[发明专利]一种基于联合优化的无人机航迹规划方法

说明书

本发明属于无人机飞行控制技术领域，具体涉及一种基于联合优化的无人机航迹规划方法。本发明通过前端飞行状态优化模型获取无人机自身飞行状态的最优估计，大幅度降低了自然干扰因素对传感器数据的误差；通过后端飞行动作优化模型，将实际偏差大的飞行角度调整至预期飞行角度，解决了强化学习决策飞行动作不佳的问题，提高了飞行航迹的可靠性。在实际应用中，对于传感器实时采集飞行状态数据，利用前端飞行状态优化模型实时获得最优飞行状态估计，将其作为已训练TD3模型的输入，得到飞行动作，并利用后端飞行动作优化模型，得到对应的飞行动作偏置，对其进行判决，控制输出优化后的飞行动作，从而实现无人机面对自然干扰影响的实时航迹规划。

技术领域

本发明属于无人机飞行控制技术领域，具体涉及一种基于联合优化的无人机航迹规划方法。

背景技术

无人机是一种不载人的通过无线传输遥控装置或自主传感控制设备完成相应任务的飞行设备，航迹规划是无人机执行飞行任务的有效技术手段，航迹可靠才能确保无人机完成飞行任务。

传统的规划算法有人工势场法、Dijkstra算法等。人工势场法通过模拟引力场和排斥场对空间中无人机的综合作用规划无人机的飞行航迹，其适用于局部范围的规划，对全局规划的能力不足。Dijkstra算法是一种经典的用于最短路径求解的算法，它能够求出固定点到其他任意点的最短路径，简单有效，但缺点是一旦计算点数目增多，则算法计算量和所需内存极具增加。随着飞行环境日趋复杂，传统规划算法计算复杂度高、实时性差，难以实时控制无人机飞行。

强化学习算法具有运算速度快、实时性强的特点，且能够根据无人机的飞行状态，端到端地决策飞行动作，使无人机飞行的实时控制成为可能，因此在规划领域广泛应用。通过对现有技术文献的检索发现，西北工业大学在其申请的专利“基于DDPG的无人机自主引导控制方法”(专利申请号：CN201910853746.X，申请公布号：CN110806756A)中提出了一种基于DDPG的无人机自主引导控制方法，该方法能够使无人机安全并快速地从起点飞到终点，提高了无人机执行任务的自主性和效率，但是该方法仅适用于静态地形环境。何金等在《兵工自动化》(2020,39(09):15-21)上发表的“未知环境下基于PF-DQN的无人机路径规划”中提出了一种环境信息未知情况下基于势函数奖赏的DQN路径规划方法，实现了无人机在环境信息未知下有效避障的路径规划，但是该算法的应用局限于与其训练近似的环境模型。已有文献的检索结果表明，这些方法的建模过程并未考虑实际环境中自然干扰因素的影响，如突发天气变化、风力、气流等，这类影响会导致无人机传感器采集的飞行数据具有偏差，使强化学习算法决策的飞行动作不佳，难以满足无人机飞行航迹的可靠性。

发明内容

本发明的目的在于提供一种基于联合优化的无人机航迹规划方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：搭建飞行状态优化模型；所述的飞行状态优化模型的输入为无人机携带的I个传感器在t时刻对无人机飞行状态的量测向量m_i(t)，飞行状态优化模型的输出为无人机t时刻飞行状态的最优估计ζ(t|t)＝[p(t),v(t)]^T；

步骤1.1：输入无人机携带的I个传感器在t时刻对无人机飞行状态的量测向量m_i(t)；