CN113434966B - 基于弹性力场的蜂群避撞控制方法 - Google Patents

基于弹性力场的蜂群避撞控制方法 Download PDF

Info

Publication number
CN113434966B
CN113434966B CN202110987468.4A CN202110987468A CN113434966B CN 113434966 B CN113434966 B CN 113434966B CN 202110987468 A CN202110987468 A CN 202110987468A CN 113434966 B CN113434966 B CN 113434966B
Authority
CN
China
Prior art keywords
unmanned
formation
equation
elastic
grid
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
Application number
CN202110987468.4A
Other languages
English (en)
Other versions
CN113434966A (zh
Inventor
秦望龙
张昕
张臻
刘冠邦
刘学全
钱海力
蔡俊伟
李志刚
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.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
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 CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202110987468.4A priority Critical patent/CN113434966B/zh
Publication of CN113434966A publication Critical patent/CN113434966A/zh
Application granted granted Critical
Publication of CN113434966B publication Critical patent/CN113434966B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

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

Abstract

本发明公开了一种基于弹性力场的蜂群避撞控制方法，属于无人机编队控制领域。该方法首先获取无人机编队的初始空间位置信息，采用Delaunay图方法构建生成初始无人机编队网格；接着基于全局弹性力场方法构建蜂群弹性抗扰动方程，确定弹性力场边界条件；最后在运动过程中实时计算和调整无人编队内部节点的应飞位置。仿真表明，本发明中所设计的蜂群避撞控制方法有较高的实用性和较好的鲁棒性，能够较好地解决强扰动气流中的无人蜂群飞行避撞控制问题，在无人机蜂群作战、无人机协同搜救、无人机群表演等军事和民事领域有着广阔的应用前景。

Description

基于弹性力场的蜂群避撞控制方法
技术领域
本发明涉及的无人机编队控制领域，尤其涉及一种基于弹性力场的蜂群避撞控制方法。
背景技术
无人机具有用途多样、灵活性强、开支低廉等优势，在军用和民用领域得到了广泛的关注。与单无人机相比，无人机群由于其具备更强的生存性、更高的可扩展性以及可完成任务的多样性，成为近年的热点研究领域。在军用领域，美军相继推出体系集成技术与试验（SoSITE）、拒止环境中协同作战（CODE）、低成本无人机蜂群（LOCUST）、进攻性蜂群战术（OFFSET）、小精灵（Gremlins）等无人机群概念或项目，意图以低成本、高效能装备实现在强对抗环境中的压倒性军事优势目标。在民用领域，在人工智能、大数据等先进技术的支撑下，无人机群已相继出现在编队灯光表演、群体喷洒农药、群体协同搜救等众多领域应用中。然而当前的无人编队应用大多集中于四旋翼，在固定翼方面，由于飞行速度快，蜂群在飞行过程中极易受强气流干扰导致脱离编队甚至发生蜂群碰撞事故，从而影响任务的执行完成。目前常见的蜂群抗扰动技术主要将该问题转化为编队控制问题，常用的方法主要有领航跟踪法、基于行为队形控制、虚拟结构法、有限时间自适应队形控制法、基于Voronoi图的队形控制方法等。目前这些方法在无人机的抗干扰调整中均采用局部位置调整的措施，在应对局部极小扰动情况下有较好的效果，但是在面对强风干扰情况下会面临全局失控的状态。
发明内容
本发明的目的在于提供一种基于弹性力场的蜂群避撞控制方法，从而实现无人机群在强气流干扰飞行条件下的全局位置调整以弹性避撞。
实现本发明的目的的技术解决方案为：一种基于弹性力场的蜂群避撞控制方法，步骤如下：
（1）无人机编队获取共享空间坐标信息；
（2）基于Delaunay图方法构建无人编队网格；
（3）基于弹性力学方程构建无人编队网格的弹性抗干扰方程，根据需求设置弹性抗干扰方程的边界条件；
（4）在无人编队运动过程中记录各无人各节点的运用扰动变量，代入弹性抗干扰方程计算各无人节点的下一步应飞位置；
（5）判断弹性抗干扰方程的迭代误差是否小于设定的误差阈值；如果小于设定误差阈值则执行步骤（6），否则返回步骤（4）；
（6）定义无人编队的全局抗干扰系数，并实时进行数据监控；
（7）判断无人编队全局抗干扰系数数值是否一直变小；如果一直变小则继续计算监控该系数，否则结束并输出结果。
进一步地，步骤（1）中，无人机编队获取共享空间坐标信息的具体步骤为：
2.1、基于无人机节点自身惯导或GPS导航数据，得到无人机节点的空间坐标
Figure 147040DEST_PATH_IMAGE001
；
2.2、无人节点将自身空间坐标信息
Figure 667014DEST_PATH_IMAGE002
发送给无人编队其余节点存储，各无人节 点存储全局坐标信息
Figure 857824DEST_PATH_IMAGE003
。
进一步地，2.1步中，所述无人机节点的空间坐标为采用卡尔曼滤波方法得到。
进一步地，步骤（2）中，基于Delaunay图方法构建无人编队网格的具体步骤为：
4.1、提取无人机节点的空间坐标信息
Figure 613291DEST_PATH_IMAGE003
；
4.2、构建包含所有个体的Delaunay初始网格，记录对应网格编号
Figure 94694DEST_PATH_IMAGE004
， 其中，网格中二维为三角形，三维为四面体；
4.3、遍历网格单元链表，选择存在共面的网格单元
Figure 644624DEST_PATH_IMAGE005
进行合并；以其中一个网 格单元的最大外接圆做基准检查最后点是否在外接圆内；如果在外接圆内，则调整网格单 元的点组合进行局部优化，否则保持原先的两个网格单元组合不变；
4.4、记录Delaunay网格单元
Figure 198097DEST_PATH_IMAGE006
，及每个网格单元包含的无人机编 队节点。
进一步地，步骤（3）中，基于弹性力学方程构建无人编队的弹性抗干扰方程及边界条件的具体步骤为：
5.1、基于弹性力学方程和扰动假设，构建无人编队弹性抗干扰方程，其表达式为：
Figure 491675DEST_PATH_IMAGE007
式中参数
Figure 204416DEST_PATH_IMAGE008
，其中
Figure 315460DEST_PATH_IMAGE009
分别为无 人编队弹性体内部节点的相对位移、弹性模量和泊松比；
5.2、基于步骤（2）生成的无人编队网格，采用有限元方法离散后，得到如下有限元方程组：
Figure 480862DEST_PATH_IMAGE010
式中
Figure 453497DEST_PATH_IMAGE011
，
Figure 20745DEST_PATH_IMAGE012
为无人编队网格节点总数，其中
Figure 912478DEST_PATH_IMAGE013
等参数的表达式可表述为：
Figure 191274DEST_PATH_IMAGE014
其中函数
Figure 826655DEST_PATH_IMAGE015
为有限元基函数；
5.3、定义无人编队的弹性抗干扰方程的边界条件；根据无人编队已知节点的相对位移，确定弹性抗干扰方程的边界条件。
进一步地，步骤5.3中，所述弹性抗干扰方程的边界条件为采用Dirichlet边界条件确定，具体为：
Figure 389355DEST_PATH_IMAGE016
其中
Figure 451989DEST_PATH_IMAGE017
为已知节点的相对位移数值。
进一步地，步骤（4）中在无人编队运动过程中记录各无人各节点的运动扰动变量，代入弹性抗干扰方程计算各无人节点的下一步应飞位置的步骤为：
7.1、计算得到无人编队整体抗干扰方程组，形式为：
Figure 591983DEST_PATH_IMAGE018
；
其中
Figure 890109DEST_PATH_IMAGE019
为稀疏雅克比矩阵，
Figure 431949DEST_PATH_IMAGE020
为迭代求解的未知变量，
Figure 665484DEST_PATH_IMAGE021
为常数，格式可表述 为：
Figure 168141DEST_PATH_IMAGE022
；
7.2、确定方程未知变量
Figure 410903DEST_PATH_IMAGE020
的初始数值，表述公式为：
Figure 436278DEST_PATH_IMAGE023
；
7.3、采用置大数法将边界值代入待求解方程组；
7.4、将初值和边界值代入张量方程，采用Newton-Block Guass Siedel方法快速迭代进行方程求解，求解公式为：
Figure 106294DEST_PATH_IMAGE024
Figure 689722DEST_PATH_IMAGE025
其中
Figure 611541DEST_PATH_IMAGE026
，为每迭代步中代入
Figure 862394DEST_PATH_IMAGE020
值后计算得到的值。
进一步地，所述采用置大数法将边界值代入待求解方程组具体为
Figure 827945DEST_PATH_IMAGE027
采 用置大数法得到如下表述形式为：
Figure 164248DEST_PATH_IMAGE028
其中，
Figure 483234DEST_PATH_IMAGE029
为代入边界值后的待求解未知变量，
Figure 729539DEST_PATH_IMAGE030
为代入边界值后的常数。
进一步地，步骤（6）中无人编队的全局抗干扰系数计算公式为：
Figure 475778DEST_PATH_IMAGE031
其中，
Figure 191055DEST_PATH_IMAGE032
和
Figure 48153DEST_PATH_IMAGE033
分别为运动过程中第
Figure 273598DEST_PATH_IMAGE034
个无人机节点当前时刻和上 一时刻的空间坐标，
Figure 331684DEST_PATH_IMAGE035
为无人机节点数目。
有益效果：本发明与现有技术相比，其显著优点：
（1）与现有的无人编队局部控制技术相比，本发明巧妙地将无人编队节点当成网格节点，基于弹性力学方程进行全局避撞控制，该方法具有更好地避撞效果，能够应对强扰动气流中的蜂群编队避撞问题。
（2）针对弹性抗干扰方程的块稀疏特性，巧妙的采用Newton-Block Guass Siedel方法进行方程求解，能够加速方程的求解速率。
（3）能够通过弹性模量参数控制无人编队节点的变形特性，具有更好的局部分布特征控制。
附图说明
图1是本发明基于弹性力场的蜂群避撞控制方法的流程图；
图2是无人机编队获取及共享空间坐标的流程图；
图3是无人编队网格生成的流程图；
图4是无人编队弹性抗干扰方程构建流程图；
图5是无人编队节点应飞位置计算流程；
图6是无人编队三维全局坐标；
图7是采用Delaunay图方法构建的三维无人编队网格单元；
图8是无人编队部分节点受扰动后，内部节点移动仿真结果；
图9是采用弹性抗干扰方程计算得到的无人编队各节点最终应飞位置。
具体实施方式
下面结合附图对本发明作进一步详细描述。
结合图1，本发明的基于弹性力场的蜂群避撞控制方法包括以下步骤：
步骤1、无人机编队获取及共享空间坐标信息。结合图2，步骤具体为：
第一、基于无人机节点自身惯导/GPS导航数据，采用卡尔曼滤波方法得到无人机 节点的空间坐标
Figure 377000DEST_PATH_IMAGE001
：
第二、无人节点将自身空间坐标信息
Figure 303368DEST_PATH_IMAGE002
发送给无人编队其余节点存储，各无人节 点存储全局坐标信息
Figure 773532DEST_PATH_IMAGE003
。
步骤2、基于Delaunay图方法构建无人编队网格。结合图3，步骤具体为：
第一、提取无人机节点的空间坐标信息
Figure 861574DEST_PATH_IMAGE003
。
第二、构建包含所有个体的Delaunay初始网格，记录对应网格（二维为三角形，三 维为四面体）编号
Figure 535132DEST_PATH_IMAGE004
。
第三、遍历网格单元链表，选择存在共面的网格单元
Figure 999611DEST_PATH_IMAGE005
进行合并。以其中一个 网格单元的最大外接圆做基准检查最后点是否在外接圆内。如果在外接圆内，则调整网格 单元的点组合进行局部优化，否则保持原先的两个网格单元组合不变。以四面体
Figure 199649DEST_PATH_IMAGE036
为例，其 共面四面体为
Figure 347340DEST_PATH_IMAGE037
。
Figure 367248DEST_PATH_IMAGE038
的最大外接圆圆心为
Figure 635419DEST_PATH_IMAGE039
，半径为
Figure 565329DEST_PATH_IMAGE040
，四面体
Figure 995173DEST_PATH_IMAGE037
与
Figure 892591DEST_PATH_IMAGE038
的 相异点为
Figure 698873DEST_PATH_IMAGE041
，则满足要求的四面体条件为：
Figure 607923DEST_PATH_IMAGE042
第四、记录Delaunay网格单元
Figure 615193DEST_PATH_IMAGE006
,及每个网格单元包含的无人机 编队节点。
步骤3、基于弹性力学方程构建无人编队网格的弹性抗干扰方程，根据需求设置弹性抗干扰方程的边界条件。结合图4，具体步骤为：
第一、基于弹性力学方程和扰动假设，构建无人编队弹性抗干扰方程，其表达式为：
Figure 344115DEST_PATH_IMAGE007
式中参数
Figure 954087DEST_PATH_IMAGE008
。其中
Figure 343743DEST_PATH_IMAGE009
分别为无 人编队弹性体内部节点的相对位移、弹性模量和泊松比。
二维情况下，无人编队弹性抗干扰方程退化为如下形式：
Figure 380969DEST_PATH_IMAGE043
第二、基于步骤（2）生成的无人编队网格，采用有限元方法离散后，得到如下有限元方程组。
Figure 597187DEST_PATH_IMAGE010
式中
Figure 886217DEST_PATH_IMAGE011
。其中
Figure 504280DEST_PATH_IMAGE044
为无人编队网格节点总数。其 中
Figure 102620DEST_PATH_IMAGE013
等参数的表达式可表 述为：
Figure 806134DEST_PATH_IMAGE014
其中函数
Figure 23489DEST_PATH_IMAGE015
为有限元基函数。
第三、定义无人编队的弹性抗干扰方程的边界条件。根据无人编队已知节点的相对位移，采用Dirichlet边界条件确定弹性抗干扰方程的边界条件
Figure 637004DEST_PATH_IMAGE016
其中
Figure 16033DEST_PATH_IMAGE017
为已知节点的相对位移数值。
步骤4、在无人编队运动过程中记录各无人各节点的运动扰动变量，代入弹性抗干扰方程计算各无人节点的下一步应飞位置。结合图5，具体步骤为：
第一步、计算得到无人编队整体抗干扰方程组，形式为：
Figure 113169DEST_PATH_IMAGE018
。
其中
Figure 868635DEST_PATH_IMAGE019
为稀疏雅克比矩阵，
Figure 461291DEST_PATH_IMAGE020
为迭代求解的未知变量，
Figure 621008DEST_PATH_IMAGE021
为常数，格式可表述 为：
Figure 564693DEST_PATH_IMAGE022
第二步、确定方程未知变量
Figure 858271DEST_PATH_IMAGE020
的初始数值，表述公式为：
Figure 695646DEST_PATH_IMAGE023
第三步、采用置大数法将边界值代入待求解方程组，例如
Figure 416477DEST_PATH_IMAGE045
可采用置大 数法得到如下表述形式为：
Figure 457245DEST_PATH_IMAGE046
，
第四步、将初值和边界值代入张量方程。采用Newton-Block Guass Siedel方法快速迭代进行方程求解。求解公式为：
Figure 288935DEST_PATH_IMAGE024
Figure 856183DEST_PATH_IMAGE025
其中
Figure 639593DEST_PATH_IMAGE026
，为每迭代步中代入
Figure 26712DEST_PATH_IMAGE020
值后计算得到的值。
步骤5、判断弹性抗干扰方程的迭代误差是否小于设定的误差阈值；如果小于设定误差阈值则执行步骤（6），否则返回步骤（4）；
步骤6、定义无人编队的全局抗干扰系数，并实时进行数据监控。实时监控的无人编队全局抗干扰系数计算公式为：
Figure 927672DEST_PATH_IMAGE031
。
步骤7、判断无人编队全局抗干扰系数数值是否一直变小；如果一直变小则继续计算监控该系数，否则结束并输出结果。
下面结合实施例对本发明做进一步详细的说明：
下面结合图6至图9，通过三维仿真实验的实施例及其效果评价来进一步说明本发明。
在三维情况的实施实例中，图6为采用步骤1得到的无人机编队内节点的三维坐标。通过步骤2，采用Delaunay图方法构建得到编队内四面体网格单元及节点如图7所示。这时给部分节点添加干扰，使其外移到某外球面，测试其余节点在弹性抗干扰方程控制下的应飞位置。图8为无人编队内部节点在弹性抗干扰方程控制下的移动过程仿真结果，图9为无人编队各节点的最终应飞位置，可见无人编队节点在弹性抗干扰方程控制下始终弹性有序地向着更安全的位置移动。

Claims (6)

1.一种基于弹性力场的蜂群避撞控制方法，其特征在于，包括以下步骤：
(1)无人机编队获取共享空间坐标信息；
(2)基于Delaunay图方法构建无人编队网格；
(3)基于弹性力学方程构建无人编队网格的弹性抗干扰方程，根据需求设置弹性抗干扰方程的边界条件；
(4)在无人编队运动过程中记录各无人各节点的运用扰动变量，代入弹性抗干扰方程计算各无人节点的下一步应飞位置；
(5)判断弹性抗干扰方程的迭代误差是否小于设定的误差阈值；如果小于设定误差阈值则执行步骤(6)，否则返回步骤(4)；
(6)定义无人编队的全局抗干扰系数，并实时进行数据监控；
(7)判断无人编队全局抗干扰系数数值是否一直变小；如果一直变小则继续计算监控该系数，否则返回步骤(4)；
步骤(3)中，基于弹性力学方程构建无人编队的弹性抗干扰方程及边界条件的具体步骤为：
5.1、基于弹性力学方程和扰动假设，构建无人编队弹性抗干扰方程，其表达式为：
Figure FDA0003311979460000011
式中参数α＝γ/(1-γ),β＝(1-α)/2，其中(u,v,w),e，γ分别为无人编队弹性体内部节点的相对位移、弹性模量和泊松比；
5.2、基于步骤(2)生成的无人编队网格，采用有限元方法离散后，得到如下有限元方程组：
Figure FDA0003311979460000012
式中i＝1,2,…,n；j＝1,2,…,n，n为无人编队网格节点总数，其中
Figure FDA0003311979460000021
参数的表达式表述为：
Figure FDA0003311979460000022
其中函数φ为有限元基函数；
5.3、定义无人编队的弹性抗干扰方程的边界条件；根据无人编队已知节点的相对位移，确定弹性抗干扰方程的边界条件；
步骤(6)中无人编队的全局抗干扰系数计算公式为：
Figure FDA0003311979460000023
其中，Xi,Yi,Zi和Xt,Yt,Zt分别为运动过程中第i个无人机节点当前时刻和上一时刻的空间坐标，n为无人机节点数目。
2.根据权利要求1所述的基于弹性力场的蜂群避撞控制方法，其特征在于，步骤(1)中，无人机编队获取共享空间坐标信息的具体步骤为：
2.1、基于无人机节点自身惯导或GPS导航数据，得到无人机节点的空间坐标x0＝(x0,y0,z0)；
2.2、无人节点将自身空间坐标信息x0发送给无人编队其余节点存储，各无人节点存储全局坐标信息x1,x2,…,xn。
3.根据权利要求2所述的基于弹性力场的蜂群避撞控制方法，其特征在于，2.1步中，所述无人机节点的空间坐标为采用卡尔曼滤波方法得到。
4.根据权利要求1所述的基于弹性力场的蜂群避撞控制方法，其特征在于，步骤(2)中，基于Delaunay图方法构建无人编队网格的具体步骤为：
4.1、提取无人机节点的空间坐标信息x1,x2,…,xn；
4.2、构建包含所有个体的Delaunay初始网格，记录对应网格编号T1,T2,…,Tm，其中，网格中二维为三角形，三维为四面体；
4.3、遍历网格单元链表，选择存在共面的网格单元Ta,Tb进行合并；以其中一个网格单元的最大外接圆做基准检查最后点是否在外接圆内；如果在外接圆内，则调整网格单元的点组合进行局部优化，否则保持原先的两个网格单元组合不变；
4.4、记录Delaunay网格单元T'1,T'2,…,T'm,及每个网格单元包含的无人机编队节点。
5.根据权利要求1所述的基于弹性力场的蜂群避撞控制方法，其特征在于，步骤5.3中，所述弹性抗干扰方程的边界条件为采用Dirichlet边界条件确定，具体为：
Figure FDA0003311979460000031
其中u0,v0为已知节点的相对位移数值。
6.根据权利要求1所述的基于弹性力场的蜂群避撞控制方法，其特征在于，步骤(4)中在无人编队运动过程中记录各无人各节点的运动扰动变量，代入弹性抗干扰方程计算各无人节点的下一步应飞位置的步骤为：
7.1、计算得到无人编队整体抗干扰方程组，形式为：
A·x＝b；
其中A为稀疏雅克比矩阵，x为迭代求解的未知变量，b为常数，格式表述为：
Figure FDA0003311979460000041
7.2、确定方程未知变量x的初始数值，表述公式为：
Figure FDA0003311979460000042
7.3、采用置大数法将边界值代入待求解方程组；
7.4、将初值和边界值代入张量方程，采用Newton-Block Guass Siedel方法快速迭代进行方程求解，求解公式为：
A·δ＝-f
x＝x+δ
其中f＝A·x-b，为每迭代步中代入x值后计算得到的值。
CN202110987468.4A 2021-08-26 2021-08-26 基于弹性力场的蜂群避撞控制方法 Active CN113434966B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110987468.4A CN113434966B (zh) 2021-08-26 2021-08-26 基于弹性力场的蜂群避撞控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110987468.4A CN113434966B (zh) 2021-08-26 2021-08-26 基于弹性力场的蜂群避撞控制方法

Publications (2)

Publication Number Publication Date
CN113434966A CN113434966A (zh) 2021-09-24
CN113434966B true CN113434966B (zh) 2021-11-26

Family

ID=77798050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110987468.4A Active CN113434966B (zh) 2021-08-26 2021-08-26 基于弹性力场的蜂群避撞控制方法

Country Status (1)

Country Link
CN (1) CN113434966B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355987A (zh) * 2022-01-19 2022-04-15 北京航空航天大学 一种基于弹性重要度的无人机编队重构方法
CN115686072B (zh) * 2022-12-29 2023-03-14 中国电子科技集团公司第二十八研究所 一种基于空间网格的无人机群安全作业航线自动生成方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117540A (zh) * 2018-08-02 2019-01-01 三峡大学 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法
CN109669475A (zh) * 2019-01-22 2019-04-23 北京航空航天大学 基于人工蜂群算法的多无人机三维编队重构方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10073454B2 (en) * 2016-03-17 2018-09-11 Northrop Grumman Systems Corporation Machine vision enabled swarm guidance technology
CN112744104B (zh) * 2020-12-29 2022-08-26 鹏城实验室 无人机降落充电装置和无人机系统
CN113220012A (zh) * 2021-04-06 2021-08-06 中国电子科技集团公司电子科学研究院 用于“蜂群”无人机的集成舱段及“蜂群”无人机

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117540A (zh) * 2018-08-02 2019-01-01 三峡大学 一种解决大坝混凝土力学参数反演不唯一性的概率统计分析方法
CN109669475A (zh) * 2019-01-22 2019-04-23 北京航空航天大学 基于人工蜂群算法的多无人机三维编队重构方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
弹射式变掠角串置翼飞行机器人设计及控制方法研究;高良;《中国博士学位论文全文数据库电子期刊 工程科技II辑》;20210115;第2021年卷(第1期);全文 *

Also Published As

Publication number Publication date
CN113434966A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN108388270B (zh) 面向安全域的集群无人机轨迹姿态协同控制方法
CN108731684B (zh) 一种多无人机协同区域监视的航路规划方法
CN109032168B (zh) 一种基于dqn的多无人机协同区域监视的航路规划方法
CN113434966B (zh) 基于弹性力场的蜂群避撞控制方法
CN107219857B (zh) 一种基于三维全局人工势函数的无人机编队路径规划算法
CN110703795B (zh) 一种基于切换拓扑的无人机群协同安全控制方法
CN110673649B (zh) 基于拓扑优化的时变信道下无人机编队一致性控制方法、系统、装置及存储介质
CN110608743A (zh) 基于多种群混沌灰狼算法的多无人机协同航路规划方法
CN110554709A (zh) 一种分布式的仿生的多智能体自主集群控制方法
CN111240356B (zh) 一种基于深度强化学习的无人机集群会合方法
Park et al. Stereo vision based obstacle collision avoidance for a quadrotor using ellipsoidal bounding box and hierarchical clustering
CN112580537B (zh) 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法
CN107065859A (zh) 多移动机器人的轨迹预测方法
CN115657730B (zh) 一种大规模多旋翼无人机鲁棒分簇编队控制方法
CN113759935B (zh) 基于模糊逻辑的智能群体编队移动控制方法
Agarwal et al. Improving energy efficiency in UAV attitude control using deep reinforcement learning
CN110162084B (zh) 基于一致性理论的飞航导弹集群系统编队控制方法
CN116954258A (zh) 未知扰动下多四旋翼无人机编队的分层控制方法及装置
CN115903885B (zh) 一种基于任务牵引的蜂群Agent模型的无人机飞控方法
CN114815904B (zh) 基于注意力网络的无人集群对抗方法、装置及无人设备
Zhang et al. Multi-target encirclement with collision avoidance via deep reinforcement learning using relational graphs
CN112925345B (zh) 一种仿狼群狩猎行为的无人作战飞机集群合围控制方法
Fu et al. Air combat assignment problem based on bayesian optimization algorithm
Patley et al. Modified particle swarm optimization based path planning for multi-UAV formation
CN115857544A (zh) 一种无人机集群编队飞行控制方法、装置及设备

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