一种基于大规模数据模型的无人机集群飞行方法与流程

本发明涉及非电变量的控制或调节，具体涉及一种基于大规模数据模型的无人机集群飞行方法。

背景技术：

1、随着无人机技术的逐渐成熟，通过控制多台无人机进行各种表演、监视、运输等多种复杂任务成为当下流行趋势。在无人机集群飞行过程中，大数据模型能够提供决策支持和优化飞行路径的能力，可以使用传感器数据、地理信息系统数据、气象数据等来生成环境感知和任务规划的关键信息。长机-僚机法是目前多无人机编队控制中最常被使用的方法。长机-僚机法将多无人机编队中某一架无人机设定为长机，长机通过雷达避障系统计算出安全的飞行轨迹，带领整个编队的飞行，其余无人机则为僚机，僚机以某种控制策略和队形跟随长机飞行，专注于集群的侦察、搜索作业。

2、在无人机集群在飞行过程中执行不同飞行任务时，由于天气的原因，长机在指挥僚机进行动作变化时僚机实际行驶所产生的误差不同，导致每次飞行过程中都需要进行大量的计算以修正误差，降低无人机集群飞行时编队控制的稳定性，同时，飞行过程中集群中处在不同位置的无人机所受到环境因素的影响程度不同，不同僚机的误差修正程度也具有一定差异，不同的误差容易造成坠机事故。现有的消除轨迹偏移的方法基本是基于历史偏移数据构建模型补偿，但实际无人机编队飞行过程中移动指令具有差异，同时，环境因素也会产生一定影响，导致不同飞行任务中的补偿数据波动和差异较大，因此补偿效果精确度较低。

技术实现思路

1、本发明提供一种基于大规模数据模型的无人机集群飞行方法，以解决无人机轨迹偏移补偿精确度低导致的无人机集群飞行控制不稳定和位置偏移的问题，所采用的技术方案具体如下：

2、本发明一个实施例提供了一种基于大规模数据模型的无人机集群飞行方法，该方法包括以下步骤：

3、设定长机和僚机，获取僚机在调整过程中在空间坐标系的每个轴的角度分量、风向和风速；

4、根据僚机收到长机发出位置变化指令的位置和目标位置确定初始误差，确定误差矢量，获取僚机在长机发出位置变化指令期间每个时间点的风阻，建立风阻矢量，确定僚机在长机发出位置变化指令的理论实际移动距离矢量和理论移动距离矢量；

5、确定长机发出的位置变化指令对应的飞行平面，确定风阻映射值，根据僚机在飞行时，长机发出位置变化指令期间每个时间点对应的风阻映射值和风阻获取风阻影响度，根据僚机在飞行时，长机发出位置变化指令期间的误差矢量和理论移动距离矢量，以及每个时间点的风阻影响度获取时刻修正程度，根据时刻修正程度确定修正程度；

6、根据长机发出位置变化指令期间每个时间点的风速和风向确定环境坐标序列，根据不同环境坐标序列获取两个长机发出位置变化指令的环境相似度，根据僚机收到长机发出的两个位置变化指令的环境相似度、理论移动距离矢量和修正程度获取两个位置变化指令的共性度，根据共性度确定修正程度簇；

7、根据修正程度簇确定位置变化指令的修正系数，根据位置变化指令的修正系数和理论移动距离矢量获取修正值，根据修正值实现基于大规模数据模型的无人机集群飞行。

8、进一步，所述根据僚机收到长机发出位置变化指令的位置和目标位置确定初始误差，确定误差矢量，包括的具体方法为：

9、将完成位置变化指令后僚机的位置和位置变化指令的目标位置在空间坐标系中的坐标差记为位置变化指令的初始误差；

10、将分别以完成位置变化指令后僚机的位置和位置变化指令的目标位置为头、尾的向量记为误差矢量。

11、进一步，所述获取僚机在长机发出位置变化指令期间每个时间点的风阻，建立风阻矢量，包括的具体方法为：

12、根据僚机在收到位置变化指令时的空气密度、无人机正向的迎风面积和风速，获取僚机在飞行时的风阻；

13、将以风向为矢量方向，长度为风阻的向量记为风阻矢量。

14、进一步，所述确定僚机在长机发出位置变化指令的理论实际移动距离矢量和理论移动距离矢量，包括的具体方法为：

15、将分别以僚机收到长机发出位置变化指令的起始位置和终止位置为头、尾的向量记为僚机的实际移动距离矢量；

16、将分别以僚机收到长机发出位置变化指令的起始位置和目标位置为头、尾的向量记为僚机的实际移动距离矢量。

17、进一步，所述确定风阻映射值，包括的具体方法为：

18、将以僚机在飞行时的时间点在理论实际移动距离矢量对应的位置为起点，在飞行平面中映射出的风阻矢量记为时间点的风阻映射值。

19、进一步，所述根据僚机在飞行时，长机发出位置变化指令期间每个时间点对应的风阻映射值和风阻获取风阻影响度，包括的具体方法为：

20、将僚机在飞行时，长机发出位置变化指令期间的时间点对应的风阻映射值和风阻的比值记为风阻影响度。

21、进一步，所述根据时刻修正程度确定修正程度，包括的具体方法为：

22、将僚机在飞行时，长机发出位置变化指令期间所有时间点的时刻修正程度的均值记为僚机在飞行时，长机发出位置变化指令的修正程度。

23、进一步，所述根据不同环境坐标序列获取两个长机发出位置变化指令的环境相似度，包括的具体方法为：

24、将僚机在收到两个长机发出位置变化指令时的环境坐标序列之间的dtw距离的归一化值记为第一归一化值，将第一预设阈值与第一归一化值的差值记为两个长机发出位置变化指令的环境相似度。

25、进一步，所述根据共性度确定修正程度簇，包括的具体方法为：

26、将第一预设时间内、共性度大于第二预设阈值的两个位置变化指令的修正程度划分至同一个修正程度簇中，将未和其他修正程度划分到同一个修正程度簇的修正程度单独作为一个修正程度簇。

27、进一步，所述根据修正程度簇确定位置变化指令的修正系数，根据位置变化指令的修正系数和理论移动距离矢量获取修正值，根据修正值实现基于大规模数据模型的无人机集群飞行，包括的具体方法为：

28、将僚机在飞行时，长机发出位置变化指令的修正系数与理论移动距离矢量的模的乘积记为僚机在飞行时，长机发出位置变化指令的修正值；

29、将僚机飞行时收到的位置变化指令的修正值叠加至僚机偏移方向的相反方向，对僚机的运动产生的误差进行预补偿，实现基于大规模数据模型的无人机集群飞行。

30、本发明的有益效果是：

31、本发明根据风速、风向、气压等因素对僚机运动的影响，确定僚机在长机发出位置变化指令的理论实际移动距离矢量、理论移动距离矢量和风阻影响度，进而确定僚机飞行时收到长机发出位置变化指令的修正程度；然后，根据长机发出位置变化指令期间每个时间点的风速和风向对修正程度进行聚类，获取修正程度簇；最后，根据修正程度簇和理论移动距离矢量获取修正值，根据修正值对僚机的运动产生的误差进行补偿，使僚机出现的位置偏移减小，解决无人机轨迹偏移补偿精确度低导致的无人机集群飞行控制不稳定和位置偏移的问题，实现基于大规模数据模型的无人机集群飞行，增强集群飞行过程中编队的稳定性。

技术特征：

1.一种基于大规模数据模型的无人机集群飞行方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据僚机收到长机发出位置变化指令的位置和目标位置确定初始误差，确定误差矢量，包括的具体方法为：

3.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述获取僚机在长机发出位置变化指令期间每个时间点的风阻，建立风阻矢量，包括的具体方法为：

4.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述确定僚机在长机发出位置变化指令的理论实际移动距离矢量和理论移动距离矢量，包括的具体方法为：

5.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述确定风阻映射值，包括的具体方法为：

6.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据僚机在飞行时，长机发出位置变化指令期间每个时间点对应的风阻映射值和风阻获取风阻影响度，包括的具体方法为：

7.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据时刻修正程度确定修正程度，包括的具体方法为：

8.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据不同环境坐标序列获取两个长机发出位置变化指令的环境相似度，包括的具体方法为：

9.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据共性度确定修正程度簇，包括的具体方法为：

10.根据权利要求1所述的一种基于大规模数据模型的无人机集群飞行方法，其特征在于，所述根据修正程度簇确定位置变化指令的修正系数，根据位置变化指令的修正系数和理论移动距离矢量获取修正值，根据修正值实现基于大规模数据模型的无人机集群飞行，包括的具体方法为：

技术总结本发明涉及非电变量的控制或调节技术领域，提出了一种基于大规模数据模型的无人机集群飞行方法，包括：设定长机和僚机，获取僚机在空间坐标系的角度分量、风向和风速；确定误差矢量和风阻矢量，确定理论实际移动距离矢量和理论移动距离矢量；确定飞行平面和风阻映射值，获取风阻影响度，确定修正程度；确定环境坐标序列和环境相似度，获取两个位置变化指令的共性度，进而确定修正程度簇；确定位置变化指令的修正系数，根据位置变化指令的修正系数和理论移动距离矢量获取修正值，根据修正值实现基于大规模数据模型的无人机集群飞行。本发明旨在解决无人机轨迹偏移补偿精确度低导致的无人机集群飞行控制不稳定和位置偏移的问题。技术研发人员：顾增辉,王恒,张忱,顾刚,张会涛受保护的技术使用者：北京飞安航空科技有限公司技术研发日：技术公布日：2024/6/18