-
公开(公告)号：CN116520861B
公开(公告)日：2024-04-12
申请号：CN202310492834.8
申请日：2023-05-04
Applicant: 哈尔滨工程大学
IPC: G05D1/485 , G05D101/10
Abstract: 本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，属于Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。所述基于改进Glasius仿生神经网络的静态目标搜索方法，采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。它主要用于水下自主航行器的路径规划。
-
公开(公告)号：CN118192583A
公开(公告)日：2024-06-14
申请号：CN202410392598.7
申请日：2024-04-02
Applicant: 哈尔滨工程大学
Abstract: 一种面向多障碍物环境的多自主水下航行器协同围捕方法、系统、设备及介质，属于多智能体围捕多目标任务领域，解决了现有技术的多自主水下航行器无法应用到水下三维环境的协同狩猎，以及非均匀多AUV狩猎问题中的任务分配问题和待围捕的逃避者有逃避策略，导致难以围捕的问题。方法包括：步骤1：采集逃逸者位置集合、围捕者位置集合和障碍物位置集合，并进行初始化，然后采用动态联盟策略，获得本地任务集合；采用IGBNN算法进行路径规划，得到对应的围捕任务，进行围捕；待所有逃逸者被捕获后，所有围捕者停止围捕运动，围捕完成。本发明适用于在水下环境中对智能逃避者围捕的场景。
-
公开(公告)号：CN117850471A
公开(公告)日：2024-04-09
申请号：CN202311766596.1
申请日：2023-12-21
Applicant: 哈尔滨工程大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明属于路径规划技术领域，提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统。加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；建立任务环境；定义可行航路结构；定义飞行过程中的约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；定义飞行过程中的代价函数；使用改进蚁群方法对代价函数进行求解；迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。本发明用以解决无人机在复杂地形和高度对抗的环境中执行任务时，规划的航线需要满足特定的飞行约束和要求的问题。
-
公开(公告)号：CN118036702A
公开(公告)日：2024-05-14
申请号：CN202410098501.1
申请日：2024-01-23
Applicant: 哈尔滨工程大学
IPC: G06N3/092 , G06N3/045 , G06N3/0985
Abstract: 多智能体协同围捕方法及装置，涉及深度强化学习和多智能体技术领域。为解决现有技术中存在的，现有协同多智能体围捕的研究，没有考虑围捕任务的特殊性在解决围捕问题方面存在缺点的技术问题，本发明提供的技术方案为：多智能体协同围捕方法，方法包括：采集智能体逃跑策略、演员网络与中心评论员网络的观测空间、奖励函数和围捕任务完整条件的步骤；构建包括具有目标预测网络的演员网络以及具有成员状态编码器的评论员网络的步骤；对所述演员网络和评论员网络进行预热的步骤；根据所述逃跑策略和奖励函数，更新所述演员网络和评论员网络的步骤；重复更新所述评论员网络，得到训练完成的演员网络的步骤。可以应用于多智能体协同围捕任务工作中。
-
公开(公告)号：CN116520861A
公开(公告)日：2023-08-01
申请号：CN202310492834.8
申请日：2023-05-04
Applicant: 哈尔滨工程大学
IPC: G05D1/06
Abstract: 本发明提出了基于改进Glasius仿生神经网络的静态目标搜索方法与装置，属于Glasius仿生神经网络技术领域，尤其涉及水下自主航行器的路径规划。解决了现有Glasius仿生神经网络，由于神经元刺激信号的时延和衰减的作用，而可能受到局部最优解的影响，导致全局搜索能力较差，目标搜索性能不理想的问题。所述基于改进Glasius仿生神经网络的静态目标搜索方法，采用改进Glasius仿生神经网络，根据所述先验信息、基础先验目标概率图以及初始结合概率图MAP0，进行迭代计算，通过时域滚动优化过程执行静态目标搜索任务。它主要用于水下自主航行器的路径规划。
-
Patent Agency Ranking
公开(公告)号：CN117850471B
公开(公告)日：2024-11-26
申请号：CN202311766596.1
申请日：2023-12-21
Applicant: 哈尔滨工程大学
IPC: G05D1/695 , G05D109/20
Abstract: 本发明属于路径规划技术领域，提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统。加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；建立任务环境；定义可行航路结构；定义飞行过程中的约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；定义飞行过程中的代价函数；使用改进蚁群方法对代价函数进行求解；迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。本发明用以解决无人机在复杂地形和高度对抗的环境中执行任务时，规划的航线需要满足特定的飞行约束和要求的问题。
-
公开(公告)号：CN118036644A
公开(公告)日：2024-05-14
申请号：CN202410079321.9
申请日：2024-01-19
Applicant: 哈尔滨工程大学
IPC: G06N3/006 , G06N3/092 , G06N3/048 , G06N3/0499
Abstract: 本发明属于多智能体协同围捕领域，提供一种具有时间特征提取机制的深度强化学习多智能体协同围捕方法及其围捕系统。步骤1：初始化环境信息，确定智能体逃跑策略，确定演员网络与中心评论员网络的观测空间，构造奖励函数，构造围捕任务完成条件；步骤2：构建MADDPG架构，其中包括一个具有时间特征提取机制的中心评论员网络以及演员网络；步骤3：智能体与环境信息交互，收集数据，进行预热；步骤4：更新神经网络参数；步骤5：重复步骤4直到完成训练回合数，最终得到训练完成的演员网络，以实现多智能体协同围捕。对于围捕任务来说，准确提取时间特征至关重要，它不仅能显著提升围捕的成功率，也是推进多智能体系统智能化水平的关键。
-
公开(公告)号：CN116205464A
公开(公告)日：2023-06-02
申请号：CN202310277395.9
申请日：2023-03-21
Applicant: 哈尔滨工程大学
IPC: G06Q10/0631 , G06Q10/067 , G06Q50/26 , G06F16/29
Abstract: 一种基于扩展一致性束算法的多障碍物环境下水面多无人艇任务分配方法，涉及多智能体任务分配领域。解决现有水面多无人艇任务分配问题采用扩展一致性束算法，忽略了外界环境对于多无人艇系统产生的约束，而带来的系统能量消耗增大且执行任务效率下降的问题。分配方法为：扫描水面上的障碍物，获得含有障碍物的栅格地图；提取含有障碍物的栅格地图，获得导航对集合；处理多无人艇的自身信息，获得多无人艇的初始化信息；分解任务需求，获得任务的初始化信息；根据多无人艇的初始化信息、任务的初始化信息和导航对集合，并采用改进的扩展一致性束算法对多无人艇进行任务分配，获得多无人艇任务分配效果图。本发明适用于水面多无人艇的智能分配。
-
公开(公告)号：CN117908577B
公开(公告)日：2024-11-19
申请号：CN202311766597.6
申请日：2023-12-21
Applicant: 哈尔滨工程大学
IPC: G05D1/695 , G05D109/20
Abstract: 一种基于合作博弈的多智能体启发式任务分配方法和系统，涉及无人集群技术领域。解决现有无人机携带资源和任务之间的耦合关系考虑较少，限制了特定场景下的任务分配效率的问题。所述方法包括：根据无人机位置信息确立邻近无人机集合；无人机依靠传感器获取外界信息，判断是否出现新任务；判断探测到新任务，发现任务的无人机被标记为长机，并将担任发起人的角色进行广播；无人机根据任务分配算法确定最终的任务分配方案；根据各自所得的任务序列依次执行相关任务，并对环境的持续探测以及对资源进行动态更新；如果任务完成则联盟解散，无人机保持当前的飞行状态在区域内执行任务；如果任务未完成继续执行上一步骤。适用于无人机资源分配领域。
-
公开(公告)号：CN117908560B
公开(公告)日：2024-11-12
申请号：CN202311804902.6
申请日：2023-12-26
Applicant: 哈尔滨工程大学
Abstract: 一种动态环境下用于无人机的分布式协同目标搜索方法及装置，涉及多智能体协同技术领域，方法包括：获取任务环境地图并栅格化；基于整体概率密度分布、不确定度量指标、吸引和排斥信息素以及分区标志四种属性，对栅格化地图进行初始化；更新搜索范围内的目标存在概率；根据所述吸引和排斥信息素计算任务收益和任务约束；基于所述目标存在概率、任务收益以及任务约束建立优化模型，通过蚁群算法进行目标优化，其中，将任务收益作为优化目标最大化；更新无人机下一时刻的状态信息及环境信息；该方法对任务环境的迭代划分找到不确定度均衡的任务区域，构建了搜索收益函数并采用一种改进的蚁群方法求解，能够在保证搜索安全性的基础上提高搜索效率。
-
-
-
-
-
-
-
-
-
Search Results
13
records
(took 0.023 seconds)
