CN113220034A - 自主重构和人工干预重构相结合的无人机集群重构系统 - Google Patents

自主重构和人工干预重构相结合的无人机集群重构系统 Download PDF

Info

Publication number
CN113220034A
CN113220034A CN202110542326.7A CN202110542326A CN113220034A CN 113220034 A CN113220034 A CN 113220034A CN 202110542326 A CN202110542326 A CN 202110542326A CN 113220034 A CN113220034 A CN 113220034A
Authority
CN
China
Prior art keywords
reconstruction
autonomous
unmanned aerial
aerial vehicle
result
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
CN202110542326.7A
Other languages
English (en)
Other versions
CN113220034B (zh
Inventor
郑丽丽
王英勋
李大伟
曾国奇
王明
王佳
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202110542326.7A priority Critical patent/CN113220034B/zh
Publication of CN113220034A publication Critical patent/CN113220034A/zh
Application granted granted Critical
Publication of CN113220034B publication Critical patent/CN113220034B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/10Simultaneous control of position or course in three dimensions
    • G05D1/101Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104Simultaneous 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

本发明涉及一种自主重构和人工干预重构相结合的无人机集群重构系统,包括:自主重构模块,用于根据获取到的无人机集群中各无人机自身的信息和外部威胁信息等,自动计算得到自主重构结果;人工重构模块,用于接收地面控制站的人工干预重构指令,根据指令得到人工重构结果;重构决策管理模块,用于依据策略选择模型对自主重构结果和人工重构结果进行余度决策,确定控制无人机集群系统执行重构的重构结果;上述各模块均位于无人机集群系统中每一架无人机内。上述无人机集群重构系统可以保留自主重构技术的快速性,还可以降低目前自主重构技术不成熟可能导致的风险,兼顾人工重构的可靠性和自主重构的快速性。

Description

自主重构和人工干预重构相结合的无人机集群重构系统
技术领域
本发明涉及无人机集群协同控制技术领域,尤其涉及一种自主重构和人工干预重构相结合的无人机集群重构系统。
背景技术
随着无人机集群技术的不断发展,无人机集群系统正在向实战、实用方向发展。比起单个无人机,无人机集群面临的作战环境更加复杂、任务类型更加多样、任务需求更加丰富,因此,对无人机集群的任务能力提出了更高的要求。其中一项能力就是重构能力。具体而言,无人机集群由多个无人机单机组成,作战时由各无人机组成不同的体系结构,相互协同配合完成任务。在实战过程中,无人机集群需要根据不同的作战任务需求,灵活地改变集群的体系结构,以便为每个特定的交战需求提供与之相匹配的系统架构。此外,当集群中某架或某些飞机故障或者坠毁时,需要重新调整集群的体系结构和系统架构,来保持集群系统的任务能力。因此,设计高可靠性、快速的集群重构系统对提高集群系统的任务能力和战场生存能力至关重要。
随着集群系统从小规模、无自主能力向大规模、半自主、全自主方向发展,集群技术正从方法研究向技术落地转变。目前集群技术仍处于探索阶段,集群的自主能力还很弱,特别是面向任务的自主重构能力,基本没有,严重制约无人机集群系统的任务能力,远远不能满足实战需求。虽然人工智能技术提供了很多自主决策的算法,但是智能化算法对计算机各项资源的要求很高,同时目前的态势感知技术并不能为智能算法提供足够的自主重构的信息,因此,在算法工程化落地过程中存在很大的困难;而且智能算法的实时性较差,难以满足集群在线实时自主重构的需求。
发明内容
(一)要解决的技术问题
本发明实施例提供一种自主重构和人工干预重构相结合的无人机集群重构系统,该系统将自主重构技术与人工干预重构技术相结合,既保留自主重构技术的快速性,又能减小目前自主重构技术不成熟可能引入的系统风险,兼顾了人工重构的可靠性和自主重构的快速性,以达到整体提高无人机集群系统重构能力和重构可靠性的目的。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
第一方面,本发明实施例提供一种自主重构和人工干预重构相结合的无人机集群重构系统,包括:自主重构模块、人工重构模块和重构决策管理模块,所述自主重构模块、人工重构模块和重构决策管理模块设置在无人机集群系统中每一架无人机内;
所述自主重构模块,用于根据无人机中各传感设备探测的无人机自身信息和外部物体信息,基于自主重构算法进行计算,获得自主重构结果;
所述人工重构模块,用于根据无人机接收到的地面控制站的人工干预重构指令,输出人工重构结果;
所述重构决策管理模块,用于依据策略选择模型对所述自主重构结果和人工重构结果进行处理,确定控制无人机集群系统执行重构的重构结果。
可选地,所述重构决策管理模块包括:
若采用策略选择模型中的第一策略模型,则依据无人机集群当前状态和预先定义的优先级选择方式,从自主重构结果和人工重构结果中选择当前状态下优先级高的重构结果作为最终确定的重构结果。
可选地,所述重构决策管理模块包括:
若采用策略选择模型中的第二策略模型,则基于自主重构结果和人工重构结果的性能评估结果,对所述自主重构结果和人工重构结果进行余度决策,确定控制无人机集群系统执行重构的重构结果。
可选地,基于自主重构结果和人工重构结果的性能评估结果,对所述自主重构结果和人工重构结果进行余度决策,包括:
依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,选择评估函数值最大的重构结果作为最终确定的重构结果;
其中,评估函数是对重构结果产生的效能或者代价进行计算的一种函数,f评估=f效能-f代价
f效能表示重构结果可产生的预期收益,f代价表示选择相应的重构结果需要付出的代价;
或者,
依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,若判断自主重构结果和人工重构结果各自的评估函数值均小于预设阈值时,将自主重构结果和人工重构结果进行融合,获取折中重构结果;
依据与效能和代价关联的评估函数对折中重构结果进行评估,判断折中重构结果对应的评估函数值是否大于预设阈值,在大于预设阈值时,将折中重构结果作为最终确定的重构结果,否则,将人工重构结果或者自主重构结果作为最终确定的重构结果。
可选地,第一状态下,人工重构结果的优先级高于自主重构结果的优先级;第一状态为预先定义的一个状态。
可选地,所述自主重构模块包括:
获取模块,用于获取机载传感设备提供的飞行基本信息和外部物体信息;
第一处理模块,用于依据预设的自主重构算法对所述飞行基本信息和外部物体信息进行自动计算,获取自主重构结果;
第一传输模块,用于将自主重构结果传输至重构决策管理模块。
可选地,所述人工重构模块包括:
指令接收模块,用于接收地面控制站发送的人工干预重构指令,所述人工干预重构指令为操作者借助于地面控制站输入的信息;
第二处理模块,用于解析并识别出干预重构指令,基于识别的干预重构指令生成人工重构结果;
第二传输模块,用于将人工重构结果传输至重构决策管理模块。
可选地,无人机集群重构系统还包括:
输出模块,用于将重构决策管理模块确定的重构结果输出至所属无人机和/或关联的至少一个无人机,以使无人机集群系统基于该重构结果执行重构。
第二方面,本发明实施例还提供一种无人机,应用于无人机集群系统,包括上述第一方面任一所述的自主重构和人工干预重构相结合的无人机集群重构系统。
第三方面,一种计算机存储介质,其特征在于,其上存储有计算机可执行指令,所述可执行指令被处理器执行时,实现第一方面任一所述的自主重构和人工干预重构相结合的无人机集群重构系统的功能。
(三)有益效果
本发明的有益效果是:本发明的无人机集群重构系统结合了自主重构技术和人工干预设计,既保留自主重构技术的快速性,又能减小目前自主重构技术不成熟可能引入的风险,兼顾了人工重构的可靠性和自主重构的快速性,以达到整体提高无人机集群系统重构能力和重构可靠性的目的。
本发明的系统可在智能技术还不能很好的解决自主重构问题时,通过人工干预手段的介入,高可靠性地、有效地提升无人机集群的重构能力。
上述无人机集群重构系统还可在地面链路中断无法进行人工干预时,通过自主重构系统,保证系统在和地面失联时仍然具备系统重构的能力。
本发明的系统提供了一种可行的方案,能够保证无人机集群重构技术的技术实现、落地和应用。
附图说明
图1为本发明一实施例提供的结合自主重构和人工干预重构相结合的无人机集群重构系统的架构示意图;
图2为本发明一实施例提供的图1中无人机集群重构系统的决策流程示意图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
现有技术中的无人机集群系统的自主重构一方面受限于无人机集群态势感知能力、信息获取能力,另一方面受限于重构决策算法的智能性和可落地性,完全依赖智能技术并不能使无人机集群系统实现完全的高可靠的自主重构。
此外,若仅仅采用人工干预的手段进行系统重构,不仅实时性较差、重构结果依赖人的经验和操作,且当集群规模较大(几百上千架)时,单纯的人工干预并不能选出最优的重构结果;尤其是无人机集群与地面系统通信中断后,集群系统则失去了重构能力。
因此,需要一种既具备技术先进性,又具有技术可靠性的无人机集群重构系统,来提高无人机集群的重构能力。
如图1所示,图1示出了本发明一实施例提供的自主重构和人工干预重构相结合的无人机集群重构系统的架构示意图,本实施例的无人机集群重构系统可包括:自主重构模块、人工重构模块和重构决策管理模块,所述自主重构模块、人工重构模块和重构决策管理模块设置在无人机集群系统中每一架无人机内;
所述自主重构模块,用于根据无人机中各传感设备探测的无人机自身信息和外部物体信息(如外部威胁信息或外部目标物体),基于自主重构算法进行自主计算(即自动计算),获得自主重构结果;
所述人工重构模块,用于根据无人机接收到的地面控制站的人工干预重构指令,输出人工重构结果;
所述重构决策管理模块,用于依据策略选择模型对所述自主重构结果和人工重构结果进行处理,确定控制无人机集群系统执行重构的重构结果。
可理解的是,在本实施例中,自主重构模块、人工重构模块、重构决策管理模块均设置在每架无人机上,三个模块分别承担无人机系统重构的一部分功能,共同起作用构成每架无人机的重构单元,集群中所有无人机的重构单元构成无人机集群系统的重构系统。
自主重构模块根据无人机从自身传感器获取的自身信息和外部物体信息进行自主重构算法的计算,得到自动的重构结果;本实施例中自主重构算法是针对不同的无人机集群系统预先确定的,对于不同的重构需求,重构算法是不同的,但是现有的自主重构算法的智能性和可靠性比较不完善,为此,本实施例中提供人工重构模块。
人工重构模块根据无人机接收到的地面的指令,按照地面指令的要求输出人工重构结果;
重构决策管理模块是在上述两种重构结果中进行抉择,最终选择其中一种或者两种融合出一个结果,作为最后的重构结果进行输出。
在具体实现中,上述无人机集群重构系统还包括:输出模块,该输出模块,用于将重构决策管理模块的确定的重构结果输出所属无人机及关联的至少一个无人机,以使无人机集群系统基于该重构结果执行重构。
本实施例的系统结合了自主重构技术和人工干预重构技术,既保留自主重构技术的快速性,又能减小目前自主重构技术的风险,兼顾人工重构的可靠性和自主重构的快速性,以达到整体提高无人机集群系统重构能力和重构可靠性的目的。
为更好的理解图1中所示的无人机集群重构系统,结合图2对其进行详细说明。
本实施例的自主重构模块包括:获取模块、第一处理模块和第一传输模块;
其中,获取模块,用于获取机载传感设备提供的飞行基本信息(即自身信息)和外部物体信息;例如,获取的信息可由机载各传感器和各类感知单元、探测单元提供。机载各传感器提供飞机自身的飞行基本信息,如位置、高度、姿态、速度、重量、油量等;各感知类单元提供探测到的威胁信息,如威胁物的位置、运动速度、方向;探测单元可提供探测到的目标的类别、大小、生物特征或非生物特征等外部物体信息等。
第一处理模块,用于依据预设的自主重构算法对所述飞行基本信息和外部物体信息进行自动计算,获取自主重构结果;例如,各种预先定义的自主重构算法根据各种获取模块获取的信息,自动进行自主计算,得到一种重构的结果。
第一传输模块,用于将自主重构结果传输至重构决策管理模块。
可理解的是,自主重构模块的功能是无人机根据获取到的飞行信息和态势信息,判断当前的无人机集群系统状态,并按照预定的重构策略(即自主重构算法)自动计算并决策出自主重构结果。该自主重构模块由信息的获取、信息的处理和信息的输出三部分组成。
在实际应用中,本实施例的人工重构模块可包括:指令接收模块、第二处理模块和第二传输模块;
所述指令接收模块,用于接收地面控制站发送人工干预重构指令,所述人工干预重构指令为操作者借助于地面控制站输入的信息;
所述第二处理模块,用于解析并识别出干预重构指令,基于识别的重构指令生成人工重构结果;举例来说,用户输入的信息可能仅仅是无人机的数字标号(3号)或者无人机数字标号及其对应的功能标号(3A,即3号无人机执行侦察机任务),则此时,需要对人工干预重构指令进行解析,确定无人机集群中各无人机重构的任务信息,进而得到干预重构指令,由此,根据解析的任务信息,生成人工重构结果。
所述第二传输模块,用于将人工重构结果传输至重构决策管理模块。
本实施例中的人工重构模块的功能是根据接收到的地面控制站人工干预重构指令,根据指令输出无人机集群系统的人工重构结果,将人工重构结果发送给重构决策管理模块。
在具体实现过程中,上述的重构决策管理模块可包括:
在采用策略选择模型中的第一策略模型时,则依据无人机集群当前状态和预先定义的优先级选择方式,从自主重构结果和人工重构结果中选择当前状态下优先级高的重构结果作为最终确定的重构结果。
例如,缺省状态或第一状态下,人工重构结果的优先级高于自主重构结果的优先级。缺省状态和第一状态、第二状态均可以是在使用第一策略模型的时间段内预先定义的状态。第二状态下自主重构结果的优先级可高于人工重构结果。
本实施例中,执行第一策略模型的时间段可以是无人机集群在整个工作时间段的最后的指定时间段或初始的指定时间段。无人机按照指定的优先级工作,比如:指定人工重构结果的优先级高于自主重构结果的优先级,此时,选择人工重构结果;也可以指定自主重构结果的优先级高于人工重构结果的优先级,此时选择自主重构结果。
在另一实现方式中,所述重构决策管理模块还包括:
若采用策略选择模型中的第二策略模型,则基于自主重构结果和人工重构结果的性能评估结果,对所述自主重构结果和人工重构结果进行余度决策,确定控制无人机集群系统执行重构的重构结果。
本实施例中第二策略模型启动的条件可在重构决策管理模块中进行设定,例如按照无人机集群的工作时间段进行设定,或者无人机集群中指定无人机故障为条件执行重构时采用第二策略模型等,本实施例不限定,依据实际需要设定。
具体来说,依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,选择评估函数值最大的重构结果作为最终确定的重构结果。
举例来说,评估函数是对自主重构结果/人工重构结果可产生的效能或者代价进行计算的一种函数,是重构决策管理模块进行决策的量化依据。此评估函数可表示如下:
f评估=f效能-f代价;公式(1)
f效能表示重构结果可产生的预期收益,f代价表示选择相应的重构结果需要付出的代价。
对于不同的集群任务,相应的预期收益的类型不同,可包括侦查范围、打击精度、打击损伤度、航程航时等;关注的代价的类型也不同,可包括飞机损失、燃油消耗、未知风险等。
在第三种可实现的方式中,所述重构决策管理模块还包括:
依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,若判断自主重构结果和人工重构结果各自的评估函数值均小于预设阈值时,将自主重构结果和人工重构结果进行加权融合,获取折中重构结果;
依据与效能和代价关联的评估函数对折中重构结果进行评估,判断折中重构结果对应的评估函数值是否大于预设阈值,在大于预设阈值时,将折中重构结果作为最终确定的重构结果;否则,将人工重构结果或者自主重构结果作为最终确定的重构结果。
也就是说,重构决策管理模块可针对人工重构结果和自主重构结果,根据预定的策略或算法进行重构结果评估,决策出最终的重构方案。
该实现方式中,评估函数可参见上述公式(1),该处不再赘述。
关于加权融合,特别说明:加权融合的方式可以选择如下几种方式:
1、加权融合。融合结果=a*自主重构+b*人工重构,其中:a、b分别是两种重构的加权系数,根据需要可以设定不同的a、b值。
在具体实现过程中,a、b还可以是变化的,即变参数融合。如可指定在某些重构条件下,a=a1,b=b1;当重构条件发生变化是,a=a2,b=b2。
为更好的理解“将自主重构结果和人工重构结果进行加权融合”的过程,下面以一个实际的例子进行说明:
例如在一个50架无人机集群进行两个编队攻击的场景中。初始状态为50架飞机分成两组编队,分别为30架和20架,每个编队中均有60%的攻击机、30%的侦察机、10%的通信中继机(兼具侦查功能)。在飞行过程中,由于敌方的攻击,编队2中侦察机损失4架。
首先,编队2的自动重构模块根据程序中预先设计的策略,将会控制2架通信中继机的工作模式切换为侦察机,得到自主重构结果。
若此时,地面控制站发送人工干预重构命令,人工干预重构命令携带的信息是:编队2的2架通信中继机保持原工作模式(通信中继),并将编队1中的4架侦察机退出编队1加入编队2,得到人工重构结果。
上述自动重构结果的方案会保持编队1的战斗力,但是编队2会失去通信中继能力;人工重构结果的方案会使编队1的战斗力减弱,但是编队2会恢复侦查能力。
重构决策管理模块将会计算两种方案的效能和代价,选出f评估较大的方案。
若均小于预设阈值时,进行加权融合,编队1到编队2的侦察机数量=0.5(人工重构的加权系数)*4-0.5(自动重构的加权系统)*0=2。获得,最终的重构结果是编队1中的两架侦察机调整到编队2中。
2、替代融合。融合结果是用人工重构的部分结果替代自主重构结果中相应的部分,得到最终的重构方案。
基于上述重构决策管理模块对两种策略选择模型的说明,两种重构结果的比较和选择的过程汇总如下:
(1)根据预定优先级进行重构结果选择;
(2)根据智能评估算法进行效能、代价等的计算,根据计算结果选出效能高代价小的方案;
(3)当效能高的方案代价也高时,则对两个重构结果进行融合处理,得到折中的重构结果,并将最终的结果输出给无人机集群,控制无人机集群系统执行重构控制。
在进行重构决策时,由于现有的自主重构技术还不具备较高的可靠性,要充分考虑机器和人的优先级关系、授权关系等细节。具体包括:(1)初始状态下,在自主重构和人工重构两者中,人工重构的优先级最高;(2)可以通过授权的方式提高自主重构的优先级,即可以通过指令给自主重构授权较高的优先级,来改变重构决策时方案选择的优先顺序。
上述系统中将两种重构结构进行结合,兼顾自主重构的快速性和人工干预的可靠性,提高了重构决策时的可靠性。
下面以一个具体的实例进行说明。例如,OODA是指作战无人机感知、认知、决策、行动四个环节,构建一个具备攻击作战能力的无人机集群时,该集群中的无人机应携带感知载荷(设备)、认知载荷、决策载荷和攻击载荷。以无人机集群OODA环能力重构为例,说明上述无人机集群重构系统的具体实现过程。
某集群规模为10架无人机,各无人机均携带感知载荷、认知模块、决策模块和攻击载荷,即均具备OODA能力,无人机间可共享感知信息和决策信息。为了提高作战效能,在作战初始,指定1号无人机负责感知认知,将感知到的态势信息和识别出多个攻击目标信息分发给其余无人机,各无人机根据接收到的信息自主决策是否发起攻击或者攻击哪个目标。
当1号无人机坠毁后,无人机集群系统中没有了承担感知认知角色的无人机,此时需要对无人机集群系统进行重构,重新确定一架无人机承担感知认知角色,以重新构建集群系统的OODA能力。在重构过程中,各无人机启动自主重构模块,可根据预设的算法自主确定另一架无人机承担感知认知任务,如2号,进而2号开始进行侦查,并将侦查结果分发给其他无人机,使得无人机集群系统重新具备OODA全任务能力。
如果此时,地面控制站的控制人员发现2号无人机的感知能力不及5号无人机或2号无人机机载设备出现故障无法完成感知任务,则可通过地面控制站发送人工干预重构指令,指定5号无人机为侦查无人机,承担感知任务。
此时自主重构模块和人工重构模块分别将各自的重构结果发送到重构决策管理模块,重构决策管理模块根据预设的优先级(如:人工重构模块优先级高于自主重构模块),则重构决策管理模块选择5号作为最终的结果,指定5号无人机承担感知任务,向集群内其余无人机分发感知数据。
至此,无人机集群系统在自主重构和人工干预结合方式下,完成了一次简单的侦查能力重构,保证了无人机集群系统在部分任务能力缺失时,能够快速、可靠地重构系统架构,迅速恢复作战能力。
另外,本发明实施例还提供一种无人机,应用于无人机集群系统,包括上述任意实施例所述的自主重构和人工干预重构相结合的无人机集群重构系统。
再一方面,本发明实施例还提供一种计算机存储介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时,实现如上述任意实施例所述的结合人工干预重构指令的无人机集群重构系统的功能。也就是说,本发明实施例中的计算机存储介质可以运行在计算机运算平台中,即运行自主重构算法、指令执行算法和重构决策算法,由此,实现了上述任意实施例的自主重构和人工干预重构结合的无人机集群重构系统的功能。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。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例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。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例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种自主重构和人工干预重构相结合的无人机集群重构系统,其特征在于,包括:自主重构模块、人工重构模块和重构决策管理模块,所述自主重构模块、人工重构模块和重构决策管理模块设置在无人机集群系统中每一架无人机内;
所述自主重构模块,用于根据无人机中各传感设备探测的无人机自身信息和外部物体信息,基于自主重构算法进行计算,获得自主重构结果;
所述人工重构模块,用于根据无人机接收到的地面控制站的人工干预重构指令,输出人工重构结果;
所述重构决策管理模块,用于依据策略选择模型对所述自主重构结果和人工重构结果进行处理,确定控制无人机集群系统执行重构的重构结果。
2.根据权利要求1所述的无人机集群重构系统,其特征在于,所述重构决策管理模块包括:
若采用策略选择模型中的第一策略模型,则依据无人机集群当前状态和预先定义的优先级选择方式,从自主重构结果和人工重构结果中选择当前状态下优先级高的重构结果作为最终确定的重构结果。
3.根据权利要求1所述的无人机集群重构系统,其特征在于,所述重构决策管理模块包括:
若采用策略选择模型中的第二策略模型,则基于自主重构结果和人工重构结果的性能评估结果,对所述自主重构结果和人工重构结果进行余度决策,确定控制无人机集群系统执行重构的重构结果。
4.根据权利要求3所述的无人机集群重构系统,其特征在于,基于自主重构结果和人工重构结果的性能评估结果,对所述自主重构结果和人工重构结果进行余度决策,包括:
依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,选择评估函数值最大的重构结果作为最终确定的重构结果;
其中,评估函数是对重构结果产生的效能或者代价进行计算的一种函数,f评估=f效能-f代价
f效能表示重构结果可产生的预期收益,f代价表示选择相应的重构结果需要付出的代价;
或者,
依据与效能和代价关联的评估函数对自主重构结果和人工重构结果分别进行评估,若判断自主重构结果和人工重构结果各自的评估函数值均小于预设阈值时,将自主重构结果和人工重构结果进行融合,获取折中重构结果;
依据与效能和代价关联的评估函数对折中重构结果进行评估,判断折中重构结果对应的评估函数值是否大于预设阈值,在大于预设阈值时,将折中重构结果作为最终确定的重构结果,否则,将人工重构结果或者自主重构结果作为最终确定的重构结果。
5.根据权利要求2所述的无人机集群重构系统,其特征在于,
第一状态下,人工重构结果的优先级高于自主重构结果的优先级;第一状态为预先定义的一个状态。
6.根据权利要求1至5任一所述的无人机集群重构系统,其特征在于,所述自主重构模块包括:
获取模块,用于获取机载传感设备提供的飞行基本信息和外部物体信息;
第一处理模块,用于依据预设的自主重构算法对所述飞行基本信息和外部物体信息进行自动计算,获取自主重构结果;
第一传输模块,用于将自主重构结果传输至重构决策管理模块。
7.根据权利要求1至5任一所述的无人机集群重构系统,其特征在于,所述人工重构模块包括:
指令接收模块,用于接收地面控制站发送的人工干预重构指令,所述人工干预重构指令为操作者借助于地面控制站输入的信息;
第二处理模块,用于解析并识别出干预重构指令,基于识别的干预重构指令生成人工重构结果;
第二传输模块,用于将人工重构结果传输至重构决策管理模块。
8.根据权利要求1至5任一所述的无人机集群重构系统,其特征在于,无人机集群重构系统还包括:
输出模块,用于将重构决策管理模块确定的重构结果输出至所属无人机和/或关联的至少一个无人机,以使无人机集群系统基于该重构结果执行重构。
9.一种无人机,应用于无人机集群系统,其特征在于,包括上述权利要求1至8任一所述的自主重构和人工干预重构相结合的无人机集群重构系统。
10.一种计算机存储介质,其特征在于,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时,实现如权利要求1至8任一所述的自主重构和人工干预重构相结合的无人机集群重构系统的功能。
CN202110542326.7A 2021-05-18 2021-05-18 自主重构和人工干预重构相结合的无人机集群重构系统 Active CN113220034B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110542326.7A CN113220034B (zh) 2021-05-18 2021-05-18 自主重构和人工干预重构相结合的无人机集群重构系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110542326.7A CN113220034B (zh) 2021-05-18 2021-05-18 自主重构和人工干预重构相结合的无人机集群重构系统

Publications (2)

Publication Number Publication Date
CN113220034A true CN113220034A (zh) 2021-08-06
CN113220034B CN113220034B (zh) 2022-04-29

Family

ID=77092807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110542326.7A Active CN113220034B (zh) 2021-05-18 2021-05-18 自主重构和人工干预重构相结合的无人机集群重构系统

Country Status (1)

Country Link
CN (1) CN113220034B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397907A (zh) * 2021-12-20 2022-04-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法
CN115963852A (zh) * 2022-11-21 2023-04-14 北京航空航天大学 一种基于协商机制的无人机集群构建方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105700553A (zh) * 2016-01-28 2016-06-22 中国科学院自动化研究所 多无人机自主协同决策快速集成系统
CN106292589A (zh) * 2016-08-19 2017-01-04 北京航空航天大学 一种应用于无人机的人工干预的余度管理方法
CN107728643A (zh) * 2017-11-10 2018-02-23 西安电子科技大学 一种动态环境下的无人机群分布式任务调度方法
CN111045360A (zh) * 2019-11-29 2020-04-21 中国电子科技集团公司第二十研究所 一种支持无人系统互操作的通用任务指令处理方法
WO2020082768A1 (zh) * 2018-10-22 2020-04-30 南京航空航天大学 一种用于无人设备集群控制的多体队形重构方法
CN111596684A (zh) * 2020-05-11 2020-08-28 西安爱生技术集团公司 固定翼无人机密集编队与防撞避障半实物仿真系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105700553A (zh) * 2016-01-28 2016-06-22 中国科学院自动化研究所 多无人机自主协同决策快速集成系统
CN106292589A (zh) * 2016-08-19 2017-01-04 北京航空航天大学 一种应用于无人机的人工干预的余度管理方法
CN107728643A (zh) * 2017-11-10 2018-02-23 西安电子科技大学 一种动态环境下的无人机群分布式任务调度方法
WO2020082768A1 (zh) * 2018-10-22 2020-04-30 南京航空航天大学 一种用于无人设备集群控制的多体队形重构方法
CN111045360A (zh) * 2019-11-29 2020-04-21 中国电子科技集团公司第二十研究所 一种支持无人系统互操作的通用任务指令处理方法
CN111596684A (zh) * 2020-05-11 2020-08-28 西安爱生技术集团公司 固定翼无人机密集编队与防撞避障半实物仿真系统及方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
PANFENG HUANG: "Postcapture Attitude Takeover Control of a Partially Failed Spacecraft With Parametric Uncertainties", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *
XIAOWEIFU: "A formation maintenance and reconstruction method of UAV swarm based on distributed control", 《AEROSPACE SCIENCE AND TECHNOLOGY》 *
ZHENG, YU: "Mlti-rotor UAVs Formation Control and Avoidance Technology Based on Ad-hoc Network Strategy", 《2018 IEEE CSAA GUIDANCE, NAVIGATION AND CONTROL CONFERENCE (CGNCC)》 *
华思亮: "基于模型预测控制的无人机编队自主重构研究", 《系统仿真学报》 *
栾筱林: "多自主式水下航行器协同控制的人工物理法研究", 《中国海洋大学学报》 *
王英勋: "无人机的自主飞行控制", 《航空制造技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114397907A (zh) * 2021-12-20 2022-04-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法
CN114397907B (zh) * 2021-12-20 2024-03-26 北京航空航天大学 一种基于多智能体的集群自适应重构行为建模方法
CN115963852A (zh) * 2022-11-21 2023-04-14 北京航空航天大学 一种基于协商机制的无人机集群构建方法
CN115963852B (zh) * 2022-11-21 2023-09-12 北京航空航天大学 一种基于协商机制的无人机集群构建方法

Also Published As

Publication number Publication date
CN113220034B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN113220034B (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
US7765038B2 (en) Mission planning system for vehicles with varying levels of autonomy
CN112180967B (zh) 基于评判-执行架构的多无人机协同对抗决策方法
Chang et al. Coactive design of explainable agent-based task planning and deep reinforcement learning for human-UAVs teamwork
CN112198892B (zh) 一种多无人机智能协同突防对抗方法
Malvankar-Mehta et al. Optimal task allocation in multi-human multi-robot interaction
Devo et al. Autonomous single-image drone exploration with deep reinforcement learning and mixed reality
Dan et al. Control barrier function-based persistent coverage with performance guarantee and application to object search scenario
Mendonça et al. Semi-unknown environments exploration inspired by swarm robotics using fuzzy cognitive maps
Yang et al. Autonomy balancing in a manned-unmanned teaming (MUT) swarm attack
Xia et al. Cooperative multi-target hunting by unmanned surface vehicles based on multi-agent reinforcement learning
Dovgal Making decisions about the placement of unmanned aerial vehicles based on the implementation of an artificial immune system in relation to information processing
CN111163440B (zh) 通信干扰下无人机协同态势感知网络快速重构方法和装置
Karaşan et al. Neutrosophic TOPSIS method for technology evaluation of unmanned aerial vehicles (UAVs)
Roldán et al. A proposal of multi-UAV mission coordination and control architecture
Gonçalves et al. Authority sharing in mixed initiative control of multiple uninhabited aerial vehicles
Madni et al. Next generation adaptive cyber physical human systems
CN109933053B (zh) 一种基于机动动作链的无人机控制方法和无人机
Roldán et al. Determining mission evolution through UAV telemetry by using decision trees
Zhu et al. Autonomous and Adaptive Role Selection for Multi-robot Collaborative Area Search Based on Deep Reinforcement Learning
Chen et al. An agent‐based simulation for multi‐UAVs coordinative sensing
Madni Formal Methods for Intelligent Systems Design and Control
Maiwald et al. Mental resource demands prediction as a key element for future assistant systems in military helicopters
Díaz-Muñoz et al. Cooperative Chaotic Exploration with UAVs Combining Pheromone Dispersion and Hopfield Chaotic Neural Network
Wu et al. A framework using machine vision and deep reinforcement learning for self-learning moving objects in a virtual environment

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