[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

说明书

本发明提供了一种基于航路跟踪映射网络的高可飞性航路规划方法，属于无人机导航制导与控制技术领域，具体为：利用无人机六自由度运动模型与航路跟踪控制器结合构成闭环运动控制模型，并输入随机规划航路和随机状态，输出对应的预测状态和预测航迹，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中，得到各输出与各输入对应的预测状态和预测航迹的偏差值，利用反向传播更新TMN。然后，建立总代价函数；在MPC框架下规划出n条随机航路输入TMN中，预测出飞行航迹和飞行状态，并代入总代价函数，得到最优的规划航路，飞控系统跟踪最优规划航路，显示的同时记录无人机实际的飞行航迹和飞行状态参数，提升了飞行航迹预测能力。

技术领域

本发明属于无人机导航制导与控制技术领域，具体涉及一种基于航路跟踪映射网络的高可飞性航路规划方法。

背景技术

无人机航路规划是指在特定环境下，结合地图信息和各种约束条件，找到从任务出发点到任务结束点的最符合要求的无人机飞行路径。航路规划不仅需要尽可能实现任务代价最优，同时规划出的航路可飞性也十分重要。航路规划的可飞性代表了无人机对所规划航路跟踪的可行性以及准确程度，是无人机航路规划领域的一个重要问题。高可飞性的航路规划对于某些高精度任务具有重要意义，例如密集区域避障、自主空中加油对接和精确编队等。

目前现有文献的航路规划方法大多只考虑具有运动学约束(如最大爬升角、最小转弯半径等)的无人机简化模型，未充分考虑到实际无人机的动力学约束以及航路跟踪控制系统的跟踪特性，使得规划航路与实际飞行航迹之间存在较大的跟踪误差。为提高所规划航路对于实际无人机的可飞性，一个行之有效的方法是在规划时采用由无人机六自由度运动模型和航路跟踪控制器组成的闭环系统模型。但是该闭环系统模型由12个非线性微分方程和包括传感器、控制器和执行器构成的飞控系统模型组成，方程复杂，计算量大，会严重影响航路规划的效率。

近年来，随着新一代人工智能技术的发展，深度学习所展现的强大的非线性表达能力，为复杂非线性问题的解决提供了可能。利用深度学习网络通过离线训练来充分表征无人机六自由度运动模型和航路跟踪控制器组成的闭环系统特性，并在航路规划器中在线使用，为解决上述问题提供了有效途径。

发明内容

针对现有航路规划方法中可飞性偏低的问题，本发明提出了一种基于航路跟踪映射网络的高可飞性航路规划方法，充分考虑了无人机的运动学、动力学和航路跟踪控制系统特性，可以大幅提高规划航路的可飞性和其他性能，保障飞行安全，并兼具智能性、再学习和规划效率高的特点，对于无人系统安全可飞路径规划具有重要意义。

所述的基于航路跟踪映射网络的高可飞性航路规划方法，具体包括如下步骤：

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。

首先，建立航路跟踪控制器模型，如下：

u_c＝f_C(T^c,S)

其中f_C代表航路跟踪控制器控制律，T^c为指令路径，S为无人机状态：

S＝[X Y Z V χ γ α β μ p q r]

X,Y,Z分别为无人机在惯性系下的横、纵和垂三维位置坐标，V为无人机的航迹速度；χ为无人机的航迹偏角，γ是无人机的航迹倾角；p,q,r是无人机体坐标下的横、纵和垂三轴角速度；α是无人机坐标系下的迎角、β是无人机坐标系下的侧滑角和μ是无人机坐标系下的航迹滚转角。

然后，建立含风扰的无人机运动模型，简化为：

f_M代表无人机模型，u为控制输入，w为风扰动；

最后，建立无人机闭环系统控制模型；