CN116300474B - 一种无人机编队性能评估方法 - Google Patents
一种无人机编队性能评估方法 Download PDFInfo
- Publication number
- CN116300474B CN116300474B CN202310522112.2A CN202310522112A CN116300474B CN 116300474 B CN116300474 B CN 116300474B CN 202310522112 A CN202310522112 A CN 202310522112A CN 116300474 B CN116300474 B CN 116300474B
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- value
- preset
- follower
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 80
- 238000011156 evaluation Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000013210 evaluation model Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004891 communication Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 23
- 230000004913 activation Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000002243 precursor Substances 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 10
- 238000005457 optimization Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人机编队性能评估方法，该编队包括领导者无人机和个跟随者无人机，方法包括：获取t时刻领导者无人机和跟随者无人机的拓扑值、领导者无人机的第一状态值、领导者无人机的外部干扰值和每个跟随者无人机的邻居无人机的观测值；拓扑值表征该编队t时刻的通信拓扑；对于每个跟随者无人机，根据拓扑值、第一状态值、邻居无人机的观测值和预设状态参数，确定t时刻跟随者无人机的观测值；根据第一状态值、t时刻跟随者无人机的观测值、预设矩阵和外部干扰值，确定t时刻跟随者无人机的调节输出；根据调节输出得到t时刻个跟随者无人机与领导者无人机之间的跟踪误差，将跟踪误差输入性能评估模型，得到t时刻该编队的性能评估结果。
Description
技术领域
本发明属于无人机通信技术领域，具体涉及一种无人机编队性能评估方法。
背景技术
无人机编队作为一类现代分布式系统，凭借其出色的协同能力，被广泛应用于军事行动中，而无人机编队的协同控制也成为无人机领域的热点之一。然而，在大多数情况下，由于周围环境态势复杂多变，部件故障、坠毁等突发事件的发生在所难免，对无人机编队飞行安全构成极大威胁。因此，通过设计合适的容错协同控制策略（Fault-tolerantcooperative control，FTCC）来提高无人机编队面对各种事故的适应能力具有重要的现实意义。
领导者-跟随者结构凭借其简单的特点，在无人机编队控制中得到了广泛的应用。然而，这种结构的控制效果过度依赖于领导者的稳定性和通信链路的完整性，这使得它容易受到外部干扰和通信故障的影响。鉴于此，为了从鲁棒性方面改进传统的领导者-跟随者无人机编队控制方法，提出了一种在故障后阶段重新构建无人机编队的新方案，主要考虑两种情况：1）跟随者无人机意外脱离编队。在这种情况下，需要设计合适的控制策略，对无人机编队进行调整和维护。2）领导者无人机意外脱离编队。与前者不同的是，在进行队形调整和保持之前，需要从跟随者无人机中选出一架作为领导者。对于第二种场景下的领导者无人机选举环节，解决方案之一就是建立基于人工智能技术的性能评估模型。通过建立的性能评估模型，跟随者无人机得到各自的性能评估结果，结果最优的跟随者无人机被任命为新的领导者。虽然迄今为止在性能评估方面已经积累了诸多成果，但应用于无人机编队的内容还很少。
发明内容
为了解决相关技术中存在的上述问题，本发明提供了一种无人机编队性能评估方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供一种无人机编队性能评估方法，所述无人机编队包括一个领导者无人机和个跟随者无人机，所述方法包括：
获取t时刻所述领导者无人机和每个跟随者无人机的拓扑值、所述领导者无人机的第一状态值、所述领导者无人机的外部干扰值，以及每个跟随者无人机的邻居无人机的观测值；所述拓扑值表征所述无人机编队t时刻的通信拓扑；为大于1的整数；t表示所述无人机编队飞行过程中的任意时刻；
对于每个跟随者无人机，根据所述拓扑值、所述第一状态值、所述邻居无人机的观测值和预设状态参数，确定t时刻所述跟随者无人机的观测值；
根据所述第一状态值、t时刻所述跟随者无人机的观测值、预设矩阵和所述外部干扰值，确定t时刻所述跟随者无人机的调节输出；
根据所述个跟随者无人机的调节输出，得到t时刻所述/>个跟随者无人机与所述领导者无人机之间的第一误差和第二误差；
将所述第一误差和所述第二误差输入性能评估模型，得到t时刻所述无人机编队的性能评估结果；所述性能评估模型根据置信规则库确定。
在一些实施例中，所述预设矩阵包括：预设增益矩阵、第一预设常数矩阵和第二预设常数矩阵；
所述根据所述第一状态值、t时刻所述跟随者无人机的观测值、预设矩阵和所述外部干扰值，确定t时刻所述跟随者无人机的调节输出，包括：
根据所述第一状态值、t时刻所述跟随者无人机的观测值、所述预设增益矩阵、所述第一预设常数矩阵和所述外部干扰值，分别确定t时刻所述跟随者无人机的第二状态值、t时刻所述跟随者无人机的控制输入；
根据所述第二状态值、所述控制输入、所述第一状态值和所述第二预设常数矩阵，确定t时刻所述跟随者无人机的调节输出。
在一些实施例中，t时刻所述跟随者无人机的控制输入、t时刻所述跟随者无人机的第二状态值分别通过下述公式表示：
；
；
其中，为所述跟随者无人机，/>，/>为t时刻所述跟随者无人机/>的控制输入，/>为t时刻所述跟随者无人机/>的第二状态值，/>为/>的一阶导数，/>为t时刻所述跟随者无人机/>的观测值，/>为所述第一状态值，/>和/>为所述跟随者无人机/>对应的所述预设增益矩阵，/>为所述外部干扰值，/>、/>和/>为所述跟随者无人机/>对应的所述第一预设常数矩阵。
在一些实施例中，t时刻所述跟随者无人机的调节输出通过下述公式表示：
；
其中，为所述跟随者无人机，/>，/>为t时刻所述跟随者无人机/>的调节输出，/>为t时刻所述跟随者无人机/>的控制输入，/>为t时刻所述跟随者无人机的第二状态值，/>为所述第一状态值，/>、/>和/>为所述跟随者无人机/>对应的所述第二预设常数矩阵。
在一些实施例中，t时刻所述跟随者无人机的观测值通过以下公式表示：
；
；
其中，为所述跟随者无人机，/>，/>为t时刻所述跟随者无人机的观测值，/>为/>的一阶导数，/>为所述跟随者无人机/>的所有邻居无人机构成的集合，为t时刻跟随者无人机/>的观测值，/>为t时刻所述跟随者无人机/>的拓扑值，为t时刻所述领导者无人机的拓扑值，/>和/>为所述预设状态参数。
在一些实施例中，每个跟随者无人机的调节输出包括：第一维度的调节输出和第二维度的调节输出；所述根据所述个跟随者无人机的调节输出，得到t时刻所述/>个跟随者无人机与所述领导者无人机之间的第一误差和第二误差，包括：
确定所述个跟随者无人机的第一维度的调节输出的绝对值的平均值，作为所述第一误差；
确定所述个跟随者无人机的第二维度的调节输出的绝对值的平均值，作为所述第二误差。
在一些实施例中，所述性能评估模型具有第一预设前件属性参考值集合、第二预设前件属性参考值集合、预设规则权重集合、预设前件属性权重集合、预设性能等级集合和预设置信度集合；所述将所述第一误差和所述第二误差输入性能评估模型，得到t时刻所述无人机编队的性能评估结果，包括：
将所述第一误差和所述第二误差输入所述性能评估模型后，所述性能评估模型根据所述第一预设前件属性参考值集合和所述第一误差，确定第一置信值集合，以及根据所述第二预设前件属性参考值集合和所述第二误差，确定第二置信值集合；
根据所述第一置信值集合、所述第二置信值集合、预设列向量和所述预设前件属性权重集合，确定规则匹配度矩阵；
根据所述规则匹配度矩阵和所述预设规则权重集合，确定激活权重集合；
根据所述激活权重集合、所述预设置信度集合和所述预设性能等级集合，确定输出值并作为t时刻所述无人机编队的性能评估结果。
在一些实施例中，所述将所述第一误差和所述第二误差输入所述性能评估模型后，所述性能评估模型根据所述第一预设前件属性参考值集合和所述第一误差，确定第一置信值集合，以及根据所述第二预设前件属性参考值集合和所述第二误差，确定第二置信值集合，包括：
将所述第一误差和所述第二误差输入所述性能评估模型后，所述性能评估模型生成第一初始置信值集合和第二初始置信值集合；所述第一初始置信值集合和所述第二初始置信值集合中的元素均为0，并且，所述第一初始置信值集合中的元素与所述第一预设前件属性参考值集合中的元素一一对应，所述第二初始置信值集合中的元素与所述第二预设前件属性参考值集合中的元素一一对应；
从所述第一预设前件属性参考值集合中，筛选出与所述第一误差最接近的两个参考值分别作为第一参考值和第二参考值，以及从所述第二预设前件属性参考值集合中，筛选出与所述第二误差最接近的两个参考值分别作为第三参考值和第四参考值；
根据所述第一误差、所述第一参考值和所述第二参考值，分别确定第一置信值和第二置信值，以及根据所述第二误差、所述第三参考值和所述第四参考值，分别确定第三置信值和第四置信值；
将所述第一初始置信值集合中与所述第一参考值对应的元素更新为所述第一置信值，以及将所述第一初始置信值集合中与所述第二参考值对应的元素更新为所述第二置信值，得到所述第一置信值集合；
将所述第二初始置信值集合中与所述第三参考值对应的元素更新为所述第三置信值，以及将所述第二初始置信值集合中与所述第四参考值对应的元素更新为所述第四置信值，得到所述第二置信值集合。
在一些实施例中，所述根据所述第一置信值集合、所述第二置信值集合、预设列向量和所述预设前件属性权重集合，确定规则匹配度矩阵，包括：
根据所述第一置信值集合、所述第二置信值集合和预设列向量，确定第一前件属性匹配度矩阵和第二前件属性匹配度矩阵；
根据所述第一前件属性匹配度矩阵、所述第二前件属性匹配度矩阵和所述预设前件属性权重集合，确定所述规则匹配度矩阵。
在一些实施例中，所述预设性能等级集合包括多个性能等级；所述根据所述激活权重集合、所述预设置信度集合和所述预设性能等级集合，确定输出值并作为t时刻所述无人机编队的性能评估结果，包括：
根据所述激活权重集合和所述预设置信度集合，确定多个融合置信度；每个融合置信度与所述预设性能等级集合中的一个性能等级一一对应；
计算每个性能等级与对应的融合置信度之间的乘积值，得到每个性能等级对应的乘积值；
将所述多个性能等级对应的乘积值的总和，作为所述输出值，并将所述输出值作为t时刻所述无人机编队的性能评估结果。
本发明具有如下有益技术效果：
本发明提供的无人机编队性能评估方法，可以在不可预测的外部干扰存在的情况下，准确评估具有切换通信拓扑的领导者-跟随者无人机编队的性能。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1为本发明实施例提供的无人机编队性能评估方法的一个流程图；
图2为本发明实施例提供的示例性的无人机编队切换通信拓扑的示意图；
图3为本发明实施例提供的示例性的在无干扰情况下无人机编队的轨迹示意图；
图4为本发明实施例提供的示例性的在无干扰情况下无人机编队中各个无人机在x轴方向的线速度的示意图；
图5为本发明实施例提供的示例性的在无干扰情况下无人机编队中各个无人机在y轴方向的线速度的示意图；
图6为本发明实施例提供的示例性的在无干扰情况下无人机编队中各个无人机在x轴方向的跟踪误差的示意图；
图7为本发明实施例提供的示例性的在无干扰情况下无人机编队中各个无人机在y轴方向的跟踪误差的示意图；
图8为本发明实施例提供的示例性的在存在外部干扰情况下无人机编队的轨迹示意图；
图9为本发明实施例提供的示例性的在存在外部干扰情况下无人机编队中各个无人机在x轴方向的跟踪误差的示意图；
图10为本发明实施例提供的示例性的在存在外部干扰情况下无人机编队中各个无人机在y轴方向的跟踪误差的示意图；
图11为本发明实施例提供的示例性的BRB性能评估模型的预测准确率的示意图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
本发明中，假设无人机编队由一架领导者无人机和架跟随者无人机组成，/>为大于1的整数，编队受限于切换通信拓扑和不可预测的外部扰动，并且，假设无人机编队飞行于水平面。为了建立无人机编队的运动学模型参考了公式（1）所示的平面移动机器人的运动方程：/>（1）；其中，/>为/>的一阶导数，/>表示第/>架跟随者无人机（即跟随者无人机/>）t时刻的x坐标，/>为/>的一阶导数，/>表示第/>架跟随者无人机t时刻的y坐标，/>和/>同理；/>，/>，/>、/>分别表示第/>架跟随者无人机t时刻沿x轴和y轴的速度向量，/>，/>、/>分别表示第/>架跟随者无人机t时刻沿x轴和y轴的加速度向量，/>为转置符号。
本发明实施例中，领导者无人机运动学模型可以描述为公式（2）：（2）；其中，/>为领导者无人机t时刻的第一状态值，并且，/>，/>为/>维向量空间，为领导者无人机的第一状态值的个数，/>为/>的一阶导数；/>为预设状态矩阵，并且，，/>为/>维向量空间，/>，/>，/>表示领导者无人机的外部干扰值（例如，可以为不同程度的阵风干扰），/>表示外部干扰值具有/>个等级，/>为大于1的整数，并且，/>越大，则表示领导者无人机的外部干扰越强，并且，/>表示无干扰。令表示领导者无人机的运动轨迹，其中，/>表示无人机编队的期望线速度，而/>表示领导者无人机的初始笛卡尔坐标。接着，用表示第/>架跟随者无人机与领导者无人机的期望相对位置。则对于上述公式（2），如果/>，可以得到/>，/>为一个预设的单位矩阵，/>为一个矩阵。然后，可以将第/>架跟随者无人机的位置追踪误差（即第/>架跟随者无人机的调节输出）定义为公式（3）：（3）；其中，/>表示t时刻第/>架跟随者无人机的笛卡尔坐标（位置坐标），/>为第/>架跟随者无人机t时刻的调节输出中的x轴方向的输出，/>为第/>架跟随者无人机t时刻的调节输出中的y轴方向的输出；之后，令，于是，第/>架跟随者无人机的运动学模型可以描述为公式（4）：/>（4）；其中，为t时刻跟随者无人机/>的控制输入，/>为t时刻跟随者无人机/>的第二状态值（例如，具体可以是t时刻无人机i在x轴、y轴方向的速度、坐标、相对于领导者无人机的期望距离构成的状态向量），/>为/>的一阶导数，/>、/>和/>为跟随者无人机/>对应的第一预设常数矩阵，/>、/>和/>为跟随者无人机/>对应的第二预设常数矩阵。/>，/>，，/>为/>维向量空间，/>为/>维向量空间，/>为跟随者无人机/>的控制输入的个数，/>为跟随者无人机/>的调节输出的个数。
示例性的，跟随者无人机的控制输入表示跟随者无人机/>在x轴方向的加速度向量和y轴方向的加速度向量。领导者无人机t时刻的第一状态值/>表示领导者无人机在t时刻向跟随者无人机/>发送的信号。
本发明实施例中，无人机编队的保持过程可以基于分布式动态状态反馈实现，其中，跟随者无人机的控制输入可以通过公式（5）表示：/>（5）；其中，/>和/>为跟随者无人机/>对应的预设增益矩阵，/>为t时刻跟随者无人机/>的观测值（例如，可以为t时刻无人机i在x轴、y轴方向的速度、坐标、相对于领导者无人机的期望距离构成的状态向量的观测值）。/>的计算公式如公式（6）：（6）；/>为/>的一阶导数，/>为跟随者无人机/>的所有邻居无人机构成的集合，/>为t时刻跟随者无人机/>的观测值，为t时刻跟随者无人机/>的拓扑值，/>为t时刻领导者无人机的拓扑值，/>和/>均为预设状态参数，/>具体为预设状态矩阵。
图1是本发明实施例提供的无人机编队性能评估方法的一个流程图，并且，该无人机编队包括一个领导者无人机和个跟随者无人机，如图1所示，所述方法包括以下步骤：
S101、获取t时刻领导者无人机和每个跟随者无人机的拓扑值、领导者无人机的第一状态值、领导者无人机的外部干扰值，以及每个跟随者无人机的邻居无人机的观测值；拓扑值表征无人机编队t时刻的通信拓扑；t表示无人机编队飞行过程中的任意时刻。
这里，可以获取、/>、/>、/>和/>。
这里，当无人机编队的通信拓扑恒定时，在无人机编队飞行过程中的各个时刻时，领导者无人机和每个跟随者无人机的拓扑值均恒定；当无人机编队的通信拓扑变化时，在无人机编队飞行过程中的各个时刻时，领导者无人机和每个跟随者无人机的拓扑值会发生变化。
S102、对于每个跟随者无人机，根据拓扑值、第一状态值、邻居无人机的观测值和预设状态参数，确定t时刻跟随者无人机的观测值。
这里，对于跟随者无人机，可以将获取的/>、/>、/>和/>代入上述公式（6）中，计算得到跟随者无人机/>的t时刻的观测值/>。
S103、根据第一状态值、t时刻跟随者无人机的观测值、预设矩阵和外部干扰值，确定t时刻跟随者无人机的调节输出。
这里，可以将获取的和/>，以及/>、/>、/>、/>、/>和/>代入上述公式（4）中，计算得到t时刻跟随者无人机/>的调节输出/>。具体的，/>表示t时刻跟随者无人机/>相对于领导者无人机的位置追踪误差。
S104、根据个跟随者无人机的调节输出，得到t时刻/>个跟随者无人机与领导者无人机之间的第一误差和第二误差。
这里，可以确定个跟随者无人机的第一维度的调节输出的绝对值的平均值，作为第一误差；确定/>个跟随者无人机的第二维度的调节输出的绝对值的平均值，作为第二误差。
示例性的，第一误差的计算公式如公式（7-1），第二误差/>的计算公式如公式（7-2）：
（7-1）；
（7-2）；
其中，为跟随者无人机/>的t时刻的调节输出中的第一维度（x轴方向）的输出，/>为跟随者无人机/>的t时刻的调节输出中的第二维度（y轴方向）的输出，/>为取绝对值。
S105、将第一误差和第二误差输入性能评估模型，得到t时刻无人机编队的性能评估结果；性能评估模型根据置信规则库确定。
这里，性能评估模型为（belief rule base，BRB）置信规则库性能评估模型，该模型具有第一预设前件属性参考值集合、第二预设前件属性参考值集合、预设规则权重集合/>、预设前件属性权重集合/>、预设性能等级集合/>和预设置信度集合/>，/>，/>，/>为大于1的整数。这些集合用于构成/>（/>为大于1的整数）条置信规则，其中，第/>（/>）条置信规则可以定义为：“If /> is /> is />,Then/>,With rule weight/>, antecedent weights/>.”。/>为第一误差，/>为第二误差，，/>为第/>条置信规则中第/>个前件属性的参考值；第一预设前件属性参考值集合/>和第二预设前件属性参考值集合/>内的元素的值依次递减或递增，且。/>为第/>条置信规则中第/>个性能等级/>的置信度，，/>为大于1的整数，并且，/>。/>，/>。
在一些实施例中，上述S105可以通过以下步骤实现：
S1051、将第一误差和第二误差输入性能评估模型后，性能评估模型根据第一预设前件属性参考值集合和第一误差，确定第一置信值集合，以及根据第二预设前件属性参考值集合和第二误差，确定第二置信值集合。
具体的，将第一误差和第二误差/>输入性能评估模型后，性能评估模型生成第一初始置信值集合/>和第二初始置信值集合/>；第一初始置信值集合/>和第二初始置信值集合/>中的元素均为0，并且，第一初始置信值集合中的元素与第一预设前件属性参考值集合/>中的元素一一对应，第二初始置信值集合中的元素与第二预设前件属性参考值集合/>中的元素一一对应。例如，/>中的元素与/>中的元素，以及/>中的元素与/>中的元素可以构成公式（8）所示的置信分布的形式：（8），其中，/>。接着，从/>中筛选出与/>最接近的两个参考值/>和/>，/>，并分别作为第一参考值/>和第二参考值/>，以及从/>中筛选出与第二误差/>最接近的两个参考值/>和/>，/>，并分别作为第三参考值/>和第四参考值/>。之后，根据公式（9-1）计算第一置信值和第三置信值，根据公式（9-2）计算第二置信值和第四置信值。公式（9-1）为：/>（9-1），其中，/>，/>，/>，则第一置信值为/>，第三置信值为。公式（9-2）为：/>（9-2），则第二置信值为/>，第四置信值为/>。接着，可以将/>中与第一参考值/>对应的元素更新为第一置信值/>，以及将/>中与第二参考值/>对应的元素更新为第二置信值/>，从而得到第一置信值集合/>。同时，将/>中与第三参考值/>对应的元素更新为第三置信值/>，以及将/>中与第四参考值/>对应的元素更新为第四置信值/>，从而得到第二置信值集合/>。
S1052、根据第一置信值集合、第二置信值集合、预设列向量和预设前件属性权重集合，确定规则匹配度矩阵。
这里，可以根据第一置信值集合、第二置信值集合/>和预设列向量/>、/>，确定第一前件属性匹配度矩阵/>和第二前件属性匹配度矩阵/>；根据第一前件属性匹配度矩阵/>、第二前件属性匹配度矩阵/>和预设前件属性权重集合/>，确定规则匹配度矩阵/>。/>为元素全为1的列向量，并且，/>，/>，/>为维向量空间。
具体的，可以先根据预设前件属性权重集合计算出/>，之后，根据、第一前件属性匹配度矩阵/>和第二前件属性匹配度矩阵/>，分别计算和/>，再根据/>和/>计算得到规则匹配度矩阵/>。
具体的，和/>的计算公式为：
（10）；其中，/>是第一置信值集合/>构成的列向量，/>是第二置信值集合/>构成的列向量，/>表示矩阵的Kronecker积；/>和/>构成前件属性匹配度矩阵/>，，/>为/>维向量空间。
具体的，的计算公式为：/>（11-1），/>。
具体的，和/>的计算公式为：
（11-2）。
具体的，的计算公式为：/>（12），其中，/>表示矩阵的Hadamard积。
S1053、根据规则匹配度矩阵和预设规则权重集合，确定激活权重集合。
这里，激活权重集合为，第/>条置信规则对应的激活权重为，/>，/>的计算公式为：/>（13）。
S1054、根据激活权重集合、预设置信度集合和预设性能等级集合，确定输出值并作为t时刻无人机编队的性能评估结果。
这里，可以根据激活权重集合和预设置信度集合/>，确定多个融合置信度/>；每个融合置信度与预设性能等级集合/>中的一个性能等级一一对应；之后，计算每个性能等级与对应的融合置信度之间的乘积值，得到每个性能等级对应的乘积值，将多个性能等级对应的乘积值的总和作为输出值，并将输出值作为t时刻无人机编队的性能评估结果/>。
具体的，第个性能等级/>对应的融合置信度/>的计算公式为：/>
（14）。
这里，得到第个性能等级/>对应的融合置信度/>后，则第/>个性能等级/>与对应的融合置信度/>便构成了如下的性能等级置信分布：/>。
通过上述公式（14），实现了通过证据推理（Evidential reasoning,ER）解析算法将每条置信规则中原有的参数与该条置信规则的激活权重的融合。
具体的，的计算公式如下：/>（15），其中，为性能评估模型，/>为第/>个性能等级/>对应的乘积值。
在一些实施例中，在上述S105之前，还可以包括以下步骤：
S201、获取多条样本数据；每条样本数据包括：第一样本误差、第二样本误差和样本评估结果。
具体的，获取的多条样本数据可以表示为：（16），其中，表示样本规模，/>为一条样本数据，/>为第一样本误差，/>为第二样本误差，/>为样本评估结果。
S202、获取初始性能评估模型；初始性能评估模型具有初始参数，初始参数包括：初始置信度集合、初始规则权重集合/>和初始前件属性权重集合/>。
S202、采用获取的多条样本数据，对初始性能评估模型的、和/>进行优化，得到性能评估模型，该性能评估模型具有、/>和/>；并且，/>、/>和/>是优化后的参数。
具体的，对于初始性能评估模型，待优化的参数则可以定义为：，从而，初始性能评估模型的优化问题可以表示为：/>（17），其中，目标函数可以表述为：，其中，/>为性能评估模型针对输入的/>和/>的输出，/>为第/>条样本数据在t时刻对应的第一误差，/>为第/>条样本数据在t时刻对应的第二误差。公式（17）所示的优化问题可以被归结为多约束条件下的单目标连续优化问题，可以根据公式（17）并借助MATLAB中的fmincon函数进行求解，最终得到优化后的参数。
本发明着力解决未知外部扰动环境下具有切换通信拓扑结构的领导者-跟随者无人机编队性能评估问题。首先，根据跟随者无人机的调节输出设计了两个时变关键指标。然后，借助置信规则库构建了可优化的无人机编队性能评估模型，并以两个时变关键指标作为模型输入，以评估效用值作为模型的最终输出。可以实现在不可预测的外部干扰存在的情况下，准确评估具有切换通信拓扑的领导者-跟随者无人机编队的性能。
以下通过仿真实验数据，对本发明的技术效果进行进一步说明。
步骤一：领导者-跟随者无人机编队样本数据采集；
假设，/>。令预设状态矩阵/>，并令/>，，/>，/>，/>，/>，其中，/>。令无人机编队的切换通信拓扑如图2所示，该通信拓扑受到如下分段常量切换信号/>的控制，图2中，/>、/>、/>和/>为/>这四个连续时刻一一对应的无人机编队的通信拓扑，其中，“0”表示领导者无人机，“1”、“2”、“3”、“4”分别代表4个跟随者无人机。分段常量切换信号/>可以表示为：/>（18），其中，/>，/>为/>的周期编号，并且，/>从0开始。令/>，/>，，/>。以及，令初始值配置如下：/>，4个跟随者无人机与领导者无人机之间的期望相对位置分别为：/>，/>，，/>，4个跟随者无人机的初始位置分别为：/>，，/>，/>。
在时，/>，即不考虑未知外部扰动时，无人机编队的运动轨迹、x轴方向的线速度、y轴方向的线速度，以及领导者无人机和4个跟随者无人机的在x轴方向的跟踪误差和在y轴方向的跟踪误差，分别如图3、图4、图5、图6和图7所示。图4中的/>为t时刻领导者无人机在x轴方向的跟踪误差，/>为t时刻第1个跟踪者无人机在x轴方向的跟踪误差，/>为t时刻第2个跟踪者无人机在x轴方向的跟踪误差，图4中的/>、/>，以及图5、图6和图7中的符号同理，在此不作多余解释。接着，通过在/>下进行仿真，可以获取到一组满足（16）所示的格式的样本数据，其中，将/>的线性映射作为样本评估结果。如图8、图9和图10所示，领导者-跟随者无人机编队的性能确实会受到外部干扰的影响，其中，图9和图10中的符号与图6和图7中的符合表示相同的含义，在此不作多余解释。
步骤二：基于BRB的性能评估
通过分析领导者-跟随者无人机编队在不同强度的未知外部扰动下所获取的样本数据的前两个字段，令第一预设前件属性参考值集合和第二预设前件属性参考值集合为：（19）。接着，令预设性能等级集合为：（20）。将BRB模型的初始参数设置为（21）。由此，领导者-跟随者无人机编队的初始BRB性能评估模型建立完毕。接着，使用fmincon函数和/>条样本数据对初始参数进行优化。借助优化后的参数进行了40轮测试并以预测准确率作为模型评价指标。在每轮测试中，从样本数据中随机抽取800条样本数据。测试结果如图11所示，其中，预测准确率最高达98.00%，最低为95.00%，平均为96.40%。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (8)
1.一种无人机编队性能评估方法，其特征在于，所述无人机编队包括一个领导者无人机和N个跟随者无人机，所述方法包括：
获取t时刻所述领导者无人机和每个跟随者无人机的拓扑值、所述领导者无人机的第一状态值、所述领导者无人机的外部干扰值，以及每个跟随者无人机的邻居无人机的观测值；所述拓扑值表征所述无人机编队t时刻的通信拓扑；N为大于1的整数；t表示所述无人机编队飞行过程中的任意时刻；
对于每个跟随者无人机，根据所述拓扑值、所述第一状态值、所述邻居无人机的观测值和预设状态参数，确定t时刻所述跟随者无人机的观测值；
根据所述第一状态值、t时刻所述跟随者无人机的观测值、预设矩阵和所述外部干扰值，确定t时刻所述跟随者无人机的调节输出；每个跟随者无人机的调节输出包括：第一维度的调节输出和第二维度的调节输出；
确定所述N个跟随者无人机的第一维度的调节输出的绝对值的平均值，作为第一误差；第一误差I1(t)的计算公式为：exi(t)为跟随者无人机i的t时刻的调节输出中的第一维度的输出；
确定所述N个跟随者无人机的第二维度的调节输出的绝对值的平均值，作为第二误差；第二误差I2(t)的计算公式为：eyi(t)为跟随者无人机i的t时刻的调节输出中的第二维度的输出，|.|为取绝对值；
将所述第一误差和所述第二误差输入性能评估模型后，所述性能评估模型根据第一预设前件属性参考值集合和所述第一误差，确定第一置信值集合，以及根据第二预设前件属性参考值集合和所述第二误差，确定第二置信值集合；所述性能评估模型具有所述第一预设前件属性参考值集合、所述第二预设前件属性参考值集合、预设规则权重集合、预设前件属性权重集合、预设性能等级集合和预设置信度集合；所述第一预设前件属性参考值集合包括多个数值依次递增或递减的预设参考值，所述第一预设前件属性参考值集合内的最大预设参考值大于或等于所述第一误差I1(t)，且所述第一预设前件属性参考值集合内的最小预设参考值小于或等于所述第一误差I1(t)；所述第二预设前件属性参考值集合内包括多个数值依次递增或递减的预设参考值，所述第二预设前件属性参考值集合内的最大预设参考值大于或等于所述第二误差I2(t)，且所述第二预设前件属性参考值集合内的最小预设参考值小于或等于所述第二误差I2(t)；
根据所述第一置信值集合、所述第二置信值集合、预设列向量和所述预设前件属性权重集合，确定规则匹配度矩阵；
根据所述规则匹配度矩阵和所述预设规则权重集合，确定激活权重集合；
根据所述激活权重集合、所述预设置信度集合和所述预设性能等级集合，确定输出值并作为t时刻所述无人机编队的性能评估结果。
2.根据权利要求1所述的无人机编队性能评估方法，其特征在于，所述预设矩阵包括：预设增益矩阵、第一预设常数矩阵和第二预设常数矩阵；
所述根据所述第一状态值、t时刻所述跟随者无人机的观测值、预设矩阵和所述外部干扰值，确定t时刻所述跟随者无人机的调节输出，包括：
根据所述第一状态值、t时刻所述跟随者无人机的观测值、所述预设增益矩阵、所述第一预设常数矩阵和所述外部干扰值，分别确定t时刻所述跟随者无人机的第二状态值、t时刻所述跟随者无人机的控制输入；
根据所述第二状态值、所述控制输入、所述第一状态值和所述第二预设常数矩阵，确定t时刻所述跟随者无人机的调节输出。
3.根据权利要求2所述的无人机编队性能评估方法，其特征在于，t时刻所述跟随者无人机的控制输入、t时刻所述跟随者无人机的第二状态值分别通过下述公式表示：
其中，i为所述跟随者无人机，i＝1,2,...,N，为t时刻所述跟随者无人机i的控制输入，ri(t)为t时刻所述跟随者无人机i的第二状态值，/>为ri(t)的一阶导数，ηi(t)为t时刻所述跟随者无人机i的观测值，v(t)为所述第一状态值，K1i和K2i为所述跟随者无人机i对应的所述预设增益矩阵，φp'为所述外部干扰值，Wi、Bi和Ei为所述跟随者无人机i对应的所述第一预设常数矩阵。
4.根据权利要求2所述的无人机编队性能评估方法，其特征在于，t时刻所述跟随者无人机的调节输出通过下述公式表示：
其中，i为所述跟随者无人机，i＝1,2,...,N，ei(t)为t时刻所述跟随者无人机i的调节输出，为t时刻所述跟随者无人机i的控制输入，ri(t)为t时刻所述跟随者无人机i的第二状态值，v(t)为所述第一状态值，Ci、Di和Fi为所述跟随者无人机i对应的所述第二预设常数矩阵。
5.根据权利要求1所述的无人机编队性能评估方法，其特征在于，t时刻所述跟随者无人机的观测值通过以下公式表示：
其中，i为所述跟随者无人机，i＝1,2,...,N，ηi(t)为t时刻所述跟随者无人机的观测值，为ηi(t)的一阶导数，/>为所述跟随者无人机i的所有邻居无人机构成的集合，ηj(t)为t时刻跟随者无人机j的观测值，aij(t)为t时刻所述跟随者无人机i的拓扑值，ai0(t)为t时刻所述领导者无人机的拓扑值，S和μ为所述预设状态参数。
6.根据权利要求1所述的无人机编队性能评估方法，其特征在于，所述将所述第一误差和所述第二误差输入性能评估模型后，所述性能评估模型根据第一预设前件属性参考值集合和所述第一误差，确定第一置信值集合，以及根据第二预设前件属性参考值集合和所述第二误差，确定第二置信值集合，包括：
将所述第一误差和所述第二误差输入所述性能评估模型后，所述性能评估模型生成第一初始置信值集合和第二初始置信值集合；所述第一初始置信值集合和所述第二初始置信值集合中的元素均为0，并且，所述第一初始置信值集合中的元素与所述第一预设前件属性参考值集合中的元素一一对应，所述第二初始置信值集合中的元素与所述第二预设前件属性参考值集合中的元素一一对应；
从所述第一预设前件属性参考值集合中，筛选出与所述第一误差最接近的两个参考值分别作为第一参考值和第二参考值，以及从所述第二预设前件属性参考值集合中，筛选出与所述第二误差最接近的两个参考值分别作为第三参考值和第四参考值；
根据所述第一误差、所述第一参考值和所述第二参考值，分别确定第一置信值和第二置信值，以及根据所述第二误差、所述第三参考值和所述第四参考值，分别确定第三置信值和第四置信值；
将所述第一初始置信值集合中与所述第一参考值对应的元素更新为所述第一置信值，以及将所述第一初始置信值集合中与所述第二参考值对应的元素更新为所述第二置信值，得到所述第一置信值集合；
将所述第二初始置信值集合中与所述第三参考值对应的元素更新为所述第三置信值，以及将所述第二初始置信值集合中与所述第四参考值对应的元素更新为所述第四置信值，得到所述第二置信值集合。
7.根据权利要求1所述的无人机编队性能评估方法，其特征在于，所述根据所述第一置信值集合、所述第二置信值集合、预设列向量和所述预设前件属性权重集合，确定规则匹配度矩阵，包括：
根据所述第一置信值集合、所述第二置信值集合和预设列向量，确定第一前件属性匹配度矩阵和第二前件属性匹配度矩阵；
根据所述第一前件属性匹配度矩阵、所述第二前件属性匹配度矩阵和所述预设前件属性权重集合，确定所述规则匹配度矩阵。
8.根据权利要求1所述的无人机编队性能评估方法，其特征在于，所述预设性能等级集合包括多个性能等级；所述根据所述激活权重集合、所述预设置信度集合和所述预设性能等级集合，确定输出值并作为t时刻所述无人机编队的性能评估结果，包括：
根据所述激活权重集合和所述预设置信度集合，确定多个融合置信度；每个融合置信度与所述预设性能等级集合中的一个性能等级一一对应；
计算每个性能等级与对应的融合置信度之间的乘积值，得到每个性能等级对应的乘积值；
将所述多个性能等级对应的乘积值的总和，作为所述输出值，并将所述输出值作为t时刻所述无人机编队的性能评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522112.2A CN116300474B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机编队性能评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310522112.2A CN116300474B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机编队性能评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116300474A CN116300474A (zh) | 2023-06-23 |
| CN116300474B true CN116300474B (zh) | 2023-08-22 |
Family
ID=86798058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310522112.2A Active CN116300474B (zh) | 2023-05-10 | 2023-05-10 | 一种无人机编队性能评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116300474B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983825A (zh) * | 2018-09-30 | 2018-12-11 | 北京航空航天大学 | 一种无人机时变编队的跟踪方法及系统 |
| CN111443715A (zh) * | 2020-04-22 | 2020-07-24 | 北京航空航天大学 | 一种集群系统编队-合围控制方法及系统 |
| CN111552314A (zh) * | 2020-05-09 | 2020-08-18 | 北京航空航天大学 | 多无人机自适应编队跟踪控制方法 |
| CN112904723A (zh) * | 2021-01-19 | 2021-06-04 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
| CN113268083A (zh) * | 2021-06-07 | 2021-08-17 | 山东大学 | 基于动态事件触发的多无人机系统编队跟踪控制方法 |
| CN114020042A (zh) * | 2021-12-14 | 2022-02-08 | 北京航空航天大学 | 一种异构无人集群编队合围跟踪控制方法及系统 |
| CN114594784A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 基于神经网络的固定翼无人机编队有限时间容错控制方法 |
| CN115729267A (zh) * | 2022-12-01 | 2023-03-03 | 南京邮电大学 | 一种基于有向拓扑和数据包丢失补偿机制的无人机编队分布式协同跟踪控制方法 |
| CN115981143A (zh) * | 2022-10-25 | 2023-04-18 | 华东交通大学 | 一种多智能体系统领导跟随实用二分一致性控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102573312B1 (ko) * | 2021-08-30 | 2023-09-01 | 광주과학기술원 | 무인 비행체 편대 제어 시스템 및 그 방법 |
-
2023
- 2023-05-10 CN CN202310522112.2A patent/CN116300474B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983825A (zh) * | 2018-09-30 | 2018-12-11 | 北京航空航天大学 | 一种无人机时变编队的跟踪方法及系统 |
| CN111443715A (zh) * | 2020-04-22 | 2020-07-24 | 北京航空航天大学 | 一种集群系统编队-合围控制方法及系统 |
| CN111552314A (zh) * | 2020-05-09 | 2020-08-18 | 北京航空航天大学 | 多无人机自适应编队跟踪控制方法 |
| CN112904723A (zh) * | 2021-01-19 | 2021-06-04 | 南京航空航天大学 | 非匹配干扰下的空地固定时间协同容错编队控制方法 |
| CN113268083A (zh) * | 2021-06-07 | 2021-08-17 | 山东大学 | 基于动态事件触发的多无人机系统编队跟踪控制方法 |
| CN114020042A (zh) * | 2021-12-14 | 2022-02-08 | 北京航空航天大学 | 一种异构无人集群编队合围跟踪控制方法及系统 |
| CN114594784A (zh) * | 2022-01-13 | 2022-06-07 | 南京航空航天大学 | 基于神经网络的固定翼无人机编队有限时间容错控制方法 |
| CN115981143A (zh) * | 2022-10-25 | 2023-04-18 | 华东交通大学 | 一种多智能体系统领导跟随实用二分一致性控制方法 |
| CN115729267A (zh) * | 2022-12-01 | 2023-03-03 | 南京邮电大学 | 一种基于有向拓扑和数据包丢失补偿机制的无人机编队分布式协同跟踪控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| Ruohan Yang等.Leader-Following Consensus of Multi-Agent Systems via Event-Triggered H∞ Control with Markovian Switching Topology.《2016 IEEE 55th Conference on Decision and Control (CDC)》.2016,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116300474A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110058519B (zh) | 一种基于快速自适应技术的主动编队容错控制方法 | |
| CN106444701B (zh) | 领导-跟随型多智能体系统的有限时间鲁棒故障诊断设计方法 | |
| CN108427401B (zh) | 一种具有联合连通拓扑的飞行控制系统协同故障诊断方法 | |
| Barooah et al. | Graph effective resistance and distributed control: Spectral properties and applications | |
| Jin et al. | Robust adaptive hierarchical insensitive tracking control of a class of leader-follower agents | |
| CN109709934B (zh) | 一种飞行控制系统故障诊断冗余设计方法 | |
| Liu et al. | Cooperative stabilization of a class of LTI plants with distributed observers | |
| CN108732926A (zh) | 基于不充分信息的网络化系统状态估计方法 | |
| CN110162035B (zh) | 一种集群机器人在有障碍物场景中的协同运动方法 | |
| CN113573322B (zh) | 基于改进遗传算法的多目标区域传感器网络覆盖优化方法 | |
| Xie et al. | Fixed-point minimum error entropy with fiducial points | |
| CN107967487A (zh) | 一种基于证据距离和不确定度的冲突数据融合方法 | |
| Chi et al. | A novel ELM based adaptive Kalman filter tracking algorithm | |
| CN115599779A (zh) | 一种城市道路交通缺失数据插值方法及相关设备 | |
| CN110362103B (zh) | 分布式自主水下航行器姿态协同优化控制方法 | |
| CN116186643A (zh) | 一种多传感器协同目标跟踪方法、系统、设备及介质 | |
| Fang et al. | Robust node position estimation algorithms for wireless sensor networks based on improved adaptive Kalman filters | |
| CN106526239B (zh) | 一种无人机编队系统的分布式速度传感器故障诊断方法 | |
| CN116300474B (zh) | 一种无人机编队性能评估方法 | |
| CN103313386B (zh) | 基于信息一致性权值优化的无线传感网络目标跟踪方法 | |
| Wu et al. | Fixed-time flocking formation of nonlinear multi-agent system with uncertain state perturbation | |
| CN110908384A (zh) | 一种分布式多机器人协同过未知随机迷宫的编队导航方法 | |
| CN114609909A (zh) | 一种切换拓扑下的随机多智体系统控制协议的设计方法 | |
| CN112833919B (zh) | 一种多余度的惯性测量数据的管理方法及其系统 | |
| CN113325708A (zh) | 基于异构多智能体的多无人机系统的故障估计方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |