[發明專利]一種基于聯合優化的無人機航跡規劃方法

有效

• 申請號: 202110632549.2
• 申請日: 2021-06-07
• 公開（公告）號: CN113268074B
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 高敬鵬;胡欣瑜;葉方;江志燁;毛新蕊;高路;鄭沛;何重航
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G05D1/08
• 分類號: G05D1/08;G05D1/10
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于無人機飛行控制技術領域，具體涉及一種基于聯合優化的無人機航跡規劃方法。本發明通過前端飛行狀態優化模型獲取無人機自身飛行狀態的最優估計，大幅度降低了自然干擾因素對傳感器數據的誤差；通過后端飛行動作優化模型，將實際偏差大的飛行角度調整至預期飛行角度，解決了強化學習決策飛行動作不佳的問題，提高了飛行航跡的可靠性。在實際應用中，對于傳感器實時采集飛行狀態數據，利用前端飛行狀態優化模型實時獲得最優飛行狀態估計，將其作為已訓練TD3模型的輸入，得到飛行動作，并利用后端飛行動作優化模型，得到對應的飛行動作偏置，對其進行判決，控制輸出優化后的飛行動作，從而實現無人機面對自然干擾影響的實時航跡規劃。

技術領域

本發明屬于無人機飛行控制技術領域，具體涉及一種基于聯合優化的無人機航跡規劃方法。

背景技術

無人機是一種不載人的通過無線傳輸遙控裝置或自主傳感控制設備完成相應任務的飛行設備，航跡規劃是無人機執行飛行任務的有效技術手段，航跡可靠才能確保無人機完成飛行任務。

傳統的規劃算法有人工勢場法、Dijkstra算法等。人工勢場法通過模擬引力場和排斥場對空間中無人機的綜合作用規劃無人機的飛行航跡，其適用于局部范圍的規劃，對全局規劃的能力不足。Dijkstra算法是一種經典的用于最短路徑求解的算法，它能夠求出固定點到其他任意點的最短路徑，簡單有效，但缺點是一旦計算點數目增多，則算法計算量和所需內存極具增加。隨著飛行環境日趨復雜，傳統規劃算法計算復雜度高、實時性差，難以實時控制無人機飛行。

強化學習算法具有運算速度快、實時性強的特點，且能夠根據無人機的飛行狀態，端到端地決策飛行動作，使無人機飛行的實時控制成為可能，因此在規劃領域廣泛應用。通過對現有技術文獻的檢索發現，西北工業大學在其申請的專利“基于DDPG的無人機自主引導控制方法”(專利申請號：CN201910853746.X，申請公布號：CN110806756A)中提出了一種基于DDPG的無人機自主引導控制方法，該方法能夠使無人機安全并快速地從起點飛到終點，提高了無人機執行任務的自主性和效率，但是該方法僅適用于靜態地形環境。何金等在《兵工自動化》(2020,39(09):15-21)上發表的“未知環境下基于PF-DQN的無人機路徑規劃”中提出了一種環境信息未知情況下基于勢函數獎賞的DQN路徑規劃方法，實現了無人機在環境信息未知下有效避障的路徑規劃，但是該算法的應用局限于與其訓練近似的環境模型。已有文獻的檢索結果表明，這些方法的建模過程并未考慮實際環境中自然干擾因素的影響，如突發天氣變化、風力、氣流等，這類影響會導致無人機傳感器采集的飛行數據具有偏差，使強化學習算法決策的飛行動作不佳，難以滿足無人機飛行航跡的可靠性。

發明內容

本發明的目的在于提供一種基于聯合優化的無人機航跡規劃方法。

本發明的目的通過如下技術方案來實現：包括以下步驟：

步驟1：搭建飛行狀態優化模型；所述的飛行狀態優化模型的輸入為無人機攜帶的I個傳感器在t時刻對無人機飛行狀態的量測向量m_i(t)，飛行狀態優化模型的輸出為無人機t時刻飛行狀態的最優估計ζ(t|t)＝[p(t),v(t)]^T；

步驟1.1：輸入無人機攜帶的I個傳感器在t時刻對無人機飛行狀態的量測向量m_i(t)；