[发明专利]一种基于航路跟踪映射网络的高可飞性航路规划方法

权利要求书

1.一种基于航路跟踪映射网络的高可飞性航路规划方法，其特征在于，包括如下步骤：

步骤一、建立无人机六自由度运动模型，将该模型与无人机的航路跟踪控制器结合构成无人机闭环运动控制模型；

步骤二、通过航路生成器产生大量随机规划航路，在无人机运动约束范围内设置随机无人机状态，将每一条规划航路和无人机状态分别输入到无人机闭环系统模型，输出对应的预测状态和预测航迹并记录；

步骤三、将当前无人机规划航路和状态按时间顺序排列成二维数据，逐个输入到TMN网络中，得到各输入对应的输出，将各输出与各输入对应的预测状态和预测航迹进行对比，得到预测状态偏差和预测航迹的偏差，利用反向传播更新TMN网络参数；

TMN网络是指航路跟踪映射网络，在现有的卷积神经网络的基础上添加了时间特征形成的；

具体步骤如下：

步骤301、将每个无人机状态，和各自对应的规划航路和实际航迹的偏差合并为各自对应的一维向量；

一维向量表示为：

航迹偏角的偏差为航迹倾角的偏差为为规划航路t时刻的航迹偏角χ，为规划航路t时刻的航迹倾角γ，χ_t为t时刻无人机实际航迹偏角，γ_t为t时刻无人机实际航迹倾角；p_t，q_t，r_t是无人机体坐标下t时刻的横、纵和垂三轴角速度；α_t为t时刻无人机的攻角；μ_t是t时刻航迹滚转角；V_t为t时刻的无人机的航迹速度；

步骤302、将所有的一维向量按时间顺序排列成包含时间特性的二维数据；

二维数据集合为：

其中，ρ_T为时间序列长度；

步骤303、针对每个排序后的二维数据，设计不同尺度的卷积核进行特征提取；

每个卷积块包括三部分：卷积层，归一化层和LeakyReLU层；两个卷积核的长度分别与特征图的时间轴方向长度和状态轴方向长度相同；

步骤304、对特征结果进行卷积，分别得各二维数据对应的时间特征图和状态特征图；

步骤305、将时间特征图经过转置层处理后与状态特征图进行深度特性拼接，然后输入到全连接层；

步骤306、全连接层对卷积核输出进行综合，得出各二维数据对应的预测结果将预测结果与原无人机闭环系统生成的对应预测状态和预测航迹进行比较学习，然后通过反向传播更新TMN网络结构的参数；

预测的无人机航迹和状态信息结果为：

步骤307、重复上述操作，直到结果满足训练要求或达到训练次数上限，结束TMN网络训练；

步骤四、建立航路优化的总代价函数

总代价函数由四部分组成：长度代价能量代价飞行安全代价函数可飞性代价函数

可飞性代价函数是指：规划航路与相应的预测航迹之间的相似度，定义如下：

其中，K_d是距离代价系数，K_θ是方向代价系数；d是规划航路点与预测航迹点的距离，计算公式为d＝||T-T^*||；T(x,y,z)为单步预测航迹点，T^*(x^*,y^*,z^*)为单步规划航路点；为预测航迹在距离和方向的相似度，为规划航路在距离和方向的相似度；

步骤五、选取的航路生成器在MPC框架下，规划出n条时间序列长度为M的随机航路，将n条随机航路输入TMN中，预测出各随机航路对应的飞行航迹和飞行状态数据并代入总代价函数，通过航路优化器优化得到总代价函数最优的规划航路T^c；

步骤六、将最优规划航路T^c输给无人机，无人机飞控系统将规划航路T^c作为航路跟踪的指令进行跟踪，将预测航迹和评价指标显示在无人机控制站；同时记录无人机实际的飞行航迹和飞行状态参数，当出现实际飞行航迹和预测航迹偏差超过阈值时，将实际航迹和相应的飞行状态参数加入TMN网络中进行迭代训练，提升飞行航迹预测能力。