一种基于飞鱼算法的无人机航迹规划方法与流程

本发明涉及一种基于飞鱼算法的无人机航迹规划方法，属于无人机飞行控制领域。

背景技术：

无人机是在民用、军用领域极为重要的载体，航迹规划是无人机完成一切飞行任务的重要技术手段。航迹规划就是在综合考虑无人机到达时间、威胁以及飞行区域等因素的前提下，为无人机规划出最优或满意的飞行航迹，以保证圆满地完成飞行任务。随着现代化技术日趋复杂，传统的无人机航迹规划方法已不能满足无人机飞行任务的实际需求。制定一个可靠而有效的航迹规划方法，已成为无人机高效完成飞行任务的瓶颈。目前的航迹规划方法主要包括人工势场法和栅格法，这些方法计算复杂度高，收敛速度慢，适应性差且可靠性难以保证。

基于人工势场法的航迹规划是一种模拟电势场分布的规划方法，任务区域内的目标点产生引力场，威胁源产生斥力场，无人机在引力和斥力的共同作用下向目标点运动。这种方法在局部规划领域应用广泛，但是无法适应全局性航迹规划，当无人机离目标点比较远时，无人机会进入威胁区域，导致该方法可靠性差、复杂度高、收敛速度慢。

基于栅格法的航迹规划是一种将规划空间均匀离散化处理的方法，将空间离散化之后，限定无人机动作方向，然后从起始单元开始搜索至目标单元的所有可行路径。栅格单元划分的疏密程度对算法的性能有较大的影响，栅格划分的越密，规划所得航迹越精细，同时需要更多的储存空间和计算资源，导致算法规划时间长，收敛速度慢，对于一些复杂飞行环境其适应性也十分有限。

技术实现要素：

本发明的目的是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题而提供一种基于飞鱼算法的无人机航迹规划方法。

本发明的目的是这样实现的，一种基于飞鱼算法的无人机航迹规划方法，具体包括以下步骤：

步骤1、建立无人机飞行运动模型，设计球面坐标系动作姿态向量；

步骤2、从飞行环境中侦测目标信息，对其进行信息处理，获得相应探测中心的检测概率，对其进行数据处理获得检测效能，将处理后的检测效能值作为航迹评价指标；

步骤3、构造无人机飞行奖励机制，使其作为另一航迹评价指标，计算无人机与目标区域的径向距离，并以此作为奖励机制的评价因素；

步骤4、结合无人机动作姿态向量，利用探测中心的检测效能值和无人机飞行奖励机制进行加权求和，得到航迹评价函数，并对航迹评价指标的权重进行实时修正处理；

步骤5、将无人机连续的飞行动作离散化，以时间作为间隔，使用飞鱼算法对每一时刻的航迹评价函数值寻优；更新飞鱼种群，结合种群飞行寻优思想进行迭代，当迭代寻优操作达到最大迭代次数，生成每一时刻最优动作姿态；

步骤6、用最优动作姿态数据控制无人机，生成有效可靠的无人机飞行航迹。

本发明还包括这样一些结构特征：

所述步骤1具体包括以无人机起飞点作为坐标系原点，以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系，计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量

其中，θn为第n个时间间隔速度方向角，为第n个时间间隔速度俯仰角，进一步得到无人机动作姿态向量

步骤2所述探测中心的检测概率为p(q1)、p(q2)：

一种基于飞鱼算法的无人机航迹规划方法，步骤3所述无人机飞行奖励机制为奖励机制函数re：

步骤3所述无人机与目标区域的径向距离为d：

步骤4所述航迹评价函数为inf(un)：

inf(un)＝λ1f1+λ2f2+λ3re

其中，λ1、λ2为两个探测中心检测效能的权重，λ3为无人机奖励机制函数的权重。

所述步骤5具体包括以下步骤：

步骤5.1、初始化飞鱼算法运行次数runtime、迭代循环次数maxcycle，随机产生鱼群大小为np，设定飞鱼种群移动距离为g，鱼群可视域值为visual；

步骤5.2、飞鱼种群进行种群飞行觅食，其中鱼群位置更新为：

其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，用于控制步长的搜索范围，其值服从正态分布，l(μ)为随机搜索路径：

l(μ)＝s^-μ,1＜μ≤3

其中，s为飞行步长，μ为飞行更新参数，一般取1.5。

步骤5.3、根据步骤5.2的觅食结果计算个体适应度值：

其中，无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitness(k)赋给交互平台，鱼群个体通过聚群行为和追尾行为更新飞鱼群位置，并更新鱼群交互平台。

步骤5.4、计算适应度均值：

将适应度的值fitness(k)与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置unc前进一步：

其中，||·||表示模长；rand(0,1)表示0到1随机数。

步骤5.5、当时，执行追尾行为，使飞鱼朝邻域内最优值unmax移动：

步骤5.6、每独立计算一次比较取最优，当runtime＜maxcycle时：

runtime＝runtime+1

然后返回步骤5.2继续执行，当runtime＝maxcycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优；

步骤5.7、将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵u：

其中，n为总时间间隔数量。

与现有技术相比，本发明的有益效果是：

本发明采用球面坐标系下的无人机动作姿态向量，构建无人机的飞行速度和飞行角度关系式，使无人机运动姿态更连贯，进而提升了航迹规划方法的准确率。本发明综合评价无人机在空域中的各个影响要素，引入航迹评价函数对无人机进行实时飞行寻优，实现无人机航迹的实时最优规划。本发明构造无人机奖惩机制，根据无人机状态给予奖励，迫使无人机快速抵达目标区域，从而加快了算法收敛速度。发明以时间间隔计算无人机航迹评价指标，将各个航迹评价指标进行累加，提高了所提方法的可靠性。本发明将无人机连续的飞行动作进行离散化处理，计算航迹评价函数值，符合实际环境，有效提高了适应能力。本发明引入集群智能化方法对航迹评价函数值进行寻优，使无人机航迹评价函数值降至最低。该方法降低了计算复杂度，增强了全局搜索能力。本发明提出一种飞鱼算法，利用种群飞行觅食寻优和交互平台，增强了航迹规划方法的全局搜索能力。本发明将航迹评价指标进行实时权重修正处理，使得权重可根据无人机动作变化而调整，增强了航迹评价指标的适应性，提高了所提方法的可靠性，进一步实现了无人机航迹的快速准确规划。本方法模型简单、收敛速度快、准确率高、可靠性好，同时，适用不同场合下的飞行任务。

附图说明

图1是本发明的方案结构图；

图2是本发明无人机航迹规划直角坐标系下位置模型图；

图3是本发明无人机球面坐标系下速度模型图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明的目的是提出一种无人机航迹规划方法，主要是为了解决无人机航迹规划存在适应性弱、可靠性差、复杂度高、收敛速度慢的问题。架构飞行运动模型，设计球面坐标系下的动作姿态向量，利用检测概率的效能值和无人机奖惩机制构建航迹评价函数，提出一种新的飞鱼算法对航迹评价函数值寻优以获得最优解，最终将生成的无人机最优动作姿态数据控制无人机，从而实现了无人机航迹规划的准确生成，该方法模型简单、收敛速度快、准确率高、可靠性好，同时适用不同场合下的飞行任务。

如附图1所示，是本发明的方案结构图；如附图2所示，是本发明无人机航迹规划直角坐标系下位置模型图；如附图3所示，是本发明无人机球面坐标系下速度模型图。其中：1是第一个探测中心；2是第二个探测中心；3是目标区域中心；4是无人机起飞点；5是无人机在空中的一个点迹；6是目标区域；7是直角坐标系x轴方向；8是直角坐标系y轴方向；9是直角坐标系z轴方向；10是无人机速度飞行方向的方位角；11是无人机飞行速度方向的俯仰角；12是无人机飞行速度方向；13是无人机速度vx的方向；14是无人机速度vy的方向；15是无人机速度vz的方向。

忽略对无人机高度的限制，设定无人机初始速度大小为v0，规定无人机运动时间间隔为δt，时间间隔的数量为n,n＝1,2…。如图2所示，以无人机起点建立空间直角坐标系，假定第一个探测中心坐标为[x01,y01,z01]，第二个探测区域坐标为[x02,y02,z02]。由先验知识获得两个探测中心的最大探测距离为rmax；目标区域中心坐标为[x03,y03,z03]，目标区域半径为r；由无人机定位信息获得无人机在空中第n个时间间隔的坐标为[xn,yn,zn]，速度大小为vn。

步骤一：建立飞行运动模型，构造球面坐标系下动作姿态向量，如图3所示，以无人机起飞点作为坐标系原点，以无人机起飞初始方向作为坐标系vx轴正方向建立右手坐标系。计算第n个时间间隔无人机在三个坐标轴方向满足的速度分量

其中，θn为第n个时间间隔速度方向角，为第n个时间间隔速度俯仰角。进一步得到无人机动作姿态向量

步骤二：根据步骤一无人机的速度，计算无人机与两个探测中心的径向距离q1、q2：

步骤三：计算无人机到目标中心区域的径向距离d：

步骤四：计算探测中心的检测概率p(q1)、p(q2)：

步骤五：根据步骤四，分别计算两个探测中心的检测效能值f1、f2：

步骤六：，构造无人机奖励机制函数re：

步骤七：获得基于多影响因素的航迹评价函数inf(un)：

inf(un)＝λ1f1+λ2f2+λ3re(8)

其中，λ1、λ2为两个探测中心检测效能的权重，λ3为无人机奖励机制函数的权重。

步骤八：将步骤七的航迹评价指标的权重进行实时修正处理：

步骤九：初始化飞鱼算法运行次数runtime、迭代循环次数maxcycle，随机产生鱼群大小为np，设定飞鱼种群移动距离为g，鱼群可视域值为visual。

步骤十：飞鱼种群进行种群飞行觅食，其中鱼群位置更新为：

其中，为第i个鱼在第m代的无人机动作姿态向量；为点对点乘法，α为步长控制量，用于控制步长的搜索范围，其值服从正态分布。l(μ)为随机搜索路径：

l(μ)＝s^-μ,1＜μ≤3(11)

其中，s为飞行步长，μ为飞行更新参数，一般取1.5。

步骤十一：根据步骤十的觅食结果计算个体适应度值：

其中，无人机动作姿态向量矩阵是航迹评价函数的解。将鱼群个体的最优适应度的值fitness(k)赋给交互平台，鱼群个体通过聚群行为(步骤十二)和追尾行为(步骤十三)更新飞鱼群位置，并更新鱼群交互平台。

步骤十二：计算适应度均值：

将适应度的值fitness(k)与适应度均值比较，当时，执行聚群行为，使飞鱼朝中心位置unc前进一步：

其中，||·||表示模长；rand(0,1)表示0到1随机数。

步骤十三：当时，执行追尾行为，使飞鱼朝邻域内最优值unmax移动：

步骤十四：每独立计算一次比较取最优。当runtime＜maxcycle时：

runtime＝runtime+1(16)

然后返回步骤十继续执行。

当runtime＝maxcycle时的最优适应值所对应的解作为航迹评价函数的最优参数，实现应用飞鱼算法对参数的寻优。

步骤十五：将飞鱼算法寻优得到的最优解合并为无人机动作姿态向量矩阵u：

其中，n为总时间间隔数量。

将最优的动作姿态向量矩阵u控制无人机，使无人机生成可靠的航迹。

本发明提供了一种基于飞鱼算法的无人机航迹规划方法，具体实现该技术方案的方法和途径有很多，以上所述仅是本发明的优选实施方案。本实施例中未明确的各组成部分均可用现有技术加以实现。