期刊基本信息
创刊:
1970年 • 月刊
名称:
电光与控制
英文:
Electronics Optics & Control
主管单位:
中国航空工业集团公司
主办单位:
中国航空工业洛阳电光设备研究所
主编:
刘红漫
副主编:
周德云 苏泽青
ISSN:
1671-637X
刊号:
CN 41-1227/TN
电话:
0379-63327293
邮箱:
地址:
河南洛阳017信箱《电光与控制》编辑部
邮编:
471009
定价:
20元/期
电光与控制 第30卷 第1期
针对有人/无人机 (MAV/UAV)系统在三维空间下的协同编队队形保持和变换问题, 提出了具有分层结构的有人/无人机编队控制方法。根据有人/无人机指挥控制方式和作战流程, 设计有人/无人机编队系统控制结构, 其中,采用动态面控制方法设计有人机轨迹跟踪控制器, 解决了反步控制中虚拟控制信号反复求导的问题; 基于有限集中分布式编队控制策略设计无人机编队控制器, 实现了多架无人机与有人机的协同编队飞行, 并基于Lyapunov理论证明了控制器的稳定性。最后, 针对三维空间下的有人/无人机编队进行仿真, 仿真结果验证了所设计有人/无人机编队控制策略的有效性。
有人/无人机编队 分层结构 编队控制 动态面控制 MAV/UAV formation hierarchical structure formation control dynamic surface control 为了提高无人船局部动态避障的规范性、安全性和稳定性, 提出基于漂角估计的无人船局部动态避障方法。首先, 根据国际海上避碰规则(COLREGS)选取动态窗口法(DWA)的速度空间; 其次, 根据预测的障碍物运动状态选择动态窗口法中无人船的无碰预测轨迹; 最后, 考虑海洋扰动, 利用横向位置误差估计漂角, 并在无人船的航向上进行补偿。仿真实验结果验证了所提方法的有效性。
无人船(USV) 局部动态避障 动态窗口法(DWA) 风浪流干扰 漂角估计 Unmanned Surface Vehicle(USV) local dynamic obstacle avoidance Dynamic Window Approach(DWA) wind, wave and current disturbance drift angle estimation AFDX引入虚拟链路实现物理带宽资源的逻辑分隔时, 数据帧的异步到达和多路复用输出会造成虚拟链路的时延抖动现象,并最终导致流量端到端延迟分析的不确定性。针对AFDX数据帧传输抖动、时延波动的确定性问题, 设计了基于时间窗的AFDX端系统调度策略, 该方法可以有效减小数据帧的传输抖动, 并提供确定性。对该调度策略进行了分析和仿真验证, 结果表明该调度策略可以对端系统数据发送端的最差情况抖动做出有效的约束, 提高整个AFDX的确定性及可靠性。
航空电子全双工交换式以太网 调度策略 网络与交换 Avionics Full Duplex Switched Ethernet scheduling strategy network and switching 由于视觉传感器与惯性传感器的高度互补性, 视觉和惯性融合是一种常见的姿态测量手段。随着机载、车载等仪器设备的迅速发展, 传统静止基座下的姿态测量已无法满足一些实际应用场景的需求。由于受到基座运动信息的干扰, 很难对动基座上的目标物进行准确、快速的姿态测量。为了发挥视觉和惯性融合的优势, 并实现动态基座下的目标物相对姿态测量, 提出了一种基于单目视觉与双陀螺仪的姿态测量系统。分析了测量系统中坐标系的建立以及坐标系之间相对关系, 提出了坐标系归一化方案, 并利用容积卡尔曼滤波对视觉和惯性结果进行融合, 实现了高精度、大范围、快速、稳定的姿态测量。在搭建的视觉和惯性融合姿态测量系统平台上进行了实验验证, 结果证明该系统坐标系归一方案与融合算法的有效性。实验结果表明, 所搭建系统具有较高的准确度, 融合后的俯仰角和方位角的均方根误差(RMSE)均不超过0.1°。
动基座姿态测量 视觉和惯性融合系统 容积卡尔曼滤波 坐标系归一化 attitude measurement on moving base visual/inertial system cubature Kalman filter coordinates normalization 针对复杂水文环境下无人自治水下机器人(AUV)轨迹跟踪实时性较慢、精度较低的问题, 设计了一种基于拉盖尔函数的自适应预测轨迹跟踪控制方法。首先, 基于预测控制将轨迹跟踪问题转化为二次规划设计; 其次, 为解决AUV 轨迹变化以及外部干扰所造成的控制量突变, 融合递推最小二乘法设计了自适应预测控制器; 接着, 采用拉盖尔函数重构控制器, 以解决运算量过大导致的系统响应速度变慢的问题; 最后, 仿真证明了该方法能够提升系统的响应速度、抗干扰性和鲁棒性。
水下机器人 轨迹跟踪 模型预测控制 参数自适应 拉盖尔函数 Autonomous Underwater Vehicle(AUV) trajectory tracking model predictive control parameter self-adaption Laguerre function 针对目标检测过程中存在遮挡导致的漏检和误检问题, 提出一种融合图像修复模块的**目标检测算法, 通过深度学习实现**目标的自动识别, 再结合图像修复对遮挡目标实现图像增强。对于目标检测模块, 在YOLOv4的基础上添加了卷积注意力机制, 来增强对目标识别的敏感程度以及网络的特征提取能力; 并且采用交叉迭代批量标准层, 提高模型的训练效率。图像修复模块是基于生成对抗网络设计的一种双生成器模型, 考虑到目标图像轮廓的完整性对图像的修复和目标的检测都有一定的影响, 增加了一个边缘生成网络, 图像修复模块旨在还原目标被遮挡的部位。模拟结果表明, 融合了图像修复模块的目标检测算法对遮挡目标的检测精度达到了79.63%, 较好地解决了遮挡情况下的漏检和误检问题。
深度学习 目标检测 YOLOv4网络 注意力机制 **目标 deep learning target detection YOLOv4 network attention mechanism military target 针对共轴多旋翼无人机中容易出现电机故障和复合干扰的问题, 采用自适应神经网络观测器设计了容错控制算法。首先,建立了包含电机故障和复合干扰的共轴八旋翼无人机运动模型;然后,通过神经网络来逼近复合干扰, 并利用自适应律估计故障因子, 设计了自适应神经网络观测器对系统状态进行估计;最后,针对姿态角回路和角速度回路设计了反步容错控制律, 并利用滤波器对虚拟指令信号进行滤波, 抑制了微分爆炸现象, 实现了共轴八旋翼UAV的渐近稳定。实验结果表明: 所提方法与自适应容错控制方法相比表现出了更优的稳定性和准确性, 最大跟踪误差仅为0.1°, 有效补偿了复合干扰和旋翼电机故障的影响, 提升了无人机的飞行稳定性和容错性能。
共轴八旋翼无人机 电机故障 复合干扰 自适应神经网络观测器 容错控制 coaxial eight-rotor UAV motor fault composite disturbance adaptive neural network observer fault-tolerant control 针对非均匀采样非线性系统存在外界扰动造成难以控制的问题, 利用数据驱动策略, 提出了无模型自适应准滑模控制算法。首先, 将系统动态线性化过程中的伪雅可比矩阵参数估计误差视为一种外界扰动; 其次, 利用滑模控制的方法对该动态线性化模型进行控制器设计。该算法特点是: 结合了滑模控制固有的特性来减小外界扰动对系统控制作用的影响, 有效地提高了控制效果。最后, 对该控制算法的稳定性也进行了分析, 通过一个非均匀采样非线性系统的仿真实验验证了所提算法的有效性。
滑模控制 数据驱动策略 稳定性 参数估计 非均匀采样 sliding mode control data driven strategy stability parameter estimation non-uniform sampling 针对相控阵雷达在多目标跟踪过程中的波束调度管理问题, 以及传统的波束调度问题中仅优化所有目标中误差最小的目标, 面对高机动目标会导致一些误差较大的目标不收敛甚至丢失的问题, 提出一种基于最大平均协方差的雷达波束调度算法, 并结合交互式多模型滤波(IMM)算法和相控阵雷达无惯性采样的优势, 实现对多目标的稳定跟踪的波束调度, 并探究期望协方差与过程误差协方差(噪声误差)对跟踪过程的影响。仿真实验表明: 该算法可以有效实现多个高机动目标的协方差保持在期望范围内以及实现动态收敛, 并可以通过调节期望协方差与过程误差协方差来影响跟踪过程的置信度与收敛速度, 实现多目标稳定跟踪。
相控阵雷达 协方差 交互式多模型滤波 波束调度算法 phased array radar covariance IMM filtering beam scheduling algorithm 超材料研究从提出至今历经20余年, 得到了突飞猛进的发展, 其中,超材料吸波特性是研究热点之一。针对此研究热点, 简述了超材料吸波体的提出, 综述了超材料吸波体的发展, 重点介绍了几种基本类型的超材料吸波体, 如加载集总元件的超材料吸波体、多单元或多层结构超材料吸波体、多类型材料复合超材料吸波体, 最后展望了超材料在隐身技术中的应用前景, 并给出了超材料隐身技术走向实用化所面临的若干挑战及发展建议。
超材料 集总元件 多单元或多层结构 多类型材料复合 隐身技术 metamaterial lumped element multi-unit or multi-layer structure multi-type material composite stealth technology 针对分布式群系统编队控制问题, 提出一种有向拓扑条件下的分布式编队控制方法。首先, 通过在控制协议中引入辅助函数, 利用变量代换, 将编队控制问题简化为自治系统的稳定性问题, 使得复杂的控制问题简单化。其次, 通过求解线性矩阵不等式设计控制增益矩阵, 形式简单, 求解复杂度低。然后借助李雅普诺夫方法分析系统的稳定性。仿真实验表明, 多无人机系统在分布式控制协议下, 能够有效实现编队跟踪控制。
多无人机系统 有向拓扑 编队跟踪 一致性 增益矩阵 multi-UAV systems directed topology formation tracking consensus gain matrix 异常目标检测是当前高光谱图像处理中的一个研究热点。针对当前异常目标检测算法存在的问题, 从解决高光谱图像中含有的背景、异常目标和噪声等相关量出发, 利用高光谱图像的空间谱和光谱特性, 提出了联合低秩张量分解和稀疏表示的新的高光谱图像异常目标检测算法。该算法首先利用低秩张量分解模型对高光谱进行图像恢复, 使图像质量得到提升, 从而使得异常目标变得突出, 易于进行目标检测; 然后, 再利用稀疏差异指数进行异常目标检测, 得到需要的异常检测结果; 最后, 利用真实的高光谱图像进行仿真实验, 结果表明, 新的异常目标检测算法具有检测精度高、虚警率低和鲁棒性好的特点。
高光谱图像 异常目标检测 张量分解 稀疏表示 hyperspectral imagery anomaly target detection tensor decomposition sparse representation 针对四旋翼无人机在输入受限情况下的姿态跟踪控制问题, 提出了一种参数化控制方法。首先建立了四旋翼姿态误差二阶全驱模型, 采用一种参数化控制器, 使姿态误差系统等价于一阶定常闭环系统, 从而实现姿态角收敛至跟踪信号。考虑四旋翼输入受限及更好的跟踪性能, 采用智能优化的方法, 利用粒子群算法优化控制律中的参数矩阵。仿真实验表明: 与反步法相比, 提出的参数化控制器能够在输入受限情况下更快速地跟踪姿态指令, 具有更好的暂态性能, 实现了四旋翼高精度姿态跟踪控制。
四旋翼无人机 输入受限 参数化控制 quad-rotor UAV input constraints parametric control 近些年来随着人工智能、信息网络等技术的成熟, 航空电子系统迅速发展, 关于未来航空电子系统如何应用于作战的讨论层出不穷。通过三层面分析法对航空电子系统各种创新活动进行整合, 从而构建面向未来的合理且持续的方法论来研究航空电子系统领域。首先系统梳理了航空电子系统的研究背景和现状, 接着深入剖析了三层面分析法模型, 重点从3个层面详细分析了航空电子系统的应用情况:有人机航电系统效益降低及其原因, 当前航空电子系统的不断改进和两类创新归纳, 未来高度自主的无人机航电主导的设想及其3个推动因素。
航空电子系统 三层面分析法 自主度 无人机 avionics system three-level analysis autonomy UAV 针对机载**控制系统故障诊断和装备维修存在的偶发故障定位困难、系统诊断能力不足等问题, 基于综合诊断概念, 提出了构建以开放式系统架构及商用成品构件为基础、满足二级维修体制、面向多机型的**控制系统综合诊断平台。该平台具有从设计、使用到维修的全寿命周期装备综合保障能力, 为解决装备复杂性和诊断维修之间的矛盾, 最大限度地提高诊断效率、降低维修成本, 确保**控制系统战备完好性打下了坚实基础。
**控制 综合诊断 测试性设计 案例推理 深度检测 weapon control integrated diagnosis testability design CBR deep inspection 针对无人机近距空战的自主决策问题, 提出了一种基于近端策略优化(PPO)算法的无人机自主引导方法。针对敌我距离、角度、速度以及任务约束等信息重塑奖励, 建立了无人机三自由度模型, 在速度坐标系上构建强化学习的状态和动作, 分别对结合了全连接神经网络的PPO算法(标准PPO算法)和长短时记忆网络的PPO算法(改进PPO算法)模型进行了仿真训练。根据训练的结果可以证明, 相比于标准PPO算法, 所提的改进PPO算法能够更有效地处理与时间序列高度相关的无人机自主引导任务。
近距空战 近端策略优化 自主引导 长短时记忆网络 close air combat Proximal Policy Optimization(PPO) autonomous guidance long short-term memory network 在靶场试验任务过程中, 光电经纬仪自主稳定跟踪目标是最核心及关键的环节。目前, 利用单一信息源跟踪模式难以适用于不同的靶场任务类型与环境特点。以靶场光电经纬仪跟踪系统为研究平台, 结合跟踪运动过程中实时测量的本机或外部的数据信息, 提出了利用多种光测信息源融合跟踪方法和相应数据处理算法。通过融合跟踪仿真实验获得跟踪最大估计误差为2.49′, 估计随机误差为8″, 满足光电经纬仪试验任务跟踪精度要求,证明了该方法可有效保证跟踪过程的稳定性与可靠性。
多源信息融合 自主稳定跟踪 数据处理 估计误差 multi-source information fusion autonomous stable tracking data processing estimate error 面对复杂的三维环境, 传统的路径规划算法计算复杂度极度增加, 失去了原有的效果。深度强化学习可以不依赖于精确的环境模型, 其总体效率远高于传统算法。针对三维环境下的AUV路径规划问题, 在建立避碰探测模型和gym仿真环境的基础上, 改进网络结构的PPO算法设计及模型训练。通过仿真实验, 验证了算法的准确率与有效性。
路径规划 近端策略优化 深度强化学习 AUV AUV path planning proximal policy optimization deep reinforcement learning 多种应用依赖于数据理解的准确性, 而语义图像分割有效地解决了这个问题, 它为基于像素级别的场景理解提供了必要的上下文信息。鉴于ResNeXt50相比于一般的卷积操作具有更强的特征提取能力, 提出了一种基于ResNeXt50的U-Net网络结构ECAU-Net。在融合过程中, 通过引入超强通道注意力(ECA)模块进一步增强特征表示对场景分割的判别能力。除此之外, 在整体网络结构中引入空洞卷积, 在不改变卷积核大小的情况下扩大图像的感受野范围,从而最大化地提高网络性能。实验结果表明, 在CamVid数据集上, ECAU-Net相较于U-Net在Acc, Acc class, MIoU和FWIoU这4个评价指标上分别提高了2.1%, 8.6%, 8.2%和3.2%。
语义图像分割 空洞卷积 超强通道注意力模块 semantic image segmentation dilated convolution efficient channel attention module U-Net U-Net 针对低信噪比(SNR)条件下雷达信号识别率低的问题, 提出一种基于多时频图像融合和扩张残差网络的识别方法。首先, 通过多种时频分析方法, 将雷达信号变换为不同的时频图, 并对这些时频图进行融合和处理。然后, 构建一种新网络模型, 将扩张残差网络与特征融合提取模块相结合, 对10类雷达信号进行识别。仿真结果表明, 当SNR为-6 dB时, 所提方法对10类雷达信号整体识别准确率达到98.7%。
雷达信号识别 时频分析 特征融合 特征融合提取模块 扩张残差网络 radar signal recognition time-frequency analysis feature fusion DFFE dilated residual network