本发明属于无人机航线规划领域，涉及到使用无人机性能和环境威胁等信息规划出最优飞行航线方法，具体是一种无人机动态航线规划方法。
背景技术：
到目前为止，国内外在复杂环境下航线规划方面的研究还比较初步，尚没有形成完整而系统的无人机动态飞行航线规划模型与方法。复杂地理环境的无人机动态航线规划目前还没有得到很好的解决，如何能应用人工集群算法来规划安全性能最大的飞行航线，回避动态威胁以及实现航空安全救援是亟待解决的问题，此问题的解决无论对军用还是民用都具有极其重要的应用价值。
技术实现要素：
本发明的目的是提供一种能够满足多个无人机在隐蔽环境下进行航线规划、且尽量提高飞行安全性和效率的无人机动态航线规划方法。具体步骤如下：
1)建立航线代价估计模型：
(1)构建通讯信号威胁模型f1：
nxi＝(xi+xi+1)/2
其中，公式(1)中n是航路中的航迹点总数，xn＝xe，yn＝ye，(xi,yi)、(nxi,nyi)和(xe,ye)分别表示第i个航迹点坐标、第i个调整后的新航迹点坐标和目标点坐标，tn是通讯威胁的总数，(xck,yck)和rk分别表示第k个通讯威胁的中心坐标及影响半径；
(2)构建地形表面威胁模型f2：
公式(2)中，mn表示山峰的个数，h(x,y)、hmaxi表示坐标为(x,y)处航迹点高程和第i个山峰峰顶的高程，(xoj,yoj)和(xsj,ysj)分别表示第j个山峰峰顶的平面坐标和沿x、y方向下降的参数；
(3)由通讯信号威胁模型f1和地形表面威胁模型f2加权叠加，构成综合威胁模型f，其数学描述如下：
其中，p1、p2分别为通讯威胁和地形威胁对应的权重，fi1、fi2分别为第i个航迹点处的通讯威胁值和地形威胁值；
(4)航线评价函数fit：
2)计算飞行航线，具体步骤如下：
(1)构建综合坐标集(xy)随机航线集
xy＝(lb+(ub-lb)*rand(nfp)*100)(5)
xy＝x*100+y(6)
xy＝{xy1,xy2,…,xyi,…,xynfp}(7)
公式(5)～(7)中xy表示综合航迹点坐标集合，(x，y)为航迹点的坐标值，rand(nfp)生成nfp个0～1之间的随机数，lb、ub分别表示航迹点坐标的上限和下限值，xyi表示第i个航迹点的综合坐标值；
(2)航线集动态更新
ff1＝xyi+c1*rand*(bestxy-xyi)+c2*rand*(pxyi-xyi)(9)
公式(8)中p、vp分别表示随机生成的概率值和概率值阈值，ff1、ff2分别为随机概率值小于或大于等于概率阈值对应的综合坐标值；公式(9)～(10)中c1和c2分别表示全局、局部航线调整参数，rand表示生成的0～1之间的随机数，bestxy、pxyi分别表示全局和第i个综合航迹点对应的坐标值，meanp表示平均综合航迹点集合，a1和a2分别表示对应于meanp和pxy的系数，pfiti和pfitn分别表示对应于pxyi和全局最优航线的代价值，sumpfit表示全局最优航线的代价之和，d为避免航线出现不可行解的参数，realmin指matlab软件中浮点数类型所能表示的最小值；
(3)对规划的航线内航迹点集{(x1，y1，h1),(x2，y2，h2)，…(x12，y12，h12)}进行优化，公式如下：
b0＝1.0./6.*(-1*u^3+3*u^2-3*u+1)(11)
b1＝1.0./6.*(3.*u^3-6.*u^2+4)(12)
b2＝1.0./6.*(-3.*u^3+3.*u^2+3*u+1)(13)
b3＝1.0./6.*u^3(14)
xn＝b0.*x(i)+b1.*x(i+1)+b2.*x(i+2)+b3.*x(i+3)(15)
yn＝b0.*y(i)+b1.*y(i+1)+b2.*y(i+2)+b3.*y(i+3)(16)
hn＝b0.*h(i)+b1.*h(i+1)+b2.*h(i+2)+b3.*h(i+3)(17)
公式(11)～(17)中h(i)表示第i个航迹点对应的高程，样条曲线参数为u，b0、b1、b2和b3是基函数系数，xn、yn和hn对应曲线的横坐标、纵坐标和高程。
本发明与现有技术相比，其优点在于：实现复杂环境下全局最优航线的实时规划和航线优化，能及时回避各种动态威胁。
具体实施方式
下面结合实施例对本发明技术方案做进一步说明。实施例中有1架翼龙无人机执行灾情监视的任务，在(55km，55km)、(15km，25km)、(10km，15km)处共有3个地形威胁；在(55km，55km)、(10km，50km)、(15km，25km)、(30km，25km)、(10km，15km)、(40km，15km)和(40km，10km)处共有7个通信威胁；
参数设定为：待选航线集个数30，航迹点数12，全局meanp和局部航线pxy调整参数c1、c2分别为1.5和1.5，平均综合航迹点集合meanp的系数a1和最优航线的综合航迹点集合pxy的系数a2均为1；出发点、目标点的坐标分别为(1km，1km，150m)和(60km，60km，150m)。具体步骤为：
1)建立航线代价估计模型：
(1)构建通讯信号威胁模型f1：
nxi＝(xi+xi+1)/2
(2)构建地形表面威胁模型f2：
f2(xi,yi)＝100*exp(-(xi-55)^2./5^2-(yi-55)^2./5^2)+100*exp(-(xi-10)^2./5^2-(yyi-50)^2./5^2)+100*exp(-(xi-15)^2./7^2-(yi-25)^2./6^2)
(2)
(3)由通讯信号威胁模型f1和地形表面威胁模型f2加权叠加，构成综合威胁模型f，其数学描述如下：
(4)航线评价函数fit：
2)计算飞行航线，具体步骤如下：
(1)构建综合坐标集(xy)随机航线集：
lb＝[1，1，1，1，1，1，1，1，1，1，1，1]
ub＝[60，60，60，60，60，60，60，60，60，60，60，60]
xy＝(lb+(ub-lb)*rand(1,12)*100)(5)
xy＝x*100+y(6)
xy＝{1001，2002，…，6060}(7)
(2)航线集动态更新
prob＝rand(30，1).*0.2+0.8
ff1＝xyi+1.5*rand.*(bestx-xyi)+1.5*rand.*(px(i,:)-xyi)(9)
ff2＝xyi+rand.*(meanp-xyi)*1*exp(-pfit(i)/(sumpfit+realmin)*30)+1*(rand*2-1).*(px(person,:)-xyi)*exp(-(pfit(person)-pfit(i))/(abs(pfit(person)-pfit(i))+realmin)*pfit(person)/(sumpfit+realmin)*30)
(10)
(3)对规划的航线内航迹点集{(1，1，150)，…(60，60，150)}进行优化：
u＝0:0.01:1
b0＝1.0./6.*(-1*u^3+3*u^2-3*u+1)(11)
b1＝1.0./6.*(3.*u^3-6.*u^2+4)(12)
b2＝1.0./6.*(-3.*u^3+3.*u^2+3*u+1)(13)
b3＝1.0./6.*u^3(14)
xn＝b0.*x(i)+b1.*x(i+1)+b2.*x(i+2)+b3.*x(i+3)(15)
yn＝b0.*y(i)+b1.*y(i+1)+b2.*y(i+2)+b3.*y(i+3)(16)
hn＝b0.*h(i)+b1.*h(i+1)+b2.*h(i+2)+b3.*h(i+3)(17)
至此完成航线规划。
表1为实施例通讯和地形威胁参数
表2为无人机动态航迹计算和总航程评价结果
表2显示实验内的地形和通信信息威胁的权重都为0.5，规划的航程为96.04公里，远小于最大航程4000千米，最大飞行速度280公里/小时，在5公里的最小航迹段的限制下，飞行时间最少64.29秒，远大于5秒的实时规划时间，因此能够实现在线飞行航线规划，为紧急事故救援提供了安全保障。