CN113743565B - 一种基于群体体系结构的无人机蜂群反制方法 - Google Patents

一种基于群体体系结构的无人机蜂群反制方法 Download PDF

Info

Publication number
CN113743565B
CN113743565B CN202110897444.XA CN202110897444A CN113743565B CN 113743565 B CN113743565 B CN 113743565B CN 202110897444 A CN202110897444 A CN 202110897444A CN 113743565 B CN113743565 B CN 113743565B
Authority
CN
China
Prior art keywords
swarm
unmanned aerial
aerial vehicle
formation
bee colony
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
CN202110897444.XA
Other languages
English (en)
Other versions
CN113743565A (zh
Inventor
席建祥
李俊龙
杨小冈
陈璐
王乐
范志良
王�忠
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN202110897444.XA priority Critical patent/CN113743565B/zh
Publication of CN113743565A publication Critical patent/CN113743565A/zh
Application granted granted Critical
Publication of CN113743565B publication Critical patent/CN113743565B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种基于群体体系结构的无人机蜂群反制方法，包括步骤Step1.蜂群状态信息获取；Step2.蜂群体系结构判别；Step3.可反制关键无人机设定；Step4.导航诱骗信号作用；Step5.反制效果确定；本发明上述方法通过分析蜂群空间分布和运动轨迹特征对蜂群体系结构分类，针对不同体系结构选定相应可反制关键无人机，利用蜂群分布式体系结构特性，通过导航诱骗部分无人机实现无人机蜂群的整体反制，以局部带动整体，有效提升分布式无人机蜂群反制效费比，具有反制效果好、反制效费比高的特点。

Description

一种基于群体体系结构的无人机蜂群反制方法
技术领域
本发明涉及反制无人机蜂群技术领域，具体涉及一种基于群体体系结构的无人机蜂群反制方法。
背景技术
分布式无人机蜂群作为人工智能领域重要研究方向，在农业植保、通信中继、抢险救灾、协同侦查和集群打击等不同领域具有广泛的应用价值和重要的发展前景；无人机蜂群服务于经济民生和军事国防的同时，带来的各种潜在风险和安全隐患也与日俱增；
现有的无人机反制方法主要包括硬反制和软反制两种，硬反制包括密集武器拦截、高能激光攻击、高功率微波抗击和幕型拦截等；软反制包括无线电干扰、数据链路夺控与导航诱骗等；上述方法在反制无人机蜂群时，均以反制无人机个体的方式反制整个蜂群，存在反制效费比低的问题；当无人机个体数量比较庞大时，会因为火力饱和与干扰范围不够而降低反制效果；
为了高效反制无人机蜂群，应选定并反制蜂群中部分关键无人机，借助蜂群分布式体系结构特性，将导航诱骗信号从部分关键无人机传播到整个蜂群，达到以点带面的蜂群整体反制效果；从已有的研究成果来看，尚未见到关于群体体系结构的无人机蜂群反制方法的研究。
发明内容
针对上述存在的问题，本发明旨在提供一种基于群体体系结构的无人机蜂群反制方法，本方法通过分析不同体系结构特征，对一个或多个可反制关键无人机施加导航诱骗信号，可实现无人机蜂群整体的有效反制。导航诱骗信息只需施加给部分关键无人机，可有效提升蜂群反制效费比，达到以点带面的反制效果，具有反制效果好、反制效费比高的特点。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于群体体系结构的无人机蜂群反制方法，包括步骤
Step1.获取蜂群状态信息：利用防空监测系统对威胁空域进行监测并建模，获取并融合待反制无人机蜂群可视、红外和/或SAR成像等多源监测图像信息，求解待反制无人机蜂群的位置和速度状态信息；
Step2.判别蜂群体系结构：分析待反制无人机蜂群空间分布和运动轨迹得到蜂群结构特征，计算蜂群的有序度var和响应时间Rt，识别并判断待反制无人机蜂群所属体系结构；
Step3.寻找可反制关键无人机：对于不同体系结构的待反制蜂群，根据蜂群的结构特性、状态信息和反制条件，选定一个或多个无人机作为该蜂群可反制关键无人机；
Step4.发布导航诱骗信号：对选定的可反制关键无人机施加导航诱骗信号δ(t)，错误导航信息通过群体分布式交互由部分关键无人机传播至整个蜂群，最终蜂群整体偏离原运动轨迹，实现对分布式无人机蜂群的有效反制；
Step5.确定反制效果：在时间Δt后，防空监测系统若探测到待反制无人机蜂群趋向预设的导航诱骗位置，则反制结束；否则转向Step1。
优选的，步骤Step1所述的求解待反制无人机蜂群的位置和速度状态信息的过程包括：
Step101.同时采集无人机蜂群的可视、红外和/或SAR成像等多源图像信息；
Step102.在采集得到上述多源图像信息后，采用加权平均图像融合算法，将任意两个源图像对应像素的灰度值进行加权平均，生成新的图像，依次不断迭代，实现多源信息融合和图像重构，提高融合图像的信噪比，融合方法表示如下：
G(m,n)＝α1A(m,n)+α2B(m,n) (1)
其中：在式(1)中，A和B分别表示待融合的图像，m、n分别代表图像中像素的行号和列号，G为融合后得到的图像，α1和α2为两图像对应的加权系数，
Figure BDA0003198424660000031
α2＝1-α1；
Step103.通过融合各源图像提供的冗余信息，提高探测信息的准确度，进而计算得到无人机个体位置和速度等状态信息以及蜂群空间分布信息。
优选的，步骤Step2所述的待反制无人机蜂群体系结构包括无分簇结构和多分簇结构，其中无分簇结构包括自主编队结构和编队合围结构。
优选的，步骤Step2所述的待反制无人机蜂群所属体系结构的判断过程包括Step201.无分簇结构和多分簇结构的判断
无分簇结构是一种去中心化的扁平状架构，蜂群中各无人机地位平等，不包含统筹蜂群的中心无人机，蜂群中各无人机以邻近无人机状态及目标位置为协同信息，通过分布式控制生成任务队形并根据任务态势实时变化，从而涌现群体智能；
多分簇结构是一种分层有序的等级架构，无人机可根据任务目标或自身所在区域的不同，形成多个相互协作的分簇，簇首无人机负责簇内无人机之间的通信和簇内无人机与其他簇无人机之间的交互；
Step202.自主编队结构和编队合围结构的判断。
优选的，步骤Step202所述的自主编队结构和编队合围结构判断的具体过程包括：
(1)设蜂群中无人机数量为N，第i个无人机的位置为(xi,yi,zi)，dij表示无人机i和j之间的距离，则蜂群成员距离和为：
Figure BDA0003198424660000041
其中，在式(2)中，Ni为无人机i的邻居集
(2)用蜂群无人机距离的方差表示蜂群有序度var：
Figure BDA0003198424660000042
(3)蜂群队形变化响应时间Rt为蜂群队形有序度的微分：
Figure BDA0003198424660000043
(4)分别对蜂群队形有序度var和响应时间Rt设定分类阈值var和Rt，若输入的待反制无人机蜂群队形有序度大于阈值，且响应时间小于阈值，即var＞var且Rt＜Rt，则判定该无人机蜂群为自主编队结构蜂群，反之为编队合围结构蜂群。
优选的，步骤Step3所述的可反制关键无人机的确定过程包括无分簇结构蜂群的关键无人机选定和多分簇结构蜂群的关键无人机选定，具体过程包括
Step301.无分簇结构蜂群的关键无人机选定
(1)针对自主编队结构的无人机蜂群，根据“近距离优先通信”原则，邻居节点越多的无人机其通信强度越大，对蜂群整体影响作用也越大，因此设定邻居数量较多的无人机作为可反制关键无人机；
(2)首先以蜂群中所有无人机为节点集V，无人机之间的连接关系为边集E，构建蜂群无向图模型G(V,E)，通过近来模块性构建Q函数计算形式为：
Figure BDA0003198424660000051
其中：在式(5)中，m表示图中边总数，mi表示与第i个无人机相连的边数，di表示第i个无人机的节点度之和；
(3)通过判定Q函数的值是否大于阈值来判定第i个无人机是否为多邻居节点。
(4)针对编队合围结构的无人机蜂群，由于无人机之间的避撞互斥作用，边界无人机形成蜂群边界队形，内部无人机受边界无人机约束形成合围队形，因此边界节点在编队合围结构蜂群中具有核心作用，将处于蜂群边缘的边界无人机设为可反制关键无人机；
Step302.多分簇结构蜂群的关键无人机选定
(1)首先检测特征更为明显的无人机分簇，通过多层次区域分割获取蜂群子分簇空间分布位置；
(2)然后在蜂群子分簇区域内部，利用簇首无人机体积和外观特征，结合运动轨迹，以可疑目标位置为初始点，对其运动轨迹进行跟踪记录，剔除不符合簇首无人机运动特性的目标，最终得到簇首无人机。
优选的，步骤Step4所述的可反制关键无人机施加导航诱骗信号δ(t)的设计过程包括：
Step401.设计针对可反制关键无人机施加导航诱骗信号δ(t)如下：
Figure BDA0003198424660000052
其中，在式(6)中，N(t)为t时刻的目标接收处可见卫星数，Cj(t-τj(t))为第j颗卫星的信号功率，τj(t)为伪随机码传播延时，Dj(t-τj(t))为第j颗卫星导航电文数据，φj(t)为第j颗卫星载波相位，n(t)为随机噪声；
Step402.慢变速的错误定位信息在不触发蜂群容错机制的情况下，通过分布式信息交互，部分关键无人机的错误信息在蜂群内部传播到整个蜂群，使得无人机蜂群整体沿着错误导航信息飞行，最终实现对无人机蜂群的有效反制。
本发明的有益效果是：本发明公开了一种基于群体体系结构的无人机蜂群反制方法，与现有技术相比，本发明的改进之处在于：
本发明设计了一种基于群体体系结构的无人机蜂群反制方法，本方法通过分析蜂群空间分布和运动轨迹特征对蜂群体系结构分类，针对不同体系结构选定相应可反制关键无人机，利用蜂群分布式体系结构特性，通过导航诱骗部分无人机实现无人机蜂群的整体反制，以局部带动整体，有效提升分布式无人机蜂群反制效费比，具有反制效果好、反制效费比高的优点。
附图说明
图1为本发明基于群体体系结构的无人机蜂群反制方法流程图。
图2为本发明无人机蜂群体系结构判别方法流程图。
图3为本发明受导航诱骗信号反制蜂群偏离期望轨迹示意图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1-3所示的一种基于群体体系结构的无人机蜂群反制方法，包括步骤
Step1.获取蜂群状态信息：利用防空监测系统对威胁空域进行监测并建模，获取并融合待反制无人机蜂群可视、红外和/或SAR成像等多源监测图像信息，求解待反制无人机蜂群的位置和速度状态信息；
Step2.判别蜂群体系结构：分析待反制无人机蜂群空间分布和运动轨迹得到蜂群结构特征，计算蜂群的有序度var和响应时间Rt，识别并判断待反制无人机蜂群所属体系结构；
Step3.寻找可反制关键无人机：对于不同体系结构的待反制蜂群，根据蜂群的结构特性、状态信息和反制条件，选定一个或多个无人机作为该蜂群可反制关键无人机；
Step4.发布导航诱骗信号：对选定的可反制关键无人机施加导航诱骗信号δ(t)，错误导航信息通过群体分布式交互由部分关键无人机传播至整个蜂群，最终蜂群整体偏离原运动轨迹，实现对分布式无人机蜂群的有效反制；
Step5.确定反制效果：在时间Δt后，防空监测系统若探测到待反制无人机蜂群趋向预设的导航诱骗位置，则反制结束；否则转向Step1。
优选的，步骤Step1所述的求解待反制无人机蜂群的位置和速度等状态信息的过程包括：
Step101.利用己方防空监测系统同时采集无人机蜂群的可视、红外和/或SAR成像等多源图像信息；
Step102.在采集得到上述多源图像信息后，对上述多源图像信息进行多源信息融合和图像重构，具体为采用加权平均图像融合算法，将任意两个源图像对应像素的灰度值进行加权平均，生成新的图像，依次不断迭代，实现多源信息融合和图像重构，可提高融合图像的信噪比，融合方法表示如下：
G(m,n)＝α1A(m,n)+α2B(m,n) (1)
其中：在式(1)中，A和B分别表示待融合的图像，m、n分别代表图像中像素的行号和列号，G为融合后得到的图像，α1和α2为两图像对应的加权系数，
Figure BDA0003198424660000081
α2＝1-α1；
Step103.通过融合各源图像提供的冗余信息，提高探测信息的准确度，进而计算得到无人机个体位置和速度等状态信息以及蜂群空间分布信息。
优选的，步骤Step2所述的待反制无人机蜂群体系结构的不同体系结构特征及判别方法如下：
分布式无人机蜂群无集中控制单元，各无人机仅根据自身及邻居无人机状态信息，通过局部信息交互涌现群体智能；依据蜂群分工协作方式的不同可将分布式无人机蜂群划分为无分簇结构蜂群和多分簇结构蜂群；
上述待反制无人机蜂群所属体系结构的判断过程包括：
Step201.无分簇结构和多分簇结构的判断
无分簇结构蜂群中所有无人机地位平等，不包含统筹蜂群的中心无人机，蜂群中各无人机以各自邻近无人机状态及目标位置作为定位信息，通过分布式控制生成任务队形并向目标靠近；无人机携带的传感器可实时获取自身与目标位置的定位信息，并依据任务态势决策蜂群的期望队形，缩减自身与目标位置的距离到达集结区域并形成任务队形；无分簇蜂群具有自主编队和编队合围两种队形结构；编队合围结构蜂群的队形构成与维持，主要依靠边界无人机间的通信进行协同，而自主编队结构蜂群的行为动作由内部成员相互协商而成；因此相比于编队合围结构，自主编队结构的成员队形排布会更加有序，在面对队形变化和航向转变时，自主编队蜂群的运动会更加平滑，变换时间也更短；
多分簇结构蜂群是一种分层有序的等级架构，无人机可根据任务目标或自身所在区域的不同，形成多个相互协作的分簇，簇首无人机负责簇内无人机之间的通信和簇内无人机与其他簇无人机之间的交互，簇内无人机以簇首无人机为参考对象实时调控自身状态，以达到目标跟踪及蜂群控制之目的；各分簇簇首无人机以虚拟领导者状态信息为参考形成簇首无人机期望队形，而对应的簇内无人机以各自簇首无人机状态信息为参考形成子分簇期望队形；从虚拟领导者到簇首无人机，再到簇内无人机的单向信息传递结构，使得多分簇结构蜂群能够更快速、更高效地实现智能协同，达到目标跟踪及蜂群控制之目的；“金字塔”型的等级架构使得不同子分簇簇内无人机相对独立，从而子分簇在飞行过程中会呈现出分簇独立、边界清晰等空间分布特性；
Step202.自主编队结构和编队合围结构的判断
(1)在反制无人机蜂群前，需要分辨出蜂群的编队结构，便于后续选取合适的可反制关键无人机；多分簇结构具有鲜明的结构特征，可通过各分簇空间分布情况判别；无分簇结构中的自主编队和编队合围结构，仅依靠无人机位置信息不足以准确分辨出其队形结构；队形有序度是对蜂群空间分布均匀程度的度量，对于自主编队结构蜂群，成员空间排布均匀、有序；设蜂群中无人机数量为N，第i个无人机的位置为(xi,yi,zi)，dij表示无人机i和j之间的距离，则蜂群成员距离和为：
Figure BDA0003198424660000091
其中，在式(2)中，Ni为无人机i的邻居集
(2)用蜂群无人机距离的方差表示蜂群有序度var：
Figure BDA0003198424660000101
(3)蜂群队形变化响应时间Rt为蜂群队形有序度的微分：
Figure BDA0003198424660000102
(4)分别对蜂群队形有序度var和响应时间Rt设定分类阈值var和Rt，若输入的待反制无人机蜂群队形有序度大于阈值，且响应时间小于阈值，即var＞var且Rt＜Rt，则判定该无人机蜂群为自主编队结构蜂群，反之为编队合围结构蜂群，蜂群体系结构判别方法流程图如图2所示。
优选的，步骤Step3所述的可反制关键无人机的确定过程包括无分簇结构蜂群的关键无人机选定和多分簇结构蜂群的关键无人机选定，具体过程包括
Step301.无分簇结构蜂群的关键无人机选定
(1)无分簇结构是一种扁平化架构，蜂群中各无人机地位平等，通过成员局部信息交互涌现群体智能；无分簇结构蜂群具有自主编队和编队合围两种队形结构，对于自主编队的无人机蜂群，由于无人机通信距离有限，仅能与邻近的无人机进行通信交互，根据“近距离优先通信”原则，邻居节点越多的无人机其通信强度越大，多邻居无人机的状态变化对蜂群整体影响作用较大，因此设定邻居数量较多的无人机作为可反制关键无人机；
(2)首先以蜂群中所有无人机为节点集V，无人机之间的连接关系为边集E，构建蜂群无向图模型G(V,E)，通过近来模块性构建Q函数计算形式为：
Figure BDA0003198424660000111
其中：在式(5)中，m表示图中边总数，mi表示与第i个无人机相连的边数，di表示第i个无人机的节点度之和；
(3)通过判定Q函数的值是否大于阈值来判定第i个无人机是否为多邻居节点；
(4)针对编队合围结构的无人机蜂群，由于无人机之间的避撞互斥作用，边界无人机形成蜂群边界队形，内部无人机受边界无人机约束形成合围队形，因此边界节点在编队合围结构蜂群中具有核心作用，将处于蜂群边缘的边界无人机设为可反制关键无人机；
Step302.多分簇结构蜂群的关键无人机选定
(1)多分簇结构蜂群以各无人机子分簇为单元执行任务，不同子分簇之间通过信息交互协商分配任务，其“金字塔”形的架构决定了簇首无人机是各分簇核心，簇内无人机以本簇簇首无人机为参考形成期望子分簇队形；同时各簇首无人机共同决策规划蜂群任务、优化蜂群综合效能。因此，簇首无人机可作为多分簇无人机蜂群可反制关键无人机；为了能在广阔复杂的背景中，准确提取出簇首无人机，首先检测特征更为明显的无人机分簇，通过多层次区域分割获取蜂群子分簇空间分布位置；
(2)然后在蜂群子分簇区域内部，利用簇首无人机体积和外观特征，结合运动轨迹，以可疑目标位置为初始点，对其运动轨迹进行跟踪记录，剔除不符合簇首无人机运动特性的目标，最终得到簇首无人机。
优选的，步骤Step4所述的可反制关键无人机施加导航诱骗信号δ(t)的设计过程包括：
Step401.设计针对可反制关键无人机施加导航诱骗信号δ(t)如下：
Figure BDA0003198424660000121
其中，在式(6)中，N(t)为t时刻的目标接收处可见卫星数，Cj(t-τj(t))为第j颗卫星的信号功率，τj(t)为伪随机码传播延时，Dj(t-τj(t))为第j颗卫星导航电文数据，φj(t)为第j颗卫星载波相位，n(t)为随机噪声；
Step402.慢变速的错误定位信息在不触发蜂群容错机制的情况下，通过分布式信息交互，部分关键无人机的错误信息在蜂群内部传播到整个蜂群，使得无人机蜂群整体沿着错误导航信息飞行，最终实现对无人机蜂群的有效反制。
实施例1：对于分层有序的多分簇结构无人机蜂群，簇内无人机围绕本簇簇首无人机形成子分簇编队队形，各分簇簇首无人机之间通信和决策，根据无人机间的吸引与排斥、合作与竞争等体系内部驱动力，完成蜂群整体队形的形成、保持和切换等行为。
在如图3所示的多分簇结构无人机蜂群中，共有A，B和C三个子分簇，每个分簇由一个簇首无人机和五个簇内无人机构成。子分簇内部遵循领航跟随者结构，簇首无人机发送自身状态信息给簇内无人机，但不接收簇内无人机发送的信息，簇内无人机根据簇首无人机的状态形成相应的五边形编队。各分簇簇首无人机之间根据向期望结构靠近的吸引驱动力和无人机之间避撞的排斥驱动力，使整个蜂群根据任务态势形成三角形队形。由于任务场景和任务态势的实时变化，簇首无人机之间还存在因任务分配产生的合作与竞争关系，通过竞争使得整个蜂群综合效能最大化。根据任务态势，期望的目标轨迹和任务队形如图3所示，分簇A和分簇B相互靠近执行目标位置相近的两个任务，同时分簇C执行目标位置较远的任务。
本发明针对多分簇结构蜂群的簇首无人机施加错误导航欺骗信号。由于簇首无人机决定子分簇位置，同时决策蜂群队形变化，其对整个蜂群的影响更大，因而将其判定为可反制关键无人机。当蜂群中部分簇首无人机受到错误导航信息欺骗时，例如图3中的分簇A，由于各分簇无人机间存在合作关系，通过各簇首无人机之间的交互关系将错误信号的影响扩散到其他与该簇通信交互的簇(分簇B和C)中，进而扩散到整个蜂群；由于分簇之间存在竞争关系，错误导航信息会欺骗各分簇使存在竞争关系的簇向相反的不同轨迹运动，如分簇A和分簇B受竞争性欺骗信号作用相互远离，从而破坏期望任务队形，使蜂群中的协同控制机制失效，通过诱骗部分关键无人机高效反制整个无人机蜂群，实现以局部带动整体的反制效果。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (7)

1.一种基于群体体系结构的无人机蜂群反制方法，其特征在于：包括步骤
Step1.获取蜂群状态信息：利用防空监测系统对威胁空域进行监测并建模，获取并融合待反制无人机蜂群可视、红外和/或SAR成像等多源监测图像信息，求解待反制无人机蜂群的位置和速度状态信息；
Step2.判别蜂群体系结构：分析待反制无人机蜂群空间分布和运动轨迹得到蜂群结构特征，计算蜂群的有序度var和响应时间Rt，识别并判断待反制无人机蜂群所属体系结构；
Step3.寻找可反制关键无人机：对于不同体系结构的待反制蜂群，根据蜂群的结构特性、状态信息和反制条件，选定一个或多个无人机作为该蜂群可反制关键无人机；
Step4.发布导航诱骗信号：对选定的可反制关键无人机施加导航诱骗信号δ(t)，错误导航信息通过群体分布式交互由部分关键无人机传播至整个蜂群，最终蜂群整体偏离原运动轨迹，实现对分布式无人机蜂群的有效反制；
Step5.确定反制效果：在时间Δt后，防空监测系统若探测到待反制无人机蜂群趋向预设的导航诱骗位置，则反制结束；否则转向Step1。
2.根据权利要求1所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step1所述的求解待反制无人机蜂群的位置和速度状态信息的过程包括：
Step101.同时采集无人机蜂群的可视、红外和/或SAR成像等多源图像信息；
Step102.在采集得到上述多源图像信息后，采用加权平均图像融合算法，将任意两个源图像对应像素的灰度值进行加权平均，生成新的图像，依次不断迭代，实现多源信息融合和图像重构，提高融合图像的信噪比，融合方法表示如下：
G(m,n)＝α1A(m,n)+α2B(m,n) (1)
其中：在式(1)中，A和B分别表示待融合的图像，m、n分别代表图像中像素的行号和列号，G为融合后得到的图像，α1和α2为两图像对应的加权系数，
Figure FDA0003198424650000021
α2＝1-α1；
Step103.通过融合各源图像提供的冗余信息，提高探测信息的准确度，进而计算得到无人机个体位置和速度状态信息以及蜂群空间分布信息。
3.根据权利要求1所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step2所述的待反制无人机蜂群体系结构包括无分簇结构和多分簇结构，其中无分簇结构包括自主编队结构和编队合围结构。
4.根据权利要求3所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step2所述的待反制无人机蜂群所属体系结构的判断过程包括
Step201.无分簇结构和多分簇结构的判断
无分簇结构是一种去中心化的扁平状架构，蜂群中各无人机地位平等，不包含统筹蜂群的中心无人机，蜂群中各无人机以邻近无人机状态及目标位置为协同信息，通过分布式控制生成任务队形并根据任务态势实时变化，从而涌现群体智能；
多分簇结构是一种分层有序的等级架构，无人机可根据任务目标或自身所在区域的不同，形成多个相互协作的分簇，簇首无人机负责簇内无人机之间的通信和簇内无人机与其他簇无人机之间的交互；
Step202.自主编队结构和编队合围结构的判断。
5.根据权利要求4所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step202所述的自主编队结构和编队合围结构判断的具体过程包括：
(1)设蜂群中无人机数量为N，第i个无人机的位置为(xi,yi,zi)，dij表示无人机i和j之间的距离，则蜂群成员距离和为：
Figure FDA0003198424650000031
其中，在式(2)中，Ni为无人机i的邻居集
(2)用蜂群无人机距离的方差表示蜂群有序度var：
Figure FDA0003198424650000032
(3)蜂群队形变化响应时间Rt为蜂群队形有序度的微分：
Figure FDA0003198424650000033
(4)分别对蜂群队形有序度var和响应时间Rt设定分类阈值var和Rt，若输入的待反制无人机蜂群队形有序度大于阈值，且响应时间小于阈值，即var＞var且Rt＜Rt，则判定该无人机蜂群为自主编队结构蜂群，反之为编队合围结构蜂群。
6.根据权利要求1所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step3所述的可反制关键无人机的确定过程包括无分簇结构蜂群的关键无人机选定和多分簇结构蜂群的关键无人机选定，具体过程包括
Step301.无分簇结构蜂群的关键无人机选定
(1)针对自主编队结构的无人机蜂群，根据“近距离优先通信”原则，邻居节点越多的无人机其通信强度越大，对蜂群整体影响作用也越大，因此设定邻居数量较多的无人机作为可反制关键无人机；
(2)首先以蜂群中所有无人机为节点集V，无人机之间的连接关系为边集E，构建蜂群无向图模型G(V,E)，通过近来模块性构建Q函数计算形式为：
Figure FDA0003198424650000041
其中：在式(5)中，m表示图中边总数，mi表示与第i个无人机相连的边数，di表示第i个无人机的节点度之和；
(3)通过判定Q函数的值是否大于阈值来判定第i个无人机是否为多邻居节点；
(4)针对编队合围结构的无人机蜂群，由于无人机之间的避撞互斥作用，边界无人机形成蜂群边界队形，内部无人机受边界无人机约束形成合围队形，因此边界节点在编队合围结构蜂群中具有核心作用，将处于蜂群边缘的边界无人机设为可反制关键无人机；
Step302.多分簇结构蜂群的关键无人机选定
(1)首先检测特征更为明显的无人机分簇，通过多层次区域分割获取蜂群子分簇空间分布位置；
(2)然后在蜂群子分簇区域内部，利用簇首无人机体积和外观特征，结合运动轨迹，以可疑目标位置为初始点，对其运动轨迹进行跟踪记录，剔除不符合簇首无人机运动特性的目标，最终得到簇首无人机。
7.根据权利要求1所述的一种基于群体体系结构的无人机蜂群反制方法，其特征在于：步骤Step4所述的可反制关键无人机施加导航诱骗信号δ(t)的设计过程包括：
Step401.设计针对可反制关键无人机施加导航诱骗信号δ(t)如下：
Figure FDA0003198424650000051
其中，在式(6)中，N(t)为t时刻的目标接收处可见卫星数，Cj(t-τj(t))为第j颗卫星的信号功率，τj(t)为伪随机码传播延时，Dj(t-τj(t))为第j颗卫星导航电文数据，φj(t)为第j颗卫星载波相位，n(t)为随机噪声；
Step402.慢变速的错误定位信息在不触发蜂群容错机制的情况下，通过分布式信息交互，部分关键无人机的错误信息在蜂群内部传播到整个蜂群，使得无人机蜂群整体沿着错误导航信息飞行，最终实现对无人机蜂群的有效反制。
CN202110897444.XA 2021-08-05 2021-08-05 一种基于群体体系结构的无人机蜂群反制方法 Active CN113743565B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110897444.XA CN113743565B (zh) 2021-08-05 2021-08-05 一种基于群体体系结构的无人机蜂群反制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110897444.XA CN113743565B (zh) 2021-08-05 2021-08-05 一种基于群体体系结构的无人机蜂群反制方法

Publications (2)

Publication Number Publication Date
CN113743565A CN113743565A (zh) 2021-12-03
CN113743565B true CN113743565B (zh) 2022-09-30

Family

ID=78730271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110897444.XA Active CN113743565B (zh) 2021-08-05 2021-08-05 一种基于群体体系结构的无人机蜂群反制方法

Country Status (1)

Country Link
CN (1) CN113743565B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859371A (zh) * 2022-07-07 2022-08-05 武汉光谷航天三江激光产业技术研究院有限公司 一种无人机蜂群高分辨复合探测系统及方法
CN115695209B (zh) * 2022-09-23 2024-06-07 西安电子科技大学 基于图模型的反制无人机蜂群评估方法
CN116192327A (zh) * 2023-04-27 2023-05-30 北京融合汇控科技有限公司 一种便携式反无人机主动防御系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102386831B1 (ko) * 2019-07-19 2022-04-14 배재대학교 산학협력단 군집 비행 시 포메이션 이탈 무인 비행체의 처리 시스템 및 방법
CN112929205B (zh) * 2021-01-22 2022-05-10 南京航空航天大学 一种基于元胞自动机的蜂群无人机故障传播方法
CN113051723B (zh) * 2021-03-12 2022-02-18 南京航空航天大学 一种基于时序网络的蜂群无人机故障传播分析方法

Also Published As

Publication number Publication date
CN113743565A (zh) 2021-12-03

Similar Documents

Publication Publication Date Title
CN113743565B (zh) 一种基于群体体系结构的无人机蜂群反制方法
CN105892480B (zh) 异构多无人机系统协同察打任务自组织方法
CN113589842B (zh) 一种基于多智能体强化学习的无人集群任务协同方法
CN113495578B (zh) 一种基于数字孪生式训练的集群航迹规划强化学习方法
CN108459616B (zh) 基于人工蜂群算法的无人机群协同覆盖航路规划方法
CN113383763A (zh) 一种全天候全区域智能驱鸟系统和装置
CN112305913A (zh) 基于直觉模糊博弈的多uuv协同动态机动决策方法
Chen et al. Countering large-scale drone swarm attack by efficient splitting
Pannetier et al. Wireless sensor network for tactical situation assessment
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
Zhang et al. A dynamic resilience evaluation method for cross-domain swarms in confrontation
Farid et al. Effective UAV patrolling for swarm of intruders with heterogeneous behavior
CN113703479B (zh) 一种基于高密值大纵深的武器配置方法和系统
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
Shuo et al. Research on distributed task allocation of loitering munition swarm
Ji et al. Secure olympics games with technology: Intelligent border surveillance for the 2022 Beijing winter olympics
Tang et al. Close-in weapon system planning based on multi-living agent theory
Li et al. Formation optimization of airborne radar coordinated detection system using an improved Artificial Fish Swarm Algorithm
CN115333745B (zh) 一种基于区块链共同认知的多机器人快速目标搜索方法
Shepherd et al. Microsensor applications
CN116795137A (zh) 一种基于多维信息素的无人机集群窄波束搜索跟踪方法
CN114756052B (zh) 一种基于无人机群的多目标协同追踪方法
Wang et al. Research on Combat Effectiveness Based on Internet of Things
Zhao The Research on Police UAV Investigation Technology Based on Intelligent Optimization Algorithm
Chen et al. An Improved Exploration Method for Cooperative Multi-UAV Policy Learning with Sparse Rewards

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
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 710025 No. 2 Tongxin Road, Baqiao District, Xi'an City, Shaanxi Province

Patentee after: Rocket Force University of Engineering of PLA

Address before: 710025 No. 2 Tongxin Road, Baqiao District, Tongchuan City, Shaanxi Province

Patentee before: Rocket Force University of Engineering of PLA