[发明专利]一种基于学习的飞行器实时航路点决策-轨迹规划方法

说明书

本发明提供一种基于学习的飞行器实时航路点决策‑轨迹规划方法，其步骤如下：一、模型建立；二、设计航路决策网络；三、生成训练数据并训练获得航路决策网络；四、设计决策‑生成框架；五、航路实时决策与轨迹规划；通过以上步骤，可以实现飞行器依据航路点布局实时选择最优航路点序列并进行轨迹规划，解决了现有决策‑轨迹规划技术存在的效率低、通用性差、缺乏适应性、实时应用困难的问题，达到了很好的普适性、实时性和易用性。

技术领域

本发明提供一种基于学习的飞行器实时航路点决策-轨迹规划方法，它是一种基于离线学习的，飞行器实时从分布复杂的航路点中自主选择最优航路点序列并生成轨迹的决策规划方法，适用于多种大气层内飞行的飞行器，属于航空航天、制导、导航与控制技术、决策规划领域。

背景技术

考虑决策的轨迹规划问题始终是航空航天领域的一大难题；特别是，在飞行器的长航程飞行过程中，需要对航路点进行选取，以规划出具有安全保障的飞行轨迹；由于世界上的航路点布局复杂并且数量较多，人工选取航路点的方法十分繁琐，难以满足未来智能化的空中交通网络部署的要求；

针对上述存在的问题，已经开发了一些决策与轨迹规划方法；主要分为两类，一类是将决策纳入轨迹规划，建模为混合整数最优控制问题求解；另一类是采用先决策，后进行轨迹规划的分层方法；第一类方法不仅忽略了决策与轨迹生成的层次结构关系，还需要解决数学上的非确定性问题，目前可求解该问题的启发式数学算法依赖接近最优的初始猜想，需要复杂的人工设计，应用困难；即使在较好的初始猜想下，其求解效率也十分低下，难以满足实时航路点决策并生成轨迹的要求；第二类分层方法中，通常使用元启发式方法搜索上层决策以用于底层规划，这类方法在决策阶段的搜索耗时较长，不具有对航路点布局的适应性，智能化程度不高。因此，研究通用性强、效率高、适应性强、满足实时性要求的航路点决策与轨迹规划方法，对提升飞行器决策与轨迹规划能力，构建未来智能化的空中交通网络具有重要意义和良好的应用前景；

综上所述，本发明为解决航路点决策与轨迹规划的智能化难题，使用卷积神经网络设计航路决策逻辑，根据学习获得的网络构建完整的决策-生成框架实现飞行器的实时航路点决策与轨迹规划，该方法适用于任意复杂分布的航路点布局以及任意数量的航路点序列，具有一定独创性。

发明内容

(一)本发明的目的

本发明的目的是为了解决上述问题，提出一种基于学习的飞行器实时航路点决策-轨迹规划方法，即一种基于离线学习的，飞行器实时从分布复杂的航路点中自主选择最优航路点序列并生成轨迹的决策规划方法；运用卷积神经网络设计智能决策策略，然后根据此决策策略构建航路决策网络，该网络经过离线学习建立智能决策模块，并使用该模块设计决策-生成的框架实现飞行器的实时航路点决策与轨迹规划；本发明解决了现有技术存在的效率低、通用性差、缺乏适应性、实时应用困难的问题，有效提高了飞行器航路决策与轨迹规划的智能化程度。

(二)技术方案

本发明一种基于学习的飞行器实时航路点决策-轨迹规划方法，其具体步骤如下：

步骤一、模型建立；

根据航路点的位置信息，按照航路点经度大小进行等数量分组构建分段集，并在组内按纬度位置排序，建立多部图空域模型，然后建立飞行器动力学模型并调整模型的自变量为经度，最后以飞行器任务的性能指标构建混合整数最优控制问题数学模型；

步骤二、设计航路决策网络；

根据航路序列决策过程所具有的马尔可夫性质，将其建模为一个具有递归性质的连续分类问题模型，对该分类问题模型中的有效信息进行归一化、结构化处理，建立一种结构化的特征，然后根据该特征结构设计决策策略网络(SN)，使用该网络建立航路决策网络(SSN)；

所述的“马尔可夫性质”是指，当前状态仅与上一时刻相关，与上一时刻之前的所有状态都不相关；

步骤三、生成训练数据并训练获得航路决策网络；