CN116300964A - 一种集群围捕方法、系统及执行装置 - Google Patents
一种集群围捕方法、系统及执行装置 Download PDFInfo
- Publication number
- CN116300964A CN116300964A CN202310391040.2A CN202310391040A CN116300964A CN 116300964 A CN116300964 A CN 116300964A CN 202310391040 A CN202310391040 A CN 202310391040A CN 116300964 A CN116300964 A CN 116300964A
- Authority
- CN
- China
- Prior art keywords
- trapping
- capturer
- speed
- angle
- information
- 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
- 238000001926 trapping method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009975 flexible effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
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)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种集群围捕方法、系统及执行装置,涉及无人艇技术领域,该方法包括获取围捕者的观测信息和移动目标的观测信息;根据围捕者的观测信息和移动目标的观测信息,基于Apolloniuscircle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度;根据围捕最优速度控制围捕者到达移动目标处进行围捕。本发明能够使智能体自适应地完成对围捕目标的均匀围捕并且提高围捕成功率。
Description
技术领域
本发明涉及无人艇技术领域,特别是涉及一种集群围捕方法、系统及执行装置。
背景技术
多无人艇围捕任务在实际环境中有较大应用前景,在人工智能、模式识别、自动控制等领域均有广泛涉及,拓展后可在军事上实现对入侵者的检测、捕获、安全巡查等,进一步提高军队各种作战设备的智能化程度,在安全保障方面提供新的思路。
移动目标的围捕,是指多个追逐者对可移动目标进行包围,约束移动目标的活动范围,使得移动目标无法移动。由于移动目标的速度较快,活动较灵活,单个追逐者无法独立完成对目标的包围,需要多个追逐者之间相互协作,从不同角度同时进行包围才能高效地完成围捕任务。目前解决多智能体对单一目标的围捕问题有强化学习方法、编队控制方法以及几何方法,其中强化学习方法在复杂海况中泛化能力差,训练的策略难以应对高可变的实际场景;编队控制方法对目标的能力有所限制,不适用于目标速度更快的情况;XuFang等人提出的Apollonius circle几何方法可用于目标速度更快的围捕且泛化能力强,但是在围捕的过程中没有保持包围,导致目标逃逸的可能性大,且假设智能体一直以最快速度行驶不符合真实情景。
发明内容
本发明的目的是提供一种集群围捕方法、系统及执行装置,能够使智能体自适应地完成对围捕目标的均匀围捕并且提高围捕成功率。
为实现上述目的,本发明提供了如下方案:
一种集群围捕方法,包括:
获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息;
根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段;
根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度;
根据围捕最优速度控制围捕者到达移动目标处进行围捕。
可选地,所述根据围捕者的观测信息和移动目标的观测信息,基于Apolloniuscircle理论,确定围捕总占用角,具体包括:
根据围捕者的位置信息和移动目标的位置信息,建立以移动目标为极点的相对坐标系;
根据每个围捕者到移动目标的距离以及每个围捕者在以移动目标为极点的相对坐标系下的极角确定每个围捕者在相对坐标系中的坐标;
其中,θG为围捕总占用角,εi,i+1为第i号围捕者和第i+1号围捕者的重叠角,n为围捕者的总编号。
其中,εn,1为第n号围捕者和1号围捕者的重叠角,αi为第i号围捕者在以移动目标为极点的相对坐标系下的极角,θi为第i号围捕者的占用角,Vi为第i号围捕者的速度信息,i=1,2,3...n,Ve为移动目标的速度信息。
可选地,所述并根据围捕总占用角判断围捕阶段;具体包括:
当围捕总占用角小于2π时,为包围形成阶段,围捕者以最快速度达到2π;
当围捕总占用角等于2π时,为包围态势维持阶段,围捕者维持2π的同时缩小和移动目标的距离。
可选地,所述所述根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度,具体包括:
将围捕者的速度方向分解为指向移动目标的追击方向和垂直于追击方向的包围方向;
若在包围形成阶段且围捕者的速度信息大于移动目标的速度信息,则不需要采取措施;
若在包围态势维持阶段且围捕者的速度信息大于移动目标的速度信息,则直接追击移动目标;
若在包围形成阶段且围捕者的速度信息小于等于移动目标的速度信息,则确定第i号围捕者和第i+1号围捕者的重叠角εi,i+1与第i号围捕者和第i-1号围捕者的重叠角εi-1,i的关系;若εi,i+1-εi-1,i>0,则第i号围捕者速度方向为逆时针的包围方向;反之,第i号围捕者的速度方向为顺时针的包围方向;
若在包围态势维持阶段且围捕者的速度信息小于等于移动目标的速度信息,则缩小和移动目标的距离的同时保持包围,确定代价函数,并最小化代价函数,从而确定围捕最优速度。
一种集群围捕系统,包括:
观测信息获取模块,用于获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息;
围捕总占用角确定模块,用于根据围捕者的观测信息和移动目标的观测信息,基于Apolloniuscircle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段;
围捕最优速度确定模块,用于根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度;
围捕模块,用于根据围捕最优速度控制围捕者到达移动目标处进行围捕。
可选地,所述围捕总占用角确定模块具体包括:
相对坐标系确定模块,用于根据围捕者的位置信息和移动目标的位置信息,建立以移动目标为极点的相对坐标系;
围捕者坐标确定模块,用于根据每个围捕者到移动目标的距离以及每个围捕者在以移动目标为极点的相对坐标系下的极角确定每个围捕者在相对坐标系中的坐标;
其中,θG为围捕总占用角,εi,i+1为第i号围捕者和第i+1号围捕者的重叠角,n为围捕者的总编号。
一种集群围捕执行装置,包括:
处理器;
存储器,用于存储计算机可读程序;
当所述计算机可读程序被所述处理器执行时,使得所述处理器实现所述的一种集群围捕方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明所提供的一种集群围捕方法、系统及执行装置,根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;进而根据不同的围捕阶段针对不同速度关系给出不同的策略,保证了在复杂海况下对具有强逃逸能力移动目标的捕捉,保证了围捕的高成功率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明所提供的一种集群围捕方法流程示意图;
图2是本发明的移动目标速度更快时Apollonius circle示意图;
图3是本发明的移动目标速度更快时重叠角小于等于0的示意图;
图4是本发明的移动目标速度更快时重叠角大于0的示意图;
图5是本发明的速度一致时重叠角小于0的示意图;
图6是本发明的速度一致时重叠角大于0的示意图;
图7是本发明的速度一致时重叠角等于0的示意图;
图8是本发明的移动目标速度更快时Apollonius circle示意图;
图9是3个智能体(围捕者)围捕1个移动目标的围捕过程图;
图10是3个智能体围捕1个移动目标的总占用角变化曲线图;
图11是本发明所提供的一种集群围捕系统结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种集群围捕方法、系统及执行装置,能够使智能体自适应地完成对围捕目标的均匀围捕并且提高围捕成功率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明所提供的一种集群围捕方法,包括:
S101,获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息。一组围捕者按照分布在目标四周,按照顺时针排序,极角大的围捕者编号相对应就大。每个围捕者的编号是动态变化的。每个围捕者都有其编号,n个围捕者,则围捕者的编号从1到n。在运算过程中可能会存在小于1或者大于n的编号存在,小于1的编号需要加上n得到其真实编号,大于n的需要取余n得到其真实编号。
围捕者和目标的速度有三种对应关系:围捕者的速度大于目标的、围捕者的速度等于目标的和围捕者的速度小于目标的,其中最后一种情况目标逃逸的可能性最强。
S102,根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段。
S102具体包括:
根据围捕者的位置信息和移动目标的位置信息,建立以移动目标为极点的相对坐标系。
根据每个围捕者到移动目标的距离以及每个围捕者在以移动目标为极点的相对坐标系下的极角确定每个围捕者在相对坐标系中的坐标(ri,αi)。极角定义在[0,2π),一组围捕者按照分布在目标四周,按照顺时针排序,极角大的围捕者编号相对应就大。每个围捕者的编号是动态变化的。
其中,θG为围捕总占用角,εi,i+1为第i号围捕者和第i+1号围捕者的重叠角,n为围捕者的总编号。
其中,εn,1为第n号围捕者和1号围捕者的重叠角,αi为第i号围捕者在以移动目标为极点的相对坐标系下的极角,θi为第i号围捕者的占用角,Vi为第i号围捕者的速度信息,i=1,2,3...n,Ve为移动目标的速度信息。
Apollonius circle理论为平面内到两个定点的距离之比为常数k(k≠1)的点的轨迹是圆,这个圆就是Apollonius circle,如图2所示,当移动目标速度更快时,围捕者相对移动目标形成了Apollonius circle,圆心在C,因为相同时间下围捕者和移动目标以不同速度到圆的距离之比为移动目标到圆上两条切线之间的角度就是第i号围捕者的占用角θi且占用角和两者的速度相关:/>占用角的几何含义是在这个角度范围下围捕者在未来时间可以捕捉到移动目标或这个角度范围不是移动目标最优的逃逸方向;速度一致时Apollonius circle不再存在,本发明设计了新的重叠角和占用角将Apollonius circle理论拓展到了速度一致情况;当围捕者速度大于移动目标时,Apollonius circle的位置发生变化,如图8所示单个围捕者占用角就可以达到2π。本发明中角度的计算是以移动目标为极点,每个围捕者的坐标由(ri,αi)表示,i表示每个围捕者的编号,ri表示i号围捕者和移动目标之间的距离,αi表示i号围捕者在以移动目标为极点坐标系下的极角如图1,极角定义在[0,2π)。相邻两个围捕者切线之间的角度就是重叠角,计算公式如下:/>其中εi,i+1为第i号围捕者和第i+1号围捕者的重叠角,从几何含义上看如果εi,i+1大于0,则相邻两个围捕者的占用角之间有间隙因此存在可逃逸方向.此时εi,i+1被称为逃逸角,如图4。如果εi,i+1小于等于0,则相邻两个围捕者的占用角存在重叠,此时εi,i+1被称为重叠占用角,如图3。本发明将Apollonius circle拓展到速度一致的情况,速度一致时占用角为π,相应重叠角的计算修改为/>在几何表示上略有不同,εi,i+1小于0如图:5,εi,i+1大于0如图6,εi,i+1等于0如图7。
根据位置关系建立基于移动目标的相对坐标系,实时计算每个围捕者的坐标。占用角的几何含义是在这个角度范围下围捕者在未来时间可以捕捉到移动目标或这个角度范围不是移动目标最优的逃逸方向。
根据围捕总占用角判断围捕阶段具体包括:
当围捕总占用角小于2π时,为包围形成阶段,围捕者以最快速度达到2π。
当围捕总占用角等于2π时,为包围态势维持阶段,围捕者维持2π的同时缩小和移动目标的距离。
总占用角若等于2π,则说明目标已经进入了捕捉域,无论向哪个方向逃逸,都在围捕者的可达范围。此处若总占用角在之间,则当前围捕智能体处在包围态势维持阶段,否则处于形成包围阶段。在形成包围阶段围捕者将以最快速度形成包围,而在包围态势维持阶段围捕者在追击目标的同时保持总占用角在2π附近波动从而维持包围态势。因此上述两个阶段是可能来回切换,直到最终捕捉目标。
实施例中围捕者的数量为3,围捕者的最大速度为2,移动目标的最大速度为2.0703,因此速度比为0.966从而每个围捕者按照最大速度行驶时的占用角大于120度,从而可以保证总占用角达到2π。总占用角的计算如下:总占用角和大于0的重叠角相关,本实施定义总占用角在/>时当前围捕智能体处在包围态势维持阶段,否则处于包围形成阶段。
S103,根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度。
S103具体包括:
将围捕者的速度Vi分解为指向移动目标的追击方向νis和垂直于追击方向的包围方向νih。
若在包围形成阶段且围捕者的速度信息大于移动目标的速度信息,则不需要采取措施。
若在包围态势维持阶段且围捕者的速度信息大于移动目标的速度信息,则直接追击移动目标。
若在包围形成阶段且围捕者的速度信息小于等于移动目标的速度信息,则确定第i号围捕者和第i+1号围捕者的重叠角εi,i+1与第i号围捕者和第i-1号围捕者的重叠角εi-1,i的关系;若εi,i+1-εi-1,i>0,则第i号围捕者速度方向为逆时针的包围方向;反之,第i号围捕者的速度方向为顺时针的包围方向。
若在包围态势维持阶段且围捕者的速度信息小于等于移动目标的速度信息,则缩小和移动目标的距离的同时保持包围,确定代价函数,并最小化代价函数,从而确定围捕最优速度。
J=λ1J1+λ2J2,λ1+λ2=1,其中其中J1表示下一时刻所有围捕者和移动目标距离的平方和,J2表示当前时刻组占用角的变化率的平方,最小化这两项欲最大化缩小下一时刻追逃距离,总占用角保持在2π附近波动。因为/>所以/>其中/>βi是相对坐标系下围捕者的速度方向。因此代价函数可以化简为βi的表示式:
将其置为0可得到一组非线性多元方程组,利用matlab求解可得到每个βi的解。本实施例中Δt=1,ri为第i号围捕者和移动目标之间的距离,可以实时计算得到,当某一个围捕者靠近移动目标dc范围时,移动目标判定被捕捉,本实施例中dc设置为1.5。本实施例3个围捕者初始位置分别为(-10,0)、(-10,-5)、(10,-10),移动目标的初始位置为(2,0),首先计算总占用角为278度小于/>又围捕者的速度小于移动目标速度,因此每个围捕者采取纯包围策略,根据重叠角确定包围方向,从而使得总占用角迅速达到2π。如图10所示,总占用角从小于/>增长到2π。进而围捕者进入包围态势维持阶段,因为围捕者的速度小于移动目标速度,因此每个围捕者采取追击同时保持包围策略,从而提高捕捉成功率。本实施例中利用Matlab计算每个围捕者的最优方向,从而在缩小追逃距离的同时将总占用角保持在/>如图10所示。当总占用角小于/>时,围捕者回到包围形成阶段,两阶段不断切换的过程中捕捉移动目标,如图9所示在第26帧时2号围捕者和移动目标相距1.0519满足捕捉条件。
S104,根据围捕最优速度控制围捕者到达移动目标处进行围捕。
将上一步骤得到的βi转换为围捕者下一时刻笛卡尔坐标下的最优速度,控制围捕智能体以最优速度运动至围捕点。本实施例的围捕过程如图9所示。
图11是本发明所提供的一种集群围捕系统结构示意图,如图11所示,本发明还提供一种集群围捕系统,包括:
观测信息获取模块201,用于获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息。
围捕总占用角确定模块202,用于根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角。并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段。
围捕最优速度确定模块203,用于根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度。
围捕模块204,用于根据围捕最优速度控制围捕者到达移动目标处进行围捕。
所述围捕总占用角确定模块202具体包括:
相对坐标系确定模块,用于根据围捕者的位置信息和移动目标的位置信息,建立以移动目标为极点的相对坐标系。
围捕者坐标确定模块,用于根据每个围捕者到移动目标的距离以及每个围捕者在以移动目标为极点的相对坐标系下的极角确定每个围捕者在相对坐标系中的坐标。
其中,θG为围捕总占用角,εi,i+1为第i号围捕者和第i+1号围捕者的重叠角,n为围捕者的总编号。
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,本发明还提供一种集群围捕执行装置,包括:
处理器。
存储器,用于存储计算机可读程序。
当所述计算机可读程序被所述处理器执行时,使得所述处理器实现所述的一种集群围捕方法。
本发明将围捕分为两个阶段,在第二阶段通过最小化代价函数求解出追击同时保持包围的最优速度,保证了围捕的高成功率;此外本发明还设计了新的重叠角和占用角将Apollonius circle理论拓展到了速度一致情况,并针对不同速度关系给出不同的策略,即使在复杂的海事环境且考虑运动学模型的情况下都可以应用本发明中的方法成功捕捉移动目标。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种集群围捕方法,其特征在于,包括:
获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息;
根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段;
根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度;
根据围捕最优速度控制围捕者到达移动目标处进行围捕。
4.根据权利要求2所述的一种集群围捕方法,其特征在于,所述并根据围捕总占用角判断围捕阶段;具体包括:
当围捕总占用角小于2π时,为包围形成阶段,围捕者以最快速度达到2π;
当围捕总占用角等于2π时,为包围态势维持阶段,围捕者维持2π的同时缩小和移动目标的距离。
5.根据权利要求1所述的一种集群围捕方法,其特征在于,所述所述根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度,具体包括:
将围捕者的速度方向分解为指向移动目标的追击方向和垂直于追击方向的包围方向;
若在包围形成阶段且围捕者的速度信息大于移动目标的速度信息,则不需要采取措施;
若在包围态势维持阶段且围捕者的速度信息大于移动目标的速度信息,则直接追击移动目标;
若在包围形成阶段且围捕者的速度信息小于等于移动目标的速度信息,则确定第i号围捕者和第i+1号围捕者的重叠角εi,i+1与第i号围捕者和第i-1号围捕者的重叠角εi-1,i的关系;若εi,i+1-εi-1,i>0,则第i号围捕者速度方向为逆时针的包围方向;反之,第i号围捕者的速度方向为顺时针的包围方向;
若在包围态势维持阶段且围捕者的速度信息小于等于移动目标的速度信息,则缩小和移动目标的距离的同时保持包围,确定代价函数,并最小化代价函数,从而确定围捕最优速度。
6.一种集群围捕系统,其特征在于,包括:
观测信息获取模块,用于获取围捕者的观测信息和移动目标的观测信息;所述观测信息包括:位置信息和速度信息;
围捕总占用角确定模块,用于根据围捕者的观测信息和移动目标的观测信息,基于Apollonius circle理论,确定围捕总占用角;并根据围捕总占用角判断围捕阶段;所述围捕阶段包括:包围形成阶段和包围态势维持阶段;
围捕最优速度确定模块,用于根据围捕阶段、围捕者的速度信息与移动目标的速度信息,确定围捕最优速度;
围捕模块,用于根据围捕最优速度控制围捕者到达移动目标处进行围捕。
8.一种集群围捕执行装置,其特征在于,包括:
处理器;
存储器,用于存储计算机可读程序;
当所述计算机可读程序被所述处理器执行时,使得所述处理器实现如权利要求1-6任一项所述的一种集群围捕方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391040.2A CN116300964A (zh) | 2023-04-11 | 2023-04-11 | 一种集群围捕方法、系统及执行装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310391040.2A CN116300964A (zh) | 2023-04-11 | 2023-04-11 | 一种集群围捕方法、系统及执行装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116300964A true CN116300964A (zh) | 2023-06-23 |
Family
ID=86816891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310391040.2A Pending CN116300964A (zh) | 2023-04-11 | 2023-04-11 | 一种集群围捕方法、系统及执行装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700276A (zh) * | 2023-06-30 | 2023-09-05 | 苏州优世达智能科技有限公司 | 一种基于ai强化学习的无人艇对抗辅助方法及系统 |
-
2023
- 2023-04-11 CN CN202310391040.2A patent/CN116300964A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116700276A (zh) * | 2023-06-30 | 2023-09-05 | 苏州优世达智能科技有限公司 | 一种基于ai强化学习的无人艇对抗辅助方法及系统 |
CN116700276B (zh) * | 2023-06-30 | 2023-11-07 | 苏州优世达智能科技有限公司 | 一种基于ai强化学习的无人艇对抗辅助方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Senoo et al. | High-speed batting using a multi-jointed manipulator | |
CN116300964A (zh) | 一种集群围捕方法、系统及执行装置 | |
CN108490432B (zh) | 一种导航雷达系统中全局目标跟踪的方法 | |
CN111598321A (zh) | 一种基于信息驱动的作战管理系统及方法 | |
US20220215758A1 (en) | Control method and system for collaborative interception by multiple unmanned surface vessels | |
CN110717651B (zh) | 基于变数据率的太空态势感知相控阵雷达任务规划方法 | |
CN110544269A (zh) | 基于特征金字塔的孪生网络红外目标跟踪方法 | |
JP4929449B2 (ja) | 強化学習装置および強化学習方法 | |
CN112363527B (zh) | 基于最优控制理论的多飞行器协同围捕方法及系统 | |
Fujita et al. | Distributed reinforcement learning of targeted grasping with active vision for mobile manipulators | |
CN111667073B (zh) | 一种证据理论改进的模糊卡尔曼滤波目标跟踪方法 | |
Zhang et al. | Research on decision-making system of cognitive jamming against multifunctional radar | |
CN116578095A (zh) | 海洋能驱动机器人节能避障方法 | |
CN113325852B (zh) | 基于领导跟随者方式的多智能体行进中编队变换的控制方法 | |
CN112233141B (zh) | 电力场景下基于无人机视觉的运动目标追踪方法及系统 | |
Li et al. | Multi-mode filter target tracking method for mobile robot using multi-agent reinforcement learning | |
Zhang et al. | Learning to multi-target tracking in dense clutter environment with JPDA-recurrent neural networks | |
CN115524998A (zh) | 基于自适应模糊补偿的机器人滑模控制方法 | |
Oswald et al. | Cooperative vision in a multi-agent architecture | |
Wang et al. | Pursuit-Evasion Game of Unmanded Surface Vehicles Based on Deep Reinforcement Learning | |
Yulan et al. | Study on multi-robot cooperation stalking using finite state machine | |
Franceschi et al. | Predicting human motion intention for phri assistive control | |
Mohammed et al. | Learning Pick to Place Objects using Self-supervised Learning with Minimal Training Resources | |
Fong | Integrated track-to-track fusion with modified probabilistic neural network | |
Yang et al. | Multi radar multi-target optimization assignment method based on deep reinforcement learning |
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 |