本发明涉及一种多无人机同时到达协同控制方法，属于飞行试验、无人机以及协同控制技术领域。
背景技术：
当前ucav协同任务控制研究的两个主要特点有：
(1)分布式控制成为一个重要的发展方向和研究热点
多ucav系统的控制方式主要分为集中式控制和分布式控制。集中式控制经过长期研究和充分发展，取得了大量的研究成果，但近年来随着分布式控制技术的快速发展及其在解决动态、不确定性问题上的优势，以及在ucav自主能力不断提高的趋势下，分布式控制逐渐成为多ucav协同任务控制的一个重要发展方向和研究热点。
(2)采用分层递阶结构进行逐层求解是有效手段
由于多ucav协同任务控制问题的高度复杂性，无论是集中式控制还是分布式控制，都需要建立相应的层次化控制结构，将问题分解为不同层次的子问题，在各个层次逐层求解以降低问题难度。
多无人机协同控制可以分解为协同目标分配、协同路径规划、可行轨迹生成、渐近轨迹跟踪等多个子问题。多无人机协同路径规划,是指在考虑协同约束的情况下为多架无人机规划路径,使它们能以最小的代价合作完成任务。与无人机单机路径规划相同,多无人机协同路径规划也要为每一架无人机规划出满足约束条件的可行飞行路径,而不同之处则主要是每一架无人机的路径对其自身而言不一定是最优的。
在任务开始前，首先会根据一定的作战原则将作战任务可以分解为一系列能够由ucav执行的任务。任务分解后得到的任务包括不同的类型，如目标确认、攻击、毁伤评估等，即使是同一类型的任务也分布在不同的地理位置并具有不同的时间要求。参与作战的ucav往往具有不同的用途，同一用途的ucav也可能包括不同的型号。多ucav任务分配就是研究如何将正确的任务在正确的时间分配给正确的ucav，使ucav协同完成任务后的整体作战效能最大。此领域的研究包括两方面内容：一是任务分配问题建模，二是任务分配问题求解。
(1)多ucav任务分配问题建模
对于特定背景下的复杂问题求解，有效的解决思路是将问题转换或分解成一个或几个基本问题，再利用与基本问题相关的成熟理论和方法求解。在对多ucav任务分配问题的研究中，研究人员已经提出了多种基于经典问题的任务分配模型，主要包括多旅行商问题模型、车辆路由问题模型、混合整数线性规划模型、动态网络流优化模型、多处理器资源分配模型等。将研究的问题抽象为经典问题的理论模型后，为问题求解提供了基本的模型框架，不过ucav任务分配具有更高的复杂性，有更多的准则需要考虑，这些特殊要求可以以约束条件的形式添加到模型中，例如时间窗约束、优先级约束、ucav能力约束等。将研究问题转换为经典问题后，也使得应用商业软件进行求解成为可能，可以将ucav任务分配问题建模为milp问题后，直接采用商业软件cplex进行求解。
(2)多ucav任务分配问题求解
建立了多ucav任务分配问题的数学模型后，便可以采用各种优化方法对问题进行求解。由于多ucav任务分配问题在理论和实践上的重要性，人们研究和探索多种优化求解算法，其发展经历了从简单到复杂、从单一到多元的过程。
①集中式控制中的求解方法
对于集中式控制，常用的求解方法可以分为最优化方法。最优化方法往往将任务分配问题简化为数学规划模型，然后采用穷举法(宽度优先或深度优化)、动态规划分支定界等方法进行求解。最优化方法在问题有解的条件下，基于某些简化的假设可以保证给出问题的最优解，但随着问题规模的增大，求解难度也急剧增加，时间耗费呈指数增长。该类方法的另一个不足是对复杂问题的描述能力有限，建立的模型不能充分反映战场环境的复杂性，对战场环境随机性和动态性的表达也极为困难。
启发式方法针对多ucav任务分配问题的np特性，并不企图在多项式时间内求得问题的最优解，而是在计算时间和分配效果之间进行折衷，以可以接受的计算量来得到近优或满意解。启发式方法又可以分为传统启发式算法和现代智能优化算法，后者因为具有易于实现、计算复杂度低、性能优越等特点，近年来得到了广泛的应用。
②分布式控制中的求解方法
对于多ucav的分布式控制，对各种方法比较后认为基于合同网的市场竞拍机制是一种行之有效的方法。合同网的基本思想是将任务分配看作一个交易过程，通过“招标－投标－中标”这一市场拍卖机制实现任务的委派和迁移。当ucav在作战过程中发现自己没有足够的能力处理某些任务，或执行任务的代价过大时，就把这些任务对外进行拍卖，由其它ucav根据其能力和状态进行投标，然后主持拍卖的ucav将任务迁移给能够以更低代价执行任务的ucav。基于合同网的任务分配方法原理简单、易于实现、并且效率高效果好，已成为多ucav分布式任务分配中应用最为广泛的方法。
在分布式的控制系统中，追求多ucav整体作战效能最优，通常会与ucav个体利益发生冲突，因此人们提出了基于多智能体满意决策论的多ucav任务分配方法。该方法依据ucav个体执行任务的效能评估，确定个体可以接受的任务集合，然后在个体满意基础上通过联合满意度对多ucav进行任务分配，实现ucav个体与多ucav整体效能之间的折衷。研究人员受昆虫之间采用信息素进行通信和协作的启发，提出了基于人工信息素的无人机协调技术，通过大量简单个体的局部感知和反应式交互作用涌现整体自组织行为，但这种方法更适用于简单、小型、便宜和可耗损的无人机。
技术实现要素：
本发明的目的在于提供一种多无人机同时到达协同控制方法；
1)通过任务的重新分配增加任务成功的概率。多ucav协同执行任务，当一架ucav被击毁或者出现故障时，该ucav的任务可以动态分配给其它ucav，其它ucav仍然可以完成既定任务。
2)通过成员的相互配合提高任务完成的质量。多ucav在作战过程中相互配合，可以提高任务完成质量并降低风险，不同ucav的雷达在不同时间多次开机、关机分别对攻击目标扫描，可以提高目标定位效果并降低被敌方发现的概率。
3)通过资源的相互共享扩展执行任务的能力。单架ucav的能力有限，但多架不同能力的ucav通过合作可以具备完成复杂作战任务的能力。
4)通过任务的并行执行缩短任务完成的时间。多架ucav在任务执行过程中通过分工协作并行执行任务，可以缩短任务完成的时间，提高任务完成的效率。
多无人机(uav)同时到达是典型的协同控制问题，在编队飞行、协同攻击中都有应用。以多无人机协同多目标攻击为应用背景，对多无人机同时到达问题进行了研究。考虑到战场环境的动态性和不确定性以及无人机自身的特点，提出一种适用于多无人机同时到达的分散化控制方法，其内容包括仅依靠局部信息交互的分散化控制结构和基于一致性算法的分散化控制策略。根据路径规划和速度控制的不同特点将二者结合起来，利用它们的互补优势来应对路径误差和突发威胁等不利因素的影响。
本发明为了实现上述目的，采用如下技术方案：
一种多无人机同时到达协同控制方法，该方法在于：
(a)、多uav同时到达的分散化协调控制描述；
在任务中，有n架无人机要在同一时刻到达预先给定的k个目标位置，其中n≥k≥1；
(b)无人机运动模型建立
无人机的运动为一个速度方向固连在机体轴上的刚体运动，速度大小在一定范围内可连续变化。在实际的路径规划和协同控制算法中，一般不考虑无人机的飞行高度变化，将无人机视为在二维平面内运动的质点。无人机的简化运动模型取为：
式中：i∈{1,2,…,n}为无人机的编号；[xiyi]t∈r2为平面位置坐标；vi、
uav航向角
无人机的飞行控制系统具有自动驾驶仪的速度保持和航向保持功能，跟踪给定的速度指令和航向角指令；自动驾驶仪的速度保持和航向保持用一阶动态模型近似描述：
式中：vic和
协同控制算法主要是通过实时给出速度指令信号，各个ucav通过调整自身的速度大小来保证到达各自目标的剩余时间这个变量达到一致，从而保证同时到达，形成同时打击的效果，增加攻击成功率和增大毁伤效果；
无人机的运动约束按以下条件进行考虑：0＜vmin,i≤vi≤vmax,i，
无人机的速度vi在其允许范围[vmin,i,vmax,i],(0＜vmin,i＜vmax,i)内变化，同时，航向角
加速度的变化范围[amin,i,amax,i],(amin,i＜0＜amax,i)：amin,i≤v.i＝ai≤amax,i。
(c)同时到达算法；
在多无人机协同控制中，在起飞前或任务开始前要预先对目标区域进行探测，探明威胁区域，之后进行任务分配；针对各个无人机的初始状态进行路径规划，并进行优化处理；通常可建立其全局优化模型：
式中,p为所有无人机可行飞行路径的集合；pi为第i架无人机的飞行路径；每一组(p1,p2,…,pn)形成了一种路径规划的方案；j为定义的一种指标函数；
总代价是各无人机飞行路径代价的代数和：
这里定义无人机飞行路径代价由路径长度代价和威胁代价两部分组成:
ji＝kjlength,i+(1-k)jthreat,i(0≤k≤1)(5)
式中，系数k的取值体现了决策者的战术倾向和任务的侧重点不同，k＝0表示决策者不管路径长度只求最安全，k＝1表示决策者不考虑安全因素只求路径最短；
全局优化模型是静态模型，离线求解得到全局最优路径；但是当无人机、目标或威胁发生变化时该模型也随之改变，这时必须在线进行重规划。当战场不确定性和动态性较显著时，无人机、目标或威胁将会急剧变化，从而使重规划的频率增大,这可能使路径规划的实时性变差；针对这种情况，建立多无人机协同路径规划的滚动优化模型：
滚动优化方法用在线滚动进行的一系列局部问题的求解来取代全局问题的求解，在滚动的每一步仅对当前滚动窗口内的局部问题优化求解，并实施当前最优策略。
进一步的，在(a)、多uav同时到达的分散化协调控制描述中：
无人机的初始位置是其当前时刻的实际位置，在空间内任意分布，通常实际情况下距离目标点有一定的范围，不能过于靠近目标；
各无人机在初始规划情况下有且仅有一个确定的目标位置，不同无人机的目标位置可能相同也可能不同，目标点任务的分配一般事前离线规划好，或者根据实时情况由总体指挥机构作出抉择；
在有突发事件发生的情况下，根据任务需求，无人机的任务目标若在线变更，这需要整个系统具备突发情况下的任务重分配能力；
另假定无人机预先或实时获得威胁和障碍的相关信息，能独立地离线或在线规划路径并实时给出路径长度的估计值，能自主地沿规划路径飞行；
突发事件发生情况下，对于重分配的目标情况进行在线实时的路径规划，并能快速的获取相关路径的信息；
多无人机同时到达协同控制技术的研究目标，通过协调各无人机之间的运动状态，达到上述任务目的，另外在突发状态下能够根据任务变化和无人机状态的变化进行实时调整，尽可能的保证任务的完成；任务开始前对目标周围的威胁已进行了探明，在任务开始前对各个无人机进行了任务分配和路径规划，在任务过程中无人机还必须回避威胁和禁飞区；
由于无人机的飞行路径和速度都不是固定的，因此通过调整路径长度和飞行速度以保证同时到达；
当任务过程中，出现了突发事件，突发性威胁，系统需要有任务重分配和路径重规划的能力，同时在不改变协同控制算法的情况下，保证同时到达任务的完成。
进一步的，路径规划具体采用voronoi图作为二维平面内无人机路径规划的环境描述工具；
在voronoi图中，威胁等障碍物位于多条边所围成的多边形内，无人机沿边运动；
为了满足协同任务需求，常要求不同ucav沿不同航迹同时到达指定区域，通过协调多架ucav的时间关系，实现各ucav在空间、时间上的协调一致，其方法有：调整ucav的速度、飞行航迹长度或增加机动动作；
通过调整各ucav的速度，使得多个ucav同时到达目标执行任务。
本发明的有益效果：
本发明实现多无人机同时到达,提高控制策略的灵活性、鲁棒性和可靠性。提高整的多无人机协同作战效能，使得整个多无人机作战大系统在战争中发挥更大的作用。
具体实施方式
多无人机(uav)同时到达是典型的协同控制问题，在编队飞行、协同攻击中都有应用。以多无人机协同多目标攻击为应用背景，对多无人机同时到达问题进行了研究。考虑到战场环境的动态性和不确定性以及无人机自身的特点，提出一种适用于多无人机同时到达的分散化控制方法，其内容包括仅依靠局部信息交互的分散化控制结构和基于一致性算法的分散化控制策略。根据路径规划和速度控制的不同特点将二者结合起来，利用它们的互补优势来应对路径误差和突发威胁等不利因素的影响。
1)多uav同时到达的分散化协调控制问题描述
假定在某次任务中，有n架无人机要在同一时刻到达预先给定的k个目标位置，其中n≥k≥1。无人机的初始位置是其当前时刻的实际位置，可能在空间内任意分布，通常实际情况下距离目标点有一定的范围，不能过于靠近目标。各无人机在初始规划情况下有且仅有一个确定的目标位置，不同无人机的目标位置可能相同也可能不同，目标点任务的分配一般事前离线规划好，或者根据实时情况由总体指挥机构作出抉择。在有突发事件发生的情况下，根据任务需求，无人机的任务目标有可能会在线变更，这需要整个系统具备突发情况下的任务重分配能力。另假定无人机可以预先或实时获得威胁和障碍(禁飞区)的相关信息，能独立地离线或在线规划路径并实时给出路径长度的估计值，能自主地沿规划路径飞行。突发事件发生情况下，对于重分配的目标情况进行在线实时的路径规划，并能快速的获取相关路径的信息。
多无人机同时到达协同控制技术的研究目标，是寻找一种控制方法或策略，通过协调各无人机之间的运动状态，达到上述任务目的，并尽量避免不利因素的影响，例如路径误差等，另外在突发状态下能够根据任务变化和无人机状态的变化进行实时调整，尽可能的保证任务的完成。任务开始前对目标周围的威胁已进行了探明，在任务开始前对各个无人机进行了任务分配和路径规划，在任务过程中无人机还必须回避威胁和禁飞区。由于无人机的飞行路径和速度都不是固定的，因此可以通过调整路径长度和飞行速度以保证同时到达。当任务过程中，出现了突发事件，如图中的深色区域示例的突发性威胁，系统需要有任务重分配和路径重规划的能力，同时在不改变协同控制算法的情况下，保证同时到达任务的完成。
2)无人机运动模型建立
首先研究无人机的运动模型。无人机的运动可以看成一个速度方向固连在机体轴上的刚体运动，速度大小在一定范围内可连续变化。在实际的路径规划和协同控制算法中，一般不考虑无人机的飞行高度变化，将无人机视为在二维平面内运动的质点。无人机的简化运动模型取为：
式中：i∈{1,2,…,n}为无人机的编号；[xiyi]t∈r2为平面位置坐标；vi、
假定无人机的飞行控制系统具有自动驾驶仪的速度保持和航向保持功能，可以跟踪给定的速度指令和航向角指令。自动驾驶仪的速度保持和航向保持用一阶动态模型近似描述：
式中：vic和
协同控制算法主要是通过实时给出速度指令信号，各个ucav通过调整自身的速度大小来保证到达各自目标的剩余时间这个变量达到一致，从而保证同时到达，形成同时打击的效果，增加攻击成功率和增大毁伤效果。在这个目标的基础上，速度的调整范围越大，速度能够改变的越快，越能保证在各种情况下算法的有效性。然而，真实的无人机都有飞行速度限制和航向角速度限制，从目前无人机的研究水平和从降低使用中无人机成本的方面来考虑，速度上下限的约束、加速度性能的约束是不可忽略的。在本文的研究中，无人机的运动约束按以下条件进行考虑：0＜vmin,i≤vi≤vmax,i，
3)同时到达算法研究
在多无人机协同控制中，通常在起飞前或任务开始前要预先对目标区域进行探测，探明威胁区域，之后进行任务分配。针对各个无人机的初始状态进行路径规划，并进行优化处理。通常可建立其全局优化模型：
式中,p为所有无人机可行飞行路径的集合；pi为第i架无人机的飞行路径；每一组(p1,p2,…,pn)形成了一种路径规划的方案；j为定义的一种指标函数，根据任务的不同，j的定义也不同，例如有的任务目标是飞行路径最短，有的是全程威胁最小等。为了研究方便，一般假设总代价是各无人机飞行路径代价的代数和：
这里定义无人机飞行路径代价由路径长度代价和威胁代价两部分组成:
ji＝kjlength,i+(1-k)jthreat,i(0≤k≤1)(5)
式中，系数k的取值体现了决策者的战术倾向和任务的侧重点不同，k＝0表示决策者不管路径长度只求最安全，k＝1表示决策者不考虑安全因素只求路径最短。
全局优化模型是静态模型，可离线求解得到全局最优路径。但是当无人机、目标或威胁发生变化时该模型也随之改变，这时必须在线进行重规划。当战场不确定性和动态性较显著时，无人机、目标或威胁将会急剧变化，从而使重规划的频率增大,这可能使路径规划的实时性变差。针对这种情况，也可建立多无人机协同路径规划的滚动优化模型：
滚动优化方法用在线滚动进行的一系列局部问题的求解来取代全局问题的求解,在滚动的每一步仅对当前滚动窗口内的局部问题优化求解,并实施当前最优策略。
本方法在路径规划方面按以下基本思路进行设计和实现:
①不再将燃料消耗最少或路径代价最小作为单架无人机的主要控制目标,而是通过调整飞行速度和路径长度尽量使无人机以合适的速度同时到达,并保留较大的速度调整裕量。
②鉴于路径规划比速度控制更耗资源,主要通过调整速度来控制到达时间,仅在必要时通过路径规划调整剩余路径长度。
③通过引入外部参考信号或控制指令使操作员可以控制或干预无人机的到达时间。
本方法路径规划具体采用voronoi图作为二维平面内无人机路径规划的环境描述工具。在voronoi图中，威胁等障碍物位于多条边所围成的多边形内，无人机可沿边运动。为了满足协同任务需求，常要求不同ucav沿不同航迹同时到达指定区域。一般通过协调多架ucav的时间关系，实现各ucav在空间、时间上的协调一致，常用方法有：调整ucav的速度、飞行航迹长度、增加机动动作等。通过调整各ucav的速度，使得多个ucav同时到达目标执行任务，由于ucav速度的调整范围有限，要求各ucav的航迹长度差异不能太大。本文目前使用voronoi图规划各飞行器路径，不在路径优化方面做太过深入的研究，根据研究目标，优化选择尽量保证各ucav的航迹长度差异不大，这样可以保证在一些突发威胁出现的情况下，有较大的控制调整余量。所设计的ucav标称速度也尽量取在最大最小值的靠近中间的部分。