基于原鸽群动态群组学习的无人机集群动态航路规划方法技术

本发明专利技术公开一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，包括以下实施步骤：步骤一：搭建无人机集群典型作战场景；步骤二：搭建单无人机运动学模型；步骤三：搭建威胁区域约束模型；步骤四：搭建机间约束模型；步骤五：建立无人机集群动态航路规划代价函数模型；步骤六：初始化基于动态群组学习和三重变异机制的原鸽群优化；步骤七：设计基于动态群组学习机制的地图和指南针算子；步骤八：设计基于三重变异机制的地标算子；步骤九：B样条算法优化轨迹；步骤十：无人机集群动态航路重规划；步骤十一：输出无人机集群航路规划仿真轨迹图。本发明专利技术面向未知的、不确定性和强对抗环境下的无人机集群动态航路规划问题，提出了一种实时性高、鲁棒性强的无人机集群动态航路规划方法，具有较高的实用价值，为无人机集群协同完成各种作战任务奠定技术基础。同完成各种作战任务奠定技术基础。同完成各种作战任务奠定技术基础。

【技术实现步骤摘要】
基于原鸽群动态群组学习的无人机集群动态航路规划方法


[0001]本专利技术是一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，属于无人机自主控制领域。

技术介绍

[0002]近年来，随着无人机集群技术的迅猛发展，无人机集群在军事防御和民用领域都得到了广泛应用，众多研究者对无人机集群的智能性和自主性产生了浓厚的兴趣。无人机集群的优势在于，可以通过无人机之间的主动交互显著提高任务完成的成功率。航路规划是无人机在执行作战任务时安全飞行的重要保障，目前关于无人机航路规划问题的研究大多停留在单架无人机并且是静态航路规划上，面向无人机集群动态航路规划的研究较少，然而，在日趋复杂的战场环境下，战场环境的不确定性逐日提高，无人机集群执行任务将成为无人机作战应用的重要模式。
[0003]在过去的十几年里，无人机航路规划问题发展迅速，航路规划算法可以分为传统方法和智能优化算法两类。传统方法中，常见的有Voronoi图法、人工势场法、A*算法等。Voronoi图法主要是根据威胁的分布生成初始可选路径集进而构成Voronoi图，Voronoi边是众多威胁间的中垂线，无人机沿着Voronoi边飞行可以有效降低所受威胁代价。但是Voronoi图法仅仅能提供避开障碍物的可行航路点，如果需要求解最短路径等其他问题时，还需要结合其它算法。人工势场法的主要思想是，航路的终点对无人机产生引力，威胁对无人机产生斥力，无人机在引力和斥力的共同作用下可以在有效避开威胁的同时到达目标终点。但是当无人机离目标点较远时，引力将变的很大，和所受斥力存在数量级的大小差别，存在进入威胁区域的危险。A*算法的原理是通过建立起点到目标点的代价估计函数来指导无人机的搜索方向，它指导的搜索结果不一定是最优解，并且随着搜索维数的增加，计算量将成指数增长，搜索速度大大减慢，并且A*算法常应用于单无人机航路规划。
[0004]上述传统方法均存在很多局限性，鉴于此，利用智能优化算法求解无人机集群航路规划问题的方法广受关注，该方法的主要思想是针对无人机集群航路规划中的具体任务构建相应的目标函数，然后用优化算法进行求解，常见的方法有蚁群优化算法，遗传算法和粒子群优化算法。蚁群优化算法是模拟蚁群觅食行为的智能优化算法，在无人机集群航路规划中，蚂蚁个体代表无人机，从一个航路点转移到另一个航路点的概率和信息素浓度有关，如果缺少有效的信息素浓度更新公式，则种群易陷入局部最优解。遗传算法是通过模仿自然界物种遗传交叉变异的演化现象提出的一类智能优化算法，在该算法中，一般用一个染色体代表一架无人机的航路点，染色体中的每一个基因代表一个规划点，计算量大，实时性不强。粒子群优化算法通过模拟鸟群的捕食行为，每个粒子被看作是航路空间里的一个可能经过的路径位置点,通过粒子所在位置和速度的更新以获取最佳粒子,最后形成飞行路径，该算法容易过早收敛，易陷入局部最优解。本专利技术即面向复杂且动态变化的对抗环境，从求解精度和计算实时性考虑，专利技术了一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，以提高面向高拒止、高动态未来作战环境下躲避威胁的成功率。本专利技术旨
在基于模拟自然界中原鸽动态群组学习策略的鸽群智能优化方法，提出一种计算量小、鲁棒性高、实时性强的无人机集群动态航路规划方法，实现无人机集群在作战过程中实时躲避威胁的智能决策。

技术实现思路

[0005]本专利专利技术了一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，其目的是提供一种高效可行的无人机集群动态航路规划自主控制方法，旨在实时躲避威胁的前提下，提高路径点的可行性，符合无人机实际飞行约束，并且有效缩短路程，从而提高了任务完成效率，节省燃油，避免被敌方发现，保存了作战实力，进一步提升了无人机集群自主航路规划水平。
[0006]本专利技术是一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，具体实现步骤如下：
[0007]步骤一：搭建无人机集群典型作战场景
[0008]如图1所示，设定我方有N架无人机需要协同执行一项搜索攻击任务，需要搜索打击的目标为1个。无人机集群从我方军事基地出发后，在到达攻击目标的过程中，会经过敌方的军事防御区，遇到的威胁包括地形障碍(主要考虑山峰的影响)、敌方的火炮和雷达，其中一部分威胁的具体信息可以通过侦查提前获知，另外一部分只能依靠无人机自身的实时探测感知。整个过程中，无人机集群应该绕过威胁区域，避免无人机机间碰撞的同时，保证无人机机间通信，同时到达攻击目标，并且总路径最短。转到步骤二。
[0009]步骤二：搭建单无人机运动学模型
[0010]为了满足多架无人机同时到达攻击目标的要求，将预计的总飞行时间分成Dim段，每段的时长为t
interval
。设定所有无人机均在同一高度上运动，所以航路点的规划主要考虑2维平面，在全局坐标系下的2维平面上，每个航路点的位置记为维平面，在全局坐标系下的2维平面上，每个航路点的位置记为表示第n架无人机第d个航路点x方向的位置，表示第n架无人机第d个航路点y方向的位置，每个航路段的速度记为每个航路段的速度记为表示第n架无人机第a个航路段x方向的速度，表示第n架无人机第a个航路段y方向的速度，n＝1...N，d＝1...D，a＝1...(1+D)。位置和速度的关系可以写成下面的公式
[0011][0012]所以航路点的确定可以转换成航路段间速度的确定。
[0013]为了增加最佳路径的搜索效率，需要进行坐标转化，建立局部坐标系X
l
O
l
Y
l
，如图2所示，局部坐标系的原点是无人机集群的起点(我方的军事基地)，x
l
轴的方向是从全局坐标系下的起点Start＝[Start
x
,Start
y
]T
指向终点End＝[End
x
,End
y
]T
，y
l
轴的方向和x
l
轴垂直，2维全局坐标系和局部坐标系之间坐标的转换关系可以表示为
[0014][0015]其中，φ表示两个坐标间的偏角，表示第n架无人机第d个航路点在局部坐标系X
l
O
l
Y
l
中x方向的位置，表示第n架无人机第d个航路点在局部坐标系X
l
O
l
Y
l
中y方向的位置。
[0016]为了简化计算，设定在局部坐标系X
l
O
l
Y
l
下，第n架无人机在第a个航路段x方向的速度为常数，计算方法如下所示。
[0017][0018][0019]其中，T
min
表示一架无人机从起点到攻击目标需要花费预计最短时间，T
max
表示一架无人机从起点到攻击目标需要花费预计最长时间，speed表示无人机在2维平面上的最大空速。
[0020]第n架无人机在第a个航路段y方向的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于原鸽群动态群组学习的无人机集群动态航路规划方法，其特征在于：该方法实现步骤如下：步骤一：搭建无人机集群典型作战场景步骤二：搭建单无人机运动学模型步骤三：搭建威胁区域约束模型对山峰的威胁程度进行建模时，将山峰看作圆台形状，则山峰的威胁代价可以表示为：其中，表示第n架无人机在第d个航路点受到山峰威胁的代价函数，k_m表示系数，符号||
·
||表示对向量取2范数，Δp1表示在2维平面上第n架无人机第d个航路点和山峰中心坐标间的距离，p_m
x
表示山峰中心x方向的位置，p_m
y
表示山峰中心y方向的位置，p_m
z
表示山峰的高度，表示第n架无人机在第d个航路点的高度，r_m
a
表示上峰顶部的半径，r_m
b
表示上峰底部的半径；对火炮威胁程度进行建模时，将火炮所造成的危险区域看作半球形状，则火炮的威胁代价可以表示为：其中，表示第n架无人机在第d个航路点受到火炮威胁的代价函数，||Δp2||表示2维平面上，第n架无人机第d个航路点和火炮坐标间的距离，p_f
x
表示火炮x方向的位置，p_f
y
表示火炮y方向的位置，r_f表示火炮的射程，k_f表示系数；对雷达威胁程度进行建模时，将雷达所造成的危险区域看作是半球形状，则雷达的威胁代价可以表示为：其中，表示第n架无人机在第d个航路点受到雷达威胁的代价函数，||Δp3||表示2维平面上，第n架无人机第d个航路点和雷达坐标间的距离，p_r
x
表示雷达x方向的位置，p_r
y
表示雷达y方向的位置，r_r表示雷达的辐射范围，k_r表示系数；
步骤四：搭建机间约束模型无人机集群系统执行任务过程中，要求各架无人机之间的距离适中，不能距离太近造成机间碰撞，不能距离太远，影响机间通信；其中机间碰撞的代价存在每架无人机之间，机间通信的代价存在在部分无人机间；在部分无人机间；在部分无人机间；在部分无人机间；在部分无人机间；其中，表示第n架无人机在第d个航路点受到机间碰撞影响的代价函数，表示第j架无人机在第d个航路点x方向的位置，表示第j架无人机在第d个航路点y方向的位置，j≠n，表示第n架无人机在第d个航路点受到机间通信影响的代价函数，w
nj
用来表示第j架无人机和第n架无人机是否能进行信息交互，值为1表示能进行信息交互，值为0表示不能进行信息交互，表示能和第j架无人机进行信息交互的无人机的数量，ceil(
·
)符号表示取整；r_o表示两架无人机间的最小机间距离，r_c表示两架无人机间的最大机间距离；表示第n架无人机在第d个航路点的协同代价函数；步骤五：建立无人机集群动态航路规划代价函数模型；步骤六：初始化基于动态群组学习和三重变异机制的原鸽群优化；步骤七：设计基于动态群组学习机制的地图和指南针算子；步骤八：设计基于三重变异机制的地标算子；步骤九：B样条算法优化轨迹步骤十：无人机集群动态航路重规划经过上述步骤可以得到各架无人机满足任务需求的航路点，各架无人机在实际飞行过程中，将按照规划的航路点进行飞行，飞行过程中通过各种传感器进行探测；探测到威胁区域后，判断该威胁区域是否是预先知道的，如果是则继续按照规划的航路点飞行，如果是新探测到的威胁，则需要获取新威胁的具体信息，并且触发重规划机制；重规划机制中，首先根据获取的新威胁的信息，计算接下来的航路点是否会受新威胁源的影响，求出剩下航路点中第一个不受新威胁影响的航路点，把它作为临时的终点，以发现新威胁的航路点为临时起点，重复步骤一到七，对这一段进行航路重规划，然后按照重规
划的路线继续飞行，重复上述过程；步骤十一：输出无人机集群航路规划仿真轨迹图。2.根据权利要求1所述的基于原鸽群动态群组学习的无人机集群动态航路规划方法，其特征在于：所述步骤七的具体过程如下：首先，对N只原鸽进行分组，随机均分成mum
group
组，分组结束后，将每个组看作是一只“大原鸽”，对于这只“大原鸽”来说，它的位置和速度是小组中适应度值最优的原鸽的位置和速度；每次迭代时，只更新小组中适应度值最差的原鸽...

【专利技术属性】
技术研发人员：段海滨，于月平，李卫琪，魏晨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：