XiaoMi-AI文件搜索系统
World File Search System机动控制
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。根据收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。
增强型定点机动控制技术...
KPLO 航天器将携带六个科学有效载荷，包括月球地形成像仪 (LUTI)，用于绘制月球表面地图、寻找未来着陆点和确定月球表面的感兴趣位置；以及广角偏振相机 (PolCam)，它将在三个光谱带对整个月球表面进行偏振成像测量。它将携带 KPLO 伽马射线光谱仪 (KGRS)，用于绘制月球表面上和地下各种元素和辐射的分布图；KPLO 磁力仪 (KMAG)，它将描述月球磁异常并研究月球地壳磁性的起源；以及抗干扰网络实验有效载荷 (DTN)。此外，KPLO 还将携带 NASA 有效载荷 Shadowcam，用于探索极地陨石坑中的永久阴影区域。
F-16 大攻角机动控制... - eucass
非线性动态逆是针对大迎角机动问题研究最多的非线性控制技术。非线性动态逆是一种基于系统动力学逆的反馈线性化方法 [1]。通常，飞机动力学可分为两类：慢速动力学和快速动力学，F-16 也不例外。慢速动力学对于固定翼飞机是相同的，可以使用风轴微分方程推导。另一方面，快速动力学对于每架飞机都是独一无二的，在推导飞机的快速动力学时必须包括空气动力学数据库。本文使用了基于 NASA 兰利和艾姆斯研究中心的 F-16 风洞试验结果的亚音速气动数据库 [1]。该数据库适用于 和每种飞行条件。因此，它是在大攻角区域测试新开发的控制律的合适平台。在 Simulink 环境中开发了 F-16 的 6 自由度数学模型。数学模型包括气动数据库、发动机模型、大气方程和运动方程 [3]、[4]。开发了平飞、爬升、下降和稳定平转飞行条件下的配平算法 [5]。此外，还基于小扰动理论推导出了线性化算法 [6]。为了比较非线性动态逆控制律和线性控制律的性能，设计了横向和纵向运动的线性控制增强系统。采用特征结构分配技术综合了线性控制律。纵向控制器是一种简单的迎角控制指令系统，使用 F-16 飞机的短周期动力学设计而成。横向控制器是一种侧滑和稳定轴滚转速率指令系统，使用 F-16 飞机的线性化横向稳定轴方程设计而成。线性控制器的设计过程最终根据高度和速度安排增益矩阵，以实现全包络有效飞行控制律。使用预定义的大迎角机动对线性和非线性飞行控制律进行了比较。这种机动被定义为快速且同时的俯仰和滚转运动。虽然拉起运动在迎角和之间变化，但滚转运动在倾斜角保持恒定。随着攻角的增大，纵向和侧向动力学无法分离，因此增益调度线性控制器和非线性动态逆控制器的机动能力变得重要。