CN113887134A - 一种大规模轻量级的无人集群试验仿真平台及工作方法 - Google Patents
一种大规模轻量级的无人集群试验仿真平台及工作方法 Download PDFInfo
- Publication number
- CN113887134A CN113887134A CN202111137334.XA CN202111137334A CN113887134A CN 113887134 A CN113887134 A CN 113887134A CN 202111137334 A CN202111137334 A CN 202111137334A CN 113887134 A CN113887134 A CN 113887134A
- Authority
- CN
- China
- Prior art keywords
- simulation
- unmanned aerial
- aerial vehicle
- plug
- information
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012360 testing method Methods 0.000 title claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000000977 initiatory effect Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 7
- 238000005094 computer simulation Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000010399 physical interaction Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种大规模轻量级的无人集群试验仿真平台及工作方法,包括运行模块、数据模块、传感器模块、任务文件模块、日志文件模块。此平台能够进行大规模的无人机集群三维动态模拟,因为平台轻量级的设计和数据、模型等接口的灵活性,使得其能够在普通计算机上进行数百架具有低保真运动模型的无人机或数十架具有高保真运动模型的无人机集群仿真,且平台的设计上包含了并行方式运行,便于其在集群计算系统上运行,整个仿真模拟过程都以可视化的形式展现,仿真步长可以自行设定,实现仿真过程的进度控制。
Description
技术领域
本发明涉及机器人模拟仿真平台,具体为一种大规模轻量级的无人集群试验仿真平台及工作方法。
背景技术
在现实中进行大规模的无人机集群飞行训练是一项危险性较大且昂贵的任务。但是随着科技的不断发展,在未来空战领域进行大规模无人机集群对抗是必然的,因此为了有效和低成本的进行训练,很多开发人员开发多种模拟器和仿真平台用于模拟测试。现有的模拟能力与模拟大量飞行器所需的能力之间存在较大差距。许多的机器人模拟器仅限于2D平面,例如Stage机器人模拟器等,这就使得平台在空中机器人的模拟上受到很大的限制。虽然存在一些3D机器人模拟器,但在这些模拟器中进行数量较多的智能体模拟时,其性能可能会大大降低,如与Stage相关的模拟器Gazebo,这是一个动态三维机器人模拟器,它的开发与机器人操作系统(ROS)紧密集成,且其能够与SolidWorks结合,为一些复杂度较高的CAD模型提供闭合运动链,然而,由于进行高精度碰撞检测的成本也较高,Gazebo模拟器在单台计算机上模拟数百个机器人系统时不能很好地扩展。
因此一种能够进行大规模三维动态模拟的轻量级无人机集群系统仿真平台亟待研究。
发明内容
为了解决上述问题,本发明公开了一种大规模轻量级的无人集群试验仿真平台及工作方法,能够进行大规模的无人机集群三维动态模拟。
一种大规模轻量级的无人集群试验仿真平台,其特征在于:包括如下模块:任务文件模块,用于编辑任务文件、配置仿真的初始条件以及为无人机群配置传感器插件;数据模块,用于存储模型和脚本文件;传感器模块,用于获取环境实况态势信息和无人机群的状态信息,该实况态势信息在各个无人机的传感器模块中交互传递,生成无人机的各种运动状态;运行模块,仿真前指定使用的任务文件并发起仿真任务,调取数据模块中的模型和脚本文件进行仿真模拟,仿真时调用传感器模块获取的实况态势信息,根据期望状态计算生成控制指令,将该控制指令发送给传感器模块使其生成新的运动模型;日志文件模块,用于记录运行模块的仿真模拟数据。
作为优选,任务文件为仿真模拟的具体任务,包括任务类型以及仿真模拟的参数;任务类型包括对抗任务、博弈任务、协同任务或回放任务;仿真模拟的参数包括无人机架数、初始坐标、地图尺寸。
作为优选,数据模块中的模型为仿真中的3D飞机模型;所述脚本文件为无人机飞行方式的底层控制逻辑,是无人机能够进行飞行姿态变化的基础。
作为优选,传感器模块包括:信息获取插件,获取当前环境实况态势信息以及无人机群的状态信息,转换为传感器测量值发送给控制器插件;控制器插件,获取信息获取插件发送的信息并进行计算转换,通过神经网络训练得到下一时刻的期望状态,转换控制指令发送给运动模型插件;运动模型插件,根据接收到的执行指令调整俯仰角、偏航、推力,生成无人机群新状态。
本发明还公开了一种大规模轻量级的无人集群试验仿真平台的工作方法,包括以下步骤:步骤1,在任务文件模块中编辑任务文件并通过运行模块读取该任务文件。步骤2,根据任务文件判断任务类型为对抗任务或博弈任务或协同任务时,调用数据模块的模型和脚本文件进行环境配置然后转入步骤3;判断任务类型为回放任务时,调用回放功能配置然后转入步骤5。步骤3,调用平台各模块进行集群仿真。步骤4,输出步骤3集群仿真模拟情况,并对该对仿真模拟情况进行评价,输入得分情况,一并输入日志文件模块进行存储,以便调用。步骤5,读取日志文件模块中存储的数据,进行仿真回放。
作为优选,步骤1中运行模块的工作流程包括:步骤1.1,构建平台底层执行逻辑,读取各个插件设置、设置无人机仿真模拟过程中的各类逻辑判断、集成轻量级神经网络tiny-dnn用于飞行对战学习。步骤1.2,依据任务文件中的设定,执行相应的仿真模拟。
作为优选,步骤3具体为:步骤3.1,通过信息获取插件获取信息,该信息包括环境实况态势信息以及无人机群的状态信息。步骤3.2,将步骤3.1获取的信息传入传感器模块的插件中,并在各个传感器插件之间流通传输,通过改变无人机的推力、俯仰、滚转、偏航以改变无人机的状态,生成新的无人机群的状态信息。步骤3.3,步骤3.2生成的新无人机群的状态信息反馈给步骤3.1的信息获取插件,根据新的信息再次进行计算和状态变化,使得无人机可以进行实时的状态改变。
作为优选,步骤3.1中的环境实况态势信息m包括感知周围n架无人机的相对位置、速度、相对航向和距离,记为mt,i,下标t、i表示在t时刻第i架无人机,i=1…n;所述无人机群的状态信息包括实时敌我飞机数量、飞行状态和位置。
作为优选,步骤3.2具体为:步骤3.2.1,将步骤3.1获取的信息输入自定义插件,根据自定义插件定义的算法和功能计算出下一步的期望状态。步骤3.2.2,根据该期望状态生成控制信息输入控制器插件,控制器插件将第i个无人机在t时刻的局部态势信息mt,i输入神经网络,训练得到下一时刻的一个可行飞行状态信息at+1,i,并将该状态信息解码,转换为PID控制器的控制指令发送给运动模型插件。步骤3.2.3,运动模型插件根据控制指令改变无人机的推力、俯仰等以改变状态,使无人机从状态at,i到达新状态at+1,i。步骤3.2.4,无人机间通过交互插件进行仿真模拟对抗,将实况状态信息返回步骤3.2.1进行再次计算,使无人机能够进行实时的状态变化以应对环境态势的改变。
作为优选,步骤4具体为:无人机集群完成一次仿真输出一次仿真模拟情况并存储记录在日志文件模块,同时将该仿真模拟情况输入指标插件以评估仿真情况,指标插件依据设定的奖赏函数分析集群仿真中无人机的飞行状态和交互情况,计算得出得分情况存储记录在日志文件模块。
有益效果:
(1)本发明提供的一种大规模轻量级的无人集群试验仿真平台是一种3D的仿真环境,仿真平台消耗的资源、内存和CPU低,且仿真平台的计算算法复杂度低,计算效率高,实现了其轻量级的设计,可以在普通计算机上进行数十架到上百架具有高保真或低保真运动模型的飞机集群仿真。
(2)本发明提供的仿真平台的数据、模型等接口具有灵活性,自定义插件模块以及数据模块可由研究人员根据研究需求设计,功能丰富,增加了可扩展性和实用性。
(3)本发明提供的仿真平台在运行仿真时各模块间的调度逻辑清晰,仿真无人机的组成部分功能明确,便于编辑和调用,仿真过程中的信息流反复交互,使无人机能够不断根据实时状态变化做出应对措施。
附图说明
图1为本发明一个实施例的无人机集群系统仿真平台的整体框架示意图;
图2为本发明一个实施例的仿真平台的仿真流程图;
图3为本发明一个实施例的仿真无人机的组成部分;
图4为本发明一个实施例的仿真模拟过程中的信息交互图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明公开了能够进行三维动态模拟,并且通过平台轻量级的设计和数据、模型等接口的灵活性,该平台能够在普通计算机上进行数百架具有低保真运动模型的飞机或数十架具有高保真运动模型的飞机集群仿真,并且平台的设计上包含了并行方式运行,即在同一时刻同时计算多个进程,每个进程都有一个CPU进行运算,以便在集群计算系统上运行。
如图1所示,为一种大规模轻量级的无人集群试验仿真平台示意图,包括运行模块、数据模块、传感器模块、任务文件模块以及日志文件模块。
仿真开始前,在任务文件模块中编辑任务文件,包括确定无人机的模型、飞行方式、控制算法等自主控制逻辑,以及配置各种仿真的初始条件。然后再传感器模块中为无人机配置传感器插件,配置各个传感器插件的初始数值、算法和功能。由运行模块读取任务文件模块中的任务文件,调用数据模块中的脚本文件和模型,开始进行仿真模拟。仿真开始,由传感器模块中的信息获取插件取得环境态势初始实况信息,处理后的信息开始进入传感器模块流通,各个插件根据自身不同的功能进行输出,在仿真中体现为无人机的不同飞行行为。仿真结束,输出仿真模拟的数据并由日志模块存储,后续分析结果时可直接调取。
具体的,
任务文件模块,用于编辑任务文件、配置仿真的初始条件以及为无人机群配置传感器插件。当准备进行仿真时,需要先指定任务文件,也就是指定仿真模拟的具体任务:包括对抗、博弈和协同等集群任务或回放功能并在任务文件里设置仿真模拟的开始、结束时间或者结束条件,设置仿真的时序步长,仿真模拟环境的尺寸大小、仿真场景的坐标原点以及无人机群的初始位置坐标和状态。配置仿真的初始条件:设置仿真模拟是否打开可视化窗口以及是否自动开始仿真直至结束;设置仿真模拟使用的无人机模型,无人机的数量;设置模拟过程要记录的数据以及存储数据的文件位置;设置仿真模拟过程中无人机群所使用的插件以及设置仿真模拟的线程数。
数据模块,用于存储模型和无人机飞行控制的脚本文件。模型包括无人机三维模型以及数字地形模型。仿真平台提供的无人机三维模型包括固定翼飞机和四旋翼飞机模型,研究人员也可以导入自行设计的3D飞机模型,并可为其增加自定义的攻击武器模型。数字地形模型可以根据模拟需求,设定不同的场景,如山地、海岛、平原等。无人机飞行控制的脚本文件也保存在数据模块中,便于之后的调用。
传感器模块,用于获取环境态势实况态势信息,该实况态势信息在各个无人机的传感器模块中交互传递,生成各个无人机的运动模型。平台进行仿真时无人机的行为大部分由传感器模块来进行控制和决策,传感器模块中不同的部分有着不同的功能,仿真过程中无人机和环境状态信息在各插件之间传输。这些插件和数据模块中的无人机模型以及脚本文件共同组成一个仿真无人机。传感器模块中的插件包括:
信息获取插件,获取环境实况态势信息以及无人机群的状态信息并发送给自定义插件。无人机群的状态信息包括实时变化的敌我飞机数量、飞行状态等。
自定义插件,用于设置相应的算法,根据设计逻辑和算法能够计算得到下一阶段要达到的运动状态,并经由控制器插件确定无人机应如何调整俯仰角、偏航、推力等以实现所需的航向,根据所需的状态为运动模型插件生成执行命令。研究人员可以根据自己的研究需求,设置相应的功能,简单的功能包括计算仿真模拟中每架无人机间的最小距离,设置无人机向距离最近的敌机发起攻击等。复杂的功能包括集成经典的集群算法,通过强化学习对无人机群的攻防策略进行训练。
控制器插件,根据预处理后的环境态势信息,将第i个无人机在t时刻的局部态势信息mt,i输入神经网络,训练得到下一时刻的一个可行飞行状态信息at+1,i,并将状态信息解码,转换为PID控制器的输入,由此控制无人机的推力、滚转、俯仰和偏航,以实现所希望达到的状态。
运动模型插件,运动模型插件与控制器插件直接关联,依据无人机的当前状态和控制器插件的控制输出,在全局坐标中使无人机从状态at,i到达新状态at+1,i。
交互插件,定义仿真中无人机间的约束条件和物理交互。包括无人机之间的碰撞和无人机与敌方基地、地面的碰撞。
指标插件,指标插件依据设定的奖赏函数分析集群仿真中无人机的飞行状态和交互情况,对信息处理之后进行计算得出仿真模拟的结果,最后将数据根据类别输入日志文件模块进行存储。
运行模块,使用本平台进行无人机群间的对抗模拟,运行模块必不可少,其它所有的模块都需与此模块关联使用,由运行模块进行读取并运行。若要进行两队无人机间的对抗任务,那么就应该选择运行模块中与之对应的功能,并为其指定相应的任务文件和模型等。若要对仿真过程进行回放,就应选择运行模块中的回放功能,并指定存储在日志文件模块中的记录文件路径即可进行仿真回放。
日志文件模块,仿真结束后,需要对仿真结果进行分析,即可在日志文件模块里寻找相应的记录文件,若要进行仿真回放,选择运行模块中相应的功能,再指定回放文件即可进行可视化回放;若要查看双方无人机群的得分情况,也可直接打开得分记录文件即可读取得分情况。日志文件模块会在仿真时自动对数据进行分类存储,方便后续研究时的调用。
本发明还公开了一种大规模轻量级的无人集群试验仿真平台的工作方法,如图2所示,具体包括:
步骤1,在任务文件模块中编辑任务文件并通过运行模块读取该任务文件。
步骤2,判断任务类型后依据不同任务调用对应的功能并根据以下步骤开始仿真。
根据任务文件判断任务类型为对抗任务或博弈任务或协同任务时,调用数据模块进行环境配置然后转入步骤3;判断任务类型为回放任务时,调用回放功能配置然后转入步骤5。
步骤3,调用平台各模块进行集群仿真。
步骤3.1,指定的任务为对抗、博弈和协同时,调用数据模块依据任务文件进行仿真环境初始配置,初始配置内容如表1所示。
表1仿真环境初始配置
仿真 | 场景 | 地形 | 飞机模型 | 飞行 | 数据记录 | 存储文件 |
开始时间 | 尺寸 | 山地 | 机型 | 极限高度 | 飞行轨迹 | 文件类型 |
结束时间 | 飞机架数 | 平原 | 运动模型 | 极限速度 | 使用插件 | 存储位置 |
结束条件 | 坐标原点 | 海面 | 武器模块 | 飞行方式 | 交互算法 |
步骤3.2,初始环境和数据配置完成后信息获取插件将初始配置信息传入传感器模块,各个插件依据这些信息进行计算,自定义插件根据设计逻辑和算法能够计算得到下一阶段要达到的运动状态,并经由控制器插件确定无人机应如何调整俯仰角、偏航、推力等以实现所需的航向,根据所需的状态为运动模型插件生成执行命令。最后,运动模型插件依据无人机的当前状态和控制器插件的控制输出,在全局坐标中为无人机生成新状态。
具体的,步骤3.2.1,将步骤3.1获取的信息输入自定义插件,根据自定义插件定义的算法和功能计算出下一步的期望状态。
步骤3.2.2,根据该期望状态生成控制信息输入控制器插件,控制器插件将第i个无人机在t时刻的局部态势信息mt,i输入神经网络,训练得到下一时刻的一个可行飞行状态信息at+1,i,并将状态信息解码,转换为PID控制器的控制指令发送给运动模型插件。
步骤3.2.3,运动模型插件根据控制指令改变无人机的推力、俯仰等以改变状态,使无人机从状态at,i到达新状态at+1,i。
步骤3.2.4,无人机间通过交互插件进行仿真模拟对抗,无人机群的状态在不断进行改变,包括位置、速度、航向信息,每次交互后的状态信息返回步骤3.2.1进行信息反馈,再次计算,使无人机到达更优的状态、位置。
在仿真过程中信息的获取不断进行,使无人机能够进行实时的状态变化以应对环境态势的改变。
步骤3.3,将通过步骤3.2改变的无人机群的状态信息反馈给无人机集群仿真,结合无人机的局部态势信息建立多重约束条件。无人机的局部态势信息即每一架无人机获取的一定范围内的信息,对该信息进行整合得到整个集群获得的环境态势信息。根据得到的环境态势信息,计算下一步状态时会受到的周围友机的位置和状态的影响,例如保持一定的距离避免碰撞等,使得无人机的状态不断根据获取的信息计算、控制、改变。
无人机集群仿真模块实时获取环境实况态势信息及无人机群的状态信息,返回步骤3.1形成反馈控制。
步骤4,无人机集群仿真模块输出仿真模拟情况并存储记录在日志文件模块,同时将该仿真模拟情况输入指标插件以评估仿真情况,指标插件依据设定的奖赏函数分析集群仿真中无人机的飞行状态和交互情况,计算得出得分情况存储记录在日志文件模块。指标插件可以设置不同的奖励函数来进行评估,奖励函数如式(1)。根据不同的研究类型设置相应的奖赏类型。
S=a1*(击毁敌方无人机的数量)+a2*(摧毁敌方阵地)
-a3*(己方被击毁的数量)-a4*(敌方剩余数量)(1)
式中S表示总得分,系数a表示分值,可进行自定义。
集群仿真的模拟情况以及得分数据由日志文件模块进行存储,输出的文件类型在任务文件里进行设置,包括txt文件、csv文件、bin文件和图表,仿真平台可将不同的场景模式以不同类型的文件进行存储。
步骤5,读取日志文件模块中存储的数据,进行仿真回放。当指定的任务类型为仿真回放时,则调用仿真功能配置,只需读取存储数据进行回放。若要对仿真结果进行分析研究,则在存储记录文件的文件夹里打开对应的文件即可。
如图3所示,为无人机的组成部分。仿真平台进行无人机集群仿真时,需要对无人机进行配置。飞机模型指的是无人机在仿真中的3D模型,该模型可由研究人员自行设计和制作之后导入,平台中也提供一些经典的无人机模型,可以直接使用。脚本文件设定无人机飞行方式的底层控制逻辑,是无人机能够进行飞行姿态变化的基础。
另外的组成部分为信息获取插件、控制器插件、运动模型插件、交互插件、指标插件、自定义插件,这些插件在传感器模块中进行设计和配置。
信息获取插件获取仿真实时状态信息变化,包括敌我双方无人机余量,每一架无人机获取周围最近的(数量越多计算量越大,会影响仿真速度)架敌机的状态信息,并进行预处理,另外的插件根据这些信息再控制无人机进行状态变化,获取敌方重点地区的位置坐标使无人机能够计算最优进攻路线;获取仿真环境中的地面、障碍物信息。
交互插件中定义仿真中无人机间的约束条件和物理交互,当敌我两架或多架无人机间距离为零时,即为发生了碰撞;当无人机的攻击轨迹端点与敌方无人机发生交汇时,即为击中。
无人机群在交互后的状态发生了变化,指标插件根据变化后的机群状态信息,输入奖励函数进行计算,输出实时得分数据。
如图4所示,为仿真模拟过程中的信息交互示意图。仿真前,运行模块读取任务文件中的任务信息或日志文件,然后发起仿真任务至各无人机群。信息获取插件获取数据模块中存储的模型及脚本文件,各无人机群通过信息获取插件自动获取实况状态信息,读取仿真环境配置,信息流在友方无人机间共享传输,并快速获取敌方无人机的状态、位置,使整个机群快速了解当前的整个局势,根据设定的任务类型进行对抗博弈。传感器模块根据局势的实时信息计算并控制无人机做出应对措施,到达新的状态。实时状态信息由各方无人机群再次获取,重新进行计算、控制无人机达到新状态。整个仿真过程产生的数据信息传输存储到日志文件模块中。
如图2所示的仿真实验设定环境和具体对抗态势流程,实施例提供一种基础攻击方案。在本实施例中,设定对抗中红方由100架四旋翼无人机防御一个固定基地,蓝方由100架固定翼无人机组成进攻机群,设定范围为长50千米、宽50千米的正方形山地区域。仿真过程为蓝方无人机自起飞后对红方无人机和基地进行摧毁。
仿真环境中态势信息包含红方和蓝方两部分实体信息,具体见表2。
表2仿真环境部分具体配置信息
类别 | 信息 |
场景 | 山地 |
红方 | 100架四旋翼无人机、固定基地及坐标 |
蓝方 | 100架固定翼无人机及初始坐标 |
神经网络输入、输出维数 | 102;3 |
控制器 | PID、LQR |
实施例根据工作流程步骤进行仿真,每进行一次仿真记录一次分数,随着迭代仿真次数的增加,蓝方固定翼飞机的进攻行为愈加具有策略性,所得分数也逐步增加。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种大规模轻量级的无人集群试验仿真平台,其特征在于:包括如下模块:
任务文件模块,用于编辑任务文件、配置仿真的初始条件以及为无人机群配置传感器插件;
数据模块,用于存储模型和脚本文件;
传感器模块,用于获取环境实况态势信息和无人机群的状态信息,该实况态势信息在各个无人机的传感器模块中交互传递,生成无人机的各种运动状态;
运行模块,仿真前指定使用的任务文件并发起仿真任务,调取数据模块中的模型和脚本文件进行仿真模拟,仿真时调用传感器模块获取的实况态势信息,根据期望状态计算生成控制指令,将该控制指令发送给传感器模块使其生成新的运动模型,更新无人机群的状态信息;
日志文件模块,用于记录运行模块的仿真模拟数据。
2.根据权利要求1所述的大规模轻量级的无人集群试验仿真平台,其特征在于:所述任务文件为仿真模拟的具体任务,包括任务类型以及仿真模拟的参数;任务类型包括对抗任务、博弈任务、协同任务或回放任务;仿真模拟的参数包括无人机架数、初始坐标、地图尺寸。
3.根据权利要求2所述的大规模轻量级的无人集群试验仿真平台,其特征在于:所述数据模块中的模型为仿真中的3D飞机模型;所述脚本文件为无人机飞行方式的底层控制逻辑,是无人机能够进行飞行姿态变化的基础。
4.根据权利要求3所述的大规模轻量级的无人集群试验仿真平台,其特征在于:所述传感器模块包括:
信息获取插件,获取当前环境实况态势信息以及无人机群的状态信息,转换为传感器测量值发送给控制器插件;
控制器插件,获取信息获取插件发送的信息并进行计算转换,通过神经网络训练得到下一时刻的期望状态,转换控制指令发送给运动模型插件;
运动模型插件,根据接收到的执行指令调整俯仰角、偏航、推力,生成无人机群新状态。
5.根据权利要求4所述的大规模轻量级的无人集群试验仿真平台的工作方法,其特征在于:包括以下步骤:
步骤1,在任务文件模块中编辑任务文件并通过运行模块读取该任务文件;
步骤2,根据任务文件判断任务类型为对抗任务或博弈任务或协同任务时,调用数据模块的模型和脚本文件进行环境配置然后转入
步骤3;判断任务类型为回放任务时,调用回放功能配置然后转入步骤5;
步骤3,调用平台各模块进行集群仿真;
步骤4,输出步骤3集群仿真模拟情况,并对该对仿真模拟情况进行评价,输入得分情况,一并输入日志文件模块进行存储,以便调用;
步骤5,读取日志文件模块中存储的数据,进行仿真回放。
6.根据权利要求5所述的大规模轻量级的无人集群试验仿真平台的工作方法,其特征在于:所述步骤1中运行模块的工作流程包括:
步骤1.1,构建平台底层执行逻辑,读取各个插件设置、设置无人机仿真模拟过程中的各类逻辑判断、集成轻量级神经网络tiny-dnn用于飞行对战学习;
步骤1.2,依据任务文件中的设定,执行相应的仿真模拟。
7.根据权利要求5或6所述的大规模轻量级的无人集群试验仿真平台的工作方法,其特征在于:所述步骤3具体为:
步骤3.1,通过信息获取插件获取信息,该信息包括环境实况态势信息以及无人机群的状态信息;
步骤3.2,将步骤3.1获取的信息传入传感器模块的插件中,并在各个传感器插件之间流通传输,通过改变无人机的推力、俯仰、滚转、偏航以改变无人机的状态,生成新的无人机群的状态信息;
步骤3.3,步骤3.2生成的新无人机群的状态信息反馈给步骤3.1的信息获取插件,根据新的状态信息再次进行计算和状态变化,使得无人机可以进行实时的状态改变。
8.根据权利要求7所述的大规模轻量级的无人集群试验仿真平台的工作方法,其特征在于:所述步骤3.1中的环境实况态势信息m包括感知周围n架无人机的相对位置、速度、相对航向和距离,记为mt,i,下标t、i表示在t时刻第i架无人机,i=1…n;所述无人机群的状态信息包括实时敌我飞机数量、飞行状态和位置。
9.根据权利要求8所述的大规模轻量级的无人集群试验仿真平台的工作方法,所述步骤3.2具体为:
步骤3.2.1,将步骤3.1获取的信息输入自定义插件,根据自定义插件定义的算法和功能计算出下一步的期望状态;
步骤3.2.2,根据该期望状态生成控制信息输入控制器插件,控制器插件将第i个无人机在t时刻的局部态势信息mt,i输入神经网络,训练得到下一时刻的一个可行飞行状态信息at+1,i,并将该状态信息解码,转换为PID控制器的控制指令发送给运动模型插件;
步骤3.2.3,运动模型插件根据控制指令改变无人机的推力、俯仰等以改变状态,使无人机从状态at,i到达新状态at+1,i;
步骤3.2.4,无人机间通过交互插件进行仿真模拟对抗,将实况状态信息返回步骤3.2.1进行再次计算,使无人机能够进行实时的状态变化以应对环境态势的改变。
10.根据权利要求8或9所述的大规模轻量级的无人集群试验仿真平台的工作方法,其特征在于:步骤4具体为:无人机集群完成一次仿真输出一次仿真模拟情况并存储记录在日志文件模块,同时将该仿真模拟情况输入指标插件以评估仿真情况,指标插件依据设定的奖赏函数分析集群仿真中无人机的飞行状态和交互情况,计算得出得分情况存储记录在日志文件模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137334.XA CN113887134A (zh) | 2021-09-27 | 2021-09-27 | 一种大规模轻量级的无人集群试验仿真平台及工作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111137334.XA CN113887134A (zh) | 2021-09-27 | 2021-09-27 | 一种大规模轻量级的无人集群试验仿真平台及工作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887134A true CN113887134A (zh) | 2022-01-04 |
Family
ID=79007183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111137334.XA Pending CN113887134A (zh) | 2021-09-27 | 2021-09-27 | 一种大规模轻量级的无人集群试验仿真平台及工作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887134A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449568A (zh) * | 2022-01-11 | 2022-05-06 | 中国人民解放军军事科学院国防科技创新研究院 | 一种真实环境无人机集群通信模拟测试系统和方法 |
CN115328203A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统 |
CN116047934A (zh) * | 2023-01-13 | 2023-05-02 | 北京卓翼智能科技有限公司 | 一种无人机集群的实时仿真方法、系统以及电子设备 |
CN116738867A (zh) * | 2023-08-14 | 2023-09-12 | 厦门安智达信息科技有限公司 | 一种基于机器学习的无人机防御仿真方法及其系统 |
CN117075496A (zh) * | 2023-09-18 | 2023-11-17 | 广东昊一航空科技有限公司 | 一种无人机方阵运行仿真系统 |
-
2021
- 2021-09-27 CN CN202111137334.XA patent/CN113887134A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114449568A (zh) * | 2022-01-11 | 2022-05-06 | 中国人民解放军军事科学院国防科技创新研究院 | 一种真实环境无人机集群通信模拟测试系统和方法 |
CN115328203A (zh) * | 2022-08-31 | 2022-11-11 | 哈尔滨工业大学 | 一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统 |
CN115328203B (zh) * | 2022-08-31 | 2023-03-14 | 哈尔滨工业大学 | 一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统 |
CN116047934A (zh) * | 2023-01-13 | 2023-05-02 | 北京卓翼智能科技有限公司 | 一种无人机集群的实时仿真方法、系统以及电子设备 |
CN116047934B (zh) * | 2023-01-13 | 2023-06-16 | 北京卓翼智能科技有限公司 | 一种无人机集群的实时仿真方法、系统以及电子设备 |
CN116738867A (zh) * | 2023-08-14 | 2023-09-12 | 厦门安智达信息科技有限公司 | 一种基于机器学习的无人机防御仿真方法及其系统 |
CN116738867B (zh) * | 2023-08-14 | 2023-10-31 | 厦门安智达信息科技有限公司 | 一种基于机器学习的无人机防御仿真方法及其系统 |
CN117075496A (zh) * | 2023-09-18 | 2023-11-17 | 广东昊一航空科技有限公司 | 一种无人机方阵运行仿真系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Flightmare: A flexible quadrotor simulator | |
CN113887134A (zh) | 一种大规模轻量级的无人集群试验仿真平台及工作方法 | |
Guerra et al. | Flightgoggles: Photorealistic sensor simulation for perception-driven robotics using photogrammetry and virtual reality | |
Hong et al. | Energy-efficient online path planning of multiple drones using reinforcement learning | |
CN107479368B (zh) | 一种基于人工智能的训练无人机控制模型的方法及系统 | |
CN107102565A (zh) | 无人机集群软件在环仿真系统 | |
CN113110590B (zh) | 一种多机分布式协同仿真控制平台及控制方法 | |
CN111596684A (zh) | 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 | |
US20230080379A1 (en) | Digital twin for an autonomous vehicle | |
Suvarna et al. | Simulation of autonomous airship on ROS-Gazebo framework | |
Dong et al. | Visual perception-based target aircraft movement prediction for autonomous air combat | |
Yu et al. | AvoidBench: A high-fidelity vision-based obstacle avoidance benchmarking suite for multi-rotors | |
Tai et al. | PyFlyt--UAV Simulation Environments for Reinforcement Learning Research | |
Jiang et al. | A deep reinforcement learning strategy for UAV autonomous landing on a platform | |
Silano et al. | MAT-fly: an educational platform for simulating unmanned aerial vehicles aimed to detect and track moving objects | |
US20220058318A1 (en) | System for performing an xil-based simulation | |
CN113848757A (zh) | 一种可变通信拓扑的智能无人机集群软件在回路仿真系统 | |
Kaliappan et al. | Behavior-based decentralized approach for cooperative control of a multiple small scale unmanned helicopter | |
Chilkunda et al. | UAV-based scenario builder and physical testing platform for autonomous vehicles | |
Wang et al. | Unmanned Aerial Vehicle Autonomous Visual Landing through Visual Attention-Based Deep Reinforcement Learning | |
Li et al. | Distributed Circle Formation Control for Quadrotors Based on Multi-agent Deep Reinforcement Learning | |
Ribeiro et al. | A robotic flying crane controlled by an embedded computer cluster | |
Soleyman et al. | Predictive Modeling of Aircraft Dynamics Using Neural Networks | |
Johnson et al. | Fourteen years of autonomous rotorcraft research at the Georgia Institute of Technology | |
Dsouza et al. | Autonomous Navigation System for Multi-Quadrotor Coordination and Human Detection in Search and Rescue |
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 |