DPS-DQN协同控制策略

决策速度升57%

通过改进的双周期深度Q网络，实现固定翼无人机集群在目标分配与姿态控制上的一体化决策，提升在复杂动态环境中的自主调整能力。

Xue, Yuyang · Yu, Qidong · 汪涛 · Yanru, Huang · Bingsan, Yang · Hongrun, Wang

Aerospace Science and Technology 2026

参数信息

收敛速度提升率

57.1 %

任务效能提升倍数

2

任务效能提升率

65.42 %

标准偏差下降倍数

5

技术优势

决策与飞控一体化

通过改进的双周期策略深度Q网络，将多成员目标分配与姿态控制统一为一个学习任务，避免了传统分步求解带来的协调误差。

收敛速度显著加快

DPS-DQN算法收敛速度比传统DQN提高57.1%，在相同训练预算下能更快达到可用性能。

任务效能翻倍

在相同仿真场景下，DPS-DQN的任务效能约为DQN的两倍，且相比PSO提高65.42%，检测有效性显著增强。

结果波动大幅降低

DPS-DQN的标准差相比DQN下降约五倍，表明算法在不同运行中的性能更加稳定，便于实际部署。

应用场景

• 低成本无人机集群：让低成本固定翼机群无需人工干预就能完成区域检测任务，替代高成本旋翼机方案。
• 自主决策系统：提供面向动态复杂环境的一体化决策算法，减少对人工指挥的依赖，提高响应速度。
• 集群智能：实现多成员目标分配与姿态控制的涌现式协同，增强整个机群的任务鲁棒性。