CN116067232A - 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 - Google Patents
一种基于“引领式”群驱离的无人机群诱导反制方法与系统 Download PDFInfo
- Publication number
- CN116067232A CN116067232A CN202310233147.4A CN202310233147A CN116067232A CN 116067232 A CN116067232 A CN 116067232A CN 202310233147 A CN202310233147 A CN 202310233147A CN 116067232 A CN116067232 A CN 116067232A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- cluster
- aerial vehicle
- vehicle group
- countering
- 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 42
- 230000006698 induction Effects 0.000 title claims abstract description 18
- 241000854291 Dianthus carthusianorum Species 0.000 claims abstract description 54
- 230000003993 interaction Effects 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims description 21
- 230000009471 action Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000007123 defense Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims description 2
- 230000008485 antagonism Effects 0.000 abstract description 8
- 230000005540 biological transmission Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 101000606504 Drosophila melanogaster Tyrosine-protein kinase-like otk Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 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
- 230000006855 networking Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F41—WEAPONS
- F41H—ARMOUR; ARMOURED TURRETS; ARMOURED OR ARMED VEHICLES; MEANS OF ATTACK OR DEFENCE, e.g. CAMOUFLAGE, IN GENERAL
- F41H11/00—Defence installations; Defence devices
- F41H11/02—Anti-aircraft or anti-guided missile or anti-torpedo defence installations or 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
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提出一种基于“引领式”群驱离的无人机群诱导反制方法与系统,属于反制无人机群技术领域。针对现有技术中选定对抗目标时主观性较强会出现误判对抗目标的问题,本发明的方法针对多领航分簇结构无人机群,通过提取机群可对抗关键特征,经过分析其运动轨迹曲线的平滑度识别机群中的可对抗关键个体,针对簇首领航机和簇内跟随机设定相应对抗策略并建立诱骗信号模型,将卫星导航诱骗信号注入机群中的部分簇首无人机,利用无人机群分布式体系结构特性,在簇内交互传播与簇间牵引作用下,将诱骗信号传播至整个机群,从而实现无人机群的整体驱离,与传统方式相比,具有反制效费比高、反制效果可控的特点。
Description
技术领域
本发明属于反制无人机群技术领域,特别涉及一种基于“引领式”群驱离的无人机群诱导反制方法与系统。
背景技术
随着群体智能、系统集成、组网通信和协同控制等技术的发展,无人机群自主化和智能化取得了快速发展,在抢险救灾、通信中继、协同巡视和集群打击等领域具有广阔的发展前景。然而,由于集群技术的滥用,无人机群带来的风险隐患和安全威胁日益突出,对重要人员、敏感区域和重点设施造成了极大威胁。
现有的无人机反制方法包括密集武器拦截、高能激光攻击、高功率微波抗击、幕型拦截、无线电干扰、数据链路夺控与导航诱骗等;上述方法在反制无人机群时,是通过火力毁伤或通信干扰等对抗单个无人机的方式反制整个无人机群,无论是针对所有无人机地位平等的无领航结构,还是分层有序的多领航分簇结构,均存在毁伤效果差、反制效费比低等问题,难以达到无人机群的全向突防的目的。
现如今,多领航分簇结构无论在自然界的生物群体还是实际工程应用中都更为普遍,更具实用价值,为了实现多领航分簇结构无人机群的有效反制,应选定并反制机群中部分关键无人机,将诱骗信号从部分关键无人机传播到整个机群,达到以点带面的机群整体反制效果。经检索,专利号为CN113743565B、名称为一种基于群体体系结构的无人机蜂群反制方法的中国发明专利,该现有技术中包含无分簇结构和多分簇结构两种无人机蜂群体系,通过分析蜂群空间分布和运动轨迹特征对蜂群体系结构分类,针对不同体系结构选定相应可反制关键无人机,其中公开的多分簇结构蜂群的簇首领航机是根据无人机分簇的特征分割成多层次的子分簇区域,再结合体积、外观特征、运动轨迹最终确定簇首领航机。但是,上述现有技术中公开的选定关键无人机的方法只给出了定性描述,即根据无人机群的运动特征等信息通过主观判断获取簇首领航机作为可反制关键无人机,会存在选定不准确或误判的可能,从而导致整体反制效率降低。
发明内容
针对上述已有技术中存在的问题,本发明旨在提出一种基于“引领式”群驱离的无人机群诱导反制方法与系统,本方法通过提取多领航分簇结构无人机群的空间分布特性,提取机群可对抗特征,结合多领航分簇结构无人机群的合作与竞争、吸引与避撞的工作机制,设计与之对应的卫星导航欺骗策略并构建相应模型,通过对机群中关键无人机进行诱骗,达到反制整个无人机群的目的,具有反制效果可控、附带损害小的优势。
本发明通过采用以下技术方案来实现上述技术目的:
一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,包括以下步骤:
Step1:对来袭的多领航分簇结构无人机群进行实时监测,获取无人机群的空间分布特征;
Step2:基于无人机群的空间分布特征,识别并选定簇首领航机作为可反制关键无人机;
Step3:针对可反制关键无人机,制定簇内体系结构与簇间作用关系的对抗策略;
Step4:对簇首领航机和簇内跟随机建立导航诱骗信号模型,对关键无人机发布导航诱骗信号;
Step5:根据来袭无人机群的运动轨迹是否偏离预期轨迹判定反制效果,若偏离,则反制结束;否则转向Step1。
为了实现上述目的,进一步地,Step1所述的获取无人机群的空间分布特性的过程包括:
Step101:同时获取无人机群的红外、雷达和/或可见光成像等多源图像信息;
Step102:对获取的无人机群多源图像信息,采用基于离散小波变换的信息融合算法,把图像分解成低频图像和细节(高频)图像的组合,提取原始图像的结构信息和细节信息,实现多源信息融合和图像重构,避免了平均图像融合算法图像对比度不高、细节不丰富的问题;
Step103:利用各源图像之间信息的冗余性和互补性,提高探测信息的准确度,进而计算得到无人机群的空间分布信息。
进一步地,上述Step102中离散小波变换的信息融合算法具体如下:
Step1021:对多源图像进行小波变换,得到分解后的一个低频分量和三个不同方向的高频分量,求得各自的小波分解系数;
Step1022:对小波变换分解后的低频分量和高频分量进行融合,得到新的融合小波分解系数,对于低频分量融合采取基于图像局部能量的计算方法,对于高频分量融合采取基于极大值的选择规则;
Step1023:对Step1022中的得到的新的融合小波分解系数进行小波逆变换重构得到融合图像。
进一步地,Step2所述的识别并选定可反制关键无人机的过程包括:
Step201:根据获取的无人机群空间分布特性,绘制得到各无人机的速度-时间、位置-时间和运动轨迹曲线;
Step202:对上述得到的运动轨迹曲线的平滑度设定阈值λ,选择平滑度小于阈值λ的无人机作为关键无人机的备选;
Step203:利用簇首领航机的体积和外观特征,以可疑目标位置为初始点,对备选的关键无人机进行追踪记录,剔除明显不符合簇首领航机运动特性的无人机,得到簇首领航机作为可反制关键无人机。
进一步地,Step3所述的制定簇内体系结构和簇间作用关系的对抗策略的过程包括:
Step303:诱骗信号通过各分簇内部相邻无人机的相互作用、不同分簇之间的协作与牵引作用扩散到整个无人机群,诱导无人机群偏离预期运动轨迹以偏离任务目标,实现多领航分簇结构无人机群的有效反制。
进一步地,Step4所述的建立导航诱骗信号模型的具体过程包括:
Step401:针对簇首领航机和簇内跟随机构建的导航诱骗信号模型如下:
其中,代表无人机i所在分簇,代表除簇以外的其余分簇,公式(1)中,δi(t)表示t时刻诱骗信号作用蜂群中的无人机i受到的总影响,和分别表示t时刻诱骗信号作用下簇和簇对簇中无人机i影响;公式(2)中,wi0(t),wij(t)分别表示t时刻簇首无人机和簇内无人机j对无人机i的作用权重,为t时刻的诱骗信号,和分别表示t时刻簇中簇首无人机、簇内无人机i和无人机j的状态,和分别表示t时刻簇中簇内无人机i和无人机j的编队向量,表示簇所有无人机构成的集合;公式(3)中,di为牵制作用增益,和表示分别t时刻簇中簇内无人机i和无人机j的状态,和表示t时刻簇中簇内无人机i和无人机j的编队向量,表示无人机群中除外的其他无人机集合,表示t时刻簇用于对簇牵引作用的参考状态,受簇中诱骗信号的影响;
Step402:在不触发无人机群容错机制的情况下,通过分布式信息交互传播及不同簇之间的相互牵引作用,将诱骗信号扩散到整个无人机群,诱导无人机群偏离预期运动轨迹,最终实现对无人机群的有效反制。
本发明还提出了一种基于“引领式”群驱离的无人机群诱导反制系统,包括
防空识别监视系统,用于对多领航分簇结构无人机群的空间分布特性进行实时监测;
图像处理系统,用于对多领航分簇结构无人机群的多源图像信息进行重构处理;
策略制定系统,用于对簇首领航机和簇内跟随机制定反制策略;
模型建立系统,用于对簇首领航机和各簇内跟随机构建诱骗信号模型。
进一步地,策略制定系统具体包括
诱导反制系统,用于诱导无人机群偏离预期运动轨迹,实现整体反制。
本发明还提供了一种电子设备,包括存储器和处理器,存储器上存储有计算机指令,处理器用于运行存储器上存储的计算机指令,以实现如上所述的任一项方法。
本发明还提供了一种存储有计算机指令的计算机可读存储介质,计算机指令用于使计算机执行如上所述的任一项方法。
本发明与现有技术相比,具有如下有益效果:
1、本发明通过采用基于离散小波变换的信息融合算法对获取的无人机群的多源图像信息进行融合与重构,与加权平均融合算法相比,在信息熵基本不变的情况下,均方根误差降低了22.9%,避免了平均图像融合算法图像对比度不高,细节不丰富的问题,提高融合图像的信噪比和探测信息的精确度,可通过计算获取到更精准的无人机群的空间分布信息。
2、本发明基于多领航分簇结构无人机群的体系结构特征,设定簇内体系结构和簇间作用关系的对抗策略,以簇首领航机为可对抗关键个体,以运动轨迹特征为对抗特征切入点,并以此对抗策略建立簇首领航机和各簇内跟随机的导航诱骗信号模型,该模型在考虑诱骗信号在无人机群分簇间传播的同时,也考虑了信号对分簇内无人机的影响,将诱骗信号施加到部分簇首领航机,通过簇内分布式交互传播及簇间交互牵引作用,使诱骗信号传播影响至整个无人机群的空间形态,当诱骗信号在分簇间传播时,各分簇通过竞争-合作机制引发机群内部任务冲突,导致各分簇陷入混乱,当诱骗信号在簇内传播时,簇内无人机之间由于目标-吸引和避撞-排斥原则不能保持预定的编队,从而实现了通过反制簇首无人机达到整体反制的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图做简单的介绍。
图1为本发明的一种基于“引领式”群驱离的无人机群诱导反制方法与系统的流程图;
图2为本发明的多领航分簇结构无人机群行为特征分析示意图;
图3为本发明的多领航分簇结构无人机群对抗方法的设计框图;
图4为本发明的反制方法下机群簇内关系的期望运动轨迹与偏离轨迹的示意图;
图5为本发明的反制方法下机群簇间关系的期望运动轨迹与偏离轨迹的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。
参照图1-5所示,本发明提出了一种基于“引领式”群驱离的无人机群诱导反制方法与系统,所述方法具体包括如下步骤
Step1:利用地面防空识别监视系统对来袭的多领航分簇结构无人机群进行实时监测,获取并融合来袭多领航分簇结构无人机群红外、雷达和/或可见光成像等多源图像信息,获取无人机群的空间分布特征;
Step2:基于多领航分簇结构无人机群的运动轨迹和空间分布特征,识别并选定簇首领航机作为可反制关键无人机;
Step3:以关键无人机的运动轨迹特征为对抗特征切入点,制定簇内体系结构与簇间作用关系的对抗策略;
Step4:对簇首领航机和簇内跟随机建立导航诱骗信号模型,对关键无人机发布导航诱骗信号;
Step5:通过观察防空识别监测系统中的来袭无人机群的运动轨迹是否偏离预期轨迹判定反制效果,若偏离,则反制结束;否则转向Step1。
优选地,Step1中获取无人机群的空间分布特性的过程包括:
Step101:利用己方防空识别监测系统同时获取无人机群的红外、雷达和/或可见光成像等多源图像信息;
Step102:在采集得到上述无人机群多源图像信息后,采用基于离散小波变换的信息融合算法,把图像分解成低频图像和细节(高频)图像的组合,提取原始图像的结构信息和细节信息,实现多源信息融合和图像重构,提高融合图像的信噪比;
融合方法表示如下:一是对源图像进行小波变换,得到分解后的一个低频分量和三个不同方向的高频分量,而低频分量可以进一步分解,最终形成一个多分辨率结构;二是对小波变换分解后的低频分量和高频分量进行融合,对于低频分量融合采取基于图像局部能量的计算方法,对于高频分量融合采取基于极大值的选择规则;三是对融合所得到的小波分量进行小波逆变换重构得到融合图像。
Step103:利用各源图像之间信息的冗余性和互补性,提高探测信息的准确度,进而计算得到无人机群的空间分布信息。
本发明的来袭无人机群体系为多领航分簇结构无人机群,各子分簇均可视为一个独立体系,不同子分簇之间通过信息交互协商分配任务,每个子分簇包含一个或多个簇首领航机,簇首领航机负责簇内跟随机之间的通信和簇内跟随机与其他簇无人机之间的交互,簇内跟随机以簇首领航机为参考对象实时调控自身状态,以达到目标跟踪及机群控制的目的。
优选地,Step2中识别并选定可反制关键无人机的过程包括:
Step201:根据上述获取的无人机群空间分布特性,绘制得到各无人机的速度-时间、位置-时间和运动轨迹曲线;
Step202:对上述得到的运动轨迹曲线的平滑度设定阈值λ,选择平滑度小于阈值λ的无人机作为关键无人机的备选;
Step203:利用簇首领航机的体积和外观特征,以可疑目标位置为初始点,对备选的关键无人机进行追踪记录,剔除明显不符合簇首领航机运动特性的无人机,得到簇首领航机作为可反制关键无人机。
优选地,Step3中制定簇内体系结构和簇间作用关系的对抗策略的过程包括:
Step303:诱骗信号通过各分簇内部相邻无人机的相互作用、不同分簇之间的协作与牵引作用扩散到整个无人机群,诱导无人机群偏离预期运动轨迹以偏离任务目标。
由于各分簇的簇间存在竞争关系,无人机群飞行过程中,各分簇触发在线任务规划机制,存在竞争关系的不同簇向截然相反的不同轨迹运动,当某个分簇受到诱骗信号影响时,与之竞争的簇将收到相反的诱骗信号作用,进而引发机群内部任务冲突,导致各分簇陷入混乱,最终簇间难以保持期望队形,偏离预期轨迹,从而实现多领航分簇结构无人机群的有效对抗。
优选地,Step4中建立导航诱骗信号模型的具体过程包括:
Step401:针对簇首领航机和簇内跟随机构建的导航诱骗信号模型如下:
公式(1)中,δi(t)表示t时刻诱骗信号作用蜂群中的无人机i受到的总影响,和分别表示t时刻诱骗信号作用下簇和簇对簇中无人机i影响;公式(2)中,wi0(t),wij(t)分别表示t时刻簇首无人机和簇内无人机j对无人机i的作用权重,为t时刻的诱骗信号,和分别表示t时刻簇中簇首无人机、簇内无人机i和无人机j的状态,和分别表示t时刻簇中簇内无人机i和无人机j的编队向量,表示簇所有无人机构成的集合;公式(3)中,di为牵制作用增益,和表示分别t时刻簇中簇内无人机i和无人机j的状态,和表示t时刻簇中簇内无人机i和无人机j的编队向量,表示无人机群中除外的其他无人机集合,表示t时刻簇用于对簇牵引作用的参考状态,受簇中诱骗信号的影响;
该模型在考虑诱骗信号在无人机群分簇间传播的同时,也考虑了信号对分簇内无人机的影响;在上述模型中,等号右边第一项描述诱骗信号对簇的簇首领航机的影响,以及簇首领航机对簇内跟随机i的吸引作用,第二项表示簇中簇内相邻无人机之间的分布式交互作用;等号右边第一项表示簇对簇的牵制作用,受簇中诱骗信号的影响,等号右边第二项表示簇内部相邻无人机之间的分布式交互作用;
Step402:在不触发无人机群容错机制的情况下,通过分布式信息交互传播及不同簇之间的相互牵引作用,将诱骗信号扩散到整个无人机群,诱导无人机群偏离预期运动轨迹,最终实现对无人机群的有效反制。
本发明的一种基于“引领式”群驱离的无人机群诱导反制系统,包括防空识别监视系统,用于对多领航分簇结构无人机群的空间分布特性进行实时监测;图像处理系统,用于对多领航分簇结构无人机群的多源图像信息进行重构处理;模型建立系统,用于对簇首领航机和各簇内跟随机构建诱骗信号模型。
实施例一
多领航分簇结构中的无人机可根据任务目标或自身所在区域的不同,形成多个相互协作的分簇,各个分簇中的簇首节点决策本分簇的任务。簇首节点负责簇内节点之间的通信及簇内节点与其他簇节点之间的交互,簇内节点以簇首节点为参考对象实时调控自身状态。多领航分簇结构无人机群以“吸引与排斥、合作与竞争”等行为特征为原则,完成机群整体队形的形成、保持和切换等行为。
在如图5所示的多分簇结构无人机群中,共有三个子分簇,每个分簇由簇首领航机和簇内跟随机构成;在子分簇内部,簇首领航机发送自身状态信息给簇内跟随机,簇内跟随机根据簇首领航机的状态及指令形成相应的正五边形任务编队。各分簇簇首领航机之间根据目标吸引和避撞排斥原则,使整个机群根据任务态势形成三角形任务队形。由于任务场景和任务态势的实时变化,簇首领航机之间还存在因任务分配产生的合作与竞争关系,通过竞争使得整个机群综合效能最大化。
本发明对多领航分簇结构机群的簇首领航机施加错误导航诱骗信号。如图4所示,在子分簇区域内部,导航诱骗信号接管簇首领航无人机导航信息,在不引起无人机群容错响应机制的情况下,使簇首领航机偏离期望的任务目标位置,簇内跟随机以簇首领航机实际位置为参考,且不直接接收虚拟目标信息,因此簇内跟随机在分布式交互与协同牵引作用下,维持期望子分簇队形的同时,跟随簇首领航机偏离期望任务轨迹,最终实现了基于运动轨迹的子分簇定向驱离;如图5所示,受簇首领航机间交互作用以及吸引和避撞特征影响,诱骗信号逐渐在相邻分簇簇首领航机间扩散,致使机群整体混乱无序,由于簇间存在竞争关系,无人机群飞行过程中,各分簇触发在线任务规划机制,存在竞争关系的不同簇向截然相反的不同轨迹运动,当某分簇受到诱骗信号影响时,与之竞争的簇将收到相反的诱骗信号作用,进而引发机群内部任务冲突,导致各分簇陷入混乱,如图5中期望目标轨迹和任务分配与实际目标轨迹和任务分配出现较大偏差,偏离预期轨迹,最终簇间难以保持期望队形以执行目标任务,通过诱骗部分关键簇首领航机达到反制整个无人机群的效果,反制目标精准、反制成果高效。
以上显示描述了本发明的基本原理、主要特征和本发明的优点,本领域的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护的范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,包括以下步骤:
Step1:对来袭的多领航分簇结构无人机群进行实时监测,获取无人机群的空间分布特征;
Step2:基于无人机群的空间分布特征,识别并选定簇首领航机作为可反制关键无人机;
Step3:针对可反制关键无人机,制定簇内体系结构与簇间作用关系的对抗策略;
Step4:对簇首领航机和簇内跟随机建立导航诱骗信号模型,对关键无人机发布导航诱骗信号;
Step5:根据来袭无人机群的运动轨迹是否偏离预期轨迹判定反制效果,若偏离,则反制结束;否则转向Step1。
2.根据权利要求1所述的一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,Step1所述的获取无人机群的空间分布特性的过程包括:
Step101:同时获取无人机群的红外、雷达和/或可见光成像等多源图像信息;
Step102:对获取的无人机群多源图像信息,采用基于离散小波变换的信息融合算法,把图像分解成低频图像和细节图像的组合,提取原始图像的结构信息和细节信息,实现多源信息融合与图像重构;
Step103:利用各源图像之间信息的冗余性和互补性,提高探测信息的准确度,进而计算得到无人机群的空间分布信息。
3.根据权利要求2所述的一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,上述Step102中离散小波变换的信息融合算法具体如下:
Step1021:对多源图像进行小波变换,得到分解后的一个低频分量和三个不同方向的高频分量,并求得各自的小波分解系数;
Step1022:对小波变换分解后的低频分量和高频分量进行融合,得到新的融合小波分解系数,对于低频分量融合采取基于图像局部能量的计算方法,对于高频分量融合采取基于极大值的选择规则;
Step1023:对上述得到的新的融合小波分解系数进行小波逆变换重构得到融合图像。
4.根据权利要求1所述的一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,Step2所述的识别并选定可反制关键无人机的过程包括:
Step201:根据获取的无人机群空间分布特性,绘制得到各无人机的速度-时间、位置-时间和运动轨迹曲线;
Step202:对上述得到的运动轨迹曲线的平滑度设定阈值λ,选择平滑度小于阈值λ的无人机作为备选的关键无人机;
Step203:利用簇首领航机的体积和外观特征,以可疑目标位置为初始点,对备选的关键无人机进行追踪记录,剔除明显不符合簇首领航机运动特性的无人机,得到剩余的簇首领航机作为可反制关键无人机。
5.根据权利要求1所述的一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,Step3所述的制定簇内体系结构和簇间作用关系的对抗策略的过程包括:
Step303:诱骗信号通过各分簇内部相邻无人机的相互作用、不同分簇之间的协作与牵引作用扩散到整个无人机群,诱导无人机群偏离预期运动轨迹以偏离任务目标,实现多领航分簇结构无人机群的有效反制。
6.根据权利要求1所述的一种基于“引领式”群驱离的无人机群诱导反制方法,其特征在于,Step4所述的建立导航诱骗信号模型的具体过程包括:
Step401:针对簇首领航机和簇内跟随机构建的导航诱骗信号模型如下:
其中,代表无人机i所在分簇,代表除簇以外的其余分簇,公式(1)中,δi(t)表示t时刻诱骗信号作用蜂群中的无人机i受到的总影响,和分别表示t时刻诱骗信号作用下簇和簇对簇中无人机i影响;公式(2)中,wi0(t),wij(t)分别表示t时刻簇首无人机和簇内无人机j对无人机i的作用权重,为t时刻的诱骗信号,和分别表示t时刻簇中簇首无人机、簇内无人机i和无人机j的状态,和分别表示t时刻簇中簇内无人机i和无人机j的编队向量,表示簇所有无人机构成的集合;公式(3)中,di为牵制作用增益,和表示分别t时刻簇中簇内无人机i和无人机j的状态,和表示t时刻簇中簇内无人机i和无人机j的编队向量,表示无人机群中除外的其他无人机集合,表示t时刻簇用于对簇牵引作用的参考状态,受簇中诱骗信号的影响;
Step402:在不触发无人机群容错机制的情况下,通过分布式信息交互传播及不同簇之间的相互牵引作用,将诱骗信号扩散到整个无人机群,诱导无人机群偏离预期运动轨迹,最终实现对无人机群的有效反制。
7.一种基于“引领式”群驱离的无人机群诱导反制系统,其特征在于,包括
防空识别监视系统,用于对多领航分簇结构无人机群的空间分布特性进行实时监测;
图像处理系统,用于对多领航分簇结构无人机群的多源图像信息进行重构处理;
策略制定系统,用于对簇首领航机和簇内跟随机制定反制策略;
模型建立系统,用于对簇首领航机和各簇内跟随机构建诱骗信号模型。
9.一种电子设备,包括存储器和处理器,其特征在于,存储器上存储有计算机指令,处理器用于运行存储器上存储的计算机指令,以实现如权利要求1-6中任一项基于“引领式”群驱离的无人机群诱导反制方法的步骤。
10.一种存储有计算机指令的计算机可读存储介质,其特征在于,计算机指令用于使计算机执行如权利要求1-6中任一项基于“引领式”群驱离的无人机群诱导反制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310233147.4A CN116067232A (zh) | 2023-03-13 | 2023-03-13 | 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310233147.4A CN116067232A (zh) | 2023-03-13 | 2023-03-13 | 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116067232A true CN116067232A (zh) | 2023-05-05 |
Family
ID=86175164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310233147.4A Pending CN116067232A (zh) | 2023-03-13 | 2023-03-13 | 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116067232A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238178A (zh) * | 2023-11-10 | 2023-12-15 | 中国电子科技集团公司第二十九研究所 | 一种针对领航机跟随机无人机编队的反制方法 |
-
2023
- 2023-03-13 CN CN202310233147.4A patent/CN116067232A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117238178A (zh) * | 2023-11-10 | 2023-12-15 | 中国电子科技集团公司第二十九研究所 | 一种针对领航机跟随机无人机编队的反制方法 |
CN117238178B (zh) * | 2023-11-10 | 2024-01-30 | 中国电子科技集团公司第二十九研究所 | 一种针对领航机跟随机无人机编队的反制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113589842B (zh) | 一种基于多智能体强化学习的无人集群任务协同方法 | |
CN105892480B (zh) | 异构多无人机系统协同察打任务自组织方法 | |
CN113743565B (zh) | 一种基于群体体系结构的无人机蜂群反制方法 | |
Liu et al. | A mechanism for recognizing and suppressing the emergent behavior of UAV swarm | |
CN116067232A (zh) | 一种基于“引领式”群驱离的无人机群诱导反制方法与系统 | |
CN115047907B (zh) | 一种基于多智能体ppo算法的空中同构编队指挥方法 | |
CN112598046A (zh) | 一种多机协同空战中的目标战术意图识别方法 | |
CN111797966B (zh) | 一种基于改进羊群算法的多机协同全局目标分配方法 | |
CN114818853B (zh) | 基于双向门控循环单元和条件随机场的意图识别方法 | |
CN116187169A (zh) | 基于动态贝叶斯网络的无人机集群意图推断算法及系统 | |
Piao et al. | Complex relationship graph abstraction for autonomous air combat collaboration: A learning and expert knowledge hybrid approach | |
Wang et al. | Tactical intention recognition method of air combat target based on BiLSTM network | |
Wang et al. | Learning embedding features based on multisense-scaled attention architecture to improve the predictive performance of air combat intention recognition | |
Zhang et al. | A dynamic resilience evaluation method for cross-domain swarms in confrontation | |
Wang et al. | Cooperatively pursuing a target unmanned aerial vehicle by multiple unmanned aerial vehicles based on multiagent reinforcement learning | |
CN114911269B (zh) | 一种基于无人机群的组网雷达干扰策略生成方法 | |
CN113507339B (zh) | 一种基于群体行为特征的无人机蜂群反制方法 | |
Duan et al. | Dynamic Tasks Scheduling Model for UAV Cluster Flexible Network Architecture | |
CN109658742B (zh) | 基于前序飞行信息的密集飞行自主冲突解脱方法 | |
Zhao et al. | Deep Reinforcement Learning‐Based Air Defense Decision‐Making Using Potential Games | |
Deng et al. | Research on intelligent decision technology for multi-UAVs prevention and control | |
Tang et al. | Close-in weapon system planning based on multi-living agent theory | |
Han et al. | Deep relationship graph reinforcement learning for multi-aircraft air combat | |
Simonjan et al. | Reinforcement Learning-based Countermeasures against Attacking UAV Swarms | |
Guo et al. | Uav air combat algorithm based on bayesian probability model |
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 |