基于蠕虫神经网络的无人机感知控制一体化方法.pdf

基于蠕虫神经网络的无人机感知控制一体化方法

摘要

无人机作为一种高效的空中平台，在军事、监测、物流、灾难响应等多个领域扮演

着越来越关键的角色。随着应用需求的多样化，无人机的自主飞行能力尤为重要。其中，

感知环境和实时控制是实现高度自主化飞行的两大挑战。传统的控制系统依赖于复杂的

编程和算法。基于深度神经网络的方法通常包含数万或数十万个神经元，难以适应动态

变化的环境，并且存在可解释性差、网络规模庞大复杂、计算成本高昂等问题。生物蠕

虫因其具有简单的神经系统而成为理想的研究对象，虽然其结构简单，规模很小，但足

以产生复杂的行为模式，为研究新型人工神经网络提供了新思路。针对上述问题，本文

开展基于蠕虫神经系统启发的人工蠕虫神经网络模型研究，研究用于无人机的感知控制

一体化方法，提升无人机自主飞行及自适应性能。

本文主要研究内容如下：

NCP

首先，研究了一种蠕虫神经网络启发的新型神经回路策略连接模型（）。由于

描述蠕虫神经网络神经动力学的液体神经网络模型（LTC）实际上是一种采用常微分方

程描述的连续时间循环神经网络（CTRNN），因此，本文研究了融合常微分方程求解

BPTT

方法，设计了融合常微分方程求解器算法，以及时间反向传播网络训练算法（），

证明了LTC模型的稳定性。基于该模型，建立了由感知、中间、命令和运动神经元四

个层次构成的新型NCP网络，为构建无人机感知控制一体方法奠定模型基础。

CFCNNLTC

其次，研究了一种闭合式连续神经网络模型（）。该模型是在上述模

型基础上，设计LTC模型的近似解算法，获得近似LTC网络闭式解，并基于LTC近似

解模型设计了CFCNN模型，提高了模型处理时序数据的训练和计算效率。

最后，通过仿真实验，证明了该模型在无人机感知控制方面的优越性能。模型与时

域卷积网络（TCN）和长短时记忆网络（LSTM）相比，CFCNN神经元数量减少了87%，

训练时间减少了32.2%。所提出的模型具有较强的鲁棒性和抗干扰性，体现采用蠕虫神

经网络对提升无人机操作精确性和稳定性的潜力。

本研究为无人机的感知与控制系统提供了一种新的思路和方法，具有一定的理论与

实际应用价值，为研究无人机等无人系统新型自主智能方法提供了新的理论支持和新的

实践方向。

关键词：生物蠕虫神经网络，无人机控制，神经回路策略，液体神经网络模型

基于蠕虫神经网络的无人机感知控制一体化方法

ABSTRACT

UAVs,asanefficientaerialplatform,areplayinganincreasinglycriticalroleinfields

suchasmilitary,monitoring,logistics,anddisasterresponse.Asthediversityofapplication

demandsgrows,theautonomousflyingcapabilityofdronesbecomesparticularlyimportant.

Sensingtheenvironmentandreal-timecontrolaretwomajorchallengesinachievinghighly

autonomousflight.Traditionalcontrolsystemsrelyoncomplexprogrammingandalgorithms.

Methodsbasedondee