CN115408936A - 一种空战对抗智能决策开发系统及方法 - Google Patents
一种空战对抗智能决策开发系统及方法 Download PDFInfo
- Publication number
- CN115408936A CN115408936A CN202211001896.6A CN202211001896A CN115408936A CN 115408936 A CN115408936 A CN 115408936A CN 202211001896 A CN202211001896 A CN 202211001896A CN 115408936 A CN115408936 A CN 115408936A
- Authority
- CN
- China
- Prior art keywords
- module
- embedded
- information
- virtual reality
- reality scene
- 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
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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
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)
- Processing Or Creating Images (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种空战对抗智能决策开发系统及方法,本发明系统包括虚拟现实场景仿真模块、AI训练模块、嵌入式AI模型转换模块、嵌入式AI计算模块,虚拟现实场景仿真模块分别与AI训练模块和嵌入式AI计算模块连接,嵌入式AI模型转换模块分别与AI训练模块和嵌入式AI计算模块连接。本发明可加速决策效率,有效提升无人机作战自主化程度和智能化程度。
Description
技术领域
本发明属于无人机空战博弈对抗领域,尤其涉及一种空战对抗智能决策开发系统及方法。
背景技术
随着传感器、武器装备等技术的不断发展,空战中所要处理的数据量指数级增长,空战任务决策的难度亦随之急剧增加。然而飞行员受限于其生理极限,无法长时间快速准确的处理海量的战场信息,作出最优决策。近年来人工智能技术的快速发展,尤其是2016年AlphaGo在围棋大赛中战胜李世石,充分展现了人工智能在处理自主决策任务的强大优势。因此采用人工智能代替飞行员进行自主决策是未来空战的发展趋势。国外DARPA组织对自主空战进行了对抗仿真比赛,而国内主要集中在对空战自主决策算法的研究,并未发现能够包含训练和推理全过程的空战自主对抗开发系统的研究。
发明内容
本发明为解决背景技术中存在的技术问题,而提供一种空战对抗智能决策开发系统,加速决策效率,有效提升无人机作战自主化程度和智能化程度。
本发明的解决方案是:本发明一种空战对抗智能决策开发系统,其特殊之处在于:所述开发系统包括虚拟现实场景仿真模块、AI训练模块、嵌入式AI模型转换模块、嵌入式AI计算模块,虚拟现实场景仿真模块分别与AI训练模块和嵌入式AI计算模块连接,嵌入式AI模型转换模块分别与AI训练模块和嵌入式AI计算模块连接。
进一步的,虚拟现实场景仿真模块外接3个显示器,两个显示器分别显示红蓝双方的各自第一视角画面,并将双方的对局信息显示在第三个显示器的全局画面中。
进一步的,虚拟现实场景仿真模块外还分别接有操作摇杆、高性能PC机和第一嵌入式AI计算模块。
进一步的,虚拟现实场景仿真模块在离线训练阶段,对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块;所述虚拟现实场景仿真模块在在线推理阶段,将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方的第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块;接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估。
进一步的,AI训练模块在离线训练阶段,通过与虚拟现实场景仿真模块进行实时交互,不断更新迭代对神经网络算法模型进行训练;接收来自虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块;不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块。
进一步的,嵌入式AI模型转换模块在离线训练阶段,接收AI训练模块发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块能够识别的二进制文件,并将其发送给嵌入式AI计算模块。
进一步的,嵌入式AI计算模块在在线推理阶段,接收嵌入式AI模型转换模块发送的二进制文件以及虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块控制无人机作动。
一种应用上述的空战对抗智能决策开发系统的方法,其特殊之处在于:该方法包括以下步骤:
1)离线训练阶段:
1.1)虚拟现实场景仿真模块对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块;
1.2)AI训练模块通过与虚拟现实场景仿真模块进行实时交互,不断更新迭代对神经网络算法模型进行训练;接收来自虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块;不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块;
1.3)嵌入式AI模型转换模块接收AI训练模块发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块能够识别的二进制文件,并将其发送给嵌入式AI计算模块;
2)在线推理阶段:
2.1)虚拟现实场景仿真模块将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方的第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块;接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估;
2.2)嵌入式AI计算模块接收嵌入式AI模型转换模块发送的二进制文件以及虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块控制无人机作动。
本发明提供的一种空战对抗智能决策开发系统及方法,包括离线训练阶段和在线推理阶段。在离线训练阶段,通过虚拟现实场景仿真对对抗双方进行物理精确级仿真,生成训练样本集,与AI训练平台进行实时交互训练,学习胜利方经验,生成神经网络算法模型,通过嵌入式AI模型转换平台生成嵌入式AI平台可识别的二进制文件,部署在嵌入式AI计算平台。在在线推理阶段,进行红蓝双方实时空战对抗,由部署了神经网络算法的嵌入式AI计算平台代替飞行员进行实时智能决策。本发明可加速决策效率,有效提升无人机作战自主化程度和智能化程度。
附图说明
图1为本发明的方法模块图;
附图标记如下:
1、虚拟现实场景仿真模块;2、AI训练模块;3、嵌入式AI模型转换模块;4、嵌入式AI计算模块。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步详细描述。
参见图1,本发明具体实施例的空战对抗智能决策开发系统结构包括虚拟现实场景仿真模块1、AI训练模块2、嵌入式AI模型转换模块3、嵌入式AI计算模块4,虚拟现实场景仿真模块1分别与AI训练模块2和嵌入式AI计算模块4连接,嵌入式AI模型转换模块3分别与AI训练模块2和嵌入式AI计算模块4连接。
虚拟现实场景仿真模块1外接3个显示器,第一个显示器为红方第一视角显示,第二个显示器为蓝方第一视角显示,第三个显示器为全局视角。
虚拟现实场景仿真模块1外还接有操作摇杆、高性能PC机和第一嵌入式AI计算模块。
其中:
在离线训练阶段,虚拟现实场景仿真模块1对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块2发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块2。在在线推理阶段,虚拟现实场景仿真模块1将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块4。接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块4发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估。虚拟现实场景仿真模块1外接3个显示器,分别显示红蓝双方的各自第一视角画面,并将双方的对局信息显示在全局画面中。
在离线训练阶段,AI训练模块2通过与虚拟现实场景仿真模块1进行实时交互,不断更新迭代对神经网络算法模型进行训练。接收来自虚拟现实场景仿真模块1发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块1。不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块3。
在离线训练阶段,嵌入式AI模型转换模块3接收AI训练模块2发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块4能够识别的二进制文件,并将其发送给嵌入式AI计算模块4。
在在线推理阶段,嵌入式AI计算模块4接收嵌入式AI模型转换模块3发送的二进制文件以及虚拟现实场景仿真模块1发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块1控制无人机作动。
本发明还提供了一种应用空战对抗智能决策开发系统的方法,该方法包括以下步骤:
1)离线训练阶段:
1.1)虚拟现实场景仿真模块1对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块2发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块2;
1.2)AI训练模块2通过与虚拟现实场景仿真模块1进行实时交互,不断更新迭代对神经网络算法模型进行训练;接收来自虚拟现实场景仿真模块1发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块1;不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块3;
1.3)嵌入式AI模型转换模块3接收AI训练模块2发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块4能够识别的二进制文件,并将其发送给嵌入式AI计算模块4;
2)在线推理阶段:
2.1)虚拟现实场景仿真模块1将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方的第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块4;接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块4发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估;
2.2)嵌入式AI计算模块4接收嵌入式AI模型转换模块3发送的二进制文件以及虚拟现实场景仿真模块1发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块1控制无人机作动。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细地说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种空战对抗智能决策开发系统,其特征在于:所述开发系统包括虚拟现实场景仿真模块、AI训练模块、嵌入式AI模型转换模块、嵌入式AI计算模块,虚拟现实场景仿真模块分别与AI训练模块和嵌入式AI计算模块连接,嵌入式AI模型转换模块分别与AI训练模块和嵌入式AI计算模块连接。
2.根据权利要求1所述的空战对抗智能决策开发系统,其特征在于:所述虚拟现实场景仿真模块外接3个显示器,两个显示器分别显示红蓝双方的各自第一视角画面,并将双方的对局信息显示在第三个显示器的全局画面中。
3.根据权利要求2所述的空战对抗智能决策开发系统,其特征在于:所述虚拟现实场景仿真模块外还分别接有操作摇杆、高性能PC机和第一嵌入式AI计算模块。
4.根据权利要求3所述的空战对抗智能决策开发系统,其特征在于:所述虚拟现实场景仿真模块在离线训练阶段,对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块;所述虚拟现实场景仿真模块在在线推理阶段,将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方的第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块;接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估。
5.根据权利要求4所述的空战对抗智能决策开发系统,其特征在于:所述AI训练模块在离线训练阶段,通过与虚拟现实场景仿真模块进行实时交互,不断更新迭代对神经网络算法模型进行训练;接收来自虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块;不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块。
6.根据权利要求5所述的空战对抗智能决策开发系统,其特征在于:所述嵌入式AI模型转换模块在离线训练阶段,接收AI训练模块发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块能够识别的二进制文件,并将其发送给嵌入式AI计算模块。
7.根据权利要求6所述的空战对抗智能决策开发系统,其特征在于:所述嵌入式AI计算模块在在线推理阶段,接收嵌入式AI模型转换模块发送的二进制文件以及虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块控制无人机作动。
8.一种应用权利要求1所述的空战对抗智能决策开发系统的方法,其特征在于:该方法包括以下步骤:
1)离线训练阶段:
1.1)虚拟现实场景仿真模块对飞机物理模型、作动模型、环境模型等进行建模来构建无人机空战对抗场景,接收来自AI训练模块发送的无人机作动信息,来控制无人机的下一步作动,并将红蓝双方的位置、姿态、速度等信息发送给AI训练模块;
1.2)AI训练模块通过与虚拟现实场景仿真模块进行实时交互,不断更新迭代对神经网络算法模型进行训练;接收来自虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,输入到神经网络算法进行训练,更新神经网络权重参数,并将新的作动信息发送给虚拟现实场景仿真模块;不断迭代,直至算法收敛,生成训练好的神经网络算法的配置文件、权重文件发送给嵌入式AI模型转换模块;
1.3)嵌入式AI模型转换模块接收AI训练模块发送的神经网络算法的配置文件、权重文件,将其编译为嵌入式AI计算模块能够识别的二进制文件,并将其发送给嵌入式AI计算模块;
2)在线推理阶段:
2.1)虚拟现实场景仿真模块将双方的位置、姿态、速度等信息发送到控制红方的高性能PC机、或控制红方的第一嵌入式AI计算模块以及控制蓝方的嵌入式AI计算模块;接收来自高性能PC机、或第一嵌入式AI计算模块、或操作摇杆发送的无人机作动信息,来控制红方作动,接收来自嵌入式AI计算模块发送的无人机作动信息,来控制蓝方作动,并对双方战况进行实时评估;
2.2)嵌入式AI计算模块接收嵌入式AI模型转换模块发送的二进制文件以及虚拟现实场景仿真模块发送的红蓝双方的位置、姿态、速度等信息,进行在线推理决策,将计算所得作动信息发送到虚拟现实场景仿真模块控制无人机作动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001896.6A CN115408936A (zh) | 2022-08-20 | 2022-08-20 | 一种空战对抗智能决策开发系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211001896.6A CN115408936A (zh) | 2022-08-20 | 2022-08-20 | 一种空战对抗智能决策开发系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115408936A true CN115408936A (zh) | 2022-11-29 |
Family
ID=84161521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211001896.6A Pending CN115408936A (zh) | 2022-08-20 | 2022-08-20 | 一种空战对抗智能决策开发系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408936A (zh) |
-
2022
- 2022-08-20 CN CN202211001896.6A patent/CN115408936A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Maneuver decision of UAV in short-range air combat based on deep reinforcement learning | |
Liu et al. | Multi-UAV path planning based on fusion of sparrow search algorithm and improved bioinspired neural network | |
CN111176309B (zh) | 一种基于球面成像的多无人机自组群互感理解方法 | |
CN106373453A (zh) | 一种沉浸式高铁列车虚拟驾驶行为智能评判方法及仿真系统 | |
CN114330115B (zh) | 一种基于粒子群搜索的神经网络空战机动决策方法 | |
CN113893539B (zh) | 智能体的协同对战方法及装置 | |
CN114489144B (zh) | 无人机自主机动决策方法、装置及无人机 | |
Zhang et al. | Maneuver decision-making of deep learning for UCAV thorough azimuth angles | |
CN113282061A (zh) | 一种基于课程学习的无人机空中博弈对抗的解决方法 | |
CN113741500B (zh) | 仿哈里斯鹰智能捕食优化的无人机空战机动决策方法 | |
CN113159266B (zh) | 基于麻雀搜索神经网络的空战机动决策方法 | |
Zhang et al. | Hybrid FWPS cooperation algorithm based unmanned aerial vehicle constrained path planning | |
CN113177368A (zh) | 一种面向人机交互的智能化指控训练仿真系统 | |
CN111488992A (zh) | 一种基于人工智能的模拟器对手加强装置 | |
Chen et al. | Design and verification of UAV maneuver decision simulation system based on deep q-learning network | |
CN113741186B (zh) | 一种基于近端策略优化的双机空战决策方法 | |
Xianyong et al. | Research on maneuvering decision algorithm based on improved deep deterministic policy gradient | |
Wang et al. | Deep reinforcement learning-based air combat maneuver decision-making: literature review, implementation tutorial and future direction | |
CN115185294A (zh) | 基于qmix的航空兵多编队协同自主行为决策建模方法 | |
CN115293022A (zh) | 基于OptiGAN和时空注意力的航空兵智能体对抗行为建模方法 | |
Duan et al. | Autonomous maneuver decision for unmanned aerial vehicle via improved pigeon-inspired optimization | |
Källström et al. | Design of simulation-based pilot training systems using machine learning agents | |
CN114170454A (zh) | 基于关节分组策略的智能体元动作学习方法 | |
CN117313561A (zh) | 无人机智能决策模型训练方法及无人机智能决策方法 | |
CN115408936A (zh) | 一种空战对抗智能决策开发系统及方法 |
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 |