CN112947559B - 一种子母机协同方法及装置 - Google Patents
一种子母机协同方法及装置 Download PDFInfo
- Publication number
- CN112947559B CN112947559B CN202110171703.0A CN202110171703A CN112947559B CN 112947559 B CN112947559 B CN 112947559B CN 202110171703 A CN202110171703 A CN 202110171703A CN 112947559 B CN112947559 B CN 112947559B
- Authority
- CN
- China
- Prior art keywords
- machine
- input item
- flight
- sub
- child
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000009471 action Effects 0.000 claims description 87
- 230000008569 process Effects 0.000 claims description 60
- 230000007613 environmental effect Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 81
- 238000011217 control strategy Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 239000013256 coordination polymer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 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
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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请提供了一种子母机协同方法及装置,该方法先获取子机的飞行数据,然后基于该飞行数据,确定输入项,将输入项,输入到模糊控制模型,得到模糊控制模型输出的飞行等级,控制子机按照飞行等级飞行,并获取子机按照飞行等级飞行时的飞行数据,根据自适应控制算法估计控制模型参数,更新模糊控制模型,并返回执行获取子机的飞行数据的步骤,实现对模糊控制模型的参数的不断更新,并在此基础上,实现对飞行等级的不断更新,保证子母机协同系统按照实际情况进行决策和控制,提高系统的灵活度,保证系统的实时性及安全性。
Description
技术领域
本申请涉及无人机技术领域,特别涉及一种子母机协同方法及装置。
背景技术
在军事的作战、搜救或监测应用场景中,多机协同完成任务相较于单架无人机完全自主完成任务拥有更多的优势。尤其是在灾后救援的场景中,为了提高救援效率,通常会有母机和多个子机的存在,具体地,子机需进入被损坏的建筑物自主探索并建立地图,同时向母机反馈建筑物内部图像视频。母机除接收信息外,也会有独立的救援任务。因此,如何协同分配子母机的决策和控制是非常关键的一项技术。
目前,一般采用单一固定的决策和控制策略(如,单一的中心式、层级式或独立分布式的决策控制策略),协同分配子母机。但是,在灾后救援的场景中,实际情况未知且复杂,出现突发事件的可能性较大,若采用单一固定的决策和控制策略,会难以适应实际情况,导致子母机系统的实时性及安全性不高。
发明内容
为解决上述技术问题,本申请实施例提供一种子母机协同方法及装置,以达到提高子母机系统的实时性及安全性的目的,技术方案如下:
一种子母机协同方法,应用于母机,该方法包括:
获取子机的飞行数据;
基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级;
控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据;
基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数(如前面更改),并返回执行所述获取子机的飞行数据的步骤。
所述飞行数据,包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,包括:
确定所述子机按照所述飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差;
基于所述偏差,更新所述模糊控制模型的参数。
所述飞行等级,包括:完全受控于母机等级、子母机任务分层等级或子机完全自主行动等级;
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行;
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机;
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
一种子母机协同装置,应用于母机,该装置包括:
第一获取模块,用于获取子机的飞行数据;
第一确定模块,用于基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级;
第二获取模块,用于控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据;
更新模块,用于基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行所述第一获取模块获取子机的飞行数据的步骤。
所述飞行数据,包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述更新模块,具体用于:
确定所述子机按照所述飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差;
基于所述偏差,更新所述模糊控制模型的参数。
所述飞行等级,包括:完全受控于母机等级、子母机任务分层等级或子机完全自主行动等级;
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行;
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机;
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
与现有技术相比,本申请的有益效果为:
在本申请中,先获取子机的飞行数据,然后基于该飞行数据,确定输入项,将输入项,输入到模糊控制模型,得到模糊控制模型输出的飞行等级,控制子机按照飞行等级飞行,并获取子机按照飞行等级飞行时的飞行数据,并基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行获取子机的飞行数据的步骤,实现对模糊控制模型的参数的不断更新,并在此基础上,实现对飞行等级的不断更新,保证子母机协同系统按照实际情况进行决策和控制,提高系统的灵活度,保证系统的实时性及安全性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例1提供的一种子母机协同方法的流程示意图;
图2是本申请实施例2提供的一种子母机协同方法的流程示意图;
图3是本申请实施例3提供的一种子母机协同方法的流程示意图;
图4是本申请实施例4提供的一种子母机协同方法的流程示意图;
图5是本申请实施例5提供的一种子母机协同方法的流程示意图;
图6是本申请提供的一种子母机协同装置的逻辑结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在前述技术背景下,发明人发现,采用单一的中心式、层级式或独立分布式的决策控制策略时,会存在如下缺点:
单一的中心式决策控制策略:母机承担所有计算任务,计算复杂度将会随着子机个数和探索区域的增加显著升高,不利于系统的扩展。中心式在信息类型的广度和管理方式的集成性上均有较好的表现,但是由于对母机的计算性能要求较高,导致母机的软硬件必然较为复杂,体积也会相应地增大。而且,由于子机全部依赖于母机,一旦母机出现故障或者通讯问题,将导致整个子母机协同系统发生瘫痪,在应急救援等危险事件中不能起到预期的作用。
单一的层级式的决策控制策略:相比于中心式,计算能力提升,然而难以得到如中心式一样的全局控制效果。并且当子机个数极少时,此方法较为冗余。该方法更适应多子机,大范围协同探索的应用场景。
单一的独立分布式的决策控制策略:完全自主飞行对子机的感知系统要求较高,在子机由于环境原因难以感知并决策时,子机可能遭遇危险难以回收。同时,子机间没有协同信息交流,会导致子机重复探索的情况,降低探索效率。
为了解决上述当以的决策控制策略所带来的问题,发明人提出了一种子母机协同方法。为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,为本申请实施例1提供的一种子母机协同方法的流程示意图,该方法可以应用于母机,如图1所示,该方法可以包括但并不局限于以下步骤:
步骤S11、获取子机的飞行数据。
飞行数据可以包括但不局限于:表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距中的任意一种或多种。
表征子机行动能力的数据,可以包括但不局限于:剩余电量、整机的完好程度和程序运行是否正常中的任意一种或多种。
表征子机环境安全系数的数据,可以包括但不局限于:火源信息和地震信息中的任意一种或多种。
步骤S12、基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级。
模糊控制模型,可以理解为:利用模糊数学的基本思想和理论的控制方法。
本实施例中,模糊控制模型输出的飞行等级,可以包括但不局限于:完全受控于母机等级、子母机任务分层等级或子机完全自主行动等级。
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行。
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机。
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
步骤S13、控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据。
步骤S14、基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行步骤S11。
本实施例中,更新所述模糊控制模型的参数,可以包括但不局限于:根据自适应控制算法估计模糊控制模型的参数,并将估计得到的参数更新模糊控制模型的参数。
需要说明的是,在更新所述模糊控制模型的参数之后,且重新确定飞行等级之前,子机按照在参数更新之前的模糊控制模型输出的飞行等级飞行,因此,在更新所述模糊控制模型的参数之后,返回执行步骤S11,获取到的子机的飞行数据为子机按照在参数更新之前的模糊控制模型输出的飞行等级飞行时的飞行数据。
在本申请中,先获取子机的飞行数据,然后基于该飞行数据,确定输入项,将输入项,输入到模糊控制模型,得到模糊控制模型输出的飞行等级,控制子机按照飞行等级飞行,并获取子机按照飞行等级飞行时的飞行数据,并基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行获取子机的飞行数据的步骤,实现对模糊控制模型的参数的不断更新,并在此基础上,实现对飞行等级的不断更新,保证子母机协同系统按照实际情况进行决策和控制,提高系统的灵活度,保证系统的实时性及安全性。
作为本申请另一可选实施例,参照图2,为本申请提供的一种子母机协同方法实施例2的流程图,本实施例主要是对上述实施例1描述的子母机协同方法的细化方案,如图2所示,该方法可以包括但并不局限于以下步骤:
步骤S21、获取子机的飞行数据,所述飞行数据包括:表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距。
步骤S22、将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项。
步骤S23、将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值。
本实施例中,可以设定间距语义变量包括:AP、AZ和AN。其中,AP表示所述子机与其它子机之间的间距较远,AZ表示所述子机与其它子机之间的间距适中,AN表示所述子机周围有近距离子机。
第一隶属函数,可以理解为:针对间距语义变量处理的隶属函数。
本实施例中,可以设定行动能力语义变量包括:BP、BZ和BN。其中,BP表示子机行动能力强,BZ表示子机行动能力一般,BN表示子机行动能力差。
第二隶属函数,可以理解为:针对行动能力语义变量处理的隶属函数。
在本实施例中,第一隶属函数、第二隶属函数和第三隶属函数的类型均可以为但不局限于:三角形函数、梯形函数或高斯函数。
步骤S24、所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
步骤S22-S24为实施例1中步骤S12的一种具体实施方式。
步骤S25、控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据。
步骤S26、基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行步骤S21。
本实施例中,基于飞行等级飞行时的飞行数据,更新模糊控制模型的参数,可以理解为:基于飞行等级飞行时的飞行数据,对模糊控制模型中的各个隶属函数的参数进行更新。
本实施例中,基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,可以包括:
将所述子机按照飞行等级飞行时的飞行数据与预先设定的参考值进行对比,得到对比结果,基于对比结果,更新所述模糊控制模型的参数。
预先设定的参考值,可以理解为:根据经验设定的经验值。
当然,基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,也可以包括:
S261、确定所述子机按照所述飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差。
S262、基于所述偏差,更新所述模糊控制模型的参数。
本实施例中,通过确定子机按照飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差,并基于偏差,对模糊控制模型的参数进行更新,实现模糊控制模型是按照被控对象(即子机)的变化规律进行更新的,保证模糊控制模型更新的准确性及整个系统能够保持较好的运行性能。
步骤S25-S26的详细过程可以参见实施例1中步骤S13-S14的相关介绍,在此不再赘述。
作为本申请另一可选实施例,参照图3,为本申请提供的一种子母机协同方法实施例3的流程图,本实施例主要是对上述实施例1描述的子母机协同方法的细化方案,如图3所示,该方法可以包括但并不局限于以下步骤:
步骤S31、获取子机的飞行数据,所述飞行数据包括:表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距。
步骤S32、将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项。
步骤S33、将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值。
本实施例中,可以设定间距语义变量包括:AP、AZ和AN。其中,AP表示所述子机与其它子机之间的间距较远,AZ表示所述子机与其它子机之间的间距适中,AN表示所述子机周围有近距离子机。
第一隶属函数,可以理解为:针对间距语义变量处理的隶属函数。
本实施例中,可以设定行动能力语义变量包括:BP、BZ和BN。其中,BP表示子机行动能力强,BZ表示子机行动能力一般,BN表示子机行动能力差。
第二隶属函数,可以理解为:针对行动能力语义变量处理的隶属函数。
本实施例中,可以设定安全系数语义变量包括:CP、CZ和CN。其中,CP表示环境安全,CZ表示环境较为复杂,CN表示环境中有较多危险元素。
在本实施例中,第一隶属函数、第二隶属函数和第三隶属函数的类型均可以为但不局限于:三角形函数、梯形函数或高斯函数。
步骤S34、所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
步骤S32-S34为实施例1中步骤S12的一种具体实施方式。
步骤S35、控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据。
步骤S36、基于所述子机按照所述目标飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行步骤S31。
本实施例中,增加表征子机环境安全系数的数据,并将所述与所述子机距离最近的子机与所述子机间的间距,及所述表征子机行动能力的数据,及所述表征子机环境安全系数的数据分别作为输入项,输入到模糊控制模型,模块控制模型得到所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值,并基于间距隶属值、所述行动能力隶属值、所述安全系数隶属值,进行逻辑判断,得到飞行等级,整个过程不仅考虑子机自身的因素,及子机之间间距的因素,还考虑环境因素,能进一步提高逻辑判断的准确性,进一步提高系统的安全性。
作为本申请另一可选实施例,参照图4,为本申请提供的一种子母机协同方法实施例3的流程图,本实施例主要是对上述实施例1描述的子母机协同方法的细化方案,如图4所示,该方法可以包括但并不局限于以下步骤:
步骤S41、获取子机的飞行数据,所述飞行数据包括:表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距。
步骤S42、将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项。
本实施例中,参考间距及参考行动能力数据可以根据需要进行设置,在本申请中不做限制。
步骤S43、将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值。
本实施例中,可以设定间距语义变量包括:AP、AZ和AN。其中,AP表示所述子机与其它子机之间的间距较远,AZ表示所述子机与其它子机之间的间距适中,AN表示所述子机周围有近距离子机。
第一隶属函数,可以理解为:针对间距语义变量处理的隶属函数。
本实施例中,可以设定行动能力语义变量包括:BP、BZ和BN。其中,BP表示子机行动能力强,BZ表示子机行动能力一般,BN表示子机行动能力差。
第二隶属函数,可以理解为:针对行动能力语义变量处理的隶属函数。
在本实施例中,第一隶属函数和第二隶属函数的类型均可以为但不局限于:三角形函数、梯形函数或高斯函数。
步骤S44、所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
步骤S42-S44为实施例1中步骤S12的一种具体实施方式。
步骤S45、控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据。
步骤S46、基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行步骤S31。
步骤S45-S46的详细过程可以参见实施例2中步骤S25-S26的相关介绍,在此不再赘述。
本实施例中,通过将所述与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,可以根据用户需求设定参考间距和参考行动能力,在使用及测试过程中方便更新参数得到最优控制结果,进一步提高系统的灵活性。
作为本申请另一可选实施例,参照图5,为本申请提供的一种子母机协同方法实施例5的流程图,本实施例主要是对上述实施例1描述的子母机协同方法的细化方案,如图5所示,该方法可以包括但并不局限于以下步骤:
步骤S51、获取子机的飞行数据,所述飞行数据包括:表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距。
步骤S52、将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项。
本实施例中,参考间距、参考行动能力数据及参考环境安全系数数据可以根据需要进行设置,在本申请中不做限制。
步骤S53、将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值。
本实施例中,可以设定间距语义变量包括:AP、AZ和AN。其中,AP表示所述子机与其它子机之间的间距较远,AZ表示所述子机与其它子机之间的间距适中,AN表示所述子机周围有近距离子机。
第一隶属函数,可以理解为:针对间距语义变量处理的隶属函数。
本实施例中,可以设定行动能力语义变量包括:BP、BZ和BN。其中,BP表示子机行动能力强,BZ表示子机行动能力一般,BN表示子机行动能力差。
第二隶属函数,可以理解为:针对行动能力语义变量处理的隶属函数。
本实施例中,可以设定安全系数语义变量包括:CP、CZ和CN。其中,CP表示环境安全,CZ表示环境较为复杂,CN表示环境中有较多危险元素。
在本实施例中,第一隶属函数、第二隶属函数和第三隶属函数的类型均可以为但不局限于:三角形函数、梯形函数或高斯函数。
步骤S54、所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
步骤S52-S54为实施例1中步骤S12的一种具体实施方式。
步骤S55、控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据。
步骤S56、基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行步骤S51。
步骤S55-S56的详细过程可以参见实施例2中步骤S25-S26的相关介绍,在此不再赘述。
本实施例中,通过将所述与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项,可以根据用户需求设定参考间距、参考行动能力和环境安全系数,在使用及测试过程中可以不断更新以上参数,从而得到最优控制结果,进一步提高系统的灵活性和鲁棒性。
接下来对本申请提供的一种子母机协同装置进行介绍,下文介绍的子母机协同装置与上文介绍的子母机协同方法可相互对应参照。
子母机协同装置,应用于母机,如图6所示,子母机协同装置包括:第一获取模块100、第一确定模块200、第二获取模块300和更新模块400。
第一获取模块100,用于获取子机的飞行数据;
第一确定模块200,用于基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级;
第二获取模块300,用于控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据;
更新模块400,用于基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行所述第一获取模块100获取子机的飞行数据的步骤。
本实施例中,所述飞行数据,可以包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块200,具体可以用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,也可以包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距、表征子机环境安全系数的数据;
相应地,所述第一确定模块200,具体可以用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,也可以包括:
表征子机行动能力的数据及,在所述母机与多个子机协同飞行的情况下与所述子机距离最近的子机与所述子机间的间距;
相应地,所述第一确定模块200,具体可以用于:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
所述飞行数据,也可以包括:
表征子机行动能力的数据、表征子机环境安全系数的数据及,在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块200,具体可以用于:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
本实施例中,所述更新模块400,具体可以用于:
确定所述子机按照所述飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差;
基于所述偏差,更新所述模糊控制模型的参数。
本实施例中,所述飞行等级,可以包括:完全受控于母机等级、子母机任务分层等级或子机完全自主行动等级;
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行;
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机;
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
需要说明的是,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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3,或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上对本申请所提供的一种子母机协同方法及装置进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种子母机协同方法,其特征在于,应用于母机,该方法包括:
获取子机的飞行数据;
基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级;
控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据;
基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行所述获取子机的飞行数据的步骤;
所述飞行等级,包括:完全受控于母机等级、子母机任务分层等级、子机完全自主行动等级;
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行;
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机;
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
2.根据权利要求1所述的方法,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
3.根据权利要求1所述的方法,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
4.根据权利要求1所述的方法,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
5.根据权利要求1所述的方法,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据,及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级,包括:
将与所述子机距离最近的子机与所述子机间的间距与参考间距之间的差值作为第一输入项,将所述表征子机行动能力的数据与参考行动能力数据之间的差值作为第二输入项,将所述表征子机环境安全系数的数据与参考环境安全系数数据之间的差值作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
6.根据权利要求2-4任意一项所述的方法,其特征在于,所述基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,包括:
确定所述子机按照所述飞行等级飞行时的飞行数据,与所述子机的飞行数据之间的偏差;
基于所述偏差,更新所述模糊控制模型的参数。
7.一种子母机协同装置,其特征在于,应用于母机,该装置包括:
第一获取模块,用于获取子机的飞行数据;
第一确定模块,用于基于所述子机的飞行数据,确定输入项,将所述输入项,输入到模糊控制模型,得到所述模糊控制模型输出的飞行等级;
第二获取模块,用于控制所述子机按照所述飞行等级飞行,并获取所述子机按照所述飞行等级飞行时的飞行数据;
更新模块,用于基于所述子机按照所述飞行等级飞行时的飞行数据,更新所述模糊控制模型的参数,并返回执行所述第一获取模块获取子机的飞行数据的步骤;
所述飞行等级,包括:完全受控于母机等级、子母机任务分层等级、子机完全自主行动等级;
在所述完全受控于母机等级下,母机传输控制指令到所述子机,所述子机根据指令行走或飞行;
在所述子母机任务分层等级下,所述子机避障及行动,传输数据信息到母机,母机根据传感器数据建图,根据全局地图和所述子机定位计算子机最优的探索目标和路径,并回传给所述子机;
在所述子机完全自主行动等级下,所述子机进行独立感知、建图、决策、控制及自主行动。
8.根据权利要求7所述的装置,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项;
将所述第一输入项及所述第二输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
9.根据权利要求7所述的装置,其特征在于,所述飞行数据,包括:
表征子机行动能力的数据、表征子机环境安全系数的数据及在所述母机与多个子机协同飞行的情况下,与所述子机距离最近的子机与所述子机间的间距;
所述第一确定模块,具体用于:
将与所述子机距离最近的子机与所述子机间的间距作为第一输入项,将所述表征子机行动能力的数据作为第二输入项,将所述表征子机环境安全系数的数据作为第三输入项;
将所述第一输入项、所述第二输入项及所述第三输入项输入到模糊控制模型,所述模糊控制模型利用第一隶属函数及所述第一输入项,对间距语义变量进行处理,得到间距隶属值,并利用第二隶属函数及所述第二输入项,对行动能力语义变量进行处理,得到行动能力隶属值,并利用第三隶属函数及所述第三输入项对安全系数语义变量进行处理,得到安全系数隶属值;
所述模糊控制模型利用所述间距隶属值、所述行动能力隶属值、所述安全系数隶属值及预先设定的模糊控制规则,进行逻辑判断,得到飞行等级,并输出所述飞行等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171703.0A CN112947559B (zh) | 2021-02-08 | 2021-02-08 | 一种子母机协同方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110171703.0A CN112947559B (zh) | 2021-02-08 | 2021-02-08 | 一种子母机协同方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112947559A CN112947559A (zh) | 2021-06-11 |
CN112947559B true CN112947559B (zh) | 2023-09-22 |
Family
ID=76244100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110171703.0A Active CN112947559B (zh) | 2021-02-08 | 2021-02-08 | 一种子母机协同方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112947559B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195744B (zh) * | 2023-10-16 | 2024-04-05 | 南京工业大学 | 一种子母式移动机器人协同穿越的通过性迁移评价方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008127792A2 (en) * | 2007-03-05 | 2008-10-23 | Lockheed Martin Corporation | Small unmanned airborne vehicle airframe |
CN101825901A (zh) * | 2010-03-31 | 2010-09-08 | 北京航空航天大学 | 基于人工物理法的多智能体机器人协同控制方法 |
CN101963508A (zh) * | 2010-08-27 | 2011-02-02 | 北京航空航天大学 | 一种基于反馈模糊推理的无人机实时航路规划方法 |
CN102147255A (zh) * | 2011-01-12 | 2011-08-10 | 北京航空航天大学 | 一种威胁信息共享环境下的无人机群实时航路规划方法 |
CN103777638A (zh) * | 2014-01-26 | 2014-05-07 | 北京航空航天大学 | 多无人机网络编队的一致性控制方法 |
CN104133482A (zh) * | 2014-06-26 | 2014-11-05 | 中国人民解放军理工大学 | 一种无人机模糊控制飞行方法 |
CN108073182A (zh) * | 2016-11-16 | 2018-05-25 | 浙江天马行空创新科技有限公司 | 基于双向通讯模块的无人机集群控制系统 |
CN207473032U (zh) * | 2017-11-24 | 2018-06-08 | 贵州电网有限责任公司 | 多旋翼双机系统无人机巡检故障诊断系统 |
CN108549210A (zh) * | 2018-04-19 | 2018-09-18 | 东华大学 | 基于bp神经网络pid控制的多无人机协同飞行方法 |
CN110806758A (zh) * | 2019-11-12 | 2020-02-18 | 中国人民解放军国防科技大学 | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 |
CN111890348A (zh) * | 2019-05-06 | 2020-11-06 | 广州中国科学院先进技术研究所 | 一种双机器人协同搬运的控制方法及装置 |
CN212313886U (zh) * | 2020-01-15 | 2021-01-08 | 邓爱军 | 一种复合式无人机 |
-
2021
- 2021-02-08 CN CN202110171703.0A patent/CN112947559B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008127792A2 (en) * | 2007-03-05 | 2008-10-23 | Lockheed Martin Corporation | Small unmanned airborne vehicle airframe |
CN101825901A (zh) * | 2010-03-31 | 2010-09-08 | 北京航空航天大学 | 基于人工物理法的多智能体机器人协同控制方法 |
CN101963508A (zh) * | 2010-08-27 | 2011-02-02 | 北京航空航天大学 | 一种基于反馈模糊推理的无人机实时航路规划方法 |
CN102147255A (zh) * | 2011-01-12 | 2011-08-10 | 北京航空航天大学 | 一种威胁信息共享环境下的无人机群实时航路规划方法 |
CN103777638A (zh) * | 2014-01-26 | 2014-05-07 | 北京航空航天大学 | 多无人机网络编队的一致性控制方法 |
CN104133482A (zh) * | 2014-06-26 | 2014-11-05 | 中国人民解放军理工大学 | 一种无人机模糊控制飞行方法 |
CN108073182A (zh) * | 2016-11-16 | 2018-05-25 | 浙江天马行空创新科技有限公司 | 基于双向通讯模块的无人机集群控制系统 |
CN207473032U (zh) * | 2017-11-24 | 2018-06-08 | 贵州电网有限责任公司 | 多旋翼双机系统无人机巡检故障诊断系统 |
CN108549210A (zh) * | 2018-04-19 | 2018-09-18 | 东华大学 | 基于bp神经网络pid控制的多无人机协同飞行方法 |
CN111890348A (zh) * | 2019-05-06 | 2020-11-06 | 广州中国科学院先进技术研究所 | 一种双机器人协同搬运的控制方法及装置 |
CN110806758A (zh) * | 2019-11-12 | 2020-02-18 | 中国人民解放军国防科技大学 | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 |
CN212313886U (zh) * | 2020-01-15 | 2021-01-08 | 邓爱军 | 一种复合式无人机 |
Non-Patent Citations (1)
Title |
---|
基于改进A__算法的多无人机协同战术规划;张哲等;《兵工学报》;20201231;第41卷(第12期);第2530-2539页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112947559A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113285457B (zh) | 非理想通信下区域电力系统的分布式经济调度方法及系统 | |
CN112947559B (zh) | 一种子母机协同方法及装置 | |
Zhou et al. | A novel mean-field-game-type optimal control for very large-scale multiagent systems | |
Tan et al. | Multi-type task allocation for multiple heterogeneous unmanned surface vehicles (USVs) based on the self-organizing map | |
WO2022032443A1 (zh) | 多智能主体编队搬运方法、系统和计算机可读存储介质 | |
CN110806758B (zh) | 一种基于情景模糊认知图的无人机群自主等级自适应调整方法 | |
CN109062677B (zh) | 一种无人机系统计算迁移方法 | |
Li et al. | When digital twin meets deep reinforcement learning in multi-UAV path planning | |
Bai et al. | Multi-AUV dynamic trajectory optimization and collaborative search combined with task urgency and energy consumption scheduling in 3-D underwater environment with random ocean currents and uncertain obstacles | |
CN112835368A (zh) | 一种多无人艇协同编队控制方法及系统 | |
CN112034844A (zh) | 多智能主体编队搬运方法、系统和计算机可读存储介质 | |
CN115759199B (zh) | 基于层次化图神经网络的多机器人环境探索方法及系统 | |
Yan et al. | Collaborative path planning based on MAXQ hierarchical reinforcement learning for manned/unmanned aerial vehicles | |
Zhao et al. | Design and Analysis of Multi-robot Grouping Aggregation Algorithm. | |
CN115639769A (zh) | 一种安全智能控制方法及系统 | |
CN115143970A (zh) | 一种基于威胁度评估的水下航行器避障方法和系统 | |
CN115933630A (zh) | 一种基于强化学习的复合避障控制方法及装置 | |
Chen et al. | Real-time efficient trajectory planning for quadrotor based on hard constraints | |
Guan et al. | Intelligent obstacle avoidance algorithm for mobile robots in uncertain environment | |
JP2018147103A (ja) | モデル学習装置、制御量算出装置、及びプログラム | |
CN110618689B (zh) | 一种约束条件下基于合同网的多uuv系统协商合作建模方法 | |
Wang et al. | Event-Triggered Integral Formation Controller for Networked Nonholonomic Mobile Robots: Theory and Experiment | |
Wang et al. | Distributed Target Tracking in Sensor Networks by Consistency Algorithm and Semantic Moving Computing of Internet of Things | |
CN114493206B (zh) | 基于bim的全局机场管理系统及方法 | |
CN115390589B (zh) | 无人机集群控制方法、装置、电子设备及存储介质 |
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 |