一种基于滑模控制的高速飞行器时间协同制导方法及系统

    公开(公告)号:CN119847176A

    公开(公告)日:2025-04-18

    申请号:CN202411953656.5

    申请日:2024-12-27

    Abstract: 本发明提供一种基于滑模控制的高速飞行器时间协同制导方法及系统,属于飞行器制导与控制领域。为解决现有制导方法计算量大、实时性不足及协同精度较差的问题。本发明通过集中式协同策略快速预测多飞行器的剩余飞行时间,利用“谁慢跟随谁”的原则调整飞行器的时间偏差;基于滑模控制设计底层时间可控制导律,引入饱和函数改进抖振现象并解决奇点问题;通过三维偏置比例导引律实现飞行器横向轨迹弯曲以调整飞行时间;利用变步长数值积分法提高剩余飞行时间计算的精度与效率;在滑翔段末端完成多飞行器的编队变换以支持末制导任务。本发明在降低计算复杂度的同时,显著提高了时间协同的精度和鲁棒性,为多飞行器协同制导任务提供了可靠的技术支持。

    一种基于安全强化学习的高速飞行器集群协同方法及系统

    公开(公告)号:CN119828727A

    公开(公告)日:2025-04-15

    申请号:CN202411951184.X

    申请日:2024-12-27

    Abstract: 本发明提供一种基于安全强化学习的高速飞行器集群协同方法及系统,属于飞行器集群协同领域。为解决现有强化学习算法应用于高速飞行器集群协同任务中不可解释性导致的安全性问题。本发明将安全强化学习理论引入飞行器集群智能决策问题,基于李雅普诺夫稳定性理论提出了改进软演员‑评论家算法,建立以法向过载为控制量的动力学模型,将任务划分为目标打击、编队保持和威胁区规避,设计飞行器引导奖励函数,通过与演员‑评论家算法对比,得出该方法能够使智能体在整个训练过程中保持较低的安全成本的结论。本发明可实现部分安全性可解释的高速飞行器集群协同智能策略的获得,从而有效地避免因奖励函数设计不当引起威胁区规避任务失败的情况。

    一种基于多智能体强化学习的机械臂抗干扰运动规划方法

    公开(公告)号:CN114083539B

    公开(公告)日:2022-06-14

    申请号:CN202111448606.8

    申请日:2021-11-30

    Abstract: 一种基于多智能体强化学习的机械臂抗干扰运动规划方法,属于机器人运动规划与智能控制的技术领域。本发明为了解决基于强化学习的机械臂神经运动规划器抗干扰能力弱的问题而提出。本发明包括:通过对机械臂关节图的建立和关联关系分析,提出了对单一机械臂的多智能体分解方法;基于集中式学习架构的多智能体SAC强化学习算法实现了机械臂多智能体强化学习的训练。通过在运动规划过程中分别施加动作扰动、关节锁定和观测扰动,验证了所提出的离散化后的多智能体机械臂强化学习运动规划方法相比于传统单智能体具备更强的抗干扰能力。本发明用于机械臂的运动规划与智能控制领域。

    一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法

    公开(公告)号:CN114055471B

    公开(公告)日:2022-05-10

    申请号:CN202111446661.3

    申请日:2021-11-30

    Abstract: 一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法,属于机器人运动规划领域。本发明为了解决基于强化学习的神经运动规划器当规划任务的精度要求高时训练困难的问题,以及人工势场法的斥力势场构建复杂、存在局部极值的问题。本发明包括:一:对人工势场法进行简化,仅保留机械臂受到的引力势场,在避免构建复杂的斥力势场的同时也使局部极值问题不再存在。二:提出将人工势场法和强化学习相结合进行规划的新思路,通过设计灵活的切换机制,在距离目标较远时采用强化学习进行规划、距离小于阈值时切换为人工势场进行规划,提高了强化学习的训练速度和运动规划成功率。通过在仿真引擎中对不同精度的规划任务进行训练和测试,验证了所提方法的有效性。本发明用于机器人运动规划技术领域。

    一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法

    公开(公告)号:CN114055471A

    公开(公告)日:2022-02-18

    申请号:CN202111446661.3

    申请日:2021-11-30

    Abstract: 一种结合神经运动规划算法和人工势场法的机械臂在线运动规划方法,属于机器人运动规划领域。本发明为了解决基于强化学习的神经运动规划器当规划任务的精度要求高时训练困难的问题,以及人工势场法的斥力势场构建复杂、存在局部极值的问题。本发明包括:一:对人工势场法进行简化,仅保留机械臂受到的引力势场,在避免构建复杂的斥力势场的同时也使局部极值问题不再存在。二:提出将人工势场法和强化学习相结合进行规划的新思路,通过设计灵活的切换机制,在距离目标较远时采用强化学习进行规划、距离小于阈值时切换为人工势场进行规划,提高了强化学习的训练速度和运动规划成功率。通过在仿真引擎中对不同精度的规划任务进行训练和测试,验证了所提方法的有效性。本发明用于机器人运动规划技术领域。

    一种基于多智能体强化学习的变构型飞行器智能姿态控制方法及系统

    公开(公告)号:CN119828728A

    公开(公告)日:2025-04-15

    申请号:CN202411951197.7

    申请日:2024-12-27

    Abstract: 本发明提供了一种基于多智能体强化学习的变构型飞行器智能姿态控制方法及系统,属于智能控制领域。为了解决在复杂的控制任务下,变构型高超声速飞行器模型复杂非线性、姿态控制性能发挥不充分的问题。本发明基于多智能体强化学习端对端进行变构飞行器姿态控制,采用多智能体协同的方式进一步提高探索能力和控制弹性基于多智能体系统的智能姿态控制方法,将变构型高超声速飞行器的多个控制通道视为独立的智能体,在同一环境中训练学习,并根据各自的状态进行分布式决策,以实现一种有效的智能控制方式。

    一种基于神经网络辨识的跨域变构型高速飞行器自适应姿态控制方法、系统及存储介质

    公开(公告)号:CN119828466A

    公开(公告)日:2025-04-15

    申请号:CN202411950361.2

    申请日:2024-12-27

    Abstract: 本发明一种基于神经网络辨识的跨域变构型高速飞行器自适应姿态控制方法、系统及存储介质,涉及飞行器控制技术领域,为解决现有方法需要提前将飞行器气动进行统一的参数化建模,对参数进行辨识;无法解决在跨域变构型高速飞行器气动参数模型完全未知情况下,由气动不确定性带来的姿态控制难题。本发明通过构建的三通道神经网络模型,包括俯仰通道神经网络模型、偏航通道神经网络模型和滚转通道神经网络模型;并基于舵偏误差对姿态变化的影响敏感性加权构建损失函数,训练得到三通道舵偏解算器神经网络模型;构建在线迁移学习样本库进行在线迁移学习,基于反步法控制器求解气动力矩,最终求解得到偏航指令。

    一种基于模糊图像复原的优化迭代方法及系统

    公开(公告)号:CN119762381A

    公开(公告)日:2025-04-04

    申请号:CN202411969714.3

    申请日:2024-12-30

    Abstract: 本发明公开了一种基于强光背景的图像复原优化方法及系统,涉及图像复原技术领域。本发明的技术要点主要包括:通过内置掩膜板的波前编码系统,实现强光背景抑制,采集包含待检测物体的背景强光抑制后编码图像;采用改进后的L‑R图像复原算法对编码图像进行复原,结合小波变换进行残差迭代;并采用二次阈值去除两类主要噪声,保留暗弱目标数据;在此基础上,建立无参考图像质量评价体系;并采用滑动窗口计算其算术平均值,同时设定耐心迭代机制,控制L‑R算法的有效迭代次数;最后计算各次迭代中图像评价参数的最大值,确定最优迭代次数,得到强光背景下清晰目标图像。本发明能够有效消除强光背景对目标成像的干扰,缩短了算法迭代时间,复原了强光背景下目标图像的细节信息,显著提升强光背景下目标图像质量,具备较优的图像复原能力。

Patent Agency Ranking