针对无人飞行器编队协同过程中的避碰控制问题, 设计了一种基于两极导航函数与模型预测控制(MPC)相结合的飞行器编队分布式避碰控制方法。首先, 利用邻居集中其他飞行器的位置信息及其目标位置, 建立每架飞行器的导航函数和控制律; 然后, 基于MPC设计了分布式高层编队控制律, 给出分布式预测控制算法; 最后, 以5架无人飞行器在末端攻击阶段飞向各自分配的目标点为例,对飞行器编队避碰控制方法进行了仿真。仿真结果表明, 基于导航函数和MPC的飞行器编队协同避碰控制方法是有效的。

随着低空空域环境的日益复杂, 执行任务的无人飞行器间发生冲突的概率不断增加。针对传统强化学习算法SAC,DDPG在解决有限空域内多无人飞行器间的避碰问题上存在收敛速度慢、收敛不稳定等缺陷, 提出了一种基于PPO2算法的多智能体强化学习(MARL)方法。首先,将多无人飞行器飞行决策问题描述为马尔可夫决策过程; 其次,设计状态空间与奖励函数, 通过最大化累计奖赏来优化策略, 使整体训练更加稳定、收敛更快; 最后,基于深度学习TensorFlow框架和强化学习Gym环境搭建飞行模拟场景, 进行仿真实验。实验结果表明,所提方法相较于基于SAC和DDPG算法的方法, 避碰成功率分别提高约37.74和49.15个百分点, 能够更好地解决多无人飞行器间的避碰问题, 在收敛速度和收敛稳定性方面更优。

针对多智能体系统在形成编队的过程中存在相互碰撞、通信中断和外部干扰的问题, 考虑了具有避碰和保持系统连通的二阶非线性多智能体鲁棒编队控制问题。基于人工势场法设计了具有保持系统连通的多智能体避碰算法, 并利用分布式控制法和共识理论设计了多智能体鲁棒编队控制律, 从而使得多智能体系统准确地实现编队, 避免碰撞和保持系统连通。利用李雅普诺夫稳定性理论和线性矩阵不等式证明了系统的稳定性和跟踪误差的收敛性。通过数值仿真实例验证了所提编队控制律的有效性。

无人机(UAV)编队协同执行侦察跟踪任务是近年来的研究热门方向。针对UAV编队在跟踪目标过程中的航迹规划问题, 首先,推导了UAV编队协同对目标跟踪的最优观测配置, 确定了观测条件; 其次, 针对UAV对目标的跟踪问题, 给出了导航向量场的构建步骤, 并阐述了UAV编队协同跟踪目标的控制条件; 再者,在Lyapunov导航向量场的基础上, 确立了避碰函数, 建立了避碰势场, 并与导航向量场相叠加形成融合向量场。通过实验仿真, 证明了所构建的融合向量场对解决UAV编队在协同追踪目标过程中避障问题的有效性。

日益增长的太空碎片为载人空间站和卫星带来严重的安全挑战。2011年, NASA提出使用地面连续激光照射空间碎片, 利用其微弱的光压力效应, 通过长期积累, 改变其轨道, 从而预防其与航天器可能的碰撞。这一碰撞避免方法并不把太空碎片拉回大气层内, 而是防止碰撞, 由于不需要航天器机动, 且光压的温和作用也对激光器发射功率没有太高要求, 因此这种避碰方法受到广泛关注。然而, 该方法的提出者采用的迎面照射控制律尽管简单但非最优, 故需要设计最优控制律。通过建立两点边值问题模型, 以两物体之间距离的最大化为控制目标, 求解了最优性条件。仿真显示, 经优化后控制律的避碰效果提高程度非常显著, 提高幅度与初轨有关, 通常为25%~125%。

无人机集群运动技术中,布散模型是一项非常重要的研究内容。研究无人机的布散模型时,最重要的工作就是建立每个无人机的运动方程。在建立无人机二维平面内质点运动方程的基础上,设计了虚拟恒定引力、边界力、Lennard-Jones分子力来对模拟无人机在散开运动中的受力,以实现无人机整体运动的趋向性和避免碰撞的要求。通过对运动方程求数值解获得的仿真结果看出,建立的运动模型可以实现无人机在一定范围内散开,并保持运动趋向性和避撞性。