检索结果-内蒙古大学图书馆

航空学报 2023年第S01期44卷 236-245页

作者：范之琳杨洪勇韩艺琳鲁东大学信息与电气工程学院烟台264025

针对多智能体系统目标围捕问题,提出了基于强化学习的目标围捕控制方法。首先,对多智能体系统进行马尔可夫博弈建模,设计能够控制系统到期望围捕状态并满足避障要求的势能函数,将模型控制与强化学习原理结合,利用势能模型引导的改进多... 详细信息

针对多智能体系统目标围捕问题,提出了基于强化学习的目标围捕控制方法。首先,对多智能体系统进行马尔可夫博弈建模,设计能够控制系统到期望围捕状态并满足避障要求的势能函数,将模型控制与强化学习原理结合,利用势能模型引导的改进多智能体强化学习算法进行围捕。其次,在已有势能模型的基础上建立跟踪围捕和环航围捕2种围捕策略。前者通过设计速度势能函数实现多智能体一致跟踪。后者加入虚拟环航点,设计虚拟环航点势能函数实现期望环航。最终,仿真验证了多智能体强化学习围捕控制策略的有效性。

关键词：目标围捕强化学习势能函数多智能体系统避障

来源：评论

学校读者我要写书评

暂无评论

面向目标围捕任务的群体机器人自组织协商决策方法研究

面向目标围捕任务的群体机器人自组织协商决策方法研究

引用

作者：欧阳佶国防科技大学

学位级别：硕士

随着军事智能化的快速发展,群体机器人已经成为未来智能化战争的重要研究点,其在战场搜救、区域搜索与监视、饱和打击等军事行动上有着非常的优势。尽管目前国内外对群体机器人的需求、使用模式和主要功能等方面进行了一定的基础理论研... 详细信息

随着军事智能化的快速发展,群体机器人已经成为未来智能化战争的重要研究点,其在战场搜救、区域搜索与监视、饱和打击等军事行动上有着非常的优势。尽管目前国内外对群体机器人的需求、使用模式和主要功能等方面进行了一定的基础理论研究和装备研发实践,但是其在为打赢未来智能化战争带来上述优势的同时,也面临着一个亟待解决的问题——群体机器人之间的自组织协商决策问题。与传统机器人的控制模式相比,没有计算与调度中心的群体机器人必须解决大规模作战时带来的海量战场数据、动态变化的任务环境、低时延要求等带来的问题,特别是随着未来战争日益突出的智能化、自主化特征,群体机器人在面临多变复杂的战场环境时需要及时地做出决策,指导自身行动,传统机器人内的运筹与决策方法难以满足群体机器人内部决策的基本要求。因此,群体机器人的自组织协商决策方法研究对提高群体机器人在未来军事应用过程中的可行性和可扩展性,对未来动态多变的战场环境的适应能力,以及提升未来作战的装备和战术智能化、自主化能力有着十分重要的意义。本文对面向目标围捕任务的群体机器人自组织协商决策方法进行了研究。在群体机器人的目标围捕任务中,针对群体机器人无中心控制和局部交互的特点,为了提高群体机器人执行多个任务的效率,本文提出了一种群体机器人自组织分簇协商决策方法,群体机器人分簇后将在簇内进行信息的交互和作出决策,以减小机器人之间的信息处理负载。该协商决策方法应用于一个多目标围捕的任务场景并给出了具体的分簇和协商决策算法,以并行实现对多个目标的围捕任务。最后,通过实验验证了本文所提的理论方法。论文的主要工作及创新总结如下: (1)群体机器人分簇协商决策框架设计针对现有群体机器人决策方法无法满足群体机器人对多个任务的及时处理要求,本文设计了一种群体机器人的分簇协商决策框架。为了让群体机器人能并行执行多个需要一定数量群体机器人合作完成的目标围捕任务,提高群体机器人完成任务的效率,设计了群体机器人分簇协商决策框架的具体内容和运行流程。在这个框架下,群体机器人可以自组织地分成若干个簇且每个簇能独立执行各自的任务,适应群体机器人面临的多任务环境,提高群体层面的任务完成效率。 (2)基于局部信息交互的群体机器人自组织分簇方法为了有效实现大规模群体机器人对多个目标的围捕任务,提高群体机器人之间分工协作程度,本部分设计了一种群体机器人自组织分簇方法。在该方法中,群体机器人通过和通信范围内友邻机器人进行信息交互自组织地分成多个簇,且每个群体机器人能确定各自的角色和分工,每个簇都具有独立执行各自任务的能力,为后续的协商决策过程提供了有效的信息传递与信息融合方式,提高了群体机器人之间的协作程度。 (3)基于信息融合的群体机器人协商决策方法为有效应对群体机器人在处理多种属性多种数据结构的环境信息时所面临的挑战,首先对群体机器人执行任务过程中需要处理的信息内容进行了分析和建模。在此基础上基于群决策中的信息融合方法给出了一种群体机器人分簇后簇内的决策方法,通过这一方法,能够对任务执行过程中群体机器人之间传递的多属性多数据结构信息进行有效融合,使得群体机器人对于多个可执行的任务方案进行充分协商,得到决策结果,提高协商决策的准确性。 (4)进行实验测试与结果分析为验证上述所提方法,本文通过Matlab、Kilobots等平台进行了仿真和实机实验,对所提方法的可行性、可扩展性和优越性进行了分析和验证,探讨了在和不同算法进行对比时所提方法的性能表现,为本文方法在群体机器人中的进一步应用提供了坚实基础。

关键词：目标围捕群体机器人自组织分簇协商决策信息融合

来源：评论

学校读者我要写书评

暂无评论

基于势场法的多机器人系统编队控制及其在目标围捕中的应用

基于势场法的多机器人系统编队控制及其在目标围捕中的应用

引用

作者：华庆光扬州大学

学位级别：硕士

随着现代科学技术的发展及现实的需求,多学科交汇的多机器人系统在社会各个方面都扮演着重要的角色,并取得了很多成果。在国防,工业,生活等方面的广阔应用前景及潜能使得多机器人系统正逐渐取代无协作的单一机器人系统,多机器人系统协... 详细信息

随着现代科学技术的发展及现实的需求,多学科交汇的多机器人系统在社会各个方面都扮演着重要的角色,并取得了很多成果。在国防,工业,生活等方面的广阔应用前景及潜能使得多机器人系统正逐渐取代无协作的单一机器人系统,多机器人系统协调控制问题作为一个研究热点而引起了多国学者的极大关注。本文引入势场法来研究分析基于距离的多机器人编队控制,使机器人能够适应周围环境的变化。将机器人所在环境用势场定义后,基于势场法的多机器人系统协调编队控制可以避免机器人之间的碰撞,也可以避开环境中的障碍物或者用来追捕目标,这在实际应用中是至关重要的。本论文的主要工作如下:1.针对一阶积分器系统研究了不期望平衡态的稳定性,考虑坐标变换后的相对位置系统,通过中心流行定理提出了刚性编队系统中不期望平衡态的稳定性判据。2.研究了非完整模型下多机器人的队形控制问题。基于Lyapunov直接法、势能函数方法和自适应摄动方法,提出的控制算法使得期望的三角和直线编队是全局指数稳定的,且整个闭环系统以指数速度收敛到唯一期望的平衡态。3.研究了多个机器人对时变移动目标的围捕跟踪控制问题。将围捕行为分成机器人与机器人之间的队形保持问题和机器人与目标之间的距离编队两部分,进而通过后推法来设计控制律。此控制方法能保证多机器人系统以一定编队形状包围目标并与目标以相同速度运行,且机器人之间不会相撞。

关键词：多机器人系统编队控制目标围捕全局稳定性

来源：评论

学校读者我要写书评

暂无评论

基于生物群体智能行为的无人机目标围捕策略

基于生物群体智能行为的无人机目标围捕策略

引用

作者：王建超哈尔滨工程大学

学位级别：硕士

随着现代科学技术的不断发展,无人机具备了体积小、灵活性高以及隐蔽性好等性能优势。在近几年发生的纳卡冲突和俄乌冲突战争中,无人机在电子对抗和火力打击等方面起到了至关重要的作用,对战局的走向起到了极大的影响。无人机集群作战... 详细信息

随着现代科学技术的不断发展,无人机具备了体积小、灵活性高以及隐蔽性好等性能优势。在近几年发生的纳卡冲突和俄乌冲突战争中,无人机在电子对抗和火力打击等方面起到了至关重要的作用,对战局的走向起到了极大的影响。无人机集群作战的效率更高,稳定性更强,更适合在复杂的战场环境中执行任务,是一种全新的现代化作战模式,许多国家已经投入了大量资源到相关领域的研究之中。协同围捕是无人机集群作战的典型场景之一,是指集群中的无人机通过相互协作,实现对目标的合围控制。本文针对无人机集群作战中的协同围捕问题进行了研究,主要研究内容如下:首先,提出了一种基于生物群智行为的无人机集群目标围捕策略。无人机集群在作战的过程中,由于战场环境的复杂性,每架无人机往往在获取周围环境信息、与其他单位相互通信交流等方面存在一定的局限性。因此,借鉴自然界中生物群智行为的分布式和自组织等特征,并将其应用到集群协同控制的研究中,具有十分重要的意义。本文对自然界中一些典型的生物群体运动行为进行研究和分析,将群体中个体与其他个体的交互行为,以及个体和所在周围局部环境的交互行为进行数学建模,再结合无人机集群作战任务的实际特点,将其应用到目标围捕策略之中。其次,将多智能体深度强化学习应用到无人机集群的目标围捕问题之中。根据生物群智行为的运动特点,对多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)算法中的奖励函数进行设计,引导无人机对目标进行合围。针对算法无法有效利用重要样本数据的问题,在采样过程中引入了优先经验回放机制,提高了学习效率。最后,通过仿真实验对本文提出的算法进行验证。本文提出的围捕策略均基于生物的群智行为,集群中的无人机无需获取到环境中的全局信息,仅需要感知到自身周围的局部环境信息,且在相互之间不进行通信交流的情况下,即可成功实现对逃逸目标的控制,完成围捕任务,适用于战场上的复杂环境。实验结果表明本文提出的围捕策略具有较强的鲁棒性,能够有效地围捕逃逸目标。

关键词：群集智能目标围捕强化学习分布式结构

来源：评论

学校读者我要写书评

暂无评论

基于多智能体编队避障的目标围捕策略研究

基于多智能体编队避障的目标围捕策略研究

引用

作者：汪畅哈尔滨工程大学

学位级别：硕士

多智能体系统是近年来研究的热点问题,在处理复杂问题方面比单智能体更具优势,在航空工业、医疗卫生、军事战争等领域具有重要应用。多智能体协同控制是完成协同任务的关键使能技术,由于环境的复杂性和不确定性,多智能体协同算法达不到... 详细信息

多智能体系统是近年来研究的热点问题,在处理复杂问题方面比单智能体更具优势,在航空工业、医疗卫生、军事战争等领域具有重要应用。多智能体协同控制是完成协同任务的关键使能技术,由于环境的复杂性和不确定性,多智能体协同算法达不到预期效果。本文针对多智能体协同控制中编队避障和目标围捕问题进行研究,本文的主要研究内容如下:首先,针对编队不稳定以及避障不理想的问题,本文提出一种基于自适应的多智能体编队避障策略。在编队形成阶段,本文采用多目标分配算法解决目标节点确定及冲突问题,并利用匈牙利法进行最优指派问题求解,快速形成期望队形,避免智能体频繁变换位置;在编队避障阶段,针对人工势场法的局限性,修改斥力参数,使合力更加平滑,引入虚拟力改变智能体运动方向,帮助智能体脱离局部最小值的情况,同时为了选择合适的避障方式,引入伸缩系数,使智能体灵活的通过障碍区域;在编队运动阶段,针对队形不稳定的问题,本文建立反馈控制律,跟随者自动调整速度和角速度,并建立智能体之间的势场,提高了编队整体稳定性。在仿真实验中验证了算法的有效性。其次,为了快速地围捕目标智能体,本文提出一种基于动态围捕点的多智能体围捕策略。针对围捕问题进行建模,在目标智能体周围动态设置围捕点,结合上文提出的自适应编队避障策略,采用虚拟领航者进行位置规划,使围捕智能体可以跟随目标智能体,同时利用协商分配法,使围捕智能体均匀分布在目标智能体周围,实现围捕。最后,利用多智能体强化学习解决围捕问题,针对多智能体深度确定性策略梯度(Multi-Agent Deep Deterministic Policy Gradient,MADDPG)算法的不足,在采样过程中加入优先经验回放机制,给样本不同的采样权重,通过经验抽取算法获取经验样本进行学习,提高学习效率。在仿真实验中验证了算法的有效性。

关键词：多智能体协同编队避障目标围捕强化学习

来源：评论

学校读者我要写书评

暂无评论

多机协同目标围捕技术研究

多机协同目标围捕技术研究

引用

作者：毕岚君电子科技大学

学位级别：硕士

随着无人机技术日趋成熟,可自主执行各种任务的多架无人机协同作战在军事领域具有很大的发展前景。本文针对多无人机围捕地面运动目标的作战场景,设计了一套可完成完整作战流程的多机协同目标围捕系统,完成了决策规划层的算法理论研究... 详细信息

随着无人机技术日趋成熟,可自主执行各种任务的多架无人机协同作战在军事领域具有很大的发展前景。本文针对多无人机围捕地面运动目标的作战场景,设计了一套可完成完整作战流程的多机协同目标围捕系统,完成了决策规划层的算法理论研究、多无人机系统架构搭建及Gazebo仿真验证,且最终在多无人机平台上进行了实飞验证。首先,针对多机协同和任务执行两个方面,研究了多机协同目标围捕的无人机航迹规划方法。多机协同方面,无人机之间需以编队形式,共同到达目标区域,无人机之间存在碰撞的风险。针对这一问题,研究了基于人工势能场的避碰避障算法,并对算法进行了改进以适应环境的动态变化。改进算法既可规避障碍物,又可跟踪移动目标。同时结合领航者-跟随者编队策略,设计了编队队形。之后通过数值仿真验证了多无人机快速形成所需编队队形的能力。目标任务执行方面,包括协同搜索和目标围捕两个部分。其中,目标搜索算法的核心为多边形跑道搜索和目标车身数字搜索。在搜索车身数字时,引入了最佳观测点的概念,使得无人机可快速搜索到目标数字牌。在目标围捕算法中,采用了多机相位分离方法实现对目标的跟踪和围捕。最终,通过仿真验证了多无人机快速发现目标并对目标实施围捕的能力。其次,针对多无人机对多目标的任务分配问题,研究了基于合同网协议的分布式任务分配算法,通过“目标发现者招标—竞标者投标—招标者标书评估—分配任务”四个阶段完成任务分配。针对任务场景,采用“3+2”的目标围捕策略,设计了可对不同任务类型进行多次再分配的任务分配算法,解决了围捕过程中对多种任务类型(协同搜索、目标跟踪)再分配的问题。最后,利用数值仿真手段,验证了10架无人机围捕4个目标的分配效果,证明了分配算法的有效性。最后,充分考虑围捕过程的场景复杂性,设计了一套系统的协同作战仿真程序,完成了无人机从起降区出发、形成编队飞行至目标区域、搜索目标、发现目标并分配无人机搜索数字、目标围捕等整个过程的仿真验证。并利用该仿真程序在Gazebo环境下完成了进一步的仿真验证。此外,采用三架四旋翼无人机作为实飞试验平台,完成了3架无人机对2个目标的实飞验证,最终无人机成功完成了编队集结、协同搜索、目标跟踪,编队返航等整个作战过程,验证了多机协同围捕算法的有效性。

关键词：目标搜索目标围捕任务分配多机协同实飞验证

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的海场景目标协同探测规划技术研究

基于强化学习的海场景目标协同探测规划技术研究

引用

作者：王棋华中科技大学

学位级别：硕士

广阔的海域在带来巨大经济效益的同时,使我国领海安全也面临极大挑战,采用多无人平台组成多智能体联防系统,具有大范围持续高效的自主工作能力,在现代化海防任务中逐渐成为重要手段。因此,无人系统下海面目标任务分配、搜索以及围捕中... 详细信息

广阔的海域在带来巨大经济效益的同时,使我国领海安全也面临极大挑战,采用多无人平台组成多智能体联防系统,具有大范围持续高效的自主工作能力,在现代化海防任务中逐渐成为重要手段。因此,无人系统下海面目标任务分配、搜索以及围捕中的协同探测规划等关键任务研究具有重要意义,其核心为多目标多智能体协同规划方法。针对多目标场景复杂变化、自主平台工作效率和属性约束等多影响因素,重点开展基于深度强化学习技术的多智能体协同探测规划方法研究,研究内容和成果如下:设计了基于智能更新策略的多无人船协同任务分配算法。为解决多无人船针对多敌方船只目标的任务分配计算量大、复杂度高的问题,采用高斯混合模型将任务区域划分为多个子区域,为各子区域分配无人船,缩小了任务规模,减少了计算量。针对算法性能易受网络参数更新间隔影响的问题,根据实时奖励动态改变参数更新间隔,提高了网络的稳定性,学习到了更优的分配策略。在协同搜索系统中,智能体难以从全局信息中提取无人船位置、周边目标概率等关键信息,且容易陷入边界困境,导致全局收益低且搜索性能差,为解决该问题,论文提出了基于动态边界回避策略的多无人船协同搜索算法。首先设计了包含无人船位置以及未来走向的航迹导向图,然后去掉了该图中的“不安全”路线,最后将其与目标存在概率图等一起进行卷积,提取更精炼的信息来指导智能体学习。实验结果表明,该算法有效提高了累积搜索收益和区域覆盖率。针对协作探测围捕系统中因智能体间竞争引起的网络收敛慢、围捕效率低的问题,以及因通信延时和探测器误差引起的包围圈偏移的问题,论文设计了异构多无人平台分布式超前定点探测围捕算法。根据各无人设备相对目标的位置为其分配围捕点,避免了竞争,提高了网络收敛速度和围捕效率。采用扩展卡尔曼滤波算法对目标下一步位置进行预测,提高了包围圈的准确性。

关键词：多智能体协同任务分配目标搜索目标围捕深度强化学习

来源：评论

学校读者我要写书评

暂无评论

群机器人自组织聚集行为及协同围捕研究

引用

兵器装备工程学报 2019年第10期40卷 205-210页

作者：杨卫曾亮麻轩海中北大学电子测试技术国防科技重点实验室太原030051 中北大学工作仪器科学与动态测试教育部重点实验室太原030051 浙江红旗机械有限公司浙江德清313200

针对群机器人聚集行为模式的形成,建立了基于质点系力学系统、感知状态加权的自组织运动模型,实现了机器人运动状态的自主转移。建立了关于聚集行为的聚集度、均匀度等评价指标,通过实验分析比较不同模型的聚集性能,为群机器人自组织聚... 详细信息

针对群机器人聚集行为模式的形成,建立了基于质点系力学系统、感知状态加权的自组织运动模型,实现了机器人运动状态的自主转移。建立了关于聚集行为的聚集度、均匀度等评价指标,通过实验分析比较不同模型的聚集性能,为群机器人自组织聚集行为模式的形成奠定了基础。使用分析选定的模型,对机器人群完成对目标的自组织围捕行为进行仿真试验,实现了不同群体规模的目标围捕功能,验证了模型的正确性。

关键词：群机器人协同自组织聚集目标围捕

来源：评论

学校读者我要写书评

暂无评论

基于强化学习的多智能体系统路径规划和围捕控制

基于强化学习的多智能体系统路径规划和围捕控制

引用

作者：范之琳鲁东大学

学位级别：硕士

从自动驾驶、Alpha Go机器人到最近爆火的Chat GPT机器人,人工智能的发展势不可挡,强化学习、深度学习等一系列人工智能算法引起广泛关注。在控制领域,多智能体系统是智能体技术应用和研究的重大飞跃,多智能体通过感知、通信、合作和协... 详细信息

从自动驾驶、Alpha Go机器人到最近爆火的Chat GPT机器人,人工智能的发展势不可挡,强化学习、深度学习等一系列人工智能算法引起广泛关注。在控制领域,多智能体系统是智能体技术应用和研究的重大飞跃,多智能体通过感知、通信、合作和协调等方式高效完成了很多复杂实际任务。伴随自动化和智能化成为时代主流,多智能体协同控制更是有着广阔的应用前景,具有重要的研究意义。智能体控制的首要研究内容之一是路径规划,规划一条最佳或较好路径是任务能够顺利完成的基础。多智能体系统目标围捕问题是多智能体编队控制问题的一种,无论在民用还是军事领域,目标围捕的应用越来越广泛。众多学者围绕多智能体系统的路径规划和围捕问题,寻求更有优势且智能化的方案。本文研究基于强化学习的多智能体系统路径规划和目标围捕。主要工作如下:(1)针对未知环境下多智能体系统编队和路径规划问题,提出了一种基于改进Q-learning的多智能体编队路径规划方法。采用领航-跟随编队法,领航智能体利用改进的Q-learning算法规划路径,跟随智能体利用基于引力势场的跟踪策略进行跟随,设计代价函数选择动作。为改进Q-learning算法,加入目标引力势场的引导来初始化Q值,提出了虚拟障碍物填充避障策略规避凹形障碍物,用模拟退火法改进动作选择策略。实验结果表明,与传统算法相比,改进的Q-learning算法收敛时间缩短89.9%,收敛回合数减少63.4%。利用所提方法,多智能体分工明确,在完全未知的环境中快速规划出全局优化的编队路径。(2)针对多智能体系统目标围捕问题,提出了基于深度强化学习的目标围捕控制方法。首先,对多智能体系统进行马尔可夫博弈建模。将模型控制与深度确定性策略梯度算法(DDPG)结合,从多智能体协同角度设计势能函数,建立势能模型引导的改进DDPG算法进行围捕。其次,在已有势能模型的基础上提出目标跟踪围捕和环航围捕两种围捕策略。前者通过设计速度势能实现多智能体一致跟踪。后者加入虚拟环航点,设计虚拟环航点势能实现期望环航。利用自动控制理论分析了强化学习目标围捕策略的稳定性。最终,仿真验证了利用所提强化学习算法能够成功实现目标围捕。(3)针对多智能体强化学习围捕过程中通信和更新频繁等问题,提出了事件触发的强化学习目标围捕方法。在改进的DDPG目标围捕方法基础上,侧重对策略方面加入事件触发机制,利用自动控制理论进行研究。考虑编队位置和速度设计事件触发条件,提出避免连续通讯的事件触发跟踪围捕策略和环航围捕策略,分别进行稳定性分析且排除了Zeno现象。最终进行实验验证,得出所提事件触发围捕策略成功实现围捕,并且减少了通信和触发次数,节约了资源。

关键词：强化学习多智能体系统路径规划目标围捕事件触发

来源：评论

学校读者我要写书评

暂无评论

面向围捕任务的多无人机航迹规划方法研究

面向围捕任务的多无人机航迹规划方法研究

引用

作者：于倩哈尔滨工程大学

学位级别：硕士

目标围捕是多无人机(Unmanned Aerial Vehicle,UAV)协同作战最为常见的任务之一,是战场制胜的关键。UAV作为一种新型武器装备,可以较低成本实现高效率、零伤亡作战。在目标围捕任务过程中,敌方战场任务区域的全局信息是未知的,此时对围... 详细信息

目标围捕是多无人机(Unmanned Aerial Vehicle,UAV)协同作战最为常见的任务之一,是战场制胜的关键。UAV作为一种新型武器装备,可以较低成本实现高效率、零伤亡作战。在目标围捕任务过程中,敌方战场任务区域的全局信息是未知的,此时对围捕任务分配和协同航迹规划的研究都具有严峻挑战。因此,在执行目标围捕任务前,先要实现区域搜索目标定位,为后续多机协同作战的战场决策提供有效的全局任务区域先验信息。目标围捕的作战任务其中包括三个子任务:搜索目标位置,形成围捕小组,规划围捕航迹,本文主要针对这三个子任务展开研究。首先,针对待围捕目标搜索中会出现的误判和漏检情况,采用基于改进分布式模型预测控制(Distributed Model Predictive Control,DMPC)的协同区域目标搜索算法。该算法首先引入了三种任务地图,通过机间的地图信息融合策略,解决了通信中断信息易丢失的问题。然后,基于DMPC框架和粒子群优化算法(Particle Swarm Optimization,PSO),优化搜索收益函数,并结合两种回访搜索机制,解决了目标易误判和漏检的问题。实验结果表明,基于改进DMPC的协同区域目标搜索算法完成了围捕目标定位任务,搜索效率高,为后续执行围捕任务提供了先验目标信息。其次,针对围捕任务分配问题中较难找到多UAV同时开始执行一个任务的可行分配解的问题,采用基于共识的改进时间表(Consensus-based Timetable Algorithm,CBTA)的多机围捕任务分配算法。该算法通过更改时间表构建和任务移除方式,经过时间表构建和机间共识两个阶段的迭代完成任务分配。实验结果表明,CBTA能够得到多机围捕的任务分配可行解,且任务平均开始时间等性能均优于其他同类对比算法。此外,针对静态大范围目标围捕任务的同时到达要求,采用基于Dubins航程调整的多UAV静态目标围捕算法,经Dubins最短路径和分段调整两个阶段,使得围捕小组同时到达目标围捕圈,规划速度快,实现了大范围目标围捕任务。最后,针对小范围动态目标围捕任务中对航迹实时规划要求较高的问题。采用基于改进Glasius仿生神经网络(Glasius Bio-inspired Neural Network,GBNN)的动态目标围捕算法。首先基于CBTA得到的预分配小组,在动态围捕中应用动态分配策略调整组内成员。然后定义了两种目标逃逸策略和判定成功围捕的阿波罗尼斯圆,提高动态目标围捕任务模型的准确性和实用性。其次,为解决UAV距目标较远时栅格神经活性传播的时间延迟问题,引入了置信度函数局部影响UAV航迹。实验结果表明,该算法实时性好,搜索速度快,在目标速度较快时也能完成围捕任务。

关键词：多机协同区域搜索任务分配目标围捕

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：