发布信息

基于证据推理的无人机集群协同避障能力试验评估方法 专利技术说明

作者:admin      2022-11-23 09:19:46     301



计算;推算;计数设备的制造及其应用技术1.本发明涉及无人机集避障技术领域,特别地,涉及一种基于证据推理的无人机集群协同避障能力试验评估方法。背景技术:2.目前针对无人机集群协同避障行为策略方面的研究,很多主要包括:长机-僚机法(leader-follower)、基于行为法(behavior-based)、虚拟结构法(virtual structure)、人工势场法(artificial potential field)。但是针对具体的策略避障效果如何的研究很少。现有的试验评估方面的研究没有针对无人机集群协同避障行为提出解决技术。3.因此,业内急需一种无人机集群协同避障能力试验评估方法的新型技术。技术实现要素:4.为了解决如何对无人机集群协同避障能力进行试验评估的问题,本发明提供了一种基于证据推理的无人机集群协同避障能力试验评估方法,通过本发明技术可以达到对无人机集群协同避障行为的试验评估,并且可以用来处理无人机集群试验评估中的“不确定性”问题。所谓“不确定性”问题具体是指试验评估数据的获取过程中部分数据不能获得精确的值,进而导致试验评估的“不确定性”。5.为实现上述目的,本发明提供了一套基于证据推理的无人机集群协同避障试验评估流程,包括提出一套完整有效的指标体系,设计针对协同避障的证据推理方法,可以很好的解决无人机协同避障的试验评估问题。6.本发明的技术方案具体为:一种基于证据推理的无人机集群协同避障能力试验评估方法,包括:构建无人机集群协同避障的指标体系;所述指标体系包括多个底层评价指标和中间评价指标;获取所述指标体系中每个底层评价指标的数据;设置每个底层评价指标的参考值,根据所述参考值,将每个底层评价指标的数据转换为证据推理算法需要的信度结构;构建基本可信数,根据基本可信数和每个底层评价指标转换后的信度结构,得到底层评价指标的联合置信度;将得到的底层评价指标的联合置信度作为上一层中间评价指标的输入继续进行指标聚合,最终得到最上层评价指标即无人机集群协同避障能力的置信度,作为最后的试验评估结果。7.进一步的,所述指标体系包括个体能力、交互能力、协同能力以及系统能力;所述个体能力的底层评价指标包括最大续航时间、图像处理时间、航迹误差、障碍物可见度、图像分辨率和拍摄频率;图像分辨率和拍摄频率的上一层中间评价指标为探测器可靠性;图像处理时间和障碍物的上一层中间评价指标为图像处理;探测器可靠性和图像处理的上一层中间评价指标为环境信息获取能力;最大续航时间和航迹误差的上一层中间评价指标为航迹保持能力;环境信息获取能力和航迹保持能力的上一层评价指标为个体能力;所述交互能力的底层评价指标包括数据传输速率、频带利用率和数据吞吐量;数据传输速率、频带利用率和数据吞吐量的上一层中间评价指标为通信设备能力;所述协同能力的底层评价指标包括末端位置误差、末端姿态误差、队形规划时间和队形变换耗时;末端位置误差、末端姿态误差、队形规划时间和队形变换耗时的上一层中间评价指标为避障路径变换能力;所述系统能力的底层评价指标包括躲避障碍时间和任务规划时间。8.进一步的,获取所述指标体系中每个底层评价指标的数据,包括:部分底层评价指标通过数据计算,则将此类指标的信度设置为1;部分底层评价指标无法通过计算获得,属于统计数据或者假设数据,具有不确定性,即指标信度不为1;所有的指标数据在处理的过程中均需要转化为信度结构进行进一步计算。9.进一步的,数据转换后的信度结构为指标数据分别对优、良、中、及格、不及格五个等级的置信度。10.进一步的,设置每个底层评价指标的参考值,根据所述参考值,将每个底层评价指标的数据转换为证据推理算法需要的信度结构,包括:假设输入数据表示为,表示第个底层评价指标的输入值,表示第个底层评价指标的输入数据对应的信度,反映输入值的不确定性;使用下列公式对输入数据进行转换:使用下列公式对输入数据进行转换:其中,,表示输入数据对的匹配程度;表示置信规则中先前指标的第个参考值的取值;为计算匹配度的匹配函数,根据评价指标的性质进行选择;若参考值前提项取值是离散数值,则采用以下公式:对于指标的参考值取值的取值{},为了后续方便描述,假设该序列单调,函数:上式的意思是当输入指标数据在两个参考值之间时,即满足时,关于参考值的匹配度使用第一个式子计算,关于的匹配度使用第二个式子计算;实际上,。11.进一步的,构建基本可信数,根据基本可信数和每个底层评价指标的数据转换后的信度结构,得到底层评价指标的联合置信度,包括:基本可信数是不同类型的信任程度,其中,,即,为基本可信数,表明分配给结果集的概率质量表示与激活权重相关的不确定性;表示由输入信息不完整带来的不确定性;表示信度结构;表示指标的权重;是输入指标的标号,是参考值的标号;;;;将构建的基本可信数中计算的结果使用矩阵存储,便于证据组合中的计算,比如矩阵的每一行分别表示,即共有行,每一列分别表示一条激活的规则对应的标号,表示整个输出结果集合。12.进一步的,构建基本可信数,根据基本可信数和每个底层评价指标的数据转换后的信度结构,得到底层评价指标的联合置信度,包括:联合置信度使用如下公式计算:其中,,表示输入指标数据的个数;表示输入指标对应的所有下层指标的标号;表明分配给结果集的概率质量,表示与激活权重相关的不确定性;表示由输入信息不完整带来的不确定性;表示整个输出结果集合;、、、为中间过程量,是最后的联合置信度,也即是作战效能的置信度值。13.本发明具有以下有益效果:1、采用证据推理方法可以借助信度结构的概念处理试验数据中的“不确定性问题”。例如图像分辨率这一底层指标数据,这一指标数据无法直接提供,则需要人工观察图片的模糊程度主观给出信度结构以及信度值。14.2、目前的证据推理方法需要考虑置信规则库,而本方法放弃置信规则库的观点,直接将指标数据通过计算得到信度结构,更加适合直接对试验数据进行处理。通过这一步骤,该方法可以把原始数据的数据信息和不确定性程度都包括在内,在后续进行试验评估中可以更多的利用原始信息,获得的试验评估结果更加准确。此外,利用信度结构也可以更好的处理不确定性信息。15.3、根据证据推理的理论,本发明的无人机集群使用证据推理时,首先需要首先确定各评估指标的评估等级及参考值,从而能够结合专家经验或历史数据;其次,本方法对无人机集群进行协同避障试验评估时候,都是采用的定量计算的方式,并且可以把定性的数据转换为定量的数据,让最后的评估结果更加具有科学性。同时,最终评估结果一般用不确定形式表达,评估结果也最大程度的包括的原始数据信息,便于进行更深入的分析和决策。对于无人机系统而言,考虑无人机集群执行任务过程中面临的强不确定性,基于证据推理规的评估方法,对于“不确定性”数据可以利用信度结构这一概念来处理,在不确定性表达和集群环境适应性研究方面具有有效性。16.除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。附图说明17.构成本技术的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:图1是本发明如何从实际的无人机集群的协同避障行为过程转换到协同避障指标体系的过程图。18.图2是本发明构建的无人机集群协同避障的指标体系的示意图,展示了无人机集群协同避障完整的指标体系设计;图3是本发明实施例中无人机之间距离绘图;图4是本发明实施例中无人机距离门框的距离。具体实施方式19.以下结合附图对本发明的实施例进行详细说明,但是本发明可以根据权利要求限定和覆盖的多种不同方式实施。20.本发明提供了一种基于证据推理的无人机集群协同避障能力试验评估方法,包括:步骤101、构建无人机集群协同避障的指标体系;所述指标体系包括多个底层评价指标和中间评价指标。21.具体的,如图1和图2所示,根据对协同避障行为的研究,从体系结构以及协同避障过程来看,按照集群运行层次和参与的无人机数量来看,将无人机集群的行为化分为个体行为、交互行为、协同行为以及系统行为。同时将所有集群的指标划分为个体能力、交互能力、协同能力以及系统能力。具体如下:个体能力分析:对于无人机的执行层的底层物理结构,首先考虑无人机集群中每架无人机的个体能力,主要是指个体无人机和除自身以外的外界环境无交互下的个体能力,一般表现为无人机的完成指令精确性、自我控制、障碍探测以及运动性能等能力。该能力主要依靠无人机自身的硬件参数决定。针对无人机集群协同避障行为,将个体能力分为环境信息获取能力以及航迹保持能力。结合协同避障过程以及体系结构中的环境信息与获取、态势感知与共享等可以发现环境信息获取能力是一个比较重要的能力;结合关键技术可以发现,航迹保持能力属于个体分析器的个体能力,同时又在协同避障行为中扮演着一定作用。而环境感知能力又可以分为探测器可靠性、图像处理两类能力。22.表1展示本发明选择的用来衡量个体能力的底层指标。23.表1 个体能力底层指标底层指标名称介绍最大续航时间是指无人一次充能后最大能够飞行的时间,主要考虑由电池容量、载油量体现。图像处理时间是指长机无人机根据集群处理收集到的信息所用时间,主要取决于图像处理算法。航迹误差是指无人机规划路径和实际路径之间的偏差。障碍物可见度是指在能够识别障碍物的照片中,无人机与障碍物之间的最远距离。图像分辨率是指个体无人机拍摄目标图片的分辨率。拍摄频率是指个体无人机拍摄目标图片的频率。交互能力分析:考虑体系结构以及态势共享。本发明考虑对交互能力进行评估,交互能力是指无人机集群中无人机之间信息交互和反馈的能力,通畅、完整、准确的交互是无人机集群协调避障的重要基础,也是多种因素、多种能力一同导致的群体能力,只要考虑通讯设备之间的功能来衡量。24.表2展示本发明选择的用来衡量交互能力的底层指标。25.表2 交互能力底层指标底层指标名称介绍数据传输速率指在一定时间范围内无人机集群指控系统借助无线数据链所传输的数据量,瞬时最大值能达到多少。频带利用率指的是单位频带内所能实现的信息速率。单位是比特/秒.赫兹(b/s.hz)通频带受限制的信道简称频带受限信道,常用“频带利用率”来衡量传输系统的有效性。数据吞吐量指对无人机所携带的通讯设备之间,单位时间内成功地传送数据的数量(以比特、字节、分组等测量)协同能力分析:协同能力是在交互能力的基础上,是子系统层面的能力。本发明对协同能力进行评估,主要是指个体与个体之间、个体与集群之间、编组与编组之间在独立行为和交互行为的共同影响下所体现的能力。结合的自主飞行、航迹规划,本发明考虑通过编组的路径变换、编组变换能力来体现。26.表3展示本发明选择的用来衡量协同能力的底层指标。27.表3 协同能力底层指标底层指标名称介绍末端位置误差是指无人机集群完成队形变换之后,各个无人机所在的当前位置与指控节点预先规划好的位置之间的误差平均值。末端姿态误差各个无人机的当前姿态与指控节点预先规划好的姿态之间的误差平均值。队形规划时间是指集群中的指控节点在检测到障碍物位置后,完成躲避障碍物的队形规划的时间。队形变换耗时整个集群开始进行变换到变换完成的总耗时。系统能力分析:系统能力是对无人机集群完成任务的过程能力的评价。是指标体系中从决策开始,到任务完成整个过程的综合表现,是指控制无人机集群完成作战任务的能力,主要考虑通过时间衡量。28.表4展示本发明选择的用来衡量系统能力的底层指标。29.表4 系统能力底层指标底层指标名称介绍躲避障碍时间躲避障碍的时间是指无人机集群完成针对障碍物的躲避任务规划之后,到成功躲避障碍物的时间,包含队形变换的时间。任务规划时间集群在检测到障碍物之后立刻进行任务规划,到完成规划下达指令的总时间。步骤102、获取所述指标体系中每个底层评价指标的数据。30.在已有证据推理理论的基础上实现针对无人机集群协同避障的证据推理试验评估方法。首先选择一种合适的方法为各可行方案的每个底层评价指标赋值。31.本发明试验评估指标的数据是通过分析原始的仿真试验数据获得,仿真试验由中国电子科技集团第20所完成。本模型的评估指标即为前面所述的指标体系。32.因为部分底层评价指标的数据为确定性数据,部分底层评价指标的数据为不确定性数据。这里举例进行说明。对于确定性数据,例如图形处理能力通过障碍可见度、图像处理时间体现。所以这里障碍可见度、图像处理时间两个底层指标就是 er 算法的直接输入。在计算障碍物可见度的过程中需要用到的原始数据是长机无人机距离障碍的距离以及长机无人机的目标识别算法是否检测到障碍物。而图像处理时间时需要由长机的算法和数据量决定,在本发明每一次仿真试验中由人为设定为一固定值。障碍可见度、图像处理时间两种底层指标是通过数据计算或者假定为一常量,所以本发明将此类指标的信度设置为1,即公式中的。33.对于不确定性数据,由于有部分指标无法通过计算获得,属于统计数据或者假设数据,具有不确定性,即不为1。此类数据在处理的过程中需要转化为信度结构进行计算。例如图像分辨率这一底层指标数据,假设这一指标数据无法直接提供,则需要人工观察图片的模糊程度主观给出信度结构以及信度值。34.步骤103、设置每个底层评价指标的参考值,根据所述参考值,将每个底层评价指标的数据转换为证据推理算法(简称er算法)需要的信度结构。35.输入数据的转换就是指将底层指标的数据转换为 er 算法需要的信度结构。将输入数据转化未信度结构是处理“不确定性”的关键。36.输入数据的转换就是指将底层指标的数据转换为 er 算法需要的信度结构。37.数据转换后的信度结构为指标数据分别对优、良、中、及格、不及格五个等级的置信度,例如假设图像分辨率转化后的信度结构为(0.4、0.5、0.0、0.0、0.0),每个数字代表输入数据距离对应参考值的靠近程度。38.在进行数据转换成信度结构的过程中需要确定指标的参考值,即为公式中的{}。参考值的确定方法有多种。本发明确定参考值的方法是结合数据集以及已有文献主观给出,通过这种方法及可以参照已有经验也可以结合专家经验。39.本发明对每一组指标结合仿真结果和实际运用设置参考值,用来评价每个指标输入的优劣。为了发挥证据理论算法的优点,本发明设置优秀、良好、中等、及格、不及格5档评定,分别对每个确定性指标设置5个参考值,对不确定性指标直接转化为置信分布进行指标聚合。40.输入数据表示为,表示第个底层评价指标的输入值,表示第个底层评价指标的输入数据对应的信度,反映输入值的不确定性。41.使用下列公式对输入数据进行转换:使用下列公式对输入数据进行转换:其中,,表示输入数据对的匹配程度;表示置信规则中先前指标的第个参考值的取值。42.为计算匹配度的匹配函数,根据评价指标的性质进行选择。若参考值前提项取值是离散数值,则采用以下公式:对于指标的参考值取值的取值{},为了后续方便描述,假设该序列单调,函数:上式的意思是当输入数据在两个参考值之间时,即满足时,关于参考值的匹配度使用第一个式子计算,关于的匹配度使用第二个式子计算。实际上,。43.步骤104、构建基本可信数,根据基本可信数和每个底层评价指标转换后的信度结构,得到底层评价指标的联合置信度。44.基本可信数是不同类型的信任程度,在下一步联合置信度计算中有所体现。其中,即,为基本可信数,表明分配给结果集的概率质量,它不分配给任何单独的结果,而是分成两部分:表示与激活权重相关的不确定性;表示由输入信息不完整带来的不确定性。是指标值的下标,是参考值的下标。45.将这一步骤中计算的结果使用矩阵存储,便于证据组合中的计算,比如矩阵的每一行分别表示,即共有行,每一列分别表示一条激活的规则对应的标号,表示整个输出结果集合。46.整体联合信度使用如下公式计算:其中,,表示输入指标数据的个数;表示输入指标对应的的所有下层指标的标号,例如:探测器可靠性的下层指标包括图像分辨率和拍摄频率,则=2,表示下层指标的个数;表明分配给结果集的概率质量,表示与激活权重相关的不确定性;表示由输入信息不完整带来的不确定性;表示整个输出结果集合;、、、为中间过程量,是最后的联合置信度,也即是作战效能的置信度值。47.步骤105、将得到的底层评价指标的联合置信度作为上一层中间评价指标的输入继续进行指标聚合,最终得到最上层评价指标即无人机集群协同避障能力的置信度,作为最后的试验评估结果。48.具体的,将上一步骤中得到的 即是作战效能(优、良、中、及、差)的置信度值作为上一层指标的输入继续聚合。例如:指标体系中图像分辨率和拍摄频率的上一层指标是探测器可靠性,通过上述联合置信度的计算得到图像分辨率和拍摄频率的置信度作为探测器可靠性的参考值匹配程度,即公式中的,而后结合图像分辨率和拍摄频率相对探测器可靠性的权重,通过公式进行结合例如。49.最终得到最上层指标“无人机集群协同避障能力”的置信度,作为最后的试验评估结论。50.以下结合具体实施例对本发明进行解释说明。51.首先,对所述指标体系中的每个底层指标参数的处理,具体如下:(1)图像分辨率此参数反应摄像机拍摄场场景信息的图片质量,由摄像机本身的性能决定,在本发明的仿真试验中该指标无法获得,因此该指标为不确定性数据。在后续的指标聚合中,选择直接人为观察图片模糊程度给予其信度结构,将图像分辨率转换为信度结构(0.5、0.5、0.0、0.0、0.0)。52.(2)拍摄频率此参数反应摄像机拍摄场场景信息的时间间隔,由摄像机本身的性能决定,在试验以及后续指标融合中统一为0.1s。53.(3)图片处理时间该指标在实际场景中由长机的算法和数据量决定,在每一次仿真试验中由人为设定为一固定值。54.(4)障碍物可见度能够识别门框的照片中,无人机可以检测到门框与门框之间的最远距离。下表记录了长机无人机距离门框的距离,为原始数据表的部分。具体为从68.08到68.086时间的数据为检测值从0变为1的时间段,意味着无人机68.084时刻开始发现门框,其中位置记录无人机位置(从开始发现门框开始记录)。如下表5:表5 长机无人机距离门框的距离时间检测位置-x位置-y位置-z与门框的距离68.0800.00000.00000.00000.000068.08100.00000.00000.00000.000068.084115.8747-2.610011.345719.686168.086115.8091-2.568611.298819.6007正如表中所示,长机在第68.084s时检测到了门框,此时计算出距离门框的位置就是障碍物可见度,此次试验的障碍物可见度为19.686m。55.(5)航迹误差对每个无人机计算它真实的每个时刻的位置与规划位置之间的误差,如果没有每个时刻的规划位置,就比较有参考值的时间点。除了位置之外,还可以计算速度误差、角度误差等。长机给每个无人机的控制信息,如原始数据所示中看到,包括的内容有:位置参考量(位置、速度、加速度、加加速度、加加加速度);角度参考量(偏航角、偏航角速度、偏航角加速度)。在计算航迹误差时,主要考虑指令位置与实际位置之间的偏差,表6是原始数据表的一部分,展示了无人机控制指令的控制指令序号,控制模式,主要关注指令的规划位置。数据和无人机实际的轨迹数据进行计算,得到该次试验的航迹误差。56.表6 长机的规划规划指令ꢀ(6)频带利用率、数据吞吐量、数据传输速率这些指标是用来衡量无人机上的通讯设备之间的传输能力的,属于无人机所携带的通讯设备的自身性能,在仿真中属于预设条件,无法通过仿真结果数据获取,在后续指标计算中直接使用预设值计算。57.(7)末端位置误差末端姿态误差主要通过长机下达指令以后,无人机到达预定位置后与实际规划位置的误差。本指标对每次指令的误差取平均值,仿真数据和计算航迹误差的数据一样。58.(8)末端姿态误差该指标主要依靠仿真试验中,每个无人机在达到规划路径位置时,飞行姿态(主要指无人机的飞行角度)与规划姿态之间的差距。 末端姿态表 中记录了每架无人机的末端姿态。控制指令表中记录了控制指令。将两个表中每个分量计算平均值后取差值后相加和,得到最终姿态误差。如表7-10所示,展示姿态误差计算过程。无人机(unmanned aerial vehicle)后续缩写为uav。下表中的x、y、z、w为四元数坐标,反映无人机的空间信息。59.表7 uav1姿态误差计算 xyzw规划值-0.000278250.0807444550.0007648160.996734504实际值0.0001317480.0804292030.0010910440.996759718uav1无人机姿态误差:0.000612。60.表8 uav2姿态误差计算 xyzw规划值0.0006832290.0798801620.0009959490.996803743实际值-0.00031544-0.08063731-0.00077343-0.99674315uav1无人机姿态误差:1.99999981。61.表9 uav3姿态误差计算 xyzw规划值0.004101784-0.10504985-0.00043318-0.99445843实际值0.007859793-0.07968863-0.00052909-0.99678867uav1无人机姿态误差:0.025743993。62.表10 uav8(长机)姿态误差计算 xyzw规划值0.0005040.0803930.0006420.996763实际值0.006486-0.08285-0.00064-0.99654uav1无人机姿态误差:1.999986271求和平均得到最后的姿态误差。63.(9)队形规划时间队形规划时间是通过长机发现目标以后到发送规划指令完毕所需要的时间,此时间本发明通过检测到门框开始的时间(检测信息表格-第607行,68.084s)开始到,所有规划指令下达完毕为止(控制指令2表格-第2行68.084s为开始发送指令时间,控制指令2表格-第200919行69.073s为指令发送完毕时间)。这段时间的差值即为队形规划时间,属于读表统计数据。64.(10)队形变换时间该指标通过开始变换队形开始,到变换队形结束的时间差值来衡量。队形变换完毕,本发明通过无人机之间的相对距离不再发生明显变化为标志。如,表示无人机之间的位置距离不再发生明显变化。其中,1-8表示一号无人机和八号无人机的距离、2-8表示二号无人机和八号无人机的距离,其余3-8、1-2、1-3、2-3也分别表示两无人机之间的距离。表11是原始数据表e2的一部分,展示了无人机之间相对位置不再发生显著变化的片段。65.表11 uav1姿态误差计算时间1-82-83-81-21-32-353.5484.000014.33052.000013.15512.000013.609253.69213.54562.00002.000014.269613.08994.000056.3842.00002.000013.48194.000013.024814.208356.3842.00002.000013.42854.000012.970414.1570图3是将无人机间距离输入matlab绘图得到,可以直观的发现在320组数据到380组数据之间的无人机间距离基本不变。66.同时,根据前面对仿真过程的描述,无人机在调整队形的过程中缓慢接近门框,因此,本发明通过绘制无人机编队距离门框的距离,通过距离出现明显波动变化的拐点,可以得到整个协同避障的过程中的队形变化时间。图4表示无人机距离门框的距离,其中600至1100的过程相对于门框的距离是非线性的,而1100之后,队形变换完毕,编队直线加速到达门框,这段时间也可以看作队形变换时间。67.(11)躲避障碍时间该指标体现无人机编组通过障碍物门框所用的时间,本发明通过无人机编组相对门框的的位置关系不再发生变化这段时间为通过障碍的时间。如图中1380时刻至试验结束。68.(12)任务规划时间长机识别出门框之后到给僚机发送控制指令的时间,在本次仿真试验中与队形规划时间一致。69.以下为试验评估过程:通过前面分析得到的底层指标数据(如表12所示),使用er方法聚合指标体系,得到试验评估的结论。70.表12 各试验计算得到底层指标值指标试验一试验二试验三试验四属性摄像频率0.1s0.1s0.1s0.1s成本图像处理时间0.15s0.05s0.13s0.16s成本障碍物可见度19.686m22.54m19.3663m18.9656m效益最大续航时间30min30min30min30min效益航迹误差1.581.471.641.55成本频带利用率0.5b/s.hz0.6b/s.hz0.7b/s.hz0.8b/s.hz效益数据吞吐量2m4m5m8m效益数据传输速率3072kbps2048kbps1024kbps2048kbps效益末端位置误差0.050.060.080.04成本末端姿态误差0.090.120.060.07成本队形规划时间17.964s17.5s13.4s7.6s成本队形变换耗时8.2s8s7.8s5.6s成本躲避障碍时间14.916s13.7s15s15.5s成本任务规划时间17.964s17.5s13.4s7.6s成本试验一的数据为仿真试验的原始数据真实计算得到的,而后三组试验为了比较使用不同的协同避障方式的效果好坏,在第一组的基础上修改,假设模拟避障策略的改变。其中,试验一作为本发明的基础试验。试验二在试验一的基础上修改图片处理时间、障碍物可见度用来模拟更换不同的图像识别算法。试验三在试验一的基础上修改队形规划时间、队形变换时间用来模拟更换队形规划算法。试验四在试验一的基础上修改躲避障碍时间用来模拟更换穿越门框的策略。71.以下通过er算法进行指标聚合:在进行指标聚合之前先要确定各项底层指标的参考值。本发明确定参考值的方法是结合数据和已有文献主观给出,用于作为算法的输入,具体如表13所示。72.表13 参考值指标权重也是er算法的输入,本发明结合专家经验主观给出,如表14所示。73.表14 指标权重p1p2p3p4p5p6p7p8p9p10p11p12p130.40.60.40.60.350.650.30.30.40.20.20.30.3p14p15p16p17p18p19p20p21p22p23p24p25 0.40.60.40.60.30.7110.20.10.40.3 而后通过matlab实现的er算法,输入底层数据,得到最后每一组数据对无人机协同避障能力的评价等级。最后的评价结果并不归一,因为在计算过程中为存在未分配信任值部分。74.第一组试验数据作为基础试验数据,其评估结果即第一组仿真数据得聚合以后的结果如表15所示:表15 第一组聚合结果等级聚合结果归一化结果优秀0.08060.1576良好0.11020.2156中等0.19400.3796及格0.12640.2472不及格0.00000.0000对第一组仿真数据而言,最终评价为中等的比例最高,所以本发明认为第一仿真数据的结论为中等。75.第二组试验数据模拟更新了图像识别算法,本组数据在图像处理、障碍物可见度上有所提升,用来分析当态势感知能力提高以后的影响。76.第二组仿真数据聚合以后的结果如表16所示:表16 第二组聚合结果等级聚合结果归一化结果优秀0.19300.3743良好0.13390.2597中等0.11480.2226及格0.03690.0717不及格0.03690.0717对第二组仿真数据而言,最终评价为优秀的比例最高,所以可以认为第二仿真数据的结论为优秀。提高态势感知能力后,评估结果得到了提高,可以认为态势感知对协同避障具有影响作用。77.第三组相对第一组模拟调整了队形变化的策略,在队形规划、任务规划的时间上有所下降。78.第三组仿真数据聚合以后的结果如表17所示:表17 第三组聚合结果等级聚合结果归一化结果优秀0.12120.2353良好0.09690.1883中等0.06800.1321及格0.22890.4443不及格0.00000.0000对第三组仿真数据而言,最终评价为及格的比例最高,所以本发明认为第三仿真数据的结论为及格。评估结果相对于第一组下降,证明规划时间对协同避障行为有影响。79.第四组相对于第一组模拟调整了集群通过门框的策略,任务规划时间下降,任务完成时间有所提高。80.第四组仿真数据聚合以后的结果如表18所示:表18 第四组聚合结果等级聚合结果归一化结果优秀0.25670.4942良好0.14830.2855中等0.06510.1254及格0.03300.0636不及格0.01620.0312对第四组仿真数据而言,最终评价为优秀的比例最高,所以本发明认为第四仿真数据的结论为优秀。评价结果相对于第一组提高,证明系统能力、协同能力对整体协同避障行为有正向作用。81.以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。









图片声明:本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明:本文中引用的各种信息及资料(包括但不限于文字、数据、图表及超链接等)均来源于该信息及资料的相关主体(包括但不限于公司、媒体、协会等机构)的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理!本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明:我们致力于保护作者版权,注重分享,被刊用文章因无法核实真实出处,未能及时与作者取得联系,或有版权异议的,请联系管理员,我们会立即处理,本文部分文字与图片资源来自于网络,部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益,请立即通知我们,情况属实,我们会第一时间予以删除,并同时向您表示歉意,谢谢!

相关内容 查看全部