.png){kind=icon}
返回
Deceptive Waypoint Sequencing Based UAV–UAV Interception Control Using DBSCAN Learning Strategy
.png){kind=icon}
OA
AI
DOI：10.3390/make8030054.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现代多无人机（UAV）攻击因其敏捷性、不规则空间编队以及对智能规避行为的日益依赖，对现有反无人机框架构成了重大挑战。本文提出了一种统一的拦截架构，该架构整合了基于噪声的应用密度空间聚类（DBSCAN）进行多目标分组、一种欺骗性航点排序（DWS）机制用于对抗性规避，以及一种增强型扩展状态观测器（ESOs）的鲁棒滑模反步控制器，以在扰动下实现精确跟踪。DBSCAN能够在无先验编队数量知识的情况下对攻击无人机进行实时聚类，产生动态质心作为战术拦截参考。为应对能够预测防御方轨迹的高风险攻击者，一种新颖的DWS策略引入了基于质心的航点，在保留任务目标的同时降低轨迹可预测性。基于李雅普诺夫的分析用于稳定性验证，确保跟踪误差的最终一致有界性。所提方法在两种场景下均实现成功拦截：单无人机情况下拦截时间为7秒，最终拦截误差为0.023米；多无人机情况下拦截时间为8秒，最终拦截误差为0.050米，而PID基准方法在相同条件下未能实现拦截。涉及单簇和多簇交战的广泛仿真表明，所提策略在存在扰动、非线性及动态蜂群配置时，能够实现快速、精确且抗欺骗的拦截，其性能优于传统PID方法。所获结果证明了自适应聚类、欺骗性规划与鲁棒非线性控制集成在现代UAV–UAV防御操作中的有效性。
Keyword:
UAV–UAV interception
deceptive waypoint sequencing
sliding-mode control
backstepping control
DBSCAN clustering
quadrotor
期刊
M
IF:
6
论文数:
821
被引数:
1.8K
机构
引用论文
A Comprehensive Survey of Unmanned Aerial Vehicles Detection and Classification Using Machine Learning Approach: Challenges, Solutions, and Future Directions使用机器学习方法对无人机进行检测和分类的综合调查: 挑战，解决方案和未来方向OAAI
OAAI分享收藏Multi-UAV Task Assignment in Dynamic Environments: Current Trends and Future Directions动态环境中的多无人机任务分配: 当前趋势和未来方向.png)
DRONESOAAI
DRONESIF4.8
OAAI分享收藏Low-Altitude Fixed-Wing Robust and Optimal Control Using a Barrier Penalty Function Method低空固定翼鲁棒与最优控制：基于屏障惩罚函数方法
PREAI
分享收藏
查看更多内容