基于数字信息素的无人机集群频谱监视控制算法

频谱监视对电磁环境的频谱态势掌握至关重要.特别地,用无人机集群作为执行对象,可以提高监视效率,节省大量人力成本.本文针对频谱监视任务,设计了用于评估监视效果的评价函数,提出了一种基于人工势场的数字信息素无人机集群安全控制算法.该算法使用数字信息素矩阵来模拟电磁空间的搜索状态,并通过在集群内的个体之间建立信息素势场以实现自适应的无人机集群分布式航迹规划.周期性的采样和插值解决了未知域的优先级矩阵更新问题,引导无人机优先监视频谱热点区域.不同于已有的基于飞行概率的决策算法,本文算法充分利用了数字信息素所映射的环境信息,可以避免无人机陷入局部状态的重复搜索,适用于动态频谱环境.仿真实验表明本文的决策算法在静态和动态频谱监视场景下均能使评价函数快速收敛,达到较好的监视效果.     

未知环境下基于控制障碍函数的无人车轨迹规划

无人车凭借其适应性强、成本低的优点,成为代替人类前往高风险、高污染区域执行任务的一种切实可行的方案。轨迹规划作为无人车任务系统的关键技术,其目的是根据任务目标制定满足约束条件的运动轨迹。然而,目前的导航控制器主要依赖于预先获取的地图和先验知识,对未知环境的应对能力有所欠缺,无法适应复杂多变的任务环境。为此,提出了一种基于控制障碍函数的轨迹规划方法,用于解决无人车在未知环境下的自主避障、轨迹规划问题。该方法前端利用激光雷达感知环境深度信息,后端采用最小二乘支持向量机拟合障碍物边界,以估计控制障碍函数,并对负样本错分类进行补偿,最终通过求解二次规划得到安全控制指令。针对无人车可能陷入停滞状态的死锁问题,提出一种分段式的检测与消除方法来避免。数值仿真实验和半实物实验结果表明,所提方法在多种障碍物环境下具备较好的避障避撞和轨迹规划能力,在路径长度等方面优于传统的控制方法。     

基于安全强化学习的多智能体覆盖路径规划

覆盖路径规划的目的是为智能体找到一条安全的轨迹,其不仅可以有效覆盖任务区域,而且可以避开障碍物与邻近智能体。在执行覆盖任务时,复杂的大面积任务区域总是不可避免的。如何在保证智能体安全的前提下加强智能体之间的协同合作,以改善集群任务效率低、能力不足的缺点是值得探索的问题。为此,利用栅格地图建立离散的覆盖路径规划数学模型,提出一种基于值分解网络的安全多智能体强化学习算法,并通过理论证明论证其合理性。该算法通过分解群体价值函数以避免智能体的虚假奖励,有助于加强智能体之间协同覆盖策略的学习,以提高算法的收敛速度。通过在训练过程中引入屏蔽器以修正智能体的出界和碰撞等行为,保证智能体在整个任务过程中的安全。仿真和半实物实验结果表明,新算法不仅可以保证智能体的覆盖效率,同时还能有效维护智能体的安全。