CN116430754B - 一种无人机集群多任务控制半实物仿真方法 - Google Patents
一种无人机集群多任务控制半实物仿真方法 Download PDFInfo
- Publication number
- CN116430754B CN116430754B CN202310677533.2A CN202310677533A CN116430754B CN 116430754 B CN116430754 B CN 116430754B CN 202310677533 A CN202310677533 A CN 202310677533A CN 116430754 B CN116430754 B CN 116430754B
- Authority
- CN
- China
- Prior art keywords
- task
- aerial vehicle
- unmanned aerial
- cluster
- executed
- 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 92
- 238000004088 simulation Methods 0.000 title claims abstract description 84
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 55
- 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 abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种无人机集群多任务控制半实物仿真方法。本方法主要包括多任务管理控制阶段和半实物仿真阶段。其中的多任务管理控制阶段主要由实现集群任务分解的任务网络构建模块和实现动态对抗态势下任务分解方法选择模块组成;其中半实物仿真阶段主要由综合管控系统、协同决策系统、交换机、飞控计算机组成。本方法通过设计多任务管理控制算法,在对集群任务管理过程中不仅具有分解出对抗子任务的功能还可以输出定制化任务来更新任务网络,提高了任务分解的质量,提升了实际应用中集群任务管理的鲁棒性。
Description
技术领域
本发明涉及无人机集群技术领域,特别涉及一种无人机集群多任务控制半实物仿真方法。
背景技术
无人机集群通过集群成员协同执行任务,可以完成更加复杂、更加多样的任务,在民用和军事领域的地位越来越重要。但是由于无人机集群包含较多飞行平台和算法软件,且往往面临多项任务,在仿真时需要对多项任务进行分解和控制;此外,在集群真正使用前需要进行大量软硬件仿真测试工作,通过对无人机集群涉及的软硬件和多任务流程进行高真实度的仿真研究,可以降低无人机集群研发的成本,提高实际无人机集群的效能。
现有的多任务管理在进行集群任务分解的过程中,根据触发条件直接将集群任务分解为子任务,其目的仅在于输出可执行的子任务,在分解的过程中没有将态势突变考虑在内,缺少对可能遇到敌方抵抗的考虑,没有尽可能发挥集群的对抗作战能力,不适合多任务情况下无人机集群整体流程的仿真分析。现有的无人机集群仿真方法主要分为三种:第一种是采用纯软件模拟方式,该方法成本低且实现简单,但是由于完全不涉及硬件系统,导致仿真结果的可靠性存在不足;第二种是采用完全真实的无人机集群进行验证,该方法可以有效检验平台性能,但是成本较高,且无法进行产品的快速迭代;第三种是采用半实物的方式进行仿真,该方法可以实现较低成本的仿真。但是上述三种方法仅仅关注了单纯飞行情况下对于平台的飞行控制仿真,缺少对于无人机集群多任务管理控制的仿真。
发明内容
基于此,本申请实施例为了克服现有无人机集群半实物仿真方法在多任务仿真情况下的不足,提出一种无人机集群多任务控制半实物仿真方法。该方法可以实现对于无人机集群多任务情况下的高真实度仿真分析。不仅满足了对于多任务情况下任务的协调管理仿真需求,还满足了对于无人机集群有关软件硬件的高可靠仿真需求。
本申请提供了一种无人机集群多任务控制半实物仿真方法,该方法包括:
所述方法包括多任务管理控制阶段以及半实物仿真阶段;
在所述多任务管理控制阶段中,具体包括:
S101,获取集群任务,根据所述集群任务建立初始任务网络;其中,所述初始任务网络中的节点具体为任务和分解方法,所述初始任务网络中的边为任务与分解方法的对应关系以及任务之间的序列关系;
S102,从初始任务网络中获得最高优先级的待执行任务,并判断所述待执行任务是否需要分解;
S103,当所述待执行任务需要分解时,调用预测对抗树对所述待执行任务进行判断,当判断待执行任务所对应的分解方法可行时,执行任务分解,并更新初始任务网络,当判断需要添加定制化任务时,将定制化任务更新到任务网络中;
S104,遍历集群任务中的所有待执行任务,直至完成任务网络更新;
在所述半实物仿真阶段中,具体包括:
S201,将多个无人机平台通过交换机接入到任务网络中;其中,所述无人机平台中包括仿真计算机、飞控系统以及协同决策系统;
S202,通过所述任务网络获取并处理所有无人机平台所上传的集群任务,并将集群任务分解为可执行的子任务下发到无人机平台中;
S203,通过无人机平台中的协同决策系统实现任务的执行,并根据飞控系统发送的无人机实时位姿信息规划出航迹信息;
S204,通过飞控系统接收航迹信息和无人机平台的实时状态信息,并通过控制算法解算求解出无人机平台的控制参数,输出飞行控制指令;
S205,通过仿真计算机接收来自飞控系统的控制指令,通过设置仿真环境中无人机的参数,实现对于无人机平台运动的仿真。
可选地,获取集群任务中包括可分解任务和不可分解任务,每个任务中至少包含地点、时间、父任务、子任务、同级别协同任务、执行者以及内部参数等属性信息。
可选地,从初始任务网络中获得最高优先级的待执行任务,并判断所述待执行任务是否需要分解,所述方法还包括:
当所述待执行任务不需要分解时,则输出集群可直接执行任务,并结束多任务管理控制阶段。
可选地,每个需要分解任务都对应的至少一种分解方法;其中,分解方法的数学表达为m=(t,C,w),其中的t是待分解任务,C是任务分解的前置条件,W=[subt1,...,subtn]是分解的子任务结果。
可选地,当所述待执行任务需要分解时,调用预测对抗树对所述待执行任务进行判断之后,所述方法还包括:
当判断待执行任务为定制化任务时,在初始任务网络中添加定制化任务分支,并根据初始任务网络。
可选地,所述定制化任务为对任务的属性进行修改后的任务。
可选地,在S103中当判断待执行任务所对应的分解方法不可执行时,则重新调用预测对抗树对待执行任务进行判断。
可选地,所述预测对抗树对待执行任务进行判断的具体过程包括:
获取当前态势信息、当前任务网络、当前需要分解任务、作战知识信息;
获取针对待分解任务的方法集合;
根据作战知识信息预测敌方后续行动;
基于任务分解和敌方行动构建一定层数的对抗搜索树;
对抗搜索得到最佳分解方法,并判断是否满足当前态势和任务需要,当满足时则输出最佳分解方法。
可选地,将多个无人机平台通过交换机接入到任务网络中,所述交换机具体用于实现无人机集群之间的信息交互仿真,负责传输集群任务信息、航迹信息、无人机实时状态信息、控制指令信息。
可选地,无人机平台中的仿真计算机可以为Xplane仿真系统,具体包括了固定翼无人机6自由度模型;所述仿真计算机与飞控系统之间通过串口通信连接,所述飞控系统与协同决策系统之间通过串口通信连接。
本发明提供的无人机集群多任务控制半实物仿真方法,通过设计多任务管理控制算法,在对集群任务管理过程中不仅具有分解出对抗子任务的功能还可以输出定制化任务来更新任务网络,提高了任务分解的质量,提升了实际应用中集群任务管理的鲁棒性。所设计的包含了多任务管理控制算法的半实物仿真系统,满足了对于无人机集群多任务半实物仿真的需求,可以有效验证多任务执行流程、规划算法和关键硬件,降低了无人机集群仿真验证的成本,通过设置不同类型的任务和无人机平台,扩大了仿真系统的适用范围。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述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示例性的,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,还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的多任务管理控制阶段原理图;
图2为本申请实施例提供的预测对抗树处理过程原理图;
图3为本申请无人机集群仿真系统构成原理图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在本发明的描述中,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
本发明提出一种无人机集群多任务控制半实物仿真方法,该方法主要包括多任务管理控制算法和半实物仿真系统。其中的多任务管理控制算法主要由实现集群任务分解的任务网络构建模块和实现动态对抗态势下任务分解方法选择模块;其中的半实物仿真系统主要由综合管控系统、协同决策系统、交换机、飞控系算机组成。
本申请所提出的集群多任务管理控制算法,它的功能主要用于实现任务的动态分解规划,根据当前的态势、对敌方未来行动的预测以及战场突发情况,不断解算出可执行的对抗子任务序列。本申请提出的基于动态预测反馈的鲁棒任务分解管理方法,主要由任务网构建管理模块和预测对抗树模块构成,该方法不仅构建一个从集群任务到子任务的任务网,还动态维护一个高鲁棒性的预测对抗树,对抗树基于当前态势进行未来若干步骤的敌方预测推演和搜索决策,用以支撑任务网构建过程中的分解方法选择和子任务排序,在对抗树的构建搜索过程中除了预置的任务还具有自主定制化任务的功能,用以提高对突发事件的适应能力,当态势发生剧烈变化时,如果当前所分解的子任务能力难以应对,将会自主进行子任务推荐来处理突发态势,从而实现更新重塑集群任务网。
其中,本申请集群多任务管理控制算法中涉及到的主要概念如下:
任务:任务t分为需要分解任务tneed和不需要分解任务tatom,需要分解任务集群平台无法直接执行,不需要分解任务是可以直接执行的。任务t包含的属性有{tpos,ttime,tfather,tfriend,tson,tsubject,tpara},tpos为任务的地点,ttime的时间,tfather为任务的父任务,tson为任务的子任务,tfriend为任务的同级别协同任务,tsubject为任务的执行者,tpara为任务的内部参数。
分解方法:每个需要分解任务都有对应的至少一种分解方法,分解方法的数学表达为m=(t,C,w),其中的t是待分解任务,C是任务分解的前置条件,W=[subt1,...,subtn]是分解的子任务结果。
任务网络:任务网络TN的节点是任务t和分解方法m,任务网络的边是任务与分解方法的对应关系以及任务之间的序列关系。
定制化任务:定制化任务tcustom是对任务的属性进行修改后的任务。
更新任务网络:更新任务网络TNrewire是在任务网络的节点或者边需要调整时,进行基于任务目的和任务资源的网络结构调整过程。
预测对抗树:预测对抗树PA-Tree是基于当前对抗态势,输出推荐的分解策略或定制化任务的算法模块。
具体地,本申请实施例提供的一种无人机集群多任务控制半实物仿真方法,该方法包括多任务管理控制阶段以及半实物仿真阶段;
如图1,在多任务管理控制阶段中可以看出,集群多任务管理控制算法在进行多任务管理控制时,并没有直接将输入的任务进行自上而下的静态分解,而是在任务分解过程中判断子任务和待分解任务是否满足对抗态势需要,随后选择满足作战需求的分解策略或输出定制化任务进行任务网更新。算法的运行逻辑流程具体包括:
S101,获取集群任务,根据集群任务建立初始任务网络。
其中,初始任务网络中的节点具体为任务和分解方法,初始任务网络中的边为任务与分解方法的对应关系以及任务之间的序列关系。
在本申请实施例中,从地面综合管控系统输入当前态势信息、当前任务网络、集群任务、作战知识信息;根据集群初始的任务序列作为任务网络的节点,构建初始的任务网络。
S102,从初始任务网络中获得最高优先级的待执行任务,并判断待执行任务是否需要分解。
从任务网络中获得最高优先级的任务作为待执行任务,作为接下来分解规划的目标;判断待执行任务是否需要分解。若不需要则输出可直接执行任务,结束,若需要则执行步骤S103。
S103,当待执行任务需要分解时,调用预测对抗树对待执行任务进行判断,当判断待执行任务所对应的分解方法可行时,执行任务分解,并更新初始任务网络。
其中,当判断需要添加定制化任务时,将定制化任务更新到任务网络中。
待执行任务需要分解,调用预测对抗树,预测对抗树将会考虑待分解任务的所有分解方法、敌方可能采取的行动、分解结果能否满足态势需要等方面,解算出当前最好分解方法,或者是定制化任务。
判断预测对抗树的输出是定制化任务还是当前待分解任务的分解方法;
若是定制化任务,则为任务网络添加定制化任务分支,根据集群作战资源和任务间是否有冲突进行任务网络中任务的增删更新,并重新进行步骤S102。
若不是定制化任务,则判断当前状态下分解方法是否可执行:
若进一步不可执行,则重新开始调用预测对抗树;若进一步可执行,执行对待分解任务的分解,删去待分解任务,将分解结果添加到任务网络。
如图2,给出了本实施例中预测对抗树处理过程的原理图。
S104,遍历集群任务中的所有待执行任务,直至完成任务网络更新。
在执行完之后多任务管理控制阶段后,可将多任务管理控制阶段所得到的任务网络保存到综合管控系统中,并执行半实物仿真阶段中,具体包括:
S201,将多个无人机平台通过交换机接入到任务网络中。
其中,无人机平台中包括仿真计算机、飞控系统以及协同决策系统。本实施例与对多任务的无人机集群进行半实物仿真,其中的无人机平台为软件仿真,飞控系统、协同决策系统为真实的硬件系统,综合管控系统为真实使用的软件状态。该系统的构成原理图如图3所示。
S202,通过任务网络获取并处理所有无人机平台所上传的集群任务,并将集群任务分解为可执行的子任务下发到无人机平台中。
在本实施例中,综合管控系统实现对于集群多任务的管理控制,实现对于集群多个任务的编辑、修改、保存、执行控制及可视化显示。所发明的集群多任务管理控制算法运行在该系统(多任务管理控制阶段所得到的任务网络)中,实现将集群的多个任务有机管理,并将其转化为各个平台可执行的子任务,将其发送给各个无人机的协同决策系统实现任务的执行。
交换机实现无人机集群之间的信息交互仿真,负责传输集群任务信息、航迹信息、无人机实时状态信息、控制指令信息。
S203,通过无人机平台中的协同决策系统实现任务的执行,并根据飞控系统发送的无人机实时位姿信息规划出航迹信息。
在本实施例中,协同决策系统实现接收来自飞控系统的无人机实时位姿信息,共享该信息到集群,并根据集群实时位姿信息和收到的可执行子任务规划出航迹,管理并发送航迹给飞控系统。
S204,通过飞控系统接收航迹信息和无人机平台的实时状态信息,并通过控制算法解算求解出无人机平台的控制参数,输出飞行控制指令。
在本实施例中,飞控系统实现接收航迹信息和无人机平台的实时状态信息,并通过控制算法解算求解出无人机平台的控制参数,输出飞行控制指令。
S205,通过仿真计算机接收来自飞控系统的控制指令,通过设置仿真环境中无人机的参数,实现对于无人机平台运动的仿真。
在本实施例中,仿真计算机实现对于无人机平台的仿真建模、可视化显示和动力学仿真,并接收来自飞控系统的控制指令,通过设置仿真环境中无人机的参数,实现对于无人机平台运动的仿真。
无人机平台中的仿真计算机可以为Xplane仿真系统,具体包括了固定翼无人机6自由度模型;所述仿真计算机与飞控系统之间通过串口通信连接,所述飞控系统与协同决策系统之间通过串口通信连接。
综上可以看出,本发明提供的无人机集群多任务控制半实物仿真方法,通过设计多任务管理控制算法,在对集群任务管理过程中不仅具有分解出对抗子任务的功能还可以输出定制化任务来更新任务网络,提高了任务分解的质量,提升了实际应用中集群任务管理的鲁棒性。所设计的包含了多任务管理控制算法的半实物仿真系统,满足了对于无人机集群多任务半实物仿真的需求,可以有效验证多任务执行流程、规划算法和关键硬件,降低了无人机集群仿真验证的成本,通过设置不同类型的任务和无人机平台,扩大了仿真系统的适用范围。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种无人机集群多任务控制半实物仿真方法,其特征在于,所述方法包括多任务管理控制阶段以及半实物仿真阶段;
在所述多任务管理控制阶段中,具体包括:
S101,获取集群任务,根据所述集群任务建立初始任务网络;其中,所述初始任务网络中的节点具体为任务和分解方法,所述初始任务网络中的边为任务与分解方法的对应关系以及任务之间的序列关系;
S102,从初始任务网络中获得最高优先级的待执行任务,并判断所述待执行任务是否需要分解;
S103,当所述待执行任务需要分解时,调用预测对抗树对所述待执行任务进行判断,当判断待执行任务所对应的分解方法可行时,执行任务分解,并更新初始任务网络,当判断需要添加定制化任务时,将定制化任务更新到任务网络中;
S104,遍历集群任务中的所有待执行任务,直至完成任务网络更新;
在所述半实物仿真阶段中,具体包括:
S201,将多个无人机平台通过交换机接入到任务网络中;其中,所述无人机平台中包括仿真计算机、飞控系统以及协同决策系统;
S202,通过所述任务网络获取并处理所有无人机平台所上传的集群任务,并将集群任务分解为可执行的子任务下发到无人机平台中;
S203,通过无人机平台中的协同决策系统实现任务的执行,并根据飞控系统发送的无人机实时位姿信息规划出航迹信息;
S204,通过飞控系统接收航迹信息和无人机平台的实时状态信息,并通过控制算法解算求解出无人机平台的控制参数,输出飞行控制指令;
S205,通过仿真计算机接收来自飞控系统的控制指令,通过设置仿真环境中无人机的参数,实现对于无人机平台运动的仿真。
2.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,获取集群任务中包括可分解任务和不可分解任务,每个任务中的属性信息包含地点、时间、父任务、子任务、同级别协同任务、执行者以及内部参数。
3.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,从初始任务网络中获得最高优先级的待执行任务,并判断所述待执行任务是否需要分解,所述方法还包括:
当所述待执行任务不需要分解时,则输出集群可直接执行任务,并结束多任务管理控制阶段。
4.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,每个需要分解任务都对应的至少一种分解方法;其中,分解方法的数学表达为m=(t,C,w),其中的t是待分解任务,C是任务分解的前置条件,W=[subt1,...,subtn]是分解的子任务结果。
5.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,当所述待执行任务需要分解时,调用预测对抗树对所述待执行任务进行判断之后,所述方法还包括:
当判断待执行任务为定制化任务时,在初始任务网络中添加定制化任务分支,并根据初始任务网络。
6.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,所述定制化任务为对任务的属性进行修改后的任务。
7.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,在S103中当判断待执行任务所对应的分解方法不可执行时,则重新调用预测对抗树对待执行任务进行判断。
8.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,所述预测对抗树对待执行任务进行判断的具体过程包括:
获取当前态势信息、当前任务网络、当前需要分解任务、作战知识信息;
获取针对待分解任务的方法集合;
根据作战知识信息预测敌方后续行动;
基于任务分解和敌方行动构建一定层数的对抗搜索树;
对抗搜索得到最佳分解方法,并判断是否满足当前态势和任务需要,当满足时则输出最佳分解方法。
9.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,将多个无人机平台通过交换机接入到任务网络中,所述交换机具体用于实现无人机集群之间的信息交互仿真,负责传输集群任务信息、航迹信息、无人机实时状态信息、控制指令信息。
10.根据权利要求1所述的无人机集群多任务控制半实物仿真方法,其特征在于,无人机平台中的仿真计算机可以为Xplane仿真系统,具体包括了固定翼无人机6自由度模型;所述仿真计算机与飞控系统之间通过串口通信连接,所述飞控系统与协同决策系统之间通过串口通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677533.2A CN116430754B (zh) | 2023-06-09 | 2023-06-09 | 一种无人机集群多任务控制半实物仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310677533.2A CN116430754B (zh) | 2023-06-09 | 2023-06-09 | 一种无人机集群多任务控制半实物仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116430754A CN116430754A (zh) | 2023-07-14 |
CN116430754B true CN116430754B (zh) | 2023-09-12 |
Family
ID=87081757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310677533.2A Active CN116430754B (zh) | 2023-06-09 | 2023-06-09 | 一种无人机集群多任务控制半实物仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116430754B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130987B (zh) * | 2023-10-27 | 2024-02-23 | 北京卓翼智能科技有限公司 | 一种大规模无人机集群的飞控管理方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933246A (zh) * | 2017-03-29 | 2017-07-07 | 厦门大学 | 一种多无人机的复杂任务规划方法 |
KR20190001436A (ko) * | 2017-06-27 | 2019-01-04 | 광운대학교 산학협력단 | 다수의 무인비행체 시스템과 군집 지능을 사용한 현실 3d 공간 탐색 시스템 및 방법 |
CN112182977A (zh) * | 2020-10-12 | 2021-01-05 | 中国人民解放军国防科技大学 | 一种无人集群协同博弈对抗的控制方法及系统 |
CN112422699A (zh) * | 2021-01-25 | 2021-02-26 | 中国人民解放军国防科技大学 | 一种基于动态调整的无人机集群行动方案生成方法 |
CN113589842A (zh) * | 2021-07-26 | 2021-11-02 | 中国电子科技集团公司第五十四研究所 | 一种基于多智能体强化学习的无人集群任务协同方法 |
CN113722912A (zh) * | 2021-08-31 | 2021-11-30 | 中国电子科技集团公司第五十四研究所 | 一种虚实融合的无人集群协同验证系统 |
CN114063474A (zh) * | 2021-12-03 | 2022-02-18 | 北京航空航天大学 | 一种无人机集群的半物理仿真系统 |
CN114741886A (zh) * | 2022-04-18 | 2022-07-12 | 中国人民解放军军事科学院战略评估咨询中心 | 一种基于贡献度评价的无人机集群多任务训练方法及系统 |
-
2023
- 2023-06-09 CN CN202310677533.2A patent/CN116430754B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933246A (zh) * | 2017-03-29 | 2017-07-07 | 厦门大学 | 一种多无人机的复杂任务规划方法 |
KR20190001436A (ko) * | 2017-06-27 | 2019-01-04 | 광운대학교 산학협력단 | 다수의 무인비행체 시스템과 군집 지능을 사용한 현실 3d 공간 탐색 시스템 및 방법 |
CN112182977A (zh) * | 2020-10-12 | 2021-01-05 | 中国人民解放军国防科技大学 | 一种无人集群协同博弈对抗的控制方法及系统 |
CN112422699A (zh) * | 2021-01-25 | 2021-02-26 | 中国人民解放军国防科技大学 | 一种基于动态调整的无人机集群行动方案生成方法 |
CN113589842A (zh) * | 2021-07-26 | 2021-11-02 | 中国电子科技集团公司第五十四研究所 | 一种基于多智能体强化学习的无人集群任务协同方法 |
CN113722912A (zh) * | 2021-08-31 | 2021-11-30 | 中国电子科技集团公司第五十四研究所 | 一种虚实融合的无人集群协同验证系统 |
CN114063474A (zh) * | 2021-12-03 | 2022-02-18 | 北京航空航天大学 | 一种无人机集群的半物理仿真系统 |
CN114741886A (zh) * | 2022-04-18 | 2022-07-12 | 中国人民解放军军事科学院战略评估咨询中心 | 一种基于贡献度评价的无人机集群多任务训练方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于无人机机动性能约束的航迹规划方法;郭健 等;计算机与信息技术(第12期);1-5 * |
Also Published As
Publication number | Publication date |
---|---|
CN116430754A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116430754B (zh) | 一种无人机集群多任务控制半实物仿真方法 | |
Agarwal et al. | Flexible and intelligent learning architectures for SoS (FILA-SoS): Architectural evolution in systems-of-systems | |
Liu et al. | Solving the tree-structured task allocation problem via group multirole assignment | |
CN112801540B (zh) | 基于无人集群的智能协同架构设计方法 | |
CN112422699B (zh) | 一种基于动态调整的无人机集群行动方案生成方法 | |
Roldán et al. | Analyzing and improving multi-robot missions by using process mining | |
CN116451934B (zh) | 多无人机边缘计算路径优化与依赖任务调度优化方法及系统 | |
Neary et al. | Verifiable and compositional reinforcement learning systems | |
Wu et al. | Research on task priority model and algorithm for satellite scheduling problem | |
CN114740899B (zh) | 一种网格化空域分配与协同搜索规划方法 | |
Roberts et al. | Goal reasoning to coordinate robotic teams for disaster relief | |
Weyns et al. | Decentralized control of automatic guided vehicles: applying multi-agent systems in practice | |
Molina et al. | Behavior coordination for self-adaptive robots using constraint-based configuration | |
Dridi et al. | A multi-objective optimization approach for resource assignment and task scheduling problem: Application to maritime domain awareness | |
Nguyen et al. | A genetic programming approach for evolving variable selectors in constraint programming | |
US20220051165A1 (en) | Systems and methods of assigning microtasks of workflows to teleoperators | |
KR101345645B1 (ko) | 목표지향 행위계획 결정이 가능한 모의훈련 시스템 및 목표지향 행위계획 결정방법 | |
Petersen et al. | Fast task-sequence allocation for heterogeneous robot teams with a human in the loop | |
Feo-Flushing et al. | Spatially-distributed missions with heterogeneous multi-robot teams | |
Pereira et al. | Multi-agent systems and bio-inspired coordination applied to manufacturing industries | |
Penserini et al. | Development framework for DRONEs as smart autonomous systems | |
Dodonov et al. | Modeling Complexes of Organizational Management Automated Systems-a Means to Overcome the Management Crisis. | |
Bayliss et al. | Probabilistic airline reserve crew scheduling model | |
Perugini et al. | Agents for military logistic planning | |
Guo et al. | Predictive safety network for resource-constrained multi-agent systems |
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 |