CN114545898A - 一种基于petri-net模型的无人机轨迹验证方法和系统 - Google Patents
一种基于petri-net模型的无人机轨迹验证方法和系统 Download PDFInfo
- Publication number
- CN114545898A CN114545898A CN202210070840.XA CN202210070840A CN114545898A CN 114545898 A CN114545898 A CN 114545898A CN 202210070840 A CN202210070840 A CN 202210070840A CN 114545898 A CN114545898 A CN 114545898A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- petri
- net model
- place
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012795 verification Methods 0.000 title claims abstract description 19
- 230000001960 triggered effect Effects 0.000 claims abstract description 26
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000005284 excitation Effects 0.000 claims abstract description 5
- 230000007704 transition Effects 0.000 claims description 30
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims 1
- 230000006854 communication Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 18
- 238000001514 detection method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007175 bidirectional communication Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种基于petri‑net模型的无人机轨迹验证方法和系统，其中无人机轨迹验证方法包括：基于工业互联网系统建立分层型petri‑net模型；依次判断所述petri‑net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，若所有地点均未发生位置激发转换，则表明所述工业互联网系统运行时无人机不存在安全漏洞；否则，表明所述分层型petri‑net模型发生位置激发转换的地点处存在无人机安全漏洞。本方法通过设计petri‑net模型每一层的判断条件来判断无人机是否存在路径被篡改等安全漏洞，从而准确并高效地判断无人机是否按照预设的方式被控制。
Description
技术领域
本发明涉及工业物联网无人机智能控制技术领域，具体涉及一种基于petri-net模型的无人机轨迹验证方法和系统。
背景技术
在无人机控制领域，已经有应用petri-net模型来优化无人机操作策略的方法，如在中国发明专利CN 106055789 B中提供一种基于加权模糊Petri网的自主无人机形式化推理方法。该方法引入加权模糊Petri网形式化推理算法(简称WFPN形式化推理算法)，并在推理算法中采用矩阵对应行列元素相乘取最大值算子代替背景技术的矩阵对应行列元素相乘求和算子，以适应自主无人机形式化推理策略规则集中存在的多条规则的输出命题相同的情形，是为了优化无人机的协同攻击、作业等行为。
在工业物联网系统中，无人机可以作为通信手段的一个组成部分。因为无人机可以轻松活动，灵活地处理情况和通信环境，并且可以通过少量的投资来确保较大范围的稳定的通信系统。然而由于无人机作为一个独立的实体飞行，其在工业物联网系统中的实际行为往往会超出预设的操作，从而可能会对工业物联网系统的运行产生不良影响。因此，在应用无人机时，有必要去准确地验证无人机是否按照预设的操作策略或运行方法去运行。
发明内容
本发明解决的一个主要问题是无人机按照预设操作进行飞行作业时是否存在安全漏洞。
本发明提供一种基于petri-net模型的无人机轨迹验证方法，特别是一种工业物联网无人机轨迹验证方法，所述无人机轨迹验证方法包括：
基于工业互联网系统建立分层型petri-net模型；
依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，若所有地点均未发生位置激发转换，则表明所述工业互联网系统运行时无人机不存在安全漏洞；
否则，表明所述分层型petri-net模型发生位置激发转换的地点处存在无人机安全漏洞。
优选地，所述分层型petri-net模型为七层，所述能够发生位置激发转换的地点共有六个。
优选地，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，具体包括：
在第一地点确定无人机的运行是否受到外界阻碍：
若无人机移动路径上的位置点已经被篡改，则确定第二地点无人机的操作为异常，此时位置变迁被激发，到达第三地点。
优选地，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
若多个无人机正在实施聚类但尚未完全形成未设定的聚类，则确定第三地点无人机的操作为异常，此时位置变迁被激发，到达第四地点。
优选地，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第四地点确定无人机是否已被捕获，若无人机已经被捕获，则判断无人机的操作为异常，此时位置变迁被激发，到达第五地点。
优选地，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第五地点判断是否可以对无人机进行访问控制，若无人机访问控制不成功，在确定第五地点无人机的操作为异常，此时位置变迁被激发，到达第六地点。
优选地，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第六地点判断无人机是否已经被所述工业互联网系统授权，如果没有被授权，则确定第六地点无人机的操作为异常，此时位置变迁被激发。
优选地，当第六地点的位置变迁被激发后，将所有地点的判断结果反馈给所述工业互联网系统，以进行无人机异常检验。
根据本发明的另一个方面，还提供一种基于petri-net模型的无人机轨迹验证系统，所述无人机轨迹验证系统包括存储器和处理器，所述存储器中存储有计算机程序；
所述处理器，用于在运行所述计算机程序时，执行如前任一项所述的基于petri-net模型的无人机轨迹验证方法。
本发明方法目前是基于工业系统配置来建立petri-net模型，petri-net模型中每个地点代表一层，例如第一地点代表的就是第一层，通过设计每一层的判断条件来判断无人机是否存在路径被篡改等安全漏洞，从而判断无人机是否按照预设的方式被控制。本方法的petri-net模型中不同的层对应不同的判断条件，若所有地点中的任一地点的判断条件触发，判断结果为无人机操作异常，则可以确定该无人机存在飞行路径被篡改等安全漏洞。
附图说明
本发明构成说明书的一部分附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。
图1为本发明实施例中工业物联网系统的配置图。
图2为本发明实施例中分层型Petri-net模型示意图。
具体实施方式
下面将结合附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例一，本发明提供一种基于petri-net模型的无人机轨迹验证方法，本方法是基于如图所示的工业物联网的无人机轨迹验证方法，无人机轨迹验证方法包括：
1、基于工业互联网系统建立分层型petri-net模型；
2、依次判断petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换(即变迁)，若所有地点均未发生位置激发转换，则表明工业互联网系统运行时无人机不存在安全漏洞；
3、若其中有任何一个地点发生位置激发转换，则表明分层型petri-net模型发生位置激发转换的地点处存在无人机安全漏洞。
本实施例中涉及的工业互联网系统如图1所示，下面结合图1介绍工业物联网系统中如何应用无人机实现通信。
工业物联网系统包括用户终端、第一接入点、核心、无人机、第二接入点、第一物联网设备和第二物联网设备。用户终端、第一物联网设备和第二物联网设备可以直接或间接地相互交流。这种通信可以实现为移动边缘计算(MEC)。
用户终端可以与另一设备通信并支持用户，并且可以被配置为例如移动设备或计算机，但不限于此。用户终端可以单独提供，也可以安装在车辆等上。通过用户终端，用户可以与事物装置的第一因特网或事物装置的第二因特网进行双向通信，并且可以远程地观察或控制第一设备的IoT或物件设备的第二因特网。第一接入点(AP)连接到用户终端并且还连接到核心，并且可以支持实现用户终端和核心之间的双向通信的连接。第一接入点可以被提供为各种通信装置，并且更适当地可以被提供为无线通信装置。
核心连接到第一接入点，并且可以连接用户和物联网(IoT)设备。即，用户终端和第一物联网设备可以基于核心进行彼此的双向通信。因此，核心实现用户终端和第一物联网设备之间的稳定通信。例如图1，核心可以是由具有基站的通信服务公司运营的通信系统。
无人机以能够以通信的方式连接到核心，并且可以设置多个无人机。无人机是支持核心和第二接入点之间的顺畅通信并且可以容易地移动其位置的通信装置。因此，当发生通信问题时，无人机可以移动其位置以保持核心和第二接入点之间的平滑连接。为顺利的通信连接，多个无人机共享给定的区域，从而能够有效地扩展核心和第二接入点之间能够通信的区域。
第二接入点连接到无人机，连接到第一物联网设备，并且可以支持实现无人机和第一物联网设备之间的双向通信的连接。如同在第一接入点中一样，第二接入点可以被提供为各种通信装置并且更合适地可以被提供为无线通信装置。
第一物联网设备连接到第二接入点，并且可以与用户进行双向通信。第一互联网被连接到用户终端，并且可以是将其自身的信息发送到用户终端的装置或由用户终端控制。第一物联网设备可以是大型设施，例如加油站或电动汽车充电设施。
第二物联网设备可以以启用通信的方式连接到第一物联网设备。第二物联网设备可以是不直接连接到第二接入点，而是通过第一物联网设备间接连接到第二接入点的设备，例如加油站设备、电动汽车充电设施中提供的加油站或充电器。
在步骤1中，可将分层型petri-net模型设计为七层，能够发生位置激发转换的地点共有六个。
具体地，本实施例中的petri-net模型是一种用于解释系统中信息流(信息的流入流出)的建模方案，可以配置地点、转移、令牌、通行证等信息。
图2展示了一种四层petri-net模型。在图2中地点用圆圈表示，位置转换用矩形表示，通过用箭头表示。此外，图中标记了位置的下标，该位置表示为P或P'，为了清楚描述，过渡表示为T或T'。一个pass可以用箭头表示，pass可以表示地点之间的联系或变迁，pass的箭头方向可以表示信息的进展方向。令牌可以用点表示。如果令牌从任何一个地方移动到另一个地方，则在这种情况下会触发变迁。因此，在petri网建模的系统中，信息可以从任何一个地方移动到另一个地方。
“分层”是指通过合并分布在多个层中的每一层中的单个petri-net来建模。在图2中，每层配置有第1层PN到第4层PN的总共四个单独的petri-net合并，以形成单个分层类型的petri网。在分层型petri-net中，总通过次数可以是v(v-1)/2。在这种情况下，v是层次型petri网中的位置和转换的总和。与单个petri网相比，分层型petri网可以具有非常多的通过次数。
在本实施例中，可以依照图1的工业物联网配置来划分petri-net，每层共有七个单独的petri-net，将它们合并在一起，就形成一个单一的分层类型的petri-net模型。
在步骤1中，依次判断petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，具体包括：
在第一地点确定无人机的运行是否受到外界阻碍：若无人机移动路径上的位置点已经被篡改，则确定第二地点无人机的操作为异常，此时位置变迁被激发，到达第三地点。
若多个无人机正在实施聚类但尚未完全形成未设定的聚类，则确定第三地点无人机的操作为异常，此时位置变迁被激发，到达第四地点。
在第四地点确定无人机是否已被捕获，若无人机已经被捕获，则判断无人机的操作为异常，此时位置变迁被激发，到达第五地点。
在第五地点判断是否可以对无人机进行访问控制，若无人机访问控制不成功，在确定第五地点无人机的操作为异常，此时位置变迁被激发，到达第六地点。
在第六地点判断无人机是否已经被工业互联网系统授权，如果没有被授权，则确定第六地点无人机的操作为异常，此时位置变迁被激发。当第六地点的位置变迁被激发后，或者将检测方法步骤中在所有地点的检测判断全部结束后，将所有地点的判断结果反馈给工业互联网系统，以方便工作人员依据判断结构进行无人机异常检验分析。
还提供一种工业物联网无人机轨迹验证系统，包括：存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现实施例一中的无人机轨迹验证方法。
所称处理器可以是中央处理单元(Central-Processing-Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital-Signal-Processor，DSP)、专用集成电路(Application-Specific-Integrated-Circuit，ASIC)、现场可编程门阵列(Field-Programmable-Gate-Arr ay，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于深度学习的卫浴陶瓷表面缺陷检测装置的控制中心，利用各种接口和线路连接整个一种基于深度学习的卫浴陶瓷表面缺陷检测装置可运行装置的各个部分。所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于深度学习的卫浴陶瓷表面缺陷检测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart-Media-Card，SMC)，安全数字(Secure-Digital，SD)卡，闪存卡(Flash-Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
Claims (9)
1.一种基于petri-net模型的无人机轨迹验证方法，特别是一种基于petri-net模型的工业物联网无人机轨迹验证方法，其特征在于，所述工业物联网无人机轨迹验证方法包括：
基于工业互联网系统建立分层型petri-net模型；
依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，若所有地点均未发生位置激发转换，则表明所述工业互联网系统运行时无人机不存在安全漏洞；
否则，表明所述分层型petri-net模型发生位置激发转换的地点处存在无人机安全漏洞。
2.如权利要求1所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，所述分层型petri-net模型为七层，能够发生位置激发转换的地点共有六个。
3.如权利要求2所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，具体包括：
在第一地点确定无人机的运行是否受到外界阻碍：
若无人机移动路径上的位置点已经被篡改，则确定第二地点无人机的操作为异常，此时位置变迁被激发，到达第三地点。
4.如权利要求1所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
若多个无人机正在实施聚类但尚未完全形成未设定的聚类，则确定第三地点无人机的操作为异常，此时位置变迁被激发，到达第四地点。
5.如权利要求1所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第四地点确定无人机是否已被捕获，若无人机已经被捕获，则判断无人机的操作为异常，此时位置变迁被激发，到达第五地点。
6.如权利要求1所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第五地点判断是否可以对无人机进行访问控制，若无人机访问控制不成功，则确定第五地点无人机的操作为异常，此时位置变迁被激发，到达第六地点。
7.如权利要求1所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，依次判断所述petri-net模型中的第一地点至最后一个地点的任意一个地点处是否发生位置激发转换，还包括：
在第六地点判断无人机是否已经被所述工业互联网系统授权，如果没有被授权，则确定第六地点无人机的操作为异常，此时位置变迁被激发。
8.如权利要求7所述的一种基于petri-net模型的无人机轨迹验证方法，其特征在于，当第六地点的位置变迁被激发后，将所有地点的判断结果反馈给所述工业互联网系统，以进行无人机异常检验。
9.一种基于petri-net模型的无人机轨迹验证系统，其特征在于，所述无人机轨迹验证系统包括存储器和处理器，所述存储器中存储有计算机程序；
所述处理器，用于在运行所述计算机程序时，执行如权利要求1-8中任一项所述的一种基于petri-net模型的无人机轨迹验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070840.XA CN114545898A (zh) | 2022-01-21 | 2022-01-21 | 一种基于petri-net模型的无人机轨迹验证方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070840.XA CN114545898A (zh) | 2022-01-21 | 2022-01-21 | 一种基于petri-net模型的无人机轨迹验证方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114545898A true CN114545898A (zh) | 2022-05-27 |
Family
ID=81671345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070840.XA Pending CN114545898A (zh) | 2022-01-21 | 2022-01-21 | 一种基于petri-net模型的无人机轨迹验证方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114545898A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592011A (zh) * | 2011-12-30 | 2012-07-18 | 清华大学 | 基于随机Petri网的分层航空操作系统HM/FM建模与评价方法 |
| CN106055789A (zh) * | 2016-05-31 | 2016-10-26 | 西北工业大学 | 基于加权模糊Petri网的自主无人机形式化推理方法 |
| CN106972917A (zh) * | 2017-03-15 | 2017-07-21 | 西安电子科技大学 | 用户运行轨迹的安全验证方法 |
| CN108393884A (zh) * | 2018-01-18 | 2018-08-14 | 西北工业大学 | 一种基于Petri网的多机械臂遥操作系统协同任务规划方法 |
| CN110333694A (zh) * | 2019-07-31 | 2019-10-15 | 上海应用技术大学 | 基于模糊Petri网的数控设备故障诊断方法 |
| KR102050230B1 (ko) * | 2018-06-29 | 2019-11-29 | 순천향대학교 산학협력단 | 페트리 넷 모델링을 이용한 산업용 사물 인터넷 시스템에 구비되는 드론의 검증방법 |
-
2022
- 2022-01-21 CN CN202210070840.XA patent/CN114545898A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102592011A (zh) * | 2011-12-30 | 2012-07-18 | 清华大学 | 基于随机Petri网的分层航空操作系统HM/FM建模与评价方法 |
| CN106055789A (zh) * | 2016-05-31 | 2016-10-26 | 西北工业大学 | 基于加权模糊Petri网的自主无人机形式化推理方法 |
| CN106972917A (zh) * | 2017-03-15 | 2017-07-21 | 西安电子科技大学 | 用户运行轨迹的安全验证方法 |
| CN108393884A (zh) * | 2018-01-18 | 2018-08-14 | 西北工业大学 | 一种基于Petri网的多机械臂遥操作系统协同任务规划方法 |
| KR102050230B1 (ko) * | 2018-06-29 | 2019-11-29 | 순천향대학교 산학협력단 | 페트리 넷 모델링을 이용한 산업용 사물 인터넷 시스템에 구비되는 드론의 검증방법 |
| US20210279339A1 (en) * | 2018-06-29 | 2021-09-09 | Soonchunhyang University Industry Academy Cooperation Foundation | Method for verifying drone included in industrial internet of things system, by using petri-net modeling |
| CN110333694A (zh) * | 2019-07-31 | 2019-10-15 | 上海应用技术大学 | 基于模糊Petri网的数控设备故障诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nishi et al. | Petri net decomposition approach for dispatching and conflict-free routing of bidirectional automated guided vehicle systems | |
| WO2021232229A1 (zh) | 虚拟场景生成方法、装置、计算机设备和存储介质 | |
| CN112465151A (zh) | 一种基于深度强化学习的多智能体联邦协作方法 | |
| US8396620B2 (en) | Patrol device and patrol path planning method for the same | |
| CN105404268B (zh) | 交通工具审核和交通工具系统的维护和诊断控制 | |
| Johnson et al. | Probabilistic Analysis of Correctness of High-Level Robot Behavior with Sensor Error. | |
| CN112464497B (zh) | 基于分布式系统的故障演练方法、装置、设备及介质 | |
| US20210173395A1 (en) | Formally safe symbolic reinforcement learning on visual inputs | |
| CN111079800B (zh) | 一种智能驾驶虚拟测试的加速方法及加速系统 | |
| CN111310992A (zh) | 面向地震灾后快速评估的多无人机路径优化方法 | |
| Dharmasiri et al. | Novel implementation of multiple automated ground vehicles traffic real time control algorithm for warehouse operations: djikstra approach | |
| CN114995503A (zh) | 一种无人机巡检路径优化方法 | |
| CN113743747B (zh) | 一种车间环境下的多agv协同调度方法及装置 | |
| CN110634329A (zh) | 空中交通管理电子系统的测试方法、相关电子设备和平台 | |
| EP3151153A1 (en) | Cyber security system with differentiated capacity to deal with complex cyber attacks | |
| CN114545898A (zh) | 一种基于petri-net模型的无人机轨迹验证方法和系统 | |
| Mohamed et al. | Enhancing test cases prioritization for internet of things based systems using Search-based technique | |
| CN113778123A (zh) | 面向异构无人机集群的耦合多任务分配方法及装置 | |
| CN109933028B (zh) | Agv的多路径选择方法和系统 | |
| CN115587545B (zh) | 一种用于光刻胶的参数优化方法、装置、设备及存储介质 | |
| CN111738878A (zh) | 一种桥梁应力检测系统 | |
| CN109658742B (zh) | 基于前序飞行信息的密集飞行自主冲突解脱方法 | |
| CN112561166A (zh) | 车辆的调度方法和装置、存储介质、电子装置 | |
| Han et al. | Three‐dimensional obstacle avoidance for UAV based on reinforcement learning and RealSense | |
| CN112152986A (zh) | 用于自主系统的决策架构 |
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 |