[发明专利]一种基于多目标的无人机控制方法

说明书

本申请公开了一种基于多目标的无人机控制方法，包括：确定多个用于发送信号的发送端无人机在第一坐标系中的发送坐标；基于用于接收信号的接收端无人机与发送端无人机以及原点的连线之间的夹角，获取接收端无人机在第一坐标系中的初始坐标；基于多个接收端无人机的初始坐标与多个预设条件，获取无人机编队优化模型；基于无人机编队优化模型以及多目标混合遗传算法，确定位置发生偏移的接收端无人机的调整位置。本申请通过方位AOA无源定位方法确定无人机的初始位置，设置最大迭代次数，将遗传算法与均值聚类，粒子群算法等多种算法结合。利用结合的多目标混合遗传算法对接收信号的无人机迭代调整，使无人机编队达到预定调整位置。

技术领域

本申请属于无人机技术领域，具体涉及一种基于多目标的无人机控制方法。

背景技术

由于无人机体积小、质量轻、操作简单，所以近几年在军事和民用方面得到广泛运用。无人机集群在遂行编队飞行时，个别无人机的位置会发生偏差，这时需要对无人机进行定位并调整。无人机定位主要有有源定位和无源定位两种方式。由于无源定位的定位精度较高、隐蔽性好、覆盖范围广、作用距离远、能适应复杂环境。所以逐步成为主流定位系统。当前无源定位主要有基于信号传输距离(RSS)、信号在发射源与接收器之间的传播时间(TOA)、信号到达接收点的绝对时间差(TDOA)、测量辐射信号的波达方向来估测辐射源位置(DOA)、不同接收站接收信号到达的频率差(FDOA)、侧向角(AOA)的定位方法。其中，AOA无源定位的误差少，精度高且仅仅需要角度，避免了外界环境对无人机的影响，所以在定位方式中更具有优势。

通过AOA无源定位确定接收信号的无人机位置。为了保持无人机编队队形，需要对位置发生偏差的无人机进行调整。针对这个问题，学者们使用各种不同的算法进行尝试。现有技术中，比较突出的就是遗传算法，K均值聚类和粒子群算法，但三者都具有一定的局限性。遗传算法灵活的适应度函数可以提高整体性能，并且还可以进行全局搜索，但是遗传算法的局部搜索能力差，运算效率低且收敛精度达。K-均值聚类有较强的局部搜索能力，高效且容易实施，但是算法中的K值难以确定，此外，初始聚类中心比较敏感容易陷入局部最优。粒子群算法计算简单，运算效率高，收敛较快，但也容易陷入局部最优。

在进行无人机位置调整时，三种算法都有一定的局限性。本发明将遗传算法与K均值聚类，粒子群算法相结合，能够有效改善算法最后的聚类结果，使聚类结果更稳定，提高整体性能并且提高算法的局部搜索能力，同时，避免运算效率低，收敛精度差，进一步加快算法的运行速度。

发明内容

本申请提供一种基于多目标的无人机控制方法，以解决传统无人机位置调整时，聚类结果不稳定且效率低下的技术问题。

为解决上述技术问题，本申请采用的一个技术方案是：一种基于多目标的无人机控制方法，包括：

基于第一无人机的位置为原点建立第一坐标系，确定多个用于发送信号的发送端无人机在第一坐标系中的发送坐标；

基于用于接收信号的接收端无人机与发送端无人机以及原点的连线之间的夹角，获取接收端无人机在第一坐标系中的初始坐标；

基于多个接收端无人机的初始坐标与多个预设条件，获取无人机编队优化模型；

基于无人机编队优化模型以及多目标混合遗传算法，确定位置发生偏移的接收端无人机的调整位置。

进一步，基于用于接收信号的接收端无人机与发送端无人机以及原点的连线之间的夹角，获取接收端无人机在第一坐标系中的初始坐标的方法，包括：

基于接收端无人机分别与第一/第二发送坐标以及原点的第一/第二/第三连线，获取第三连线与第一/第二连线之间的第一/第二夹角，以及第一连线与第二连线之间的第三夹角；其中，第三夹角为第一夹角和第二夹角之和；

基于第一/第二夹角与第一/第二连线，确定第一/第二夹角与第一/第二连线所在的第一/第二圆形曲线的第一/第二半径；