-
公开(公告)号：CN113268074B
公开(公告)日：2022-05-13
申请号：CN202110632549.2
申请日：2021-06-07
申请人： 哈尔滨工程大学
摘要： 本发明属于无人机飞行控制技术领域，具体涉及一种基于联合优化的无人机航迹规划方法。本发明通过前端飞行状态优化模型获取无人机自身飞行状态的最优估计，大幅度降低了自然干扰因素对传感器数据的误差；通过后端飞行动作优化模型，将实际偏差大的飞行角度调整至预期飞行角度，解决了强化学习决策飞行动作不佳的问题，提高了飞行航迹的可靠性。在实际应用中，对于传感器实时采集飞行状态数据，利用前端飞行状态优化模型实时获得最优飞行状态估计，将其作为已训练TD3模型的输入，得到飞行动作，并利用后端飞行动作优化模型，得到对应的飞行动作偏置，对其进行判决，控制输出优化后的飞行动作，从而实现无人机面对自然干扰影响的实时航迹规划。
-
公开(公告)号：CN113283527A
公开(公告)日：2021-08-20
申请号：CN202110631515.1
申请日：2021-06-07
申请人： 哈尔滨工程大学
摘要： 本发明属于雷达威胁评估技术领域，具体涉及一种基于层级指标的雷达威胁评估方法。本发明利用GAT建立层级指标中一级指标和三级指标之间的关系，并结合AP算法与DNN，设计表征一级指标、二级指标和三级指标关系的层级指标关系，实现了对雷达的威胁评估。本发明结合注意力机制，融合相似度理论设计权值分配方法，使得层级指标关系的构建更具备客观性；同时利用图注意力网络及深度神经网络，设计了一种全新的与实际传感器数据相关联的层级指标关系，增加了威胁评估方法的鲁棒性和适应性，提高了方法的可靠性，使得本发明在接收信息不全面的情况下依旧可以实现威胁值的准确评估。
-
公开(公告)号：CN113283527B
公开(公告)日：2022-04-29
申请号：CN202110631515.1
申请日：2021-06-07
申请人： 哈尔滨工程大学
摘要： 本发明属于雷达威胁评估技术领域，具体涉及一种基于层级指标的雷达威胁评估方法。本发明利用GAT建立层级指标中一级指标和三级指标之间的关系，并结合AP算法与DNN，设计表征一级指标、二级指标和三级指标关系的层级指标关系，实现了对雷达的威胁评估。本发明结合注意力机制，融合相似度理论设计权值分配方法，使得层级指标关系的构建更具备客观性；同时利用图注意力网络及深度神经网络，设计了一种全新的与实际传感器数据相关联的层级指标关系，增加了威胁评估方法的鲁棒性和适应性，提高了方法的可靠性，使得本发明在接收信息不全面的情况下依旧可以实现威胁值的准确评估。
-
公开(公告)号：CN116698037B
公开(公告)日：2024-03-26
申请号：CN202310631500.4
申请日：2023-05-31
申请人： 哈尔滨工程大学
摘要： 本发明公开了一种无人机航迹规划方法，无人机获取自身和目标信息，获取每个时刻状态，将每个时刻状态输入至预先训练好的DDPG网络，DDPG网络包括Actor网络和Critic网络，利用Actor在线网络决策每个时刻无人机飞行动作，形成最终航迹；DDPG网络的训练过程包括：对无人机航迹规划场景进行建模，设计无人机航迹规划模型状态空间、动作空间、奖励函数以及网络训练参数；采用融合沙丘噪声灵敏度和萤火因子的改进蜣螂算法优化奖励函数的奖励系数，获取最优系数组合，根据最优系数组合和网络训练参数对DDPG网络进行训练，得到训练好的网络。本发明解决了模型适配场景有限、收敛效果不佳问题，提高航迹规划可靠性。
-
公开(公告)号：CN113268074A
公开(公告)日：2021-08-17
申请号：CN202110632549.2
申请日：2021-06-07
申请人： 哈尔滨工程大学
摘要： 本发明属于无人机飞行控制技术领域，具体涉及一种基于联合优化的无人机航迹规划方法。本发明通过前端飞行状态优化模型获取无人机自身飞行状态的最优估计，大幅度降低了自然干扰因素对传感器数据的误差；通过后端飞行动作优化模型，将实际偏差大的飞行角度调整至预期飞行角度，解决了强化学习决策飞行动作不佳的问题，提高了飞行航迹的可靠性。在实际应用中，对于传感器实时采集飞行状态数据，利用前端飞行状态优化模型实时获得最优飞行状态估计，将其作为已训练TD3模型的输入，得到飞行动作，并利用后端飞行动作优化模型，得到对应的飞行动作偏置，对其进行判决，控制输出优化后的飞行动作，从而实现无人机面对自然干扰影响的实时航迹规划。
-
公开(公告)号：CN116698037A
公开(公告)日：2023-09-05
申请号：CN202310631500.4
申请日：2023-05-31
申请人： 哈尔滨工程大学
摘要： 本发明公开了一种无人机航迹规划方法，无人机获取自身和目标信息，获取每个时刻状态，将每个时刻状态输入至预先训练好的DDPG网络，DDPG网络包括Actor网络和Critic网络，利用Actor在线网络决策每个时刻无人机飞行动作，形成最终航迹；DDPG网络的训练过程包括：对无人机航迹规划场景进行建模，设计无人机航迹规划模型状态空间、动作空间、奖励函数以及网络训练参数；采用融合沙丘噪声灵敏度和萤火因子的改进蜣螂算法优化奖励函数的奖励系数，获取最优系数组合，根据最优系数组合和网络训练参数对DDPG网络进行训练，得到训练好的网络。本发明解决了模型适配场景有限、收敛效果不佳问题，提高航迹规划可靠性。
-
-
-
-
-
搜索结果
6 条记录 (耗时 0.033 秒)
