舰载机甲板停机位分配问题研究

舰栽机甲板停机位分配问题关系到航母飞行甲板作业的效率,合理的停机位分配对于提高甲板作业效率十分重要。对舰载机停机位分配问题进行了详细研究,以舰载机移动路径、加油路径以及挂弹路径总和最小为目标函数,建立了甲板停机位分配模型,利用贪心算法并结合模拟退火算法对模型进行了求解,仿真结果表明,该模型对停机位的分配合理。     

面向航空母舰电子显灵板的多智能体建模技术研究进展

航空母舰电子显灵板是推演、验证、评估和改进航空母舰甲板作业方案的重要工具,它可以辅助提高航母甲板作业效率,保证作业安全性,从而提高航母综合作战能力.基于多智能体的建模技术,通过各个智能体自底向上、动态协作的方式构建航母甲板的作业流程,进而构建航母甲板任务规划、决策评估与控制等模型.文中综述了面向航空母舰电子显灵板的多智能体建模技术的研究进展.首先分析现代航母甲板上的典型作业及操作配员;然后介绍航空母舰电子显灵板的研究进展;再从航母甲板作业多智能体协同架构、复杂场景中的多智能体群组协同,基于信念、愿望和意图的多智能体建模,以及多智能体建模平台与有效性评价等多个方面,对现阶段的多智能体技术进行总结;最后提出了若干有待进一步研究的方向,旨在推进中国航空母舰电子显灵板系统和装备的理论研究和产业应用.     

基于Frenet标架下三维元胞自动机的航母舰载机集群运动建模

航母舰载机运动包括二维甲板上的运动和三维空域内的运动.二维甲板面易受海面复杂扰动而发生运动,三维空域涉及区域又非常大,这使得实现航母舰载机集群运动建模成为一项具有挑战性的问题.目前国内外公开的研究工作很少有涉及舰载机集群运动的,可以借鉴的关于飞行器集群方面工作中又很少有涉及整个飞行空域内集群运动的模拟.针对上述问题,提出了一种基于Frenet活动标架下的三维元胞自动机模型来实现舰载机集群运动模拟,通过沿舰载机预定航线轨迹构建Frenet活动标架,基于该标架进行元胞剖分并采用三维元胞自动机模型建模求解整个空域内舰载机之间的运动,最终实现整个空域内舰载机集群运动的模拟.在PS机上基于各种虚拟数据集对舰载机的运动进行实验模拟,结果表明,文中方法可以较好地模拟舰载机在多种环境下的起降以及巡航行为,并且针对5 km的航线,可以实时计算模拟约8万架次舰载机的运动状态.     

面向机械臂轨迹规划的强化学习奖励函数设计

针对基于深度强化学习的机械臂轨迹规划方法学习效率较低,规划策略鲁棒性差的问题,提出了一种基于语音奖励函数的机械臂轨迹规划方法,利用语音定义规划任务的不同状态,并采用马尔科夫链对状态进行建模,为轨迹规划提供全局指导,降低深度强化学习优化的盲目性。提出的方法结合了基于语音的全局信息和基于相对距离的局部信息来设计奖励函数,在每个状态根据相对距离与语音指导的契合程度对机械臂进行奖励或惩罚。实验证明,设计的奖励函数能够有效地提升基于深度强化学习的机械臂轨迹规划的鲁棒性和收敛速度。     

深度强化学习复原多目标航迹的TOC奖励函数

针对航迹探测领域中探测器获得的目标地理位置通常是同一帧下无法区分的多目标场景,需要利用目标位置信息还原各航迹并区分各目标的问题进行研究,提出采用深度强化学习复原目标航迹的方法。依据目标航迹的物理特点,提取数学模型,结合目标航迹的方向、曲率等提出轨迹曲率圆（TOC）奖励函数,使深度强化学习能够有效复原多目标航迹并区分各目标。首先描述多目标航迹复原问题,并将问题建模成深度强化学习能够处理的模型;结合TOC奖励函数对多目标航迹复原问题进行实验;最后给出该奖励函数的数学推导和物理解释。实验结果表明,TOC奖励函数驱动下的深度强化网络能够有效还原目标的航迹,在航向和航速方面切合实际目标航迹。     

基于障碍物运动预测的移动机器人路径规划

针对移动机器人局部动态避障路径规划问题开展优化研究。基于动态障碍物当前历史位置轨迹,提出动态障碍物运动趋势预测算法。在移动机器人的动态避障路径规划过程中,考虑障碍物当前的位置,评估动态障碍物的移动轨迹;提出改进的D*Lite路径规划算法,大幅提升机器人动态避障算法的效率与安全性。搭建仿真验证环境,给出典型的单动态障碍物、多动态障碍物场景,对比验证了避障路径规划算法的有效性。     

舰载机保障作业人机协同决策方法

舰载机保障作业是航空母舰航空保障系统的重要组成部分,其调度效率不仅影响舰载机出动架次率,而且严重制约航空母舰作战效能发挥.在多舰载机保障的动态甲板作业环境下,安全高效地为舰载机分配保障资源,最大限度地减少舰载机因资源分配冲突产生的时间开销,是提高舰载机保障作业调度效率的关键途经.现有基于启发式、机器学习等方法舰载机保障作业调度策略,存在计算量大、鲁棒性差、训练效率低等问题.为此,本文将舰载机保障作业调度问题建模为分布式多智能体协同控制的顺序决策问题,构建了一种新颖的基于人机协同的多智能体作业调度决策框架HCMTPF(human-machine collaborative multi-agent task planning framework),有效地提高了保障作业调度决策模型的学习效率.在此基础上,提出了一种基于人类行为可信度的自适应作业分配方法,进一步提高了智能体自主探索能力和人类指导经验利用率.经大量仿真实验验证,本文提出的舰载机保障作业人机协同决策方法比其他方法在计算性能和学习效率方面具有明显优势.     

无人机反应式扰动流体路径规划

针对复杂三维障碍环境,提出一种基于深度强化学习的无人机(Unmanned aerial vehicles, UAV)反应式扰动流体路径规划架构.该架构以一种受约束扰动流体动态系统算法作为路径规划的基本方法,根据无人机与各障碍的相对状态以及障碍物类型,通过经深度确定性策略梯度算法训练得到的动作网络在线生成对应障碍的反应系数和方向系数,继而可计算相应的总和扰动矩阵并以此修正无人机的飞行路径,实现反应式避障.此外,还研究了与所提路径规划方法相适配的深度强化学习训练环境规范性建模方法.仿真结果表明,在路径质量大致相同的情况下,该方法在实时性方面明显优于基于预测控制的在线路径规划方法.     

无人车辆轨迹规划与跟踪控制的统一建模方法

无人车辆的轨迹规划与跟踪控制是实现自动驾驶的关键.轨迹规划与跟踪控制一般分为两个部分，即先根据车辆周边环境信息以及自车运动状态信息规划出参考轨迹，再依此轨迹来调节车辆纵横向输出以实现跟随控制.本文通过对无人车辆的轨迹规划与跟踪进行统一建模，基于行车环境势场建模与车辆动力学建模，利用模型预测控制中的优化算法来选择人工势场定义下的局部轨迹，生成最优的参考轨迹，并在实现轨迹规划的同时进行跟踪控制.通过CarSim与MATLAB/Simulink的联合仿真实验表明，该方法可在多种场景下实现无人车辆的动态避障.     

基于深度强化学习和动态窗口法的移动机器人路径规划

为了应对复杂多变的环境并提高移动机器人实时避障能力,提出了一种基于深度强化学习和动态窗口法的融合路径规划方法.首先,通过将机器人的驱动控制直接作用在速度空间来执行路径规划,从而使机器人具备动态窗口特性.然后,设计并训练一个深度Q网络去逼近移动机器人的状态-动作值函数,进而与环境动态地进行交互和试错,实时调整机器人的移动轨迹,最终为机器人找到最优路径.仿真实验结果表明,论文所提方法在自定义RGB(图像像素)图像的复杂环境中能够使移动机器人保持安全适当的速度行驶,找到无碰撞的最优路径,具有较好的鲁棒性.