CN116243729B - 一种基于固定翼集群无人机在线分组的相位协同规划方法 - Google Patents

Abstract

本发明公开了一种基于固定翼集群无人机在线分组的相位协同规划方法，其包括：当前时刻，若固定翼集群无人机的编队重组时，计算下一时刻的长机的状态信息以及各僚机相对长机的位置和方向；其中，重组包括拆分或合并；根据下一时刻的长机的状态信息以及各僚机相对长机的位置和方向，计算得到一级权重；基于固定翼集群无人机的编队的队形和编队中无人机之间的相对位置，计算次级权重；基于一级权重和次级权重，计算得到权重矩阵；基于权重矩阵，采用二分图最佳匹配算法，得到无人机的相位规划。本发明能够在固定翼集群飞行编队重构时，提高集群式固定翼无人机飞行效率和飞行安全性，自适应进行阶段协调规划，保证编队飞行的连续性和稳定性。

Description

一种基于固定翼集群无人机在线分组的相位协同规划方法

技术领域

本发明涉及无人机技术领域，特别是一种基于固定翼集群无人机在线分组的相位协同规划方法。

背景技术

近年来，无人机技术由于无人机的运动特征灵活、相对于传统飞行的成本更低、产业作用广泛等原因，受到了广泛的关注。对于无人机而言，目前的产品已经得到了对于单体而言的性能、功效、控制方面的大幅度提升。同时由于硬件的迭代、分布式系统、组网通信技术的大力发展，集群无人机也被应用于工业、飞行表演、信号传输等领域。

其中旋翼无人机应用相对成熟，而固定翼无人机由于其高机动性、航速快、航程大、负载更强的性质在工业、农业、救援和科学研究方面具备更广泛的前景。在固定翼集群无人机的飞行过程中，如何使得集群无人机能得到有效、快速和稳定的控制是一类经典问题。

对于固定翼集群无人机而言，由于执行任务、避障、航路重新规划导致其编队的拆分和合并是一种常见的情况，对于传统的飞行控制领域，需要通过控制率控制单机进行航行，对于长-僚机的集群飞行状态而言，飞行中需要尽可能避免撞击等危险情况发生，而防撞措施会导致集群飞行状态的不稳定波动，从而引发飞行任务的执行慢、控制集群协同飞行困难的问题。对于固定翼集群无人机飞行过程中，并没有一种专向稳定的协同相位控制办法来协调这种编队重构的实施问题。

发明内容

鉴于此，本发明提供了一种基于固定翼集群无人机在线分组的相位协同规划方法，以解决上述技术问题。

本发明公开了一种基于固定翼集群无人机在线分组的相位协同规划方法，其包括以下步骤：

步骤1：当前时刻，若固定翼集群无人机的编队重构时，计算下一时刻的长机的状态信息以及各僚机相对长机的位置和方向；其中，重构包括拆分或合并；

步骤2：根据下一时刻的长机的状态信息以及各僚机相对长机的位置和方向，计算得到一级权重；

步骤3：基于固定翼集群无人机的编队的队形和编队中无人机之间的相对位置，计算次级权重；

步骤4：基于一级权重和次级权重，计算得到权重矩阵；

步骤5：基于权重矩阵，采用二分图最佳匹配算法，得到无人机的相位规划。

进一步地，所述步骤1包括：

获取每架无人机的状态信息并记录其编队和属于长机或僚机；所述状态信息包括位置、速度、加速度、方向；

根据固定翼集群无人机分队或合并编队的情况，确定下一时刻的长机和僚机；

对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息；

对于每个僚机，根据下一时刻长机的位置和方向信息，计算僚机相对长机的位置和方向；而僚机不需要通过自身的状态来计算下一时刻的状态信息。

进一步地，所述对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息，包括：

根据长机当前的受力，计算其所受风阻的大小和方向，分解为x、y、z，分别计算x、y、z方向的合力及外力分量，分别记为Fx_total、Fy_total、Fz_total；利用动力学方程计算出下一时刻长机的位置、速度和加速度；

根据x、y、z三个方向的长机质量以及Fx_total、Fy_total、Fz_total，利用动力学方程计算长机下一时刻的坐标：

其中，x、y、z分别表示当前时刻长机在x、y、z三个方向的位置，、/>、/>分别表示下一时刻长机在x、y、z三个方向的位置，/>、/>、/>分别表示长机在x、y、z三个方向上的速度，、/>、/>分别表示长机在x、y、z三个方向的加速度，/>表示时间间隔。

进一步地，所述步骤2包括：

确定固定翼集群无人机的编队间距；所述编队间距包括水平间距和垂直间距；

对于每架无人机，将其当前时刻的相位与下一时刻所有其它无人机的相位之间的距离作为距离矩阵的一行；

对于每架无人机，计算其在所述距离矩阵中的行向量；

根据所述距离矩阵中每个元素的值，计算当前时刻的每架无人机与下一时刻其它无人机之间的权重；

按照权重的计算方法以此类推，分别得到当前时刻所有无人机的相对位置到下一时刻所有无人机的相对位置的一级权重矩阵。

进一步地，计算公式为：

其中，表示固定翼集群无人机中的无人机A到无人机Z的一级权重，/>、/>、分别表示下一时刻的无人机Z的x轴坐标、y轴坐标和z轴坐标，/>、/>、/>分别表示当前时刻的无人机A的x轴坐标、y轴坐标和z轴坐标，l和d分别表示标准水平间距和高差，/>表示乘号。

进一步地，所述步骤3包括：

将固定翼集群无人机的编队中不同无人机之间的相对位置抽象为槽位，对于越前方的相对位置，槽位号越小；

对于不同的编队，槽位号带来不同的权重曲线，依照权重曲线，不同的队形中，槽位变化量和权重形成一个函数，依照函数定义次级权重。

进一步地，对于次级权重的计算，根据不同的编队拟合不同的次级权重曲线：

竖|字队形中，每架无人机均趋向于前方的相对位置，而对于相对位置更远的前方位置，以当前槽位减下一时刻槽位的差为，对于前方的相对位置，此时拟合的曲线设置为/>：

对于横向对称的队形，每架飞机趋向前一排以及同一侧的相对位置，对于同一侧的相对位置和槽位，增加一个二级权重：

其中，为基础权重，/>为取模运算符，/>表示乘号；

对于三角形队形，每架固定翼无人机都趋向于前一行的相对位置，以表示当前时刻相对位置对于下一时刻相对位置在三角形队形中任一行的行序号差值；每架固定翼集群无人机都对前一行更感兴趣，但同时对于前一行另一侧的相对位置表现得相对不感兴趣，增加一个二级权重/>为：

。

进一步地，所述步骤4包括：

将一级权重和次级权重构合成一个权重向量，即：假设一级权重向量为W_1，二级权重向量为W_2，合并后的权重向量为W=alphaw_1+(1-alpha)/>w_2；alpha是权重系数，用来控制一级权重和二级权重向量的相对重要性；/>表示乘号；

构建权重矩阵：将权重向量重复n次，得到一个nn的权重矩阵M；其中，n为重构后的固定翼无人机个数；权重矩阵M的第i行j列的元素m_ij等于W_ij，表示当前时刻第i号无人机相对于下一时刻第j号无人机相对位置的权重；

归一化权重矩阵：权重矩阵的每一行代表无人机下一时刻相对于所有无人机相对位置的权重，每一行的权重值加起来为1；使用求和后求商的方法实现。

进一步地，所述步骤5包括：

通过重构现有的固定翼无人机，将利用得到的多级权重矩阵通过行二分图最佳匹配算法计算，将问题抽象为点到点的权重最优解计算问题，依次得到每架固定翼集群无人机的最优选择相位；

若求解失败，则将执行增广路计算的方案，使得每架飞机的权重矩阵得到更新，直到求解出每架固定翼无人机的不冲突最优解矩阵；

至此所有固定翼集群无人机将按照计算所得的最优解矩阵进行飞行。

进一步地，通过KM算法得到每一个无人机对于下一时刻相位的趋向最优解：

对于权重矩阵M，n为无人机数量，X为当前时刻每架无人机的位置，Y为下一时刻每架无人机对应的相对位置，则计算Y的步骤为：

1）将权重矩阵M变换为距离矩阵D，其中，D_{ij} = -M_{ij}；

2）归一化距离矩阵得到一个新的距离矩阵D'；

3）初始化n个标签u_1, u_2, ..., u_n和v_1, v_2, ..., v_n，并全部置0；其中，u_i表示左节点i的标签，表示与左节点i相连的所有右节点中最小的不匹配权值，v_j表示右节点j的标签，表示与右节点j相连的所有左节点中最小的未匹配权值；

4）对于每个无人机i，将其视为左节点，增广路径搜索从i开始；在搜索过程中，根据当前节点的标签信息选择一个不匹配的右节点进行扩展，同时更新标签和权重矩阵的值，直到找不到增广路径；

5）对于每个标记i，求标记i的点的最小权重值w_i = min_{j=1}^n D'{ij}，然后更新D'：D'{ij} = D'{ij} - w_i ，对于所有标记为 i 的点，D'{ij} = D'_{ij} + w_i；其中，D'{ij}为对于左节点i和右节点j之间的权重值，先从原始权重矩阵D中取对应的值，然后减去i的标签值u_i和j的标签值v_j，得到重新计算的权重值；

6）重复步骤 4）和5），直到无法进行增广路径搜索为止；

7）对每架无人机i，找到其连接的右节点j，设Y_i= X_j-X_i，即Y_i代表无人机i到达的相对位置；其中，Y_i表示与左节点i相邻的所有右节点，包括与i匹配的节点和不匹配的节点；X_j表示与右节点j相邻的所有左节点，包括与j匹配的节点和不匹配的节点；X_i表示与左节点 i 匹配的右节点，其中可能包括未匹配的节点。

进一步地，所述步骤4）包括：

令S={i}，T =，p_0=i，k=0，P=/>；其中，将S初始化为集合{i}，将T初始化为空集，即左节点i已经访问过，右节点未访问过；初始化p_0=i，表示当前访问的左节点为i；初始化k=0，表示本次访问的路径长度为0；将P初始化为空集，表示当前没有找到增广路径；

对使用空集表示法，p_0表示起始节点，k表示路径长度，P表示增广路径集；

在S中选择一个点p_k，将其添加到T中，然后在D'中找到p_k的未标记邻近点q，如果q未标记，则标记为v_q = i，并将q添加到S中；否则，假设q的标签为v_q=j，则将p_k添加到P，然后从T中找到标记为u_j的点r，将r添加到S，并设置p_{k+1} = r；其中，定义p_k为增广路径 P 中的第 k个节点，0<= k<|P|，p_0为起始节点；

定义v_q为增广路径P中的第q个节点，其中0<= q<|P|，v_0为p_0匹配的节点；

定义p_{k+1}为增广路径P中的第k+1个节点，即p_k匹配的节点，若p_k为左节点，则p_{k+1}为匹配中p_k对应的节点M右节点；若p_k为右节点，则p_{k+1}为匹配M中p_k对应的左节点；

如果P不为空，令q为P中的任意一点，然后将u_j标记为i，v_q标记为j，并更新P中点的标记：u_{p_k}=i, v_q=j；其中，u_{p_k}表示左节点p_k在增广路径P上的标签值，即p_k连接的所有右节点中最小的不匹配权值，u_j表示未访问的左节点 j的标签值，即与 j连接的所有右节点中最小的未匹配权重值；

如果P为空，则跳到步骤5）。

由于采用了上述技术方案，本发明具有如下的优点：

1.提高集群式固定翼无人机飞行效率：通过基于二分图最优匹配算法的在线集群飞行阶段协同规划，在不影响固定翼无人机飞行效率的情况下，实现更好的编队协同飞行。提高蜂群固定翼无人机的飞行效率。

2.提高飞行安全性：通过预测编队中所有物体在下一时刻的飞行位置，计算编队物体无人机对所有下一时刻飞行位置的一级权重，确定当前相位差。 通过赋予不同相位的固定翼无人机更趋于逻辑最优的相位，可以避免飞机编队之间的冲突，提高飞行安全性。

3.适应性强：该方法可以根据任务执行、避障、航线重新规划、编队重新划分等原因拆分飞行的编队逻辑，自适应地进行阶段协调规划，保证编队飞行性的连续性和稳定性。

4.更准确的相位协调规划：多级权重的好处是可以根据不同的因素赋予固定翼无人机不同的相位权重。一级权重可以反映无人机当前时刻到达下一时刻位置的难易程度，二级权重可以反映无人机当前时刻到达下一时刻位置对整个编队的影响程度。通过综合考虑这些因素，可以更准确地确定每架无人机的相位权重，达到更好的编队协同飞行效果。

5.快速有效：KM算法的优点是可以在多项式时间内解决二部图的最优匹配问题，具有时间复杂度低、可扩展性强等优点。 对于大型固定翼无人机集群，KM算法可以高效求解最优解，从而实现更精确的相位协同规划。 此外，KM算法还可以通过增广路径算法进行容错处理，提高算法的鲁棒性和可靠性。

6.总而言之，本发明操作简单稳定有效，反应迅速，能有效地针对集群固定翼无人机的集群飞行的特点和态势，协同地解决集群飞行编组重构稳定飞行、加快任务协同的难题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例的一种基于固定翼集群无人机的编队示意图；

图2为本发明实施例的编队重构（无人机拆分）的示意图；

图3为本发明实施例的又一种基于固定翼集群无人机的编队示意图；

图4为本发明实施例的另一种基于固定翼集群无人机示意图；

图5(a)为本发明实施例的KM算法最优解计算示意图；

图5(b)为本发明实施例的最优解计算示意图；

图6为本发明实施例的散列点重构为编队的示意图；

图7为本发明实施例的从圆形编队重构为立方编队的示意图；

图8为本发明实施例的一种基于固定翼集群无人机在线分组的相位协同规划方法的流程示意图。

具体实施方式

结合附图和实施例对本发明作进一步说明，显然，所描述的实施例仅是本发明实施例一部分实施例，而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例，都应当属于本发明实施例保护的范围。

参见图8，本发明提供了一种基于固定翼集群无人机在线分组的相位协同规划方法的实施例，其包括以下步骤：

步骤1：当前时刻，若固定翼集群无人机的编队重构时，计算下一时刻的长机的状态信息以及各僚机相对长机的位置和方向；其中，重构包括拆分或合并；参见图1和图2；在图1中，编号为0的是固定翼集群无人机编队中的长机，编号为1至5的是固定翼集群无人机编队中的僚机；图2是编号为1的僚机从编队中拆分出后的示意图，编号6为图1中编号为1的僚机在编队中的位置。

步骤2：根据下一时刻的长机的状态信息以及各僚机相对长机的位置和方向，计算得到一级权重；以六机编队为例，参见图3；

步骤3：基于固定翼集群无人机的编队的队形和编队中无人机之间的相对位置，计算次级权重；以三机编队为例，参见图4；

步骤4：基于一级权重和次级权重，计算得到权重矩阵；

步骤5：基于权重矩阵，采用二分图最佳匹配算法，得到无人机的相位规划。其中，KM算法最优解计算参见图5(a)，计算最优解的逻辑参见图5(b)。通过x₁至x₅分别表示当前时刻五架无人机，y₁至y₅分别表示下一时刻五架无人机的五个相对位置，通过权重矩阵进行计算得到每一架无人机对于下一时刻相对位置的最优解，图5(a)表示使用权重矩阵，通过KM算法和增广路计算逻辑，计算当前时刻每一架无人机到下一时刻其对应位置的最优解的求解方案，图5(b)是图5(a)的权重矩阵。

从散列到重构的编队和不同编队之间的重构参见图6至图7；

本实施例中，步骤1包括：

获取每架无人机的状态信息并记录其编队和属于长机或僚机；状态信息包括位置、速度、加速度、方向；

根据固定翼集群无人机分队或合并编队的情况，确定下一时刻的长机和僚机；

对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息；

对于每个僚机，根据下一时刻长机的位置和方向信息，计算僚机相对长机的位置和方向；而僚机不需要通过自身的状态来计算下一时刻的状态信息。

本实施例中，对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息，包括：

根据长机当前的受力，计算其所受风阻的大小和方向，分解为x、y、z，分别计算x、y、z方向的合力及外力分量，分别记为Fx_total、Fy_total、Fz_total；利用动力学方程计算出下一时刻长机的位置、速度和加速度；

根据x、y、z三个方向的长机质量以及Fx_total、Fy_total、Fz_total，利用动力学方程计算长机下一时刻的坐标：

其中，x、y、z分别表示当前时刻长机在x、y、z三个方向的位置，、/>、/>分别表示下一时刻长机在x、y、z三个方向的位置，/>、/>、/>分别表示长机在x、y、z三个方向上的速度，、/>、/>分别表示长机在x、y、z三个方向的加速度，/>表示时间间隔。

本实施例中，步骤2包括：

确定固定翼集群无人机的编队间距；编队间距包括水平间距和垂直间距；

对于每架无人机，将其当前时刻的相位与下一时刻所有其它无人机的相位之间的距离作为距离矩阵的一行；

对于每架无人机，计算其在距离矩阵中的行向量；

根据距离矩阵中每个元素的值，计算当前时刻的每架无人机与下一时刻其它无人机之间的权重；

按照权重的计算方法以此类推，分别得到当前时刻所有无人机的相对位置到下一时刻所有无人机的相对位置的一级权重矩阵。

本实施例中，计算公式为：

其中，表示固定翼集群无人机中的无人机A到无人机Z的一级权重，/>、/>、分别表示下一时刻的无人机Z的x轴坐标、y轴坐标和z轴坐标，/>、/>、/>分别表示当前时刻的无人机A的x轴坐标、y轴坐标和z轴坐标，l和d分别表示标准水平间距和高差，/>表示乘号。

本实施例中，所述步骤3包括：

将固定翼集群无人机的编队中不同无人机之间的相对位置抽象为槽位，对于越前方的相对位置，槽位号越小；

对于不同的编队，槽位号带来不同的权重曲线，依照权重曲线，不同的队形中，槽位变化量和权重形成一个函数，依照函数定义次级权重。

本实施例中，对于次级权重的计算，根据不同的编队拟合不同的次级权重曲线：

竖|字队形中，每架无人机均趋向于前方的相对位置，而对于相对位置更远的前方位置，以当前槽位减下一时刻槽位的差为，对于前方的相对位置，此时拟合的曲线设置为/>：

对于横向对称的队形，每架飞机趋向前一排以及同一侧的相对位置，对于同一侧的相对位置和槽位，增加一个二级权重：

其中，为基础权重，/>为取模运算符，/>表示乘号；

对于三角形队形，每架固定翼无人机都趋向于前一行的相对位置，以表示当前时刻相对位置对于下一时刻相对位置在三角形队形中任一行的行序号差值；每架固定翼集群无人机都对前一行更感兴趣，但同时对于前一行另一侧的相对位置表现得相对不感兴趣，增加一个二级权重/>为：

。

本实施例中，所述步骤4包括：

将一级权重和次级权重构合成一个权重向量，即：假设一级权重向量为W_1，二级权重向量为W_2，合并后的权重向量为W=alphaw_1+(1-alpha)/>w_2；alpha是权重系数，用来控制一级权重和二级权重向量的相对重要性；/>表示乘号；

构建权重矩阵：将权重向量重复n次，得到一个nn的权重矩阵M；其中，n为重构后的固定翼无人机个数；权重矩阵M的第i行j列的元素m_ij等于W_ij，表示当前时刻第i号无人机相对于下一时刻第j号无人机相对位置的权重；

归一化权重矩阵：权重矩阵的每一行代表无人机下一时刻相对于所有无人机相对位置的权重，每一行的权重值加起来为1；使用求和后求商的方法实现。

本实施例中，所述步骤5包括：

通过重构现有的固定翼无人机，将利用得到的多级权重矩阵通过行二分图最佳匹配算法计算，将问题抽象为点到点的权重最优解计算问题，依次得到每架固定翼集群无人机的最优选择相位；

若求解失败，则将执行增广路计算的方案，使得每架飞机的权重矩阵得到更新，直到求解出每架固定翼无人机的不冲突最优解矩阵；

至此所有固定翼集群无人机将按照计算所得的最优解矩阵进行飞行。

本实施例中，通过KM算法得到每一个无人机对于下一时刻相位的趋向最优解：

对于权重矩阵M，n为无人机数量，X为当前时刻每架无人机的位置，Y为下一时刻每架无人机对应的相对位置，则计算Y的步骤为：

1）将权重矩阵M变换为距离矩阵D，其中，D_{ij} = -M_{ij}；

2）归一化距离矩阵得到一个新的距离矩阵D'；

3）初始化n个标签u_1, u_2, ..., u_n和v_1, v_2, ..., v_n，并全部置0；其中，u_i表示左节点i的标签，表示与左节点i相连的所有右节点中最小的不匹配权值，v_j表示右节点j的标签，表示与右节点j相连的所有左节点中最小的未匹配权值；

4）对于每个无人机i，将其视为左节点，增广路径搜索从i开始： 具体操作是：

令S={i}，T =，p_0=i，k=0，P=/>；其中，将S初始化为集合{i}，将T初始化为空集，即左节点i已经访问过，右节点未访问过；初始化p_0=i，表示当前访问的左节点为i；初始化k=0，表示本次访问的路径长度为0；将P初始化为空集，表示当前没有找到增广路径；

在搜索过程中，根据当前节点的标签信息选择一个不匹配的右节点进行扩展，同时更新标签和权重矩阵的值，直到找不到增广路径；

需要对S和 T使用集合表示法，对使用空集表示法，p_0表示起始节点，k表示路径长度，P表示增广路径集；

在S中选择一个点p_k，将其添加到T中，然后在D'中找到p_k的未标记邻近点q，如果q未标记，则标记为v_q = i，并将q添加到S中；否则，假设q的标签为v_q=j，则将p_k添加到P，然后从T中找到标记为u_j的点r，将r添加到S，并设置p_{k+1} = r；其中，定义 p_k为增广路径 P 中的第 k个节点，0<= k<|P|，p_0为起始节点；

定义v_q为增广路径P中的第q个节点，其中0<= q<|P|，v_0为p_0匹配的节点；

定义p_{k+1}为增广路径P中的第k+1个节点，即p_k匹配的节点，若p_k为左节点，则p_{k+1}为匹配中p_k对应的节点 M 右节点；若p_k为右节点，则p_{k+1}为匹配M中p_k对应的左节点；

如果P不为空，令q为P中的任意一点，然后将u_j标记为i，v_q标记为j，并更新P中点的标记：u_{p_k}=i, v_q=j；其中，u_{p_k}表示左节点p_k在增广路径P上的标签值，即p_k连接的所有右节点中最小的不匹配权值，u_j表示未访问的左节点 j的标签值，即与 j连接的所有右节点中最小的未匹配权重值；

如果P为空，则跳到步骤5）；

5）对于每个标记i，求标记i的点的最小权重值w_i = min_{j=1}^n D'{ij}，然后更新D'：D'{ij} = D'{ij} - w_i ，对于所有标记为 i 的点，D'{ij} = D'_{ij} + w_i；其中，D'{ij}为对于左节点i和右节点j之间的权重值，先从原始权重矩阵D中取对应的值，然后减去i的标签值u_i和j的标签值v_j，得到重新计算的权重值；

6）重复步骤 4）和5），直到无法进行增广路径搜索为止；

7）对每架无人机i，找到其连接的右节点j，设Y_i= X_j-X_i，即Y_i代表无人机i到达的相对位置；其中，Y_i表示与左节点i相邻的所有右节点，包括与i匹配的节点和不匹配的节点；X_j表示与右节点j相邻的所有左节点，包括与j匹配的节点和不匹配的节点；X_i表示与左节点 i 匹配的右节点，其中可能包括未匹配的节点。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (6)

1.一种基于固定翼集群无人机在线分组的相位协同规划方法，其特征在于，包括以下步骤：

步骤1：当前时刻，若固定翼集群无人机的编队重构时，计算下一时刻的长机的状态信息以及各僚机相对长机的位置和方向；其中，重构包括拆分或合并；

步骤2：根据下一时刻的长机的状态信息以及各僚机相对长机的位置和方向，计算得到一级权重；

步骤3：基于固定翼集群无人机的编队的队形和编队中无人机之间的相对位置，计算次级权重；

步骤4：基于一级权重和次级权重，计算得到权重矩阵；

步骤5：基于权重矩阵，采用二分图最佳匹配算法，得到无人机的相位规划；

所述步骤2包括：

确定固定翼集群无人机的编队间距；所述编队间距包括水平间距和垂直间距；

对于每架无人机，将其当前时刻的相位与下一时刻所有其它无人机的相位之间的距离作为距离矩阵的一行；

对于每架无人机，计算其在所述距离矩阵中的行向量；

根据所述距离矩阵中每个元素的值，计算当前时刻的每架无人机与下一时刻其它无人机之间的权重；

按照权重的计算方法以此类推，分别得到当前时刻所有无人机的相对位置到下一时刻所有无人机的相对位置的一级权重矩阵；

所述步骤3包括：

将固定翼集群无人机的编队中不同无人机之间的相对位置抽象为槽位，对于越前方的相对位置，槽位号越小；

对于不同的编队，槽位号带来不同的权重曲线，依照权重曲线，不同的队形中，槽位变化量和权重形成一个函数，依照函数定义次级权重；

所述步骤4包括：

将一级权重和次级权重构合成一个权重向量，即：假设一级权重向量为w_1，二级权重向量为w_2，合并后的权重向量为W=alphaw_1+(1-alpha)/>w_2；alpha是权重系数，用来控制一级权重和二级权重向量的相对重要性；/>表示乘号；

构建权重矩阵：将权重向量重复n次，得到一个nn的权重矩阵M；其中，n为重构后的固定翼无人机个数；权重矩阵M的第i行j列的元素M_{ij}等于W_ij，表示当前时刻第i号无人机相对于下一时刻第j号无人机相对位置的权重；

归一化权重矩阵：权重矩阵的每一行代表无人机下一时刻相对于所有无人机相对位置的权重，每一行的权重值加起来为1；使用求和后求商的方法实现；

所述步骤5包括：

通过重构现有的固定翼无人机，将利用得到的多级权重矩阵通过行二分图最佳匹配算法计算，将问题抽象为点到点的权重最优解计算问题，依次得到每架固定翼集群无人机的最优选择相位；

若求解失败，则将执行增广路计算的方案，使得每架飞机的权重矩阵得到更新，直到求解出每架固定翼无人机的不冲突最优解矩阵；

至此所有固定翼集群无人机将按照计算所得的最优解矩阵进行飞行。

2.根据权利要求1所述的方法，其特征在于，所述步骤1包括：

获取每架无人机的状态信息并记录其编队和属于长机或僚机；所述状态信息包括位置、速度、加速度、方向；

根据固定翼集群无人机分队或合并编队的情况，确定下一时刻的长机和僚机；

对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息；

对于每个僚机，根据下一时刻长机的位置和方向信息，计算僚机相对长机的位置和方向；而僚机不需要通过自身的状态来计算下一时刻的状态信息。

3.根据权利要求2所述的方法，其特征在于，所述对于长机，根据其当前状态信息和预设的飞行计划，通过动力学方程的方法，计算其下一时刻的状态信息，包括：

根据长机当前的受力，计算其所受风阻的大小和方向，分解为x、y、z，分别计算x、y、z方向的合力及外力分量，分别记为Fx_total、Fy_total、Fz_total；利用动力学方程计算出下一时刻长机的位置、速度和加速度；

根据x、y、z三个方向的长机质量以及Fx_total、Fy_total、Fz_total，利用动力学方程计算长机下一时刻的坐标：

其中，x、y、z分别表示当前时刻长机在x、y、z三个方向的位置，、/>、/>分别表示下一时刻长机在x、y、z三个方向的位置，/>、/>、/>分别表示长机在x、y、z三个方向上的速度，/>、、/>分别表示长机在x、y、z三个方向的加速度，/>表示时间间隔，/>表示乘号。

4.根据权利要求1所述的方法，其特征在于，对于次级权重的计算，根据不同的编队拟合不同的次级权重曲线：

竖|字队形中，每架无人机均趋向于前方的相对位置，而对于相对位置更远的前方位置，以当前槽位减下一时刻槽位的差为，对于前方的相对位置，此时拟合的曲线设置为/>：

对于横向对称的队形，每架飞机趋向前一排以及同一侧的相对位置，对于同一侧的相对位置和槽位，增加一个二级权重：

其中，为基础权重，/>为取模运算符，/>表示乘号；

对于三角形队形，每架固定翼无人机都趋向于前一行的相对位置，以表示当前时刻相对位置对于下一时刻相对位置在三角形队形中任一行的行序号差值；每架固定翼集群无人机都对前一行更感兴趣，但同时对于前一行另一侧的相对位置表现得相对不感兴趣，增加一个二级权重/>为：

。

5.根据权利要求1所述的方法，其特征在于，通过KM算法得到每一个无人机对于下一时刻相位的趋向最优解：

对于权重矩阵M，n为无人机数量，X为当前时刻每架无人机的位置，Y为下一时刻每架无人机对应的相对位置，则计算Y的步骤为：

步骤1）将权重矩阵M变换为距离矩阵D，其中，D_{ij} = -M_{ij}；

步骤2）归一化距离矩阵得到一个新的距离矩阵D'；

步骤3）初始化n个标签u_1, u_2, ..., u_n和v_1, v_2, ..., v_n，并全部置0；其中，u_i表示左节点i的标签，表示与左节点i相连的所有右节点中最小的不匹配权值，v_j表示右节点j的标签，表示与右节点j相连的所有左节点中最小的未匹配权值；

步骤4）对于每个无人机i，将其视为左节点，增广路径搜索从i开始；在搜索过程中，根据当前节点的标签信息选择一个不匹配的右节点进行扩展，同时更新标签和权重矩阵的值，直到找不到增广路径；

步骤5）对于每个标记i，求标记i的点的最小权重值w_i = min_{j=1}^n D'{ij}，然后更新D'：D'{ij} = D'{ij} - w_i ，对于所有标记为 i 的点，D'{ij} = D'_{ij} + w_i；其中，D'{ij}为对于左节点i和右节点j之间的权重值，先从原始权重矩阵D中取对应的值，然后减去i的标签值u_i和j的标签值v_j，得到重新计算的权重值；

步骤6）重复步骤 4）和5），直到无法进行增广路径搜索为止；

步骤7）对每架无人机i，找到其连接的右节点j，设Y_i= X_j-X_i，即Y_i代表无人机i到达的相对位置；其中，Y_i表示与左节点i相邻的所有右节点，包括与i匹配的节点和不匹配的节点；X_j表示与右节点j相邻的所有左节点，包括与j匹配的节点和不匹配的节点；X_i表示与左节点 i 匹配的右节点，其中可能包括未匹配的节点。

6.根据权利要求5所述的方法，其特征在于，所述步骤4）包括：

令S={i}，T =，p_0=i，k=0，P=/>；其中，将S初始化为集合{i}，将T初始化为空集，即左节点i已经访问过，右节点未访问过；初始化p_0=i，表示当前访问的左节点为i；初始化k=0，表示本次访问的路径长度为0；将P初始化为空集，表示当前没有找到增广路径；

对使用空集表示法，p_0表示起始节点，k表示路径长度，P表示增广路径集；

在S中选择一个点p_k，将其添加到T中，然后在D'中找到p_k的未标记邻近点q，如果q未标记，则标记为v_q = i，并将q添加到S中；否则，假设q的标签为v_q=j，则将p_k添加到P，然后从T中找到标记为u_j的点r，将r添加到S，并设置p_{k+1} = r；其中，定义 p_k为增广路径P 中的第 k个节点，0 <= k < |P|，p_0为起始节点；

定义v_q为增广路径P中的第q个节点，其中0 <= q < |P|，v_0为p_0匹配的节点；

定义p_{k+1}为增广路径P中的第k+1个节点，即p_k匹配的节点，若p_k为左节点，则p_{k+1}为匹配中p_k对应的节点 M 右节点；若p_k为右节点，则p_{k+1}为匹配M中p_k对应的左节点；

如果P不为空，令q为P中的任意一点，然后将u_j标记为i，v_q标记为j，并更新P中点的标记：u_{p_k}=i, v_q=j；其中，u_{p_k}表示左节点p_k在增广路径P上的标签值，即p_k连接的所有右节点中最小的不匹配权值，u_j表示未访问的左节点 j的标签值，即与 j连接的所有右节点中最小的未匹配权重值；

如果P为空，则跳到步骤5）。