XiaoMi-AI文件搜索系统
World File Search System机群系统
强化学习用于增强无人机群双基地 ISAC 系统中的感知估计
摘要 —本文介绍了一种新颖的多智能体强化学习 (MARL) 框架，以使用无人机 (UAV) 群作为传感雷达来增强综合传感和通信 (ISAC) 网络。通过将无人机的定位和轨迹优化构建为部分可观测马尔可夫决策过程，我们开发了一种 MARL 方法，该方法利用集中训练和分散执行来最大化整体传感性能。具体来说，我们实施了一种分散的合作 MARL 策略，使无人机能够制定有效的通信协议，从而增强其环境意识和运营效率。此外，我们通过传输功率自适应技术增强了 MARL 解决方案，以减轻通信无人机之间的干扰并优化通信协议效率。此外，还结合了传输功率自适应技术来减轻干扰并优化学习到的通信协议效率。尽管复杂性增加，但我们的解决方案在各种场景中都表现出强大的性能和适应性，为未来的 ISAC 网络提供了可扩展且经济高效的增强功能。索引术语 — 多智能体强化学习 (MARL)、综合传感和通信 (ISAC)、无人机 (UAV)。
无人机群控制的设计挑战 - VTT CRIS
摘要。人们普遍认为，群体可能是无人驾驶飞行器 (UAV) 或无人机技术的下一步发展方向。尽管导航、数据收集和决策的自主性大幅提高是“集体人工智能”愿景的重要组成部分，但这一预期发展引发了人们对群体与其人类操作员之间最有效的互动形式的质疑。一方面，每个单元的低级“微观管理”显然抵消了使用群体的许多优势。另一方面，保留对群体目标和实时行为进行一定控制的能力显然至关重要。我们提出了两种控制方法，直接和间接，我们相信它们可用于设计合适的图形用户界面 (GUI)，即同时直观、易于使用、功能强大且灵活，允许单个操作员编排群体的动作。模拟结果用于说明概念，并对不同场景中的两种控制方法进行定量性能分析。确定了与无人机群控制相关的人为因素方面，并从人类操作员的使用角度讨论了这两种控制方法。我们得出的结论是，直接方法更适合短时间尺度（“战术”级别），而间接方法允许指定更抽象的长期目标（“操作”级别），使它们自然互补
无人机群的时代：探索战场的影响
开发公司，2005年），2，https：//www.rand.org/pubs/rgs_dissertations/rgsd189.html。11 Zachary Kallenborn和Philipp C. Bleek，“蜂拥而至：无人机群和化学，生物学，放射学和核武器”，《非扩散评论》 25，第5期，第5期（2018年）：523-543， https://www.tandfonline.com/doi/abs/10.1080/10736700.2018.1546902。12 Tahir，Boling，Haghbayan，Toivonen等人，“无人驾驶飞机群 - 一项调查”，13 Zachary Kallenborn，“群体谈话：了解无人机类型学。”现代战争研究所，2021年10月12日，https：//mwi.usma.edu/swarm-talk-talk-ustandingdrone-typology/。同上。15欧文·拉乔（Irving Lachow），“蜂群无人机的上行和下行”，《原子科学家公报》 73号，第2号，第2号（2017）：96 -101，https：//wwwwww.tandfonline.com/doii/doi/doi/doi/full/10.10.1080/0096340/00963402.2017.17.1290879。同上，97。17 Jacob W. Crandall，Nathan Anderson，Chace Ashcraft，John Grosh等人，“作为共享控制的人类互动：实现灵活的缺陷耐受性系统”（在工程心理学和认知的生态学上发表的论文：绩效，情感和情感和情绪良好：14届国际会议：14日国际会议，Vancouver，9-14 7月9-14，2017年7月，2017年），2017年7月，2017年）。18 Lachow，“蜂群无人机的上行和下行”，97。18 Lachow，“蜂群无人机的上行和下行”，97。
使用自主无人机群监测和封锁野火
摘要：无人驾驶飞行器或无人机已成为消防员用于监测野火的设备中不可或缺的一部分。然而，它们仍然通常仅用作远程操作的移动传感平台，由人类飞行员直接实时控制。同时，大量文献强调了自主无人机群在各种态势感知任务中的潜力，包括在环境保护背景下。在本文中，我们介绍了通过数值方法（即蒙特卡罗模拟）进行系统调查的结果。我们报告了对关键参数（例如火势蔓延动力学、观察表面积和群体大小）对无人监督下自主无人机部队性能的影响的见解。我们限制使用无人机进行被动传感操作，目的是为地面上的消防员提供实时态势感知。因此，目标被定义为能够定位模拟火灾事件，然后在其周围建立连续的边界（警戒线），以提供实时数据馈送，例如视频或红外线。特别强调仅使用简单、强大且可实际实施的分布式决策功能，这些功能能够支持群体在追求集体目标的过程中进行自组织。我们的结果证实了上述参数之间的相互作用存在强烈的非线性效应，可以使用经验定律进行近似。这些发现可以根据已知的任务特征和可接受的几率（成功几率）逐案调动足够的资源。
无人机群的GPS助攻攻击检测机制
摘要：基于受体的生物传感器的性能通常受到分析物的扩散，导致不合理的长期测定时间或缺乏特异性限制了由于非特异性结合的噪声而引起的灵敏度。交替的电流（AC）电动物及其对生物传感的影响是一个专门解决此问题的研究领域，可以通过电热效应，电流或电介型（DEP）来改善分析物的传质。因此，由于使用这些技术的提高了传质，因此已经显示出提高灵敏度，并通过数量级降低了测定时间。在具有现实样品基质避免非特异性结合的真实样品中实现高灵敏度至关重要，并且理想情况下，改进的传质应针对目标分析物。在本文中，我们介绍了将生物传感器与DEP相结合的方法，这是AC动力学方法具有最高的选择性。我们得出的结论是，尽管与许多挑战相关联，但对于多种应用，该方法可能是有益的，尤其是如果更多的工作致力于最大程度地减少非特异性绑定，DEP提供了
面向无人机群控制的脑机接口
摘要 — 非侵入式脑机接口 (BCI) 解码脑信号以了解用户意图。随着对无人机控制的需求增加，基于 BCI 的无人机控制系统取得了最新进展。特别是，基于脑信号的无人机群控制可以为军事服务或工业灾难等各种行业提供服务。本文介绍了一种使用视觉图像范式的适用于各种场景的脑群接口系统原型。我们设计了可以在无人机群控制模拟器环境下获取脑信号的实验环境。通过该系统，我们收集了四种不同场景的脑电图 (EEG) 信号。七名受试者参加了我们的实验，并使用基本机器学习算法评估了分类性能。总平均分类准确率高于机会水平准确率。因此，我们可以确认基于 EEG 信号的无人机群控制系统执行高级任务的可行性。关键词-脑机接口；脑电图；无人机群控制；视觉图像
针对可再生能源的无人机群可持续无线服务
摘要 — 无人驾驶飞行器 (UAV) 集群通常用于离网场景，例如灾难发生、战争肆虐或农村地区，在这些地方，无人机无法接入电网，只能依靠可再生能源。考虑到主电池由两种可再生能源（风能和太阳能）供电，我们根据财务预算、环境特征和季节变化来扩展此类系统。有趣的是，能源来源与无人机的能量消耗相关，因为强风会导致无人机悬停变得越来越耗能。目标是最大限度地提高特定位置的覆盖成本效率，这是一个组合优化问题，用于在非凸标准下确定多元能源发电系统的尺寸。我们设计了一种定制算法，通过抽样降低处理复杂度并减少解决方案空间。评估是使用供应商提供的价格驱动的风能、太阳能和单位面积交通负荷的浓缩真实数据进行的。该项目在四个风力或太阳能强度不同的地点进行了测试。风力较小、太阳辐射强的地点效果最好，而风力强、太阳辐射低的地点则需要更高的资本支出 (CAPEX) 分配。
利用思想的力量控制无人机群的潜力
国防工业子领域的国防技术发展提出了一个新的战场，其中之一就是使用无人机（无人机战争）。无人机已被世界各国广泛应用，既用于战场，也用于应对混合威胁。据 SP 的《印度陆军报》（2021 年）报道，美国在阿富汗战争中使用无人机打击基地组织和塔利班战士和领导人。历史上最惊人的无人机使用发生在2020年1月3日，那次袭击在巴格达击毙了精锐圣城军指挥官卡西姆·苏莱曼尼少将。一些国家也曾使用无人机，包括土耳其对抗库尔德工人党，尼日利亚对抗博科圣地，伊拉克对抗伊斯兰国，沙特阿拉伯对抗利比亚和也门。无人机袭击已演化为群体袭击，使得无人机战场愈加致命。 SP 的印度陆军部队还表示，也门胡塞叛军于 2019 年 9 月 14 日进行了无人机群攻击，使用了 18 架无人机和 3 枚导弹，袭击了沙特阿拉伯石油公司旗下的两处阿美设施。援引美国之音印尼版2024年11月10日报道，俄罗斯国防部报告称，其防空部队已成功摧毁俄罗斯西部地区36架乌克兰无人机；援引美国之音印尼版2024年12月26日报道，乌克兰军方称，在切尔尼戈夫、第聂伯罗彼得罗夫斯克、哈尔科夫和基辅地区的袭击中，他们击落了俄罗斯军队发射的31架无人机中的20架。此外，据《大纪元时报》印尼媒体报道（2024年），乌克兰第255独立突击营的“黑天鹅”无人机部队成功部署在库尔斯克地区，据称多达270架（二百七十架）蜂群无人机袭击了莫斯科及周边的军用机场。这些例子表明，群体无人机已经成为当今战场上一种有效且致命的新武器选择。
通过增强学习探索异质无人机群的力量
- 眼机擅长看到和监督。他们可以飞行或粘在天花板上，使他们能够快速探索该区域并找到目标或有趣的物体。- 手机旨在拾起并移动位于墙壁，架子或桌子上的东西。他们可以使用绳索连接到天花板，从而爬上墙壁和障碍物。- 脚步机器人是带轮机器人，它们用来与其他脚步机器，携带手机或运输物体相连。本文还提到，脾脏的项目将移动群机器人技术的元素与HU manoid Robotics相结合，并且每种机器人类型的专业化是实现人形群的关键部分。此外，该论文说，它将在以下各节中介绍这些机器人的硬件功能，并提及模拟环境的开发，以使其更易于测试和原型机器人行为。
风力涡轮机群隐式相位协调最优控制
惯性质量，J 101 537 . 5 kg m 2 阻尼，B 100 N ms / rad 极对数，p 2 变速箱速比，N 24 . 12 叶片长度 + 轮毂，R m 13 . 5 m 转子电阻，R r 0 . 007 645 44 Ω 转子电感，L r 0 . 007 067 33 H 定子电阻，R s 0 . 009 585 76 Ω 定子电感，L s 0 . 000 252 35 H 定子电流。 d 轴，isdisd ≥ 0 A 定子频率，ω s ω s ≥ 0 rad / s 初始转子频率，ω r 0 2 rad / s 转子频率，ω r ω r ∈ [ 0 , 9 . 208 ] rad / s 直流母线电压，vv ∈ [ 437 , 483 ] V (460 V ± 5%) 直流母线电阻，R 1000 Ω 直流母线电容，C 0 . 1 F 连接电感，L 0 . 001 H 连接电阻，R 0 . 05 Ω 时间窗口 600 s 直流母线电压，vv ′′ ∈ [ − 20 , 20 ] V / s 2