-
公开(公告)号：CN115509247B
公开(公告)日：2025-03-07
申请号：CN202211220711.0
申请日：2022-10-08
Applicant: 北京理工大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开的适用于强化学习的小天体着陆器动态目标规划训练方法，属于航空航天技术领域。本发明通过小天体着陆器初始和目标状态对随机生成的方法，在BFS的状态空间规划器验证和筛选下，生成大量的有解的初始‑目标状态对，增加强化学习算法训练环境的可行初始‑目标状态样本。本发明通过反用固定目标状态生成方法，将多初始状态‑单目标状态的可选的小行星着陆器训练环境备选状态；通过迭代生成多初始状态‑多目标状态的备选状态，在训练过程中提升训练后智能体的动态目标任务规划能力。本发明通过使用BFS的状态空间规划器，对生成的初始或目标状态进行筛选和验证，确保初始‑目标状态对存在规划解，减少对强化学习算法训练环境的干扰。
-
公开(公告)号：CN119536340A
公开(公告)日：2025-02-28
申请号：CN202411593735.X
申请日：2024-11-08
Applicant: 中联重科股份有限公司
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本申请公开了一种无人机目标搜寻方法、装置和介质，涉及无人机技术领域。所述无人机目标搜寻方法包括：基于预先设计的能够估计无人机飞行中的转向时间代价的路径搜索算法，规划无人机的区域全覆盖搜寻路径；以及在所述无人机以所规划的路径飞行时，通过预先构建的目标识别模型识别目标，其中所述目标识别模型被配置为具有用于融合不同尺度的目标特征的多尺度特征融合模型以及用于识别遮挡区域目标的多头自注意力机制。本申请通过能够估计无人机飞行中的转向时间代价的路径搜索算法，实现了耗时最优的高效率路径规划，且通过具有多尺度检测能力和多头自注意力机制的目标识别模型，使得在小目标、目标变形、遮挡等情况下仍能保证识别效果。
-
公开(公告)号：CN119536330A
公开(公告)日：2025-02-28
申请号：CN202411575226.4
申请日：2024-11-06
Applicant: 内蒙古大学
IPC: G05D1/49 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开了一种复杂视觉条件下四旋翼无人机感知与控制方法及系统，属于无人机控制技术领域。本发明通过将KCF算法与YOLO算法相结合，实现了更准确、更鲁棒的目标跟踪，克服了传统KCF算法在复杂环境下的抗干扰性不足和YOLO算法的局限性，从而提高了无人机对目标的实时感知能力；应用鲁棒PID控制算法作为控制部分，实现了对无人机速度和位置的精准控制，优化了飞行控制的稳定性和精确性，同时降低了系统的计算复杂度，提高了系统的实时性和适用性；不仅适用于无人机领域，而且可扩展到其他需要目标跟踪和精准控制的应用场景。
-
公开(公告)号：CN119440088A
公开(公告)日：2025-02-14
申请号：CN202411652437.3
申请日：2024-11-19
Applicant: 合肥工业大学
IPC: G05D1/495 , G05D1/46 , G05D1/242 , G05D1/65 , G05D1/644 , G05D101/15 , G05D109/20
Abstract: 本发明公开了一种高超声速飞行器的神经网络跟踪控制器构建方法，包括：1，建立高超声速飞行器的纵向动力学模型；2，在常值速度和常值高度下，根据纵向动力学模型，计算高超声速飞行器的一组平衡点；3，对一组平衡点进行坐标变换和离散化处理，以构建基于离散时间非线性输出调节理论的高超声速飞行器离散时间模型，从而构建高超声速飞行器离散时间模型的闭环系统；4，基于高超声速飞行器离散时间模型的闭环系统，构建前馈函数，并采用神经网络逼近前馈函数，以构建输出反馈控制器；5，找到神经网络的最优权值，并对输出反馈控制器进行坐标变换，以构建神经网络跟踪控制器。本发明能实现高超声速飞行器的跟踪控制，具有较高精度的跟踪性能。
-
公开(公告)号：CN119414876A
公开(公告)日：2025-02-11
申请号：CN202411389839.9
申请日：2024-09-30
Applicant: 河南送变电建设有限公司 , 国家电网有限公司
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开了一种基于视觉感知的无人机全光谱自主巡检系统,属于无人机巡检技术领域,本发明中，自适应环境模块能够实时感知周围环境的变化，天气条件、障碍物、地形起伏等，并快速适应这些变化。使得无人机能够在复杂多变的巡检环境中保持稳定的飞行和精确的数据采集。在遇到强风或突然的天气变化时，自适应环境模块可以自动调整无人机的飞行姿态和速度，确保安全并维持任务的连续性。此外，通过不断学习环境特征，该模块能够预测潜在的风险，并提前规划避障路径，从而提高了系统的自主性和可靠性。这种自适应能力显著提升了无人机巡检的效率和安全性，减少了因环境因素导致的任务失败或设备损坏的风险。
-
公开(公告)号：CN118567386B
公开(公告)日：2025-02-07
申请号：CN202410627947.9
申请日：2024-05-21
Applicant: 天津大学
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明属于强化学习、飞行器姿态控制技术领域，具体涉及一种基于鲁棒对抗强化学习的高超声速飞行器姿态控制方法，包括以下步骤：步骤1：建立飞行器姿态运动模型，确定控制力矩到姿态角之间的控制关系；步骤2：建立面向飞行器姿态控制的优化模型，确定姿态控制过程中考虑稳态及动态性能在内的奖励函数；步骤3：建立飞行器姿态控制模型，设计基于评判‑行动的具有自主学习能力的飞行器姿态控制网络及干扰网络，并实现对算法的离线训练。本发明能够飞行器仿真训练过程中引入干扰网络，以最大程度模拟偏差干扰、提高控制鲁棒性，实现具有强鲁棒性的飞行器多通道姿态免解耦强化学习控制。
-
公开(公告)号：CN118859981B
公开(公告)日：2025-01-28
申请号：CN202411310614.X
申请日：2024-09-20
Applicant: 天目山实验室
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本申请公开了一种基于深度强化学习的无人机控制方法、装置、设备及介质，涉及无人机飞行控制领域。基于深度强化学习的无人机控制方法包括：构建长航时无人机的六自由度动力学方程；根据所述六自由度运动学方程，采用近端策略优化算法训练深度强化学习模型，获得训练后的深度强化学习模型；基于训练后的深度强化学习模型中的策略网络进行控制策略的预测；基于预测得到的控制策略对长航时无人机进行控制。本申请提高了低空长航时无人机在复杂飞行环境中的稳定性。
-
公开(公告)号：CN119356393A
公开(公告)日：2025-01-24
申请号：CN202411486054.3
申请日：2024-10-23
Applicant: 新疆送变电有限公司
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本申请提出了无人机登塔防坠落装置的回收方法、系统、设备及介质，涉及无人机巡检技术领域。无人机登塔防坠落装置包括无人机拖挂单元和顶部挂点单元，所述方法包括以下步骤：控制装载有无人机拖挂单元的无人机飞行至预设对接位置；通过图像检测算法确定顶部挂点单元与无人机的相对位置关系；根据顶部挂点单元与无人机的相对位置关系，调整无人机的飞行路径，以实现无人机拖挂单元和顶部挂点单元的对接，并在对接完成后控制无人机拉起顶部挂点单元并返航。该技术方案能够用于对无人机登塔防坠落装置进行高效且安全的回收。
-
公开(公告)号：CN119356391A
公开(公告)日：2025-01-24
申请号：CN202411467970.2
申请日：2024-10-21
Applicant: 华南师范大学 , 广东省城乡规划设计研究院科技集团股份有限公司
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开了一种基于无人机的三维AI感知方向方法及系统，通过集成多种传感器，实时感知无人机周围环境的可见光、热辐射、空间距离及运动状态，构建全面准确的三维环境地图，利用深度学习进行语义分割，识别物体并赋予语义标签，提升无人机环境理解能力，基于机器学习预测模型，预测动态物体行为，增强无人机在复杂环境中的适应性和安全性。动态构建自适应决策树，根据任务需求和预测结果生成路径规划与飞行指令，灵活应对环境变化，提高任务执行效率与成功率，无人机自主调整飞行，按规划路径完成任务，实现高效自主飞行，减轻人工操作负担。
-
公开(公告)号：CN119336062A
公开(公告)日：2025-01-21
申请号：CN202411296332.9
申请日：2024-09-18
Applicant: 西安现代控制技术研究所
IPC: G05D1/495 , G05D1/46 , G05D101/15 , G05D109/20
Abstract: 本发明公开了一种基于自适应动态规划的飞行器自学习优化控制方法，首先，为保证飞行器在模型不确定、未知外部扰动下的稳定控制，在反步法框架下设计了一种基础稳定控制器。然后，考虑系统跟踪性能会随着扰动变化出现减弱趋势，引入一种基于ADP的参数自调节智能优化算法设计辅助控制器，通过执行‑评价网络权值随跟踪偏差的更新调节获得补偿控制信号进一步减小跟踪误差，实现控制器对环境变化的自学习与自适应能力。最后，通过综合基础控制器和辅助优化控制器，最终得到完整的鲁棒自学习优化控制器。该方法通用性强，计算精度高，具有重要的工程实践参考意义。
