CN112666984B - 一种多对一的智能协同追逃博弈方法及系统 - Google Patents
一种多对一的智能协同追逃博弈方法及系统 Download PDFInfo
- Publication number
- CN112666984B CN112666984B CN202011595802.3A CN202011595802A CN112666984B CN 112666984 B CN112666984 B CN 112666984B CN 202011595802 A CN202011595802 A CN 202011595802A CN 112666984 B CN112666984 B CN 112666984B
- Authority
- CN
- China
- Prior art keywords
- escape
- tracking
- escapement
- initial position
- optimal
- 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.)
- Active
Links
Images
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种飞行器追逃博弈方法及系统,所述方法包括:获取逃逸体的运动信息;根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息;利用所述追踪信息对所述逃逸体进行追踪;通过设置两个追踪体追踪一个逃逸体,不仅弥补一个追踪体追踪一个逃逸体时追踪效果不佳问题,同时较大的提升协同追踪能力。
Description
技术领域
本发明涉及追逃控制领域,更具体的,涉及一种飞行器追逃博弈方法及系统。
背景技术
传统追踪问题为一个追踪体如导弹、鱼雷、飞机等追踪一个目标,随着科技的发展,目标的飞行速度、机动能力越来越强,这就对追踪体的动态性能、能力范围提出更高的要求,然而,追求一个追踪体的追踪能力大幅提升是困难的,它势必要求更佳的技术及更合理的成本;此外,目标硬性能力的提升同样是一方面,不容忽视的一点是,目标将逐渐变成智能体,智能体的特点在于能够进行灵活的突防,应对智能体灵活突防的方式是采用博弈的理论进行分析,如微分对策理论,然而,关于这方面的研究和应用更多侧重于理论方面,其在工程上的应用目前并不成熟。
对于博弈控制最早的研究成果为上个世纪50年代最著名的人车问题、双车问题等,后来在应用到追踪问题时,大部分的研究方法是将系统的状态方程进行了线性化处理,线性化的处理方式在一定程度上有利于对问题本质的把握,在相当大的范围内,大部分问题是可以采用线性化的手段进行定性分析,随着无人机、无人车技术的发展,多个个体协同配合已经成为了一种新型模式,因此,在提升单体性能之外,需要研究另外提高追踪能力、覆盖区域的追踪方式,通过提高单体追踪体自身能力追踪能力,同时,也能够大幅提升系统级的追踪能力。
发明内容
本发明的目的在于提供一种飞行器追逃博弈方法及系统,以解决现有技术存在的问题中的至少一个。
为达到上述目的,本发明采用下述技术方案:
本发明第一方面提供一种飞行器追踪方法,包括以下步骤:
S101:获取逃逸体的运动信息;
S102:根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
S103:利用所述追踪信息对所述逃逸体进行追踪。
在优选的实施方式中,根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,包括:
建立预设的追踪模型;
将所述逃逸体的最优可逃逸方向和对应的逃逸体被追上的时间输入至预设的追踪模型,得到追踪体追上逃逸体的运动方向。
在优选的实施方式中,所述预设的追踪模型包括:
其中,θE为逃逸体的最优可逃逸方向,tmax为θE对应的追击时长,xE为逃逸体初始位置的横坐标,yE为逃逸体初始位置的纵坐标,xP为追踪体初始位置的横坐标,yP为追踪体初始位置的纵坐标,为逃逸体速度,为逃逸体的位移,为追踪体和逃逸体初始位置位移,为追踪体的位移。
本发明第二方面提供一种飞行器逃逸方法,包括以下步骤:
S201:获取至少一个追踪体的运动信息;
S202:根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
S203:改变飞行方向至所述最优可逃逸方向。
在优选的实施方式中,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,包括:
建立预设的逃逸模型;
将当前所有可逃逸方向以及每个所述追踪体的运动信息输入至预设的逃逸模型,得到逃逸体被追上时,每个可逃逸方向对应的逃逸时间;
根据每个所述逃逸时间得到最长逃逸时间;
根据所述最长逃逸时间对应的速度方向即为逃逸体最优可逃逸方向。
在优选的实施方式中,所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
其中,θE为逃逸体的逃逸方向,xE和yE分别为逃逸体初始位置的横坐标和纵坐标,xP1和yP1分别为第一追踪体初始位置的横坐标和纵坐标,xP2和yP2分别为第二追踪体初始位置的横坐标和纵坐标,vE为逃逸体速度,为逃逸体矢量速度,为逃逸体被第一追踪体追上时的位移,为逃逸体被第二追踪体追上时的位移,和分别为第一追踪体和第二追踪体与逃逸体初始位置位移,和为第一追踪体和第二追踪体追上逃逸体的位移。
本发明第三方面提供一种飞行器追逃博弈方法,包括:
S301:获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
S302:根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
S303:根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
S304:利用所述追踪信息对所述逃逸体进行追踪。
本发明第四方面提供一种飞行器追踪系统,包括:
获取逃逸体信息模块,获取逃逸体的运动信息;
获取追踪信息模块,根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
追踪模块,利用所述追踪信息对所述逃逸体进行追踪。
本发明第五方面提供一种飞行器逃逸系统,包括:
获取追踪体信息模块,获取至少一个追踪体的运动信息;
获取最优可逃逸方向模块,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
调整飞行方向模块,改变飞行方向至所述最优可逃逸方向。
本发明第六方面提供一种飞行器追逃博弈系统,包括:
获取追逃信息模块,获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
逃逸策略生成模块,根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
追踪策略生成模块,根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
追踪逃逸体模块,利用所述追踪信息对所述逃逸体进行追踪。
本发明的有益效果
本发明提供一种飞行器追逃博弈方法及系统,所述方法包括:获取逃逸体的运动信息;根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息;利用所述追踪信息对所述逃逸体进行追踪;通过设置两个追踪体追踪一个逃逸体,不仅弥补一个追踪体追踪一个逃逸体时追踪效果不佳问题,同时较大的提升协同追踪能力。
附图说明
为了更清楚地说明本发明实施方式或现有技术中的技术方案,下面将对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,下面描述中的附图仅仅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是本发明实施例提供的一种飞行器追踪方法的流程示意图;
图2是本发明实施例提供的一种飞行器逃逸方法的流程示意图;
图3是本发明实施例提供的一种飞行器追逃博弈方法的流程示意图;
图4是本发明实施例提供的追逃博弈系统示意图之一;
图5是本发明实施例提供的追逃博弈系统示意图之二;
图6是本发明实施例提供的追逃博弈系统示意图之三
图7是本发明实施例提供的一种飞行器追踪系统的结构示意图;
图8是本发明实施例提供的一种飞行器逃逸系统的结构示意图;
图9是本发明实施例提供的一种飞行器追逃博弈系统的结构示意图。
具体实施方式
下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
以下公开内容提供了许多用于实现本发明的不同特征的不同实施方式或实例。下面描述了组件和布置的具体实例以简化本发明。当然,这些仅仅是实例,而不旨在限制本发明;另外,各个实施方式之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的研究背景进行简单说明。
目前,基于博弈算法的二对一追踪问题的研究方法较少,大部分研究集中在一对一问题上,最早的研究成果为上个世纪50年代最著名的人车问题、双车问题等,后来在应用到追踪问题时,大部分的研究方法是将系统的状态方程进行了线性化处理,线性化的处理方式在一定程度上有利于对问题本质的把握,在相当大的范围内,大部分问题是可以采用线性化的手段进行定性分析,随着无人机、无人车技术的发展,多个个体协同配合已经成为了一种新型模式,因此,研究二对一的博弈控制方法是十分有意义的,一方面它能够弥补一对一模式的缺陷,另一方面,它能够较大的提升协同作战能力。
基于此,本发明一实施例提供一种飞行器追踪方法,包括以下步骤:
S101:获取逃逸体的运动信息;
具体地,通过逃逸体上安装的传感器得到逃逸体的运动信息,逃逸体的运动信息包括:逃逸体的位置信息和速度信息;上位机与传感器通信连接,获取逃逸体的运动信息。
S102:根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
具体地,追踪体数量有两个,每个追踪体分别获取逃逸体的状态量,逃逸体的状态量包括:运动位置、运动速度、最优可逃逸方向和最长逃逸时间,将获得的逃逸体的状态量分别输入至预设的追踪模型,得到每个追踪体追上逃逸体的运动方向。
S103:利用所述追踪信息对所述逃逸体进行追踪。
从上述示例可以知晓,本实施例提供的一种飞行器追踪方法,追踪方法简单,易于工程实现,通过设置两个追踪体追踪一个逃逸体,不仅弥补一个追踪体追踪一个逃逸体时追踪效果不佳问题,同时较大的提升协同追踪能力。
在一些实施例中,根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,包括:建立预设的追踪模型;将所述逃逸体的最优可逃逸方向和对应的逃逸体被追上的时间输入至预设的追踪模型,得到追踪体追上逃逸体的运动方向。
进一步地,所述预设的追踪模型包括:
其中,θE为逃逸体的最优可逃逸方向,tmax为θE对应的追击时长,xE为逃逸体初始位置的横坐标,yE为逃逸体初始位置的纵坐标,xP为追踪体初始位置的横坐标,yP为追踪体初始位置的纵坐标,为逃逸体速度,为逃逸体的位移,为追踪体和逃逸体初始位置位移,为追踪体的位移。
当追踪体P1最终追击上逃逸体E时:
当追踪体P2最终追击上逃逸体E时:
当追踪体P1和P2同时最终追击上逃逸体E时:
本发明的另一实施例提供了一种飞行器逃逸方法,包括以下步骤:
S201:获取至少一个追踪体的运动信息;
具体的,逃逸体可通过与追踪体上的传感器通信,接收追踪体的运动信息,追踪体的运动信息包括:追踪体的运动位置和运动速度。
S202:根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
具体的,当前所有可逃逸方向指以逃逸体为中心的360度方向,每个所述追踪体的运动信息包括:追踪体的位置信息和速度信息,在具体应用场景中,将两个追踪体的位置信息、速度信息以及逃逸体的运动方向输入至预设的逃逸模型,得到逃逸体在某个运动方向上的每个追踪体追上逃逸体的时间,在0至360度范围内改变逃逸体的运动方向,得到每个追踪体追上逃逸体的不同时间,其中逃逸时长最长对应的运动方向即为最优可逃逸方向。
S203:改变飞行方向至所述最优可逃逸方向。
具体的,对于逃逸体而言,保证其逃跑速度方向始终沿着最优可逃跑方向,即可躲避被追击到的最长时间方向。
从上述示例可以知晓,本实施例提供的一种飞行器逃逸方法,逃逸方法简单,易于工程实现,通过预设的逃逸模型,得到最优可逃逸方向,进而得到最优的逃逸策略,保证逃逸性能达到最优。
在一些实施例中,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,包括:
建立预设的逃逸模型;
将当前所有可逃逸方向以及每个所述追踪体的运动信息输入至预设的逃逸模型,得到逃逸体被追上时,每个可逃逸方向对应的逃逸时间;
根据每个所述逃逸时间得到最长逃逸时间;
根据所述最长逃逸时间对应的速度方向即为逃逸体最优可逃逸方向。
进一步地,所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
其中,θE为逃逸体的逃逸方向,xE和yE分别为逃逸体初始位置的横坐标和纵坐标,xP1和yP1分别为第一追踪体初始位置的横坐标和纵坐标,xP2和yP2分别为第二追踪体初始位置的横坐标和纵坐标,vE为逃逸体速度,为逃逸体矢量速度,为逃逸体被第一追踪体追上时的位移,为逃逸体被第二追踪体追上时的位移,和分别为第一追踪体和第二追踪体与逃逸体初始位置位移,和为第一追踪体和第二追踪体追上逃逸体的位移。
对于t1可由以下公式求得:
对于t2可由以下公式求得:
计算t1,t2之间的最小值记作tmin,即tmin为追踪体追上逃逸体的最短时间。在[0,360]区间内遍历逃逸体的速度θE,得到一系列的最短时间tmin1…360,如图3所示,计算tmin1…360的最大值记作tmax,即tmax为逃逸体所能躲避追踪体的最长时间,换句话说即在tmax时间内,两个追踪体中必有一个能够追击上躲避者。此时tmax所对应的θE为逃逸体可摆脱追踪体最长时间的最优逃跑速度方向。
本发明再一实施例提供一种飞行器追逃博弈方法,包括:
S301:获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
S302:根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
S303:根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
S304:利用所述追踪信息对所述逃逸体进行追踪。
从上述实施方式可以知晓,本发明提供一种飞行器追逃博弈方法,通过对追逃博弈系统的搭建、逃逸策略的生成和追踪策略的计算,得到了最优的逃逸策略及追踪策略,同时解决二对一追踪智能体的最优协同控制算法,提升了系统协同作战能力。
下面结合附图和具体实施例对本发明提供的一种飞行器追逃博弈方法进行说明。
一种飞行器追逃博弈方法包括以下步骤:
第一步:二对一智能协同追踪系统搭建
请参阅图4,假定在二维平面内现有两个追踪体P1和P2追击一个逃逸体(目标)E,在追踪的过程中P1,P2与E均以恒定的最大速度同向作匀速运动,由于三者作同向运动,为确保追踪体一定可以追击上逃逸体,设定追踪体P1和P2的速度能力相同均为vP且大于逃逸体E的速度能力。P1,P2与E的速度分别为和vE,三者的速度方向均未知。
可知P1,P2与E的运动状态方程为:
设追踪体与逃逸体可以获得相互之间的位置信息与速度能力信息,三者的速度方向信息未知。为了达到在追逃对抗的过程中,追踪体和逃逸体实时规划追逃策略,协同对抗。对于追踪体而言,追踪体的速度方面随逃逸体的速度方向改变而实时更新,不管逃逸体在追逃对抗过程中如何机动,追踪体最终均可以追击到逃逸体。对于逃逸体而言,保证其逃跑速度方向始终沿着最优逃跑方向,即可躲避被追击到的最长时间方向。
第二步:逃逸策略生成
对于t1可由以下公式求得:
对于t2可由以下公式求得:
计算t1,t2之间的最小值记作tmin,即tmin为追踪体追上逃逸体的最短时间。在[0,360]区间内遍历逃逸体的速度θE,得到一系列的最短时间tmin1…360,如图3所示,计算tmin1…360的最大值记作tmax,即tmax为逃逸体所能躲避追踪体的最长时间,换句话说即在tmax时间内,两个追踪体中必有一个能够追击上躲避者。此时tmax所对应的θE为逃逸体可摆脱追踪体最长时间的最优逃跑速度方向。
第三步:追踪策略生成
1、追踪体P1最终追击上逃逸体E
2、追踪体P1最终追击上逃逸体E
3、追踪体P1和P2同时最终追击上逃逸体E
本发明又一实施例提供一种飞行器逃逸系统,包括:
获取追踪体信息模块701,获取至少一个追踪体的运动信息;
获取最优可逃逸方向模块702,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
调整飞行方向模块703,改变飞行方向至所述最优可逃逸方向。
从上述示例可以知晓,本实施例提供的一种飞行器追踪系统,追踪系统简单,易于工程实现,通过设置两个追踪体追踪一个逃逸体,不仅弥补一个追踪体追踪一个逃逸体时追踪效果不佳问题,同时较大的提升协同追踪能力。
本发明又一实施例提供一种飞行器逃逸系统,包括:
获取追踪体信息模块801,获取至少一个追踪体的运动信息;
获取最优可逃逸方向模块802,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
调整飞行方向模块803,改变飞行方向至所述最优可逃逸方向。
从上述示例可以知晓,本实施例提供的一种飞行器逃逸系统,逃逸系统简单,易于工程实现,通过预设的逃逸模型,得到最优可逃逸方向,进而得到最优的逃逸策略,保证逃逸性能达到最优。
本发明又一实施例提供一种飞行器追逃博弈系统,包括:
获取追逃信息模块901,获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
逃逸策略生成模块902,根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
追踪策略生成模块903,根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
追踪逃逸体模块904,利用所述追踪信息对所述逃逸体进行追踪。
从上述实施方式可以知晓,本发明提供一种飞行器追逃博弈系统,通过对追逃博弈系统的搭建、逃逸策略的生成和追踪策略的计算,得到了最优的逃逸策略及追踪策略,同时解决二对一追踪智能体的最优协同控制算法,提升了系统协同作战能力。
在本说明书的描述中,参考术语“一个实施方式”、“一些实施方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施方式或示例描述的具体特征、结构、材料或者特点包含于本说明书实施方式的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施方式或示例。
此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施方式或示例以及不同实施方式或示例的特征进行结合和组合。以上所述仅为本说明书实施方式的实施方式而已,并不用于限制本说明书实施方式。对于本领域技术人员来说,本说明书实施方式可以有各种更改和变化。凡在本说明书实施方式的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施方式的权利要求范围之内。
Claims (7)
2.根据权利要求1所述的方法,其特征在于,根据所述逃逸体的运动信息和最优可逃逸方向,利用预设的追踪模型生成追踪体的追踪信息,包括:
建立预设的追踪模型;
将所述逃逸体的最优可逃逸方向和对应的逃逸体被追上的时间输入至预设的追踪模型,得到追踪体追上逃逸体的运动方向。
3.一种飞行器逃逸方法,其特征在于,包括以下步骤:
获取至少一个追踪体的运动信息;
根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
改变飞行方向至所述最优可逃逸方向;
根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,包括:
建立预设的逃逸模型;
将当前所有可逃逸方向以及每个所述追踪体的运动信息输入至预设的逃逸模型,得到逃逸体被追上时,每个可逃逸方向对应的逃逸时间;
根据每个所述逃逸时间得到最长逃逸时间;
根据所述最长逃逸时间对应的速度方向即为逃逸体最优可逃逸方向;
所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
4.一种飞行器追逃博弈方法,其特征在于,包括:
获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
利用所述追踪信息对所述逃逸体进行追踪;
所述预设的追踪模型包括:
其中,θE为逃逸体的最优可逃逸方向,tmax为θE对应的追击时长,xE为逃逸体初始位置的横坐标,yE为逃逸体初始位置的纵坐标,xP为追踪体初始位置的横坐标,yP为追踪体初始位置的纵坐标,为逃逸体速度,为逃逸体的位移,为追踪体和逃逸体初始位置位移,为追踪体的位移;
所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
6.一种飞行器逃逸系统,其特征在于,包括:
获取追踪体信息模块,获取至少一个追踪体的运动信息;
获取最优可逃逸方向模块,根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
调整飞行方向模块,改变飞行方向至所述最优可逃逸方向;
根据当前所有可逃逸方向以及每个所述追踪体的运动信息,利用预设的逃逸模型生成最优可逃逸方向,包括:
建立预设的逃逸模型;
将当前所有可逃逸方向以及每个所述追踪体的运动信息输入至预设的逃逸模型,得到逃逸体被追上时,每个可逃逸方向对应的逃逸时间;
根据每个所述逃逸时间得到最长逃逸时间;
根据所述最长逃逸时间对应的速度方向即为逃逸体最优可逃逸方向;
所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
7.一种飞行器追逃博弈系统,其特征在于,包括:
获取追逃信息模块,获取追逃运动信息,所述追逃运动信息包括追踪体和逃逸体的初始位置信息和运动速度信息;
逃逸策略生成模块,根据所述追逃运动信息和预设的逃逸模型,得到最优可逃逸方向,所述最优可逃逸方向为所有可逃逸方向中逃逸时长最长的方向;
追踪策略生成模块,根据最优可逃逸方向和最优可逃逸方向对应的最长逃逸时间,利用预设的追踪模型,得到追踪体的追踪信息;
追踪逃逸体模块,利用所述追踪信息对所述逃逸体进行追踪;
所述预设的追踪模型包括:
其中,θE为逃逸体的最优可逃逸方向,tmax为θE对应的追击时长,xE为逃逸体初始位置的横坐标,yE为逃逸体初始位置的纵坐标,xP为追踪体初始位置的横坐标,yP为追踪体初始位置的纵坐标,为逃逸体速度,为逃逸体的位移,为追踪体和逃逸体初始位置位移,为追踪体的位移;
所述预设的逃逸模型,包括:第一追踪体P1追上逃逸体E所用时间t1的计算方程,
第二追踪体P2追上逃逸体E所用时间t2的计算方程,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011595802.3A CN112666984B (zh) | 2020-12-29 | 2020-12-29 | 一种多对一的智能协同追逃博弈方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011595802.3A CN112666984B (zh) | 2020-12-29 | 2020-12-29 | 一种多对一的智能协同追逃博弈方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666984A CN112666984A (zh) | 2021-04-16 |
CN112666984B true CN112666984B (zh) | 2022-11-22 |
Family
ID=75411956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011595802.3A Active CN112666984B (zh) | 2020-12-29 | 2020-12-29 | 一种多对一的智能协同追逃博弈方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666984B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221365B (zh) * | 2021-05-20 | 2023-01-10 | 北京理工大学 | 一种面向航天器飞行博弈中燃耗约束的处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262568A (zh) * | 2019-07-19 | 2019-09-20 | 深圳市道通智能航空技术有限公司 | 一种基于目标跟踪的无人机避障方法、装置及无人机 |
CN110816895A (zh) * | 2019-10-22 | 2020-02-21 | 西北工业大学深圳研究院 | 基于预测追逃博弈控制的空间非合作目标接近方法 |
CN112001937A (zh) * | 2020-09-07 | 2020-11-27 | 中国人民解放军国防科技大学 | 基于视场感知的群体追逐与逃逸方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566432B (zh) * | 2012-01-17 | 2014-07-30 | 上海交通大学 | 基于Bang-bang控制策略的最优时间追踪捕获系统及其方法 |
CN109085754B (zh) * | 2018-07-25 | 2020-09-04 | 西北工业大学 | 一种基于神经网络的空间飞行器追逃博弈方法 |
CN109491406B (zh) * | 2019-01-22 | 2022-05-03 | 中国人民解放军战略支援部队航天工程大学 | 一种基于能量消耗的航天器规避机动方法 |
CN110850719B (zh) * | 2019-11-26 | 2021-03-30 | 北京航空航天大学 | 一种基于强化学习的空间非合作目标参数自整定追踪方法 |
CN111679592B (zh) * | 2020-06-22 | 2023-04-07 | 中国人民解放军国防科技大学 | 一种航天器追逃博弈闭环半实物仿真系统及方法 |
-
2020
- 2020-12-29 CN CN202011595802.3A patent/CN112666984B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262568A (zh) * | 2019-07-19 | 2019-09-20 | 深圳市道通智能航空技术有限公司 | 一种基于目标跟踪的无人机避障方法、装置及无人机 |
CN110816895A (zh) * | 2019-10-22 | 2020-02-21 | 西北工业大学深圳研究院 | 基于预测追逃博弈控制的空间非合作目标接近方法 |
CN112001937A (zh) * | 2020-09-07 | 2020-11-27 | 中国人民解放军国防科技大学 | 基于视场感知的群体追逐与逃逸方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112666984A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110456823B (zh) | 一种针对无人机计算与存储能力受限的双层路径规划方法 | |
CN107390706B (zh) | 一种基于预演机动规则系统的无人机近距格斗决策方法 | |
CN107993257A (zh) | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 | |
CN110412874B (zh) | 针对机动目标和时延通信的多导弹协同制导律设计方法 | |
Cai et al. | Path planning for UAV tracking target based on improved A-star algorithm | |
Cai et al. | UAVs formation flight control based on behavior and virtual structure | |
CN105204512A (zh) | 一种基于简化模型机器博弈的六自由度无人作战飞机近距格斗方法 | |
CN112666984B (zh) | 一种多对一的智能协同追逃博弈方法及系统 | |
CN104390640A (zh) | 一种基于理想流体数值计算的无人机三维航路规划方法 | |
Zhao et al. | Multiple missiles cooperative guidance based on leader-follower strategy | |
CN114756959A (zh) | 一种飞行器近距空战机动智能决策机模型设计方法 | |
Gong et al. | UAV cooperative air combat maneuvering confrontation based on multi-agent reinforcement learning | |
CN112363527A (zh) | 基于最优控制理论的多飞行器协同围捕方法及系统 | |
Wu et al. | Ucav path planning based on improved chaotic particle swarm optimization | |
Ren et al. | Cooperative maneuver decision making for multi-UAV air combat based on incomplete information dynamic game | |
CN107703970A (zh) | 无人机集群环绕追踪方法 | |
Liu et al. | Discrete pigeon-inspired optimization-simulated annealing algorithm and optimal reciprocal collision avoidance scheme for fixed-wing UAV formation assembly | |
Song et al. | Distributed swarm system with hybrid-flocking control for small fixed-wing UAVs: Algorithms and flight experiments | |
CN116400734A (zh) | 一种多曲线组合的多策略在线突防航迹规划方法 | |
Fan et al. | UAV online path planning technology based on deep reinforcement learning | |
CN114545971A (zh) | 一种通讯约束下多智能体分布式可飞路径规划方法、系统、计算机设备及介质 | |
Chen et al. | The Pursuit-Evasion Game Strategy of High-Speed Aircraft Based on Monte-Carlo Deep Reinforcement Learning | |
Wang et al. | Rendezvous Path Planning of Multi-UAV for Autonomous Aerial Refueling | |
Li et al. | Multi-aircraft flight control method based on flocking theory | |
Kumar et al. | Real-time interception performance evaluation of certain proportional navigation based guidance laws in aerial ground engagement |
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 |