CN114993108A - 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 - Google Patents
一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 Download PDFInfo
- Publication number
- CN114993108A CN114993108A CN202210535338.1A CN202210535338A CN114993108A CN 114993108 A CN114993108 A CN 114993108A CN 202210535338 A CN202210535338 A CN 202210535338A CN 114993108 A CN114993108 A CN 114993108A
- Authority
- CN
- China
- Prior art keywords
- function
- guidance
- cooperative
- representing
- target
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000000737 periodic effect Effects 0.000 title claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000004888 barrier function Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000001133 acceleration Effects 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 230000001960 triggered effect Effects 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 241001235534 Graphis <ascomycete fungus> Species 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000005312 nonlinear dynamic Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000011160 research Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 3
- 230000005251 gamma ray Effects 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41G—WEAPON SIGHTS; AIMING
- F41G7/00—Direction control systems for self-propelled missiles
- F41G7/20—Direction control systems for self-propelled missiles based on continuous observation of target position
- F41G7/22—Homing guidance systems
- F41G7/2233—Multimissile systems
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Aiming, Guidance, Guns With A Light Source, Armor, Camouflage, And Targets (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法,包括如下步骤:利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑;基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程;基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略;利用自适应动态规划技术构建评价网络,实施最优触发制导策略。本发明通过周期事件触发机制的引入,节约了通信带宽资源,提升了信息的利用率,同时避免了芝诺现象的发生。
Description
技术领域
本发明涉及多约束条件下多弹协同制导领域,尤其是一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法。
背景技术
多弹协同作战相较于一对一作战模式而言,大幅度提升了作战效率,有效降低了拦截目标的逃逸概率,是近年来制导领域研究的热点。在实际制导过程中,受导弹物理因素限制,导弹执行机构、物理器件等都存在承受范围,因此,研究约束条件下的协同制导策略具有实际意义。通常,对协同制导的研究等价为对多智能体系统的研究,且目前也有许多该策略的研究成果,但是在现有针对状态受限的多智能体协同控制研究中,约束条件大多是静态的、对称的。然而,战场环境复杂,存在许多动态非对称的情况。例如,在导弹集群作战中,为了避免与障碍物发生碰撞,需要考虑约束条件,当障碍物为机动的邻域导弹或者飞行的鸟群时,静态、对称的显然难以满足需求。并且,例如导弹尾鳍等执行机构也存在操作范围,超过范围可能会导致智能体受损。因此,考虑动态非对称和输入受限约束更加符合实际应用的要求。同时,多数研究成果仅考虑了系统的稳定性,忽略了最优性问题。因此,发展多约束下最优协同制导方法具有实际意义,该控制策略实现的前提是求解其相关的Hamilton-Jacobi-Bellman(HJB)方程,然而在非线性系统中,HJB方程求解困难。自适应动态规划技术被广泛应用于最优控制问题中,该方法利用函数近似结构来估计代价函数,用于按时间正向求解动态规划问题,可以有效近似HJB方程的解析解。此外,制导系统资源和通信带宽是有限的,而传统的时间触发控制通信压力较大,控制输入更新较为频繁,造成资源浪费。因此,在设计最优协同制导策略的过程中,提升信息利用率显得尤为重要。
发明内容
本发明所要解决的技术问题在于,提供一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法,拓展了多约束非线性协同制导领域,全状态满足动态约束,而且控制策略不仅在受限范围内,同时节约通信资源。
为解决上述技术问题,本发明提供一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法,包括如下步骤:
步骤1、利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑;
步骤2、基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程;
步骤3、基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略;
步骤4、利用自适应动态规划技术构建评价网络,实施最优触发制导策略。
优选的,步骤1中,利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑具体为:通讯拓扑表示为如下有向图:
其中,表示节点个体集合,表示节点通讯链接集合,A=[aij]∈RN×N,aij≥0表示权值链接矩阵,如果(i,j)∈ε,则表明节点j是节点i的邻域个体,此时aij=1;否则,aij=0;将节点i的所有邻域个体的集合表示为Ni={j:(i,j)∈ε},定义入度矩阵D=diag{d1,d2,…,dN},其中表示节点i的邻域个体的数量,定义图的拉普拉斯矩阵为L=D-A且所有行的和为零,考虑图为强联通的有向图且aii=0;另外,节点i与领导者之间的连接矩阵表示为B=diag{b1,b2,…,bN},其中,bi=1表示节点i能够接收领导者信息;否则,bi=0。
优选的,步骤2中,基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程具体为:二维平面N枚导弹协同拦截同一目标模型表达为如下相对运动方程:
其中Mi代表第i枚导弹,T代表目标,考虑所有导弹和目标的运动为质点运动且速度大小均为恒定值,Vi和VT分别表示第i枚导弹和目标的速度;和γT分别表示第i枚导弹的目标的航迹倾角;γMiT表示第i枚导弹与目标之间视线角;ri表示第i枚导弹和目标之间的距离,则其相对速率表示为ui和ν分别第i枚导弹和目标垂直于速度向量的加速度,各枚导弹之间主要依靠通讯拓扑网络进行通讯,即第i枚导弹只与其邻域导弹进行通信;
第i枚导弹和目标均表现为如下一阶自动驾驶仪:
其中(xT,yT)表示目标的坐标位置;aT表示目标的侧向加速度;τT表示目标自动驾驶仪时间常数,设定时间常数为0.1s;
xi(t)∈Ωi:={(t,xi):xiL(t)≤xi≤xiH(t)} (6
其中xiL(t)∈Rn,xiH(t)∈Rn分别表示系统状态的下约束函数和上约束函数,且具有如下动态:
其中θiL(@)、θiH(@)为有界函数使得xiL(t)、xiH(t)有界,且满足xiL(t)<0<xiH(t),为了保证系统状态满足约束条件,引入如下障碍函数:
且满足初始条件xiL(0)<xi(0)<xiH(0),注意到当xi(t)接近其边界时si→∞,对(4)式求导可得:
其中
定义Fi(xi)=si1fi(xi)+si2,Gi(xi)=si1gi(xi),第i个导弹动力学模型被重写为:
则针对第i个导弹,建立如下局部邻域一致误差系统:
其中
优选的,步骤3中,基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略具体为:定义如下局部性能指标函数:
其中Qi,Rii,Rij为设计的正定对称矩阵,Ui(@)为关于ui的半正定函数使得控制输入满足约束条件,具体表达式如下:
定义如下Hamilton函数为:
得到如下基于事件的局部邻域一致误差系统和触发测量误差为:
同时,推断出下一个触发时间为:
则最优饱和触发控制策略为:
优选的,步骤4中,利用自适应动态规划技术构建评价网络,实施最优触发制导策略具体为:构造如下评价网络近似性能指标函数,其期望形式为:
对(25)式求偏导,其关于状态的偏导数表示为:
由于评价网络理想权值是未知的,利用评价网络输出信号估计理想权值,则有:
则可以推导出近似饱和触发控制策略为:
相应的,代入触发Hamilton函数得近似误差函数:
基于梯度下降法,设计权值更新律,保证目标函数最小化,同时为了保证闭环系统在学习的过程中信号的有界性,在更新律中引入一个连续可微的径向无界Lyapunov函数Ji(zi),满足其中表示Ji(zi)对时间的导数,表示Ji(zi)对zi的偏导数,即因此,权值更新律具体形式如下:
触发条件如下:
本发明的有益效果为:(1)本发明考虑了全状态动态约束下多导弹系统的协同制导问题,与现有大多数静态约束条件不同,系统状态满足的约束条件为一个动态的非对称函数;(2)本发明在设计协同制导策略的同时,考虑输入饱和受限问题,使得所设计的制导策略更加合理,更加满足系统执行机构存在物理承受范围的客观因素;(3)本发明通过周期事件触发机制的引入,节约了通信带宽资源,提升了信息的利用率,同时避免了芝诺现象的发生。
附图说明
图1为本发明的多弹协同制导二维平面相对运动示意图。
图2为本发明的方法流程示意图。
具体实施方式
如图1和图2所示,一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法,包括如下步骤:
步骤1、利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑;通讯拓扑表示为如下有向图:
其中,表示节点个体集合,表示节点通讯链接集合,A=[aij]∈RN×N,aij≥0表示权值链接矩阵,如果(i,j)∈ε,则表明节点j是节点i的邻域个体,此时aij=1;否则,aij=0;将节点i的所有邻域个体的集合表示为Ni={j:(i,j)∈ε},定义入度矩阵D=diag{d1,d2,…,dN},其中表示节点i的邻域个体的数量,定义图的拉普拉斯矩阵为L=D-A且所有行的和为零,考虑图为强联通的有向图且aii=0;另外,节点i与领导者之间的连接矩阵表示为B=diag{b1,b2,…,bN},其中,bi=1表示节点i能够接收领导者信息;否则,bi=0。
步骤2、基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程;二维平面N枚导弹协同拦截同一目标模型表达为如下相对运动方程:
其中Mi代表第i枚导弹,T代表目标,考虑所有导弹和目标的运动为质点运动且速度大小均为恒定值,Vi和VT分别表示第i枚导弹和目标的速度;和γT分别表示第i枚导弹的目标的航迹倾角;γMiT表示第i枚导弹与目标之间视线角;ri表示第i枚导弹和目标之间的距离,则其相对速率表示为ui和ν分别第i枚导弹和目标垂直于速度向量的加速度,各枚导弹之间主要依靠通讯拓扑网络进行通讯,即第i枚导弹只与其邻域导弹进行通信;
第i枚导弹和目标均表现为如下一阶自动驾驶仪:
其中(xT,yT)表示目标的坐标位置;aT表示目标的侧向加速度;τT表示目标自动驾驶仪时间常数,设定时间常数为0.1s;
xi(t)∈Ωi:={(t,xi):xiL(t)≤xi≤xiH(t)} (6)
其中xiL(t)∈Rn,xiH(t)∈Rn分别表示系统状态的下约束函数和上约束函数,且具有如下动态:
其中θiL(·)、θiH(·)为有界函数使得xiL(t)、xiH(t)有界,且满足xiL(t)<0<xiH(t),为了保证系统状态满足约束条件,引入如下障碍函数:
且满足初始条件xiL(0)<xi(0)<xiH(0),注意到当xi(t)接近其边界时si→∞,对(4)式求导可得:
其中
定义Fi(xi)=si1fi(xi)+si2,Gi(xi)=si1gi(xi),第i个导弹动力学模型被重写为:
则针对第i个导弹,建立如下局部邻域一致误差系统:
其中
步骤3、基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略;定义如下局部性能指标函数:
其中Qi,Rii,Rij为设计的正定对称矩阵,Ui(·)为关于ui的半正定函数使得控制输入满足约束条件,具体表达式如下:
得到如下基于事件的局部邻域一致误差系统和触发测量误差为:
同时,推断出下一个触发时间为:
则最优饱和触发控制策略为:
步骤4、利用自适应动态规划技术构建评价网络,实施最优触发制导策略;构造如下评价网络近似性能指标函数,其期望形式为:
对(25)式求偏导,其关于状态的偏导数表示为:
由于评价网络理想权值是未知的,利用评价网络输出信号估计理想权值,则有:
则可以推导出近似饱和触发控制策略为:
相应的,代入触发Hamilton函数得近似误差函数:
基于梯度下降法,设计权值更新律,保证目标函数最小化,同时为了保证闭环系统在学习的过程中信号的有界性,在更新律中引入一个连续可微的径向无界Lyapunov函数Ji(zi),满足其中表示Ji(zi)对时间的导数,表示Ji(zi)对zi的偏导数,即因此,权值更新律具体形式如下:
触发条件如下:
Claims (5)
1.一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法,其特征在于,包括如下步骤:
步骤1、利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑;
步骤2、基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程;
步骤3、基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略;
步骤4、利用自适应动态规划技术构建评价网络,实施最优触发制导策略。
2.如权利要求1所述的基于全状态动态约束的分布式周期事件触发饱和协同制导方法,其特征在于,步骤1中,利用图论的相关理论,将协同制导问题转化为多智能体协同控制问题,构造协同制导问题的通讯拓扑具体为:通讯拓扑表示为如下有向图:
3.如权利要求1所述的基于全状态动态约束的分布式周期事件触发饱和协同制导方法,其特征在于,步骤2中,基于通讯拓扑,推导制导模型,同时引入障碍函数,并建立局部邻域一致误差方程具体为:二维平面N枚导弹协同拦截同一目标模型表达为如下相对运动方程:
其中Mi代表第i枚导弹,T代表目标,考虑所有导弹和目标的运动为质点运动且速度大小均为恒定值,Vi和VT分别表示第i枚导弹和目标的速度;和γT分别表示第i枚导弹的目标的航迹倾角;表示第i枚导弹与目标之间视线角;ri表示第i枚导弹和目标之间的距离,则其相对速率表示为ui和ν分别第i枚导弹和目标垂直于速度向量的加速度,各枚导弹之间主要依靠通讯拓扑网络进行通讯,即第i枚导弹只与其邻域导弹进行通信;
第i枚导弹和目标均表现为如下一阶自动驾驶仪:
其中(xT,yT)表示目标的坐标位置;aT表示目标的侧向加速度;τT表示目标自动驾驶仪时间常数,设定时间常数为0.1s;
xi(t)∈Ωi:={(t,xi):xiL(t)≤xi≤xiH(t)} (6)
其中xiL(t)∈Rn,xiH(t)∈Rn分别表示系统状态的下约束函数和上约束函数,且具有如下动态:
其中θiL(·)、θiH(·)为有界函数使得xiL(t)、xiH(t)有界,且满足xiL(t)<0<xiH(t),为了保证系统状态满足约束条件,引入如下障碍函数:
且满足初始条件xiL(0)<xi(0)<xiH(0),注意到当xi(t)接近其边界时si→∞,对(4)式求导可得:
其中
定义Fi(xi)=si1fi(xi)+si2,Gi(xi)=si1gi(xi),第i个导弹动力学模型被重写为:
则针对第i个导弹,建立如下局部邻域一致误差系统:
其中
4.如权利要求1所述的基于全状态动态约束的分布式周期事件触发饱和协同制导方法,其特征在于,步骤3中,基于局部邻域一致误差方程并结合周期事件触发机制,推导最优触发饱和制导策略具体为:定义如下局部性能指标函数:
其中Qi,Rii,Rij为设计的正定对称矩阵,Ui(·)为关于ui的半正定函数使得控制输入满足约束条件,具体表达式如下:
定义如下Hamilton函数为:
得到如下基于事件的局部邻域一致误差系统和触发测量误差为:
同时,推断出下一个触发时间为:
则最优饱和触发控制策略为:
5.如权利要求1所述的基于全状态动态约束的分布式周期事件触发饱和协同制导方法,其特征在于,步骤4中,利用自适应动态规划技术构建评价网络,实施最优触发制导策略具体为:构造如下评价网络近似性能指标函数,其期望形式为:
对(25)式求偏导,其关于状态的偏导数表示为:
由于评价网络理想权值是未知的,利用评价网络输出信号估计理想权值,则有:
则可以推导出近似饱和触发控制策略为:
相应的,代入触发Hamilton函数得近似误差函数:
基于梯度下降法,设计权值更新律,保证目标函数最小化,同时为了保证闭环系统在学习的过程中信号的有界性,在更新律中引入一个连续可微的径向无界Lyapunov函数Ji(zi),满足其中表示Ji(zi)对时间的导数,表示Ji(zi)对zi的偏导数,即因此,权值更新律具体形式如下:
触发条件如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535338.1A CN114993108B (zh) | 2022-05-17 | 2022-05-17 | 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535338.1A CN114993108B (zh) | 2022-05-17 | 2022-05-17 | 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114993108A true CN114993108A (zh) | 2022-09-02 |
CN114993108B CN114993108B (zh) | 2023-04-28 |
Family
ID=83028002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535338.1A Active CN114993108B (zh) | 2022-05-17 | 2022-05-17 | 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114993108B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2423774A1 (en) * | 2010-08-23 | 2012-02-29 | MBDA UK Limited | Guidance method and apparatus |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
CN111707148A (zh) * | 2020-06-28 | 2020-09-25 | 北京航空航天大学 | 一种时变时延条件下多导弹协同制导方法及系统 |
CN111812973A (zh) * | 2020-05-21 | 2020-10-23 | 天津大学 | 一种离散时间非线性系统的事件触发优化控制方法 |
CN112113466A (zh) * | 2020-08-19 | 2020-12-22 | 南京理工大学 | 一种有限时间收敛的多导弹协同制导方法 |
CN113325866A (zh) * | 2021-05-20 | 2021-08-31 | 南京航空航天大学 | 一种基于事件触发的微分对策协同制导方法 |
CN113341727A (zh) * | 2021-06-22 | 2021-09-03 | 北京理工大学 | 一种事件触发分布式自学习协同博弈拦截制导方法 |
-
2022
- 2022-05-17 CN CN202210535338.1A patent/CN114993108B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2423774A1 (en) * | 2010-08-23 | 2012-02-29 | MBDA UK Limited | Guidance method and apparatus |
CN110286691A (zh) * | 2019-06-21 | 2019-09-27 | 东北大学秦皇岛分校 | 基于线性微分包含的多无人机编队控制方法 |
CN111812973A (zh) * | 2020-05-21 | 2020-10-23 | 天津大学 | 一种离散时间非线性系统的事件触发优化控制方法 |
CN111707148A (zh) * | 2020-06-28 | 2020-09-25 | 北京航空航天大学 | 一种时变时延条件下多导弹协同制导方法及系统 |
CN112113466A (zh) * | 2020-08-19 | 2020-12-22 | 南京理工大学 | 一种有限时间收敛的多导弹协同制导方法 |
CN113325866A (zh) * | 2021-05-20 | 2021-08-31 | 南京航空航天大学 | 一种基于事件触发的微分对策协同制导方法 |
CN113341727A (zh) * | 2021-06-22 | 2021-09-03 | 北京理工大学 | 一种事件触发分布式自学习协同博弈拦截制导方法 |
Non-Patent Citations (1)
Title |
---|
孙景亮: "自适应动态规划研究及其在导弹拦截制导中的应用" * |
Also Published As
Publication number | Publication date |
---|---|
CN114993108B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110007688B (zh) | 一种基于强化学习的无人机集群分布式编队方法 | |
CN110597061B (zh) | 一种多智能体完全分布式自抗扰时变编队控制方法 | |
CN112947592B (zh) | 一种基于强化学习的再入飞行器轨迹规划方法 | |
CN113325866B (zh) | 一种基于事件触发的微分对策协同制导方法 | |
CN108983800B (zh) | 一种基于深度学习的飞机姿态控制方法 | |
CN113341727B (zh) | 一种事件触发分布式自学习协同博弈拦截制导方法 | |
CN114020021B (zh) | 一种多导弹分布式协同制导律的设计方法及系统 | |
CN112698634A (zh) | 基于事件触发的交通智能体系统固定时间二分一致性方法 | |
CN109062040B (zh) | 基于系统嵌套优化的预测pid方法 | |
CN114756029A (zh) | 基于动态事件触发的无人艇无模型控制方法 | |
CN111158386B (zh) | 一种干扰自主免疫的无人机姿态控制系统及实现方法 | |
CN115877718B (zh) | 数据驱动的异构导弹编队切换通信拓扑协同控制方法 | |
CN114995129A (zh) | 一种分布式最优事件触发协同制导方法 | |
CN114993108A (zh) | 一种基于全状态动态约束的分布式周期事件触发饱和协同制导方法 | |
Jia et al. | Distributed analytical formation control and cooperative guidance for gliding vehicles | |
CN109165444B (zh) | 多飞行器同时协同拦截飞行器数量及空间位置散布的设计方法 | |
CN116795124A (zh) | 一种基于动态事件触发的四旋翼无人机姿态控制方法 | |
CN116088317A (zh) | 一种基于动态事件触发的多智能体一致性控制方法 | |
Ding et al. | Dynamics Event-Triggered-Based Time-Varying Bearing Formation Control for UAVs | |
Gong et al. | A robust adaptive control algorithm for multimissile cooperative formation | |
Zhang et al. | Distributed cooperative guidance strategy for multi-missile attack the maneuvering target | |
CN114815876A (zh) | 一种基于旋翼无人机的编队领导者选择算法 | |
CN116027790A (zh) | 面向多智能体状态时滞系统的简化强化学习编队控制方法 | |
Xi et al. | Multi-missile Distributed Cooperative Guidance Law Based on De Bruijn Network | |
Chen et al. | Research Article UAV Formation Control under Communication Constraints Based on Distributed Model Predictive Control |
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 |