CN108983823A - 一种植保无人机集群协同控制方法 - Google Patents

Abstract

本发明涉及一种植保无人机集群协同控制方法，与现有技术相比解决了植保无人机集群无法实现自动协同控制进行农业病虫害监测施药作业的缺陷。本发明包括以下步骤：无人机集群的初始化；无人机个体的任务布局；无人机个体的空间布局；父无人机和子无人机的运动规划；无人机集群在自由运动空间搜索的控制运动；父无人机的侦测识别施药。本发明实现了对植保无人机集群的协同控制，通过传统成熟的病虫害图像识别方法，使得无人机集群在进行病虫害识别后能够进行自动施药作业。

Description

一种植保无人机集群协同控制方法

技术领域

本发明涉及无人机集群控制技术领域，具体来说是一种植保无人机集群协同控制方法。

背景技术

近年来，随着机器人技术的发展，群体机器人的研究对象已经不单纯包括地面移动机器人，无人机、无人船、机器鱼、人造卫星等都已经成为群体机器人的研究对象，研究的前沿内容之一是群体机器人协作与智能控制，具体包括队形控制、协作搬运、围捕对抗、自组织策略、智能决策、人-机协同等。同时机器人个体日趋智能化、小型化，进而逐渐向大规模集群发展。

无人机做植保飞防作业逐渐被人们接受，目前植保无人机主要用于人为控制下的病虫害识别和喷药，植保飞防服务更多时候沦为“打药机”。即，无人机只是在人工操作下，在田间进行人为控制识别、打药的机器。而目前病虫害图像识别技术发展日趋成熟，人工操作无人机图像获取田间图像后，进行病虫害自动识别也已经发展得日趋完善。

基于此，如何针对植保无人机集群进行自动协同控制，以实现基于无人机集群的病虫害自动识别施药已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中植保无人机集群无法实现自动协同控制进行农业病虫害监测施药作业的缺陷，提供一种植保无人机集群协同控制方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种植保无人机集群协同控制方法，包括以下步骤：

无人机集群的初始化，设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围；

无人机个体的任务布局，将父无人机设定为施药无人机，将子无人机设定为识别无人机；

无人机个体的空间布局，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层；根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定；

父无人机和子无人机的运动规划，设定父无人机和子无人机的任务规划、运动规划功能；

无人机集群在自由运动空间搜索的控制运动，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索病虫害信息并相互通信，同时将信息融合并传输给父无人机；

父无人机的侦测识别施药，父无人机和子无人机共同侦测病害密度最高区域，进行病虫害识别并进行父无人机的施药作业。

所述父无人机和子无人机的运动规划包括以下步骤：

根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量；

子无人机个体位置的确定，i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置好的植物种群高斯分布演化模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量。

所述无人机集群在自由运动空间搜索的控制运动包括以下步骤：

以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}；

对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m；

顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数；

从顶点P₁出发，依次连接目标轨迹点P₁₁、P₁₂、……、P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹；

子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

所述父无人机的侦测识别包括以下步骤：

父无人机和子无人机独自侦测所划分农田区域的图像，并同步将病虫害图像信息传至后台服务器进行图像病虫害识别处理；

后台服务器对父无人机和子无人机发送的农田图像进行病虫害识别，判断出当前病害密度最高区域；

无人机群进行位置调度，父无人机与病害密度最高区域的子无人机进行水平位置调度，将父无人机调度至病害密度最高区域；

父无人机在病害密度最高区域进行喷药作业。

所述的无人机群进行位置调度包括以下步骤：

父无人机在其所在的父无人机层进行移动，移动至病害密度最高区域；

根据父无人机的新位置信息，生成满足分布参数的个体无人机新位置序列，PC₁、PC₂、……,PC_n；

位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列全部满足要求；

子无人机群垂直上升至临时调度层；

子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n；

直到n号子无人机移动到PC_n，位置调度完成。

所述父无人机在病害密度最高区域进行喷药作业包括以下步骤：

父无人机喷药作业轨迹点由当前的父无人机按照实数域连续型负二项分布模型确定，估计点nb(x)生成的具体描述如下：

其中：Γ(x)为实数域上的伽玛函数，r为当前父种无人机所在的位置坐标值；

将生成的轨迹点随机排列，然后依次连接，形成父无人机喷药作业路线；

父无人机沿喷药作业路线执行喷药作业。

所述的无人机群进行位置调度步骤后，还包括无人机集群的循环迭代进化控制，其包括以下步骤：

子无人机在新自由运动空间搜索的控制运动；

父无人机和子无人机再次判断新划分区域内的农田区域图像，判断出当前划分区域状态下病害密度最高区域；

无人机群进行位置调度。

所述的循环迭代次数为3-6次。

有益效果

本发明的一种植保无人机集群协同控制方法，与现有技术相比实现了对植保无人机集群的协同控制，通过传统成熟的病虫害图像识别方法，使得无人机集群在进行病虫害识别后能够进行自动施药作业。

本发明将自然界植物物种繁衍传播方式和种群分布演化的策略用于植保无人机集群互联协作控制，具有分布式协同交互紧密、群体智能涌现明显的特点，可解决现有协调控制方案对无人机集群规模的限制，实现分布式自适应协调控制。

本发明中，无人机集群中相互合作的无人机个体是分布的，更能够适应大面积农田环境下的工作状态，且群体中每个无人机个体的能力简单、制造成本较低，同时每个无人机的任务执行时间相比传统无人机飞防大大缩短，可满足植保监控无人机对实时性和低能耗的需求。

附图说明

图1为本发明的方法顺序图；

图2为本发明中基于植物种群分布演化的多个父种无人机集群互联协作示意图；

图3为本发明中无人机集的空间布局图；

图4为本发明中子无人机空间状态分布图；

图5为本发明中子无人机划分有限自由空间状态分布图；

图6为本发明中子无人机在自由运动空间的目标运动轨迹图；

图7为本发明中父无人机基于植物种群分布演化模型的喷药路径轨迹图；

图8a为现有技术中多峰函数所模拟的复杂地形图；

图8b为图8a的等高线地形图；

图8c为利用本发明方法的无人机第一代进化的自由作业空间分布图；

图8d为利用本发明方法的无人机第二代进化的自由作业空间分布图；

图8e为利用本发明方法的无人机第三代进化的自由作业空间分布图；

图8f为利用本发明方法的无人机第四代进化的自由作业空间分布图；

图8g为利用本发明方法的无人机第五代进化的自由作业空间分布图；

图8h为利用本发明方法的无人机第六代进化的自由作业空间分布图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

本发明为了快速在大面积农业种植区域中快速构建病虫害密度图，在植保用无人机集群互联协作控制中，提出“基于植物种群分布演化的控制模型”用于确定植保用无人机集群的全局变化，构建父种无人机携带多个后代个体无人机的群体结构，分别设计父无人机和子无人机的任务规划、运动规划功能。父种无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索病虫害信息并相互联系沟通，同时将信息汇聚上报给父种无人机，引导父种无人机快速侦测病虫害密度最高的区域，同时无人机集群可以快速确定区域内的病虫害情况，为快速生成病虫害密度图提供核心数据。

如图1所示，本发明所述的一种植保无人机集群协同控制方法，包括以下步骤：

第一步，无人机集群的初始化。

设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围。

第二步，无人机个体的任务布局。

将父无人机设定为施药无人机，施药无人机为大型带喷洒装置的无人机，可根据现场监测情况直接对病害、虫害区域进行灭减作业。将子无人机设定为识别无人机，识别无人机为小型无人机，用于拍摄现场图像，以利用传统的遥感病虫害识别技术进行病虫害及其严重度的识别。

第三步，无人机个体的空间布局。

如图3所示，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层，临时调度层用于父无人机对子无人机进行位置调整使用。

根据无人机集群之间的相对位置，利用现有技术，在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定。

第四步，父无人机和子无人机的运动规划。设定父无人机和子无人机的任务规划、运动规划功能。其具体步骤如下：

(1)根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量，默认为0。

(2)子无人机个体位置的确定。

i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置的植物种群分布格局中典型的高斯分布模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量，默认为0。

如图2所示，基于植物种群分布格局中典型的高斯分布模型，针对于同一个父无人机而言，其子无人机根据分布模型以父无人机为基准进行确定；针对于多个父无人机协同而言，根据已设定的父无人机间距阈值d_m，以此进一步扩大无人机集群的工作范围，提高对复杂环境的作业效果。

第五步，无人机集群在自由运动空间搜索的控制运动。

在本步骤中，通过引入基于泰森多边形的区域自由运动空间划分，可以有效地降低无人机之间运动规划的复杂度，极大减小个体碰撞的概率，降低无人机运动规划和避障行为的能耗；然后，以顶点和初始位置为基点组确定自由运动序列点，在全局区域覆盖的前提下融入随机行为，增加了无人机集群对于复杂作业环境的适应性和有效性，同时可以极大降低完全随机运动的盲目性和全覆盖路径规划的复杂度，实验效果非常好。

如图4所示，各子无人机在空间内呈不规则分布，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索病虫害信息并相互通信，同时将信息融合并传输给父无人机。其具体步骤如下：

(1)如图5所示，以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}，

根据泰森多边形的性质，可以保证每个区域中有且只有一个无人机个体，而且区域内的位置到内部控制点的距离小于到外部控制点的距离。

(2)对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

(3)构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

(4)生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m。

根据牛顿多边形的性质，每个多边形都为凸多边形，所以可以保证无人机运动的轨迹点一定在其自由运动空间内。以顶点P₁为例，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数，顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数。

(5)如图6所示，从顶点P₁出发，依次连接目标轨迹点P₁₁,P₁₂,……,P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

同理，依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹。

(6)子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

第六步，父无人机的侦测识别施药。

父无人机和子无人机利用传统的病虫害识别算法，共同侦测病害密度最高区域，进行病虫害识别并进行父无人机的施药作业。其具体步骤如下：

(1)父无人机和子无人机独自侦测所划分农田区域的图像，并同步将病虫害图像信息传至后台服务器进行传统的图像病虫害识别处理。

(2)后台服务器利用传统成熟方法对父无人机和子无人机发送的农田图像进行病虫害识别，判断出当前病害密度最高区域。

(3)无人机群进行位置调度。

无人机集群采用分层式设计，按照从上至下依次为临时调度层、子无人机层、父无人机层。采用分层设计的优点为：

子无人机数量较多，但是其垂直向上方向不存在障碍物，因此通过增加临时调度层，通过垂直上升动作，方便将子无人机统一调度到临时调度层，然后按照其适应度值逐一下降到子无人机层进行水平位置调度，可以极大减少同一水平面位置调度中过多的避障和复杂路径规划行为，提高执行效率，降低能耗和事故率。

父无人机数量远小于子无人机数量，其单独一层，避免了位置调度中过多的避障和复杂路径规划行为，可以提高执行效率，降低能耗和事故率，又因为父无人机所处的层次较低，可以方便开展针对病虫害的喷药灭减作业，提高作业的效果和精度。

如图3所示，父无人机与病害密度最高区域的子无人机进行水平位置调度，将父无人机调度至病害密度最高区域。其具体步骤如下：

A1)父无人机在其所在的父无人机层进行移动，移动至病害密度最高区域。

A2)父无人机的新位置信息，通过利用父无人机按照预先设置的植物种群分布格局中典型的高斯分布模型再次确定生成满足分布参数的个体无人机新位置序列，PC₁、PC₂、……、PC_n，即基于父无人机的新位置信息通过高斯分布模型重新生成了子无人机的位置信息，进行了子无人机位置的更新(相当于图8c-图8h的变化)。

A3)位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列点全部满足要求。

A4)子无人机群垂直上升至临时调度层。

A5)子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n。

A6)直到n号子无人机移动到PC_n，位置调度完成。

(4)父无人机在病害密度最高区域进行喷药作业。

如图7所示，父无人机在其待喷药的空间范围内，可以采用预先设置好的植物种群分布演化模型确定其喷药的路径轨迹。其具体步骤如下：

B1)父无人机喷药作业轨迹点由当前的父无人机按照实数域连续型负二项分布模型确定，估计点nb(x)生成的具体描述如下：

其中：Γ(x)为实数域上的伽玛函数，r为当前父种无人机所在的位置坐标值；

B2)将生成的轨迹点随机生成点序列，按照序列顺序依次连接，形成父无人机喷药作业路线，父无人机沿作业路线运动，实现在目标区域内的自动喷药作业。

实际应用中，为了实现无人机群的智能化和更高效控制，还可以在第五步的第3步骤无人机群进行位置调度步骤后，加入无人机集群的循环迭代进化控制步骤(子无人机位置更新的不断生成)。无人机集群的循环迭代次数可以为次数限定，如6次，也可以为实际应用所需而设定。其包括以下步骤：

首先，子无人机在新自由运动空间搜索的控制运动，其具体细节步骤与第四步相同。

其次，父无人机和子无人机再次判断新划分区域内的农田区域图像，同样，通过传统算法，再次判断出当前划分区域状态下病害密度最高区域。

最后，无人机群进行位置调度，其具体细节步骤与第五步的第3小步相同。

最终，父无人机在病害密度最高区域进行喷药作业。

在此，采用三维空间的多峰函数Rastrigin函数

来模拟农田害虫虫口密度分布图。如图8a所示，该分布图只有一个密度最高的区域，但是有非常多的局部密度最高区域，因此快速寻找到密度最高的区域非常困难，图8b表示了该分布图的等高线地形图。

仿真实验的目的是应用本发明所述方法让一群无人机去搜索这片模拟农田中的害虫虫口密度最高区域，搜索范围在[-5.12,5.12]2，全局最优位置为(0，0)。无人机群的初始状态是在搜索范围内随机分布，其随机分布状态如图8b中*的分布状态。

如图8c、图8d、图8e、图8f、图8g和图8h所示，从第一代进化开始，每个无人机个体都会动态的拥有自己的自由作业空间，并在其中搜索虫口密度相对较高的区域，通过信息融合确定整个群体本代最优的目标区域，父种无人机逐渐的向虫口密度最高区域靠近；到第六代的时候，如图8h所示，无人机群已经锁定虫口密度最高区域，并且已经非常接近最优位置。相比其他群体智能方法，本发明所述方法所需要的群体迭代调度次数更少，较大的降低了群体机器人控制的复杂度，非常适合应用于群体机器人领域，尤其是无人机集群。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

1.一种植保无人机集群协同控制方法，其特征在于，包括以下步骤：

11)无人机集群的初始化，设置执行任务的无人机个体数量、父无人机数量、父无人机间距阈值，选择植物种群分布演化模型并设置模型的参数，

无人机集群初始化INI(N)表达式如下：

INI(N)＝rand(N,M,d_m,g(X),R)，

其中：rand()为具有五个参数的位置分配随机函数，N为无人机个体总数量，M为全部父无人机的数量，d_m为父无人机间距阈值，g(X)为植物种群分布演化模型的分布密度函数，R为任务作业范围；

12)无人机个体的任务布局，将父无人机设定为施药无人机，将子无人机设定为识别无人机；

13)无人机个体的空间布局，将无人机所处空间自下向上分为父无人机层、子无人机层和临时调度层，父无人机位于父无人机层，子无人机位于子无人机层；根据无人机集群之间的相对位置，在目标工作区域建立初始平面坐标系；首先随机确定一个无人机个体作为参考无人机，其位置被设定为坐标系的原点，然后选择一个方向的无人机建立x轴，逆时针旋转90°建立y轴，其它无人机的位置根据它们对参考无人机相对距离和角度计算确定；

14)父无人机和子无人机的运动规划，设定父无人机和子无人机的任务规划、运动规划功能；

15)无人机集群在自由运动空间搜索的控制运动，父无人机宏观引导子无人机进行空间布局并分配子无人机自由运动空间，子无人机在各自的自由运动空间探索病虫害信息并相互通信，同时将信息融合并传输给父无人机；

16)父无人机的侦测识别施药，父无人机和子无人机共同侦测病害密度最高区域，进行病虫害识别并进行父无人机的施药作业。

2.根据权利要求1所述的一种植保无人机集群协同控制方法，其特征在于，所述父无人机和子无人机的运动规划包括以下步骤：

21)根据父无人机的适应度值，为其分配可调配的无人机个体数量，其分配方式描述如下：

N_CBi＝P_i*N，

其中：N_CBi为i号父无人机调配的无人机个体数量，P_i为分配给i号父无人机的调配比例，f(FB_i)为i号父无人机当前的适应度值，表示i号父无人机的优劣程度，FB_i为i号父无人机当前的位置信息，α_i为i号父无人机分配比例的偏置量；

22)子无人机个体位置的确定，i号父无人机调配的无人机个体的位置X由当前的父无人机按照预先设置好的植物种群高斯分布演化模型确定，具体描述如下：

μ_i＝FB_i，

其中：δ_i为无人机个体位置分布的离散程度，μ_i为无人机个体分布的集中趋势位置，d_r为无人机之间的最小安全运动距离，d_max为作业区域的边界距离，α_δi为无人机个体位置分布离散程度的偏置量。

3.根据权利要求1所述的一种植保无人机集群协同控制方法，其特征在于，所述无人机集群在自由运动空间搜索的控制运动包括以下步骤：

31)以每个无人机个体作为控制点生成泰森多边形，将空间划分为若干独立的区域，独立区域R_k作为无人机个体U_k的自由作业空间，

R_k＝{x∈R_k|d(x,U_k)＜d(x,U_j),j＝{1,2,…N},j≠k}；

32)对每个子无人机的自由运动空间顶点按照顺序排序，生成顶点序列(P₁,P₂，P₃,……,P_n)；

33)构建控制点IN₁(x₀,y₀)到各顶点的线段，

其中，到顶点P₁(x₁,y₁)的线段表示为：

34)生成各线段上的随机点作为无人机在自由运动空间运动的轨迹点，生成目标轨迹点P₁₁,、P₁₂、P₁₃、……、P_1m；

顶点P₁的随机点P₁₁(x₁₁,y₁₁)的生成方法如下：

γ＝rand(1,time),0＜γ＜1，

其中，m为P₁生成的多边形的顶点数，随机参数γ为当前时刻time生成的随机数；

35)从顶点P₁出发，依次连接目标轨迹点P₁₁、P₁₂、……、P_1m，生成子无人机在自由运动空间的目标运动轨迹，目标运动轨迹表示如下：

IN₁—>P₁₁—>P₁₂—>……—>P_1m，

IN₁为子无人机IN₁当前所在位置；

依次生成子无人机IN₂，IN₃，……IN_n的目标运动轨迹；

36)子无人机按照目标运动轨迹在其自由运动空间内执行作业任务，更新最优适应度值和对应的位置信息，并发送给父无人机。

4.根据权利要求1所述的一种植保无人机集群协同控制方法，其特征在于，所述父无人机的侦测识别包括以下步骤：

41)父无人机和子无人机独自侦测所划分农田区域的图像，并同步将病虫害图像信息传至后台服务器进行图像病虫害识别处理；

42)后台服务器对父无人机和子无人机发送的农田图像进行病虫害识别，判断出当前病害密度最高区域；

43)无人机群进行位置调度，父无人机与病害密度最高区域的子无人机进行水平位置调度，将父无人机调度至病害密度最高区域；

44)父无人机在病害密度最高区域进行喷药作业。

5.根据权利要求4所述的一种植保无人机集群协同控制方法，其特征在于，所述的无人机群进行位置调度包括以下步骤：

51)父无人机在其所在的父无人机层进行移动，移动至病害密度最高区域；

52)根据父无人机的新位置信息，生成满足分布参数的个体无人机新位置序列，PC₁、PC₂、……,PC_n；

53)位置序列点的校验，对于序列点之间的距离小于或等于无人机之间的安全距离的进行删除，并重新生成新序列点替换，直至位置序列全部满足要求；

54)子无人机群垂直上升至临时调度层；

55)子无人机依据其适应度值从大至小排序，依次分别调度子无人机从临时调度层至子无人机层，并在该层移动至当前PC_i的坐标位置，i＝1、2、……、n；

56)直到n号子无人机移动到PC_n，位置调度完成。

6.根据权利要求4所述的一种植保无人机集群协同控制方法，其特征在于，所述父无人机在病害密度最高区域进行喷药作业包括以下步骤：

61)父无人机喷药作业轨迹点由当前的父无人机按照实数域连续型负二项分布模型确定，估计点nb(x)生成的具体描述如下：

其中：Γ(x)为实数域上的伽玛函数，r为当前父种无人机所在的位置坐标值；

62)将生成的轨迹点随机排列，然后依次连接，形成父无人机喷药作业路线；

63)父无人机沿喷药作业路线执行喷药作业。

7.根据权利要求4所述的一种植保无人机集群协同控制方法，其特征在于，所述的无人机群进行位置调度步骤后，还包括无人机集群的循环迭代进化控制，其包括以下步骤：

71)子无人机在新自由运动空间搜索的控制运动；

72)父无人机和子无人机再次判断新划分区域内的农田区域图像，判断出当前划分区域状态下病害密度最高区域；

73)无人机群进行位置调度。

8.根据权利要求7所述的一种植保无人机集群协同控制方法，其特征在于：所述的循环迭代次数为3-6次。