2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

智联网:概念、问题和平台

王飞跃 张俊

王飞跃, 张俊. 智联网:概念、问题和平台. 自动化学报, 2017, 43(12): 2061-2070. doi: 10.16383/j.aas.2017.y000006
引用本文: 王飞跃, 张俊. 智联网:概念、问题和平台. 自动化学报, 2017, 43(12): 2061-2070. doi: 10.16383/j.aas.2017.y000006
WANG Fei-Yue, ZHANG Jun. Internet of Minds: The Concept, Issues and Platforms. ACTA AUTOMATICA SINICA, 2017, 43(12): 2061-2070. doi: 10.16383/j.aas.2017.y000006
Citation: WANG Fei-Yue, ZHANG Jun. Internet of Minds: The Concept, Issues and Platforms. ACTA AUTOMATICA SINICA, 2017, 43(12): 2061-2070. doi: 10.16383/j.aas.2017.y000006

智联网:概念、问题和平台

doi: 10.16383/j.aas.2017.y000006
基金项目: 

国家自然科学基金 71232006

国家自然科学基金 61533019

国家自然科学基金 61233001

详细信息
    作者简介:

    张俊    武汉大学电气工程学院教授, 2003年和2005年分别获得华中科技大学电子信息与通信工程系学士与硕士学位.2008年获得亚利桑那州立大学电气工程博士学位.主要研究方向为智能系统, 人工智能, 知识自动化, 及其在智能电力和能源系统中的应用.E-mail:jun.zhang@qaii.ac.cn

    通讯作者:

    王飞跃    中国科学院自动化研究所复杂系统管理与控制国家重点实验室研究员.国防科技大学军事计算实验与平行系统技术研究中心主任.主要研究方向为智能系统和复杂系统的建模、分析与控制.本文通信作者.E-mail:feiyue.wang@ia.ac.cn

Internet of Minds: The Concept, Issues and Platforms

Funds: 

National Natural Science Foundation of China 71232006

National Natural Science Foundation of China 61533019

National Natural Science Foundation of China 61233001

More Information
    Author Bio:

        Professor at School of Electrical Engineering, Wuhan University. He received his B. E. and M. E. degrees in Electrical Engineering from Huazhong University of Science and Technology, Wuhan, China, in 2003 and 2005, respectively, and his Ph. D. in Electrical Engineering from Arizona State University, USA, in 2008. His research interest covers intelligent systems, artificial intelligence, knowledge automation, and their applications in intelligent power and energy systems

    Corresponding author: WANG Fei-Yue    Professor at The State Key Laboratory of Management and Control for Complex Systems, Institute of Automation, Chinese Academy of Sciences. Director of the Research Center for Computational Experiments and Parallel Systems Technology, National University of Defense Technology. His research interest covers modeling, analysis, and control of intelligent systems and complex systems. Corresponding author of this paper
  • 摘要: 本文旨在讨论智联网(Internet of minds,IoM)的基本概念,核心问题和关键平台技术.首先阐述智联网概念的智能时代发展需求和科学哲学思想基础,然后阐述智联网技术的背景、定义、实质,及其实现协同认知智能的目标,并举例说明其前沿应用领域,包括物理信息社会系统、软件定义系统及流程、工业智联网.接下来探讨智联网的核心问题:知识的获取、知识的协同表征和传递、以及知识的关联和协同运行.最后简单描述了智联网的关键平台技术,包括虚实平行的平台体系和基于互联网、物联网、区块链和软件定义网络的社会化通信计算平台,为分布式、自组织、自运行的安全智联网系统提供基础设施.
  • 在无人机对目标跟踪任务中, 目标主要分为合作目标和非合作目标.对合作目标跟踪, 无人机如何在速度受限条件下实现在传感器适用范围内环绕目标运动是目标跟踪的研究重点之一; 对非合作目标, 无人机必须保持在目标一定距离外跟踪以减少暴露风险.这些应用需求导致了近年来环航跟踪方法的快速发展.

    环航跟踪指无人机保持一定距离环绕跟踪目标, 即控制器需要实现无人机在以目标为圆心、指定距离为半径的期望航迹上航行.当前对无人机环航的研究主要包括观测器和控制器的设计.一些学者采取观测器与控制器相耦合的策略.针对单传感器跟踪单目标, Deghat等[1]提出纯方位量测下的目标环绕跟踪的观测器和控制器的设计方法,并针对观测器为非完整机器人时进行改进[2], 随后扩展到单传感器对多目标的环航跟踪中[3]; 与纯方位量测对应, Shames等[4]提出在单传感器纯距离量测下的环航跟踪观测器和控制器; Cao[5]等基于距离和距离变化率提出一种环航跟踪控制器, 在此基础上, 张民等[6]提出结构更简洁的控制器, 并扩展到运动目标的跟踪中; Matveev等[7]基于距离和距离变化率信息, 针对单传感器对多目标环航跟踪提出一种控制器的设计方法; Zhang等[8]针对单传感器跟踪单目标提出一种基于视觉的观测器, 并分析在存在目标丢失情况下的稳定性; Zhu等[9]提出一种改进的自适应算法估计目标速度, 并利用Lyapunov向量场保证控制器的收敛性.

    另一些学者主要研究控制器设计, 前提是已由其他探测设备得到目标的运动状态. Lawrence[10]针对无人机环航跟踪问题, 提出基于Lyapunov向量场引导法(Lyapunov vector field guidance, LVFG)的环航控制器; Frew等[11]和Summers等[12]针对无人机速度受限提出一种解耦控制结构; Yoon等[13]利用Backstepping使无人机在速度受限的情况下完成空间环航跟踪; Wang等[14]提出一种基于弹性引力和斥力的控制方法; Oh等[15]为进一步分析目标速度对环航跟踪的影响, 利用微分几何的方法明确指出绕飞中无人机速度与目标运动状态的关系; Shames等[16]考虑了无人机环航跟踪时的避障问题; 为使无人机更快速地收敛, Chen等[17]提出一种基于切向量场引导法(Tangent vector field guidance, TVFG)的控制方法, 但当无人机在期望距离内时控制方案依然为Lyapunov向量场引导法.多种现代控制策略被应用到环航跟踪研究上, 例如模型预测控制[18-19]、自适应滑模控制[20]、动态规划[21]、路径规划[22]、分布式控制[23]等.另外, Zhu等针对环航跟踪中无人机输入受限的问题提出Bang-Bang控制[24]和饱和控制策略[25].

    上述成果提出多种可行的环航控制方案, 给出在这些控制器下无人机对目标环航跟踪进一步的研究成果, 但对上述控制器之间的优缺点对比给出的结论较少.另外, 关于无人机收敛到期望航迹的问题, 人们总是更希望无人机能在有限时间内到达期望航迹, 有限时间稳定控制器可以保证闭环系统状态在有限时间内收敛到平衡点[26-31], 但工程应用中, 无人机速度普遍会受到限制, 如何保证无人机在此情况下更快速地收敛是需要研究的课题.

    本文针对工程应用中目标速度变化情况, 根据无人机和目标的几何关系, 提出一种考虑目标运动状态的控制方案, 给出一类基于该控制策略可行的控制参数条件.通过比较这类控制器的优缺点, 提出一种具有快速收敛性、更好抗扰动性的有限时间饱和控制参数条件.

    本文结构安排如下:第1节描述研究的问题; 第2节给出有限时间控制器的设计方案; 第3节给出仿真比较结果; 第4节是结论.

    本文中, ${\bf R}$表示实数集, ${\bf R}^+$表示正实数集, $\|\cdot\|$为欧氏范数, ${\rm{sgn}}(\cdot)$表示符号函数(${\rm{sgn}}(0)=0$), $A\setminus B$表示集合$\{x|x\in A$, $x\notin B\}$.

    图 1 所示, 本文主要考虑固定翼无人机对目标的环航跟踪问题.例如文献[8], 假定无人机配有一个低空飞行控制系统, 可接收到速率、角速度指令转化为相应的横滚、俯仰和偏航信息, 同时具有速度保持和定高飞行功能.因此, 无人机主要针对地面、水面或同一水平面的目标进行环航跟踪, 即只考虑无人机与目标在$X$-$Y$平面下的相对运动状态.假设已经由其他探测设备得到目标的速度信息, 本文主要研究无人机对目标环航跟踪的飞行控制器设计.基于工程应用与控制实现要求, 假定无人机的速度受限, 且满足无人机速率大于目标速率.

    图 1  系统模型
    Fig. 1  Model of the system

    由于将无人机视为质点, 以无人机速度为输入设计控制器, 因此在笛卡尔二维坐标系下, 设无人机的运动模型为[5]

    $ \begin{align}\label{observermodel} \dot{x}_o&=v_o\cos\psi_o\notag\\ \dot{y}_o&=v_o\sin\psi_o\notag\\ \dot{\psi}_o&=\omega_o \end{align} $

    (1)

    其中, $\pmb{p}_o=[x_o\ y_o]^{\rm T} \in{\bf R}^2$指无人机的位置, $\pmb{\nu}_o=$ $[v_o\cos\psi_o$ 表示无人机的速度, $\psi_o$ $\in$ $[0, 2\pi)$指无人机的航向, $v_o \in {\bf R}^+$指无人机的控制输入速率(米/秒), 指无人机的控制输入角速度(弧度/秒).速率限制条件为

    $ 0<v_{\min}\leq v_o\leq v_{\max} $

    (2)

    其中, $v_{\min}$, $v_{\max}$分别表示无人机的最大和最小航行速率.

    目标的位置和速度由其他探测设备实时探测得到, 因此考虑到目标在笛卡尔二维坐标系下的运动模型为

    $ \begin{align}\label{targetmodel} \dot{x}_t&=v_t\cos\psi_t\notag\\ \dot{y}_t&=v_t\sin\psi_t\notag\\ \dot{\psi}_t&=\omega_t \end{align} $

    (3)

    其中, ${\pmb{p}_t=[x_{t}\ y_{t}]^{\rm T} \in {\bf R}^2}$表示目标的位置, $\pmb{\nu}_t=$ $[v_t\cos\psi_t$ 表示目标的速度, $ v_t$ $\in$ ${\bf R}$表示目标的速率, $\psi_t\in[0, 2\pi)$表示目标的航向, $\omega_t$表示目标的角速度.若$v_t$为常值, $\omega_t=0$, 则目标匀速直线运动.

    根据环航跟踪的控制要求, 对无人机和目标的相对运动和位置建模.在同一笛卡尔坐标系下, 定义无人机与目标的相对速度为$\pmb{\nu}_r$, 则

    $ \pmb{\nu}_r=\pmb{\nu}_o-\pmb{\nu}_t $

    (4)

    即相对运动模型为

    $ \begin{align}\label{system} \left[ {\begin{array}{*{20}c} \dot{x}_r \\ \dot{y}_r \\ \end{array}} \right] = \left[ {\begin{array}{*{20}c} v_o\cos\psi_o-v_t\cos\psi_t\\ v_o\sin\psi_o-v_t\sin\psi_t \end{array}} \right] \end{align} $

    (5)

    其中, 变量$[x_r\ y_r]^{\rm T}\in{\bf R}^2$表示无人机相对于目标的位置.如图 1所示在极坐标下系统模型(5)的输出表示为

    $ \begin{align}\label{measurement} \left[ {\begin{array}{*{20}c} d \\ \theta \\ \end{array}} \right] =\left[ {\begin{array}{*{20}c} \sqrt{x^2_r+y^2_r} \\[2mm] \arctan\dfrac{y_r}{x_r} \\ \end{array}} \right] \end{align} $

    (6)

    其中, $d\in {\bf R}^+$表示无人机与目标之间的相对距离, $\theta$ $\in$ $[0$, $2\pi)$表示无人机与目标之间的方向角.控制器设计要求距离收敛到期望值, 可以表示为

    $ \lim\limits_{t\rightarrow\infty}d(t)= d_0 $

    其中, $d_0\in {\bf R}^+$表示无人机和目标的期望距离.

    由要求目标速率小于无人机的最大速率得出:

    假设1. 相对运动模型(5)中, .

    定义1[26]. 考虑如下连续系统如下假设:

    $ \dot{\pmb x}=f({\pmb x}) $

    (7)

    其中, ${\pmb x}\in{\bf R}^n$, 为一个连续函数, ${\pmb D}\subset{\bf R}^n$为原点${\pmb x}=0$的邻域, 由初始状态${\pmb x}_0={\pmb x}(t_0)$出发的运动轨迹简记为${\pmb x}(t)={\pmb x}(t, t_0, x_0)$.

    若系统(7)满足: 1)在平衡点$ {\pmb x}=0 $稳定; 2)有限时间收敛, 引入原点的开邻域${\pmb D}_0$和收敛时间函数$T({\pmb x}_0)$. ${\pmb D}_0\setminus\{0\}\rightarrow(0, \infty)$, 对任意初始状态${\pmb x}_0$ $\in$ , 若存在$ T({\pmb x}_0)>0 $使得, $T({\pmb x}_0)] $时, 且; 当$ t>T({\pmb x}_0) $时${\pmb x}(t)=0$, 则系统(7)在平衡点有限时间稳定.

    若${\pmb D}_0={\pmb D}={\bf R}^n$, 称系统(7)在平衡点全局有限时间稳定.

    引理1[31]. 若存在一个连续可微的Lyapunov方程$V({\pmb x}):{\pmb D}\rightarrow{\bf R}$满足: 1)对任意${\pmb x}\in{\pmb D}_0\setminus\{0\}\subset{\pmb D}$, $V({\pmb x})$为正定函数; 2)存在$k\in{\bf R}^+$和$\alpha \in (0, 1)$, 使得对任意${\pmb x}\in{\pmb D}_0\setminus\{0\}\subset{\pmb D}$, $\dot{V}({\pmb x})+kV^\alpha({\pmb x})\leq0.$则系统在平衡点有限时间稳定.且收敛时间$T({\pmb x})\leq$ ${V^{1-\alpha}({\pmb x})}/{(k(1-\alpha))}$.

    本文旨在设计一个稳定且有限时间内收敛的无人机飞行控制器, 实现在速度受限条件下对运动目标的环绕跟踪要求.

    首先利用无人机和目标的几何关系设计出合理的控制器, 再利用Lyapunov稳定性定理给出可行的控制器参数, 然后利用饱和控制和有限时间稳定性使无人机在满足约束条件的情况下快速实现跟踪要求.

    定义无人机与目标间的相对运动模型为

    $ \begin{align}\label{Vr_define} \dot{x}_r&=v_r\cos\psi_r\notag\\ \dot{y}_r&=v_r\sin\psi_r\notag\\ \dot{\psi}_r&=\omega_r \end{align} $

    (8)

    其中, $v_r\in {\bf R}^+$表示无人机与目标之间的相对速率, $\psi_r$ $\in$ $[0$, $2\pi)$表示相对航向, 表示相对角速度.

    图 2所示, 定义$\phi\in[0, 2\pi)$表示相对速度与视线之间的角度, 即$\psi_r=\theta-\phi-\pi$; ${\pmb{\beta}(t)\in {\bf R}^2}$表示无人机到目标的单位向量, $\bar{\pmb{\beta}}(t)$为$\pmb{\beta}(t)$的一个单位法向量, 即

    $ \begin{align*} &\pmb{\beta}(t) =\left[ {\begin{array}{*{20}c} -\dfrac{x_r(t)}{{ d}(t)} \\[4mm] -\dfrac{y_r(t)}{{ d}(t)} \\ \end{array}} \right] = \left[ {\begin{array}{*{20}c} -\cos\theta(t) \\ -\sin\theta(t) \\ \end{array}} \right]\\[1mm] &\bar{\pmb{\beta}}(t) = \left[ {\begin{array}{*{20}c} -\sin\theta(t) \\ \cos\theta(t) \\ \end{array}} \right] \end{align*} $

    图 2  环航跟踪相对几何模型
    Fig. 2  Guidance geometry for standofi tracking

    定理1. 对给定的无人机速度要求, 只需通过调节角度变量$\phi$, 即由相应的无人机的控制速度输入

    $ \pmb{u}=v_r\cos{\phi}\pmb{\beta}+ v_r\sin{\phi}\bar{\pmb{\beta}}+\pmb{\nu}_t $

    (9)

    其中, 相对速率为

    $ \begin{align}\label{relative rate} v_r=&\ v_t\cos(\theta-\phi-\psi_t)\, +\notag\\ &\ \sqrt{v^2_o-v^2_t\sin^2(\theta-\phi-\psi_t)} \end{align} $

    (10)

    达到控制无人机机动完成特定追踪要求的目的.

    注1. 由无人机运动模型(1)可知, 无人机速度$\pmb{\nu_o}$与无人机飞行控制器的控制输入量速率$v_o$和角速度$ \omega_o $存在一一对应关系, 因此以无人机速度作为输入变量$\pmb{u}$是合理的.

    证明. 由模型(5)和模型(8)可得

    $ \begin{align}\label{vr_define} &v^2_r=v^2_o+v^2_t-2v_ov_t\cos(\psi_o-\psi_t)\notag\\ &\psi_r=\arctan \frac{v_o\sin\psi_o-v_t\sin\psi_t}{v_o\cos\psi_o-v_t\cos\psi_t} \end{align} $

    (11)

    $n$维空间中任意向量可以由$n$个互不相关向量表示, 如图 2所示, 相对速度可以表示为

    $ \pmb{\nu}_r=v_r\cos{\phi}\pmb{\beta}+ v_r\sin{\phi}\bar{\pmb{\beta}} $

    (12)

    由式(12)和式(4)可知, 无人机速度表示为式(9)是合理的.在此情况下, 求解式(11)可以得出相对速率为

    $ \begin{align}\label{relative ratepm} v_r=&\ v_t\cos(\theta-\phi-\psi_t)\, \pm\notag\\ &\ \sqrt{v^2_o-v^2_t\sin^2(\theta-\phi-\psi_t)} \end{align} $

    (13)

    根据假设1, 基于相对速率$v_r\in{\bf R}^+$考虑, 对于给定的$\phi$, $v_r$可由式(10)得出.即由给定的角度变量$\phi$, 可得到符合无人机速度约束条件$v_o\in[v_{\min}, v_{\max}]$的相对速率$v_r$的范围$[v_{r\min}, v_{r\max}]$.同时若无人机速率恒定为, 可以得到唯一的相对速率$v_r$.

    根据上述控制器设计, 进一步考虑如何调节角度变量 $\phi$, 保证控制器的稳定性.

    在无人机的速度为式(9)情况下, 相对速度可以转化为

    $ \begin{align}\label{relative velocity} \left[ {\begin{array}{*{20}c} \dot{x}_r\\ \dot{y}_r\\ \end{array}} \right]= \left[ {\begin{array}{*{20}c} -\dfrac{v_r\cos\phi}{ d} &-\dfrac{v_r\sin\phi}{ d} \\[2mm] \dfrac{v_r\sin\phi}{ d} &-\dfrac{v_r\cos\phi}{ d} \\ \end{array}} \right] \left[ {\begin{array}{*{20}c} x_r\\ y_r\\ \end{array}} \right] \end{align} $

    (14)

    此时, 在极坐标下系统输出(6)的导数为

    $ \left[ \begin{array}{cc} \dot{d} \\ \dot{\theta} \end{array} \right] = \left[ \begin{array}{cc} -v_r\cos\phi\\ \dfrac{v_r\sin\phi}{ d} \end{array} \right] $

    (15)

    定义距离输出误差为实际距离与期望距离的差$e_d$ $=d-d_0$, 显然, ${e_d\in (-d_0, \infty)}$, 且

    $ \dot{e}_d=-v_r\cos\phi $

    (16)

    无人机飞行控制器目的可以表示为$\lim_{t\rightarrow\infty}e_d(t)$ , 因此令$\phi$为关于距离误差$e_d$的函数.由图 2, 显然$\phi\in[0, \pi]$, 与之对应的$2\pi$ $-$ $\phi$ $\in$ $[\pi, 2\pi]$分别表示无人机逆时针环航和顺时针环航, 为方便计算, 令

    $ \Phi(e_d) =\cos(\phi(e_d)) $

    (17)

    其中, $\phi\in[0, \pi]$, 即取无人机逆时针环航.

    定理2. 在假设 1 下, 若无人机的速度输入为

    $ \pmb{u}=v_r\Phi(e_d)\pmb{\beta}(t)+v_r\sqrt{1-\Phi^2(e_d)}\bar{\pmb{\beta}}(t) +\pmb{\nu}_t $

    (18)

    其中, $\Phi(0)=0$, 且满足

    $ 0\leq\Phi(e_d){\rm{sgn}}(e_d)\leq1, \forall e_d\in(-d_0, \infty) $

    (19)

    对于给定的$\Phi(e_d)$, $v_r$可由式(10)得出, 则系统输出(6)在平衡点$e_d=0$是渐近稳定的, 即无人机渐近收敛到以目标为圆心, $d_0$为半径的期望航迹上.

    证明. 引入一个新的Lyapunov函数

    $ V(e_d)=\frac{1}{2}e^2_d $

    (20)

    是正定的, 其导数为

    $ \dot{V}=-e_dv_r\Phi(e_d)\leq0 $

    (21)

    根据LaSalle不变集原理[32], 距离误差$e_d$收敛到不变集$e_d=0$, $\dot{V}=0$, 即$d=d_0$.

    定理1给出了考虑目标速度的控制器结构, 定理2给出了保证控制器稳定的参数条件.因此由定理1和定理2可以设计出考虑目标运动状态且保证无人机收敛到期望航迹的稳定控制器.

    例1. 传统的Lyapunov向量场引导法(LVFG)控制方案[10], 无人机期望速度为

    $ \pmb{u}=\frac{v_o}{d(d^2+d^2_o)} \left[ {\begin{array}{*{20}c} (d^2-d^2_o)x_r+2d d_oy_r\\ -2d d_ox_r+(d^2-d^2_o)y_r\\ \end{array}} \right] $

    (22)

    利用本文所提方法, 考虑目标运动状态, 得到改进的LVFG控制方法(ILVFG).控制器为式(18), 其中, 控制参数

    $ \Phi(e_d)=\frac{e_d(e_d+2d_0)}{(e_d+d_0)^2+d^2_0} $

    且对于给定的无人机期望速率$v_o$和控制参数$\Phi(e_d)$, $v_r$可由式(10)唯一确定.

    由$e_d\in(-d_0, \infty)$, 可得$\frac{(e_d+2d_0)}{(e_d+d_0)^2+d^2_0}>0$, 因此

    $ \Phi(e_d){\rm{sgn}}(e_d)=\left|\frac{e_d(e_d+2d_0)}{(e_d+d_0)^2+d^2_0}\right|\geq0 $

    同时又因为

    $ \begin{align*} &\Phi(e_d){\rm{sgn}}(e_d)=\left|\frac{e_d(e_d+2d_0)}{(e_d+d_0)^2+d^2_0}\right|<\\[2mm] &\qquad \frac{(e_d+d_0)^2}{(e_d+d_0)^2+d^2_0}<1 \end{align*} $

    所以$\Phi(e_d)$符合条件(19), 由定理2, 无人机可渐近收敛到期望航迹, 满足跟踪要求.

    例2. 文献[17]提出切向量场结合Lyapunov向量场引导法(T + LVFG)的控制方案.无人机与目标相对距离小于期望距离$d<d_0$时, 控制器与文献[10]相同, 即式(22); $d>d_0$时, 利用切向量场引导法(TVFG)设计飞行控制器, 无人机期望速度为

    $ \pmb{u}=\frac{v_o}{d^2} \left[ {\begin{array}{*{20}c} \sqrt{d^2-d^2_o}x_r+d_oy_r\\ -d_ox_r+\sqrt{d^2-d^2_o}y_r\\ \end{array}} \right] $

    (23)

    利用本文方法, 对文献[17]的方法进行改进(IT + LVFG).控制器为式(18), 其中, 控制参数

    $ \begin{align*} \Phi(e_d)= \begin{cases} \dfrac{\sqrt{e_d(e_d+2d_0)}}{e_d+d_0}, & e_d>0\\[4mm] \dfrac{e_d(e_d+2d_0)}{(e_d+d_0)^2+d^2_0}, & e_d\leq0 \end{cases} \end{align*} $

    当$e_d<0$时, 显然$0<\Phi(e_d){\rm{sgn}}(e_d)<1$; 当$e_d$ $>$ $0$时, $\Phi(e_d){\rm{sgn}}(e_d)>0$, 且

    $ \Phi(e_d){\rm{sgn}}(e_d)=\frac{\sqrt{e_d(e_d+2d_0)}}{e_d+d_0}\leq1 $

    因此$\Phi(e_d)$满足条件(19), 无人机可收敛到期望航迹.

    渐近稳定的系统状态随着时间趋向于平衡点, 但不能保证在有限时间内达到期望值.本节考虑如何针对控制器(18)设计适合的控制参数$\Phi(e_d)$, 使相对距离$d$在有限时间内收敛到期望距离$d_0$, 即$\lim_{t\rightarrow T(d)}d(t)$ $=$ $d_0$, 其中$0<T<\infty$.

    由定理2可知, 无人机速度输入$\pmb{u}$中参数$\Phi(e_d)$受约束.在设计有限时间控制器时用到了不等式缩放[27], 导致控制器中参量幅值偏大.若直接运用非饱和有限时间控制器则无法满足参数限制$|\Phi(e_d)|$ $\leq$ $1$, 因此结合饱和控制设计了参数受限下有限时间饱和控制器(Finite-time saturated controller, FTSC).

    首先考虑非饱和下的有限时间稳定控制器.

    定理3. 对系统

    $ \dot{e}_d=-v_r\Phi(e_d) $

    (24)

    其中, $e_d\in{\bf R}$, $v_r\in[v_o-v_t, v_o+v_t]$, $\Phi(0)=0$.若存在$k\in{\bf R}^+$和$\alpha=p/q$, $0<p<q$, 且$p$, $q$均为奇数, 使得$\Phi(e_d)$满足

    $ {\rm{sgn}}(e_d)\Phi(e_d)\geq k|e_d|^{\alpha}, ~~~\forall e_d\in{\bf R} $

    (25)

    则系统(24)有限时间内收敛到平衡点$e_d=0$.

    证明. 选取Lyapunov方程(20).根据$e_d\in{\bf R}$ $\setminus\{0\}$的取值分两种情况讨论.

    1) $e_d\in(0, \infty)$

    由式(25)推出, 此时.则Lyapunov方程的导数

    $ \dot{V}\leq-2^{\frac{\alpha+1}{2}}k(v_o-v_t)V^{\frac{\alpha+1}{2}} $

    其中, $k\in{\bf R}^+$, $\alpha\in(0, 1)$.由于$2^{\frac{\alpha+1}{2}}k(v_o-v_t)\in{\bf R}^+$, $\frac{\alpha+1}{2}\in(\frac{1}{2}, 1)$, 所以必然存在和$\alpha'$ $\in$ $(0, 1)$, 使得对任意, $k'V^{\alpha'}+\dot{V}<0$.

    2) $e_d\in(-\infty, 0)$

    由式(25)可知, 此时, .则

    $ \dot{V}\leq -2^{\frac{\alpha+1}{2}}k(v_o+v_t)V^{\frac{\alpha+1}{2}} $

    其中, $k\in{\bf R}^+$, $\alpha\in(0, 1)$.由于$2^{\frac{\alpha+1}{2}}k(v_o+v_t)\in{\bf R}^+$, $\frac{\alpha+1}{2}\in(\frac{1}{2}, 1)$, 所以必然存在和$\alpha'$ $\in$ $(0, 1)$, 使得对任意, $k'V^{\alpha'}+\dot{V}<0$.

    综上所述, 若$\Phi(e_d)$满足条件(25), 则必然存在$k'\in{\bf R}^+$和$\alpha'\in(0, 1)$, 使得对任意$e_d\in{\bf R}\setminus\{0\}$, $k'V^{\alpha'}+\dot{V}<0$.根据引理1, 系统(24)在平衡点$e_d$ $=$ $0$有限时间稳定.

    显然, 定理3中必然存在$e_d\in(-d_0, \infty)\setminus\{0\}$, 使得$|\Phi(e_d)|>1$.

    利用有限时间稳定性与饱和控制原理相结合, 考虑控制参数受限情况下的有限时间稳定控制器.设计控制器参数, 如图 3所示.

    图 3  饱和约束下的有限时间稳定控制参数
    Fig. 3  Control parameters of flnite-time stability subject to saturation

    $ \Phi(e_d)=\kappa{\rm{sat}}(\Phi'(e_d)) $

    (26)

    其中, $\kappa$为$(0, 1]$的任意常数, $\Phi'(e_d)$满足条件(25), ${\rm{sat}}(\cdot)$是饱和函数, 定义为

    $ \begin{align*} {\rm{sat}}(x)= \begin{cases} x, & |x|\leq1\\ {\rm{sgn}}(x), & |x|>1 \end{cases} \end{align*} $

    定理4. 若无人机输入控制器(18)中参数$\Phi(e_d)$为式(26), 则系统输出(6)在有限时间内收敛到平衡点$e_d=0$, 即无人机在一定时间内收敛到距离目标$ d_0 $的航迹上, 实现环航跟踪要求.

    证明. 由饱和函数特性, 显然式(26)中$\Phi(e_d)$符合对任意$e_d\in(-d_0, \infty)$, $|\Phi(e_d)|\leq1$.

    首先, 证明控制器参数$\Phi(e_d)$在式(26)情况下的系统输出稳定性.

    由式(18)可知, 对任意输出误差$ e_d>0 $, $>$ $0$, 由式(26), 此时$\Phi(e_d)>0$; 对任意$ e_d<0 $, $\Phi(e_d)<0$; 且$ e_d=0 $时.以Lyapunov函数(20)检验其稳定性, 对任意$ e_d\in(-d_0, \infty)$, $ \dot{V}$ $\leq$ $0$.因此, 无人机输入控制器(18)中参数$ \Phi(e_d) $满足条件(26), 系统输出(6)在平衡点稳定.

    然后, 证明该系统有限时间收敛, 分为两部分.系统控制器(18)中参数为式(26)时, 对任意初始输出误差$ e_d(t_0) $必然存在时刻$ t_1$, 使得$ t>t_1 $时, $e_d(t)$ $\in$ $[\varepsilon_1, \varepsilon_2] $, 即相对距离收敛到一个范围内; 在该范围内系统状态有限时间内收敛到平衡点, 即必然存在时刻$t_1<t_2<\infty$, 使得$t>t_2$时, $e_d(t)=0$.其中, $\Phi'(\varepsilon_1)$ $=$ $-1$, $\Phi'(\varepsilon_2)=1$, 且对任意$e_d(t)\in[\varepsilon_1, \varepsilon_2]$, 都有$|\Phi'(e_d)|\leq1$.

    1) 证明对任意初始相对距离$e_d(t_0)$, 必然存在时刻$t_1>t_0$, 使得$e_d(t_1)\in[\varepsilon_1, \varepsilon_2]$.假设上述不成立, 则存在两种情况:对任意时刻$t>t_0$, 都满足$e_d(t)$ $>$ $\varepsilon_2$; 对任意时刻$t>t_0$, $e_d(t)<\varepsilon_1$.

    a) 假设对任意时刻$t>t_0$, $e_d(t)>\varepsilon_2$.

    对任意距离误差$e_d(t)>\varepsilon_2$, 由不等式(19)和式(26), 可以得出此时控制参数$ \Phi(e_d)=\kappa$, 输出误差导数满足$\dot{e}_d\leq-(v_o-v_t)\kappa$, 则

    $ e_d(t)\leq e_d(t_0)-\int^t_{t_0}(v_o-v_t)\kappa {\rm d}t $

    因此, 对任意距离$e_d(t_0)>\varepsilon_2$, 必然存在某一时刻$t_1>t_0$, 使得$e_d(t_1)<\varepsilon_2$.假设不成立.

    b) 假设对任意时刻$t>t_0$, $e_d(t)\leq\varepsilon_1$.

    若$\varepsilon_1\geq-d_0$, 对任意距离$e_d(t)<\varepsilon_1$, 由不等式]19和式(26), 可以得出控制参数$\Phi(e_d)=-\kappa$, 输出误差导数满足$\dot{e}_d\geq(v_o-v_t)\kappa$, 则

    $ e_d(t)\geq e_d(t_0)+\int^t_{t_0}(v_o-v_t)\kappa {\rm d}t $

    因此, 对任意距离$e_d(t_0)<\varepsilon_1$, 必然存在某一时刻$t_1>t_0$, 使得$e_d(t_1)\geq\varepsilon_1$, 假设不成立.若$\varepsilon_1$ $<$ $-d_0$, 显然对任意时刻$t>t_0$, 都有$e_d(t)>\varepsilon_1$, 假设不成立.

    因此, 对任意初始输出误差$e_d(t_0)$, 必然存在时刻$t_1$, 使得$e_d(t_1)\in[\varepsilon_1, \varepsilon_2]$.由系统稳定性可知$t$ $>$ $t_1$时, $e_d(t)\in[\varepsilon_1, \varepsilon_2]$.

    2) 证明当无人机与目标相对距离在指定区域时, 必然会在有限时间内收敛到平衡点.即, 若$e_d(t_1)$ $\in$ $[\varepsilon_1, \varepsilon_2]$, 必然存在某一时刻$t_2$, 其中, $t_1<$ $t_2$ $<$ $\infty$, 使得对任意$t>t_2$, 都有$e_d(t)=0$.

    已知$t>t_1$时, $e_d(t)\in[\varepsilon_1, \varepsilon_2]$, 根据式(26), 此时$\Phi(e_d)=\Phi'(e_d)$.因此, ${\rm{sgn}}(e_d)\Phi(e_d)\geq k|e_d|^{\alpha}$, 即满足非饱和约束下的有限时间控制器条件, 由定理3, 系统必然在有限时间内收敛到平衡点.

    上述部分证明了控制器(18)中参数$\Phi(e_d)$为式(26)时, 系统输出(6)在平衡点$e_d=0$稳定且有限时间收敛, 由定义1, 对任意输出误差$e_d\in(-d_0$, $\infty)$, 系统输出在平衡点有限时间稳定.

    定理4给出了系统输出(6)有限时间稳定的参数条件.无人机在指定区域外($|\Phi'(e_d)|=1$, $|\Phi(e_d)|$ $=$ $\kappa\leq1$)时, 由饱和控制器控制其收敛到指定区域内(), 而后化为非饱和有限时间控制器在有限时间内收敛到平衡点.

    注2. 令$T_1$表示饱和控制器控制无人机的收敛时间(可能为0), $T_2$表示非饱和有限时间稳定控制器的收敛时间.则$T_1$, $T_2$大小与初始距离$d$ (等同于$e_d$)和$\kappa, k, \alpha$相关.当其他参数相同时, 随着$\kappa$增大, 时间$T_1$和$T_2$均减小, 即收敛更快速; 随着$k$增大, $\varepsilon_1$增大, $\varepsilon_2$减小, 即非饱和有限时间稳定控制器控制范围增大, 因此, 收敛时间$T_1$增大, $T_2$减小.

    例3. 利用定理4给出的控制器参数条件(26), 提出符合要求的有限时间饱和控制器.控制器为式(18), 其中控制参数

    $ \Phi(e_d)=\kappa{\rm{sat}}(k_1e^{\alpha}_d+k_2e_d) $

    取$k_1$, $k_2\in{\bf R}^+$, $\kappa\in(0, 1]$, $\alpha=p/q$, $0<p<q$, 且$p$, $q$均为奇数, 对于给定的无人机期望速率$v_o$和控制参数$\Phi(e_d)$, $v_r$可由式(10)唯一确定.

    通过与文献[10]中Lyapunov向量场引导法(LVFG)控制方案(例1)和文献[17]的切向量场结合Lyapunov向量场引导法(T + LVFG)控制方案(例2)进行比较, 说明本文控制方法的优越性.为确保仿真实验的公平性, 实验中目标的初始位置为原点, 运动目标的速度均为 $1)$ m/s, 即目标轨迹相同; 无人机航行速率保持恒定$v_o$ $=10$ m/s, 期望距离为$d_0=100$ m.

    1) 验证提出的控制方案的有效性.将LVFG、T + LVFG控制器方法与本文ILVFG、IT + LVFG (例1和例2中已给出具体的控制器)进行比较, 仿真结果如图 4.

    图 4  目标速度对环航跟踪误差的影响
    Fig. 4  The influences of the target velocity on the standofi tracking errors

    图 4(a)为传统的LVFG和本文的ILVFG控制方法下的目标和无人机运动轨迹, 图 4(b)则为T + LVFG和IT + LVFG控制器, 图 4(c)为四种控制器下的无人机与目标相对距离.由图 4(c)可以看出, 已知目标速度$\pmb{\nu}_t$, 使用不考虑目标速度的LVFG和T + LVFG方法, 相对距离会收敛到一定范围内, 即, 其中, $\epsilon$与$\gamma$ $=$ ${v_t}/{v_o}$ $\in$ $(0$, $1)$相关, 且T + LVFG控制器收敛速度快于LVFG控制器.而本文的ILVFG和IT + LVFG控制方法, 相对距离会收敛期望距离, 即$\lim_{t\rightarrow\infty}d(t)= d_0$.显然, 对于运动目标, ILVFG和IT + LVFG控制方法比传统的LVFG和T + LVFG控制方法具有明显优越性.

    2) 验证提出的有限时间饱和控制器(FTSC)的快速响应能力. FTSC (例3)、ILVFG和IT + LVFG控制方法相比较.其中FTSC中参数为$\kappa$ $=$ $1$, $k=0.1$, $k_2=0.01$, $\alpha=7/11$.

    注3. 由于$d<d_0$时, IT + LVFG控制器与ILVFG控制器相同, 因此仿真比较中分为无人机与目标初始相对距离大于期望距离$d(0)>d_0$和小于期望距离$d(0)<d_0$两种情况讨论. $d(0)<d_0$时, 只比较了FTSC和IT + LVFG控制方案下的无人机环航跟踪结果.

    对静止目标, 仿真结果如图 5图 6所示. 图 5图 6分别针对$d(0)>d_0$和$d(0)<d_0$时, 无人机对目标进行的环航跟踪. 图 5(a) ~ (c)为不同时刻下ILVFG控制方案下的目标和无人机轨迹, 分别为$t = 20$ s, $t=50$ s, $t=150$ s. 图 5(d) ~ (f)则为IT + LVFG控制方案目标和无人机轨迹, 图 5(g) ~ (i)为FTSC控制方案, 图 5(j)为三种情况下的无人机与目标相对距离对比.如图 5所示, $d(0)$ $>$ $d_0$时, FTSC和IT + LVFG控制方案下的无人机收敛速度明显快于ILVFG控制方案. 图 6(a) ~ (c)为$t=10$ s, $t=50$ s, $t=$ $100$ s时IT + LVFG控制方案下的目标和无人机轨迹, 图 6(d) ~ (f)则为FTSC控制方案, 图 6(g)为两种情况下的相对距离对比.从图 6可以看出, $d(0)<d_0$时, FTSC控制方案收敛速度更快. 图 5图 6表明, 对静止目标, 无人机任意初始位置, FTSC控制方案都能使无人机更快速收敛到期望航迹.

    图 5  $d(0)>d_0$时静止目标环航跟踪
    Fig. 5  Standoff tracking a static target when $d(0)>d_0$
    图 6  $d(0)<d_0$时静止目标环航跟踪
    Fig. 6  Standoff tracking a static target when $d(0)<d_0$

    图 7图 8分别为$d(0)>d_0$和$d(0)<d_0$时, 无人机对运动目标的环航跟踪仿真结果. 图 7(a) ~ (c)为$t=50$ s, $t=100$ s, $t=250$ s不同时刻下ILVFG控制方案下的目标和无人机轨迹, 图 7(d) ~ (f)则为IT + LVFG控制方案目标和无人机轨迹, 图 7(g) ~ (i)为FTSC控制方案, 图 7(j)为三种情况下的无人机与目标相对距离对比. 图 8(a) ~ (c)为$t=10$ s, $t=50$ s, $t=100$ s时IT + LVFG控制方案下的目标和无人机轨迹, 图 8(d) ~ (f)为FTSC控制方案, 图 8(g)为两种情况下相对距离对比. 图 7图 8表明, 对运动目标, 对比与ILVFG和IT + LVFG控制方案, FTSC控制方案能使任意位置的无人机更快速收敛到期望航迹.

    图 7  $d(0)>d_0$时机动目标环航跟踪
    Fig. 7  Standoff tracking a maneuvering target when $d(0)>d_0$
    图 8  $d(0)<d_0$时机动目标环航跟踪
    Fig. 8  Standoff tracking a maneuvering target when $d(0)<d_0$

    3) 验证提出的FTSC控制方案不同参数取值对收敛时间的影响.将FTSC (例3)中不同参数$\kappa$相对比, 仿真结果如图 9.其中, $k_1=0.1$, $k_2=0.01$, $\alpha$ $=7/11$.

    图 9  $\kappa$对无人机环航轨迹和收敛速度的影响
    Fig. 9  The influences of $\kappa$ on the trajectory of UAV and rate of convergence

    图 9(a) ~ (d)分别为$\kappa=1/4$, $\kappa=1/2$, $\kappa$ $=$ $3/4$, $\kappa=1$时的目标轨迹和无人机轨迹, 图 9(e)为对应的无人机与目标相对距离. 图 9表明, 收敛速度随$\kappa$增大而增大.

    本文主要研究单无人机对单目标进行环航跟踪的问题. 1)根据无人机运动特性给出一种控制器, 保证无人机能根据目标运动状态调整自身运动状态, 更稳定地跟踪目标. 2)根据Lyapunov稳定性定理给出渐近稳定的控制器参数条件. 3)考虑其参数特性, 利用饱和控制结合有限时间控制, 给出显式的条件选择控制器中的参数, 使无人机飞行轨迹快速收敛到期望航迹.基于环航跟踪系统的广阔应用背景, 下一步考虑与协同控制结合, 运用到多无人机协同跟踪目标中.


  • 本文责任编委 刘德荣
  • 图  1  广义雅斯贝思的“轴心时代”:三个世界与三个轴心时代

    Fig.  1  Generalized Jasper's axial ages: three worlds and three axial ages

    图  2  智能社会的智能基础设施

    Fig.  2  Smart societies and intelligent infrastructure

    图  3  智联网的基本概念和框架

    Fig.  3  Concept and and Architecture of IoM

    图  4  智联网支撑平台与架构示意图

    Fig.  4  The supporting platform and architecture diagram of IoM

  • [1] 王飞跃.新IT与新轴心时代:未来的起源与目标.探索与争鸣, 2017年第10期:23-27
    [2] 王飞跃. 面向人机物一体化CPSS的控制发展: 知识自动化的挑战与机遇. 见: 中国自动化大会暨自动化领域协同创新大会. 长沙: 中国自动化学会, 2013.
    [3] Wang F Y. The emergence of intelligent enterprises:from CPS to CPSS. IEEE Intelligent Systems, 2010, 25(4):85-88 doi: 10.1109/MIS.2010.104
    [4] 王飞跃, 张俊, 王晓.知识计算和知识自动化:新轴心时代的核心需求.张江科技评论, 2017, (4):25-27 http://bbs.sciencenet.cn/blog-2374-1071599.html
    [5] 王飞跃. 迈向知识自动化. 中国科学报, 2013[Online], available: http://www.cas.cn/xw/zjsd/201401/t20140103_4009925.shtml, October 1, 2017
    [6] 赵立权. 粒度计算的模型研究[博士学位论文], 安徽大学, 中国, 2007.

    Zhao Li-Quan. Study on the Model Granular Computing[Ph.D. dissertation], Anhui Universit, China, 2007.
    [7] 王飞跃.从社会计算到社会制造:一场即将来临的产业革命.中国科学院院刊, 2012, 27(6):658-669 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=kyyx201206001&dbname=CJFD&dbcode=CJFQ

    Wang Fei-Yue. From social computing to social manufacturing:the coming industrial revolution and new frontier in cyber-physical-social space. Bulletin of Chinese Academy of Sciences, 2012, 27(6):658-669 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=kyyx201206001&dbname=CJFD&dbcode=CJFQ
    [8] 王飞跃.软件定义的系统与知识自动化:从牛顿到默顿的平行升华.自动化学报, 2015, 41(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18578.shtml

    Wang Fei-Yue. Software-defined systems and knowledge automation:a parallel paradigm shift from Newton to Merton. Acta Automatica Sinica, 2015, 41(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18578.shtml
    [9] Zhu W, Wang F Y. The fourth type of covering-based rough sets. Information Sciences, 2012, 201(19):80-92 http://www.sciencedirect.com/science/article/pii/S002002551200045X
    [10] 马伯宁. 空间数据多尺度建模关键技术研究[博士学位论文], 国防科学技术大学, 中国, 2014.

    Ma Bo-Ning. Research on Spatial Data Multi-scale Modeling[Ph.D. dissertation], National University of Defense Technology, China, 2014.
    [11] 王飞跃, 莫红.关于二型模糊集合的一些基本问题.自动化学报, 2017, 43(7):1114-1141 http://www.aas.net.cn/CN/abstract/abstract19087.shtml

    Wang Fei-Yue, Mo Hong. Some fundamental issues on type-2 fuzzy sets. Acta Automatica Sinica, 2017, 43(7):1114-1141 http://www.aas.net.cn/CN/abstract/abstract19087.shtml
    [12] Zhang L, Zhang B. Quotient Space based Problem Solving A Theoretical Foundation of Granular Computing. Burlington:Elsevier Science, 2014. http://dl.acm.org/citation.cfm?id=2602436
    [13] 徐计, 王国胤, 于洪.基于粒计算的大数据处理.计算机学报, 2015, 38(8):1497-1517 doi: 10.11897/SP.J.1016.2015.01497

    Xu Ji, Wang Guo-Yin, Yu Hong. Review of big data processing based on granular computing. Chinese Journal of Computers, 2015, 38(8):1497-1517 doi: 10.11897/SP.J.1016.2015.01497
    [14] 张文修, 吴伟志, 梁吉业, 李德玉.粗糙集理论与方法.北京:科学出版社, 2001.
    [15] Pedrycz W, Skowron A, Kreinovich V. Handbook of Granular Computing. New York:John Wiley & Sons, 2008.
    [16] Zhu W, Wang F Y. A new type of covering rough set. In:Proceedings of the 3rd International IEEE Conference Intelligent Systems. London, UK:IEEE, 2006. 444-449
    [17] 王飞跃.词计算和语言动力学系统的计算理论框架.模式识别与人工智能, 2001, 14(4):377-384 doi: 10.3969/j.issn.1003-6059.2001.04.001

    Wang Fei-Yue. Computing with words and a framework for computational linguistic dynamic systems. Pattern Recognition and Artificial Intelligence, 2001, 14(4):377-384 doi: 10.3969/j.issn.1003-6059.2001.04.001
    [18] 王飞跃.词计算和语言动力学系统的基本问题和研究.自动化学报, 2005, 31(6):844-852 http://www.aas.net.cn/CN/abstract/abstract15941.shtml

    Wang Fei-Yue. Fundamental issues in research of computing with words and linguistic dynamic systems. Acta Automatica Sinica, 2005, 31(6):844-852 http://www.aas.net.cn/CN/abstract/abstract15941.shtml
    [19] Zhao L. Overview of linguistic dynamic systems based on perception information. In:Proceedings of the 31st Chinese Control Conference. Hefei, China:IEEE, 2012. 7519-7524
    [20] 莫红.时变论域下的语言动力学轨迹.自动化学报, 2012, 38(10):1585-1594 http://www.aas.net.cn/CN/abstract/abstract17767.shtml

    Mo Hong. Linguistic dynamic orbits in the time varying universe of discourse. Acta Automatica Sinica, 2012, 38(10):1585-1594 http://www.aas.net.cn/CN/abstract/abstract17767.shtml
    [21] Li L, Lin Y L, Zheng N N, Wang F Y. Parallel learning:a perspective and a framework. IEEE/CAA Journal of Automatica Sinica, 2017, 4(3):389-395 doi: 10.1109/JAS.2017.7510493
    [22] Wang F Y, Zhang J, Wei Q L, Zheng X H, Li L. PDP:parallel dynamic programming. IEEE/CAA Journal of Automatica Sinica, 2017, 4(1):1-5 doi: 10.1109/JAS.2017.7510310
    [23] 李力, 林懿伦, 曹东璞, 郑南宁, 王飞跃.平行学习-机器学习的一个新型理论框架.自动化学报, 2017, 43(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18984.shtml

    Li Li, Lin Yi-Lun, Cao Dong-Pu, Zheng Nan-Ning, Wang Fei-Yue. Parallel learning-a new framework for machine learning. Acta Automatica Sinica, 2017, 43(1):1-8 http://www.aas.net.cn/CN/abstract/abstract18984.shtml
    [24] 王飞跃.平行控制:数据驱动的计算控制方法.自动化学报, 2013, 39(4):293-302 http://www.aas.net.cn/CN/abstract/abstract17915.shtml

    Wang Fei-Yue. Parallel control:a method for data-driven and computational control. Acta Automatica Sinica, 2013, 39(4):293-302 http://www.aas.net.cn/CN/abstract/abstract17915.shtml
    [25] Wang F Y, Wong P K. Intelligent systems and technology for integrative and predictive medicine:an ACP approach. ACM Transactions on Intelligent Systems and Technology, 2013, 4(2):Article No. 32
    [26] 王飞跃, 杨柳青, 胡晓娅, 程翔, 韩双双, 杨坚.平行网络与网络软件化:一种新颖的网络架构.中国科学:信息科学, 2017, 47(7):811-831 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=pzkx201707001&dbname=CJFD&dbcode=CJFQ

    Wang Fei-Yue, Yang Liu-Qing, Hu Xiao-Ya, Cheng Xiang, Han Shuang-Shuang, Yang Jian. Parallel networks and network softwarization:a novel network architecture. Scientia Sinica Informationis, 2017, 47(7):811-831 http://kns.cnki.net/KCMS/detail/detail.aspx?filename=pzkx201707001&dbname=CJFD&dbcode=CJFQ
    [27] Wang F Y, Yang L Q, Cheng X, Han S S, Yang J. Network softwarization and parallel networks:beyond software-defined networks. IEEE Network, 2016, 30(4):60-65 doi: 10.1109/MNET.2016.7513865
    [28] 王飞跃, 杨坚, 韩双双, 杨柳青, 程翔.基于平行系统理论的平行网络架构.指挥与控制学报, 2016, 2(1):71-77 http://d.wanfangdata.com.cn/Periodical/zhykzxb201601012

    Wang Fei-Yue, Yang Jian, Han Shuang-Shuang, Yang Liu-Qing, Cheng Xiang. The framework of parallel network based on the parallel system theory. Journal of Command and Control, 2016, 2(1):71-77 http://d.wanfangdata.com.cn/Periodical/zhykzxb201601012
    [29] 杨柳青, 王飞跃, 张艳丽, 韩双双, 杨坚, 赵恺, 程翔.基于ACP方法的城市平行停车系统.指挥与控制学报, 2015, 1(4):384-390 http://www.irgrid.ac.cn/handle/1471x/1047106?mode=full

    Yang Liu-Qing, Wang Fei-Yue, Zhang Yan-Li, Han Shuang-Shuang, Yang Jian, Zhao Kai, Cheng Xiang. The urban parallel parking system based on ACP approach. Journal of Command and Control, 2015, 1(4):384-390 http://www.irgrid.ac.cn/handle/1471x/1047106?mode=full
    [30] 韩双双, 王迎春, 要婷婷, 曹东璞, 王飞跃. 平行智能车: 基于CPSS的网联自动驾驶汽车. 见: 2017中国自动化大会暨中国国际智能制造大会. 济南, 中国: 中国自动化学会, 2017.
    [31] Wang F Y. Driving into the future with ITS. IEEE Intelligent Systems, 2006, 21(3):94-95 doi: 10.1109/MIS.2006.45
    [32] 袁勇, 王飞跃.区块链技术发展现状与展望.自动化学报, 2016, 42(4):481-494 http://www.aas.net.cn/CN/abstract/abstract18837.shtml

    Yuan Yong, Wang Fei-Yue. Blockchain:the state of the art and future trends. Acta Automatica Sinica, 2016, 42(4):481-494 http://www.aas.net.cn/CN/abstract/abstract18837.shtml
    [33] 袁勇, 王飞跃.平行区块链:概念、方法与内涵解析.自动化学报, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtml

    Yuan Yong, Wang Fei-Yue. Parallel blockchain:concept, methods and issues. Acta Automatica Sinica, 2017, 43(10):1703-1712 http://www.aas.net.cn/CN/abstract/abstract19148.shtml
    [34] 王飞跃.智能与时代:历史的使命与未来.战略发展报告, 2009.
    [35] 王飞跃. 未来世界与复杂系统. 中国国际战略研究基金会"面向未来"复杂性科学专题讲座, 2009年11月20日
    [36] 王飞跃. 面向未来-未来世界的复杂性. 科学发展与战略研究/中国国际战略研究基金会编著: 知识产权出版社, 北京, 2012年8月第1版, 137-162
    [37] 王飞跃. 面向CPSS的指挥与控制: 关于平行军事体系的理论、方法及应用. 第一届中国指挥控制大会, 北京, 2013年8月5日
    [38] 王飞跃. 基于软件定义的企业智能管理与控制: 基于ACP的平行系统方法, "探索·制造业的未来"西门子工业论坛, 北京, 2014年7月10日
    [39] Wang F Y. Grids 5.0 and social energy:from internet of things to the society of minds. In:Proceedings of the 48th North American Power Symposium (NAPS). Denver, USA:September 19, 2016.
    [40] Wang F Y, ACP-based parallel systems:knowledge automation and smart adaptability for complex adaptive systems. In:Proceedings of the 2016 Complex Adaptive Systems Conference. Los Angeles, CA, USA:November 3, 2016.
  • 期刊类型引用(46)

    1. 刘同柱,柴培钰,李剑,李章兵. 智慧医院建设模式探讨. 中国卫生信息管理杂志. 2024(04): 512-517 . 百度学术
    2. 王晓,杨林瑶,胡斌,侯家琛. 平行推理:一种基于ACP方法的虚实互动的知识协同框架. 智能科学与技术学报. 2023(01): 69-82 . 百度学术
    3. 李立睿,张嘉程,张博睿. 科研智能化视域下融合智能机器人的知识服务研究. 图书与情报. 2023(02): 61-68 . 百度学术
    4. 李诗濛,王飞跃. 平行设计:面向平行制造体系的非标机械方案设计流程. 智能科学与技术学报. 2023(02): 274-282 . 百度学术
    5. 马春萍. 5G在智慧医疗领域应用中的问题及对策. 河南科技. 2022(01): 150-153 . 百度学术
    6. 王宏鑫,骆盈旭,梁艳玲. 五计学发展的历史进程与演化特性. 图书情报工作. 2022(02): 32-44 . 百度学术
    7. 张珂,张利国. 基于移动边缘计算的GI/GI/1排队建模与调度算法. 自动化学报. 2022(07): 1737-1746 . 本站查看
    8. 王飞跃,郭剑波,卜广全,张俊. 人机互信的知识自动化与混合增强智能:复杂系统认知管控机制及其应用(英文). Frontiers of Information Technology & Electronic Engineering. 2022(08): 1142-1158 . 百度学术
    9. 周伟,杜静,汪燕,刘嘉豪,黄荣怀. 面向智慧教育的学习环境计算框架. 现代远程教育研究. 2022(05): 91-100 . 百度学术
    10. 庄存波,刘检华,张雷. 工业5.0的内涵、体系架构和使能技术. 机械工程学报. 2022(18): 75-87 . 百度学术
    11. 刘检华,李坤平,庄存波,张雷. 大数据时代制造企业数字化转型的新内涵与技术体系. 计算机集成制造系统. 2022(12): 3707-3719 . 百度学术
    12. ZHANG Zhimin,YIN Rui,NING Huansheng. Internet of Brain, Thought, Thinking, and Creation. Chinese Journal of Electronics. 2022(06): 1025-1042 . 必应学术
    13. 谢煜坚,闫利文. 基于Niagara的物联网智能制造系统. 机床与液压. 2021(01): 91-95 . 百度学术
    14. 马子程,刘衡,张建琦. 智联网情境下企业商业模式创新的三阶段动力机制探究. 广东财经大学学报. 2021(01): 61-72 . 百度学术
    15. 王飞跃. 平行哲学:智能产业与智慧经济的本源及其目标. 中国科学院院刊. 2021(03): 308-318 . 百度学术
    16. 解则晓,李美慧. 机器学习在基于点云的三维物体识别领域的研究综述. 中国海洋大学学报(自然科学版). 2021(06): 125-130+98 . 百度学术
    17. 闾海荣,姜楠,许瑞坤,周容辰. 区块链在物联网中的应用态势分析. 数据与计算发展前沿. 2021(01): 34-47 . 百度学术
    18. 杜晓明,王晓,韩双双,王飞跃. 一种能效最大化的一体化观测网络任务调度优化方法. 系统工程理论与实践. 2021(06): 1547-1555 . 百度学术
    19. 李强,阳东升,孙江生,刘建军,费爱国,王飞跃. “社会认知战”:时代背景、概念机理及引领性技术. 指挥与控制学报. 2021(02): 97-106 . 百度学术
    20. 刘立,朱健成,韩光洁,毕远国. 基于1D-CNN联合特征提取的轴承健康监测与故障诊断. 软件学报. 2021(08): 2379-2390 . 百度学术
    21. 李诗濛,李俊青,王斌,王飞跃. 迈向“6S”智慧家居:智能科技与智慧生活. 电器. 2021(09): 46-51 . 百度学术
    22. 吴宇震,张俊,高天露,孙玉健,刘金旭. 平行港口:智慧绿色时代下港口工业智联网新形态与体系结构. 智能科学与技术学报. 2021(02): 218-227 . 百度学术
    23. 王飞跃. 平行哲学与智能技术:平行产业与智慧社会的对偶方程与测试基础. 智能科学与技术学报. 2021(03): 245-255 . 百度学术
    24. 刘同柱,徐兵,陶晓东. 基于“智联网”架构的分级诊疗模式探究. 中国卫生信息管理杂志. 2021(06): 718-723+728 . 百度学术
    25. 张建波,王宇,聂雪军,吴国庆,刘久军,严俊. 智慧渔业时代的深远海养殖平台控制系统. 物联网学报. 2021(04): 120-136 . 百度学术
    26. 王飞跃,蒋怀光. 平行电池:智能生态化电池技术与服务体系的框架和流程. 智能科学与技术学报. 2021(04): 521-531 . 百度学术
    27. 张俊,许沛东,王飞跃. 平行系统和数字孪生的一种数据驱动形式表示及计算框架. 自动化学报. 2020(07): 1346-1356 . 本站查看
    28. 王国政,郭剑波,马士聪,尚宇炜,郭庆来,卜广全,黄彦浩,曾思成,周子涵. 电力系统增强智能分析初探. 中国电机工程学报. 2020(16): 5079-5088 . 百度学术
    29. 苏振东,刘凡,杨瑞平,王飞跃. 基于蓝海信息网络的海洋环境平行监测体系建模研究. 自动化学报. 2020(08): 1582-1591 . 本站查看
    30. 程乐峰,余涛,张孝顺,殷林飞. 机器学习在能源与电力系统领域的应用和展望. 电力系统自动化. 2019(01): 15-43 . 百度学术
    31. 彭大天,董建敏,蔡忠闽,张长青,彭勤科. 假数据注入攻击下信息物理融合系统的稳定性研究. 自动化学报. 2019(01): 196-205 . 本站查看
    32. 邓洪权,陈金鹰,吴睿. 智联网在智能家居中的应用分析. 现代传输. 2019(02): 77-79 . 百度学术
    33. 贾斐,王雪梅,汪卫国. 5G通信技术在远程医疗中的应用. 信息通信技术与政策. 2019(06): 92-95 . 百度学术
    34. 杨林瑶,韩双双,王晓,李玉珂,王飞跃. 网络系统实验平台:发展现状及展望. 自动化学报. 2019(09): 1637-1654 . 本站查看
    35. 侯家琛,董西松,熊刚,张俊,谭珂. 平行核电:迈向智慧核电的智能技术. 智能科学与技术学报. 2019(02): 192-201 . 百度学术
    36. 杨林瑶,陈思远,王晓,张俊,王成红. 数字孪生与平行系统:发展现状、对比及展望. 自动化学报. 2019(11): 2001-2031 . 本站查看
    37. 马文学. 一体化指挥调度现状和发展趋势. 数字通信世界. 2018(07): 28-30 . 百度学术
    38. 姚飞,王晓. 王飞跃团队深度剖析:马化腾要建立的“智联网”, 有什么来头?. 自动化博览. 2018(06): 58-61 . 百度学术
    39. 王飞跃,张军,张俊,王晓. 工业智联网:基本概念、关键技术与核心应用. 自动化学报. 2018(09): 1606-1617 . 本站查看
    40. 袁照威,刘天保,卢清松,刘宁,牟伟腾. 燃煤电厂废水处理智慧平台探讨. 煤炭加工与综合利用. 2018(08): 32-36+48 . 百度学术
    41. 李立军,王晓,商秀芹. 平行制造及其在纺织鞋服产业中的应用. 科技导报. 2018(21): 48-55 . 百度学术
    42. 王飞跃,高彦臣,商秀芹,张俊. 平行制造与工业5.0:从虚拟制造到智能制造. 科技导报. 2018(21): 10-22 . 百度学术
    43. 张俊,王飞跃. 知识可编程智能芯片系统:概念、架构与展望. 模式识别与人工智能. 2018(10): 869-876 . 百度学术
    44. 曹幸梅,金富涵. 智慧城市视角下的行政单位国有资产管理模式探讨. 长江丛刊. 2018(32): 116+118 . 百度学术
    45. 陈雯柏,崔晓丽,郝翠,王文凯. 一种物联网系统层次型抗毁性拓扑构建方法. 北京邮电大学学报. 2018(05): 103-109+114 . 百度学术
    46. 王飞跃,孙奇,江国进,谭珂,张俊,侯家琛,熊刚,朱凤华,韩双双,董西松,王嫘. 核能5.0:智能时代的核电工业新形态与体系架构. 自动化学报. 2018(05): 922-934 . 本站查看

    其他类型引用(13)

  • 加载中
  • 图(4)
    计量
    • 文章访问数:  4780
    • HTML全文浏览量:  588
    • PDF下载量:  1839
    • 被引次数: 59
    出版历程
    • 收稿日期:  2017-10-10
    • 录用日期:  2017-12-01
    • 刊出日期:  2017-12-20

    目录

    /

    返回文章
    返回