CN116954264B - 分布式高亚音速无人机集群控制系统及其方法 - Google Patents
分布式高亚音速无人机集群控制系统及其方法 Download PDFInfo
- Publication number
- CN116954264B CN116954264B CN202311157420.6A CN202311157420A CN116954264B CN 116954264 B CN116954264 B CN 116954264B CN 202311157420 A CN202311157420 A CN 202311157420A CN 116954264 B CN116954264 B CN 116954264B
- Authority
- CN
- China
- Prior art keywords
- local formation
- unmanned aerial
- aerial vehicle
- shallow
- high subsonic
- 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 35
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 187
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims description 61
- 238000000605 extraction Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005755 formation reaction Methods 0.000 description 136
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 101710146072 Oxygen-independent coproporphyrinogen III oxidase Proteins 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种分布式高亚音速无人机集群控制系统及其方法,其获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及,基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。这样,可在高亚音速无人机判断出自身的位置不准确时及时进行位置自校验和自调整。
Description
技术领域
本发明涉及智能化控制技术领域,尤其涉及一种分布式高亚音速无人机集群控制系统及其方法。
背景技术
随着无人机技术的发展,多无人机协同执行任务比单架无人机更具优势。其中,高亚音速无人机集群队形控制是保证无人机集群更好地执行各项任务的前提。无人机集群队形控制是指多架具有自主功能的无人机根据不同的任务需求或外部环境进行相应的队形生成、保持、变换与重构,其中,队形变换更是关键的一环。不同的集群队形往往有着不同的用途,常见的集群队形有V字形、一字形、圆形等。V字形可以减少飞行阻力,提高整个集群的空气动力学效能,增加飞行航程;一字形常用于穿越狭窄山谷等障碍;圆形多用于集中攻击目标。
作为常见的队形控制的方法之一,基于行为的方法可根据相邻高亚音速无人机的位置反馈进行调节实现分布式控制。但是,由于高亚音速无人机之间的通信和定位受到环境因素或其他干扰的影响,可能导致高亚音速无人机的位置可能出现偏差。
因此,期待一种优化的分布式高亚音速无人机集群控制方案。
发明内容
本发明实施例提供一种分布式高亚音速无人机集群控制系统及其方法,其获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及,基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。这样,可在高亚音速无人机判断出自身的位置不准确时及时进行位置自校验和自调整。
本发明实施例还提供了一种分布式高亚音速无人机集群控制方法,其包括:
获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;
对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及
基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。
本发明实施例还提供了一种分布式高亚音速无人机集群控制系统,其包括:
图像获取模块,用于获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;
图像特征提取模块,用于对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及
第一高亚音速无人机的位置确定模块,用于基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。
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。在附图中:
图1为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的流程图。
图2为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的系统架构的示意图。
图3为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法中步骤120的子步骤的流程图。
图4为本发明实施例中提供的一种分布式高亚音速无人机集群控系统的框图。
图5为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
如本发明和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
应可以理解,无人机(Unmanned Aerial Vehicle,简称UAV)是一种没有人搭乘的飞行器,通常由系统、数据链和地面控制站组成。高亚音速无人机可以通过自主飞行或遥控操作来执行各种任务。
高亚音速无人机是一种能够以接近音速的速度进行飞行的无人机。相比传统的亚音速无人机,高亚音速无人机具有更高的飞行速度和更好的机动性能。
高亚音速无人机通常采用先进的气动设计和推进系统,以实现高速飞行,它们通常具有较窄的机翼和流线型的机身设计,以减小飞行阻力并提高空气动力学效能。此外,高亚音速无人机还可能采用推力矢量控制技术,以增强机动性能和操控能力。
高亚音速无人机在军事、航空科研和民用领域具有广泛的应用。在军事方面,高亚音速无人机可以用于侦察、目标定位、打击和巡航任务,其高速和机动性能使其能够快速响应和执行任务。在航空科研领域,高亚音速无人机可以用于空气动力学研究、飞行试验和新技术验证。在民用领域,高亚音速无人机可以用于快速货运、紧急救援和监测任务,提供高效、快速的解决方案。
高亚音速无人机的结构和设计因用途而异,但通常包括机身、机翼、螺旋桨、电池、传感器和控制系统等组件。高亚音速无人机可以通过遥控器、自动驾驶系统或预设航线来进行控制。近年来,随着技术的进步,高亚音速无人机的性能和功能不断提升,例如飞行时间延长、载荷能力增加、传感器精度提高等。
随着技术的发展,多无人机协同执行任务比单架无人机更具优势。高亚音速无人机集群可以同时执行多个任务,相比单个高亚音速无人机,集群可以更快地完成任务,提高效率。集群中的高亚音速无人机可以相互协作,实现冗余和备份。当其中一架高亚音速无人机发生故障时,其他高亚音速无人机可以接管任务,保证任务的连续性和可靠性。
高亚音速无人机集群可以根据任务需求进行灵活调整和重新配置。根据任务的不同阶段或不同需求,可以动态地改变集群中高亚音速无人机的数量、位置和角色分配。集群中的高亚音速无人机可以共享数据和信息,通过协同工作和信息融合,可以提高对任务环境的感知和理解能力,从而更好地完成任务。高亚音速无人机集群可以通过协同工作和相互通信来提高飞行安全性。它们可以共享飞行信息,避免碰撞,并通过集中控制中心进行统一管理和监控。
高亚音速无人机集群控制具有提高任务效率、增强系统可靠性、提升灵活性和适应性、实现数据协同和信息融合以及提升安全性等多个方面的必要性和优势。在本发明的一个实施例中,图1为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的流程图。图2为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的系统架构的示意图。如图1和图2所示,根据本发明实施例的分布式高亚音速无人机集群控制方法100,包括:110,获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;120,对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及,130,基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。
其中,在所述步骤110中,确保第一高亚音速无人机能够准确地获取局部队形图像,并且图像质量要足够好,以便后续的图像处理和特征提取能够得到准确的结果。通过获取局部队形图像,可以获得关于周围高亚音速无人机位置和姿态的视觉信息,为后续的集群控制提供基础数据。
在所述步骤120中,选择适当的图像特征提取算法,例如卷积神经网络(CNN)等,以提取出能够表征局部队形的特征。确保特征提取过程具有鲁棒性和高效性。通过提取局部队形图像的特征,可以将图像信息转化为数值化的特征向量,方便后续的位置判断和决策。
在所述步骤130中,利用特征向量进行位置判断时,建立适当的位置判断模型或算法,例如机器学习方法或规则匹配方法。同时,考虑特征向量的准确性和可靠性。通过基于局部队形特征向量进行位置判断,可以评估第一高亚音速无人机的位置准确性。如果位置不准确,可以采取相应的校正措施,实现自校验和自调整。
这种基于局部视角图像的分布式高亚音速无人机集群控制方法可以实现分布式控制,每架高亚音速无人机都可以通过采集和处理局部图像来进行自主决策和控制,实现分布式的集群控制。通过局部图像的采集和处理,可以实现对高亚音速无人机位置的实时判断和调整,提高集群控制的实时性。通过图像特征提取和位置判断,可以减少对传感器精度和环境变化的依赖,提高集群控制的鲁棒性。通过利用图像特征和位置判断,可以实现对高亚音速无人机位置的精确判断和调整,提高集群控制的精确性。
这种基于局部视角图像的分布式高亚音速无人机集群控制方法具有分布式控制、实时性、鲁棒性和精确性等有益效果。
具体地,在所述步骤110中,获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像。针对上述技术问题,本申请的技术构思是:在分布式高亚音速无人机集群的队形排列控制中,基于各个高亚音速无人机的局部视角图像来判断自身的位置是否准确。通过这样的方式,可在高亚音速无人机判断出自身的位置不准确时及时进行位置自校验和自调整。
基于此,在本申请的技术方案中,首先,获取由所述分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像。通过分析图像中的运动信息,如光流算法可以估计高亚音速无人机的运动方向和速度,通过比较实际运动与预期运动,可以验证位置的准确性。局部图像中可能包含一些环境特征,如地标、建筑物或其他高亚音速无人机,通过识别和匹配这些环境特征,可以进一步验证位置的准确性。如果局部图像包含深度信息(例如,通过深度相机获取),可以利用这些信息来估计高亚音速无人机与周围物体的距离,从而验证位置的准确性。
进一步地,局部队形图像可以提供周围高亚音速无人机的位置信息参考,通过分析图像中的高亚音速无人机位置和姿态,可以获得相对位置关系,从而辅助判断第一高亚音速无人机的位置。通过比对局部队形图像中的高亚音速无人机位置和实际位置,可以检测到第一高亚音速无人机的位置是否准确,如果图像中的位置与实际位置存在差异,可以进行相应的位置校正,以提高第一高亚音速无人机的位置准确性。
局部队形图像还可以提供环境感知信息,包括障碍物、地标等,通过分析图像中的环境信息,可以更好地理解周围环境,为第一高亚音速无人机的位置判断提供更全面的依据。通过对局部队形图像进行分析和比对,可以实现自校验和自调整,如果第一高亚音速无人机的位置判断不准确,可以通过图像信息进行校正和调整,从而提高位置的准确性。
获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像对最后确定第一高亚音速无人机的位置是否准确起到了重要的作用,提供了位置信息参考、支持位置校正、提供环境感知以及实现自校验和自调整等功能。
具体地,在所述步骤120中,对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量。图3为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法中步骤120的子步骤的流程图,如图3所示,对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量,包括:121,计算所述局部队形图像的局部队形轮廓点分布直方图;122,提取所述局部队形轮廓点分布直方图的浅层特征信息以得到局部队形浅层特征图;以及,123,将所述局部队形浅层特征图通过全连接层以得到局部队形浅层特征全连接特征向量。
首先,通过计算局部队形图像的轮廓点分布直方图,可以捕捉到图像中不同区域的轮廓形状和分布信息,有助于提取图像的结构特征,用于后续的浅层特征提取。然后,通过对局部队形轮廓点分布直方图进行浅层特征提取,可以进一步提取出图像的纹理、形状和分布等特征信息。这些浅层特征可以用于描述局部队形的特征,为后续的特征表示提供基础。接着,通过将提取的浅层特征图输入全连接层,可以将图像的局部特征映射为固定长度的特征向量。这个特征向量可以用于后续的位置判断和分类任务,例如判断高亚音速无人机位置的准确性或识别不同的队形形态。
通过局部队形图像的特征提取和全连接层的处理,可以将图像信息转化为具有丰富语义信息的特征向量,从而更好地支持位置判断和控制决策。这有助于提高高亚音速无人机队形控制的精确性和可靠性。
对于所述步骤121,应可以理解,轮廓信息在判断高亚音速无人机的位置是否准确上起到重要作用。具体来说,轮廓是物体边缘的表示,能够提供关于物体形状和结构的信息。在高亚音速无人机集群控制过程中,对当前高亚音速无人机的位置进行判断时,其他高亚音速无人机的位置信息具有重要的意义。而所述局部队形图像中的轮廓信息可以反映其他高亚音速无人机的相对位置和姿态信息,这有利于进行高亚音速无人机的位置是否准确的精准判断。
因此,为捕捉蕴含在所述局部队形图像中的轮廓信息,在本申请的技术方案中,计算所述局部队形图像的局部队形轮廓点分布直方图。这里,轮廓点分布直方图(ContoursPoints Distribution Histogram, CPDH)以目标形状的最小外接圆为特征提取区域,以若干轮廓采样点分布为统计对象,以目标形状质心为圆心建立极坐标下的轮廓点分布直方图。CPDH不仅能有效地进行形状检索且算法运行时间比SC更低。
局部队形图像的CPDH是将图像中的轮廓点分布情况表示为直方图,将图像分成若干个区域,并统计每个区域内的轮廓点数量,然后将这些统计结果绘制成直方图。通过分析CPDH,可以了解到局部队形图像中轮廓点的分布情况,从而推断出物体的形状、结构和位置信息,这对于高亚音速无人机队形控制中的位置判断和自校验非常有用。
通过计算局部队形图像的轮廓点分布直方图,可以提取出轮廓点的分布特征,这些特征可以用于描述物体的形状和结构,为后续的位置判断和自校验提供有用的信息。通过分析轮廓点分布直方图,可以对局部队形图像中物体的位置进行判断。不同位置的物体在轮廓点分布上可能存在差异,通过比较目标物体的轮廓点分布与参考分布,可以确定物体的位置。
局部队形轮廓点分布直方图可以作为一种自校验的手段,通过比较当前图像的轮廓点分布直方图与之前的参考分布,可以检测出位置偏差或异常情况。如果出现明显的差异,可以触发相应的校正措施,确保高亚音速无人机队形的准确性和稳定性。根据局部队形轮廓点分布直方图的变化情况,可以实现自动调整高亚音速无人机的位置和姿态,通过实时监测轮廓点分布直方图的变化,可以对高亚音速无人机的控制信号进行调整,使其自动适应不同的环境和任务需求,实现自动化的队形控制。
计算局部队形图像的局部队形轮廓点分布直方图可以提供有益的特征信息,用于位置判断、自校验和自调整,从而提高高亚音速无人机队形控制的效率和可靠性。
对于所述步骤122,包括:将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器以得到初始局部队形浅层特征图;以及,对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图。
接着,将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器以得到局部队形浅层特征图;然后,将所述局部队形浅层特征图通过全连接层以得到局部队形浅层特征全连接特征向量。
应可以理解,将局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器可以得到局部队形的浅层特征图。这样,可以提取出更具有代表性的特征,从而更好地描述和表达局部队形的形状和结构信息。通过浅层特征提取器,可以将原始的轮廓点分布直方图转化为一张具有更高级别的特征图,这个特征图可以包含更多的语义信息,有助于进一步提高位置判断的准确性。同时,基于卷积神经网络的浅层特征提取器具有学习能力,可以自动学习和提取最具有区分性的特征,从而更好地适应不同的局部队形变化和环境条件,以显著提高高亚音速无人机队形控制的效果和性能。
进一步地,全连接层可以将特征图中的每一个像素点都连接到全连接层中的每一个神经元,从而将二维的特征图转化为一维的特征向量。这样,可以将图像中的空间信息转化为特征向量中的位置信息,更好地表示局部队形的特征。
全连接层可以通过学习权重和偏置,将特征图中的每一个位置的特征值与全连接层中的神经元相连接,从而得到一个与特征图相对应的特征向量。这个特征向量可以包含更丰富的特征信息,有助于进一步提高位置判断的准确性。因此,将局部队形浅层特征图通过全连接层以得到局部队形浅层特征的全连接特征向量对于提高高亚音速无人机队形控制效果是有益的。
在本申请的技术方案中,将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器进行局部图像语义关联特征的提取时,由于所述局部队形轮廓点分布直方图是以目标形状的最小外接圆为特征提取区域,以若干轮廓采样点分布为统计对象,以目标形状质心为圆心建立的,在构成网格的描述集合时,由于轮廓点的分布可能在卷积神经网络模型的不同的特征提取通道上是不均匀的,即不同通道上的特征点密度不一致,叠加极坐标表示下对于目标形状在跨提取通道上的形状变化敏感性,所述初始局部队形浅层特征图的各个特征矩阵之间可能存在较大的特征分布差异,使得所述初始局部队形浅层特征图通过全连接层得到的所述局部队形浅层特征全连接特征向量的整体流形几何连续性差。这样,如果将所述初始局部队形浅层特征图的各个特征矩阵在高维特征空间内的特征表示作为前景对象特征,则各个特征矩阵的特征分布差异会作为背景分布噪声,因此需要解决所述初始局部队形浅层特征图的各个特征矩阵在分类器的概率空间内的概率密度映射误差,以提升所述局部队形浅层特征全连接特征向量通过分类器得到的分类结果的准确性。
基于此,本申请对所述初始局部队形浅层特征图的每个特征矩阵,例如记为进行特征尺度作为模仿掩码的秩排列分布软匹配,表示为:以如下优化公式对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图;其中,所述优化公式为:/>其中,/>是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵,/>是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵/>的第/>位置的特征值,/>是所述特征矩阵/>的尺度,/>表示所述特征矩阵/>的Frobenius范数的平方,/>表示所述特征矩阵/>的二范数,即谱范数/>,/>是/>的最大本征值,且/>是加权超参数,/>是所述局部队形浅层特征图的沿通道维度的每个特征矩阵的第/>位置的特征值。
这里,所述特征尺度作为模仿掩码的秩排列分布软匹配可以将高维特征映射到概率密度空间内时,将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声,并通过所述特征矩阵的不同范数进行的金字塔式秩排列分布的分布软匹配,来有效捕捉概率密度分布的中心区域和尾部区域之间的相关性,避免了由于所述特征矩阵/>的高维特征的维度异质分布导致的概率密度映射偏差,从而提升所述局部队形浅层特征全连接特征向量通过分类器得到的分类结果的准确性。
具体地,在所述步骤130中,所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确,包括:将所述局部队形浅层特征全连接特征向量通过分类器以得到分类结果,所述分类结果用于表示所述第一高亚音速无人机的位置是否准确。
进一步地,将所述局部队形浅层特征全连接特征向量通过分类器以得到分类结果,所述分类结果用于表示所述第一高亚音速无人机的位置是否准确。分类器是一种机器学习模型,用于将输入数据映射到不同的类别或得分,在高亚音速无人机队形控制中,可以使用分类器来判断第一高亚音速无人机的位置是否准确。
分类器包括支持向量机(Support Vector Machine,SVM)、决策树(DecisionTree)、随机森林(Random Forest)、逻辑回归(Logistic Regression)等。这些分类器可以根据输入的特征向量,学习特征与位置准确性之间的关系,并将其用于判断第一高亚音速无人机的位置。
在本申请的一个实施例中,分类器的训练过程通常包括以下步骤:首先,收集标注的训练数据,包括局部队形浅层特征全连接特征向量和对应的位置准确性标签。然后,将训练数据分为训练集和验证集。接着,在训练集上使用分类器算法进行训练,通过调整模型的参数和权重,使得分类器能够更好地拟合训练数据。然后,在验证集上评估分类器的性能,包括准确率、精确率、召回率等指标,以选择最佳的分类器模型。最后,使用最佳模型对新的局部队形浅层特征全连接特征向量进行分类,得到分类结果。通过分类器,可以将局部队形浅层特征与准确位置之间的关系建模,并将其用于判断第一高亚音速无人机的位置准确性。
分类器可以根据给定的特征向量,将其映射到不同的类别或得分,从而确定位置的准确性。这样的分类结果可以作为一个指示器,帮助判断第一高亚音速无人机的位置是否正确。通过不断的训练和优化分类器,可以提高判断准确性,并进一步提高高亚音速无人机队形控制的效果。因此,将局部队形浅层特征通过分类器进行分类对于判断位置准确性是有益的。
综上,基于本发明实施例的分布式高亚音速无人机集群控制方法100被阐明,在分布式高亚音速无人机集群的队形排列控制中,基于各个高亚音速无人机的局部视角图像来判断自身的位置是否准确。通过这样的方式,可在高亚音速无人机判断出自身的位置不准确时及时进行位置自校验和自调整。
在本发明的一个实施例中,图4为本发明实施例中提供的一种分布式高亚音速无人机集群控系统的框图。如图4所示,根据本发明实施例的分布式高亚音速无人机集群控系统200,包括:图像获取模块210,用于获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;图像特征提取模块220,用于对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及,第一高亚音速无人机的位置确定模块230,用于基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确。
所述分布式高亚音速无人机集群控系统,一方面,可以提高集群队形控制的准确性。通过利用高亚音速无人机的局部视角图像和图像特征提取技术,系统可以判断第一高亚音速无人机的位置是否准确。这可以帮助实现更精确的队形控制,提高集群执行任务的效率和准确性。
一方面,可以实时性和分布式控制。分布式高亚音速无人机集群控系统是基于分布式高亚音速无人机集群的,每架高亚音速无人机可以通过自身的图像获取模块获取局部队形图像,并通过位置确定模块判断自身位置是否准确。这种实时性和分布式控制的设计可以使高亚音速无人机集群能够快速响应外部环境变化,并进行自主的位置校正和调整。
另一方面,可以提高鲁棒性和稳定性。由于高亚音速无人机之间的通信和定位受到环境因素或其他干扰的影响,可能导致高亚音速无人机的位置出现偏差。通过利用局部视角图像进行位置判断和校验,系统可以减少对外部环境的依赖,提高系统的鲁棒性和稳定性。
再一方面,可以提高分布式高亚音速无人机集群控系统的可扩展性。分布式高亚音速无人机集群控系统可以适应不同的高亚音速无人机集群队形,通过调整图像特征提取模块和位置确定模块的算法和参数,可以适应不同的集群队形需求,具有一定的灵活性和可扩展性。
该分布式高亚音速无人机集群控制系统具有提高集群队形控制准确性、实时性和分布式控制、提高鲁棒性和稳定性,以及系统的可扩展性等有益效果和必要性。
具体地,在所述分布式高亚音速无人机集群控系统中,所述图像特征提取模块,包括:分布直方图计算单元,用于计算所述局部队形图像的局部队形轮廓点分布直方图;浅层特征提取单元,用于提取所述局部队形轮廓点分布直方图的浅层特征信息以得到局部队形浅层特征图;以及,全连接单元,用于将所述局部队形浅层特征图通过全连接层以得到局部队形浅层特征全连接特征向量。
具体地,在所述分布式高亚音速无人机集群控系统中,所述浅层特征提取单元,包括:卷积编码子单元,用于将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器以得到初始局部队形浅层特征图;以及,优化子单元,用于对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图。
具体地,在所述分布式高亚音速无人机集群控系统中,所述优化子单元,用于:以如下优化公式对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图;其中,所述优化公式为:其中,/>是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵,/>是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵/>的第/>位置的特征值,/>是所述特征矩阵/>的尺度,/>表示所述特征矩阵/>的Frobenius范数的平方,/>表示所述特征矩阵/>的二范数,且/>是加权超参数,/>是所述局部队形浅层特征图的沿通道维度的每个特征矩阵的第/>位置的特征值。
具体地,在所述分布式高亚音速无人机集群控系统中,所述第一高亚音速无人机的位置确定模块,用于:将所述局部队形浅层特征全连接特征向量通过分类器以得到分类结果,所述分类结果用于表示所述第一高亚音速无人机的位置是否准确。
这里,本领域技术人员可以理解,上述分布式高亚音速无人机集群控系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的分布式高亚音速无人机集群控方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本发明实施例的分布式高亚音速无人机集群控系统200可以实现在各种终端设备中,例如用于分布式高亚音速无人机集群控的服务器等。在一个示例中,根据本发明实施例的分布式高亚音速无人机集群控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该分布式高亚音速无人机集群控系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该分布式高亚音速无人机集群控系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该分布式高亚音速无人机集群控系统200与该终端设备也可以是分立的设备,并且分布式高亚音速无人机集群控系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种分布式高亚音速无人机集群控制方法的应用场景图。如图5所示,在该应用场景中,首先,获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像(例如,如图5中所示意的C);然后,将获取的局部队形图像输入至部署有分布式高亚音速无人机集群控制算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于分布式高亚音速无人机集群控制算法对所述局部队形图像进行处理,以确定所述第一高亚音速无人机的位置是否准确。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种分布式高亚音速无人机集群控制方法,其特征在于,包括:
获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;
对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及
基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确;
其中,对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量,包括:
计算所述局部队形图像的局部队形轮廓点分布直方图;
提取所述局部队形轮廓点分布直方图的浅层特征信息以得到局部队形浅层特征图;以及
将所述局部队形浅层特征图通过全连接层以得到局部队形浅层特征全连接特征向量;
其中,提取所述局部队形轮廓点分布直方图的浅层特征信息以得到局部队形浅层特征图,包括:
将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器以得到初始局部队形浅层特征图;以及
对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图。
2.根据权利要求1所述的分布式高亚音速无人机集群控制方法,其特征在于,对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图,包括:以如下优化公式对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图;
其中,所述优化公式为:
其中,M是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵,mi,j是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵M的第(i,j)位置的特征值,S是所述特征矩阵M的尺度,表示所述特征矩阵M的Frobenius范数的平方,||M||2表示所述特征矩阵M的二范数,且α是加权超参数,m'i,j是所述局部队形浅层特征图的沿通道维度的每个特征矩阵的第(i,j)位置的特征值。
3.根据权利要求2所述的分布式高亚音速无人机集群控制方法,其特征在于,基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确,包括:
将所述局部队形浅层特征全连接特征向量通过分类器以得到分类结果,所述分类结果用于表示所述第一高亚音速无人机的位置是否准确。
4.一种分布式高亚音速无人机集群控制系统,其特征在于,包括:
图像获取模块,用于获取由分布式高亚音速无人机集群中第一高亚音速无人机采集的局部队形图像;
图像特征提取模块,用于对所述局部队形图像进行图像特征提取以得到局部队形浅层特征全连接特征向量;以及
第一高亚音速无人机的位置确定模块,用于基于所述局部队形浅层特征全连接特征向量,确定所述第一高亚音速无人机的位置是否准确;
其中,所述图像特征提取模块,包括:
分布直方图计算单元,用于计算所述局部队形图像的局部队形轮廓点分布直方图;
浅层特征提取单元,用于提取所述局部队形轮廓点分布直方图的浅层特征信息以得到局部队形浅层特征图;以及
全连接单元,用于将所述局部队形浅层特征图通过全连接层以得到局部队形浅层特征全连接特征向量;
其中,所述浅层特征提取单元,包括:
卷积编码子单元,用于将所述局部队形轮廓点分布直方图通过基于第一卷积神经网络模型的浅层特征提取器以得到初始局部队形浅层特征图;以及
优化子单元,用于对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图。
5.根据权利要求4所述的分布式高亚音速无人机集群控制系统,其特征在于,所述优化子单元,用于:以如下优化公式对所述初始局部队形浅层特征图进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述局部队形浅层特征图;
其中,所述优化公式为:
其中,M是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵,mi,j是所述初始局部队形浅层特征图的沿通道维度的每个特征矩阵M的第(i,j)位置的特征值,S是所述特征矩阵M的尺度,表示所述特征矩阵M的Frobenius范数的平方,||M||2表示所述特征矩阵M的二范数,且α是加权超参数,m'i,j是所述局部队形浅层特征图的沿通道维度的每个特征矩阵的第(i,j)位置的特征值。
6.根据权利要求5所述的分布式高亚音速无人机集群控制系统,其特征在于,所述第一高亚音速无人机的位置确定模块,用于:
将所述局部队形浅层特征全连接特征向量通过分类器以得到分类结果,所述分类结果用于表示所述第一高亚音速无人机的位置是否准确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157420.6A CN116954264B (zh) | 2023-09-08 | 2023-09-08 | 分布式高亚音速无人机集群控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311157420.6A CN116954264B (zh) | 2023-09-08 | 2023-09-08 | 分布式高亚音速无人机集群控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116954264A CN116954264A (zh) | 2023-10-27 |
CN116954264B true CN116954264B (zh) | 2024-03-15 |
Family
ID=88442712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311157420.6A Active CN116954264B (zh) | 2023-09-08 | 2023-09-08 | 分布式高亚音速无人机集群控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116954264B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152152B (zh) * | 2023-10-31 | 2024-02-02 | 吉林瑞特生物科技有限公司 | 检测试剂盒的生产管理系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862705A (zh) * | 2017-11-21 | 2018-03-30 | 重庆邮电大学 | 一种基于运动特征和深度学习特征的无人机小目标检测方法 |
CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载系统的远距离交通标志检测识别方法 |
JP2021092465A (ja) * | 2019-12-11 | 2021-06-17 | 株式会社自律制御システム研究所 | 無人航空機の推定位置を修正するためのシステム、方法、プログラム及びプログラムを記憶した記憶媒体 |
CN114063614A (zh) * | 2021-10-27 | 2022-02-18 | 山东科技大学 | 基于机载单目视觉感知的多小型机器人系统混合队形快速收敛方法 |
CN115686069A (zh) * | 2022-11-15 | 2023-02-03 | 杭州国科骏飞光电科技有限公司 | 一种无人机集群的同步协调控制方法及系统 |
CN116630828A (zh) * | 2023-05-30 | 2023-08-22 | 中国公路工程咨询集团有限公司 | 基于地形环境适配的无人机遥感信息采集系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11676284B2 (en) * | 2019-03-22 | 2023-06-13 | Nvidia Corporation | Shape fusion for image analysis |
-
2023
- 2023-09-08 CN CN202311157420.6A patent/CN116954264B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862705A (zh) * | 2017-11-21 | 2018-03-30 | 重庆邮电大学 | 一种基于运动特征和深度学习特征的无人机小目标检测方法 |
CN110188705A (zh) * | 2019-06-02 | 2019-08-30 | 东北石油大学 | 一种适用于车载系统的远距离交通标志检测识别方法 |
JP2021092465A (ja) * | 2019-12-11 | 2021-06-17 | 株式会社自律制御システム研究所 | 無人航空機の推定位置を修正するためのシステム、方法、プログラム及びプログラムを記憶した記憶媒体 |
CN114063614A (zh) * | 2021-10-27 | 2022-02-18 | 山东科技大学 | 基于机载单目视觉感知的多小型机器人系统混合队形快速收敛方法 |
CN115686069A (zh) * | 2022-11-15 | 2023-02-03 | 杭州国科骏飞光电科技有限公司 | 一种无人机集群的同步协调控制方法及系统 |
CN116630828A (zh) * | 2023-05-30 | 2023-08-22 | 中国公路工程咨询集团有限公司 | 基于地形环境适配的无人机遥感信息采集系统及方法 |
Non-Patent Citations (1)
Title |
---|
复杂背景下低空慢速红外无人机目标检测方法研究;张宇;中国优秀硕士论文工程科技II辑;20220215(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116954264A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
CN116954264B (zh) | 分布式高亚音速无人机集群控制系统及其方法 | |
Lebedev et al. | Accurate autonomous uav landing using vision-based detection of aruco-marker | |
Xu et al. | A cascade adaboost and CNN algorithm for drogue detection in UAV autonomous aerial refueling | |
CN114281093B (zh) | 一种基于无人机电力巡检的缺陷检测系统及方法 | |
Shen et al. | Person tracking and frontal face capture with uav | |
CN116907282B (zh) | 基于人工智能算法的无人靶机超低空飞行控制方法 | |
CN113589272A (zh) | 一种目标跟踪设备值班日志自动生成方法 | |
CN111831010A (zh) | 一种基于数字空间切片的无人机避障飞行方法 | |
Silva et al. | Landing area recognition by image applied to an autonomous control landing of VTOL aircraft | |
CN117036989A (zh) | 基于计算机视觉的微型无人机目标识别与跟踪控制方法 | |
CN109359545B (zh) | 复杂低空环境下一种协同监视方法与装置 | |
Knyaz et al. | Intelligent mobile object monitoring by unmanned aerial vehicles | |
Li et al. | A lightweight and explainable data-driven scheme for fault detection of aerospace sensors | |
CN107256034A (zh) | 一种基于无人机的变配电室多点环境数据采集系统 | |
Das et al. | Human target search and detection using autonomous UAV and deep learning | |
CN117390498A (zh) | 一种基于Transformer模型的固定翼集群无人机飞行能力评估方法 | |
Chen et al. | Vision based target recognition for cage aquaculture detection | |
CN115144879A (zh) | 一种多机多目标动态定位系统及方法 | |
Chen et al. | Integrated air-ground vehicles for uav emergency landing based on graph convolution network | |
CN114647255A (zh) | 一种无人机球体感知与捕捉装置及方法 | |
CN113949826A (zh) | 一种通信带宽有限条件下无人机集群协同侦察方法及系统 | |
Shi et al. | Design of Quadrotor Intelligent Rescue UAV Based on UAV Vision | |
KR102171597B1 (ko) | 풍력 발전기 블레이드 인식/분석 장치 및 방법 | |
Kwon et al. | Cooperative target localization by multiple unmanned aircraft systems using sensor fusion quality |
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 |