为提高智能汽车轨迹跟踪的实时性和自适应性,提出一种变论域模糊自适应模型预测控制(Variable Universe Fuzzy Adaptive Model Predictive Control,VUFAMPC)方法。采用强跟踪平方根容积卡尔曼滤波(Strong Tracking Square Root Cubature Kalman Filter,ST-SRCKF)算法估计轮胎侧向力,获取实时轮胎侧偏刚度值。在传统智能汽车模型预测控制方法基础上,引入变论域模糊控制(Variable Universe Fuzzy Control,VUFC)方法,设计变论域模糊模型预测控制器(Variable Universe Fuzzy Model Predictive Controller,VUFMPC),再结合ST-SRCKF算法将估计的轮胎侧偏刚度作为VUFMPC的参数,实现控制器参数自适应修正,进而获得VUFAMPC。采用硬件在环试验方法对比分析,发现汽车高速行驶时,相对于模糊模型预测控制(Fuzzy Model Predictive Control,FMPC)方法、自适应模型预测控制(Adaptive Model Predictive Control,AMPC)方法,VUFAMPC的超调量分别优化了11.1%和18.8%,过渡时间减少了46.6%和67.9%;轨迹跟踪试验结果显示,相对于FMPC、VUFMPC、AMPC,VUFAMPC的最大跟踪误差优化了73.9%、68.7%、24.8%,均值误差优化了72.3%、56.1%、28%。研究结果表明:VUFAMPC具有良好的实时性和自适应性,同时有效兼顾智能汽车的轨迹跟踪精度和行驶稳定性。

地面无人车辆在非结构化环境中行驶时,负障碍物对车辆行驶安全构成了重大威胁。然而,现有的负障碍物检测研究中,基于相机的检测方法不能良好适用于光照条件差、背景复杂的非结构化环境,而基于激光雷达的负障碍物检测方法大多从机械式激光雷达线束特性出发进行设计,通用性差。为此,提出了一种兼容性强且具备良好扩展性的负障碍物检测方法,能够适应不同类型的激光雷达,并实现高精度的负障碍物检测。方法针对点云数据进行预处理,提取地面感兴趣区域并进行点云的姿态矫正;采用自适应分辨率极坐标栅格化技术,增强点云数据的空间表示能力;设计了负障碍物栅格特征描述子,结合点云的空洞特性、高度差异和最小高度等多个特征,提取潜在的负障碍物区域;引入多帧融合策略,通过地图重投影和基于贝叶斯规则的概率更新,最终输出高精度的负障碍物表面占据范围。实验结果表明,所提出的方法同时适用于不同扫描方式的激光雷达,能够在复杂非结构化环境中有效识别负障碍区域,具有良好的通用性与检测精度。

水下无人航行器(Underwater Unmanned Vehicle,UUV)作为一种智能水下作业系统,其运行过程中产生的自噪声将对舷侧阵声纳造成强烈干扰。当前主流的自适应波束形成技术主要用于抑制远场干扰,对于UUV自干扰这一类近场强干扰的适应性不足。针对这一问题,提出一种基于协方差矩阵重构的UUV自干扰抑制方法。由于舷侧阵与UUV的刚性连接特性,当工况不变时,UUV自干扰协方差矩阵在时间上具有高度稳定性。基于此特性,新方法首先利用预采集数据估计自干扰协方差矩阵,然后利用该矩阵对远场干扰和噪声的协方差矩阵进行修正,从而构建干扰加噪声协方差矩阵,以便计算自适应波束形成器的权重。实验结果显示,与当前主流自适应波束形成方法相比,新方法在输入信噪比高于0dB时表现更好;与矩阵滤波类方法相比,新方法可以将干扰抑制效果提升约6dB。

针对柴电混合能源无人系统中逆变器与柴油发电机组并联运行时的功率分配问题，提出了一种改进的逆变器恒功率控制方法，其有功和无功功率指令分别由频率偏差和频率下垂系数、电压偏差和电压下垂系数计算得到。所提方法将柴油发电机频率和电压的动态变化直接引入逆变器控制，通过对下垂系数的合理选取，实现了逆变器与发电机并联运行时的功率均分，解决了混合能源无人系统逆变器恒功率控制模式下与柴发机组并联运行时，突加、突卸负载可能导致的发电机过载或逆功率问题。通过仿真和物理实验验证了该控制方法的有效性和可行性。

聚焦多无人机干扰地面通信网的协同优化问题，以压制整个通信网为约束条件，最小化多干扰无人机的最大功率为优化目标，将复杂干扰资源分配问题转化为传统带约束条件的组合优化问题。设计基于粒子群优化(Particle Swarm Optimization，PSO)算法的混合粒子群优化(Hibrid Particle Swarm Optimization，HPSO)算法，把无人机三维位置和干扰机功率联合为粒子位置进行优化，并引入武器威胁模型。仿真实验对比PSO、麻雀搜索算法和遗传算法3种算法，结果显示HPSO收敛速度更快，能高效找到合适的无人机部署方案。在不同无人机数量任务场景下，HPSO的干扰效果良好且稳定性强，是更适用于多无人机协同干扰地面通信网优化任务的有效算法。研究成果为多无人机协同干扰地面通信网提供了有效的方案和算法，对提升无人化网电对抗能力有重要意义。

旋翼无人机凭借其卓越的灵活性和多功能性，在电力巡检、农林植保和反恐救援等领域得到了广泛应用。然而在复杂平面区域作业中，不规则地形的二维覆盖问题对路径规划提出了严峻挑战。针对这一问题，提出一种复杂平面区域的无人机覆盖路径规划技术，在区域分解阶段，采用方向容差-牛耕分解法，消除分解产生的冗余狭长区域，显著降低后续路径规划中的折返频次；在覆盖路径生成阶段，采用4模覆盖TSP规划法，设计4种覆盖模式并动态配置端点，并在分解得到的子区域间构建多模式旅行商问题，采用动态规划方法将计算复杂度由O(n！·4ⁿ)降至O(|π_ϵ|·n·4²)，兼顾计算效率的同时提升区域覆盖任务效率。实验结果表明：该技术在城镇、机场、山区、城市、林地5个场景中，平均航点数量减少27.24%，任务距离缩短26.12%，任务预估时间减少26.20%，验证了其在复杂平面区域中降低路径冗余、提升任务效率的显著优势，为旋翼无人机覆盖路径作业提供了高效解决方案。

武警部队遂行任务的复杂特性使得对轻武器打击效果的精准可控提出了更高要求。聚焦智能非致命电磁恒量动能打击武器系统的设计与关键技术研究，通过整合人工智能、电磁发射与恒量动能打击理论，构建“人枪结合”的精准打击模式，以实现非致命动能输出的动态可控。梳理国内外智能枪械的发展现状，分析武器系统的设计必要性及智能化内涵，提出以“感知-决策-执行”为架构的层级框架和工作机理，并深入剖析瞄准线稳定、基于终点能量阈值的弹道解算、电磁发射控制等关键技术。针对武器系统对复杂任务的适应性需求，给出武器系统的未来发展方向和潜在矛盾，期望从理论研究走向实战运用，真正为武警部队装备升级与作战效能提升提供有效支撑。

针对无人机目标检测面临目标尺度极端变化、小目标高密度遮挡及复杂背景干扰等挑战，提出基于改进YOLOv10的无人机航拍小目标检测的跨层动态检测网络。通过设计双分支跨层特征融合金字塔网络替换原金字塔网络结构，解决传统方法对小目标细节保留不足的问题；设计通道混洗深度上采样模块，将通道混洗操作与深度可分离卷积结合，通过高频残差增强小目标边缘特征；采用端到端动态检测头替代原有的检测头，引入动态加权机制，使得每个位置的特征表示能够根据上下文信息自适应调整。实验结表明：所提检测网络在VisDrone2019验证集上的mAP0.5和mAP0.5：0.95分别达到53.3 %和33.2%，较YOLOv10s分别提升了12.7%和9%，模型参数量减少了23.7%，FPS达到79。所提算法在保证良好的推理速度上显著提高了检测精度，具有较大的实用意义。

在战场上的不确定区域、敌对环境和禁入地区等复杂地域环境中进行遇险人员搜救面临着效率低、定位准确性差等诸多困难，如何利用无人机等新兴装备提高遇险人员搜救效率成为国内外研究的热点。设计了一套由3架多旋翼无人机构成的搜寻定位无人机微型集群系统，该系统主要利用四旋翼无人机、光电搜寻载荷、宽带自组网电台和无人机地面站等设备，通过单无人机、多机协同等方式实现昼夜搜寻和协同控制。该系统对无人机小型化设计使操作人员易于背包携行，便于前出侦察以确定伤员位置信息与伤势情况；系统可对遇险人员进行精确定位，具有地形环境限制小、区域搜寻效率高的优势；无人机可实现多架无人平台间的多模式组网通信，同时地面控制站具备任务规划、对多架无人机进行任务航线设定、控制无人机进行编队飞行等功能，能够通过多机协同提升战场搜救效率。

综合电力系统的发电机组、输电线路和配电网络都集成在一个相对狭小的空间里，各个设备之间耦合程度高，使得连锁故障的传播速度更快。针对运行环境相对恶劣、工况转换较为频繁的综合电力系统连锁故障分析，基于模式搜索理论和风险评估理论，建立了无人平台综合电力系统连锁故障风险评估模型，并对典型中压直流综合电力系统进行风险评估，对比分析了运行工况和可靠性参数对系统连锁故障风险的影响，验证了风险评估模型的合理性。以风险评估结果为依据，针对系统薄弱环节，从优化设备结构角度制定了相应的预防策略，电磁暂态时域仿真和实验平台物理实验验证了所提连锁故障预防策略的有效性。

针对无人机三维航迹规划识别威胁或者禁飞区域存在搜索盲点问题和提高全局航迹规划能力,传统的蜣螂智能优化算法具有良好的全局搜索能力,但其性能受到初始化参数设置的影响,会出现局部搜索出现盲点、种群之间不交流等问题,为此提出多策略改进型的蜣螂优化算法。采用新型混沌映射、新型柯西-洛伦兹游走策略、改进三角游走策略和新型柯西逆累积分布函数游走策略分别改进初始化参数、蜣螂滚球行为、小蜣螂觅食行为和蜣螂偷窃行为;采用改进纵横交叉策略对各个种群蜣螂进行交叉;通过多种策略改进提高了无人机识别威胁区域和全局航迹规划能力。研究结果表明了改进型蜣螂优化算法在无人机航迹规划的优越性,相比于传统蜣螂智能优化算法,改进优化算法总的代价只有传统算法的57.88%,总的代价降低42.12%;相较于沙猫群算法、粒子群优化算法、河马算法和灰狼算法总的代价分别降低38.37%、38.80%、44.17%、41.80%。

针对某舰炮开关闩机构关重件磨损和弹簧弹性减弱两类典型故障模式,传统故障诊断方法主要依赖于人工检查、专家经验推理和理论仿真等方法,不仅时间周期较长,而且诊断精度难以保证。针对此问题,采用深度学习的方法,提出一种基于麻雀搜索算法(Sparrow Search Algorithm,SSA)的格拉姆角场结合卷积神经网络和长短期记忆神经网络(Graham Angle Field-Convolutional Neural Network-Long Short-Term Memory,GAF-CNN-LSTM)的开关闩故障诊断方法。通过试验台架采集开关闩机构故障原始信号并进行预处理,通过时频分析法和格拉姆角场法建立一维时序数据和二维图像故障数据集;将故障数据集分别输入到使用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)通道中,利用CNN强大的空间特征提取能力和LSTM挖掘数据时序特征能力进行特征提取,并将二者得到的特征信息进行融合,在全连接层和激活函数的作用下输出诊断结果;通过SSA对GAF-CNN-LSTM网络结构中的超参数进行优化,提高模型的诊断精度和适用性。经测试数据验证:提出的SSA-GAF-CNN-LSTM故障诊断模型不仅可以更精准地诊断开关闩机构故障类型,而且具有更强的泛化能力及抗干扰能力,有效地提高了开关闩机构故障诊断的性能。

针对在超视距空战中,战斗机难以规避中远距空空导弹的问题,根据加装侧向助推火箭的无人机(Unmanned Aerial Vehicle,UAV)的特点,给出了拥有短时间内大过载侧向机动能力的UAV末端机动规避中远距空空导弹的可行策略。建立了UAV与中远距空空导弹的模型,研究了UAV在中远距空空导弹攻击末端时,侧向过载启动时间、侧向过载大小、侧向过载方向对导弹脱靶量的影响。 仿真实验结果表明,UAV应在侧向过载可持续时间内使用最大可用侧向过载规避中远距空空导弹。当导弹迎头来袭时,应采取爬升方式规避导弹;当导弹前侧向来袭时,应采取同侧向爬升和俯冲方式规避导弹。

针对行进间无人车载炮稳定系统存在复杂非线性和随机扰动影响的问题,提出一种自抗扰自适应复合控制策略。建立计及执行器动态和模型不确定性的无人车载炮稳定系统机电耦合动力学方程;基于反步思想将自适应控制和扩张状态观测器巧妙融合,构造参数自适应律在线更新系统的未知参数,利用双通道扩张状态观测器实时估计系统的匹配和不匹配干扰并进行前馈补偿;由于车载炮稳定系统的参数不确定性主要由自适应技术解决,因此进一步降低了扩张状态观测器的学习负担,提高了行进间无人车载炮稳定系统的跟踪性能,避免了高增益反馈的影响;基于Lyapunov函数的稳定性分析表明,当系统只存在常值干扰时可以实现车载炮的渐近稳定,即使存在时变不确定性也能确保车载炮稳定系统获得规定的瞬态性能和跟踪精度;通过对比联合仿真和模拟试验证明了自抗扰自适应复合控制策略的有效性和可行性。

轨迹跟踪是无人驾驶控制系统中至关重要的功能之一。车辆动力学模型对轨迹跟踪性能有显著影响,但是存在模型复杂度和求解效率之间的矛盾,在非线性工况下无法满足轨迹跟踪精度要求,为此提出基于高斯过程回归(Gaussian Process Regression,GPR)的模型预测控制(Model Predictive Control,MPC) 方法。使用简单模型从而确保求解效率,通过GPR对车辆模型补偿从而提高轨迹跟踪性能。提出基于单轨动力学模型的车辆状态融合估计方法,获得GPR误差补偿模型;构建轨迹跟踪问题模型,推导GPR误差补偿模型在预测时域的迭代方程,对预测时域内的车辆状态进行动态补偿,实现轨迹跟踪控制;通过搭建实车验证平台开展典型工况试验验证,与无补偿MPC方法进行对比。研究结果表明,新方法轨迹跟踪精度得到明显提升,轨迹跟踪横向误差和航向误差分别降低了33.3%和27.9%,同时还兼顾了车辆舒适性的提升,侧向加速度和横摆角速度均值分别下降了17.1%和21.7%。

强化学习在无人机空战应用中面临僵化的奖励函数与单一模型难以处理高维连续状态空间中复杂任务的挑战,严重限制了算法在动态多变态势下的决策泛化能力。针对上述问题,融合分层式与分布式架构的精髓,提出一种集成深度双Q网络(Double Deep Q-Network,DDQN)与深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法的自主决策框架。根据敌我双方在不同态势下的优势差异,设计一系列基于不同奖励函数权重组合的DDPG算法模型,并以此构建底层分布式深度确定性策略梯度(Distributed DDPG,D³PG)决策网络。引入擅长处理离散动作空间的DDQN算法构建上层决策网络,根据实时态势变化自主地选择并切换至最合适的底层策略模型,实现决策的即时调整与优化。为进一步提升红蓝双方无人机近距离空战环境的真实性与挑战性,在DDPG算法的训练中引入自我博弈机制,构建具备高度智能化的敌方决策模型。实验结果表明,新算法在无人机与智能化对手的博弈对抗中胜率最高达96%,相较D³PG等算法提升20%以上,且在多种初始态势下均能稳定战胜对手,充分验证了该方法的有效性和先进性。

针对传统蜣螂优化(Dung Beetle Optimization,DBO)算法在复杂环境下无人机航迹规划中表现出的稳定性差、寻优能力不足问题,提出一种融合复合种群策略与自适应t分布扰动的DBO算法(Group-based Optimization and adaptive t-Distribution DBO optimization algorithm,GOTDBO)。GOTDBO在DBO算法的基础上,结合复合种群初始化策略、自适应扰动全局勘探策略和自适应t分布扰动策略,可有效提升算法的全局探索和局部开发能力,提高算法的收敛速度。通过构建综合考虑总飞行长度、转角弯度和最大飞行方向变化的目标函数,并引入惩罚函数法处理路径中的禁飞区和其他约束,进一步优化航迹的平滑性与安全性。实验结果表明,在航程上,在不同复杂环境的场景中应用GOTDBO算法规划航程时,该算法能规划出紧凑高效的航迹,在最大航程指标上表现出色,可有效提升续航经济性;在威胁规避方面,采用GOTDBO算法规划的航迹接近威胁区域的次数最少,飞行安全性更高;在高度控制上,高度偏离程度低,能稳定精准控高。虽在航迹平滑度上与其他算法相当,但GOTDBO算法在多核心指标上优势显著,在无人机航迹规划中节能高效、安全可靠,具有高应用价值与广阔前景。

无人机编队可以实现复杂的集体任务,降低单个无人机的风险和操作难度。针对三维场景下的无人机集群编队控制问题,基于预设时间稳定理论和多智能体一致性理论,设计领-从结构下的分布式编队复合控制方法。通过分析无人机实际输入与等效控制之间的关系,建立多机运动学模型。为提高无人机对外部扰动的鲁棒性,结合自抗扰控制理论设计一种预设时间收敛扩张状态观测器,实现对扰动的在线估计。进一步,考虑到只有与领航者连通的跟随者能获取领航者的状态信息,提出一种预设时间收敛的分布式估计器,以快速估计领航者的状态。结合观测器及估计器的输出,提出一种预设时间收敛的一致性编队控制协议,并通过Lyapunov理论证明闭环系统的预设时间稳定性。通过构建数值仿真实验,验证了新方法的有效性。研究结果表明,新设计的控制方法在存在外部扰动的情况下可以实现预设时间内稳定的无人机编队协同控制。

无人机作为一种新型飞行器,正在逐步融入现代武器装备体系,成为军事领域中不可或缺的重要组成部分。为了使无人机具备安全的着陆决策系统,能够在没有地面标识的情况下自主地执行降落任务,提出一种基于多传感器数据融合从粗到精的分阶段自主择址技术。基于图像信息进行语义分割、实现粗糙落点搜索,在引导无人机降低飞行高度之后,基于点云信息的高程值计算地形参数、构建地形成本图,并考虑地形的类别融合图像语义信息,完成精细落点搜索。试验结果表明:该技术能够很好地划分出安全区域和危险区域,能够使无人机自主获取安全的着陆位置;在精细落点搜索阶段中通过与拟合点云平面实现决策的方式进行对比分析,验证了该技术能够较大程度地节省决策时间,提高择址效率。

两栖车辆是一种能够在水陆两种环境中行驶的机动平台,在军事和民用领域都具有重要的应用价值和发展潜力。回顾了水陆两栖车辆的发展历程,对比分析了不同类型的两栖车辆的特点和发展趋势,从建模与仿真、高速两栖车辆设计、航行控制3个方面阐述了两栖车辆水上航行研究中的关键技术,结合水上无人技术的研究进展,探讨了两栖车辆实现水上航行无人化的难点和挑战,并对两栖车辆的未来研究方向进行了展望。

无人机遥感探测在军事侦察领域发挥着重要作用,偏振探测利用偏振光与物体相互作用产生的偏振变化来提高目标对比度。然而在复杂场景下,伪装小目标与背景特征差异较小且空间信息不足,存在检测困难的问题。为此提出一种偏振伪装小目标检测算法(Polarization Camouflaged Small Object Detection-YOLO,PCSOD-YOLO),设计了高效层注意力模块-坐标注意力特征提取模块和空间金字塔池化跨阶段局部通道-3D权重注意力感受野模块,捕获目标的偏振特征和语义信息,增强上下文信息理解能力;设计了动态小目标检测头,通过动态卷积增强对小目标特征提取能力的同时,利用不同尺度的特征信息,联合多通道特征信息输出小目标检测结果。构建伪装小目标偏振图像数据集(Polarization Image of Camouflaged Small Objects,PICSO)。在PICSO数据集上的实验表明,所提出的方法可以有效检测伪装小目标,mAP_0.5达到92.4%,mAP_0.5:0.95达到47.8%,检测速率达到60.6帧/s,满足实时性要求。

模糊认知图作为一种兼具模糊推理和类神经网络特征的知识图解软计算模型,与第3代人工智能知识与数据双驱动的发展方向高度契合,已被广泛应用于各个领域。首先,介绍模糊认知图理论的基本概念和原理,从构建方法、学习算法、拓展模型3个方面系统地分析模糊认知图的最新研究进展和存在的主要问题,总结未来研究的主要方向和重点内容;其次,全面梳理和归纳模糊认知图在无人系统(单无人系统、多无人系统、无人-有人系统)中的应用研究情况;最后,通过详细分析自主智能驱动的单无人系统、群体智能驱动的多无人系统以及互信智能驱动的无人-有人系统的技术需求,深入讨论未来模糊认知图在无人系统应用中的重点研究内容和主要研究思路。

针对经典粒子群算法在无人机三维航迹规划过程中全局搜索能力不足、易陷入局部最优等问题,研究提出一种多维增强粒子群优化算法。算法首先通过引入改善因子,在粒子寻优各个阶段实现动态调整惯性权重,提升种群适应性和克服局部最优能力;其次依靠动态约束方程实现学习因子增强,促使粒子间信息共享更为高效,改善算法自学习能力;随后有序融合混沌初始化和精英反向学习进化等策略优势,重新规划粒子群进化流程,增强粒子在迭代过程中的均衡性和多样性,提升算法收敛精度。实验中通过测试函数横向对比和复杂三维任务场景纵向应用,多维增强粒子群优化算法在新的多维目标函数指标中相较于经典粒子群算法无人机航迹规划能力获得了提升,在5种比对算法中表现出较好的有效性和竞争力。

空地协同系统中的无人车-无人机协同降落对拓展异构智能体集群的任务场景具有重要意义。目前基于轨迹优化的自主降落方法将时间与空间耦合在一起,通过设计最优控制律进行联合航迹优化,但存在优化目标函数设计较为复杂,无法发挥致动器最佳效能的问题。针对传统轨迹优化方法中时空维度过度耦合的问题,提出一种基于时空解耦的轨迹优化(Spatio-Temporal Decomposition Planning,STDP)方法,通过在空间与时间维度分别对降落轨迹进行优化,使无人机在复杂场景下采取更为激进的飞行策略。同时在设计目标函数时,综合考虑无人机的降落耗时以及电机功耗模型,以最优时间、能耗为控制目标构建2阶锥规划问题以加速求解,确保求解质量与效率。仿真结果表明,相较于时空耦合的规划方法,STDP方法规划出了更逼近运动学约束边界的轨迹,使得任务耗时大大缩减,提高了任务效率,同时实际场景中的测试结果也证明了STDP方法在实际应用中的可靠性。

针对无人机成像场景典型目标点云数据集稀缺的问题,建立机载线阵激光雷达动态成像模型,提出一种基于柱体素的点云目标检测算法对仿真数据真实性进行验证。基于虚拟仿真平台建立典型目标模型与崎岖地形、伪装覆盖和植被遮蔽等典型场景,结合激光点云获取仿真模型、机载平台运动模型、拼接成像及畸变校正方法,获取激光点云数据集,基于重叠面积的完整度判别标注方法进行数据集标注;采用柱体素特征提取模块处理目标顶部特征,通过标注的仿真数据集训练点云目标检测算法,并在基于等效实验获取的真实数据集上进行算法评价。检测算法在实测数据集上的识别准确率为93.2%,评价结果表明机载线阵激光雷达动态成像模型具有较高的可信度,仿真数据能够反映真实目标特征。

临近空间高超声速滑翔飞行器(Hypersonic Gliding Vehicle,HGV)具有高速、高机动特性以及超强的突防能力,对现有防御系统造成严重威胁。针对临近空间高机动目标拦截任务中跟踪预测难的问题,提出一种基于气动力加速度估计的HGV智能轨迹预测方法。根据HGV目标运动模型,分析其机动模式和气动力变化规律,选定气动升力加速度、气动阻力加速度和倾侧角控制量3个参数作为轨迹预测参数,替代目标运动模型中的未知项。建立基于气动加速度估计的动力学跟踪模型,利用雷达量测数据和无迹卡尔曼滤波实现预测参数的实时跟踪估计,并以此为输入构建长短时记忆(Long Short-Term Memory,LSTM)网络训练模型,对预测参数的变化规律与时序关系进行在线学习。利用训练完备的LSTM预测网络迭代预测目标未来时刻的气动加速度,结合运动方程数值积分外推,实现目标轨迹在线预测。数值仿真结果表明,新方法能有效预测非合作HGV目标轨迹,预测精度高、稳定性好。

构建环境地图是导航的前提,完整详细的地图能够有效辅助无人平台规划最佳移动路径。针对传统导航地图构建方法存在数据冗余及地形结构区分困难的问题,提出一种面向无人平台建筑内导航的地图轻量化处理与楼梯区域分类方法。提取无人平台可行驶区域,减少数据冗余,并基于楼梯上表面的分布特性去除离群点。利用包含边缘平滑处理的地图构建算法,生成边界清晰、形状规整的多层栅格地图(Multi-layer Grid Map, MGM)。提取楼梯环境特征,结合Laplace平滑的朴素贝叶斯分类算法,区分并标记台阶和转弯平台等结构。实验结果表明:所提方法生成的地图在保持高分辨率的同时,数据量较传统点云地图减少了1个数量级以上,且地图分类的宏精准率达到91.3%。相较于传统方法,该方法能构建更加轻量化且具有地形分类标签的建筑内MGM,为无人平台安全高效的导航提供支持。

为保证无人水下航行器在执行海岸线巡逻、大型船只避碰以及穿越密集岛礁等复杂任务时的安全性,提出一种基于控制障碍函数的椭圆模型障碍物避障方法。在对障碍物进行椭圆形建模的基础上设计包含艏向角约束的控制障碍函数,构建带有约束条件的二次规划问题,通过与无障碍环境下的制导律相结合,得到闭式解形式的避障制导律。仿真结果验证了所提方法的有效性,可全局上满足安全性和稳定性要求,对于无人水下航行器在复杂海洋环境中的安全航行具有实际应用价值。

针对多智能体任务目标分配中航迹代价估算不准确的问题,提出一种基于改进快速搜索树算法的航迹代价计算方法,在合理地规划智能体运动轨迹的同时提高智能体航迹代价估算的准确性;针对改进合同网算法投标过程中优势智能体过早签约的问题,提出一种智能体投标状态转化机制,使得优势智能体可以多次参与任务竞标,实现智能体系统任务负载的均衡。仿真结果表明,新提出的航迹代价计算方法能够较好地计算智能体与目标、目标与目标之间的航迹;智能体投标转化机制解决了优势智能体过早签约导致的资源浪费,智能体系统完成任务的执行时间较之前降低6.54%,但处理优势智能体问题时新的机制会增加整个任务分配的投标轮次。

在实际监测任务中,及时有效地识别飞行模式至关重要。然而,现有的飞行模式识别方法主观性强、模式单一,限制了在复杂情况下的飞行监控能力,在实际应用中有局限性,进而导致模式边界定位不精确、识别精度低。为此提出一种基于敏感边界和长飞行序列的飞行模式智能识别方法(Intelligent Flight Pattern Recognition Method for Sensitive Boundaries and Long Flight Sequences, IFPRM-SBLFS),以对飞行模式进行智能识别。为了更好地探索多模式飞行参数的空间关系,设计自适应图嵌入,针对不同持续时间的飞行模式提出去噪深度多尺度自动编码器,以及用于减轻模型损失的分类加权焦点损失和回归联合时空交集损失。为验证所提方法的优越性,采集多架民用航班的真实参数,涵盖11种飞行模式,通过人工标注构建飞行模式数据集。仿真计算结果表明:新模型能够在连续飞行架次中自动区分不同的飞行模式,并准确提取模式边界,识别准确率达到了99.07%,且无需任何预处理或后处理;新的智能识别方法可以有效提高精确度和敏感边界的飞行模式识别效果。

针对无人机光电平台受到严重非线性因素影响,从而导致目标定位精度显著降低的问题,提出一种基于改进变异萤火虫优化粒子滤波(Improved Mutant Firefly Algorithm-Particle Filter,IMFA-PF)算法,用于无人机对地面目标精确定位。首先,建立无人机光电平台目标观测的状态方程和测量方程;利用IMFA-PF算法对目标地理位置进行估计,通过引入多重变异策略和弹力机制来改变粒子之间的相互作用模式,解决由严重非线性因素以及过度优化导致的粒子退化问题;通过一维非线性不稳定仿真系统和实测飞行实验验证了该算法的有效性。实验结果表明,所提算法能够改善粒子分布受观测非线性的影响,有效解决粒子退化的问题,与已有算法相比具有更好的鲁棒性和定位精度。

海面角反射器具有极强的雷达回波特性,其形成的假目标在时域持续干扰,制造虚假态势,给导引头的精准打击带来很大挑战。针对该问题,利用红外传感器不受角反射器干扰的优势,提出一种基于雷达-红外特征级融合的多目标场景下角反射器智能识别算法。通过YOLOv8网络对红外图像的目标干扰进行初次判别,高置信度目标图像直接输出识别结果;对低置信度目标图像单独裁剪,利用雷达-红外角度信息进行目标关联并提取雷达特征;将雷达特征与红外图像作为双通道融合网络的输入,实现对低置信度目标的二次判别。经实测数据验证,所提方法的识别准确率在96%以上,所做工作对角反射器干扰识别具有参考意义。

面向大规模无人机集群协同作业场景,针对航迹冲突频繁导致集群航迹规划高耗时的问题,开展基于强化学习冲突消解的大规模无人机集群航迹规划方法研究。构建“顶层冲突消解-底层航迹规划”的双层规划架构,降低航迹冲突的时空维度。在顶层冲突消解层,设计基于Rainbow DQN (Deep Q-Networks algorithm)训练框架的冲突消解策略网络,将每个航迹冲突的消解过程转换为二叉树拓展左、右树节点的动作选择过程,实现不同冲突消解顺序与冲突消解结果的映射,减少树节点的遍历,提高冲突消解效率;在底层航迹规划层,将时间维度引入空间避碰策略,提出基于节点重扩展机制的跳点搜索法(Re-planning Jump Point Search, ReJPS),增加规划可行域,提升航迹冲突的消解能力。仿真结果表明:相比基于CBS (Conflict Based Search)+A^*方法与CBS+ReJPS航迹规划方法,新方法在最优性相当的前提下,平均规划耗时分别降低了86.64%和19.65%。

为提高智能汽车的避障能力,提出一种基于速度障碍模型的智能汽车轨迹规划控制方法。结合速度障碍法和障碍物膨胀法,建立智能汽车的速度障碍模型,将动态障碍物在速度空间中的运动不确定转化为位置不确定,实现安全裕度根据障碍物尺寸和相对速度自适应调整。为兼顾轨迹跟踪精度和行驶稳定性,根据汽车状态方程、模糊控制原理和模型预测控制原理设计智能汽车模糊模型预测控制器(Fuzzy Model Predictive Control,FMPC)。为验证该方法的有效性,采用仿真软件建立其仿真模型。仿真结果表明:对多个随机的静、动态障碍物均可实现避障,且在避障后快速平稳地跟踪参考轨迹。通过避障稳定性分析得出,目标车速为100km/h,其最大横向速度为4.01km/h,最大横摆角速度为20.8°/s,最大质心侧偏角为2.32°,满足汽车行驶稳定性要求,该方法有效提高了智能汽车的避障能力及其行驶稳定性。

针对多约束条件下无人机时变编队控制中的能耗优化问题,提出一种基于动态参数扩展高阶控制障碍函数的优化控制方法。对现有的高阶控制障碍函数进行改进,综合考虑无人机与障碍物的运动状态建立扩展状态的动力学模型,将动态目标避障的安全性约束条件在扩展状态动力学模型上展开,得到用于建立动态目标避障的扩展高阶控制障碍函数;针对扩展高阶控制障碍函数约束的可解性与保守性问题,设计K类函数参数的自适应规则得到动态参数扩展高阶控制障碍函数,在提高含约束优化问题可解性的同时降低解的保守性。利用控制障碍函数与动态参数扩展高阶控制障碍函数建立多约束条件,基于一致性条件与哈密顿分析建立目标函数,将时变编队的能耗优化问题转化为多约束优化问题,并用二次规划进行求解得到最优控制输入。仿真结果表明,所提方法比固定参数扩展高阶控制障碍函数以及人工势场法具有更好的避障效果与更低的能耗。

针对区域防御任务中多个入侵者的拦截问题,考虑追捕任务间时序关系与总体拦截效能,提出一种多无人机序列捕捉算法。基于任务的长期规划收益与短期执行效果构建任务的时序收益与空间收益,分别作为任务分配和任务执行的优化目标,实现复杂博弈问题的动态实时求解。基于可达集方法描述攻防双方优势程度并构建任务时序收益,引入深度Q网络对其进行估计进而引导任务分配;基于任务空间收益求解单攻击者追逃博弈问题,给出连续动作空间任务执行的最优控制策略。仿真结果表明,所提算法通过优化任务时空收益能够实现多无人机间的有效合作,提升防御方的捕获成功率,并具有较强的可扩展性。

为解决编队控制存在的收敛速度慢、控制器连续更新问题,针对2阶多智能体系统,提出一种基于事件触发机制的预设时间编队控制方法。基于预设时间的加速度观测器,跟随者于预设时间内估计到领航者的加速度状态。设计基于事件触发机制的预设时间编队控制器使跟随者于预设时间内跟踪上领航者,避免了控制器的连续更新。基于严格的理论分析证明,多智能体系统可实现预设时间编队控制,且避免芝诺现象。数值仿真结果表明,新提出的基于事件触发的预设时间编队控制方法可使多智能体系统于指定时间内形成期望构型,同时降低控制器更新频率从而降低系统能耗。基于四旋翼无人机编队飞行试验结果,进一步验证了新提出的控制方法的可用性和拓展性。