CN111707267A - 一种多无人机协同航迹规划方法 - Google Patents

Abstract

本发明提供一种多无人机协同航迹规划方法，括如下步骤：步骤一：对多机协同航迹规划问题进行了描述，包括协同约束分析、协同航迹评价、多机航迹性能评估；步骤二：基于共同进化多种群蚁群算法的协同航迹规划方法，包括共同进化多种蚁群机制、基于航迹代价的状态转移；步骤三：扩散机制的信息素更新，包括局部信息素更新、全局信息素更新。本发明多无人机协同航迹规划方法能够加深多个无人机航迹之间的内在联系，可以提升多无人机在作战时击毁地方目标的能力，同时由于多机协同发展是未来的趋势，该方法间接推动了多机协同问题的发展，为后续人员提供思路。

Description

一种多无人机协同航迹规划方法

技术领域

本发明涉及一种协同航迹规划方法，尤其涉及一种多无人机协同航迹规划方法，属于多智能体控制领域。

背景技术

随着智能化技术和信息化技术以及硬件技术的发展，针对无人机更深层次技术的研究得到了更广泛的关注。将目标瞄向了无人机快速反应能力、高精度控制、协同控制等更深层次问题的探究。在未来的军事领域，单无人机执行任务的策略必将被舍弃，从而转向多机协同的执行任务策略。相较于单个无人机，通过多无人机协同控制技术可以更好的将信息共享，达到更高层次的协作机制，进而在执行军事任务时能远远的降低任务失败概率。同时，鉴于当前无人机种类多种多样，在使用功能、应用环境、飞行方式、气动布局、制导方式、航迹特征等方面存在着明显差异。因此如何充分发展多无人机协同控制相关的技术，促进无人机之间的互补与协作，取得更大的成效，是未来高科技战争中需要解决的关键问题。多无人机航迹规划处于整个协同问题的中层，同时又具有巨大的实际使用价值，良好的航迹规划方法可以提升多无人机整体的效能与任务成功率。

发明内容

本发明的目的是为了获得更加高效高精度以及内在联系更紧密的多无人机航迹规划结果，文本在充分考虑时间约束、空间约束、飞机自身约束的基础上引入协同机制设计一种多无人机协同航迹规划方法。

本发明的目的是这样实现的：

一种多无人机协同航迹规划方法，包括如下步骤：

步骤一：对多机协同航迹规划问题进行了描述，包括协同约束分析、协同航迹评价、多机航迹性能评估；

步骤二：基于共同进化多种群蚁群算法的协同航迹规划方法，包括共同进化多种蚁群机制、基于航迹代价的状态转移；

步骤三：扩散机制的信息素更新，包括局部信息素更新、全局信息素更新。

本发明还包括这样一些特征：

所述的协同约束分析包含有对空间上的约束、时序约束、时间约束，协同航迹评价包含有单机航迹综合代价评估、多机航迹协同性能评估；

所述空间协同约束由以下公式计算：

||D_i(t)-D_j(t)||≥d_safe(i,j＝1,2,…,N_V,i≠j)

式中：d_safe为任意时刻各无人机之间安全空域间隔，D_i(t)为V_i在t时刻的位置；

所述时序约束由以下公式计算：

设

抵达目标的时间为V_Ai，则有：

式中：P(V_i)为必须于V_i之前抵达目标执行任务的无人机的集合；N(V_i)为必须于之后抵达目标的无人机的集合；

所述时间约束由以下公式计算：

一方面，无人机V_i抵达目标的时间必须满足固定时间窗

另一方面，V_i抵达目标时间还受到与其存在时序约束的无人机抵达目标时间的影响；

式子中：

分别为V_i抵达目标时间与P(V_i)中无人机V_j抵达目标时间的最小和最大时间间隔；

分别为N(V_i)中无人机V_k，抵达目标时间与V_i抵达目标时间的最小和最大时间间隔；

所述单平台航迹综合代价评估：

式中：

为无人机V_i的航迹R_i中两相邻导航点之间航段；Fⁱ为单平台航迹综合代价；

为在

航段时所受威胁程度的大小；

所述多平台航迹协同性能评估：

式中：

为航迹R_i的综合协同评价指标：

所述基于航迹综合代价预估的状态转移：g^i,j(np_k+1)为np_k+1到V_i的目标T_i之间尚未构造完成的航迹段的单平台航迹综合代价预估值；np_k+1的坐标为(x,y)，对(np_k+1,T_i)进行离散化采样，采样间隔为v_maxΔt，得点序列

和航段序列

为采样点数量，得：

所述步骤三具体包括：

1)局部信息素更新

当该蚂蚁个体完成了当前迭代中V_i航迹的构造之后，对Iⁱ中该航迹所经过点上的信息素浓度按下式进行更新：

式中：Iⁱ为局部信息素挥发系数；

为局部更新信息素增量；F_nn为由最近邻域法得到的V_i初始航迹综合代价值；由于Ant_i,j的航迹构造过程受V_i性能以及V_i与其他无人机之间协同约束的限制，因此有Ant_i,j未能构造出完整航迹的情况，当Ant_i,j构造出V_i的完整航迹时，

否则

此时局部更新仅对Ant_i,j所经过区域的信息素进行衰减，以降低其他蚂蚁个体再次构造类似不完整航迹的可能性；

2)全局信息素更新

一次迭代中，当种群AC_i中所有蚂蚁个体均完成航迹构造之后，按下式对τⁱ进行全局更新：

式中：ρ_global为全局信息素挥发系数；

为全局更新信息素增量；

和

分别为AC_i中已获得的全局最优航迹和当前迭代中最优航迹的综合协同评价指标值；

3)信息素扩散机制

上述信息素更新机制中蚂蚁个体采用单点信息素释放方式，仅能影响后续经过相同点/区域的蚂蚁，无法引导一定范围的邻近区域内蚂蚁个体的搜索，因而影响算法性能；针对于此，在局部/全局信息素更新的基础上，引入如下所示的信息素扩散机制进行改进：

式中:ρ_dif∈(0,1)为扩散系数，反映扩散过程中(x,y)点处信息素向其邻域扩散的比例；NE(x,y)为(x,y)邻域内点的集合，||NE(x,y)||为集合的规模；算法一次迭代中，当AC_i中所有蚂蚁个体均完成航迹构造和局部/全局信息素更新后，即对信息素结构τⁱ执行上式所示的扩散过程。

与现有技术相比，本发明的有益效果是：

本发明多无人机协同航迹规划方法能够加深多个无人机航迹之间的内在联系，可以提升多无人机在作战时击毁地方目标的能力，同时由于多机协同发展是未来的趋势，该方法间接推动了多机协同问题的发展，为后续人员提供思路。

附图说明

图1是本发明航迹构造示意图；

图2是本发明共同进化多种群蚁群示意图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

一种多无人机协同航迹规划方法，所述的方法对作战环境下多机协同航迹规划问题描述，设计了基于共同进化多种群蚁群算法的协同航迹规划方法，设计了扩散机制的信息素更新，对作战环境下多机协同航迹规划问题描述包含有协同约束分析、协同航迹评价、多机航迹性能评估。基于共同进化多种群蚁群算法的协同航迹规划方法，包含有共同进化多种蚁群机制、基于航迹代价的状态转移。扩散机制的信息素更新包含有局部信息素更新、全局信息素更新。协同约束分析包含有对空间上的约束、时序约束、时间约束，协同航迹评价包含有单机航迹综合代价评估、多机航迹协同性能评估。

实施例1：

多机协同航迹规划问题描述：

设V＝{V_i,i＝1,2,3,…,N_v}为可以执行任务的多无人机集合，U＝{U_i,i＝1,2,3,…,N_v}为无人机编队中无人机对应的任务目标所构成的集合，任务区为Mession，m为在任务区内的敌方威胁集合。多无人机中无人机i最大的航程表示为

最大的转弯角表示为

速度范围表示为

任务的起点为S_i，无人机的航迹由一系列中间时刻对应的导航点构成，最终由航迹指导多无人机飞行。

1.协同约束分析：

多无人机协同航迹规划除了要满足单无人机平台性能约束外，为了实现任务的协同，还必须满足多无人机协同约束，包括空间协同约束、时序约束和时间约束。

(1)空间协同约束。多无人机协同执行任务的过程中，为了避免发生碰撞，任意时刻各无人机之间必须满足一定的安全空域间隔d_safe，设D_i(t)为V_i在t时刻的位置，则有：

||D_i(t)-D_j(t)||≥d_safe(i,j＝1,2,…,N_V,i≠j)

(2)时序约束。在协同任务中,多架无人机往往必须按照特定顺序抵达各自目标执行任务。设

抵达目标的时间为V_Ai，则有：

式中：P(V_i)为必须于V_i之前抵达目标执行任务的无人机的集合；N(V_i)为必须于之后抵达目标的无人机的集合。

(3)时间约束。一方面，无人机V_i抵达目标的时间必须满足固定时间窗

另一方面，V_i抵达目标时间还受到与其存在时序约束的无人机抵达目标时间的影响。

式子中：

分别为V_i抵达目标时间与P(V_i)中无人机V_j抵达目标时间的最小和最大时间间隔；

分别为N(V_i)中无人机V_k，抵达目标时间与V_i抵达目标时间的最小和最大时间间隔。

2.协同航迹评价：

对于多无人机协同航迹规划，一方面应包含单平台航迹的代价，另一方面还应在此基础上进一步反映航迹间对协同约束的满足程度。

1)单平台航迹综合代价评估

无人机V_i的航迹R_i中两相邻导航点之间航段

的综合代价包括航程代价和威胁代价。航程代价反映航段的长度,威胁代价反映无人机经过该航段时所受威胁程度的大小，即：

式中：

为航段

的航程；

为V_i经过航段

时所受威胁程度的大小，其值由无人机的状态、敌方威胁的部署和威胁源特性共同决定。在不影响问题复杂度的前提下，采用考虑速度的威胁代价计算模型(杀伤性威胁)，设无人机V_i以速度v_i经过航段

则

式中：N_p为威胁源数量；

为第l个威胁源对无人机的威胁程度；d为

到第l个威胁源的距离；

为威胁源的作用范围；

为威胁源的高危防御范围(如攻击范围)；γ_v为威胁随速度增加而衰减的系数；θ为距离和速度对威胁程度影响的权重参数；

为威胁等级参数，可由威胁源类型及性能共同确定。

我们就可以得到航迹R_i(N_i个航段)的综合代价为各航段综合代价之和，即

2)多平台航迹协同性能评估

通过引入航迹“协同系数”来衡量多无人机航迹间对时序约束和时间约束的满足程度。协同系数的设计遵循以下原则；当V_i抵达目标执行任务的时间满足时序约束和时间约束时，其航迹R_i的性能通过单平台航迹综合代价来衡量；当V_i执行任务的时间不满足任务的时序和时间约束时，将对航迹协同性能进行惩罚，且对约束的违背程度越大，惩罚的程度也越大，协同系数也越大。协同系数ε_i，计算方法如下：

式中：σ为一取较小正值的常数；ε_max＞1为协同系数的最大值。进一步分析可知当T_Ai满足V_i的任务时序和时间约束时ε_i＝1；当V_i有可能与其他无人机航迹实现协同，但T_Ai不满足任务时序和时间约束时(即LastTime_i＞ErstTime_i且

ε_i∈(1,ε_max]；当V_i无法与其他无人机航迹实现时序/时间协同时(即LastTime_i＜ErstTime_i或T_Ai≠ErstTime_i＝LastTime_i)，ε_i取最大值。

基于单平台航迹综合代价和协同系数，可得航迹R_i的综合协同评价指标：

多无人机协同航迹规划的优化目标就是使无人机航迹的综合协同评价指标最小化，即

面向多无人机协同航迹规划的共同进化多种群蚁群算法：

为了更好地解决包含多类协同约束的多无人机协同航迹规划问题,基于共同过化思想，设计了共同进化多种群蚁群算法(CEMACA)进行求解。

1.共同进化多种群蚁群机制：

根据前面所说的各无人机具有不同的目标，由此可将蚁群算法中的人工蚁群划分为与各无人机对应的蚂蚁种群，各种群中的蚂蚁个体分别为对应的无人机构造航迹,相互间通过共同进化机制进行协同，如图2所示。

图中AC＝{AC_i,i＝1,2,…,N_v}为人工蚁群，AC_i＝{Ant_i,j,j＝1,2,…m}为对应于V_i的蚂蚁种群，Ant_i,j为第i个种群中的第j个蚂蚁个体，m为种群的规模。各种群AC_i维护独立的信息素结构

在共同进化多种群蚁群中，各种群间共同进化内容主要包括以下几方面：1)各种群中的蚂蚁个体在逐步构造航迹时均要与其他种群已构造的其他无人机的最优的航迹进行空间协同，以满足空间协同约束；2)任意种群中的蚂蚁个体在计算航迹综合协同评价指标时，需要根据其他种群已获得的无人机最优航迹，按照前述协同系数公式进行计算。

2.基于航迹综合代价预估的状态转移：

状态转移是指蚂蚁个体由当前位置接照其对应无人机平台的性能约束及空间协同约束移动至下一时刻的位置。在k时刻,设种群AC_i中蚂蚁个体Ant_i,j的位置为np_k，其可选后继移动位置集合为AL_ij(k)，在k+1时刻Ant_i,j按伪随机规则从AL_ij(k)中选择np_k+1进行移动，选取规则如下：

式中：S为满足式所示概率分布的随机变量；AL_ij(k)中的节点一方面应满足V_i的最大航程约束、速度范围约束和最大转弯角约束，另一方面还需满足V_i与其他种群AC_j,j≠i所构建的V_j最优航迹之间的空间协同约束，α，β为反映蚂蚁个体对信息素和启发信息偏重程度的参数；

为信息素结构Iⁱ中n_p点处的信息素浓度；

为n_p,点处启发信息。合理的启发信息能够对蚂蚁的搜索起到良好的引导作用，从而提高算法性能，该启发信息通过对Ant_i,j当前将要构造的航迹段的综合代价进行预估获得，计算公式如下：

式中：λ为较小的正实数；W(np_k,np_k+1)为航段(np_k,np_k+1)综合代价值；g^i,j(np_k+1)为np_k+1到V_i的目标T_i之间尚未构造完成的航迹段的单平台航迹综合代价预估值。

g^i,j(np_k+1)的计算方法如图1所示，设np_k+1的坐标为(x,y)，对(np_k+1,T_i)进行离散化采样，采样间隔为v_maxΔt，得点序列

和航段序列

为采样点数量，得

基于扩散机制的信息素更新：

信息素更新机制是共同进化多种群蚁群算法的另一关键要素，各蚂蚁种群AC_i仅对其维护的信息素结构Iⁱ执行更新操作，具体包括局部信息素更新和全局信息素更新，同时，为了提高算法性能，进一步引入了信息素扩散机制。

1)局部信息素更新

当该蚂蚁个体完成了当前迭代中V_i航迹的构造之后，对Iⁱ中该航迹所经过点上的信息素浓度按下式进行更新：

式中：Iⁱ为局部信息素挥发系数；

为局部更新信息素增量；F_nn为由最近邻域法得到的V_i初始航迹综合代价值。由于Ant_i,j的航迹构造过程受V_i性能以及V_i与其他无人机之间协同约束的限制，因此有Ant_i,j未能构造出完整航迹的情况，当Ant_i,j构造出V_i的完整航迹时，

否则

此时局部更新仅对Ant_i,j所经过区域的信息素进行衰减，以降低其他蚂蚁个体再次构造类似不完整航迹的可能性。

2)全局信息素更新

一次迭代中，当种群AC_i中所有蚂蚁个体均完成航迹构造之后，按下式对τⁱ进行全局更新：

式中：ρ_global为全局信息素挥发系数；

为全局更新信息素增量；

和

分别为AC_i中已获得的全局最优航迹和当前迭代中最优航迹的综合协同评价指标值。

3)信息素扩散机制

上述信息素更新机制中蚂蚁个体采用单点信息素释放方式，仅能影响后续经过相同点/区域的蚂蚁，无法引导一定范围的邻近区域内蚂蚁个体的搜索，因而影响算法性能。针对于此，在局部/全局信息素更新的基础上，引入如下所示的信息素扩散机制进行改进：

式中:ρ_dif∈(0,1)为扩散系数，反映扩散过程中(x,y)点处信息素向其邻域扩散的比例；NE(x,y)为(x,y)邻域内点的集合，||NE(x,y)||为集合的规模。算法一次迭代中，当AC_i中所有蚂蚁个体均完成航迹构造和局部/全局信息素更新后，即对信息素结构τⁱ执行上式所示的扩散过程。

虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

综上所述：本发明提出了一种多无人机协同航迹规划方法，属于控制科学与工程领域。所述的多无人机协同航迹规划方法包含了对作战环境下多机协同航迹规划问题进行了描述，基于共同进化多种群蚁群算法的协同航迹规划方法，扩散机制的信息素更新。所述的对作战环境下多机协同航迹规划问题描述包含有协同约束分析、协同航迹评价、多机航迹性能评估。所述的基于共同进化多种群蚁群算法的协同航迹规划方法，包含有共同进化多种蚁群机制、基于航迹代价的状态转移。所述的扩散机制的信息素更新包含有局部信息素更新、全局信息素更新。所述的协同约束分析包含有对空间上的约束、时序约束、时间约束，协同航迹评价包含有单机航迹综合代价评估、多机航迹协同性能评估。

Claims (6)

1.一种多无人机协同航迹规划方法，其特征是，包括如下步骤：

步骤一：对多机协同航迹规划问题进行了描述，包括协同约束分析、协同航迹评价、多机航迹性能评估；

步骤二：基于共同进化多种群蚁群算法的协同航迹规划方法，包括共同进化多种蚁群机制、基于航迹代价的状态转移；

步骤三：扩散机制的信息素更新，包括局部信息素更新、全局信息素更新。

2.根据权利要求1所述的多无人机协同航迹规划方法，其特征是，所述的协同约束分析包含有对空间上的约束、时序约束、时间约束，协同航迹评价包含有单机航迹综合代价评估、多机航迹协同性能评估。

3.根据权利要求2所述的多无人机协同航迹规划方法，其特征是，所述空间协同约束由以下公式计算：

||D_i(t)-D_j(t)||≥d_safe(i，j＝1，2，...，N_v，i≠j)

式中：d_safe为任意时刻各无人机之间安全空域间隔，D_i(t)为V_i在t时刻的位置；

所述时序约束由以下公式计算：

设

抵达目标的时间为V_Ai，则有：

式中：P(V_i)为必须于V_i之前抵达目标执行任务的无人机的集合；N(V_i)为必须于之后抵达目标的无人机的集合；

所述时间约束由以下公式计算：

一方面，无人机Vi抵达目标的时间必须满足固定时间窗

另一方面，V_i抵达目标时间还受到与其存在时序约束的无人机抵达目标时间的影响；

式子中：

分别为V_i抵达目标时间与P(V_i)中无人机V_j抵达目标时间的最小和最大时间间隔；

分别为N(V_i)中无人机V_k，抵达目标时间与V_i抵达目标时间的最小和最大时间间隔。

4.根据权利要求2所述的多无人机协同航迹规划方法，其特征是，所述单平台航迹综合代价评估：

式中：

为无人机V_i的航迹R_i中两相邻导航点之间航段；Fⁱ为单平台航迹综合代价；

为在

航段时所受威胁程度的大小；

所述多平台航迹协同性能评估：

式中：

为航迹R_i的综合协同评价指标：

5.根据权利要求1或2所述的多无人机协同航迹规划方法，其特征是，所述基于航迹综合代价预估的状态转移：g^i，j(np_k+1)为np_k+1到V_i的目标T_i之间尚未构造完成的航迹段的单平台航迹综合代价预估值；np_k+1的坐标为(x，y)，对(np_k+1，T_i)进行离散化采样，采样间隔为v_maxΔt，得点序列

和航段序列

为采样点数量，得：

6.根据权利要求1或2所述的多无人机协同航迹规划方法，其特征是，所述步骤三具体包括：

1)局部信息素更新

当该蚂蚁个体完成了当前迭代中V_i航迹的构造之后，对Iⁱ中该航迹所经过点上的信息素浓度按下式进行更新：

式中：Iⁱ为局部信息素挥发系数；

为局部更新信息素增量；F_nn为由最近邻域法得到的V_i初始航迹综合代价值；由于Ant_i，j的航迹构造过程受V_i性能以及V_i与其他无人机之间协同约束的限制，因此有Ant_i，j未能构造出完整航迹的情况，当Ant_i，j构造出V_i的完整航迹时，

否则

此时局部更新仅对Ant_i，j所经过区域的信息素进行衰减，以降低其他蚂蚁个体再次构造类似不完整航迹的可能性；

2)全局信息素更新

一次迭代中，当种群AC_i中所有蚂蚁个体均完成航迹构造之后，按下式对τⁱ进行全局更新：

式中：ρ_global为全局信息素挥发系数；

为全局更新信息素增量；

和

分别为AC_i中已获得的全局最优航迹和当前迭代中最优航迹的综合协同评价指标值；

3)信息素扩散机制

上述信息素更新机制中蚂蚁个体采用单点信息素释放方式，仅能影响后续经过相同点/区域的蚂蚁，无法引导一定范围的邻近区域内蚂蚁个体的搜索，因而影响算法性能；针对于此，在局部/全局信息素更新的基础上，引入如下所示的信息素扩散机制进行改进：

式中：ρ_dif∈(0，1)为扩散系数，反映扩散过程中(x，y)点处信息素向其邻域扩散的比例；NE(x，y)为(x，y)邻域内点的集合，||NE(x，y)||为集合的规模；算法一次迭代中，当AC_i中所有蚂蚁个体均完成航迹构造和局部/全局信息素更新后，即对信息素结构τⁱ执行上式所示的扩散过程。

Images