-
公开(公告)号:CN112232181B
公开(公告)日:2022-08-16
申请号:CN202011094794.4
申请日:2020-10-14
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
摘要: 本发明公开一种仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法:步骤一:通道初始化及参数设置;步骤二:设置mask层;步骤三:仿鹰眼颜色拮抗机制计算;步骤四:仿鹰眼各向异性高斯差分滤波核计算;步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算;步骤六:合并两通道并进行对比度调整;步骤七:仿鹰眼各通道轮廓响应合并;步骤八:过滤海浪干扰并输出。本发明面向复杂海上环境下的船舶目标轮廓提取应用背景,解决了复杂海面环境中出现海面反光或鳞光海浪等情况下的目标轮廓检测问题,抑制了海面鳞光海浪对目标轮廓提取的干扰问题且轮廓提取结果较准确,能实现对海上船舶目标的轮廓提取,提高海上目标轮廓提取的抗干扰性、稳定性。
-
公开(公告)号:CN112269396A
公开(公告)日:2021-01-26
申请号:CN202011099773.1
申请日:2020-10-14
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
摘要: 本发明是一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法,包括以下实施步骤:步骤一:初始化战场环境设置;步骤二:无人机集群对抗运动控制;步骤三:基于鹰鸽智能博弈的攻防策略设计;步骤四:基于鹰鸽智能博弈的红蓝双方支付矩阵求解;步骤五:基于鹰鸽智能博弈的红蓝双方混合策略求解;步骤六:输出红蓝双方对抗结果。本发明面向复杂作战环境下的大规模无人机集群协同作战应用背景,提出了一种结合集群对抗运动控制和攻防策略选择控制的分布式无人机集群协同对抗控制架构,在降低设计成本、提高长时鲁棒对抗能力的基础上,进一步提升无人机集群协同作战效能与自主能力水平。
-
公开(公告)号:CN114372603B
公开(公告)日:2024-08-27
申请号:CN202011265676.5
申请日:2020-11-13
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
IPC分类号: G06Q10/047 , G06N3/006 , G01C21/20 , G05D1/46
摘要: 本发明公开一种仿鸽群多学习智能的无人靶机协同航路动态规划方法:步骤一:无人靶机协同航路规划建模、步骤二:威胁联网下的威胁建模、步骤三:航路代价函数的设计、步骤四:无人靶机飞行约束、步骤五:仿鸽群多学习智能、步骤六:航点坐标转换及轨迹平滑。本发明优点:(1)建立了无人靶机协同航路规划模型,满足多无人靶机协同航路规划中的时间一致性约束条件;建立了联网下的通信质量模型,并设计由威胁单元、障碍构成的威胁代价。(2)通过基本仿鸽群智能算法分析,保留原有算法基本步骤的同时,对个体学习对象进行改进,尽可能少引入其他参数保证算法快速性和收敛性,增加种群多样性,解决多约束条件下多无人靶机协同航路规划问题。
-
公开(公告)号:CN112232181A
公开(公告)日:2021-01-15
申请号:CN202011094794.4
申请日:2020-10-14
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
摘要: 本发明公开一种仿鹰眼颜色认知拮抗机制的无人机海上目标检测方法:步骤一:通道初始化及参数设置;步骤二:设置mask层;步骤三:仿鹰眼颜色拮抗机制计算;步骤四:仿鹰眼各向异性高斯差分滤波核计算;步骤五:仿鹰眼颜色认知拮抗各向同性高斯差分滤波核计算;步骤六:合并两通道并进行对比度调整;步骤七:仿鹰眼各通道轮廓响应合并;步骤八:过滤海浪干扰并输出。本发明面向复杂海上环境下的船舶目标轮廓提取应用背景,解决了复杂海面环境中出现海面反光或鳞光海浪等情况下的目标轮廓检测问题,抑制了海面鳞光海浪对目标轮廓提取的干扰问题且轮廓提取结果较准确,能实现对海上船舶目标的轮廓提取,提高海上目标轮廓提取的抗干扰性、稳定性。
-
公开(公告)号:CN114372603A
公开(公告)日:2022-04-19
申请号:CN202011265676.5
申请日:2020-11-13
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
摘要: 本发明公开一种仿鸽群多学习智能的无人靶机协同航路动态规划方法:步骤一:无人靶机协同航路规划建模、步骤二:威胁联网下的威胁建模、步骤三:航路代价函数的设计、步骤四:无人靶机飞行约束、步骤五:仿鸽群多学习智能、步骤六:航点坐标转换及轨迹平滑。本发明优点:(1)建立了无人靶机协同航路规划模型,满足多无人靶机协同航路规划中的时间一致性约束条件;建立了联网下的通信质量模型,并设计由威胁单元、障碍构成的威胁代价。(2)通过基本仿鸽群智能算法分析,保留原有算法基本步骤的同时,对个体学习对象进行改进,尽可能少引入其他参数保证算法快速性和收敛性,增加种群多样性,解决多约束条件下多无人靶机协同航路规划问题。
-
公开(公告)号:CN112269396B
公开(公告)日:2021-09-28
申请号:CN202011099773.1
申请日:2020-10-14
申请人: 北京航空航天大学 , 南京航空航天大学 , 南京硕航科技有限公司
摘要: 本发明是一种仿鹰鸽智能博弈的无人机集群协同对抗控制方法,包括以下实施步骤:步骤一:初始化战场环境设置;步骤二:无人机集群对抗运动控制;步骤三:基于鹰鸽智能博弈的攻防策略设计;步骤四:基于鹰鸽智能博弈的红蓝双方支付矩阵求解;步骤五:基于鹰鸽智能博弈的红蓝双方混合策略求解;步骤六:输出红蓝双方对抗结果。本发明面向复杂作战环境下的大规模无人机集群协同作战应用背景,提出了一种结合集群对抗运动控制和攻防策略选择控制的分布式无人机集群协同对抗控制架构,在降低设计成本、提高长时鲁棒对抗能力的基础上,进一步提升无人机集群协同作战效能与自主能力水平。
-
公开(公告)号:CN115494859B
公开(公告)日:2024-07-23
申请号:CN202210758086.9
申请日:2022-06-30
申请人: 北京航空航天大学
IPC分类号: G05D1/695 , G05D109/20
摘要: 本发明公开一种基于原鸽群和迁移学习的无人机集群自主避障方法,其实现步骤为:步骤一:初始化避障环境;步骤二:搭建迁移学习网络模型并进行障碍物特征学习;步骤三:原鸽智能动作决策机制建模;步骤四:仿真验证避障环境1集群自主避障;步骤五:创建新的避障环境并验证新环境的适应性。步骤六:输出集群避障执行指令。该方法旨在解决无人机集群在复杂环境未知或部分已知条件下实现自主避障的问题,在保证无人机集群在已知环境内安全飞行的基础上,进一步提升无人机集群对未知复杂环境的自主避障能力,为飞行任务的执行提供安全基础。
-
公开(公告)号:CN115454099B
公开(公告)日:2024-04-30
申请号:CN202211239820.7
申请日:2022-10-11
申请人: 北京航空航天大学
IPC分类号: G05D1/43 , G05D109/30
摘要: 本发明公开一种基于变权重自适应鸽群参数拟合的无人艇航向自抗扰控制方法,步骤一:建立无人艇三自由度模型;步骤二:建立自抗扰控制器模型;步骤三:引入变权重自适应机制和徘徊机制的鸽群智能优化设计;步骤四:控制器参数整定的适应度函数;步骤五:输出无人艇的速度和艏摇角响应图,输出控制器参数最优值。本发明有效解决了鸽群优化早熟和易限于局部最优的问题,增强了鸽群优化鲁棒性,提高了优化参数整定的精度,使得在特定条件下自抗扰控制器达到最优控制效果;提出了两种自抗扰控制器的改进方法,增强了控制器的鲁棒性,优化了自抗扰控制中的非线性函数,使控制器内信号传输更加平滑,能有效避免信号抖动问题。
-
公开(公告)号:CN113821054B
公开(公告)日:2024-04-02
申请号:CN202111148107.7
申请日:2021-09-29
申请人: 北京航空航天大学
IPC分类号: G05D1/46
摘要: 本发明公开一种基于鸽群智能优化动态逆控制的无人机轨迹跟踪制导方法:步骤一:无人机的轨迹跟踪制导控制建模;步骤二:无人机动态逆控制建模;步骤三:无人机四回路轨迹跟踪制导控制建模;步骤四:鸽群智能优化无人机对航路的轨迹跟踪制导;步骤五:输出无人机轨迹跟踪结果。本发明优点功效在于:一、提供了一种结合无人机飞行控制和轨迹跟踪制导的无人机自主航路飞行框架,在降低任务复杂度的同时,提升了任务的鲁棒性与可靠性;二、提出了一种利用动态逆控制的无人机轨迹跟踪制导控制方法,支持跟踪输入的预期三维航路序列,即预期航路,具有灵活性;三、提出了一种鸽群智能优化控制的方法,实时跟踪收敛效果更佳,符合实际需求。
-
公开(公告)号:CN113885320B
公开(公告)日:2024-02-23
申请号:CN202111126668.7
申请日:2021-09-26
申请人: 北京航空航天大学
IPC分类号: G05B13/04
摘要: 本发明的一种基于混合量子鸽群优化的飞行器随机鲁棒控制方法,包括:步骤一:飞行器巡航点附近的纵向解耦建模;步骤二:飞机本体不确定性建模;步骤三:初始化混合量子鸽群优化方法的参数;步骤四:基于混合量子的鸽群优化;步骤五:使用混合量子鸽群优化下的随机鲁棒法设计飞行控制器;步骤六:优化得到控制器的参数向量并输出。本发明相比传统的控制器在线参数整定,采用随机鲁棒的设计分析方法,即引入蒙特卡洛法进行不确定性仿真,显著增强控制器对误差的鲁棒性。本发明使用的随机鲁棒设计方法中采用了具备更优秀全局搜索性能的QPIO方法,支持搜索到较传统随机鲁棒设计更优的控制器参数。
-
-
-
-
-
-
-
-
-