一种引入威胁因子的启发式无人机蜂群航迹规划方法

摘要

本发明公开了一种引入威胁因子的启发式无人机蜂群航迹规划方法，在获取地形、海拔、路径障碍、气象信息数据、敌方区域防空部署等情报的前提下，在设定好起始位置和目标位置之后，结合途经的飞行区域各类障碍物和敌方威胁的严重程度，进行评估并量化处理，作为计算航迹的重要参数，应用于改进型的启发式A*算法，最终得出最为符合敌情和空情条件的航迹结果。本发明的有益技术效果是：对无人机蜂群编队飞行途经地之间的障碍物与防空威胁进行定量分析，作为搜索航迹算法中的重要参考因子，得出的航迹结果既在空间上保证飞行的最短路径，同时能够远离威胁，趋利避害，提高蜂群编队的飞行安全率，降低蜂群编队被雷达侦测或火力打击的概率。

说明书

技术领域

本发明涉及无人机飞行任务规划领域，尤其涉及在已知航迹态势条件下的最优路径计算规划和生成方法。

背景技术

当今无人平台技术应用日益广泛，民用领域和军用领域都对无人平台有迫切的应用需求。以无人机为代表的无人平台，正逐渐地进入军事需求的视野，承担人力较难企及的场景下的作战任务，作为有人化武器平台的重要补充，成为新兴的军事装备发展方向之一。

无人机在军事作战需求方面具有成本化、机动性强、伤亡小、智能化自主化等优势，特别在参与联合作战行动当中，以无人机蜂群组成编队，可以高效地完成多种协同性较强的任务。任务规划控制是无人机的核心技术之一，它包含了在无人机执行各类任务之前的预先规划与设定。而无人机飞行路线是任务规划的一个重要方面，关于飞行路线的计算和选择，称为无人机航迹规划。

航迹规划技术是一种在已知飞行区域经纬度和海拔高度，事先通过侦察获取敌方目标位置、防空力量大致部署的情报之后，采用相应的计算方法，综合各项约束条件，对无人机飞行的路径和路线进行预先规划的技术。应用在航迹规划技术中的计算算法称为航迹规划算法，常见的航迹规划算法包括：Voronoi算法、Dijkstra算法、A*算法、蚁群算法、粒子算法。其中在A*算法的迭代计算过程中设计了启发式因子，因此这类算法又被称为启发式算法。启发式算法的思路是将路径以步进的方式进行推演，以离散坐标点划分路径，在每一个方向的步进点计算与目的点的距离估计代价值，与历史代价相加之后，选择最小值的那个方向演进，直到到达目的点位置为止。启发式算法是以最短路径为目标进行计算，每一步离散坐标点都是在可达范围内离目的点路径最短的选择。启发式算法从理论上分析，是较为典型的结合历史数据和未来估计值来计算规划航迹的方法。这类算法可以比较快速地寻找到最短路径，但不一定能得到航迹最优解。由于战场态势的变化和随机性，航迹的计算更加需要考虑目标区域的威胁状况，在计算和规划的过程中必须将其作为一个重要的因素进行考量，以此为出发点，提出基于目标威胁因子的航迹规划算法，以得出更准确，使无人机蜂群编队生存率更高的飞行航迹。

发明内容

本发明公开了一种引入威胁因子的启发式无人机蜂群航迹规划方法，在获取地形、海拔、路径障碍、气象信息数据、敌方区域防空部署等情报的前提下，在设定好起始位置和目标位置之后，结合途经的飞行区域各类障碍物和敌方威胁的严重程度，进行评估并量化处理，作为计算航迹的重要参数，应用于改进型的启发式A*算法，最终得出最为符合敌情和空情条件的航迹结果。

本发明采用的算法步骤如下：

1) 首先利用雷达、预警机、传感器等侦察平台获取无人机蜂群编队飞行区域的地理信息，重点标明航线起止点周边存在的山体、气象云团、敌方防空力量的大致位置坐标；

2) 根据所获取的障碍物和威胁区域坐标位置，将这些位置坐标设定为close表中的元素，表示该坐标点为航迹不可达点；

3) 设计A*算法的路径代价函数f(x) = g(x) + h(x)，其中f(x)表示经由步进航迹点x最终到达终点的路径代价估计值，它与路径长度、启发函数h(x)、障碍物威胁因子相关；g(x)代表从初始路径点到当前途经点x所付出的历史代价；h(x)是启发函数，表示从当前航迹点x到目标点位置的最小路径代价估计，h(x)函数的设计与选择，决定了A*启发式算法搜索路径的效率以及接近最优路径的程度，本算法采用的h(x)函数在曼哈顿距离计算的基础上叠加了障碍物威胁系数因子，其目的在于使得无人机蜂群的航迹要尽可能在距离最小代价和威胁避障代价中求得平衡，尽可能地保证生存概率和低侦测概率；

4) 将蜂群出发位置作为算法起始点，按方位搜索下一步进位置航迹点的代价函数，选取代价最小的那个点作为下一路径点，将该点置于open列表中，同时将当前节点视为下一路径点的父节点，置于route列表中；如果下一跳的搜索节点进入障碍物或威胁控制区域，则将该节点置于close列表，示为不可达节点；

5) 选择open列表中的下一路径点为当前节点，重复进行方位搜索，如果搜索到的节点已存在于open列表中，则将最新计算所得的f(x)函数与该节点之前的f(x)函数作比较，若先前的代价更小，则不做处理；若新得的f(x)代价更小，则将代价值更新，并将前一路径点设为新的父节点，置于route列表；

6) 反复执行步骤4)和步骤5)，直到搜索路径点到达目标点为止；

7) 逆向回溯从目标点到起始点所有的父节点坐标，形成完整的航迹路径。

附图说明

图1、无人机蜂群飞行航迹场景模拟示意图；

图2、基于最短路径的航迹搜索仿真示意图；

图3、基于威胁因子的航迹搜索仿真示意图。

具体实施方式

本发明提供了一种基于启发式算法的无人机蜂群航迹规划方法，该方法区别于其它航迹规划方法的特征是将无人机蜂群编队飞行区域内的障碍物或敌方威胁部署以量化的形式引入代价算法中，使得采用此方法搜索得出的航迹路径在飞行代价最小和飞行安全性最大的约束条件中求得最优的平衡。

现对本发明的具体实施方式作进一步详细说明。主要包括如下步骤：

1) 实施航迹规划之前，先明确无人机蜂群编队出发点和飞行目的地的位置经纬度坐标，并通过侦察与地形观测获取飞行路径中的障碍物与敌方威胁力量的位置，场景示意图由图1所示；

2) 根据所获取的障碍物和威胁区域坐标，以经纬度为坐标系，绘制飞行航迹地图，并将障碍物和威胁区域设定为航迹不可达点；

3) 生成三张列表，分别为open、close、route列表，用于分类存放搜索路径点的经纬坐标，其中open列表放置的是已完成遍历搜索并且为可达路径参考点的坐标与该点坐标所对应的最小代价值，close列表存放的是搜索历史路径节点，表内每一个节点为每次搜索后选择的最优航迹点坐标和其对应的代价函数值，route列表表示每一个选择的最优路径点的父节点；

4) 设计启发式A*算法算子，首先以曼哈顿距离或欧几里德距离建立h(x)，表征的是x点到目标点的估计距离，g(x)设定为经由前一路径点即x的父节点到达x点的路径代价函数值，表示为父节点的f函数值与父节点到x点的几何距离相加之和，于是得出x点的f(x)=g(x)+h(x)，代表经由x点前往目标点的估计距离代价值。在这一算子的基础上，通过应用于A*算法迭代，可计算得出基于最短路径条件的航迹搜索结果，仿真结果由图2所示；

5) 在A*算法的基础上用威胁因子进行加权，威胁因子定义为将障碍物或敌方防空、雷达系统的控制范围对蜂群编队的威胁程度进行量化，设定出x点距离相应威胁来源的距离与威胁程度加成后的权值t(x),用t(x)值对f(x)加权，得出基于威胁因子的实际路径代价值f

6) 循环执行步骤4)和步骤5)，每一次搜索后选择同一组步进节点中f

7) 整理完成后的路径列表route中的父节点序列，根据经纬度坐标逆向寻迹，描出算法计算所得的航迹路线，即为本方法计算得出的最优航迹规划路线，仿真结果如图3所示。

上述步骤1)中，实施航迹规划的目的是为无人机蜂群编队所执行的飞行任务或其它作战任务计算出最优的飞行路径，因此需要协同的其它作战力量提供侦察信息和地形情报，作为航迹规划场景建模的精确数据支持。

上述步骤2)中，地图建模以地理经纬度的二维坐标为尺度，采样点间隔越小，则搜索精度越高，障碍物的边缘和威胁区域的控制范围也会更加明晰，规划出的航迹路线精度也就越高。

上述步骤3)中，在搜索路径开始之前，先将存储列表初始化，根据地图像素坐标搜索过程中计算所得的属性将其归类于open、close和route列表，每搜索一个坐标点可得出该点属于哪一个列表，一个坐标只可以唯一从属于一个列表中。如果搜索节点与障碍物或威胁区域重合，则将其归于close列表，视为不可达节点；否则归于open列表，视为下一跳可达；在选定下一跳路径节点之后，将当前节点坐标归于route列表，视为父节点。

上述步骤4)中，h(x)的计算可以选择曼哈顿距离测量法或欧几里德距离。两地之间的曼哈顿距离，是指两者的经度距离之差与纬度距离之差的绝对值之和，公式表示为

而欧几里德距离是指两地之间的直线距离，公式表示为

两种距离估计算法可以任选其一，并且可以根据计算量化需求进行倍乘加权。另，当前节点的下一跳节点由二维坐标的八个方位决定，由两点之间的实际距离来计算出g(x)。

上述步骤5)中，搜索至x点并计算出f(x)之后，要进一步计算x点的威胁状态，具体方式是计算x点到飞行路径附近的障碍物和威胁目标各自的最短距离，并将威胁系数除以距离，再各自累加，得出x点的威胁因子t(x)，并令f

上述步骤6)中，每一次搜索是以当前节点为中心，分别向3*3的矩阵像素周边的8个点进行发散，计算这8个点的A*函数值，选择最小的一个作为下一跳轨迹点。在引入威胁因子之前，算法的结果是单纯的物理可达最短路径，对飞行途经地中的障碍和威胁力量的区别划分较为欠缺，应用在实际战场环境下，其航迹结果并不完全最优。因此本方法将各类障碍和防空部署进行威胁量化，加权之后得出每个搜索节点的威胁系数，最终选择f

上述步骤7)中，在搜索得到航迹路径之后，采用插值平滑法进行处理后，得出适用于无人机飞行曲率的航迹路线。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。