摘要：数字界面是人机交互的主要平台,科学合理的界面设计能够促进高效和谐的人机交互,开展数字界面人机交互效能评价能够有效节省时间资源和开发成本,为界面的设计定型奠定坚实基础。利用眼动追踪技术对该效能进行评价能够客观反映用户的视觉心理及认知思维过程。结合该技术在人机界面交互中的评价机理,归纳梳理了目前的研究现状,并指出其未来的应用和发展趋势将围绕算法优化、模型计算、多元融合和无感交互等方面展开。

摘要：针对海上反潜搜索问题,提出一种将无人艇作为无人机的通信中继的跨域无人集群协同搜索方法,采用数字网格地图表征任务区域,构建了跨域平台的运动学模型;提出了跨域无人系统的协作方法,设计了无人系统之间的分布式信息融合机制;设计了异构平台的搜索目标函数,引导无人系统在搜索任务中实时决策。仿真结果表明:所提方法能够有效适用于文中反潜搜索任务想定,跨域平台之间能够通过优势互补提高搜索效能。

摘要：针对群系统通信网络带宽受限问题,提出一种动态自触发通信下有向高阶非线性多智能体输出反馈包容控制方法。首先,针对群系统通信网络带宽受限问题,提出一种新型动态自触发通信机制。与传统事件触发通信机制相比,所提出的动态自触发通信机制具有更大的触发阈值,且无需连续监测系统状态信息,进一步节省系统通信资源和传感器资源。其次,为所有智能个体设计输出反馈控制协议,驱使所有跟随者收敛到由多个领导者围成的动态凸包中,从而实现网络的多领导者包容控制。最后,以高超声速飞行器群系统为例,验证了控制方法的有效性和理论分析的正确性。

摘要：无人集群博弈对抗是一种新兴的作战样式,在智能化战争扮演着至关重要的作用,其核心是自主生成博弈对抗决策序列,为集群“赋能”。分析了无人集群博弈对抗系统仿真验证的进展;从基于专家系统和博弈论的技术、基于群体智能和优化理论的技术,以及基于神经网络和强化学习的技术三个方面论述了自主决策关键技术,以及课题组在自主决策上开展的相关工作;提出了无人集群博弈对抗的发展方向。

摘要：指挥控制系统是信息化作战体系的核心支撑,其操作使用的便捷性、准确性等人机交互效能直接影响着作战指挥控制效率。为持续优化指挥控制系统人机交互效能,需要建立科学合理的评估方法。本文引入眼动追踪技术,使用瞳孔直径、眼跳次数、注视点数量等眼动数据,构建指挥控制系统人机交互搜索效率、操作效率、认知负荷、设计复杂性和吸引性等指标的量化评估模型,利用熵权-变异系数法对各眼动数据组合赋权,形成指挥控制系统人机交互效能的综合评估结果。基于该方法对指挥控制系统和指挥信息系统进行对比实验,并利用SUS系统可用性量表和NASA-TLX认知负荷量表的调查结果进行对照分析,结果验证了评估方法的有效性和准确性。

摘要：飞机离场优化排序对于缓解跑道拥挤现象、提升作战体系出动效率具有重要意义。针对军航双跑道离场优化排序问题,首先建立了基于飞机在预定空域形成“任务包”时间最小为目标函数的优化排序模型,然后设计了一种基于精英反向学习策略和黏菌觅食行为的改进海洋捕食者算法进行求解,最后通过一个仿真实验,与其他算法的优化结果进行对比,改进的海洋捕食者算法使得“任务包”形成时间明显缩短,有效提升了作战飞机的出动效率,可以应用于解决飞机离场优化排序问题。

摘要：考虑了高超声速飞行器输入饱和、气动参数不确定性以及跟踪误差收敛速率慢等问题,设计了一种抗输入饱和非奇异固定时间自适应切换控制策略。首先将高超声速飞行器纵向动力学模型分解为速度子系统和高度子系统,然后分别设计非奇异固定时间跟踪控制器。为解决传统固定时间控制器中存在的奇异值问题,设计了一种新的可微切换函数,该函数以跟踪误差为判定量对控制律进行切换,保证了虚拟控制律的可微性以及反步设计的可行性。针对高超声速飞行器的输入饱和问题,设计了一种固定时间辅助误差补偿系统,将补偿信号的误差收敛速度由指数收敛提高到固定时间收敛。而后,利用Lyapunov定理证明了速度跟踪误差和高度跟踪误差以及逼近器的估计误差在固定时间内收敛至原点的任意小邻域内。最后,通过仿真验证了所提控制器的有效性及优越性。

摘要：多无人机协同任务实飞验证难度大、成本高,为此设计一套基于机器人操作系统和开源飞控的多无人机任务仿真系统。该系统将在三维场景下对协同规划任务进行的仿真测试,测试成功后只需简单设置即可进行实飞验证。系统主要包含协同规划、地面站、机载逻辑任务、执行、场景显示及飞行参数设置/数据显示等模块。结果表明,基于该系统的仿真验证结果与实飞结果具有较高的吻合性,既适用于相关专业的教学过程,也可为多种复杂任务实现提供支撑。

摘要：针对无人机空战对抗自主机动决策问题,设计了侧向机动决策算法。通过加入启发式因子的方式和双Q表交替学习的机制,弥补了传统Q-Learning算法学习速度慢、无效学习多的不足。通过路径规划仿真和数据的对比,验证了改进Q-Learning算法具有更好的稳定性和求解能力。设计了动态的栅格规划环境,能够使无人机根据变化的空战态势自适应调整栅格尺寸大小,且对求解的速率不产生影响。基于Q-Learning算法,构建了无人机空战对抗侧向机动决策模型,并通过武器平台调换的方式验证了改进Q-Learning算法能显著提升无人机空战胜负比。

摘要：针对当前机场或重要目标上空无人机飞行屡禁不止的现象,设计了能够更好应对小型无人机转弯机动灵活特性的目标跟踪算法。传统AGIMM算法虽然实现了目标转弯率跟踪的自适应,但在扰动作用下收敛不够迅速、精度不高的缺陷也较为突出。对此,提出了MDS-AGIMM算法以提升目标跟踪的鲁棒性。改进算法通过引入机动检测机制提升目标的收敛速度。通过隔点抽取历史点迹并计算离散点转弯率的方式可提升算法的鲁棒性。为避免不良离散点曲率对正确转弯率的影响,引入排序机制及时剔除置信度不佳的模型。仿真试验对两种小型无人机作业的典型路径进行目标跟踪仿真,试验结果表明改进的算法具有更好的鲁棒性,更接近真实转弯率的变化。