三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统

技术领域

本发明属于路径规划技术领域，具体涉及一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法及其规划系统。

背景技术

近年来，无人机(Unmanned Aerial Vehicle UAV)在军事战争和民生领域的应用日益广泛。无人机以其适应性强、覆盖范围广、结构精巧和机动性灵活等特点，成功地应用于许多有人飞机难以胜任的应用场景，因此在国内外备受瞩目。在民用领域，无人机在物流快递、抗震救灾、航拍等领域也取得了快速发展，不断扩大其应用范围和深度。然而，随着环境的复杂化，单一无人机由于传感器探测能力和负载搭载限制，往往无法胜任特定任务。多架无人机的能力互补和协同行动可以显著提高无人机整体作战效能，因此无人机集群作战成为各国军事强国竞相研究的一种新型作战方式。

由于战场的复杂性、目标的不确定性以及传感器的不确定性等因素，无人机在执行任务时需要获得一条或多条可行的飞行路径作为参考。在复杂地形和高度对抗的环境中，如何规划合适的飞行路径以满足任务要求对任务的成功至关重要。此外，规划的航线需要满足特定的飞行约束和要求，增加了问题的复杂性。

发明内容

本发明提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法，用以解决无人机在复杂地形和高度对抗的环境中执行任务时，规划的航线需要满足特定的飞行约束和要求的问题。

本发明还提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划系统，用以实现三维环境下考虑雷达威胁的多智能体协同航迹规划方法。

本发明通过以下技术方案实现：

一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法，所述规划方法具体包括以下步骤：

步骤1：加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；

步骤2：建立任务环境；

步骤3：定义可行航路结构；

步骤4：定义飞行过程中的约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；

考虑到无人机的动力推进装置受限，同样对其可飞性速度区间进行了限制，

其中，v

同时为了降低飞行过程中被探测概率，限制了其相对于地形的飞行高度区间

其中，

步骤5：基于步骤4的约束条件，定义飞行过程中的代价函数；

步骤6：使用改进蚁群方法对步骤5的代价函数进行求解；

步骤7：迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。

进一步的，所述步骤3具体为，使用下式表示路径结构，

其中，(x

进一步的，所述动力学约束具体为，

对相邻航路点之间的可变化角度进行限制以满足无人机的性能约束，表述如下，

所述多无人机协同约束具体为，

无人机之间的任务效益的协同约束如下，

||X

式(6)同一时刻任意无人机之间的距离保持在安全距离之外，实现空间上的协同；

式(7)和式(8)无人机可以通过速度控制实现更为精准的时间控制。

进一步的，所述环境安全约束具体为，

所述雷达安全约束具体为，

使用椭球RCS模型对无人机进行建模，其中c

使用无人机和雷达之间的相对角度带入上述公式(10)计算被探测概率，

存在多部雷达对整体发现概率的影响并通过下式计算，

进一步的，所述步骤5定义飞行过程中的代价函数，具体为，

J

其中，N表示路径点的个数，并基于此对路径上探测概率大于0.5的路段进行统计以表征路径的被探测风险，ω

进一步的，所述步骤6具体为，

信息素初始化，其中τ

根据能量消耗、路径长度、安全性和重叠度，进行可行解的构造；

设计状态转移规则；

信息素更新及高度修正。

进一步的，所述信息素初始化具体为，采用基于高度变化的信息素初始化方法以引导蚂蚁个体向着可行的区域搜索，蚂蚁不会选择其余蚂蚁标记的不可行区域，

其中，e为，K为，H为

所述可行解的构造具体为，

在构造过程中综合考虑了能量消耗、路径长度、安全性和重叠度等指标，σ

对于路径长度启发信息，通过计算候选可行节点集合中每个可行点距离终点的之间直线距离，对剩余距离进行估计，以实现蚂蚁能够更快的到达终点，

η

对于路径平滑启发信息，主要考虑了可行候选集合中节点的角度信息状态变化情况，通过对变化平缓的路径点施加更多的考虑以期实现路径的平稳过度，

对于路径安全性信息，计算候选点集中每个点距离环境中障碍物的距离并选择期间距离最大的可行点作为候选点，

R(P

对于路径重复度信息，通过对成功构造可行解的蚂蚁信息进行处理，对其路径点施加相应的处理，使得一条被重复探索的路径降低后续的探索可能，从而刺激了算法对未开发区域的探索。

进一步的，所述设计状态转移规则具体为，使用了下面的伪随机策略从候选点集中选择可行路径点，伪随机策略可以保证在状态转移的过程中综合考虑启发信息和不确定性，从而避免算法过早的陷入局部最优，

进一步的，所述信息素更新，本发明中考虑了三种信息素的更新模式，分别是吸引信息素的局部和全局更新以及警告信息素的更新，

τ(P

上式采用了模糊数学中对的隶属度函数对状态点的重要性程度进行估算，从而对后续的搜索过程实现关键点引导，

τ(P

上式采用当前迭代的全局最优个体上的路径点并对其施加信息素增量以保证蚁群能够快速向着可行解靠拢，加快收敛速度，

上式通过对构造过程中的不可行解个体上的路径点进行标记，从而在启发性信息的计算过程中有选择性的对不可行路径点进行规避从而避免算法在不可行区域消耗过多的资源；

所述高度修正具体为，为了保证无人机的飞行高度始终与地面保持安全距离，在由插值计算得到的地形高度上施加相对距离限制，其修正过的航路点坐标可以表示为P

一种三维环境下考虑雷达威胁的多智能体协同航迹规划系统，所述规划系统包括参数定义模块和规划航路模块；

所述参数定义模块，用于加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；

建立任务环境；

定义可行航路结构；

定义飞行过程中的约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；

考虑到无人机的动力推进装置受限，同样对其可飞性速度区间进行了限制

同时为了降低飞行过程中被探测概率，限制了其相对于地形的飞行高度区间

基于约束条件，定义飞行过程中的代价函数；

所述规划航路模块，用于使用改进蚁群方法对代价函数进行求解；

迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。

本发明的有益效果是：

本发明提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法，用以解决无人机在复杂地形和高度对抗的环境中执行任务时，规划的航线需要满足特定的飞行约束和要求的问题。本发明首先建立了三维地形环境下无人机和雷达威胁的交互模型并结合特定任务需求定义了相应的任务目标函数。进一步结合任务地形特点设计了一种改进的蚁群优化方法获得满足任务要求的可行航迹。并从地理空间数据云上面随机下载地形数据并对其进行了平滑预处理。采用了三架无人机进行了仿真实验，通过设置不同的任务需求以验证本发明的有效性。

附图说明

图1是本发明的方法流程图。

图2是本发明的算法流程图。

图3是本发明的环境表示示意图。

图4是本发明的通视性检测示意图。

图5是本发明的混合信息素结构示意图。

图6是本发明的不同信息素初始方法效果对比图。

图7是本发明的任务环境示意图。

图8是本发明的代价值分布箱型图。

图9是本发明的代价收敛曲线。

图10是本发明的可行航迹示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

下面结合本申请说明书附图1-10，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本申请，但是本申请还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施例的限制。

实施例一

本发明提供一种三维环境下考虑雷达威胁的多智能体协同航迹规划方法，所述规划方法具体包括以下步骤：

步骤1：加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；

步骤2：建立任务环境；

步骤3：定义可行航路结构；

步骤4：本发明中使用3自由度模型对无人机进行建模并基于此建立了约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；

考虑到无人机的动力推进装置受限，同样对其可飞性速度区间进行了限制，

其中，v

同时为了降低飞行过程中被探测概率，限制了其相对于地形的飞行高度区间，

其中，

步骤5：基于步骤4的约束条件，定义飞行过程中的代价函数；

步骤6：使用改进蚁群方法对步骤5的代价函数进行求解；

步骤7：迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。

所述步骤1具体为，真实的三维栅格地形数据可以从地理空间数据云(http://www.gscloud.cn/home)进行下载，本发明中采用分辨率30米的DEM数据文件作为任务地形。对于位于栅格交点的高程数据可以直接读取获得，位于栅格中间的高程数据可以通过插值拟合获得。其任务环境下的栅格地图示意图如图3所示。

所述步骤2具体为，任务环境的建立。本发明中使用{V,S,T,E,D,C}表示多无人机协同航迹规划问题。其中

进一步的，所述步骤3具体为，使用Path表示路径结构，

其中，(x

进一步的，所述动力学约束具体为，

对相邻航路点之间的可变化角度(航向角变化和俯仰角变化)进行限制以满足无人机的性能约束，表述如下，

其中，

所述多无人机协同约束具体为，

为了保障无人机之间的任务效益同样定义了相应的协同约束，

无人机之间的任务效益的协同约束如下，

||X

其中，X

上面式(6)约束保证了同一时刻任意无人机之间的距离保持在安全距离之外，以期实现空间上的协同；

其中，L

上面式(7)和式(8)约束保证了无人机到达终点的时间存在交集，从而保证了时间上的协同性，即无人机可以通过速度控制实现更为精准的时间控制。

进一步的，所述环境安全约束具体为，

为了避免无人机与环境中的障碍物发生碰撞，定义了环境约束

其中，Obs为环境障碍物集合，

所述雷达安全约束具体为，

为尽可能保持无人机以较低的被发现概率执行任务；使用椭球RCS模型对无人机进行建模，其中c

其中，σ表示无人机相对雷达的雷达反射截面积，R

其中，a，b，c为椭球形状参数，λ

考虑了存在多部雷达K对整体发现概率的影响并通过下式计算，

其中，

进一步的，所述步骤5定义飞行过程中的代价函数，具体为，

本发明的目的是最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率，其相应的计算方式如下，

J

其中，N表示路径点的个数，并基于此对路径上探测概率大于0.5的路段进行统计以表征路径的被探测风险，ω

进一步的，所述步骤6具体为，

信息素初始化，其中τ

根据能量消耗、路径长度、安全性和重叠度，进行可行解的构造；

设计状态转移规则；

信息素更新及高度修正。

进一步的，所述信息素初始化具体为，考虑到传统蚁群算法中的对信息素采取全局均匀初始化的方式，对于本发明中的栅格三维环境并不适用，因此提出了采用一种基于高度变化的信息素初始化方法以引导蚂蚁个体向着可行的区域搜索，其中τ

其中，e为自然指数，K为人为设定的衰减因子，用以控制信息素随地形高度差的变化情况，H为当前路径点地形高度，H

所述可行解的构造具体为，

在构造过程中综合考虑了能量消耗、路径长度、安全性和重叠度等指标，σ

其中，

对于路径长度启发信息η

η

其中，

对于路径平滑启发信息η

其中，F(P

对于路径安全性信息η

R(P

其中，R(P

对于路径重复度信息η

进一步的，所述设计状态转移规则具体为，使用了下面的伪随机策略从候选点集中选择可行路径点，伪随机策略可以保证在状态转移的过程中综合考虑启发信息和不确定性，从而避免算法过早的陷入局部最优，

其中，ξ(P

进一步的，所述信息素更新，本发明中考虑了三种信息素的更新模式，分别是吸引信息素的局部和全局更新以及警告信息素的更新，

τ(P

上式采用了模糊数学中对的隶属度函数对状态点的重要性程度进行估算，从而对后续的搜索过程实现关键点引导，

τ(P

上式采用当前迭代的全局最优个体上的路径点并对其施加信息素增量以保证蚁群能够快速向着可行解靠拢，加快收敛速度，

上式通过对构造过程中的不可行解个体上的路径点进行标记，从而在启发性信息的计算过程中有选择性的对不可行路径点进行规避从而避免算法在不可行区域消耗过多的资源；

所述高度修正具体为，为了保证无人机的飞行高度始终与地面保持安全距离，在由插值计算得到的地形高度上施加相对距离限制，其修正过的航路点坐标可以表示为P

下面结合具体实施例，进一步说明本发明的有益效果。

从地理空间数据云上面随机下载了地形数据并对其进行了平滑预处理。采用了三架无人机进行了仿真实验，通过设置不同的任务需求以验证本发明的有效性。算法的关键参数统计在表1中。

表1关键仿真参数

从图8-图9中可以看出所提出的方法在迭代初期能够快速探索解空间并且避免对不可行解的重复搜索，因此其能够较快的获得高质量的可行解。不论是在迭代收敛次数、解的质量以及解的稳定性方面均优于对比算法。

表2不同方法下的统计数据

结合图10和表2可以看出的方法能够规划出合理的飞行路径，即沿着地形中的低谷进行飞行的同时借助地形遮挡产生的雷达探测盲区降低被探测风险。从路径的相关信息统计可以看出本发明所获得的路径在路径长度、危险比例(dangerous proportion)、到达时间以及能量消耗方面与对比算法均具有一定优势，从而证明了本发明的有效性。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

实施例二

本发明还提供了一种三维环境下考虑雷达威胁的多智能体协同航迹规划系统，所述规划系统包括参数定义模块和规划航路模块；

所述参数定义模块，用于加载任务环境地形数据，采用分辨率30米的DEM数据文件作为任务地形；

建立任务环境；

定义可行航路结构；

定义飞行过程中的约束条件，其中约束条件包括动力学约束、多无人机协同约束、环境安全约束和雷达安全约束；

考虑到无人机的动力推进装置受限，同样对其可飞性速度区间进行了限制

其中，v

同时为了降低飞行过程中被探测概率，限制了其相对于地形的飞行高度区间

其中，

基于约束条件，定义飞行过程中的代价函数；

所述规划航路模块，用于使用改进蚁群方法对代价函数进行求解；

迭代优化获得最终的规划航路，以实现最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率。

所述参数定义模块的真实的三维栅格地形数据可以从地理空间数据云(http：//www.gscloud.cn/home)进行下载，本发明中采用分辨率30米的DEM数据文件作为任务地形。对于位于栅格交点的高程数据可以直接读取获得，位于栅格中间的高程数据可以通过插值拟合获得。其任务环境下的栅格地图示意图如图3所示。

所述参数定义模块的建立任务环境具体为，任务环境的建立。本发明中使用{V，S，T，E，D，C}表示多无人机协同航迹规划问题。其中

进一步的，所述参数定义模块定义可行航路结构具体为，使用Path表示路径结构，

其中，(x

进一步的，所述动力学约束具体为，

对相邻航路点之间的可变化角度(航向角变化和俯仰角变化)进行限制以满足无人机的性能约束，表述如下，

其中，

所述多无人机协同约束具体为，

为了保障无人机之间的任务效益同样定义了相应的协同约束，

无人机之间的任务效益的协同约束如下，

||X

其中，X

上面式(6)约束保证了同一时刻任意无人机之间的距离保持在安全距离之外，以期实现空间上的协同；

其中，L

上面式(7)和式(8)约束保证了无人机到达终点的时间存在交集，从而保证了时间上的协同性，即无人机可以通过速度控制实现更为精准的时间控制。

进一步的，所述环境安全约束具体为，

为了避免无人机与环境中的障碍物发生碰撞，定义了环境约束

其中，Obs为环境障碍物集合，

所述雷达安全约束具体为，

为尽可能保持无人机以较低的被发现概率执行任务；使用椭球RCS模型对无人机进行建模，其中c

其中，σ表示无人机相对雷达的雷达反射截面积，R

其中，a，b，c为椭球形状参数，λ

考虑了存在多部雷达K对整体发现概率的影响并通过下式计算，

其中，

进一步的，所述参数定义模块的定义飞行过程中的代价函数，具体为，

本发明的目的是最小化无人机执行任务所需的路径长度、能量消耗、到达时间差以及被发现概率，其相应的计算方式如下，

J

其中，N表示路径点的个数，并基于此对路径上探测概率大于0.5的路段进行统计以表征路径的被探测风险，ω

进一步的，所述规划航路模块的使用改进蚁群方法对代价函数进行求解具体为，

信息素初始化，其中τ

根据能量消耗、路径长度、安全性和重叠度，进行可行解的构造；

设计状态转移规则；

信息素更新及高度修正。

进一步的，所述信息素初始化具体为，考虑到传统蚁群算法中的对信息素采取全局均匀初始化的方式，对于本发明中的栅格三维环境并不适用，因此提出了采用一种基于高度变化的信息素初始化方法以引导蚂蚁个体向着可行的区域搜索，其中τ

其中，e为自然指数，K为人为设定的衰减因子，用以控制信息素随地形高度差的变化情况，H为当前路径点地形高度，H

所述可行解的构造具体为，

在构造过程中综合考虑了能量消耗、路径长度、安全性和重叠度等指标，σ

其中，

对于路径长度启发信息η

η

其中，

对于路径平滑启发信息η

其中，F(P

对于路径安全性信息η

R(P

其中，R(P

对于路径重复度信息η

进一步的，所述设计状态转移规则具体为，使用了下面的伪随机策略从候选点集中选择可行路径点，伪随机策略可以保证在状态转移的过程中综合考虑启发信息和不确定性，从而避免算法过早的陷入局部最优，

其中，ξ(P

进一步的，所述信息素更新，本发明中考虑了三种信息素的更新模式，分别是吸引信息素的局部和全局更新以及警告信息素的更新，

τ(P

上式采用了模糊数学中对的隶属度函数对状态点的重要性程度进行估算，从而对后续的搜索过程实现关键点引导，

τ(P

上式采用当前迭代的全局最优个体上的路径点并对其施加信息素增量以保证蚁群能够快速向着可行解靠拢，加快收敛速度，

上式通过对构造过程中的不可行解个体上的路径点进行标记，从而在启发性信息的计算过程中有选择性的对不可行路径点进行规避从而避免算法在不可行区域消耗过多的资源；

所述高度修正具体为，为了保证无人机的飞行高度始终与地面保持安全距离，在由插值计算得到的地形高度上施加相对距离限制，其修正过的航路点坐标可以表示为P

具体的，用以实现三维环境下考虑雷达威胁的多智能体协同航迹规划方法。