本发明属于无线通信，具体涉及一种高动态无人机群自主航迹规划的方法、系统、设备及存储介质。
背景技术：
1、无人机自主协同控制是指一组无人机以机间通信为基础、群体智能为核心，合作分工完成某一共同任务的控制方式，是基于局部规则执行各项任务的多智能体系统，有着高效率、高灵活性和高可靠性等优点。由于这些优点，无人机集群被广泛应用于诸如遥感、通信、农业、搜救等场景中。而在这些场景中，无人机集群需要以任务为导向形成特定的拓扑结构(或称构型)并及时诊断、处理故障，以提高具体功能需求下的系统性能。
2、随着任务需求不断深入、更新以及任务要求的不断增加，无人机所处环境越来越复杂，对于无人机自主协同控制的要求越来越高：(1)无人机所执行任务的平台空间构型复杂，环境约束日趋严格；(2)无人机飞行的姿态和集群的拓扑结构耦合严重，不合理的集群构型可能导致探测的精度下降；(3)随着无人机规模的增加，机间通信更加频繁，机载计算资源负担较大；(4)对抗干扰、打击能力提出更高的要求，当集群中某个无人机由于干扰失效时，需要迅速诊断故障并且切换构型再组织。为了提高无人机集群对环境的自适应性，保证任务执行的稳定性，对基于控制等理论的无人机集群构型优化以及无人机失效后重组集群的策略仍需更深入的研究。
3、随着人工智能技术的颠覆变革，无人机集群自主航迹规划技术成为提高无人机自主能力的关键技术。无人机自主航迹规划是在满足性能约束和保证飞行安全的前提下，生成一条连接起点和终点的最优任务航线，其实质是一类多约束条件下的最优化问题。无人机航迹规划按任务需求可分为预先航迹规划和实时航迹规划。预先航迹规划是基于环境先验信息的全局优化，因此在合理时间内得到全局最优解更具现实意义；实时航迹规划是应对突发威胁的航线局部优化，需要尽量缩短规划时间以达到实时性要求。多无人机协同航迹规划相较于单无人机航迹规划更复杂，除了要考虑无人机自身的约束条件，还需要考虑任务时空约束条件，避免航迹交叉、任务冲突等情况。大范围复杂场景和动态不确定环境下的多无人机协同航迹规划研究更具有实际意义。
4、以图搜索算法、空间采样算法、势场法等为代表的传统优化算法，实现较为简单，但是在大范围高维空间中搜索效率低，难以解决多约束的航迹规划问题，或在大范围高维空间中存在局部震荡、局部极小值等情况导致航线不可用。传统优化算法能够在简单环境下具有较好的航迹规划效果，但是难以高效解决复杂、动态、高度不确定性战场环境下的无人机自主航迹规划问题。
5、传统优化算法在小规模空间中具有明显优势，随着空间规模增大，计算复杂度呈指数增加，易产生“组合爆炸”。智能算法因具有高并行性、强鲁棒性、自组织自学习等特点，能够被应用于复杂环境下的无人机自主航迹规划问题。通过智能算法构建启发式目标(奖励)函数，采用并行计算和自组织、自学习方式，在复杂环境中表现出良好适用性。复杂环境也体现在约束条件的复杂，需全面考虑无人机自身性能约束和动态变化的各类威胁、障碍，因此，自主航迹规划问题是一类多极值优化问题。
技术实现思路
1、为了克服上述现有技术存在的不足，本发明的目的在于提供一种高动态无人机群自主航迹规划的方法及系统，该方法具有可靠性、稳定性、实时性的特点。解决了在有障碍环境中高动态无人机群自主航迹规划的有关问题。
2、为了实现上述目的，本发明采用的技术方案是：
3、一种高动态无人机群自主航迹规划的方法，包括以下步骤；
4、步骤一：初始化无人机的位置、速度以及终止条件并引入约束条件；获取无人机集群；
5、步骤二：每隔δt时间，评估无人机集群情况，去除失联无人机，重构通信拓扑结构；
6、步骤三：向重构通信拓扑结构中引入评价参数体系，根据当前的无人机速度矢量、相对距离以及无人机数量，计算评价参数，所述评价参数用于计算优化算法中的目标函数；
7、步骤四：基于具体步骤中所提出的算法优化所述评价参数体系中的评价参数，得到临时的适应度函数值，计算适应度函数；使无人机集群运行有更好的稳定性；
8、步骤五：根据适应度函数值的更新，对应优化适应度函数中的无人机飞行参数；
9、步骤六：判断终止条件；若当前时刻t＞tmax则循环结束，否则更新t+δt时刻的无人机速度和位置，并回到步骤二。
10、所述步骤一具体步骤为：
11、随机生成n个无人机，第i个无人机的初始坐标位置为xi，第i个无人机的速度矢量为vi，第i个无人机与第j个无人机的相对距离为rij，第i个无人机距离坐标原点的距离为ri，i＝1,2,…n,j＝1,2,…n，设置系统的运行时间tmax；将无人机群以连通图的形式建立，无人机个体作为图的结点，如果无人机之间的相对距离小于给定的通信距离，则两者之间建立一条边，实现分布架构，并给出一个更新控制变量时间间隔δt＝0.5s。
12、进一步的，设置无人机速度矢量(是计算得到的速度矢量，vi是实际的速度矢量)
13、
14、设定约束条件，失联无人机数ndisc，即不连通(disconnected)的无人机数，不连通无人机数的数量小于总无人机数的五分之一，即：
15、ndisc＜n/5。
16、所述步骤二具体为：
17、步骤一中无人机群群包含失联无人机，评估无人机集群情况；
18、所述失联无人机数分为无人机损毁与无人机飞行过远；
19、如果没有无人机损毁和没有无人机飞行过远，无人机机间的通信拓扑结构不变；
20、若无人机飞行过程中遇到突发情况，或受到攻击或撞上障碍物，导致无人机损毁，需要机间相互交流信息，抛弃已损毁的无人机，优化无人机集群结构，检测此时无人机之间的相对距离，进而根据第一步的方法，重构可执行的通信拓扑结构。
21、所述步骤三具体为：
22、为了保持无人机群稳定性，向评价参数体系中引入速度相关性，用于评价各无人机的速度矢量的一致性，具体如下：
23、
24、第i个无人机vi代表无人机的速度矢量，ni代表i无人机的邻居数，ji表示无人机i的邻居下标集，t代表系统运行的时间上限，vj代表无人机j的速度矢量。上述参数越靠近1代表一致性越好；
25、其次，根据飞行环境，向评价参数体体系中引入无人机之间的碰撞风险和无人机与障碍物之间的碰撞风险：
26、
27、
28、其中θ(·)是heaviside函数，n是无人机数，rcoll是碰撞安全距离，是无人机i到虚拟无人机s(当感知到障碍物时，会在障碍物处形成虚拟无人机，这样避障就可以模拟无人机之间的保持距离来实现)的距离符号(正、负)，当无人机i在障碍物内(由于是自主航迹规划仿真，有时会出现无人机自主判断处于障碍物内部的情况，为了避免这种情况，虽然这种情况极少出现，但仍需要优化，因此引入了符号，当出现这种情况时，这项指标就会劣化，导致系统不采取这种方案，即达到了目的)取负，ris(t)是t时刻无人机i与虚拟无人机s之间的距离；此参数越靠近0，代表碰撞风险越小，就越具备遭遇障碍物的决策弹性以及无人机之间的高容错度；
29、向评价参数体系中引入无人机平均速度指标，以评价无人机飞行的实际速度值是否满足所设置的集群速度：
30、
31、参数定义同上，上述参数越靠近共同速度vflock(这个速度是人为设定的，即理想的集群速度)，说明越能快速收敛到所设置的集群速度，该步骤将计算以上评价参数，并将结果代入下一步骤。
32、所述步骤四具体为：
33、计算适应度函数：
34、f＝fspeed·fcoll·fdisc·fcluster·fobstacle·fcorr
35、
36、其中f1(φ,φ0,d)＝1-s(φ,φ0,d)；
37、
38、
39、fspeed是关于无人机群的速度的指标，fcoll是关于无人机间碰撞风险的指标，fdisc、fcluster是关于连通性的指标，ndisc是失联无人机数，fobstacle是关于无人机与障碍物之间的碰撞风险指标，fcorr是关于无人机运动相关性的指标；
40、设集群速度的容忍度vtol，无人机间碰撞风险的容忍度atol，无人机和障碍之间碰撞风险的容忍度rtol。
41、通过上述模型就将分布式控制问题转化为一个优化问题，上述适应度函数也就是目标函数需要最大化；这一步将计算得到一个临时的适应度函数值，在下一步中，通过优化算法，如果有更好的结果，则临时适应度函数值将被更新。
42、所述步骤五具体为：
43、根据当前时刻的飞行环境，结合当前飞行间距安全约束、斥力场约束、集群飞行一致性约束、球形/圆柱形障碍约束(这些约束也即人为设置的安全约束，为了保证无人机之间、无人机与障碍之间尽可能不发生碰撞)，更新优化参数，以最大化适应度函数为目标，即max f＝max(fspeed·fcoll·fdisc·fcluster·fobstacle·fcorr)，更新下一时刻的预期速度矢量：
44、
45、
46、其中是无人机i的预期速度，vflock是每个无人机作为独立个体的自驱动速度，使得无人机在与大集体失联的情况下也能有一定的巡航能力，该速度的方向和大小由使用者决定；
47、是无人机i受到周围无人机合斥力下产生的速度，用于避免无人机之间的碰撞；
48、是无人机i和无人机j之间的斥力速度，方向指向i，其定义如下：
49、
50、prep是待优化的线性系数，是待优化的安全距离；当无人机i和无人机j之间的距离越近，该速度的值也会越大，也就是说产生的斥力越强；
51、是无人机i在受到速度同步阻力下所产生的一项速度，这使得各个无人机的速度的大小和方向能够尽可能保持一致；
52、
53、
54、是vi和vj之间的速度同步项，其中cfrict是待优化的线性系数。
55、vfrict是最大速度差容许值，d(·)是一个衰减函数，其定义使得无人机可以在彼此距离很大、速度很大的同时迅速减速，从而使速度同步的时间可以控制在一个小的范围内；africt和pfrict都是需要优化的参数，是待优化的安全距离，d(·)定义如下：
56、
57、是无人机i受到对障碍物的斥力产生的速度，以使得无人机在航行中能避开墙体以及障碍物，该速度项建立的思路是在墙体和障碍物的位置生成“虚拟无人机”，这样就可以参考上面所说的速度同步项的建立来定义这一项；
58、模型如下：
59、其中，ris是无人机i到虚拟无人机s的距离，是待优化的安全距离，ashill和pshill是待优化的参数。这个步骤给出了下一时刻无人机速度更新的规则。
60、上述待优化的参数都将通过第五步得到优化，被替换为保证适应度函数最大化的参数。
61、本发明的另一目的在于提供一种应用所述的基于高动态无人机群自主航迹规划的方法，包括：
62、第一步：初始化无人机，按照一定规则随机初始化待优化的各个参数，先设定目标函数的值f值(和上一个模块定义相同)为0，以及最大迭代次数itermax；
63、第二步：进行第一轮迭代，在仿真测试时间内的每一时刻，与分布式算法模块联动，对每个无人机进行速度以及位置的更新，下面的(1)～(4)均由分布式算法模块计算并交付：
64、(1)计算
65、(2)计算
66、(3)计算
67、(4)计算
68、之后再根据
69、
70、更新各个无人机的速度，进而更新无人机的位置信息；
71、第三步：按照分布优化模块中介绍的评价参数体系，计算φcorr,φwall,φobstacle和φvel，进而计算目标函数的值f，如果当前计算的f值大于迭代前的f，就改变之前的f为现在所求的f值，并且更新相应的待优化参数；
72、第四步：本轮迭代结束，进入下一轮迭代，按照一定规则重置待优化参数以代入求解，直至迭代次数达到最大迭代次数。
73、实施所述的基于高动态无人机群自主航迹规划的方法的基于高动态无人机群自主航迹规划的系统，包括：
74、飞行参数控制模块，用于控制仿真时无人机群的规模，取1-50之间的整数；
75、仿真参数设置模块，用于控制仿真时的测试时间上限；
76、抗毁性验证模块，用于设置无人机群受到攻击的比例，通过滑动滑块设置为0-40％之间的数；
77、算法选择模块，用于选择分布式优化算法；
78、飞行方向控制模块，用于控制无人机群在仿真时的飞行方向，270°可以自由旋转，并且保证了运行时调节的实时性。
79、上面所述的两个方法侧重有所不同，第一个主要侧重于计算目标函数以优化参数，第二个方法主要侧重于计算出下一时刻无人机的速度与位置。
80、本发明的有益效果：
81、本发明提供无人机环境与算法环境自主设置，为模拟无人机的空间轨迹控制，将无人机模拟为质点，即软件是在无人机近似看为点状对象进行仿真和优化的。
82、本发明集成算法超机动无人机自主功能的两种算法即分布式控制算法及航迹规划算法，用户界面提供相应的算法选择按钮，两种算法均可行，不需要考虑孰优孰劣、如何选择，只是最后产生的可视化效果有所不同。
83、针对无人机群的高机动控制，软件平台提供两种算法选择，其中算法1是分布式控制优化算法，解决无人机组的空间飞行控制，包括飞行方向、飞行速度、飞行间距等。
84、算法2是基于分布式控制优化的路径求解算法，算法2提供空间障碍范围的无人机机动飞行轨迹计算，实时飞行控制包括飞行方向、飞行速度、飞行间距等。
1.一种高动态无人机群自主航迹规划的方法，其特征在于，包括以下步骤；
2.根据权利要求1所述的一种高动态无人机群自主航迹规划的方法，其特征在于，所述步骤一具体步骤为：
3.根据权利要求2所述的一种高动态无人机群自主航迹规划的方法，其特征在于，设置无人机速度矢量
4.根据权利要求3所述的一种高动态无人机群自主航迹规划的方法，其特征在于，所述步骤二具体为：
5.根据权利要求3所述的一种高动态无人机群自主航迹规划的方法，其特征在于，所述步骤三具体为：向评价参数体系中引入速度相关性，用于评价各无人机的速度矢量的一致性，具体如下：
6.根据权利要求5所述的一种高动态无人机群自主航迹规划的方法，其特征在于，所述步骤四具体为：计算适应度函数：
7.根据权利要求6所述的一种高动态无人机群自主航迹规划的方法，其特征在于，所述步骤五具体为：
8.一种应用权利要求1-7任一项所述的基于高动态无人机群自主航迹规划的方法，其特征在于；
9.根据权利要求8所述的基于高动态无人机群自主航迹规划的方法的系统，包括：
