基于数据辅助的无人机集群协同空域抗干扰

研究移动中的无人机通过动态感知和学习干扰来波方向,实时调整波束成形策略来抑制干扰。针对实际场景中无人机不能获得干扰者的全部动作来进行策略训练的问题,提出使用集群内部协作收集干扰机动作数据从而补充训练数据的方法来从而提升集群抗干扰。将波束成形决策建模为马尔可夫决策过程,基于深度强化学习架构,提出了基于数据辅助的无人机集群协同空域抗干扰算法。仿真结果表明,在辅助数据分别达到40%,60%,80%时,系统吞吐量分别得到33%,55%,70%的提升,验证了本文提出的方法能有效提高无人机协同抗干扰能力。     

面向多点侦察和通信服务的多无人机协同任务分配

针对多无人机对多个异构任务目标进行侦察和通信服务的协同优化问题,通过考虑不同目标的任务要求和价值,以及多机协同增益与任务行为制约关系,构建斯坦伯格博弈模型,将上层无人机建立为博弈领导者,下层无人机建立为博弈的跟随者,并提出一种分布式策略更新迭代算法,实现了多无人机任务分配方案的稳定收敛以及系统任务收益优化.仿真结果显示,所提方法能有效提升多无人机系统同时完成多个任务的效益,并能在不同环境下实现面向异构任务价值的高效协同.     

基于重叠联盟博弈的无人机侦察时间资源分配优化

在利用多无人机进行多目标侦察时,需要进行合理的任务分配。优化无人机资源与任务重要程度之间的关系,才能充分发挥多无人机侦察的优势。为了实现多无人机协同侦察时的时间资源分配优化,首先根据任务点和无人机的位置分布情况对多无人机进行预分配,然后对预分配后的空闲无人机进行协同时间资源优化。将空闲无人机协同时间资源分配问题建模为重叠联盟博弈模型,通过对所构建模型的求解,得出多无人机的协同侦察时间资源分配方案。仿真结果表明,优化时间资源后侦察系统的收益得到了提升。     

多无人机协同侦察时间资源分配优化

利用多无人机协同执行侦察任务,可以有效提高侦查的准确性。不同的侦察任务目标对象,重要程度往往不同,其任务价值也就存在差异,因此需要对协同侦察的无人机资源进行合理任务分配,提高协同侦察效益。本文重点考虑对无人机侦察时间资源分配的问题。首先,构建了一种自主协同资源分配机制,并以被辅助无人机为领导者,辅助无人机为跟随者,建立了斯坦伯格博弈模型。然后通过下层博弈均衡求解和上层博弈均衡求解,推导了辅助无人机最佳协助时间的闭合表达式,并得出所构建斯坦伯格博弈模型的纳什均衡解。最后对所提模型和方法进行了仿真验证,仿真结果表明,所提方法使得辅助无人机的时间资源得到充分利用,协同侦察的效用得到有效提升。