论文部分内容阅读
随着任务环境复杂性和种类多样性的不断提高,多无人机系统正逐渐成为未来的重要发展方向。由于目前无人机的智能化水平难以满足复杂任务要求,为了提高多无人机系统的智能性与协同能力,本文重点围绕多无人机系统智能决策与协同控制问题开展研究。论文主要内容如下:
首先,针对任务优先级不同的多无人机集中式任务决策问题,考虑到传统集中式任务决策方法求解速度慢,而且没有考虑环境不确定对无人机性能的影响,因此论文通过仿照人脑的经验-预测-决策-改进的过程,提出基于经验总结-行为预测-评价改进-在线决策的类脑智能方法。然后采用其中的经验总结-评价改进-在线决策环节进行求解,提高决策方法的求解速度与应对环境不确定性的能力,为优先级不同的各个任务指派合适的无人机。
然后,针对面向围捕任务的多无人机分布式类脑智能任务决策问题,考虑状态部分可观测的特点、环境动态性与不确定性因素的影响,采用上述提出的类脑智能方法进行求解:首先通过已有经验总结初步决策方案与奖赏机制,建立经验数据库;然后推测对方行动策略,预测其下一步动作;接着基于中心化评价-去中心化决策方式,改进己方行动策略;最后利用训练好的网络完成在线决策,在不满足要求时进行闭环迭代,实现多无人机分布式类脑智能决策。
再次,针对避碰约束下的多无人机自适应协同容错控制问题,考虑模型不确定性与外界干扰等综合扰动的影响,在无人机出现执行器故障的情况下,利用滑模方法的鲁棒性特点,以及预设性能方法定量描述暂态与稳态性能的优势,基于leader-follower框架和预设性能函数,提出自适应分布式滑模容错控制器,解决了传统滑模控制律的不连续性问题,以及对扰动上界的依赖性问题,并且可以将编队相对位置维持在与扰动无关的预设性能区域内,使得编队内无人机出现执行器故障时也能达到避碰要求,实现多架无人机的安全稳定飞行。
最后,针对基于竞争机制的多无人机任务决策与协同控制问题,考虑到自然界复杂协作行为可以通过竞争方式产生,以多无人机追踪闯入特定区域的移动目标为场景,创新性地采用赢者通吃的竞争机制对多无人机的协作关系进行建模,利用对偶神经网络高平行性、求解实时性的特点,以及有限时间方法收敛速度快、精确度高、抗干扰能力强的优势,提出基于自适应对偶神经网络和干扰补偿的有限时间任务决策与协同控制方法,使得距离目标最近的无人机执行追踪任务,而其他无人机返回给定地点待命,完成快速任务决策与协同控制。
首先,针对任务优先级不同的多无人机集中式任务决策问题,考虑到传统集中式任务决策方法求解速度慢,而且没有考虑环境不确定对无人机性能的影响,因此论文通过仿照人脑的经验-预测-决策-改进的过程,提出基于经验总结-行为预测-评价改进-在线决策的类脑智能方法。然后采用其中的经验总结-评价改进-在线决策环节进行求解,提高决策方法的求解速度与应对环境不确定性的能力,为优先级不同的各个任务指派合适的无人机。
然后,针对面向围捕任务的多无人机分布式类脑智能任务决策问题,考虑状态部分可观测的特点、环境动态性与不确定性因素的影响,采用上述提出的类脑智能方法进行求解:首先通过已有经验总结初步决策方案与奖赏机制,建立经验数据库;然后推测对方行动策略,预测其下一步动作;接着基于中心化评价-去中心化决策方式,改进己方行动策略;最后利用训练好的网络完成在线决策,在不满足要求时进行闭环迭代,实现多无人机分布式类脑智能决策。
再次,针对避碰约束下的多无人机自适应协同容错控制问题,考虑模型不确定性与外界干扰等综合扰动的影响,在无人机出现执行器故障的情况下,利用滑模方法的鲁棒性特点,以及预设性能方法定量描述暂态与稳态性能的优势,基于leader-follower框架和预设性能函数,提出自适应分布式滑模容错控制器,解决了传统滑模控制律的不连续性问题,以及对扰动上界的依赖性问题,并且可以将编队相对位置维持在与扰动无关的预设性能区域内,使得编队内无人机出现执行器故障时也能达到避碰要求,实现多架无人机的安全稳定飞行。
最后,针对基于竞争机制的多无人机任务决策与协同控制问题,考虑到自然界复杂协作行为可以通过竞争方式产生,以多无人机追踪闯入特定区域的移动目标为场景,创新性地采用赢者通吃的竞争机制对多无人机的协作关系进行建模,利用对偶神经网络高平行性、求解实时性的特点,以及有限时间方法收敛速度快、精确度高、抗干扰能力强的优势,提出基于自适应对偶神经网络和干扰补偿的有限时间任务决策与协同控制方法,使得距离目标最近的无人机执行追踪任务,而其他无人机返回给定地点待命,完成快速任务决策与协同控制。