Движение в движении:
Последние новости и события

В современных военных конфликтах безэкипажные системы, такие как дроны, беспилотные транспортные средства и无人艇, постепенно начинают использоваться на поле боя. Однако отдельные безэкипажные системы имеют ограничения по грузоподъемности и функциональным возможностям, а также обладают единой боевой способностью. Чтобы компенсировать ограничения индивидуальных возможностей и одновременно повысить их адаптивность к боевым задачам, безэкипажные системы могут использоваться в групповом режиме. Групповое использование позволяет максимально эффективно использовать их преимущества, такие как широкий диапазон мониторинга и высокая устойчивость к повреждениям, что наделяет их способностью независимо выполнять сложные задачи и осуществлять междоменные групповые операции.

Координация роевой интеллекта в беспилотных системах относится к формированию нескольких беспилотных систем, выполняющих одну и ту же задачу под единым командованием и поддерживающих визуальный или тактический контакт. Технология координации роевой интеллекта обеспечивает эффективное сотрудничество между узлами в рое за счет совместного восприятия, совместного принятия решений и планирования, а также координации управления формацией, что улучшает адаптивность к сложным условиям и многозадачности.

NOKOV достигает позиционирования в реальном времени на уровне субмиллиметров для нескольких беспилотных систем

Для проверки надежности систем координации роевой интеллекции обычно разрабатываются платформы, такие как формации дронов, беспилотных транспортных средств и беспилотных судов, для валидации их эффективности. Эти платформы систематически проверяют технологии для совместного восприятия, принятия решений и управления временем-изменяющейся формацией. Обычно они состоят из подсистемы сетевого взаимодействия, подсистемы многократных агентов и составной подсистемы позиционирования, при этом система захвата движения является основным методом позиционирования внутри составной подсистемы позиционирования.

При проведении совместного принятия решений и проверки управления формированием необходимо в первую очередь обеспечить автономное управление отдельными единицами. Для упрощения эксперимента можно использовать систему захвата движения NOKOV, чтобы одновременно локализовать несколько беспилотных систем, при этом захваченные данные о положении, скорости и ускорении служат входными сигналами для системы управления. Рассмотрим дроны в качестве примера: управление следованием траектории дрона включает контроль положения, оценку ориентации и управление ориентацией. Типичный контроль положения использует каскадный контроллер линейной скорости по положению, выходом которого является ускорение в координатной системе системы захвата движения NOKOV. Решение позыМодуль преобразует данные акселерометра из координатной системы системы захвата движения NOKOV в координатную систему Земли, а затем в координатную систему тела в качестве опорного ускорения. Для управления ориентацией ускорение разлагается для решения опорных углов ориентации, которые используются в качестве входных данных для управления дронами, чтобы достичь заданных местоположений.

В распределенном кластерном кооперативном контроле формирования необходимо завершить планирование траектории для лидера, при этом последующие единицы отслеживают фактическое положение лидера и поддерживают последовательное относительное положение, чтобы сохранить форму формации. В этом процессе беспилотная система должна обмениваться информацией только с соседними единицами. Лидер должен генерировать эталонную траекторию и осуществлять контроль положения для точного отслеживания желаемой траектории. Реальное положение и ориентация лидера могут быть напрямую получены через систему захвата движения NOKOV и переданы оператору формации. Другие единицы вычисляют управляющую силу на основе относительных позиций для поддержания формы кластерной формации.

Когда модель ограничена своей полезной нагрузкой, алгоритмы управления формированием и движением для экспериментов по верификации беспилотных систем (на примере беспилотных лодок) могут быть реализованы непосредственно на хост-компьютере. Данные, полученные с помощью системы захвата движения NOKOV, передаются на хост-компьютер, а после обработки используются в качестве команд управления для беспилотных лодок. Основная функция беспилотных лодок заключается в получении управляющих входов от рабочей станции и в управлении двумя винтами для достижения соответствующих скоростей. Несмотря на то, что автономия каждой модели лодки невысока и добиться полностью распределенного формирования сложно, эта централизованная платформа способствует быстрому внедрению распределенных алгоритмов формирования и алгоритмов управления движением. Рабочая станция захвата движения NOKOV транслирует данные наружу, устраняя необходимость учитывать влияние задержек связи и потери пакетов. Платформа также может имитировать проблемы с коммуникацией, такие как потеря пакетов и задержки, непосредственно.

Более того, для беспилотных систем, использующих бортовые датчики для определения положения и полетов в строй, при проверке эффективности технологий роевой интеллекта и сотрудничества необходимо анализировать ошибки между предполагаемыми траекториями движения дронов, беспилотных транспортных средств и беспилотных лодок и их фактическими траекториями движения. Обычно требуются высокоточные фактические траектории, которые обычно называют "основной истиной". Поскольку системы захвата движения могут достичь точности на уровне субмиллиметра и синхронно захватывать траектории нескольких беспилотных систем, в то время как бортовые датчики позиционирования, такие как системы SLAM, имеют ошибки как минимум в сантиметровом масштабе, использование систем захвата движения в качестве "основной истины" является надежным.

NOKOV захват движений, использованный для совместных кейс-исследований в области роевого интеллекта.

NOKOV Motion Capture сотрудничает с несколькими университетами и исследовательскими учреждениями в разработке платформ верификации технологий кооперативного кластерного интеллекта, выступая в качестве решения для внутреннего позиционирования в их системах.

Сотрудничество по гетерогенным роям БПЛА/БПЛА Пекинского технологического института

Кластерные интеллектуальные коллаборативные контрольные системы используют алгоритмы консенсуса для выполнения координированных патрульных миссий на воздухе и земле, используя гибкость беспилотных средств для выполнения задач по окружению, сосредоточенных на врагах, что напоминает стратегию окружения, подобную спутниковой. Основываясь на широком обзоре, который обеспечивают дроны, и высокой маневренности беспилотных средств, дроны могут быстро передавать расположенные цели беспилотным транспортным средствам, которые затем инициируют целенаправленное окружение по получении информации.

Комбинированная система позиционирования в этой системе в основном использует внешнюю оптическую систему захвата движения NOKOV для первичного позиционирования и коррекции, дополненную бортовыми инерциальными устройствами, формируя многопользовательскую комбинированную систему позиционирования. Позиционирование дронов может использовать комбинацию внешнего оптического захвата движения, инерциальной навигации и визуальной навигации; в то время как беспилотные транспортные средства в первую очередь полагаются на оптические данные позиционирования и обращаются к "резервной" информации об ориентации инерциального устройства, когда оптические данные теряются, обеспечивая непрерывную работу.

Совместное избежание препятствий для беспилотных средств передвижения от Института автоматизации Китайской академии наук 

Команда под руководством профессора Пу Чисяна из Института автоматизации Китайской академии наук провела исследование и разработала интеллектуальную беспилотную кластерную систему. Эта беспилотная кластерная система делится на три подсистемы: подсистема позиционирования, подсистема связи и подсистема управления. Система позиционирования интегрирует оптическую систему захвата движения NOKOV с инерциальными навигационными устройствами для определения положения. Учитывая диапазон захвата, было установлено всего 24 оптические камеры позиционирования Mars2H, включая 8 камер, расположенных на высоте 5 метров, и 16 камер на высоте 8.5 метров, охватывающих пространство размером 12м*12м*8.5м.

Во время экспериментов на каждом беспилотном транспорте и препятствии устанавливаются отражающие маркеры. Разные конфигурации этих маркеров используются для различения индивидуальных идентификаторов роботов. Путём захвата отражающих маркеров на беспилотных транспортных средствах и препятствиях получают 3D-координаты маркеров, которые затем транслируются в реальном времени с использованием SDK. Один беспилотный транспорт может получать информацию о положении себя, близлежащих беспилотных транспортных средствах и препятствиях с субмиллиметровой точностью.