[发明专利]基于ADS-B和蚁群算法的无人机感知与规避策略

说明书

本发明公开了一种基于ADS‑B和蚁群算法的无人机感知与规避策略，其属于无人机安全技术领域。本发明主要为空域融合背景下的无人机避撞问题提供一种协同感知与规避策略，主要包括以下步骤：首先基于ADS‑B技术获得目标飞行器的飞行状态数据；其次进行确定型冲突探测，充分利用ADS‑B信息从水平和垂直面进行几何距离判定来确定冲突目标；最后采用基于引入了综合因素启发函数和排序机制的蚁群算法进行航路重规划来实现避撞。本发明能有效识别无人机周围的可能威胁目标，并提供具有较强适应性的优质解脱策略。

技术领域

本发明属于无人机安全技术领域，涉及一种基于ADS-B技术和蚁群算法的无人机感知与规避策略，尤其涉及一种基于改进蚁群算法的冲突解脱方法。

背景技术

无人机感知与规避是指无人机能自主识别障碍物、保持安全间隔并避免碰撞，大致包含环境感知、冲突探测、冲突解脱三个功能模块。

环境感知主要依靠传感器，包括雷达、红外系统、广播式自动相关监视(AutomaticDependent Surveillance-Broadcast,ADS-B)技术等方式。其中，ADS-B技术是全球航空运输系统中新一代监视技术的主要方向，其依靠全球导航卫星系统(GlobalNavigationSatellite System,GNSS)和先进的空-空、空-地数据链通信技术实现多种信息的生成和远距离交换。目前，美国、欧洲、中国也都在逐步完成ADS-B的相关落地计划，未来将实现ADS-B技术更广泛的应用。但在无人机领域，ADS-B的应用还有待进一步探索。

冲突探测方法主要分为几何法和概率法两类。几何法多通过划分安全区，并基于当前飞行状态对未来航迹进行线性预测，判定安全区是否存在重叠，例如民航飞机所用的空中防撞系统(TrafficCollisionAvoidance System,TCAS)就是采用的几何法。概率法则考虑了如风扰动、导航误差等随机因素，能计算出冲突发生的可能性，更精确但也更复杂。

冲突解脱的实现较多采用航路规划方法，包括人工势场法、以遗传算法为代表的启发式算法、A*算法等。其中，蚁群算法是启发式全局优化算法的一种，是用于寻找优化路径的概率型算法，具有分布计算、信息正反馈和启发式搜索的特征，其优势在于有较强的鲁棒性和搜索性，但也存在对计算性能要求较高、易陷入局部最优的缺点。目前，航路规划方法多是基于几何学进行搜索，不考虑飞行器动力学约束，且搜索效率取决于规划空间大小，而不少学者对算法的改进集中在算法本身的缺陷和求解速度上，优质航路的判定仅参考延误距离这一条标准，因此，算法的适应性存在较大改进空间。

发明内容

为了解决现有技术中存在的问题，本发明提供了一种基于ADS-B和蚁群算法的无人机感知与规避策略。本发明采用的技术方案如下：

一种基于ADS-B和蚁群算法的无人机感知与规避策略，包括如下步骤：

步骤1，对初始环境进行建模。以柱形保护区模型对飞行器进行抽象，设置冲突探测区域大小、最小水平安全间隔R和最小垂直安全间隔H。

步骤2，对探测域中的飞行器ADS-B报文数据进行处理，得到三维笛卡尔坐标系下的飞行器位置坐标、水平速度值、航向、垂直速度。

步骤3，对目标机进行水平初选，根据公式(1)判断目标机是否逐渐靠近。

S₀＝AB·V_{r_hori} (1)

其中，AB表示X-Y二维水平面上目标机的相对位置向量，V_{r_hori}表示X-Y二维水平面上目标机的相对速度向量。若S₀≥0表示无冲突产生，跳转步骤6；否则，继续步骤4。

步骤4，对经过水平初选的目标机进行水平距离计算，根据公式(2)进行判断。