采用深度神经网络的无人机蜂群视觉协同控制算法

您当前的位置：

首页 >

文章列表页 >

采用深度神经网络的无人机蜂群视觉协同控制算法

更新时间：2025-07-09

- 采用深度神经网络的无人机蜂群视觉协同控制算法
- Issue 9, Pages: 173-179+196(2020)
- 作者机构：
  
  空军工程大学信息与导航学院
- 作者简介：
- 基金信息：
- DOI：
  CLC： V279;V249.1
- Published：2020
- 稿件说明：
移动端阅览
[J]. 2020, (9): 173-179+196.
DOI：

[J]. 2020, (9): 173-179+196. DOI：

摘要

针对现有基于无线通信的无人机蜂群协同控制在电磁拒止环境下无法使用的不足

提出了一种仅利用机载视觉传感器进行无人机编队的端到端控制算法。对经典YOLOv3目标检测识别网络进行了神经网络剪枝

使之适应于嵌入式系统。采用剪枝后的深度神经网络设计了无人机视觉跟随控制算法

利用深度神经网络提取目标无人机的边界框

计算该边界框与期望边界框之间的坐标误差与尺寸误差

并以坐标误差信号作为偏航角控制的反馈输入

以尺寸误差信号作为速度控制的反馈输入

控制协同无人机完成对目标无人机的跟随。与基于无线电的领航跟随算法进行了仿真对比

结果表明

采用视觉跟随的无人机跟随控制在通信干扰、全球定位系统拒止等某些特定环境下具有更好的控制性能优势。利用两架bebop2无人机进行了实测实验

结果表明:所提算法可以在2s内实现对目标无人机的状态跟随

速度控制稳态误差在5%以内

偏航角控制稳态误差在3%以内

具有良好的应用前景。

Abstract

关键词

Keywords

references

Wei Lin.Distributed UAV formation control using differential game approach[J].Aerospace Science and Technology,2014.

Matthew Turpin,Nathan Michael,Vijay Kumar.Trajectory design and control for aggressive formation flight with quadrotors.[J].Autonomous Robots,2012.

Kristian Hengster-Movrić,Stjepan Bogdan,Ivica Draganjac.Multi-Agent Formation Control Based on Bell-Shaped Potential Functions[J].Journal of Intelligent and Robotic Systems,2010.

赵太飞,许杉,屈瑶,王晶,张杰.基于无线紫外光隐秘通信的侦察无人机蜂群分簇算法[J].电子与信息学报,2019(04).

张佳龙,闫建国,张普,王奔驰.基于一致性算法的无人机协同编队避障研究[J].西安交通大学学报,2018(09).

Views

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

采用自适应原始对偶迭代的无人机编队协同航路规划方法

A Fast Calculation Method for Thermal Flow Fields in Transformer Windings Based on PI-DeepONet

Knowledge Graph Representation Learning Driven by Semantic Discrimination and Subgraph Integration

Influence of Structural Parameters on the Summer Operational Characteristics of a Three-Tower-in-One Indirect Air-Cooling System

Energy Efficiency Optimization of the Cryogenic Air Separation Process for Electronic-Grade Ultra Pure Nitrogen

Related Author

程宇峰

李勇

王永坤

程伟

Related Institution

西北工业大学电子信息学院

中国航空工业集团公司雷华电子技术研究所

⁰