我們都知道無人機(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，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。然而早期的無人機都是按照地面任務規(guī)劃中心預先計算并設定好的航跡飛行，但是隨著無人機所承擔的任務越來越復雜，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。

無人機航跡規(guī)劃的主要根據(jù)任務目標規(guī)劃滿足約束條件的飛行軌跡，是無人機先進任務規(guī)劃系統(tǒng)的關鍵組成部分。航跡規(guī)劃的目的是根據(jù)預設數(shù)字地圖，通過GPS/INS組合導航系統(tǒng)，在適當時間內計算出最優(yōu)或次最優(yōu)的飛行軌跡。考慮到數(shù)字地圖誤差及隨機環(huán)境的影響( 如隨機風場等)，要求無人機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，安全地完成預定任務。無人機航跡規(guī)劃。主要包括環(huán)境信息( 如隨機風場、敵方雷達掃描半徑范圍、及導彈高炮打擊威脅區(qū)、地形因素)、無人機系統(tǒng)約束、航跡規(guī)劃器、無人機自動駕駛儀等。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”飛機性能的不同，航跡規(guī)劃可以分為攻擊無人機航跡規(guī)劃及偵察無人機航跡規(guī)劃；根據(jù)規(guī)模的不同，可以分為單機及多機協(xié)同編隊航跡規(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，按照實現(xiàn)功能可以劃分為離線靜態(tài)航跡預規(guī)劃及在線動態(tài)實時航跡規(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，在大的任務區(qū)域內進行航線規(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行的。參考航跡的優(yōu)劣依據(jù)預先確定的性能指標，一般根據(jù)無人機飛行的任務要求、安全要求、飛行時間和其他戰(zhàn)略、戰(zhàn)術考慮等因素組合確定，以此最優(yōu)性能為標準，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，無人機受環(huán)境及自身約束條件如最小轉彎半徑、滾轉角等限制，在實際飛行中并非嚴格沿著參考航跡來飛，而是對參考航跡進行局部動態(tài)優(yōu)化，最后生成最優(yōu)航跡。按照幾何學的觀點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，來分享一下關于無人機航跡規(guī)劃算法方面的相關內容：

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、導數(shù)相關法、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(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。該算法應用于無人機航跡規(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)域的擴大，受狀態(tài)空間的限制，會出現(xiàn)組合爆炸，只能應用于小范圍內的搜索(如在無人機高空作業(yè)并且威脅單一的情況下可取得良好的效果)，不易應用于三維空間。因此，必須降維簡化計算，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行計算，或通過數(shù)字地圖預處理技術，將三維最優(yōu)航跡規(guī)劃轉化為安全曲面上的二維航跡規(guī)劃。

（2）導數(shù)相關法

采用導數(shù)相關法，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函數(shù)梯度基礎上,要求導函數(shù)連續(xù)、迭代運算量大，且易陷入局部最優(yōu)解。通常，該算法中關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算依據(jù)。將威脅場迭加于地形之上，相當于通過增加地形的高度來實現(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)劃中有廣泛的應用。該算法對地形要求較嚴，一般要求地形的二階偏導函數(shù)連續(xù)；模型及其參數(shù)相對復雜，在復雜地形下可能出現(xiàn)死鎖，容易發(fā)散，規(guī)劃時間長。因此,在處理TF/TA問題時,一般將問題進行分解。TF主要考慮垂直面內的運動，TA則是水平面的運動，不同的平面內分別進行規(guī)劃。直升飛機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軸間的夾角作為控制量，飛機的位置坐標作為狀態(tài)變量，將路線規(guī)劃問題化為一起點固定、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，使路線的終點接近目標點。這種方法的優(yōu)點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，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)模的反復迭代以彌補智能導向能力的缺乏。因此，算法計算時間長。

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行評估，得到最好的位置，再從這個位置進行搜索直到目標，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。在應用過程中，一般取距離代價和威脅代價等方面的加權和來表示實際代價。A*算法同樣存在隨搜索區(qū)間的增大，內部存儲數(shù)據(jù)增加，搜索時間過長，實時性無法保證的問題，一般應用于二維空間的搜索。通常對基本A*算法進行改進，使之能應用于實時規(guī)劃。如三維稀疏A*算法(SAS)通過準確有效的剪除不符合要求的狀態(tài)來使規(guī)劃快速收斂。采用柵格的形式構造飛行環(huán)境，運用一種改進的A*算法搜索，將距離代價、威脅代價以及機動性代價三者的加權和作為路徑代價，并運用模糊技術為三者的權值進行分配，針對環(huán)境的變化可以調整權系數(shù)，對動態(tài)環(huán)境有較高的適應性。采用各柵格代價值(MCarray)作為輸入產(chǎn)生各柵格到目標節(jié)點的最小代價值(BCarray)作為啟發(fā)式項,取得了良好效果。傳統(tǒng)的A*算法存在搜索速度慢和耗內存空間大的缺陷。為了加快搜索過程和節(jié)省內存空間,通過分區(qū)搜索并結合飛行約束削減搜索節(jié)點,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A*算法，解決了算法進行大空間搜索時，耗時急劇增加的問題，因此提高了算法的效率。仿真結果表明，該方法計算速度快，易于實現(xiàn)。

（2）遺傳算法

遺傳算法(GA)是可用于復雜系統(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制、交叉、變異得到新的個體,并對個體性能進行評估，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: (1) GA以決策變量的編碼作為運算對象。傳統(tǒng)的優(yōu)化算法往往直接決策變量的實際值本身，而遺傳算法以它的某種編碼形式。(2) GA直接以適應度作為搜索信息，無需導數(shù)等其它輔助信息。(3) GA使用多個點的搜索信息，具有隱含并行性。(4) GA使用概率搜索技術，而非確定性規(guī)則。但是由于無人機航跡規(guī)劃存在時間上和計算機資源的約束，GA會出現(xiàn)早熟現(xiàn)象,得不到全局的最優(yōu)解。

利用極坐標描述威脅位置和航跡點，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評估的計算方法，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的偵察效率”。遺傳算法的關鍵在于對群體的編碼，經(jīng)過大量的實驗表明，使用浮點數(shù)編碼比二進制編碼在CPU計算時間上更加有效。初始群體的選取應具有多樣性，使得規(guī)劃空間的每一個體都有機會參與進化。利用導航點的坐標信息以及一位校驗位對航跡進行實值編碼，結合航跡的約束條件以及評價函數(shù)對航跡群體進行分析，然后采用自設定的幾種遺傳算子對群體進行操作。采用更能符合實際的B樣條曲線來表示航跡，對無人機全局和局部航跡進行規(guī)劃。遺傳算法良好群體搜索性能，固有的并行計算能力等優(yōu)點都使得此算法在航跡規(guī)劃中被廣泛應用。但遺傳算法進行路徑規(guī)劃存在費時的問題，一般將其應用于參考航跡的規(guī)劃過程，很難應用于實時規(guī)劃。從算法結構上進行改造，將變異操作從交叉操作中分離出來，成為獨立的并列于交叉的遺傳尋優(yōu)操作；在交叉操作中，以“門當戶對”原則進行個體的配對，利用混沌序列確定交叉點，實行單點交叉,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行變異，避免了算法早熟。

（3）神經(jīng)網(wǎng)絡方法

由于Hopfield網(wǎng)絡引入了“能量函數(shù)”的概念，在達到穩(wěn)定時網(wǎng)絡的能量最小，所以很自然地可以用其特殊的非線性動態(tài)結構來解決優(yōu)化之類的技術問題。一種基于Hopfield神經(jīng)網(wǎng)絡的無人機地形跟隨(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)連接權中，利用擴展的Hopfield模型結合無人機約束條件實現(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建數(shù)值勢場, 加速了數(shù)值勢場的傳播。在學習過程中，通過調整連接權系數(shù)改變局部勢場分布。試驗表明，算法在單處理器上可以進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)化路徑的機率型技術，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、分布式計算和富于建設性的貪婪啟發(fā)式搜索的特點。為提高無人機作戰(zhàn)任務的成功率，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能夠以最小的被發(fā)現(xiàn)概率及可接受的航程到達目標點。保留最優(yōu)解、自適應狀態(tài)轉換規(guī)則和自適應信息激素更新規(guī)則，有效地提高了算法收斂速度和解的性能”。基于改進蟻群算法的無人機三維航跡規(guī)劃方法，則以保證在敵方防御區(qū)域內以最小的被發(fā)現(xiàn)概率以及可接受的航程到達目標點。首先對無人機三維航跡規(guī)劃模型進行分析，在此基礎上采用蟻群算法對三維航跡進行優(yōu)化。其次，將最短路徑的信息反饋到系統(tǒng)中作為搜索的指導信號，并改進節(jié)點選擇方法，以提高應用蟻群算法搜索無人機三維航跡的效率。最后，將所研究的方法應用于無人機的三維航跡規(guī)劃。仿真結果表明，本文提出的方法是有效的。改進蟻群算法的初始信息素強度與啟發(fā)因子，并以島嶼進攻戰(zhàn)役這一特定作戰(zhàn)任務為例，就實現(xiàn)了偵察多目標時的航跡規(guī)劃問題。在每次循環(huán)結束，保留其最佳結果及改進螞蟻狀態(tài)轉換規(guī)則,對基本蟻群算法提出了改進，提供了一種新的有效的航跡優(yōu)化算法。仿真結果表明，改進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。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-學習的自適應蟻群算法的無人機航跡規(guī)劃方法，仿真結果表明，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，編程的復雜程度也不一樣，啟發(fā)式尋優(yōu)搜索對動態(tài)環(huán)境有較高的適應性，可應用于實時規(guī)劃，但存在搜索速度慢和耗內存空間大的缺陷。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，導致編碼長度動態(tài)修改，增加了編程的復雜度；神經(jīng)網(wǎng)絡法適用于TF/ TA的航跡規(guī)劃，而對于具有雷達、導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。

無人機實時航跡規(guī)劃是當今無人機集群配合,集群戰(zhàn)術再規(guī)劃，集群戰(zhàn)術目標再制定等高級自主飛行的技術基礎，也是提高無人機的生存概率的一種最有效的手段。如果你想更系統(tǒng)，更快速的推進無人機集群項目研究，可以在已經(jīng)開發(fā)好的無人機集群平臺上開展項目實驗及科研。

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

可進行的多機編隊飛行實驗非常全面及具有實用性：

?多無人機協(xié)同搜索區(qū)域分割與覆蓋算法仿真

?多無人機任務分配策略實驗

?多機編隊隊形設計、保持、變換和防撞實驗；

?多無人機任務航跡規(guī)劃實驗

?多無人機通信組網(wǎng)實驗

在無人機編隊飛行方面，可提供無人機編隊飛圓形、空間8字、空間螺旋，隊形變換，從跟隨、空地協(xié)同等無人機編隊例程。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驗的原理、步驟、目標等，并附有相應的配套例程代碼，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行二次開發(fā)。還可根據(jù)用戶的實際需求定制整個系統(tǒng)平臺，并提供相應的技術支撐和詳細的例程及說明書指導。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和習慣，提升體驗感和交互率，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。

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?？梢攒浖诃h(huán)仿真，硬件在環(huán)仿真，實現(xiàn)仿真和實物開發(fā)有機結合?？梢栽趯崪y之前通過仿真測試驗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，用戶不需要掌握太多的底層編程技術即可完成算法的修改和驗證。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外定位方式?？商峁┕鈱W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。

隨著對無人機航跡規(guī)劃要求的越來越高，未來無人機航跡規(guī)劃在算法方面的發(fā)展方向及研究重點主要有: (1)不確定環(huán)境下的實時航跡規(guī)劃。對多傳感信息運用不確定性理論進行綜合處理，以便合理有效利用各種信息，對戰(zhàn)場態(tài)勢進行評估，真正實現(xiàn)在無人干預的情況下，根據(jù)探測結果自動修改航跡; (2)戰(zhàn)術級的強實時的航跡規(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) 多任務目標(如低空突防、目標搜索營救、信息偵察等任務)綜合的規(guī)劃算法: (5) 多機協(xié)同規(guī)劃算法。要求執(zhí)行任務時，整體代價達到最優(yōu):(6)針對地形、敵情信息處理方法的研究算法。此項研究直接決定了規(guī)劃路徑的質量。