Нейросетевая система планирования полета группы беспилотных летательных аппаратов

• Автор: Мирзоян, Лолита Артуровна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 118 с. : ил.

Содержание

Перечень условных обозначений и сокращений

ВВЕДЕНИЕ.

ГЛАВА 1 АНАЛИЗ ИЗВЕСТНЫХ МЕТОДОВ ПЛАНИРОВАНИЯ

ГРУППОВЫХ ДЕЙСТВИЙ.

1.1 Методы независимой маршрутизации

1.1.1. Метод ветвей и границ.

1.1.2. Метод поиска аналитического выражения функции риска

1.1.3. Г енетический алгоритм

1.1.4. Нейронные сети

1.1.4.1 Нейронная сеть Хопфилда

1.1.4.2 Нейронная сеть Кохонена
1.2 Методы совместной маршрутизации.
1.3 Результаты сравнительного анализа существующих методов
независимой и совместной маршрутизации
1.4 Выводы по главе 1.
ГЛАВА 2 ПОДХОД К РЕШЕНИЮ ЗАДАЧИ ПЛАНИРОВАНИЯ
ГРУППОВОГО ПОЛЕТА
2.1 Постановка задачи планирования группового полета БЛА
2.2 Области ответственности БЛА
2.3 Управляющий нейроэлемент. Нейросетевые структуры директивного
и иерархического типа.
2.4 Трехуровневый процесс управления полетом
2.5 Выводы по главе 2.
ГЛАВА 3 ЭВОЛЮЦИОННОЕ ФОРМИРОВАНИЕ НЕЙРОСЕТЕВЫХ СТРУКТУР
3.1 Критерий эффективности при отборе нейросетевых структур
планирования действий.
3.2 Обучение директивных нейросетевых структур.
3.3 Эволюционный отбор иерархических нейросетевых структур.
3.3.1. Матричное представление нейросетевых структур
3.3.2. Механизмы эволюции.
3.4 Выводы по главе 3.
ГЛАВА 4 СИНТЕЗ НЕЙРОСЕТЕВЫХ СТРУКТУР ПЛАНИРОВАНИЯ
ГРУППОВОГО ПОЛЕТА.
4.1 Выбор модели беспилотного летательного аппарата
4.2 Формирование траектории полета между пунктами маршрута.
4.2.1. Тактический уровень управления полетом формирование траектории
4.2.2. Исследование ограничений на возможные маневры БЛА
4.2.3. Учет динамических свойств объекта управления на этапе конструирования систем планирования действий
4.3 Моделирующая среда.
4.3.1. Аппроксимация длины траектории полета и положения БЛА с помощью нейронной сети
4.3.2. Моделирование групповых действий.
4.4 Синтез нейросетевой системы планирования полета двух БЛА
4.5 Нейросетевые структуры сопровождения принятия решения
4.6 Выводы по главе 4
ГЛАВА 5 АНАЛИЗ ЭФФЕКТИВНОСТИ РАЗРАБОТАННОЙ СИСТЕМЫ
5.1 Анализ результатов моделирования.
5.2 Аппаратная реализация нейросетевой системы планирования
группового полета на базе ПЛИС.
5.3 Конвейерный режим планирования групповых действий
5.4 Выводы по главе 5
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ


Однако в настоящее время большое внимание стало уделяться исследованию возможности применения беспилотной авиации при чрезвычайных ситуациях, стихийных бедствиях, а также для обеспечения телекоммуникаций, метеорологических измерений, мониторинга трубопроводов, патрулирования границ, и других задач гражданского назначения. Связано это с тем, что БЛА гораздо дешевле нынешних самолетов, более простые в обслуживании, их полет может быть намного продолжительнее, они также могут работать в темноте, в условиях плохой видимости, кроме того, они могут применяться в ситуациях, угрожающих жизни пилота. Эффективность же их использования значительно повышается при организации групповых полетов. Однако наряду с этим, возникает сложная проблема, связанная с обеспечением управления полетом труппы БЛА. Однако и тот, и другой способ имеют свои недостатки. При автономном управлении не могут быть учтены возникающие в полете непрогнозируемые заранее изменения внешних условий, а также появление новых целей, исключена возможность при необходимости перепланирования действий. Таким образом, задача координации действий более одного БЛА является практически неразрешимой ни одним из этих двух способов. Выход в таком случае состоит в создании бортовых интеллектуальных систем управления с искусственным интеллектом, обеспечивающих оперативное планирование групповых действий в условиях постоянно меняющейся полетной ситуации. Согласно определениям, приведенным в [1, 2], интеллектуальной системой управления считается такая, в которой знания о неизвестных характеристиках объекта управления и окружающей среды формируются в процессе обучения и адаптации, а полученная при этом информация используется в процессе автоматического принятия решений так, что качество управления улучшается. С математической точки зрения, планирование групповых действий представляет собой задачу оптимизации: выбрать маршрут совместного облета целей, при этом обеспечив наибольшую эффективность: минимум затрат (топлива, времени) и максимум дохода (обслуженных объектов). Однако известные методы оптимизации в данном случае не применимы по следующим причинам. Информация о возможных пунктах маршрута заранее неизвестна, т. Как следствие, выбор текущего поведения должен осуществляться оперативно бортовой системой планирования, при этом нет способа оценить эффективность отдельного принятого решения. Только по окончании полета можно определить качество совокупности всех принятых решений. Это условие предъявляет определенные требования к методу синтеза системы планирования совместных действий. Классические многослойные нейронные сети могли бы быть полезными в решении поставленной задачи, однако они требуют большого объема примеров удачного поведения для обучения. Поэтому необходим принципиально новый подход к формированию структуры и обучению нейронных сетей. В диссертационной работе предлагается такой эволюционный подход, основанный на построении с помощью моделирующей среды нейросетевых структур, предназначенных для планирования групповых действий. По своей сути нейросетевые структуры (НС-структуры) содержат в себе свойства нейронных сетей и экспертных систем. Однако имеют преимущества перед обоими. В частности, в отличие от традиционной многослойной нейронной сети, представляющей собой черный ящик, выдающий рекомендации по выбору поведения, нейросетевая структура содержит цепочку логических правил в виде линейных неравенств, по которой можно проследить процесс принятия решения. Напротив, экспертные системы прозрачны в плане объяснения логики принятия решения, однако требуют знаний эксперта, которые доступны не для всех задач. Нейросетевая структура тоже содержит в себе набор правил, однако строится на принципе самообучения и самоорганизации с помощью моделирующей среды. БЛА друг с другом. На этом уровне решается задача определения текущей цели для каждого из летательных аппаратов. Задачей тактического уровня является формирование траектории полета по заданным координатам цели. Третий, исполнительный уровень, - это уровень системы управления самим БЛА, в задачи которого входит поддержание или отработка с помощью управляющих органов задающих воздействий по таким сигналам, как желаемое направление, скорость, высота полета к цели [3]. На Рис. Рис.