CN111831008B - 一种基于分布式架构的无人机编队协同控制系统及其方法 - Google Patents

Abstract

本发明公开了一种基于分布式架构的无人机编队协同控制系统及其方法，属于无人机控制系统的技术领域。包括：包括：空中端、通信层和地面端；所述空中端包括：多个无人机，设置在各个无人机节点上的单无人机体系，所述通信层为各无人机节点实现信息共享，信息的共享形式，采用设计PMP通信模式与Mesh网络通信模式的切换算法；所述地面端即为地面控制系统。本发明利用无线传输模块设计了一套以Mesh网络为主的分布式通信方案；优化了长机编队飞行的控制律，为解决僚机在编队飞行阶段实时跟踪动态点的问题，提出了新的编队跟踪算法，取名为最优转弯半径(OTR)算法，多次仿真和试飞实验表明其相对于传统的PID算法具有更好的性能。

Description

一种基于分布式架构的无人机编队协同控制系统及其方法

技术领域

本发明属于无人机控制系统的技术领域，特别是涉及一种基于分布式架构的无人机编队协同控制系统及其方法。

背景技术

无人机编队协同是近年来颇受业界关注的课题之一，无人机编队协同是人类从生物界鸟类、鱼类等高度协调一致的群体运动受到的启发而提出了一个概念。群居性动物个体通过简单的生存规则、局部的信息交互，便形成了适应性强、灵活度高的自组织行为。这种自主协调、无中心和主动性共识的群体智能特点和无人机编队飞行的协同控制需求非常一致。生物群体的这种分布式特点非常值得借鉴。

在传统的无人机编队领域，大多采用地面站集中式的编队控制。传统集中式的控制方式地面站需要大量的信息交互，对通信链路的稳定和快速低延时要求极高。且伴随着地面站节点出现异常或者通信链路断开而出现整个编队失控的危险性。

发明内容

本发明为解决上述背景技术中存在的技术问题，研发出了一种基于分布式架构的无人机编队协同控制系统及其方法：基于分布式架构的编队控制方法其链路的稳定性以及整个编队的抗干扰性和容错性都是集中式不可比拟的，包括设计分布式架构协同方法、编队控制律设计与优化、编队队形变换。

本发明采用以下技术方案来实现：一种基于分布式架构的无人机编队协同控制系统，所述控制系统为多无人机体系结构，包括：空中端、通信层和地面端；

所述空中端包括：多个无人机，设置在各个无人机节点上的单无人机体系，所述单无人机体系包括感知层和控制层，用于获取所述无人机的姿态、速度和位置；

所述通信层为各无人机节点实现信息共享，信息的共享形式；

所述地面端即为地面控制系统，包括上传群体的整体任务和监视群体以及群体中的每个个体的遥测数据，地面操作人员根据各无人机的飞行状态情况，为各无人机发送指令，地面端的无线数传模块在编队协同飞行阶段不上传控制指令，仅为监视作用；

所述空中端内的感知层用于将多个传感器数据融合获得更高频更精确的导航数据，控制层接地面端解算的轨迹作为期望，结合感知层得到的导航数据，经过控制算法处理可以得到四通道的舵量输出，最后发送给执行机构。

使用如上所述的一种基于分布式架构的无人机编队协同控制系统的控制方法，具体包括以下步骤：

步骤一、无线传输模块的编队通信网络设计；

步骤二、分布式编队态势感知模型的研究；

步骤三、无人机编队控制律优化与设计；

步骤四、无人机编队实时在线动态壁障算法。

在进一步的实施例中，所述步骤一具体如下：

选定编队中有n架无人机，将单个无人机看成节点，定义第i架无人机携带数传的编号为A_i和B_i；首先A₀,A₁,…A_i采用PMP通信模式，地面端A₀作为主节点，机载端A₁,…A_i为从节点,所有的数据都要经过主节点A₀；B₁,B₂,…B_i采用Mesh网络通信，其中B₁的角色为主协调员，B₂,…B_i为备用协调员；

定义第i个从节点与主节点m的通信质量为满足以下公式：

式中t_c表示当前时刻，T_s代表时间间隔，n代表从节点i与主节点m之间共有n个数据包，q_j代表第j个数据包的字节数，I_j代表在时间间隔[t_c,t_c+T_s]段，该数据包字节是否需要发送，如果需要I_j＝1，否则I_j＝0；f_j为该数据包字节的发送频率，r_j代表在时间间隔[t_c,t_c+T_s]段，从节点是否接受到，若接收到r_j＝1，否则r_j＝0；显然有A＝[a_ij]_n×n代表邻接矩阵，a_ij代表节点i到j的权值系数；容易推出a_ii＝0，并且a_ij＝a_ji≥0；定义e_ij＝(v_i,v_j)∈V×V,i≠j，若存在/>则为无向图；vi是i时刻的速度；

(α₁，α₂)，(α₂，α₃)…(α_i，α_j)，i,j∈[i，n]代表路，路是由边构成的序列；

定义第i个节点与邻居节点集合N_i＝{a_j∈V,(a_i,a_j)∈E}的通信质量为所述满足以下公式：

n_k＝a_ij→(a_i,a_j)∈N_i

其中p代表在编队协同飞行节点，无人机节点协同控制需要接到的数据包，f_p代表这包数据的发送频率，I代表该包数据是否被接收到，若接收到I＝1，否则I＝0；k代表该节点的邻居节点N_i的个数，显然

在进一步的实施例中，所述步骤二具体如下：

定义任务场景为：在z个区域内具有多个目标需要进行搜索，并将得到的搜索信息发送回地面端的指挥中心，然后根据指挥中心的指令决定执行相应的行为，目标位置在各区域内的数量位置，设定执行任务的编队为母编队，

此时母编队要对任务进行分配，定义n架无人机(V₁,V₂,L V_n)对z个区域(A₁,A₂，…A_z)的分配矩阵X_n×z为：

任务分配收益函数为：式中，ρ_j代表该区域能搜索到目标的概率，P_j代表该区域的搜索优先级；

任务分配代价函数为：

式中δ_j代表无人机损耗概率，主要和无人机到目标区域的航程代价、威胁代价有关，υ_j为无人机执行任务的效率，和燃油、携带设备有关；

则分配矩阵方程和对应最优解为：

E(X)＝B(X)-C(X)

按照上述分配，母偏队分为多路子偏队，各子编队根据搜索区域的面积和编队感知范围，自动规划出了搜索航线。

在进一步的实施例中，为提高搜索效率，避免单一区域无人机数量过多和单无人机跨多区域搜索，定义一个区域内能容纳最多的无人机数量为n_max，单无人机能搜索的最多区域为z_max，增加以下约束条件：

在进一步的实施例中，所述步骤三中的无人机编队控制律优化与设计具体包括：轨迹环控制律设计和姿态环控制律设计；

其中，所述轨迹环控制律设计包括：横侧向控通道制律设计和纵侧向通道控制律设计；

所述姿态环控制律设计包括：转、俯仰和偏航三个控制器，采用PID控制算法。

在进一步的实施例中，所述横侧向控通道制律设计具体如下：

横侧向加速度指令可以通过下式计算：

式中v代表地理系下无人机的速度，L₁代表飞机当前点与选取的参考点之间的距离，η代表L₁与飞机速度方向的夹角；

得到了无人机期望的横侧向加速度指令，根据定坡度协调转弯的运动学原理，推导出无人机的期望滚转角：

式中φ_c代表期望滚转角，g表示当地重力加速度；

选择跟踪一条直线的模型来分析L1算法，d为侧偏距，即无人机当前位置到直线段的距离，假设η很小：sinη＝η≈η₁+η₂

可得

将带入上述公式得：

得到以下等价公式：其中，/>

综上，L1算法公式如下：其中K＝4ξ²；

由于d∝η₁，

因此在此将η₁作为误差项进行积分

sinη＝η≈η₁+η₂+η₃，其中，

其中ΔT为采样周期，K_li为积分控制系数；

综合上述分析，结合以上公式，将周期T_n和阻尼ζ作为设定参数，可以推导出:

根据运动学原理，最后期望滚转角叠加上实际俯仰角θ的补偿，结果为：

在进一步的实施例中，所述纵侧向控通道制律设计具体如下：

飞机的总能量E_T等于重力势能E_P和动力势能E_k之和：

E_T＝E_P+E_K＝0.5mv²+mgh，其中，m为飞机质量，h为飞机的高度；

对上述公式两边进行求导：

考虑飞机在垂直平面的运动方程有：

式中μ为飞机航迹倾斜角，T为飞机所收到的推力，D为飞机的阻力；

假设飞机的航迹倾斜角μ很小，则：sinμ≈μ，

如果无人机在一段时间内定速飞行，则可以认为飞机受到的阻力不变，那么飞机动能的变化完全是由推力增量引起的，即根据总能量的变化率作为误差输入量设计PID控制器得到期望的油门输出；

定义势能和动能之差为：E_L＝E_P-E_K＝mgh-0.5mv²

变化率公式为:

同样可以将势能之差的变化作为误差项输入设计PID控制器；

纵向控制通道期望的油门和俯仰角输出为：

式中，分别为油门通道的比例、积分、微分系数，/>为俯仰通道的比例、积分、微分系数，ΔE_T代表飞机总能量的误差，/>代表飞机总能量变化率的误差，ΔE_L为飞机重力势能与动能只差的误差，/>为飞机重力势能与动能之差变化率的误差。

在进一步的实施例中，僚机在编队队形保持阶段需要实时跟踪动态的坐标点，并没有预定的航线，故设计一种新的固定翼编队横侧向跟踪算法，取名为最优转弯半径算法：

设僚机相对于长机的设定偏差为e_F→L(x,y,z)，长机GPS坐标系下的位置坐标为L(l,λ,h)，其中e_F→L(x,y,z)属于本地UTM坐标系，其y轴与长机航向重合，L(l,λ,h)表示长机在GPS坐标系下的经纬高坐标；

根据僚机与长机的固定偏差e_F→L和长机的位置L可以计算出僚机的期望位置F_c(l,λ,h)，其计算过程分为三步：

(4)将L(l,λ,h)转化到UTM坐标下得到L^u(x,y,z)；

(5)在UTM坐标系下将L^u(x,y,z)和e_F→L(x,y,z)得到僚机的期望UTM坐标

(6)将转化到GPS坐标系下得到F_c(l,λ,h)；

定义超前跟踪点为F_c→l(l,λ,h)，滞后跟踪点为F_c→tr(l,λ,h)，定义函数g(f,x,d)表示以GPS坐标系下的位置f为基准点，向x方向前进距离d，设相对于期望点超前距离为L_c→l，相对于期望点滞后距离为L_c→tr，则

F_c→l(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→l)

F_c→tr(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→tr)

式中L_ψ为长机的航向角，超前点和滞后点是期望点附近沿着长机航向方向选取；

定义长机与僚机的实时距离为近距离用/>表示，远距离用/>表示，则僚机期望位置的计算公式为：

长机的纵向通道控制采用了TECS算法。

本发明的有益效果：针对无人机编队的协同方法，首先以无人机分布式体系结构为基础，利用无线传输模块设计了一套以Mesh网络为主的分布式通信方案，以满足大量的信息交互的需求；采用了基于长僚机模式的编队协同策略，首先优化了长机编队飞行的控制律，具体方法为：用改进的L1算法对横侧向控制律进行优化，设计了基于总能量控制系统的纵向控制律，内环采用经典的PID控制。然后，为解决僚机在编队飞行阶段实时跟踪动态点的问题，提出了新的编队跟踪算法，取名为最优转弯半径(OTR)算法，多次仿真和试飞实验表明其相对于传统的PID算法具有更好的性能。

附图说明

图1为本发明的多无人机分布式体系结构图。

图2为本发明中的通信层中的通信拓扑图。

图3为编队全自主飞行流程图。

图4为两种通信切换逻辑图。

图5为编队主要阶段图。

图6长机横向的控制系统结构图。

图7为L1算法参考点的选择图。

图8为直线跟踪情况下的L1模型图。

图9为长机纵向总能量的控制框图。

图10为滞后点跟踪示意图。

图11三角形编队转弯图。

图12为僚机纵向通道控制图。

具体实施方式

下面结合附图说明和具体实施例对本发明做进一步的描述。

固定翼无人机编队控制的主要难点有：编队内无人机信息交互问题、编队控制问题和路径规划问题等。对于编队内信息交互和编队控制问题，仅仅依靠局部信息交互的一致性算法，在时变的通信拓扑下寻求共识，改理论已成功应用于集结问题和编队控制问题。在传统的无人机编队领域，大多采用地面站集中式的编队控制。传统集中式的控制方式地面站需要大量的信息交互，对通信链路的稳定和快速低延时要求极高。且伴随着地面站节点出现异常或者通信链路断开而出现整个编队失控的危险性。而基于分布式架构的编队控制方法其链路的稳定性以及整个编队的抗干扰性和容错性都是集中式不可比拟的，为此发明人研发了一种基于分布式架构的无人机编队协同控制系统，基于分布式架构的编队协同方法设计、无人机编队控制律的优化与设计和无人机编队的队形变换。

实施例1

一种基于分布式架构的无人机编队协同控制系统，为多无人机体系结构。如图1所示，包括：空中端、通信层和地面端。所述空中端包括：多个无人机，设置在各个无人机节点上的单无人机体系，所述单无人机体系包括感知层和控制层，用于获取所述无人机的姿态、速度和位置，所述感知层采用扩展卡尔曼滤波滤波(EKF,Extended Kalman Filter)算法进行多传感器数据融合，输入量为IMU(IMU,Inertial Measurement Unit)和GPS(GlobalPosition System)，经过融合后可以得到更高频更精确的导航数据，包括姿态、速度和位置。传感器为设置在所述无人机上的导航传感器模块、飞行控制系统模块、接收机模块、机载端数传模块等。所述通信层为各无人机节点实现信息共享，信息的共享形式，采用设计PMP通信模式与Mesh网络通信模式的切换算法；

所述地面端即为地面控制系统，包括上传群体的整体任务和监视群体以及群体中的每个个体的遥测数据，地面操作人员根据各无人机的飞行状态情况，为各无人机发送指令，地面端的无线数传模块在编队协同飞行阶段不上传控制指令，仅为监视作用；所述空中端内的感知层用于将多个传感器数据融合获得更高频更精确的导航数据，控制层接收地面站的规划航线作为期望，结合感知层得到的导航数据，经过控制算法处理可以得到四通道的舵量输出，最后发送给执行机构。

一种基于分布式架构的无人机编队协同控制系统的控制方法，具体包括以下步骤：

步骤一、无线传输模块的编队通信网络设计；

步骤二、分布式编队态势感知模型的研究；

步骤三、无人机编队控制律优化与设计。

具体的，步骤一中的编队通信网络设计具体包括如下：选定编队中有n架无人机，将单个无人机看成节点，定义第i架无人机携带数传的编号为A_i和B_i；首先A₀,A₁,…A_i采用PMP通信模式，地面端A₀作为主节点，机载端A₁,…A_i为从节点,所有的数据都要经过主节点A₀；B₁,B₂,…B_i采用Mesh网络通信，其中B₁的角色为主协调员，B₂,…B_i为备用协调员；设计A₀,A₁,…A_i信集合的目的有两个：(1)发送编队整体指令，如集结、队形变化等；(2)用于地面实时监视各无人机节点的飞行数据信息。如图2所示，图2中的i＝3。

为充分发挥各个数传节点的通信能力，将PMP通信节点与Mesh网络通信节点相结合。一次完整的编队全自主飞行流程如图3所示。其中编队协同飞行时，编队系统内的数据交互量最大，通信的压力也是最大。在设置队形、发送开始编队指令和发送队形变化指令阶段属于地面人员的操作，这时必须使用PMP通信模式，但其通信量极小，不同于编队协同飞行阶段，其只需单次发送即可，不需要实时更新指令。

现设计PMP通信模式与Mesh网络通信模式的切换算法，对于PMP通信模式，定义第i个从节点与主节点m的通信质量为

定义第i个从节点与主节点m的通信质量为满足以下公式：

式中t_c表示当前时刻，T_s代表时间间隔，n代表从节点i与主节点m之间共有n个数据包，q_j代表第j个数据包的字节数，I_j代表在时间间隔[t_c,t_c+T_s]段，该数据包字节是否需要发送，如果需要I_j＝1，否则I_j＝0；f_j为该数据包字节的发送频率，r_j代表在时间间隔[t_c,t_c+T_s]段，从节点是否接受到，若接收到r_j＝1，否则r_j＝0；显然有

A＝[a_ij]_n×n代表邻接矩阵，a_ij代表节点i到j的权值系数；容易推出a_ii＝0，并且a_ij＝a_ji≥0；定义e_ij＝(v_i,v_j)∈V×V,i≠j，若存在则为无向图；

(α₁，α₂)，(α₂，α₃)…(α_i，α_j)，i,j∈[i，n]代表路，路是由边构成的序列。α是加速度

定义第i个节点与邻居节点集合N_i＝{a_j∈V,(a_i,a_j)∈E}的通信质量为所述满足以下公式：

n_k＝a_ij→(a_i,a_j)∈N_i

其中p代表在编队协同飞行节点，无人机节点协同控制需要接到的数据包，f_p代表这包数据的发送频率，I代表该包数据是否被接收到，若接收到I＝1，否则I＝0；k代表该节点的邻居节点N_i的个数，显然

在进一步的实施例中，所述步骤二具体如下：

定义任务场景为：在z个区域内具有多个目标需要进行搜索，并将得到的搜索信息发送回地面端的指挥中心，然后根据指挥中心的指令决定执行相应的行为，目标位置在各区域内的数量位置，设定执行任务的编队为母编队，

此时母编队要对任务进行分配，定义n架无人机(V₁,V₂,L V_n)对z个区域(A₁,A₂，…A_z)的分配矩阵X_n×z为：

任务分配收益函数为：式中，ρ_j代表该区域能搜索到目标的概率，P_j代表该区域的搜索优先级；

任务分配代价函数为：

式中δ_j代表无人机损耗概率，主要和无人机到目标区域的航程代价、威胁代价有关，υ_j为无人机执行任务的效率，和燃油、携带设备有关；

则分配矩阵方程和对应最优解为：

E(X)＝B(X)-C(X)

按照上述分配，母偏队分为多路子偏队，各子编队根据搜索区域的面积和编队感知范围，自动规划出了搜索航线。

在进一步的实施例中，为提高搜索效率，避免单一区域无人机数量过多和单无人机跨多区域搜索，定义一个区域内能容纳最多的无人机数量为n_max，单无人机能搜索的最多区域为z_max，增加以下约束条件：

在进一步的实施例中，所述步骤三中的无人机编队控制律优化与设计具体包括：轨迹环控制律设计和姿态环控制律设计；

其中，所述轨迹环控制律设计包括：横侧向控通道制律设计和纵侧向通道控制律设计；

所述姿态环控制律设计包括：转、俯仰和偏航三个控制器，采用PID控制算法。

在进一步的实施例中，所述横侧向控通道制律设计具体如下：

横侧向加速度指令可以通过下式计算：

式中v代表地理系下无人机的速度，L₁代表飞机当前点与选取的参考点之间的距离，η代表L₁与飞机速度方向的夹角；

得到了无人机期望的横侧向加速度指令，根据定坡度协调转弯的运动学原理，推导出无人机的期望滚转角：

式中φ_c代表期望滚转角，g表示当地重力加速度；

选择跟踪一条直线的模型来分析L1算法，d为侧偏距，即无人机当前位置到直线段的距离，假设η很小：sinη＝η≈η₁+η₂

可得

将带入上述公式得：

得到以下等价公式：其中，/>

综上，L1算法公式如下：其中K＝4ξ²；

由于d∝η₁，

因此在此将η₁作为误差项进行积分

sinη＝η≈η₁+η₂+η₃，其中，

其中ΔT为采样周期，K_li为积分控制系数；

综合上述分析，结合以上公式，将周期T_n和阻尼ζ作为设定参数，可以推导出:

根据运动学原理，最后期望滚转角叠加上实际俯仰角θ的补偿，结果为：

在进一步的实施例中，所述纵侧向控通道制律设计具体如下：

飞机的总能量E_T等于重力势能E_P和动力势能E_k之和：

E_T＝E_P+E_K＝0.5mv²+mgh，其中，m为飞机质量，h为飞机的高度；

对上述公式两边进行求导：

考虑飞机在垂直平面的运动方程有：

式中μ为飞机航迹倾斜角，T为飞机所收到的推力，D为飞机的阻力；

假设飞机的航迹倾斜角μ很小，则：sinμ≈μ，

如果无人机在一段时间内定速飞行，则可以认为飞机受到的阻力不变，那么飞机动能的变化完全是由推力增量引起的，即根据总能量的变化率作为误差输入量设计PID控制器得到期望的油门输出；

定义势能和动能之差为：E_L＝E_P-E_K＝mgh-0.5mv²

变化率公式为:

同样可以将势能之差的变化作为误差项输入设计PID控制器；

纵向控制通道期望的油门和俯仰角输出为：

式中，分别为油门通道的比例、积分、微分系数，/>为俯仰通道的比例、积分、微分系数，ΔE_T代表飞机总能量的误差，/>代表飞机总能量变化率的误差，ΔE_L为飞机重力势能与动能只差的误差，/>为飞机重力势能与动能之差变化率的误差。

在进一步的实施例中，僚机在编队队形保持阶段需要实时跟踪动态的坐标点，并没有预定的航线，故设计一种新的固定翼编队横侧向跟踪算法，取名为最优转弯半径算法：

设僚机相对于长机的设定偏差为e_F→L(x,y,z)，长机GPS坐标系下的位置坐标为L(l,λ,h)，其中e_F→L(x,y,z)属于本地UTM坐标系，其y轴与长机航向重合，L(l,λ,h)表示长机在GPS坐标系下的经纬高坐标；

根据僚机与长机的固定偏差e_F→L和长机的位置L可以计算出僚机的期望位置F_c(l,λ,h)，其计算过程分为三步：

(7)将L(l,λ,h)转化到UTM坐标下得到L^u(x,y,z)；

(8)在UTM坐标系下将L^u(x,y,z)和e_F→L(x,y,z)得到僚机的期望UTM坐标

(9)将转化到GPS坐标系下得到F_c(l,λ,h)；

定义超前跟踪点为F_c→l(l,λ,h)，滞后跟踪点为F_c→tr(l,λ,h)，定义函数g(f,x,d)表示以GPS坐标系下的位置f为基准点，向x方向前进距离d，设相对于期望点超前距离为L_c→l，相对于期望点滞后距离为L_c→tr，则

F_c→l(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→l)

F_c→tr(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→tr)

式中L_ψ为长机的航向角，超前点和滞后点是期望点附近沿着长机航向方向选取；

定义长机与僚机的实时距离为近距离用/>表示，远距离用/>表示，则僚机期望位置的计算公式为：

长机的纵向通道控制采用了TECS算法。

Claims (5)

1.一种基于分布式架构的无人机编队协同控制系统，所述控制系统为多无人机体系结构，其特征在于，包括：空中端、通信层和地面端；

所述空中端包括：多个无人机，设置在各个无人机节点上的单无人机体系，所述单无人机体系包括感知层和控制层，用于获取所述无人机的姿态、速度和位置；

所述通信层为各无人机节点实现信息共享，信息的共享形式，采用设计PMP通信模式与Mesh网络通信模式的切换算法；

所述地面端即为地面控制系统，包括上传群体的整体任务和监视群体以及群体中的每个个体的遥测数据，地面操作人员根据各无人机的飞行状态情况，为各无人机发送指令，地面端的无线数传模块在编队协同飞行阶段不上传控制指令，仅为监视作用；

所述空中端内的感知层用于将多个传感器数据融合获得更高频更精确的导航数据，控制层接收地面端解算的轨迹作为期望，结合感知层得到的导航数据，经过控制算法处理可以得到四通道的舵量输出，最后发送给执行机构；

使用所述的一种基于分布式架构的无人机编队协同控制系统的控制方法，具体包括以下步骤：

步骤一、无线传输模块的编队通信网络设计；

步骤二、分布式编队态势感知模型的研究；

步骤三、无人机编队控制律优化与设计；

所述步骤一具体如下：

选定编队中有n架无人机，将单个无人机看成节点，定义第i架无人机携带数传的编号为A_i和B_i；首先A₀,A₁,…A_i采用PMP通信模式，地面端A₀作为主节点，机载端A₁,…A_i为从节点,所有的数据都要经过主节点A₀；B₁,B₂,…B_i采用Mesh网络通信，其中B₁的角色为主协调员，B₂,…B_i为备用协调员；

定义第i个从节点与主节点m的通信质量为满足以下公式：

式中t_c表示当前时刻，T_s代表时间间隔，n代表从节点i与主节点m之间共有n个数据包，q_j代表第j个数据包的字节数，I_j代表在时间间隔[t_c,t_c+T_s]段，该数据包字节是否需要发送，如果需要I_j＝1，否则I_j＝0；f_j为该数据包字节的发送频率，r_j代表在时间间隔[t_c,t_c+T_s]段，从节点是否接受到，若接收到r_j＝1，否则r_j＝0；显然有

A＝[a_ij]_n×n代表邻接矩阵，a_ij代表节点i到j的权值系数；容易推出a_ii＝0，并且a_ij＝a_ji≥0；定义e_ij＝(v_i,v_j)∈V×V,i≠j，若存在则为无向图；vi是i时刻的速度；

(α₁，α₂)，(α₂，α₃)…(α_i，α_j)，i,j∈[i，n]代表路，路是由边构成的序列；α是加速度

定义第i个节点与邻居节点集合N_i＝{a_j∈V,(a_i,a_j)∈E}的通信质量为所述/>满足以下公式：

n_k＝a_ij→(a_i,a_j)∈N_i

其中p代表在编队协同飞行节点，无人机节点协同控制需要接到的数据包，f_p代表这包数据的发送频率，I代表该包数据是否被接收到，若接收到I＝1，否则I＝0；k代表该节点的邻居节点N_i的个数，显然

所述步骤二具体如下：

定义任务场景为：在z个区域内具有多个目标需要进行搜索，并将得到的搜索信息发送回地面端的指挥中心，然后根据指挥中心的指令决定执行相应的行为，目标位置在各区域内的数量位置，设定执行任务的编队为母编队，

此时母编队要对任务进行分配，定义n架无人机(V₁,V₂,…V_n)对z个区域(A₁,A₂，…A_z)的分配矩阵X_n×z为：

任务分配收益函数为：式中，ρ_j代表该区域能搜索到目标的概率，P_j代表该区域的搜索优先级；

任务分配代价函数为：

式中δ_j代表无人机损耗概率，主要和无人机到目标区域的航程代价、威胁代价有关，υ_j为无人机执行任务的效率，和燃油、携带设备有关；

则分配矩阵方程和对应最优解为：

E(X)＝B(X)-C(X)

按照上述分配，母偏队分为多路子偏队，各子编队根据搜索区域的面积和编队感知范围，自动规划出了搜索航线；

所述步骤三中的无人机编队控制律优化与设计具体包括：长机编队飞行控制律设计和僚机编队飞行控制律设计；

所述长机编队飞行控制律设计包括：轨迹环控制律设计和姿态环控制律设计；其中，所述轨迹环控制律设计包括：长机横侧向控通道制律设计和长机纵侧向通道控制律设计；所述姿态环控制律设计包括：转、俯仰和偏航三个控制器，采用PID控制算法。

2.根据权利要求1所述的一种基于分布式架构的无人机编队协同控制系统的控制方法，其特征在于，

为提高搜索效率，避免单一区域无人机数量过多和单无人机跨多区域搜索，定义一个区域内能容纳最多的无人机数量为n_max，单无人机能搜索的最多区域为z_max，增加以下约束条件：

3.根据权利要求1述的一种基于分布式架构的无人机编队协同控制系统的控制方法，其特征在于，所述横侧向控通道制律设计具体如下：

长机横侧向加速度指令可以通过下式计算：

式中v代表地理系下无人机的速度，L₁代表飞机当前点与选取的参考点之间的距离，η代表L₁与飞机速度方向的夹角；

得到了无人机期望的横侧向加速度指令，根据定坡度协调转弯的运动学原理，推导出无人机的期望滚转角：

式中φ_c代表期望滚转角，g表示当地重力加速度；

选择跟踪一条直线的模型来分析L1算法，d为侧偏距，即无人机当前位置到直线段的距离，假设η很小：sinη＝η≈η₁+η₂

可得

将带入上述公式得：

得到以下等价公式：其中，/>

综上，L1算法公式如下：其中K＝4ξ²；

由于d∝η₁，

因此在此将η₁作为误差项进行积分

sinη＝η≈η₁+η₂+η₃，其中，

其中ΔT为采样周期，K_li为积分控制系数；

综合上述分析，结合以上公式，将周期T_n和阻尼ζ作为设定参数，可以推导出:

根据运动学原理，最后期望滚转角叠加上实际俯仰角θ的补偿，结果为：

4.根据权利要求1述的一种基于分布式架构的无人机编队协同控制系统的控制方法，其特征在于，所述长机纵侧向控通道制律设计具体如下：

飞机的总能量E_T等于重力势能E_P和动力势能E_k之和：

E_T＝E_P+E_K＝0.5mv²+mgh，其中，m为飞机质量，h为飞机的高度；

对上述公式两边进行求导：

考虑飞机在垂直平面的运动方程有：

式中μ为飞机航迹倾斜角，T为飞机所收到的推力，D为飞机的阻力；

假设飞机的航迹倾斜角μ很小，则：sinμ≈μ，

如果无人机在一段时间内定速飞行，则可以认为飞机受到的阻力不变，那么飞机动能的变化完全是由推力增量引起的，即根据总能量的变化率作为误差输入量设计PID控制器得到期望的油门输出；

定义势能和动能之差为：E_L=E_P-E_K=mgh-0.5mv²

变化率公式为:

同样可以将势能之差的变化作为误差项输入设计PID控制器；

纵向控制通道期望的油门和俯仰角输出为：

式中，分别为油门通道的比例、积分、微分系数，/>为俯仰通道的比例、积分、微分系数，ΔE_T代表飞机总能量的误差，/>代表飞机总能量变化率的误差，ΔE_L为飞机重力势能与动能只差的误差，/>为飞机重力势能与动能之差变化率的误差。

5.根据权利要求2所述的一种基于分布式架构的无人机编队协同控制系统的控制方法，其特征在于，僚机编队飞行控制律设计中僚机在编队队形保持阶段需要实时跟踪动态的坐标点，并没有预定的航线，故设计一种新的固定翼编队横侧向跟踪算法，取名为最优转弯半径算法：

设僚机相对于长机的设定偏差为e_F→L(x,y,z)，长机GPS坐标系下的位置坐标为L(l,λ,h)，其中e_F→L(x,y,z)属于本地UTM坐标系，其y轴与长机航向重合，L(l,λ,h)表示长机在GPS坐标系下的经纬高坐标；

根据僚机与长机的固定偏差e_F→L和长机的位置L可以计算出僚机的期望位置F_c(l,λ,h)，其计算过程分为三步：

(1)将L(l,λ,h)转化到UTM坐标下得到L^u(x,y,z)；

(2)在UTM坐标系下将L^u(x,y,z)和e_F→L(x,y,z)得到僚机的期望UTM坐标

(3)将转化到GPS坐标系下得到F_c(l,λ,h)；

定义超前跟踪点为F_c→l(l,λ,h)，滞后跟踪点为F_c→tr(l,λ,h)，定义函数g(f,x,d)表示以GPS坐标系下的位置f为基准点，向x方向前进距离d，设相对于期望点超前距离为L_c→l，相对于期望点滞后距离为L_c→tr，则

F_c→l(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→l)

F_c→tr(l,λ,h)＝g(F_c(l,λ,h),L_ψ,L_c→tr)

式中L_ψ为长机的航向角，超前点和滞后点是期望点附近沿着长机航向方向选取；

定义长机与僚机的实时距离为近距离用/>表示，远距离用/>表示，则僚机期望位置的计算公式为：