CN114518772B - 一种拒止环境下无人机蜂群自组织方法 - Google Patents
一种拒止环境下无人机蜂群自组织方法 Download PDFInfo
- Publication number
- CN114518772B CN114518772B CN202210179938.9A CN202210179938A CN114518772B CN 114518772 B CN114518772 B CN 114518772B CN 202210179938 A CN202210179938 A CN 202210179938A CN 114518772 B CN114518772 B CN 114518772B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- swarm
- task
- cluster
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000013178 mathematical model Methods 0.000 claims abstract description 5
- 230000008439 repair process Effects 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 9
- 230000006378 damage Effects 0.000 claims description 7
- 210000004556 brain Anatomy 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000001149 cognitive effect Effects 0.000 claims description 3
- 230000008263 repair mechanism Effects 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- BSCMKVMJAHJNJW-UHFFFAOYSA-L 3-[2-carboxyethyl(dichloro)stannyl]propanoic acid Chemical compound OC(=O)CC[Sn](Cl)(Cl)CCC(O)=O BSCMKVMJAHJNJW-UHFFFAOYSA-L 0.000 description 1
- 241000408659 Darpa Species 0.000 description 1
- 241000287946 Oreortyx pictus Species 0.000 description 1
- 241000287890 Perdix Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000008113 selfheal Nutrition 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G05D1/12—Target-seeking control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种拒止环境下无人机蜂群自组织方法，包括：构建无人机环境感知系统，基于所述无人机环境感知系统，获取相邻无人机个体的位置信息，建立无人机蜂群无中心控制关系模型；通过所述无人机蜂群无中心控制关系模型，分析集群任务过程及任务特点，建立任务规划数学模型，生成任务计划，基于所述任务计划进行集群协同控制，最后进行效能评估。本发明为无人机设计了统一的态势模型，解决了传统方法中，不同传感器数据处理存在的处理复杂度高，信息融合速度慢，难以收敛等问题。
Description
技术领域
本发明涉及无人机技术领域，特别是涉及一种拒止环境下无人机蜂群自组织方法。
背景技术
近年来，随着无人系统技术的迅速发展，世界各国均致力开展智能无人机集群的研究并取得重要的成果。2016年4月，美军发布了《小型无人机系统路线图2016—2036》，该路线图凸显了小型无人蜂群系统的重要意义。美国通过国防高级研究局(DARPA)和海军研究实验室(NRL)等机构全力探究无人机集群最新技术，应用于军事发展，以保证其全球军事技术领先。目前典型的无人机集群技术有：小精灵(Gremlins)项目、拒止环境中协同作战项目(CODE)、“山鹑”(Perdix)微型无人机项目、低成本无人机集群技术项目(LOCUST)等。我国无人机技术起步较晚，但发展迅速，以智能集群技术尤为突出。中国电子科技科集团公司(CETC)曾在2016年完成了67架固定翼无人机集群飞行试验，演示了编队起飞、自主集群飞行、分布式广域监视、感知与规避等智能无人机集群技术。
虽然无人机蜂群系统发展得到了来自政府部门、工业界、学术单位等的广泛关注，并推出了一系列基础理论和关键技术。但是，无人机蜂群系统还处于发展初期，面临许多问题与困难。
目前，国内外比较成熟的无人机蜂群系统集群规模较小，而且大多基于固定翼无人机，个体可控性差，由于复杂的拒止环境和大规模的集群，蜂群的机动和协同均受到了极大的限制，过于依靠网络遥控操作，基本都是“人在回路”的非智能模式进行侦察和打击，个体自主能力差，更不具备多机智能协同工作的能力。
在实际应用中，由于网络通讯存在时延、不稳定、容易被干扰等问题。容易造成系统中某些节点丢失，或者链路损坏，从而导致整个系统网络结构的破坏。同时考虑到无人机蜂群系统在执行拒止环境下的任务的过程中，难免会出现各种复杂性和多样性的故障问题，常常由于单个无人机的故障可通过无人机间的协同行为扩散到整个系统，使整个系统失稳，甚至造成巨大损失。
发明内容
本发明的目的是在充分理解传统集群无人系统体系架构的基础上，结合拒止环境下无人机蜂群自主集结，航迹规划、多机协同和自愈等要求，构建“可感知、可自愈、分敌我、能协同、布局好、可回收”的无人机蜂群系统体系架构。
为实现上述目的，本发明提供了如下方案：
一种拒止环境下无人机蜂群自组织方法，包括：
构建无人机环境感知系统，基于所述无人机环境感知系统，获取相邻无人机个体的位置信息，建立无人机蜂群无中心控制关系模型；
通过所述无人机蜂群无中心控制关系模型，分析集群任务过程及任务特点，建立任务规划数学模型，生成任务计划，基于所述任务计划进行集群协调控制，最后进行效能评估。
优选地，所述无人机环境感知系统依靠无人机搭载的传感器实现对所述无人机周边环境的信息感知、融合与共享。
优选地，所述无人机环境感知系统传输的数据以对数极坐标形式进行传输，所述数据包括：无人机飞行态势模型数据，图像、测距传感器数据和无人机自身状态参数。
优选地，所述无人机环境感知系统通过将所述无人机飞行态势模型进行栅格化处理，将无人机周围的障碍物、目标位置、自身状态数据和其他无人机信息映射到对数极坐标网格上，得到所述对数极坐标形式。
优选地，各无人机个体间通过所述环境感知系统获取相邻个体的位置信息，并相互保持期望的距离和角度，与相邻个体建立联系，进而构建所述无人机蜂群无中心控制关系模型。
优选地，所述无人机蜂群无中心控制关系模型根据所述无人机飞行态势模型，自动寻找相邻个体，形成三维空间下的集群控制结构，建立任务规划数学模型，生成任务计划，并基于所述任务计划进行集群协调控制，最后进行效能评估。
优选地，所述无人机蜂群无中心控制关系模型中还包括动态修复机制，所述动态修复机制用于根据无人机蜂群成员战损、故障以及新个体的加入情况进行动态变化。
优选地，所述协调控制为无人机协调目标攻击，包括目标围捕、轮流攻击和多目标同时攻击。
优选地，所述效能评估包括：对任务完成效果进行评估、对战损情况进行评估。
本发明的有益效果为：
(1)本发明基于多源信息的时空关联机制，通过多层次的深度融合，构建拟人认知的“人-无人机-环境”系统综合态势感知理论，为无人机设计了统一的态势模型，解决了传统方法中，不同传感器数据处理存在的处理复杂度高，信息融合速度慢，难以收敛等问题；
(2)本发明为无人机蜂群系统结构设计了动态修复机制，根据无人机蜂群成员战损和故障以及新的个体加入等情况，无人机蜂群系统集群结构随着无人机的运动不断变化，完成既定的任务，大大提高系统的鲁棒性和环境适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的无人机蜂群系统工作示意图；
图2为本发明实施例的无人机蜂群系统总体架构示意图；
图3为本发明实施例的无人机环境感知系统框图；
图4为本发明实施例的无人机飞行态势模型示意图；
图5为本发明实施例的无人机飞行态势模型栅格化示意图；
图6为本发明实施例的无人机蜂群无中心控制关系模型示意图；
图7为本发明实施例的无人机蜂群任务分配框图；
图8为本发明实施例的目标围捕示意图；
图9为本发明实施例的轮流攻击示意图；
图10为本发明实施例的多目标协同攻击示意图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
未来，无人机蜂群系统的发展具有以下重要特点：
1)去中心化：没有一个个体处于中心控制地位，所有个体地位平等，即使有个体消失或丧失功能，整个群体依然可以有序地飞行。
2)自主化：无需人为操控，无人机将根据搭载的传感器，自主对环境数据进行智能感知，依靠自身决策系统自主飞行。
3)自治化：所有个体自然形成一个稳定的集群结构，即使有个体因丧失功能脱离群体或因任何原因改变群体结构位置，新的集群结构排列会快速自动形成并保持稳定。
4)能自愈：当某些个体出现自身故障或者被销毁，系统能够继续拥有完成既定任务的功能，提高系统的鲁棒性和环境适应性。
5)可扩展性：当任务过程中有新的个体加入时，系统能够将这些个体及时加入网络，重新自组网，对新的个体进行任务规划，更好地完成既定任务。
本发明提供一种拒止环境下无人机蜂群自组织方法，无人机蜂群系统是一个分布式的复杂系统，合理的总体框架是解决复杂系统设计和分析的基础，在充分理解传统集群无人系统体系架构的基础上，结合拒止环境下无人机蜂群自主集结，航迹规划、多机协同和自愈等要求，构建“可感知、可自愈、分敌我、能协同、布局好、可回收”无人机蜂群系统体系架构，无人机蜂群系统工作示意图如图1所示。结合拒止环境下无人机蜂群自主集结、航迹规划、多机协同和自愈等要求，本发明设计了合理得无人机蜂群总体架构，该架构为分布式体系架构，主要包括无人机环境感知、无中心控制关系模型的建立、集群任务规划与分配以及集群协调控制，如图2所示。
步骤1、无人机环境感知系统设计
步骤1.1、针对无人机不同传感器数据之间存在冗余和冲突，传统的方法存在处理复杂度高、信息融合速度慢、难以收敛等问题。本发明基于多源信息的时空关联机制，通过多层次深度融合，构建拟人认知的“人-无人机-环境”系统综合态势感知理论，为无人机设计统一的飞行态势模型。基于人脑认知机制的信息融合，通过模拟人脑的不同通道信息在脑中的交叉连接、视听信息融合过程及学习和记忆过程可用于集群信息处理，获取完整、清晰、准确的信息，为无人机自主决策提供支持。如图3为无人机环境感知系统框图。
步骤1.2、本发明设计的无人机飞行态势模型是集图像、测距等传感器数据和智能体自身状态参数建立的环境感知系统，以对数极坐标为表示形式，因为对数极坐标系下的飞行态势模型具可变粒度，近处粒度细，远处粒度粗，且各向同性。如图4所示。
步骤1.3、建立飞行态势模型，以无人机为球心，将球体分成N等分，每份360°/N，径向将飞行态势模型的最大半径rm分成M份，划分径向长度如下：
ri＝k·ai,(i＝0,1,2,…,M-1)
其中，k表示最小栅格径向长度，且rm＝k·aM-1；有序对<i,j>(i＝0,1,2,…,M-1,j＝0,1,2,…,N-1)。因此，飞行态势模型被划分为很多球扇形，如图5所示。
步骤1.4、通过将无人机飞行态势模型栅格化，可以将无人机周围的障碍物、目标位置、自身状态数据和其他无人机的信息映射到对数极坐标网格上。飞行态势模型随着无人机的运动实时更新，以确保无人机可以实时做出最佳决策。基于飞行态势图，通过自主航迹规划、编队、自愈等集群控制算法，来实现无人机蜂群系统的协同控制。
步骤2、无中心控制关系模型建立
步骤2.1、无人机蜂群随机分布在工作区域，根据飞行态势模型，所有无人机自动寻找相邻的个体，并根据角度和距离控制算法相互保持期望的距离和角度，以6个无人机为例来描述本发明的无中心控制关系模型，如图6所示，UAV1、UAV2、UAV3和UAV4自主形成一个小的集群UAVG1，并且互为邻居，组成一个正四面体结构的无人机小组，无人机UAV1、UAV4、UAV3和UAV5又能组成一个新的正四面体小组UAVG2，并保持期望的角度和距离；同理，无人机UAV3、UAV4、UAV5和UAV6形成新的无人机小组UAVG3，这三个无人机小组最终形成较大的无人机蜂群，其中，UAVG1和UAVG2拥有共同的邻居无人机UAV1、UAV4和UAV3；UAVG2和UAVG3拥有共同的邻居无人机UAV3、UAV4和UAV5。最终，整个无人机蜂群可以形成最终的三维空间下的集群控制结构，内部的所有个体仅与其相邻的个体保持期望的距离和角度。
步骤2.2、本发明考虑到无人机蜂群成员战损和故障，新的个体加入等情况，本发明为无人机蜂群系统结构设计了动态修复机制，无人机蜂群系统集群结构不是固定不变的，而是随着无人机的运动不断变化的，例如，UAV5不仅可以和UAV1、UAV4、UAV3组成小组，UAV5同样可以和UAV1、UAV4、UAV2或UAV1、UAV3、UAV2组成小组。如果UAV5出现故障或被销毁，会有新的个体与UAV1、UAV4、UAV3组成小组，继续完成既定的任务，可以大大提高系统的鲁棒性和环境适应性。
动态修复机制主要包括三个内容：首先，设计一种梯度生成与扩散机制，定义修复节点并在集群中生成稳定的梯度分布，当系统一个或多个节点失效时，失效节点的邻居节点以梯度值为评价指标，通过局部协商机制选出第一步修复节点，对第一步修复节点进行递归操作来完成网络结构的修复，进而，基于梯度的修复规则并将其转化为系统个体的分布式控制律，计算一条从修复节点到目标失效节点最优的修复路径，在确保参与递归修复过程的个体数量最少情况下完成网络的自修复问题。
步骤3、集群任务规划与分配
当无人机群在对抗、不确定以及时间敏感的环境中，随时可能出现突发情况，包括突发任务、突发威胁、平台可能出现毁损等，需要实时评估集群的任务能力，进行任务重新分配和重新规划，使无人机集群系统可以快速的响应外界环境的变化提高战术的灵活性。如图7所示，当无人机群系统任务管理模块发出重分配指令后，无人机根据具体情况计算自己的任务执行能力，并反馈给整个任务规划系统，向地面站和有执行任务能力的全部或部分无人机发布任务。
步骤4、集群协调控制
本发明协同控制主要为无人机协同目标攻击，主要有以下几种情况。
目标围捕，为了使攻击目标最大程度上的毁伤，具有相同攻击目标任务的无人机群同时从不同的角度攻击目标。如图8所示。
轮流攻击，针对移动的目标，为了防止单个无人机无法一次完成既定的任务，可以使具有相同目标任务的无人集群对目标多次轮流攻击，如图9所示。
多目标同时攻击，每个无人分别具有不同的任务目标，从而实现多目标的同时攻击，如图10所示。
本发明提出的一种拒止环境下无人机蜂群自组织方法，能够在无GPS和无网络通信或通讯不稳定的情况下，仅依靠无人机搭载的传感器实现无人机对周围环境的信息感知，融合和共享，从而完成预知的任务目标。本发明所构思的技术方案与现有技术相比，能够取得以下有益效果：
1.本发明基于多源信息的时空关联机制，通过多层次的深度融合，构建拟人认知的“人-无人机-环境”系统综合态势感知理论，为无人机设计了同一的态势模型，解决了传统方法中，不同传感器数据处理存在的处理复杂度高，信息融合速度慢，难以收敛等问题。
2.本发明为无人机蜂群系统结构设计了动态修复机制，根据无人机蜂群成员战损和故障以及新的个体加入等情况，无人机蜂群系统集群结构随着无人机的运动不断变化，完成既定的任务，大大提高系统的鲁棒性和环境适应性。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (7)
1.一种拒止环境下无人机蜂群自组织方法，其特征在于，包括：
构建无人机环境感知系统，基于所述无人机环境感知系统，获取相邻无人机个体的位置信息，建立无人机蜂群无中心控制关系模型；
通过所述无人机蜂群无中心控制关系模型，分析集群任务过程及任务特点，建立任务规划数学模型，生成任务计划，基于所述任务计划进行集群协调控制，最后进行效能评估；
所述无人机环境感知系统基于人脑认知机制的信息融合，通过模拟人脑的不同通道信息在脑中的交叉连接、视听信息融合过程及学习和记忆过程用于集群信息处理，获取完整、清晰、准确的信息，为无人机自主决策提供支持；
无人机蜂群随机分布在工作区域，根据飞行态势模型，所有无人机自动寻找相邻的个体，并根据角度和距离控制算法相互保持期望的距离和角度，UAV1、UAV2、UAV3和UAV4自主形成一个小的集群UAVG1，并且互为邻居，组成一个正四面体结构的无人机小组，无人机UAV1、UAV4、UAV3和UAV5又能组成一个新的正四面体小组UAVG2，并保持期望的角度和距离；同理，无人机UAV3、UAV4、UAV5和UAV6形成新的无人机小组UAVG3，这三个无人机小组最终形成较大的无人机蜂群，其中，UAVG1和UAVG2拥有共同的邻居无人机UAV1、UAV4和UAV3；UAVG2和UAVG3拥有共同的邻居无人机UAV3、UAV4和UAV5，整个无人机蜂群形成最终的三维空间下的集群控制结构，内部的所有个体仅与其相邻的个体保持期望的距离和角度；
所述集群协调控制为无人机协调目标攻击，包括：
目标围捕，为了使攻击目标最大程度上的毁伤，具有相同攻击目标任务的无人机群同时从不同的角度攻击目标；
轮流攻击，针对移动的目标，为了防止单个无人机无法一次完成既定的任务，使具有相同目标任务的无人集群对目标多次轮流攻击；
多目标同时攻击，每个无人机分别具有不同的任务目标，从而实现多目标的同时攻击；
所述无人机蜂群无中心控制关系模型中包括动态修复机制，所述动态修复机制用于根据无人机蜂群成员战损、故障以及新个体的加入情况进行动态变化；
所述动态修复机制包括：首先设计一种梯度生成与扩散机制，定义修复节点并在集群中生成稳定的梯度分布，当系统一个或多个节点失效时，失效节点的邻居节点以梯度值为评价指标，通过局部协商机制选出第一步修复节点，对第一步修复节点进行递归操作来完成网络结构的修复，进而基于梯度的修复规则并将其转化为系统个体的分布式控制律，计算一条从修复节点到目标失效节点最优的修复路径，在确保参与递归修复过程的个体数量最少情况下完成网络的自修复问题。
2.根据权利要求1所述的拒止环境下无人机蜂群自组织方法，其特征在于，所述无人机环境感知系统依靠无人机搭载的传感器实现对所述无人机周边环境的信息感知、融合与共享。
3.根据权利要求2所述的拒止环境下无人机蜂群自组织方法，其特征在于，所述无人机环境感知系统传输的数据以对数极坐标形式进行传输，其中，所述数据包括：无人机飞行态势模型数据，图像、测距传感器数据和无人机自身状态参数。
4.根据权利要求3所述的拒止环境下无人机蜂群自组织方法，其特征在于，所述无人机环境感知系统通过将所述无人机飞行态势模型进行栅格化处理，将无人机周围的障碍物、目标位置、自身状态数据和其他无人机信息映射到对数极坐标网格上，得到所述对数极坐标形式。
5.根据权利要求4所述的拒止环境下无人机蜂群自组织方法，其特征在于，各无人机个体间通过所述环境感知系统获取相邻个体的位置信息，并相互保持期望的距离和角度，通过自组网技术与相邻个体建立通讯联系，进而构建所述无人机蜂群无中心控制关系模型。
6.根据权利要求5所述的拒止环境下无人机蜂群自组织方法，其特征在于，所述无人机蜂群无中心控制关系模型根据所述无人机飞行态势模型，根据空间最近邻优先选择算法自动寻找相邻个体，形成三维空间下的集群控制结构，建立任务规划数学模型，生成任务计划，并基于所述任务计划进行集群协调控制，最后进行效能评估。
7.根据权利要求6所述的拒止环境下无人机蜂群自组织方法，其特征在于，所述效能评估包括：对任务完成效果进行评估、对战损情况进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179938.9A CN114518772B (zh) | 2022-02-25 | 2022-02-25 | 一种拒止环境下无人机蜂群自组织方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179938.9A CN114518772B (zh) | 2022-02-25 | 2022-02-25 | 一种拒止环境下无人机蜂群自组织方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114518772A CN114518772A (zh) | 2022-05-20 |
| CN114518772B true CN114518772B (zh) | 2023-02-28 |
Family
ID=81599835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210179938.9A Active CN114518772B (zh) | 2022-02-25 | 2022-02-25 | 一种拒止环境下无人机蜂群自组织方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114518772B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116880572B (zh) * | 2023-09-07 | 2023-11-14 | 江西财经大学 | 一种虚拟蜜蜂飞行控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107509234A (zh) * | 2017-07-19 | 2017-12-22 | 哈尔滨工业大学深圳研究生院 | 基于有限路由信息的飞行自组网关键节点检测方法及系统 |
| CN109917767A (zh) * | 2019-04-01 | 2019-06-21 | 中国电子科技集团公司信息科学研究院 | 一种分布式无人机集群自主管理系统及控制方法 |
| CN110597276A (zh) * | 2018-06-11 | 2019-12-20 | 中国科学院光电研究院 | 无人飞行器空中安全走廊路径的远程规划方法 |
| CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113589842B (zh) * | 2021-07-26 | 2024-04-19 | 中国电子科技集团公司第五十四研究所 | 一种基于多智能体强化学习的无人集群任务协同方法 |
-
2022
- 2022-02-25 CN CN202210179938.9A patent/CN114518772B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107509234A (zh) * | 2017-07-19 | 2017-12-22 | 哈尔滨工业大学深圳研究生院 | 基于有限路由信息的飞行自组网关键节点检测方法及系统 |
| CN110597276A (zh) * | 2018-06-11 | 2019-12-20 | 中国科学院光电研究院 | 无人飞行器空中安全走廊路径的远程规划方法 |
| CN109917767A (zh) * | 2019-04-01 | 2019-06-21 | 中国电子科技集团公司信息科学研究院 | 一种分布式无人机集群自主管理系统及控制方法 |
| CN112925350A (zh) * | 2021-01-15 | 2021-06-08 | 中国人民解放军战略支援部队航天工程大学 | 一种多无人机分布式协同目标搜索方法 |
Non-Patent Citations (5)
| Title |
|---|
| 三维战场态势表达中符号模型的分类研究;杜莹等;《系统仿真学报》;20120608(第06期);全文 * |
| 冉惟之.基于群体智能的无人机集群协同对抗系统的设计与实现.《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》.2020,(第07期),第22、38-42页. * |
| 基于态势评估技术的移动机器人局部路径规划;柴慧敏 等;《计算机科学》;20190430;第46卷(第4期);第210-215页 * |
| 基于群体智能的无人机集群协同对抗系统的设计与实现;冉惟之;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200715(第07期);第22、38-42页 * |
| 基于蜂群测控资源智能管控的无人机区域组网技术研究;贺渝兵等;《无线电工程》;20201028(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114518772A (zh) | 2022-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | A multi-UAV clustering strategy for reducing insecure communication range | |
| CN106705970B (zh) | 一种基于蚁群算法的多无人机协同路径规划方法 | |
| Huang et al. | A novel coordinated path planning method using k-degree smoothing for multi-UAVs | |
| Tang et al. | Dynamic reallocation model of multiple unmanned aerial vehicle tasks in emergent adjustment scenarios | |
| Ouyang et al. | Formation control of unmanned aerial vehicle swarms: A comprehensive review | |
| CN111193540B (zh) | 一种基于双曲几何的天空地信息网络统一路由方法 | |
| Wang et al. | [Retracted] Virtual Reality Technology of Multi UAVEarthquake Disaster Path Optimization | |
| CN114518772B (zh) | 一种拒止环境下无人机蜂群自组织方法 | |
| Shahid et al. | Path planning in unmanned aerial vehicles: An optimistic overview | |
| Deng et al. | Automatic collaborative water surface coverage and cleaning strategy of UAV and USVs | |
| Ma et al. | A survey of research on the distributed cooperation method of the uav swarm based on swarm intelligence | |
| Liao et al. | UAV swarm formation reconfiguration control based on variable-stepsize MPC-APCMPIO algorithm | |
| CN109784585A (zh) | 一种无人机无人艇的混合布放调度方法 | |
| Wang et al. | Collective navigation of aerial vehicle swarms: A flocking inspired approach | |
| Yu et al. | Research on UAV trajectory planning based on artificial bee colony algorithm | |
| Chen et al. | Flocking control algorithms based on the diffusion model for unmanned aerial vehicle systems | |
| Javed et al. | State-of-the-Art and Future Research Challenges in UAV Swarms | |
| Patley et al. | Modified particle swarm optimization based path planning for multi-UAV formation | |
| Song et al. | Research on fault-tolerant algorithm for emergency medical rescue UAV formation | |
| Lv et al. | A Survey on Unmanned Aerial Vehicle Swarm Communication and Navigation | |
| Kermani et al. | Flight path planning using GA and fuzzy logic considering communication constraints | |
| Li et al. | Leader-Follower UAV FormationModel Based on R5DOS-Intersection Model. | |
| Liao et al. | Research on modeling and clustering algorithm of unmanned aerial vehicle swarm network under search task | |
| Gao et al. | Rapid networking method of multi-task UAV swarm based on leader-follower model | |
| Ganesan et al. | Dynamic Control, Architecture, and Communication Protocol for Swarm Unmanned Aerial Vehicles |
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 |