CN112965525B - 约束条件下的大规模固定翼无人机集群编队方法 - Google Patents
约束条件下的大规模固定翼无人机集群编队方法 Download PDFInfo
- Publication number
- CN112965525B CN112965525B CN202110183125.2A CN202110183125A CN112965525B CN 112965525 B CN112965525 B CN 112965525B CN 202110183125 A CN202110183125 A CN 202110183125A CN 112965525 B CN112965525 B CN 112965525B
- Authority
- CN
- China
- Prior art keywords
- node
- family
- neighbor
- group
- head
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 102
- 238000004891 communication Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims description 44
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 14
- 230000008520 organization Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 230000000670 limiting effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000011273 social behavior Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000006855 networking Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004138 cluster model Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- GRRMZXFOOGQMFA-UHFFFAOYSA-J YoYo-1 Chemical compound [I-].[I-].[I-].[I-].C12=CC=CC=C2C(C=C2N(C3=CC=CC=C3O2)C)=CC=[N+]1CCC[N+](C)(C)CCC[N+](C)(C)CCC[N+](C1=CC=CC=C11)=CC=C1C=C1N(C)C2=CC=CC=C2O1 GRRMZXFOOGQMFA-UHFFFAOYSA-J 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
- G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了约束条件下的大规模固定翼无人机集群编队方法，本发明的方法包括：根据接收到的任务指令，在机载通信设备覆盖范围有限制的约束条件下，基于自适应编队算法进行固定翼无人机族群组队；所述族群内有族首和成员两种无人机身份；所述族群的族首对族群进行管理；所述族群的族首具备族群间通信权限和族内通信权限，所述族群的成员仅具备族内通信权限和族间侦听权限；根据接收到的任务指令，固定翼无人机族群的族首进行集群组队和协同管理。本发明综合考虑了中大型固定翼无人机因几何尺寸导致的流场干扰、通信覆盖等多方面约束条件问题，提高了固定翼无人机的组网和控制精度和效率。
Description
技术领域
本发明属于固定翼无人机控制技术领域，具体涉及约束条件下的大规模固定翼无人机集群编队方法。
背景技术
无人机集群作战是一种新型的作战模式，将颠覆未来战争方式。固定翼无人机具有载荷能力强、速度快、航程远的特点，可以在一定程度上替代无人机进行空中侦察，实施饱和攻击的能力。但是单一的无人机载荷能力有效，战场生存率低，攻击能力有限。固定翼无人机集群方式具有提高供战场生存率、改善战场高消费比，对于敌方阵地可以实施一次性饱和打击，起到对敌消耗的作用，从而取得非对等战场优势。
针对固定翼无人机集群控制算法Tanner等提出了分布式控制率来解决无人机集群飞行的问题，通过速度反馈项来实现速度匹配，基于人工势能场的位置反馈来实现聚集和避撞。Olfati-Saber以图论为基础，提出了采用虚拟领航者的反馈Flocking模型来保证系统的聚集，为每个相邻个体产生虚拟agent的方式来实现避障的方法。在此基础上Su等证明了文献中所提算法在无障碍空间中的稳定性，并且提出了只有部分agent可以获取虚拟agent信息的集群方法。伍友利等人基于Flocking模型，进行算法改进，不再需要获取相邻个体的速度信息，简化通信数据交互，将领域范围内所有其他无人机都看作障碍物，把算法计算输出转化为跟踪指令，设计合适的控制率使得固定翼无人机机群完成集群控制。崔朝阳等基于无人机机群移动自组网技术提出了自组网安全分组算法，算法结合使用密码机制和信任机制来保证网络分簇过程中的信息安全并且选出可信度较高的簇首，分析证明了其具有较高的安全性和可行性。Watanabe Y在“长机—僚机”框架的基础上引入“虚拟长机”的概念，实现了三架固定翼无人机的编队飞行。赵锋、杨伟团队无人机紧密编队飞行控制仿真研究了两架固定翼无人机“长—僚机”编队模型，提出了编队飞行条件。
上述研究中，均对基于Leader-follower集群模型的集群算法、目标跟踪算法、控制率设计、以及基于移动自组网的无人飞行器集群自组织安全分族算法方面都有较为深入研究。但在固定翼无人机编队中必须考虑的一个问题及前机尾流及翼间涡流对后机的影响(如图1所示)，特别是中大型固定翼无人机集群组织管理研究问题，国内研究人员对这一问题的认识有限，而对于通信约束条件下的无人机编队协同技术研究才刚刚起步，特别是对中大型固定翼无人机集群自组织协同编队协同技术与自主控制技术在通信受限条件下的研究还有很广阔的研究空间。
发明内容
为了解决现有固定翼无人机编队技术存在的问题或缺陷，本发明提供了一种约束条件下的大规模固定翼无人机集群编队方法。本发明根据固定翼无人机特点，综合考虑了中大型固定翼无人机因几何尺寸导致的流场干扰、通信覆盖等多方面约束条件问题，提高了固定翼无人机组网和控制精度和效率。
本发明通过下述技术方案实现：
约束条件下的大规模固定翼无人机集群编队方法，本发明的方法包括：
根据接收到的任务指令，在机载通信设备覆盖范围有限制的约束条件下，基于自适应编队算法进行固定翼无人机族群组队；所述族群内有族首和成员两种无人机身份；所述族群的族首对族群进行管理；所述族群的族首具备族群间通信权限和族内通信权限，所述族群的成员仅具备族内通信权限和族间侦听权限；
根据接收到的任务指令，固定翼无人机族群的族首进行集群组队和协同管理。
优选的，本发明的自适应族群编队算法包括：
进行固定翼无人机族群内部逻辑构建，实现固定翼无人机族群(集群)管理逻辑；
进行固定翼无人机族群密度控制，以确定所述固定翼无人机族群的宏观组织协同。
优选的，本发明构建的所述固定翼无人机族群内部逻辑为：
(1)族群结点数的最高上限M，族群内每一个固定翼无人机视为一个结点，持有独立身份ID，一个结点能够维护的“子邻居”结点个数最大值为K；
(2)对于具有K个“子邻居”结点关系的族群：至少存在一个族首“孤立”结点；否则除族首结点外的所有非逻辑低端结点的中间结点至少有
个“邻居”结点关系；任意结点最多K-1个维护“邻居”，K个“子邻居”关系；
(3)族群生成约束条件：以族首为“源结点”，其他成员逐步追加建立集群对称结构，族首位于对称结构轴线上，轴线将族群分为左/右侧两大区域；族群内族首ID大于对称轴左侧成员ID，小于右侧成员ID，结点的组成结构中规定各结点编号从左到右ID号从小到大；以族首所在轴线为中心，族群左右两侧结构深度之差不超过1。
优选的，本发明的固定翼无人机族群密度控制的算法具体为：
以族首为参考中心，建立“东-北-地”右手坐标系，则可得到族群内的各固定翼无人机的位置关系函数为：
所述函数对应的密度约束条件为：
其中，Δδ为y轴向稀疏度控制因子，Δh为Z轴向高度差控制因子，L为x轴向稀疏度控制因子，定义x轴向为飞机头朝向，逆时针方向θ∈(0～180°)为正方向，位于族首中心轴线左侧，反之为负方向，位于族首中心轴线右侧；PN和P′N为任意两个固定翼无人机结点单元；r为固定翼无人机携带的通信范围覆盖半径，L*W*H为固定翼无人机的几何尺寸，kP为坐标逻辑x、y水平面区域内密度系数因子，kN为空间z轴向上的密度系数因子，且kP和kN为正整数值，在不同节点处值均不相等；
为以0族首为参考PN点的位置距离定义，
为任意两个固定翼无人机结点位置距离定义。
优选的，本发明的
以实现高密度集群。
优选的，本发明的方法还包括：
按照所述固定翼无人机族群内部逻辑对所述族群进行增员；
增员过程中存在二义性冲突时，按照预设优先原则选择最终构型。
优选的，本发明按照所述固定翼无人机族群内部逻辑对所述族群进行末端节点位置减员：
若当前减员所在等效节点单元内“邻居”节点关系数大于
时，直接删除当前减员节点即可；
若当前减员所在等效节点单元内“邻居”节点关系数大于
时，直接删除当前减员节点即可；
若当前减员所在等效节点单元内“邻居”节点关系数等于
时，为了确保集群对象逻辑结构满足编队形态对称性，即编队的结构“平衡”：如果等效兄弟节点中“邻居”节点关系数大于
则去兄弟节点借成员；如果等效兄弟节点中“邻居”节点关系数不大于
则进行兄弟节点合并形成新的等效节点，原始兄弟现在互为“邻居”关系。
优选的，本发明按照所述固定翼无人机族群内部逻辑对所述族群进行非末端节点位置减员：
若当前减员所在等效节点位置的“子邻居”节点的“邻居”数大于
时，则从“子邻居”节点借成员“交换”该当前减员节点后，删除交换后的末端节点，保持内部逻辑结构；
若当前减员所在等效节点位置的“子邻居”节点的“邻居”数均等于
则将当前减员节点转换到末端节点上，再按照末端节点情况进行删除。
优选的，本发明的方法还包括：
若存在族首/群首损员时，则自动生成族首/群首：
当族首/群首所在等效节点位置上有“邻居”节点关系，族首/群首等效节点位置非末端节点，且“邻居”数不小于
时：
当族首/群首所在等效节点的“子邻居”节点个数不满置，则选择最小ID进行损员，推举最大ID为新族首/群首，并对“子邻居”节点进行合并；
当族首/群首所在等效节点位置上无“邻居”节点关系，且各“子邻居”节点为非末端节点，则选择靠近族首/群首所在中轴线两侧末端“节点”成员进行交换后，按照所述末端节点位置减员约束条件处理。
优选的，本发明的方法还包括：
若出现动态任务分配时，则自动重构族首/群首：
若当前群为集群，在进行任务拆分时：以族群单元进行划分；
当族群单元进行动态任务划分时：当分配等效节点有“邻居”节点关系，且邻居数目不小于
若当前等效节点(族群)存在“子邻居”节点，又存在等效“邻居”节点，则从当前节点选择拥有“子邻居”节点的等效最小“邻居”ID成员为族首/群首，以该成员为首，并将该成员对应侧“子邻居”节点组成新群；原族群节点以最小ID成为族首向整体对称平衡方向调整；
当任务分配时，族群不存在等效邻居节点关系，但存在“子邻居”节点，则拆分当前节点任意侧“子邻居”为新族群，原族群拥有另一侧所有“子邻居”节点关系；
若当前等效节点(族群)不存在“子邻居”节点，存在等效“邻居”节点，则选择最小ID成员拆分当前节点，最小ID成为群首，成为“孤立”群，原群发生“孤立群退化”现象。
优选的，本发明的方法采用密度控制算法对多个所述固定翼无人机族群的族首进行集群组队。
优选的，本发明的密度控制算法具体为：
以族首为参考中心，建立“东-北-地”右手坐标系，则可得到族群内的各固定翼无人机的位置关系函数为：
所述函数对应的密度约束条件为：
其中，Δδ为y轴向稀疏度控制因子，Δh为Z轴向高度差控制因子，L为x轴向稀疏度控制因子，定义x轴向为飞机头朝向，逆时针方向θ∈(0～180°)为正方向，位于族首中心轴线左侧，反之为负方向，位于族首中心轴线右侧；PN和P′N为任意两个固定翼无人机结点单元；r为固定翼无人机携带的通信范围覆盖半径，L*W*H为固定翼无人机的几何尺寸，kP为坐标逻辑x、y水平面区域内密度系数因子，kN为空间z轴向上的密度系数因子，且kP和kN为正整数值，在不同节点处值均不相等；
为以0族首为参考PN点的位置距离定义，
为任意两个固定翼无人机结点位置距离定义。
另一方面，本发明还提出了一种固定翼无人机的电控设备，该电控设备包括存储器和处理器；所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现本发明上述方法的步骤，以实现与其他固定翼无人机构建族群或集群。
本发明具有如下的优点和有益效果：
1、本发明综合考虑了中大型固定翼无人机因几何尺寸导致的流场干扰、通信覆盖半径等多方面约束条件问题，设计了受限条件下的固定翼集群“两级嵌套”模型及相关算法来实现中大规模固定翼无人机集群编队协同，提高了固定翼无人机的组网和控制精度和效率。
2、本发明提出的方法，能够实现固定翼无人机的族群/集群生成，同时还能够自适应实现增员/减员(损员)逻辑操作，能够服务算法的自适应性。
3、本发明提出的方法能够在损员或动态任务分配情况下，群首推演、动态任务划分等，自动推选族首或群首。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为固定翼无人机机尾涡流影响示意图。
图2为本发明构建的两级嵌套模型结构示意图；。
图3为本发明的方法流程示意图。
图4为本发明生成固定翼族群内部逻辑过程示意图。
图5为本发明的固定翼族群/集群密度控制第一示意图。
图6为本发明的固定翼族群/集群密度控制第二示意图。
图7为本发明的固定翼族群增员控制过程示意图。
图8为本发明的末端节点减员控制过程示意图。
图9为本发明的非末端节点减员控制过程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
相较于传统的无人机集群组网和控制技术对流场干扰、通信覆盖等约束条件考虑不全面，从而降低了固定翼无人机组网和控制效率和可靠性，本实施例提出了一种综合考虑中大型固定翼无人机因集合尺寸导致的流场干扰、通信覆盖等约束条件下的大规模固定翼无人机集群编队方法。本实施例采用了一种两级嵌套的固定翼无人机集群模型，分为族群、集群两级，无人机机群通过“两级嵌套”方法来实现大规模固定翼无人机集群编队协同。
本实施例采用的两级嵌套模型具体为：
①、固定翼集群编队“嵌套模型”为“两级嵌套”固定翼无人机集群算法模型系统：分为族群、集群两级，族群/集群构成由多无人机平台组成，无人机平台同构，即无人机型号相同、配置无差别。
②、族群是构成集群的最小单位：族群内有“族首—成员”两种无人机身份，不同身份具有不同的通信权限——族首具备族群间通信权限和族内通信权，成员仅具备族内通信权和族间侦听权；族群允许0成员族群存在，有且仅有1个0成员族群。
③、多个族群族首联合实现“两级嵌套”形成集群，即为“两级嵌套模型”。族群有饱上限，嵌套理论无上限；由族首构成的集群嵌套符合族群一致性规则。
本实施例通过上述两级嵌套模型生成如图2所示的固定翼无人机集群，在此模型下集群飞行跟踪协同过程中，族群族首负责航线/航点是动态计算或加载的既定航点，并建立任务数据和指令数据共享，通过在任务过程中采用合适的位置控制率和姿态控制率就可以很好的实现对既定航线/航点的跟踪。族群成员机则需要紧密配合族首，在受约束条件限制情况下实现与族首集群飞行协同。
本实施例以族群为最小设计单元，提出一种动态平衡算法结构(即本实施例的自适应族群编队算法)用于固定翼集群编队，通过族群的“两级嵌套”来实现大规模固定翼无人机集群编队协同。具体通过设计编队结构算法来实现集群编队内部逻辑，再设计密度控制算法来控制集群宏观族群形式。
在通信条件有限的情况下，固定翼无人机集群安全生成算法目标是为了建立可靠的集群内部逻辑关联关系，在通信覆盖范围有限的主要限制条件下，以较少的计算和较低通信开销情况下构造及编队的合理性方面进行设计。若过多的引入安全策略会增加集群安全生成算法的复杂度和计算消耗，不充分的编队模式及算法设计会增加集群内碰撞的可能性。因此在集群安全生成算法中需要进行取舍，也是集群安全生成算法不断研究迭代的主要内容。
值得注意的是，在固定翼集群编队及机动过程中前机尾流、翼间涡流及下洗气流对后机的影响不是一个持续的过程，其主要影响程度取决于前机的飞行速度、姿态及舵面情况，具有强规律性，但不唯一限于该规律，即大气情况，大气扰动、爬升、俯冲等过程中前机都会产生干扰流场影响后机飞行。
依据固定无人机编队YOYO机动仿真数据及CFD计算机辅助工程计算分析所得前机尾流，高密度无人机集群行为，尾流会是干扰集群飞行的主要因素，当集群密度降低时前机扰流对后机影响变弱，当集群内机间相隔密度、速度大到一定程度，尾流的影响可以忽略不计。为了满足战场多需求输入和大规模固定翼集群编队需求，本实施例通过对“长机-僚机”模型基础学习，将“长机-僚机”模型进行拓展延伸设计了受限条件下的固定翼集群“两级嵌套”模型及相关算法。
本实施例中族群作为集群最小“分子”单元具有一定的结构，也是维持集群宏观行为的核心。根据实际战场输入需求，固定翼无人机作为一种装备出现在战场上，都具有独立的身份ID，这些ID决定了固定翼无人机的身份和序号，且任何时间任何时候按照任务需求活动在战场上，具有任务动态需求特点，但编号唯一存在。同时，在大规模固定翼无人机在放飞的过程中，也存在类似的情况，因而有必要设计一种动态高效的编队算法更能适用战场需求。
族群是由多固定翼无人机以一定的队形构成的，队形的外在表现构成了族群的宏观行为，宏观表现是由内部逻辑协调组织实现的。即本实施例设计的固定翼无人机族群算法编队组织算法由内部逻辑关系和族群密度控制二者共同实现固定翼无人机集群宏观组织协同行为。
具体如图3所示，本实施例的方法具体包括：
步骤一：根据接收到的编队控制指令，基于自适应族群编队算法进行多个固定翼无人机族群组队，形成固定翼无人机族群；所述族群内有族首和成员两种无人机身份；
步骤二：多个固定翼无人机族群的族首进行集群组队，构建两级嵌套模型；族群的族首具备族群间通信权限和族内通信权限，族群的成员仅具备族内通信权限和族间侦听权限。
本实施例的自适应族群编队算法包括内部逻辑关系和族群密度控制二者叠加共同实现，是一个有机整体算法，缺一不可：
固定翼族群内部逻辑为：
(1)族群结点数存在最高上限M，族群内每一个固定翼无人机视为一个结点，持有独立身份ID，一个结点能够维护的“子邻居”结点个数可自定义为K；族群M和K共同决定了族群编队结构深度。
(2)对于一个自定义为最大K个“子邻居”结点关系的族群：至少存在一个族首“孤立”结点(无成员族群)；否则除族首结点外的所有非逻辑低端结点的中间结点至少有
个“邻居”结点关系；任意结点最多K-1个维护“邻居”，K个“子邻居”关系；
(3)族群生成约束条件：
①以族首为“源结点”，其他成员逐步追加建立集群对称结构，族首位于对称结构轴线上，轴线将族群分为左/右侧两大区域；
②族群内族首ID大于对称轴左侧成员ID，小于右侧成员ID，结点的组成结构中规定各结点编号从左到右ID号从小到大；
③以族首所在轴线为中心，族群左右两侧结构深度之差不超过1，且左右两侧复合上述所有条件；
④族群算法结构生成快，结构稳定，支持结点删除和添加。
在上述(1)—(3)项内容中，族群有M个固定翼无人机，即有M个ID编号；K为族群约定值，用于限制任意结点拥有的最大子结点(邻结点)个数；则族群的深度范围为
为了能够进一步实现对算法的直观化：下面给出一个具体例子进一步解释上述算法：
Step1：设置族群最高限制为12架固定翼构成；则M＝12；
Step2：族群总数M＝12>0，对于一个自定义为最大K＝3个“邻居”结点关系的族群：任意结点最多(3-1)＝2个维护“邻居”关系；族首为非“孤立”结点(将为有成员族群)，除族首结点外的所有非族群逻辑低端结点的中间结点至少有
个“邻居”结点关系；
Step3：选取一组固定翼ID为：
FW011；FW012；FW006；FW005；FW013；FW007；FW003；FW004；FW002；FW001；FW009；FW008组成一个族群；
Step4：本族群定义“邻居”结点最大个数为3，即K＝3；
Step5：按照构建的族群内部逻辑动态组建族群，具体如图4所示：
1、族首诞生(“孤立”族群)，如图4(a)所示；
2、第二架飞机(族首随意，默认左侧优先)，如图4(b)所示；
3、第三架飞机(族群逻辑深度变为2，开启族群关系左右逻辑；族首FW011持有FW006和FW012两个底端节点)，如图4(c)所示；
4、第四架飞机(依据逻辑(3)中ID规则，置FW005号在FW006号左侧，占同等逻辑节点，二者互为“邻居”关系，共同为FW001左节点)，如图4(d)所示；
5、第五架飞机(将FW013号安置于FW012号右侧，占同等逻辑节点，二者互为“邻居”关系)，如图4(e)所示；
6、第六架飞机(此时，FW006暂借族首FW011左侧位与族首占同等位置逻辑关系，族首仍为FW011，置FW007位于族群中间)，如图4(f)所示；
7、第七架飞机(置FW003于FW005左侧，两者占同等位置关系)，如图4(g)所示；
8、第八架飞机(FW004新入群，发现族首节点、族首左侧节点均违背算法规则(3)中项：需按约定规则更新族群内逻辑层深：将FW006和FW011拆分，置FW011为右结点，FW004为左节点，FW004持有原节点FW003 FW005分列左右；新退变的FW011持有原节点FW007，FW012/FW013分列左右)，如图4(h)所示；
9、第九架飞机(置FW002于FW004节点底端节点FW003左侧，与FW003共同形成FW004的左侧节点FW002/FW003)，如图4(i)所示；
10、第十架飞机(FW001新入群时，发现应该置于节点FW002/FW003左侧；但根据算法(3)中，本节点满置，则将FW002退置FW004节点处与FW004为“邻居”节点关系，具有同等位置逻辑关系)，如图4(j)所示；
11、第十一架飞机(FW009新入群时，根据算法规则将FW009退置FW007节点右侧处与FW007为“邻居”节点关系，具有同等位置逻辑关系)，如图4(k)所示；
12、第十二架飞机(FW008新入群时，ID应该置于的位置为FW007/FW009中间，但违背算法规则(3)中项，因而将FW009置于FW011左侧为“邻居”节点)，如图4(l)所示。
通过上述过程详细描述了无人机族群生成过程，算法具有快速路由功能；且族群生成可控，支持增员、减员、族首推演生成功能，决定了无人机族群内部逻辑，为无人机族群宏观外部构型起到支撑作用。
在上述“两级嵌套模型”规则和族群生成内部逻辑算法支撑条件下，族群宏观编队需要进行排布和控制，才能确保无人机族群安全，在群生成过程中设置选择合适的“密度因子”，实现对固定翼无人机集群的中各无人机位置、族群稀疏度进行控制，从而确保固定翼无人机集群的安全。
本实施例的固定翼族群/集群密度控制算法为：
本实施例以族群为研究单元建立族群密度控制模型算法，然后可将算法扩展至固定翼无人飞行器集群，集群密度控制与族群密度控制逻辑相同和宏观表现不尽相同，只是将族群的节点(单机)控制变成了集群的节点(族群)控制。
设族群中约定0号为族首，后续编号依次为1、2、3....N为族群成员，无人机平台携带的通信设备覆盖半径为r(约束)。
a、假设固定翼外形为正四边形，其几何尺寸为L*W*H(即L＝W)；
b、假设固定翼通信范围覆盖距离半径为r，即为第一约束条件；
c、为了确保生成的集群密度可控及气流扰动安全，选择密度因子为Δδ，为第二约束条件。
在综合考虑到固定翼尾流场、下洗尾流、通信距离限制情况下，以0号族首为参考中心，建立“北-东-地”右手坐标系(如图5～图6所示)，得到族群内的各固定翼无人机的位置关系函数为：
式中P0～N∈N，Δδ为集群稀疏度控制因子，定义x轴向为飞机头朝向，逆时针方向θ∈(0～180°)为集群正方向，位于族首中心轴线左侧，反之为负方向，位于族首中心轴线右侧；Δδ>0，k为非零值正值；PN和P′N为任意两个固定翼无人机结点单元。
同时，为了确保集群算法可靠且安全，则对应密度约束条件为：
(1)在上述(1)-(2)式中，对于Δδ，Δh的选择极为关键，对于飞行速度、集群密度、无人机尺寸，都是与Δδ，Δh是正相关的，在实际工程中应用过程中可以选择
作为高密度标准。
(2)在集群编队协同的过程中，固定翼还存在下洗气流会对后续的固定翼无人机有一定的影响，因而在Z轴高度方向上选择前低后高的方式进行集群部署，其中在(1)-(2)式中选择
构成高密度集群。
(3)在(1)-(2)式中，KP和KN为不同时相等的正整数。
在固定翼无人机族群生成过程中通过上述内部逻辑算法确定了族群成员间的逻辑结构及路由关系，密度控制解决了编队宏观布局结构。
在集群生成过程中，一般都遵循“由内而外”的逻辑结构：即通过无线通信确认ID及身份信息，通过族首(群首)裁定内部逻辑给出逻辑关联，计算适当的“入群”最佳位置，再通过密度控制算法达到“宏观”编队协同控制，算法快速且动态性好；而实战应用场景中，往往是“由外而内”的逆过程：即当族群中某一个或者多个成员遭受损失时，族群/集群会被打乱原有逻辑，此时，算法应当具备继续支持快速组织计算，确保族群/集群能够重新构造族群/集群内部逻辑，用于新队形的维护和保持。也就是说在原有的内部逻辑算法和密度控制算法基础上，需要实现增员、减员算法，这应当是集群协同行为在实战过程中必要考虑的一大内容。
依据前述族群生成内部逻辑及随机12个无人机节点在自定义K＝3情况下的案例算法进行具体说明，再结合密度控制算法，“由内而外”的介绍了族群组织及编队协同正向逻辑和控制过程。
为了进一步说明组员增员算法，需要对族群“增员”过程进一步解释，上述算法假定已有5架固定翼无人机在约定K＝3情况下构成了既定族群队形，族群成员身份ID分别为FW011；FW012；FW006；FW005；FW013，族群结构具体如图7(a)所示。
前述族群生成过程已经验证了机群成员在(K＝3情况)逐步增加的过程。在此基础上随机增加5架固定翼飞机，固定翼无人机身份ID分列如下所示：FW008；FW002；FW010；FW007；FW018增加过程中通过更改该算法思路——约定K＝4来验证算法对族群逻辑动态过程的支撑。
依据上述族群内部逻辑实现以下增员过程：
1、增加FW008成员：FW008应被置于FW011左“子邻居”中，与FW005/FW006一同构成左“子邻居”节点，FW005/FW006/FW008互为邻居节点。此后，FW011左“子邻居”节点形成满置。构成新逻辑关系如图7(b)所示。
2、增加FW002成员：FW002应被置于FW011左“子邻居”中，且FW011左“子邻居”节点形成满置。依据算法(2)、(3)中项规则，将FW006节点“升上”与FW011成为“邻居”逻辑，处于同一逻辑位置关系，但FW011仍然占据主导节点；同时，将FW008生成独立“子邻居”节点位置(尚无邻居逻辑节点)；构成新逻辑结构如图7(c)所示。
3、增加FW010成员：FW006<FW010<FW011：可置FW010于FW006/FW011节点位置中间，共同构成FW006/FW010/FW011“邻居”节点逻辑，三者具有同等逻辑地位；亦可置FW010于FW008右侧，两者共同构成FW006/FW011中间子节点，FW006/FW011互为“邻居”节点，具有同等逻辑地位。因而两者都不违背算法要求，增员FW010后，构成新的逻辑结构如图7(d)所示。
存在此两种算法构型中：必然需要解决二义性“冲突”问题，依据假设K＝4，即在每一个等价节点中，最多允许K-1＝3个节点互为邻居关系，在上述两种构型中均不违背算法规则，因而该种情况中，约定“直接插入”方法为优先(优先原则)。因而第二种结构为最终构型，如图7(e)所示。
4、增加FW009成员：FW006<FW009<FW010<FW011，置FW009于FW006/FW009/FW010/FW011为同一等效节点位置，四者互为“邻居”节点，具有同等逻辑地位；或者置FW009于FW008右侧位置，与FW009为等效节点位置，两者互为“邻居”节点。但前一种做法但违背算法K-1＝3规则，因而增员FW009成员后，构成新的逻辑结构如7(f)所示。
5、增加FW018成员：FW013<FW018，置FW018于FW013右侧，FW012/FW013/FW018三者共同构成等效节点位置，具有同等逻辑地位，三者互为“邻居”节点。增员FW018后，构成新的逻辑结构如7(g)所示。
族群“减员”减员逻辑为“增员”逻辑的逆过程，减员的过程——即为各“节点”单元被逐渐从集群队列中剔除的过程。根据“增员”过程和出现的族群内部逻辑结构可知，存在以下“过程”亦需要符合算法规则，在减员过程中出现“减员位置”可能存在以下情况：
1、底端节点位置减员：
底端位置，也可称末端位置，主要指在集群或族群的最末尾位置上，当出现“减员”时，为了保证集群/族群在飞行编队协同过程中的的平衡和稳定，当存在损员时，会存在如下情形(设逻辑结构最大“邻居数”为K)：
(1)当等效节点单元内“邻居”节点关系数大于
情况时，直接删除当前节点即可；
(2)当等效节点单元上“邻居”节点关系数量等于
情况下，为了保证原有结构关联关系，则：
1)等效兄弟节点中“邻居”节点关系数大于
则需要去兄弟借成员，以便构造原有整体关系结构；
2)等效兄弟节点中“邻居”节点关系数不大于
则需要进行兄弟节点合并，兄弟节点合并后形成新等效节点，原始兄弟现在互为“邻居”关系；
为了说明情况，随机选择一种内部逻辑结构进行说明：
1、FW009位置损员如图8(b)，即需要剔除FW009当前等效节点包含FW009/FW011两个“邻居”关系，
符合算法则直接删除；与原结构比较，新结构与原结构图8(a)保持不变；
2、FW002损员，即需要剔除当前节点，FW002有且仅有一个成员(0个“邻居”节点)，
此时，兄弟节点FW009/FW011有两个“邻居节点”，
则为了保持原结构平衡，在删除FW002时需要，向兄弟节点FW009/FW011借成员：此时，FW005去填充原FW00位置2，FW007去填充FW005位置，删除FW007原位置，完成向兄弟节点借成员过程。构造后的新结构如图8(c)所示。
3、FW016损员，即需要剔除当前节点，FW016有且仅有一个成员(0个“邻居”节点)，
此时，兄弟节点分别为FW011和FW022，两个兄弟都有且仅有自身成员(均无“邻居”节点)，“邻居”节点数大于
则为了保持原结构平衡，在删除FW016时需要合并兄弟节点，兄弟节点合并后形成新等效节点，原始兄弟现在互为“邻居”关系，构造后的新结构如图8(d)所示。
存在两种合并方式均满足要求：
(1)将FW014向左子“邻居”合并；
(2)将FW020向右子“邻居”合并；
构造后新结构如图8(e)所示。
2、非底端节点位置减员：
不在末端节点位置上的等效节点出现减员情况，因存当前减员所在等效节点自身可能为“子节点邻居”或拥有“子节点邻居”关系以及当前等效节点位置上的“邻节点”关联。出现减员后很将导致集群的整体结构的变更和调整，具体过程包括：
(1)当损员出现的等效节点位置的“子邻居”节点的“邻居”数大于
时，则需要从“子邻居”节点借成员“交换”该损员节点后，删除交换后的“末端”节点，保持队形内部逻辑结构。
(2)当损员出现的等效节点位置的“子邻居”节点的“邻居”数均等于
时，则将损员节点转换到末端节点上，再按照末端节点情况进行删除。
为了说明情况，随机选择一种内部逻辑结构(如图9(a)所示)进行说明，依据当前结构可知，当前K＝3，若要求保持K＝3不变。
1、当出现FW005节点损员时，即需删除FW005，依据算法(2)、(3)中分析ID，FW005位于非底端等效节点上，左右等效“子邻居”节点各自的“邻居”数分别为1和2，根据算法(1)分别有
则需要从“子邻居”等效节点FW007/FW009中选取成员与FW005节点进行逻辑“交换”，将FW005损失成员交换至底端节点上。
构成新的结构如图9(b)所示。
注意：在此过程中不可将FW009与FW005交换，因为交换后，不符合算法规则ID大小位置关系。
交换后，依据底端减员算法，直接删除FW005成员，即完成剔除。
2、当出现FW010节点损员时，需删除FW010，且FW010位于非底端等效节点上，FW010左右等效“子邻居”节点为FW005和FW014/FW020，各自节点均非底端节点；以FW005和FW014/FW020两个等效节点又含有“子邻居”关系。
再次，分别考察以FW005和FW014/FW020为节点的“子邻居”关系，可以知道FW005的等效节点有FW002和FW007/FW009两个底端“子邻居”节点关系，有各等效末端节点“邻居”关系有
以FW014/FW020为等效节点的有FW011、FW016、FW022三个底端“子邻居”节点关系，且均有各等效末端节点“邻居”关系
依据底端损员算法，可选择FW009与原FW010进行交换，交换后，依据底端节点损员算法，直接删除FW010，形成新的逻辑结构如图9(c)所示。
注意：在此交换过程中，交换方式是不唯一的，如FW011与FW009具有同等的机会进行交换，但是在交换过程中，需要考虑算法复杂度，如果交换FW011与FW010后，再删除FW010时，会发现按照底端损员算法复杂度会积累。相比较，上述交换FW010与FW009后直接删除节点FW010复杂度更低。因而有上述算法过程。
3、当FW014损员，则需要“剔除”FW014节点：发现FW014处于FW014/FW020等效节点中，两者互为“邻居”节点，等效节点为非底端节点，FW014/FW020等效节点有FW011、FW016、FW022三个“子邻居”节点关系，三者互为兄弟节点关系，且各节点均为末端节点，“子邻居”节点各自无“邻居”，即邻居关系均有
具体如图9(d)所示。此时，依照底端节点减员算法进行“交换”，然后根据底端节点“剔除”算法完成损员操作。
依据底端节点减员算法：交换FW014和FW011，再按照底端节点减员算法进行操作。
注意：在上述FW014与FW011交换的过程中，依据算法ID身份分析可知：FW014只能与FW011交换，若与FW016交换后，则违背ID规则。完成交换后依照底端节点损员算法进行操作。得到新逻辑结构如图9(e)所示。
固定翼无人机集群在任务执行过程中，族首/群首往往会因为族首/群首损员、动态任务分配进行族首/群首自生需求，需要能够实现算法能够支持族首/群首自动产生。
本固定翼集群逻辑算法规则可以很好的支撑族首/群首自动生成，为了更好的进一步对算法进行说明，分别对族首/群首损员情况下和动态任务分配要求族首/群首自生两类要求条件下的自动算法问题进行详细描述。
1、族群/群首损员情况下族首/群首自动生成
族首/群首损员情况下自生算法：按照固定翼族/群生成算法规则，生成的族/群结构及规模约束于K值和M值得大小，即M值和K值控制着族群最终的逻辑构型，因而按照生成算法，族群逻辑构型是可以随时变更，再次通过密度算法控制队形，从而实现队形整体动态更新。
(1)当族首/群首所在等效节点位置上有“邻居”节点关系，且不小于
时，发生损员，族首从等效节点位置上，以“能量最优”推选出首节点，推举等效节点上最大ID为新族首/群首，并按照算法最新M值/K值原则对“子邻居”节点进行合并；
(2)当族首/群首所在等效节点位置上无“邻居”节点，且各“子邻居”节点为非末端节点，则选择靠近族首/群首所在中轴线两侧末端“节点”成员进行交换后，按照上述末端节点位置减员约束条件处理。
2、动态任务分配情况下族首/群首自动重构
依据前述算法M值/K值内容可知，本实施例的模型及算法从集群内部逻辑管理构建、增员/损员集群组织构建等方面都拥有完整一致的算法规则，且高度动态灵活。整体结构具有金字塔构型，结构关联关系具有强组织性。当出现动态任务分配情况时候，可方便实现机群快速拆分，结构重构。
算法说明：
若当前群为集群，在进行任务拆分时，以族群单元进行划分，即就是新“子群”为构成集群的族群单元。
当族群单元进行动态任务划分时，当分配等效节点有“邻居”节点关系，且邻居数目不小于
(1)若当前等效节点存在“子邻居”节点，又存在等效“邻居”节点，则根据从当前节点选择拥有“子邻居”节点的最小ID成员为族首/群首，以该成员为首，并将该成员左“子邻居”节点组成新群；原群节点以最小ID成为族首向整体对称平衡方向调整；
(2)当任务分配时，族群不存在等效邻居节点关系，但存在“子邻居”节点，则拆分当前节点任意侧“子邻居”为新族，原族群拥有另一侧所有“子邻居”节点关系。
(3)若当前等效节点不存在“子邻居”节点，存在等效“邻居”节点，则根据ID分析，选择最小ID成员拆分当前等效节点，最小ID成为群首，成为“孤立”群，原群发生“孤立群退化”现象。
实施例2
基于上述实施例，本实施例提出了一种固定翼无人机的电控设备，该电控设备包括存储器和处理器；存储器存储有计算机程序，处理器执行计算机程序时实现上述实施例1的约束条件下的大规模固定翼无人机集群编队方法步骤，以实现与其他固定翼无人机构建族群或集群。
本实施例的存储器可以采用计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.约束条件下的大规模固定翼无人机集群编队方法，其特征在于，该方法包括：
根据接收到的任务指令，在机载通信设备覆盖范围有限制的约束条件下，基于自适应编队算法进行固定翼无人机族群组队；所述族群内有族首和成员两种无人机身份；所述族群的族首对族群进行管理；所述族群的族首具备族群间通信权限和族内通信权限，所述族群的成员仅具备族内通信权限和族间侦听权限；
根据接收到的任务指令，固定翼无人机族群的族首进行集群组队和协同管理；所述自适应编队算法包括：
进行固定翼无人机族群内部逻辑构建；
进行固定翼无人机族群密度控制，确定所述固定翼无人机族群的宏观组织协同行为；构建的所述固定翼无人机族群内部逻辑为：
(1)族群结点数的最高上限M，族群内每一个固定翼无人机视为一个结点，持有独立身份ID，一个结点能够维护的“子邻居”结点个数最大值为K；
(2)对于具有K个“子邻居”结点关系的族群：至少存在一个族首“孤立”结点；否则除族首结点外的所有非逻辑低端结点的中间结点至少有
个“邻居”结点关系；任意结点最多K-1个维护“邻居”，K个“子邻居”关系；
(3)族群生成约束条件：以族首为“源结点”，其他成员逐步追加建立集群对称结构，族首位于“逻辑”对称结构中轴线上，轴线将族群分为左/右侧两大区域；族群内族首ID大于对称轴左侧成员ID，小于右侧成员ID，结点的组成结构中规定各结点编号从左到右ID号从小到大；以族首所在轴线为中心，族群左右两侧结构深度之差不超过1；
(4)族群算法结构生成快，结构稳定，支持结点删除和添加；
算法说明：在上述(1)—(3)项内容中，族群有M个固定翼无人机，即有M个ID编号；K为族群约定值，用于限制任意结点拥有的最大子结点个数；则族群的深度范围为
所述固定翼无人机族群密度控制的算法具体为：
以族首为参考中心，建立“东-北-地”右手坐标系，则可得到族群内的各固定翼无人机的位置关系函数为：
所述函数对应的密度约束条件为：
其中，Δδ为y轴向稀疏度控制因子，Δh为Z轴向高度差控制因子，L为x轴向稀疏度控制因子，定义x轴向为飞机头朝向，逆时针方向θ∈(0～180°)为正方向，位于族首中心轴线左侧，反之为负方向，位于族首中心轴线右侧；PN和P′N为任意两个固定翼无人机结点单元；r为固定翼无人机携带的通信范围覆盖半径，L*W*H为固定翼无人机的几何尺寸，kP为坐标逻辑x、y水平面区域内密度系数因子，kN为空间z轴向上的密度系数因子，且kP和kN为正整数值，在不同节点处值均不相等；
为以0族首为参考PN点的位置距离，
为任意两个固定翼无人机结点位置距离。
2.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，可选择
3.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，该方法还包括：
按照所述固定翼无人机族群内部逻辑对所述族群进行增员；
增员过程中存在二义性冲突时，按照预设优先原则选择最终构型。
4.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，按照所述固定翼无人机族群内部逻辑对所述族群进行末端节点位置减员：
若当前减员所在等效节点单元内“邻居”节点关系数大于
时，直接删除当前减员节点即可；
若当前减员所在等效节点单元内“邻居”节点关系数等于
时，为了确保集群对象逻辑结构满足编队形态对称性，即编队的结构“平衡”：如果等效兄弟节点中“邻居”节点关系数大于
则去兄弟节点借成员；如果等效兄弟节点中“邻居”节点关系数不大于
则进行兄弟节点合并形成新的等效节点，原始兄弟现在互为“邻居”关系。
5.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，按照所述固定翼无人机族群内部逻辑对所述族群进行非末端节点位置减员：
若当前减员所在等效节点位置的“子邻居”节点的“邻居”数大于
时，则从“子邻居”节点借成员“交换”该当前减员节点后，删除交换后的末端节点，保持内部逻辑结构；
若当前减员所在等效节点位置的“子邻居”节点的“邻居”数均等于
则将当前减员节点转换到“路径最优”的末端节点上，再按照末端节点情况进行删除。
6.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，该方法还包括：
若存在族首/群首损员时，则自动生成族首/群首：
当族首/群首所在等效节点位置上有“邻居”节点关系，族首/群首等效节点位置非末端节点，且“邻居”数不小于
时：
当族首/群首所在等效节点的“子邻居”节点个数不满置，则选择最小ID进行损员，推举最大ID为新族首/群首，并对“子邻居”节点进行合并；
当族首/群首所在等效节点位置上无“邻居”节点关系，且各“子邻居”节点为非末端节点，则选择靠近族首/群首所在中轴线两侧末端“节点”成员进行交换后，按照所述末端节点位置减员约束条件处理。
7.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，该方法还包括：
若出现动态任务分配时，则自动重构族首/群首：
若当前群为集群，在进行任务拆分时：以族群单元进行划分；
当族群单元进行动态任务划分时：当分配等效节点有“邻居”节点关系，且邻居数目不小于
若当前等效节点存在“子邻居”节点，又存在等效“邻居”节点，则从当前节点选择拥有“子邻居”节点的等效最小“邻居”ID成员为族首/群首，以该成员为首，并将该成员对应侧“子邻居”节点组成新群；原族群节点以最小ID成为族首向整体对称平衡方向调整；
当任务分配时，族群不存在等效邻居节点关系，但存在“子邻居”节点，则拆分当前节点任意侧“子邻居”为新族群，原族群拥有另一侧所有“子邻居”节点关系；
若当前等效节点不存在“子邻居”节点，存在等效“邻居”节点，则选择最小ID成员拆分当前节点，最小ID成为群首，成为“孤立”群，原群发生“孤立群退化”现象。
8.根据权利要求1所述的约束条件下的大规模固定翼无人机集群编队方法，其特征在于，该方法采用密度控制算法对多个所述固定翼无人机族群的族首进行集群组队。
9.一种固定翼无人机的电控设备，该电控设备包括存储器和处理器；所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述方法的步骤，以实现与其他固定翼无人机构建族群或集群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183125.2A CN112965525B (zh) | 2021-02-10 | 2021-02-10 | 约束条件下的大规模固定翼无人机集群编队方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110183125.2A CN112965525B (zh) | 2021-02-10 | 2021-02-10 | 约束条件下的大规模固定翼无人机集群编队方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112965525A CN112965525A (zh) | 2021-06-15 |
| CN112965525B true CN112965525B (zh) | 2022-11-22 |
Family
ID=76284775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110183125.2A Active CN112965525B (zh) | 2021-02-10 | 2021-02-10 | 约束条件下的大规模固定翼无人机集群编队方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112965525B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113359838B (zh) * | 2021-06-25 | 2022-10-18 | 中国人民解放军火箭军工程大学 | 一种多uav协同飞行控制系统及方法 |
| CN114185361A (zh) * | 2021-11-26 | 2022-03-15 | 航空工业信息中心 | 基于智能控制的拦截机群密集撞击式硬杀伤反无人机方法 |
| CN114415717A (zh) * | 2021-12-20 | 2022-04-29 | 广东电网有限责任公司 | 无人机集群控制方法、系统、终端设备及存储介质 |
| CN114900255B (zh) * | 2022-05-05 | 2023-03-21 | 吉林大学 | 一种基于链路势能的近地表无线网络链路梯度场构建方法 |
| CN116954266B (zh) * | 2023-09-21 | 2023-12-08 | 北京航空航天大学 | 一种通信约束的无人机编队鲁棒控制方法及系统 |
| CN117270574B (zh) * | 2023-11-20 | 2024-01-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于虚拟目标的固定翼无人机飞行编队试验方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
| CN111752246A (zh) * | 2020-07-02 | 2020-10-09 | 中国科学技术大学 | 基于区块链和人工智能驱动的无人机蜂群协同工作平台 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IL250382B (en) * | 2017-01-31 | 2021-01-31 | Arbe Robotics Ltd | A radar-based system and method for real-time simultaneous positioning and mapping |
| US10569875B2 (en) * | 2017-09-29 | 2020-02-25 | Deere & Company | Using unmanned aerial vehicles (UAVs or drones) in forestry imaging and assessment applications |
| CN108196579B (zh) * | 2018-01-24 | 2020-01-31 | 电子科技大学 | 基于几何分布的无人机分级编队方法 |
| CN108762091B (zh) * | 2018-06-25 | 2021-06-22 | 东南大学 | 一种基于未知控制方向的自适应编队控制算法 |
| CN110007688B (zh) * | 2019-04-25 | 2021-06-01 | 西安电子科技大学 | 一种基于强化学习的无人机集群分布式编队方法 |
| CN110162065B (zh) * | 2019-06-18 | 2021-11-19 | 东北大学 | 一种基于有向跟随的自适应多智能体编队控制方法 |
| CN110274588B (zh) * | 2019-06-19 | 2020-12-08 | 南京航空航天大学 | 基于无人机集群信息的双层嵌套因子图多源融合导航方法 |
| CN110162097A (zh) * | 2019-06-21 | 2019-08-23 | 东北大学秦皇岛分校 | 基于能耗的无人机分布式编队控制方法 |
| CN111045450B (zh) * | 2019-12-11 | 2022-09-30 | 江苏理工学院 | 固定翼无人机双机编队组队过程制导方法 |
| CN111158395B (zh) * | 2020-01-13 | 2021-05-14 | 哈尔滨工程大学 | 一种基于鸽群优化的多无人机紧密编队控制方法 |
| CN111650963B (zh) * | 2020-06-03 | 2023-08-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种面向垂直起降固定翼无人机的视觉集群编队控制方法 |
| CN111858391A (zh) * | 2020-06-16 | 2020-10-30 | 中国人民解放军空军研究院航空兵研究所 | 一种数据处理过程中优化压缩存储格式的方法 |
| CN112230677B (zh) * | 2020-10-22 | 2023-07-07 | 中国人民解放军陆军工程大学 | 无人机族群任务规划方法及终端设备 |
-
2021
- 2021-02-10 CN CN202110183125.2A patent/CN112965525B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103425840A (zh) * | 2013-08-14 | 2013-12-04 | 西北工业大学 | 一种基于改进多目标蛙跳算法的协同空战火力分配方法 |
| CN111752246A (zh) * | 2020-07-02 | 2020-10-09 | 中国科学技术大学 | 基于区块链和人工智能驱动的无人机蜂群协同工作平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112965525A (zh) | 2021-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112965525B (zh) | 约束条件下的大规模固定翼无人机集群编队方法 | |
| CN113316118B (zh) | 基于任务认知的无人机集群网络自组织系统及方法 | |
| Wang et al. | A hybrid metaheuristic DE/CS algorithm for UCAV three-dimension path planning | |
| CN109508035B (zh) | 基于分布式控制的多区域分级式无人机编队路径规划方法 | |
| CN114413906B (zh) | 一种基于改进粒子群优化算法的三维轨迹规划方法 | |
| CN111443728B (zh) | 一种基于混沌灰狼优化的无人机编队控制方法 | |
| CN110554709A (zh) | 一种分布式的仿生的多智能体自主集群控制方法 | |
| CN109917811A (zh) | 一种无人机集群协同避障-重构处理方法 | |
| CN112437502B (zh) | 基于多任务无人机集群信息交互的分层分簇网络拓扑结构生成方法 | |
| Geng et al. | Cooperative mission planning with multiple UAVs in realistic environments | |
| Li et al. | Unmanned combat aerial vehicles path planning using a novel probability density model based on artificial bee colony algorithm | |
| CN111157002B (zh) | 基于多智能体进化算法的飞行器3d路径规划方法 | |
| CN114518772B (zh) | 一种拒止环境下无人机蜂群自组织方法 | |
| CN114025361B (zh) | 面向协同中继任务的多无人机网络拓扑构造与规划方法 | |
| Nabizadeh et al. | A multi-swarm cellular PSO based on clonal selection algorithm in dynamic environments | |
| Li et al. | A biomimetic rotor-configuration design for optimal aerodynamic performance in quadrotor drone | |
| Sun et al. | Markov decision evolutionary game theoretic learning for cooperative sensing of unmanned aerial vehicles | |
| Chen et al. | An improved spherical vector and truncated mean stabilization based bat algorithm for uav path planning | |
| Peng et al. | Modeling and solving the dynamic task allocation problem of heterogeneous UAV swarm in unknown environment | |
| Qi et al. | Path planning of multirotor UAV based on the improved ant colony algorithm | |
| Liao et al. | UAV swarm formation reconfiguration control based on variable-stepsize MPC-APCMPIO algorithm | |
| Patley et al. | Modified particle swarm optimization based path planning for multi-UAV formation | |
| Sun et al. | A survey of cooperative path planning for multiple UAVs | |
| CN114527784A (zh) | 一种基于行为控制方法的无人机集群整体避障方法 | |
| Tan | Artificial Bee Colony-Aided UAV Deployment and Relay Communications for Geological Disasters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |