-
公开(公告)号：CN117302554A
公开(公告)日：2023-12-29
申请号：CN202210699969.7
申请日：2022-06-20
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: B64G1/24
Abstract: 本发明公开了一种基于预测校正制导的时间角度约束的制导方法和系统。本发明所提供的方法包括：步骤S101、在飞行器飞行前，预先对飞行器装定期望飞行时间和期望落角；步骤S102、在飞行器飞行过程中，实时获取飞行器的飞行时间误差和落角误差，其中飞行时间误差为期望飞行时间与预测飞行时间的差值，落角误差为期望落角与预测落角的差值；步骤S103、基于飞行器的飞行时间误差和落角误差，对制导指令进行校正。本发明通过时间角度约束的制导方法能够克服依赖常值速度假设的缺陷，具有良好的控制效果。
-
公开(公告)号：CN116774825A
公开(公告)日：2023-09-19
申请号：CN202310698095.8
申请日：2023-06-13
Applicant: 北京理工大学长三角研究院(嘉兴) , 北京理工大学
Abstract: 本发明公开了一种基于手环和长短时记忆神经网络的肢体语言控制系统，通过在手环中设置三轴加速度传感器，采集操作者的手臂动作，将手臂动作信息发送至无人机机载计算机，由机载计算机中设置的手臂运动识别模块将手臂动作信息转化为无人机控制指令，从而实现操作者对无人机的控制。本发明公开的基于手环和长短时记忆神经网络的肢体语言控制系统，通过手环实现对无人机的控制，使得操作者能通过手臂的动作便捷操控无人机的同时，更直观地观察无人机周围飞行环境，面对突发状况能及时做出飞行命令指令的变更。
-
-
公开(公告)号：CN115046433A
公开(公告)日：2022-09-13
申请号：CN202110256808.6
申请日：2021-03-09
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度强化学习的飞行器时间协同制导方法，所述方法通过深度强化学习模型根据飞行器的飞行状态输出偏置项at，基于偏置比例导引的形式得到新的制导指令am，最后根据制导指令am对飞行器控制系统进行控制。本发明提供的基于深度强化学习的飞行器时间协同制导方法，选取的输入状态为当前速度、当前速度方向、当前位置以及剩余飞行时间误差，映射关系合理，使用深度强化学习拟合这一映射关系的可行性高。
-
公开(公告)号：CN119739176A
公开(公告)日：2025-04-01
申请号：CN202311233171.4
申请日：2023-09-22
Applicant: 北京理工大学
IPC: G05D1/46 , G05D109/28
Abstract: 本发明公开了一种基于预测校正的时间角度多约束制导方法，包括以下步骤：设置角度预测器和角度校正器对飞行器进行角度约束，获得落脚偏置项；设置剩余飞行时间预测器和剩余飞行时间校正器对飞行器进行剩余飞行时间约束，获得时间偏置项；在比例导引律的基础上扩展落脚偏置项和时间偏置项，形成优化制导律，飞行器在优化制导律的控制下进行飞行，本发明公开的基于预测校正的时间角度多约束制导方法，能够同时满足不同的飞行时间约束与终端角度约束，显著提高了飞行任务的能源效率，优化了飞行器在满足轨迹精度的前提下的能源使用。
-
Patent Agency Ranking
公开(公告)号：CN116185061A
公开(公告)日：2023-05-30
申请号：CN202211516761.3
申请日：2022-11-28
Applicant: 北京理工大学
IPC: G05D1/10 , G06N3/045 , G06N3/0985 , G06N3/084 , G06N3/0499
Abstract: 本发明公开了一种基于集成迁移学习的制导方法(ETLS)，该方法不仅能实时生成最优制导命令，还能在场景发生变化后，只用很少的新数据进行微调就能快速适应新的工作环境，并且性能几乎和之前一样好；该方法将多个传统的训练好的DNN神经网络与元学习器相结合，将新飞行器的中段制导最优控制问题，简化为寻找最优加权函数和最优偏置函数的问题，而且这两个函数可以用少量数据快速确定，避免了重新训练一个新网络的耗时和数据不足问题，从而针对新的飞行器及新的应用场景，能够在极短时间内给出满足末速度和精度要求的中制导段控制指令。
-
公开(公告)号：CN114818100A
公开(公告)日：2022-07-29
申请号：CN202110084357.2
申请日：2021-01-21
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于深度学习的飞行器剩余飞行时间预测方法，所述方法针对使用特定制导算法的飞行器，使用飞行器自身的当前速度信息、飞行器与目标的相对位置信息，通过深度神经网络预测剩余飞行时间。本发明提供的基于深度学习的飞行器剩余飞行时间预测方法，选取的输入状态为当前速度、当前速度方向、当前高度、当前横向位置，映射关系合理，使用深度学习拟合这一映射关系的可行性高；预测精度高，计算量少，能够应用于在线预测场景，确保飞行器高效实现协同突防。
-
公开(公告)号：CN116793150B
公开(公告)日：2024-10-22
申请号：CN202210240845.2
申请日：2022-03-10
Applicant: 北京理工大学
IPC: F41G3/00 , F42B15/01 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明公开了一种基于残差神经网络与集成学习的飞行时间预测方法，通过集成单元将多个残差神经网络模型集成为总模型，通过总模型对新型飞行器的实际飞行时间与理论飞行时间误差进行预测；其中，所述残差神经网络为能够对已知飞行器实际飞行时间与理论飞行时间误差进行预测的模型，集成单元用于不同的残差神经网络模型预测结果按一定权值进行整合，已知飞行器是指已具有大量飞行轨迹数据的飞行器，新型飞行器是指未获得大量飞行轨迹数据的飞行器。该发明公开的基于残差神经网络与集成学习的飞行时间预测方法，降低了对新型号飞行器飞行数据量的要求，节约了数据采集的成本，预测结果准确率高。
-
公开(公告)号：CN116793150A
公开(公告)日：2023-09-22
申请号：CN202210240845.2
申请日：2022-03-10
Applicant: 北京理工大学
IPC: F41G3/00 , F42B15/01 , G06N3/0464 , G06N3/08 , G06N20/20
Abstract: 本发明公开了一种基于残差神经网络与集成学习的飞行时间预测方法，通过集成单元将多个残差神经网络模型集成为总模型，通过总模型对新型飞行器的实际飞行时间与理论飞行时间误差进行预测；其中，所述残差神经网络为能够对已知飞行器实际飞行时间与理论飞行时间误差进行预测的模型，集成单元用于不同的残差神经网络模型预测结果按一定权值进行整合，已知飞行器是指已具有大量飞行轨迹数据的飞行器，新型飞行器是指未获得大量飞行轨迹数据的飞行器。该发明公开的基于残差神经网络与集成学习的飞行时间预测方法，降低了对新型号飞行器飞行数据量的要求，节约了数据采集的成本，预测结果准确率高。
-
公开(公告)号：CN115046433B
公开(公告)日：2023-04-07
申请号：CN202110256808.6
申请日：2021-03-09
Applicant: 北京理工大学
IPC: F42B15/01 , G06F30/27 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度强化学习的飞行器时间协同制导方法，所述方法通过深度强化学习模型根据飞行器的飞行状态输出偏置项at，基于偏置比例导引的形式得到新的制导指令am，最后根据制导指令am对飞行器控制系统进行控制。本发明提供的基于深度强化学习的飞行器时间协同制导方法，选取的输入状态为当前速度、当前速度方向、当前位置以及剩余飞行时间误差，映射关系合理，使用深度强化学习拟合这一映射关系的可行性高。
-
-
-
-
-
-
-
-
-
Search Results
14
records
(took 0.029 seconds)
