CN106873628A

CN106873628A - 一种多无人机跟踪多机动目标的协同路径规划方法

Info

Publication number: CN106873628A
Application number: CN201710234961.2A
Authority: CN
Inventors: 窦丽华; 高源�; 辛斌; 陈杰; 漆鸣凤
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2017-04-12
Filing date: 2017-04-12
Publication date: 2017-06-20
Anticipated expiration: 2037-04-12
Also published as: CN106873628B

Abstract

本发明提供一种多无人机跟踪多机动目标的协同路径规划方法，包括如下步骤：步骤1：初始化无人机和多机动目标的参数信息；步骤2：通过交互多模型滤波器对多个机动目标的轨迹进行跟踪，预测下一个采样时刻各个目标的运动状态信息，包括各个目标的位置坐标和速度；步骤3：综合考虑目标威胁度影响因素，利用层次分析法计算下一时刻各个目标的威胁度；步骤4：基于各目标的运动状态信息和威胁度，利用差分进化算法同时为多架无人机规划出下一时刻的位置。该方法考虑在无人机‑目标分配方案已经确定的前提下，为多个无人机规划出满足多无人机相互之间无碰撞、无人机最大转弯角约束并且使无人机群联合目标探测概率最大的较易执行路径。

Description

一种多无人机跟踪多机动目标的协同路径规划方法

技术领域

本发明属于运动体路径规划研究技术领域，具体涉及一种多无人机跟踪多机动目标的协同路径规划方法，适用于解决无人机集群作战场景下的多个无人机跟踪多机动目标中的协同路径规划问题。

背景技术

多无人机协同控制问题可以分解为协同目标分配、协同路径规划问题、多无人机协同编队控制等多个子问题。其中协同路径规划问题是实现多无人机协同控制中的一个关键问题。多无人机协同航路规划是指在满足各种约束条件(空间约束、时间约束、环境约束、任务约束等)的前提下，为整个无人机群中的每架无人机规划出一条从起始点到目标点的航迹，并且使得无人机群的整体性能达到最优。一般的路径规划问题多考虑在起始位置和目标位置确定条件下的路径规划问题，且各个无人机的路径规划相互独立，针对目标的机动性、威胁度的实时计算以及密集的无人机群作战场景，是多无人机跟踪多机动目标路径规划问题的难点。

与无人机单机路径规划相比，无人机集群作战场景下的多无人机协同路径规划更加复杂化和智能化，可以以更小的代价合作完成更复杂的任务，灵活性更强，更能提高飞行器的生存能力和任务的成功率。

发明内容

本发明针对无人机集群作战场景下的多无人机跟踪多机动目标的路径规划问题，提出一种多无人机跟踪多机动目标的协同路径规划方法，该方法考虑在无人机-目标分配方案已经确定的前提下，为多个无人机规划出满足多无人机相互之间无碰撞、无人机最大转弯角约束并且使无人机群联合目标探测概率最大的较易执行路径。

实现本发明的技术方案如下：

一种多无人机跟踪多机动目标的协同路径规划方法，包括如下步骤：

步骤1：初始化无人机和多机动目标的参数信息；

步骤2：通过交互多模型滤波器对多个机动目标的轨迹进行跟踪，预测下一个采样时刻各个目标的运动状态信息，包括各个目标的位置坐标和速度；

步骤3：综合考虑目标威胁度影响因素，利用层次分析法计算下一时刻各个目标的威胁度；

步骤4：基于各目标的运动状态信息和威胁度，利用差分进化算法同时为多架无人机规划出下一时刻的位置。

进一步地，本发明步骤4利用差分进化算法同时为多架无人机规划出下一时刻的位置，具体包括如下步骤：

S401、初始化无人机位置种群；

根据多架无人机当前时刻的位置坐标及航向角，在满足无人机最大转弯角约束的前提下，为多架无人机随机生成下一时刻的位置；多架无人机在下一时刻的位置联合表示为一个个体，随机生成多个个体组成初始位置种群；

S402、对初始位置种群进行评价；

评价指标包括目标函数值和约束违反程度；所述目标函数综合考虑对多个目标的联合探测概率和多架无人机的转弯角之和；所述约束违反程度是指多无人机相互之间无碰撞约束的违反程度；

S403、记录当前种群的最佳个体；

若初始位置种群中存在约束违反程度为0的个体，则在约束违反程度为0的个体中选取目标函数值最小的个体作为初始位置种群的最佳个体；若初始位置种群所有个体的约束违反程度均大于0，则选取约束违反程度最小的个体作为初始种群的最佳个体；

S404、针对初始位置种群中的每一个体，通过变异、交叉操作产生新的个体；

S405、按照步骤S402的方式对新个体进行评价；

S406、通过选择操作在新个体和产生该新个体的旧个体中留下较优者，作为当前种群；选择操作的原则为：当两者的约束违反程度相等时，留下目标函数值较小的个体，当两者的约束违反程度不相等时，留下约束违反程度较小的个体；

S407、更新当前种群的最佳个体：将通过选择操作留下的个体与之前记录的种群最佳个体进行比较，比较方法与选择操作的原则相同，将两者中较优的个体作为当前种群的最佳个体；

S408、针对当前种群，按照S404-S407的方式进行变异、交叉和选择操作的循环，并更新当前种群的最佳个体，直到达到给定的最大进化代数，即完成路径规划。

进一步地，在执行步骤S401之前，对无人机当前位置进行编码，具体方法如下：

首先以第i(i＝1,2,...N)架无人机在当前时刻的位置为极点，水平向右方向为极轴，逆时针为正方向，建立局部极坐标系；其次将第i架无人机在当前时刻的位置用变量极角θ_i,k表示，N架无人机在当前时刻的位置联合表示为θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]；再次将N架无人机在当前时刻的位置的解范围映射到[0,1]区间，即将θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]转换为x_k＝[x_1,k,x_2,k,...,x_N,k]。

进一步地，在S402中，所述无碰撞约束违反程度，具体的计算方法如下：

(1)根据N架无人机在当前时刻的位置θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]，通过坐标转换计算得到N架无人机在笛卡尔坐标系下的位置:(x_k,y_k)＝[(x_1,k,y_1,k),(x_2,k,y_2,k),...,(x_N,k,y_N,k)]；

(2)求出两两无人机间的距离得到距离矩阵D＝(d_ij)_N×N；

(3)根据设定的安全距离d_sd，计算碰撞程度矩阵G＝(g_ij)_N×N,计算方法如下：若d_ij≥d_sd，则g_ij＝0；若d_ij＜d_sd时，g_ij＝(d_sd-d_ij)/d_sd。

进一步地，所述S401和S404中，为满足无人机最大转弯角约束，在生成无人机下一时刻的位置之前，先对无人机位置范围进行限定，方法为：

第i架无人机在当前时刻的位置θ_i,k须满足：θ_i,k∈[θ_i,k-1-θ_res,θ_i,k-1+θ_res]，其中θ_res表示无人机转弯角最大值，θ_i,k-1表示第i架无人机上一时刻的位置；

在S401和S404中，生成无人机位置的相对编码位置x_i,k之后且在个体评价之前，对无人机位置的相对编量进行解码，即将无人机位置相对编码值x_i,k对应到具体的极角θ_i,k，x_i,k∈[0,1]；解码的方式为：θ_i,k＝θ_i,k-1-θ_res+x_i,k·2θ_res。

进一步地，用层次分析法计算威胁度，具体包括如下的步骤：

(1)基于目标威胁度的评价元素，建立目标威胁度单层次结构模型；

(2)基于所述结构模型，计算评价元素两两影响之比，构造两两比较判断矩阵；

(3)对判断矩阵一致性进行检验，通过一致性检验后得到各个评价元素的权重；

(4)计算各个评价元素的效益值；

(5)利用各个评价元素的权重和效益值，计算目标当前时刻的威胁度值。

进一步地，所述步骤3中的层次分析法中建立的目标威胁度单层次结构模型，具体包括如下的评价元素：

(1)目标敌我属性：分为我方、中方、敌方三种；

(2)目标类型：将目标类型按照威胁程度的顺序划分为战术弹道导弹、大

型机、小型机、武装直升机、诱饵这五类；

(3)目标径向距离：表示目标与无人机的径向距离；

(4)目标径向速度：表示目标与无人机的径向速度。

进一步地，所述步骤2的具体步骤为：

(1)建立目标运动模型，初始化模型参数；

(2)模型条件重新初始化:选取经过参数初始化处理的模型j(j＝1,2,...,r)，并输入k-1时刻的初始化状态，对模型j混合估计，得到重新初始化的状态和协方差阵按混合估计分别为：

其中，r为模型个数；p_ij是模型i转到模型j的转移概率，为归一化常数，M_i(k-1)是k-1时刻的匹配模型，μ_i(k-1)是k-1时刻模型i的概率，是k-1时刻模型i的状态估计，相应的协方差矩阵是P_i(k-1|k-1)，M_i(k)是k时刻的模型,μ_ij(k-1|k-1)表示模型i和模型j的混合概率；

(3)模型并行滤波：根据步骤(2)中计算得到的k-1时刻模型初始条件，利用卡尔曼滤波法，计算k时刻各个模型的状态估计和协方差矩阵

(4)模型概率更新：利用步骤(2)中求出的k-1时刻的预测模型概率μ_ij(k-1|k-1)，通过以下算式计算得到更新概率：

其中，c为归一化常数，且而Λ_j(k)为观测Z(k)的似然函数，

S_j(k)＝H(k)P_j(k|k-1)H^T(k)+R(k)

(5)估计融合(输出交互)：利用组合各滤波器得到k时刻目标状态的最终总体估计及其协方差矩阵P(k|k)。

本发明的有益效果是：

第一、本发明采用了多无人机协同路径规划方式，综合考虑了多无人机无碰撞约束和无人机最大转弯角约束，为多无人机跟踪多机动目标任务实时规划出满足以上约束并且联合探测概率最大且较易执行的路径，使得无人机群对目标的整体跟踪价值最大化。

第二、本发明具有在线实时路径规划的优点，多无人机在执行任务的过程中可以根据外部环境的变化，适时调整路径重新规划，提高了任务完成的概率，具有更高的可靠性。

第三、本发明采用了角度编码的方式，通过角度(一个变量)代替坐标(两个变量)来表示无人机位置，既压缩了解空间，又便于路径表示和约束处理。

第四、本发明可以同时为多无人机规划出满足要求的路径，缩短了路径规划时间，提高了路径规划效率。

第五、本发明适用于复杂的无人机集群作战场景，可以改善无人机群在战场上的生存能力和任务完成能力。

附图说明

图1为协同路径规划方法的流程图；

图2为无人机与目标运动场景示意图；

图3为交互多模型滤波器示意图；

图4为目标层次结构模型图；

图5为差分进化算法流程图；

图6为位置的表示方法示意图。

具体实施方式

本发明是针对无人机集群作战场景下的多无人机跟踪多机动目标的路径规划问题的解决方法，在无人机-目标分配方案给定的前提下，为N架无人机跟踪M个目标规划出满足无人机最大转弯角约束和相互之间无碰撞约束的对多个目标联合探测概率最大且较易执行的路径；无人机集群作战是指一组具备部分自主能力的无人机系统通过有人/无人操作装置的辅助，在人的监控下，完成作战任务的过程，集群内无人机数量密集，各无人机接受任务请求自主飞向任务区域(指定的目标或者坐标)，同时要避免与其他无人机发生碰撞。

本发明中设定无人机和目标在二维平面内运动，运动场景的示意图如图2所示，设共有N架无人机跟踪M个目标，假定目标分配方案给定；多无人机跟踪多机动目标的协同路径规划方法整体思路如下：首先参数初始化，然后建立目标运动模型，使用交互多模型滤波器对目标运动状态进行预测，估计目标在下个采样时刻的运动状态信息；接着利用估计目标的运动状态信息，综合考虑目标威胁度影响因素，采用层次分析法实时计算各个目标的威胁度；最后采用差分进化算法为多架无人机同时规划出下一时刻各自满足其最大转弯角约束和相互之间无碰撞约束的对多个目标联合探测概率最大且较易执行的路径；循环执行以上“预测目标运动状态-计算目标威胁度-无人机路径规划”过程，直至目标分配方案更新，输出无人机群在这段时间内的路径。

下面结合附图和实施例对本发明作详细说明。

本发明一种多无人机跟踪多机动目标的协同路径规划方法，如图1所示，包括以下步骤：

步骤1：初始化无人机和多机动目标的参数信息；

具体包括：目标的位置坐标和径向速度、无人机的位置坐标和航向角、无人机转弯角约束范围、无人机群无碰撞约束信息、目标敌我属性、目标类型、目标径向速度、目标径向距离信息、目标采样时间间隔、无人机之间的安全距离、无人机-目标分配方案信息；所述无人机转弯角约束范围是指无人机的转弯角不能超过其最大值θ_res；所述无人机转弯角是指无人机转弯前后航向角的差值；所述无人机群无碰撞约束信息是指两两无人机之间的距离不小于设定的安全距离d_sd等等。

步骤2、采用交互多模型滤波器对多个机动目标的轨迹进行跟踪，预测下一时刻多个机动目标的位置和速度，具体包括如下步骤：

S201、目标建模及参数初始化；

本发明中设定目标在二维平面内运动，其状态由位置和速度组成，即设采样间隔为T，在采样时刻k，笛卡尔坐标系下目标的离散运动模型和观测模型为：

X(k+1)＝FX(k)+Gv(k) (1)

测量方程为：

Z(k)＝HX(k)+w(k) (2)

其中，X(k)为k时刻目标状态向量，Z(k)为k时刻观测向量，F为状态转移矩阵，G为输入矩阵，H为观测矩阵，v(k)和w(k)分别为k时刻状态噪声和量测噪声，且为互不相关的高斯白噪声序列，其协方差矩阵分别为R(k)和Q(k)；并初始化所建模型的状态转移矩阵F，观测矩阵H，输入矩阵G，目标状态向量X(k)，观测向量Z(k)，状态噪声协方差矩阵Q(k)，量测噪声协方差矩阵R(k)，协方差矩阵P(k)，模型概率μ_i(k)以及模型i转到模型j的转移概率矩阵p_ij；

构建匀速运动模型(CV模型)和匀速转弯运动模型(CT模型)两种运动模型，作为交互多模型滤波器的模型集；

1.CV：匀速运动模型

取CV模型的目标状态向量则状态转移矩阵F，输入矩阵G和观测矩阵H分别为：

2.CT：匀速转弯运动模型

只考虑运动角速度ω已知的CT模型。则状态转移矩阵F，输入矩阵G和观测矩阵H分别为：

S202、模型条件重新初始化(输入交互):选取经过参数初始化处理的模型j(j＝1,2)，并输入k-1时刻的初始化状态，对模型j混合估计，得到重新初始化的状态和协方差阵按混合估计分别为；

其中，为归一化常数，M_i(k-1)是k-1时刻的匹配模型，μ_i(k-1)是k-1时刻模型i的概率，是k-1时刻模型i的状态估计，相应的协方差矩阵是P_i(k-1|k-1)，M_i(k)是k时刻的模型,μ_ij(k-1|k-1)表示模型i和模型j的混合概率；

S203、模型并行滤波：对k时刻第j个并行滤波器以及Z(k)作为输入进行卡尔曼滤波，计算出各个模型的状态估计和协方差阵P_j(k|k)，具体计算包括以下步骤：

(1)预测：

(2)预测误差方差阵：

(3)卡尔曼增益：

(4)滤波：

(5)滤波误差方差

S204、模型概率更新：

其中，c为归一化常数，且而Λ_j(k)为观测Z(k)的似然函数，

S_j(k)＝HP_j(k|k-1)H^T+R(k) (13)

S205、估计融合(输出交互)：利用组合各滤波器得到k时刻目标状态的最终总体估计及其协方差矩阵P(k|k)，具体的计算公式如下：

k时刻，交互多模型滤波器算法流程示意图如图3所示。

步骤3、利用步骤2中得到的k时刻的目标状态信息其中包括k时刻x和y方向上目标位置估计值和跟踪速度的估计值计算目标径向速度和径向距离，采用层次分析法，求取各个威胁度影响因素的权重，然后计算当前影响因素值的效用值从而得到目标下一个采样时刻的威胁度值；所述层次分析法是将复杂的问题分解成按支配关系分组而形成有序低阶层次结构中的不同因素，通过两两比较的方式确定层次结构中各因素的相对重要性，然后综合判断比较判断结果以确定各个因素相对重要性的总顺序；具体包括如下步骤：

S301、建立目标层次结构模型如图4所示；设目标威胁度为P，目标威胁度受以下评价因素的影响：

(1)目标敌我属性C₁：分为我方、中立、敌方三种，分别用0,1,2表示；

(2)目标类型C₂：将目标类型按照威胁程度的顺序划分为战术弹道导弹、大型机、小型机、武装直升机、诱饵这五类，分别用量化值9、7、6、4、2表示；

(3)目标径向距离C₃：表示目标与无人机径向距离，距离越近，威胁度越大；

(4)目标径向速度C₄：表示目标与无人机的径向速度，所述径向速度是指无人机和目标的相对速度矢量在无人机目标连线上的分量；正值表示目标向无人机靠近，负值表示目标远离无人机，径向速度越大，威胁度越高。

S302、构造P-C判断矩阵：

采用1-9标度法构造P-C判断矩阵，矩阵中元素a_ij表示影响因素C_i和C_j对P的影响之比，其含义如表1所示；表2显示了本发明中所涉及的判断矩阵；

表1 P-C判断矩阵含义

表2判断矩阵


		1
1
			1
	1

S303、计算各个影响因素的权重；

令权重向量W＝[w₁ w₂ w₃…w_n]，采用行和归一法计算每个影响因素的权重w_i：

其中，n为所有影响因素的个数。

得到每个影响因素的权重后，对判断矩阵进行一致性检验，首先计算最大特征根λ_max：

然后计算一致性指标CI：

CI＝(λ_max-n)/(n-1) (18)

根据影响因素个数n查找对应的随机一致性指标RI，随机一致性指标RI的值如下表：

表3随机一致性指标

阶数	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

最后计算一致性比例CR：

CR＝CI/RI (19)

如果CR＜0.1，则认为此判断矩阵通过一致性检验，w_i可作为各个影响因素的权重；否则重新构造P-C判断矩阵，再次求解权重并进行随机一致性检验，直到通过为止。

S304、计算各个影响因素的效益值；

令目标当前影响因素向量为C＝[C₁ C₂ C₃...C_n]，定义效益向量U＝[u₁ u₂u₃...u_n]，下面给出u_i的具体计算公式：

(1)如果影响因素C_i越大，目标威胁度越大，则u_i的效用函数为：

(2)如果影响因素C_i越小，目标威胁度越大，则u_i的效用函数为：

上面两式中：

C_imin＝min{C_i}，C_imax＝max{C_i} (22)

本发明中目标径向距离越小，目标威胁度越大，效用计算采用式(21)，其余三个影响因素均是值越大，威胁度越大，效益计算采用式(20)。

S305、计算目标威胁度值；

利用各个影响因素的权重向量W和目标当前效用向量U，即能够计算每个目标当前时刻的威胁度值：

σ＝W*U^T (23)

步骤4、设无人机匀速运动且速度大小已知，无人机路径规划采样时间间隔与目标采样时间间隔一样都为T，利用差分进化算法同时为多个无人机规划出下一个采样时刻满足无碰撞和无人机最大转弯角约束并使得目标联合探测概率最大、转弯角之和最小的路径；算法流程图如图5所示，具体包括如下步骤：

S401、初始化无人机位置种群；

定义第i(i＝1,2,...,N)架无人机在kT时刻的位置为无人机起点的位置已知，初始的航向角已知；一架无人机在第k个采样时间间隔内的路径由无人机在kT时刻的位置和(k+1)T时刻的位置连接而成，一架无人机在(k+1)T时刻的航向角为从kT时刻位置到(k+1)T时刻位置的矢量方向；位置的表示方法如图6所示，图中为k-1时刻的位置，为k时刻的位置；以位置为极点，水平向右方向为极轴，逆时针为正方向，建立局部坐标系，位置可以用极角θ和极径ρ表示，由于无人机的速度和采样时间间隔均已知，极径ρ很容易算得，所以位置可以用一个变量极角θ来表示，因此，第i架无人机在kT时刻的位置可以用极角表示为θ_i,k；由此，N架无人机在kT时刻的位置可以由位置极角联合表示为θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]，根据给定的多架无人机在初始时刻的位置(针对初次计算时)，或者根据优化得到的多架无人机在当前时刻的位置，在满足无人机最大转弯角约束的前提下，为多无人机随机生成下一时刻的位置，多架无人机在下一时刻的位置联合表示为一个个体，随机生成多个个体组成初始位置种群。本发明采用相对编码的方式，将N架无人机在kT时刻的位置的解范围映射到[0,1]区间，即将θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]转换为x_k＝[x_1,k,x_2,k,...,x_N,k]，x_i,k∈[0,1](i＝1,2,...N)，其中x_i,k在[0,1]区间内随机生成。

S402、考虑无人机最大转弯角约束，在生成无人机下一时刻的位置之前，先对无人机位置范围进行限定；如图6中的阴影范围所示，k时刻的航向角限制在以k-1时刻航向角为轴心，小于等于转弯角最大值θ_res的范围内；通过计算得到满足最大转弯角约束的位置极角范围，压缩了解空间，从而达到加快算法收敛速度的目的；第i架无人机在kT时刻的位置θ_i,k须满足：

θ_i,k∈[θ_i,k-1-θ_res,θ_i,k-1+θ_res] (26)

S403、对位置的相对编码值进行解码，即将位置相对编码值x_i,k对应到具体的极角θ_i,k，x_i,k∈[0,1](i＝1,2,...N)；解码的方法如下：

θ_i,k＝θ_i,k-1-θ_res+x_i,k·2θ_res (27)

S404、对初始种群进行评价：

评价指标为目标函数值f和约束违反程度f_cv；所述目标函数综合考虑对多个目标的联合探测概率和多架无人机的转弯角之和；所述对多个目标的联合探测概率是指对多个目标的探测概率加权和，权重为单个目标的威胁度占所有目标威胁度之和的比重；所述约束违反程度是指多无人机相互之间无碰撞约束的违反程度，具体是指无人机群里两两无人机之间的碰撞程度的平均值；所述碰撞程度用g_ij表示，具体的计算方法如下：

(1)根据N架无人机在kT时刻的位置θ_k＝[θ_1,k,θ_2,k,...,θ_N,k]，通过坐标转换计算得到N架无人机在笛卡尔坐标系下的位置:(x_k,y_k)＝[(x_1,k,y_1,k),(x_2,k,y_2,k),...,(x_N,k,y_N,k)]；

(2)求出两两无人机间的距离得到距离矩阵D＝(d_ij)_N×N,其中d_ij的计算公式如下：

其中，i＝1,2,...,N,j＝1,2,...,N，当i＝j时，d_ij＝0；

(3)根据设定的安全距离d_sd，计算碰撞程度矩阵G＝(g_ij)_N×N,计算方法如下：当两两无人机间的距离小于给定的安全距离d_sd时，即d_ij＜d_sd，g_ij＝(d_sd-d_ij)/d_sd，否则g_ij＝0，表示两者之间无碰撞；

本发明中的最优路径规划问题考虑两个约束条件：最大转弯角约束和无碰撞约束，该带约束的路径优化问题模型表述如下：

其中，1-f₁表示k时刻N个无人机雷达对M个目标的联合探测概率的归一化加权和，f₂表示k时刻N个无人机平均转弯角；μ_j,k表示k时刻目标j(j＝1,2,...,M)的威胁权重，σ_j,k表示k时刻目标j威胁度，通过步骤3求出；θ_i,k表示第i架无人机在k时刻的位置的极角，p_i,j表示第i(i＝1,2,...,N)个无人机雷达对第j个目标的探测概率，p_d0表示雷达的最大探测范围处的探测概率，p_fa表示虚警概率，R_imax表示无人机雷达i的最大探测距离，r_ij表示无人机i与目标j的相对距离。

雷达虚警概率p_fa为设定值，一般取10^-6,10^-7等几个常用数值，这里取p_fa＝10^-7；的取值一般是根据雷达的不同用途而确定的，一般本发明中主要用于目标跟踪，取雷达的最大探测距离R_imax的计算根据雷达的用途不同也有不同，一般用于跟踪的相控阵雷达的探测范围为60～300km，本发明中取R_imax＝100km。

所述约束违反程度f_cv考虑无碰撞约束的违反程度，计算方法如下：

S405、记录初始种群的最佳个体；

若初始位置种群中存在约束违反程度f_cv＝0的个体，则在约束违反程度f_cv＝0的个体中选取目标函数值f最小的个体作为初始位置种群的最佳个体；若初始位置种群所有个体的约束违反程度f_cv均大于0，则选取约束违反程度最小的个体作为初始种群的最佳个体；

S406、判断种群进化代数是否达到给定的最大进化代数，若未达到转S407，否则转S413；

S407、针对当前位置种群，首先通过变异、交叉操作产生新的个体；

S408、考虑最大转弯角约束，计算位置的角度范围，具体方法同S402；

S409、对新的个体进行解码，既将相对编码的量对应到具体的角度范围，具体方法同S403；

S410、对新生成的个体进行评价，具体方法同S404；

S411、通过选择操作在新个体和旧个体中留下较优者，作为当前种群的个体；选择操作的原则为：当两个个体的约束违反程度f_cv相等时，留下目标函数值f较小的那个个体，当两个个体的约束违反程度f_cv不相等时，留下约束违反程度f_cv较小的那个个体；

S412、更新当前种群的最佳个体：将通过选择操作留下的个体与之前记录的种群最佳个体进行比较，比较方法与选择操作的原则相同，将两者中较优的个体作为当前种群的最佳个体，转S406；

S413、输出当前种群的最优个体，作为无人机群下一时刻的位置。

循环执行步骤2-4，得到无人机群在连续的多个采样时间间隔内的高质量路径。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种多无人机跟踪多机动目标的协同路径规划方法，其特征在于，包括如下步骤：

步骤1：初始化无人机和多机动目标的参数信息；

2.根据权利要求1所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述步骤4利用差分进化算法同时为多架无人机规划出下一时刻的位置，具体包括如下步骤：

S401、初始化无人机位置种群；

S402、对初始位置种群进行评价；

S403、记录当前种群的最佳个体；

S405、按照步骤S402的方式对新个体进行评价；

3.根据权利要求2所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述在执行步骤S401之前，对无人机当前位置进行编码，具体方法如下：

4.根据权利要求3所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述在S402中，所述无碰撞约束违反程度，具体的计算方法如下：

(2)求出两两无人机间的距离得到距离矩阵D＝(d_ij)_N×N；

5.根据权利要求3所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述S401和S404中，为满足无人机最大转弯角约束，在生成无人机下一时刻的位置之前，先对无人机位置范围进行限定：

6.根据权利要求1所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述用层次分析法计算威胁度，具体包括如下的步骤：

(4)计算各个评价元素的效益值；

7.根据权利要求6所述多无人机跟踪多机动目标的协同路径规划方法，其特征在于，所述步骤3中的层次分析法中建立的目标威胁度单层次结构模型，具体包括如下的评价元素：

(1)目标敌我属性：分为我方、中方、敌方三种；

(2)目标类型：将目标类型按照威胁程度的顺序划分为战术弹道导弹、大型机、小型机、武装直升机、诱饵这五类；

(3)目标径向距离：表示目标与无人机的径向距离；

(4)目标径向速度：表示目标与无人机的径向速度。