-
公开(公告)号：CN117302554A
公开(公告)日：2023-12-29
申请号：CN202210699969.7
申请日：2022-06-20
Applicant: 北京理工大学 , 北京理工大学长三角研究院(嘉兴)
IPC: B64G1/24
Abstract: 本发明公开了一种基于预测校正制导的时间角度约束的制导方法和系统。本发明所提供的方法包括：步骤S101、在飞行器飞行前，预先对飞行器装定期望飞行时间和期望落角；步骤S102、在飞行器飞行过程中，实时获取飞行器的飞行时间误差和落角误差，其中飞行时间误差为期望飞行时间与预测飞行时间的差值，落角误差为期望落角与预测落角的差值；步骤S103、基于飞行器的飞行时间误差和落角误差，对制导指令进行校正。本发明通过时间角度约束的制导方法能够克服依赖常值速度假设的缺陷，具有良好的控制效果。
-
公开(公告)号：CN116774825A
公开(公告)日：2023-09-19
申请号：CN202310698095.8
申请日：2023-06-13
Applicant: 北京理工大学长三角研究院(嘉兴) , 北京理工大学
Abstract: 本发明公开了一种基于手环和长短时记忆神经网络的肢体语言控制系统，通过在手环中设置三轴加速度传感器，采集操作者的手臂动作，将手臂动作信息发送至无人机机载计算机，由机载计算机中设置的手臂运动识别模块将手臂动作信息转化为无人机控制指令，从而实现操作者对无人机的控制。本发明公开的基于手环和长短时记忆神经网络的肢体语言控制系统，通过手环实现对无人机的控制，使得操作者能通过手臂的动作便捷操控无人机的同时，更直观地观察无人机周围飞行环境，面对突发状况能及时做出飞行命令指令的变更。
-
公开(公告)号：CN119472710A
公开(公告)日：2025-02-18
申请号：CN202411440260.0
申请日：2024-10-15
Applicant: 北京理工大学
IPC: G05D1/46 , G05D109/20
Abstract: 本发明公开了一种无人机集群分布式时空轨迹优化框架，其特征在于，通过建立最优控制模型，并求解最优控制模型，获得无人机集群的时空轨迹，求解过程中，针对任一无人机，进行单一无人机时空轨迹优化迭代和自身约束条件迭代后，进行无人机之间通讯，获得全局变量，通过优化全局变量，获取无人机最优时空轨迹。本发明公开的无人机集群分布式时空轨迹优化框架能够优化多个无人机的飞行轨迹，使其避开障碍物，满足无人机间的避让约束，优化无人机的飞行时间。
-
公开(公告)号：CN116839575A
公开(公告)日：2023-10-03
申请号：CN202210290425.5
申请日：2022-03-23
Applicant: 北京理工大学
Abstract: 本发明公开了一种基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法，包括以下步骤：通过传感器获得不同目标的多个观测值；估计观测值与目标关联概率；设置有效观测范围；对观测值与各个目标的关联可能的情况进行穷举，得到所有的可行联合事件，针对处于有效观测范围内的可行联合事件，获取观测值对目标的关联概率密度；根据观测值对目标的关联概率密度，通过卡尔曼滤波更新各个目标的后验状态量与协方差，实现目标跟踪。本发明公开的基于大概率关联的观测值数目的联合概率关联的多目标跟踪方法，相比于传统的JPDA法，虽然目标跟踪精度有小幅度降低，但极大提高实时性，能够更好适应不同的工程环境需求。
-
公开(公告)号：CN116185061A
公开(公告)日：2023-05-30
申请号：CN202211516761.3
申请日：2022-11-28
Applicant: 北京理工大学
IPC: G05D1/10 , G06N3/045 , G06N3/0985 , G06N3/084 , G06N3/0499
Abstract: 本发明公开了一种基于集成迁移学习的制导方法(ETLS)，该方法不仅能实时生成最优制导命令，还能在场景发生变化后，只用很少的新数据进行微调就能快速适应新的工作环境，并且性能几乎和之前一样好；该方法将多个传统的训练好的DNN神经网络与元学习器相结合，将新飞行器的中段制导最优控制问题，简化为寻找最优加权函数和最优偏置函数的问题，而且这两个函数可以用少量数据快速确定，避免了重新训练一个新网络的耗时和数据不足问题，从而针对新的飞行器及新的应用场景，能够在极短时间内给出满足末速度和精度要求的中制导段控制指令。
-
Patent Agency Ranking
-
-
公开(公告)号：CN117195685A
公开(公告)日：2023-12-08
申请号：CN202310933737.8
申请日：2023-07-27
Applicant: 北京理工大学
IPC: G06F30/27 , G05B13/04 , G06F30/28 , G06F30/15 , G06N3/042 , G06N3/048 , G06N3/08 , G06F111/04 , G06F111/10 , G06F113/08 , G06F113/28 , G06F119/14
Abstract: 本发明公开了一种基于门控渐进式神经网络的计算制导方法，包括以下步骤：采用原始任务的训练数据，预训练门控渐进式神经网络，获得初始网络，采用初始网络输出飞行器偏置加速度，根据偏置加速度获得飞行器的制导律；当制导任务改变后，采用新任务的训练数据，对初始网络再训练，获得更新网络，采用更新网络输出飞行器偏置加速度，根据偏置加速度获得飞行器的制导律。本发明公开的基于门控渐进式神经网络的计算制导方法，能够在新数据较少的情况下快速适应新的任务环境，且避免由任务增加引起的网络参数的爆炸性增长，降低了训练运算量。
-
公开(公告)号：CN116520686A
公开(公告)日：2023-08-01
申请号：CN202211596100.6
申请日：2022-12-13
Applicant: 北京理工大学
IPC: G05B13/04
Abstract: 本发明公开了基于迁移学习的角度时间最优制导方法，该方法在不同气动环境中，满足攻击角度约束并实现最小化飞行器的攻击时间。首先，基于偏置比例导引律，将飞行器制导指令分为比例导引项和偏置项；其次，求解指定的最优控制问题，建立由飞行器当前飞行状态与加速度偏置项组成的训练集；然后，训练好的神经网络可以在不同气动环境下，根据飞行器的每个时刻的状态直接获得需要的加速度偏置项，并根据加速度偏置项间接获得最优制导指令；最后飞行器将会在新气动环境中以最短攻击时间和规定攻击角度命中目标。
-
公开(公告)号：CN116149369A
公开(公告)日：2023-05-23
申请号：CN202310174055.3
申请日：2023-02-23
Applicant: 北京理工大学
IPC: G05D1/10
Abstract: 本发明公开了一种面向多种目标域任务的飞行器制导控制方法，该方法中在飞行器上预先灌装训练好的域对抗神经网络，该域对抗神经网络在训练时需要指定不同的目标域任务，从而使得该对抗神经网络能够在收到飞行器的状态向量后，针对每一组目标域任务各自给出制导偏置项，而飞行器在发射前仅需确定并输入期望的目标域任务，即可寻找到对应的制导偏置项，进而得到制导指令，并打舵工作，控制飞行器精确命中目标，从而完成本发明。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.019 seconds)
