我們都知道無人機(jī)(UAV )因具有可探測性低、造價低廉、不懼傷亡、起降簡單、操作靈活、系統(tǒng)配置多樣化、自動控制智能化等特點(diǎn)，因而在未來一體化聯(lián)合作戰(zhàn)中扮演越來越重要的角色。然而早期的無人機(jī)都是按照地面任務(wù)規(guī)劃中心預(yù)先計(jì)算并設(shè)定好的航跡飛行，但是隨著無人機(jī)所承擔(dān)的任務(wù)越來越復(fù)雜，其飛行環(huán)境的不確定性，對航跡規(guī)劃的要求也將越來越高。

無人機(jī)航跡規(guī)劃的主要根據(jù)任務(wù)目標(biāo)規(guī)劃滿足約束條件的飛行軌跡，是無人機(jī)先進(jìn)任務(wù)規(guī)劃系統(tǒng)的關(guān)鍵組成部分。航跡規(guī)劃的目的是根據(jù)預(yù)設(shè)數(shù)字地圖，通過GPS/INS組合導(dǎo)航系統(tǒng)，在適當(dāng)時間內(nèi)計(jì)算出最優(yōu)或次最優(yōu)的飛行軌跡?？紤]到數(shù)字地圖誤差及隨機(jī)環(huán)境的影響( 如隨機(jī)風(fēng)場等)，要求無人機(jī)在飛行過程中具有動態(tài)修正軌跡的能力，能回避敵方威脅環(huán)境，安全地完成預(yù)定任務(wù)。無人機(jī)航跡規(guī)劃。主要包括環(huán)境信息( 如隨機(jī)風(fēng)場、敵方雷達(dá)掃描半徑范圍、及導(dǎo)彈高炮打擊威脅區(qū)、地形因素)、無人機(jī)系統(tǒng)約束、航跡規(guī)劃器、無人機(jī)自動駕駛儀等。航跡規(guī)劃總框架圖如圖1所示：

航跡總框圖如圖1所示

再者，根據(jù)執(zhí)行任務(wù)”飛機(jī)性能的不同，航跡規(guī)劃可以分為攻擊無人機(jī)航跡規(guī)劃及偵察無人機(jī)航跡規(guī)劃；根據(jù)規(guī)模的不同，可以分為單機(jī)及多機(jī)協(xié)同編隊(duì)航跡規(guī)劃；根據(jù)飛行過程的不同，可以分為爬升航跡規(guī)劃、著陸航跡規(guī)劃、及巡航航跡規(guī)劃；根據(jù)飛行環(huán)境的不同，可以分為確定環(huán)境及不確定環(huán)境航跡規(guī)劃。此外，按照實(shí)現(xiàn)功能可以劃分為離線靜態(tài)航跡預(yù)規(guī)劃及在線動態(tài)實(shí)時航跡規(guī)劃。其算法可分可行性方向算法、通用動態(tài)算法及實(shí)時優(yōu)化算法。根據(jù)規(guī)劃范圍可分為全局規(guī)劃算法及局部尋優(yōu)算法。如Dynapath算法是一種前向鏈動態(tài)規(guī)劃技術(shù)，在大的任務(wù)區(qū)域內(nèi)進(jìn)行航線規(guī)劃是典型的大范圍優(yōu)化問題，Dynapath 算法可以得到問題的全局最優(yōu)解。但該算法具有維數(shù)爆炸特性的缺陷。

航跡規(guī)劃按照步驟可以分為兩個層次：第一層是整體參考航跡規(guī)劃;第二層是局部航跡動態(tài)優(yōu)化。整體參考航跡規(guī)劃是飛行前在地面上進(jìn)行的。參考航跡的優(yōu)劣依據(jù)預(yù)先確定的性能指標(biāo)，一般根據(jù)無人機(jī)飛行的任務(wù)要求、安全要求、飛行時間和其他戰(zhàn)略、戰(zhàn)術(shù)考慮等因素組合確定，以此最優(yōu)性能為標(biāo)準(zhǔn)，通過動態(tài)路徑規(guī)劃算法生成一條最優(yōu)參考航跡。有了參考航跡之后，無人機(jī)受環(huán)境及自身約束條件如最小轉(zhuǎn)彎半徑、滾轉(zhuǎn)角等限制，在實(shí)際飛行中并非嚴(yán)格沿著參考航跡來飛，而是對參考航跡進(jìn)行局部動態(tài)優(yōu)化，最后生成最優(yōu)航跡。按照幾何學(xué)的觀點(diǎn)可以分為基于圖形和基于柵格的規(guī)劃方案。一般來說，前者較為精確，但需要較長的收斂時間;此外按照規(guī)劃決策可以分為傳統(tǒng)規(guī)劃算法及智能規(guī)劃算法。

接下來，來分享一下關(guān)于無人機(jī)航跡規(guī)劃算法方面的相關(guān)內(nèi)容：

航跡規(guī)劃算法可以分為傳統(tǒng)經(jīng)典算法和現(xiàn)代智能算法兩大類。其中，前者主要包括動態(tài)規(guī)劃法、導(dǎo)數(shù)相關(guān)法、最優(yōu)控制法；后者主要包括啟發(fā)式尋優(yōu)搜索、遺傳算法、人工神經(jīng)網(wǎng)絡(luò)(ANN)，群體智能(SA: Swarm Intelligence,主要包括蟻群算法(ACO)、粒子群算法(PSO)蜂群算法(ABC))等。

傳統(tǒng)規(guī)劃算法

（1）動態(tài)規(guī)劃算法

動態(tài)規(guī)劃算法是解決多級決策最優(yōu)化問題的常見算法。該算法應(yīng)用于無人機(jī)航跡規(guī)劃中，要求模型相對簡單，不要求威脅場連續(xù)性，可以獲得全局最優(yōu)解，但缺陷是隨著規(guī)劃區(qū)域的擴(kuò)大，受狀態(tài)空間的限制，會出現(xiàn)組合爆炸，只能應(yīng)用于小范圍內(nèi)的搜索(如在無人機(jī)高空作業(yè)并且威脅單一的情況下可取得良好的效果)，不易應(yīng)用于三維空間。因此，必須降維簡化計(jì)算，以提高速度，如將三維航跡分解為水平方向和垂直方向兩個二維航跡并分別進(jìn)行計(jì)算，或通過數(shù)字地圖預(yù)處理技術(shù)，將三維最優(yōu)航跡規(guī)劃轉(zhuǎn)化為安全曲面上的二維航跡規(guī)劃。

（2）導(dǎo)數(shù)相關(guān)法

采用導(dǎo)數(shù)相關(guān)法，主要有最速下降法、牛頓法、共軛梯度法、擬牛頓法、信賴域方法和最小二乘法，其中最速下降法目前使用比較多。最速下降法是S.J.Asseo于1982年提出的，它應(yīng)用最速下降法求解地形跟蹤(TF: Terrain Following) 及地形規(guī)避(TA: Terrain Avoiding)問題。該方法相對較簡單，收斂速度較快，需要地形一階編導(dǎo)連續(xù)，相對最優(yōu)控制法對地形要求不高:但由于算法是建立在目標(biāo)函數(shù)梯度基礎(chǔ)上,要求導(dǎo)函數(shù)連續(xù)、迭代運(yùn)算量大，且易陷入局部最優(yōu)解。通常，該算法中關(guān)于威脅的考慮過于簡單，僅以飛行方向同威脅方向的夾角作為威脅大小的計(jì)算依據(jù)。將威脅場迭加于地形之上，相當(dāng)于通過增加地形的高度來實(shí)現(xiàn)對威脅場的處理，因此，不能反映地形對威脅的遮蔽作用。

（3）最優(yōu)控制方法

最優(yōu)控制算法在火箭、衛(wèi)星軌道規(guī)劃中有廣泛的應(yīng)用。該算法對地形要求較嚴(yán)，一般要求地形的二階偏導(dǎo)函數(shù)連續(xù)；模型及其參數(shù)相對復(fù)雜，在復(fù)雜地形下可能出現(xiàn)死鎖，容易發(fā)散，規(guī)劃時間長。因此,在處理TF/TA問題時,一般將問題進(jìn)行分解。TF主要考慮垂直面內(nèi)的運(yùn)動，TA則是水平面的運(yùn)動，不同的平面內(nèi)分別進(jìn)行規(guī)劃。直升飛機(jī)的地形跟蹤三維路線直接生成法以速度方向與地形的切平面坐標(biāo)軸間的夾角作為控制量，飛機(jī)的位置坐標(biāo)作為狀態(tài)變量，將路線規(guī)劃問題化為一起點(diǎn)固定、終端自由、時間自由的最優(yōu)控制問題，通過不斷地改變初始航向的方法，使路線的終點(diǎn)接近目標(biāo)點(diǎn)。這種方法的優(yōu)點(diǎn)在于將兩端固定的問題簡化為一端固定、一端自由的問題，從而大大簡化了伴隨向量的求解。

傳統(tǒng)方法存在著共同的缺點(diǎn)，未考慮啟發(fā)因素，不具備智能搜索功能，容易陷入局部最優(yōu)，算法通過大規(guī)模的反復(fù)迭代以彌補(bǔ)智能導(dǎo)向能力的缺乏。因此，算法計(jì)算時間長。

智能規(guī)劃算法

（1）啟發(fā)式尋優(yōu)搜索

啟發(fā)式搜索是在狀態(tài)空間中的搜索，對每一個搜索的位置進(jìn)行評估，得到最好的位置，再從這個位置進(jìn)行搜索直到目標(biāo)，省略大量的搜索路徑，提高效率。A*算法是一種經(jīng)典的啟發(fā)式搜索算法，該算法一般應(yīng)用于基于柵格的數(shù)字地圖中，多用于解決靜態(tài)規(guī)劃的問題。在應(yīng)用過程中，一般取距離代價和威脅代價等方面的加權(quán)和來表示實(shí)際代價。A*算法同樣存在隨搜索區(qū)間的增大，內(nèi)部存儲數(shù)據(jù)增加，搜索時間過長，實(shí)時性無法保證的問題，一般應(yīng)用于二維空間的搜索。通常對基本A*算法進(jìn)行改進(jìn)，使之能應(yīng)用于實(shí)時規(guī)劃。如三維稀疏A*算法(SAS)通過準(zhǔn)確有效的剪除不符合要求的狀態(tài)來使規(guī)劃快速收斂。采用柵格的形式構(gòu)造飛行環(huán)境，運(yùn)用一種改進(jìn)的A*算法搜索，將距離代價、威脅代價以及機(jī)動性代價三者的加權(quán)和作為路徑代價，并運(yùn)用模糊技術(shù)為三者的權(quán)值進(jìn)行分配，針對環(huán)境的變化可以調(diào)整權(quán)系數(shù)，對動態(tài)環(huán)境有較高的適應(yīng)性。采用各柵格代價值(MCarray)作為輸入產(chǎn)生各柵格到目標(biāo)節(jié)點(diǎn)的最小代價值(BCarray)作為啟發(fā)式項(xiàng),取得了良好效果。傳統(tǒng)的A*算法存在搜索速度慢和耗內(nèi)存空間大的缺陷。為了加快搜索過程和節(jié)省內(nèi)存空間,通過分區(qū)搜索并結(jié)合飛行約束削減搜索節(jié)點(diǎn),提出了稀疏A*算法。通過創(chuàng)建Cheap表及降低搜索空間的方法，改進(jìn)A*算法，解決了算法進(jìn)行大空間搜索時，耗時急劇增加的問題，因此提高了算法的效率。仿真結(jié)果表明，該方法計(jì)算速度快，易于實(shí)現(xiàn)。

（2）遺傳算法

遺傳算法(GA)是可用于復(fù)雜系統(tǒng)優(yōu)化的具有魯棒性的搜索算法。該算法通過染色體的復(fù)制、交叉、變異得到新的個體,并對個體性能進(jìn)行評估，從而得到最優(yōu)的符合要求的個體。與傳統(tǒng)的優(yōu)化算法相比，主要有以下特點(diǎn): (1) GA以決策變量的編碼作為運(yùn)算對象。傳統(tǒng)的優(yōu)化算法往往直接決策變量的實(shí)際值本身，而遺傳算法以它的某種編碼形式。(2) GA直接以適應(yīng)度作為搜索信息，無需導(dǎo)數(shù)等其它輔助信息。(3) GA使用多個點(diǎn)的搜索信息，具有隱含并行性。(4) GA使用概率搜索技術(shù)，而非確定性規(guī)則。但是由于無人機(jī)航跡規(guī)劃存在時間上和計(jì)算機(jī)資源的約束，GA會出現(xiàn)早熟現(xiàn)象,得不到全局的最優(yōu)解。

利用極坐標(biāo)描述威脅位置和航跡點(diǎn)，將路徑編碼由二維縮減至一維，通過降低搜索空間來提高優(yōu)化效率。采用遺傳算法并以偵察效率指標(biāo)評估的計(jì)算方法，解決了航跡規(guī)劃中的偵察效率量化問題，通過該方法得到的偵察航跡可以有效地提高無人機(jī)的偵察效率"。遺傳算法的關(guān)鍵在于對群體的編碼，經(jīng)過大量的實(shí)驗(yàn)表明，使用浮點(diǎn)數(shù)編碼比二進(jìn)制編碼在CPU計(jì)算時間上更加有效。初始群體的選取應(yīng)具有多樣性，使得規(guī)劃空間的每一個體都有機(jī)會參與進(jìn)化。利用導(dǎo)航點(diǎn)的坐標(biāo)信息以及一位校驗(yàn)位對航跡進(jìn)行實(shí)值編碼，結(jié)合航跡的約束條件以及評價函數(shù)對航跡群體進(jìn)行分析，然后采用自設(shè)定的幾種遺傳算子對群體進(jìn)行操作。采用更能符合實(shí)際的B樣條曲線來表示航跡，對無人機(jī)全局和局部航跡進(jìn)行規(guī)劃。遺傳算法良好群體搜索性能，固有的并行計(jì)算能力等優(yōu)點(diǎn)都使得此算法在航跡規(guī)劃中被廣泛應(yīng)用。但遺傳算法進(jìn)行路徑規(guī)劃存在費(fèi)時的問題，一般將其應(yīng)用于參考航跡的規(guī)劃過程，很難應(yīng)用于實(shí)時規(guī)劃。從算法結(jié)構(gòu)上進(jìn)行改造，將變異操作從交叉操作中分離出來，成為獨(dú)立的并列于交叉的遺傳尋優(yōu)操作；在交叉操作中，以“門當(dāng)戶對”原則進(jìn)行個體的配對，利用混沌序列確定交叉點(diǎn)，實(shí)行單點(diǎn)交叉,以確保算法收斂精度；在變異操作中，利用混沌序列對染色體中多個基因進(jìn)行變異，避免了算法早熟。

（3）神經(jīng)網(wǎng)絡(luò)方法

由于Hopfield網(wǎng)絡(luò)引入了“能量函數(shù)”的概念，在達(dá)到穩(wěn)定時網(wǎng)絡(luò)的能量最小，所以很自然地可以用其特殊的非線性動態(tài)結(jié)構(gòu)來解決優(yōu)化之類的技術(shù)問題。一種基于Hopfield神經(jīng)網(wǎng)絡(luò)的無人機(jī)地形跟隨(TF)/地形回避(TA)的航跡規(guī)劃方法將地形信息反映到算法參數(shù)連接權(quán)中，利用擴(kuò)展的Hopfield模型結(jié)合無人機(jī)約束條件實(shí)現(xiàn)航跡安全、合理的規(guī)劃。使用基于距離變換的串行模擬構(gòu)建數(shù)值勢場, 加速了數(shù)值勢場的傳播。在學(xué)習(xí)過程中，通過調(diào)整連接權(quán)系數(shù)改變局部勢場分布。試驗(yàn)表明，算法在單處理器上可以進(jìn)行有效的快速航跡規(guī)劃，該方法具有較高的效率和環(huán)境適應(yīng)性。

蟻群算法

蟻群算法( ACO)是一種用來在圖中尋找優(yōu)化路徑的機(jī)率型技術(shù)，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。該方法具有正反饋、分布式計(jì)算和富于建設(shè)性的貪婪啟發(fā)式搜索的特點(diǎn)。為提高無人機(jī)作戰(zhàn)任務(wù)的成功率，提出了基于蟻群算法的適用于航跡規(guī)劃的優(yōu)化方法，該方法可以保證無人機(jī)能夠以最小的被發(fā)現(xiàn)概率及可接受的航程到達(dá)目標(biāo)點(diǎn)。保留最優(yōu)解、自適應(yīng)狀態(tài)轉(zhuǎn)換規(guī)則和自適應(yīng)信息激素更新規(guī)則，有效地提高了算法收斂速度和解的性能"。基于改進(jìn)蟻群算法的無人機(jī)三維航跡規(guī)劃方法，則以保證在敵方防御區(qū)域內(nèi)以最小的被發(fā)現(xiàn)概率以及可接受的航程到達(dá)目標(biāo)點(diǎn)。首先對無人機(jī)三維航跡規(guī)劃模型進(jìn)行分析，在此基礎(chǔ)上采用蟻群算法對三維航跡進(jìn)行優(yōu)化。其次，將最短路徑的信息反饋到系統(tǒng)中作為搜索的指導(dǎo)信號，并改進(jìn)節(jié)點(diǎn)選擇方法，以提高應(yīng)用蟻群算法搜索無人機(jī)三維航跡的效率。最后，將所研究的方法應(yīng)用于無人機(jī)的三維航跡規(guī)劃。仿真結(jié)果表明，本文提出的方法是有效的。改進(jìn)蟻群算法的初始信息素強(qiáng)度與啟發(fā)因子，并以島嶼進(jìn)攻戰(zhàn)役這一特定作戰(zhàn)任務(wù)為例，就實(shí)現(xiàn)了偵察多目標(biāo)時的航跡規(guī)劃問題。在每次循環(huán)結(jié)束，保留其最佳結(jié)果及改進(jìn)螞蟻狀態(tài)轉(zhuǎn)換規(guī)則,對基本蟻群算法提出了改進(jìn)，提供了一種新的有效的航跡優(yōu)化算法。仿真結(jié)果表明，改進(jìn)的算法克服了原算法的收斂速度慢、易于過早陷入局部最優(yōu)的缺點(diǎn)。針對傳統(tǒng)蟻群算法在搜索過程中出現(xiàn)停滯現(xiàn)象，還研究出一種Q-學(xué)習(xí)的自適應(yīng)蟻群算法的無人機(jī)航跡規(guī)劃方法，仿真結(jié)果表明，該方法也是一種有效的航跡規(guī)劃方法。

綜上所述，各種智能優(yōu)化算法都有其自身特點(diǎn)，編程的復(fù)雜程度也不一樣，啟發(fā)式尋優(yōu)搜索對動態(tài)環(huán)境有較高的適應(yīng)性，可應(yīng)用于實(shí)時規(guī)劃，但存在搜索速度慢和耗內(nèi)存空間大的缺陷。蟻群算法在概念上較為接近航跡規(guī)劃問題，編程相對比較容易，但隨著問題規(guī)模的擴(kuò)大,需要較大的存儲空間；遺傳算法目前使用比較廣泛，但是由于航跡長度的不確定，導(dǎo)致編碼長度動態(tài)修改，增加了編程的復(fù)雜度；神經(jīng)網(wǎng)絡(luò)法適用于TF/ TA的航跡規(guī)劃，而對于具有雷達(dá)、導(dǎo)彈及高炮等威脅因素未作考慮。此外，為有效利用算法各自的優(yōu)勢，混合算法將成為航跡規(guī)劃算法的發(fā)展趨勢。

無人機(jī)實(shí)時航跡規(guī)劃是當(dāng)今無人機(jī)集群配合,集群戰(zhàn)術(shù)再規(guī)劃，集群戰(zhàn)術(shù)目標(biāo)再制定等高級自主飛行的技術(shù)基礎(chǔ)，也是提高無人機(jī)的生存概率的一種最有效的手段。如果你想更系統(tǒng)，更快速的推進(jìn)無人機(jī)集群項(xiàng)目研究，可以在已經(jīng)開發(fā)好的無人機(jī)集群平臺上開展項(xiàng)目實(shí)驗(yàn)及科研。

現(xiàn)在已經(jīng)開發(fā)好的無人機(jī)集群科研平臺，可用于無人系統(tǒng)的動態(tài)建模和控制研究、運(yùn)動規(guī)劃、避障控制、多信息融合、編隊(duì)控制、多智能體協(xié)調(diào)控制、無人系統(tǒng)自主控制等研究方向。

可進(jìn)行的多機(jī)編隊(duì)飛行實(shí)驗(yàn)非常全面及具有實(shí)用性：

?多無人機(jī)協(xié)同搜索區(qū)域分割與覆蓋算法仿真

?多無人機(jī)任務(wù)分配策略實(shí)驗(yàn)

?多機(jī)編隊(duì)隊(duì)形設(shè)計(jì)、保持、變換和防撞實(shí)驗(yàn)；

?多無人機(jī)任務(wù)航跡規(guī)劃實(shí)驗(yàn)

?多無人機(jī)通信組網(wǎng)實(shí)驗(yàn)

在無人機(jī)編隊(duì)飛行方面，可提供無人機(jī)編隊(duì)飛圓形、空間8字、空間螺旋，隊(duì)形變換，從跟隨、空地協(xié)同等無人機(jī)編隊(duì)例程。這些例程完全開源。多種視頻教程由淺入深地為用戶講解實(shí)驗(yàn)的原理、步驟、目標(biāo)等，并附有相應(yīng)的配套例程代碼，方便用戶快速掌握、理解。

而且平臺開放性高，接口豐富?？梢院芊奖愕剡M(jìn)行二次開發(fā)。還可根據(jù)用戶的實(shí)際需求定制整個系統(tǒng)平臺，并提供相應(yīng)的技術(shù)支撐和詳細(xì)的例程及說明書指導(dǎo)。滿足用戶的個性化和差異化需求，使平臺更加契合用戶的使用特點(diǎn)和習(xí)慣，提升體驗(yàn)感和交互率，減少用戶熟悉平臺的時間成本，大大提高用戶的開發(fā)效率和體驗(yàn)。

重要的是，集群研發(fā)平臺所有的例程都可以在仿真平臺中模擬仿真。可以軟件在環(huán)仿真，硬件在環(huán)仿真，實(shí)現(xiàn)仿真和實(shí)物開發(fā)有機(jī)結(jié)合?？梢栽趯?shí)測之前通過仿真測試驗(yàn)證算法的可靠性和有效性，然后無縫切換到本集群研發(fā)平臺。大大提高研發(fā)效率。

平臺接口不僅豐富、而且開放性強(qiáng)，用戶不需要掌握太多的底層編程技術(shù)即可完成算法的修改和驗(yàn)證。支持C、C++、Python、ROS、Matlab/Simulink等多種編程環(huán)境，提供完善的二次開發(fā)接口。

兼容的定位系統(tǒng)也覆蓋全面，目前涵蓋主流的室內(nèi)外定位方式?？商峁┕鈱W(xué)定位系統(tǒng)、UWB定位系統(tǒng)、激光定位系統(tǒng)、GPS、RTK等多種定位平臺，定位系統(tǒng)覆蓋面積可根據(jù)客戶要求定制。

在通信方面：支持WIFI、數(shù)傳、等多種集群通訊方式。

隨著對無人機(jī)航跡規(guī)劃要求的越來越高，未來無人機(jī)航跡規(guī)劃在算法方面的發(fā)展方向及研究重點(diǎn)主要有: (1)不確定環(huán)境下的實(shí)時航跡規(guī)劃。對多傳感信息運(yùn)用不確定性理論進(jìn)行綜合處理，以便合理有效利用各種信息，對戰(zhàn)場態(tài)勢進(jìn)行評估，真正實(shí)現(xiàn)在無人干預(yù)的情況下，根據(jù)探測結(jié)果自動修改航跡; (2)戰(zhàn)術(shù)級的強(qiáng)實(shí)時的航跡規(guī)劃問題; (3)高效的全局搜索方法和局部搜索方法的混合使用;(4) 多任務(wù)目標(biāo)(如低空突防、目標(biāo)搜索營救、信息偵察等任務(wù))綜合的規(guī)劃算法: (5) 多機(jī)協(xié)同規(guī)劃算法。要求執(zhí)行任務(wù)時，整體代價達(dá)到最優(yōu):(6)針對地形、敵情信息處理方法的研究算法。此項(xiàng)研究直接決定了規(guī)劃路徑的質(zhì)量。