هدايت برخط هواپيماي بي سرنشين جهت اجتناب از تهديدهاي شبكه اي

Online UAV guidance for netted-threat avoidance

وجود تهديدها در منطقه عملياتي، مي ­تواند با به خطر انداختن ايمني پرنده، موفقيت مأموريت را با چالش روبرو سازد. در اين تحقيق، با هدف بسط الگوريتمي برخط و كارآمد جهت اجتناب از تهديدهاي شبكه ­اي، روشي نوين در قالب حلقه دروني- حلقه بروني پيشنهاد شده كه به­ طور مستقيم، ديناميك هواپيما را در استراتژي هدايت وارد مي­سازد. بر خلاف عموم روش­ هاي موجود، در اين الگوريتم مسير مستقيما توليد نمي­شود؛ بلكه در حلقه بروني، فرامين هدايتي مقتضي در حين پرواز و بر اساس شرايط لحظه­ اي توليد و براي اجرا به ديناميك پرنده اعمال مي­شود. در حلقه دروني، يك مدل سه درجه آزادي جرم نقطه­ اي بسط يافته است كه تأخيرهاي موجود در ديناميك پرنده را لحاظ مي­ سازد. مسير پرواز، به تدريج و در پي اعمال اين فرامين به ديناميك پرنده، شكل مي­گيرد. مسأله هدايتي، در قالب رهيافت فازي مبتني بر رفتار تدوين شده است. دو رفتار مستقل شامل رفتار هدايت به سمت هدف و رفتار اجتناب از تهديدها تعريف شده است كه فرامين صادره از آنها، با وزن­ هاي پويا تجميع مي­شوند. نتايج حاصل از شبيه ­سازي، حاكي از كارآيي بسيار خوب روش پيشنهادي است.

Presence of threats in the UAV’s operational environment may challenge the mission success by putting in danger the vehicle’s safety. Aimed at developing an efficient online guidance algorithm to avoid netted threats, this research proposes a novel method which incorporates the flying vehicle dynamics directly into the guidance strategy. Unlike almost all existing works, the proposed algorithm does not generate the flight path directly, instead determines appropriate guidance commands (GCs) for control system at every point along the way. The GCs are generated in accordance with the current conditions. A suitable 3DOF point mass UAV dynamic model is developed which takes the lags in the vehicle dynamics into account. The flight path forms gradually as a result of applying the GCs to the vehicle dynamics. The UAV guidance problem is considered within a fuzzy behavior-based framework. Two independent behaviors are introduced, namely, go-to-target and threat avoidance. The issued commands of these behaviors are integrated with adjustable weighting factors. Simulation results demonstrate that proposed approach is efficient and works very well.