CN113311700B - 一种非平均机制引导的uuv集群协同控制方法 - Google Patents
一种非平均机制引导的uuv集群协同控制方法 Download PDFInfo
- Publication number
- CN113311700B CN113311700B CN202010124692.6A CN202010124692A CN113311700B CN 113311700 B CN113311700 B CN 113311700B CN 202010124692 A CN202010124692 A CN 202010124692A CN 113311700 B CN113311700 B CN 113311700B
- Authority
- CN
- China
- Prior art keywords
- individual
- following
- interaction
- cluster
- coordination
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 46
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 230000006399 behavior Effects 0.000 claims abstract description 29
- 230000000007 visual effect Effects 0.000 claims abstract description 23
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000008878 coupling Effects 0.000 claims abstract description 4
- 238000010168 coupling process Methods 0.000 claims abstract description 4
- 238000005859 coupling reaction Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 3
- 230000002195 synergetic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000000638 stimulation Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于集群智能与自主协同技术领域,具体涉及一种非平均机制引导的UUV集群协同控制方法,包括以下步骤:步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制,优化选择个体邻域内的邻居数量;步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度,设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型;步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。本发明能够实现稳定、高效、快速的UUV集群控制。
Description
技术领域
本发明属于集群智能与自主协同技术领域,具体涉及一种非平均机制引导的UUV集群协同控制方法。
背景技术
无人水下航行器(Unmanned Underwater Vehicle)是具有自主规划、航行、感知、探测等功能的小型作战平台,可承担情报收集、监视侦察、扫雷、反潜、搜捕、打击、中继通信等各类作战任务。相比较于单作战平台,多航行器组成的各种同构或异构集群系统具有容错性高、适应性强、作业效率高、作业范围广等优点,可大大降低作战人员的危险性,提高作战过程的智能化,实现作战效能的倍增,已成为各国竞争发展的颠覆性技术。
由于水下作战环境与作战任务的时变性、动态性、随机性,容易引起信息缺失、通信延迟、辐射噪声等环境效应约束,致使个体感知信息往往具有片面性、模糊性、滞后性,使其行为冲突与通信消耗增加,甚至造成集群链式碰撞效应。因此,如何控制UUV集群成为集群智能与自主协同领域的关键科学问题。但由于集群规模的制约,自上而下全局性或中心性的集中控制难以有效实施,所以自下而上无中心的分布式控制方法吸引了更多目光。
近年来UUV集群分布式控制主要有领航跟随法、人工势场法、软控制方法以及基于行为的控制方法。其中,领航跟随法是利用集群中富含信息个体或者智能发达个体的引导作用实现集群智能涌现控制的,但是这种方法没有明确的队形反馈,容易发生滞后现象;人工势场法用势函数模拟影响个体行为的内外作用,集群中个体在势函数的作用下实现对集群系统的控制,其中存在的局部扰动是制约其应用的关键因素;软控制方法是在集群系统局部控制规则的基础上,通过在群中加入可控个体而对集群系统直接/间接地施加一定的外部控制,最终使集群智能向人们希望的方向演化,但该方法依赖外部指令不能完全实现自主协同控制。而基于行为的控制方法启发于生物集群行为,生物集群仅依赖简单的行为规则交互却能在集群层面涌现出协调一致的运动,这种仿生行为控制原理已成为目前管理各类人工集群的重要借鉴和参考。
仿生行为控制法(Behavior-driven)采用局部行为交互实现无中心控制的智能激发汇聚策略。早期,科学家依据避碰-结对-聚集行为规则提出了Vicsek、Boid、Couzin等集群运动基本模型,这些模型虽然为集群行为研究奠定了重要的基础,但是其都属于速度平均机制模型,在揭示群体智能的发生机理方面存在一定的局限性,没有考虑个体在视觉感知上的差异性,更没有考虑位置、速度、方向等运动协同信息的完整性,这些缺陷使得UUV集群控制存在严重的不确定性。
有鉴于此,本发明挖掘生物集群行为交互特征的信息提炼、压缩与传播机制,利用视觉感知特性,结合单邻域跟随与多邻域跟随的优势,设计一种非平均机制引导的UUV集群协同控制方法,以解决上述问题。
发明内容
为了解决现有技术中所指出的速度平均机制为集群控制带来严重不确定性的问题,本发明提出一种非平均机制引导的UUV集群协同控制方法,该方法能够提升集群行为控制稳定性的目标。
本发明要解决的技术问题通过以下技术方案实现:假定数量规模为N的UUV集群在二维平面内运动,其二阶质点运动模型为:
pi,qi,ui分别表示个体i的位置信息、速度信息以及控制输入,Ni(t)={j|||pi-pj||≤R,j=1,2…N,j≠i}为个体i的邻居集合,R为其感知半径,||pi-pj||表示个体i与个体j的欧式距离;
其协同控制方法包括以下步骤:
步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制,优化选择个体邻域内的邻居数量;
步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度,设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型;
步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。
进一步地,所述步骤一在全局视野范围R内,UUV利用拓扑交互固定周围数量规模为Ni1(t)的个体作为个体i候选行为交互个体,其交互方式中邻居数量Ni1(t)远远小于其视野感知范围内的邻居数量Ni(t)。
进一步地,所述步骤一在局部视野受限范围内选择个体i视域范围内的邻居集合Ni2(t)作为其候选行为交互个体,即排除UUV尾部视觉盲区范围内的个体,这种交互方式中邻居数量Ni2(t)远远小于其拓扑交互的邻居数量Ni1(t),即
进一步地,所述步骤一采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合Ni3(t)作为其候选行为交互个体,这种交互方式中邻居数量Ni3(t)远远小于其视野受限范围内的邻居数量Ni2(t),即
进一步地,所述步骤二具体过程为:首先计算个体i与其邻居集合Ni3(t)中j行为交互作用强度δij,其通过pi位置、qi速度、ui方向三者的协同作用来计算,即
最后,根据δij与响应触发阈值Δi的比较进行跟随模型的决策判断,如果个体i与邻居集合Ni3(t)中任一个体j之间存在δij<Δi,则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权,则跟随控制率为:
进一步地,所述t=t+Δt;
其中,Δt为采样周期。
与现有技术相比,本发明具有如下有益效果:
1.本发明提供一种非平均机制引导的UUV集群协同控制方法,本方法启发于生物集群行为交互特征,设计包含拓扑交互、视野盲区、视觉注意等在内的视觉信息提炼与压缩的UUV信息模型,能够实现稳定、高效、快速的UUV集群控制。
2.本发明提供一种非平均机制引导的UUV集群协同控制方法,本方法除了考虑行为交互强度的速度之外,还综合考虑了其位置与方向信息,将三者信息协同以设计非平均机制模型,克服传统速度平均机制的信息不完整问题。
3.本发明提供一种非平均机制引导的UUV集群协同控制方法,本方法基于虚拟势场设计单紧邻结对跟随与多紧邻加群跟随模型,充分考虑个体之间的差异,实现单紧邻跟随与多紧邻跟随模型的有机耦合。
附图说明
图1为本发明协同控制方法的步骤流程图;
图2为本发明方法的原理图;
图3是集群分散t=0s;
图4是集群聚集t=50s;
图5是集群避障t=52s;
图6是集群避障t=100s;
图7是三种模型的平均航向指标响应曲线;
图8是三种模型的有序度参量指标响应曲线;
图9是三种模型的尺度参数指标响应曲线。
具体实施方式
为使本发明所解决的技术问题、技术方案及有益效果更加清晰,以下结合附图及实施例,对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不限定本发明,详细说明如下。
请参阅附图1、2所示,一种非平均机制引导的UUV集群协同控制方法,假定数量规模为N的UUV集群在二维平面内运动,其二阶质点运动模型为:pi,qi,ui分别表示个体i的位置信息、速度信息以及控制输入,Ni(t)={j|||pi-pj||≤R,j=1,2…N,j≠i}为个体i的邻居集合,R为其感知半径,||pi-pj||表示个体i与个体j的欧式距离;
其协同控制方法包括以下步骤:
步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制,优化选择个体邻域内的邻居数量。
具体的,首先在全局视野范围R内,UUV利用拓扑交互固定周围数量规模为Ni1(t)的个体作为个体i候选行为交互个体,其交互方式中邻居数量Ni1(t)远远小于其视野感知范围内的邻居数量Ni(t)。
其次,在局部视野受限范围内选择个体i视域范围内的邻居集合Ni2(t)作为其候选行为交互个体,即排除UUV尾部视觉盲区范围内的个体,这种交互方式中邻居数量Ni2(t)远远小于其拓扑交互的邻居数量Ni1(t),即
最后,采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合Ni3(t)作为其候选行为交互个体,这种交互方式中邻居数量Ni3(t)远远小于其视野受限范围内的邻居数量Ni2(t),即
步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度,设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型。
具体的,首先计算个体i与其邻居集合Ni3(t)中j行为交互作用强度δij,其通过pi位置、qi速度、ui方向三者的协同作用来计算,即
最后,根据δij与响应触发阈值Δi的比较进行跟随模型的决策判断,如果个体i与邻居集合Ni3(t)中任一个体j之间存在δij<Δi,则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权,则跟随控制率为:
步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型。
上述公式中t=t+Δt;其中,Δt为采样周期。
实施例1:为了验证上述提出的控制模型和方法的可行性和有效性,设计典型仿真模型如下:UUV集群规模N=10,初始位置随机分布在1000×1000的二维平面,初始航向随机分布式在[0,2π],初始速度0.5m/s,UUV视野感知范围R=0.4,视野盲区ω=[-30,30],划分扇形子区域个数m=6,响应触发阈值Δi=0.5,外部环境扰动wj采用线性权重分配,采样周期Δt=0.01s。其仿真结果如图3-6所示。
在图3中,采样时间t=0s时UUV集群初始化为分散状态;图4为UUV集群航向同步一致后t=50s的聚集状态;图5为UUV集群响应外部障碍刺激而呈现的避障运动t=52s,黑色椭圆表示水下动态障碍物其以0.5m/s进行直线运动;图6为t=100s时集群避障成功的运动状态。从中可以看出,避障之前,UUV集群从初始位置分散到形成编队聚集的稳定运行,表明本发明具有良好的集群位置协同与速度有序能力;避障之时,UUV集群边缘距离最近的信息个体感知动态目标运动,能够迅速调整航向,其邻域内最优邻居能够迅速根据跟随模型进行外部刺激信息的响应,并进行信息在集群内部的快速传播;避障之后,信息UUV集群能够迅速恢复原来的运动方向,其余个体依据模型跟随模型进行运动,表明本发明具有良好的避障与跟随能力。总的来说,本发明所提出的集群控制方法能够有效管理UUV集群水下作业。
实施例2:为了进一步验证上述所提出的控制模型和方法的高效性,在对单邻域跟随、多领域跟随以及本发明所提方法进行对比分析,仿真环境与仿真参数与实施1相同。为此定义三个集群运动特性指标,分别为平均航向、有序度参量和尺度参数,其中平均航向φ定义为:
其中,N表示集群规模,φ(t)表示集群t时刻平均航向,其值越大集群越混乱。
有序度参量ψ定义为:
其中,qi表示个体i在t时刻的速度矢量,显现ψ∈[0 1],当ψ趋向于1时,集群有序性越高,其处于有序状态,反之当ψ趋向于0时,集群有序性越低,其处于无序状态。
尺度参数δ定义为:
其中,pc表示集群的平均几何中心,其值越小表示集群分布越为紧密,反之表示集群分布越为松散。UUV集群在三种模型下的三种性能指标响应曲线如图7~9所示。
如图7所示,对于本发明提出的方法,平均航向由于初始航向随机的原因造成其值在初期产生发散,但是随着控制方法的位置协同控制率跟随模型的控制协同控制率与运动有序的速度协同控制率的有效实施,集群运动协调一致有序,平均航向收敛于0.288,而当出现动态障碍物时,集群边缘最先发现障碍的个体迅速响应外部环境刺激,并且将刺激信息在群内进行隐式传播,导致集群平均航向增加,在t=75s左右集群恢复原来航向,平均航向也随之收敛于稳定状态。而多邻域跟随与单邻域跟随两种方法虽然能够引导集群完成分散、聚集、避障等行为,但是其稳定性和收敛性与本发明方法相比而言较差,这也证明了本发明能够有效结合单邻域跟随与多邻域跟随的建模优势。
如图8所示,本发明能够快速响应外部障碍刺激,集群的无序程度有所增加,在跟随模型的作用下其他个体能够快速跟随首先发现障碍的个体,使其有序度参量不断增加,最终收敛于1,而单邻域跟随与多邻域跟随由于响度速度较慢,造成信息协同不足,导致其有序度参量小于本发明方法所得结果,而且其收敛过程持续时间较长,实时性受到制约。
如图9所示,由于在初始阶段UUV集群是随机分布,个体之间距离局部相对较大,尺度参数波动较大,但是随着集群控制方法的作用,集群由无序状态演变成航向一致的聚集状态,此时尺度参数收敛;在躲避障碍的过程中尺度参数先增加,而后随着航向恢复其值慢慢收敛到稳定状态。
图7~9中,从有序度参量与尺度参数两个性能指标可以看出,本发明在躲避前后都表现出相对于单邻域跟随与多邻域跟随更优的稳定性与收敛性,这主要得益于UUV集群中个体邻居数量与分布的优化,使其通行效率大大提高。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (3)
1.一种非平均机制引导的UUV集群协同控制方法,其特征在于,假定数量规模为N的UUV集群在二维平面内运动,其二阶质点运动模型为:分别表示个体i的位置信息、速度信息以及控制输入,Ni(t)={j|||pi-pj||≤R,j=1,2…N,j≠i}为个体i的邻居集合,R为其感知半径,||pi-pj||表示个体i与个体j的欧式距离;
其协同控制方法包括以下步骤:
步骤一、分别通过拓扑交互、视野盲区以及视觉注意机制,优化选择个体邻域内的邻居数量;
步骤二、综合利用位置、速度以及方向信息构建个体交互行为作用强度,设计单紧邻结对跟随与多紧邻加群跟随耦合的非平均交互模型;
步骤三、利用虚拟势场建立空间聚集的位置协同、运动有序的速度协同、避免碰撞的约束协同、跟随模型的控制协同以及外部环境扰动在内的UUV集群运动模型;
所述步骤一在局部视野受限范围内选择个体i视域范围内的邻居集合Ni2(t)作为其候选行为交互个体,即排除UUV尾部视觉盲区范围内的个体,这种交互方式中邻居数量Ni2(t)远远小于其拓扑交互的邻居数量Ni1(t),即
所述步骤一采用视觉注意力筛选机制对非视觉盲区进行均匀划分、并筛选每一个区域内距离最近的邻居形成集合Ni3(t)作为其候选行为交互个体,这种交互方式中邻居数量Ni3(t)远远小于其视野受限范围内的邻居数量Ni2(t),即
所述步骤二具体过程为:首先计算个体i与其邻居集合Ni3(t)中j行为交互作用强度δij,其通过pi位置、qi速度、ui方向三者的协同作用来计算,即
最后,根据δij与响应触发阈值Δi的比较进行跟随模型的决策判断,如果个体i与邻居集合Ni3(t)中任一个体j之间存在δij<Δi,则个体i采用多邻域加权跟随模式与邻域内所有个体进行加权,则跟随控制率为:
2.根据权利要求1所述的一种非平均机制引导的UUV集群协同控制方法,其特征在于:所述步骤一在全局视野范围R内UUV利用拓扑交互固定周围数量规模为Ni1(t)的个体作为个体i候选行为交互个体,其交互方式中邻居数量Ni1(t)远远小于其视野感知范围内的邻居数量Ni(t)。
3.根据权利要求2所述的一种非平均机制引导的UUV集群协同控制方法,其特征在于:所述t=t+Δt;
其中,Δt为采样周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124692.6A CN113311700B (zh) | 2020-02-27 | 2020-02-27 | 一种非平均机制引导的uuv集群协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010124692.6A CN113311700B (zh) | 2020-02-27 | 2020-02-27 | 一种非平均机制引导的uuv集群协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113311700A CN113311700A (zh) | 2021-08-27 |
CN113311700B true CN113311700B (zh) | 2022-10-04 |
Family
ID=77370223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010124692.6A Expired - Fee Related CN113311700B (zh) | 2020-02-27 | 2020-02-27 | 一种非平均机制引导的uuv集群协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113311700B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115220441B (zh) * | 2022-03-24 | 2024-07-12 | 华东师范大学 | 一种基于生物视觉感知的无人小车集群任务协同方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040068415A1 (en) * | 2002-04-22 | 2004-04-08 | Neal Solomon | System, methods and apparatus for coordination of and targeting for mobile robotic vehicles |
CN108549407B (zh) * | 2018-05-23 | 2020-11-13 | 哈尔滨工业大学(威海) | 一种多无人机协同编队避障的控制算法 |
CN110618607B (zh) * | 2018-06-20 | 2022-03-01 | 陕西师范大学 | 一种基于行为的多uuv自组织协调控制方法 |
CN109445459B (zh) * | 2018-10-25 | 2019-10-15 | 中国人民解放军战略支援部队航天工程大学 | 无人机集群编队控制方法及其装置 |
CN109887005B (zh) * | 2019-02-26 | 2023-05-30 | 天津城建大学 | 基于视觉注意机制的tld目标跟踪方法 |
CN110069075B (zh) * | 2019-04-19 | 2020-06-09 | 北京航空航天大学 | 一种仿鸽群应急避障机制的集群超机动避障方法 |
CN110458165B (zh) * | 2019-08-14 | 2022-11-08 | 贵州大学 | 一种引入注意力机制的自然场景文本检测方法 |
-
2020
- 2020-02-27 CN CN202010124692.6A patent/CN113311700B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830373A (zh) * | 2018-06-08 | 2018-11-16 | 武汉大学 | 仿欧椋鸟群集飞行的大规模智能群体自主协同的建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113311700A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Distributed UAV swarm formation and collision avoidance strategies over fixed and switching topologies | |
Wang et al. | The adaptive vortex search algorithm of optimal path planning for forest fire rescue UAV | |
CN105892480B (zh) | 异构多无人机系统协同察打任务自组织方法 | |
Fei et al. | Autonomous cooperative search model for multi-UAV with limited communication network | |
Wu et al. | Autonomous cooperative flocking for heterogeneous unmanned aerial vehicle group | |
CN111487995A (zh) | 基于三维简化虚拟模型的群无人机多目标搜索协作方法 | |
CN111443728B (zh) | 一种基于混沌灰狼优化的无人机编队控制方法 | |
Liang et al. | Bio-inspired self-organized cooperative control consensus for crowded UUV swarm based on adaptive dynamic interaction topology | |
CN113743565B (zh) | 一种基于群体体系结构的无人机蜂群反制方法 | |
CN113311700B (zh) | 一种非平均机制引导的uuv集群协同控制方法 | |
Liu et al. | Leader-following flocking for unmanned aerial vehicle swarm with distributed topology control | |
Wen et al. | Optimization of the occlusion strategy in visual tracking | |
Zhu et al. | A multi-strategy particle swarm algorithm with exponential noise and fitness-distance balance method for low-altitude penetration in secure space | |
Wang et al. | Coupled alternating neural networks for solving multi-population high-dimensional mean-field games with stochasticity | |
Adadi et al. | Explainable Artificial Intelligence for Intelligent Transportation Systems: Are We There Yet? | |
CN113255893A (zh) | 一种多智能体行动策略自演进生成方法 | |
An et al. | Multidimensional Trajectory Prediction of UAV Swarms Based on Dynamic Graph Neural Network | |
ZHANG et al. | Mission planning method of multi-UUV search submarine acoustic beacon | |
CN116067232A (zh) | 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 | |
CN109164826B (zh) | 一种基于改进蚁群算法的大规模无人集群控制方法 | |
CN113359852B (zh) | 一种仿原鸽个体属性智能行为的无人机集群协同控制方法 | |
Singh et al. | Automatic identification of the leader in a swarm using an optimized clustering and probabilistic approach | |
Gizzi et al. | A Generalized Framework for Detecting Anomalies in Real-Time Using Contextual Information. | |
CN113283124A (zh) | 基于多智能体的自治USoS参与模型构建方法及其系统 | |
Liu et al. | Pairwise Control In Unmanned Aerial Vehicle Swarm Flocking |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221004 |
|
CF01 | Termination of patent right due to non-payment of annual fee |