CN116339373A - 一种蒙特卡洛自适应动态规划无人机控制方法及系统 - Google Patents
一种蒙特卡洛自适应动态规划无人机控制方法及系统 Download PDFInfo
- Publication number
- CN116339373A CN116339373A CN202310141040.7A CN202310141040A CN116339373A CN 116339373 A CN116339373 A CN 116339373A CN 202310141040 A CN202310141040 A CN 202310141040A CN 116339373 A CN116339373 A CN 116339373A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- self
- monte carlo
- simulation
- 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 37
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000004088 simulation Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000011217 control strategy Methods 0.000 claims abstract description 20
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000013523 data management Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000007726 management method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 10
- 238000011160 research Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005312 nonlinear dynamic 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种提高飞机电源利用率的自动加卸载方法及系统，所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：所述方法包括如下步骤：S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
Description
技术领域
本发明属于无人机控制技术领域，具体涉及一种蒙特卡洛自适应动态规划无人机控制方法及系统。
背景技术
无人机(Unmanned Aerial Vehicle，简称UAV)，是指利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，是无人驾驶飞行器的统称。与载人飞机相比，它具有体积小、造价低、使用灵活、适应范围广、隐蔽性好等优点，无人机在民用和军用领域得到了广泛的关注，而随着无人机技术的不断发展和完善，无人机将在航拍、物流、灾害救援、空中侦察等领域起到不可或缺的作用。
经过近100年的发展，无人机的形态和应用方式发生了全方位的改变，其种类和功能也发生了重大的变化，但是无人机最根本的变化还是其飞行控制方式的变化。无人机的飞行控制方式，大致可以分为遥控飞行、遥控加局域自动飞行、全自动飞行、全自动加局域自主飞行和全自主飞行。目前，国际上无人机的最高水平是全自动加局域自主飞行无人机，而全自主飞行是无人机控制未来的主要发展目标。实际上，随着无人机技术的不断发展，无人机在运动过程中受到的气动力、力矩等非线性因素影响了飞行控制系统的控制效果，并且在进行控制系统建模的过程中存在着广泛的不确定性，这使得现有的无人机控制策略无法完全满足日益严格的控制要求和性能指标要求，需要研究新型的具有自学习能力的智能优化控制技术。
随着无人机的复杂程度和控制系统要求的不断提高，以及先进智能控制理论和方法的不断提出和应用，使得飞行控制律也日趋复杂；此外，无人机的飞行控制系统是典型的强非线性多输入多输出系统，并且建模过程中有存在着广泛的不确定性，如何确保设计的控制策略能够在不确定条件下实现稳定、高品质的飞行是无人机飞行控制系统最重要的研究内容。在模型存在大量不确定性的条件下，通过对飞行控制策略下的无人机飞行性能进行评价，并以此为依据设计能够自学习优化的控制策略，从而获得无人机飞行性能最优的飞行控制策略，是未来无人机飞行控制的必然发展趋势。
开展无人机的飞行性能评价方法的研究和相应的自学习优化控制理论的研究，具有重要的研究意义和应用价值。因此，本发明开展无人机飞行指标的动态评价方法的研究，并在此基础上研究无人机的自学习优化控制理论与方法，具有重大的研究意义和应用价值。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种提高飞机电源利用率的自动加卸载方法及系统。
为实现上述技术目的，本发明采取的技术方案为：
一种蒙特卡洛自适应动态规划无人机控制方法，所述方法包括如下步骤：
S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；
S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；
S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
优选地，所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。
本发明还公开了一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：
所述蒙特卡洛仿真与数据管理模块功能包括配置拉偏参数、测试用例自动生成与保存、测试用例与仿真结果自动管理和测试用例与仿真结果的快速匹配；
所述基于自适应动态规划的自学习最优控制算法模块功能包括仿真结果自动评价、仿真结果自动学习、生成基于自适应动态规划的控制系统和根据评价指标生成控制的报告。
优选地，所述系统的工作流程包括：
S4.1：针对具体的模型大量地飞行仿真，通过拉偏参数，把飞机的控制器参数以及仿真结果进行对应关联，将测试用例参数化，从而减小数据库的存储量，同时规范化文本的保存路径和命名方式，以统一的形式将测试用例进行保存；
S4.2：蒙特卡洛树搜索搜索针对具体的飞行仿真过程，给不同的控制律具体的价值回报函数。最后根据最终的价值回报函数得到初始最优控制律；
S4.3：模型网络模块用神经网络逼近飞机模型，根据飞机的当前时刻的状态、控制律求得下一个时刻的状态；
S4.4：评判模块逼近性能指标函数；
S4.5：执行模块用来逼近系统控制律，当飞机给出特定的信号之后，找到最优的控制率满足性能指标函数并且响应这一信号。
S4.6：自动报告生成模块基于蒙特卡洛仿真与管理模块、蒙特卡洛自动评价管理工具测试验证模块的闭环学习更新，生成飞行性能评价、关键偏差和典型故障敏感度、关键指标评价优选、自学习优化控制律等结果，在数据分析完成后，将评价结果以特性曲线、图表等形式进行呈现。
本发明具有以下有益效果：
本发明提出了一种蒙特卡洛自适应动态规划无人机控制方法及系统，通过开展无人机飞行指标的动态评价方法的研究，并在此基础上研究无人机的自学习优化控制理论与方法，确保了设计的控制策略能够在不确定条件下实现稳定、高品质的飞行。
附图说明
图1为本发明一种蒙特卡洛自适应动态规划无人机控制系统架构示意图。
图2为本发明一种蒙特卡洛自适应动态规划无人机控制方法流程图。
图3为本发明一种蒙特卡洛自适应动态规划无人机控制系统的蒙特卡洛树搜索流程。
图4为本发明一种蒙特卡洛自适应动态规划无人机控制系统自适应动态规划流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
一种蒙特卡洛自适应动态规划无人机控制方法，所述方法包括如下步骤：
S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；
S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；
S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
具体实施时，所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。
参见图1，本发明还公开了一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：
所述蒙特卡洛仿真与数据管理模块功能包括配置拉偏参数、测试用例自动生成与保存、测试用例与仿真结果自动管理和测试用例与仿真结果的快速匹配；
所述基于自适应动态规划的自学习最优控制算法模块功能包括仿真结果自动评价、仿真结果自动学习、生成基于自适应动态规划的控制系统和根据评价指标生成控制的报告。
系统运行过程如下：
1.首先选定若干控制算法，将其应用于带控制器的飞机模型中，通过飞行仿真和拉偏获得初始数据；
2.通过蒙特卡洛树搜索获得初始最优控制策略；
3.在自学习控制系统中带入初始最优控制策略；
4.在自学习系统中，使用模型网络逼近飞机模型。根据飞机的当前时刻的状态x(k)，控制律u(k)，求得下一个时刻的状态x(k+1)。评价模块更新网络权重，逼近代价方程。执行模块更新代网络权重，逼近控制律；
5.得到第一轮迭代结果的控制律后，回到步骤1，将逼近控制律的执行模块新增为候补控制律。
为了更加详细的说明系统工作(自学习)过程，本方案针对具体无人机模型，详细说明自学习的方法。选用的高超声速飞行器为研究对象，飞行器的纵向非线性动力学方程为：
其中包括5个状态量：速度V，航迹角γ，高度h，攻角α和俯仰角速度q。控制输入包括升降舵偏转σe和发动机节流阀设定值β，通过升力L，阻力D，俯仰力矩Myy和推力T作用于模型。其计算表达式为：
L＝0.5ρV2SCL (0.6)
D＝0.5ρV2SCD (0.7)
T＝0.5ρV2SCT(0.8)
其中
S和ρ为高超声速飞行器的平均气动弦长、参考面积及空气密度。CL、CD，CT和CM分别为高超声速飞行器的升力系数、阻力系数、推力系数及俯仰力矩系数。超声速飞行器的纵向动力学模型式可以写成如下所述的非线性系统：
其中，x(t)表示飞机的状态量，u(t)表示飞机输入量。定义飞行过程的代价函数：
其中，Q、R为对角矩阵。xT(t)Qx(t)表示控制过程中的状态偏差。uT(t)Ru(t)表示控制过程中消耗的控制能量。非线性最优控制问题描述：给定非线性系统式和系统的代价函数式，寻找最优控制策略u*使非线性系统式的代价函数式最小。
参见图2，图2为图1的算法表达形式，具体来说，图2左侧模型、模型用例、飞控、蒙特卡洛树搜索驻留于图1的蒙特卡洛仿真与管理平台中，图2右侧在线自适应动态规划驻留于图1的基于自适应动态规划的自学习控制系统平台中。具体实施时，所述系统的工作流程包括：
S4.1：针对具体的模型大量地飞行仿真，通过拉偏参数，把飞机的控制器参数以及仿真结果进行对应关联，将测试用例参数化，从而减小数据库的存储量，同时规范化文本的保存路径和命名方式，以统一的形式将测试用例进行保存；
S4.2：参见图3，蒙特卡洛树搜索搜索针对具体的飞行仿真过程，给不同的控制律具体的价值回报函数。最后根据最终的价值回报函数得到初始最优控制律。图3中，首先设立初始回报Q(s,a)函数，其中s为系统状态，同x；a为系统的控制指令。针对每个不同的控制系统，规定好初始状态和后续指令s0和a后，Q(s,a)可通过运行飞行仿真的数据得到一定的值，此值反应控制律的最终控制结果，即为Qut(s,a)。蒙特卡洛树搜索可以在样本数量较大时高效得检索最优的Qut(s,a)；
S4.3：参见图4，模型网络模块用神经网络逼近飞机模型，图中执行网络的输入为飞机当前状态x(k)，拟合目标为虚线箭头L(x(k),u(k))，意为从x(k)状态开始，达到目标状态所需代价，输出为控制输入u(k)。控制输入u(k)和飞机状态x(k)输入给飞机模型，得到飞机下一时刻的状态
飞机的评价网络输入为x输出为J，注意此评价网络在一次迭代算法中被调用两次，分别输出J(k)与J(k+1)，优化目标为前一步与后一步的评价之差。根据飞机的当前时刻的状态x(k)(在此模型中，具体指速度V，航迹角γ，高度h，攻角α和俯仰角速度q.)，控制律u(k)(升降舵偏转σe，发动机节流阀设定值β，通过升力L，阻力D，俯仰力矩Myy和推力T)求得下一个时刻的状态/>
S4.4：评判模块逼近性能指标函数；飞机的性能指标函数用户自己定义。例如当性能指标函数为式所定义，当给飞机给特定信号，我们需要计算出最优的控制律u*，使得飞机快速响应并且跟踪着这信号，并且能够使得控制能量最小。在这个过程中，如果系统的状态的维数低时，我们可以直接求解出。但是随着维度的增高，会面临“维数灾难”。六自由度飞机是一个非常复杂的系统，状态变量和控制变量的维度高。此时需要神经网络逼近价值函数，评价网络的输入是来自模型网络
来逼近所定义评价/>
S4.5：执行模块用来逼近系统控制律，当飞机给出特定的信号之后，找到最优的控制率满足性能指标函数并且响应这一信号。自适应动态规划的方法是采用逐渐逼近的方法。给定当前控制率ul相对应的代价函数J(g,ul)改进的控制率ul+1如下：
对于任意的xk，有J(xk,ul+1)≤J(xk,ul)控制率序列收敛于最优的控制率。如此迭代更新，最终找到最优控制率u*(升降舵偏转se和发动机节流阀设定值β，通过升力L，阻力D，俯仰力矩Myy和推力T)。
S4.6：自动报告生成模块基于蒙特卡洛仿真与管理模块、蒙特卡洛自动评价管理工具测试验证模块的闭环学习更新，生成飞行性能评价、关键偏差和典型故障敏感度、关键指标评价优选、自学习优化控制律等结果，在数据分析完成后，将评价结果以特性曲线、图表等形式进行呈现。根据模块软件预设的相应分析报告模板，将分析结果按类别输出到doc文档中，并附加文字说明具体的结果内容。
本发明提出了一种蒙特卡洛自适应动态规划无人机控制方法及系统，通过开展无人机飞行指标的动态评价方法的研究，并在此基础上研究无人机的自学习优化控制理论与方法，确保了设计的控制策略能够在不确定条件下实现稳定、高品质的飞行。
虽然上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (5)
1.一种蒙特卡洛自适应动态规划无人机控制方法，其特征在于：所述方法包括如下步骤：
S1：配置影响飞行性能的参数以及对应的拉偏参数，基于蒙特卡洛方法对参数进行随机组合并利用带有控制器的飞机模型进行仿真计算获取仿真用例和数据；
S2：根据实际的飞行需求建立相应的无人机飞行性能的自动评价方法，根据无人机的飞行仿真数据和实际的飞行性能需求，获得相应控制策略下的无人机飞行性能的评估结果；
S3：构建无人机控制策略的自学习优化机制，利用仿真数据和评价结果对控制策略进行自适应优化，实现飞行性能的最优化。
2.根据权利要求1所述的一种蒙特卡洛自适应动态规划无人机控制方法，其特征在于：所述S1中所述参数包括状态参数、气动参数、结构参数、操纵量参数、传感器参数和大气环境参数。
3.一种蒙特卡洛自适应动态规划无人机控制系统，用于运行上述方法，其特征在于：所述系统包括蒙特卡洛仿真与数据管理模块和基于自适应动态规划的自学习最优控制算法模块：
所述蒙特卡洛仿真与数据管理模块功能包括配置拉偏参数、测试用例自动生成与保存、测试用例与仿真结果自动管理和测试用例与仿真结果的快速匹配；
所述基于自适应动态规划的自学习最优控制算法模块功能包括仿真结果自动评价、仿真结果自动学习、生成基于自适应动态规划的控制系统和根据评价指标生成控制的报告。
4.根据权利要求3所述的一种蒙特卡洛自适应动态规划无人机控制系统，其特征在于：所述系统的工作流程包括：
S4.1：针对具体的模型大量地飞行仿真，通过拉偏参数，把飞机的控制器参数以及仿真结果进行对应关联，将测试用例参数化，从而减小数据库的存储量，同时规范化文本的保存路径和命名方式，以统一的形式将测试用例进行保存；
S4.2：蒙特卡洛树搜索搜索针对具体的飞行仿真过程，给不同的控制律具体的价值回报函数。最后根据最终的价值回报函数得到初始最优控制律；
S4.3：模型网络模块用神经网络逼近飞机模型，根据飞机的当前时刻的状态、控制律求得下一个时刻的状态；
S4.4：评判模块逼近性能指标函数；
S4.5：执行模块用来逼近系统控制律，当飞机给出特定的信号之后，找到最优的控制率满足性能指标函数并且响应这一信号。。
5.根据权利要求4所述的一种蒙特卡洛自适应动态规划无人机控制系统，其特征在于：所述系统的工作流程还包括：
S4.6：自动报告生成模块基于蒙特卡洛仿真与管理模块、蒙特卡洛自动评价管理工具测试验证模块的闭环学习更新，生成飞行性能评价、关键偏差和典型故障敏感度、关键指标评价优选、自学习优化控制律等结果，在数据分析完成后，将评价结果以特性曲线、图表等形式进行呈现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141040.7A CN116339373A (zh) | 2023-02-16 | 2023-02-16 | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310141040.7A CN116339373A (zh) | 2023-02-16 | 2023-02-16 | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116339373A true CN116339373A (zh) | 2023-06-27 |
Family
ID=86892077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310141040.7A Pending CN116339373A (zh) | 2023-02-16 | 2023-02-16 | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116339373A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111629A (zh) * | 2023-07-26 | 2023-11-24 | 中国人民解放军陆军工程大学 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
-
2023
- 2023-02-16 CN CN202310141040.7A patent/CN116339373A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117111629A (zh) * | 2023-07-26 | 2023-11-24 | 中国人民解放军陆军工程大学 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
| CN117111629B (zh) * | 2023-07-26 | 2024-05-28 | 中国人民解放军陆军工程大学 | 基于自适应动态规划的多无人机固定时间最优控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112162564B (zh) | 基于模仿学习和强化学习算法的无人机飞行控制方法 | |
| Han et al. | Online policy iteration ADP-based attitude-tracking control for hypersonic vehicles | |
| Julian et al. | Validation of image-based neural network controllers through adaptive stress testing | |
| CN113485443B (zh) | 基于深度学习的无人机控制方法、存储介质及设备 | |
| Yu et al. | Physics-based learning for aircraft dynamics simulation | |
| CN116339373A (zh) | 一种蒙特卡洛自适应动态规划无人机控制方法及系统 | |
| Fu et al. | Ascent trajectory optimization for hypersonic vehicle based on improved chicken swarm optimization | |
| Sharpe et al. | Aerosandbox: A differentiable framework for aircraft design optimization | |
| Zhang et al. | Model‐Free Attitude Control of Spacecraft Based on PID‐Guide TD3 Algorithm | |
| Nivison et al. | Development of a robust deep recurrent neural network controller for flight applications | |
| CN111159489B (zh) | 一种搜索方法 | |
| Goecks | Human-in-the-loop methods for data-driven and reinforcement learning systems | |
| Mancini et al. | A knowledge-based methodology for the initiation of military aircraft configurations | |
| Li et al. | Research on the agricultural machinery path tracking method based on deep reinforcement learning | |
| Zhu et al. | Multi-constrained intelligent gliding guidance via optimal control and DQN | |
| Ruland et al. | Black-box online aerodynamic performance optimization for a seamless wing with distributed morphing | |
| Zhang et al. | UAV path planning based on receding horizon control with adaptive strategy | |
| Jun et al. | Application of collaborative optimization using response surface methodology to an aircraft wing design | |
| CN115289917B (zh) | 基于深度学习的火箭子级着陆实时最优制导方法及系统 | |
| Zhang et al. | Enhancing the take-off performance of hypersonic vehicles using the improved chimp optimisation algorithm | |
| CN112925344B (zh) | 基于数据驱动和机器学习的无人机飞行工况预测方法 | |
| Gonzalez | Robust evolutionary methods for multi-objective and multdisciplinary design optimisation in aeronautics | |
| Johnson et al. | Optimizing rotor blades with approximate british experimental rotor programme tips | |
| Cody et al. | Applying learning systems theory to model cognitive unmanned aerial vehicles | |
| Pereira et al. | Deep L 1 Stochastic Optimal Control Policies for Planetary Soft Landing |
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 |