CN116185077B - 一种黑飞无人机窄带精准打击方法 - Google Patents
一种黑飞无人机窄带精准打击方法 Download PDFInfo
- Publication number
- CN116185077B CN116185077B CN202310464384.1A CN202310464384A CN116185077B CN 116185077 B CN116185077 B CN 116185077B CN 202310464384 A CN202310464384 A CN 202310464384A CN 116185077 B CN116185077 B CN 116185077B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- striking
- main
- black
- 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 41
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 25
- 238000001931 thermography Methods 0.000 claims description 21
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 238000003384 imaging method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Walking Sticks, Umbrellas, And Fans (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种黑飞无人机窄带精准打击方法,属于黑飞无人机检测技术领域,通过设计在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块,在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统,辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站,通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹,主无人机发送控制信号至辅无人机构建一主多辅无人机群,通过主无人机上的计算平台。
Description
技术领域
本发明涉及一种黑飞无人机打击方法,特别是涉及一种黑飞无人机窄带精准打击方法,属于黑飞无人机打击方法技术领域。
背景技术
黑飞无人机通常指未经过法律监管、没有合法飞行许可、或者用于非法活动的无人机。
这些无人机通常不符合航空器安全标准,可能存在安全隐患,并且容易对社会造成不良影响。
在现有技术中关于对未经过法律监管、没有合法飞行许可、或者用于非法活动的无人机进行打击的时候存在比较多的缺陷这些包括法律和技术方面的缺陷:
现有的无人机防御系统中,大多数技术还不够成熟和完善,干扰器的效果受到环境影响较大,高功率激光器的使用场景有限等,难以应对复杂多变的打击情况;
目前针对无人机的管理尚未健全,打击行动存在一定的风险和监管问题;
为此设计一种黑飞无人机窄带精准打击方法来解决上述问题。
发明内容
本发明的主要目的是为了提供一种黑飞无人机窄带精准打击方法,通过设计在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块,在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统,辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站,通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹,主无人机发送控制信号至辅无人机构建一主多辅无人机群,通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建,一主多辅无人机群对黑飞无人机进行跟踪,通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击,从而实现了对周围环境进行很好的分析,而且无需传递至地面基站,自行则可以进行对黑飞无人机的打击,减少了干扰器的效果受到环境影响较大,其次在进行打击的时候通过去中心化的无人机网络,可以实现快速的信息传递和决策,可以对打击的决策信息进行快速的传递。
本发明的目的可以通过采用如下技术方案达到:
一种黑飞无人机窄带精准打击方法,包括如下步骤:
步骤一:在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块;
步骤二:在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统;
步骤三:辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站;
步骤四:通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹;
步骤五:主无人机发送控制信号至辅无人机构建一主多辅无人机群;
步骤六:通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建;
步骤七:一主多辅无人机群对黑飞无人机进行跟踪;
步骤八:通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击。
优选的,在步骤一激光雷达利用激光束对目标表面进行扫描,并测量出激光束与目标表面之间的距离和反射强度信息;
红外线摄像头利用红外线辐射来捕捉物体表面的温度分布情况,从而得到热像图;
热成像摄像头是基于目标物体发出的红外线辐射来进行成像。
优选的,步骤二还包括如下步骤:
S11:对于激光雷达获取的数据采用点云数据作为网络输入;
S12:通过卷积和池化操作逐渐提取出目标物体的几何形状和位置信息;
S13:对于红外线摄像头和热成像摄像头,采用图像数据作为网络的输入;
S14:通过卷积神经网络操作提取出目标物体的纹理、色彩和形状特征。
优选的,在步骤五中还包括如下步骤:
S21:选择主无人机作为一主多辅无人机群的中心控制器;
S22:在主\辅无人机上配置通信模块;
S23:在主\辅无人机上安装飞行控制系统;
S24:构建黑飞无人机打击任务分配策略以及设置网络安全设备和加密通信协议,对黑飞无人机的通信进行干扰和拦截。
优选的,在步骤六中还包括如下步骤:
S31:将已被深度学习模型分析处理后的激光雷达、红外线摄像头和热成像摄像头采集数据采用三维重建算法生成三维模型;
S32:对三维模型提取出其中的特征点、曲线或者面,用于后续的匹配和校准;
S33:通过将两个或多个三维模型中的特征点进行比较和匹配,找到两个或多个三维模型之间的空间变换关系;
S34:通过计算匹配结果中的误差,确定三维模型之间的偏移和旋转关系,并进行校准;
S35:将所有的三维模型按照匹配和校准的结果进行合并,生成一个完整的三维模型;
S36:将三维建筑物、道路等模型与现有的高精度地图进行融合,生成更为精确的地图信息。
优选的,在步骤七中还包括如下步骤:
S41:主无人机通过机器学习算法对无人机进行识别和分类,实现对无人机的跟踪;
S42:将对识别的无人机信息反馈至陆地平台获取是否进行打击的决策;
S43:获取打击决策则进行步骤八操作;
S44:未获取打击决策则进行持续进行跟踪。
优选的,步骤八还包括如下步骤:
S51:收集无人机的位置、速度、方向信息,以及相应的打击位置和打击角度信息;
S52:据所需预测的打击位置和打击角度,选择合适的神经网络结构;
S53:针对模型表现不佳的问题进行改进,比如调整超参数、增加数据样本;
S54:对周围环境进行识别判断;
S55:行预测无人机的位置和运动轨迹,并计算出最佳打击位置和打击角度,将其传输给对应的武器系统进行打击。
优选的,在S54中对周围环境进行识别判断具体包括在选择打击目标和打击位置时,选择少建筑物和人群区域,在打击前进行环境评估和监测。
优选的,构建一主多辅无人机还包括多组主无人机不同组主无人机携带多组辅无人机构建多组一主多辅去中心化无人机群。
优选的,其中构建多组一主多辅无人机群具体包括如下步骤:
S61:根据无人机网络群的需求设计通信协议;
S62:根据无人机网络群的规模和应用场景选择合适的节点设备;
S63:对节点设备进行配置和调试,确保其能够符合通信协议要求,并能够实现节点之间的通信;
S64:实现节点发现和路由功能,确保节点之间能够互相发现和交换信息,并能够通过最优路径进行数据传输;
S65:建立网络群管理机制,对已经构建好的网络群进行测试,并部署到实际应用场景中进行验证和优化。
本发明的有益技术效果:
本发明提供的一种黑飞无人机窄带精准打击方法,通过设计在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块,在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统,辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站,通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹,主无人机发送控制信号至辅无人机构建一主多辅无人机群,通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建,一主多辅无人机群对黑飞无人机进行跟踪,通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击,从而实现了对周围环境进行很好的分析,而且无需传递至地面基站,自行则可以进行对黑飞无人机的打击,减少了干扰器的效果受到环境影响较大,其次在进行打击的时候通过去中心化的无人机网络,可以实现快速的信息传递和决策,可以对打击的决策信息进行快速的传递。
附图说明
图1为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的总流程图。
图2为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的数据处理流程图。
图3为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的通信控制流程图。
图4为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的建模流程图。
图5为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的无人机跟踪流程图。
图6为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的无人机轨迹识别流程图。
图7为按照本发明的一种黑飞无人机窄带精准打击方法的一优选实施例的通信协议流程图。
具体实施方式
为使本领域技术人员更加清楚和明确本发明的技术方案,下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1-图7所示,本实施例提供的一种黑飞无人机窄带精准打击方法,包括如下步骤:
步骤一:在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块;
步骤二:在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统;
步骤三:辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站;
步骤四:通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹;
步骤五:主无人机发送控制信号至辅无人机构建一主多辅无人机群;
步骤六:通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建;
步骤七:一主多辅无人机群对黑飞无人机进行跟踪;
步骤八:通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击。
通过设计在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块,在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统,辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站,通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹,主无人机发送控制信号至辅无人机构建一主多辅无人机群,通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建,一主多辅无人机群对黑飞无人机进行跟踪,通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击,从而实现了对周围环境进行很好的分析,而且无需传递至地面基站,自行则可以进行对黑飞无人机的打击,减少了干扰器的效果受到环境影响较大,其次在进行打击的时候通过去中心化的无人机网络,可以实现快速的信息传递和决策,可以对打击的决策信息进行快速的传递。
在本实施例中,在步骤一激光雷达利用激光束对目标表面进行扫描,并测量出激光束与目标表面之间的距离和反射强度信息;
红外线摄像头利用红外线辐射来捕捉物体表面的温度分布情况,从而得到热像图;
热成像摄像头是基于目标物体发出的红外线辐射来进行成像。
在本实施例中,步骤二还包括如下步骤:
S11:对于激光雷达获取的数据采用点云数据作为网络输入;
S12:通过卷积和池化操作逐渐提取出目标物体的几何形状和位置信息;
S13:对于红外线摄像头和热成像摄像头,采用图像数据作为网络的输入;
S14:通过卷积神经网络操作提取出目标物体的纹理、色彩和形状特征。
在本实施例中,在步骤五中还包括如下步骤:
S21:选择主无人机作为一主多辅无人机群的中心控制器;
S22:在主\辅无人机上配置通信模块;
S23:在主\辅无人机上安装飞行控制系统;
S24:构建黑飞无人机打击任务分配策略以及设置网络安全设备和加密通信协议,对黑飞无人机的通信进行干扰和拦截。
在本实施例中,在步骤六中还包括如下步骤:
S31:将已被深度学习模型分析处理后的激光雷达、红外线摄像头和热成像摄像头采集数据采用三维重建算法生成三维模型;
S32:对三维模型提取出其中的特征点、曲线或者面,用于后续的匹配和校准;
S33:通过将两个或多个三维模型中的特征点进行比较和匹配,找到两个或多个三维模型之间的空间变换关系;
S34:通过计算匹配结果中的误差,确定三维模型之间的偏移和旋转关系,并进行校准;
S35:将所有的三维模型按照匹配和校准的结果进行合并,生成一个完整的三维模型;
S36:将三维建筑物、道路等模型与现有的高精度地图进行融合,生成更为精确的地图信息。
在本实施例中,在步骤七中还包括如下步骤:
S41:主无人机通过机器学习算法对无人机进行识别和分类,实现对无人机的跟踪;
S42:将对识别的无人机信息反馈至陆地平台获取是否进行打击的决策;
S43:获取打击决策则进行步骤八操作;
S44:未获取打击决策则进行持续进行跟踪。
在本实施例中,步骤八还包括如下步骤:
S51:收集无人机的位置、速度、方向信息,以及相应的打击位置和打击角度信息;
S52:据所需预测的打击位置和打击角度,选择合适的神经网络结构;
S53:针对模型表现不佳的问题进行改进,比如调整超参数、增加数据样本;
S54:对周围环境进行识别判断;
S55:行预测无人机的位置和运动轨迹,并计算出最佳打击位置和打击角度,将其传输给对应的武器系统进行打击。
在本实施例中,在S54中对周围环境进行识别判断具体包括在选择打击目标和打击位置时,选择少建筑物和人群区域,在打击前进行环境评估和监测。
在本实施例中,构建一主多辅无人机还包括多组主无人机不同组主无人机携带多组辅无人机构建多组一主多辅去中心化无人机群。
在本实施例中,其中构建多组一主多辅无人机群具体包括如下步骤:
S61:根据无人机网络群的需求设计通信协议;
S62:根据无人机网络群的规模和应用场景选择合适的节点设备;
S63:对节点设备进行配置和调试,确保其能够符合通信协议要求,并能够实现节点之间的通信;
S64:实现节点发现和路由功能,确保节点之间能够互相发现和交换信息,并能够通过最优路径进行数据传输;
S65:建立网络群管理机制,对已经构建好的网络群进行测试,并部署到实际应用场景中进行验证和优化。
以上,仅为本发明进一步的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明所公开的范围内,根据本发明的技术方案及其构思加以等同替换或改变,都属于本发明的保护范围。
Claims (7)
1.一种黑飞无人机窄带精准打击方法,其特征在于:包括如下步骤:
步骤一:在辅无人机上安装激光雷达、红外线摄像头和热成像摄像头对目标区域实时获取信息并配备声音检测模块;
步骤二:在主无人机上安装移动基站、将深度学习模型部署在无人机上的计算平台以及在无人机上安装卫星导航系统;
步骤三:辅无人机通过无线传输模块将获取的信息通过窄带通信技术传输至主无人机上的移动基站;
步骤四:通过激光雷达、红外线和热成像摄像头获取黑飞无人机的位置和移动轨迹;
步骤五:主无人机发送控制信号至辅无人机构建一主多辅无人机群;
步骤六:通过主无人机上的计算平台,采用AI技术和高精度地图将黑飞无人机周围区域的建筑物、道路信息进行三维重建;
步骤七:一主多辅无人机群对黑飞无人机进行跟踪;
步骤八:通过主无人机上的计算平台深度学习模型计算打击黑飞无人机位置和打击角度进行黑飞无人机打击;
在步骤一激光雷达利用激光束对目标表面进行扫描,并测量出激光束与目标表面之间的距离和反射强度信息;
红外线摄像头利用红外线辐射来捕捉物体表面的温度分布情况,从而得到热像图;
热成像摄像头是基于目标物体发出的红外线辐射来进行成像;
步骤二还包括如下步骤:
S11:对于激光雷达获取的数据采用点云数据作为网络输入;
S12:通过卷积和池化操作逐渐提取出目标物体的几何形状和位置信息;
S13:对于红外线摄像头和热成像摄像头,采用图像数据作为网络的输入;
S14:通过卷积神经网络操作提取出目标物体的纹理、色彩和形状特征;
在步骤五中还包括如下步骤:
S21:选择主无人机作为一主多辅无人机群的中心控制器;
S22:在主\辅无人机上配置通信模块;
S23:在主\辅无人机上安装飞行控制系统;
S24:构建黑飞无人机打击任务分配策略以及设置网络安全设备和加密通信协议,对黑飞无人机的通信进行干扰和拦截。
2.根据权利要求1所述的一种黑飞无人机窄带精准打击方法,其特征在于:在步骤六中还包括如下步骤:
S31:将已被深度学习模型分析处理后的激光雷达、红外线摄像头和热成像摄像头采集数据采用三维重建算法生成三维模型;
S32:对三维模型提取出其中的特征点、曲线或者面,用于后续的匹配和校准;
S33:通过将两个或多个三维模型中的特征点进行比较和匹配,找到两个或多个三维模型之间的空间变换关系;
S34:通过计算匹配结果中的误差,确定三维模型之间的偏移和旋转关系,并进行校准;
S35:将所有的三维模型按照匹配和校准的结果进行合并,生成一个完整的三维模型;
S36:将三维建筑物、道路模型与现有的高精度地图进行融合,生成更为精确的地图信息。
3.根据权利要求2所述的一种黑飞无人机窄带精准打击方法,其特征在于:在步骤七中还包括如下步骤:
S41:主无人机通过机器学习算法对无人机进行识别和分类,实现对无人机的跟踪;
S42:将对识别的无人机信息反馈至陆地平台获取是否进行打击的决策;
S43:获取打击决策则进行步骤八操作;
S44:未获取打击决策则进行持续进行跟踪。
4.根据权利要求3所述的一种黑飞无人机窄带精准打击方法,其特征在于:步骤八还包括如下步骤:
S51:收集无人机的位置、速度、方向信息,以及相应的打击位置和打击角度信息;
S52:据所需预测的打击位置和打击角度,选择合适的神经网络结构;
S53:针对模型表现不佳的问题进行改进,比如调整超参数、增加数据样本;
S54:对周围环境进行识别判断;
S55:行预测无人机的位置和运动轨迹,并计算出最佳打击位置和打击角度,将其传输给对应的武器系统进行打击。
5.根据权利要求4所述的一种黑飞无人机窄带精准打击方法,其特征在于:在S54中对周围环境进行识别判断具体包括在选择打击目标和打击位置时,选择少建筑物和人群区域,在打击前进行环境评估和监测。
6.根据权利要求5所述的一种黑飞无人机窄带精准打击方法,其特征在于:构建一主多辅无人机还包括多组主无人机不同组主无人机携带多组辅无人机构建多组一主多辅去中心化无人机群。
7.根据权利要求6所述的一种黑飞无人机窄带精准打击方法,其特征在于:其中构建多组一主多辅无人机群具体包括如下步骤:
S61:根据无人机网络群的需求设计通信协议;
S62:根据无人机网络群的规模和应用场景选择合适的节点设备;
S63:对节点设备进行配置和调试,确保其能够符合通信协议要求,并能够实现节点之间的通信;
S64:实现节点发现和路由功能,确保节点之间能够互相发现和交换信息,并能够通过最优路径进行数据传输;
S65:建立网络群管理机制,对已经构建好的网络群进行测试,并部署到实际应用场景中进行验证和优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464384.1A CN116185077B (zh) | 2023-04-27 | 2023-04-27 | 一种黑飞无人机窄带精准打击方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310464384.1A CN116185077B (zh) | 2023-04-27 | 2023-04-27 | 一种黑飞无人机窄带精准打击方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116185077A CN116185077A (zh) | 2023-05-30 |
CN116185077B true CN116185077B (zh) | 2024-01-26 |
Family
ID=86444634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310464384.1A Active CN116185077B (zh) | 2023-04-27 | 2023-04-27 | 一种黑飞无人机窄带精准打击方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116185077B (zh) |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103051373A (zh) * | 2012-12-24 | 2013-04-17 | 北京航天科工世纪卫星科技有限公司 | 基于自旋翼无人机的空中应急通信系统 |
CN108318040A (zh) * | 2018-02-06 | 2018-07-24 | 贵州电网有限责任公司 | 一种面向输电线路巡检的多旋翼航迹规划系统和方法 |
CN108762291A (zh) * | 2018-03-06 | 2018-11-06 | 西安大衡天成信息科技有限公司 | 一种发现和跟踪黑飞无人机遥控者的方法与系统 |
CN109039437A (zh) * | 2018-11-07 | 2018-12-18 | 北京和协导航科技有限公司 | 一种无人机区域组网系统 |
CN109144110A (zh) * | 2018-09-14 | 2019-01-04 | 北京领云时代科技有限公司 | 一种无人机集群目标跟踪系统 |
CN109597433A (zh) * | 2018-12-14 | 2019-04-09 | 桂林电子科技大学 | 一种基于复合拦截策略的无人机防控智能决策方法 |
CN109768821A (zh) * | 2017-11-09 | 2019-05-17 | 一飞智控(天津)科技有限公司 | 基于物联网的多无人机多任务异域航行通信系统及通讯方法 |
CN209001964U (zh) * | 2018-10-10 | 2019-06-18 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种扩展通讯距离的无人机巡检系统 |
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN110650432A (zh) * | 2019-10-30 | 2020-01-03 | 北京信成未来科技有限公司 | 一种基于mf-tdma的无人机测控蜂窝通信方法 |
CN111736190A (zh) * | 2020-07-24 | 2020-10-02 | 广东电网有限责任公司 | 一种无人机机载目标检测系统及方法 |
CN111783224A (zh) * | 2020-06-22 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 一种深度强化学习模型无人机部署试验方法和系统 |
CN111813151A (zh) * | 2020-08-26 | 2020-10-23 | 江苏威思迈智能科技有限公司 | 基于机器视觉的无人机集群控制方法 |
CN112037320A (zh) * | 2020-09-01 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及计算机可读存储介质 |
CN112327893A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机飞控前端人数统计系统及方法 |
CN112907685A (zh) * | 2021-02-05 | 2021-06-04 | 泉州装备制造研究所 | 一种点云极坐标编码方法及装置 |
CN112947550A (zh) * | 2021-01-29 | 2021-06-11 | 齐鲁工业大学 | 一种基于视觉伺服的非法飞行器打击方法及机器人 |
CN113284170A (zh) * | 2021-05-26 | 2021-08-20 | 北京智机科技有限公司 | 一种点云快速配准方法 |
CN113739638A (zh) * | 2021-08-05 | 2021-12-03 | 中国人民解放军火箭军工程大学 | 一种基于群体协同信息的无人机蜂群反制方法 |
CN215447761U (zh) * | 2021-07-26 | 2022-01-07 | 青海黄河风力发电有限责任公司 | 基于风电无人机的三维建模系统 |
CN113970931A (zh) * | 2020-07-22 | 2022-01-25 | 海鹰航空通用装备有限责任公司 | 一种基于多无人机的监控装置和方法 |
CN114091754A (zh) * | 2021-11-23 | 2022-02-25 | 北京邮电大学 | 一种多无人机移动基站协同部署及调度方法 |
CN114995520A (zh) * | 2022-08-03 | 2022-09-02 | 广东德九新能源有限公司 | 一种无人机协同防御控制方法、电子设备及介质 |
CN115047912A (zh) * | 2022-07-14 | 2022-09-13 | 北京航空航天大学 | 一种基于强化学习的无人机集群自适应自重构方法及系统 |
CN115328201A (zh) * | 2022-08-25 | 2022-11-11 | 杰能科世智能安全科技(杭州)有限公司 | 一种黑飞无人机智能抓捕装置及其智能抓捕方法 |
-
2023
- 2023-04-27 CN CN202310464384.1A patent/CN116185077B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103051373A (zh) * | 2012-12-24 | 2013-04-17 | 北京航天科工世纪卫星科技有限公司 | 基于自旋翼无人机的空中应急通信系统 |
CN109768821A (zh) * | 2017-11-09 | 2019-05-17 | 一飞智控(天津)科技有限公司 | 基于物联网的多无人机多任务异域航行通信系统及通讯方法 |
CN108318040A (zh) * | 2018-02-06 | 2018-07-24 | 贵州电网有限责任公司 | 一种面向输电线路巡检的多旋翼航迹规划系统和方法 |
CN108762291A (zh) * | 2018-03-06 | 2018-11-06 | 西安大衡天成信息科技有限公司 | 一种发现和跟踪黑飞无人机遥控者的方法与系统 |
CN109144110A (zh) * | 2018-09-14 | 2019-01-04 | 北京领云时代科技有限公司 | 一种无人机集群目标跟踪系统 |
CN209001964U (zh) * | 2018-10-10 | 2019-06-18 | 中国南方电网有限责任公司超高压输电公司大理局 | 一种扩展通讯距离的无人机巡检系统 |
CN109039437A (zh) * | 2018-11-07 | 2018-12-18 | 北京和协导航科技有限公司 | 一种无人机区域组网系统 |
CN109597433A (zh) * | 2018-12-14 | 2019-04-09 | 桂林电子科技大学 | 一种基于复合拦截策略的无人机防控智能决策方法 |
CN110290537A (zh) * | 2019-06-23 | 2019-09-27 | 西北工业大学 | 一种基于平均场型博弈的多类型无人机移动基站部署方法 |
CN112327893A (zh) * | 2019-08-05 | 2021-02-05 | 旭日蓝天(武汉)科技有限公司 | 一种基于ai技术的无人机飞控前端人数统计系统及方法 |
CN110650432A (zh) * | 2019-10-30 | 2020-01-03 | 北京信成未来科技有限公司 | 一种基于mf-tdma的无人机测控蜂窝通信方法 |
CN111783224A (zh) * | 2020-06-22 | 2020-10-16 | 中国人民解放军军事科学院国防科技创新研究院 | 一种深度强化学习模型无人机部署试验方法和系统 |
CN113970931A (zh) * | 2020-07-22 | 2022-01-25 | 海鹰航空通用装备有限责任公司 | 一种基于多无人机的监控装置和方法 |
CN111736190A (zh) * | 2020-07-24 | 2020-10-02 | 广东电网有限责任公司 | 一种无人机机载目标检测系统及方法 |
CN111813151A (zh) * | 2020-08-26 | 2020-10-23 | 江苏威思迈智能科技有限公司 | 基于机器视觉的无人机集群控制方法 |
CN112037320A (zh) * | 2020-09-01 | 2020-12-04 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置、设备以及计算机可读存储介质 |
CN112947550A (zh) * | 2021-01-29 | 2021-06-11 | 齐鲁工业大学 | 一种基于视觉伺服的非法飞行器打击方法及机器人 |
CN112907685A (zh) * | 2021-02-05 | 2021-06-04 | 泉州装备制造研究所 | 一种点云极坐标编码方法及装置 |
CN113284170A (zh) * | 2021-05-26 | 2021-08-20 | 北京智机科技有限公司 | 一种点云快速配准方法 |
CN215447761U (zh) * | 2021-07-26 | 2022-01-07 | 青海黄河风力发电有限责任公司 | 基于风电无人机的三维建模系统 |
CN113739638A (zh) * | 2021-08-05 | 2021-12-03 | 中国人民解放军火箭军工程大学 | 一种基于群体协同信息的无人机蜂群反制方法 |
CN114091754A (zh) * | 2021-11-23 | 2022-02-25 | 北京邮电大学 | 一种多无人机移动基站协同部署及调度方法 |
CN115047912A (zh) * | 2022-07-14 | 2022-09-13 | 北京航空航天大学 | 一种基于强化学习的无人机集群自适应自重构方法及系统 |
CN114995520A (zh) * | 2022-08-03 | 2022-09-02 | 广东德九新能源有限公司 | 一种无人机协同防御控制方法、电子设备及介质 |
CN115328201A (zh) * | 2022-08-25 | 2022-11-11 | 杰能科世智能安全科技(杭州)有限公司 | 一种黑飞无人机智能抓捕装置及其智能抓捕方法 |
Non-Patent Citations (1)
Title |
---|
混合电池管理系统关键方法设计与研究;周宇航;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116185077A (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983228B (zh) | 一种基于深度神经网络的rcs近远场变换方法 | |
Cheng et al. | CNN-based mmWave path loss modeling for fixed wireless access in suburban scenarios | |
US20220210622A1 (en) | Communication system and base station | |
CN111026150A (zh) | 一种利用无人机进行输电线路地质灾害预警系统及方法 | |
CN112418245A (zh) | 基于城市环境物理模型的电磁发射点定位方法 | |
CN105607045A (zh) | 一种欺骗式干扰下组网雷达的优化布站方法 | |
CN109035665A (zh) | 一种新型森林火灾预警系统及火灾预警方法 | |
Olasupo et al. | A framework for optimizing the deployment of wireless sensor networks | |
CN110297213A (zh) | 基于装载互质线阵的无人机平台的辐射源定位装置及方法 | |
CN109188355A (zh) | 一种多点定位系统接收天线优化及最优布站方法 | |
EP3722997B1 (en) | Method and apparatus for automatic detection of antenna site conditions | |
CN116185077B (zh) | 一种黑飞无人机窄带精准打击方法 | |
CN115086607A (zh) | 一种电力施工监控系统、监控方法、计算机设备 | |
CN113536564B (zh) | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 | |
CN112714446B (zh) | 一种基于边缘智能的协作入侵感知方法 | |
CN113391267A (zh) | 一种基于atdoa算法的频谱检测系统定位方法 | |
CN113453150A (zh) | 一种基于rssi测距的火灾监测网络定位方法 | |
CN114697165B (zh) | 基于无人机视觉和无线信号融合的信号源检测方法 | |
CN112182062B (zh) | 一种多目标雷达组网测量数据匹配与编目方法 | |
CN111239682B (zh) | 一种电磁发射源定位系统及方法 | |
CN113438596A (zh) | 一种面向北斗与5g融合的毫米波低时延波束赋形方法 | |
De Groot et al. | Remote transmitter tracking with raytraced fingerprint database | |
Al Saadi et al. | Ground Level Mobile Signal Prediction Using Higher Altitude UAV Measurements and ANN | |
CN117119471B (zh) | 一种在多用户位置未知环境下的中继无人机部署方法 | |
Box et al. | Comparison of signalized junction control strategies using individual vehicle position data |
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 |