删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于人机合作的无人机实时航迹规划*

本站小编 Free考研考试/2021-12-25

无人机 (UAV) 航迹规划是一个综合性的优化问题,考虑因素多,涉及面广。在以往的一些文献中,对于无人机航迹规划,主要基于自主规划展开研究[1-4],通常考虑将无人机视为高度智能的人工智能体,在面对突发威胁时,无人机自主进行决策,规划逃避威胁的路径。航迹规划是一个NP-hard问题[5],将需要巨大的计算量和占据大量的内存,耗时并且效率不高,当规划空间复杂时,采用自主航迹规划有可能失效,因为机器只能按照指定的程序规划,无法完全实现根据环境变化而动态调整。因而,考虑引入人的智慧,通过人与无人机合作,实现人在回路的航迹规划。人具有强大的思维能力和指挥决策能力,人可以通过自己的认知能力和直观的判断更加快速地做出正确的判断,可以适时根据环境的变化做出调整。
目前,国内外****对人和人工智能机器如何进行合作,更好地完成任务进行了深入的研究,并发表了大量的研究成果[6-12]。陈军等[11]研究了人对无人机的干预方式,采用分层干预策略,满足不同层次的决策需求。Cummings[12]和史美萍[13]等对人机协同路径规划也展开了研究,人在规划中所充当的角色是通过直观判断增加或删除航路点实现对路径的修正。任鹏和高晓光[14-15]利用人的智慧和综合判断能力,选出最优航迹,在遇到突发威胁时,由人设置重规划的起始点和终止点。谭雁英[16]提出通过人机交互界面在理想位置设定子目标点,引导无人机重规划航迹从而规避突发威胁。Sun和Cai [17]提出由人对突发威胁的危险性进行评估,采用云模型解算得到引导点,从而启发A*算法寻优得到规避路径。这些研究的侧重点主要集中于人机交互的机制或控制权限的决策分配上,或者在航迹规划中,通过人手动地在操作界面上删除或增加航路点以改变航迹。但对于人如何真正地参与到航迹规划之中,实现人在回路动态调整航迹,既充分发挥人的决策和判断能力,又充分利用计算机的高效快速计算性能,还处于探索阶段,需要进一步的研究。
1 问题描述 如图 1所示,当无人机按预先规划的静态航迹飞行到某处时,探测到突发威胁,如果按照无人机自主航迹规划方法,将根据设定的目标函数机械地规划得到最优航迹,如航迹2所示。虽然从规划的结果来看,航迹2可以成功规避突发威胁,航程最短,并且不会进入其他威胁的区域,但是航迹2经过的区域属于威胁密集区域,危险系数增大,如果在飞行途中再次遭遇其他突发威胁,无人机若想重规划一条经过无威胁区域的航迹将非常困难。由于人可以从全局了解掌握威胁环境,设想由人对当前威胁态势做出判断,向无人机发送指令“向左转弯”,无人机将根据人的指令,重新规划航迹,在任务完成时间和燃油消耗允许的范围之内,规划得到航迹1。
图 1 自主航迹规划与人机合作航迹规划方向选择示意图 Fig. 1 Schematic diagram of direction selection between autonomous path planning and human-machine cooperative path planning
图选项




本文所采用的思路是由人和无人机合作进行航迹规划,将人的经验知识和智能决策融入到航迹规划中,利用人的认知能力,对威胁态势做出判断,给出规避突发威胁的方向,并对当前任务的紧急程度进行判断,无人机将根据人推理决策得到的信息,采用模糊控制的方法自主解算得到引导点,引导航迹进行修正,实现对突发威胁的规避。人只需提供决策信息,具体实施仍由计算机来做,避免了人直接添加删除航路点或直接设置实时规划的起始点和终止点时的随意性,受人工作状态和主观判断影响较大,在人疲劳状态,容易引起误操作。
2 航迹规划建模 2.1 规划空间 本文主要围绕在飞行过程中,无人机探测到突发威胁,针对如何实时规划航迹,实现对突发威胁的规避展开研究。假定飞机在遇到突发威胁之前已到达预定高度,处于巡航阶段,航迹规划暂且只考虑二维水平面规划。威胁模型采用等效圆来表示:
(1)

式中:(x, y) 为无人机当前位置;(xj, yj) 为第j个威胁的中心坐标;rj为威胁作用半径。
2.2 无人机自身约束条件 无人机自身约束条件主要考虑最大转弯角、最小步长、最大航程和最小转弯半径等因素。
2.3 代价函数 代价函数定义为
(2)

式中:w1w2为权重系数;J1, i为第i个航迹节点到目标点 (xg, yg) 的距离代价,定义如下:
(3)

J2, i为第i个航迹节点的威胁代价,定义如下:
(4)

其中:λi为调节系数;M为威胁的总个数。
假设整条航迹共由N段航迹组成,则共有N+1航迹节点。严格意义上说,整条航迹的威胁代价应为N段航迹威胁强度的积分累加和,为简化方便,当步长取较小值时,用N+1个航迹点的威胁代价累加求平均值作为整条航迹的威胁代价:
(5)

2.4 航迹节点扩展 航迹节点的扩展方式采用如下方法:
(6)

(7)

(8)

式中:(xi+1, yi+1) 表示下一航迹节点;l为扩展步长;V0为巡航速度;Δt为无人机探测信息更新的时间间隔。通过每次找到最佳航向角ψi+1best,从而确定下一个航迹节点。而最佳航向角ψi+1best的确定采用下述方法:以当前位置P (xi, yi) 为圆心,步长l为半径做圆,根据最大转弯角φmax的限制,得到如图 2所示的扇形区域,当前速度方向如Vi所示,然后在圆弧上等距取N个点,分别计算这N个点的代价,代价最小的点的方位角即为最佳航向角ψi+1best
图 2 航迹节点扩展示意图 Fig. 2 Schematic diagram of path nodes extension
图选项




2.5 引导点设置 如图 3所示,当无人机在A点探测到突发威胁O,操作员根据当前遇到的威胁状况和整个战场环境对威胁态势做出判断,然后向无人机发送规避方向的指令,向左或向右转弯。通过设置引导点,牵引无人机改变航向,规避突发威胁。引导点位置的确定,对于无人机规避突发威胁非常重要。无人机在执行任务时,如果任务紧急,通常要求无人机能尽快到达目标点。若引导点距离威胁源较近时,虽然航程减小,完成任务时间缩短,但受威胁的概率增加;若引导点距离威胁源较远时,虽然受威胁的概率减小,但航程增大,完成任务时间延长。所以,需要在安全性和航程之间做出平衡,合理确定引导点与威胁之间的距离,使无人机既能安全地规避突发威胁又能使航程代价较小。
图 3 引导点与突发威胁之间的几何关系 Fig. 3 Geometric relationship between guide point and unexpected threat
图选项




引导点需要与突发威胁保持一定的距离,保证无人机沿规划航迹飞行的安全。如图 3所示,连接遭遇突发威胁点A和目标点G,由威胁源中心点向AG引垂线,BCDE与威胁区域相切,确定引导点即在垂线上与BCDE相距为d的位置,如图 3中左引导点Pl或右引导点Pr所示,下面将主要对距离d的确定进行阐述。
3 模糊推理 在之前的一些研究人机合作航迹规划的文献中,对于无人机遭遇突发威胁的规避,提出的方法是人在人机交互的界面上通过鼠标点击,鼠标点击的位置即为引导点的位置。这种方法具有很大的随意性,受人的工作状态影响较大,容易导致误操作。基于此,本文采用了一种模糊推理的方法,将人的经验知识和认知判断能力融入到推理模型中,把无法用精准数学模型描述的人的经验知识用模糊集合表达,通过计算机解算得到引导点相距威胁边界距离d。既能充分利用人的高度智能,又可以有效地克服人的误操作和随意性。
由于机器无法识别任务的重要性,不能对任务的紧急程度进行判断,因而借助人,给出任务紧急程度的描述。而人们在描述任务时,通常会采用非常紧急、紧急、不紧急等模糊性语言描述,无法用精确的数值进行量化,而模糊推理正是将这类不精确的、模糊的语言描述,通过一定的规则,与精确的数值表达建立联系。通过借助模糊数学,为每一个描述性元素建立其对应的模糊集合。这个模糊集合采用隶属函数刻画。
3.1 隶属函数 每个元素对应的模糊集合是通过隶属函数来表征的。无人机被雷达探测的概率将影响无人机的安全性。当无人机在执行任务时,任务越紧急,则要求无人机越快到达指定目标点。此时,在无人机速度一定的情况下,规划航迹的总航程应越短,所以操作员对任务的紧急程度的判断将影响航程。另外还需要考虑无人机自身约束,所以,确定模糊推理的输入量为无人机被雷达探测的概率、任务的紧急程度、与威胁边界的夹角,输出量为引导点与威胁之间距离d。确定它们的隶属函数如下:
1) 无人机被雷达探测概率p:对于每种类型的雷达,其工作效率和对目标的探测概率是不一样的,因而对无人机具有不同的杀伤效果。通过传感器网络,可以对敌方不同的雷达参数信息进行搜集统计,从地面控制站获取相关信息。所以,对于雷达探测概率,可以根据经验知识,采用Gauss函数和Sigmoid函数相结合,建立其隶属函数如图 4(a)所示。将无人机被雷达探测的概率p设为[0, 1]之间,定义模糊子集为很大 (VB)、一般 (MB)、较小 (S)。
图 4 输入输出隶属函数 Fig. 4 Membership function of input and output
图选项




2) 任务紧急程度η:由于无人机在执行任务时,通常都有时间硬性要求,要在规定的时间内到达指定目的地,所以在此,将任务的紧急程度η分为[0, 10]个等级,定义模糊子集为非常紧急 (VI)、紧急 (MI)、不紧急 (I),建立隶属函数如图 4(b)所示。
3) 无人机与突发威胁之间的角度θ:无人机遭遇突发威胁时,其与威胁边界之间角度关系如图 5所示。
图 5 无人机与威胁边界之间角度关系 Fig. 5 Angle relationship between UAV and unexpected threat's border
图选项




如果与威胁边界之间的角度较大,应设置引导点距离威胁较近,以此减小航迹转弯角,避免超过无人机最大转弯角的限制;如果与威胁边界之间的角度较小,应设置引导点距离威胁较远,以此在保证满足最大转弯角限制条件下,降低危险性。由图 5可知无人机与威胁边界的角度最大为90°,所以将无人机与威胁之间的角度θ设定为[0, 1.6]rad之间,定义模糊子集为很大 (VH)、一般 (MH)、较小 (L),建立隶属函数如图 4(c)所示。
4) 引导点与威胁之间距离 (输出量)d:模糊推理的输出为引导点与威胁边界的距离d,设定d为[0, 5] km之间,定义模糊子集为远 (F)、中 (M)、近 (C),建立隶属函数如图 4(d)所示。
3.2 模糊规则 模糊规则采用如下语句进行描述:
If p is Ai and η is Bi and θ is Ci, then d is Di
其中:AiBiCiDi分别为pηθd所对应的在相应论域上的模糊子集。根据不同的输入状态,可以得到27条规则,每条规则对应一种输出状态,其具体对应规则如表 1所示,以第1条规则为例,有
If p is S and η is I and θ is L, then d is M
表 1 模糊规则 Table 1 Fuzzy rules
规则序号 输入 输出
p η θ d
1 S I L C
2 S I MH C
3 S I VH C
25 VB VI L M
26 VB VI MH C
27 VB VI VH C


表选项






模糊推理系统包含2种类型:一种输出量是关于输入量的函数,称之为Sugeno型;另一种是输出量是某一模糊集合,称之为Mamdnai型。因为输出量d的模糊集合已知,所以采用Mamdnai型,模糊关系的运算采用最大-最小合成[18],则有
(9)

(10)

式中:U为模糊输出的集合; “∧”为取小运算符; “°”为合成运算符; Ri为与第i条规则相对应的模糊蕴涵关系。
结合表 1信息,可以得到输出量d的模糊集合。在实际应用中,需要用d的精确值,所以,需对d进行清晰化处理。
3.3 清晰化 采用加权平均法对模糊输出量进行清晰化处理。假设在模糊输出集合U上某处元素为dii=1, 2, 3,与其相对应的隶属度为μU (di),则
(11)

得到最终输出量精确值d
3.4 规划流程 航迹规划的流程如图 6所示。
图 6 无人机航迹规划流程 Fig. 6 UAV path planning procedure
图选项




4 仿真实验 仿真实验在处理器为Intel (R) Core (TM)2 E7400,内存为2 GB的PC机上进行,操作系统为Windows XP,采用MATLAB编程进行仿真。规划区域为70 km×70 km的矩形区域,无人机初始位置位于 (5, 5) km处,目标点位于 (60, 60) km处。w1=1×10-3w2=5,l=0.4 km。无人机的雷达探测半径为6 km,最大转弯角φmax为60°,从初始位置出发,为无人机规划一条到目标点的最优路径。目前已探明的威胁信息如表 2所示。
表 2 威胁具体信息 Table 2 Specific information of threats
威胁序号 中心坐标/km 作用半径/km
1 (10,25) 6
2 (16,32) 7
3 (36,22) 9
4 (40,42) 6
5 (47,40) 6
6 (47,46) 7
7 (50,10) 7


表选项






4.1 突发威胁规避仿真 根据已掌握的环境信息,采用自主航迹规划得到静态参考航迹如图 7所示。由图 7可知,针对已掌握的航迹信息,在未出现突发威胁的情况下,可以得到一条较优静态规划参考航迹,该航迹可以有效避开已知威胁,并且航程较短。
图 7 无人机自主航迹规划参考航迹 Fig. 7 UAV autonomous path planning reference path
图选项




当无人机沿预先规划的静态参考航迹飞行时,在某时刻,探测到一处突发威胁 (敌方雷达),经分析判断该威胁对无人机的探测概率为0.8,突发威胁的中心位于 (20, 20) km,作用半径为5 km,此时无人机位置坐标为 (13.7, 13.7) km,经计算得到此时无人机与突发威胁右边界的角度约为0.6 rad。按照文献[19]的方法和本文的方法,分别进行自主实时航迹规划和人机合作实时航迹规划。人机合作规划时,首先由人对威胁态势进行分析。若选择从左侧进行规避,将进入威胁密集区域,同时受到威胁1、威胁2和突发威胁影响,所以,此时,人对威胁环境进行判断后,选择向右进行规避,将向无人机发送向右规避的指令。通过仿真,2种方法规划航迹如图 8所示。
图 8 自主航迹规划与人机合作航迹规划 Fig. 8 UAV autonomous path planning and human-machine cooperative path planning
图选项




对航迹规划结果的评价指标进行统计,为排除随机误差的影响,试验100次,取平均值作为最终的统计结果,得到不同规划方式时航迹结果如表 3所示。
表 3 自主航迹规划与人机合作航迹规划引导点位置 Table 3 Position of guide point with autonomous path planning and human-machine cooperative path planning
规划方式 d/km 节点数 时间/s 总航程/km 威胁代价 引导点位置/km
自主航迹规划 1.000 208 0.953 85.996 0.443 (20.300, 14.000)
人机合作航迹规划 1.403 208 1.137 86.724 0.364 (24.742, 15.697)


表选项






图 8表 3可知,无人机自主实时规划得到的航迹将更加靠近突发威胁,威胁概率增加,飞行的安全性降低。人机合作航迹规划时,可以根据任务需要设置紧急程度调整引导点的位置,提高了安全性,却是以牺牲时间为代价的。而自主航迹规划时只能根据固定的规则进行规划,无法实现对子目标点的动态调整,但是,无人机自主航迹规划时间更短,时效性更好。由于此处对时间的统计没有统计人的操作反应时间和发送指令时间,如果考虑这两者的时间因素,无人机自主航迹规划将比人机合作航迹规划在时间上的优势将更大。
综合看来,这2种方法各有利弊,面对简单规划环境,时间要求特别紧迫,敌方雷达等威胁较小时,适宜采用无人机自主航迹规划的方法,而在面对复杂规划环境,敌方雷达等威胁较大时,适宜采用人机合作航迹规划的方法。
4.2 不同规避方向航迹仿真 为说明人对规避方向选择的重要性,对采取不同规避方向下,无人机航迹规划进行了仿真,仿真结果如图 9所示。
图 9 选择不同规避方向时的实时航迹规划 Fig. 9 Real-time path planning when different evasion directions are chosen
图选项




从仿真结果来看,对于突发威胁,选择右侧引导进行规避明显优于从左侧进行规避。从左侧进行规避将进入多威胁交叉作用区域,危险性明显增加。当面对突发威胁,采用无人机自主航迹规划时,由于从左、右两侧进行规避时,航向偏角相等,并且从左侧规避时,航程更短,由于无人机无法对后续将飞越区域的威胁态势进行判断,当无人机默认优先考虑航程因素进行规划时,将选择从左侧进行规避。而在加入了人这一环节时,人可以对整体环境的威胁态势进行判断,意识到从左侧规避威胁时,将进入威胁交叉区域,危险性显著提高,果断发送“向右”规避指令,无人机自主解算得到引导点,成功实现对突发威胁的规避。
为进一步说明,不同规避方向的选择对航迹规划结果的影响,选取评价航迹优劣的部分指标,进行了对比研究。对于时间的统计,只统计了计算机接到规划指令后开始到规划结束的时间,暂未考虑人的反应时间和发送指令时间。共试验100次,对结果进行统计,取平均值作为最终统计结果如表 4所示。
表 4 不同规避方向航迹规划结果对比 Table 4 Comparison of path planning results with different evasion directions
规避方向 d/km 节点数 时间/s 总航程/km 威胁代价 引导点位置/km
左侧引导 1.403 185 1.121 82.404 0.595 (15.258, 24.304)
右侧引导 1.403 208 1.137 86.724 0.364 (24.742, 15.697)


表选项






从数据统计的结果可以看出,从左侧引导进行规避,虽然总航程较短,节点数更少,但规划时间相差小,并且威胁概率显著增加,从安全角度出发,是不利于无人机飞行的。在航程和规划时间优势并不明显的情况下,应该优先确保无人机飞行的安全,可见从右侧进行规避优于从左侧进行规避。说明,规避方向的选择将直接影响航迹规划的效果,人在这一环节扮演了重要的角色,可见,实现人机合作航迹规划,利用人的高度智能和决策判断能力,有利于得到更符合实际战场环境的航迹,有利于提高无人机飞行的安全性。
4.3 不同任务紧急程度航迹仿真 为研究人对任务紧急程度的判断对航迹规划的影响,分别取不同的任务紧急程度η=2,5,8进行航迹规划仿真,结果如图 10(a)所示,将引导点位置局部放大如图 10(b)所示。
图 10 不同任务紧急程度时引导点的位置 Fig. 10 Guide point position with different task emergency levels
图选项




对航迹规划结果的评价指标进行统计,试验100次,取平均值作为最终的统计结果,结果如表 5所示。
表 5 不同任务紧急程度航迹规划结果对比 Table 5 Comparison of path planning results with different task emergency levels
任务紧急程度 d/km 节点数 时间/s 总航程/km 威胁代价 引导点位置/km
η=2 3.595 215 1.144 89.447 0.307 (26.365, 14.224)
η=5 2.833 212 1.141 88.390 0.328 (25.800, 14.736)
η=8 1.403 208 1.137 86.724 0.364 (24.742,15.697)


表选项






图 10表 5中可知,人对任务紧急程度的判断将直接影响引导点与突发威胁边界距离d。当任务紧急程度越高时,引导点距离威胁越近,无人机将选择从靠近威胁边界处绕过突发威胁,总航程减短,保证无人机尽快到达指定目标点。当任务紧急程度较低时,引导点距离威胁较远,无人机将选择从远离威胁边界处绕过突发威胁,以此降低危险性,充分保证安全。通过由人根据作战需求,对任务紧急程度作出判断,给出不同的任务等级,可以动态调整航迹。可以根据作战任务的实际情况,确定在规划时是航程优先还是安全性优先。

参考文献
[1] 朱大奇, 孙兵, 李利. 基于生物启发模型的AUV三维自主路径规划与安全避障算法[J].控制与决策, 2015, 30(5): 798–806.
ZHU D Q, SUN B, LI L. Algorithm for AUV's 3-D path planning and safe obstacle avoidance based on biological inspired model[J].Control and Decision, 2015, 30(5): 798–806.(in Chinese)
[2] WEN N F, SU X H, MA P J. Online UAV path planning in uncertain and hostile environments[J].Journal of Machine Learn & Cybernation, 2015, 8(2): 1–19.
[3] 何平川, 戴树岭. 一种改进UAV三维航迹实时规划算法[J].北京航空航天大学学报, 2010, 36(10): 1248–1251.
HE P C, DAI S L. Improved 3-D real-time trajectory algorithm for UAV[J].Journal of Beijing University of Aeronautics and Astronautics, 2010, 36(10): 1248–1251.(in Chinese)
[4] 姚远, 周兴社, 张凯龙, 等. 基于稀疏A*搜索和改进人工势场的无人机动态航迹规划[J].控制理论与应用, 2010, 27(7): 953–959.
YAO Y, ZHOU X S, ZHANG K L, et al. Dynamic trajectory planning for unmanned aerial vehicle based on sparse A* search and improved artificial potential field[J].Control Theory & Applications, 2010, 27(7): 953–959.(in Chinese)
[5] ZHENG C W, LI L, XU F J, et al. Evolutionary route planner for unmanned air vehicles[J].IEEE Transaction on Robotics, 2005, 21(4): 609–620.DOI:10.1109/TRO.2005.844684
[6] HOWITT S L, RICHARDS D.The human machine interface for airborne control of UAVs[C]//2nd AIAA"Unmanned Unlimited"Conference and Workshop and Exhibit 2003.Reston:AIAA, 2003.
[7] JOSE M, CANINO R, JESUS G H, et al. Human computer interactions in next-generation of aircraft smart navigation management systems:Task analysis and architecture under an agent-oriented methodological approach[J].Sensors, 2015, 15(3): 5228–5250.DOI:10.3390/s150305228
[8] CUMMINGS M L, ANDREW C, CHRISTIN H. The role of human-automation consensus in multiple unmanned vehicle scheduling[J].Human Factors and Ergonomics Society, 2010, 52(1): 17–27.DOI:10.1177/0018720810368674
[9] JEAN M H. Towards a cognitive approach to human-machine cooperation in dynamic situations[J].Human-Computer Studies, 2001, 54(4): 509–540.DOI:10.1006/ijhc.2000.0454
[10] ANDREW S C, JASON C R, KIMBERLY F, et al.Innovative systems for human supervisory control of unmanned vehicles[C]//Proceedings of the Human Factors and Ergonomics Society 56th Annual Meeting, HFES 2012.Santa Monica, CA:Human Factors an Ergonomics Society Inc., 2012:531-535.
[11] 陈军, 张新伟, 徐嘉. 有人/无人机混合编队有限干预式协同决策[J].航空学报, 2015, 36(11): 3652–3665.
CHEN J, ZHANG X W, XU J. Human/unmanned-aerial-vehicle team collaborative decision-making with limited intervention[J].Acta Aeronautica et Astronautica Sinica, 2015, 36(11): 3652–3665.(in Chinese)
[12] CUMMINGS M L, MARQUEZ J J, ROY N. Human-automated path planning optimization and decision support[J].Human-Computer Studies, 2012, 70(2): 116–128.DOI:10.1016/j.ijhcs.2011.10.001
[13] 史美萍. 基于人机协同的月球车路径规划技术研究[D]. 长沙: 国防科学技术大学, 2006: 20-43.
SHI M P.Research on path planning technology for lunar rover based on the human-machine cooperation[D].Changsha:School of National University of Defense Technology, 2006:20-43(in Chinese).
[14] 任鹏, 高晓光. 人机协同智能航迹规划算法[J].系统仿真学报, 2015, 27(2): 313–319.
REN P, GAO X G. Man-machine coordinated intelligent flight path planning algorithm[J].Journal of System Simulation, 2015, 27(2): 313–319.(in Chinese)
[15] 任鹏, 高晓光. 有限干预下的UAV低空突防航迹规划[J].系统工程与电子技术, 2014, 36(4): 679–684.
REN P, GAO X G. Human intervention flight path planning for UAV low-altitude penetration[J].Systems Engineering and Electronics, 2014, 36(4): 679–684.(in Chinese)
[16] 谭雁英. 基于人机合作策略下的SAS算法的多无人机路径再规划[J].西北工业大学学报, 2014, 32(5): 688–692.
TAN Y Y. Path replanning approach for multiple UAVs based on SAS algorithm under human automation collaboration[J].Journal of Northwestern Polytechnical University, 2014, 32(5): 688–692.(in Chinese)
[17] SUN X X, CAI C. Human-machine cooperation in unmanned aerial vehicle path planning based on cloud model[J].Automatic Target Recognition and Image Analysis, 2011, 8003(1): 554–561.
[18] 李国勇, 杨丽娟. 神经·模糊·预测控制及其MATLAB实现[M].北京: 电子工业出版社, 2013: 100-112.
LI G Y, YANG L J. Neural·fuzzy·predictive control and realization through MATLAB[M].Beijing: Electrics Industry Press, 2013: 100-112.(in Chinese)
[19] 张帅, 李学仁, 张建业, 等. 基于动态步长的无人机三维实时航迹规划[J].北京航空航天学报, 2016, 42(12): 2745–2754.
ZHANG S, LI X R, ZHANG J Y, et al. UAV 3D real-time path planning based on dynamic step[J].Journal of Beijing University of Aeronautics and Astronautics, 2016, 42(12): 2745–2754.(in Chinese)


濠电姷鏁搁崑鐐哄垂閸洖绠伴柟缁㈠枛绾惧鏌熼崜褏甯涢柣鎾寸☉椤潡鎳滃妤婁邯閹﹢鎮╃紒妯煎帾闂佸壊鍋呯换鍕春閿濆鐓欑€规洖娲ら埢鍫⑩偓瑙勬礃缁秹骞忛崨鏉戞嵍妞ゆ挾鍠愰蹇涙⒒閸屾艾鈧嘲霉閸ヮ灛娑㈠礋椤愩倖娈惧銈嗗坊閸嬫挻銇勯锝囩疄濠碘剝鎮傞崺鈩冩媴閾忕懓骞€濠碉紕鍋戦崐鏍偋濡ゅ懏鍋¢柕鍫濇穿婵娊鏌℃径濠勬皑婵℃彃鐗撻弻锟犲礃閿濆懍澹曟繝鐢靛О閸ㄦ椽鏁冮姀鐘垫殾闁告繂瀚弳鍡涙煕閺囥劌澧繛鍫濈焸濮婃椽宕ㄦ繝鍌毿曟繛瀛樼矌閸嬨倕鐣峰ú顏勭伋闁哄倶鍎查~宥夋⒑鐟欏嫬鍔ら柣掳鍔庢禍鎼侇敃閵堝洨锛滃┑掳鍊曢崯顐﹀几閺冨牊鐓欏瀣閳诲牊顨ラ悙鏉戠伌妤犵偛娲、娆撳传閸曨亣鍩呴梻鍌氬€风粈渚€骞栭锕€纾圭憸鐗堝笚閸嬶繝寮堕崼姘珕妞ゎ偅娲熼弻銊╂偆閸屾稑顏�
2濠电姷鏁搁崑鐐哄垂閸洖绠扮紒瀣紩濞差亜惟闁冲搫顑囩粙蹇涙⒑閸︻厼鍔嬫い銊ユ瀹曠敻鍩€椤掑嫭鈷戦柛娑橈工婵箑霉濠婂懎浠辩€规洘妞介弫鎾绘偐瀹曞洤骞楅梻渚€娼х换鍫ュ磹閺嵮€妲堢憸鏃堝蓟閿濆鐒洪柛鎰典簼閸n厾绱撴担鍓插剰闁挎洦浜顐﹀磼閻愭潙娈愰梺鍐叉惈閸犳艾危閸楃偐鏀介柍钘夋娴滅偛顭胯椤ㄥ﹪寮€n剛纾藉ù锝夋涧婵倸霉濠婂棗鐓愬ǎ鍥э功閳ь剚绋掕摫濠殿垰顕槐鎺戔槈濮楀棗鍓辩紓鍌氱Т閿曘儲绌辨繝鍥舵晝闁靛牆鎷嬮弳顓㈡⒑閸撹尙鍘涢柛銊ョ埣瀹曟椽鍩€椤掍降浜滈柟杈剧稻绾埖銇勯敂鑲╃暤闁哄本绋戦埢搴ょ疀閺囩媭鍞圭紓鍌欑窔缂傛艾螞閸曨喚浜欓梻浣告啞濞诧箓宕㈣ぐ鎺戠;闁圭儤顨嗛埛鎴︽煕濠靛棗顏╅柍褜鍓欑紞濠囧箖闁垮缍囬柍鍝勫亞濞肩喎鈹戦瑙掔懓鈻斿☉銏″剹婵°倐鍋撻柍瑙勫灴閹晠骞撻幒鍡椾壕闁归棿绀侀柨銈呪攽閻樻彃鏋ゆ繛鍫滅矙閺岋綁骞囬浣叉灆闂佹悶鍊楅崰鎰崲濠靛鐒垫い鎺戝閻掓椽鏌涢幇顖涚《闁活厽顨呴埞鎴︻敊缁涘鐣堕梺缁橆殔缁绘帞鍒掗崼鐔风窞閻庯綆鍓涢鏇㈡⒑閻熼偊鍤熷┑顔炬暬瀵娊鍩¢崒婊咁啎闁荤姴娉ч崟顐紦547闂傚倸鍊风粈浣革耿闁秲鈧倹绂掔€n亞锛涢梺鐟板⒔缁垶鍩涢幒妤佺厱闁哄洦顨嗗▍鍛存煟韫囷絼閭柡宀嬬到铻栭悗锝庡亜椤忥拷4濠电姷鏁搁崑鐐哄垂閸洖绠扮紒瀣紩濞差亝鏅查柛銉㈡櫇椤︻垶姊洪悷閭﹀殶闁稿鍠栭崺銏ゅ籍閳ь剟濡甸崟顔剧杸闁规儳顕ˇ閬嶆⒑缁嬫鍎愰柟鐟版搐閻e嘲顫滈埀顒勩€侀弮鍫濆耿婵°倕鍟獮鎰版⒒閸屾瑧顦﹂柛姘儏椤灝顫滈埀顒€鐣烽鐑嗘晝闁靛繈鍨哄▓楣冩⒑闂堟侗妾у┑鈥虫喘閸┿垽寮崼鐔哄幍闂佺顫夐崝鏇㈡儍濞差亝鐓熼柣鏃堟敱鐠愶紕绱掓潏銊ョ瑲鐎垫澘瀚埀顒婄秵娴滅偞绂掗悡搴樻斀闁绘劘娉涚槐锕傛煕濡ゅ嫭鐝ǎ鍥э功閳ь剚绋掕摫濠殿垱鎸抽幃宄扳枎濞嗘垵鍩屾繛瀛樼矒缁犳牠寮诲☉銏犵疀闁稿繐鎽滈弫鏍⒑缁洘娅旂紒缁樼箞瀵鈽夊⿰鍛澑闂佹寧绻傞幊搴綖閳哄懏鈷戦柛娑橈功閹虫洜绱掓潏銊︾妤犵偛绻橀幃鈺冩嫚閼碱剦鍟嬮梻浣告啞娓氭宕归幎鍓垮洭鍩¢崨顔规嫼闁荤偞绋堥埀顒€鍘栨竟鏇㈡⒒娴e憡璐¢弸顏嗙磼閵娿劌浜圭紒顕呭幗瀵板嫰骞囬鐘插箻闂備礁鎼€氼剛鎹㈤幒鏃囧С闁圭ǹ绨烘禍婊堟煛閸ヮ煁顏堟倶閼碱兘鍋撳▓鍨珮闁稿锕ら锝囨崉鐞涒剝鐎婚梺璇″瀻閸忎勘鍊濆缁樻媴閻熼偊鍤嬬紓浣割儐閸ㄨ儻妫熷銈嗘尪閸ㄥ綊鎮為崹顐犱簻闁圭儤鍩婇弨濠氭倵濮樼偓瀚�40缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻挾鈧娲栧ú銊х不閺冨牊鐓欓柟顖嗗苯娈堕梺宕囩帛濮婂綊骞堥妸銉建闁逞屽墰濞戠敻骞栨担鍛婄€柣搴秵娴滃爼鎮㈤崱娑欏仯闁搞儻绲洪崑鎾诲礂閸涱収妫滅紓鍌氬€峰ù鍥ㄣ仈閹间焦鍋¢柍鍝勬噹閽冪喓鈧厜鍋撻柛鏇ㄥ亞椤撴椽姊洪幐搴g畵婵炶尙濞€瀹曟垿骞樼紒妯诲劒闁荤喐鐟ョ€氼剟宕㈣ぐ鎺撯拺闁告繂瀚婵嬫煕鎼淬垹鐏╂俊鍙夊姇楗即宕奸悢鍝勫妇闂備胶纭堕崜婵喢洪弽顐ュС缂侇偄瀵梻鍌氬€风欢姘缚瑜嶈灋闁哄啫鍊婚惌鍡椕归敐鍫殙闁荤喐瀚堥弮鍫濆窛妞ゆ棁顫夌€垫牠姊绘担鍛婂暈濞撴碍顨婂畷銏ゆ寠婢跺棙鐎洪悗鍏夊亾闁告洦鍓涢崢閬嶆⒑閸濆嫬鏆為柟绋垮⒔婢规洟骞愭惔娑楃盎闂侀潧楠忕槐鏇€€傞懠顒傜<闁哄啫鍊搁弸娑欍亜閵忊剝绀嬮柟顔规櫊椤㈡洟锝為鐑嗘婵犵數鍋犻幓顏嗙礊閳ь剚銇勯銏╂█闁诡噯绻濋崺鈧い鎺戝閳锋帡鏌涚仦鎹愬闁逞屽厸缁瑩銆佸▎鎰瘈闁告洦鍓﹀ḿ鐔兼⒑閸撴彃浜濇繛鍙夌墱缁崵绱掑Ο闀愮盎闂佽宕樺▔娑㈩敁瀹€鍕厸濞达絽澹婇崕蹇斻亜椤撯剝纭堕柟椋庡█閸ㄩ箖宕楅崨顖涘瘻闂傚倷绶氶埀顒傚仜閼活垶宕㈤幖浣圭厾闁告劘灏欓崺锝呪攽閿涘嫭鏆柟顔界懇瀵爼骞嬮鐐搭啌濠电姵顔栭崰妤呮晝閳哄懎绀傛繛鎴炵椤洟鏌ㄥ┑鍡樺仾鐟滅増甯楅弲鏌ユ煕閳╁啰鎳呴柣鎾冲€搁—鍐Χ閸愩劎浠剧紒鐐緲缁夊墎鍒掗埡鍛亜缁炬媽椴搁弲婵嬫⒑闂堟稓澧曟繛璇х畵楠炲棝鏁愭径瀣ф嫼闂佸湱枪濞寸兘鍩ユ径瀣ㄤ簻闁挎棁顕у顕€鏌涢埞鎯т壕婵$偑鍊栫敮鎺楁晝閵壯€鍋撳鐐28缂傚倸鍊搁崐椋庢閿熺姴纾诲鑸靛姦閺佸鎲搁弮鍫㈠祦闁告劦鍠栫粻濠氭煕閹捐尙绐旈柍鐟扮箲缁绘繈濮€閿濆棛銆愬Δ妤婁簼閹稿啿鐣峰┑瀣窛閻庢稒岣块崢閬嶆⒑閸濆嫬鏆婇柛瀣尵缁辨帞鈧綆鍋呭畷宀€鈧鍣崑濠囧箖娴犲鍨傛い鎰╁灩楠炴垿姊绘担鍛婃儓婵炶绠戦~婵嬪Ω閳哄倸浠梺瀹犳〃鐠佹彃危閸儲鐓欓柣鎰靛墯缂嶆垿鏌熼崗鍏煎€愰柡灞界Х椤т線鏌涢幘鍗炲妤犵偛绻橀弫鎾绘晸閿燂拷1130缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻捇鏌涢幘鑼槮闁搞劍绻堥弻銊╂偄閸濆嫅銏㈢磼閳ь剟宕掗悙瀵稿幈濠电偞鍨堕敃顐﹀绩缂佹ḿ绠鹃柛顐g箘閻掓悂鏌$仦绋垮⒉鐎垫澘瀚埀顒婄秵娴滄粓锝為崶顒佲拺闂侇偆鍋涢懟顖涙櫠妤e啯鐓欓柛鎴欏€栫€氾拷
相关话题/规划 概率 统计 环境 航迹

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 全程恒定基座姿态零扰动的空间机械臂轨迹规划*
    随着人类航天活动的发展,空间机械臂在航天器在轨维护、空间站在轨装配和空间目标捕获等复杂任务中发挥着越来越重要的作用[1-3]。为节约燃料消耗并提高任务可靠性,空间机械臂的最佳工作模式是基座的位置和姿态均不受控的自由漂浮空间机器人(Free-FloatingSpaceRobot,FFSR)模式[4]。 ...
    本站小编 Free考研考试 2021-12-25
  • 基于动态步长的无人机三维实时航迹规划*
    无人机(UAV)航迹规划是在考虑地形、气象、威胁等环境因素以及自身的飞行性能的基础上,为无人机制定出从初始位置到目标位置的最优飞行路径[1]。无人机航迹规划对于无人机形成实战能力、实现低空突防具有重要意义。国内外对无人机航迹规划已做了大量的研究。文献[2]将规划区域栅格化,用栅格的颜色表示不同威胁程 ...
    本站小编 Free考研考试 2021-12-25
  • 月面钻进真空环境模拟装置的设计与验证*
    探月工程(三期)项目的任务为发射无人月面着陆器,在月面进行钻取和采样工作,并将采集到的月壤样品带回地球[1]。为了保证钻取机构的可靠性,需要在地面开展一系列模拟月面钻进过程的热特性试验研究。由于近月空间和月面环境中,真空度高达10-11Pa[2],此高真空环境中,月壤导热性差、热导率低和密实度高等特 ...
    本站小编 Free考研考试 2021-12-25
  • 面向集群环境的虚拟化GPU计算平台*
    近年来,GPU的应用场景从传统的图形图像处理领域扩展到通用计算领域,如航空航天装备研制、卫星遥感数据处理、天气预报、石油勘探和流体动力学等。鉴于GPU的高效能、高性价比特性,越来越多的编程人员开始关注GPU编程,并将其用于相关领域的高性能计算。GPU通用计算一般在集群系统中的多个节点上配备数量不等的 ...
    本站小编 Free考研考试 2021-12-25
  • 面向飞机装配的生产规划与调度集成优化研究*
    飞机装配是各装配单元之间相互协调合作而进行的生产过程,其模式以离散生产为主、流程生产为辅,各装配单元在完成规定任务的同时还要保持与其他装配单元间的协调关系。飞机生产环节多、周期长,且具有多品种、多型号和小批量等特点,飞机的装配工艺相对复杂且变更频繁。此外由于各个环节所需的作业时间差别很大,现场加工中 ...
    本站小编 Free考研考试 2021-12-25
  • 具有持续侦察时间约束的协同航路规划*
    近年来无人机被广泛运用于边界巡逻、目标跟踪及灾难救援等多个领域[1-2],而执行侦察任务也是无人机目前的一个主要应用领域[3]。无人机执行任务时为有效监控并获得目标信息,应该使目标持续处于侦察传感器的监控范围内,并保持一段时间,即满足一定的持续侦察时间要求。文献[4]利用遗传算法(GA)实现无视线遮 ...
    本站小编 Free考研考试 2021-12-25
  • 保持颜色一致性的动态电磁环境绘制算法*
    电磁环境可视化主要有二维和三维2种表现形式[1],其中较常用的是三维表现形式,主要采用等值面提取[2-3]、体绘制[4]等可视化方法。在体绘制方法中,三维数据场被直接映射成二维图像[5],以图像中的颜色信息显示数据场中的信息。体绘制方法生成的电磁环境绘制结果展示了复杂电磁环境的内部细节[6],能够将 ...
    本站小编 Free考研考试 2021-12-25
  • 空基伪卫星组网部署的航路规划算法*
    伪卫星是一种成本低廉、易于部署的导航增强平台。在一些导航卫星可视性降低、卫星导航信号被干扰的情况下,通过部署伪卫星,可在卫星导航服务性能下降的情况下为特定区域的用户提供导航增强服务。根据部署空间区域的不同,伪卫星可分为空基和地基(海基)两类。与地基伪卫星相比,空基伪卫星无论是在覆盖范围还是部署灵活性 ...
    本站小编 Free考研考试 2021-12-25
  • 基于拟态电势能的飞行器航路规划方法*
    在无人化技术和装备高速发展的背景下,航路规划成为各类飞行器保证安全飞行和顺利完成任务的关键环节。随着空域中飞行器数量的增加和任务环境不确定性因素趋于复杂,影响飞行安全的威胁因素不断增多,加之飞行器协同任务规划的需求增大[1],迫切需要能够进行高效、安全航路规划的方法。传统的航路规划方法可大致分为4类 ...
    本站小编 Free考研考试 2021-12-25
  • 复杂多约束条件通航飞行垂直剖面规划方法*
    伴随着近年来国家层面推动低空开放和通航发展的一系列政策出台,通航产业的规模日益扩大,飞行需求渐趋旺盛。然而受到低空开放高度的限制,同时诸如航空摄影、应急救援和科学实验等特殊飞行任务也限定了飞行高度范围,加之低空作业区域错综复杂、飞行强度和作业范围不断增加,使得通航飞行器既需要应对复杂的地理环境,又需 ...
    本站小编 Free考研考试 2021-12-25
闂備浇顕х€涒晠顢欓弽顓炵獥闁圭儤顨呯壕濠氭煙閸撗呭笡闁抽攱鍨堕妵鍕箛閸撲焦鍋у銈忕到瀵墎鎹㈠┑瀣劦妞ゆ帒瀚粻銉︺亜閺冣偓閸庡啿鐣烽妷銉㈡斀妞ゆ梻鐡斿▓妯汇亜閿斿墽銆楅梻鍌氬€烽悞锔锯偓绗涘懐鐭欓柟鐑橆殕閸庢銇勯弬鍨挃闁告宀搁幃妤€鈽夊▎瀣窗闂佸磭绮Λ鍐蓟濞戙垹唯闁靛繆鍓濋悵锕€鈹戦悙鎻掓倯鐎光偓閹间礁钃熼柕鍫濐槸缁狙囨煕椤垵鏋熸繛鍫濈埣濮婅櫣绱掑Ο鐓庘拡闂佺ǹ绨洪崐妤冨垝濞嗘劕绶為柟閭﹀墰椤旀帡姊洪懖鈹炬嫛闁告挻鐩獮濠傗攽鐎n偆鍘介梺缁樏鑸靛緞閸曨厸鍋撶憴鍕闁挎洏鍨介弫鎰版倷绾版ê浜鹃柨婵嗛娴滃墽绱掗幉瀣М闁哄瞼鍠愬ḿ蹇斻偅閸愨晩鈧秴顪冮妶鍡樺暗闁硅櫕鎹囨俊鎾箳閹搭厽鍍甸梺鎯ф禋閸嬪棝濡存繝鍌楁斀闁绘﹩鍋勬禍楣冩⒑閸涘﹦鈽夐柣掳鍔戝鏌ヮ敆閸曨剙鈧爼鏌i幇顓炵祷闁抽攱姊规穱濠勪沪閸屾艾顫囬梺鍝勭焿缁绘繂鐣锋總鍓叉晝闁靛繒濮寸粻鎵磽閸屾瑧鍔嶆い銊ユ嚇钘濋梻鍫熺〒閺嗭附鎱ㄥ鍡楀伎缂佹唻绲介湁闁挎繂瀚鐔访归悡搴㈠枠婵﹥妞藉畷銊︾節閸屾粎鎳嗘繝纰樻閸嬪懐鎹㈤崼銉у祦闁圭増婢橀柋鍥煛閸モ晛鏋戞繛鍛墬缁绘稒娼忛崜褏袣濠电偛鎷戠紞浣哥暦閳ユ枼鍫柛顐ゅ枎閳ь剛鏁婚弻锝夊閻樺吀绮甸梺鎼炲€愰崑鎾绘⒒娴h鍋犻柛鏂跨Ф閹广垽宕熼鐐茬亰闁荤姴娲ゅ顒勫籍閸屾浜鹃柨婵嗛婢т即鏌ㄥ☉铏
547闂傚倸鍊风粈浣革耿闁秲鈧倹绂掔€n亞锛涢梺鐟板⒔缁垶鍩涢幒妤佺厱闁哄洦顨嗗▍鍛存煟韫囷絼閭柡宀嬬到铻栭柍褜鍓熼弻濠囨晲婢跺﹦鐤囬梺瑙勫礃椤曆呯矆閸愨斂浜滈煫鍥ㄦ尰椤ユ粓鏌i幘瀵告创婵﹥妞藉畷妤呭礂閼测晛鍤掗梻浣告憸閸c儵宕戦崟顖涘仼闁绘垼濮ら弲鎼佹煥閻曞倹瀚�1130缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻捇鏌i姀銏╂毌闁稿鎹囧畷褰掝敃閿濆洦顓婚梻渚€鈧偛鑻晶鍙夈亜椤愩埄妲洪柛鐘诧工椤撳吋寰勬繝鍐发闂備線鈧偛鑻晶鎾煛鐏炵ǹ澧茬€垫澘瀚埀顒婄秵娴滄粓锝炴惔鈾€鏀介柣鎰皺婢ф盯鏌涢妸銉т虎闁伙絿鍏橀弫鎾绘偐閼碱剦妲伴柣鐔哥矊缁绘帞鍒掑▎鎾崇倞闁冲搫鍟伴敍婊勭節閵忥絾纭鹃柨鏇檮閺呫儵姊绘担鍛婂暈閼垦囨煕婵犲啰澧辩紓鍌涙崌閹稿﹥绔熼埡鍌涱棃鐎规洦浜濋幏鍛喆閸曨厽袙闂傚倷绀佸﹢閬嶅储瑜旈幃娲Ω閳轰胶顔囬梺鍓插亝濞叉牠鎮為崹顐犱簻闁瑰鍋涢婊呯磼娴e搫顣奸柕鍥у椤㈡洟濮€閳轰礁澹夐梻浣瑰缁嬫帡宕濆▎鎾跺祦閻庯綆鍣弫宥嗙節婵犲倹濯兼俊鏌ユ敱缁绘繈鎮介棃娑楁勃闂佹悶鍔岀紞濠傤嚕椤愩倗鐭欐俊顐ゆ暩閸庛倗鎹㈠┑瀣倞闁靛ǹ鍎查娲⒑閸濆嫷妲搁柣妤佺矒瀹曟垿骞掑Δ鈧崥褰掓煛閸愩劎澧涢柣鎾崇箻閺屾盯鍩勯崘鈺冾槷闂佺ǹ绻愰惉鑲╂閹烘鏁婇柛蹇擃槸娴滈箖鎮洪幒宥嗙グ妞ゎ偄顦甸獮鍡涘棘鎼存挻顫嶉梺鍦劋閸ㄨ櫕绔熼弴鐔虹閺夊牆澧介幃濂告煛閸滀礁浜滈崡閬嶆煕椤愮姴鍔滈柣鎾存礋閺岀喖鎮滃Ο璇查瀺闂佺ǹ顑囨繛鈧柡灞界Х椤т線鏌涜箛鏃傘€掓繛鍡愬灩椤繄鎹勫ú顏咃紬濠德板€х徊浠嬪疮椤栫偛绠犳慨妯诲閸嬫捇鐛崹顔煎闂佸摜鍠撴繛鈧€规洘鍨块獮妯尖偓娑櫭鎾绘⒑缂佹ê鐏﹂柨姘舵煃瑜滈崜娑㈠磻閻旂厧鐒垫い鎺戝枤濞兼劙鏌熼鑲╁煟鐎规洘娲熼、娑㈡倷閼碱剙濮︽俊鐐€栭崹濂稿磿婵犳艾绀傞悘鐐板嫎娴滄粓鏌熼幆褏鎽犻柛濠冨姍閺岀喖顢欓懖鈺佺厽閻庤娲熸禍鍫曠嵁閸ヮ剙惟闁靛鍊曢ˉ姘攽閻愯埖褰х紒鑼亾缁傚秹鎳為妷褜娴勯梺鎸庢磵閸嬫捇妫佹径鎰厱闊洦娲栫敮鍫曟煙閸忓吋鍊愰柡灞界Х椤т線鏌涜箛鏃傗槈闂囧鏌涢妷顔煎缁炬儳銈搁弻鏇熺節韫囨洜鏆犲銈嗘礉妞存悂骞堥妸銉庣喓绮欓崹顔碱潕闂備胶枪椤戝棝骞愭繝姘闁告侗鍨遍崰鍡涙煕閺囥劌澧伴柡鍡樺哺濮婄粯鎷呴崫鍕粯閻庢鍠楅崕濂稿Φ閹版澘绀冩い蹇撴婢跺嫭淇婇妶蹇曞埌闁哥噥鍨跺畷鎴︽偐缂佹ḿ鍘遍梺鏂ユ櫅閸燁偅鎱ㄩ埀顒勬⒑缁嬫鍎愰柟绋款煼楠炲繘宕ㄧ€涙ê浠惧銈嗙墬閼瑰墽绮婚幋锔解拻濞达絽鎲¢幆鍫ユ煕婵犲媱鍦弲闂侀潧绻堥崐鏇㈡倿閸偁浜滈柟瀵稿仜椤曟粎绱掓担瑙勭凡妞ゎ叀娉曢幉鎾礋椤掆偓绾炬娊鎮楀▓鍨灓闁轰礁顭烽妴浣糕槈濡粎鍠庨悾鈩冿紣娴e壊妫滄繝鐢靛仩閹活亞绱為埀顒併亜椤愩埄妯€闁诡噯绻濋崺鈧い鎺戝閳锋帡鏌涚仦鎹愬闁逞屽厸缁瑩銆佸▎鎰瘈闁告洦鍓﹀ḿ鐔兼⒑閸撴彃浜濇繛鍙夌墱缁崵绱掑Ο闀愮盎闂佸湱鍋撳ḿ娆撍夊鑸电厱閻庯綆鍋呯亸浼存煙瀹勭増鍤囩€规洜鍏橀、妯衡攦閹傚婵犵數濮村ú锕傚磹閸偆绠鹃柟瀛樼箘閺嬪啰绱掗埀顒傗偓锝庡枟閻撳啰鎲稿⿰鍫濈婵炴垶姘ㄩ惌鍡椕归敐鍫熴€冮柣鎺戯躬閺岀喎鈻撻崹顔界亐闂佺ǹ顑嗛幐鎼佸煡婢跺备鍋撻崷顓炐ユい锔垮嵆濮婃椽鏌呴悙鑼跺闁告ê鎲$换娑㈠级閹寸偛鏋犲銈冨灪閿曘垹鐣烽锕€唯鐟滃瞼绮径濞炬斀閹烘娊宕愰幘缁樺€块柨鏃€宕樻慨铏叏濡灝鐓愰柣鎾崇箻閺屾盯鍩勯崘鈺冾槶濡炪倧璁f俊鍥焵椤掆偓濠€杈ㄧ仚濡炪値鍘奸崲鏌ユ偩閻戣姤鏅查柛銉檮閸曞啴姊虹粙鎸庢拱妞ゃ劌鎳忕粋宥夊箚椤€崇秺閺佹劙宕ㄩ鍏兼畼闂備礁鎲″ú鐔虹不閺嶎厼钃熼柨婵嗩槹閸婄兘鏌涘▎蹇f▓婵☆偅鍨垮娲焻閻愯尪瀚伴柛妯绘倐閺岋綁骞掗悙鐢垫殼閻庢鍣崜鐔风暦閹烘埈娼╅柨婵嗘閸欏啯绻濆▓鍨灓闁硅櫕鎸哥叅闁绘ǹ顕х壕濠氭煙閹呮憼濠殿垱鎸抽弻娑樷槈濮楀牊鏁鹃梺闈╃稻閹倿寮婚敐鍡樺劅闁靛繒濮撮弸娆撴煟閻樺啿濮夐柛鐘崇墵瀹曟椽鍩€椤掍降浜滈柟瀵稿仜椤曟粍銇勯敃鍌ゆ缂佽鲸鎸搁濂稿椽娴gǹ澹庨梻浣侯攰濞呮洟鎮ч悩璇茬疇闁绘ɑ妞块弫鍡涙煕閹邦喖浜鹃柦鎴濐槺缁辨捇宕掑▎鎴濆闂佸憡鍔曢…鐑界嵁韫囨稒鏅搁柨鐕傛嫹28缂傚倸鍊搁崐椋庢閿熺姴纾诲鑸靛姦閺佸鎲搁弮鍫涒偓浣肝旈崨顔间簻闂佹儳绻愬﹢閬嶆偂鐎n喗鈷戦悷娆忓閸庢鏌涢妸銉э紞濠㈣娲熼弫鎾绘晸閿燂拷