This paper introduces an innovative adaptive event-triggered fault-tolerant attitude control framework designed for a flying-wing unmanned aerial vehicle (UAV) operating under constraints such as limited embedded resources, unknown actuator failures, system uncertainties, and external disturbances. The proposed scheme incorporates several noteworthy features: (i) Implementation of a relative threshold event-triggered mechanism to efficiently alleviate communication pressures and computational burdens inherent in the attitude control system. (ii) Utilization of a radial basis function neural network to approximate lumped disturbances, reducing dependence on prior knowledge. (iii) Adaptive compensation for sampling errors and actuator faults by employing the Nussbaum gain. (iv) Integration of a smooth function to address singularity issues and prevent Zeno behavior. Furthermore, Lyapunov analysis validates that all signals within the closed-loop system remain bounded and converge within a predetermined time frame. Comparative numerical simulations underscore the effectiveness and superiority of the proposed control approach.

In recent years, autonomous decision-making has emerged as a critical technology in air-to-air confrontation scenarios, garnering significant attention. This paper presents a novel AI algorithm, the Missile Hit Probability Enhanced Actor-Critic (MHPAC), designed for autonomous decision-making in such confrontations, whose primary objective is to maximize the probability of defeating opponents while minimizing the risk of being shot down. By incorporating a pre-trained Missile Hit Probability (MHP) model into reward shaping and exploration within the framework of Reinforcement Learning (RL), the MHPAC algorithm enhances the learning capabilities of the Actor-Critic (AC) algorithm specifically tailored for air-to-air confrontation scenarios. Furthermore, the MHP model is also integrated into the confrontation strategy to inform missile launch decisions. Using the MHPAC algorithm, the confrontation strategy is achieved via the training strategy of curriculum learning and self-play learning. Results demonstrate that the MHPAC algorithm effectively explores efficient maneuvering strategies for missile launch and defense, overcoming challenges associated with sparse and delayed reward signals. The decision-making capabilities of the integrated maneuvering and missile launch strategy is significantly enhanced by the proposed MHPAC algorithm, with a relative win ratio of over 65% against different strategies. Moreover, the trained strategy only needs 0.039s for real-time decision-making. This research holds considerable promise for achieving air superiority and mission success in complex and dynamic aerial environments.