[发明专利]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

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

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。

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。本发明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，发明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。本发明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。

发明内容