一种基于深度学习的节点可变围捕控制方法及系统

    公开(公告)号:CN119047547A

    公开(公告)日:2024-11-29

    申请号:CN202411156648.8

    申请日:2024-08-22

    Applicant: 上海大学

    Abstract: 本发明涉及一种基于深度学习的节点可变围捕控制方法和系统,方法包括以下步骤:获取逃逸者当前状态信息、先验运动趋势和各个节点的当前状态信息;根据各个节点的当前状态信息和逃逸者状态信息,预测逃逸者在下一时刻的预测位置;根据预测位置、各个节点及其相邻节点的状态信息和先验运动趋势,通过决策网络模型,分别获得各个节点在下一时刻的理想位置;根据各个节点的当前状态信息、逃逸者在下一时刻的预测位置、各个节点在下一时刻的理想位置,通过方位跟踪网络解算各个节点的最佳围捕路径。与现有技术相比,本发明具有各节点独立决策、稳定性强、支持动态追踪等优点。

    面向欺骗攻击的无人机Stackelberg博弈容错跟踪方法及系统

    公开(公告)号:CN117970939A

    公开(公告)日:2024-05-03

    申请号:CN202410117396.1

    申请日:2024-01-26

    Applicant: 上海大学

    Abstract: 本发明涉及无人机容错跟踪技术领域。提出一种面向欺骗攻击的无人机Stacke lberg博弈容错跟踪方法及系统。该方法包括构造无人机动力学模型;对无人机的跟踪误差进行规定性能控制以构造无人机误差动力学模型;根据无人机误差动力学模型构造Stacke lberg博弈问题;以及通过演员‑评论家算法对Stacke lberg博弈问题进行求解以确定无人机的控制方法,并且通过所述控制方法进行无人机容错跟踪。本发明显著降低了无人机系统行为不确定性的风险,增进系统的安全性和稳定性,实现了对无人机容错跟踪的稳定控制,显著提高了系统的鲁棒性。

    提高回归网络鲁棒性的正则化方法、系统、计算机系统及可读存储介质

    公开(公告)号:CN118551826A

    公开(公告)日:2024-08-27

    申请号:CN202410387881.0

    申请日:2024-04-01

    Applicant: 上海大学

    Abstract: 本发明涉及一种提高回归网络鲁棒性的正则化方法、系统、计算机系统及可读存储介质。正则化方法包括:确定数据集中距离目标点位最近的点位;计算目标点位的利普希茨常数;计算目标点位的扰动半径;惩罚网络响应随输入扰动而产生输出变化幅度超过利普希茨常数的情况,确定正则化项;执行回归网络的优化。正则化系统包括点位确定模块、利普希茨常数计算模块、扰动半径计算模块、正则化项确定模块及回归网络优化模块。本发明提出的正则化方法,通过在损失函数中加入正则化项来惩罚输入扰动引起神经网络输出变化幅度超过利普希茨常数的情况,保证训练得到的神经网络回归器在受到对抗攻击时其响应被限制在合理范围内,可以通用且有效地提高回归网络的鲁棒性。

    基于沙普利值与耦合SAC的异构无人机分层编队控制方法及系统

    公开(公告)号:CN119396201A

    公开(公告)日:2025-02-07

    申请号:CN202411373011.4

    申请日:2024-09-29

    Applicant: 上海大学

    Abstract: 本发明公开基于沙普利值与耦合SAC的异构无人机分层编队控制方法,其首先确认追踪无人机及目标无人机的位置及姿态信息,然后基于位置及姿态信息,通过位置控制模块确定轨迹控制信号,以驱动追踪无人机跟踪目标无人机,且保持期望编队,并通过姿态控制模块确定姿态控制信号,以驱动跟踪无人机跟踪期望偏航轨迹,最后基于轨迹控制信号及姿态控制信号对跟踪无人机进行协同跟踪控制,并计算跟踪误差变量,并判断跟踪误差变量是否满足预设条件,若满足则将当前轨迹控制信号及姿态控制信号作为最优控制策略,否则更新轨迹控制信号及姿态控制信号,直至满足预设条件。该方法解决了在复杂环境下部分无人机不具备探测目标能力的异构无人机群保持分层编队跟踪目标点问题。

    一种基于QPLEX的多无人艇编队协同控制方法及系统

    公开(公告)号:CN118131751A

    公开(公告)日:2024-06-04

    申请号:CN202410076896.5

    申请日:2024-01-18

    Applicant: 上海大学

    Abstract: 本发明提供了一种基于QPLEX的多无人艇编队协同控制方法及系统,涉及无人艇编队协同控制技术领域,方法具体包括以下步骤:获取无人艇编队中各无人艇的状态信息和追踪目标的状态信息,并基于各无人艇之间以及各无人艇与追踪目标之间的状态关系,确定每一无人艇的局部跟踪误差;以最小化局部跟踪误差为目标,利用自适应协同控制算法确定每一无人艇的第一控制输入;随后基于QPLEX算法,分别确定每一无人艇的第二控制输入;随后即可根据确定每一无人艇的最优控制输入,控制各无人艇完成对追踪目标的追踪;克服了环境不确定性和部分可观察对协同控制造成的影响,提高了多无人艇协同控制在复杂动态环境中的适应性和鲁棒性。

Patent Agency Ranking