一种基于核仁解的低空无人机冲突解脱方法及系统与流程
本发明涉及无人机技术领域，特别是涉及一种基于核仁解的低空无人机冲突解脱方法及系统。
背景技术：
随着无人机工业技术的不断成熟以及巨大的市场需求，无人机产业正呈现快速发展的趋势。在民用领域，被广泛应用于航测、电力巡线、公路监控等行业；在军用领域，能执行预警、侦察、打击等多种任务，应用需求巨大，前景广阔。然而在无人机领域，目前保障无人机安全运行的手段极为有限，大多应用无人机隔离运行的手段保障安全。隔离运行一方面限制了无人机活动范围，另一方面也使得空域容量变得相当有限，不利于无人机行业的发展。成熟的冲突解脱能力是无人机在空域内安全运行的保障，也是无人机走出隔离区、进入国家当前空域系统与其它航空器融合运行的必要前提。
冲突解脱，就是当飞行器遇到冲突时，为了避让其他飞行器，会做出飞行姿态的调整，如调整航行速度、航向角、升降角等措施。冲突解脱过程中需要综合考虑解脱方案的安全性、可实施性以及解脱所付出的成本代价。对低空无人机而言，有效的冲突解脱技术是保证无人机在空域内安全运行的关键。因此，研究安全可靠、便于实施、解脱成本代价合理的无人机冲突解脱技术是当前亟待解决的问题。
目前研究大多以实现无人机冲突的有效解脱以及系统的整体效率较优为目标，并没有考虑无人机实际运行过程中解脱的公平性、合理性问题，不够符合实际需求。在低空环境下，无人机具有各自的机型、任务特点，实际飞行冲突解脱过程中必然要将解脱是否符合优先级关系以及解脱方案对每架无人机的公平性等因素考虑在内。
技术实现要素：
本发明的目的是提供一种基于核仁解的低空无人机冲突解脱方法及系统，能够实现低空无人机冲突的有效化解，解脱方案合理分配解脱过程中各无人机所需付出的额外支付成本，对冲突团体内的所有无人机具有公平性。
为实现上述目的，本发明提供了如下方案：
一种基于核仁解的低空无人机冲突解脱方法，包括：
获取低空无人机的飞行状态数据；
根据所述飞行状态数据进行冲突探测，将所有具有关联冲突的无人机形成无人机冲突团体；
采用分支模型对所述无人机冲突团体规划所有可能的冲突解脱方案，确定无人机冲突团体解脱联盟额外支付成本矩阵；
采用遗传算法根据所述无人机冲突团体解脱联盟额外支付成本矩阵，寻找最接近冲突解脱核仁解要求的解脱方案，确定最终的无人机冲突解脱路径。
可选的，所述获取低空无人机的飞行状态数据，具体包括：
通过无人机机载ads-b设备获取低空无人机的飞行状态数据，所述飞行状态数据包括无人机的wgs-84地理坐标系坐标、磁航向、飞行速度和飞行高度。
可选的，所述根据所述飞行状态数据进行冲突探测，将所有具有关联冲突的无人机形成冲突团体，具体包括：
将所述飞行状态数据进行统一格式转化，得到格式统一的飞行状态数据；
根据所述格式统一的飞行状态数据进行冲突探测，得到关联冲突；
将所有具有所述关联冲突的无人机形成无人机冲突团体。
可选的，所述采用分支模型对所述冲突团体规划所有可能的冲突解脱方案，确定所有解脱方案的额外支付成本矩阵，具体包括：
采用分支模型枚举无人机可能采取的单机解脱方案，组合所述无人机冲突团体中所有无人机的单机解脱方案，形成所述无人机冲突团体的解脱方案集合；
根据所述解脱方案集合，得到所述解脱方案集合的额外支付成本矩阵。
可选的，所述采用遗传算法根据所述额外支付成本矩阵，寻找最接近冲突解脱核仁解要求的解脱方案，确定最终的无人机冲突解脱路径，具体包括：
采用二进制编码对所述无人机冲突团体的每一种解脱方案进行编码，得到编码后的解脱方案；
对各所述编码后的解脱方案采用遗传算法计算各所述限制条件的解脱方案的适应度，通过遗传算法的选择、交叉、变异逐步淘汰适应度低的解脱方案，增加适应度高的解脱方案，经过多代进化得到适应度最高的解脱方案，确定所述冲突团体最终解脱方案。
可选的，所述适应度的计算函数为：
无人机冲突团体解脱联盟额外支付成本矩阵：
其每一个解脱方案的最大额外支付成本为：
v*(sk)＝maxv(sk,aircrafti),i＝1,2,...p。
一种基于核仁解的低空无人机冲突解脱系统，包括：
获取模块，用于获取低空无人机的飞行状态数据；
冲突团体形成模块，用于根据所述飞行状态数据进行冲突探测，将所有具有关联冲突的无人机形成无人机冲突团体；
额外支付成本矩阵确定模块，用于采用分支模型对所述无人机冲突团体规划所有可能的冲突解脱方案，确定无人机冲突团体解脱联盟额外支付成本矩阵；
无人机冲突解脱路径确定模块，用于采用遗传算法根据所述无人机冲突团体解脱联盟额外支付成本矩阵，寻找最接近冲突解脱核仁解要求的解脱方案，确定最终的无人机冲突解脱路径。
可选的，所述获取模块，具体包括：
获取单元，用于通过无人机机载ads-b设备获取低空无人机的飞行状态数据，所述飞行状态数据包括无人机的wgs-84地理坐标系坐标、磁航向、飞行速度和飞行高度。
可选的，所述冲突团体形成模块，具体包括：
格式统一单元，用于将所述飞行状态数据进行统一格式转化，得到格式统一的飞行状态数据；
冲突探测单元，用于根据所述格式统一的飞行状态数据进行冲突探测，得到关联冲突；
冲突团体形成单元，用于将所有具有所述关联冲突的无人机形成无人机冲突团体。
可选的，所述额外支付成本矩阵确定模块，具体包括：
解脱方案集合确定单元，用于采用分支模型枚举无人机可能采取的单机解脱方案，组合所述无人机冲突团体中所有无人机的单机解脱方案，形成所述无人机冲突团体的解脱方案集合；
额外支付成本矩阵确定单元，用于根据所述解脱方案集合，得到所述解脱方案集合的额外支付成本矩阵。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
(1)本发明构建无人机冲突解脱“分支模型”，并将“核仁解”理念引入到低空无人机冲突解脱过程中，提出了基于核仁解的低空无人机协作冲突解脱方法，能够有效实现低空多无人机之间的冲突化解。
(2)本发明提供了基于核仁解的低空无人机协作冲突解脱方法，相比于传统方法，本方法能够有效优化无人机冲突解脱过程中的公平性。同时，由于“核仁解”本身具备群体合理性，冲突解脱在满足公平性要求的基础上能够尽可能逼近系统最优。所以，本发明具有较强的现实应用意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于核仁解的低空无人机冲突解脱方法流程图；
图2为本发明中无人机冲突解脱智能协作示意图；
图3为本发明无人机冲突解脱“分支”模型示意图；
图4为本发明中无人机单步机动策略编码示意图；
图5为本发明基于核仁解的低空无人机冲突解脱方法的冲突解脱路径图；
图6为本发明基于核仁解的低空无人机冲突解脱系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于核仁解的低空无人机冲突解脱方法及系统，能够实现低空无人机冲突的有效化解，解脱方案合理分配解脱过程中各无人机所需付出的额外支付成本，对冲突团体内的所有无人机具有公平性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明基于核仁解的低空无人机冲突解脱方法流程图。如图1所示，一种基于核仁解的低空无人机冲突解脱方法包括：
步骤101：获取低空无人机的飞行状态数据，具体包括：
通过无人机机载ads-b设备获取低空无人机的飞行状态数据，所述飞行状态数据包括无人机的wgs-84地理坐标系坐标、磁航向、飞行速度和飞行高度。
步骤102：根据所述飞行状态数据进行冲突探测，将所有具有关联冲突的无人机形成无人机冲突团体，具体包括：
将所述飞行状态数据进行统一格式转化，得到格式统一的飞行状态数据。
根据所述格式统一的飞行状态数据进行冲突探测，得到关联冲突。
将所有具有所述关联冲突的无人机形成无人机冲突团体。
图2为本发明中无人机冲突解脱智能协作示意图。
步骤102具体实施过程如下：
步骤1021：低空空域内无人机将步骤101所述飞行状态数据通过通信链路统一上传至无人机主控中心，无人机主控中心对接收到的所述数据进行统一格式转化。
步骤1022：无人机主控中心根据所述无人机飞行状态数据进行冲突探测，所述冲突探测根据所述无人机当前位置、航向、高度、速度，判断未来若干时间内所述无人机保护区是否会发生重叠，若两架无人机未来若干时间内发生重叠，则所述两架无人机之间存在冲突；所述无人机保护区为以无人机为中心的圆柱型区域。
步骤1023：将所有具有关联冲突的无人机形成无人机冲突团体，所述关联冲突是指若某架无人机与无人机冲突团体中任一无人机存在冲突，则视为所述无人机与所述冲突团体存在关联冲突，所述无人机将被纳入所述无人机冲突团体。
步骤103：采用分支模型对所述无人机冲突团体规划所有可能的冲突解脱方案，确定无人机冲突团体解脱联盟额外支付成本矩阵，具体包括：
采用分支模型枚举无人机可能采取的单机解脱方案，组合所述无人机冲突团体中所有无人机的单机解脱方案，形成所述无人机冲突团体的解脱方案集合。
根据解脱方案集合，得到所述解脱方案集合的额外支付成本矩阵。
步骤103具体实施过程如下：
步骤1031：当无人机遇到冲突，需采取一系列的冲突解脱机动将冲突化解。对于有人机而言，由于飞行员操作能力、计算能力等限制，通常采取单个机动动作。而对于无人机而言，计算能力以及智能控制系统允许其采取更加复杂的机动动作，由多个机动步骤构成其解脱路径。图3为本发明无人机冲突解脱“分支”模型示意图。如图3所示，根据无人机性能手册得到无人机所具备机动能力，将所述无人机解脱过程分为m步，其每一步有n种机动策略，选择采用分支模型枚举无人机可能采取的单机解脱方案，以无人机使用m步解脱，每一步n种机动策略为例，则该无人机可以采取nm种单机解脱方案，组合所述无人机冲突团体中有所无人机的单机解脱方案，形成该冲突团体的解脱方案集合；
步骤1032：设定解脱方案中各无人机的额外支付成本。解脱过程中，所述无人机冲突团体的任意一种解脱方案中任意一架无人机解脱额外支付成本由三部分组成：机动成本vm、位置偏差成本vp以及航向偏差成本vh。机动成本与每一步机动类型以及机动程度相关；位置偏差成本与机动解脱完毕后无人机现位置与原目标位置偏差相关；与机动解脱完毕后无人机现航向与原目标航向偏差相关。任意解脱方案sk中无人机i的机动成本vm、位置偏差成本vp以及航向偏差成本vh具体如下：
任意解脱方案sk中无人机i机动成本为：
v(sk,aircrafti,m)＝δ1|δv|+δ2|δθ|+δ3|δh|,δ1+δ2+δ3＝1
δ1,δ2,δ3为0-1参量。δv,δθ,δh分别为速度、航向、高度机动量。
任意解脱方案sk中无人机i位置偏差成本为：
任意解脱方案sk中无人机i航向偏差成本为：
vh(sk,aircrafti)＝|headk,i-headi'|
(destxk,i,destyk,i)为解脱方案sk中无人机aircrafti解脱完毕后的位置，(destxi',destyi')为无人机aircrafti计划目的地坐标。headk,i为解脱方案sk中无人机aircrafti解脱完毕后的航向，headi为无人机aircrafti计划航向。
解脱方案sk中无人机i在冲突解脱过程中付出的总额外支付成本为：
φ、
步骤1033：综合所有可能解脱方案中所有无人机的额外支付成本，得到无人机冲突团体解脱联盟额外支付成本矩阵为：
对于一个冲突团体，若所述冲突团体内无人机规模为p，组合得到的冲突解脱方案总共有k种，则无人机冲突团体解脱联盟额外支付成本矩阵v为k行p列矩阵，矩阵v每一行的元素为p架无人机解脱过程中各自的额外支付成本。
步骤104：采用遗传算法根据所述无人机冲突团体解脱联盟额外支付成本矩阵，寻找最接近冲突解脱核仁解要求的解脱方案，确定最终的无人机冲突解脱路径，具体包括：
采用二进制编码对所述无人机冲突团体的每一种解脱方案进行编码，得到编码后的解脱方案；
对各所述编码后的解脱方案采用遗传算法计算各限制条件的解脱方案的适应度，通过遗传算法的选择、交叉、变异逐步淘汰适应度低的方案，增加适应度高的方案，经过多代进化得到适应度最高的解脱方案，确定所述冲突团体最终解脱方案。
步骤104的具体实施过程如下：
步骤1041：使用二进制编码对冲突团体的每一种解脱方案进行编码，图4为本发明中无人机单步机动策略编码示意图。如图4所示，解脱过程中无人机的每一个动作对应x位的二进制编码，则每架无人机的解脱方案编码为x·m位，冲突团体每个解脱方案编码长度为x·m·p位；
步骤1042：对遗传算法设定限制条件，所述冲突解脱过程中各无人机之间需始终满足最小间隔标准要求，即在解脱过程中的任意时刻τ，任意两无人机之间满足：
若解脱方案不满足所述限制条件，淘汰该解脱方案。
步骤1043：定义冲突解脱核仁解为：对于无人机成本分摊联盟博弈(a,v)，a＝{aircraft1,aircraft2,…,aircraftp}是参与者集合，v是价值函数，s为可行解脱方案集合，s＝{s1,s2…,sk}，解脱方案sk中任意无人机aircrafti都有对应解脱成本v(sk,aircrafti)，sk中所有v(sk,aircrafti)的最大值v*(sk)即为解脱方案sk的最大不满，最终核仁解s*即是最大不满v*(sk)最小的那个解脱方案。
对满足步骤1042所述限制条件的解脱方案，计算其适应度，并根据各解脱方案适应度值作出如下操作：
步骤10431：根据各解脱方案适应度值进行遗传算法的选择操作，将适应度较优的个体遗传到下一代。
步骤10432：根据各解脱方案适应度值进行遗传算法的交叉操作，将适应度较优的个体的部分结构加以替换重组而生成新个体。通过交叉能够提高遗传算法的搜索能力。
步骤10433：根据各解脱方案适应度值进行遗传算法的变异操作，将适应度较优的个体的某些基因座上的基因值做变动。通过变异使遗传算法具备局部搜索能力并维持群体多样性。
步骤10434：重复步骤10431-步骤10433，直至达到设定的迭代次数，经过多次迭代进化最终得到适应度最高的解脱方案，即最接近核仁解的解脱方案，作为所述冲突团体最终解脱方案。
在步骤10433中，所述适应度的计算函数为：
对于上述无人机冲突团体解脱联盟额外支付成本矩阵：
则其每一个解脱方案的最大额外支付成本为：
v*(sk)＝maxv(sk,aircrafti),i＝1,2,...p。
在步骤104中，所述遗传算法采用交叉率与变异率自适应调整的方法加快遗传算法收敛速度。所述交叉率pc以及变异率pm按如下公式自适应调整：
其中，fmax代表群体中最大适应度值，favg代表群体中平均适应度值，f'代表要交叉的两个个体中较大的适应度值，f代表变异个体适应度值。k1，k2，k3，k4在[0,1]之间取值。
本发明具有下列优势：
(1)本发明构建无人机冲突解脱“分支模型”，并将“核仁解”理念引入到低空无人机冲突解脱过程中，提出了基于核仁解的低空无人机协作冲突解脱方法，能够有效实现低空多无人机之间的冲突化解。
(2)本发明提供了基于核仁解的低空无人机协作冲突解脱方法，相比于传统方法，本方法能够有效优化无人机冲突解脱过程中的公平性。同时，由于“核仁解”本身具备群体合理性，冲突解脱在满足公平性要求的基础上能够尽可能逼近系统最优。所以，本发明具有较强的现实应用意义。
图5为对本发明方法进行仿真实验得到的冲突解脱路径图。仿真实验设定为：五架无人机起始位置均匀分布在半径为7.5km的圆上，圆上正对位置为其各自终点，五架无人机汇聚飞行，基于本发明提供的方法进行冲突解脱，其解脱步数设置为5步，每步步长3km，每步可选择航向变化量{0,±10°,±20°,±30°}，共计7种。
仿真实验中，结合实际无人机能耗水平将权重φ、
仿真实验结果如图5所示。5架无人机通过本发明方法有效实现了冲突的解脱。
综上，本发明提供的基于核仁解的低空无人机冲突解脱方法，针对目前现有冲突解脱算法无法满足解脱过程中各机公平性要求的问题，通过在冲突解脱过程中加入核仁解思想，使得解脱具备了公平性；同时采用交叉率以及变异率自适应调整的方法，提高了达到最优解的收敛速度。仿真结果表明，本发明提出的基于核仁解的冲突解脱技术，能够有效实现低空多无人机之间的冲突化解，同时能够有效优化无人机冲突解脱过程中的公平性，并且能够在满足公平性要求的基础上使得解脱过程中解脱团体的整体解脱代价尽可能减少。
图6为本发明基于核仁解的低空无人机冲突解脱系统结构图。如图6所示，一种基于核仁解的低空无人机冲突解脱系统包括：
获取模块201，用于获取低空无人机的飞行状态数据。
冲突团体形成模块202，用于根据所述飞行状态数据进行冲突探测，将所有具有关联冲突的无人机形成无人机冲突团体。
额外支付成本矩阵确定模块203，用于采用分支模型对所述无人机冲突团体规划所有可能的冲突解脱方案，确定无人机冲突团体解脱联盟额外支付成本矩阵。
无人机冲突解脱路径确定模块204，用于采用遗传算法根据所述无人机冲突团体解脱联盟额外支付成本矩阵，寻找最接近冲突解脱核仁解要求的解脱方案，确定最终的无人机冲突解脱路径。
所述获取模块201，具体包括：
获取单元，用于通过无人机机载ads-b设备获取低空无人机的飞行状态数据，所述飞行状态数据包括无人机的wgs-84地理坐标系坐标、磁航向、飞行速度和飞行高度。
所述冲突团体形成模块202，具体包括：
格式统一单元，用于将所述飞行状态数据进行统一格式转化，得到格式统一的飞行状态数据。
冲突探测单元，用于根据所述格式统一的飞行状态数据进行冲突探测，得到关联冲突。
冲突团体形成单元，用于将所有具有所述关联冲突的无人机形成无人机冲突团体。
所述额外支付成本矩阵确定模块203，具体包括：
解脱方案集合确定单元，用于采用分支模型枚举无人机可能采取的单机解脱方案，组合所述无人机冲突团体中所有无人机的单机解脱方案，形成所述无人机冲突团体的解脱方案集合。
额外支付成本矩阵确定单元，用于根据解脱方案集合，得到所述解脱方案集合的额外支付成本矩阵。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
- 还没有人留言评论。精彩留言会获得点赞！