CN111830848A - 一种无人机超机动飞行性能仿真训练***及方法 - Google Patents

一种无人机超机动飞行性能仿真训练***及方法 Download PDF

Info

Publication number
CN111830848A
CN111830848A CN202010760894.XA CN202010760894A CN111830848A CN 111830848 A CN111830848 A CN 111830848A CN 202010760894 A CN202010760894 A CN 202010760894A CN 111830848 A CN111830848 A CN 111830848A
Authority
CN
China
Prior art keywords
flight
neural network
unmanned aerial
aerial vehicle
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010760894.XA
Other languages
English (en)
Inventor
喻煌超
赵述龙
王祥科
曹粟
肖乃经
张纪阳
张人山
习业勋
吕飞
王欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010760894.XA priority Critical patent/CN111830848A/zh
Publication of CN111830848A publication Critical patent/CN111830848A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00Systems involving the use of models or simulators of said systems
    • G05B17/02Systems involving the use of models or simulators of said systems electric

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种无人机超机动飞行性能仿真训练***,包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块;多输入模块,用于基于X‑Plane飞行环境,采集多组特定机动动作时间序列;存储模块,用于对该序列进行存储;神经网络计算模块,用于基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;机动飞行控制器,用于根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;飞行仿真显示模块,用于通过X‑plane飞行仿真软件实时显示无人机仿真飞行。本发明具有复杂风场条件下自适应机动仿真飞行和仿真演示、以及机动动作指令实时性和可靠性高等优点。

Description

一种无人机超机动飞行性能仿真训练***及方法
技术领域
本发明涉及无人机技术领域,具体涉及一种无人机超机动飞行性能仿真训练***及方法。
背景技术
目前,无人机的主要军事用途包括侦察、靶机、空中中继、地面打击、干扰以及电子对抗等。随着技术的发展和新军事斗争的需要,无人机直接参与空中格斗也开始提上日程。而且,由于没有了飞行员的身体条件限制,无人机可以实现有人机无法实现的超高机动动作,在空中格斗中能够具有明显优势。现有无人机控制大多停留在平稳飞行阶段,只能在有限的滚动和俯仰姿态下飞行,不能发挥无人机的机动性能。随着应用范围的拓展和军事领域的竞争,机动飞行已经成为未来无人机技术发展的关键点。历史上对无人机的研究侧重于稳定飞行的实现,对无人机机动飞行的研究较少。已有的研究涉及到了各种机型的仿真飞行、实际飞行测试、控制算法实现等方面,但是对机动动作的定义、描述不够明确,自主机动飞行控制的工程实现也没有具有代表意义的解决方案。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种复杂风场条件下自适应仿真飞行的无人机超机动飞行性能仿真训练***及方法。
为了解决上述技术问题,本发明采用的技术方案为:
一种无人机超机动飞行性能仿真训练***,包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块;
所述多输入模块,用于基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列;
所述存储模块,用于对该序列进行存储;
所述神经网络计算模块,用于基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;
所述机动飞行控制器,用于根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;
所述飞行仿真显示模块,用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。
优选地,所述神经网络计算模块还包括神经网络补偿单元,用于建立三层的神经网络结构,来修正模型误差以及环境干扰;三层神经网络包括一层输入层,一层隐层以及一层输出层,并将各层神经网络输出反馈到控制量中,最终控制率设计为:
Figure BDA0002613047350000011
其中δc为动态逆的控制量质量,
Figure BDA0002613047350000021
为神经网络补偿结果,v为鲁棒项,通过调整神经网络参数,以实现飞行器的稳定飞行。
优选地,所述神经网络计算模块采用CM1K神经网络芯片及开发***;该网络芯片采用1024个硬件计算单元实现,通过专用的总线组成菊花链式的结构,不同硬件计算单元之间快速进行竞争学习,根据距离判定新到达输入的最近单元,并且自动网络权重的更新与单元状态更新,以实现知识的存储与调整,最终实现神经网络的训练。
优选地,所述CM1K神经网络芯片的智慧层模块,作为运算平台,用于完成机动动作深度神经网络训练,以及无人机机动动作的数据采集与训练。
优选地,多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角;俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角。
优选地,所述存储模块为固态硬盘。
本发明还公开了一种在如上所述无人机超机动飞行性能仿真训练***中使用的训练方法,包括步骤:
1)基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列,并进行存储;
2)基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;
3)根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;
4)通过X-plane飞行仿真软件实时显示无人机仿真飞行。
优选地,在步骤2)中,利用长短期记忆网络方法,基于其独特的门控单元的设计,使长短期记忆网络的记忆模块存储和访问之前的信息,以兼顾已有的训练数据和当前的飞行状态,生成更为精准的飞行指令。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。
本发明进一步公开了一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如上所述的训练方法的步骤。
与现有技术相比,本发明的优点在于:
本发明的无人机超机动飞行性能仿真训练***及方法,通过无人机仿真飞行数据采集、无人机神经网络控制器训练、自适应控制的神经网络补偿器训练,最终完成无人机复杂风场条件下自适应机动仿真飞行以及仿真演示;由于机动动作深度神经网络具有记忆功能,在验证飞行中,能够保证机动动作指令生成的实时性和可靠性。
本发明的无人机超机动飞行性能仿真训练***及方法,利用长短期记忆网络(LSTM)方法,基于其独特的门控单元的设计,可以使LSTM的记忆模块可以存储和访问很久以前的信息,从而兼顾已有的训练数据和当前的飞行状态,生成更为精准的飞行指令。
本发明的无人机超机动飞行性能仿真训练***及方法,基于神经网络补偿的自适应动态逆方法,一方面补偿由于建模不精确引起的动态逆控制误差,并可以补偿由于外界复杂风场引起的姿态扰动。
本发明的无人机超机动飞行性能仿真训练***及方法,采用高速的固态硬盘来存储数据,能够提高数据存储的速度。
附图说明
图1为本发明的***在实施例的方框结构图。
图2为发明中无人机仿真飞行数据记录界面图。
图3为本发明中飞行数据采集结果图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1至图3所示,本实施例的无人机超机动飞行性能仿真训练***,包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块;多输入模块,用于基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列;存储模块,用于对该序列进行存储;神经网络计算模块,用于基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;机动飞行控制器,用于根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;飞行仿真显示模块,用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。
本实施例中,神经网络计算模块还包括神经网络补偿单元,用于建立三层的神经网络结构,来修正模型误差以及环境干扰;三层神经网络包括一层输入层,一层隐层以及一层输出层,并将各层神经网络输出反馈到控制量中,最终控制率设计为:最终控制率设计为:
Figure BDA0002613047350000031
其中δc为动态逆的控制量质量,
Figure BDA0002613047350000032
为神经网络补偿结果,v为鲁棒项,通过调整神经网络参数,以实现飞行器的稳定飞行。
本发明的无人机超机动飞行性能仿真训练***,可以用于无人机仿真飞行数据采集、无人机神经网络控制器训练、并完成自适应控制的神经网络补偿器训练,最终完成无人机机动飞行以及仿真演示。
本实施例中,由于深度神经网络指令架构以及自适应神经网络补偿器训练中对计算速度有为较高的要求。为实现在线的神经网络计算,利用CM1K神经网络芯片及开发***。该网络芯片采用1024个硬件计算单元实现,可以通过专用的总线组成菊花链式的结构,不同单元之间能够快速进行竞争学习,根据距离判定新到达输入的最近单元,并且自动网络权重的更新与单元状态更新,从而实现知识的存储与调整,最终实现神经网络的训练。
本实施例中,CM1K神经网络芯片的智慧层模块,作为运算平台,完成机动动作深度神经网络训练,以及无人机机动动作的数据采集与训练。
本实施例中,多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角;俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角等。
本实施例中,存储模块为固态硬盘;数据采集的结果存储为文本文件,为了提高数据存储的速度,采用了高速的固态硬盘来存储数据。
本发明还公开了一种在上述无人机超机动飞行性能仿真训练***中使用的训练方法,为了实现无人机的高机动飞行,针对不同的战术模板,采用仿脑控制器和训练学习的方法,自动实现少量反馈或者无反馈的控制,具体包括步骤:
1)基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列,并进行存储,其中该时间序列由机动动作的特征参数组成,如飞机俯仰、滚转、偏航角;俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角等;
2)基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;
3)在训练该机动动作深度神经网络后,由于该网络具有记忆功能,因此可以在验证飞行中,根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令,保证机动动作指令生成的实时性和可靠性;
4)通过X-plane飞行仿真软件实时显示无人机仿真飞行。
本实施例中,在步骤2)中,基于深度神经网络架构对该序列进行拟合与训练中,由于在机动动作的实现过程中,上一段时飞行器的状态不同,飞行器进入机动动作时的状态不同,因此飞行器下一个时刻应当改变的状态也不相同,针对上述问题,利用长短期记忆网络(LSTM)方法,基于其独特的门控单元的设计,使长短期记忆网络的记忆模块存储和访问之前的信息,以兼顾已有的训练数据和当前的飞行状态,生成更为精准的飞行指令。
如图2所示,本实施例中,在步骤4)中,采用X-Plane飞行仿真中,采用99Hz的速度进行数据记录,可以记录的数据包括飞机姿态、加速度、位置、操纵舵面控制量、飞行力和力矩、风场流速等,数据采集的结果存储为文本文件,存储在高速的固态硬盘上。
本实施例中,在实际飞行中,无人机将不仅受到外界复杂流场的干扰,也会受到建模的不确定性的影响,特别是在超机动飞行中,飞行器模型将呈现明显的非线性特征;故在底层执行机构中引入自适应控制机制;该***基于神经网络补偿的自适应动态逆方法,利用神经网络补偿模块一方面补偿由于建模不精确引起的动态逆控制误差,并可以补偿由于外界复杂风场引起的姿态扰动,实现无人机的稳定飞行,基于神经网络指令架构生成的机动动作指令,便可以完成超机动飞行仿真实现,并在X-Plane中进一步显示。
本发明还公开了一种计算机可读存储介质,其上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的训练方法的步骤。
本发明进一步公开了一种计算机设备,包括存储器和处理器,存储器上存储有计算机程序,计算机程序在被处理器运行时执行如上所述的训练方法的步骤。
本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一个计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现各种功能。存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart MediaCard,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其它易失性固态存储器件等。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。

Claims (10)

1.一种无人机超机动飞行性能仿真训练***,其特征在于,包括计算模块、存储模块、神经网络计算模块、机动飞行控制器、飞行仿真显示模块和多输入模块;
所述多输入模块,用于基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列;
所述存储模块,用于对该序列进行存储;
所述神经网络计算模块,用于基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;
所述机动飞行控制器,用于根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;
所述飞行仿真显示模块,用于通过X-plane飞行仿真软件实时显示无人机仿真飞行。
2.根据权利要求1所述的无人机超机动飞行性能仿真训练***,其特征在于,所述神经网络计算模块还包括神经网络补偿单元,用于建立三层的神经网络结构,来修正模型误差以及环境干扰;三层神经网络包括一层输入层,一层隐层以及一层输出层,并将各层神经网络输出反馈到控制量中,最终控制率设计为:
Figure FDA0002613047340000011
其中δc为动态逆的控制量质量,
Figure FDA0002613047340000012
为神经网络补偿结果,v为鲁棒项,通过调整神经网络参数,以实现飞行器的稳定飞行。
3.根据权利要求2所述的无人机超机动飞行性能仿真训练***,其特征在于,所述神经网络计算模块采用CM1K神经网络芯片及开发***;该网络芯片采用1024个硬件计算单元实现,通过专用的总线组成菊花链式的结构,不同硬件计算单元之间快速进行竞争学习,根据距离判定新到达输入的最近单元,并且自动网络权重的更新与单元状态更新,以实现知识的存储与调整,最终实现神经网络的训练。
4.根据权利要求3所述的无人机超机动飞行性能仿真训练***,其特征在于,所述CM1K神经网络芯片的智慧层模块,作为运算平台,用于完成机动动作深度神经网络训练,以及无人机机动动作的数据采集与训练。
5.根据权利要求1~4中任意一项所述的无人机超机动飞行性能仿真训练***,其特征在于,多组特定机动动作时间序列包括飞机俯仰、滚转、偏航角;俯仰、滚转、偏航角速率、油门量、升降舵、副翼舵、方向舵偏角。
6.根据权利要求1~4中任意一项所述的无人机超机动飞行性能仿真训练***,其特征在于,所述存储模块为固态硬盘。
7.一种在权利要求1~6中任意一项所述无人机超机动飞行性能仿真训练***中使用的训练方法,其特征在于,包括步骤:
1)基于X-Plane飞行环境,采用操纵杆或遥控器采集多组特定机动动作时间序列,并进行存储;
2)基于深度神经网络架构对该序列进行拟合与训练,生成机动动作深度神经网络;
3)根据当前的飞行状态,并基于机动动作深度神经网络在线生成机动动作指令;
4)通过X-plane飞行仿真软件实时显示无人机仿真飞行。
8.根据权利要求7所述的训练方法,其特征在于,在步骤2)中,利用长短期记忆网络方法,基于其独特的门控单元的设计,使长短期记忆网络的记忆模块存储和访问之前的信息,以兼顾已有的训练数据和当前的飞行状态,生成更为精准的飞行指令。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求7~8中任意一项所述的训练方法的步骤。
10.一种计算机设备,包括存储器和处理器,所述存储器上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时执行如权利要求7~8中任意一项所述的训练方法的步骤。
CN202010760894.XA 2020-07-31 2020-07-31 一种无人机超机动飞行性能仿真训练***及方法 Pending CN111830848A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010760894.XA CN111830848A (zh) 2020-07-31 2020-07-31 一种无人机超机动飞行性能仿真训练***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010760894.XA CN111830848A (zh) 2020-07-31 2020-07-31 一种无人机超机动飞行性能仿真训练***及方法

Publications (1)

Publication Number Publication Date
CN111830848A true CN111830848A (zh) 2020-10-27

Family

ID=72920743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010760894.XA Pending CN111830848A (zh) 2020-07-31 2020-07-31 一种无人机超机动飞行性能仿真训练***及方法

Country Status (1)

Country Link
CN (1) CN111830848A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093568A (zh) * 2021-03-31 2021-07-09 西北工业大学 基于长短时记忆网络的飞机自动驾驶操作模拟方法
CN113467512A (zh) * 2021-07-19 2021-10-01 宁波权智科技有限公司 一种基于神经网络的无人机飞行方法及装置
WO2023184676A1 (zh) * 2022-04-01 2023-10-05 天津七一二通信广播股份有限公司 一种无人机强化学习训练***的实现方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105159136A (zh) * 2015-07-23 2015-12-16 中国商用飞机有限责任公司北京民用飞机技术研究中心 一种飞行仿真视景显示方法及***
CN107390545A (zh) * 2017-07-31 2017-11-24 彩虹无人机科技有限公司 一种无人机及其载荷的仿真训练***
CN107679280A (zh) * 2017-09-04 2018-02-09 中国航空工业集团公司洛阳电光设备研究所 一种基于X‑Plane与Simulink的平视飞行导引算法开发验证方法
CN108304914A (zh) * 2017-01-12 2018-07-20 三星电子株式会社 用于高阶长短期记忆网络的***和方法
CN110348081A (zh) * 2019-06-26 2019-10-18 南京航空航天大学 基于可达平衡集的战斗机大迎角特性分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105159136A (zh) * 2015-07-23 2015-12-16 中国商用飞机有限责任公司北京民用飞机技术研究中心 一种飞行仿真视景显示方法及***
CN108304914A (zh) * 2017-01-12 2018-07-20 三星电子株式会社 用于高阶长短期记忆网络的***和方法
CN107390545A (zh) * 2017-07-31 2017-11-24 彩虹无人机科技有限公司 一种无人机及其载荷的仿真训练***
CN107679280A (zh) * 2017-09-04 2018-02-09 中国航空工业集团公司洛阳电光设备研究所 一种基于X‑Plane与Simulink的平视飞行导引算法开发验证方法
CN110348081A (zh) * 2019-06-26 2019-10-18 南京航空航天大学 基于可达平衡集的战斗机大迎角特性分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
喻煌超: "Adaptive Incremental Nonlinear Dynamic Inversion Control Based on Neural Network for UAV Maneuver", 《INTERNATIONAL CONFERENCE ON ADVANCED INTELLIGENT MECHATRONICS》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113093568A (zh) * 2021-03-31 2021-07-09 西北工业大学 基于长短时记忆网络的飞机自动驾驶操作模拟方法
CN113467512A (zh) * 2021-07-19 2021-10-01 宁波权智科技有限公司 一种基于神经网络的无人机飞行方法及装置
WO2023184676A1 (zh) * 2022-04-01 2023-10-05 天津七一二通信广播股份有限公司 一种无人机强化学习训练***的实现方法

Similar Documents

Publication Publication Date Title
Kang et al. Deep convolutional identifier for dynamic modeling and adaptive control of unmanned helicopter
CN111830848A (zh) 一种无人机超机动飞行性能仿真训练***及方法
Punjani et al. Deep learning helicopter dynamics models
CN108445766A (zh) 基于rpd-smc和rise的无模型四旋翼无人机轨迹跟踪控制器及方法
CN111766901B (zh) 多无人机协同目标分配攻击方法
CN110794857B (zh) 考虑外部风干扰的固定翼无人机鲁棒离散分数阶控制方法
CN105759609B (zh) 一种基于显式非线性模型预测控制的舰载机自主着舰方法
CN111290278B (zh) 一种基于预测滑模的高超声速飞行器鲁棒姿态控制方法
CN115755956B (zh) 一种知识与数据协同驱动的无人机机动决策方法与***
Bierling Comparative analysis of adaptive control techniques for improved robust performance
CN114329766A (zh) 面向深度强化学习的飞行动力学模型可信度评估方法
CN106802570A (zh) 一种无人直升机位置跟踪的方法与装置
CN102279568B (zh) 一种用于编队飞行的控制方法
US11029709B1 (en) Adaptive wind estimation, trajectory generation, and flight control for aerial systems using motion data
Sandström et al. Fighter pilot behavior cloning
De Marco et al. A deep reinforcement learning control approach for high-performance aircraft
Kapnopoulos et al. Quadrotor trajectory tracking based on backstepping control and radial basis function neural networks
CN117289709B (zh) 基于深度强化学习的高超声速变外形飞行器姿态控制方法
CN116627157A (zh) 一种运载火箭的运行控制方法、装置及设备
CN115407294B (zh) 面向双站雷达体制的飞机动态雷达散射截面仿真方法
CN114815878B (zh) 基于实时优化和深度学习的高超声速飞行器协同制导方法
Zhu et al. Mastering air combat game with deep reinforcement learning
Zhen et al. Aircraft control method based on deep reinforcement learning
CN114063636B (zh) 基于干扰观测器的无人机集群密集编队控制方法及装置
CN115857544A (zh) 一种无人机集群编队飞行控制方法、装置及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027