CN109191923A - 一种无人机飞行冲突解脱方法及解脱系统 - Google Patents

Abstract

本发明公开一种无人机飞行冲突解脱方法及解脱系统，该方法包括通过全域数据分析获得由所有可能撞击的无人机的状态组成的碰撞空间；在碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；基于复杂网络以每个无人机所在位置为节点建立网络模型；并在节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；根据与关键节点连线的鲁棒性，或与关键节点连接的边的数量确定移动方向，根据移动方向形成避撞指令并向关键节点发送。该方案解决了现有技术中解脱效率低的问题，实现了飞行冲突解脱的简洁、实用、高效。

Description

一种无人机飞行冲突解脱方法及解脱系统

技术领域

本发明涉及无人机技术领域，尤其是一种无人机飞行冲突解脱方法及解脱系统。

背景技术

近年来无人机系统被广泛运用到战争环境和城市环境中。由于执行任务环境和任务本身逐渐变得复杂，多无人机的集群作业变得越来越有研究价值。无人机之间能够实现自主防撞是无人机集群控制的前提，包括无人机群内部的防撞和无人机群之间的防撞，解决无人机群防撞问题对当前无人机集群作业具有重大意义。

无人机的动力学模型较为复杂，面临的威胁也有高度不确定性。因此在无人机遇到威胁时依赖飞控计算机进行路径生成，会影响无人机群执行任务的效率，同时也可能造成连锁碰撞。考虑到无人机的集群防撞面临着空中威胁数量多，运动速度大等特点，通过对无人机群构建复杂网络，分析在受威胁状态下网络的性质以确定合适的避撞策略，使得无人机群在性能约束的条件下具备自组织防撞的能力，可大大提高在无人机集群防撞的实时性、准确性和适用性。

无人机避撞有很多方法，用于避免无人机之间碰撞的抽象的方法包括蒙特卡洛方法、人工势场法、蚁群算法、遗传算法、共生模拟、几何优化、概率方法、着色Petri网、共识算法、卡尔曼滤波、马尔科夫决策过程法、基于Dubins曲线算法，预测控制算法，基于可达集的方法等，各种方法之间常常结合在一起使用。但这些方法都是考虑成对无人机防撞，没考虑复杂多机态势下的集群防撞问题，同时存在迭代次数多、计算复杂、实时性不好等缺点，无法适用于无人机技术高速发展背景下的无人机集群防撞需求。

当无人机数量增多，需要适应于大规模的无人机防撞方法。提供了多机情况下的冲突解脱方案，普遍存在效率较低的问题。

发明内容

本发明提供一种无人机飞行冲突解脱方法及解脱系统，用于克服现有技术中多机冲突解脱效率低等缺陷，提高无人机群飞行冲突解脱的效率，方式简洁、且适用性强。

为实现上述目的，本发明提出一种人机飞行冲突解脱方法，包括：

步骤1，通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

步骤2，在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；

步骤3，根据无人机在卡迪尔三维坐标系统中的位置，基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；

步骤4，根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

步骤5，根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的节点的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

为实现上述目的，本发明还提供一种无人机飞行冲突解脱系统，包括：

空域获取模块，用于通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

冲突判定模块，用于在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；

碰撞判定模块，用于根据无人机在卡迪尔三维坐标系统中的位置，基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；

关键节点模块，用于根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

避撞方向模块，用于根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的边的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

本发明提供的无人机飞行冲突解脱方法及解脱系统，首先通过对全域数据分析能获得由所有可能发生撞击的无人机的状态构成的碰撞空间，在碰撞空间内根据设定的安全距离，判断发生冲突的无人机对，基于复杂网络以发生冲突的无人机为节点建立网络模型，在每对发生冲突的节点之间建立连接，并在两节点逐渐靠近时认为即将发生碰撞，选择连接线经过最多(边缘权重最大)的节点为关键点，通过复杂网络的鲁棒性迅速减小选择关键节点的避撞方向，来达到网络尽快溃散的目的，实现无人机群之间的威胁尽快消除；将全局空域分为很多小块，无人机分布在不同的子空间中，假设两群互相合作的无人机群朝着相反的方向飞行，在有实时通信的环境下所有的无人机朝着既定的目标进行飞行同时需要执行避撞操作；每一架无人机都配备有飞行轨迹控制单元，避撞系统计算出的避撞策略通过实时数据链接与周边的无人机进行信息交互；本文提出的的无人机避撞算法具有简洁、高效、实用等特点，最重要的是它考虑了每一时刻无人机群系统的安全性指标使得整个飞行过程整体的安全性达到最大，这样的特性对于无人机群而言是非常有利的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例一提供的无人机飞行冲突解脱方法中无人机防撞概念图；

图2为本发明实施例一提供的无人机飞行冲突解脱方法中无人机群复杂网络概念图；

图3a为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点选择的初始状况示意图；

图3b为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点选择的第一个关键节点实施避撞的示意图；

图3c为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点选择的第一个关键节点实施避撞的示意图；

图3d为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点选择的第一个关键节点实施避撞的示意图；

图4为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点选择的流程图；

图5为本发明实施例一提供的无人机飞行冲突解脱方法中关键节点避撞方向选择的流程图；

图6为本发明实施例一提供的无人机飞行冲突解脱方法中无人机群垂直平面防撞场景示意图；

图7为图6场景下无人机之间的相对距离仿真图；

图8为图6场景下防撞过程中的网络连接示意图；

图9为本发明实施例一提供的无人机飞行冲突解脱方法中无人机群随机位置防撞场景示意图；

图10为图9所示场景下无人机之间的相对距离仿真图；

图11为图9场景下防撞过程中的网络连接示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明提出一种无人机飞行冲突解脱方法。

实施例一

请参照图1，本发明提供一种无人机飞行冲突解脱方法，包括以下步骤：

步骤1，通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

步骤11，为每个无人机定义编号，每个编号对应一组状态信息，所述状态信息包括：速度、当前位置、飞行角度、当前时间、飞行状态、避撞方向选择、方向改变程度、达到最接近点剩余时间、飞行过程消耗时间和是否被选择为关键点；

将无人机用节点表示，无人机的状态实时被系统监控，其属性表示为{UAV,velocity,position,angle,t,state,sense,strength,approaching time,time cost,key-node}。UAV表示无人机编号，velocity表示无人机速度，position表示无人机当前位置，angle表示无人机飞行角度，t表示无人机当前所处时间，state表示无人机飞行状态(处于避撞路径上或原路径上)，sense表示无人机避撞方向选择，strength表示无人机方向改变程度，approaching time表示无人机到达最近接近点剩余的时间，time cost表示在整个飞行过程中无人机消耗的时间，key-node表示无人机是否被选择为关键节点。

无人机有五种状态，分别是：状态1，正常的巡航状态；状态2，由防撞系统检测到刚好遇到威胁的时刻；状态3，防撞系统检测到有威胁后开始执行避撞程序正在改变的轨迹上飞行的过程；状态4，在执行避撞的时间达到预计的位置时，按照原有巡航状态进行飞行的过程；状态5，在状态4结束后开始按照与防撞轨迹相反的角度进行返航回到原有轨道上；状态6，在返航过程结束后按照原有巡航的角度进行巡航。

步骤12，通过全域数据分析获得所有可能撞击的无人机的编号，通过编号获取对应的无人机的所述状态信息；

获取任意两个节点的位置，并计算两节点之间的距离，当前时刻相对上一时刻的距离逐渐减小时则认为该两节点可能发生碰撞，通过节点的编号获取与之对应的无人机的上述状态信息；

步骤13，所有无人机的编号及其状态信息组成的多维空间形成所述碰撞空间。

上述所有存在撞击的节点编号及其状态信息共同形成一个多维向量空间，称为碰撞空间。

步骤2，在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；这里的安全距离的选择可以根据两个无人机自身的速度和一个固定的时间来确定；

步骤21，为了检测冲突的目的，无人机在笛卡尔系统中被识别，无人机在相应时间的位置表示为P_i ^t，速度表示为V_i ^t，则满足以下关系：

其中：x为卡迪尔坐标系统中x轴的位移、y为卡迪尔坐标系统中y轴的位移、z为卡迪尔坐标系统中z轴的位移、为无人机在相应时间的俯仰角、为无人机在相应时间的水平角；

下标表示水平轴系统并参照高度。设水平面上速度矢量的方向(从X轴逆时针方向测量)，用来表示垂直平面内的速度方向(从水平面到速度矢量测量，向上为正而向下为负值)。

定义最大爬升(俯仰)角，该角度由无人机的性能决定，其限制了无人机在执行避撞任务时的航迹在垂直平面内的上升和下滑的最大角度：

步骤22，其中最大俯仰改变角度为满足以下条件：

步骤23，对无人机进行邻域集的构建，无人机遇到威胁的坐标设为(x,y,z)，最小的邻域距离为r_min，最大的邻域距离为r_max，最低飞行高度为h_min，则无人机在飞行中的邻域点s的集合为：

d(i,s)指的是i和s之间在一个仿真步长的欧式距离；为了描述整个过程，最小的邻域距离为r_min，最大的邻域距离为r_max表示在现有速度和角度等的限制条件下能达到的位置范围；

这里的领域集指的是就飞机在飞行过程中在一个仿真步长的可能达到的位置集合，这里相当于做了一个约束，就是说当飞机产生防撞的策略时防撞的方向和强度不应超过约束条件的限制；

步骤24，定义最大偏航角为Φ_max，定义其到达目标的后向邻域A(i)，预计的到达角度为θ_goal，则满足以下条件：

步骤25，在时间t设为无人机i与无人机j之间的三维空间距离，无人机与无人机之间的相对速度为设时间为t时水平面上无人机i与无人机j之间的距离为设t时刻无人机i与无人机j在水平面上的相对速度为

在检测到第一对涉及冲突的无人机时，每个无人机在第一对无人机到达危险点之前保持自己的速度，为了确定是否存在冲突威胁，必须满足范围和垂直标准，在时刻t定义为在水平面上最接近接近点CPA(closet point of approach)的时间：

公式(1)～(4)是限制条件，相当于描述的作用，公式(5)是防撞的检测，检测到CPA的时间是多少，对于空域里的每两架飞机之间都要计算然后通过计算出的值来判断有没有撞击危险，这个时间是判断危险的其中一个条件；

相对位置向量表示为:

相对速度向量表示为:

方程是在分母不等于零的条件下定义的，在垂直面上最接近接近点CPA的时间表示为：

在满足下列条件时，认定一个TA(Traffic Alert)事件将被触发:

步骤3，基于复杂网络以每个发生冲突的无人机为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；连接可以由用户自己决定，本文没有提出一种标准的最优化的网络连接方案，可以根据自己的需求不同自己自行定义。

步骤31，若T₁表示第一对无人机触发TA警报的时间，则从T₁时刻起基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；让我们用T₁来表示第一对无人机触发TA警报的时间。从那一刻起，构建一个网络，每个无人机都被表示为一个节点，如果一对节点发生冲突，则节点将建立连接。

步骤32，在T₁时刻，检查所有发生冲突的节点是否正在接近，若两台无人机正在彼此接近时，则判定该两个节点即将发生碰撞，并触发RA警报；

满足下面的公式(10)即正在靠近；

步骤33，连接该两个节点：

其中：为水平面上的无人机的位置、为水平面上的无人机的速度、为垂直面上无人机的位置、为垂直面上无人机的速度。

步骤4，根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

在一对无人机情况下，按照以下原则进行避撞。如图1所示情况，无人机1从右侧至左侧进行巡航，无人机2和无人机3从左侧向右侧进行巡航，此时无人机1被选择为关键节点，可以根据此时的场景进行避撞方向选择，其中向上爬升和向下爬升的预计CPA时刻的目标点与无人机2和无人机3需保持最小安全距离ALIM(Altitude Limitation)。

其中对有碰撞风险的无人机之间进行连线，形成网络进行分析。用邻接矩阵记录无人机之间的状态。用节点N代表无人机，用边E代表无人机之间的关系。定义一个集合Ω以包含满足条件的节点。本文重点研究两组无人机在两个不同的垂直平面上的情景。如图2所示，两组节点分布在相应的垂直平面上。

网络建成后，制定网络描述来描述多无人机系统的内部特征。网络中的节点在不同的无人机组中具有不同的属性。

为了使网络更加接近于真实场景，只使用边数是不够的，需要设定优先级别。边应该有额外的属性来监视无人机的真实关系。该关系包含无人机之间的距离和相对速度。一对无人机越接近对方，就越危险。所以每条边的权重取决于无人机之间的相对距离和相对速度。

步骤4包括，定义无人机i与无人机j之间的边缘权重为ω_ij：

υ_ij代表矢量方向的相对速度，d_ij代表无人机和无人机之间的距离；这就意味着两台无人机接近的速度越快，两台无人机之间的边的权重就越大。

步骤5，根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的边的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

定义即将发生碰撞的两节点之间的连线的健壮性为：

N代表着网络中有N个节点，I是网络中被剔除的节点数量，M代表网络子图中最大的链接数量；M可以理解为边的数量，只不过M中包含的边还具有权重；

这个新模型的目标是尽可能快地分解网络。这意味着在关键节点被清除之后，连接的健壮性和连接的组件的数量应该尽可能低。这意味着无人机相互离开，坠毁的风险越来越小。在仿真步骤中，在关键节点的不同方向选择的情况下，新模型找出关键节点并评估连接的鲁棒性或连接的组件的数目。关键节点将选择变化的航向，在下一个仿真步骤中形成一个新的网络，新的模型将再次选择关键节点。该模型将监测多无人机系统，以确定是否存在TA警报，如果模型停止查找关键节点，多无人机系统将被认为是安全的。

如图3a～d所示，该场景描述的是在一个特殊的垂直面碰撞空间内的无人机关联情况。每个节点代表不同的无人机，黑色节点和灰色节点分别表示两个飞行朝向的无人机群，虚线框表示的是系统认为的灰色节点的受威胁区域，在受威胁区域内的黑色节点被认为是对灰色节点产生威胁的节点。由于在该场景下，黑色节点的受威胁区域内包含的灰色节点数最多为2个(设定为两方是考虑到两群无人机汇合然后共同执行其他任务的场景下，对于其汇合动作的防撞)，而灰色节点的受威胁区域内包含的黑色节点个数都至少是两个，因此在该场景下，按照图示顺序，先后由中间的灰色节点、左侧灰色节点、右侧灰色节点作为关键节点，由鲁棒性最小原则可得这些节点的避撞方向均为向下下降的方向。

由于无人机群防撞仍然不可避免的基于一对无人机的冲突解脱过程，同时也需要考虑到特殊情况，即在研究空域的边界处如果出现新的入侵无人机可能会发生新的碰撞，因此构造相应模型解决这种特殊情况。假设首次触发RA的时刻为t，并且关键节点对应的无人机和相应的入侵者无人机k是遵从同样的避撞逻辑的。在时刻t+τ_RA出现新的入侵飞机m在这种情况下关键节点对应的飞机没有改变其飞行轨迹，方向改变的规则将遵循优先级规则，此时能够提供最大的竖直方向的分离距离的方案将被选择，这和在既定空域内的避撞方向选择的原则是一致的，即保证在威胁时刻保证安全性达到最大。

在时刻t+Δt+τ_RA为无人机m假设一个可能的竖直方向的位置。

当选择向上飞时：

当其方向不做改变时：

当选择了向下的方向时：

在最近接近点处关键节点对应的无人机与入侵无人机m的竖直距离由以下公式表达：

方向是由变量表示的：当向上的方向被选择时有当向下的方向被选择时有当方向不变时有

当关键节点对应的无人机在完成自己的方向计算之前就接收到无人机m的方向选择建议或者无人机i的优先级比无人机m低。

入侵无人机的RA方向选择满足以下公式：

这意味着如果入侵飞机是水平飞行的，那么其飞行状态不被改变。

在方向被确定后要计算RA(Resolution Advisory)提供的改变幅度值，改变幅度应该尽可能的不对当前状态进行过多的干扰，它遵守了最小分离距离规则同时也遵守了优先级规则。如果当前无人机的状态满足那么RA将不被触发，否则方向改变的幅度将由下式决定：

其中：

对冲突解脱的机动进行了安全性验证。在本文中考虑某个时刻的无人机群的安全性，提出基于状态的安全性指标。按照Q统计的方法可以对无人机群进行安全性分析。

其中X_i表示第i架无人机撞毁的可能性，这里就用第i架无人机的鲁邦性指标R_i表示X_i。N代表无人机群的无人机数目为N。由于Q衡量的是某个时刻的安全性，因此每一架无人机的安全率的提高能够提高无人机群的安全性。

关键节点的具体流程参见图4，对仿真全部过程和每一架无人机进行检测是否有TA事件触发，一旦有TA事件触发，对无人机群进行网络构建，计算被包含无人机之间的相对速度和相对距离，然后通过计算受威胁程度值选择出关键节点并执行碰撞方向选择算法，在为关键节点选择好避撞方向后，跟新关键节点的状态。算法一不断执行，TA事件消除时进入下一个循环，更新全局无人机的状态。如果所有无人机到达安全区域，则关键节点选择算法终止。

步骤51，对关键节点构建探测网络对关键节点周围状态进行分析；

步骤52，在探测网络中关键节点的入侵机数量为一架时，探测入侵机与关键节点的垂直高度差；入侵指存在威胁的无人机，所以是边的数量，指与关键节点形成连接的边的数量；

在垂直高度差小于1/2ALIM时，构建全局分析网络,分别计算关键节点选择上升和下降的全局鲁棒性并选择鲁棒性最小的方向为避撞方向；ALIM指的是满足安全的最小的高度差。

在入侵机与关键节点的垂直高度差大于1/2ALIM时，选择垂直方向上远离入侵机的方向为避撞方向；

步骤53，在探测网络中关键节点的入侵机数量为多架时，探测入侵机群中与关键节点对应的无人机在垂直方向上的相对高度；

在更多的入侵机高于关键节点的高度时，则关键节点选择向下的方向为避撞方向；

在更多的入侵机低于关键节点的高度时，则关键节点选择向上的方向为避撞方向。

基于自组织的方法在无人机领域得到了广泛的运用，在多无人机的情况下基于自组织的方法将在很大程度上提升避撞效率。基于Skinner操作条件反射理论框架(GA-OCPA)的学习系统以达到对威胁的规避，这可以借鉴到多无人机条件下冲突解脱策略的方法中。只需要给出当前无人机的速度方向就可以给出全局的无人机的防撞方向以及强度，所以是自组织，没有人的干预，相当于有相应的规则使得无人机群实现了自主防撞。

复杂网络理论认为关键节点有十分重要的性质，它对整个复杂网络系统的影响程度最大。本文提出的基于复杂网络的无人机避撞算法具有简洁、高效、实用等特点，最重要的是它考虑了每一时刻无人机群系统的安全性指标使得整个飞行过程整体的安全性达到最大，这样的特性对于无人机群而言是非常有利的。该防撞系统由两个关键算法组成：关键节点选择算法和避撞方向选择算法。算法将无人机群之间的威胁用复杂网络来表达，根据飞行速度、飞行角度、安全区域三个参数的变化建立无人机网络模型，通过网络的鲁棒性迅速减小来达到网络尽快溃散的目的，实现无人机群之间的威胁尽快消除。本文将全局空域分为很多小块，无人机分布在不同的子空间中。假设两群互相合作的无人机群朝着相反的方向飞行，在有实时通信的环境下所有的无人机朝着既定的目标进行飞行同时需要执行避撞操作。每一架无人机都配备有飞行轨迹控制单元，避撞系统计算出的避撞策略通过实时数据链接与周边的无人机进行信息交互。

对上述的方案进行仿真实验及结果分析：仿真计算出的结果能够展示出在动态情况下的多无人机防撞操作效果。初始化假设参数如

表1所示。

表1无人机的假设参数

对复杂多机垂直平面相遇场景进行仿真实验：

在本场景中，UAV1与UAV6有相撞威胁，UAV2与UAV7有相撞威胁，UAV3与UAV8有相撞威胁，按照本文提出的避撞策略，UAV1，UAV7，UAV8先后成为关键节点，避撞的方向选择与鲁棒性最小原则相一致，整个避撞过程如图6所示。在第一次的冲突中，UAV1与UAV6触发了TA事件，在该时刻防撞系统检测到UAV1面临的威胁有两个，分别是UAV6和UAV9，UAV6只有一个威胁UAV1，因此此时选择UAV1作为关键节点进行避撞处理，再按照鲁棒性最小原则选择向下下降进行避撞。第二次冲突的无人机对为UAV2与UAV7，此时，UAV7面临三个威胁，分别是UAV7，UAV4，UAV5，而UAV 2只有UAV7一个威胁，因此选择UAV7作为关键节点，由该场景可得无人机向下下降的方向是符合鲁棒性最小原则的方向，此时可以保证整体状态安全性最高。同理，第三次冲突中，UAV3和UAV8出发了TA事件，UAV8面临的威胁为UAV3和UAV5，威胁个数为2，而AUV 3只有UAV8一个威胁，因此选择UAV8作为关键节点进行避撞，并且选择向上上升的方向保证鲁棒性最小。

图7描述的是在每一对存在冲突的无人机对的相对距离，图中展现的是UAV2与UAV7，UAV3与UAV8，UAV1与UAV6之间的相对距离随时间的变化情况。从该图中我们可以发现在整个避撞过程中，无人机之间的最小垂直面相对距离为39.24m，满足无人机的安全距离限制。由于算法中实施的是单机改变方向的形式，在无人机未达到预设避撞高度时，无人机相对距离会略有缩小，但是能保证一定不会相撞，因为在预计的碰撞时刻无人机已经飞行至安全高度，所以虽然在避撞过程中可能会有接近的趋势在随后的飞行路径中无人机能够保持相对安全的相对距离。

图8描述的是在无人机群在最后一次避撞过程中的态势，连线表示无人机之间存在潜在的威胁，其中连线的方式与构建网络的逻辑相同，节点之间存在关联不仅和节点之间的相对距离有关，同时与节点之间的相对速度有关。通过网络算法可以识别关键节点然后根据网络属性选择最合适的避撞方向。

对复杂多机无规则集群场景进行仿真实验：

为了检验本文提出的算法的可行性，进行仿真实验得到考虑到了包含九架无人机的人为设计的场景下由该算法自动产生的防撞效果，如图9所示。这个场景具备以下几个特点：

(1)场景相对复杂

(2)多米诺效应

(3)同时考虑到了短时间内多次威胁的情况。

解决的策略就是通过分析在场景内各无人机的被威胁程度选择执行避撞过程的无人机，然后再根据鲁棒性最小原则选择避撞的方向。

在上述场景中，每一架无人机都在以直线的方式向着目标方向进行巡航。在仿真的初始化阶段为每一架无人机的初始位置和初始速度赋值。在有撞击危险的区域，无人机利用本文提出的算法对该场景生成的解决方案进行避撞。在局部空间内，无人机通过广播的形式告知防撞系统实时的空域状态，所有无人机的信息都能通过实时有效的通信设施进行状态的记录与更新，通过防撞系统为所有的无人机给出防撞方案。

在本场景中，第一次出现TA时是UAV1和UAV4触发的。经过防撞系统分析后发现UAV1除了与UAV4即将发生碰撞外，还有潜在的和UAV2发生碰撞的可能，因此第一次发生TA事件时系统选择了UAV1作为关键节点进行避撞方向的选择，此时UAV1选择了向下进行避撞。随着仿真步长推进，系统检测到在下一个阶段UAV1与UAV2触发了TA事件，由于UAV1已经在上一个阶段成为了关键节点，因此在本次冲突中UAV2的潜在威胁虽然只有UAV2与UAV1之间的冲突，但是由于UAV1已经成为了一次关键节点，在这种情况下UAV2被系统选为关键节点，并为其分配了向上避撞的策略，这样使得在原本将要撞击的时刻在系统纠正了无人机航线后使得引起冲突的这几架无人机形成分散规避撞击的态势，这可以解释在这时该区域内的网络鲁棒性实现了最小化，直观的映像就是三架无人机散开了而并没有出现交叉航线等会造成多米诺效应的后果。

第二个出现连续TA事件触发情况的是UAV1，UAV3和UAV5之间。下一个TA事件触发是由UAV1和UAV3引起的，在这种情况下同理UAV3遇到的威胁和UAV1一样多，但是UAV3之前不是关键节点，因此在这一次的关键节点选择中UAV3成为了关键节点并被系统分配了向上避撞的策略。紧接着UAV5检测到即将与UAV1发生撞击，而此时UAV1正处于避撞过程中，关键节点选择优先级不如UAV5高，系统同时检测到此时在UAV5未来的上空有正在执行避撞过程的UAV3，因此此时UAV5选择向上避撞的优先级不如向下方避撞的方向选择优先级高，所以此时UAV5选择了向下避撞的策略。这一次的连续TA事件触发的情况和第一次有所不同，同时涉及到了关键节点的选择时间，成为关键节点之后的节点在下一次评价是否成为关键节点时优先级会降低。

表2 UA1V和UAV2的路径点

由于在算法的设计阶段已经考虑到了连续TA事件触发的情况，因此按照既定的关键节点选择原则和避撞方向选择原则能够在这种连续TA事件触发的情况下由防撞系统综合分析态势为每一架无人机分配有利于空域全局发展的安全性较强的避撞策略。表2总结了UAV1和UAV2的路径。

图10描述的是在每一对存在冲突的无人机对的相对距离，图中展现的分别是UAV1与UAV4，UAV1与UAV3，UAV1与UAV2，UAV1与UAV5之间的相对距离随时间的变化。从该图中我们可以发现在整个避撞过程中，无人机之间的最小相对距离为35.86m，满足无人机的安全距离限制。由于算法中实施的是单机改变方向的形式，在飞机未达到预设避撞高度时，无人机相对距离会略有缩小，但是能保证一定不会相撞，因为在预计的碰撞时刻无人机已经飞行至安全高度，所以虽然在避撞过程中可能会有接近的趋势在随后的飞行路径中无人机能够保持相对安全的相对距离。

图11描述的是在无人机群在最后一次避撞过程中的态势，连线表示无人机之间存在潜在的威胁，其中连线的方式与构建网络的逻辑相同，节点之间存在关联不仅和节点之间的相对距离有关，同时与节点之间的相对速度有关。通过网络算法可以识别关键节点然后根据网络属性选择最合适的避撞方向。

由于在算法的设计阶段已经考虑到了连续TA事件触发的情况，因此按照既定的关键节点选择原则和避撞方向选择原则能够在这种连续TA事件触发的情况下由防撞系统综合分析态势，为每一架无人机分配有利于空域全局发展的安全性较强的避撞策略。

表3为算法和随机的Q值比较。

表3算法和随机的Q值比较

为了比较本文提出的算法的优越性，将基于复杂网络的避撞算法和随机选择避撞方向的算法做比较，表3对比了使用基于复杂网络的防撞算法和随机选择方向避撞方法的Q值，也就是探测到威胁的原撞击时刻的安全性。表格1中展示了不同空域无人机密集度情况下(18架、32架、50架、72架、100架)的Q值结果，其中Q值为30次仿真实验结果的平均值。在不同的无人机密度的情况下基于复杂网络的避撞算法的Q值始终比随机选择方向避撞的算法要小，意味着基于复杂网络的避撞算法能够使得在探测到威胁的原撞击时刻的空域无人机群的安全性可以达到最大。同时，随着密度的增加，效果并没有明显减退，表明算法本身的稳定性很好，适用于大规模无人机群的避撞。

本文提出了在局部空域内的无人机群的基于复杂网络的防撞方法，该方法通过复杂网络理论将无人机的轨迹在全局范围内尽可能迅速地进行同步修改以达到避撞的效果。基于复杂网络的无人机防撞方法由两个不同的算法组成：关键节点选择算法和避撞方向选择算法，这两个子算法组成了在无人机群相遇时能保证面临威胁时刻的局部空间范围内无人机群的安全性最优的防撞系统核心算法。关键节点选择算法通过无人机的状态表示和冲突检测逻辑构建了关键节点选择策略。方向选择算法在关键节点算法的基础上基于鲁棒性最小原则选择威胁解除方案。两个算法通过对局部空域内的无人机群的各种状态的分析，基于状态和复杂网络理论共同提供为无人机群相遇时产生的威胁提供解除方法。由设计的两个经典无人机相遇场景下的仿真实验可以看出基于复杂网络的无人机群避撞算法是可行有效的，对于不同规模的威胁密度都有很好的效果；算法给出的避撞策略能使得原本威胁瞬间的无人机群的安全性达到最高，从安全性的意义上看使得无人机群的安全性鲁棒性增强了。

实施例二

在实施例一的基础上，本发明实施例还提供一种无人机飞行冲突解脱系统，包括：空域获取模块、冲突判定模块、碰撞判定模块、关键节点模块、避撞方向模块；其中：

空域获取模块用于通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

冲突判定模块用于在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；

碰撞判定模块用于根据无人机在卡迪尔三维坐标系统中的位置，基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；

关键节点模块用于根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

避撞方向模块用于根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的节点的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

空域获取模块包括属性子模块、撞击状态子模块、碰撞空间子模块，其中：

属性子模块用于为每个无人机定义编号，每个编号对应一组状态信息，所述状态信息包括：速度、当前位置、飞行角度、当前时间、飞行状态、避撞方向选择、方向改变程度、达到最接近点剩余时间、飞行过程消耗时间和是否被选择为关键点；

撞击状态子模块通过全域数据分析获得所有可能撞击的无人机的编号，通过编号获取对应的无人机的所述状态信息；

碰撞空间子模块所有无人机的编号及其状态信息组成的多维空间形成所述碰撞空间。

关键节点模包括边缘权重子模块、关键节点子模块，其中：

边缘权重子模块用于定义节点i与节点j之间的边缘权重为ω_ij：

υ_ij代表矢量方向的相对速度，d_ij代表节点之间的距离；

关键节点子模块用于在边缘权重最大的两个节点中，选择经过的连线数量较多的节点为关键节点。

避撞方向模块包括状态分析子模块、单机避撞方向子模块、多机避撞方向子模块，其中：

状态分析子模块用于对关键节点构建探测网络对关键节点周围状态进行分析；

单机避撞方向子模块用于在探测网络中关键节点的入侵机数量为一架时，探测入侵机与关键节点的垂直高度差；在垂直高度差小于1/2ALIM时，构建全局分析网络,分别计算关键节点选择上升和下降的全局鲁棒性并选择鲁棒性最小的方向为避撞方向；在入侵机与关键节点的垂直高度差大于1/2ALIM时，选择垂直方向上远离入侵机的方向为避撞方向；

多机避撞方向子模块用于在探测网络中关键节点的入侵机数量为多架时，探测入侵机群中与关键节点对应的无人机在垂直方向上的相对高度；在更多的入侵机高于关键节点的高度时，则关键节点选择向下的方向为避撞方向；在更多的入侵机低于关键节点的高度时，则关键节点选择向上的方向为避撞方向。

系统的实现参见上述方法的实现。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种无人机飞行冲突解脱方法，其特征在于，包括：

步骤1，通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

步骤2，在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；

步骤3，根据无人机在卡迪尔三维坐标系统中的位置，基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；

步骤4，根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

步骤5，根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的边的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

2.根据权利要求1所述的无人机飞行冲突解脱方法，其特征在于，所述步骤1包括：

步骤11，为每个无人机定义编号，每个编号对应一组状态信息，所述状态信息包括：速度、当前位置、飞行角度、当前时间、飞行状态、避撞方向选择、方向改变程度、达到最接近点剩余时间、飞行过程消耗时间和是否被选择为关键点；

步骤12，通过全域数据分析获得所有可能撞击的无人机的编号，通过编号获取对应的无人机的所述状态信息；

步骤13，所有无人机的编号及其状态信息组成的多维空间形成所述碰撞空间。

3.如权利要求1所述的无人机飞行冲突解脱方法，其特征在于，所述步骤2包括：

步骤21，无人机在相应时间的位置表示为P_i ^t，速度表示为V_i ^t，则满足以下关系：

其中：x为卡迪尔坐标系统中x轴的位移、y为卡迪尔坐标系统中y轴的位移、z为卡迪尔坐标系统中z轴的位移、为无人机在相应时间的俯仰角、为无人机在相应时间的水平角；

步骤22，其中最大俯仰改变角度为满足以下条件：

步骤23，对无人机进行邻域集的构建，无人机遇到威胁的坐标设为(x,y,z)，最小的邻域距离为r_min，最大的邻域距离为r_max，最低飞行高度为h_min，则无人机在飞行中的邻域点s的集合为：

d(i,s)指的是i和s之间在一个仿真步长的欧式距离；

步骤24，定义最大偏航角为Φ_max，定义其到达目标的后向邻域A(i)，预计的到达角度为θ_goal，则满足以下条件：

步骤25，在时间t设为无人机i与无人机j之间的三维空间距离，无人机与无人机之间的相对速度为设时间为t时水平面上无人机i与无人机j之间的距离为设t时刻无人机i与无人机j在水平面上的相对速度为

在检测到第一对涉及冲突的无人机时，每个无人机在第一对无人机到达危险点之前保持自己的速度，在时刻t定义为在水平面上最接近接近点CPA(closet point ofapproach)的时间：

相对位置向量表示为:

相对速度向量表示为:

在垂直面上最接近接近点CPA的时间表示为：

在满足下列条件时，认定一个TA(Traffic Alert)事件将被触发:

4.如权利要求3所述的无人机飞行冲突解脱方法，其特征在于，所述步骤3包括：

步骤31，若T₁表示第一对无人机触发TA警报的时间，则从T₁时刻起基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；

步骤32，在T₁时刻，检查所有发生冲突的节点是否正在接近，若两台无人机正在彼此接近时，则判定该两个节点即将发生碰撞，并触发RA警报；

步骤33，连接该两个节点：

其中：为水平面上的无人机的位置、为水平面上的无人机的速度、为垂直面上无人机的位置、为垂直面上无人机的速度。

5.如权利要求4所述的无人机飞行冲突解脱方法，其特征在于，所述步骤4包括：

步骤41，定义节点i与节点j之间的边缘权重为ω_ij：

υ_ij代表矢量方向的相对速度，d_ij代表节点之间的距离；

步骤42，在边缘权重最大的两个节点中，选择经过的连线数量较多的节点为关键节点。

6.如权利要求5所述的无人机飞行冲突解脱方法，其特征在于，所述步骤5包括：

步骤51，对关键节点构建探测网络对关键节点周围状态进行分析；

步骤52，在探测网络中关键节点的入侵机数量为一架时，探测入侵机与关键节点的垂直高度差；

在垂直高度差小于1/2ALIM时，构建全局分析网络,分别计算关键节点选择上升和下降的全局鲁棒性并选择鲁棒性最小的方向为避撞方向；

在入侵机与关键节点的垂直高度差大于1/2ALIM时，选择垂直方向上远离入侵机的方向为避撞方向；

步骤53，在探测网络中关键节点的入侵机数量为多架时，探测入侵机群中与关键节点对应的无人机在垂直方向上的相对高度；

在更多的入侵机高于关键节点的高度时，则关键节点选择向下的方向为避撞方向；

在更多的入侵机低于关键节点的高度时，则关键节点选择向上的方向为避撞方向。

7.一种无人机飞行冲突解脱系统，其特征在于，包括：

空域获取模块，用于通过全域数据分析获得所有可能撞击的无人机的状态，所有的所述无人机组成的空域为碰撞空间；

冲突判定模块，用于在所述碰撞空间内任意一对无人机之间的距离小于或等于设定的安全距离时，判定该对无人机发生冲突并触发TA警报；

碰撞判定模块，用于根据无人机在卡迪尔三维坐标系统中的位置，基于复杂网络以每个无人机所在位置为节点建立网络模型；并在每对发生冲突的节点之间建立连接；在发生冲突的每对节点之间的距离随时间逐渐减小时，判定该对节点即将发生碰撞并触发RA警报；

关键节点模块，用于根据即将发生碰撞的两节点之间连线的边缘权重确定关键节点；

避撞方向模块，用于根据与所述关键节点连线的鲁棒性，或与所述关键节点连接的节点的数量确定所述关键节点的移动方向，根据所述关键节点的移动方向形成避撞指令并向所述关键节点发送。

8.根据权利要求7所述的无人机飞行冲突解脱系统，其特征在于，所述空域获取模块包括：

属性子模块，用于为每个无人机定义编号，每个编号对应一组状态信息，所述状态信息包括：速度、当前位置、飞行角度、当前时间、飞行状态、避撞方向选择、方向改变程度、达到最接近点剩余时间、飞行过程消耗时间和是否被选择为关键点；

撞击状态子模块，通过全域数据分析获得所有可能撞击的无人机的编号，通过编号获取对应的无人机的所述状态信息；

碰撞空间子模块，所有无人机的编号及其状态信息组成的多维空间形成所述碰撞空间。

9.根据权利要求8所述的无人机飞行冲突解脱系统，其特征在于，所述关键节点模块包括：

边缘权重子模块，用于定义节点i与节点j之间的边缘权重为ω_ij：

υ_ij代表矢量方向的相对速度，d_ij代表节点之间的距离；

关键节点子模块，用于在边缘权重最大的两个节点中，选择经过的连线数量较多的节点为关键节点。

10.如权利要求9所述的无人机飞行冲突解脱系统，其特征在于，所述避撞方向模块包括：

状态分析子模块，用于对关键节点构建探测网络对关键节点周围状态进行分析；

单机避撞方向子模块，用于在探测网络中关键节点的入侵机数量为一架时，探测入侵机与关键节点的垂直高度差；

在垂直高度差小于1/2ALIM时，构建全局分析网络,分别计算关键节点选择上升和下降的全局鲁棒性并选择鲁棒性最小的方向为避撞方向；

在入侵机与关键节点的垂直高度差大于1/2ALIM时，选择垂直方向上远离入侵机的方向为避撞方向；

多机避撞方向子模块，用于在探测网络中关键节点的入侵机数量为多架时，探测入侵机群中与关键节点对应的无人机在垂直方向上的相对高度；

在更多的入侵机高于关键节点的高度时，则关键节点选择向下的方向为避撞方向；

在更多的入侵机低于关键节点的高度时，则关键节点选择向上的方向为避撞方向。