公开(公告)号：CN119847199A

公开(公告)日：2025-04-18

申请号：CN202411957434.0

申请日：2024-12-30

Applicant: 哈尔滨工业大学

Inventor： 白成超 ,  颜鹏 ,  郑红星 ,  张家维 ,  陈亮 ,  胡砚洋

IPC: G05D1/495 ,  G05D1/46

Abstract: 本发明一种基于混合学习方法的再入飞行器编队控制方法、系统及存储介，涉及再入飞行器控制技术领域，为解决现有的基于强化学习的控制方法难以探索性能边界、控制方法不能确保安全的问题。包括：步骤一：获取单个飞行器的飞行轨迹数据；步骤二：以飞行器作为智能体，建立智能体决策网络，通过监督学习的方式进行训练得到智能体自主控制模型；步骤三：基于深度强化学习理论建立多智能体协同控制网络，将智能体自主控制模型应用到多智能体协同控制网络中，采用包括飞行器单体奖励与群体奖励的耦合奖励机制，对智能体自主控制模型进行协同控制训练，得到多智能体协同控制模型；步骤四：通过多智能体协同控制模型对再入飞行器编队进行协同控制。

公开(公告)号：CN119902432A

公开(公告)日：2025-04-29

申请号：CN202411951191.X

申请日：2024-12-27

Applicant: 哈尔滨工业大学

Inventor： 白成超 ,  颜鹏 ,  郑红星 ,  张家维 ,  陈亮 ,  孙云彬 ,  胡砚洋

IPC: G05B13/04

Abstract: 本发明提供一种基于改进A‑star算法与强化学习的集群路径规划方法及系统，属于无人机集群控制领域。为解决现有传统路径规划中未考虑集群体积导致其碰撞和在高动态环境下失效问题。本发明基于改进的A*路径规划算法进行路径规划，考虑约束条件生成最优路径；通过局部目标点的设定，引导高速飞行器沿最短路径飞行；结合SAC强化学习算法，构建奖励函数以引导高速飞行器向目标飞行；根据高速飞行器的约束条件设计目标飞行奖励；采用基于改进A‑star与深度强化学习的分层控制框架，进一步优化集群飞行路径和避障能力。本发明在复杂障碍环境中确保集群的精确路径规划与稳定编队控制，有效提升了无人机集群在复杂环境中的避障能力和协同控制。

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

Applicant: 哈尔滨工业大学

Inventor： 白成超 ,  颜鹏 ,  郑红星 ,  张家维 ,  陈亮 ,  文振宇 ,  胡砚洋

IPC: G05D1/46 ,  G05D109/20

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。

公开(公告)号：CN117666616A

公开(公告)日：2024-03-08

申请号：CN202311709906.6

申请日：2023-12-13

Applicant: 哈尔滨工业大学

Inventor： 白成超 ,  郭继峰 ,  颜鹏 ,  胡砚洋 ,  何凡 ,  许帆

IPC: G05D1/46 ,  G05D1/695

Abstract: 本发明公开了一种基于SAC强化学习算法的高速飞行器集群编队控制方法及系统，涉及协同编队控制技术领域，以解决高速飞行器集群编队控制中飞行器飞行速度快、环境参数变化剧烈导致的集群控制困难问题。本发明的技术要点包括：采集观测数据，确定高速飞行器的观测空间和动作空间；训练基于SAC强化学习算法的高速飞行器智能体网络；利用训练好的高速飞行器智能体网络进行飞行器集群编队控制。本发明在奖励函数的设计中充分考虑不同任务，并通过参数修正来权衡不同任务的重要程度，丰富了飞行器的任务执行种类与执行任务的能力；能够在高速飞行器面临高动态环境的情况下，保障高速飞行器集群的智能编队，开展大规模高速飞行器集群飞行。