Figure FDA0002497593690000041
λW(t)=0
Figure FDA0002497593690000042
λR(t)=0
Figure FDA0002497593690000043
λE(t)=0
Figure FDA0002497593690000044
Figure FDA0002497593690000045
根据双边极值原理,并且考虑以下不等式恒成立:
0≤AQW,ARE,AWE,DRQ,DWR,DER≤1
则最优攻防策略如下:
AQW=1,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)>0
AQW=0,当:-λQ(t)PQWW(t)+λE(t)PQWW(t)-λQ(t)PQWQ(t)+λW(t)PQWQ(t)≤0
ARE=1,当-λR(t)PRER(t)+λE(t)PRER(t)>0
ARE=0,当-λR(t)PRER(t)+λE(t)PRER(t)≤0
AWE=1,当λE(t)PWEW(t)-λE(t)PWEW(t)>0
AWE=0,当λE(t)PWEW(t)-λE(t)PWEW(t)≤0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)<0
DRQ=1,当λQ(t)PRQR(t)-λR(t)PRQR(t)-cRQPRQR(t)≥0
DWR=1,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)<0
DWR=0,当-λW(t)PWRW(t)+λR(t)PWRR(t)-cWRPWRW(t)≥0
DER=1,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)<0
DER=0,当λR(t)PERE(t)-λE(t)PERE(t)-cERPERE(t)≥0。
CN202010422871.8A 2020-05-19 2020-05-19 基于微分博弈的探测多危险因子的无人机安全预警方法 Active CN111639393B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010422871.8A CN111639393B (zh) 2020-05-19 2020-05-19 基于微分博弈的探测多危险因子的无人机安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010422871.8A CN111639393B (zh) 2020-05-19 2020-05-19 基于微分博弈的探测多危险因子的无人机安全预警方法

Publications (2)

Publication Number Publication Date
CN111639393A true CN111639393A (zh) 2020-09-08
CN111639393B CN111639393B (zh) 2023-04-18

Family

ID=72332851

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010422871.8A Active CN111639393B (zh) 2020-05-19 2020-05-19 基于微分博弈的探测多危险因子的无人机安全预警方法

Country Status (1)

Country Link
CN (1) CN111639393B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929841A (zh) * 2021-01-27 2021-06-08 广州大学 一种带时滞项的充电无线传感器的恶意程序控制方法
CN115294487A (zh) * 2022-10-09 2022-11-04 国网电力空间技术有限公司 一种无人机风险等级获取方法、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140851A1 (en) * 2014-11-18 2016-05-19 Ziv LEVY Systems and methods for drone navigation
CN106936855A (zh) * 2017-05-12 2017-07-07 中国人民解放军信息工程大学 基于攻防微分博弈的网络安全防御决策确定方法及其装置
CN108696534A (zh) * 2018-06-26 2018-10-23 中国人民解放军战略支援部队信息工程大学 实时网络安全威胁预警分析方法及其装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160140851A1 (en) * 2014-11-18 2016-05-19 Ziv LEVY Systems and methods for drone navigation
CN106936855A (zh) * 2017-05-12 2017-07-07 中国人民解放军信息工程大学 基于攻防微分博弈的网络安全防御决策确定方法及其装置
CN108696534A (zh) * 2018-06-26 2018-10-23 中国人民解放军战略支援部队信息工程大学 实时网络安全威胁预警分析方法及其装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112929841A (zh) * 2021-01-27 2021-06-08 广州大学 一种带时滞项的充电无线传感器的恶意程序控制方法
CN115294487A (zh) * 2022-10-09 2022-11-04 国网电力空间技术有限公司 一种无人机风险等级获取方法、存储介质及电子设备
CN115294487B (zh) * 2022-10-09 2023-01-31 国网电力空间技术有限公司 一种无人机风险等级获取方法、存储介质及电子设备

Also Published As

Publication number Publication date
CN111639393B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110782481B (zh) 无人艇智能决策方法及系统
CN111639393B (zh) 基于微分博弈的探测多危险因子的无人机安全预警方法
CN201918032U (zh) 一种飞行器低空飞行防撞的装置
Perera et al. Intelligent ocean navigation and fuzzy-Bayesian decision/action formulation
CN1166922C (zh) 多传感器多目标信息融合方法
AU2021101247A4 (en) Human-in-the-Loop Consensus Control for High-Rise Firefighting Multi-MUAV Systems with Unknown Disturbances and Actuator Failures
Xu et al. Dynamic collision avoidance algorithm for unmanned surface vehicles via layered artificial potential field with collision cone
CN104537898A (zh) 一种空地协同的无人机感知规避系统及其规避方法
CN111142549A (zh) 一种无人机姿态控制系统抗干扰攻击检测与自愈控制器及控制方法
CN107491087B (zh) 一种基于碰撞锥的无人机编队避障优先级在线配置方法
CN111861155A (zh) 船舶碰撞风险检测方法、系统、计算机设备和存储介质
CN112749761A (zh) 基于注意力机制和循环神经网络的敌方作战意图识别方法及系统
Ramos et al. Autonomous systems safety–state of the art and challenges
CN113139331A (zh) 一种基于贝叶斯网络的空空导弹态势感知与决策方法
Hansen et al. Colregs-based situation awareness for marine vessels-a discrete event systems approach
CN106155082A (zh) 一种基于光流的无人机仿生智能避障方法
Tsintotas et al. The MPU RX-4 project: Design, electronics, and software development of a geofence protection system for a fixed-wing vtol uav
Gan et al. Dynamic collision avoidance zone modeling method based on UAV emergency collision avoidance trajectory
Wang et al. USVs‐Sim: A general simulation platform for unmanned surface vessels autonomous learning
Hanson et al. On-Line Situation Assessment for Unmanned Air Vehicles.
CN113220034A (zh) 自主重构和人工干预重构相结合的无人机集群重构系统
CN113625739A (zh) 一种基于试探机动选择算法的专家系统优化方法
Alam et al. Ai on the water: Applying drl to autonomous vessel navigation
Wang et al. Pursuit-Evasion Game of Unmanded Surface Vehicles Based on Deep Reinforcement Learning
Cai et al. A novel hierarchical decomposition for multi-player pursuit evasion differential game with superior evaders

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